Ước lượng các thông số quán tính của ô tô tải theo thời gian thực bằng bộ lọc kalman mở rộng
Email:
nguyentuananh@utc.edu.vn
Từ khóa:
khối lượng thân xe, mô men quán tính khối lượng, ước lượng theo thời gian thực, bộ lọc Kalman Bucy, bộ lọc Kalman mở rộng
Tóm tắt
Trong quá trình khai thác, khối lượng và các mômen quán tính khối lượng của ô tô có thể thay đổi liên tục do nhiên liệu bị tiêu hao hoặc thay đổi đột ngột do sự tăng, giảm tải trọng. Xác định chính xác sự biến đổi của các đại lượng này đóng vai trò quyết định đối với chất lượng và hiệu quả làm việc của các hệ thống an toàn chủ động trên ô tô. Bài báo này giới thiệu phương pháp ước lượng khối lượng và các mômen quán tính khối lượng của ô tô tải hai trục theo thời gian thực bằng bộ lọc Kalman mở rộng (Extended Kalman Filter – EKF) dựa trên mô hình dao động phi tuyến của thân xe trong không gian với tín hiệu đầu vào là biên độ và vận tốc tương đối của hệ thống treo ở bốn bánh xe và tín hiệu đo là các gia tốc dao động của thân xe. Kết quả mô phỏng và so sánh bằng phần mềm Matlab Simulink cho thấy bộ lọc Kalman mở rộng cho phép ước lượng chính xác giá trị của các thông số quán tính kể cả khi các thông số này giảm đều theo thời gian, trong khi bộ lọc Kalman Bucy (Kalman Bucy Filter – KBF) thiết kế dựa trên mô hình dao động tuyến tính chỉ hoạt động hiệu quả trong trường hợp các thông số quán tính thay đổi dạng bậcTài liệu tham khảo
[1]. K. B. Singh, S. Taheri, Integrated State and Parameter Estimation for Vehicle Dynamics Control, International Journal of Vehicle Performance, 5 (2019) 329-376. https://doi.org/10.1504/IJVP.2019.104082
[2]. M. Doumiati, A. Charara et al., Vehicle Dynamics Estimation using Kalman Filtering - Experimental Validation, John Wiley & Sons, Inc., 2013. https://doi: 10.1002/9781118578988.
[3]. B. Zhang, M. Zhang, Y. Zhou, Kalman Filter-based Vibration State Estimation and Optimal Control of a Special Vehicle, The 8th International Conference on Advances in Construction Machinery and Vehicle Engineering, Lecture Notes in Mechanical Engineering, Springer, (2023) 647-654. https://doi.org/10.1007/978-981-97-1876-4_51.
[4]. X. Jin, J. Yang et al., Combined Estimation of Vehicle Dynamic State and Inertial Parameter for Electric Vehicles Based on Dual Central Difference Kalman Filter Method, Chinese Journal of Mechanical Engineering, (2023) 36:91. https://doi.org/10.1186/s10033-023-00914-5.
[5]. W. Li, Y. Wang et al., Kalman Filter Method Based Vehicle Mass Estimation for Automobile Suspension System, International Journal of Circuits, Systems and Signal Processing, 13 (2019) 344-351. https://www.naun.org/main/NAUN/circuitssystemssignal/2019/a902005-aib.pdf.
[6]. N. Tuan-Anh, N. C. Tuan, Real-time Vehicle Inertial Parameters Estimation Based on a Simplified Half-Car Vertical Vibration Model, International Conference on Engineering Research and Applications ICERA 2018, LNNS, Springer, 63 (2019) 521-531. https://doi.org/10.1007/978-3-030-04792-4_67.
[7]. N. Tuan-Anh, Real-time estimation of vehicle inertia parameters based on Kalman-Bucy filter, Transport and Communications Science Journal, 75 (2024), 1593-1603. https://doi.org/10.47869/tcsj.75.4.10.
[8]. P. M. Hùng, N. Tuấn Anh, Nghiên cứu ảnh hưởng của biên dạng mặt đường đến chất lượng làm việc của bộ ước lượng thông số quán tính của ô tô theo thời gian thực, Tạp chí cơ khí việt nam, 328 (2025) 15-23.
[9]. T. M. Hung, V. V. Tan, Designing a Kalman–Bucy State Estimator for a Full Vertical Car Model, Mathematical Problems in Engineering, 2023 (2023), 1-19. https://doi.org/10.1155/2023/6941084.
[10]. Y. Zha, X. Liu et al., Vehicle State Estimation Based on Extended Kalman Filter and Radial Basis Function Neural Networks, International Journal of Distributed Sensor Networks, 18 (2022). https://doi.org/10.1177/15501329221102730.
[11]. H. Yang, B.G. Kim et al., Simultaneous Estimation of Vehicle Mass and Unknown Road Roughness Based on Adaptive Extended Kalman Filtering of Suspension Systems. Licensee MDPI, Basel, Switzerland, Journal of Electronics, 11 (2022) 1-18. https://doi.org/10.3390/electronics11162544.
[12]. P. C. Eze, C. F. Ubaonu et al., Design of Control System for Vehicle Dynamics and Mass Estimation, International Journal of Industrial and Manufacturing Systems Engineering, 2 (2017) 42-47. https://doi.org/10.11648/j.ijimse.20170204.12.
[13]. Y. Zha, X. Liu et al., Vehicle State Estimation Based on Extended KalmanFilter and Radial Basis Function Neural Networks. International Journal of Distributed Sensor Networks, 18 (2022). https://doi.org/10.1177/15501329221102730.
[14]. S. Antonov, A. Fehn, A. Kugi, Unscented Kalman Filter for Vehicle State Estimation. Vehicle System Dynamics, 49 (2011) 1497–1520. https://doi.org/10.1080/00423114.2010.527994.
[15]. W. Li, H. Li et al., Estimation of Vehicle Dynamic Parameters Based on the Two-Stage Estimation Method, Sensors, 21 (2021) 3711. https://doi.org/10.3390/s21113711.
[16]. Z. Yu, X. Hou et al., Mass estimation method for intelligent Vehicles based on fusion of machine learning and vehicle dynamic models, Autonomous Intelligent Systems, 2 (2022). https://doi.org/10.1007/s43684-022-00020-8.
[2]. M. Doumiati, A. Charara et al., Vehicle Dynamics Estimation using Kalman Filtering - Experimental Validation, John Wiley & Sons, Inc., 2013. https://doi: 10.1002/9781118578988.
[3]. B. Zhang, M. Zhang, Y. Zhou, Kalman Filter-based Vibration State Estimation and Optimal Control of a Special Vehicle, The 8th International Conference on Advances in Construction Machinery and Vehicle Engineering, Lecture Notes in Mechanical Engineering, Springer, (2023) 647-654. https://doi.org/10.1007/978-981-97-1876-4_51.
[4]. X. Jin, J. Yang et al., Combined Estimation of Vehicle Dynamic State and Inertial Parameter for Electric Vehicles Based on Dual Central Difference Kalman Filter Method, Chinese Journal of Mechanical Engineering, (2023) 36:91. https://doi.org/10.1186/s10033-023-00914-5.
[5]. W. Li, Y. Wang et al., Kalman Filter Method Based Vehicle Mass Estimation for Automobile Suspension System, International Journal of Circuits, Systems and Signal Processing, 13 (2019) 344-351. https://www.naun.org/main/NAUN/circuitssystemssignal/2019/a902005-aib.pdf.
[6]. N. Tuan-Anh, N. C. Tuan, Real-time Vehicle Inertial Parameters Estimation Based on a Simplified Half-Car Vertical Vibration Model, International Conference on Engineering Research and Applications ICERA 2018, LNNS, Springer, 63 (2019) 521-531. https://doi.org/10.1007/978-3-030-04792-4_67.
[7]. N. Tuan-Anh, Real-time estimation of vehicle inertia parameters based on Kalman-Bucy filter, Transport and Communications Science Journal, 75 (2024), 1593-1603. https://doi.org/10.47869/tcsj.75.4.10.
[8]. P. M. Hùng, N. Tuấn Anh, Nghiên cứu ảnh hưởng của biên dạng mặt đường đến chất lượng làm việc của bộ ước lượng thông số quán tính của ô tô theo thời gian thực, Tạp chí cơ khí việt nam, 328 (2025) 15-23.
[9]. T. M. Hung, V. V. Tan, Designing a Kalman–Bucy State Estimator for a Full Vertical Car Model, Mathematical Problems in Engineering, 2023 (2023), 1-19. https://doi.org/10.1155/2023/6941084.
[10]. Y. Zha, X. Liu et al., Vehicle State Estimation Based on Extended Kalman Filter and Radial Basis Function Neural Networks, International Journal of Distributed Sensor Networks, 18 (2022). https://doi.org/10.1177/15501329221102730.
[11]. H. Yang, B.G. Kim et al., Simultaneous Estimation of Vehicle Mass and Unknown Road Roughness Based on Adaptive Extended Kalman Filtering of Suspension Systems. Licensee MDPI, Basel, Switzerland, Journal of Electronics, 11 (2022) 1-18. https://doi.org/10.3390/electronics11162544.
[12]. P. C. Eze, C. F. Ubaonu et al., Design of Control System for Vehicle Dynamics and Mass Estimation, International Journal of Industrial and Manufacturing Systems Engineering, 2 (2017) 42-47. https://doi.org/10.11648/j.ijimse.20170204.12.
[13]. Y. Zha, X. Liu et al., Vehicle State Estimation Based on Extended KalmanFilter and Radial Basis Function Neural Networks. International Journal of Distributed Sensor Networks, 18 (2022). https://doi.org/10.1177/15501329221102730.
[14]. S. Antonov, A. Fehn, A. Kugi, Unscented Kalman Filter for Vehicle State Estimation. Vehicle System Dynamics, 49 (2011) 1497–1520. https://doi.org/10.1080/00423114.2010.527994.
[15]. W. Li, H. Li et al., Estimation of Vehicle Dynamic Parameters Based on the Two-Stage Estimation Method, Sensors, 21 (2021) 3711. https://doi.org/10.3390/s21113711.
[16]. Z. Yu, X. Hou et al., Mass estimation method for intelligent Vehicles based on fusion of machine learning and vehicle dynamic models, Autonomous Intelligent Systems, 2 (2022). https://doi.org/10.1007/s43684-022-00020-8.
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
27/05/2026
Nhận bài sửa
17/06/2026
Chấp nhận đăng
11/07/2026
Xuất bản
15/08/2026
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Phùng Mạnh, H., Nguyễn Tuấn, A., & Vũ Tuấn, Đạt. (1786726800). Ước lượng các thông số quán tính của ô tô tải theo thời gian thực bằng bộ lọc kalman mở rộng. Tạp Chí Khoa Học Giao Thông Vận Tải, 77(6), 857-871. https://doi.org/10.47869/tcsj.77.6.8
