随着人民生活水平的提高和交通运输的快速增长,商用车作为国民经济发展的重要载体,其销量也逐年增高。由于自身质量大等特点,商用车容易在失稳时造成严重的人员伤亡和财产损失,这使得近年来商用车安全性控制问题备受关注。路面附着系数是车辆稳定性控制系统中的一项重要参数,能够直接客观的反映道路的材料和路面的实际状况。实时、准确地获取路面附着系数信息能够提高车辆行驶过程中的安全性,还能够有效避免交通事故的发生。因此面向商用车的路面附着系数估计研究具有重要意义。目前车辆路面附着系数辨识的方法主要包括直接测量法和间接估计法。其中,直接测量法主要依靠各类声、光、电等传感器,该方法简单有效,但考虑到传感器成本偏高以及耐用性等问题,在实际应用中难以在商用车上大规模普及。而间接估计法无需增加额外传感器,具有效果好、可操作性强等特点,引起了海内外学者的广泛关注。近年来基于滑移率曲线、状态观测器和车辆动力学等方法估计路面附着系数取得了一定成果,但是利用滑移率曲线的方法存在误差偏大、对路面适应性不强的问题,以及车辆动力学结合状态观测器存在强非线性状态估计不准确的问题。在路面附着系数估计过程中,估计的精度和收敛时间等问题都有待进一步提高。本文针对路面附着系数估计精度和适应性问题,根据车辆操纵状态的不同,分别使用基于多滑移率曲线和神经网络的方法对直行和转向工况下的路面附着系数进行了估计,论文的主要工作如下:(1)车辆动力学模型研究首先对车辆动力学和车轮受力进行分析,在Matlab/Simulink环境下建立了车辆非线性七自由度模型和基于“魔术公式”的轮胎模型,并组成整车闭环系统。在三种典型路面附着系数工况下,本文模型与车辆动力学软件CarSim中的车辆模型进行了仿真对比,验证了本文车辆模型和轮胎模型的可靠性。(2)基于多滑移率曲线的路面附着系数估计研究基于多滑移率曲线的估计方法适用于车辆直行工况,本文通过“魔术公式”轮胎模型在纯纵滑移下标定了10种路面的附着率—纵向滑移率的曲线数据,然后分别对当前车辆的纵向滑移率和路面附着率进行估计和求解,最后通过标定曲线的匹配得到当前路面附着系数的估计值。该方法在纵向滑移率的估计中运用卡尔曼滤波对传感器数据降噪,并结合车辆纵向力传感器计算出路面附着率的准确值,仿真结果表明车辆在加速、行驶和制动工况下均能够得到精确估计值,在不同附着系数路面具有良好的适应性。(3)基于神经网络的路面附着系数估计研究基于神经网络的估计方法适用于车辆转向工况,本文论证了车辆稳定性控制的5个重要参数与路面附着系数的非线性函数关系,提出通过遗传算法优化BP神经网络估计路面附着系数的方法。其中遗传算法解决了BP神经网络易陷入局部最小的问题,降低了输出误差。同时考虑到传统扩展卡尔曼滤波对商用车在满载转向时质心侧偏角估计不精确的情况,运用迭代扩展卡尔曼辅助粒子滤波的算法提高了估计精度并为神经网络提供数据基础。最后设置神经网络结构和遗传算法相关参数,通过设置多种仿真工况验证了车辆在转向工况下路面附着系数估计的准确性。