一种分布式电动汽车稳定性控制方法与流程

本发明涉及分布式驱动电动汽车的稳定性控制领域，特别涉及一种基于区间二型模糊神经网络的分布式电动汽车稳定性控制方法。

背景技术：

由于社会的快速发展，环境和能源问题受到越来越多的关注，在此背景下，电动汽车工业的发展俨然成为未来汽车工业的必然趋势。在电动汽车的市场上出现了许多新结构形式的电力驱动车辆平台，其中，分布式驱动电动汽车作为一个新颖的电动汽车研究方向，受到了越来越多的研究者的关注。分布式驱动电动汽车分为轮边减速型和轮毂电机型，轮毂电机型，顾名思义，即将置于电动汽车的四个车轮内的轮毂电机作为电动汽车的动力驱动源，实现电动汽车四个车轮的独立控制，具有传动链短、传动效率高、控制灵活、相应速度快的优点。

直接横摆力矩控制主要通过对车轮施加驱动力矩或制动力矩，提高车轮对地面的附着能力，实现车辆的横摆控制，从而提高车辆的行驶稳定性，并避免了车辆出现不足转向或转向过度的情况。

目前，直接横摆力矩控制主要采用的控制方法有pid、最优控制、滑模控制、模糊控制等控制方法，这些控制方法对对象模型参数依赖较大，自适应能力较差，然而电动汽车在实际行驶过程中的相应的环境参数具备极大地不确定性，上诉控制方法均很难适应工况的变化，区间二型模糊神经网络可以处理具有不确定的参数、对象等，具备较强的鲁棒性，该控制方法对对象依赖程度小，控制精度大，并且避免了制定模糊规则的复杂性，使用该方法控制电动汽车能够达到较好的控制效果。

技术实现要素：

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本申请的目的在于提供一种基于区间二型模糊神经网络的分布式电动汽车稳定性控制方法，提高了电动汽车在不同工况和突发干扰下的操纵稳定性。

包括以下步骤：

步骤一、建立电动汽车的二自由度车辆模型、七自由度车辆模型和轮胎模型；

步骤二、根据输入转角σ和当前车速υx，由二自由度车辆模型计算出车辆稳定运行的理想质心侧偏角βd和理想横摆角速度γd；

步骤三、根据传感器和状态观测器得到车辆实际运行横摆角速度γ和实际质心侧偏角β；

步骤四、将理想质心侧偏角βd与实际质心侧偏角β的差值δβ、理想横摆角速度γd与实际横摆角速度γ的差值δγ作为二型模糊神经网络控制器的输入信号，用bp学习算法修整二型模糊神经网络的参数，计算得到控制器输出横摆力矩mz；

步骤五、由力矩分配模块对控制器输出的横摆力矩mz进行力矩分配得到四个车轮的驱动或制动力矩trl、trf、tfl、tff，根据四个车轮的驱动或制动力矩trl、trf、tfl、tff对四个车轮进行分别控制。

优选的，电动汽车线性二自由度车辆模型如下：

横摆运动微分方程：

侧向运动微分方程：

其中，m为整车质量，a、b为质心到前、后轴的长度，cf、cr为前、后车轴的侧偏刚度，υx为纵向速度、υy为侧向速度，β为质心侧偏角，γ为横摆角速度。

优选的，电动汽车的七自由度数学模型如下：

纵向运动：

侧向运动:

横摆运动：

四个车轮的旋转运动：

其中，fxfr、fxfl、fyfr、fyfl、fxrr、fxrl、fyrr、fyrl分别为沿纵向、侧向的前右、前左、后右、后左轮胎的分量，a、b、d分别为质心到前轴的距离、质心到后轴的距离、前后轴间的距离，j为车轮的滚动惯量，ωij为车轮角速度，其中，i＝f，r表示前后轮，j＝r，l表示为右、左轮，tdij、tbij分别为车轮的驱动转矩和制动转矩，fxij为车轮的纵向力矩，r为车轮的滚动半径。

优选的，轮胎模型如下：

轮胎模型采用dugoff轮胎模型，轮胎所受纵向力和侧向力分别为：

其中，fx、fy为轮胎的纵向力和侧向力，cx、cy为轮胎的纵向和侧向刚度，μ为路面附着系数，fz为轮胎垂直载荷，λ为轮胎纵向滑移率。

优选的，所述步骤二中，理想质心侧偏角βd和理想横摆角速度γd的计算方法为：

其中，k为车辆不足转向系数，βmax为质心侧偏角的极限值。

优选的，所述步骤三中，车辆实际运行横摆角速度γ可以由传感器测得，质心侧偏角β采用状态观测器得到。

优选的，所述步骤四中，所述控制器的设计步骤如下：

步骤a、设定参数初值：

ω^k(0)、

步骤b、运行控制器，得到初始控制量u，运行整个车辆系统，更新汽车状态；

步骤c、利用bp算法，根据误差函数e修正网络参数，得到调整参数为：

优选的，所述步骤五中，采用平均分配转矩方式进行力矩分配，计算公式如下：

其中，fzfl、fzfr、fzrl、fzrr表示左前、右前、左后、右后轮胎的垂向力，tfl、tfr、trl、trr表示左前、右前、左后、右后轮胎的分配力矩。

本发明至少包括以下有益效果：

1、本发明的基于二型模糊神经网络的电动汽车稳定性控制方法对对象依赖性小，鲁棒性强，可以在突发干扰和不同工况甚至极限工况下保持电动汽车的稳定运行，避免发生侧滑、转向不足或转向过度等现象；

2、基于二型模糊神经网络的电动汽车稳定性控制器控制精度高，可以更好的跟踪理想质心侧偏角和理想横摆角速度，使得电动汽车具备更好的稳定性能；

3、采用轮毂电机对电动汽车进行控制，避免了传统汽车的机械传动结构，减少了不必要的机械损耗。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明控制结构框图；

图2为分布式驱动电动汽车七自由度车辆模型；

图3为二型模糊神经网络控制器结构图；

图4为二型模糊神经网络控制器设计流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。

如图1-4所示，一种分布式电动汽车稳定性控制方法，在工况变化和不确定干扰下，可使电动汽车工作于稳定状态下，避免产生转向不足或是转向过度等情况，从而提高电动汽车在不同工况和突发干扰下的操纵稳定性。

设定基本参数：设定采用车辆基本参数如下表1：

表1：车辆基本参数

根据驾驶员意图得到输入方向盘转角σ信号为正弦信号和当前车速vx为65km/h。初始设定地面附着系数μ＝0.65。

建立线性二自由度车辆模型，并根据此模型得到车辆稳定运行的理想质心侧偏角βd和理想横摆角速度γd。线性二自由度车辆模型，即不考虑轮胎的非线性特性及轮胎的侧偏特性，只有绕轴的横摆运动和侧向运动。根据牛顿动力学定律得到线性二自由度车辆模型如下：

横摆运动微分方程：

侧向运动微分方程：

其中，m为整车质量，a、b为质心到前、后轴的长度，cf、cr为前、后车轴的侧偏刚度，vx为纵向速度、vy为侧向速度，β为质心侧偏角，γ为横摆角速度。

由上式可以计算得到理想质心侧偏角βd和理想横摆角速度γd为：

其中，k为车辆不足转向系数，βmax为质心侧偏角的极限值。

建立七自由度车辆模型，控制器设计阶段，可以直接由七自由度模型观测电动汽车实际质心侧偏角β和实际横摆角速度γ。

附图2为汽车的七自由度车辆模型，前轮转角，四轮驱动，根据模型可以得到汽车包括纵向运动、侧向运动、横摆运动和四个车轮的旋转运动的七自由度数学模型如下：

纵向运动：

侧向运动:

横摆运动：

四个车轮的旋转运动：

其中，fxfr、fxfl、fyfr、fyfl、fxrr、fxrl、fyrr、fyrl分别为沿纵向、侧向的前右、前左、后右、后左轮胎的分量，a、b、d分别为质心到前轴的距离、质心到后轴的距离、前后轴间的距离，j为车轮的滚动惯量，ωij为车轮角速度(i＝f，r为前后轮j＝r，为右、左轮)，tdij、tbij分别为车轮的驱动转矩和制动转矩，fxij为车轮的纵向力矩，r为车轮的滚动半径。

建立轮胎模型：

轮胎模型采用dugoff轮胎模型，轮胎所受纵向力和侧向力分别为：

其中，fx、fy为轮胎的纵向力和侧向力，cx、cy为轮胎的纵向和侧向刚度，μ为路面附着系数，fz为轮胎垂直载荷，λ为轮胎纵向滑移率。

轮胎垂直载荷随着工况变化而变化，其具体计算公式如下所示：

前轮垂直载荷：

后轮垂直载荷：

其中，hc为质心到地面的高度，lrs、lfs为簧载质量质心到前、后轴距离，muf、mur为前、后轴非簧载质量，huf、hur为前、后轴非簧载质量质心高度，hf、hr为前、后轴侧倾中心到地面的距离，ax、ay为汽车纵向、侧向加速度，为汽车车身侧倾角。

车辆运动过程中的轮胎侧偏角如下：

由于实验结果要观察轮胎滑移率是否正常，首先要计算轮胎的轮心速度如下：

轮胎滑移率计算公式为：

其中，vij为轮胎轮心速度(i＝f，l表示前、后轮j＝l，r表示左右轮)，ωij轮胎角速度，r为轮胎半径。

控制器设计

二型模糊神经网络控制器的结构图如附图3所示，第一层为输入层，本控制器输入为x1＝δβ和x2＝δγ；第二层为节点隶属度层，选取中心、跨度均不确定的高斯型隶属函数：

其中，m＝5*5＝25为规则数；

第三层计算每条规则的激发强度：

第四层为计算每条规则的激发强度百分比：

第五层为计算输出的左、右边界，此处采用简化降阶算法即：

r、l分别为左右边界的质点中心，其计算步骤如下：

1)初始化得到y′＝y

2)寻找r(1≤r≤m-1)使得y^r≤y′≤y^r+1

l的寻找方法与上类似。

第六层为输出层：

具体控制器运行步骤如下：

步骤a、设定参数初值：

ω^k(0)、

步骤b、运行控制器：

得到初始系统控制量m＝y，运行整个车辆系统，更新汽车状态；

步骤c、根据轮胎侧偏角判断轮胎是否处于线性区间，若轮胎处于线性区间，此时横摆角速度影响较大，取误差e＝δβ；若轮胎处于非线性线性区间，此时质心侧偏角影响较大，取误差c＝δγ,误差函数为

此二型模糊神经网络系统需调节参数有：ω^k、

利用误差反向算法计算：

计算过程如下：

求得一阶梯度后，得到调整参数为：

更新车辆的状态参数，得到新的δβ、δγ。

p＝1,….,5000反复执行步骤027-045，更新控制器状态，修正网络参数。

转矩分配：采用转矩平均分配原则计算得到电动汽车四个车轮的转矩，其具体计算公式如下：

其中，fzfl、fzfr、fzrl、fzrr表示左前、右前、左后、右后轮胎的垂向力，tfl、tfr、trl、trr表示左前、右前、左后、右后轮胎的分配力矩。

在下面表2所示几种工况下，测试控制器的控制效果。

表2：测试工况

增加横向风阻，测试测试控制器的控制效果。在横向风阻影响下车辆的侧向运动和横摆运动受到影响，其动力学方程变为：

侧向运动:

横摆运动：

由上所述，本发明的基于二型模糊神经网络的电动汽车稳定性控制方法对对象依赖性小，鲁棒性强，可以在突发干扰和不同工况甚至极限工况下保持电动汽车的稳定运行，避免发生侧滑、转向不足或转向过度等现象；同时，控制精度更高，可以更好的跟踪理想质心侧偏角和理想横摆角速度，使得电动汽车具备更好的稳定性能；进一步的，采用轮毂电机对电动汽车进行控制，避免了传统汽车的机械传动结构，减少了不必要的机械损耗。

以上对本发明所提供的基于区间二型模糊神经网络的分布式电动汽车稳定性控制方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。