一种电动轮汽车电液复合车身稳定控制系统及方法与流程

本发明涉及分布式驱动电动汽车底盘控制领域，尤其涉及一种安装有液压制动系统的电动轮汽车车身稳定性控制系统及方法。

背景技术：

随着空气污染的日益加重以及国家政策的支持，电动汽车逐渐成为各企业、研究所及高校的研究热点。电动轮电动汽车最大的特点是其动力传动系统布置方式，四个轮毂电机作为动力源直接驱动相应的车轮，从而舍弃了复杂的传统传动系统，并且在实现控制时由于每个车轮单独可控，使得电动轮汽车成为了一种新兴的交通工具。但是针对其车身稳定系统的研究较少并且效果一般。车身稳定控制系统的关键是求解保持稳定所需的附加横摆力矩，目前主要求解附加横摆力矩的控制算法有滑模变结构控制、模糊pid控制与模糊滑模控制。其中模糊pid应用广泛，在各个领域都有应用。但其最大的一个缺点是pid参数的调整是基于主观经验完成，需要大量实验，并且在不同条件下所得到的效果偏差较大。在文献(兰凤崇，何幸福.四驱电动车电液复合操纵稳定性研究[j].华南理工大学学报(自然科学版)，2015.8：62-68)中使用了滑模控制来计算出所需的附加横摆力矩，并采取了电液复合执行机构。但采用这种方法得出的横摆力矩在分配至下层执行机构时会出现频繁抖振，对电机与液压制动系统会造成相当大的损伤。为了消除这种抖振，专利(郭景华，王进.一种分布式电动汽车横向稳定性自适应控制系统及方法.cn107253453a)采取了模糊滑模控制来计算得到所需附加横摆力矩，在保证控制效果的前提下有效的减小了抖振现象的发生。但是其模糊对象仅考虑了符号函数的系数，并未涉及到横摆角速度与质心侧偏角两者的耦合关系，并且模糊控制过于依赖主观经验与大量试验。而且该方法只采取了电机作为单一执行机构，由于电机最大输出转矩有限，在某些极限工况下并不能提供足够大的附加横摆力矩保证车身迅速恢复稳定，此时车辆将不可避免地出现侧滑，甩尾甚至侧翻等危险状况。专利(孙泽昌，刘杨.基于液压控制单元和一体式制动主缸的电液复合制动系统.cn103231704a)设计了一套电液复合制动装置，但只涉及硬件并未涉及具体控制方法。

技术实现要素：

本发明为了解决以上问题，得到更加精准贴切的附加横摆力矩并且消除一些不利因素(如抖振现象)，使电动轮汽车在极限工况下更迅速的保持车身稳定，提出了一种电动轮汽车电液复合车身稳定控制系统。

为达到上述效果，本发明具体技术方案如下：

一种电液复合车身稳定系统控制系统，整车系统结构包括轮毂电机、电池组、整车控制器、液压控制单元、电机控制单元、轮速传感器、压力传感器、saw轮胎传感器、方向盘转角传感器、侧向加速度传感器和横摆角速度传感器。

轮速传感器、压力传感器、方向盘转角传感器、saw轮胎传感器、侧向加速度传感器和横摆角速度传感器通过信号线与整车控制器相连，并由整车控制器进行处理，处理后得到车速信息、相应车轮轮缸压力、方向盘转角、滑移率、侧向加速度、横摆角速度等相关信息；

整车控制器根据采集的信息，采取分层控制算法，基于神经网络和遗传优化算法的自适应滑模控制作为上层控制器来计算出保持稳定性所需的附加横摆力矩，下层控制器采取基于最小轮胎利用率的最优分配算法来分配至四个车轮的两套执行机构，最终由两套执行机构对车轮执行相应的动作从而改善电动轮汽车车身稳定性。

上述方案中，两套执行机构分别为：利用电机控制单元控制轮毂电机，本发明只涉及电机正转转速，不存在反转指令；利用液压控制单元控制各轮制动轮缸压力，在液压控制单元得到整车控制器指令后，通过对各油路液压阀的控制调节各轮制动轮缸压力，直到压力值达到整车控制器指示的期望值。

基于上述控制系统，本发明提出了一种控制方法，该控制方法存储于整车控制器，并且采取了分层控制结构，基于神经网络和遗传优化算法的自适应滑模控制作为上层控制器来计算出保持稳定性所需的附加横摆力矩，下层控制器采取基于最小轮胎利用率的最优分配算法来分配至四个车轮的两套执行机构，最终由两套执行机构对车轮执行相应的动作从而改善电动轮汽车车身稳定性。

上述方案中，电机控制单元控制对象为轮毂电机，本控制方法只涉及电机正转转速，不存在反转指令；液压控制单元控制对象为各轮制动轮缸压力，在液压控制单元得到整车控制器指令后，通过对各油路液压阀的控制调节各轮制动轮缸压力，直到压力值达到整车控制器指示的期望值。

上述方案中，上层控制方法的主体采用滑模控制，并采用神经网络控制算法对符号函数的系数进行优化，同时采用遗传优化算法对横摆角速度与质心侧偏角权重进行调整，最终计算出保持稳定性所需的附加横摆力矩δm。计算时考虑了两种最能表征车身状态的参数：横摆角速度与质心侧偏角。将这两个参数期望值与实际值的偏差作为输入，经过优化后的滑模控制算法求解，输出为附加横摆力矩。在整个求解δm的过程中，可分为以下几个步骤：

(1)其中横摆角速度与质心侧偏角的期望值ωd，βd可以根据理想二自由度汽车模型得出。

(2)在得到期望值之后，横摆角速度实际值可由传感器直接得到，质心侧偏角的实际值采用扩展卡尔曼滤波法得到。由此得到了四个参数ω，ωd，β，βd，根据期望值与实际值的偏差建立滑模函数：s＝η(ω-ωd)+(1-η)(β-βd)(η>0)，并对其两边求导得到表达式：

这样滑模面便设计完毕。

(3)滑模控制由监督控制ur与等效控制ueq组成，即u＝ur+ueq.

根据整车运动方程：

令并将已知参数代入并简化后可得到ueq，为了使系统趋向于滑模面并抵消干扰误差，令ur＝-asgn(s)。

(4)符号函数asgn(s)的存在导致了抖振的产生，因此合理的控制切换函数系数a成为了关键。本发明引入了rbf神经网络算法进行逼近，对a值进行在线实时调整。控制思想为：当系统偏离滑模面较大且有继续远离的趋势时增大系数a的值，反之若系统已沿滑模面作切换运动时则减小系数a的值，从而降低抖振频率。

(5)针对本发明的控制方法中有两个控制变量(质心侧偏角与横摆角速度)，采取遗传优化算法来调整这两者的权重系数。调节方法为：当车辆在低附着路面行驶时，适当降低η的值，增大质心侧偏角的权重系数；反之在高附着路面行驶时，适当增加η的值，增加对横摆角速度的权重系数。

上述方案中，横摆力矩的实现最终是通过对不同车轮施加不同的力完成的。下层控制方法采取基于最小轮胎利用率的最优分配算法。建立基于四轮最小轮胎利用率的目标函数，约束条件有电机可提供的峰值转矩、应提供的横摆力矩、车轮的纵向力大小等。以此为基础进行二次规划优化分配。在分配时尽可能的优先分配至电机执行机构，在其单独工作无法提供所需横摆力矩时再进行液压制动系统的分配。

上述方案中，路面附着系数的输入是通过测定轮胎滑移率确定的，若滑移率超出正常范围或有即将超出正常范围的趋势则判定当前路面附着系数低于干燥路面。

上述方案中，本发明设计了门限值来决定控制系统是否起作用，即只有当横摆角速度偏差或质心侧偏角偏差大于门限值时控制系统才起作用，否则不做任何动作。

本发明的有益效果：

1.本控制系统用于保证电动轮汽车在极限工况下的操纵稳定性，基于两套执行机构，为车辆提供了更加可靠、精准与迅速的主动安全措施，保证乘客与车辆的安全。

2.本发明具有很好的可靠性，通过大幅度削弱抖振现象使车辆在保持稳定性能的情况下保护了电器元件与液压装置等硬件。这是通过本控制系统中rbf神经网络控制对切换函数系数实时调整来实现的。而且本装置使用了两套执行机构，避免了纯电机控制时无法达到目标横摆力矩的情况发生，若有某一执行机构出现故障时，由于有另一套执行机构，不至于失稳时失去车辆控制，具有较强的容错率。同时本控制系统采用滑模控制为主体，鲁棒性较好，不受模型约束，经本发明优化后的系统自适应能力较强。

3.本发明具有很好的精准性，即本控制系统可随着路况条件的不同(路面附着系数)来实时调整横摆角速度与质心侧偏角的权重，保证得到更佳精准的附加横摆力矩，从而对车辆进行精准的稳定性控制。本发明通过遗传优化算法对权重系数不断实时调整来实现的。

4.本发明控制效果能在短时间内迅速达到，本发明在较短时间内使车辆减小失稳程度甚至恢复稳定，若无法达到期望横摆力矩时再迅速介入液压执行机构参与控制。

5.本控制系统充分考虑了实际情况，设计了门限值来决定系统是否工作。这样既可以避免由于外界干扰造成的“假偏差”，又可以防止驾驶员频繁感到车身自动调整姿态而过度紧张。

附图说明

图1为本控制系统所适用车辆的系统结构图。

图2为本控制方法原理框图。

图3为rbf神经网络结构图。

图4为遗传优化算法结构框图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明。

如图1所示，本发明基于如下的电动轮汽车系统结构：采用本发明的整车控制器根据轮速传感器、方向盘转角传感器、横摆角速度传感器、saw轮胎传感器分别处理并得到实时车速、方向盘转角、当前横摆角速度与当前路面附着系数等信息，根据以上信息计算出当前车辆所需附加横摆力矩并将各执行机构应对各轮应施加的驱/制动力矩指令通过can总线传输至电机控制单元与液压控制单元。在液压系统执行指令的过程中，整车控制器通过接收轮缸压力传感器的信息来感知相应车轮当前的制动力，从而达到理想制动力。

本控制系统的控制方法流程如图2所示，具体实施方法如下：

(1)首先根据二自由度模型计算期望的质心侧偏角βd与横摆角速度ωd：

期望横摆角速度

期望质心侧偏角

式中，l为轴距，δ为前轮转向角；lf,lr分别为整车质心至前、后轴的距离；vx为汽车质心处的纵向速度；cf、cr为前、后车轮侧偏刚度；k为稳定性因数,m为整车整备质量。

再根据横摆角速度传感器得到实时横摆角速度ω信息，由扩展卡尔曼滤波方法估算当前实际质心侧偏角β。扩展卡尔曼滤波的基本思想是在每一时刻，对非线性系统进行线性化处理，从而得到线性模型，在此线性模型的基础上利用卡尔曼滤波理论中的一步预测估计进行估算，一步预测估计是表示利用k-1时刻的系统状态去预测k时刻系统状态的一步预测估计值。

估算实际质心侧偏角β的计算方法如下：

x(k+1)＝(i+a·δt)x(k)+δt·bu

给定系统初始状态p(0)＝∏0，

输入状态量测量量过程噪声w(k)的方差

(2)系统根据横摆角速度与质心侧偏角实际值与期望值的偏差大小判断是否达到门限值，若超过设定门限值则继续以下步骤，否则不做动作。

(3)根据期望值与实际值的偏差建立滑模面：s＝η(ω-ωd)+(1-η)(β-βd)(η>0)，

并对其两边求导得到表达式：

(4)建立滑模控制律。将滑模控制分为监督控制与等效控制两部分，即控制量u＝ur+ueq。其中等效控制监督控制ur＝-asgn(s)。其中i为整车绕z轴的转动惯量，控制量u即为所需的附加横摆力矩。

(5)如图3所示，本方法选用rbf神经网络对切换控制项-asgn(s)中的系数a进行实时调整，根据滑模到达的条件对切换增益进行有效估计，从而减小抖振。图中ωj表示从中间结点xj到输出结点hj的权值，结点hj的输出为切换控制项-asgn(s)中的系数a。rbf神经网络的权值调整指标为具有三层前馈式网络结构，包括输入层、中间层与输出层。本发明设计的rbf神经网络为2-5-1结构，输入层包含两个神经元，分别为滑模函数s(t)与滑模函数变化率中间层的五个径向基向量为hj，由上式可得rbf网络权值增量为式中cj为第j个节点的中心矢量；bj为第j个节点的基宽度参数且bj＞0；最终，rbf神经网络的输出为其中cj为中间层第j个神经元高斯基函数中心点的向量坐标；bj为隐含层第j个神经元高斯基函数的宽度。

在设定好以上神经网络参数后，利用数据对其进行多次训练，最终将训练好的神经网络布置在控制系统中。其中用于训练的数据应进行多次调节，确保车辆稳定性能的前提下减小甚至消除抖振现象。

(6)针对本发明的控制方法中有两个控制变量(质心侧偏角与横摆角速度)，因此采取遗传优化算法来调整这两者的权重系数。调节方法为：当车辆在低附着路面行驶时，适当降低η的值，增大质心侧偏角的权重；反之在高附着路面行驶时应适当增加η的值，增加横摆角速度的权重。路面附着系数的输入是通过测定轮胎滑移率确定的，若滑移率超出正常范围或有即将超出正常范围的趋势则判定当前路面附着系数低于干燥路面。

具体步骤如图4所示：

首先可设定η初始值：0<η<1；

再设置遗传优化的相关参数，如群体大小、精英个数、最大进化代数与适应度函数偏差等，初步设置可参照下表所示：

表1遗传优化算法参数设置

最后设计其适应度函数：其中t为最大进化代数，eη(t)为在不同路面附着系数下η的期望值与其实际值的偏差。其中期望值可以通过以往学者经验设定，也可以通过实验标定得到，不同路面附着系数都对应一个最佳η值，应尽可能密集，剩余空白数据采用插值法计算。该遗传优化算法也应编程至matlab/simulink中的s-function模块中，其代码编写思路如下：在输入当前η之后算法会根据适应度函数判断其是否符合当前环境(路面附着系数)，如果不符合则进行交叉运算对η的值进行调整，直至其满足收敛要求或达到进化代数；如果符合则直接输出系数η。最终确定了车辆在不同路面附着系数条件下行驶时的最优权重系数η。

(7)执行机构在分配横摆力矩时，首先应考虑仅采用电机对驱动力差速分配能否满足附加横摆力矩，计算方法如下，在满足纵向力需求的前提下通过对一侧车轮分配较少的驱动力来与另一侧驱动力形成纵向力之差，从而达到施加附加横摆力矩的效果，可根据汽车二自由度模型建立关系式来达到上述目的：

其中f为需求的纵向力、fmfl为左前轮轮毂电机输出的纵向力、θ为前轮转角、fmfr为右前轮轮毂电机输出的纵向力、fmrl为左后轮轮毂电机输出的纵向力、fmrr为右后轮轮毂电机输出的纵向力、m为所需的附加横摆力矩、d为轮距。

若不能则设计基于轮胎最小利用率的二次规划最优分配算法，约束条件有纵向力需求、路面附着系数、电机最大转矩与所需附加横摆力矩等；纵向力需求与所需横摆力矩可根据汽车二自由度模型来建立关系式：

其中，fhfl、fhfr、fhrl、fhrr分别为左前轮、右前轮、左后轮、右后轮液压制动系统输出的制动力。

同时，路面附着系数和垂直载荷的乘积也约束了车轮的纵向力大小：-μfzi≤fxi≤μfzi，i＝fl，fr，rl，rr；

其中fzi、fxi分别为相应车轮的轴向载荷与纵向力。

轮毂电机的外特性也约束了轮毂电机的转矩大小：目标函数为四轮轮胎利用率平方和最小，并简化为

其中timax(v)为轮毂电机峰值转矩，r为车轮半径，fmi为实际轮毂电机输出纵向力的大小，js表示四个车轮轮胎利用率平方和，fyi为相应车轮的侧向力。

根据以上所建立的优化目标函数和约束条件，建立方程后可得二次规划法标准型：并通过matlab/simulink中的s-function模块利用quadprog函数编程求解，按如下形式调用：[xv]＝quadprog(h，[]，[]，aeq，beq，lb，ub)，返回的xv值即为最优的需求电机驱动力和需求液压制动力。其中，w为8×8的对称矩阵，aeq为矩阵：

u，beq，lb，ub为列向量，

u＝[fmflfmfrfmrlfmrrfhflfhfrfhrlfhrr]^t；

beq＝[fm]^t

其中h，a为系数矩阵，其余字母为向量。

(8)整车控制器将以上八个输出量(每个车轮对应的轮毂电机应输出的纵向力大小fmfl、fmfr、fmrl、fmrr与液压制动系统应输出的制动力大小fhfl、fhfr、fhrl、fhrr)指令通过can总线传输至电机控制单元与液压控制单元，并监控其控制相应执行机构直至完成指令，从而完成对整车稳定性的控制。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。