本发明涉及一种纯电动汽车四轮转速独立控制的方法，尤其是一种基于hopfield神经网络建立的纯电动汽车四轮转速独立控制的方法，属于汽车技术领域。
背景技术：
近年来,随着电动汽车的兴起,由于其零排放或近零排放，随着环保和能源问题日益受到关注，电动汽车的研究开发被看作是解决能源环境问题的一种有效手段。而在电动汽车诸多电力驱动系统中，轮毂电机驱动作为一种新兴的电动汽车驱动形式，正日益成为电动汽车领域的研究重点和热点。轮毂电机直接安装于车轮轮毂中，其驱动系统的布置非常灵活,可以根据车辆的驱动方式分别布置在电动汽车的两前轮、两后轮或四个车轮的轮毂中，使电动汽车成为2个前轮驱动、2个后轮驱动或4轮驱动的方式。与内燃机汽车和单电机集中驱动电动汽车相比,轮毂电机更具有前景。
在采用轮毂电机驱动系统的4轮电动汽车上,若进一步导入线控四轮转向技术(4ws),没有了传统内燃机汽车笨重的机械传动系统，且其体积小、比功率大，具有很高的传动效率，可大大简化整车机构和降低整车重量及重心，从而减少电动汽车电池消耗和提高电动车稳定性。轮毂电机驱动形式被业界称为电动车辆终极驱动形式。
现有的控制四车轮协调运作的方法主要有电子差速和力矩控制，未使用过神经网络控制方法，在未来汽车智能化的不断发展下，使用神经网络控制方法控制汽车行驶是一条非常有前景的方法。
技术实现要素：
本发明的目的在于：针对现有技术存在的缺陷，提出一种基于神经网络的纯电动汽车四轮转速独立控制方法，根据驾驶员的行为，利用神经网络控制方法，根据汽车四个车轮的实际转速，给每个车轮分配合理的加速度，使四个车轮能够协调运作。
为了达到以上目的，本发明提供了一种基于神经网络的纯电动汽车四轮转速独立控制方法，利用hopfield神经网络分析驾驶员同一时间所有驾驶行为，并以此为依据合理分配四轮车速，驱动车辆平稳行驶；
包括以下步骤：
步骤1)、针对各种驾驶环境下，驾驶员同一时间内的驾驶行为，采集车辆的驾驶数据，建立车况信息数据库，并由此获取样本；
步骤2)、由步骤1中的样本数据中提取车辆状态特征及驾驶行为特征，根据样本特征确定hopfield神经网络的输入量与输出量，搭建hopfield神经网络模型：包括构造神经网络的目标函数、能量函数及动态方程，各神经元之间的权值wij和偏置输入bi；
步骤3)、将步骤2中的特征向量作为训练集数据输入至hopfield神经网络模型中进行解析训练，优化hopfield神经网络模型以完成hopfield神经网络调速控制器；
步骤4)、将获取的实时数据输入进已训练好的hopfield神经网络调速控制器中，匹配生成驱动车辆平稳行驶的所需车辆数据。
进一步，所述步骤1)中，驾驶数据包括由油门踏板开度、制动踏板开度、档位、方向盘转角组成的驾驶员控制意图数据及四个车轮的转速；并对收集的数据进行处理，将油门踏板开度、制动踏板开度、档位及方向盘转角的数据处理成4×1列向量pq，并归一化；将四个车轮的转速处理成4×1的列向量tq，并归一化。
进一步，所述步骤2)中，根据驾驶员对车辆的控制行为进行分析，得出其控制影响车辆速度的四个变量为：油门踏板开度、制动踏板开度、档位、方向盘转角，因此设定hopfield神经网络的输入量为四个，包括油门踏板开度、制动踏板开度、档位及方向盘转角；输出量为四个，包括四个车轮各自的角加速度，以控制四个车轮转速的增减。
进一步，所述hopfield神经网络模型基于输入量与输出量的数目，其结构为两层网络结构，分别为前馈层及递归层；递归层利用前馈层的输出进行初始化，输出指出标准模式和输入向量之间的关系。
进一步，所述步骤3中，构建学习规则，依次修改hopfield神经网络的权值和偏置；所述学习规则为wnew＝wold+△w，bnew＝bold+△b。
根据学习规则设置二次函数型的性能函数f(x)和误差阈值，当性能函数值达到全局最小时修改权值和偏置，当样本均方差在允许误差阈值内时，停止训练hopfield神经网络；
采用带衰减的hebb学习规则，得到模型的连接权值矩阵为：
w(q)＝(1-γ)w(q-1)+αa(q)pt(q)，
其中，学习速率为
所述二次型性能函数
所述误差阈值为0.01，当样本均方差小于误差阈值时，训练停止。
进一步，所述前馈层中，权值为4×4矩阵，偏置为4×1列向量；所述递归层中，权值为4×4矩阵，无偏置。
进一步，所述纯电动汽车的四个车轮分别独立安装有一个轮毂电机，所述轮毂电机用于分别驱动或回馈对应的所述车轮，并采用高低转速向中间转速靠拢的原则,通过直接转矩控制电流及电压以调节电机转速。
进一步，所述步骤4中，hopfield神经网络调速控制器接受驾驶员控制意图信号及四个车转轮速信号，依照学习规则处理信号，根据当前车轮实际转速和驾驶员意图处理信号，给出正确的加速度控制信号，并将控制信号发送至四个轮毂电机；其中，驾驶员控制意图与hopfield神经网络调速控制器之间为单向传输，车轮转速与hopfield神经网络调速控制器之间为双向传输。
本发明的有益效果包括：(1)通过本发明提供的控制方法，能够解决纯电动汽车多轮独立驱动过程中的各车轮转速不协调问题，在迎合驾驶员意图的情况下协调四个车轮转速。(2)省去很多机械传动装置，采用电子控制系统，降低整车重量及重心，从而减少电动汽车电池消耗和提高电动车稳定性。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的模型图。
图2为本发明中hopfield神经网络权值调整流程示意图。
图3为本发明中hopfield神经网络神经节学习规则示意图。
具体实施方式
本实施例提供了一种基于hopfield神经网络建立纯电动汽车四轮转速独立控制的方法，利用hopfield神经网络分析驾驶员同一时间所有驾驶行为，并以此为依据合理分配四轮车速，驱动车辆平稳行驶，如图1所示。其中，1-驾驶员控制意图，油门踏板开度、制动踏板开度、档位及方向盘转角的信号都会单向直接传送给hopfield神经网络调速控制器。2-驾驶员控制意图与hopfield神经网络调速控制器之间是单向传输。3-hopfield神经网络调速控制器。接受驾驶员控制意图信号和四个车转轮速信号，并处理信号之后将控制信号发送给四个轮毂电机。4-车轮内的轮毂电机。5-车轮转速与hopfield神经网络调速控制器之间是双向传输，hopfield根据当前车轮实际转速和驾驶员意图处理信号，给出正确反应。
包括以下步骤：
步骤1)、针对各种驾驶环境下，驾驶员同一时间内的驾驶行为，采集车辆的驾驶数据，包括油门踏板开度、制动踏板开度、档位、方向盘转角及四个车轮的转速。
整车采用can总线进行网络通信，驾驶员通过踏板总成将驱动/制动信号传输到can网络，同时车载传感器、轮毂电机控制器及其他电气设备采集信号传输至can通讯网络上，整车控制器采集can网络实时数据信号，依据整车控制策略做出判断并发送相应指令至can通讯网络上，并记录相应数据，并建立车况信息数据库，并对收集的数据进行处理，将油门踏板开度、制动踏板开度、档位及方向盘转角的数据处理成4×1列向量pq，并归一化；将四个车轮的转速处理成4×1的列向量tq，并归一化，由此获取样本。
步骤2)、由步骤1中的样本数据中提取车辆状态特征及驾驶行为特征，根据驾驶员对车辆的控制行为进行分析，得出其控制影响车辆速度的四个变量为：油门踏板开度、制动踏板开度、档位、方向盘转角，因此设定hopfield神经网络的输入量为四个，包括油门踏板开度、制动踏板开度、档位及方向盘转角；而输出量则为四个，包括四个车轮各自的角加速度，以控制四个车轮转速的增减。由此搭建hopfield神经网络模型：包括构造神经网络的目标函数、能量函数及动态方程，各神经元之间的权值wij和偏置输入bi。
hopfield神经网络模型基于输入量与输出量的数目，其结构为两层网络结构，分别为前馈层及递归层；递归层利用前馈层的输出进行初始化，输出指出标准模式和输入向量之间的关系。其中，前馈层中，权值为4×4矩阵，偏置为4×1列向量；递归层中，权值为4×4矩阵，无偏置。
步骤3)、将步骤2中的特征向量作为训练集数据输入至hopfield神经网络模型中进行解析训练，优化hopfield神经网络模型以完成hopfield神经网络调速控制器；构建学习规则，依次修改hopfield神经网络的权值和偏置；所述学习规则为wnew＝wold+△w，bnew＝bold+△b。
根据学习规则设置二次函数型的性能函数f(x)和误差阈值，当性能函数值达到全局最小时修改权值和偏置，当样本均方差在允许误差阈值内时，停止训练hopfield神经网络；
采用带衰减的hebb学习规则，得到模型的连接权值矩阵为：
w(q)＝(1-γ)w(q-1)+αa(q)pt(q)，
其中，学习速率为
所述二次型性能函数
所述误差阈值为0.01，当样本均方差小于误差阈值时，训练停止。
步骤4)、将获取的实时数据输入进已训练好的hopfield神经网络中，匹配生成驱动车辆平稳行驶的所需车辆数据。采用高低转速向中间转速靠拢的原则。行驶中，轮毂电机驱动各个车轮的扭矩由中央控制器进行控制和分配，当车辆转弯时，中央控制器根据方向盘的转角及车轮与路面接触摩擦的反馈，自动调整车辆内外轮的转速；当出现某一个车轮失去动力打滑时，中央控制器根据反馈调整相应的轮毂电机的扭矩输出，进行相应车轮的制动。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。