Analýza měření jízdní dynamiky vozidel s využitím matematického modelování

Abstract

Dizertační práce je zaměřena na propojení měření s matematickým modelem v tomto smyslu. Na vozidle jsou snímány jen relativně snadněji měřitelné veličiny a tyto proměnné tvoří vstupy matematického modelu. Tento proces je navíc vylepšen využitím principů dynamické filtrace, kde měřené veličiny netvoří pouze vstupy modelu, ale jsou zároveň použity pro korekci jeho pohybu. Touto metodou je možné získat optimální odhad o chování vozidla v průběhu jízdního manévru. Pro propojení měření s matematickým modelem s ohledem na použitý model (jednostopý rovinný dynamický model vozidla) je využito lineárního diskrétního Kalmanova filtru (dynamický filtr). Úkolem Kalmanova filtru je nalézt optimální odhad diskrétního časově závislého procesu, který je popsán soustavou lineárních stochastických diferenčních rovnic. V rámci této práce byl sestaven výkonný měřicí systém založený na jednotce CompactRIO. Tento systém je schopen současně měřit velké množství veličin na zkušebním vozidle. Základními měřenými parametry jsou složky rychlostí měřené optickými korelačními senzory Correvit, stáčivá rychlost měřená vibračním gyroskopem, příčné zrychlení a souřadnice dráhy získané systémem MicrosatGPS. Velká pozornost byla rovněž věnována získání dalších důležitých vstupů matematického modelu, jako jsou poloha těžiště, moment setrvačnosti, převod řízení a další. Poslední část práce je již orientována na skutečné propojení měření s matematickým modelem. Jako experimentálního vozidla je využito Formule Ford 1600. Jízdní manévr byl uspořádán podle normy ISO/WD 3888/2. Jsou realizovány tři varianty Kalmanova filtru, které se liší měřenými veličinami použitými pro korekci pohybu modelu. V závěru jsou nastíněny další možnosti jak proces odhadů stavových veličin s využitím diskrétního Kalmanova filtru dále zpřesnit, případně jak tohoto algoritmu efektivně využít pro identifikaci parametrů vozidla – např. směrové tuhosti pneumatik.

This doctoral thesis is focused in connection of measurement with a model in this meaning. Only relative easier measurable variables are measured on a vehicle and these variables make model inputs. This process can be improved by using dynamic filtering principles, where measured variables are used not only as model inputs, but they are used for the correction of a model motion too. We can obtain an optimal estimate of vehicle real behaviour during a manoeuvre with using this method. Linear discrete Kalman filter (dynamic filter) was used for the connection of the measurement with the mathematic model with regard to chosen model (planar linear single track model). The main task of Kalman filter is try to estimate the state of the discrete time depending process that is determined by the linear stochastic difference equation. Effective measurement system (based on CompactRIO unit) was built within the scope of this PhD thesis. This system is able to measure simultaneously a lot of quantities on the experimental vehicle. Velocity components (measured through optical correlative sensor Correvit), yaw velocity (measured through vibrating gyroscope), lateral acceleration, distance component (measured through MicrosatGPS system) are the basic measured parameters. Big attention was paid to obtain other important inputs of the mathematic model such centre of gravity position, moment of inertia, steering ratio etc. The last part of the thesis is oriented on the real connection of the measurement with the mathematic model. Formula Ford 1600 was used as the experimental car. The driving manoeuvre was arranged according to the norm ISO/WD 3888/2. Three versions of the Kalman filter were realised, which differs in the measured variables used for the mathematical model motion correction. Other possibilities, how to improve the process of state variables estimation eventually how to effective use this algorithm for vehicle parameters identification (cornering stiffness of the tires for example), are sketched in the end of the thesis.