CN101058319A - 基于智能控制的电动助力转向系统 - Google Patents

Abstract

为了克服已有技术的直接扭矩控制系统存在较大的脉动扭矩问题，本发明公开一种基于智能控制的电动助力转向系统，将神经网络模糊控制引入到电动转向的电机扭矩控制，它不依赖于被控对象的精确模型，建立的模糊策略能有效克服电机的非线性、强耦合等缺点，其良好的自学习以及参数控制自动调节能力，提高了系统的自适应和控制能力。本发明的神经网络模糊控制器由控制算法微处理器MCU、PWM驱动模块和电源模块组成，以扭矩、车速和驱动电机反馈电流为输入语言变量，经离线建模，形成控制决策以及在线控制两个过程，实现电动助力转向的智能控制。本发明应用于乘用轿车、燃料汽车、电动汽车，使转向灵敏轻便，大大提高汽车操控的舒适性和稳定性。

Description

基于智能控制的电动助力转向系统

技术领域

本发明属于机动车电动控制技术领域，涉及一种电动助力转向设备，尤其涉及一种基于智能控制的电动助力转向系统。

背景技术

电动助力转向系统(EPS)是现代汽车转向系统的发展方向，是高新科技产业之一。我国汽车2003年汽车产量达到400万辆，2006年已突破640万辆，正以每年20％的速度递增，目前绝大部分汽车采用机械转向或液压助力转向，仅有少数高级轿车采用电动助力转向器。今后汽车工业的发展趋势，大部分微型车和轿车都将采用电动助力转向器，因此，电动助力转向控制系统的市场前景十分广阔。

EPS系统代表着转向装置的发展方向，它是在机械转向系统的基础上，根据作用在方向盘上的转矩信号和车速信号，通过电子控制装置使电机产生相应大小和方向的辅助力，协助驾驶员进行转向操作，并获得最佳转向特性的伺服系统。已有技术的EPS系统的组成如图1所示，一般由转向机构(包括机械转向器、减速器、驱动电机和整车转向轮)、方向盘转向输入(包括转矩传感器)、车速转速输入、电子控制器(包括控制单元和驱动单元)以及畜电池电源等组成。已有技术的EPS系统为多变量、非线性输入，采用线性控制算法的直接扭矩控制系统存在较大的脉动扭矩，存在转向控制不平稳，导致驾车的舒适性和可操控性较差，具体的表现就是转向时手感比较差。

发明内容

本发明的目的是克服现有技术上述的助力转向扭矩脉动较大，驾车的舒适性和可操控性较差等缺陷，公开一种基于智能控制的电动助力转向系统，将智能控制引入到电动转向的电机扭矩控制，它不依赖于被控对象的精确模型，但建立的模糊策略能有效克服电机的非线性、强耦合等缺点，同时利用神经网络控制的良好自学习、自调整能力，弥补模糊控制规则的有限性影响控制精度，以及参数控制自适应调节能力低的欠缺，提高了系统的自适应和控制能力。

本发明的上述目的是通过以下的技术方案来实现的，即一种基于智能控制的电动助力转向系统，本发明的核心部件是神经网络模糊控制器，它由控制算法微处理器MCU、PWM驱动模块和电源模块组成，以扭矩、车速和驱动电机反馈电流为输入语言变量，经离线建模，形成控制决策以及在线控制两个过程，实现电动助力转向的智能控制。

本发明基于智能控制的电动助力转向系统的基本结构原理框图如1所示。其中的智能电子控制器由三个相对独立的微控制器(MCU)模块41、PWM电机驱动模块42、电源模块43组成，其组成原理框图如图2所示。

本发明的微控制器(MCU)嵌入的控制算法软件，综合神经网络算法和模糊控制技术，形成专用的转向控制策略，并将转向控制策略转化为控制芯片中的软件，通过模拟试验和路况试验获取数据，采用离线建模方式优化控制参数。本发明控制系统组成示意框图如图3所示，其中TW为作用于方向盘产生的扭矩，V为车速，以扭矩和车速作为神经网络模糊控制器的输入，经控制算法计算出助力电流I，通过PWM方式控制电机输出助力扭矩TI。

本发明的神经网络模糊控制器经过离线建模即建立决策库，以及在线控制两个过程，实现电动助力转向的智能控制。

本发明采用Sugeno型模糊推理方法，结合BP神经网络建立控制模型，其拓扑结构图如下：

(1)先在计算机上建立一个模糊集数据库，该模糊集数据库中设置有模糊集A和模糊集B；

(2)按照一个非模糊值的模糊化是根据输入语言变量的定义来确定相应于每个语言值的隶属度，而模糊推理主体根据语言变量的定义相对输入量建立语言控制规则的方法，将参数扭矩T_W和车速V模糊化输入，分别映射到模糊集A和模糊集B，扭矩T_W的变化范围为-10～10，车速V的变化范围为0～80，为满足控制精度的需要，扭矩T_W选取的等级值数据有20个至少不小于6个，车速V选取的等级值数据有80个至少不小于10个。扭矩T_W与车速V模糊化后得到对应的输入语言变量X_m和Y_m。输入不同扭矩T_W与车速V值，依次建立模糊控制集规则库。

(3)采用Sugeno型模糊推理算法，其模型为单元素输出隶属函数，其模糊蕴含即是简单的乘法，模糊合成即是各单元属输出隶属函数的简单包含，解模糊化处理采用加权平均法，计算简单，极大地提高模糊化过程的效率。

隶属度函数形状可取三角形、梯形、钟形或正态分布形：

三角形隶属度函数表达式为：

$f(x,a,b,c)=\left\{\begin{array}{c}0,x\≤a\\ \frac{x-a}{b-a},a\≤x\≤b\\ \frac{c-x}{c-b},b\≤x\≤c\\ 0,c\≤x\end{array}\right\}---\left(1\right)$

式中a、c是三角形的底边的两个端点，c为三角形的顶点，x是输入变量。

钟型隶属度函数表达式为：

$x=\frac{1}{1+{\left|\frac{v-c}{a}\right|}^{2b}}---\left(2\right)$

式中a，b确定钟型函数的形状，c决定函数的中心位置，v为输入变量。

高斯型隶属度函数表达式为：

$x=e^{\frac{{(t-d)}^2}{2{\mathrm{\δ}}^2}}---\left(3\right)$

式中d决定函数的中心点，δ决定函数的宽度，t为输入变量。

(4)控制模型构造完成后，运用数学优化算法来调整上述函数中的参数以减小它与理想系统的误差，即使误差函数E值最小：

$E=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(t_i-y_i)}^2---\left(4\right)$

式中t_i理想值，y_i是模型输出值，n为输出参数总量，i为输入输出组号；

在上述控制器拓扑结构中，第二层、第三层、第四层分别是BP网络的输入层、隐层和输出层。隐层第k节点的输出为：

${y^{\left(3\right)}}_k=f\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{j,k}{y^{\left(2\right)}}_j\right)---\left(5\right)$

式中w_j，k为连接输入层节点j与隐层节点k的权值，y⁽²⁾ _j为输入层节点j的输出，输出层第k节点的输出为：

${y^{\left(4\right)}}_k=f\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{i,k}^{\′}{y^{\left(3\right)}}_k\right)---\left(6\right)$

式中w_i，k′为连接输出层节点k与隐层节点i的权值。

解模糊化采用加权平均法，所有的模糊规则的权重都为1，其解模糊化输出值电流值x^*为：

$x^{*}=\frac{\underset{i}{\mathrm{\Σ}}{x}_i\mathrm{\μ}\left(x_i\right)}{\underset{i}{\mathrm{\Σ}}\mathrm{\μ}\left(x_i\right)}---\left(7\right)$

式中x_i为第I个节点隶属度值，μ(x_i)为目标函数。

本发明采用一阶梯度寻优法来调整隶属度函数参数和连接权值，使得误差值E达到期望值。

$w_{j,k}(l+1)=w_{j,k}\left(l\right)-\mathrm{\β}\frac{\∂E}{w_{j,k}\left(l\right)}---\left(8\right)$

式中β为训练步长，w_j，k(l)为连接输出层节点k与隐层节点j的权值。

(5)通过上述学习和训练的模糊推理过程，建立控制决策，形成决策库。

(6)系统在实时控制过程中，以扭矩和车速的实际输入值和当前车速值，依据上述控制决策，计算相应的控制电流，以PWM方式驱动电机产生转向助力。

电动助力转向系统神经网络模糊推理控制流程图如图5：

S101初始化系统参数，给寄存器、变量等赋予初始值；

S102判断系统参数要训练，若不要训练，转S104；

S104对输入扭矩T_W和车速V取样，通过A/D取样并经滤波算法，获得T_W和V的即时值；

S105对输入扭矩T_W和车速V模糊化；

S106按公式(5)、(6)计算PB网络输入层、隐层和输出层的值；

S107解模糊化，按公式(7)计算输出电流值；

S108以脉冲宽度调制方式控制电机输出；电机输出值反馈到S104作为输入变量参加实时取样；

S102判断系统参数若要训练，则转S103；

S103调用训练函数子程序，进入离线训练程序，可在本控制器之外的计算机上进行；

S201选定训练步长值，步长的大小与精度和训练速度有关；

S202按公式(8)计算隶属度函数参数和连接权值；

S203计算理想输出与网络输出值的误差E；

S204判断误差E是否小于期望值，若大于期望值，转S202，继续训练；

S204判断误差E若小于期望值，转S205；

S205返回主程序。

所述的神经网络模糊控制器为相对独立的整件，它由控制算法微控制器(MCU)模块、电机驱动模块、电源模块以及一套固定安装架结构件组成；智能电子控制器的一套固定安装架结构件包括外壳、散热片，控制算法微控制器(MCU)模块、电机驱动模块、电源模块通过连接件连接。智能电子控制器结构紧凑、散热良好、坚固耐用、维修方便。

所述的智能电子控制器还配置一个通信功能口电路，控制计算微控制器有一个数据通信接口连接通信功能口电路，它使智能控制的电动助力转向系统具有了可监控和故障检测的通道。通过该数据通信接口和通信功能口电路，系统与系统外设备交换信息，完成对电动助力转向系统的监测和离线故障诊断。

本发明的实质性效果是：系统实时采集扭矩传感器输出的转向输入矩矩信号、车速或转速信号以及驱动电机反馈信号，由神经网络算法和模糊控制器输出优化的控制信号，控制PWM驱动模块驱动电机，通过传动机构提供转向助力，具有自学习、自适应的智能化控制能力，克服了脉动扭矩的影响，转向灵敏轻便，提高驾车的舒适性和可操控性。本发明的具有可应用于乘用轿车、燃料汽车、电动汽车，经济效益十分显著。

附图说明

图1本发明的基于智能控制的电动助力转向系统的基本结构原理框图。

图2本发明的智能电子控制器的组成原理框图。

图3本发明的基于智能控制的电动助力转向系统实施例构成示意图。

图4本发明的基于智能控制的神经网络模糊推理控制模型拓扑结构图。

图5本发明实施例的基于智能控制的神经网络模糊推理控制流程图。

图3中：T_W-作用于方向盘产生的扭矩信号、V-车速信号、If-驱动电机的反馈信号、I_C-神经网络模糊控制器输出的助力电流、T_i-PWM电机驱动输出的助力扭矩。

具体实施方式

本发明基于智能控制的电动助力转向系统的基本结构原理框图如1所示。它由转向输入1及其扭矩传感器2、车速和转速输入3、智能电子控制器4、包括转向器和减速器51及驱动电机52的转向机构5、整车转向轮6组成。方向盘的转向输入1通过机械方式连接扭矩传感器2和转向机构5的转向器和减速器51，扭矩传感器2以及车速和转速输入3连接智能电子控制器4的输入数据接口：智能电子控制器4的控制数据经其输出控制接口连接驱动电机52的电流控制端，驱动电机52通过机械连接的转向器和减速器51，转向机构5连接整车转向轮6，驱动电机52的反馈电流信号输出端连接智能电子控制器4的反馈信号输入接口，形成一个智能的、闭环控制的电动助力转向系统。

本发明的智能电子控制器组成原理框图如图2所示。智能电子控制器4由三个相对独立的控制算法微控制器模块41、PWM电机驱动模块42、电源模块43组成。控制算法微控制器模块41的数据输入端连接扭矩传感器2、车速和转速输入3以及驱动电机52反馈驱动电流输出端，实时接收由方向盘转向经扭矩传感器2采集的扭矩数据，同时实时接收由车速和转速输入3经转速传感器采集的车速数据，以及实时接收由驱动电机52反馈的驱动电流数据，经控制算法微控制器模块41处理，快速形成转向助力控制信号，控制算法微控制器模块41的控制数据输出端连接PWM电机驱动模块42的控制信号输入端，PWM电机驱动模块42的控制输出端连接驱动电机52驱动电流输入端，控制算法微控制器模块41按照转向时刻的输入变量的实时数据，经智能处理形成控制数据，控制PWM电机驱动模块42生成控制转向驱动电流，转向驱动电流信号控制驱动电机52输出转向助力力矩。

下面结合本发明由附图给出的实施例做进一步的说明。

参见图3、图4和图5本发明的基于智能控制的电动助力转向系统实施例组成框图、神经网络模糊推理控制模型拓扑结构图和神经网络模糊推理控制流程图。由控制算法微控制器41、PWM电机驱动模块42、电源模块43组成的智能电子控制器4是一个神经网络模糊控制器，它的控制算法微控制器接收经方向盘转向-扭矩传感器送来的扭矩信号Tw、由车速传感器送来的车速信号V以及由转向机构5驱动电机送出的反馈电流信号If。它综合运用神经网络算法和模糊控制技术的过程是：

在系统外的PC机上建立建立一个设置有模糊集A和模糊集B的模糊集数据库，以扭矩信号Tw、车速信号V、反馈电流信号If为三个输入语言变量作非模糊值的模糊化处理，按照的定义确定应于每个语言值的隶属度建立语言控制规则。

开机后进入S101，对系统参数进行初始化设置，将参数扭矩T_W和车速V模糊化输入，分别映射到模糊集A和模糊集B。输入等级值数据，定义数字化参数扭矩T_W的变化范围为-10～10，车速V的变化范围为0～80。设立语言控制规则，包括训练步长等，如训练步长为2，扭矩T_W的等级值数据优选为10个，车速V的等级值数据优选为40个。扭矩T_W与车速V模糊化后得到对应的输入语言变量值X_m和Y_m，并设置模糊化控制数据输出误差的期望值。

在转入S102，选择系统参数要训练，转训练函数子程序S103，先进入S201选定训练步长：扭矩T_W的等级值数据优选为10个，扭矩T_W的训练步长为2，车速V的等级值数据优选为40个，车速V的训练步长也为2；其次S202，对不同扭矩T_W与车速V值输入，按公式(8)计算隶属度参数和连接权值，然后到S203，计算理想输出与网络输出值的误差E，在S204判断误差E是否小于期望值，如若误差E大于期望值，转回S202继续训练，直到在S204判断结论是误差E小于期望值，则停止训练，转到S104，进入正常运行控制状态。

通过模拟试验和路况试验获取数据，依试验获取的扭矩T_W和车速V以及驱动电机反馈电流If的数据，同样采用离线建模方式，优化系统的控制参数。这样依次建立模糊控制集规则库，形成专用的转向控制策略。

实车运行时，系统启动开机，S101初始化系统参数，在S102判定系统参数不训练，转入S104，神经网络模糊控制器将实时采集的扭矩T_W与车速V值以及驱动电机反馈电流If的数据，将扭矩T_W和车速V以及驱动电机反馈电流If变量语言值数据分别映射到模糊集A和模糊集B_o，转入S105，将扭矩T_W、车速V值以及驱动电机反馈电流If模糊化，将扭矩T_W和车速V以及驱动电机反馈电流If变量语言值数据分别映射到模糊集A和模糊集B后，送S106，按式(5)、(6)计算PB网络输入层、隐层、输出层的值后，转入S107，解模糊化，从模糊控制集规则库和模糊集数据库取出相应的数据进行模糊推理，并将推理输出送决策库，从决策库选取匹配的决策信息，神经网络模糊控制器的电机驱动模块将决策信息转换成控制电流I_c，送到驱动电机，驱动电机输出转向电动助力扭矩T_I，助力扭矩T_I经传动机构加到转向机构，完成整车转向轮的电动助力转向。

系统由智能电子控制器中的MCU通过内置的神经网络算法和模糊推理软件算法，电子控制部件检测车速、转速、输入扭矩及电机反馈，通过以驱动模块采用PWM方式控制输出功率，输出优化的驱动电流驱动转向助力电机，通过传动机构提供转向助力，在低车速下大助力，中车速下小助力，高车速下带阻尼，实现低车速下转向轻灵，高车速下转向平稳，提高了驾车的舒适性和可操控性。

本发明的智能控制电动助力转向系统应用于乘用轿车、燃料汽车、电动汽车，可以大大提高汽车操控的稳定性、转向的灵敏性和轻便性。

Claims (6)

1.基于智能控制的电动助力转向系统，由方向盘的转向输入、扭矩传感器、车速和转速输入、智能电子控制器和电动转向机构组成，其中：

所述的智能电子控制器由控制算法微控制器(MCU)模块、PWM电机驱动模块、电源模块组成；

控制计算微控制器(MCU)上面嵌入有控制算法软件，综合神经网络算法和模糊控制推理技术，形成专用的转向控制策略，并将转向控制策略转化为控制芯片中的软件，通过模拟试验和路况试验获取数据，采用离线建模方式优化控制参数，再加载应用到控制算法微控制器(MCU)模块；其输入变量至少包括方向盘的转向扭矩、车速和转速、驱动电机反馈的驱动电流数据；

PWM电机驱动模块为脉宽调制开关控制模块，其控制输入端连接控制算法微控制器(MCU)模块输出的控制信号输出端，电机驱动模块的输出端连接电动转向机构的驱动电机，以驱动电流方式控制驱动电机形成相应的转向助力；同时把驱动电机的驱动电流数据反馈给控制算法微控制器(MCU)模块；

T_W为作用于方向盘产生的扭矩，V为车速，以扭矩和车速作为神经网络模糊控制器的输入，经控制算法计算出助力电流I，通过PWM控制方式驱动电机输出助力扭矩T_I。

2.根据权利要求1所述的基于智能控制的电动助力转向系统，其特征在于控制算法微控制器(MCU)模块为神经网络模糊控制器，神经网络模糊控制器采用Sugeno型模糊推理方法，结合BP神经网络建立控制模型，经过离线建模即建立决策库，以及在线控制两个过程，实现电动助力转向的智能控制；其拓扑结构及构成步骤如下：

(1)先在计算机上建立一个模糊集数据库，该模糊集数据库中设置有模糊集A和模糊集B；

(2)按照一个非模糊值的模糊化是根据输入语言变量的定义来确定相应于每个语言值的隶属度，而模糊推理主体根据语言变量的定义相对输入量建立语言控制规则的方法，将参数扭矩T_W和车速V模糊化输入，分别映射到模糊集A和模糊集B，扭矩T_W的变化范围为-10～10，车速V的变化范围为0～80，为满足控制精度的需要，扭矩T_W选取的等级值数据有20个至少不小于6个，车速V选取的等级值数据有80个至少不小于10个。扭矩T_W与车速V模糊化后得到对应的输入语言变量X_m和Y_m。输入不同扭矩T_W与车速V值，依次建立模糊控制集规则库；

(3)采用Sugeno型模糊推理算法，其模型为单元素输出隶属函数，其模糊蕴含即是简单的乘法，模糊合成即是各单元属输出隶属函数的简单包含，解模糊化处理采用加权平均法，计算简单，极大地提高模糊化过程的效率，

隶属度函数形状可取三角形、梯形、钟形或正态分布形：

三角形隶属度函数表达式为：

$f(x,a,b,c)=\left\{\begin{array}{c}0,x\≤a\\ \frac{x-a}{b-a},a\≤x\≤b\\ \frac{c-x}{c-b},b\≤x\≤c\\ 0,c\≤x\end{array}\right\}---\left(1\right)$

式中a、c是三角形的底边的两个端点，c为三角形的顶点，x是输入变量；

钟型隶属度函数表达式为：

$x=\frac{1}{1+{\left|\frac{v-c}{a}\right|}^{2b}}---\left(2\right)$

式中a，b确定钟型函数的形状，c决定函数的中心位置，v为输入变量；

高斯型隶属度函数表达式为：

$x=e^{\frac{{(t-d)}^2}{2{\mathrm{\δ}}^2}}---\left(3\right)$

式中d决定函数的中心点，δ决定函数的宽度，t为输入变量；

(4)控制模型构造完成后，运用数学优化算法来调整上述函数中的参数以减小它与理想系统的误差，即使误差函数E值最小：

$E=\frac{1}{2}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(t_i-y_i)}^2---\left(4\right)$

式中t_i是理想值，y_i是模型输出值，n为输出参数总量，i为输入输出组号；

在上述控制器拓扑结构中，第二层、第三层、第四层分别是BP网络的输入层、隐层和输出层。隐层第k节点的输出为：

${y^{\left(3\right)}}_k=f\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{w}_{j,k}{y^{\left(2\right)}}_j\right)---\left(5\right)$

式中w_j，k为连接输入层节点j与隐层节点k的权值，y⁽²⁾ _j为输入层节点j的输出，输出层第k节点的输出为：

${y^{\left(4\right)}}_k=f\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{i,k}^{\′}{y^{\left(3\right)}}_k\right)---\left(6\right)$

式中w_i，k′为连接输出层节点k与隐层节点i的权值；

解模糊化采用加权平均法，所有的模糊规则的权重都为1，其解模糊化输出值电流值x^*为：

$x^{*}=\frac{\underset{i}{\mathrm{\Σ}}{x}_i\mathrm{\μ}\left(x_i\right)}{\underset{i}{\mathrm{\Σ}}\mathrm{\μ}\left(x_i\right)}---\left(7\right)$

式中x_i为第I个节点隶属度值，μ(x_i)为目标函数；

本发明采用一阶梯度寻优法来调整隶属度函数参数和连接权值，使得误差值E达到期望值：

$w_{j,k}(l+1)=w_{j,k}\left(l\right)-\mathrm{\β}\frac{\∂E}{w_{j,k}\left(l\right)}---\left(8\right)$

式中β为训练步长，w_j，k(l)为连接输出层节点k与隐层节点j的权值；

(5)通过上述学习和训练的模糊推理过程，建立控制决策，形成决策库；

(6)系统在实时控制过程中，以扭矩和车速的实际输入值和当前车速值，依据上述控制决策，计算相应的控制电流，以PWM方式驱动电机产生转向助力；

T_W为作用于方向盘产生的扭矩，V为车速，以扭矩和车速作为神经网络模糊控制器的输入，经控制算法计算出助力电流I，通过PWM控制方式驱动电机输出助力扭矩T_I。

3.根据权利要求1或2所述的基于智能控制的电动助力转向系统，其特征在于所述的模糊化输入参数扭矩T_W和车速V，分别映射到模糊集A和模糊集B，扭矩T_W的变化范围为-10～10，车速V的变化范围为0～80，为满足控制精度的需要，扭矩T_W选取的等级值数据有20个至少不小于6个，车速V选取的等级值数据有80个至少不小于10个。

4.根据权利要求1或2所述的基于智能控制的电动助力转向系统，其特征在于电动助力转向系统神经网络模糊推理控制流程至少包括下列步骤：

S101初始化系统参数；

S102判断系统参数要训练，若不要训练，转S104；

S104对输入扭矩T_W和车速V取样；

S105对输入扭矩T_W和车速V模糊化；

S106按公式(5)、(6)计算PB网络输入层、隐层和输出层的值；

S107解模糊化，按公式(7)计算输出电流值；

S108以脉冲宽度调制方式控制电机输出；电机输出值反馈到S104作为输入变量参加实时取样；

S102判断系统参数若要训练，则转S103调用训练函数子程序：

S201选定训练步长值；

S202按公式(8)计算隶属度函数参数和连接权值；

S203计算理想输出与网络输出值的误差E；

S204判断误差E是否小于期望值，若大于期望值，转S202，继续训练；

S204判断误差E若小于期望值，转S205；

S205返回主程序。

5.根据权利要求1所述的基于智能控制的电动助力转向系统，其特征在于所述的智能电子控制器为相对独立的整件，它由控制算法微控制器(MCU)模块、电机驱动模块、电源模块以及一套固定安装架结构件组成；智能电子控制器的一套固定安装架结构件包括外壳、散热片，控制算法微控制器(MCU)模块、电机驱动模块、电源模块通过连接件连接。

6.根据权利要求1或5所述的基于智能控制的电动助力转向系统，其特征在于所述的智能电子控制器还配置一个通信功能口电路，控制计算微控制器有一个数据通信接口连接通信功能口电路，它使智能控制的电动助力转向系统具有可监控和故障检测的通道。

Images