基于CAN总线参数的双工况载重车质量估计

doi:10.19562/j.chinasae.qcgc.2025.05.018

摘要/Abstract

摘要：

整车质量对车辆动力控制系统和安全控制系统而言是一个重要参数，尤其是对于重型货车。在车辆纵向动力学模型的基础上，本文提出一种依据车辆运行工况对整车质量进行估计的方法。首先，在加速工况下，通过CAN总线获取发动机转矩和纵向加速度，利用卡尔曼滤波算法（KF）对整车质量进行估计。然后，再利用所估计的质量识别未知参数。在匀速工况下，基于所识别的未知参数和车辆动力学模型进行整车质量估计。通过TruckSim/Simulink构建估计器开展联合仿真，验证了该方法的有效性。经实车测试，结果表明在不同工况下，该方法能够较为准确地估计整车质量。

关键词: 整车质量, 参数辨识, TruckSim/Simulink, CAN总线

Abstract:

The total vehicle mass is an important parameter for both power and safety control of the vehicle， especially for heavy-duty trucks. Based on the theory of vehicle longitudinal dynamics， a method for estimating the total vehicle mass according to the vehicle operating conditions is proposed in this paper. Firstly， under acceleration conditions， engine torque and longitudinal acceleration are obtained through CAN bus， using the Kalman filter algorithm （KF） to estimate the total vehicle mass. Then the estimated mass is used to identify the unknown parameters. At constant speed， the mass is estimated based on the identified unknown parameters and a simplified vehicle longitudinal dynamics model. The effectiveness of the method is verified through joint simulation suing the estimator constructed by TruckSim/Simulink. By the vehicle road test， the results show that the method is able to estimate the total vehicle mass more accurately under different operating conditions.

Key words: total vehicle mass, parameter identification, TruckSim /Simulink, CAN bus

李勇滔,田云立,宁奕胜,郑伟光,尹辉俊,许恩永. 基于CAN总线参数的双工况载重车质量估计[J]. 汽车工程, 2025, 47(5): 982-991.

Yongtao Li,Yunli Tian,Yisheng Ning,Weiguang Zheng,Huijun Yin,Enyong Xu. Mass Estimation of Load Trucks Based on CAN Bus Parameters with Dual Working Conditions[J]. Automotive Engineering, 2025, 47(5): 982-991.

图/表 19

图1

图2

表1

图3

图4

图5

图6

图7

图8

图9

表2

图10

表3

图11

表4

图12

图13

图14

表5

参考文献 22

1	RRITTER A， WIDMER F， VETTERLI B， et al. Optimization-based online estimation of vehicle mass and road grade： theoretical analysis and experimental validation［J］. Mechatronics， 2021， 80： 102663.
2	ZHAO X， ZHAO X， YU Q， et al. Development of a representative urban driving cycle construction methodology for electric vehicles： a case study in Xi’an［J］. Transportation Research Part D： Transport and Environment， 2020， 81： 102279.
3	张志勇，张淑芝，黄彩霞，等. 基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计［J］. 机械工程学报，2019， 55（6）： 156-165.
	ZHANG Z Y， ZHANG S Z， HUANG C X， et al. State estimation of distributed drive electric vehicle based on adaptive extended kalman filter［J］. Journal of Mechanical Engineering， 2019， 55（6）： 156-165.
4	黄昆.基于卡尔曼滤波的CPCC整车质量估计研究［J］.汽车文摘，2021（8）：52-57.
	HUANG K. Study on the whole vehicle mass estimation of CPCC based on Kalman filter［J］.Automotive Digest， 2021（8）：52-57.
5	夏光，涂波涛，唐希雯，等.基于质量与坡度辨识的汽车自动变速器换挡控制研究［J］.汽车工程，2018，40（3）：305-312，341.
	XIA G， TU B T， TANG X W， et al. Study on automatic transmission shift control of automobile based on mass and slope recognition［J］. Automotive Engineering， 2018，40（3）：305-312，341.
6	邓露，罗鑫，凌天洋，等. 基于卷积神经网络的多车桥梁动态称重算法［J］. 湖南大学学报（自然科学版）， 2022， 49 （1）： 33-41.
	DENG L，LUO X， LING T Y， et al. Multi vehicle bridge dynamic weighing algorithm based on convolutional neural network ［J］. Journal of Hunan University （Natural Science Edition），2022， 49 （1）： 33-41.
7	李雪峰，孟玉喜.基于动态称重技术和无线网络的载重测量系统［J］.物联网技术，2022，12（12）：52-56.
	LI X F， MENG Y X， et al. Load measurement system based on dynamic weighing technology and wireless network ［J］. Internet of Things Technology， 2022， 12 （12）： 52-56.
8	何磊，王志刚，郭宇飞，等.车辆自载重测量系统的研究［J］.机械设计与制造，2020（12）：60-63.
	HE L， WANG Z G， GUO Y F， et al. Research on vehicle load measurement system ［J］. Mechanical Design and Manufacturing， 2020 （12）： 60-63.
9	黄小靖，张峰，张士文，等.智能轮胎的垂向载荷测量［J］.汽车工程，2020，42（9）：1270-1276，1283.
	HUANG X J， ZHANG F， ZHANG S W， et al. Vertical load measurement of automotive intelligent tire［J］. Automotive Engineering， 2020，42（9）：1270-1276，1283.
10	赵健，路妍晖，朱冰，等.内嵌加速度计的智能轮胎纵/垂向力估计算法［J］.汽车工程，2018，40（2）：137-142，183.
	ZHAO J， LU Y H， ZHU B， et al. Estimation algorithm for longitudinal and vertical forces of smart tire with accelerometer embedded［J］. Automotive Engineering， 2018，40（2）：137-142，183.
11	JEONG D， KIM S， LEE J， et al. Estimation of tire load and vehicle parameters using intelligent tires combined with vehicle dynamics［J］. IEEE Transactions on Instrumentation and Measurement， 2021，70：1-12.
12	王国林，韩桐，周海超，等.应用模型的智能轮胎垂向力估计算法［J］.汽车工程，2021，43（12）：1865-1870，1879.
	WANG G L， HAN T， ZHOU H C， et al. Intelligent tire vertical force estimation algorithm using models［J］. Automotive Engineering， 2021，43 （12）： 1865-1870，1879.
13	雷雨龙，付尧，刘科，等.基于扩展卡尔曼滤波的车辆质量与道路坡度估计［J］.农业机械学报，2014，45（11）：9-13，8.
	LEI Y L， FU Y， LIU K， et al. Vehicle mass and road slope estimation based on extended Kalman filtering ［J］.Transactions of the Chinese Society for Agricultural Machinery，2014，45（11）：9-13，8.
14	ERIKSSON A. Implementation and evaluation of a mass estimation algorithm ［D］.Stockholm： KTH Royal Institute of Technology，2009.
15	VAHIDI A， STEFANOPOULOU A， PENG H. Recursive least quares with forgetting for online estimation of vehicle mass and road grade theroy and experiments ［J］.Vehicle System Dynamics，2005，43（1）：57-75.
16	褚文博，罗禹贡，罗剑，等.电驱动车辆的整车质量与路面坡度估计［J］.清华大学学报（自然科学版），2014，54（6）：724-728.
	CHU W B， LUO Y G， LUO J， et al. Vehicle mass and road slope estimates for electric vehicles［J］. Journal of Tsinghua University（Science and Technology），2014，54（6）：724-728.
17	苏庆列，黄鹏.卡尔曼滤波方法估计车辆质量与道路坡度对比分析［J］.机械设计，2021，38（7）：105-109.
	SU Q L， HUANG P， Comparative analysis on vehicle mass and road slope with the Kalman Filter approach［J］.Journal of Machine Design，2021，38（7）：105-109.
18	SUN Y， LI L， YAN B J， et al. A hybrid algorithm combining EKF and RLS in synchronous estimation of road grade and vehicle׳ mass for a hybrid electric bus［J］. Mechanical Systems and Signal Processing，2016，68-69：416-430.
19	LI B Y， ZHANG J， DU H P，et al. Two-layer structure based adaptive estimation for vehicle mass and road slope under longitudinal motion［J］. Measurement， 2017，95：439-455.
20	LI X， MA J， ZHAO X， et al. Intelligent two-step estimation approach for vehicle mass and road grade［J］. IEEE Access， 2020，8： 218853-218862.
21	FATHY H， KANG D， STEIN J， et al. Online vehicle mass estimation using recursive least squares and supervisory data extraction［C］. 2008 American Control Conference. IEEE， 2008.
22	LIU X Y， ALFI S， BRUNI S. An efficient recursive least square-based condition monitoring approach for a rail vehicle suspension system［J］. Vehicle System Dynamics， 2016，54（6）：814-830.

参数	符号	单位	数值
外型尺寸	L×W×H	mm	10100×2550×4000
整车质量	M₁	kg	7 880
额定载质量	M₂	kg	9 990
发动机功率	P	kW	180
最大转矩		N·m	950
主减速器传动比	i₀		4.364
迎风面积	A	m²	9.875
车轮半径	r	m	0.505

名称	KF	EKF	RLS
估计均值/kg	15 640	14 365	14 144
相对误差/%	3.78	-4.67	-6.14
均方根误差/kg	490.782	792.258	706.311

名称	KF	EKF	RLS
估计均值/kg	17 311	18 817	16 836
相对误差/%	-3.35	5.06	-6.03
均方根误差/kg	465.525	931.868	987.948

名称	KF	EKF	RLS
估计均值/kg	12 574	11 943	13 052
相对误差/%	2.56	-2.58	6.46
均方根误差/kg	517.648	677.911	673.080

名称	KF	RLS
估计均值/kg	16 026	17 275
相对误差/%	-10.52	-3.54
均方根误差/kg	1 159.886	660.684