基于PMSM无传感器控制的路面附着系数与轮胎侧偏特性参数估计

doi:10.3901/JME.260278

机械工程学报 ›› 2026, Vol. 62 ›› Issue (8): 196-209.doi: 10.3901/JME.260278

• 特邀专辑：汽车线控底盘 • 上一篇下一篇

扫码分享

基于PMSM无传感器控制的路面附着系数与轮胎侧偏特性参数估计

李浩然¹, 周海超¹, 王国林¹, 张荣芸², 赵春来³

1. 江苏大学汽车与交通工程学院镇江 212013;
2. 安徽工程大学机械与汽车工程学院芜湖 241000;
3. 东风汽车集团有限公司研发总院武汉 430000

收稿日期:2025-06-03 修回日期:2025-12-10 出版日期:2026-04-20 发布日期:2026-06-12
作者简介:李浩然，男，1998年出生，博士研究生。主要研究方向为智能轮胎设计与开发，车辆动力学及其控制。E-mail： terteye@foxmail.com;周海超(通信作者)，男，1984年出生，博士，教授，博士研究生导师。主要研究方向为汽车轮胎结构设计与性能优化、智能轮胎设计与开发和车辆动力学及其控制。E-mail： hczhou@ujs.edu.cn
基金资助:
国家自然科学基金(52272366,52072156);中国博士后科学基金(2020M682269)资助项目。

Road Friction Coefficient and Tire Cornering Characteristics Parameters Estimation Based on PMSM Sensorless Control

LI Haoran¹, ZHOU Haichao¹, WANG Guolin¹, ZHANG Rongyun², ZHAO Chunlai³

1. School of Automobile and Traffic Engineering, Jiangsu University, Zhenjiang 212013;
2. School of Mechanical and Automotive Engineering, Anhui Polytechnic University, Wuhu 241000;
3. Dongfeng Motor Corporation Research & Development Institute, Wuhan 430000

Received:2025-06-03 Revised:2025-12-10 Online:2026-04-20 Published:2026-06-12

摘要/Abstract

摘要： 针对分布式驱动电动汽车(Distributed drive electric vehicle,DDEV)路面附着系数与轮胎侧偏特性参数估计精度不足的问题，结合多传感器融合与物理约束神经网络建模理论对路面附着系数与轮胎侧偏特性参数进行估计。首先，基于最大相关熵(Maximum correntropy,MC)准则与平方根正交容积卡尔曼滤波(Square-root cubature quadrature Kalman filter,SCQKF)推导得到MC-SCQKF算法，该算法通过优化量测误差协方差矩阵和正交容积点采样来提升非高斯噪声干扰下对永磁同步电机(Permanent magnet synchronous motor,PMSM)转速与转子位置的估计精度，同时增强系统的鲁棒性和状态估计的收敛性。然后，利用MC-SCQKF实时估计横摆角速度、质心侧偏角、纵向速度和路面附着系数，并将其作为特征来构建预测轮胎侧向力的物理信息神经网络(Tire physics-informed neural networks,TirePINN)模型。最后，根据车辆状态参数估计值计算的轮胎侧偏角和侧向力的预测值，对前后轮侧偏刚度进行拟合，形成面向轮胎侧偏特性的自验证闭环观测系统。硬件在环试验表明，拟合的前轮侧偏刚度的误差为1.49%，后轮侧偏刚度误差为1.37%。

关键词: 分布式驱动电动汽车, 平方根正交容积卡尔曼滤波, 物理信息神经网络, 路面附着系数, 轮胎侧偏特性参数

Abstract: Aiming at the insufficient estimation accuracy of road adhesion coefficient and tire cornering characteristics parameters for distributed drive electric vehicle(DDEV), the road adhesion coefficient and tire cornering characteristics parameters estimation are constructed by combining multi-sensor fusion and physical constraint neural network modeling theories. First, the maximum correntropy(MC) criterion is integrated with square-root cubature quadrature Kalman filter(SCQKF) to construct the MC-SCQKF algorithm, where the measured covariance matrix is optimized and quadrature cubature sampling is employed to achieve accurate estimation of PMSM speed and rotor position under non-Gaussian noise, simultaneously enhancing the robustness of the system and the convergence of state estimation. Second, enabling real-time estimation of yaw rate, sideslip angle, longitudinal speed, and road friction coefficient through MC-SCQKF, and they are utilized as features to develop the physics-informed neural network for tire lateral force prediction(TirePINN) model. Finally, the cornering stiffness of front and rear tires is fitted using predicted lateral forces and calculated slip angles by the estimated vehicle state parameters, forming a self-validating closed-loop observation system for tire cornering characteristics. Hardware-in-the-loop tests show fitted errors of 1.49%(front) and 1.37%(rear) for tire cornering stiffness.

Key words: distributed drive electric vehicle, square-root cubature quadrature Kalman filter, physics-informed neural network, road friction coefficient, tire cornering characteristic parameters

中图分类号:

U461

李浩然, 周海超, 王国林, 张荣芸, 赵春来. 基于PMSM无传感器控制的路面附着系数与轮胎侧偏特性参数估计[J]. 机械工程学报, 2026, 62(8): 196-209.

LI Haoran, ZHOU Haichao, WANG Guolin, ZHANG Rongyun, ZHAO Chunlai. Road Friction Coefficient and Tire Cornering Characteristics Parameters Estimation Based on PMSM Sensorless Control[J]. Journal of Mechanical Engineering, 2026, 62(8): 196-209.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.260278

http://www.cjmenet.com.cn/CN/Y2026/V62/I8/196

参考文献

[1] GUO H， ZHAO X， LIU J， et al. A fusion estimation of the peak tire-road friction coefficient based on road images and dynamic information[J]. Mechanical Systems and Signal Processing， 2023， 189： 110029.
[2] CHEN Chao， LIU Hao， HUANG Yanjun， et al. Vehicle tire-road interactions toward automated driving[J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems. 2019， 49(1)： 14-30.
[3] KIM C S， HAHN J O， HONG K S， et al. Estimation of tire-road friction based on onboard 6-DoF acceleration measurement[J]. IEEE Transactions on Vehicular Technology， 2015， 64(8)： 3368-3377.
[4] SUN X， HU W， CAI Y， et al. Identification of a piecewise affine model for the tire cornering characteristics based on experimental data[J]. Nonlinear Dynamics， 2020， 101： 857-874.
[5] 杨显通，郑玲，金彦林，等. 基于车载视觉和动力学模型的路面附着系数融合估计方法[J]. 机械工程学报， 2024， 60(24)： 254-264. YANG Xiantong， ZHENG Ling， JIN Yanlin， et al. Fusion estimation method of tire-road friction coefficient based on vehicle vision and dynamical model[J]. Journal of Mechanical Engineering， 2024， 60(24)： 254-264.
[6] 李韶华，王桂洋，杨泽坤，等. 基于DRBF-EKF算法的车辆质心侧偏角与路面附着系数动态联合估计[J]. 力学学报， 2022， 54(7)： 1853-1865. LI Shaohua， WANG Guiyang， YANG Zekun， et al. Dynamic joint estimation of vehicle sideslip angle and road adhesion coefficient based on DRBF-EKF algorithm[J]. Chinese Journal of Theoretical and Applied Mechanics， 2022， 54(7)： 1853-1865.
[7] YE J， ZHANG Z， JIN J， et al. Estimation of tire-road friction coefficient with adaptive tire stiffness based on RC-SCKF[J]. Nonlinear Dynamics， 2024， 112： 945-960.
[8] CHEN T， CAI Y， CHEN L， et al. Sideslip angle fusion estimation method of three-axis autonomous vehicle based on composite model and adaptive cubature Kalman filter[J]. IEEE Transactions on Transportation Electrification， 2024， 10(1)： 316-330.
[9] WANG Y， GENG L， XU Y， et al. Estimation of sideslip angle and tire cornering stiffness using fuzzy adaptive robust cubature Kalman filter[J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2022， 52(3)： 1451-1462.
[10] XU N， ASKARI H， HUANG T， et al. Tire force estimation in intelligent tires using machine learning[J]. IEEE Transactions on Intelligent Transportation Systems， 2022， 23(4)： 3565-3574.
[11] ZHOU C， YU L， LI Y， et al. Robust sideslip angle observer of commercial vehicles based on cornering stiffness estimation using neural network[J]. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2022,231(1)： 224-243.
[12] JEON W， CHAKRABARTY A， ZEMOUCHE A， et al. Simultaneous state estimation and tire model learning for autonomous vehicle Applications[J]. IEEE/ASME Transactions on Mechatronics， 2021， 26(4)： 1941-1950.
[13] BARBOSA B H G， XU N， ASKARI H， et al. Lateral force prediction using Gaussian process regression for intelligent tire systems[J]. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2022， 52(8)： 5332-5343.
[14] CHEN D， LI Y， GUO J， et al. Estimation of hypersonic vehicle weight using Physics-Informed neural network supported by knowledge based engineering[J]. Expert Systems with Applications， 2022， 195： 116609.
[15] LI Q， ZHANG B， HE H， et al. A hybrid physics-data driven approach for vehicle dynamics state estimation[J]. Mechanical Systems and Signal Processing， 2025， 225： 112249.
[16] 李琴，张博远，谢智航，等. 物理-数据混合驱动的车辆质心侧偏角估计[J]. 汽车工程， 2025， 47(4)： 714-723. LI Qin ， ZHANG Boyuan ， XIE Zhihang ， et al. Physics-data hybrid driven estimation of vehicle side slip angle[J]. Automotive Engineering， 2025， 47(4)： 714-723.
[17] 宋义彤，舒红宇，陈仙宝，等. 分布式电动汽车状态与参数无迹卡尔曼滤波估计[J]. 机械工程学报， 2020， 56(16)： 204-213. SONG Yitong， SHU Hongyu， CHEN Xianbao， et al. State and parameters estimation for distributed drive electric vehicle based on unscented Kalman filter[J]. Journal of Mechanical Engineering， 2020， 56(16)： 204-213.
[18] ZHUANG Y ， SONG Z S ， GAO X L ， et al. A combined-slip physical tire model based on the vector Distribution considering tire anisotropic stiffness[J]. Nonlinear Dynamics， 2022， 108(4)： 2961-2976.
[19] GIL J， YOU S， LEE Y， et al. Nonlinear sliding mode controller using disturbance observer for permanent magnet synchronous motors under disturbance[J]. Expert Systems With Applications， 2023， 314： 119085.
[20] YU Y， SHAO Y， CHAI F， et al. Static-errorless position estimation for sensorless PMSM drives with enhanced robustness against the full-frequency domain disturbance[J]. IEEE Transactions on Power Electronics， 2022， 37(5)： 5884-5897.
[21] ZHAO Y. Performance evaluation of cubature Kalman filter in a GPS/IMU tightly-coupled navigation system[J]. Signal Processing， 2016， 119： 67-79.
[22] GAO G， ZHONG Y， GAO Z， et al. Maximum correntropy based spectral redshift estimation for spectral redshift navigation[J]. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 1-10.
[23] WANG G， LI N， ZHANG Y. Distributed maximum correntropy linear and nonlinear filters for systems with non-Gaussian noises[J]. Signal Processing， 2021， 182： 107937.
[24] BRAGHIN F， CHELI F， SABBIONI E. Environmental effects on Pacejka’s scaling factors[J]. Vehicle System Dynamics， 2006， 44(7)： 547-568.
[25] 卢荡，卢磊，吴海东，等. 磨损对轮胎侧偏刚度和回正刚度影响的研究[J]. 机械工程学报， 2020， 56(12)： 174-183. LU Dang， LU Lei， WU Haidong， et al. Study on influence of wear on tire cornering stiffness and aligning stiffness[J]. Journal of Mechanical Engineering， 2020， 56(12)： 174-183.
[26] 梅烨，梁晨，周海超，等. 基于胎面接地变形特性的轮胎噪声和抓地性能研究[J]. 机械工程学报， 2021， 57(18)： 214-221. ME Ye， LIANG Chen， ZHOU Haichao， et al. Study on tire noise and grip performance based on tread ground deformation characteristics[J]. Journal of Mechanical Engineering， 2021， 57(18)： 214-221.
[27] BUZAEV F， GAO J， CHUPROV I， et al. Hybrid acceleration techniques for the physics-informed neural networks： A comparative analysis[J]. Machine Learning， 2024， 113： 3675-3692.
[28] GU W， PRIMATESTA S， RIZZO A. Physics-informed neural network for quadrotor dynamical modeling[J]. Robotics and Autonomous Systems， 2024， 171： 104569.
[29] YI L， WU Y， TOLBA A， et al. SA-MLP-mixer： A compact all-MLP deep neural net architecture for UAV navigation in indoor environments[J]. IEEE Internet of Things Journal， 2024， 11(12)： 21359-21371.
[30] 于海，邓钧君，王震坡，等. 基于卷积神经网络的逆变器故障诊断方[J]. 汽车工程， 2022， 44(1)： 142-151. YU Hai， DENG Junjun， WANG Zhenpo， et al. Inverter fault diagnosis method based on convolutional neural network[J]. Automotive Engineering ， 2022， 44(1)： 142-151.
[31] ZHENG Z ， ZHANG Z. A temporal convolutional recurrent autoencoder based framework for compressing time series data[J]. Applied Soft Computing， 2023， 147： 110797.

基于PMSM无传感器控制的路面附着系数与轮胎侧偏特性参数估计

Road Friction Coefficient and Tire Cornering Characteristics Parameters Estimation Based on PMSM Sensorless Control

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	熊璐, 韩寅锋, 冷搏, 刘铭, 朴文海, 韩伟. 考虑系统不确定性的分布式驱动电动汽车纵向动力学研究[J]. 机械工程学报, 2026, 62(8): 246-258.
[2]	王法安, 杨全合, 殷国栋, 梁晋豪, 张兆国. 考虑时变状态参数的车辆纵-垂向运动矢量控制[J]. 机械工程学报, 2025, 61(4): 239-248.
[3]	白鑫, 沈童, 王凡勋, 殷国栋, 王金湘, 方睿祺, 李新修, 梁晋豪. 基于驾驶人操纵稳定域的分布式驱动电动汽车多模态扭矩分配策略研究[J]. 机械工程学报, 2025, 61(14): 166-183.
[4]	胡伟飞, 廖家乐, 郭云飞, 鄢继铨, 李光, 岳海峰, 谭建荣. 基于物理信息神经网络的时变可靠性分析方法[J]. 机械工程学报, 2024, 60(13): 141-153.
[5]	张雷, 王祺, 王震坡, 丁晓林, 孙逢春. 基于线控制动的分布式驱动电动汽车制动俯仰角舒适控制研究[J]. 机械工程学报, 2024, 60(10): 463-475.
[6]	林棻, 蔡亦璋, 赵又群, 臧利国, 王少博. 匹配机械弹性车轮的分布式驱动电动汽车稳定性控制[J]. 机械工程学报, 2022, 58(8): 236-243.
[7]	林棻, 王少博, 赵又群, 蔡亦璋. 基于改进Keras模型的路面附着系数估计[J]. 机械工程学报, 2021, 57(12): 74-86.
[8]	熊璐, 金达, 冷搏, 余卓平, 杨兴. 考虑复杂激励条件的分布式驱动电动汽车路面附着系数自适应估计方法[J]. 机械工程学报, 2020, 56(18): 123-133.
[9]	汪, 殷国栋, 耿可可, 董昊轩, 卢彦博, 张凤娇. 基于NACKF的分布式驱动电动汽车轮胎侧向力与质心侧偏角估计[J]. 机械工程学报, 2019, 55(22): 103-112.
[10]	平先尧, 李亮, 程硕, 王恒阳. 四轮独立驱动汽车多工况路面附着系数识别研究[J]. 机械工程学报, 2019, 55(22): 80-92.
[11]	田萌健, 李伟锋, 孟德乐, 庞博, 庄晔, 高炳钊, 陈虹. 面向机动性与操纵稳定性的轮边集成底盘系统设计[J]. 机械工程学报, 2019, 55(22): 11-20.
[12]	谢有浩, 赵林峰, 陈无畏, 刘彦琳. 低附着路面条件的线控转向系统路感模拟与回正控制研究[J]. 机械工程学报, 2019, 55(16): 148-158.
[13]	林程, 徐志峰, 王文伟, 曹万科. 基于直接滑动率分配的横摆稳定性控制策略研究[J]. 机械工程学报, 2015, 51(16): 41-49.
[14]	李亮;朱宏军;陈杰;宋健;冉旭. 用于汽车稳定性控制的路面附着识别算法[J]. , 2014, 50(2): 132-138.
[15]	余卓平;冯源. 分布式驱动电动汽车动力学控制发展现状综述[J]. , 2013, 49(8): 105-114.