四轮轮毂电机驱动车辆驱动电机故障状态估计UKF（Matlab/Simulink源码及建模说明）

四轮轮毂电机驱动车辆，驱动电机故障状态估计（UKF） 软件使用：Matlab/Simulink 适用场景：采用无迹卡尔曼滤波UKF进行轮毂电机状态估计，失效电机估计状态为0，正常电机状态为1。 产品simulink源码包含如下模块： →工况：方向盘正弦输入 →整车模块：7自由度整车模型 →估计模块：无迹卡尔曼滤波 包含：simulink源码文件，详细建模说明文档，对应参考资料。 适用于需要或想学习整车动力学simulink建模，以及simulink状态估计算法建模的朋友。 模型运行完全OK（仅适用于MATLAB17版本及以上）

四轮轮毂电机驱动车上，某个电机突然罢工怎么办？这事儿可不只是换个电机那么简单——你得先知道到底是哪个轮子撂挑子了。今天咱们用Simulink搓个能实时诊断的UKF模型，让车自己判断哪个电机在装死。

先看整车模型怎么搭的。7自由度可不是随便凑数，纵向/侧向/横摆三个车身运动，外加四个轮子的旋转自由度。这里有个骚操作：把方向盘转角做成正弦输入，人为制造车辆打滑场景。就像这样在Simulink里设置方向盘模块：

Steer_Angle = 15*sin(2*pi*0.5*t); % 0.5Hz正弦转向

故意让车辆处于非线性工况，这时候才能考验状态估计器的能耐。要是直行状态下做检测，那和玩具车没区别。

核心的UKF模块用到了12个状态量，除了车速、横摆角这些常规项，最关键的是四个电机的健康状态参数（0或1）。观测方程里藏着门道——把轮速传感器数据和电机扭矩指令做交叉比对。比如当左前轮实际转速远低于预期时，如果UKF估计的对应电机状态量开始往0逼近，那基本可以确诊这个电机掉线了。

来看段关键的UKF预测步代码：

% 生成Sigma点 [sigmaPoints, wm, wc] = unscentedTransform(x_est, P_est, alpha, beta, kappa); % 状态方程传播 for i = 1:2*n+1 sigmaPoints_pred(:,i) = VehicleModel(sigmaPoints(:,i), u); end x_pred = sigmaPoints_pred * wm'; % 加权均值

这里VehicleModel可不是简单的线性模型，里面包含了轮胎魔术公式的非线性计算。有意思的是，当某个电机故障时，系统会自动在预测步降低该轮扭矩对整车运动的贡献权重，相当于让滤波器学会"忽略"坏掉的电机。

调试时发现个坑：过程噪声矩阵Q的设置必须考虑不同状态量的物理量级。比如横摆角速度的噪声方差设0.1，而电机状态量的方差要压到0.01以下，否则会出现健康状态在0和1之间反复横跳的鬼畜现象。

验证效果时故意让右后电机在15秒时故障，UKF的估计结果比医生诊断还利索。看这个状态变量曲线，其他三个电机参数稳稳贴在1附近，故障电机的估计值在2秒内直接跳水到0.2以下，跟心电图骤停似的。

模型里还藏了个工程经验：当三个以上电机同时故障时，系统会自动切换为降级模式。这可不是状态估计的范畴了，得在顶层控制器加应急策略。不过说真的，四个电机同时挂的概率，可能比买彩票中头奖还低吧？