考虑时变参数与非高斯噪声的电动汽车半主动悬架状态估计方法

《World Electric Vehicle Journal》：State Estimation Method for Electric Vehicle Semi-Active Suspensions Considering Time-Varying Parameters and Non-Gaussian Noise

　　

研究人员针对半主动悬架中时变物理参数与非高斯噪声非线性耦合导致的状态估计退化问题，提出一种自适应参数最大相关熵卡尔曼滤波（APMCKF）算法。首先通过台架试验建立含非线性阻尼的时变动力学模型，采用遗传算法（GA）全局优化关键物理参数以抑制模型失配。其次，APMCKF集成自适应悬架参数更新机制，该闭环机制实时刷新系统状态矩阵，有效克服状态跟踪滞后；同时将最大相关熵准则（MCC）嵌入Sage–Husa递推框架，动态重构观测噪声协方差矩阵，确保在重尾噪声下的鲁棒滤波。在ISO A–D级随机路面仿真中，APMCKF相较自适应卡尔曼滤波（AKF）均方根误差（RMSE）降低62.33%–81.24%，优于自适应参数卡尔曼滤波（APKF），在D级路面非高斯噪声最严重时精度提升27.49%。相较于标准非线性贝叶斯滤波器，APMCKF克服扩展卡尔曼滤波（EKF）截断误差与无迹卡尔曼滤波（UKF）跟踪迟滞，在D级路面下平均RMSE分别降低74.98%与60.76%。算法在减速带瞬态冲击下抗扰优异，且在10–25 m/s车速内保持稳定误差抑制，最终实现变速与非高斯扰动下的高精度估计与强鲁棒稳定性。

研究背景与动机

现代电动汽车对平顺性与主动安全性要求日益提高，半主动悬架通过实时调节减振器阻尼特性成为抑制车身姿态波动的核心手段。Skyhook、加速度驱动阻尼（ADD）及线性二次型调节器（LQR）、模型预测控制（MPC）等先进控制策略的有效实施高度依赖悬架状态变量的精确估计。受量产车传感器部署成本与空间限制，直接测量关键状态难以普及，利用车载易获信号进行状态估计成为主流。然而底盘系统在复杂激励下物理特性易受扰动：连续阻尼控制（CDC）减振器阻尼随控制电流与悬架瞬态运动呈高频非线性时变演化，传统定参线性模型无法适应；同时非平稳恶劣路况（连续坑洼、减速带）引发强瞬态脉冲，使传感器信号出现异常离群点，噪声概率密度呈现显著“重尾”非高斯特征，违背传统卡尔曼滤波高斯白噪声假设，导致协方差更新失真、估计偏差放大。现有自适应滤波多在低频参数（簧载质量、道路坡度）识别，面对高频非线性时变阻尼与非高斯重尾噪声耦合挑战仍存局限。该研究据此在《World Electric Vehicle Journal》提出兼具悬架参数自适应与非高斯鲁棒抑制能力的APMCKF算法。

主要关键技术方法

研究人员依托半主动悬架综合性能台架，对CDC双电磁阀减振器施加正弦激励（振幅0.03 m，峰值速度0.03–1.05 m/s，控制电流0.3–1.5 A步增0.2 A），构建等效阻尼系数二维查找表（LUT）；建立7自由度整车动力学模型（垂向、俯仰、侧倾及四轮非簧载质量），以CarSim高保真模型输出为真值，采用遗传算法（种群100、迭代30、交叉0.8、变异0.1）全局优化簧载质量、刚度、转动惯量等参数；在此基础设计APMCKF：由后验状态提取四轮悬架相对速度结合控制电流查表更新时变阻尼系数以重构状态矩阵A(t)、B、C(t)，预测步沿用标准卡尔曼预测，创新点在于观测噪声协方差通过引入遗忘因子b的Sage–Husa递推在线更新，并将新息向量经高斯核（带宽σ）转换为标量权重重构等效观测噪声协方差，以此计算最大相关熵滤波增益完成后验更新，过程噪声协方差亦在线递推；σ与b按ISO A–D级随机路、减速带瞬态分别标定（如D级σ∈[0.5,1.5]、b∈[0.95,0.98]）。仿真以ISO A–D级1000 m随机路（15 m/s、1 ms采样）、国标脉冲减速带（10 m/s）、10–25 m/s变速工况为样本队列，对照AKF、APKF、EKF、UKF评价RMSE。

研究结果

1. 2.
   悬架系统动力学模型
   2.1 减振器模型：台架试验获取阻尼力-相对速度-控制电流关系，零速邻域平滑处理避免奇异，网格化插值建立等效阻尼系数LUT，表征CDC阀与内部流场非线性耦合。
   2.2 七自由度整车模型：含车身垂向z、俯仰θ_p、侧倾θ_r及四轮非簧载位移，小角度假设下四角垂向位移由z、θ_p、θ_r与几何系数展开，整理得到含时变阻尼系数c(t)的线性状态空间方程?=A(t)x+Bd，A(t)随c(t)变化。
2. 3.
   整车参数自适应辨识
   3.1 通用模型参数辨识：以CarSim在ISO A–D级路面输出的车身垂加、俯仰角速度、侧倾角速度为基准，构造三类响应相对误差加权和适应度函数，GA寻优得簧载质量、轮胎刚度等最优值（表1）。
   3.2 变阻尼模型参数辨识：选前后悬等效刚度k_f、k_r与俯仰、侧倾转动惯量I_p、I_r为决策变量，以时域RMSE为适应度分路况GA优化，得各ISO级下自适应参数表（表2），供滤波初始与查表补偿。
3. 4.
   自适应参数最大相关熵卡尔曼滤波设计
   4.1 变阻尼观测系统：观测向量取车载易获的车身垂向加速度、俯仰角速度、侧倾角速度，因阻尼力含c(t)v_rel，观测矩阵C(t)亦时变；连续模型矩阵指数离散得Φ_k=exp(A(t)Δt)、Γ_k、C_k，c(t)由预估v_rel查LUT实时获得。
   4.2 APMCKF算法：初始化x?_0|0、P_0|0、Q₀、R₀；每步先由x?_k-1|k-1取v_rel算c_i,k更新A_k、C_k；预测x?_k|k-1=Φ_kx?_k-1|k-1+Γ_kd_k，P_k|k-1=Φ_kP_k-1|k-1Φ_k^T+Q_k-1；算新息y?_k=y_k-C_kx?_k|k-1，Sage–Husa加遗忘因子b递推R?_k=(1-b)R?_k-1+b(y?_ky?_k^T-C_kP_k|k-1C_k^T)；以w_i=exp(-y?_i²/σ²)重构R?_k=diag(w_i)R?_kdiag(w_i)，增益K_k=P_k|k-1C_k^T(C_kP_k|k-1C_k^T+R?_k)^-1，后验x?_k|k=x?_k|k-1+K_ky?_k，P_k|k=(I-K_kC_k)P_k|k-1，Q_k同步Sage–Husa更新；σ、b按路况标定，单步复杂度O(n³)、n=14，低于1 ms采样周期满足ECU实时性。
4. 5.
   仿真验证与分析
   5.1 随机路面状态估计：ISO A–D级1000 m、15 m/s仿真，D级下APMCKF相对AKF平均RMSE降62.33%，相对APKF四轮分别降33.05%、28.91%、22.43%、25.54%（均28.49%）；A–C级相对AKF降81.24%、76.70%、69.17%，相对APKF降9.67%、10.21%、18.50%；D级下对EKF、UKF平均RMSE降74.98%、60.76%，消除线性化截断与静态模型迟滞，初值收敛更快。
   5.2 减速带冲击路面：国标脉冲减速带10 m/s，APMCKF相对AKF平均降31.44%，相对APKF四轮再降8.16%、9.73%、24.97%、24.63%（均16.87%）；对EKF、UKF降35.09%、17.89%，峰值跟踪与CarSim真值重合，抗瞬态过冲优异。
   5.3 车速影响：D级路面10、15、20、25 m/s四工况，APMCKF相对AKF平均RMSE降63.81%、62.33%、61.83%、60.68%，相对APKF降29.80%、27.50%、26.94%、26.67%，误差抑制在变速下稳定。

讨论与结论翻译

讨论指出，APMCKF以“悬架参数自适应—噪声统计递推—MCC鲁棒估计”全闭环协同：高精度后验状态反馈驱动阻尼LUT查表更新，重构下一时刻A(t)、C(t)；MCC与Sage–Husa协同隔离非高斯重尾离群点，避免传统滤波协方差失真与发散。该协同使准确实时状态驱参演化、精确模型保障鲁棒滤波，克服强激励下误差放大。

结论部分翻译：针对非高斯重尾噪声与内部参数扰动下半主动悬架状态估计难题，研究系统提出并验证APMCKF算法。通过台架与GA优化建立变阻尼观测模型，克服模型失配基准误差；APMCKF以MCC协同时变噪声递推抵抗重尾噪声，输出高精度后验状态反馈驱动阻尼参数查表更新，深度协同实现强激励下高瞬态跟踪与鲁棒稳定。仿真量化表明：ISO A–D级下APMCKF较AKF误差降62.33%–81.24%，较APKF在D级提升27.49%；较EKF、UKF在D级降74.98%、60.76%，减速带下降35.09%、17.89%；减速带冲击较AKF、APKF均降31.44%、16.87%；10–25 m/s变速下较AKF、APKF稳降约61%–64%、27%–30%。算法在恶劣路况、强冲击、变速实车环境中具可靠鲁棒性与工程应用潜力。后续将转入硬件在环（HIL）与实车原型验证实时效率与长期可靠性，推动工业智能底盘控制落地。