搭建了针对车轮轮速信号的卡尔曼滤波器,分析了不准确的观测噪声统计特征对该卡尔曼滤波器性能的影响,在此基础上利用小波变换事先估计出了轮速信号的噪声方差值。试验结果表明,该估计算法能适应轮速信号噪声方差的变化,且计算量小,解决了在未知观测噪声条件下卡尔曼滤波的失效问题。 序列过程观测小波选择使用消失矩为7的经典DB小波，利用式（18）观测滑动窗口中序列并估计出噪声的标准差（标准差的平方即为方差）。利用2次曲线拟合所有滑窗中观测序列结果如图4所示。图4小波变换分析轮速信号结果从图4可以看出，轮速噪声的标准差随着轮速增加近似成2次曲线增长。因此，在轮速信号卡尔曼滤波器中，Rk的取值随着轮速变化进行自适应调整，整体估计算法流程如图5所示。图5自适应卡尔曼滤波算法估计轮速3试验结果利用装有4个轮毂电机的某分布式驱动电动汽车研究平台进行实车试验数据采集，如图6所示。利用dSPACE公司的MicroAutobox采集车轮轮速数据，采样频率为100Hz。图6试验用某分布式驱动电动汽车观测滑汽车技术为保证尽可能排除转向和路面倾斜对轮速测量的影响，试验选择在一条平坦、干燥、长约300m的沥青路面上进行。记录旋转变压器输出的轮速信号变换估计噪声方差-数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机，随后在计算机上利用事先编译好的自适应卡尔曼滤波器进行离线滤波处理，此时4个车轮的轮速信号已经经过小波变换事先提取出其噪声的统计特征 本文有公司网站全自动倒角机采集转载中国知网整理，http://www.daojiaoj.com 。图7和图8分别给出了试验车辆在加速和减速2种工况下某个车轮轮速的测量原始信号和自适应卡尔曼滤波后的信号。图7加速工况下的试验数据处理结果图8减速工况下的试验数据处理结果从图7和图8中可以看出，自适应卡尔曼滤波器能够适应加速和减速2种基本工况，而且滤波效果平滑，轮速信号延时小，响应较快，即经过滤波后的轮速信号可以用来估计纵向车速等车辆状态量。为了表现自适应卡尔曼滤波器的优势，在试验数据处理时加入了非自适应卡尔曼滤波器的处理结果进行对比，如图9所示，非自适应卡尔曼滤波器采用一个固定的观测噪声方差Rk。从图9可以看出，与非自适应卡尔曼滤波后轮速信号相比，自适应卡尔曼滤波后轮速信号曲线平滑，受噪声影响较校当轮速增大至一定数值后，实际观测噪声方差将大于这个固定值，因此非自适应卡尔曼滤波器中的计算用观测噪声方差Rk将变得不准确，显著降低了其滤波去噪功能。而自适应卡尔曼滤波器可以自动调整观测噪声方差值，保证了卡尔曼滤波器的滤波效果。图9不同卡尔曼滤波器的试验数据处理结果对比4个车轮的轮速信号噪声统计特征由于受机械磨损或电磁干扰等影响，可能会存在一定差异。因此针对不同的车轮轮速信号可以使用不同的自适应系统观测噪声方差Rk来调整其卡尔曼滤波器，使估计算法准确地跟随观测信号噪声变化。4结束语搭建了轮速信号卡尔曼滤波器，并使用小波分析工具事先提取了变换估计噪声方差-数控滚圆机滚弧机张家港电动液压滚圆机滚弧机折弯机 本文有公司网站全自动倒角机采集转载中国知网整理，http://www.daojiaoj.com