(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110441893.3 (22)申请日 2021.04.23 (65)同一申请的已公布的文献号 申请公布号 CN 113158569 A (43)申请公布日 2021.07.23 (73)专利权人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 李旭　韦坤　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 薛雨妍 (51)Int.Cl. G06F 30/27(2020.01) G06F 119/02(2020.01)审查员 沈晴 (54)发明名称 一种基于长短期记忆网络的罐车侧倾状态 高可靠估计方法 (57)摘要 本发明提出了一种基于长短期记忆网络的 罐车侧倾状态高可靠估计方法。 首先， 明确能够 表征罐车侧倾状态的多维参数； 然后， 利用卡尔 曼滤波提高侧倾状态表征参数的精度； 最后， 设 计LSTM网络实现罐车侧倾状态的高可靠估计。 该 方法融合多个车辆状态参数来估计罐车的侧倾 状态， 从而提高估计方法的容错性。 同时利用 LSTM网络的记忆功能， 综合考虑侧倾状态表征参 数的当前值和历史值， 进而提高估计方法的可靠 性。 权利要求书3页 说明书6页 附图2页 CN 113158569 B 2022.11.18 CN 113158569 B 1.一种基于 长短期记 忆网络的罐 车侧倾状态高可靠估计方法， 其特 征在于： 步骤一： 明确能够表征 罐车侧倾状态的多维参数 罐车侧倾状态 表征参数选为： 充液比、 侧倾角、 侧向加速度和横摆角速度； 步骤二： 利用卡尔曼 滤波提高侧倾状态 表征参数的精度 充液比λ保持不变， 事前静态测量获得； 侧倾角 α、 侧向加速度β和 横摆角速度 η 由固定在 质心处的惯性测量单 元实时输出； 将α 、 β 、 η作为观测量， 利用卡尔曼滤波算法获得精度更高的罐车侧倾角 侧向加速度 和横摆角速度 离散化后的卡尔曼 滤波的状态方程的矩阵形式表示 为： ut＝Aut‑1+qt‑1               (1) 式中， 表示状态向量， 上角标T表示矩阵转置； A表示状态转移矩阵， 表示过程噪声向量， 表示 的高斯白噪声， 其均值为 0， 方差为 表示 的高斯白噪声， 其均值为0， 方差为 表示 的高斯白噪声， 其均值 为0， 方差为 表示过程噪声向量q对应的协方差矩阵； 离散化后的卡尔曼 滤波的观测方程的矩阵形式表示 为： vt＝Hut+rt            (2) 式中， v＝[α  β η]T表示观测向量； H表示观测矩阵， r＝[rα rβ rη]T表示 与q互不相关测量噪声向量， rα表示α 的高斯白噪声， 其均值为0， 方差为 rβ表示β 的高斯白 噪声 ， 其均值为0 ， 方差为 rη表示η的高斯白噪声 ， 其均值为0 ， 方差为 表示测量噪声向量r对应的协方差矩阵； 递推过程包括时间更新和测量更新， 下面递推过程的前两步为时间更新， 剩余的三步 为测量更新； 时间更新： 测量更新： 权　利　要　求　书 1/3 页 2 CN 113158569 B 2步骤三： 设计LSTM网络实现罐 车侧倾状态的高可靠估计 LSTM网络的输入为能够表征罐车侧倾状态的多维参数， 表示为 网络 的输出为罐 车的侧倾状态h， 计算公式为： 式中， Fl表示罐车最后一轴左侧车轮的垂向力， Fr表示罐车最后一轴右侧车轮的垂向 力； 用于罐车侧倾状态估计的LSTM网络 工作流程表示为： 首先， 决定当前t时刻候选信息中有哪些信息需要记住， 计算公式为： it＝σ(Wi·[ht‑1,xt]+bi)             (9) 式中， t表示当前离散时刻， it表示t时刻输入门的状态， σ 表示sigmoid激活函数， Wi和bi 分别表示输入门的权重和偏置， ht‑1表示t‑1时刻网络的输出， xt表示t时刻网络的输入， 表示t时刻记忆细胞的候选信息， tanh表示tanh激活函数， WC和bC分别表示记忆细胞输入的 权重和偏置； 然后， 决定丢弃t ‑1时刻记忆细胞中的哪些信息并且更新t时刻记忆细胞中的信息， 计 算公式为： ft＝σ(Wf·[ht‑1,xt]+bf)            (11) 式中， ft表示t时刻遗忘门的状态， Wf和bf分别表示遗忘门的权重和偏置， Ct表示t时刻记 忆细胞中信息， Ct‑1表示t‑1时刻记忆细胞中信息， *表示两个矩阵对应元 素相乘； 最后， 决定t时刻输出哪些信息， 计算公式为： ot＝σ(Wo·[ht‑1,xt]+bo)            (13) ht＝ot*tanh(Ct)           (14) 式中， ot表示t时刻输 出门的状态， Wo和bo分别表示输 出门的权重和偏置， ht表示t时刻网 络的输出； 改进后的LSTM网络损失函数表达式为： 式中， N表示样本数据的数量， g(yi)表示高危侧倾状态放大因子， yi和f(xi)分别表示网权　利　要　求　书 2/3 页 3 CN 113158569 B 3