Vấn đề ước lượng tốc độ dài trên xe ô-tô điện
Ý nghĩa và vai trò của vận tốc dài trên xe ô-tô điện
Vận tốc dài trên xe ô-tô, đặc biệt là xe ô-tô điện, đóng vai trò quan trọng trong việc đảm bảo an toàn cho người lái và hành khách Đây không chỉ là thông số hiển thị trên bảng điều khiển mà còn là dữ liệu thiết yếu cho các hệ thống điều khiển như hệ thống điều khiển lực kéo TCS và hệ thống chống bó cứng phanh ABS Thông tin vận tốc chính xác cho phép các hệ thống này xử lý và phối hợp với các dữ liệu khác để đưa ra tín hiệu điều khiển, giúp duy trì trạng thái vận hành an toàn cho xe.
Điều khiển an toàn là yếu tố then chốt trong phát triển công nghệ xe tự lái, khi mà những phương tiện này không có sự kiểm soát trực tiếp từ con người Do đó, các hệ thống điều khiển cần được nghiên cứu và phát triển để đảm bảo an toàn cho cả xe và các đối tượng xung quanh như con người, phương tiện giao thông và cơ sở hạ tầng Những hệ thống này phải hoạt động ổn định, tin cậy và có độ chính xác cao, vì vậy việc nắm bắt thông tin vận tốc dài của xe ô-tô là vô cùng cần thiết.
Vận tốc dài là một yếu tố quan trọng trong hệ thống điều khiển xe ô-tô điện Để đảm bảo các hệ thống này hoạt động ổn định và chính xác, cần thu thập thông tin về vận tốc dài với các tiêu chí như độ chính xác cao, tốc độ trích mẫu phù hợp với yêu cầu của bộ điều khiển, và khối lượng tính toán đơn giản.
Các phương pháp đo vận tốc dài trên xe ô-tô điện
Hiện nay, vận tốc dài trên hầu hết các mẫu xe ô-tô được tính qua tốc độ quay và bán kính bánh xe (𝑣 = 𝜔𝑅), nhưng giá trị này chỉ mang tính thông báo cho người lái và hiển thị trên đồng hồ xe Trong kỹ thuật điều khiển xe ô-tô điện, việc hiểu biết chính xác về vận tốc là rất quan trọng để nâng cao chất lượng điều khiển Tuy nhiên, cách tính này không chính xác, vì khi phanh, tốc độ bánh xe thường nhỏ hơn tốc độ của xe; hoặc trong trường hợp xe truyền động 4 bánh, khi xảy ra trượt, không có bánh xe nào phản ánh đúng tốc độ thực của xe.
Ngoài việc sử dụng cảm biến tốc độ quay bánh xe có sẵn, việc đo vận tốc dài của ô-tô có thể thực hiện bằng các thiết bị cảm biến như sản phẩm Correvit S-350 của Kistler (sử dụng phương pháp đo quang học) và hệ thống định vị toàn cầu (GPS) Những phương pháp này mang lại độ chính xác và ổn định cao Tuy nhiên, việc lắp đặt các cảm biến này gặp nhiều khó khăn do không được tích hợp sẵn trên xe và phụ thuộc vào hình dạng, kích thước của xe Hơn nữa, chi phí cao của các thiết bị này khiến việc áp dụng vào các dòng ô-tô thương mại trở nên khó khăn và không phổ biến.
Để khắc phục những hạn chế hiện tại và thu thập thông tin vận tốc một cách hiệu quả với chi phí hợp lý, chúng tôi đề xuất sử dụng các thuật toán ước lượng biến trạng thái dựa trên các mô hình đã có sẵn.
Một số nghiên cứu về ước lượng vận tốc dài trên xe ô-tô điện
Hiện nay, sự phát triển của công nghệ ô-tô đã nâng cao nhu cầu an toàn khi lái xe, dẫn đến sự ra đời của các hệ thống điều khiển an toàn hỗ trợ người lái Do đó, nghiên cứu ước lượng vận tốc trên xe ô-tô trở nên cần thiết và là vấn đề quan trọng trong việc triển khai các hệ thống điều khiển, đặc biệt là đối với xe ô-tô điện.
Hiện nay, nghiên cứu ước lượng vận tốc dài trên ô-tô bao gồm hai hướng chính: ước lượng dựa trên mô hình động lực học và ước lượng dựa trên mô hình động học Động lực học là lĩnh vực nghiên cứu về lực và nguyên nhân gây ra chuyển động Việc ước lượng vận tốc dài dựa trên mô hình động lực học liên quan đến việc xây dựng các bộ ước lượng thông qua các phương trình mô tả động lực học của xe Một số nghiên cứu tiêu biểu trong nhóm phương pháp này đã được thực hiện.
Sử dụng bộ quan sát phi tuyến và bộ quan sát kiểu trượt là giải pháp hiệu quả để xử lý tính phi tuyến mạnh trong mô hình động lực học của xe ô-tô điện Các bộ quan sát này giúp cải thiện độ chính xác và hiệu suất trong việc theo dõi trạng thái của hệ thống.
Áp dụng các biến thể của bộ lọc Kalman như EKF (Extended Kalman Filter) [11-
Bộ lọc Kalman thông thường hiệu quả trên hệ tuyến tính, nhưng các biến thể như DEKF và UKF được phát triển để ước lượng trạng thái trong hệ phi tuyến dựa trên mô hình động lực học của xe ô-tô Mặc dù nhóm phương pháp này cho chất lượng ước lượng tốt, nhưng việc xác định các tham số động lực học như khối lượng và mô-men quán tính là khó khăn và có thể thay đổi trong quá trình vận hành, dẫn đến giảm độ chính xác Mô hình động lực học thường phức tạp với nhiều phương trình phi tuyến, làm cho các phép toán như nhân, nghịch đảo và xác định ma trận Jacobian trở nên rắc rối, yêu cầu hệ thống phần cứng có khả năng tính toán cao Do đó, việc áp dụng các thuật toán vào mô hình động lực học để ước lượng vận tốc dài là phức tạp và khó đạt được độ chính xác cao Động học nghiên cứu chuyển động của vật thể cứng, trong đó vận tốc là đại lượng cơ bản Bằng cách coi xe ô-tô điện là thân cứng, ước lượng vận tốc dài dựa trên mô hình động học trở thành phương pháp phù hợp, với một trong những hướng nghiên cứu là phối hợp thông tin từ các cảm biến khác nhau để ước lượng tốc độ xe, gọi là Tổng hợp dữ liệu đa cảm biến.
Tổng hợp dữ liệu đa cảm biến
Trong kỹ thuật điều khiển, việc thu thập thông tin về các trạng thái một cách chính xác là rất quan trọng Mỗi trạng thái có thể được đo bằng nhiều phương pháp khác nhau, dẫn đến sự phát triển của nhiều loại cảm biến Mỗi cảm biến và phương pháp đo đều có những ưu và nhược điểm riêng, ảnh hưởng đến độ chính xác tùy thuộc vào điều kiện cụ thể Bằng cách kết hợp các ưu điểm của từng loại cảm biến, phương pháp Tổng hợp dữ liệu đa cảm biến cho phép đạt được kết quả ước lượng với độ chính xác cao.
Tổng hợp dữ liệu đa cảm biến (Sensor Fusion) là kỹ thuật kết hợp thông tin từ nhiều cảm biến để suy luận ra đặc tính hoàn chỉnh của đối tượng, điều mà một cảm biến đơn lẻ không thể thực hiện Phương pháp này sử dụng các công cụ toán học, như bộ lọc Kalman, trong bước tiền xử lý dữ liệu dựa trên mô hình động học của đối tượng nhằm ước lượng chính xác hơn về đối tượng cần phân tích.
Tổng hợp dữ liệu đa cảm biến được ứng dụng trong nhiều lĩnh vực khác nhau, có thể kể đến như:
Trong ứng dụng dự báo thời tiết, hệ thống cảm biến đa dạng về số lượng và chủng loại đóng vai trò quan trọng Thuật toán tổng hợp dữ liệu đa cảm biến được sử dụng để kết hợp thông tin từ các nguồn khác nhau, giúp tạo ra cái nhìn toàn diện về các yếu tố tác động đến môi trường và khí hậu.
Trong nghiên cứu và khảo sát môi trường, đặc biệt ở những khu vực khắc nghiệt và độc hại, việc lắp đặt và phối hợp hệ thống cảm biến là rất quan trọng để thu thập thông tin cần thiết.
Trong quân sự: phục vụ các mục đích phát hiện và theo dõi đối tượng tự động, giám sát chiến trường, kiểm soát hệ thống xe quân sự
Trong công nghiệp: chẩn đoán lỗi, xác định vị trí lỗi trong các dây chuyền hay hệ thống trang thiết bị trong một nhà xưởng
Ngoài ra, phương pháp này còn ứng dụng trong chẩn đoán y tế, hay giám sát trong các tòa nhà cao tầng,… Đối tượng
Cảm biến 1 Khâu tiền xử lý dữ liệu 1
Phối hợp, xử lý dữ liệu
Cảm biến 2 Khâu tiền xử lý dữ liệu 2
Cảm biến n Khâu tiền xử lý dữ liệu n
Trạng thái cần ước lượng
Hình 1.2: Mô hình tổng hợp dữ liệu đa cảm biến
NÂNG CAO TỐC ĐỘ TRÍCH MẪU CỦA CẢM BIẾN
Vấn đề đồng bộ tốc độ trích mẫu của cảm biến
Cảm biến là thiết bị đo lường quan trọng, chuyển đổi các đại lượng không điện như vận tốc và nhiệt độ thành các đại lượng điện có thể đo và xử lý Chúng đóng vai trò thiết yếu trong hệ thống điều khiển, cung cấp thông tin về trạng thái để bộ điều khiển đưa ra tín hiệu điều khiển cho cơ cấu chấp hành Chất lượng thông tin từ cảm biến ảnh hưởng lớn đến độ ổn định và chính xác của hệ thống Tùy thuộc vào quy mô, mỗi hệ thống có thể sử dụng một hoặc nhiều cảm biến, và việc đồng bộ tốc độ giữa các cảm biến và hệ thống điều khiển luôn là vấn đề quan trọng Bộ điều khiển yêu cầu thông tin từ cảm biến trong mỗi chu kỳ, vì vậy tốc độ trích mẫu của cảm biến cần phải lớn hơn hoặc bằng tốc độ làm việc của mạch vòng điều khiển Tuy nhiên, một số cảm biến có thể có tốc độ trích mẫu chậm hơn yêu cầu điều khiển do nhiều nguyên nhân khác nhau.
Giảm giá thành của sản phẩm
Yêu cầu của thiết bị sử dụng cảm biến
Giới hạn của cảm biến
Có thể liệt kê một số thiết bị cảm biến trích mẫu chậm như:
Cảm biến tốc độ quay bánh xe (Encoder) trên ô-tô thường có độ phân giải thấp, khoảng 40-50 xung/vòng, do quá trình vận hành của xe gặp phải hiện tượng rung lắc Điều này giúp đảm bảo độ ổn định và bền vững của thiết bị, vì các nhà sản xuất tránh sử dụng thiết kế encoder có độ phân giải cao.
Encoder được gắn trên bánh của xe điện i-MiEV do Mitsubishi sản xuất chỉ có độ phân giải 36 xung/vòng
Hệ thống định vị vệ tinh GPS có tần số cập nhật từ 1-5 Hz, với một số loại đạt tối đa khoảng 20 Hz Tần số thấp này chủ yếu là do thời gian trễ trong quá trình truyền dữ liệu giữa thiết bị đo và các vệ tinh địa tĩnh trên mặt đất.
Dựa trên tốc độ trích mẫu, có thể tạm chia cảm biến thành 2 loại:
Cảm biến có khả năng trích mẫu nhanh chóng, đảm bảo đáp ứng kịp thời cho các yêu cầu điều khiển, với chu kỳ trích mẫu không vượt quá chu kỳ điều khiển.
Cảm biến có tốc độ trích mẫu chậm, chu kỳ trích mẫu dài hơn chu kỳ điều khiển
Hình 2.1 minh họa mối tương quan giữa chu kỳ trích mẫu và chu kỳ điều khiển trong hệ thống Cảm biến 1 (Sensor 1) có tốc độ trích mẫu nhanh, đáp ứng kịp thời yêu cầu của bộ điều khiển với chu kỳ trích mẫu bằng chu kỳ điều khiển Trong khi đó, cảm biến 2 (Sensor 2) có thời gian trích mẫu 𝑇 𝑆 dài, gấp 𝑛 lần chu kỳ điều khiển.
Cảm biến này không đáp ứng kịp thời nhu cầu thông tin trong mỗi chu kỳ điều khiển Để khắc phục vấn đề này, cần cải tiến hệ thống để đảm bảo thông tin được cung cấp nhanh chóng và hiệu quả hơn.
Khi tốc độ trích mẫu của cảm biến thấp hơn tốc độ điều khiển của hệ thống, chu kỳ điều khiển lớn có thể dẫn đến giảm chất lượng điều khiển và thậm chí gây mất ổn định cho hệ thống Do đó, cần phát triển một thuật toán để dự đoán các mẫu trung gian giữa hai lần trích mẫu của cảm biến, nhằm nâng cao tốc độ trích mẫu và đáp ứng yêu cầu dữ liệu trong mỗi chu kỳ điều khiển.
Một số thuật toán có khả năng giải quyết vấn đề dự đoán trong hệ thống không trích mẫu, bao gồm ngoại suy tuyến tính và ngoại suy đa thức Tuy nhiên, nhược điểm của các phương pháp này là chỉ dựa vào giá trị dữ liệu đo mà không xử lý được nhiễu, một vấn đề phổ biến trong hầu hết các hệ thống Các phương pháp ước lượng trạng thái như bộ ước lượng double-layer và ước lượng dual-rate cũng được áp dụng để cải thiện độ chính xác trong dự đoán.
Các phương pháp hiện tại cho kết quả khả quan và chính xác, nhưng chúng dựa vào mô hình động lực học được xây dựng từ các tham số hệ thống Tuy nhiên, việc xác định các tham số này thường rất khó khăn và có thể thay đổi trong quá trình hoạt động, dẫn đến giảm độ chính xác và khó đảm bảo tính bền vững của hệ thống điều khiển.
Chương này đề xuất phương pháp nâng cao tốc độ trích mẫu của cảm biến bằng bộ lọc Multirate Kalman, nổi bật với ưu điểm không phụ thuộc vào tham số động lực học và khả năng xử lý nhiễu đo hiệu quả Phương pháp này được áp dụng cho cảm biến tốc độ quay bánh xe trên ô-tô điện i-MiEV, có độ phân giải 36 xung/vòng và GPS tần số 10Hz Quá trình xử lý này nhằm đồng bộ hóa tốc độ giữa các cảm biến, phục vụ cho việc tổng hợp vận tốc dài trên xe ô-tô điện trong các phần tiếp theo.
Bộ lọc Kalman
Giả thiết một hệ thống được mô tả bởi phương trình động học và đo lường như sau:
𝑥 𝑘 là biến trạng thái của hệ thống
𝑦 𝑘 là biến đầu ra của hệ thống
𝑢 𝑘 là tín hiệu điều khiển đầu vào
𝐵 𝑘 là ma trận điều khiển
𝐻 𝑘 ký hiệu cho ma trận đo lường
𝑤 𝑘 là nhiễu quá trình của hệ thống (process noise)
𝜗 𝑘 là nhiễu đo lường (measurement noise)
Trong bài viết này, chúng tôi giả định rằng nhiễu quá trình 𝑤 𝑘 và nhiễu đo lường 𝜗 𝑘 là các nhiễu trắng tuân theo phân phối Gaussian, với giá trị trung bình bằng 0 và không tương quan Các ma trận hiệp phương sai 𝑄 𝑘 và 𝑅 𝑘 được xác định rõ ràng.
𝜗 𝑘 ~(0, 𝑅 𝑘 ) 𝐸[𝑤 𝑘 𝑤 𝑗 𝑇 ] = 𝑄 𝑘 𝛿 𝑘−𝑗 𝐸[𝜗 𝑘 𝜗 𝑗 𝑇 ] = 𝑅 𝑘 𝛿 𝑘−𝑗 𝐸[𝑤 𝑘 𝜗 𝑗 𝑇 ] = 0 Trong đó 𝛿 𝑘−𝑗 là hàm Kronecker, tức là 𝛿 𝑘−𝑗 = 1 nếu 𝑘 = 𝑗 và 𝛿 𝑘−𝑗 = 0 nếu 𝑘 ≠ 𝑗
Bộ lọc Kalman có nhiệm vụ ước lượng trạng thái 𝑥 𝑘 của hệ thống dựa trên động học và các giá trị đo {𝑦 𝑘 } bị nhiễu Nó giúp lọc các giá trị đầu ra nhằm ước lượng chính xác trạng thái hệ thống, đồng thời giảm thiểu ảnh hưởng của nhiễu 𝑤 và 𝜗.
Hình 2.2 mô tả mô hình bộ lọc Kalman
Nhánh phía trên mô tô hệ thống thực theo mô hình (2.1) dưới tác động của nhiễu quá trình 𝑤 𝑘 và nhiễu đo lường 𝜗 𝑘
Nhánh phía dưới mô tả mô hình ước lượng dựa trên việc loại bỏ các nhiễu 𝑤 𝑘 và 𝜗 𝑘 Trong đó, 𝑥̂ 𝑘 được gọi là ước lượng trạng thái hệ thống, còn 𝑥̂ 𝑘 − được xem là ước lượng tiên nghiệm.
(priory estimate) và 𝑥̂ 𝑘 + là ước lượng hậu nghiệm (posterior estimate) 𝐾 là hệ số Kalman, phụ thuộc vào hiệp phương sai 𝑅 𝑘 của nhiễu đo
Hình 2.2: Mô hình bộ lọc Kalman
Bộ lọc Kalman được thực hiện thông qua các bước tính như sau:
Khởi tạo các thông số của hệ thống:
Với 𝑃 𝑘 − và 𝑃 𝑘 + là ma trận hiệp phương sai tiên nghiệm và ma trận hiệp phương sai hậu nghiệm của sai lệch ước lượng
Trong quá trình điều khiển hệ thống, bước dự đoán và cập nhật được thực hiện liên tục theo chu kỳ điều khiển Giá trị ước lượng hậu nghiệm được điều chỉnh dựa trên giá trị ước lượng tiên nghiệm và sai lệch giữa tín hiệu đo thực và giá trị mô hình thông qua hệ số Kalman.
Nâng cao tốc độ trích mẫu của cảm biến bằng thuật toán Multirate Kalman
Giữa 2 lần cảm biến trích mẫu tại các thời điểm thứ 𝑘 − 𝑛 và thứ 𝑘, cần 𝑛 − 1 trạng thái của hệ thống để phục vụ cho quá trình điều khiển Theo cách thông thường, giá trị đo lường trong khoảng này được coi là hằng số Khác với các giá trị đo thực có giá trị phương sai 𝑅 𝑘 nhất định thì giá trị của các mẫu này được coi là không tin cậy và do đó có phương sai 𝑅 𝑖 (𝑖 = 1,2, … , 𝑛 − 1) là vô cùng lớn
Trong thời gian này, giá trị của hệ số Kalman theo công thức (2.4) sẽ bằng 0, dẫn đến việc các giá trị ước lượng hậu nghiệm và phương sai hậu nghiệm không thay đổi, vẫn giữ nguyên như các giá trị tiên nghiệm Điều này có nghĩa là ước lượng trạng thái của hệ thống hoàn toàn phụ thuộc vào mô hình động học của nó.
Như vậy, thuật toán Multirate Kalman Filter (MKF) được xây dựng như sau:
Nếu 𝑘 là bội số của 𝑛, tức là tại những thời điểm cảm biến trích mẫu, thực hiện cập nhật bằng thuật toán Kalman:
Nếu \( k \) không phải là bội số của \( n \), thì trong các khoảng thời gian giữa hai lần trích mẫu, các giá trị ước lượng hậu nghiệm và phương sai hậu nghiệm sẽ được duy trì không thay đổi.
Lưu đồ thuật toán Multirate Kalman Filter để nâng cao tốc độ trích mẫu cảm biến được thể hiện trên hình 2.3
Hình 2.3: Lưu đồ thuật toán Multirate Kalman Filter
Đề xuất cải tiến bộ lọc Multirate Kalman
2.4.1 Góc nhìn khác đối với hiệp phương sai R
Trong khoảng thời gian [𝑘; 𝑘 + 𝑛], các mẫu trung gian được xem xét Theo lý thuyết của Kalman, các giá trị trong khoảng này không được coi là đáng tin cậy, dẫn đến việc có sự tồn tại của hiệp phương sai trong nhiễu đo.
Hiệp phương sai 𝑅 𝑖 (𝑖 = 𝑘 + 1, 𝑘 + 2, … , 𝑘 + 𝑛 − 1) có giá trị rất lớn, nhưng tại các điểm trích mẫu, giá trị này lại hữu hạn Trong thực tế, không có tín hiệu nào thay đổi đột ngột từ giá trị hữu hạn đến vô cùng, do đó hiệp phương sai tại các điểm trung gian cũng nên giữ giá trị hữu hạn Hơn nữa, độ tin cậy của các dự đoán giảm dần theo thời gian trong khoảng [𝑘 + 1; 𝑘 + 𝑛 − 1], dẫn đến việc coi 𝑅 𝑖 tăng dần trong khoảng này Đề xuất trong đồ án này là hệ số 𝛼, đại diện cho độ lớn của hệ số góc của đường thẳng nối hai điểm, được xác định bởi giá trị tín hiệu tại các thời điểm trích mẫu trước đó là 𝑘 − 𝑛 và 𝑘.
Trong tình huống này, các trạng thái không thể chỉ là những kết quả đo tại thời điểm tương ứng, mà cần phải là các giá trị ước lượng đã được loại bỏ nhiễu.
Hiệp phương sai của nhiễu đo được đề xuất bởi công thức:
Trong khoảng thời gian (𝑘; 𝑘 + 𝑛), các giá trị đo được coi là hằng số và bằng giá trị tại thời điểm 𝑘 do không có giá trị đo nào được gửi về Do đó, bài viết này đề xuất sử dụng thuật toán ngoại suy đa thức để xử lý dữ liệu trong khoảng thời gian này.
Sử dụng phương pháp ngoại suy để tạo ra các mẫu đo giả tại các điểm trung gian, kết hợp với việc gán giá trị hữu hạn cho hiệp phương sai Những mẫu đo giả này sẽ được đưa vào bước cập nhật trong thuật toán Multirate Kalman Filter nhằm điều chỉnh các giá trị ước lượng trong bước dự đoán.
Phương án đề xuất sử dụng các mẫu dữ liệu đã được cập nhật và loại bỏ nhiễu tại các điểm trích mẫu 𝑘 − 2𝑛, 𝑘 − 𝑛, 𝑘, kết hợp với phương pháp ngoại suy đa thức bậc hai để tính toán dữ liệu tại các thời điểm 𝑘 + 1, 𝑘 + 2, … , 𝑘 + 𝑛 − 1 Những dữ liệu này sẽ được coi là giá trị đo giả trong bước cập nhật của thuật toán MKF.
Thuật toán ngoại suy đa thức ở đây sử dụng đa thức Lagrange:
𝑃 𝑛 (𝑥) = 𝑓 0 𝐿 0 (𝑥) + 𝑓 1 𝐿 1 (𝑥)+ +𝑓 𝑛 𝐿 𝑛 (𝑥) = ∑ 𝑛 𝑖=0 𝑓 𝑖 𝐿 𝑖 (𝑥) (2.10) Trong đó 𝐿 𝑖 (𝑥) là hệ số đa thức Lagrange
1 𝑛ế𝑢 𝑗 = 𝑘 Áp dụng đa thức Lagrange với bậc đa thức là bậc hai, giả sử có đường cong bậc hai đi qua 3 điểm (𝑥 1 ; 𝑦 1 ), (𝑥 2 ; 𝑦 2 ), (𝑥 3 ; 𝑦 3 ) thì
Do đó, thu được phương trình đường cong bậc hai đi qua 3 điểm trên:
Để xây dựng phương trình đường cong bậc hai đi qua ba điểm trích mẫu tại thời điểm thứ k, ta sử dụng công thức P(x) = y1L1(x) + y2L2(x) + y3L3(x) Phương trình này cho phép tính toán giá trị vận tốc tại các thời điểm khác nhau dựa trên dữ liệu thu được từ mẫu.
𝑘 − 2𝑛, 𝑘 − 𝑛, 𝑘 để dự đoán giá trị các mẫu tại 𝑛 − 1 thời điểm tiếp theo Do đó, xét
Vậy đường cong bậc hai đi qua 3 điểm trên có phương trình:
Từ đường cong, chúng ta có thể tính toán giá trị của các mẫu tại 𝑛 − 1 thời điểm tiếp theo bằng cách thay giá trị thời điểm trích mẫu vào phương trình đã cho.
2.4.3 Lưu đồ thuật toán MKF cải tiến Đặt các hệ số của đường cong bậc hai (2.14) như sau:
Thuật toán MKF cải tiến được mô tả trong hình 2.4, trong đó hệ số góc 𝛼 và các hệ số của đường cong bậc hai 𝑎, 𝑏, 𝑐 được cập nhật sau mỗi lần cảm biến trích mẫu thực thông qua các phương trình (2.8) và (2.15) Tại 𝑛 − 1 thời điểm trung gian, hiệp phương sai 𝑅 𝑖 và giá trị giả đo 𝑦 𝑖 (𝑖 = 1,2, … , 𝑛 − 1) cũng được điều chỉnh dựa trên các hệ số này theo phương trình (2.9) và (2.14).
Tính giá trị hiệp phương sai
𝑅 𝑖 = 𝑅.𝛼 𝑖 Tính các mẫu đo giả
𝑇 𝑠 Tính các hệ số của đường ngoại suy
Hình 2.4: Lưu đồ thuật toán MKF cải tiến
Ứng dụng nâng cao tốc độ trích mẫu cho cảm biến tốc độ quay bánh xe trên ô-tô điện
Hệ thống nghiên cứu có thể được mô tả bởi phương trình như sau:
Biến trạng thái 𝑥 là vận tốc dài của xe 𝑣 Tín hiệu điều khiển 𝑢 là gia tốc của xe 𝑎 Biến đầu ra 𝑦 là tốc độ góc của bánh xe 𝜔
𝑟 là bán kính bánh xe
𝑇 là chu kỳ trích mẫu Đồng nhất mô hình xây dựng bởi (2.16) với mô hình tổng quát (2.1):
Bộ lọc Kalman trong trường hợp này được gọi là bộ lọc vô hướng (Scalar Filter) vì các ma trận 𝐹 𝑘, 𝐵 𝑘, 𝐻 𝑘 chỉ chứa một phần tử và vector 𝑥 chỉ có một biến trạng thái.
Do tính đơn giản của các ma trận quan hệ và số lượng biến trong vector trạng thái chỉ có 1, hệ thống phần cứng trong trường hợp này không cần yêu cầu khả năng tính toán cao.
Để nâng cao tốc độ trích mẫu của cảm biến tốc độ quay xe ô-tô điện, chúng tôi sẽ áp dụng thuật toán MKF gốc hoặc MKF cải tiến, theo các lưu đồ trong hình 2.3 và hình 2.4, với quy trình cập nhật được mô tả chi tiết.
TỔNG HỢP DỮ LIỆU ĐA CẢM BIẾN
Đặt vấn đề
Trong bài viết này, chúng tôi sẽ thảo luận về phương pháp ước lượng vận tốc dài thông qua việc tổng hợp dữ liệu từ nhiều cảm biến Mục tiêu là đo lường vận tốc và các đại lượng liên quan để tính toán giá trị vận tốc Đồ án sử dụng các cảm biến phổ biến, có thể là cảm biến có sẵn trên xe hoặc được lắp đặt thêm với chi phí hợp lý Một trong những cảm biến được sử dụng là cảm biến đo tốc độ quay bánh xe.
Cảm biến tốc độ quay, được trang bị trên hầu hết các dòng xe, đặc biệt là xe điện như i-MiEV của Mitsubishi, hoạt động theo nguyên lý cảm ứng điện từ Mặc dù cảm biến này chỉ có độ phân giải 36 xung/vòng, chu kỳ trích mẫu 100ms (tần số 10Hz) đã được lựa chọn để đảm bảo độ chính xác trong việc đo lường Vận tốc di chuyển của xe được tính toán dựa trên tốc độ quay của bánh xe thông qua một công thức cụ thể.
𝑣 = 𝜔𝑅 𝑒𝑓𝑓 b) Định vị toàn cầu GPS
Thiết bị GPS cho phép thu thập thông tin chi tiết về vị trí, vận tốc, thời gian, kinh độ, vĩ độ và cao độ của đối tượng Việc theo dõi và đo lường các số liệu này được thực hiện thông qua các vệ tinh orbiting quanh Trái Đất.
Thông tin GPS cung cấp độ chính xác cao nhưng có nhược điểm là thời gian truyền tín hiệu giữa thiết bị và vệ tinh địa tĩnh khá lâu, dẫn đến tần số cập nhật dữ liệu chỉ khoảng 1-5Hz Một số thiết bị mới có thể nâng cao tốc độ trích mẫu lên tới 10Hz hoặc 20Hz với độ chính xác tốt hơn Trong dự án này, GPS được sử dụng để thu thập thông tin về vận tốc dài của xe ô-tô điện.
Cảm biến gia tốc có khả năng đo gia tốc tịnh tiến theo ba trục x, y, z với dải đo lên đến ±8g hoặc ±16g và tốc độ cập nhật dữ liệu cao tới 400kHz Trong ứng dụng ước lượng vận tốc dài cho xe ô-tô điện, chỉ gia tốc tịnh tiến theo trục x được sử dụng, với trục x phải hướng theo chiều chuyển động của xe Vận tốc dài được xác định bằng cách tích phân giá trị gia tốc tịnh tiến trục x Tuy nhiên, trong quá trình vận hành xe, rung lắc không thể tránh khỏi và cảm biến rất nhạy với dao động nhỏ, dẫn đến tín hiệu gia tốc luôn có nhiễu Hơn nữa, việc hiệu chỉnh ban đầu của cảm biến cũng gặp khó khăn do sự phụ thuộc vào mặt phẳng lắp đặt và hướng của trục tọa độ x, gây ra sai số tĩnh ban đầu Kết quả là, sai số tĩnh và nhiễu sẽ cộng dồn qua thời gian, khiến tín hiệu vận tốc dài ngày càng lệch so với vận tốc thực.
Hình 3.1 mô tả dạng tín hiệu đo hoặc tính toán được của các cảm biến Có thể đưa ra một số nhận xét về các đặc tính này:
Tín hiệu vận tốc dài từ cảm biến GPS cho kết quả ổn định, trong khi tín hiệu từ cảm biến gia tốc và cảm biến tốc độ quay bánh xe bị nhiễu rõ rệt, thể hiện qua các dao động mạnh và hiện tượng “răng lược” trên đặc tính vận tốc từ encoder Do đó, việc áp dụng bộ lọc để loại bỏ nhiễu là cần thiết.
Cảm biến gia tốc có tốc độ trích mẫu cao, trong khi GPS và cảm biến tốc độ quay bánh xe có tốc độ trích mẫu thấp, dẫn đến sự không đồng bộ trong tín hiệu vận tốc Để khắc phục vấn đề này, cần phát triển một thuật toán nhằm nâng cao tốc độ trích mẫu của cảm biến tốc độ quay bánh xe và GPS, đồng bộ hóa chúng với tốc độ của cảm biến gia tốc.
Đặc tính vận tốc dài khi tích phân trực tiếp gia tốc thường gặp hiện tượng trôi, xuất phát từ hai nguyên nhân chính Thứ nhất, nhiễu tác động lên tín hiệu gia tốc gây ra dao động mạnh, ảnh hưởng đến độ chính xác Thứ hai, sai số trong quá trình lắp đặt dẫn đến việc xuất hiện khoảng offset của gia tốc khi xe chưa hoạt động Hiện tượng trôi này là một vấn đề phổ biến mà hầu hết các cảm biến gia tốc gặp phải trước khi tín hiệu được xử lý.
(a) Đặc tính tín hiệu gia tốc
Tín hiệu từ GPS Tín hiệu từ encoder 36 ppr Tích phân tín hiệu gia tốc
(b) Đặc tính tín hiệu vận tốc Hình 3.1: Dạng tín hiệu đo được của các cảm biến
Hệ thống cảm biến thu thập thông tin vận tốc dài trên xe ô-tô điện có nhược điểm nhất định, nhưng mỗi cảm biến lại mang đến những ưu điểm riêng, tùy thuộc vào điều kiện vận hành của xe.
Gia tốc là đại lượng vật lý thể hiện sự thay đổi của vận tốc theo thời gian, giúp mô tả chuyển động một cách chính xác Trong quá trình chuyển động, gia tốc có thể xuất hiện dưới hai hình thức: tăng tốc và giảm tốc Việc đo gia tốc cho phép chúng ta nắm bắt được giá trị vận tốc dài một cách chính xác hơn.
GPS cũng phản ánh vận tốc khá tốt trong giai đoạn ổn định tốc độ
Cảm biến tốc độ quay bánh xe hoạt động hiệu quả trong điều kiện mặt đường tốt và ổn định Trong giai đoạn ổn định tốc độ, khi gia tốc gần như bằng 0, việc xác định vận tốc dài chỉ cần dựa vào tốc độ quay của bánh xe mà không cần thông tin về gia tốc.
Mỗi loại cảm biến đều có ưu điểm riêng trong các giai đoạn khác nhau, và nếu chỉ sử dụng một cảm biến, đặc tính vận tốc dài sẽ chỉ được thể hiện tốt trong giai đoạn mà cảm biến đó có ưu thế Vì vậy, việc kết hợp các loại cảm biến sẽ giúp ước lượng vận tốc một cách chính xác hơn Đây chính là nguyên tắc của phương pháp Tổng hợp dữ liệu đa cảm biến.
Bài toán tổng hợp tối ưu thông tin từ các nguồn dữ liệu
Hệ thống gồm 3 cảm biến độc lập, mỗi cảm biến đo cùng một đại lượng 𝑥 với các phép đo và sai số không tương quan Bài toán đặt ra là phát triển thuật toán để tổng hợp thông tin từ 3 nguồn dữ liệu của các cảm biến, nhằm ước lượng tối ưu đại lượng 𝑥.
Mỗi phép đo bao gồm giá trị đo, sai số đo và giá trị thực của đối tượng Mối quan hệ giữa các đại lượng này có thể được thể hiện thông qua một hệ phương trình.
𝑧 𝑖 là các giá trị đo được từ các cảm biến tương ứng (𝑖 = 1,2,3)
𝑣 𝑖 là sai số đo tương ứng (𝑖 = 1,2,3) Ước lượng của đại lượng x có thể được biểu diễn là một hàm tuyến tính đối với từng giá trị đo:
Trong đó, 𝑘 𝑖 (𝑖 = 1,2,3) là các trọng số tỉ lệ với độ tin cậy của phép đo sử dụng cảm biến tương ứng
Bài toán được đặt ra là tìm các trọng số 𝑘 1 , 𝑘 2 , 𝑘 3 để tối ưu ước lượng của 𝑥
Sai số ước lượng được định nghĩa:
Giá trị 𝑥̂ có thể thay đổi tùy thuộc vào mẫu thử, khiến việc ước lượng chính xác giá trị 𝑥 trở nên khó khăn Mục tiêu của ước lượng là đảm bảo rằng kỳ vọng của 𝑥̂ bằng với giá trị thực 𝑥, được gọi là ước lượng không chệch.
Nói cách khác, điều kiện để cho ước lượng trên là không chệch là kỳ vọng của 𝑥̃ phải bằng 0 : 𝐸[𝑥̃] = 0
Kết hợp với các phương trình (3.1), (3.2) và (3.3), có được:
Kỳ vọng của các sai số đo lường 𝐸[𝑣 1 ] = 𝐸[𝑣 2 ] = 𝐸[𝑣 3 ] = 0 và kỳ vọng 𝐸[𝑥] = 𝑥
Từ (3.1), (3.2), (3.3) và (3.4), phương sai của phép ước lượng được biến đổi:
𝐸[𝑥̃ 2 ] = 𝑘 1 2 𝜎 1 2 + 𝑘 2 2 𝜎 2 2 + (1 − 𝑘 1 − 𝑘 2 ) 2 𝜎 3 2 (3.5) Trong đó, 𝜎 𝑖 2 là phương sai của các phép đo tương ứng (𝑖 = 1,2,3)
Hàm mục tiêu 𝐸[𝑥̃ 2 ] trong bài toán ước lược tối ưu được xác định qua phương trình (3.5) Để tối thiểu hóa hàm mục tiêu này, cần thực hiện đạo hàm riêng phần 𝐸[𝑥̃ 2 ] theo các biến 𝑘 1 và 𝑘 2, sau đó gán kết quả bằng 0.
⇒ 𝑘 2 (𝜎 2 2 + 𝜎 3 2 ) + 𝑘 1 𝜎 3 2 = 𝜎 3 2 (3.7) Giải hệ 3 phương trình (3.4) (3.6) và (3.7) thu được
Giá trị của các trọng số 𝑘₁, 𝑘₂, 𝑘₃ đã được xác định nhằm tối ưu hóa ước lượng của đối tượng 𝑥 Những trọng số này là các giá trị cố định, phụ thuộc vào phương sai của các phép đo và không liên quan đến giá trị của 𝑥.
Thay các giá trị trọng số đã xác định trên vào phương trình (3.5) sẽ thu được giá trị phương sai của sai lệch ước lượng 𝑥̃:
Phép so sánh này cho thấy phương sai sai lệch của phép ước lượng tổng hợp luôn nhỏ hơn phương sai sai lệch của từng phép đo thành phần Điều này chứng minh rằng việc sử dụng phương pháp tổng hợp tối ưu thông tin từ nhiều nguồn dữ liệu sẽ mang lại kết quả chính xác hơn so với từng phép đo riêng lẻ.
Từ kết quả tính toán các hệ số, có một số nhận xét sau:
Trường hợp các phép đo có độ chính xác như nhau, tức là có phương sai 𝜎 1 2 𝜎 2 2 = 𝜎 3 2 thì 𝑘 1 = 𝑘 2 = 𝑘 3 = 1
Giá trị ước lượng được tính bằng cách lấy trung bình cộng của ba kết quả đo từ ba cảm biến giống hệt nhau, ví dụ như 3(𝑧 1 + 𝑧 2 + 𝑧 3) Kết quả cuối cùng sẽ là trung bình của ba phép đo này.
Nếu có một phép đo hoàn toàn chính xác với phương sai bằng 0, khi đó cảm biến thứ nhất có 𝜎 1 2 = 0, dẫn đến các hệ số 𝑘 2 và 𝑘 3 từ (3.8) sẽ có giá trị bằng 0.
Khi 𝑘 1 = 1, điều này dẫn đến 𝑥̂ = 𝑧 1, có nghĩa là hai phép đo từ hai cảm biến còn lại không đóng góp giá trị cho phép ước lượng Kết quả ước lượng trong trường hợp này chỉ phản ánh kết quả đo từ cảm biến chính xác duy nhất.
Cảm biến có độ chính xác cao sẽ dẫn đến sai lệch nhỏ hơn, từ đó làm giảm phương sai của sai lệch Điều này khiến cho trọng số của các phép đo khác giảm so với trọng số của cảm biến chính xác, làm cho trọng số của cảm biến đó trở nên lớn hơn Kết quả ước lượng vì thế sẽ phụ thuộc nhiều vào cảm biến có độ chính xác cao, với độ lớn của trọng số phản ánh độ tin cậy của từng phép đo.
XÂY DỰNG HỆ THỐNG THỰC NGHIỆM
Giới thiệu sơ lược về hệ thống thực nghiệm
Trong các chương trước, đồ án đã trình bày các thuật toán nhằm ước lượng vận tốc dài của xe ô-tô điện Ở phần này, đồ án sẽ xây dựng hệ thống thực nghiệm để kiểm tra và xác minh các lý thuyết đã nêu.
Hệ thống thực nghiệm được thực hiện trên nền tảng xe ô-tô điện i-MiEV, bao gồm:
Hệ thống các cảm biến sẵn có trên xe hoặc trang bị thêm với chi phí hợp lý
Bộ xử lý trung tâm có vai trò quan trọng trong việc thu thập dữ liệu từ các hệ thống cảm biến, thực hiện tiền xử lý số liệu và phối hợp các thông tin để đưa ra trạng thái cần ước lượng.
Hệ thống tham chiếu có vai trò quan trọng trong việc thu thập dữ liệu với độ chính xác cao, đóng vai trò là tiêu chuẩn để đối chiếu và so sánh trong các nghiên cứu.
Việc xây dựng hệ thống thực nghiệm gặp phải một số thách thức:
Các cảm biến trong hệ thống nghiên cứu có sự đa dạng về chủng loại và phương pháp đo, dẫn đến tốc độ hoạt động khác nhau Để đảm bảo đồng bộ tốc độ giữa các cảm biến, cần thiết phải cố định tần số trích mẫu và đảm bảo số lượng mẫu đủ tương ứng với tần số đã xác định.
Hệ thống gặp phải vấn đề nhiễu, đặc biệt từ tín hiệu encoder và gia tốc dọc của xe Để khắc phục, cần áp dụng thuật toán lọc nhiễu và thiết kế phần cứng với bộ phận lọc nhiễu Bên cạnh đó, thực hiện các bước hiệu chỉnh ban đầu là cần thiết để giảm thiểu sai lệch tĩnh offset của tín hiệu.
Hệ thống nghiên cứu và hệ thống tham chiếu hiện tại không đồng nhất về thời gian, gây khó khăn cho việc so sánh dữ liệu Do đó, cần thiết phải thiết kế một phương pháp đồng bộ hóa để hai hệ thống này có thể hoạt động cùng nhau Chương này sẽ giải quyết các vấn đề này nhằm thu thập dữ liệu cần thiết cho thuật toán ước lượng tốc độ dài trên xe ô-tô điện.
Hình 4.1: Encoder trên xe ô-tô điện i-MiEV (Nguồn: Mitsubishi)
Hệ thống cảm biến
a) Cảm biến đo tốc độ bánh xe
Trên xe điện i-MiEV, mỗi bánh xe được trang bị cảm biến tốc độ quay hoạt động dựa trên nguyên tắc cảm ứng điện từ, bao gồm một đĩa có 36 răng sắt và một đầu dò Cảm biến này có độ phân giải 36 xung/vòng, với đĩa được lắp đồng trục với bánh xe để đảm bảo độ chính xác cao Đầu dò phát hiện sự có mặt của răng sắt thông qua sự thay đổi từ trường, tạo ra tín hiệu điện áp dạng xung vuông với mức thấp khoảng 0,5V và mức cao khoảng 1V Tín hiệu này cần được chuẩn hóa thành dạng xung vuông 0-3,3V để tương thích với thiết bị xử lý Hình 4.1 minh họa vị trí đặt encoder trên xe điện i-MiEV.
Hệ thống định vị toàn cầu (GPS) là công nghệ xác định vị trí dựa vào vệ tinh nhân tạo do Bộ Quốc phòng Hoa Kỳ phát triển Đồ án sử dụng GPS Neo-M8U tích hợp trên bộ kit EVK-M8U của U-blox để thu thập thông tin vận tốc dài trên xe ô-tô điện Sản phẩm nổi bật với công nghệ UDR (Untethered Dead Reckoning), giúp cải thiện độ chính xác trong việc xác định vị trí Bộ kit được cấp nguồn qua cổng USB từ máy tính và thu thập tín hiệu qua đường truyền I2C.
Hình 4.2: Thiết bị GPS EVK-M8U (Nguồn: U-blox) c) Cảm biến gia tốc
Cảm biến gia tốc ba trục x, y, z được tích hợp trong thiết bị NI MyRIO-1900 của National Instruments, nhưng đồ án này chỉ sử dụng tín hiệu gia tốc từ trục x, lắp đặt theo hướng chuyển động của xe Cảm biến có độ phân giải 12 bit và dải đo ±8g, hỗ trợ trong việc đo vị trí chân ga và phanh.
Vị trí chân ga, chân phanh và vô lăng trên ô-tô được đo lường và thu thập thông qua hệ thống CAN Bus, sau đó thông tin này được truyền tới thiết bị xử lý trung tâm.
Thiết bị xử lý trung tâm
Mục 4.1 đã chỉ ra hệ thống các cảm biến được sử dụng để đo đạc các thông tin cần thiết về vận tốc, gia tốc Rõ ràng, cần phải có một thiết bị nhận nhiệm vụ thu thập các thông tin từ các cảm biến này và phối hợp chúng với nhau nhằm thực hiện thuật toán ước lượng Đồ án đã chỉ ra sự đơn giản của thuật toán ước lượng với khối lượng tính toán ít, do vậy phần cứng thực hiện thuật toán không yêu cầu quá cao Đồ án này lựa chọn thiết bị NI MyRIO-1900 của hãng National Instruments
Tín hiệu từ cảm biến tốc độ quay bánh xe có dạng xung vuông và sau khi chuẩn hóa, chúng sẽ được truyền đến thiết bị NI MyRIO-1900, hỗ trợ 4 đầu vào encoder Thiết bị này cũng nhận tín hiệu vị trí chân ga và phanh dưới dạng tương tự Bên cạnh đó, NI MyRIO-1900 còn có khả năng giao tiếp với GPS EVK-M8U qua I2C để thu thập thông tin về vận tốc.
Bảng 4.1: Thông số thiết bị xử lý NI MyRIO-1900
Tần số clock DDR3 Độ rộng bus dữ liệu
Kết nối với máy tính
IEEE 802.11 b,g,n USB 2.0 Hi-Speed Đầu vào tương tự
Số lượng Độ phân giải
12 bits Đầu ra tương tự
Số lượng Độ phân giải
12 bits Đầu vào/ra số
40 Tương thích TTL Đầu vào 5 V, đầu ra 3.3 V
Các chuẩn truyền thông Tốc độ tối đa
Dải đo Độ phân giải
Số lượng 4 Điện áp hoạt động Điện áp nguồn cấp 6 – 16V
Thiết bị NI MyRIO-1900, được sử dụng trong xe ô-tô điện, tích hợp cảm biến gia tốc và thực hiện thu thập dữ liệu cùng xử lý thuật toán qua phần mềm LabView Kết nối với máy tính qua wifi, thiết bị này cho phép thu thập các kết quả như vận tốc dài tính toán từ vận tốc quay bánh xe, vận tốc từ GPS, gia tốc xe, cùng với vị trí chân ga và chân phanh Tất cả dữ liệu này được lưu trữ trên máy tính để phục vụ cho việc thực hiện thuật toán off-line trên phần mềm MATLAB.
Thông số của thiết bị NI MyRIO-1900 được cho trong bảng 4.1.
Hệ thống thu thập dữ liệu tham chiếu
Để đánh giá độ chính xác của phép ước lượng, việc sử dụng dữ liệu tham chiếu với độ chính xác cao là điều cần thiết Dữ liệu này được thu thập thông qua bộ thiết bị DAS-3 của hãng Kistler, một hệ thống chuyên dụng cho việc thu thập và xử lý tín hiệu trong ngành ô-tô Hệ thống này cho phép đo lường và thu thập nhiều thông tin quan trọng liên quan đến ô-tô, đặc biệt trong các ứng dụng khảo sát động lực học.
Đo vận tốc góc xoay thân xe 3 trục
Đo vận tốc quay bánh xe
Đo vị trí chân ga/phanh, vị trí góc vô lăng
Đo mức độ tiêu thụ nhiên liệu,…
Bảng 4.2: Thông số thiết bị thu thập dữ liệu DAS-3
Phương thức lưu trữ Thẻ nhớ Compact Flash dung lượng lên tới 4GB
Cổng giao tiếp COM (RS232)
USB 2.0 CAN 2.0B Ethernet Các tín hiệu vào 2 đầu vào số cho cảm biến CORREVIT
Cho phép chuyển đổi giữa các chế độ: đo tần số, đếm xung, đo độ rộng xung
Cho phép ghép nối module mở rộng
Có thể mở rộng bằng module thứ hai
Tốc độ trích mẫu lớn nhất lên tới 1kHz/kênh
2 đầu vào chuyển đổi Các đầu vào tượng thích với các loại cảm biến sẵn có
Hệ thống thu thập dữ liệu tham chiếu bao gồm:
Module thu thập dữ liệu DAS-3 (Hình 4.3) bao gồm hai thành phần chính: module thu thập và module xử lý Để thuận tiện cho việc kiểm soát và vận hành, module này được trang bị một thiết bị điều khiển và hiển thị cầm tay Thông số cơ bản của module được trình bày trong bảng 4.2.
Hệ thống cảm biến đóng vai trò quan trọng trong việc đo lường các dữ liệu tham chiếu và được kết nối với bộ DAS-3 thông qua các cáp nối.
Cảm biến quang Correvit S-350 cho phép đo vận tốc dài, vận tốc ngang và gia tốc của xe ô-tô điện
Encoder CWPTA với độ phân giải 1000 xung/vòng lắp đồng trục với bánh xe, cho phép đo vận tốc quay bánh xe ô-tô điện
Cảm biến CPFTA đo lực nhấn trên chân ga và chân phanh
Thông số cơ bản của các cảm biến này được cho trong bảng 4.3
Bảng 4.3: Thông số các cảm biến trong hệ thống tham chiếu
Dải đo tốc độ ±0,5 … 250 𝑘𝑚/ℎ Độ phân giải 2,32 𝑚𝑚 Độ chính xác < ±0,25%
Dải đo 0 … 1500𝑁 Độ chính xác Trung bình: 3%
Tín hiệu ra tương tự 1𝑚𝑉/𝑁
Encoder CWPTA Độ phân giải 10 … 3600 𝑢𝑛𝑔/𝑣ò𝑛𝑔
Mức tín hiệu Mức cao: 2,5𝑉
Mức thấp: 0,5𝑉 Độ dài sườn xung 200𝑛𝑠
Hình 4.4: Thiết bị thu thập dữ liệu DAS-3 (Nguồn: Kistler)
Lắp đặt, chỉnh định hệ thống thực nghiệm
Để nghiên cứu đạt hiệu quả, hai hệ thống được triển khai song song: một hệ thống thiết bị và cảm biến hỗ trợ thuật toán ước lượng, cùng với hệ thống thu thập dữ liệu tham chiếu (DAS-3).
Do số lượng thiết bị trong thực nghiệm nhiều, hàng ghế sau của xe đã được tháo bỏ và thay thế bằng một mặt phẳng để lắp đặt hệ thống nghiên cứu Hệ thống bao gồm Bộ điều khiển NI MyRIO-1900, GPS EVK-M8U và mạch thu thập tín hiệu vị trí chân ga, chân phanh Cấu hình hệ thống được thể hiện trong hình 4.4, với các kết nối trong hệ thống này được mô tả chi tiết.
Bốn tín hiệu encoder được lấy từ cáp nối bên trong xe và dẫn đến mạch chuẩn hóa Đầu ra từ mạch này được kết nối với các chân Encoder tương ứng trên bộ điều khiển NI MyRIO-1900, bao gồm một tín hiệu cho kênh A, một tín hiệu cho kênh B và hai tín hiệu cho kênh C.
Cảm biến GPS được kết nối với thiết bị NI MyRIO-1900 qua hai đường tín hiệu I2C và được cấp nguồn trực tiếp từ máy tính qua cổng USB Anten GPS được lắp đặt trên nóc xe để tối ưu hóa khả năng thu tín hiệu.
Các tín hiệu vị trí của chân ga và chân phanh được kết nối thông qua cáp ODB2 đến mạch thu thập dữ liệu Tín hiệu đầu ra từ mạch này được truyền đến các chân Analog Input (AI0, AI1, AI2) của thiết bị NI MyRIO-1900.
Mạch chuẩn hóa tín hiệu
Hình 4.5: Cấu trúc hệ thống thu thập dữ liệu
Cảm biến gia tốc trong thiết bị NI MyRIO-1900 cần được chỉnh định để giảm thiểu sai lệch offset ban đầu Thiết bị được cố định trên mặt phẳng bên trong xe và được hiệu chỉnh bằng cách đo và hiển thị gia tốc lên máy tính thông qua phần mềm LabVIEW, đảm bảo rằng khi xe đứng yên, các giá trị gia tốc hiển thị là chính xác.
𝑎 𝑧 → 9.8 𝑚/𝑠 2 Việc hiệu chỉnh tuy không thể hoàn toàn chính xác, nhưng cũng rất cần thiết để cho ra một kết quả tin cậy
Không gian phía sau được sử dụng để lắp đặt bộ thu thập dữ liệu DAS-3 và acquy cung cấp nguồn cho nó Các cảm biến được gắn lên xe bằng bộ cao su hút chân không, không ảnh hưởng đến vỏ xe và đảm bảo thiết bị được lắp chắc chắn, giúp quá trình thử nghiệm diễn ra ổn định Cảm biến kết nối với bộ DAS-3 qua cáp nối.
Việc đồng bộ thời gian giữa hai hệ thống là rất quan trọng trong khảo sát thực nghiệm, vì chỉ khi cả hai hệ thống cùng hoạt động thì tham chiếu của hệ thống DAS-3 mới có ý nghĩa Để đạt được điều này, một đường tín hiệu số được kết nối từ NI MyRIO-1900 tới bộ DAS-3 Khi hệ thống bắt đầu thực hiện thuật toán ước lượng, thiết bị NI MyRIO-1900 sẽ gửi tín hiệu số tới bộ DAS-3 để kích hoạt hệ thống thu thập dữ liệu tham chiếu Nhờ đó, hai hệ thống có thể hoạt động song song, giúp việc so sánh kết quả trở nên trực quan và chính xác hơn.
CAN và chuẩn hóa tín hiệu encoder
Hình 4.6: Hệ thống thực nghiệm thực tế
KẾT QUẢ THỰC NGHIỆM
Kết quả thực nghiệm thuật toán nâng cao tốc độ trích mẫu
Cảm biến tốc độ quay bánh xe (Encoder) và định vị toàn cầu GPS trong hệ thống thực nghiệm được trích mẫu với tần số 10Hz, thấp hơn so với tần số 500Hz của cảm biến gia tốc và bộ điều khiển NI MyRIO-1900.
Do đó, thuật toán nâng cao tốc độ trích mẫu sẽ được áp dụng cho tín hiệu vận tốc thu thập được từ Encoder và GPS
Hình 5.1 và 5.2 minh họa kết quả từ việc áp dụng thuật toán Multirate Kalman Filter đã được chỉnh sửa, như đã trình bày trong chương 2, cho Encoder và GPS Đối với Encoder của xe i-MiEV, có độ phân giải 36 xung/vòng, chu kỳ trích mẫu được chọn là 100ms, tương đương với tần số 10Hz Vận tốc dài được tính theo công thức.
Tốc độ quay của bánh xe được xác định bởi công thức 𝑣 𝜔 = 𝜔𝑅 𝑒𝑓𝑓, trong đó 𝜔 là tần số góc và 𝑅 𝑒𝑓𝑓 là bán kính hiệu dụng Tốc độ này phụ thuộc vào số xung vuông 𝑛 được đếm trong chu kỳ trích mẫu 𝑇 = 100𝑚𝑠 và độ phân giải 𝑁 (xung/vòng) của encoder.
Vận tốc ứng với một xung được đếm là 0,4884 m/s, với độ phân giải thấp (36 xung/vòng), tín hiệu vận tốc có dạng bậc thang và nhiễu "răng lược" tương ứng với sai lệch 1 xung encoder Sau khi áp dụng thuật toán Multirate Kalman Filter đã được sửa đổi, tín hiệu trở nên trơn và không còn dạng bậc thang Kết quả được so sánh với tín hiệu tham chiếu từ Encoder độ phân giải 1000 xung/vòng của bộ thu thập dữ liệu DAS-3, được coi là chuẩn mực với độ chính xác cao Tín hiệu sau khi áp dụng thuật toán không chỉ trơn mà còn bám sát đường tín hiệu chuẩn.
Tín hiệu từ Encoder 36 xung/vòng
Tín hiệu sau MKF cải tiến
Tín hiệu từ Encoder 1000 xung/vòng
Hình 5.1: Kết quả nâng cao tốc độ trích mẫu của Encoder
Tín hiệu GPS sau MKF cải tiến
Kết quả nâng cao tốc độ trích mẫu của GPS từ bộ kit GPS EVK-M8U cho thấy tần số cập nhật thông tin là 10Hz, được cài đặt qua phần mềm U-center của U-blox Với tần số này, tín hiệu vận tốc thu được có dạng bậc thang Sau khi áp dụng thuật toán nâng cao tốc độ trích mẫu, kết quả thu được trở nên trơn tru hơn Tuy nhiên, do thiếu dữ liệu tham chiếu cho tín hiệu, thực nghiệm chỉ dừng lại ở việc kiểm chứng hiệu quả của thuật toán, với tín hiệu đã loại bỏ được dạng bậc thang.
Qua đó, có thể chỉ ra một số ưu điểm của thuật toán này:
Mô hình này đơn giản và không phụ thuộc vào các tham số động lực học của hệ thống Việc áp dụng mô hình cảm biến chỉ dựa vào các yếu tố động học, do đó, phương pháp này rất phù hợp để tăng tốc độ trích mẫu của các cảm biến liên quan đến chuyển động.
Phương pháp này có khối lượng tính toán thấp, phù hợp cho các ứng dụng thời gian thực, như thể hiện qua các lưu đồ hình 2.3 và 2.4, nơi các phép toán chỉ cần thực hiện trên các vector một phần tử Điều này cho phép triển khai hiệu quả trên nền tảng phần cứng hạn chế.
Thuật toán này đã chứng minh được độ chính xác cao và sự ổn định vượt trội trong cả mô phỏng và thực nghiệm, cho thấy hiệu quả đáng tin cậy của nó.
Thuật toán này có khả năng ứng dụng hiệu quả trong các cảm biến như Encoder và GPS, đặc biệt là những cảm biến có tốc độ trích mẫu thấp Bên cạnh đó, nó cũng có thể được áp dụng cho các cảm biến trích mẫu chậm khác, chẳng hạn như cảm biến ảnh, mà vẫn đảm bảo mang lại kết quả tốt.
