线控转向汽车转向盘转角传感器的容错控制策略

然估计的方法,逐步迭代,使观察值 O 相对于模型 λ
HMM 模型 的 参 数 全 部 优 化 完 成 后, 应 用 Forward速对所有的多维高斯 HMM 模型进行评估, 选择发 生概率最大的多维高斯 HMM 作为当前驾驶工况。 的参数,并在实时采集来的传感器数据后面添加各 选取对应当前驾驶工况的多维高斯 HMM 模型 Backward 算法,实时采集的转向盘传感器数据和车
( 观察序列 ) 。 每一个状态与其可能的观察值之间
图1
线控转向系统结构示意图
掘模型的隐含成分,即找出最优的状态序列( 一个辨 式。 问题 2 主要在于最优状态序列的定义, 即最优
来最好地解释给定的观察序列。 问题 2 可以用来挖
识问题 ) 。 与问题 1 不同, 问题 2 的解会有很多形
号,传递给控制器模块,同时接收控制器模块传来的 相应的路感信息。
隐式马尔可夫模型
型训练过程为: 将选取的模型初始参数 λ = ( Ⅱ, A, B) 和观察序列 O = ( O1 , O2 ,…, O T ) 代入重估公式,
隐式马尔可夫模型是在马尔可夫链的基础上发 展起来的。 它包含双重的随机过程: 马尔可夫链和 到的,观察者只能看到基于状态产生的模型的输出 一般的随机过程。 在 HMM 里, 状态是不能直接看
久性错误。 同时, 根据车辆自身状态和转向盘转角
上的冗余设计, 以防止单转角传感器故障引起的永
本文中将转向盘模块的转角传感器进行了硬件
[3] 中利用滑模观测器, 建立了线控转向执行机构
传感器的容错控制方法; 文献 [4] 中利用自适应渐 消卡尔曼滤波技术, 构建了线控转向执行机构传感 器的容错控制方法。 目前, 国内外的研究成果大多
何磊,等:线控转向汽车转向盘转角传感器的容错控制策略
· 速、转向盘转角 Welch 算法对不同车速下的紧急转向、 正常转向和 器和线控转向试验台, 结合 HMM 用于评估的 For然后借助美国国家仪器公司的 PXI 1042 实时控制
和转向盘角速度的数据, 对数据预处理后, 用 Baum-
2015 年( 第 37 卷) 第 3 期
汽 车 工 程 Automotive Engineering
2015( Vol. 37) No. 3
2015057
线控转向汽车转向盘转角传感器的容错控制策略 *
何 磊1 ,马伯祥2 ,宗长富1
( 1. 吉林大学,汽车仿真与控制国家重点实验室,长春 130022 ; 2. 中国第一汽车股份有限公司技术中心,长春 130011 )
有转向盘转角、转向盘角速度和车速 3 个混合分量; c im 为对应状态 i 的第 m 个混合分 量 的 混 合 系 数;
直线行驶工况对应的 HMM 模型的参数进行优化。
的平均值和协方差。 O 为观察值,可表达为 角速度和车速。
型,对当前行驶工况进行实时辨识,并预测下一时间 性。 整个模型构建和预测传感器数据的过程如图 2
前言
各相关研究机构对线控转向系统的故障诊断和容错 控制进行了广泛的研究
[1]
为了保证汽车线控转向系统安全可靠地工作, 。 汽车线控转向系统容错
还比较少。
3 部分。 其中, 传感器的种类多、 故障率高, 对它的 故障诊断和容错控制研究显得十分重要。 汽车线 控 转 向 系 统 的 传 感 器 容 错 控 制 方 法; 文 献 文献[2] 中利用传统的卡尔曼滤波器, 提出了
据) 在最终的模型参数下产生的概率最大。 HMM 模 型参数训练应用的算法为 Baum-Welch 算法 [8] 。 Baum-Welch 算法是多次迭代优化的算法。 模 求得一组新参数 λ = ( Ⅱ, A, B ) , 使 P ( O | λ) > P ( O |
2
2. 1
多维高斯 HMM 建模
控制的研究对象主要包括传感器、 电机和电控单元
信号,使用隐式马尔可夫模型( hidden Markov model, HMM) 进行车辆行驶状态的辨识, 预测下一时间步 的车辆转向盘转角, 以软件冗余方式来实现转角传 错控制。 值作为转向盘转角值, 实现转向盘转角传感器的容 感器的故障定位, 将没有故障的转角传感器的测量
ward-Backward 算法和优化后的各多维高斯 HMM 模
步的转角传感器的数据值。 通过预测值和传感器采 集到的数据比较, 验证采集到的传感器数据的正确 所示。
和采用 K-means 算法 [9] 获得的模型初始参数, 运用
Baum-Welch 重估算法的递归思想, 采用一种最大似 到一个定值,此时的 λ 即为所求的模型参数向量。 发生的概率 P ( O | λ) 逐渐增大, 直到 P ( O | λ) 收敛
[ Abstract]
Based on multi-dimension Gaussian hidden Markov model and by adopting hardware and software
Keywords: vehicle; steer-by-wire; rotation angle sensor; fault-tolerant control; hidden Markov model 是针对线控转向系统中转向执行机构部分的传感器 进行的,而针对转向盘转角传感器的容错控制研究
Fault-tolerance Control Strategy for the Steering Wheel Angle Sensor of a Steer-by-wire Vehicle
1. Jilin University, State Key Laboratory of Automobile Simulation and Control, Changchun 130022; 2. R&D Center, China FAW Co. , Ltd. , Changchun 130011
力学角度很难建立转向盘模块与整车之间的关系方
程。 而转向盘模块又通过转角传感器将驾驶员的转 向意图转换成电信号, 发送给控制器模块。 为避免 单个转角传感器故障带来的永久性错误, 对转向盘 转角传感器进行二倍硬件冗余设计, 再利用软件算
法预测转角传感器的值, 完成对转角传感器的故障 定位,从而实现转角传感器的容错控制。
* 国家自然科学基金(50775096) 资助。
1
线控转向系统的结构
原稿收到日期为 2013 年 4 月 6 日,修改稿收到日期为 2013 年 11 月 4 日。
· 328 ·
汽
车
工
程
2015 年( 第 37 卷) 第 3 期
控制器模块和转向执行模块 3 部分。 具体的线控转 向系统结构示意图如图 1 所示。
器的容错控制策略,并通过硬件在环试验进行了验证。 结果表明,该策略可应用于线控转向汽车转向盘转角传感器 的容错控制,有效提高其安全性和可靠性。
[ 摘要]
以多维高斯隐式马尔可夫模型为基础, 采用软硬件冗余技术, 提出了线控转向汽车转向盘转角传感
关键词:汽车;线控转向;转角传感器;容错控制;隐式马尔可夫模型
λ) 。 也就是,经过重估公式计算得到的参数 λ 与原 始的参数 λ 相 比 能 更 好 地 表 示 观 察 序 列 ( 训 练 数 不再明显。 2. 2 多维高斯 HMM 建模和参数确定
据) 。 不断重复迭代这个过程直到模型参数 λ 变化 鉴于 HMM 处理时间序列的能力和强的统计学
2015( Vol. 37) No. 3
线控转向系统按功能划分,可分为转向盘模块、
的关系通过一般的随机过程描述; 状态间的转移通 过马尔可夫链描述 [5] 。 因此,借助这两个随机过程, 能透过 HMM 产生的观察序列, 得到状态时间序列 和模型的相关信息。 以下 3 个基本问题。 问题 1:给定观察序列 O = ( O1 ,O2 ,…,O T ) 和模 型 λ,计算 P ( O | λ) , 即计算模型产生观察序列的概 观察序 列 的 匹 配 程 度。 问 题 1 通 常 采 用 ForwardBackward 算法来解决 [6] 。 问题 2:给定观察序列 O = ( O1 ,O2 ,…,O T ) 和模 型 λ,确定一个最佳的状态序列 Q = ( S1 ,S2 ,…,S T ) , 率。 这可以用来解决评价问题, 或检验一个模型与 用 HMM 来处理实际的研究课题时, 需要解决
He Lei1 , Ma Boxiang2 & Zong Changfu1
redundancy techniques, a fault-tolerance control strategy for the steering wheel angle sensor of a steer-by-wire vehicle is proposed and verified by a hardware-in-the-loop experiment. The results demonstrate that the strategy proposed can be applied to the fault-tolerance control of steering wheel angle sensor in a steer-by-wire vehicle, effectively improve the safety and reliability of the angle sensor.
式中:M 为观察序列中的混合分量的个数,本文中共 N[ O,μ im ,U im ] 为高斯函数,μ im ,U im 分别为高斯函数 式中 a( t) 、b ( t ) 和 c ( t ) 分别为转向盘转角、 转向盘 根据一定车速范围内的转向盘传感器信号 O O( t)= { a( t) ,b( t) ,c( t) } (3)
状态序列,使得 P ( Q | O, λ) 最大。 在实际中并没有 一个“ 最佳” 的定义,基于动态编程的 Viterbi 算法 [7] 得到的结果通常是满意的, 但并不能保证它是绝对 意义的“ 最优” 。 问题 3:调节模型参数使 P ( Q | O,λ) 最大。 问题 1 和问题 2 求解的前提都是已知模型参数