状态参数（精选8篇）
状态参数 篇1
引言
鞋垫作为鞋的重要组成部分, 对其舒适性的研究显得尤为重要。鞋垫的软硬度参数是评价鞋垫舒适性的一项重要指标[1]。不同厚度、硬度的鞋垫, 人脚的直接感知不同。随着电子测量技术和计算机技术的发展, 人们对足底压力的研究逐渐趋于成熟。本研究基于足底压力分布研究的基础, 测量穿着相同材质、不同厚度和硬度的鞋垫时受试者的足底压力分布, 探讨厚度和硬度对鞋垫舒适性的影响, 通过分析峰值压强数值, 确定适合各种运动状态下穿用的鞋垫的最优参数。
1 试验部分
1.1 试验对象
受试者为2 0名男性在校大学生, 个体差异较小, 年龄 (2 2.4 5±1.3 9) 岁, 体重 (63.8±4.5) kg, 身高 (172±3) cm, 鞋码为41码。下肢无伤残, 无受伤史, 无扁平足等畸形足, 身体状况及运动能力良好。
1.2 试验仪器、材料
本试验所用测试鞋垫由福建省晋江市益利鞋材有限公司提供, 统一采用EVA材质制作, 为尽可能减少试验误差, 此次鞋垫形状相同, 厚度有4mm、5mm、前5mm后7mm和7mm等四个梯度, 硬度为23°、32°、40°三个梯度。由于试验条件限制, 厚度、硬度组合中缺少一种厚度为4mm、硬度为23°的鞋垫, 试验鞋垫共计11双。本次试验采用德国Novel-pedar X鞋垫式足底压力测量系统, 对受试者进行动力学数据的采集。
为方便对数据的整理和统计, 对各参数的鞋垫编号如表1所示。
1.3 试验方法
对于鞋压力舒适性的客观评价法, 主要通过使用鞋垫式足底压力测试仪, 对受试部件在不同状态下的足底压力分布的测试, 并通过峰值压强等指标进行数据分析, 来判定其舒适性[2]。
在本次试验中, 首先测试鞋中不塞鞋垫, 用鞋垫式足底压力测试仪进行一次裸足测试 (站立、步行、慢跑3种状态) , 作为后期峰值压强对照的基础。然后分别将11个测试鞋垫塞入测试鞋中, 让20位受试者进行站立、步行、慢跑3个状态的足底压力测试。
为排除速度对试验结果带来误差, 步行和慢跑的测试用跑步机进行速度控制。设定步行速度3.0km/h, 慢跑速度5.0km/h。测试前对受试者的步行和跑步方式进行训练, 并给予适应时间, 以保证每次测试步态的一致性。同时, 为了便于研究, 将足底分为了3个分区[3]:前掌 (forefoot) 、中足 (midfoot) 和后跟 (rearfoot) , 足底分区如图1所示。
2结果与讨论
2.1站立状态下鞋垫参数优化
在站立状态下足底前掌、中足和后跟三个分区测得的峰值压强如表2。前掌区域处穿着11号鞋垫测得峰值压强最低, 为28.40k Pa, 相对裸足峰值压强下降35.6%;中足区域处穿着2号鞋垫测得峰值压强最低, 为56.67k Pa, 相对裸足峰值压强下降13.0%;后跟区域处穿着2号鞋垫测得峰值压强最低, 为87.08k Pa, 相对裸足峰值压强下降17.6%。综上可知, 在站立状态下鞋垫的优化参数:前掌厚度为7mm, 硬度为40°;中足和后跟的厚度分别为6mm和7mm, 硬度为23°。
2.2步行状态下鞋垫参数优化
由表3数据得知, 在步行状态下, 硬度大的鞋垫在运动中配合鞋有更多的能量回归, 软的鞋垫能够吸收更多的冲击力, 且当鞋垫厚度为5~6mm、硬度为23°时, 对中足和后跟部位的峰值压强改善较大, 优化较好。但由于试验条件限制, 使用同一双鞋进行试验, 鞋装入鞋垫后, 鞋腔变小, 使得帮面对足底产生挤压, 同时, 由于该鞋的鞋面为绑带设计, 绑带力度的不同, 也影响前掌部位的受力, 使得前掌部位峰值压强优化不明显。
2.3慢跑状态下鞋垫参数优化
慢跑状态下测得的足底峰值压强如表4所示。由表4数据可知, 前掌、中足和后跟3个区域中均是穿着2号鞋垫 (前掌厚度5mm, 中足厚度6mm, 后跟厚度7mm, 硬度为23°) 时的峰值压强最低, 相对裸足状态下的峰值压强分别下降-11.1%、13.9%和15.2%。
k Pa
k Pa
由表4数据得知, 慢跑状态下鞋垫越柔软, 鞋垫的缓冲减震性能越好, 能更好的分散足底压力。通过以上优化鞋垫峰值压强的下降数值得知, 当鞋垫厚度为前5mm后7mm、硬度为23°时, 鞋垫对中足和后跟区域峰值压强有很大改善作用。
3 结论
(1) 鞋垫能有效分散足底压力, 降低足底峰值压强。
(2) 适合长时间站立工作的鞋垫厚度和硬度的最佳参数为:前掌厚度为7mm, 硬度为40°;中足和后跟的厚度分别为6mm和7mm, 硬度为23°。
(3) 适合行走的鞋垫厚度和硬度的最佳参数为:前掌和后跟的厚度为5mm, 中足厚度为6mm, 硬度为23°。
(4) 适合慢跑的鞋垫厚度和硬度的最佳参数为:前掌厚度为5mm, 中足厚度为6mm, 后跟厚度为7mm, 硬度为23°。
k Pa
参考文献
[1]汤运启, 秦蕾, 万蓬勃, 等.运动鞋鞋垫厚度、硬度对青年女性足底压力舒适性的影响[J].皮革科学与工程, 2012, 22 (4) :38-40
[2]刘卉, 刘静民, 郑秀媛, 等.鞋的触觉舒适性研究进展[J].皮革科学与工程, 2012, 22 (4) :44-51
[3]宋雅伟, 孙天瑜, 蔡奕玺, 等.不同硬度的鞋底对人体行走中足底力值变化的影响[J].首都体育学院学报, 2010, 22 (6) :89-92
状态参数 篇2
通过对一座独塔混合梁斜拉轿模型的分析,得出了在恒载作用下成桥状态的`内力优化结果,并对混凝土结构自重、混凝土弹性模量,斜拉索弹性模量等参数进行敏感性分析,得出相关参数对桥梁受力和位移的影响.在施工控制和仿真计算中,应对不可忽略的参数影响进行调整和控制,使得桥梁结构受力尽可能与理论计算吻合.
作 者：高涛 肖勇刚 刘智 作者单位：高涛(广东省冶金建筑设计研究院,广东广州,510080)
肖勇刚,刘智(长沙理工大学,湖南长沙,410076)
农用车辆状态参数检测系统研究 篇3
近些年来, 以电子技术、检测与传感技术结合的农用车辆状态参数检测技术在农业生产中得到了广泛的应用[1,2,3,4]。农用车辆状态参数对车辆自动导航技术的研究起着非常重要的作用, 如何高速、高精度地检测农用车辆的各个状态参数, 是研究精细农业的前提和基础。农用车辆状态系数检测中所应用的传感器主要有GPS、电子罗盘、激光传感器、机器视觉传感器、角度传感器和速度传感器等。
车辆在农田工作时, 主要是针对田间信息和农用车辆的自身位姿决定导航策略的, 农田信息可以利用现有的GIS、机器视觉等技术获得, 而农用车辆和作业器具的位姿则要通过各种类型传感器得到。这些位姿信息主要包括车辆前轮转角、侧倾角、俯仰角和横摆角等。如何有效地获得各状态参数, 对农用车辆的导航起着非常重要的作用。
农用车辆状态参数检测离不开各类传感器的数据采集。现有传感器的数据类型主要有两种:一是模拟量的采集, 而模拟量的采集主要是通过A/D转化后与PC机或嵌入式计算机通信的[5,6,7];二是数字量的采集, 这种数据类型主要是通过RS232串口和PC机或嵌入式计算机通信的。本文研究的是在农用车辆状态参数检测系统中两种基本状态参数的检测:一种是以模拟量输出的拉线位移传感器;另外一种是通过RS232串口和PC机进行通信的电子罗盘。
1 检测平台的构建
农用车辆导航中主要是应用在拖拉机上安装PC机或使用嵌入式计算机进行计算的。对于实验阶段, 在Windows平台上利用车载PC机进行数据采集是一种行之有效的方法。检测框图如图1所示。
1.1 检测软件的选择
MFC (Microsoft Foundation Class Library) 中的各种类结合起来构成了一个应用程序框架, 其目的就是让程序员在此基础上来建立Windows下的应用程序, 这是一种相对SDK来说更为简单的方法。总体上来说, MFC框架定义了应用程序的轮廓, 并提供了用户接口的标准实现方法。程序员所要做的就是通过预定义的接口把具体应用程序特有的东西填入这个轮廓。Microsoft Visual C++提供了相应的工具来完成这个工作:AppWizard可以用来生成初步的框架文件 (代码和资源等) ;资源编辑器用于帮助直观地设计用户接口;ClassWizard用来协助添加代码到框架文件;最后, 编译通过类库实现了应用程序特定的逻辑。基于以上优点, 本平台应用VC++6.0MFC建立数据采集框架。
1.2 RS232串行通信方法
串行端口的本质功能是作为CPU 和串行设备间的编码转换器。当数据从CPU 经过串行端口发送出去时, 字节数据转换为串行的位。在接收数据时, 串行的位被转换为字节数据。在WINDOWS环境下, 串口通信的方法主要有两种:一种是基于Windows API (Application Programming Interface 即用户程序接) 函数;另一种是利用ActiveX MSComm 控件。
API 函数由于具有比较强的通信功能, 控制手段更为灵活, 所以可编出高质量的通信程序, 特别是在CPU 处理任务比较繁重, 且与外围设备有大量的通信数据时更具有现实意义。MSComm 控件是微软公司开发的、封装了串口通信的全部API 函数, 其优点在于使用者不必花费大量时间去了解复杂的API 函数。因此, 对于农业车辆导航中RS232串口通信, 通过MSComm控件可以高效和简单地解决。
2 传感器数据采集实验
2.1 模拟量输出的传感器数据采集
模拟量输出的传感器主要是通过A/D和D/A转化后与PC机或嵌入式计算机进行通信的。在农用车辆导航中, 应用最广泛是拉线位移式传感器。本文所研究拉线位移传感器的型号如表1所示。它的工作原理为:通过改变拉线的长短来改变输出电压值;通过A/D转换卡和计算机进行通信。这种类型的传感器主要应用在拖拉机前轮转角的测量以及拖拉机与牵引器具相对夹角的测量, 是一种绝对量的测量工具。A/D转化卡是北京中泰公司生产的PCI-8333型多功能模入模出接口卡, 它提供了一个函数库, 应用时只需要对板块进行初始化的设置, 然后调用所需要的库函数即可简单有效地进行数据的采集。
本实验利用此传感器拉线的改变来检测前轮转角的变化。对传感器进行标定实验后, 通过对前轮转角应用4次多项式标定曲线进行拟合, 相似度R2=1, 如图2所示。拟合公式为
y=0.001 2x4-0.021 5x3+0.199 4x2-4.895 5x-0.109 (1)
实验是在一个固定不变的前轮转角下进行测试的, 主要测试传感器的波动范围。通过前轮转角检测, 证明由于拖拉机的机械震动、检测电流等影响采集的数据稳定性, 如图3所示。数据波动范围很大, 最大值是14.98°, 最小值是2.96°, 数据波动达到了12.02°。由于A/D转换速度为1次/10μs, 所以采用简单的算术平均滤波法对采集的数据进行了滤波, 每采集1000个数据进行一次算术平均运算, 这样每采集一个有效数据所用时间为10ms, 完全可以满足应用需要。滤波后的数据如图4所示。由图4可以看出:通过滤波后的数据波动范围在0.34°内, 最大值8.33°, 最小值7.99°, 可以满足拖拉机对于前轮转角以及拖拉机与牵引农具的相对角的测量精度。
2.2 RS232接口的电子罗盘数据采集
RS232串口通信采用MSComm控件建立通信。控件包括一系列的属性、方法和事件, 它提供两种处理通信的方式: 事件驱动方式和查询方式。其中, 事件驱动方式是处理串行端口交互作用的一种非常有效的方法。MSComm控件中主要的属性如表2所示, 利用这些属性可以简单有效的完成电子罗盘的数据采集工作。
2.2.1 电子罗盘数据格式
实验用的电子罗盘是由陕西航天城科技有限公司生产的FNN-3300型, 可以测量拖拉机的侧倾角 (roll) 、俯仰角 (pitch) 和横摆角 (yaw) , 其主要技术指标如表3所示。输出RS232格式数据, 格式为“9 600, n, 8, 1”。每帧输出20字节16进制数。第7和第8字节输出俯仰角, 可测量导航车辆在农田中的坡度;第9和第10字节输出侧倾角, 可以测量拖拉机的侧倾量;第17和第18字节输出罗盘与磁北夹角, 在农用车辆导航中可以应用于横摆角的测量, 然后把输出的字节转换成10进制整数。俯仰角和侧倾角的计算公式为
角度值=整数/1 000/3.141 59*180 (2)
横摆角的计算公式为
角度值=整数/100 (3)
2.2.2 电子罗盘采集实验
本实验是利用MSComm控件在VC++6.0MFC平台上进行测量的, 分别测量了当前拖拉机的横摆角、侧倾角和俯仰角, 数据如图5、图6和图7所示。
通过实验得到电子罗检测速度平均为11.9个/s。从采集的数据可以看出, 横摆角检测波动是0.23°, 侧倾角度检测波动是0.12°, 俯仰角检测波动是0.18°, 可以满足农业车辆以及农具导航的速度与精度的需要。由于检测速度的影响, 需要高精度的数据可以采用基于车辆数学模型的卡尔曼滤波法对数据进行滤波, 这种滤波法不会影响数据的采集速度, 可以得到更加稳定的数据。
3 结论
本文研究并分析了应用于农用车辆状态参数检测系统中两种类型传感器的检测方法, 分别提出了以模拟量输出与RS232输出格式的传感器检测方法。采用拉线位移传感器和电子罗盘分别对拖拉机的前轮转角、横摆角、侧倾角和俯仰角进行了采集实验。由实验分析得知, 检测方法可以满足采集速度和精度的要求。
参考文献
[1]N D Tillett.Automatic guidance sensors for agricultural fieldmachines:A review[J].Journal of Agricultural EngineeringResearch, 1991, 50:167-181.
[2]T Chateau, C Debain, F Collange, et al.Automatic guid-ance of agricultural vehicles using a laser sensor[J].Com-puters and Electronics in Agriculture, 2000, 28 (3) :135-149.
[3]Bj.o.rn A strand, Albert-Jan Baerveldt.A vision based row-following system for agricultural field machinery[J].Mechatronics, 2005, 15 (2) :251-269.
[4]吴延霞, 赵博, 毛恩荣.农业车辆自动导航系统综述[J].农机化研究, 2009, 31 (3) :242-245.
[5]周俊, 姬长英.自主车辆导航系统中的多传感器融合技术[J].农业机械学报, 2002, 33 (5) :113-116.
[6]乔爱民, 程荣龙, 张燕, 等.基于PCI数据采集板卡的高精度传感器检测系统[J].工业控制计算机, 2008, 21 (5) :12-14.
状态参数 篇4
1. 监测参数
通过分析知,对机械的监测项目主要包括:发动机的机油压力、温度,冷却水温度,转速,变矩器的进、出口油压、油温,变速器变速油压,制动系统气压和蓄电池电压10个状态量。根据要采集参数的信号类型,将其分为模拟量和频率量两部分,并针对不同测量对象的特点选定传感器,制定检测方案。如附表所示。
2. 模拟量检测
由附表知,机载终端共需检测9路模拟量,包括压力、温度和蓄电池电压的测量3个参数类型。可根据不同的参数类型选用不同的传感器并设计相应的检测电路。
(1)压力检测
压力测量选用能够适应恶劣工作环境的高性能超稳定型STP系列压力变送器。该变送器选用美国原装高精度扩散硅不锈钢隔离膜传感器及专用转换电路,装配工艺和焊接技术完善,可确保产品的优异性能和最佳质量。其工作原理是将被测介质的压力直接作用于传感器的膜片上(不锈钢或陶瓷),使膜片产生与介质压力成正比的微位移,使传感器的电阻值发生变化,再通过电子线路检测这一变化并转换输出一个对应于这一压力的标准4～20 m A电流信号。
(2)温度检测
温度测量根据原理的不同有3种检测方式:分别利用热电阻、热电偶和PN结。随着微电子技术的发展,许多公司纷纷推出了各种高性能的温度集成传感器。如PT100就是一种稳定性和线性都比较好的铂丝热电阻传感器,能直接将测量的液体、气体及各种环境下的温度值转换成标准的4～20 mA DC信号输出。其采用24V供电模式,使用安全可靠。
(3)蓄电池电压检测
电压本身是电量参数,由于蓄电池电压高于终端本身所用电压,不能直接进行测量。设计时可采用分压电路的形式,将蓄电池电压分压后测量,如图1所示。考虑到蓄电池电压的变化范围(0～35 V)及检测系统主控模块的供电要求(5 V),须将分压值控制在0～5 V之间,经过计算,采用电阻值为180 kQ和30 kQ的电阻。分得的电压为蓄电池电压的1/7,所以分压变化范围为(0～35 V)/7=0～5 V。
(4)信号调理电路设计
传感器采集的压力、温度微弱信号要经过信号调理电路转换成能满足A/D转换输入要求的标准电信号。集成运算放大器的种类很多,在该电路中采用由通用Ⅲ型运放OP-07和JEET输入运放LF351组成的信号调理电路,前者是低输入失调电压的集成运放,具有低噪声、温漂小等特点,后者采用JEET技术,特点为低输入偏置电流、低输入失调电流和低电源电流提供了高转换速率和宽频带。电路如图2所示。
3. 频率量(发动机转速)检测及I/O接口电路设计
频率量采集参数的检测主要是发动机转速。常用的转速传感器有磁电式、霍尔式和磁阻式3种。测控系统中常用的霍尔式传感器,体积小、外围电路简单、频带宽、动态特性好、抗污染能力强、高可靠性、无火花、无自激振荡、温度性能好、寿命长。
霍尔传感器是利用霍尔效应工作的一类传感器的总称,霍尔效应的产生是运动电荷受磁场中洛伦兹力作用的结果。该型传感器输出的为矩形脉冲信号,抗干扰能力强,输出稳定。
(1)转速测量原理
发动机转速传感器信号盘安装在曲轴上,工作时传感器输出信号经整形后可得到相应的方波脉冲信号。利用单片机定时器的计时功能,可得到相邻的两个上升沿的时间差,即可算出当前转速n。
其中:i为转速信号盘每转输出信号数;j为信号盘每转1圈发动机转的圈数(信号盘安装在曲轴上时,j=1;装在凸轮轴上时,j=2);T为单片机输入捕捉所计算出的相邻两个上升沿之间的时间差值。
(2) I/O接口电路设计
状态参数 篇5
雷达信号模拟器可分为雷达回波模拟器和雷达信号模拟器两类。其中,雷达信号模拟器一般用于模拟雷达发射信号,可完成电子侦察设备的调试、测试、试验、训练等任务[1]。雷达回波模拟器用于模拟雷达接收机获取的综合信号,包括目标回波、杂波、干扰、噪声等,在雷达调试、测试、试验、训练、检测维修等过程中发挥着重要作用[2]。根据功能,雷达回波模拟器又可分为雷达目标信号产生器(Radar Target Generator, RTG)、雷达回波信号模拟器(Radar Signal Simulator ,RSS)以及雷达环境模拟器(Radar Environment Simulator,RES)。RTG用于产生较为简单的雷达目标回波信号,由于缺少干扰和杂波信号,应用范围有限。RSS可以模拟产生雷达目标回波、干扰、杂波等综合回波信号,广泛应用于雷达研制、调试、测试等场合[3,4],但一般缺少与雷达的实时交互能力。RES能够根据雷达当前状态和战场想定,实时产生对应的综合回波信号注入或馈入雷达,完成雷达训练、保障等任务[5]。随着雷达作战电磁环境日益复杂,训练、保障过程中的电磁环境模拟需求日益迫切,RES成为当前雷达回波模拟器的研究热点[6]。
实现RES的关键是实时生成与雷达状态相匹配的综合回波信号。这就要求RES具有雷达状态获取、传输能力,并且信号处理部分具备高速处理能力。雷达状态的获取能力、传输能力,及信号处理部分是否具备高速处理能力,将直接影响RES的性能。
雷达的状态参数主要有主脉冲信号、锥扫基准信号、天线角度信号以及载波频率码信号。在RES中,为了使生成的模拟回波信号能真实地反映目标信号的信息,必须将雷达的状态参数实时地传给RES。文献[7]介绍了雷达状态参数的采集办法,为保证雷达状态信号的传输距离、传输的实时性和稳定性,采用基于LVDS串行总线标准进行传输。本文以FPGA为核心构建了一种RES的雷达状态参数分选电路,并进行了传输协议及软件设计,充分利用了FPGA资源丰富、并行能力强的特点,提高了系统的实时性。
1 系统结构与设计
RES可以根据需要建立相应的目标模型和环境模型,实时生成形式丰富多样的模拟中频、射频雷达回波信号,可以用于检测雷达性能和定位故障,还可以丰富训练模式,切实提高雷达操作手的战术水平。RES系统的硬件结构主要由目标信号生成模块、信号收发模块和雷达接口电路等功能模块组成。RES系统的总体组成如图1所示。
从雷达接口模块采集到的状态参数信息首先需要串化,然后通过LVDS差分线传输至目标生成模块,传输距离大约为100 m。FPGA信号接收分离电路接收雷达状态参数后把不同类型的信号分离,其中角度信息通过UART异步串行方式传送给嵌入式控制器,用于判断是否生成模拟回波及回波增益的大小;主脉冲信号和锥扫基准信号传送给中频信号生成板,前者用于雷达回波模拟的时间基准,后者用于对差信号的圆锥扫描调制,以实现输出的模拟中频回波信号可以对雷达进行自动跟踪性能测试;载波频率码用于调整射频卡的输出频率,使模拟射频回波信号能够被雷达接收。
1.1 传输方案选择
总体来说,数据传输方法可分为并行传输和串行传输两种。
并行传输是指将一个字节或一个字符内各位同时进行传输的一种传输方式,其信道数目与传输数据位宽相同,如图2a所示。并行传输的特点是无固定格式、无时序转换、通信速度快、传输的信息率高,适合短距离简单的高速数字信号传输。串行传输利用时分复用思想,将一个字符的多个数据位按顺序先后一位一位依次传送的方式通过一个信道。因其需要的数据线少、传送距离长、可靠性高而广泛应用在工业现场多个设备间的通信。只是需要在信号发送端和接收端分别进行并/串转换和串/并转换,串行传输如图2b所示。
由于并行方式长距离传输时所需成本较高、布线复杂、可靠性低,一般用于设备内的简单数据传输,不用作系统总线。而串行方式接口和同步简单,所以通常采用串行的方式进行数据的长距离传输。为保证雷达状态信号传输的实时性,通过传输线的传输速率不小于20 Mbit/s。为实现雷达状态参数的高速、长距离和稳定传输,RS-232总线、RS-485总线和CAN总线均不能兼顾传输速率与传输距离的要求[8,9],而光纤传输需额外的光电元器件,并且光纤成本代价较高,最终选择用LVDS总线完成数据的长距离传输。
1.2 传输电路设计
系统设计要求雷达状态参数至少以20 Mbit/s的速度传输数据,传输距离约为100 m,传输介质为双绞线,特性阻抗为100 Ω。由于LVDS是一种低摆幅的差分信号,以1.2 V偏置电压作为基准,摆幅大约为350 mV,只适合于短距离数据的高速传输,不支持长距离传输,其传输距离一般不会超过几十米,因此,该传输的电路设计主要解决延长传输距离和阻抗匹配的问题。
图3为LVDS数据长距离传输结构,其中ADN4661和ADN4662分别为LVDS发送器和接收器,发送器将串行输入的TTL电平转换为差分的LVDS电平,接收器将差分LVDS信号转换为TTL标准电平。CLC001和CLC014分别为高速驱动器和自适应均衡器,高速驱动器可驱动双绞线传输更长距离,经电缆长距离传输的信号会出现衰减,自适应均衡器则用于对衰减后的信号进行均衡接收[10]。
1.3 串行通信协议设计
雷达状态信号参数能否正确传输直接影响系统回波信号的成功构建。为确保各种雷达信息参数正确传输与识别,在发送和接收芯片内部规定了二者的数据通信协议。通过对信息参数分析可以将雷达状态信号分成3组,因为载波频率码是在基准脉冲信号的触发下采集的,并且重复频率与基准脉冲相同,所以把这两种信号放在一起传输;对于雷达角度信息和锥扫基准信号,由于重复频率相差较大且数据含义相同,分别按自己的频率传输。为保证接收端能准确地接收雷达状态信号并准确地将它们分离,需要设定收发两端的通信协议,具体的内容如下:
1) 数据格式。1位起始位+2位标志位+信号数据位+1位停止位,无校验位。
2) 数据波特率。为满足数据实时传输的目的,波特率设置为20 Mbit/s。
3) 标志位定义。两位标志位的定义如表1所示。
4) 数据位传输格式。6 bit载波频率码先传,13 bit方位角数据次传,13 bit高低角数据最后传,每组数据高位先传,低位后传。
2 系统软件设计
由于FPGA硬件电路设计的对外通信均采用串行方式实现,采集的四类雷达状态信息需要通过配置FPGA的4个I/O引脚分别传送至RES的相应部分,主脉冲和锥扫基准信号可以只传送1 bit高电平有效的标志位来表示其起始沿时刻,但载波频率码和雷达天线角度需要在传输前分别进行串化处理。设计状态参数的接收及分离程序,完成对雷达状态参数串行数据的接收、分离和传送。
系统电路的FPGA芯片选用美国Altera公司出品的Cyclone II系列EP2C5T144,该芯片内部资源丰富。程序的编译与调试在Quartus II软件下完成,使用Verilog HDL语言实现程序的编写及各模块之间的信号关系[11]。Quartus II软件是Altera公司的CPLD/FPGA集成开发环境,覆盖了CPLD/FPGA开发的整个流程,包括设计输入、综合、布局布线、仿真、生成配置文件等。
该程序由两部分组成:数据接收分离模块和数据串化模块。数据接收分离模块主要是通过识别标志位,完成串行数据的接收,并将接收到的四类雷达状态参数放在不同的寄存器中。数据串化模块主要完成雷达天线角度和载波频率码的串化和发送。程序设计时采用自下而上的设计方法,先完成各个子模块的设计,再采用原理图输入方法设计顶层文件,完成整个程序的综合设计。该程序的顶层文件设计如图4所示。
3 实验结果与分析
在Quartus II上进行功能仿真得到的仿真波形如图5所示。从仿真结果可以看出,在没有主脉冲信号时,载波频率码和雷达天线角度输出端恒为高电平,主脉冲输出端恒为低电平;当有主脉冲信号到来时,主脉冲输出端产生一个高电平,标志主脉冲的下降沿时刻的到来。在对载波频率码接收完成后,载波频率码的串行输出端先产生一个低电平有效的起始位,表示载波频率码值传输的开始,之后传输6 bit的频率码值;在对天线角度信息接收完成后,天线角度的串行输出端产生一个低电平有效的起始位,表示天线角度信息数据传输的开始,之后传输26 bit的方位角和高低角信息。当接收到锥扫基准信号时,锥扫基准信号的输出端产生一个高电平,标志锥扫基准信号的上升沿时刻。对仿真结果分析可知,仿真输出与输入相符,数据的接收、分离及传输过程没有错误。
4 结论
本文针对雷达环境模拟器中雷达状态参数传输的需要,并考虑数据传输实时性及传输距离的要求,选择了基于LVDS标准接口的串行数据传输方案,并设计了串行通信协议,完成了数据传输的软件设计,在接收端进行了参数数据分离,并结合实验验证了设计的正确性。实验表明,该电路能够实现状态参数的高速、长距离传输,并能保证数据传输的正确性,该电路可以应用于对雷达参数性能的维修与检测。
参考文献
[1]钱可伟,唐伟,徐自强,等.毫米波雷达信号模拟器研制[J].现代雷达,2011,33(1):18-21.
[2]向道朴,黎向阳,孟宪海.一种通用雷达回波模拟器的设计与实现[J].现代雷达,2007,29(10):84-90.
[3]杨鸿鹄,许蕴山,夏海宝,等.基于FPGA+DSP的雷达回波发生器设计[J].电子技术应用,2009(12):57-60.
[4]马浩.一种雷达回波实时仿真的软件实现方法研究[J].计算机工程与应用,2011,47(23):143-146.
[5]王胜,石志广,范红旗.基于目标电磁散射特征的雷达回波信号实时模拟系统的研制[J].电路与系统学报,2009,14(4):124-130.
[6]赵菲,王生水,柴舜连,等.辐射式雷达目标模拟器射频前端设计与集成[J].国防科技大学学报,2010,32(3):109-114.
[7]郭宝锋,韩壮志,何强,等.基于FPGA的雷达状态参数采集系统设计与实现[J].计算机测量与控制,2012,20(4):1135-1137.
[8]LU Zhigang,WANG Peng.Network sensor of tempeterature&humiditybased on RS485 interface[C]//Proc.2010 3rd International Conferenceon Advanced Computer Theory and Engineering.[S.l.]:IEEE Press,2010:40-42.
[9]YEONG K C,YUNG M F,PENG K T.1.2Gbps LVDS interface[C]//Proc.2007 International Symposium on Integrated Circuits,2007.[S.l.]:IEEE Press,2007:382-385.
[10]王立恒.遥测设备通用测试台中长线传输模块的设计与实现[D].太原:中北大学,2009.
状态参数 篇6
弹性模量和泊松比是表征岩石变形的重要力学参数,其大小可以由动态的弹性波测试和静态的室内压缩试验两种方法获得。室内的动态测试法是通过测定超声波在岩样中的传播速度转换得到的。静态法是通过对岩样进行单轴或三轴静态加载测其变形而得到的。
在岩土工程实践中,多习惯于采用静态法获得岩石的力学参数,但是静态试验法要花大量的人力和物力,而超声波测试相对要简便得多,是研究岩体物理力学性质行之有效的方法[1]。总结岩石的动态与静态弹性模量的相关性,力求通过类比、节省静力试验的工作量,是众多学者研究已久的课题[1,2,3,4,5,6]。岩石的动、静弹性力学参数的变化规律及动、静态系数间的相互关系,对岩土工程设计具有重要意义。
1试验研究
1.1 岩石试样特性及试验条件
本次试验所用岩石试样采自某地区一核电站基岩。岩性为燕山早期侵入的花岗岩,包括有中等风化和微风化两种风化状态。试样的制备按GB/T 50266-99工程岩土试验实验方法标准的要求进行。测试岩样的尺寸为:直径5.7 cm,长度10.3 cm。饱和试样是在2 MPa压力下饱水24 h制备,烘干试样在110 ℃烘烤箱中烘烤24 h制备。
本次试验总体上先按照花岗岩的风化程度将其分为中等风化和微风化两大类,然后再将各大类依据岩样的颜色、裂隙发育程度等因素细分为5组。
1.2 试验方法
动态弹性参数试验是利用武汉岩海公司生产的RS-STO1C型非金属声波检测仪来完成的。通过50K的纵波传感器及横波传感器测定干湿不同状态下岩石试样的横、纵弹性波速。试验时把岩石试样平行夹在声波发射与接收两换能器之间,两换能器中心对正。在横波测试过程中,以锡箔作为换能器与岩样之间的耦合剂;纵波测试过程中,以凡士林作为耦合剂。按式(1),式(2)确定岩石的动弹性模量Ed和泊松比Vd[1]:
其中,Ed为岩石的动弹性模量;ρ为岩石试件的密度;Vd为岩石的动泊松比;R=Vp/Vs。
静态弹性参数试验是在英国INSTRON公司生产的液压伺服机系统上完成的。该系统通过计算机编程控制记录整个试件受压过程,并形成相应的应力—应变全过程曲线。可直接从计算机读出应力值、纵向应变和横向应变。通过此单轴压缩试验系统获得岩石的变形参数。采用一元回归分析方法,取载荷—纵向变形曲线上直线段的斜率为切线模量作为静弹性模量Ei。静态泊松比依据试样的横向变形与纵向变形之比求得。
2试验结果的对比分析与规律探讨
2.1 弹性模量的对比分析及规律探讨
岩样的动静弹性模量之比受岩样风化程度和干湿程度的影响。在干燥状态时,中等风化岩样的动静弹性模量之比均大于1,而处于微风化状态的岩样取值均小于1。岩样处于饱和状态时,中等风化与微风化岩样的动静弹性模量之比均大于1,且中等风化时的比值大于微风化时的比值。中等风化时的比值在2～5之间,而微风化时的比值均在1～2之间。另外,应用回归分析方法,对试验所得数据进行拟合,得到不同状态和不同试验条件下岩样的动、静弹性模量间呈二次多项式函数关系,其关系曲线见图1和图2。
2.2 泊松比的对比分析及规律探讨
图3和图4为不同风化程度、不同干湿条件下动静泊松比的试验成果。由图可知:动、静态泊松比试验数据离散性较大,相关性差。葛洪魁等[3]也得出了类似的试验结论。
拟合后不同状态和不同试验条件下岩样的动、静弹性模量间的关系式如下:
1)中等风化状态、烘干试验条件下岩样的动、静弹性模量间的关系式:
2)中等风化状态、饱和试验条件下岩样的动、静弹性模量间的关系式:
3)微风化状态、烘干试验条件下岩样的动、静弹性模量间的关系式:
4)微风化状态、饱和试验条件下岩样的动、静弹性模量间的关系式:
3动静弹性力学参数变化的影响因素及分析
3.1 风化状态
对试验结果数据对比可知:风化程度对岩石的动静态弹性力学参数影响最为显著。由于岩块具有明显的非均质性,其内部含有错位、裂隙、节理等各种损伤。这些损伤随机分布在岩块中,对弹性波的传播速度有着极大影响,从而导致岩石的动静弹性参数的差异。
试验前对岩样进行裂隙、节理的统计描述,然后对照试验结果进行分析,可以得知当岩石中发育与轴向平行的节理或裂隙时,动态模量高于静态模量。当裂隙或节理多沿径向展布时,声波在空气中的传播速度最慢,可能导致动态模量低于静态模量。
3.2 试验条件
试验表明,相同的试样在不同的试验条件(烘干或饱和)下所得的结果也不同。由于声波在水中的传播速度比在空气中大,岩石在饱水状态下的动弹模量比干燥状态下的动弹模量大。岩石含水量的变化对波速的影响已有很多学者进行了相关研究[2,3,4,5,6],研究结果表明:岩石均具有干燥状态时波速值低,吸水后随着饱和度的增加波速逐渐增大的现象,即岩石动弹模量随着岩石的吸水饱和度的增大而增加。
3.3 试验方法
试验方法对试验结果也有影响。由于动态声波测试为小应变测试,而静态单轴试验属于大应变测试,在静态大应变条件下,岩石将会沿裂隙面或颗粒接触面发生滑动摩擦,使岩石的静态模量减小,而声波引起的应变很小,不足以引起这种滑动,因而对于干燥试验条件下中等风化类岩石,一般动态模量高于静态模量。
4结语
1)对试验结果进行分析可知,在干燥状态时,中等风化岩样的动静弹性模量之比均大于1,而处于微风化状态的岩样其值均小于1。岩样处于饱和状态时,中等风化与微风化岩样的动静弹性模量之比均大于1,且中等风化时的比值均大于微风化时的比值。2)不同状态和不同试验条件下岩样的动、静弹性模量间相关性较好,呈二次多项式函数关系, 在工程实践中可以根据动弹性模量来估算静弹性模量。而动静泊松比的离散性很大,其相关性不明显。3)花岗岩岩样的动静弹性参数间关系受风化程度、试验条件、试验方法等因素影响。其中风化程度较其他因素的影响明显。4)影响岩石力学特性的因素较多,试验结果常常呈现一定的波动。为了取得符合工程实际的结果,应该基于大量的试验数据进行回归分析。
参考文献
[1]王让甲.声波岩石分级和岩石动弹性力学参数的分析研究[M].北京:地质出版社,1997.17-19.
[2]葛洪魁,陈颗,林英松.岩石动态与静态弹性参数差别的微观机理[J].石油大学学报(自然科学版),2001,25(4):34-35.
[3]林英松,葛洪魁.岩石动静态力学参数的试验研究[J].岩石力学与工程学报,1998,17(2):216-222.
[4]杨圣奇,张学民.岩块声学特性的试验研究[J].辽宁工程技术大学学报,2003,22(6):773-775.
[5]罗淦堂,胡月兰.岩石湿度对纵波速度的影响[J].岩土工程学报,1985(5):67-68.
状态参数 篇7
由于风速和风向的随机性, 风电机组常在不同运行工况之间进行动态切换, 从而导致机组各部件的动态性、相关性和随机不确定性特征明显。风电机组运行环境恶劣, 运行维护成本较高[1,2,3,4,5]。对并网风电机组运行状态参数进行趋势预测, 可以及时、准确地判断风电机组部件的性能状况和发展态势[6], 能有效避免故障及连锁故障的发生, 对优化风电场的维修策略和实现大规模风力发电安全、高效并网具有重要的现实意义。
国内外学者对风力发电相关领域的预测进行了研究, 但大多从电力调度和风电场并网控制技术等角度出发[7,8,9,10], 而很少从风电机组故障预警和状态检修等角度开展风电机组运行状态趋势预测。文献[7]应用数据挖掘算法对风速和功率进行了预测研究, 但没有对机组重要子系统运行参数进行研究。文献[6]基于混沌理论建立了风电机组运行状态的预测模型, 但对时间序列变化幅度较大的状态参数预测精度较低。虽然大多数文献在常规发电机组运行状态预测方面开展了一些研究[11,12], 但是仅仅围绕常规机组某一个特征参量展开。风电机组的运行特性不同于常规发电机组, 有些运行状态参数随运行工况变化明显, 如转速、风速、功率;有些参数则随运行工况变化缓慢, 如轴承温度、齿轮箱油温。因此, 能否建立一种适合各种运行状态参数变化特点的趋势预测模型值得深入研究。
目前, 时间序列法、灰色理论、神经网络和支持向量机等理论在预测领域得到广泛应用。但时间序列法在预测随机波动比较大的时间序列中效果不好, 而神经网络预测需要大量样本, 支持向量机方法虽然适合小样本预测, 但其要求样本具有一定代表性, 否则会影响预测模型的泛化性能。灰色预测具有需要样本较少、不考虑分布规律及运算量小的特点, 在预测领域得到了广泛应用[13,14,15,16]。
基于此, 考虑不同时间间隔的运行状态参数时间序列所反映机组趋势和变化规律的不同, 本文提出一种风电机组运行状态参数的非等间隔灰色预测模型。首先, 对原始运行状态参数时间序列抽取多组新的非等间隔时间序列, 针对所抽取的非等间隔时间序列存在较大波动性的问题, 利用平均弱化缓冲算子进行处理。然后, 建立机组运行状态参数非等间隔灰色GM (1, 1) 预测模型, 根据各组非等间隔时间序列预测值和实际值的关联度, 确定最大关联度的预测结果。应用建立的灰色关联组合预测模型, 对某850kW变速恒频风电机组的运行发电机转速以及部件温度等运行状态参数进行预测。最后, 为验证所建模型对幅度变化大的参数的预测能力, 对某2 MW风电机组转速进行预测, 并与反向传播 (BP) 神经网络和支持向量机方法的预测结果进行比较。
1 非等间隔灰色预测方法
为了能够准确预测风电机组运行状态参数, 本文将从原始运行参数时间序列中抽取非等间隔时间序列数据, 而非等间隔GM (1, 1) 模型是以等间隔序列GM (1, 1) 模型为基础的。因此, 通常需要把非等间隔原始数据序列变换成等间隔序列, 经一次累加生成后, 才能近似地拟合成一阶微分方程, 即GM (1, 1) 模型[14]。
1.1 非等间隔序列的等间隔处理
设有非等间隔数据序列为:Y (0) ={y1 (0) (t1) , y2 (0) (t2) , …, yn (0) (tn) }, 其等间隔化的具体步骤如下。
步骤1:求平均时间间隔Δt0。
式中:n为时间序列中数据的个数;t1为时间序列中第1个数据的采样时刻;tn为时间序列中第n个数据的采样时刻。
步骤2:求各时段与平均时段的单位时段差系数μ (ti) 。
步骤3:求各时段总的差值Δyi (0) (ti) 。
步骤4:计算等间隔序列的灰度xi (0) 。
最终得到等间隔序列x (0) ={x1 (0) , x2 (0) , …, xn (0) }。
1.2 GM (1, 1) 模型
对x (0) 进行1次累加生成新的时间序列x (1) 为:
x (1) 序列满足一阶微分方程模型:
为了求解参数a和u, 可利用最小二乘法, 得到参数a和u的估计值a^和u^[14]为:
其中
将所求得的a^和u^代入式 (7) , 解得
式 (9) 称为GM (1, 1) 模型的时间响应函数模型, 即为GM (1, 1) 模型灰色预测的具体计算公式。还原为非等间隔数列中与时间k有关的响应函数为:
对式 (10) 作累减还原, 得到原始数列x (0) 的灰色预测模型为:
将预测时间代入式 (11) , 即可得到该时刻的预测值。
2 风电机组运行状态的灰色关联预测模型
2.1 非等间隔时间序列提取
目前, 大多数风电机组数据采集与监控 (SCADA) 系统可以对机组各子系统的运行状态参数进行监测和存储, 一般为每1min存储1次, 所以从SCADA系统中得到的机组运行状态参数是一组等间隔的时间序列。距离当前时刻越近的信息越能反映机组运行状态趋势, 距离当前时刻较远的信息包含机组运行状态的变化规律。为了准确预测机组运行状态, 需充分考虑机组运行状态的变化规律, 但大量的输入会增大计算量, 进而影响预测的时效性。为了解决这样的矛盾, 本文以选取不等间隔时刻为约束, 从机组运行状态参数时间序列中每10min随机抽取一个运行参数, 这样得到一组新的非等间隔时间序列, 以这种方法抽取多组非等间隔时间序列。
2.2 原始数据弱化处理
风电机组的运行状态受不确定因素的影响变化很大, 如风的间歇性、外界温度等。为了避免强烈的不确定因素干扰导致运行状态参数时间序列失真的问题, 本文提出了应用平均弱化缓冲方法对原始时间序列进行处理的方法。平均弱化缓冲数据处理方法中求平均值时对所取对象是不等的, 这样才能使得平均弱化缓冲算子作用于单调增长序列时数据膨胀, 可弱化缓冲序列的增长速度, 使其比原始序列的增长速度减缓。对于单调衰减序列, 在弱化缓冲算子作用下数据萎缩, 以达到淡化或消除随机因素对各历史时间序列的影响效果[17]。
设原始数据序列为X={x (1) , x (2) , …, x (n) }, X经平均弱化缓冲算子作用得到缓冲序列为:
2.3 基于灰色关联选择最优预测方案
由于从机组运行状态参数时间序列中选择多组非等间隔时间序列, 其对应的灰色模型中所包含的灰色作用量和发展态势将有所不同, 因而得到的多组预测值将不尽相同, 从而组成一个灰色区间。为了从这一灰色区间中提取最接近实际发展规律的预测值, 本文以关联度为准则, 从多组预测值中选择关联度最大的方案作为最优预测方案。
假定预测值曲线共m组, 记为
实际测量序列为x0, 则各xj与x0在k点的关联系数为:
式中:|x0 (k) -xj (k) |为第k点实际值x0 (k) 与预测值xj (k) 的绝对差;mjinmkin|x0 (k) -xj (k) |为两级最小差, 表示在各组预测曲线xj (k) 中找出最小差的基础上, 再按j=1, 2, …, m逐个找出所有曲线xj (k) 中的最小差;mjaxmkax|x0 (k) -xj (k) |为两级最大差, 意义与最小差相似;ρ为分辨系数, 通常取为0.5。
综合各点的关联系数, 可得到预测序列xj (k) 与实际序列x0 (k) 的关联度为:
隔灰色预测模型的预测流程如图1所示。
3 风电机组运行状态参数的预测
为了验证本文所建立风电机组运行状态参数的非等间隔灰色预测模型的有效性和准确性, 以某公司850kW变速恒频风电机组2009年10月的某时段在线监测数据为例, 选取发电机转速、齿轮箱轴承温度、发电机绕组温度3个运行状态参数进行预测模型验证。
下面以该发电机转速预测为例, 介绍本文提出的非等间隔灰色关联预测模型的计算流程。为预测下一运行时刻 (1 min后) 的发电机转速, 从机组SCADA系统得到从现在开始前1h的发电机转速时间序列, 记为Xt (t=1, 2, …, 60) 。
1) 以选取不等间隔时刻为约束, 每10min随机抽取一个运行点, 组成一组新的非等间隔时间序列。这样, 从Xt中抽取3组新的时间序列, 分别记为Xt1, Xt2, Xt3。Xt中的元素如表1所示。
从Xt中随机抽取的非等间隔时间序列Xt1的元素分别是第2, 14, 23, 34, 47, 59时刻的转速, Xt2的元素分别是第7, 15, 26, 32, 42, 54时刻的转速, Xt3的元素分别是第5, 12, 21, 36, 41, 56时刻的转速。
2) 由式 (13) 对Xt1, Xt2, Xt3进行平均缓冲弱化处理, 得到新的时间序列Xt1′, Xt2′, Xt3′。
3) 建立发电机转速的非等间隔灰色预测模型, 预测下一时刻的发电机转速。
4) 根据式 (15) 和式 (16) 分别计算3组预测值与发电机转速实际值的灰色关联度。以Xt1, Xt2, Xt3作为输入得到的预测值与实际值的灰色关联度分别为0.902, 0.916, 0.823。由关联值最大结果判断, 选择第2组作为预测方案, 如图2所示。
用同样的方法分别得到风电机组其他运行状态参数的预测值。图3、图4分别为所建立的非等间隔灰色模型对齿轮箱轴承温度和发电机绕组温度的预测结果。
表2列出了所预测的运行参数的平均相对误差和最大相对误差。
4 不同模型的风电机组转速预测结果比较
为了进一步验证本文所建立的风电机组运行状态参数非等间隔灰色模型在运行状态参数变化比较剧烈情况下的预测效果, 用某公司2 MW风电机组发电机转速数据, 将本文方法与BP神经网络和支持向量机的预测结果进行对比分析。
根据文献[7]方法, 通过前10 min的发电机转速来预测下1min的发电机转速, 以前1d的发电机转速数据作为训练模型的数据。结构为10-21-1的BP神经网络和支持向量机方法的预测结果分别如图5和图6所示。可以看出, 由于风速的波动, 发电机转速在160min左右变化范围比较大, 从最低1 135r/min到最高1 691r/min。在发电机转速由于风速扰动而强烈波动的情况下, 支持向量机预测模型和BP神经网络预测模型并没有表现出良好的泛化性能。
本文所建立的非等间隔灰色预测模型的预测结果如图7所示。
从图7可以看出, 本文所建立的非等间隔灰色预测模型在发电机转速波动强烈的情况下, 能保证预测效果的质量。
表3列出了不同预测模型预测结果的平均相对误差和最大相对误差。
5 结语
将灰色理论应用于对风电机组运行状态参数时间序列预测中, 从原始运行状态参数时间序列中随机抽取多组新的非等间隔时间序列, 建立并网风电机组运行状态的非等间隔灰色预测模型;然后基于预测值与实际值的灰色关联度, 选择出最优的预测值。通过某公司850kW风电机组在线监测数据, 证明了所建立的并网风电机组运行状态参数的非等间隔灰色预测模型是可行的。又通过2 MW机组在线监测的发电机转速时间序列, 将本文方法与BP神经网络和支持向量机的预测结果相比。结果表明, 虽然在运行状态参数时间序列较平稳或样本含有未来变化趋势的情况下, 神经网络和支持向量机方法也有较好的预测效果, 但是在运行状态参数剧烈变化时, 本文所建立的非等间隔灰色预测模型具有更高的预测精度。
摘要：为了实现风电机组故障预警和智能状态检修, 提出了风电机组运行状态趋势的灰色非等间隔预测研究。首先, 考虑不同间隔段历史数据所反映机组趋势和变化规律差别, 对监测数据抽取多组非等间隔时间序列, 利用平均弱化缓冲算子, 分别建立非等间隔灰色GM (1, 1) 预测模型。其次, 引入关联度概念, 选择各组非等间隔灰色预测值与实际值之间最大关联度的预测结果, 应用建立的灰色关联组合预测模型, 对某850kW变速恒频风电机组的发电机转速及部件温度等运行状态参数进行预测。最后, 对某2MW风电机组运行转速进行预测, 并与反向传播 (BP) 神经网络和支持向量机方法的预测结果进行比较, 结果表明风电机组运行状态参数的非等间隔灰色预测具有较高的精度。
状态参数 篇8
1 系统关键技术简介
1.1 ESP车身电子稳定系统
ESP是一种稳定车身的控制系统,其组成由ESP电子控制单元、转速传感器、方向盘传感器、摇摆运动感应器与发动机ECU组成。目前国外很多汽车公司都开发出了自己的车身电子稳定系统,不同厂家命名不同,但其功能大体一致,均可实现车辆在紧急操控、路面结冰等特殊行驶条件下的稳定行驶。ESP主要可用于调整汽车转向控制,它具有监测车辆状态预防在突发状况时,驾驶人误操作而造成车辆转向失控的情况。根据有关数据表明,不同型号的车辆装上EPS系统之后都会相应地减少碰撞率,其中SUV车型可减少70%左右的碰撞事故。ESP系统的工作流程为:车载转速转角传感器将车辆的转速、转角信号传递给ESP控制单元,ESP根据传送的信号识别出车辆的转向信息,结合车辆侧向加速传感器与横摆角传感器传递的信号识别出车辆的行驶情况,ESP系统对于车辆的转向具有重要作用,特别对于转向不足与转向过度的情况,系统会根据车辆转向不足或过度的具体情况,向车辆的制动系统发出不同信号,产生不同的制动力,以防止车辆因转向原因出现事故,维持车辆行驶的安全性与稳定性。ESP控制系统对于车辆转向情况的控制图如图1所示。
1.2 基于状态估计的软测量技术
软测量技术是一种基于数学建模与系统辨识的间接测量方法,其主要通过建立系统数学模型对变量进行估计计算,软测量技术是一种智能测量方法,通常人们根据参数的容易获取程度,将易于获得的变量参数称为辅助型参数,将不容易直接获得的参数称为主导型参数。主导型参数往往根据辅助型参数构造的数学模型,通过数学推算获得。软测量技术参数识别原理图如图2所示。
在图2中,辅助型参数与主导型参数之间的变量关系可以用以下关系式表示为:
软测量技术发展至今已有很多应用到实际中的实例,针对不同的工程对象往往有不同的软测量方法,目前应用较广泛的软测量技术有:基于机理分析的软测量技术;基于状态估计的软测量技术;基于神经网络、遗传算法等智能算法的软测量技术;基于回归分析的软测量技术。本文将着重分析基于状态估计的软测量技术。
1.2.1状态估计测量方法
基于状态估计的软测量技术以系统的状态空间表达式为估计模型,根据状态方程通过状态估计方法或状态观测方法对系统参数进行估计计算。首先,建立系统离散数学模型,设已知参数或辅助型参数为x(t),对应离散方程时间序列为{X(n T)};相应待测变量为y(t),对应离散方程时间序列为{Y(n T)},系统参数测量问题则转化为通过时间序列为{X(n T)}推导时间序列为{Y(n T)}最优解的数学问题。常采用的状态估计数学模型为:
其中,x为状态参数,y为观测参数,θ为辅助参数,u为输入参数,v、w为噪声参数;A、B、C、Cθ为系统系数矩阵。
系统参数估计过程为:状态初值x(t)借助辅助参数θ获得估计值,并最终获得观测值y的估计值。
2 车辆模型状态估计方法
2.1 卡尔曼滤波算法
卡尔曼滤波算法是一种典型的基于状态参数的软测量方法。它是一种对离散信号进行线性滤波的递推,进而获得最优解的方法,其主要特点为:1)是一种适用于求解多维随机问题的递推算法;2)可对所有信号进行处理并由系统状态方程描述参数变化情况;3)可利用系统现实存在的白噪声与测量噪声特性估计被观测参数;4)离散型滤波算法可通过计算机仿真实现。
卡尔曼滤波算法大多用于线性系统,而车辆的行驶过程、电机转轴过程均为典型的线性系统,建立上述过程的数学模型后,通过系统离散化即可建立系统状态方程与观测方程。
卡尔曼算法在状态方程中体现的滤波过程为:
设车辆行驶过程中初始状态方程与观测方程为:
状态下一步预测方程为:
估计状态方程为:
滤波增益矩阵为:
估计均方差为:
算法的状态滤波框图,如图3所示。
2.2 车辆二自由度转向状态估计模型
由于我们在分析汽车运动模型时,通常设定其沿x轴运动的速度是恒定的,因此汽车做平面运动时即可等效为类似于摩托车的二自由度模型。这里的二自由度常包括沿y轴方向的侧向运动与沿z轴方向的摆动转动的参数。车辆的二自由度模型如图4所示。
根据图4可以建立汽车的二自由度微分方程,但是还需要假设以下条件:
车辆的驱动力比较小,地面对轮胎特性的影响可以忽略;
可忽略汽车运动过程中的空气阻力;
可忽略车辆负载大小对于轮胎特性与轮胎回正能力的影响;
设轮胎特性保持在线性范围内;
根据车辆二自由度的微分方程可推导出车辆前轮转角δ与质心偏角β的值分别为:;进而推导出车辆行驶过程中横摆角速度ωr与质心侧偏角β的状态方程为:
3 系统仿真
根据式(8)在MATLAB软件中搭建离散系统模型并在AMEsim环境中模拟车辆行驶过程,将车辆的车速信号v、方向转角信号dta、侧向加速度信号ay传递给simulink模块,在simulink中建立的仿真结构图如图5所示。
系统各参数的意义如表1所示。
设车辆速度为60km/h,输入车辆运行过程中方向盘转角δsw、车速v以及侧向加速度ay的值后,估计系统在阶跃输入下横摆角速度ωr与质心侧偏角β的变化曲线分别如图6、图7所示。
4 结论
本文分析了ESP车身电子稳定系统的工作原理与应用现状,针对当前ESP系统无法准确测量车辆运动过程中的横摆角速度ωr与质心侧偏角β的情况,提出来软测量技术测量上述参数的方法,通过建立汽车二自由度状态方程,利用卡尔曼滤波算法估计β与β的值。最后结合AMEsim环境与MATLAB软件完成了系统模型的搭建,并针对车辆运行过程进行了仿真,获得了ωr与β的估计值变化曲线。
参考文献
[1]孟爱红,王治中,宋健等.汽车ESP液压控制单元关键部件建模与系统仿真[J].农业机械学报,2013,(2):22-26.
[2]李以农,谢敏松,米林.基于AMESim的汽车ESP液压系统建模[J].计算机辅助工程,2010,(2):68-71.
[3]张勇,李鑫,欧健.汽车ESP系统的控制策略及硬件在环仿真[J].西南师范大学学报,2012,(9):58-61.
[4]马春卉,吴志林,王良模等.汽车ESP系统的建模和控制方法[J].南京理工大学学报,2010,(1):111-113.