電動客車AMT換擋執(zhí)行機構(gòu)狀態(tài)估計及參數(shù)辨識*

林 程，易 江，田 雨

（1. 電動車輛國家工程實驗室，北京 100081；2. 北京電動車輛協(xié)同創(chuàng)新中心，北京 100081）

前言

能源安全和環(huán)境污染一直是我國快速發(fā)展過程中所面臨的挑戰(zhàn)，2020 年國務院辦公廳印發(fā)的《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃（2021-2035年）》明確提出了大力發(fā)展新能源汽車并提出了全面實現(xiàn)電驅(qū)動化，到2025 年公共交通領域的純電動商用車占比將超過3 成，從國情、國家政策、實際使用場景的角度出發(fā)，研究高效、高性能的電驅(qū)動系統(tǒng)勢在必行。商用車集中式電驅(qū)動系統(tǒng)構(gòu)型在國內(nèi)屬于比較成熟的方案。但是無變速裝置的單電機構(gòu)型已經(jīng)無法同時滿足大功率和大轉(zhuǎn)矩的高性能需求，針對這一問題，文獻［7］中提出了一種雙電機匹配2 擋變速裝置的高性能電驅(qū)動系統(tǒng)來滿足整車對驅(qū)動系統(tǒng)高性能的要求。

匹配變速器的電驅(qū)動系統(tǒng)的換擋性能影響到了整個系統(tǒng)的性能發(fā)揮。近年來國內(nèi)外學者對換擋性能的提升做了一些研究。文獻［10］中提出基于SMC的換擋控制方法來解決執(zhí)行機構(gòu)的間隙和換擋阻力未知導致的換擋性能下降的問題。文獻［11］中開發(fā)了雙層換擋控制策略來提升DCT 動力系統(tǒng)的換擋性能，上層控制器確定離合器和發(fā)動機的最佳轉(zhuǎn)矩軌線，下層控制器控制每個執(zhí)行器跟蹤確定的最佳軌線。文獻［12］中研究了重型汽車動力系統(tǒng)的魯棒換擋控制策略，針對不同的換擋過程推導出了3 種不同的魯棒自適應控制率來減小換擋過程的輸出轉(zhuǎn)矩降低換擋沖擊實現(xiàn)平滑換擋。文獻［13］中將換擋沖擊度和換擋沖擊度的變化率作為性能指標，通過求解多項式獲取最佳的換擋控制策略。文獻［14］中提出了一種動態(tài)滑模自抗擾控制算法，該算法將系統(tǒng)所有的不確定性因素作為擾動項然后利用擴張觀測器觀測出來，以擾動補償?shù)男问较龜_動帶來的干擾。文獻［15］中研究了換擋執(zhí)行機構(gòu)的位置精確控制，建立了換擋執(zhí)行機構(gòu)的模糊控制方法，實現(xiàn)換擋執(zhí)行機構(gòu)的快速平穩(wěn)控制。文獻［16］中設計了滑模控制器對換擋過程的位置進行精確跟蹤控制。文獻［17］中提出了基于中值-卡爾曼混合濾波的換擋撥叉運動狀態(tài)的估計方法，對換擋撥叉的運動速度進行估計以此來提升換擋過程中換擋撥叉的控制精度。

盡管很多學者對換擋控制策略優(yōu)化做了大量研究工作，這些研究工作都是基于準確的模型開展的，但是有些模型參數(shù)是時變的，由于機械磨損存在，導致了換擋執(zhí)行機構(gòu)的結(jié)構(gòu)參數(shù)的變化，影響了控制模型的精度使得換擋控制策略的魯棒性變差。此外，由于換擋機構(gòu)的使用多數(shù)暴露在強電磁干擾環(huán)境下，使得觀測信號的采集存在一定的誤差，影響了換擋性能。因此，在聚焦換擋控制策略優(yōu)化的同時還需要關注控制模型的準確性，對可能時變的參數(shù)進行辨識。

近年來不少學者對模型參數(shù)的辨識做了不少研究工作。文獻［19］中設計了基于容積卡爾曼濾波的狀態(tài)觀測器，用來對車輛的質(zhì)量和道路坡度進行辨識。文獻［20］中采用變遺忘因子的最小二乘法進行坡度和質(zhì)量辨識。文獻［21］中設計了改進的最小二乘法，設置坡度和車輛負載的遺忘因子權(quán)重對坡度和車輛負載進行辨識。文獻［22］和文獻［23］中采用卡爾曼濾波算法對車輛的質(zhì)量和坡度進行辨識研究。文獻［24］中設計了基于雙卡爾曼的分層估計方法，對車輛的狀態(tài)和參數(shù)進行估計。文獻［25］中設計了基于HIF-EKF 算法和基于DHIF 算法的車輛參數(shù)聯(lián)合辨識方法。但是上述方法主要用于車輛的狀態(tài)估計和參數(shù)辨識，對換擋執(zhí)行機構(gòu)參數(shù)辨識的研究并不普遍，此外，在系統(tǒng)模型高度非線性化、系統(tǒng)噪聲特性未知的情況下，上述方法會存在一定的局限性。

為降低系統(tǒng)參數(shù)時變對換擋性能的影響，在考慮系統(tǒng)模型高度非線性、系統(tǒng)噪聲特性未知的情況下，本文中提出了一種基于非線性HIF（non-linear HIF，NHIF）算法的分層狀態(tài)估計和參數(shù)辨識的方法（dual non-linear HIF，DNHIF）。上層NHIF估計器對執(zhí)行機構(gòu)的狀態(tài)進行估計，并將結(jié)果轉(zhuǎn)移到下層NHIF估計器，下層NHIF估計器利用上層NHIF估計器處理完的狀態(tài)量作為量測量，利用系統(tǒng)模型作為量測方程對系統(tǒng)參數(shù)進行辨識，上下層估計器的協(xié)同運行實現(xiàn)了對換擋執(zhí)行機構(gòu)的狀態(tài)估計及結(jié)構(gòu)參數(shù)和電性能參數(shù)的在線辨識，在修正系統(tǒng)模型準確性的同時解決了系統(tǒng)模型參數(shù)時變導致的換擋控制策略魯棒性差的問題，改善了換擋性能。

1 研究對象描述

1.1 研究對象介紹及研究問題描述

本文中的研究對象是面向2022 年北京冬奧會開發(fā)的雙電機耦合高效電驅(qū)動系統(tǒng)，應用場景見圖1。系統(tǒng)由AM 電機（auxiliary motor）匹配2 擋行星排變速器后再與TM電機（traction motor）同軸耦合后組成，構(gòu)型簡圖見圖2。2 擋行星排變速器由換擋執(zhí)行機構(gòu)、雙錐環(huán)同步器、單行星排齒輪組成，基本結(jié)構(gòu)見圖3。

圖1 雙電機耦合高效電驅(qū)動系統(tǒng)應用場景

圖2 雙電機耦合高效電驅(qū)動系統(tǒng)構(gòu)型簡圖

圖3中“1”為換擋電機；“2”為換擋指（撥動換擋撥叉）；“3”為換擋螺母；“4”為換擋絲杠；“5”為結(jié)合套；“6”為外錐環(huán)；“7”為內(nèi)錐環(huán)；“8”為1 擋結(jié)合齒；“9”為2 擋結(jié)合齒；“10”為行星輪；“11”為行星架；“12”為太陽輪；“13”為齒圈。行星排變速器的基本工作原理是圖3 中的換擋電機1 與換擋絲杠4 一起做周向旋轉(zhuǎn)，推動換擋螺母3 沿軸向運動，帶動換擋指2 周向旋轉(zhuǎn)，換擋指2 推動換擋撥叉軸向運動，從而推動同步器結(jié)合套5 沿著軸向運動，實現(xiàn)摘擋、掛擋等動作。

圖3 兩擋行星排變速器組成圖

本文中研究的動力系統(tǒng)在原理樣機開發(fā)完成后進行了402 h的可靠性耐久動態(tài)換擋實驗，累計完成25 萬余次換擋，分析了實驗過程中的換擋位置數(shù)據(jù)，得到了如圖4所示的換擋位置變化趨勢。

從圖4 可以看出，隨著實驗的進行，換擋機構(gòu)產(chǎn)生了磨損使得各擋位的標定位置值發(fā)生了變化：1擋標定位置值變小，2 擋標定位置值變大，二者的差值有“外擴”的趨勢。實驗結(jié)束后，對變速器進行了拆解分析，拆解情況見圖5。圖中①為換擋指與同步器撥叉的接合部分，該部分沒有明顯的磨損；圖中②為換擋指的“U”形槽，該部分與圖中的③接合，從圖中可以看出，②部分磨損比較嚴重，這是導致?lián)跷粯硕ㄎ恢弥底兓闹饕?；圖中③部分為絲杠螺母兩側(cè)的圓柱部分，該部分與圖中的②接合，從圖中可以看出，該部分沒有明顯磨損。

圖4 換擋實驗臺架及換擋位置數(shù)據(jù)分析

圖5 換擋執(zhí)行機構(gòu)拆解圖

根據(jù)實驗數(shù)據(jù)和拆解結(jié)果分析，隨著時間的推移，換擋位置值發(fā)生了變化，這是因為磨損導致的結(jié)構(gòu)參數(shù)變化引起的結(jié)果，結(jié)構(gòu)參數(shù)的變化一方面會引入換擋位置的測量誤差影響換擋，另一方面會影響控制模型的精度，使得換擋控制策略的魯棒性變差，因此在變速器使用的過程中非常有必要對換擋執(zhí)行機構(gòu)的參數(shù)進行辨識，修正控制模型保持其精度。

1.2 換擋執(zhí)行機構(gòu)的數(shù)學模型

本文研究換擋執(zhí)行機構(gòu)的實物圖及對應的簡圖見圖6。

圖6 換擋執(zhí)行機構(gòu)實物及簡圖

換擋執(zhí)行機構(gòu)的電機為直流有刷電機，其數(shù)學模型為式中：，，分別為換擋電機電流、換擋電機轉(zhuǎn)速、換擋指轉(zhuǎn)過的角度，可以直接或間接測量；，，，分別為直流電機電阻、直流電機電感、換擋力臂1的有效長度、換擋力臂2 的有效長度；為直流電機輸入電壓；為直流電機電阻；為直流電機電感；為反電勢系數(shù)；為電磁轉(zhuǎn)矩系數(shù)；為直流電機轉(zhuǎn)子的轉(zhuǎn)動慣量；為絲杠的轉(zhuǎn)動慣量；為螺母的質(zhì)量；為絲杠的導程；為進給絲杠的正效率；為換擋指等效到回轉(zhuǎn)中心上的慣量；為同步器作用在換擋指上的負載力，這個力無法直接測量，后續(xù)模型簡化過程中將該變量列為系統(tǒng)噪聲。

如式（1）所示，換擋執(zhí)行機構(gòu)的數(shù)學模型具有高度非線性，無法直接進行參數(shù)辨識和狀態(tài)估計。同時，為兼顧算法的效率和實時性，需要對模型進行適當簡化。

換擋指轉(zhuǎn)過的角度α 與電機的轉(zhuǎn)速存在如下簡化關系：

將上式2階泰勒展開：

則換擋機構(gòu)的系統(tǒng)方程可以簡化為如下形式：

定義阻力矩：

通常情況下′與換擋機構(gòu)的所在的位置（換擋指的角度）、變速器輸入/輸出軸的轉(zhuǎn)速差Δ和輸出軸的轉(zhuǎn)速變化率˙相關，′可以寫成如下形式：

換擋執(zhí)行機構(gòu)的系統(tǒng)方程可進一步簡化為

式中：，均是只與相關的系數(shù)；是與和相關的參數(shù)。

2 基于DNHIF 算法的分層狀態(tài)估計及參數(shù)辨識方法

換擋執(zhí)行機構(gòu)的系統(tǒng)方程可用下面的非線性時間連續(xù)的狀態(tài)空間方程表述：

式中：為系統(tǒng)狀態(tài)向量；為系統(tǒng)參數(shù)向量；為系統(tǒng)控制輸入向量；為系統(tǒng)輸出向量；為系統(tǒng)噪聲向量；為系統(tǒng)測量噪聲向量；為系統(tǒng)測量矩陣，在換擋執(zhí)行機構(gòu)的狀態(tài)空間方程中，該矩陣為單位矩陣。

在變速器使用的全生命周期內(nèi)換擋執(zhí)行機構(gòu)主要存在2個部分的磨損，一個是換擋指的“U”型槽部分的結(jié)構(gòu)，該部分直接影響結(jié)構(gòu)參數(shù)，另一個是推動同步器移動的結(jié)構(gòu)，該部分直接影響結(jié)構(gòu)參數(shù)，根據(jù)試驗樣機的拆解結(jié)果可以看出，“U”型槽的磨損及形變最為嚴重；其與同步器接合部分磨損程度相對較輕。因此，進行結(jié)構(gòu)參數(shù)辨識時主要辨識的值。另外，本文研究的換擋電機為直流有刷電機，在進行執(zhí)行機構(gòu)參數(shù)辨識時假定電感不變，主要對電機電阻進行辨識。

在本文中進行如下定義：

式中：為需要估計的狀態(tài)量；為需要辨識的參數(shù)。(，，)的具體表達式為

在實際的使用過程中，需要對模型進行離散化處理，系統(tǒng)的狀態(tài)空間方程可以改寫為

由式（10）可知系統(tǒng)需要估計的狀態(tài)和待辨識的參數(shù)高度非線性耦合，在辨識系統(tǒng)參數(shù)時，為得到更加準確的結(jié)果，需要知道精確的系統(tǒng)狀態(tài)信息，雖然角度和電流可直接量測得到，角速度˙可以間接得到，但是這些量測到的狀態(tài)量往往含有干擾噪聲，需要進行濾波后才能使用，使用比較廣泛的估計算法是卡爾曼濾波算法（Kalman filter，KF），但是對于本文模型的高度非線性化以及噪聲特性的未知導致了卡爾曼濾波不再適用。文獻［26］中采用HIF 算法來解決這類問題。本文將基于NHIF 算法設計一種分層狀態(tài)估計和參數(shù)辨識的方法（DNHIF）來實現(xiàn)模型高度非線性、噪聲特性未知情況下的狀態(tài)估計（，，）和參數(shù)辨識（，）。具體的分層狀態(tài)估計和參數(shù)辨識方法原理見圖7。

圖7 DNHIF分層狀態(tài)估計和參數(shù)辨識方法原理圖

下文將分別對狀態(tài)估計層和參數(shù)辨識層的估計器進行設計。

2.1 基于NHIF算法的執(zhí)行機構(gòu)狀態(tài)估計器設計

基于NHIF 算法估計換擋執(zhí)行機構(gòu)的狀態(tài)^=[]，列出線性化后的相關狀態(tài)空間方程：

圖8 執(zhí)行機構(gòu)狀態(tài)估計算法流程圖

2.2 基于NHIF算法的執(zhí)行機構(gòu)參數(shù)辨識器設計

在進行系統(tǒng)參數(shù)辨識時，需要重新改寫系統(tǒng)方程，將待辨識的=[]參數(shù)作為系統(tǒng)的狀態(tài)量，并且假定為隨機游走，系統(tǒng)的待辨識參數(shù)具有如下特性：

由于系統(tǒng)的參數(shù)不可直接測量，這里將狀態(tài)估計器估計得到的執(zhí)行機構(gòu)的狀態(tài)定義為量測量，這樣處理的依據(jù)是使用系統(tǒng)的方程作為量測方程，系統(tǒng)的量測方程定義如下：

系統(tǒng)的線性化狀態(tài)空間方程可以改寫為如下形式：

圖9 執(zhí)行機構(gòu)參數(shù)辨識算法流程圖

2.3 基于DNHIF算法的分層狀態(tài)估計器及參數(shù)辨識器設計

及參數(shù)辨識方法的流程圖，采用這種方法對執(zhí)行機構(gòu)的狀態(tài)和參數(shù)進行聯(lián)合估計。上層狀態(tài)估計器對執(zhí)行機構(gòu)狀態(tài)進行估計，估計結(jié)果作為下層參數(shù)辨識器的量測量，下層參數(shù)辨識器使用系統(tǒng)方程作為量測方程，對執(zhí)行機構(gòu)的參數(shù)進行辨識，辨識結(jié)果為上層估計器提供模型參數(shù)。

3 實驗驗證

本文實驗驗證分為2 個部分，先通過實驗驗證本文提出的基于DNHIF 算法的狀態(tài)估計及參數(shù)辨識方法的準確性和有效性，然后對比通過參數(shù)辨識修正系統(tǒng)模型參數(shù)對換擋性能的影響。

3.1 基于DNHIF方法的狀態(tài)估計及參數(shù)辨識驗證

本文設計了一種基于自動標定的參數(shù)辨識流程，見圖11。在對因磨損導致的換擋位置標定值進行偏差修正的同時驗證本文提出的基于DNHIF 算法的分層狀態(tài)估計和參數(shù)辨識方法的有效性。量測數(shù)據(jù)來自變速器的自動標定過程。

圖11 基于自動標定的參數(shù)辨識流程

本節(jié)基于實驗臺架對提出的基于DNHIF 算法的分層狀態(tài)估計和參數(shù)辨識方法進行驗證，實驗臺架見圖12，機構(gòu)的基本參數(shù)見表1。根據(jù)實際情況，在實驗的過程中，將待辨識的參數(shù)的初始值設定在真實值的50%～150%的范圍內(nèi)，將高斯噪聲注入到量測量上。

表1 換擋執(zhí)行機構(gòu)基本參數(shù)

圖10 分層狀態(tài)估計器及參數(shù)辨識算法流程

圖12 實驗臺架

實驗結(jié)果如圖13 所示。從圖13（a）和圖13（b）可以看出，本文提出的DHIF算法能夠比較準確地估計直流電機轉(zhuǎn)速和換擋位移，幾乎不存在偏差。如圖13（c）在整個過程中直流電流基本也能比較準確地被估計出來，但是在250 和700 ms（圖中標注的地方）左右估計的電流值和參考值存在一定偏差，分析可能的原因是接近目標擋位時同步器與目標擋位齒輪發(fā)生了碰撞導致負載發(fā)生了突變，而在系統(tǒng)模型中負載被當作未知噪聲影響了模型精度，從而使得電流估計結(jié)果產(chǎn)生了小范圍偏差。

圖13 執(zhí)行機構(gòu)狀態(tài)估計結(jié)果

圖14（a）和圖14（b）展示了執(zhí)行機構(gòu)參數(shù)辨識的結(jié)果。圖14（a）中，在動態(tài)過程中（0～200、500～700 ms 時間段內(nèi)）換擋電機的電阻參數(shù)辨識結(jié)果存在一定的偏差，堵轉(zhuǎn)過程（200～500、700～900 ms 時間段內(nèi)）中的辨識比較準確。分析可能的原因是將負載當作噪聲對系統(tǒng)模型進行簡化影響了模型精度，導致動態(tài)過程中的辨識結(jié)果出現(xiàn)了偏差。由于直流電機的電壓和電流可以直接測量，在電機堵轉(zhuǎn)過程中，通過電路模型就可以準確地將直流電機的電阻辨識出來。圖14（b）展示了換擋力臂的辨識結(jié)果，從圖中可以看出DNHIF 估計器花了600 ms 左右使得換擋力臂收斂到參考值附近，穩(wěn)態(tài)誤差比較小，分析收斂時間比較慢一方面是模型精度的引起的，另一方面是DNHIF 估計器本身的特性導致的。但總體來講，從實驗結(jié)果可以看出本文提出的DNHIF算法在執(zhí)行機構(gòu)的狀態(tài)估計和參數(shù)辨識方面表現(xiàn)出了較高的準確性和可靠性。

圖14 執(zhí)行機構(gòu)參數(shù)辨識結(jié)果

為驗證本文提出的基于DNHIF 算法的換擋執(zhí)行機構(gòu)狀態(tài)估計和參數(shù)辨識方法的魯棒性及準確性，將其與基于DEKF（Dual-EKF）算法的聯(lián)合辨識方法進行了對比驗證。圖15（a）、圖15（c）、圖15（e）分別給出了換擋電機轉(zhuǎn)速、換擋位移、直流電機電流的對比估計結(jié)果，圖15（b）、圖15（d）、圖15（f）分別給出了各自的平均絕對誤差（MAE）統(tǒng)計。從實驗結(jié)果可以看出，在對直流電機轉(zhuǎn)速和換擋位移進行估計時2 種算法都表現(xiàn)出了相當?shù)臏蚀_性，但基于DEKF 算法的MAE 比基于DNHIF 算法大。但在對直流電機電流進行估計時，2 種算法表現(xiàn)出了很大的差異性，基于DNHIF 算法的準確性要明顯高于DEKF算法。

圖15 執(zhí)行機構(gòu)狀態(tài)估計對比結(jié)果

圖16（a）、圖16（c）展示了基于DNHIF 和基于DEKF 算法的執(zhí)行機構(gòu)參數(shù)辨識對比結(jié)果。如圖16（a）所示，在辨識換擋電機電阻方面，2種算法都表現(xiàn)出了一定的準確性，但是受限于EKF 算法對模型和噪聲的要求，基于DEKF 算法的估計結(jié)果的穩(wěn)態(tài)誤差要比基于DNHIF 算法的大。這種在穩(wěn)態(tài)誤差方面的差別在對換擋力臂的辨識上體現(xiàn)的尤為明顯，如圖16（c）所示，雖然收斂過程慢，但基于DNHIF 算法辨識的換擋力臂的穩(wěn)態(tài)誤差要明顯小于DEKF 算法。由于收斂速度及初值設定的問題導致了基于DNHIF 算法對換擋力臂辨識結(jié)果的MAE 要比基于DEKF 算法的大。DNHIF 算法和DEKF 算法對換擋執(zhí)行機構(gòu)狀態(tài)估計和參數(shù)辨識的誤差統(tǒng)計見表2。相比DEKF算法，DNHIF算法對電機轉(zhuǎn)速估計的平均絕對誤差降低了16.7%，換擋位移估計平均絕對誤差降低了14.3%，電機電流估計平均絕對誤差降低了56.2%，電機電阻估計平均絕對誤差降低了55.6%，但換擋力臂的平均絕對誤差增加了227%，需要說明的是，基于DNHIF 算法辨識換擋力臂的誤差大是因為初值設定問題和算法運算量的問題導致了收斂速度比較慢，但是最終的穩(wěn)態(tài)誤差要比DEKF 算法的誤差小。總體來講，實驗結(jié)果表明了基于DNHIF 算法的狀態(tài)估計及參數(shù)辨識方法的準確性和有效性.

圖16 執(zhí)行機構(gòu)參數(shù)辨識對比結(jié)果

表2 不同算法狀態(tài)估計和參數(shù)辨識MAE值

3.2 修正換擋執(zhí)行機構(gòu)參數(shù)對換擋性能的影響

本節(jié)通過實驗驗證了是否修正換擋執(zhí)行機構(gòu)參數(shù)對換擋性能的影響，由于換擋是在室溫條件下進行，實驗過程中主要進行修正結(jié)構(gòu)參數(shù)（換擋力臂）的對比實驗，實驗結(jié)果見圖17。在進行402 h 的動態(tài)換擋實驗后，換擋執(zhí)行機構(gòu)結(jié)構(gòu)參數(shù)發(fā)生了變化，在沒有修正該參數(shù)時進行了換擋實驗，實驗結(jié)果見圖17（a）。從圖17（a）可以看出，摘擋過程中的換擋位移跟蹤存在超調(diào)和振蕩，整體摘擋時間大約450 ms。掛擋過程的整體掛擋時間大約300 ms。圖17（a）中的控制指令也出現(xiàn)了抖動。采用本文提出的方法對換擋執(zhí)行機構(gòu)的結(jié)構(gòu)參數(shù)進行修正后進行了對比換擋實驗，從圖17（b）可以看出，在摘擋和掛擋過程中，換擋位移的跟蹤效果良好，摘擋過程持續(xù)了230 ms 左右，掛擋過程持續(xù)了200 ms 左右。實驗過程的具體數(shù)據(jù)對比見表3。

圖17 系統(tǒng)模型參數(shù)對換擋性能的影響

表3 修正模型參數(shù)和未修正模型參數(shù)換擋過程數(shù)據(jù)統(tǒng)計表

從對比實驗可以得出，修正換擋執(zhí)行機構(gòu)參數(shù)對換擋性能的提升至關重要，不進行參數(shù)修正會使得換擋過程中的目標位移跟蹤出現(xiàn)超調(diào)振蕩，不僅會使整體換擋時間增加，甚至會導致?lián)Q擋失敗的情況。

4 結(jié)論

通過臺架實驗發(fā)現(xiàn)了變速器換擋執(zhí)行機構(gòu)參數(shù)存在時變的問題，結(jié)構(gòu)參數(shù)的時變一方面增加了系統(tǒng)狀態(tài)的量測誤差，另一方面使得控制策略的魯棒性變差影響換擋性能。在考慮系統(tǒng)模型高度非線性、系統(tǒng)噪聲特性未知的情況下，提出了一種基于DNHIF 算法的分層狀態(tài)估計和參數(shù)辨識方法，對換擋執(zhí)行機構(gòu)進行狀態(tài)估計和參數(shù)辨識。狀態(tài)估計和參數(shù)辨識均采用NHIF 算法，根據(jù)NHIF 算法對噪聲未知性無強制約束的特點，將狀態(tài)估計和參數(shù)辨識過程中的負載列為擾動噪聲簡化了模型。

實驗結(jié)果表明，本文中提出的基于DNHIF 算法的狀態(tài)估計和參數(shù)辨識方法具有較高的穩(wěn)定性和準確性，狀態(tài)估計結(jié)果幾乎無偏差，辨識結(jié)果的穩(wěn)態(tài)誤差比較小。通過實驗對比，修正系統(tǒng)模型參數(shù)后換擋性能得到了明顯改善。

本文提出的方法在系統(tǒng)模型高度非線性化、系統(tǒng)噪聲特性未知的情況下仍能對系統(tǒng)模型參數(shù)進行辨識，對系統(tǒng)狀態(tài)進行準確估計，進一步改善了系統(tǒng)的控制性能，該方法也可以推廣到模型非線性、復雜程度較高，系統(tǒng)噪聲特性未知的系統(tǒng)上。