一种用于线控转向汽车主动前轮转向控制系统的控制方法与流程

本发明属于汽车主动前轮控制技术领域，特别涉及一种用于线控转向汽车主动前轮转向控制系统的控制方法。

背景技术：

随着汽车技术的不断发展，人们对汽车的安全性能要求越来越高；汽车在转向过程中的稳定性是决定汽车安全性的一个重要指标，目前对汽车转向稳定性的控制策略研究主要有PID控制、模糊控制、BP网络控制等；PID控制和模糊控制很难随着车况的变化作出自动调整；与此同时，BP网络控制的收敛速度慢，极易使问题的解陷入局部极小点。

技术实现要素：

本发明的目的是提供一种用于线控转向汽车主动前轮转向控制系统的控制方法。

为此，本发明技术方案如下：

一种用于线控转向汽车主动前轮转向控制系统的控制方法，所述的线控转向汽车主动前轮转向控制系统包括主动转向控制器、方向盘、汽车前轮转向执行机构、CAN总线收发器，CAN总线收发器一端连接到主动转向控制器，另一端连接到汽车的CAN总线；转向盘直接连接到主动转向控制器；汽车前轮转向执行机构一端连接到汽车转向机构，另一端连接到主动转向控制器；所述的用于线控转向汽车主动前轮转向控制系统的控制方法包括按顺序进行的下列步骤：

1)建立自适应神经模糊推理模型；

2)通过遗传算法优化自适应神经模糊推理模型的初始权值和阈值；

3)将步骤2)中遗传算法优化后的自适应神经模糊推理模型应用到汽车的主动转向控制器；

4)建立整车模型；

5)将驾驶员提供的方向盘转角和由CAN总线收发器通过CAN总线采集的实际车速作为整车模型的输入，将整车模型输出的理想横摆角速度与CAN总线收发器采集的实际横摆角速度的偏差作为主动转向控制器的输入；

6)由主动转向控制器输出附加前轮转角；

7)将步骤6)中的附加前轮转角与驾驶员提供的方向盘转角进行叠加反馈给汽车转向执行机构。

所述的步骤2)中的遗传算法通过调整神经模糊推理模型的结构和参数来优化其初始权值和阈值。

所述的步骤4)中的整车模型采用线性二自由度整车模型。

与现有技术相比，该用于线控转向汽车主动前轮转向控制系统的控制方法提高了汽车转向时的汽车稳定性，保证了汽车行驶过程中驾驶员的安全性。

附图说明

图1为本发明提供的用于线控转向汽车主动前轮转向控制系统的控制方法的原理图。

图2为方向盘的转角输入曲线图。

图3(a)为车速为80km/h，附着系数为0.5时横摆角速度的仿真图。

图3(b)为车速为80km/h，附着系数为0.5时侧向角速度的仿真图。

图3(c)为车速为80km/h，附着系数为0.5时质心侧偏角的仿真图。

图4(a)为车速为80km/h，附着系数为0.8时横摆角速度的仿真图。

图4(b)为车速为80km/h，附着系数为0.8时侧向角速度的仿真图。

图4(c)为车速为80km/h，附着系数为0.8时质心侧偏角的仿真图。

具体实施方式

下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。

如图1-4所示，该用于线控转向汽车主动前轮转向控制系统的控制方法，所述的线控转向汽车主动前轮转向控制系统包括主动转向控制器、方向盘、汽车前轮转向执行机构、CAN总线收发器，CAN总线收发器一端连接到主动转向控制器，另一端连接到汽车的CAN总线；转向盘直接连接到主动转向控制器；汽车前轮转向执行机构一端连接到汽车转向机构，另一端连接到主动转向控制器；所述的用于线控转向汽车主动前轮转向控制系统的控制方法包括按顺序进行的下列步骤：

1)建立自适应神经模糊推理模型；

2)通过遗传算法优化自适应神经模糊推理模型的初始权值和阈值；

3)将步骤2)中遗传算法优化后的自适应神经模糊推理模型应用到汽车的主动转向控制器；

4)建立整车模型；

5)将驾驶员提供的方向盘转角和由CAN总线收发器通过CAN总线采集的实际车速作为整车模型的输入，将整车模型输出的理想横摆角速度与CAN总线收发器采集的实际横摆角速度的偏差作为主动转向控制器的输入；

6)由主动转向控制器输出附加前轮转角；

7)将步骤6)中的附加前轮转角与驾驶员提供的方向盘转角进行叠加反馈给汽车转向执行机构。

所述的步骤2)中的遗传算法通过调整神经模糊推理模型的结构和参数来优化其初始权值和阈值。

所述的步骤4)中的整车模型采用线性二自由度整车模型。

本发明提供的用于线控转向汽车主动前轮转向控制系统的控制方法的实施过程如下：

利用Matlab搭建自适应神经模糊推理模型，表1分别针对汽车在低附着系数和高附着系数路面行驶的情况列出了输入样本和输出样本，将表1中的15个输入样本导入自适应神经模糊推理模型的输入层，将表1中与输入样本对应的15个输出样本导入自适应神经模糊推理模型的输出层；然后将遗传算法和自适应神经模糊推理模型相结合进行训练；遗传算法的参数设置为：种群的规模为10，最大的遗传代数为50，交叉概率为0.4，变异概率为0.2，初始权值的取值范围为[-3,3]；自适应神经模糊推理模型的参数设置为：最大的迭代次数为100次，学习速率为0.1，误差的目标值为0.00001；利用遗传算法与自适应神经模糊推理控制相结合得到的自适应神经模糊推理模型的最优的初始权值和阈值如表2所示；

采用CarSim与Matlab/Simulink搭建汽车线控转向二自由度汽车动力学整车模型，线性二自由度汽车动力学模型表达式如下：

a、b分别代表前、后轴到汽车质心的距离；k₁、k₂分别代表两前轮、后轮侧偏刚度之和；m代表质量；u代表汽车在X轴上的质心速度分量；δ_f代表前轮转角；L代表轴距；β代表质心侧偏角；ω_r代表横摆角速度；I_Z代表汽车绕z轴的转动惯量；

由公式(1)推导出理想的横摆角速度值w_r为：

在CarSim中令车辆以80km/h的速度在附着系数为0.8的高附着路面和以80km/h的速度在附着系数为0.5的低附着路面上进行行驶来进行仿真实验；表3为仿真试验中采用的整车模型的主要参数；图2为仿真实验中方向盘的转角输入曲线图；

低附着路面的仿真结果如图3(a)～图3(c)所示：

从图3(a)中可以看出，在低附着路面上，汽车在采用遗传算法优化自适应神经模糊推理控制下的横摆角速度与在无控制、传统神经模糊推理控制下的横摆角速度相比能更好的跟踪理想的横摆角速度，同时减少了横摆角速度的振荡幅值；遗传算法优化后的自适应神经模糊推理控制加快了汽车横摆角速度的收敛速度，提高了汽车的行驶稳定性；

从图3(b)、图3(c)中可以看出，在低附着路面上，汽车在无控制的侧向加速度、质心侧偏角的变化范围很大，基于遗传算法优化自适应神经模糊推理控制与传统神经模糊推理控制相比，基于遗传算法优化自适应神经模糊推理控制能很好的使侧向加速度值、质心侧偏角值变小，从而提高汽车的横向稳定性；

高附着路面的仿真结果如图4(a)～图4(c)所示：

从图4(a)中可以看出，在高附着路面上，汽车在无控制和传统的神经模糊推理控制时的横摆角速度急剧变大，特别是在2～4秒时，汽车出现严重失稳，而基于遗传算法优化自适应神经模糊推理控制能很好的跟踪期望值，使汽车的稳定性提高；

从图4(b)和图4(c)中可以看出，在高附着路面上，汽车主动转向前轮在无控制的侧向加速度、质心侧偏角的变化范围很大，基于遗传算法优化自适应神经模糊推理控制与传统神经模糊推理控制相比，基于遗传算法优化自适应神经模糊推理控制能很好的使侧向加速度值、质心侧偏角值变小，从而提高汽车的横向稳定性。

表1

表2

表3