汽车液晶仪表油量指示模块信号滤波算法优化研究

张 威

(武汉交通职业学院 湖北 武汉：430065)

随着汽车电子技术的不断发展，汽车组合仪表已由简单部件发展成为复杂且精度要求越来越高的部件[1]。在实践中，主机厂及4S店经常接到客户有关仪表油量指示异常问题的投诉与抱怨[2]，因此，设计出更优的油量信号处理方法、硬件电路及软件指示策略对于一款汽车仪表产品来说尤为重要。

目前，油量指示系统主要存在油量信号处理方法窗口参数选择随意性较大，滤波效果不理想且实时性不高；油量指示策略大多采用通用算法，对油量指示的准确性、稳定性影响较大且无法适应复杂车况等问题。国内外学者对液晶仪表油量指示模块的研究主要集中在油量数据滤波处理方法、油量指示控制策略、组合仪表系统搭建等方面，而对油量信号滤波算法优化、系统硬件模块、软件指示模块及验证方案的研究较少。

由于汽车油量指示系统复杂，油量指示的准确性和稳定性受不同车况及行驶路况的影响。要保证油量准确、平稳地指示，必须从油量信号滤波算法、系统硬件模块、软件指示策略等方面进行研究，本文仅对油量信号滤波算法展开重点研究。

1 油量指示系统信号滤波处理

车辆行驶工况复杂，当遇到急加速、急减速、急转弯及颠簸等情况时，油液面高度会发生急剧变化，从而导致浮子式油量传感器采集到的数据中包含大量的噪声信号，因此在使用该采集信号之前，必须通过滤波算法对其中的干扰信号进行滤波处理，否则将严重影响到油量指示的准确性和稳定性[3]。信号滤波是提高数据准确性和稳定性的关键[4]，也是信号处理中最重要的方法之一。滤波算法是现代数字信号分析处理的重要内容，在信号分析处理、图像处理、自动控制等领域均得到广泛应用[5]，通过滤波算法来实现信号处理具有稳定性高、成本低等优点。

1.1 油量指示系统工作原理

油量表工作原理如图1所示，整车油量信号通过安装在油泵上的浮子式油量传感器采集，油量传感器通过线束直接连接到油量表采样输入端口，通过向油量传感器提供上拉电压，将采集到的油量电阻信号转换成电压信号，便于油量表采样电路对该电压信号进行采样。由于汽车仪表只能识别数字信号，因此首先需要将采样后的模拟信号输入到主芯片A/D转化成数字信号，然后通过微处理器对该信号进行相应地滤波及软件策略处理，最后输出PWM脉冲以实现步进电机准确及平稳地指示。

图1 油量表工作原理图

1.2 油量信号噪声源分析

汽车运行时产生的振动传递到油箱，会导致油箱内液面高度出现一定幅度的波动，从而使得传感器采集到的数据与真实值之间存在一定误差，油箱液面振动简图如图2所示。

图2 油箱液面振动简图

由于车辆行驶路况的复杂性以及油箱形状的差异性，要想准确分析出行驶路况对油箱的干扰特性需建立复杂路面干扰模型，本文仅作简要分析。其中路面干扰包括受路面质量影响的时域和频域上的确定性干扰，以及受路面障碍物、坑洼、多弯道因素影响的随机性干扰。另外，驾驶员的不良驾驶习惯(如急加速、急减速等)也会对油量信号采集造成较大干扰。此时，油箱液面将出现如图3所示较大角度的倾斜，油量信号将呈现一个相对较大的波峰或波谷，从而使传感器采样信号存在较大误差，显然这种情况是不能满足实际采样要求的。

图3 汽车在急减速情况下油液面高度变化

为了更准确地反映油箱液面的真实情况，通常需要对采样信号进行滤波处理。

1.3 常用的滤波方法

常见的滤波方法有限幅滤波法、递推平均滤波法、中值滤波法、均值滤波法、递推中值滤波法、卡尔曼滤波法[6]等。各种滤波算法的优缺点如表1所示。

由表1可知，各种滤波算法虽具有各自的优点，但也存在明显的不足，无法满足油量指示系统对油量数据的准确性、平稳性和实时性较高的要求，不宜单独作为油量指示系统数据处理的方法。本文将分别对限幅递推平均滤波、限幅递推中值滤波及有色噪声条件下的限幅卡尔曼滤波三种滤波算法进行仿真，以确定最适合油量指示系统数据处理的方法。

表1 各种滤波方法的优缺点比较

2 汽车油量信号滤波处理与分析

通过如图4所示的滑动变阻器来模拟油量传感器采集的油量电阻信号，同时通过如图5所示的BUSMASTER软件及如图6所示的KVASER Leaf工具来发送车速、发动机转速报文，实现对复杂车况的模拟。

群山历历，莲花一般迎向朝阳。悬崖绝壁环围之下，叠石铸峰一般立起由抱日、摘月、登云三台组成的云锦台。台外林木四合，藤蔓蒙络，离离青草爬满岩间阶下，草木峰峦间，山花如火，清露如珠，清雾如乳，缥缈如丝，与冰天雪地的黄梁驿比较，万花谷仿佛停留在阳春三月。

图4 油量表指示策略模拟过程图

图5 BUSMASTER软件界面

图6 KVASER Leaf工具

在通过KVASER Leaf工具记录车辆行驶时的油量数据时，考虑数据滤波处理的需要，从大量数据中选取270个数据进行分析处理，数据发送间隔为200ms，实车采集油量数据如图7所示。

图7 实车采样原始油量数据

由图7可知，原始油量数据中存在较多对油量指示产生较大影响的尖峰脉冲干扰信号。为此，本文采用限幅滤波法对原始数据进行滤波处理。其中设定限幅滤波阀值为12%油箱体积，通过MATLAB仿真所得结果如图8所示。实验结果表明，限幅滤波能有效滤除尖峰脉冲干扰信号。

图8 限幅滤波法处理后的数据

2.1 限幅递推平均滤波法信号处理

由上文可知，限幅滤波能有效克服因偶然因素引起的尖峰脉冲干扰，但对周期性干扰信号的抑制作用较差。而递推平均滤波对周期性干扰信号的抑制作用较好，因此本文选择将限幅滤波与递推平均滤波相结合。但鉴于递推平均滤波的参数选取具有较大的随意性，对滤波效果影响较大，针对此问题本文结合滤波参数寻优算法以确定最优的滤波参数。

通过MATLAB运行如图9所示递推平均参数寻优算法程序可知，当滤波参数N为69时，所定义的滤波效果评价总指标E的最小值为0.2072，采用该滤波参数可以兼顾滤波后数据的准确性和平滑性。其中，递推平均滤波法窗口参数指标E、Ex、Ey窗口大小与滤波参数N的关系如图10所示。

图9 递推平均滤波参数寻优算法

图10 递推平均滤波法E、Ex、Ey与滤波参数N的关系

由图11可知，限幅滤波和递推平均滤波相结合的滤波法对油量信号的滤波处理效果明显，有效滤除了油量信号中的尖峰脉冲干扰信号和周期性干扰信号，且采用最优滤波参数的限幅递推平均滤波法的滤波曲线与经过6次多项式拟合出的油量数据曲线吻合度较好，在一定程度上保证了油量数据的准确性和平滑性。但是该滤波算法在初次滤波存在接近14s的延时，因此不能作为对实时性要求较高的燃油指示系统的最优滤波方案。

图11 最优滤波参数条件下限幅递推平均滤波效果

2.2 限幅递推中值滤波法信号处理

通过运行限幅递推中值滤波寻优算法程序可知，限幅递推中值滤波算法的最优滤波参数为64，此时滤波后的数据总指标为0.3628，窗口参数指标E、Ex、Ey大小与N的关系及运算结果如图12所示。同时，将该最优递推中值滤波参数代入限幅递推中值滤波算法中，通过MATLAB运行程序后所得结果如图12所示。

图12 递推中值滤波法E、Ex、Ey滤波参数N的关系

由图13可知，在最优滤波参数条件下，采用限幅递推中值滤波对干扰信号的抑制作用较好，但滤波效果不及限幅递推平均滤波。同时，该滤波法与限幅递推平均滤波法一样，初始滤波存在13秒的延时，因此不能作为对实时性要求较高的油量指示系统的最优滤波方案。

图13 最优滤波参数条件下的限幅递推中值滤波效果

2.3 限幅卡尔曼滤波法信号处理

首先通过限幅滤波法滤除原始采样数据中的偶然性脉冲干扰信号，然后再通过卡尔曼滤波法对限幅滤波后的数据进行滤波处理。由于卡尔曼滤波法的前提是信号噪声必须为白噪声，而实际采集到的观测信号中存在大量有色噪声信号，若直接处理对滤波后的数据精度有很大影响，甚至可能造成滤波后的数据失真[7]。因此，本文通过相邻时间组差法对观测噪声中的有色噪声进行白化处理。同时，在建立油量卡尔曼滤波模型时，最少要输入油量水平及油量消耗水平两个信号[8]。具体处理步骤如下文所示：

若系统数学模型如下：

X(k)=A*X(k-1)+B*ω(k-1)-

L*μ(k-1)

(1)

Z(k)=H*X(k)+V(k)

(2)

V(k)=σ*V(k-1)+ζ(k-1)+H*L*μ(k-1)

(3)

式中(1)为系统状态方程，(2)为系统量测方程，其中ω(k)、ζ(k)为互不相关的零均值白噪声，μ(k)为车速，L为油量消耗与车速之间的常数。则有：

Z(k+1)=H*X(k+1)+V(k+1)

(4)

将(1)(2)(3)代入(4)中，可得

Z(k+1)=H*(A-σ)*X(k)+

H*B*ω(k)+ζ(k)+σ*Z(k)

(5)

若：

Z*(k)=Z(k+1)-σ*Z(k)

(6)

C*=H*(A-σ)

(7)

V(k)=H*B*ω(k)+ζ(k)

(8)

分别将(6)(7)(8)代入(5)中，可变换为如下(9)所示的标准量测方程形式

Z*(k)=C**X(k)+V*(k)

(9)

油量信号中k时刻的值与k-1时刻的值为线性关系，在式(1)中，当状态转移系数A为1，过程噪声系数B为1，W(k)为均值为零的高斯白噪声信号，油耗与车速系数值为0.56×105，u(k)为稳定车速值60km/h。如上式(8)为该系统的量测方程，其中V*为经处理后的高斯白噪声信号。由此可得新的伪量测方程：

Z*(k)=0.8X(k)+V*(k)

(10)

通过对原始采样数据分析可得出系统的过程噪声与量测噪声的方差值分别为0.01和1，P(1|0)为初始误差，该值为0.24，X(1|0)初始值为35.8。将以上所得数值代入计算并利用MATLAB对限幅卡尔曼滤波算法进行仿真，仿真结果如图14所示。

图14 油量信号限幅卡尔曼滤波效果图

由图14可知，限幅卡尔曼滤波法能有效克服尖峰脉冲干扰信号，同时对非平稳信号中的抖动噪声也有较好的抑制作用。由于原始油量观测数据中存在大量有色噪声，本文通过采用相邻时间组差法对原始量测方程进行线性组合变换，从而将时间有关的有色噪声转化为满足传统卡尔曼滤波法的高斯白噪声信号。

结果表明：采用该方法滤波后的数据准确性和平滑性均较高，且数据的整体变化趋势明显，最为重要的是该滤波算法在处理数据过程中不存在延时问题，相比于限幅递推平均滤波与限幅递推中值滤波算法更优，因此本文所提出的限幅卡尔曼滤波算法更适合运用于对数据处理实时性要求较高的燃油指示系统。

3 小结

本文针对汽车液晶仪表油量指示系统，从油量信号处理部分进行重点研究，分别采用限幅递推平均滤波法、限幅递推中值滤波法及有色噪声条件下的限幅卡尔曼滤波法三种算法进行MATLAB仿真，以确定最适合油量指示系统数据处理的方法。

经过研究得出如下结论：针对油量传感器噪声特性及实时性要求，限幅卡尔曼滤波能有效抑制油量信号中的尖峰脉冲信号及非平稳信号中的抖动噪声信号，滤波后数据的准确性、平稳性相比原始采样数据大幅提升，且该滤波算法不存在任何的延时，实时性更高，对提高油量指示的准确性和稳定性具有重要意义。