ỨNG DỤNG TỔNG HỢP DỮ LIỆU ĐA CẢM BIẾN TRONG ƯỚC LƯỢNG VẬN TỐC DÀI TRÊN XE Ô TÔ ĐIỆN - Bao cao đồ án tốt nghiệp chuyên ngành tự động hóa BKHN (15)

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN BỘ MƠN TỰ ĐỘNG HĨA CƠNG NGHIỆP ĐỒ ÁN TỐT NGHIỆP Hà Nội, 5/2018 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN ĐIỆN BỘ MƠN TỰ ĐỘNG HĨA CƠNG NGHIỆP ĐỒ ÁN TỐT NGHIỆP ĐỀ TÀI: ỨNG DỤNG TỔNG HỢP DỮ LIỆU ĐA CẢM BIẾN TRONG ƯỚC LƯỢNG VẬN TỐC DÀI TRÊN XE Ơ TƠ ĐIỆN Trưởng mơn : PGS.TS Trần Trọng Minh Giáo viên hướng dẫn : ThS.Võ Duy Thành Sinh viên thực : Vũ Hoàng Long Lớp : TĐH 03 - K58 MSSV : 20132418 Giáo viên duyệt : Hà Nội, 5/2018 LỜI CAM ĐOAN Em xin cam đoan toàn đồ án tốt nghiệp: Ứng dụng tổng hợp liệu đa cảm biến ước lượng vận tốc dài xe ô tô điện em tự thiết kế hướng dẫn ThS Võ Duy Thành Các số liệu kết hoàn toàn với thực tế Để hoàn thành đồ án này, em sử dụng tài liệu ghi danh mục tài liệu tham khảo không chép hay sử dụng tài liệu khác Nếu phát có chép em xin chịu hoàn toàn trách nhiệm Hà Nội, ngày 28 tháng 05 năm 2018 Sinh viên Vũ Hoàng Long MỤC LỤC MỤC LỤC Lời mở đầu Chương Giới thiệu chung 1.1 Đặt vấn đề 1.2 Những thuật tốn ước lượng vận tốc dài xe ơ-tơ điện 11 1.3 Tổng hợp liệu đa cảm biến 13 1.4 Nhiệm vụ đồ án 14 Chương Nâng cao tốc độ trích mẫu cảm biến lọc Multirate Kalman Filter 16 2.1 Giới thiệu chung 16 2.2 Bộ lọc Kalman 19 2.3 Bộ lọc Multirate Kalman Filter 21 2.4 Đề xuất cải tiến lọc Multirate Kalman Filter 22 2.4.1 Tự điều chỉnh giá trị hiệp phương sai mẫu trung gian 22 2.4.2 Tạo tín hiệu đo giả 23 2.5 Thuật toán Multirate Kalman Filter đề xuất 24 2.6 Kết mô 26 2.6.1 Mơ hình mơ 26 2.6.2 Kết mô 27 2.7 Nhận xét 30 Chương Tổng hợp tốc độ dài sử dụng tổng hợp liệu đa cảm biến 32 3.1 Xây dựng thuật toán tổng hợp liệu đa cảm biến 32 MỤC LỤC 3.2 Ứng dụng việc ước lượng vận tốc dài xe ô-tô 34 Chương Xây dựng hệ thống thực nghiệm 40 4.1 Hệ thống cảm biến thu thập liệu thực thuật toán 40 4.1.1 Hệ thống cảm biến 40 4.1.2 Modul thu thập liệu thực thuật toán 42 4.2 Hệ thống tham chiếu 43 4.3 Lắp đặt hệ thống 45 4.4 Những kịch thử nghiệm 49 Chương Kết thực nghiệm 51 5.1 Kết nâng cao tốc độ trích mẫu cảm biến lọc Multirate Kalman Filter đề xuất 51 5.2 Kết ước lượng vận tốc dài xe ô-tô điện sử dụng phương pháp tổng hợp liệu cảm biến 53 Chương Kết luận 58 Tài liệu tham khảo 60 Phụ lục 62 DANH SÁCH HÌNH VẼ DANH SÁCH HÌNH VẼ 1.1 Xe ơ-tơ điện i-MiEV Mitsubishi sản xuất năm 2012 (nguồn: Mitsubishi) 1.2 Cấu trúc hệ tổng hợp cảm biến 13 1.3 Cấu hình hệ thống ước lượng vận tốc dài xe ô-tô điện 14 2.1 Tương quan tốc độ trích mẫu cảm biến tốc độ điều khiển 17 2.2 Mơ hình lọc Kalman Filter 20 2.3 Lưu đồ thuật toán Multirate Kalman Filter đề xuất 25 2.4 Mơ hình mơ thuật tốn Multirate Kalman Filter đề xuất 27 2.5 Kết nâng cao tốc độ trích mẫu cảm biến 28 2.6 So sánh kết mô hai lọc 29 3.1 Dạng tín hiệu vận tốc thu từ loại cảm biến 35 3.2 Tín hiệu từ encoder, cảm biến gia tốc vị trí chân ga, chân phanh 38 4.1 Cấu tạo encoder xe oto điện (nguồn [21]) 40 4.2 Cảm biến encoder xe oto điện i-MiEV (nguồn: Mitsubishi) 41 4.3 Cảm biến GPS U-Blox EVK-M8U 42 4.4 Bộ điều khiển NI MyRIO-1900 (nguồn: National Instrument) 43 4.5 Modul DAS-3 (nguồn: Kisler) 45 4.6 Encoder 1000 xung/vòng tham chiếu cảm biến S350 (nguồn: Kisler) 47 4.7 Sơ đồ kết nối hệ thống thu thập liệu 48 4.8 Lắp đặt hệ thống tham chiếu 49 5.1 Kết nâng cao tốc độ trích mẫu cảm biến encoder 52 5.2 Kết nâng cao tốc độ trích mẫu cảm biến GPS 54 10 DANH SÁCH HÌNH VẼ 5.3 Kết ước lượng vận tốc dài trường hợp không trượt 55 5.4 Kết ước lượng vận tốc dài trường hợp có trượt 56 DANH SÁCH BẢNG DANH SÁCH BẢNG 4.1 Cấu hình thiết bị NI MyRIO-1900 44 4.2 Thông tin kỹ thuật cảm biến tham chiếu 46 4.3 Thống số chi tiết Modul DAS-3 47 Danh sách từ viết tắt DANH SÁCH CÁC TỪ VIẾT TẮT MKF Multirate Kalman Filter Bộ lọc Multirate Kalman ABS Anti-lock Braking System Hệ thống chống bó cứng phanh TCS Traction Control System Hệ thống điều khiển lực kéo ESP Electronic Stabilization Program Hệ thống cân điện tử GPS Global Positioning System Hệ thống định vị toàn cầu RMSE Root Mean Square Errorr Sai số quân phương Lời mở đầu LỜI MỞ ĐẦU Trong vài năm gần đây, ô-tô điện trở thành xu hứa hẹn phương tiện di chuyển tương lai giới Ơ-tơ điện có nhiều ưu điểm so với ô-tô sử dụng động đốt truyền thống Nó tạo chuyển động động điện sử dụng nguồn lượng điện Do đó, khơng bị phụ thuộc vào nguồn nhiên liệu hóa thạch dần cạn kiệt ngày Đồng thời khơng thải khí CO2 mơi trường, giúp giảm thiểu tượng ấm lên toàn cầu Khơng vậy, cịn tỏ vượt trội vấn đề tiết kiệm lượng chuyển đổi khoảng 59 - 62% lượng điện từ điện lưới thành lượng bánh xe xe sử dụng động đốt thông thường chuyển đổi khoảng 15% (đối với động sử dụng xăng) 20% (đối với động sử dụng dầu diesel) lượng dự trữ để truyền lực cho bánh xe [1] Ơ-tơ điện quan tâm phát triển mạnh, cơng ty sản xuất mà cịn ủng hộ quyền nhiều nước giới Nhiều nước lên kế hoạch dừng việc bán xe sử dụng động đốt thay hoàn toàn xe điện Trung Quốc vào năm 2020 [2], Pháp vào năm 2040 [3], Nhiều nước khu vực Đông Nam Á Thái Lan, Singapore, Malaysia, có động thái ủng hộ xe điện bằn nhiều cách xây dựng sở hạ tầng, miễn thuế nhập khẩu, Xe điện phương tiện giao thơng tương lai tồn giới Đối với xe ơ-tơ điện nói riêng ơ-tơ nói chung, việc đảm bảo an toàn cho người lái cho xe vấn đề tối quan trọng Trong điều kiện lý tưởng, người lái liên tục quan sát đánh giá môi trường xung quanh như: vị trí vật cản, vận tốc, quỹ đạo xe, để đưa lượng điều khiển đến cấu vô-lăng, chân ga, chân phanh Nhưng bên cạnh đó, cần hệ thống an tồn chủ động liên tục hoạt động để bảo vệ người lái tình xấu xe lái vào cua, mặt đường trơn trượt, Để làm điều này, trạng thái xe phải cập nhật để điều khiển phát tính xấu tiến hành can thiệp vào hệ thống lái, hệ thống điều khiển động cơ, Chính lý trên, đồ án lựa chọn đề tài: Ứng dụng tổng hợp liệu đa cảm Chương Kết thực nghiệm 16 Vx S350 Vx Accelometer Vx Encoder Vx GPS Vx fusioned 14 12 Velocity (m/s) 10 -2 10 12 14 16 Time (s) (a) Kết thu từ cảm biến xe 10 Vx S350 Vx fusioned Velocity (m/s) -2 10 12 14 16 Time (s) (b) So sánh vận tốc dài ước lượng vận tốc dài đo cảm biến S350 Hình 5.4: Kết ước lượng vận tốc dài trường hợp có trượt đường bình thường Xe tăng tốc lên vận tốc tối đa 10 m/s, sau giảm tốc dừng hẳn Tồn q trình diễn khoảng 14 giây So sánh kết thu được, ta thấy đường vận tốc ước lượng ln bám theo sát đường vận tốc thu từ cảm biến tham chiếu S350 (Hình 5.3b) Hình 5.4 thể kết thu trường hợp mặt đường trơn (có trượt) Tồn 56 Chương Kết thực nghiệm trình thử nghiệm tiến hành 14 giây, xe tăng tốc lên vận tốc 8,5 m/s, sau hàm phanh dừng hẳn Tại giây thứ 10, xe vào khu vực đường trơn, tốc độ bánh xe chủ động phía sau m/s tăng đột ngột đến 14 m/s Quá trình bánh xe bị trượt diễn khoảng 0,6 giây Sau xe vào khu vực có mặt đường tốt, vận tốc bánh xe quay lại giá trị m/s ban đầu Có thể thấy, đường đặc tính vận tốc ước lượng thuật toán tổng hợp liệu đa cảm biến (đường vx f usioned) luôn bám sát theo đường đặc tính vận tốc thu từ cảm biến S350 (đường vx S350) trường hợp xấu bánh xe bị trượt mặt đường (Hình 5.4b) Kết luận chương Chương so sánh kết thực nghiệm sau áp dụng thuật toán Multirate Kalman đề xuất thuật toán ước lượng vận tốc dài sử dụng phương pháp tổng hợp liệu đa cảm biến Kết thực nghiệm cho thấy tính ưu việt hai phương pháp Bộ lọc Multirate Kalman đề xuất hoàn thành mục tiêu nâng cao tốc độ trích mẫu hệ thống cảm biến từ 10Hz hên 500Hz, đồng thời lọc nhiễu cho kết bám sát theo kết từ hệ thống cảm biến tham chiếu Phương pháp tổng hợp cảm biến cho thấy khả ước lượng xác vận tốc dài xe từ hệ thống cảm biến đơn giản gồm: GPS, cảm biến gia tốc encoder độ phân giải thấp Kết thu bám sát kết từ hệ thống cảm biến S350, xuất hiện tượng bánh xe bị trượt mặt đường 57 Chương Kết luận CHƯƠNG KẾT LUẬN Vận tốc dài trạng thái xe ơ-tơ điện Nó đóng vai trị quan trọng toán điều khiển chuyển động xe Đồng thời cịn sở để tính tốn đại lượng tỷ số trượt xe, vận tốc ngang xe, để phục vụ cho hệ thống an toàn chủ động xe hệ thống chống bó cứng phanh ABS, hệ thống chống trượt, hệ thống cân điện tử ESP Do việc ước lượng vận tốc dài xe việc cần thiết Đồ án đề xuất xây dựng thuật toán tổng hợp liệu đa cảm biến (MultiSensor Data Fusion) để ước lượng vận tốc dài xe ơ-tơ điện Bên cạnh đó, đồ án cịn đề xuất sử dụng lọc Multirate Kalman Filter cải tiến để nâng cao tốc độ trích mẫu cảm biến có tần số trích mẫu thấp xe ơ-tơ điện, tiền đề để đồng tốc độ trích mẫu cảm biến tên xe, phục vụ cho việc thực thuật toán tổng hợp liệu đa cảm biến Bên cạnh việc mô thuật tốn phần mềm LabVIEW, đồ án cịn thực thí nghiệm thực nghiệm để đánh giá độ xác thuật tốn xây dựng Kết thu cho thấy phương pháp đề xuất cho kết xác so sánh với kết thu từ hệ thống cảm biến đắt tiền Phương pháp hồn tồn áp dụng vào hệ thống thực tế nhờ ưu điểm như: đơn giản, dễ triển khai yêu cầu phần cứng khơng cao, xác, Đồ án cịn điểm chưa thể hồn thành chưa thể đánh giá toàn hệ thống điều kiện vận hành với thời gian dài, thử nghiệm nhiều loại mặt đường khác nhau, Những khó khăn việc sử dụng hệ thống tham chiếu thời gian dài để đưa nhiều kịch thử nghiệm, đồng thời khơng có địa điểm đủ rộng để vận hành xe thời gian dài bố trí nhiều loại mặt đường Từ kết đồ án này, hướng phát triển bao gồm: • Ước lượng vận tốc ngang thân xe: sử dụng thêm tín hiệu gia tốc ngang thân xe 58 Chương Kết luận (ay ) cảm biến góc quay xe để ước lượng vận tốc ngang thân xe • Điều khiển chống trượt cho xe ô-tô điện: Phát thay đổi bất thường vận tốc bánh xe vận tốc thân xe, từ phát hiện tượng trượt bánh xe, phục vụ cho việc điều khiển chống trượt cho xe ơ-tơ điện • Điều khiển xe tự lái 59 TÀI LIỆU THAM KHẢO Tài liệu tham khảo [1] Shah, Saurin D, "Plug-In Electric Vehicles: What Role for Washington?" The Brookings Institution, 2009, pp 29, 37 and 43 [2] http://dantri.com.vn/kinh-doanh/trung-quoc-sap-cam-o-to-chay-bang-xang-daudiesel-20170911154735546.htm, truy cập lần cuối ngày 7/6/2018 [3] https://tuoitre.vn/phap-cam-ban-xe-chay-xang-dau-tu-nam-2040-1345186.htm, truy cập lần cuối ngày 7/6/2018 [4] W Y Wang, I H Li, M C Chen, S F Su, and S B Hsu, “Dynamic slip-ratio estimation and control of antilock braking systems using an observer-based direct adaptive fuzzyneural controller,” IEEE Trans Ind Electron, vol 56, no 5, pp 1746–1756, May 2009 [5] E Kayacan, Y Oniz, and O Kaynak, “A grey system modeling approach for slidingmode control of antilock braking system,” IEEE Trans Ind Electron., vol 56, no 8, pp 3244–3252, Aug 2009 [6] H H Jing, Z Y Liu, and H Chen, “A switched control strategy for antilock braking system with on/off valves,” IEEE Transactions on Vehicular Technology, vol 60, no 4, pp 1470 – 1484, May 2011 [7] R Daily and D M Bevly, “The use of GPS for vehicle stability control systems,” IEEE Trans Ind Electron., vol 51, no 2, pp 270–277, Apr 2004 [8] L Imsland, T A Johansen, T I Fossen, H F Grip, and J C Kalkkuhl, “Vehicle velocity estimation using nonlinear observers,” Automatica, vol 42, pp 2091–2103, Dec 2006 [9] L Imsland, H F Grip, T A Johansen, T I Fossen, J C Kalkkuhl, and A Suissa, “Nonlinear observer for vehicle velocity with friction and road bank angle adaptation - validation and comparison with an extended Kalman filter,” in SAE 2007 World 60 TÀI LIỆU THAM KHẢO Congress Detroit, Michigan, USA: SAE International, Warrendale, Pennsylvania, USA, Apr 2007, pp 2007–01–0808 [10] H F Grip, L Imsland, T A Johansen, T I Fossen, J C Kalkkuhl, and A Suissa, “Nonlinear vehicle side slip estimation with friction adaptation,” Automatica, vol 44, pp 611–622, Mar 2008 [11] G Baffet, A Charara, and D Lechner, “Experimental evaluation of a sliding mode observer for tire-road forces and an extended Kalman filter for vehicle sideslip for vehicle sideslip angle,” in Proc.46th IEEE conference on decision and control New Orleans, USA: IEEE Press, 2007, pp 3877–3882 [12] M Oudghiri, M Chadli, and A E Hajjaji, “Lateral vehicle velocity estimation using fuzzy sliding mode observer,” in Proc of the Mediterranean Conference on Control & Automation Athen, Greece: IEEE Press, Jun 2007, pp T10–009 [13] H E Tseng, “A sliding mode lateral velocity observer,” in Proc.Int Symposium on advanced vehicle control Yokohama, Japan: IEEE Press, Apr 2002, pp 3235–3240 [14] Y Sebsadji, S Glaser, and S Mammar, “Road slope and vehicle dynamics estimation,” in Proc American Control Conference, Seattle, Washington, USA, Jun 2008, pp 4603–4608 [15] H G de Marina, F J Pereda, J M Giron-Sierra, and F Espinosa, “UAV attitude estimation using unscented Kalman filter and TRIAD,” IEEE Trans Ind Electron., vol 59, no 11, pp 4465–4474, Nov 2012 [16] J Stehant, A Charara, and D Meizel, “Virtual sensor: application to vehicle sideslip angle and transversal forces,” IEEE Trans Ind Electron., vol 51, no 2, pp 278–289, Apr 2004 [17] J Dakhlallah, S Glaser, and S Mammar, “Tire-road forces estimation using extended Kalman filter and sideslip angle evaluation,” in Proc American Control Conference, Seattle, Washington, USA, Jan 2008, pp 4597–4602 61 TÀI LIỆU THAM KHẢO [18] A Y Ungoren, H Peng, and H E Tseng, “A study on lateral speed estimation methods,” International Journal on Vehicle Autonomous Systems, vol 2, pp 126–144, May 2004 [19] P J T Venhovens and K Naad, “Vehicle dynamics estimation using Kalman filters,” Vehicle System Dynamics, pp 171–184, May 2003 [20] G Baffet, A Charara, and D Lechner, “Estimation of vehicle sideslip, tire force and wheel cornering stiffness,” Control Engineering Practice, vol 17, no 11, pp 1255–1264, Nov 2009 [21] https://www.youtube.com/watch?v=YeXlmdlXp2s, truy cập lần cuối ngày 7/6/2018 [22] V.A.W Hillier, Peter Coomber, "Hillier’s fundamentals of motor vehicle technology" Nelson Thornes Limited, 2014 [23] Võ Duy Thành, Tạ Cao Minh, Phạm Văn Quyền, Vũ Hoàng Long, “Multirate Kalman Filter ứng dụng việc nâng cao tốc độ trích mẫu cảm biến” – Hội nghị Điều khiển Tự động hóa cho phát triển bền vững, 05/2017 [24] Y Hori, "Future vehicle driven by electricity and control - Research on four-wheelmotored "UOT Electric March II"" IEEE Transactions on Industrial Electronics, 2004 [25] W Elmenreich, "An introduction to sensor fusion", Austria: Vienna University Of Technology , Feb 2002 62 PHỤ LỤC PHỤ LỤC CHƯƠNG TRÌNH TRÊN PHẦN MỀM MATLAB Bộ lọc Kalman function [Output,time] = SimpleKalmanFilter( InputVector, R, Q ) Length = size(InputVector,1); p=0; x=0; for i=2:Length p = p + Q; k = p/(p+R); x = x + k*(InputVector(i)-x); Output(i)=x; p = (1-k)*p; end Output=Output'; time = 0:1:(Length-1); Bộ lọc Multirate Kalman đề xuất function [ PoliExtra ] = PoliExtrapolation_2( InputVector, Accel, R1, Q ) DataIn = InputVector; Length = size(DataIn,1); p=0; x=0; a=0; b=0; c=0; FR=0; Out = 0; R=R1; n=50; 63 PHỤ LỤC for i=1:Length %%%%%%%%%%%%%%%%%%%%%%%%%% Chinh R if (i>n) count=mod((i-1),n); if (count==0) R=R1; else if count==1 hsg=abs((-Out(i-1)+Out(i-n-1))/0.1); end R=R1*hsg*count; end else R=R1; end FR(i)=R; %%%%%%%%%%%%%%%%%%%%%%%%%%%%%% Ngoai suy bac if(i>2*n) %chinh a,b,c if(mod(i-1,n)==1) y1= Out(i-2*n-1); y2= Out(i-n-1); y3= Out(i-1); c=y1; b=(-3*y1+4*y2-y3)/2/n; a=(y1-2*y2+y3)/2/n/n; end x1=mod(i-1,n); if x1==0 DataOut(i)=DataIn(i); else DataOut(i)=a*(x1+2*n)*(x1+2*n)+ b*(x1+2*n) + c; end else DataOut(i)=DataIn(i); end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% MKF 64 PHỤ LỤC x= x + Accel(i)*0.002; p = p + Q; k = p/(p+R); x = x + k*(DataOut(i)-x); Out(i)=x; p = (1-k)*p; if Out(i)