CN103991384B - 一种电动车辆的复合制动系统及其复合制动方法 - Google Patents

Abstract

本发明涉及电动车辆行车制动领域。为使电动车辆的再生能量回馈制动与液压制动协调，本发明提出一种电动车辆的复合制动系统，包括整车控制器、驱动电机、驱动电机控制器、制动协调器；整车控制器中设置有估计电动车辆的状态用的车辆状态估计模块，根据电动车辆状态选用复合制动模式或液压制动模式进行制动；整车控制器分别与驱动电机控制器、制动协调器连接，控制驱动电机的工作模式和输出扭矩，调节电机制动扭矩和液压制动扭矩；驱动电机中的第一驱动电机和第二驱动电机分别根据控制指令驱动车轴转动或向车轴施加电机制动扭矩。采用该复合制动系统对电动车辆进行制动，电动车辆在保证制动稳定性的基础上提高了再生制动能量的回收效率。

Description

一种电动车辆的复合制动系统及其复合制动方法

技术领域

本发明涉及电动车辆的行车制动领域，尤其涉及采用双电机驱动的电动车辆的复合制动系统及采用该复合制动系统对该电动车辆进行复合制动的方法。

背景技术

电动车辆虽然可以方便地实现制动能量回收，但是，由于受到车速、电机功率、电池荷电状态的影响，电机回馈制动不能够独立满足电动车辆在不同制动工况下的制动稳定性需求。为在实现制动能量回收的同时满足该电动车辆的制动稳定性需求，现有的电动车辆多是采用电机回馈制动系统和液压制动系统相结合形成的复合制动系统。按照电机制动力与液压制动力之间的组合关系，现有的电动车辆的复合制动系统一般被分为并联式复合制动系统和串联式复合制动系统。

并联式复合制动系统一般是在传统汽车的液压制动系统的基础上并联一个制动电机(很多情况下该制动电机即是电动车辆的驱动电机)，即制动电机发电时通过驱动轴对电动汽车形成阻力即电机回馈制动力F_m，该电机回馈制动力F_m与液压制动力F_h直接叠加，且液压制动力F_h由电动车辆的前轮液压制动力F_hf和后轮液压制动力F_hr叠加得到，如图1所示，而不考虑电机回馈制动力F_m与液压制动力F_h之间的协调控制，导致再生制动能量的回馈比例受到限制。由此可见，采用并联式复合制动系统的电动车辆虽然能够缩短电动车辆的开发周期，进而降低其开发成本及风险，但是，由于电动车辆的电机回馈制动力F_m直接叠加在液压制动力F_h之上，使得电动车辆的输出的总制动力F_t大于其制动所需的需求制动动力F_d，进而导致电动车辆的再生制动能量的回收效率及制动稳定性都会受到较大的限制。

串联式复合制动系统在传统汽车的液压制动系统的基础上引入了用于对液压制动力进行电控调节的控制器。这样，该串联式复合制动系统可以根据驾驶员的制动需求及电动车辆当前的行驶状态信息，对电机回馈制动力F_m与液压制动力F_h的大小进行协调控制，使得总制动力F_t跟踪驾驶员的制动需求，即使总制动力等于其制动所需的需求制动力F_d，如图2所示，将再生制动能量回馈比例最大化，同时保证该电动车辆的前轮液压制动力F_hf和后轮液压制动力F_hr合理分配，以保证其制动稳定性。另外，串联式复合制动系统引入的控制器也对采用TCS(TractionControlSystem，牵引力控制系统，又称循迹控制系统)、ABS(Anti-lockBrakingSystem即防抱死制动系统)或ESP((ElectronicStabilityProgram即车身电子稳定系统)的车辆的稳定性控制提供了执行基础。但是，该用于对液压制动力进行电控调节的控制器的引入，增加了电动车辆的制动系统的开发成本和风险，导致使用串联式复合制动系统的电动车辆受到市场对电动车辆的低成本控制的制约。

综上可见，当电动车辆采用不同结构的复合制动系统时，虽然其制动能量回馈控制与制动稳定性控制的特性有所不同，但是，制动能量回馈控制与制动稳定性控制在一定程度上相互制约。当制动能量回馈控制达到理论上分析可能得到的最大回馈效率时，容易出现因电动车辆在制动过程中的轴荷转移及扰动而导致电动车辆在低附着路面上出现车轮抱死等制动稳定性问题；当电动车辆的制动稳定性限制在采用电机单独制动时，虽然不会出现车轮抱死现象，但易导致电动车辆上同时工作的再生能量回馈制动与摩擦系统不协调。由此可见，如何在保证电动车辆的制动稳定性的基础上对电动车辆上的再生能量回馈制动与液压制动进行协调，是本领域技术人员急需解决的技术问题。

发明内容

为解决现有的电动车辆无法在保证其制动稳定性的基础上对其再生能量回馈制动与液压制动进行协调的问题，本发明提出一种电动车辆的复合制动系统，该复合制动系统包括整车控制器、驱动电机、驱动电机控制器、制动协调器、液压制动控制器、液压制动器、制动踏板传感器和电池能量管理系统；

所述整车控制器中设置有车辆状态估计模块，该车辆状态估计模块通过CAN总线分别与所述驱动电机控制器、所述制动踏板传感器以及所述电池能量管理系统连接，并根据所述驱动电机的转速估计出所述电动车辆的车速v，根据采集到的制动信号解析出所述电动车辆的制动强度z，根据所述电池能量管理系统实时发出的电池的荷电状态信号得出所述电池的荷电状态SoC；所述整车控制器根据所述电动车辆的车速v、制动强度z及电池的荷电状态SoC选用复合制动模式或液压制动模式对所述电动车辆进行制动；

所述驱动电机控制器通过所述CAN总线与所述整车控制器连接，控制所述驱动电机的工作模式和输出扭矩；

所述制动协调器通过所述CAN总线与所述整车控制器连接，该制动协调器与所述驱动电机控制器连接，并通过所述液压制动控制器与所述液压制动器连接，且该制动协调器根据所述整车控制器发出的控制指令通过所述驱动电机控制器和所述液压制动控制器对分配给所述驱动电机和所述液压制动器的制动扭矩进行调节；

所述驱动电机包括第一驱动电机和第二驱动电机，所述第一驱动电机与所述电动车辆的前轴连接，并根据所述整车控制器发出的控制指令驱动所述前轴转动或向所述前轴施加电机制动扭矩；所述第二驱动电机与所述电动车辆的后轴连接，并根据所述整车控制器发出的控制指令驱动所述后轴转动或向所述后轴施加电机制动扭矩。

该复合制动系统通过车辆状态估计模块得出车辆所处的状态，并根据车辆所处的状态选用复合制动模式或液压制动模式对电动车辆进行制动，并通过制动协调器对分配给驱动电机的电机制动力和分配给液压制动器的液压制动力进行调节，使电动车辆在保证制动稳定性的基础上提高再生制动能量的回收效率。

优选地，在所述液压制动控制器和所述液压制动器之间设置有感载比例阀，该感载比例阀用于对所述液压制动控制器分配给所述前轴和所述后轴的液压制动扭矩进行调节。这样，该复合制动系统对电动车辆进行制动时，通过感载比例阀对分配给前轴液压制动器和后轴液压制动器的液压制动扭矩进行调节，即对施加到电动车辆的前轴和后轴上的液压制动扭矩进行调节。

本发明还提出一种用于上述的电动车辆的复合制动系统的复合制动方法，该复合制动方法包括如下步骤：

步骤一，由所述整车控制器中的车辆状态估计模块估计出所述电动车辆的车速v，当所述第一驱动电机与所述第二驱动电机同时工作且所述车速v≥60km/h时，所述电动车辆处于双电机直接档四驱模式；当所述第一驱动电机与所述第二驱动电机同时工作且所述车速v<60km/h时，所述电动车辆处于双电机经减速四驱模式；

步骤二，在一般制动工况下实施制动操作后，所述整车控制器采集所述电动车辆的车速v、制动强度z及电池的荷电状态SoC，

当所述电动车辆处于 $\left\{\begin{array}{c}10\mathrm{km}/h\&le;v<60\mathrm{km}/h\\ 0.01\&le;z\&le;0.4\\ 0.1\&le;\mathrm{SoC}\&le;0.8\end{array}\right.$ 状态下时，处于所述双电机经减速四驱模式下的电动车辆处于由车速v、制动强度z和电池的荷电状态SoC形成的复合制动连续设计空间内；

当所述电动车辆处于 $\left\{\begin{array}{c}60\mathrm{km}/h\&le;v\&le;100\mathrm{km}/h\\ 0.01\&le;z\&le;0.4\\ 0.1\&le;\mathrm{SoC}\&le;0.8\end{array}\right.$ 状态下时，处于所述双电机直接档四驱模式下的电动车辆处于由车速v、制动强度z和电池的荷电状态SoC形成的复合制动连续设计空间内；

步骤三，针对所述复合制动系统的制动力分配参数驱动电机的总回馈制动力占总制动力的比例γ和第一驱动电机的回馈制动力矩占总回馈制动力矩的比例α建立不确定性复合制动预测模型：

对所述复合制动连续设计空间进行离散化处理得到离散的采样点，并对所述采样点进行优化计算，并将计算得到的所述制动力分配参数α和γ的满足可靠性要求的不确定性最优解α_opt和γ_opt存入结果数据库中；

以所述电动车辆的电池的荷电状态SoC、车速v和制动强度z为输入值，根据蒙特卡罗抽样方法对所述采样点的确定性优化解α_certain和γ_certain进行可靠性分析，以得到的符合可靠性要求的不确定性最优解α_opt和γ_opt为输出值，分别建立α_opt和γ_opt关于电池荷电状态SoC、车速v和制动强度z的响应面模型和根据精度满足条件对所述响应面模型的精度进行评价，

所述精度满足条件为： $\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}[{({\widetilde{\mathrm{\&alpha;}}}_{i,\mathrm{opt}}-{\mathrm{\&alpha;}}_{i,\mathrm{opt}})}^2+{({\widetilde{\mathrm{\&gamma;}}}_{i,\mathrm{opt}}-{\mathrm{\&gamma;}}_{i,\mathrm{opt}})}^2]\&le;{\mathrm{\&epsiv;}}_{\mathrm{predict}}$

其中，

N为所述采样点的总个数，

和分别为第i个采样点的响应面模型的拟合值，

α_i,opt和γ_i,opt分别为第i个采样点的不确定性优化模型的优化解，

ε_predict为所述响应面模型的允许预测误差；

当所述响应面模型的精度满足要求时，所建立的α_opt和γ_opt的响应面模型和即为不确定性复合制动预测模型；

当所述响应面模型的精度不满足要求时，重新进行采样并增加所述采样点的数量，重复上述操作，直至所述复合制动预测模型建立完成；

步骤四，当所述电动车辆的状态不处于所述复合制动连续设计空间内时，所述电动车辆采用液压制动模式进行制动，直至制动结束；

当所述电动车辆的状态处于复合制动连续设计空间内时，对所述复合制动预测模型在所述电动车辆的当前工作状态点(SoC,v,z)的预测有效性进行评价，当所述复合制动预测模型的预测值与该当前工作状态点所对应的不确定性优化模型的优化解之间的离差的平方和不大于所述复合制动预测模型的允许预测误差时，所述复合制动预测模型在该当前工作状态点的预测有效，所述电动车辆采用所述复合制动预测模型的制动力分配策略进行制动，直至下一个预测周期；当所述复合制动预测模型的预测值与该当前状态工作点所对应的不确定性优化模型的优化解之间的离差的平方和大于所述复合制动预测模型的允许预测误差时，所述复合制动预测模型的预测失效，所述电动车辆采用液压制动模式进行制动，直至下一个预测周期。

采用该复合制动方法对行驶的电动车辆进行制动时，整车控制器根据车辆状态估计模块估计得到的车辆的状态选用复合制动模式或液压制动模式对电动车辆进行制动，且当车辆状态处于复合制动连续设计空间内时，对不确定性复合制动预测模型的预测结果进行有效性判断，当预测有效时，采用不确定性复合制动预测模型的制动力分配策略对电动车辆进行制动直至下一个预测周期；当预测失效时，采用纯液压制动模式进行制动，直至下一个预测周期。这样，在制动过程中，可对电动车辆的电机制动力和液压制动力进行调节，使电动车辆在保证制动稳定性的基础上提高再生制动能量的回收效率。

优选地，在所述步骤三中，采用最优拉丁超立方的采样方法对所述复合制动连续设计空间进行离散化处理。这样，离散化处理得到的离散的采样点均匀分布在复合制动连续设计空间中，可避免产生的采样点离散和/或积聚等情况，且采样得到的采样点在复合制动连续设计空间中的分布有利于构造出能够反应全局的特定的响应面模型。

优选地，在所述步骤三中，在对所述采样点的确定性优化解α_certain和γ_certain进行可靠性分析时，以所述确定性优化解α_certain和γ_certain为均值，并根据设定的方差系数，在α_certain、γ_certain左右6西格玛范围内进行描述性采样，并将采样得到的描述性采样点设置为N₀组，分别对每一组数据进行计算，验证计算得到的所述确定性优化解α_certain和γ_certain是否满足所述制动力分配参数α和γ的边界约束条件，所述边界约束条件为：

$\left\{\begin{array}{cc}\mathrm{\&beta;}\&GreaterEqual;{\mathrm{\&beta;}}_{\mathrm{opt}}& (0\&le;z\&le;0.8)\\ \mathrm{\&beta;}\&GreaterEqual;\frac{L_r+{\mathrm{zH}}_g}{L}& (0\&le;z\&le;0.3)\\ \frac{(z-0.08)(L_r+{\mathrm{zH}}_g)}{\mathrm{zL}}<\mathrm{\&beta;}\&le;\frac{(z+0.08)(L_r+{\mathrm{zH}}_g)}{\mathrm{zL}}& (0.15\&le;z\&le;0.3)\\ \mathrm{\&beta;}\&GreaterEqual;1-\frac{(z+0.25)L}{0.74(L_f-{\mathrm{zH}}_g)z}& (0.3\&le;z\&le;0.8)\\ 1-\frac{(L_r-{\mathrm{zH}}_g)(\frac{z-0.1}{0.85}+0.2)}{\mathrm{Lz}}\&le;\mathrm{\&beta;}\&le;\frac{(L_r+{\mathrm{zH}}_g)(\frac{z-0.1}{0.85}+0.2)}{\mathrm{Lz}}& (0.2\&le;z\&le;0.8)\\ T_m\&le;T_{\mathrm{opt}}& \\ T_{m1}\&le;T_{\mathrm{out}1}& \\ T_{m2}\&le;T_{\mathrm{out}2}& \\ 0\&le;\mathrm{\&gamma;}\&le;1& \\ 0\&le;\mathrm{\&alpha;}\&le;1& \end{array}\right.$

其中，

β为实际制动力分配系数，且β＝αγ+β₀(1-γ)，

β₀为液压制动系统感载比例阀分配系数，

β_opt为最佳制动力分配系数，且

L_r为所述电动车辆的质心到该电动车辆的后轴的距离，

L_f为所述电动车辆的质心到该电动车辆的前轴的距离，

L为所述电动车辆的轴距，

H_g为所述电动车辆的质心的高度，

T_opt为理想回馈扭矩，

T_out1为所述第一驱动电机的最大输出制动扭矩，

T_out2为所述第二驱动电机的最大输出制动扭矩；

在计算完毕后，统计出满足上述边界约束条件的制动力分配参数α和γ采样点的组数N₁，且当时，P_6σ为6西格玛可靠性概率，所述确定性优化解α_certain和γ_certain可靠，即可作为不确定性最优解α_opt和γ_opt；当时，所述确定性优化解α_certain和γ_certain不可靠，需重新对所述复合制动连续设计空间进行离散化处理。

优选地，所述复合制动预测模型的允许预测误差ε_predict为5％。

附图说明

图1为现有技术中的并联式复合制动系统的制动原理示意图；

图2为现有技术中的串联式复合制动系统的制动原理示意图；

图3为本发明中电动车辆的复合制动系统的结构示意图；

图4为本发明中电动车辆的复合制动系统中的感载比例阀的制动力分配特性示意图；

图5为本发明中电动车辆的复合制动系统的制动原理示意图；

图6为本发明中电动车辆的复合制动方法的流程图；

图7为本发明中建立不确定性复合制动预测模型的流程图；

图8为本发明中对采样点进行可靠性分析的流程图；

图9为本发明中电动车辆的驱动电机的峰值回馈扭矩-转速曲线示意图；

图10为本发明中电动车辆的驱动电机能量回馈效率map图；

图11为本发明中电动车辆的制动稳定区域图；

图12为本发明中采样点在的复合制动连续设计空间的分布示意图；

图13为电动车辆采用本发明中的复合制动方法进行制动时，构建的复合制动预测模型的预测误差分析结果示意图；

图14为电动车辆采用本发明中的复合制动方法进行制动，连续设计空间离散化采样为50个点时，构建的复合制动预测模型的设计参数及响应的可靠性分析结果示意图；

图15为电动车辆采用本发明中的复合制动方法进行制动的评价结果示意图，其中，图15(A)为本发明中的复合制动方法的需求制动扭矩跟随的评价结果示意图，图15(B)为本发明中的复合制动方法的再生制动能量回收效率的评价结果示意图。

具体实施方式

下面，结合附图3-15对本发明电动车辆的复合制动系统及采用该复合制动系统进行复合制动的方法进行详细说明。

如图3所示，电动车辆的复合制动系统包括车辆状态估计模块1、驱动电机、驱动电机控制器3、制动协调器4、液压制动控制器5、液压制动器、制动踏板传感器7和电池能量管理系统8。

车辆状态估计模块1设置在整车控制器中，并通过CAN总线(ControllerAreaNetwork，即控制器局域网，其中，CANH为高电平信号传输线，CANL为低电平信号传输线)分别与驱动电机控制器3、制动踏板传感器7和电池能量管理系统8连接。该车辆状态估计模块1根据驱动电机的转速估计出电动车辆的车速v，根据由制动踏板传感器7采集并送入到车辆状态估计模块1中的制动信号解析得出电动车辆的制动强度z，根据电池能量管理系统8实时发出的电池的荷电状态信号得出电池的荷电状态(StateofCharge即SoC)。

整车控制器根据车辆状态估计模块1得出的电动车辆的车速v、制动强度z及电池的荷电状态SoC选用复合制动模式或液压制动模式对电动车辆进行制动。

驱动电机控制器3通过CAN总线与整车控制器连接，用于控制驱动电机的工作模式和输出扭矩。制动协调器4通过CAN总线与整车控制器连接，且该制动协调器4与驱动电机控制器3连接，并通过液压制动控制器5与液压制动器连接。在制动过程中，制动协调器4根据整车控制器发出的控制指令通过驱动电机控制器3和液压制动控制器5对分配给驱动电机和液压制动器的电机制动扭矩(电机制动扭矩又称再生制动扭矩、回馈制动扭矩)和液压制动扭矩进行调节，以对电动车辆由驱动电机产生的再生能量回馈制动和由液压制动器产生的液压制动进行协调。

驱动电机包括第一驱动电机2a和第二驱动电机2b，第一驱动电机2a的输出端通过变速耦合箱9与电动车辆的前轴10a连接，该第一驱动电机2a在工作过程中根据整车控制器发出的控制指令驱动前轴10a转动或向前轴10a施加电机制动扭矩；第二驱动电机2b的输出端通过耦合变速箱9与电动车辆的后轴10b连接，该第二驱动电机2b根据整车控制器发出的控制指令驱动后轴10b转动或向后轴10b施加电机制动扭矩。当第一驱动电机2a和第二驱动电机2b同时工作时，由于第一驱动电机2a驱动前轴10a转动或向前轴10a施加电机制动扭矩，第二驱动电机2b驱动后轴10b转动或向后轴10b施加电机制动扭矩，故此时电动车辆处于双电机四驱模式。

驱动电机控制器3通过CAN总线与驱动电机连接，用于控制驱动电机的工作模式，并根据整车控制器发出的控制指令使该驱动电机向电动车辆的前轴10a和后轴10b施加驱动扭矩或制动扭矩，并控制驱动电机的输出扭矩。

制动协调器4通过CAN总线与驱动电机控制器3和液压制动控制器5连接，并根据整车控制器发出的控制指令对分配给驱动电机的电机制动扭矩和分配给液压制动器的液压制动扭矩进行调节。

液压制动控制器5通过CAN总线和感载比例阀11连接，且感载比例阀11与位于电动车辆前轴10a上的前轴液压制动器6a和位于电动车辆后轴10b上的后轴液压制动器6b连接。液压制动控制器5通过感载比例阀11对分配给前轴液压制动器6a和后轴液压制动器6b的液压制动扭矩进行调节，即对施加到电动车辆的前轴10a和后轴10b上的液压制动扭矩进行调节，其中，感载比例阀11制动力分配特性如图4所示。

电池能量管理系统8用于对电动车辆的电池进行管理，记录电池充、放电状态数据，并实时向整车控制器中的车辆状态估计模块1发出电池的荷电状态SoC。

使用该电动车辆的复合制动系统对电动车辆进行制动时，该复合制动系统分配给驱动电机和液压制动器的总制动力等于电动车辆制动所需的需求制动力，且总制动力分配如图5所示，其中，该复合制动系统分配给驱动电机的制动力为电机制动力F_m，又称为回馈制动力；该复合制动系统分配给液压制动器的制动力为液压制动力F_h，且液压制动力F_h由前轮液压制动力F_hf和后轮液压制动力F_hr叠加形成。

结合图3和6，详细说明本发明电动车辆的复合制动方法的具体实施步骤：

步骤一，电动车辆处于行驶状态，车辆状态估计模块1根据驱动电机的转速估计出电动车辆的车速v，并根据电动车辆的驱动电机中的第一驱动电机和第二驱动电机的工作状态以及电动车辆的车速判定电动车辆所处的工作模式。当驱动电机中的第一驱动电机与第二驱动电机同时工作，且第一驱动电机驱动电动车辆的前轴转动或向电动车辆的前轴施加制动扭矩，第二驱动电机驱动电动车辆的后轴转动或向电动车辆的后轴施加制动扭矩时，可判定电动车辆的工作模式为双电机四驱模式。由于电动车辆中的单电机最大输出转速受到电动车辆的传动系统的最大传动比限制，故可以根据电动车辆的传动系统的传动比来判定电动车辆的工作模式。在具体判定时，需先根据电动车辆的车况得出该电动车辆处于双电机经减速四驱模式下的车速上限v_减max，故，当处于双电机四驱模式下的电动车辆的车速v＜v_减max时，该电动车辆的工作模式即为双电机经减速四驱模式(4L驱动模式)；当处于双电机四驱模式下的电动车辆的车速v≥v_减max时，该电动车辆的工作模式即为双电机直接档四驱模式(4H驱动模式)。在本发明中，设定电动车辆的经减速四驱模式的车速上限为60km/h，故，当电动车辆的车速v<60km/h时，电动车辆处于双电机经减速四驱模式(4L驱动模式)；当电动车辆的车速v≥60km/h时，电动车辆处于双电机直接档四驱模式(4H驱动模式)。

步骤二，在一般制动工况下，驾驶员踩下制动踏板实施制动操作后，制动踏板传感器7采集由制动踏板产生的制动信号，并将该制动信号送入到车辆状态估计模块1中，由该车辆状态估计模块1解析出制动强度z。整车控制器根据车辆状态估计模块1估计出的电动车辆的车速v、解析出的制动强度z以及接收到的由电池能量管理系统8实时发出的电池的荷电状态SoC判断电动车辆是否处于由电动车辆的车速v、制动强度z和荷电状态SoC形成的复合制动连续设计空间内。

由于电动车辆在低速行驶时，其驱动电机的发电效率较低，故本发明将电动车辆的复合制动的车速下限设置为10km/h，即该电动车辆的复合制动连续设计空间中的车速的下限为10km/h。由于根据电动车辆的车况可得出该电动车辆处于双电机经减速四驱模式下的车速上限v_减max和该电动车辆处于双电机直接档四驱模式下的车速上限v_max，且v_max＞v_减max＞10km/h，故复合制动连续设计空间可根据电动车辆的车速v划分为第一复合制动连续设计空间和第二复合制动连续设计空间，且当10km/h≤v＜v_减max时，电动车辆的状态处于第一复合制动连续设计空间内；当v_减max≤v≤v_max时，电动车辆的状态处于第二复合制动连续设计空间内。在本发明中，电动车辆的复合制动的车速上限设置为100km/h，故，当10km/h≤v＜60km/h时，电动车辆的状态处于第一复合制动连续设计空间内，当60km/h≤v≤100km/h时，电动车辆的状态处于第二复合制动连续设计空间内。

由于在电动车辆的制动强度较小时，其驱动电机的发电效率较小，故设定电动车辆在一般制动工况下的需求制动强度的范围为[0.01-0.4]。

由于在电动车辆的电池的荷电状态SoC>0.8时，该电动车辆的电池一般不进行充电；在电动车辆的电池的荷电状态SoC<0.3时，该电动车辆的电池一般需进行停车充电。另外，由于复合制动连续设计空间需要具有一定的容限，故本发明将电动车辆的电池的荷电状态SoC的范围设定为[0.1-0.8]。

综上可见，本发明中，第一复合制动连续设计空间由式(1)表示，第二复合制动连续设计空间由式(2)表示：

$\left\{\begin{array}{c}10\mathrm{km}/h\&le;v<60\mathrm{km}/h\\ 0.01\&le;z\&le;0.4\\ 0.1\&le;\mathrm{SoC}\&le;0.8\end{array}\right.---\left(1\right)$

$\left\{\begin{array}{c}60\mathrm{km}/h\&le;v\&le;100\mathrm{km}/h\\ 0.01\&le;z\&le;0.4\\ 0.1\&le;\mathrm{SoC}\&le;0.8\end{array}\right.---\left(2\right)$

当电动车辆处于双电机经减速四驱模式且状态满足式(1)时，电动车辆处于第一复合制动连续设计空间内；

当电动车辆处于双电机直接档四驱模式且状态满足式(2)时，电动车辆处于第二复合制动连续设计空间内。

步骤三，针对复合制动系统的动力分配参数驱动电机的总回馈制动力占总制动力的比例γ和第一驱动电机的回馈制动力矩占总回馈制动力矩的比例α建立不确定性复合制动预测模型。

下面，以电动车辆处于直接档四驱模式下的复合制动为例，根据如图7所示的流程图，针对复合制动系统的动力分配参数驱动电机的总回馈制动力占总制动力的比例γ和第一驱动电机的回馈制动力矩占总回馈制动力矩的比例α建立不确定性复合制动预测模型。

当双电机驱动的电动车辆在直接档四驱模式一般制动工况下时，其制动力二次再分策略的数学模型如式(3)所示：

$\left\{\begin{array}{c}{T}_m={\mathrm{\&gamma;\&delta;zmgr}}_w\\ T_{m1}={\mathrm{\&alpha;\&gamma;\&delta;zmgr}}_w\\ T_{m2}=\mathrm{\&gamma;}(1-\mathrm{\&alpha;}){\mathrm{\&delta;zmgr}}_w\\ T_{\mathrm{hf}}{=\mathrm{\&beta;}}_0(1-\mathrm{\&gamma;}){\mathrm{\&delta;zmgr}}_w\\ T_{\mathrm{hr}}=(1-{\mathrm{\&beta;}}_0)(1-\mathrm{\&gamma;}){\mathrm{\&delta;zmgr}}_w\end{array}\right.---\left(3\right)$

其中，

T_m为驱动电机在电动车辆的车轮处的等效制动力矩；

T_m1为电动车辆的前轴在车轮处的等效回馈制动力矩；

T_m2为电动车辆的后轴在车轮处的等效回馈制动力矩；

δ为旋转质量换算系数；

m为整车整备质量；

T_hf为前轴在车轮处等效液压制动力矩；

T_hr为后轴在车轮处等效液压制动力矩；

g为重力加速度；

r_w为车轮滚动半径；

β₀为前轮液压制动力占总的液压制动力分配比例，是液压制动系统感载比例阀的固有特性参数。

根据制动力分配系数β的定义，可求解得：

$\mathrm{\&beta;}=\frac{\frac{T_{m1}}{r_w}+\frac{T_{\mathrm{hf}}}{r_w}}{F_r}=\mathrm{\&alpha;\&gamma;}+{\mathrm{\&beta;}}_0(1-\mathrm{\&gamma;})---\left(4\right)$

为使该电动车辆在行驶过程中能够实现能量回馈效率最大化与制动稳定性最大化，对该电动车辆的制动力二次再分策略进行确定性优化设计，并以制动力分配参数γ和α为制动力二次再分策略的优化设计变量建立该电动车辆的制动力二次再分策略的分配参数的确定性优化数学模型，且

x＝{γ,α}^T(5)

其中，T表示矩阵转置。

最大化能量回收效率目标由电动车辆的理想回馈制动扭矩来表征。理想回馈制动扭矩是指在特定工况下，并在驱动电机最大再生制动扭矩和电池最大充电扭矩的限制条件下，等效到车轮处的最大回馈制动扭矩。由此可见，在计算电动车辆的理想回馈制动扭矩时，需先计算出该电动车辆的最大再生制动扭矩T_{mot_brake}和电池的最大充电扭矩T_{battery_charge}。

根据电机的外特性曲线可知，电机的最大再生制动扭矩T_{mot_brake}受该电机的转速限制，故电动车辆中的第一驱动电机最大再生制动扭矩T_{mot_brake1}可根据第一驱动电机的转速通过一维插值方法从如图9所示的峰值回馈扭矩-转速曲线示意图中得出，第二驱动电机最大再生制动扭矩T_{mot_brake2}可根据第二驱动电机的转速通过一维插值方法从如图9所示的峰值回馈扭矩-转速曲线示意图中得出，故可得出该电动车辆中的驱动电机的最大再生制动扭矩T_{mot_brake}，且

T_{mot_brake}＝T_{mot_brake1}+T_{mot_brake2}(6)

根据电池的充电特性可知，电池的最大充电扭矩T_{battery_charge}受该电池的荷电状态SoC限制，故在计算该电池的最大充电扭矩T_{battery_charge}时，需先确定该电池在特定的荷电状态下的最大充电功率P_charging。

当电池的荷电状态(StateofCharge即SoC)处于不同水平下时，充电功率P_charging如式(7)所示：

$P_{\mathrm{ch}\arg \mathrm{ing}}=\left\{\begin{array}{cc}{P}_{\mathrm{ch}\arg \mathrm{ing}\_\max }& \mathrm{SoC}\&le;0.3\\ \frac{0.8-\mathrm{SoC}}{0.5}{P}_{\mathrm{ch}\arg \mathrm{ing}\_\max }& 0.3<\mathrm{SoC}<0.8\\ 0& \mathrm{SoC}\&GreaterEqual;0.8\end{array}\right.---\left(7\right)$

其中，P_{charging_max}为电池的最大充电功率。

进而可得出：

$T_{\mathrm{battery}\_\mathrm{ch}\arg e}=\frac{9550P_{\mathrm{ch}\arg \mathrm{ing}}}{\mathrm{n\&eta;}(n,P_{\mathrm{ch}\arg \mathrm{ing}})}---\left(8\right)$

其中，

P_charging为电动车辆的电池在特定SoC水平下的最大充电功率；

n为驱动电机的转速；

η(n,P_recharging)为驱动电机的发电效率，可以表示成驱动电机的转速n和发电功率的二维函数，如图10所示。

电动车辆的最大充电扭矩可由式(9)得出，

T_opt＝min{T_{mot_brake},T_{battery_charge}}(9)

即：

当T_{mot_brake}＞T_{battery_charge}时，T_opt＝T_{battery_charge}；

当T_{mot_brake}＜T_{battery_charge}时，T_opt＝T_{mot_brake}。

最大制动稳定性目标由理想制动力分配曲线来表征。按照理想制动力分配曲线对电动车辆的前、后轴上的制动力进行分配，该电动车辆可获得最佳的制动效能和制动稳定性。在理想制动力分配状态下，制动力的分配系数为理想制动力分配系数β_opt，即最佳制动稳定性目标值，且

${\mathrm{\&beta;}}_{\mathrm{opt}}=\frac{L_r+{\mathrm{zH}}_g}{L}---\left(10\right)$

其中，

L_r为电动车辆的质心到该电动车辆的后轴的距离，

L为电动车辆的轴距，

H_g为电动车辆的质心的高度。

综合最大化能量回收效率目标和最大化制动稳定性目标，为保证两个优化目标的数量级一致，故对上述两个优化目标均进行归一化处理，因此，优化目标函数F可表示为：

$F={\left(\frac{T_m-T_{\mathrm{opt}}}{T_{\mathrm{opt}}}\right)}^2+{\left(\frac{{\mathrm{\&beta;}-\mathrm{\&beta;}}_{\mathrm{opt}}}{{\mathrm{\&beta;}}_{\mathrm{opt}}}\right)}^2---\left(11\right)$

为保证优化结果的有效性，需根据由稳定制动区域的限制条件、总再生制动扭矩的限制条件、单电机最大再生制动扭矩的限制条件和一般数学模型的限制条件构成的边界约束条件对制动力分配参数α和γ进行限定。

(一)针对稳定制动区域

本发明中的稳定性制动区域的界定仅考虑一般制动稳定性条件和我国制动法规ZBT24007-1989的限制。

(1)制动稳定性条件

根据制动理论可知，制动稳定性的前提条件是保证电动车辆的前轴附着率μ_f大于或等于其后轴附着率μ_r，即，μ_f≥μ_r，且当μ_f＝μ_r时，该电动车辆的前、后轴车轮的制动力分配为理想的制动力分配，处于制动稳定性的极限状态，故

a：β≥β_opt(0≤z≤0.8)(12)

(2)ZBT24007-1989制动法规

为保证制动稳定性，我国明确规定了车辆前、后轴制动力分配的系数的取值范围，在各种负载情况下，总质量大于3.5吨的货车的规定如下：

$\left\{\begin{array}{cc}b:\mathrm{\&beta;}\&GreaterEqual;\frac{L_r+{\mathrm{zH}}_g}{L}& 0\&le;z\&le;0.3\\ c:\frac{(z-0.08)(L_r+{\mathrm{zH}}_g)}{\mathrm{zL}}<\mathrm{\&beta;}\&le;\frac{(z+0.08)(L_r+{\mathrm{zH}}_g)}{\mathrm{zL}}& 0.15\&le;z\&le;0.3\\ d:\mathrm{\&beta;}\&GreaterEqual;1-\frac{(z+0.25)L}{0.74(L_f-{\mathrm{zH}}_g)z}& 0.3\&le;z\&le;0.8\\ e:1-\frac{(L_f-{\mathrm{zH}}_g)(\frac{z-0.1}{0.85}+0.2)}{\mathrm{Lz}}\&le;\mathrm{\&beta;}\&le;\frac{(L_r+{\mathrm{zH}}_g)(\frac{z-0.1}{0.85}+0.2)}{\mathrm{Lz}}& (0.2\&le;z\&le;0.8)\end{array}\right.---\left(13\right)$

综合制动稳定性条件和ZBT24007-1989制动法规，以制动强度z为横坐标，以制动力分配系数β为纵坐标，可得出如图11所示的制动稳定性区域，其中，曲线a对应式(12)、曲线b对应式(13)中的b，曲线c对应式(13)中的c，曲线d对应式(13)中的d，曲线e对应式(13)中的e。

(二)总再生制动扭矩限制

电动车辆在进行制动时，由第一驱动电机和第二驱动电机共同输出再生制动扭矩，故由第一驱动电机和第二驱动电机共同输出的再生制动扭矩为总再生制动扭矩T_m。由于电动车辆的总再生制动扭矩受到特定工况下电池的荷电状态SoC和电机的最大再生制动扭矩的限制，故该电动车辆的总再生制动扭矩不能大于其理想的回馈制动扭矩，即

T_m≤T_opt(14)

(三)单电机最大再生制动扭矩限制

电动车辆在进行制动时，在特定工况下，单电机的最大再生制动扭矩不大于单电机的最大制动扭矩，即

$\left\{\begin{array}{c}{T}_{m1}{\&le;T}_{\mathrm{out}1}\\ T_{m2}\&le;T_{\mathrm{out}2}\end{array}\right.---\left(15\right)$

其中，

T_out1为利用一维插值法从如图9所示的驱动电机峰值回馈扭矩_-转速曲线中得出的第一驱动电机的最大制动扭矩值；

T_out2为利用一维插值法从如图9所示的驱动电机峰值回馈扭矩_-转速曲线中得出的第二驱动电机的最大制动扭矩值。

(四)一般数学模型决定的限制

在制动力二次再分配策略的数学模型中，制动力分配参数γ和α的数学边界如式(16)所示，

$\left\{\begin{array}{c}0\&le;\mathrm{\&gamma;}\&le;1\\ 0\&le;\mathrm{\&alpha;}\&le;1\end{array}\right.---\left(16\right)$

综上所述，具有前后轴双电机驱动的电动车辆的复合制动系统在双电机四驱模式一般制动工况下，其制动力二次再分策略的分配参数的确定性优化数学模型为：

$F={\left(\frac{{\mathrm{\&gamma;\&delta;mgzr}}_w-T_{\mathrm{opt}}}{T_{\mathrm{opt}}}\right)}^2+{\left(\frac{{\mathrm{\&alpha;\&gamma;}+{\mathrm{\&beta;}}_0(1-\mathrm{\&gamma;})-\mathrm{\&beta;}}_{\mathrm{opt}}}{{\mathrm{\&beta;}}_{\mathrm{opt}}}\right)}^2---\left(17\right)$

其中，

对电动车辆的复合制动连续设计空间进行离散化处理得到离散的采样点。优选地，采用最优拉丁超立方(LatinHyper-cubeDesign，简称LHD)的采样方法进行采样，且得到的采样点如图12所示分布在电动车辆的复合制动连续设计空间内。这样，离散化处理得到的离散的采样点均匀分布在复合制动连续设计空间中，可避免产生的采样点离散和/或积聚等情况，且采样得到的采样点在复合制动连续设计空间中的分布有利于构造出能够反应全局的特定的响应面模型。

采用多岛遗传算法(multipleislandgeneticalgorithm，简称MIGA)对采样点进行优化计算，并将计算得到的制动力分配参数α和γ的不确定性最优解α_opt和γ_opt存入结果数据库中。

以电动车辆的电池的荷电状态SoC、车速v和制动强度z作为输入值，并根据(MonteCarlomethod)对采样点的确定性优化解α_certain和γ_certain进行可靠性分析，以得到符合可靠性要求的不确定性最优解α_opt和γ_opt为输出值，分别建立α_opt和γ_opt关于电池荷电状态SoC、车速v和制动强度z的响应面模型和 ${\widetilde{\mathrm{\&gamma;}}}_{\mathrm{opt}}(\mathrm{SoC},v,z).$

在对采样点的确定性优化解α_certain和γ_certain进行可靠性分析时，如图8所示，先通过6西格玛(DFSS)不确定优化方法对采样点的确定性优化解α_certain和γ_certain进行不确定性优化，且该不确定性优化采用多岛遗传算法进行优化计算。

6西格玛不确定优化数学模型设计的目标函数涉及其最小化平均性能μ_F和最小化性能波动σ_F两个指标，并对这两个指标进行归一化处理，得到：

F_uncertain＝μ_F+10^τσ_F(20)

且

其中，

F_uncertain为不确定性优化目标，

μ_F为目标函数F_uncertain的均值，σ_F为目标函数F_uncertain的标准方差，

τ由方差系数的数量级确定，使目标函数的两个性能指标处于同一数量级，

μ_β为β的均值，σ_β为β的标准方差，

μ_α为α的均值，σ_α为α的标准方差，

为T_m的均值，为T_m的标准方差，

为T_m1的均值，为T_m1的标准方差，

为T_m2的均值，为T_m2的标准方差，

μ_γ为γ的均值，σ_γ为γ的标准方差。

在对采样点的确定性优化解α_certain和γ_certain进行可靠性分析时，以确定性优化解α_certain和γ_certain为均值，且设定的方差系数0.02，在α_certain和γ_certain的左、右6西格玛范围内进行描述性采样，并将得到的描述性采样点设置为N₀组，分别对每一组数据进行计算，并验证计算得到确定性优化解α_certain和γ_certain是否满足如式(21)所示的制动力分配参数α和γ边界约束条件，

$\left\{\begin{array}{cc}\mathrm{\&beta;}\&GreaterEqual;{\mathrm{\&beta;}}_{\mathrm{opt}}& (0\&le;z\&le;0.8)\\ \mathrm{\&beta;}\&GreaterEqual;\frac{L_r+{\mathrm{zH}}_g}{L}& (0\&le;z\&le;0.3)\\ \frac{(z-0.08)(L_r+{\mathrm{zH}}_g)}{\mathrm{zL}}<\mathrm{\&beta;}\&le;\frac{(z+0.08)(L_r+{\mathrm{zH}}_g)}{\mathrm{zL}}& (0.15\&le;z\&le;0.3)\\ \mathrm{\&beta;}\&GreaterEqual;1-\frac{(z+0.25)L}{0.74(L_f-{\mathrm{zH}}_g)z}& (0.3\&le;z\&le;0.8)\\ 1-\frac{(L_r-{\mathrm{zH}}_g)(\frac{z-0.1}{0.85}+0.2)}{\mathrm{Lz}}\&le;\mathrm{\&beta;}\&le;\frac{(L_r+{\mathrm{zH}}_g)(\frac{z-0.1}{0.85}+0.2)}{\mathrm{Lz}}& (0.2\&le;z\&le;0.8)\\ T_m\&le;T_{\mathrm{opt}}& \\ T_{m1}\&le;T_{\mathrm{out}1}& \\ T_{m2}\&le;T_{\mathrm{out}2}& \\ 0\&le;\mathrm{\&gamma;}\&le;1& \\ 0\&le;\mathrm{\&alpha;}\&le;1& \end{array}\right.---\left(21\right)$

其中，

β_opt为理想制动力分配系数，且

L_r为电动车辆的质心到该电动车辆的后轴的距离，

L_f为电动车辆的质心到该电动车辆的前轴的距离，

L为电动车辆的轴距，

H_g为电动车辆的质心的高度，

T_opt为理想回馈扭矩，

T_out1为第一驱动电机的最大输出制动扭矩，

T_out2为第二驱动电机的最大输出制动扭矩，。

在计算完毕后，统计出满足上述边界约束条件的制动力参数α和γ的组数N₁，进而根据式(22)所表示的概率要求判断采样点是否可靠，

$\frac{N_1}{N_0}\&GreaterEqual;P_{6\mathrm{\&sigma;}}---\left(22\right)$

其中，P_6σ为6西格玛可靠性概率，约为99.99966％。

即当时，采样点的确定性优化解α_certain和γ_certain可靠；当时，采样点的确定性优化解α_certain和γ_certain不可靠，需重新对复合制动连续设计空间进行离散化处理，重新进行采样。

最后，根据如式(18)所示精度满足条件对响应面模型的精度进行评价，

$\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}[{({\widetilde{\mathrm{\&alpha;}}}_{i,\mathrm{opt}}-{\mathrm{\&alpha;}}_{i,\mathrm{opt}})}^2+{({\widetilde{\mathrm{\&gamma;}}}_{i,\mathrm{opt}}-{\mathrm{\&gamma;}}_{i,\mathrm{opt}})}^2]\&le;{\mathrm{\&epsiv;}}_{\mathrm{predict}}---\left(18\right)$

其中，

N为采样点总个数，

和分别为第i个采样点的响应面模型和的拟合值，

α_i,opt和γ_i,opt分别为第i个采样点的不确定性优化模型的优化解，

ε_predict为响应面模型的允许预测误差，优选地，ε_predict的取值为5％。

当响应面模型的精度满足要求时，所建立的关于α_opt、和γ_opt的响应面模型和即为制动力二次再分策略的分配参数α和γ的不确定性复合制动预测模型和当响应面模型的精度不满足要求时，重新对复合制动连续设计空间进行离散化处理，并增加采样点的数量，再重复上述操作，直至制动力二次再分策略的分配参数α和γ的不确定性复合制动预测模型建立完成。

在实施本发明时，可离线建立该不确定性复合制动预测模型，并在电动车辆实施制动操作时应用该不确定性复合制动预测模型对电动车辆进行制动。

步骤四，当电动车辆的状态不处于复合制动连续设计空间内时，采用如式(19)所示的控制策略对电动车辆进行制动，

其中，

为不确定性复合制动预测模型中β的估计值，

为不确定性复合制动预测模型中T_m的估计值，

为不确定性复合制动预测模型中T_m1的估计值，

为不确定性复合制动预测模型中T_m2的估计值，

表示制动强度z在电机制动中的分配，

表示制动强度z在液压制动中的分配，

即当电动车辆的状态不处于复合制动连续设计空间内时，电动车辆采用液压制动模式进行制动，直至制动结束。

当电动车辆的状态处于复合制动连续设计空间内时，需先对复合制动预测模型在电动车辆的当前工作状态点(SoC,v,z)的预测有效性进行评价。

在对复合制动预测模型在电动车辆的当前工作状态点(SoC,v,z)的预测有效性进行评价时，采用的评价条件如式(23)所示，

${({\widetilde{\mathrm{\&alpha;}}}_{\mathrm{opt}}-{\mathrm{\&alpha;}}_{\mathrm{opt}})}^2+{({\widetilde{\mathrm{\&gamma;}}}_{\mathrm{opt}}-{\mathrm{\&gamma;}}_{\mathrm{opt}})}^2\&le;{\mathrm{\&epsiv;}}_{\mathrm{predict}}---\left(23\right)$

其中，

为复合制动预测模型的预测值，

α_opt、γ_opt为不确定性优化模型的优化解。

即当复合制动预测模型的预测值与该当前工作状态点所对应的不确定性优化模型的优化解之间的离差的平方和不大于复合制动预测模型的允许预测误差时，复合制动预测模型在该当前工作状态点的预测有效，电动车辆采用复合制动预测模型的制动力分配策略进行制动，直至下一个预测周期；当复合制动预测模型的预测值与该当前状态工作点所对应的不确定性优化模型的优化解之间的离差的平方和大于复合制动预测模型的允许预测误差时，复合制动预测模型的预测失效，电动车辆采用液压制动模式进行制动，直至下一个预测周期。

基于MATLAB/Simulink软件建立前、后轴由双电机驱动的电动车辆的复合制动系统的仿真模型，并设定方差系数为0.02，描述性采样点的组数N₀设置为2000，构建电动车辆的复合制动系统中分配参数α_opt、γ_opt的不确定性响应面模型 ${\widetilde{\mathrm{\&alpha;}}}_{\mathrm{uncertain}},{\widetilde{\mathrm{\&gamma;}}}_{\mathrm{uncertain}},$ 其中，

$\begin{array}{c}{\widetilde{\mathrm{\&alpha;}}}_{\mathrm{uncertain}}=2.3123174149553-1.87901977351328\mathrm{SoC}-0.0731224271758056v\\ +2.44125644838267z+14.3716298148881{\mathrm{SoC}}^2+0.00125387576692019v^2\\ -33.3940653656213z^2-36.4361376188002{\mathrm{SoC}}^3-9.56559822729304e^{-6}{v}^3\\ +148.146676920532z^3+28.7027825142{\mathrm{SoC}}^4+2.69850307367193e^{-8}{v}^4\\ -198.244612836754z^4-0.00225127949680582\mathrm{SoCv}-0.87952514514617\mathrm{SoCz}\\ -0.0151230495768745\mathrm{vz}\end{array}$

$\begin{array}{c}{\widetilde{\mathrm{\&gamma;}}}_{\mathrm{uncertain}}=0.177388683073613-3.56132390174171\mathrm{SoC}+0.116444298238194v\\ -15.4751387927092z+19.1476439825186{\mathrm{SoC}}^2-0.0027034876385056v^2\\ +63.8351311625555z^2-48.5843144824959{\mathrm{SoC}}^3+2.48059774992446e^{-5}{v}^3\\ -142.138769147083z^3+40.2207442774347{\mathrm{SoC}}^4-8.22672123174897e^{-8}{v}^4\\ +116.739012965925z^4+0.00360382516424369\mathrm{SoCv}+1.59165325333914\mathrm{SoCz}\\ +2.48059774992446e^{-5}\mathrm{vz}\end{array}$

对上述响应面模型的拟合误差进行分析，得到的分析结果如图13所示。由该分析结果可知，电动车辆在四驱工作模式下，和均具有较好的拟合精度，仅有部分样本点偏离采样值。

分别针对电动车辆的双电机直接档四驱模式和双电机经减速四驱模式的离散的采样点进行不确定性优化计算，得到的计算结果如图14所示。由该计算结果可知，无论电动车辆处于双电机直接档四驱模式下，还是处于双电机经减速四驱模式下，响应面模型的设计参数及响应的可靠度均为8σ，即不确定性优化可靠。

针对电动车辆的四驱工作模式，对其不确定性优化结果和确定性优化结果进行比较，比较结果如图15所示，且该比较仅针对电动车辆的总再生制动扭矩偏离理想充电扭矩的相对误差即再生制动能量回收效率μ和输出制动扭矩偏离需求制动扭矩的相对误差即需求制动力跟随ε进行比较，且

$\left\{\begin{array}{c}\mathrm{\&mu;}=\frac{T_{m\_\mathrm{opt}}-T_{m\_\mathrm{actual}}}{T_{m\_\mathrm{actual}}}\&times;100\%\\ \mathrm{\&epsiv;}=\frac{T_{\mathrm{actual}}-T_{\mathrm{require}}}{T_{\mathrm{require}}}\&times;100\%\end{array}\right.---\left(24\right)$

其中，

T_{m_opt}为驱动电机的理想再生制动扭矩，

T_{m_actual}为驱动电机的实际再生制动扭矩，

T_actual为电动车辆实际输出的总制动扭矩，

T_require为电动车辆进行制动时需求输出的总制动扭矩。

由图15(A)所示的比较结果可知，不确定性优化的ε值均大于确定性优化的ε值，即不确定性复合制动预测模型的制动力分配曲线偏离理想制动力分配曲线较大，故不确定性优化的制动稳定性虽然差于确定性优化，但其能够顾及到整车制动稳定性。由图15(B)所示的比较结果可知，不确定性优化的μ绝对值均大于确定性优化的μ绝对值，故不确定性优化的再生制动能量回收效率虽然低于确定性优化的，但其能够实现再生制动能量的回收。

结合图14和15可知，采用本发明中的电动车辆的复合制动方法对电动车辆进行制动时，虽然其复合制动特性低于确定性优化，但能够兼顾整车制动稳定性和能量回馈效率的要求，并因其设计参数及响应的可靠性得到有力保证，可确保该复合制动系统的可靠性，提高了电动车辆的制动力二次再分策略的可靠性。

Claims (7)

1.一种电动车辆的复合制动系统，其特征在于，该复合制动系统包括整车控制器、驱动电机、驱动电机控制器、制动协调器、液压制动控制器、液压制动器、制动踏板传感器和电池能量管理系统；

所述整车控制器中设置有车辆状态估计模块，该车辆状态估计模块通过CAN总线分别与所述驱动电机控制器、所述制动踏板传感器以及所述电池能量管理系统连接，并根据所述驱动电机的转速估计出所述电动车辆的车速v，根据采集到的制动信号解析出所述电动车辆的制动强度z，根据所述电池能量管理系统实时发出的电池的荷电状态信号得出所述电池的荷电状态SoC；所述整车控制器根据所述电动车辆的车速v、制动强度z及电池的荷电状态SoC对所述电动车辆进行制动，当所述电动车辆处于 $\left\{\begin{array}{c}10km/h\&le;v<60km/h\\ 0.01\&le;z\&le;0.4\\ 0.1\&le;SoC\&le;0.8\end{array}\right.$ 或 $\left\{\begin{array}{c}60km/h\&le;v\&le;100km/h\\ 0.01\&le;z\&le;0.4\\ 0.1\&le;SoC\&le;0.8\end{array}\right.$ 状态下时，所述电动车辆处于由车速v、制动强度z和电池的荷电状态SoC形成的复合制动连续设计空间内，所述整车控制器采用复合制动模式对所述电动车辆进行制动；当所述电动车辆的状态不处于所述复合制动连续设计空间内时，所述整车控制器采用液压制动模式对所述电动车辆进行制动；

所述驱动电机控制器通过所述CAN总线与所述整车控制器连接，控制所述驱动电机的工作模式和输出扭矩；

所述制动协调器通过所述CAN总线与所述整车控制器连接，该制动协调器与所述驱动电机控制器连接，并通过所述液压制动控制器与所述液压制动器连接，且该制动协调器根据所述整车控制器发出的控制指令通过所述驱动电机控制器和所述液压制动控制器对分配给所述驱动电机和所述液压制动器的制动扭矩进行调节；

所述驱动电机包括第一驱动电机和第二驱动电机，所述第一驱动电机与所述电动车辆的前轴连接，并根据所述整车控制器发出的控制指令驱动所述前轴转动或向所述前轴施加电机制动扭矩；所述第二驱动电机与所述电动车辆的后轴连接，并根据所述整车控制器发出的控制指令驱动所述后轴转动或向所述后轴施加电机制动扭矩。

2.根据权利要求1所述的电动车辆的复合制动系统，其特征在于，在所述液压制动控制器和所述液压制动器之间设置有感载比例阀，该感载比例阀用于对所述液压制动控制器分配给所述前轴和所述后轴的液压制动扭矩进行调节。

3.一种用于权利要求1或2所述的电动车辆的复合制动系统的复合制动方法，其特征在于，该复合制动方法包括如下步骤：

步骤一，由所述整车控制器中的车辆状态估计模块估计出所述电动车辆的车速v，当所述第一驱动电机与所述第二驱动电机同时工作且所述车速v≥60km/h时，所述电动车辆处于双电机直接档四驱模式；当所述第一驱动电机与所述第二驱动电机同时工作且所述车速v<60km/h时，所述电动车辆处于双电机经减速四驱模式；

步骤二，在一般制动工况下实施制动操作后，所述整车控制器采集所述电动车辆的车速v、制动强度z及电池的荷电状态SoC，

当所述电动车辆处于 $\left\{\begin{array}{c}10km/h\&le;v<60km/h\\ 0.01\&le;z\&le;0.4\\ 0.1\&le;SoC\&le;0.8\end{array}\right.$ 状态下时，处于所述双电机经减速四驱模式下的电动车辆处于由车速v、制动强度z和电池的荷电状态SoC形成的复合制动连续设计空间内；

当所述电动车辆处于 $\left\{\begin{array}{c}60km/h\&le;v\&le;100km/h\\ 0.01\&le;z\&le;0.4\\ 0.1\&le;SoC\&le;0.8\end{array}\right.$ 状态下时，处于所述双电机直接档四驱模式下的电动车辆处于由车速v、制动强度z和电池的荷电状态SoC形成的复合制动连续设计空间内；

步骤三，针对所述复合制动系统的制动力分配参数驱动电机的总回馈制动力占总制动力的比例γ和第一驱动电机的回馈制动力矩占总回馈制动力矩的比例α建立不确定性复合制动预测模型：

对所述复合制动连续设计空间进行离散化处理得到离散的采样点，并对所述采样点进行优化计算，并将计算得到的所述制动力分配参数α和γ的满足可靠性要求的不确定性最优解α_opt和γ_opt存入结果数据库中；

以所述电动车辆的电池的荷电状态SoC、车速v和制动强度z为输入值，根据蒙特卡罗抽样方法对所述采样点的确定性优化解α_certain和γ_certain进行可靠性分析，以得到的符合可靠性要求的不确定性最优解α_opt和γ_opt为输出值，分别建立α_opt和γ_opt关于电池荷电状态SoC、车速v和制动强度z的响应面模型和根据精度满足条件对所述响应面模型的精度进行评价，

所述精度满足条件为： $\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}\&lsqb;{({\widetilde{\mathrm{\&alpha;}}}_{i,opt}-{\mathrm{\&alpha;}}_{i,opt})}^2+{({\widetilde{\mathrm{\&gamma;}}}_{i,opt}-{\mathrm{\&gamma;}}_{i,opt})}^2\&rsqb;\&le;{\mathrm{\&epsiv;}}_{predict}$

其中，

N为所述采样点的总个数，

和分别为第i个采样点的响应面模型的拟合值，

α_i,opt和γ_i,opt分别为第i个采样点的不确定性优化模型的优化解，

ε_predict为所述响应面模型的允许预测误差；

当所述响应面模型的精度满足要求时，所建立的α_opt和γ_opt的响应面模型和即为不确定性复合制动预测模型；

当所述响应面模型的精度不满足要求时，重新进行采样并增加所述采样点的数量，重复上述操作，直至所述复合制动预测模型建立完成；

步骤四，当所述电动车辆的状态不处于所述复合制动连续设计空间内时，所述电动车辆采用液压制动模式进行制动，直至制动结束；

当所述电动车辆的状态处于复合制动连续设计空间内时，对所述复合制动预测模型在所述电动车辆的当前工作状态点(SoC,v,z)的预测有效性进行评价，当所述复合制动预测模型的预测值与该当前工作状态点所对应的不确定性优化模型的优化解之间的离差的平方和不大于所述复合制动预测模型的允许预测误差时，所述复合制动预测模型在该当前工作状态点的预测有效，所述电动车辆采用所述复合制动预测模型的制动力分配策略进行制动，直至下一个预测周期；

当所述复合制动预测模型的预测值与该当前状态工作点所对应的不确定性优化模型的优化解之间的离差的平方和大于所述复合制动预测模型的允许预测误差时，所述复合制动预测模型的预测失效，所述电动车辆采用液压制动模式进行制动，直至下一个预测周期。

4.根据权利要求3所述的复合制动方法，其特征在于，在所述步骤三中，采用最优拉丁超立方的采样方法对所述复合制动连续设计空间进行离散化处理。

5.根据权利要求3所述的复合制动方法，其特征在于，在所述步骤三中，采用多岛遗传算法对所述采样点进行优化计算。

6.根据权利要求3-5中任意一项所述的复合制动方法，其特征在于，在所述步骤三中，在对所述采样点的确定性优化解α_certain和γ_certain进行可靠性分析时，以所述确定性优化解α_certain和γ_certain为均值，并根据设定的方差系数，在α_certain、γ_certain左右6西格玛范围内进行描述性采样，并将采样得到的描述性采样点设置为N₀组，分别对每一组数据进行计算，验证计算得到的所述确定性优化解α_certain和γ_certain是否满足所述制动力分配参数α和γ的边界约束条件，所述边界约束条件为：

$\left\{\begin{array}{cc}\mathrm{\&beta;}\&GreaterEqual;{\mathrm{\&beta;}}_{opt}& (0\&le;z\&le;0.8)\\ \mathrm{\&beta;}\&GreaterEqual;\frac{L_r+{\mathrm{zH}}_g}{L}& (0\&le;z\&le;0.3)\\ \frac{(z-0.08)(L_r+{\mathrm{zH}}_g)}{zL}<\mathrm{\&beta;}\&le;\frac{(z+0.08)(L_r+{\mathrm{zH}}_g)}{zL}& (0.15\&le;z\&le;0.3)\\ \mathrm{\&beta;}\&GreaterEqual;1-\frac{(z+0.25)L}{0.74(L_F-{\mathrm{zH}}_g)z}& (0.3\&le;z\&le;0.8)\\ 1-\frac{(L_f-{\mathrm{zH}}_g)(\frac{z-0.1}{0.85}+0.2)}{Lz}\&le;\mathrm{\&beta;}\&le;\frac{(L_f+{\mathrm{zH}}_g)(\frac{z-0.1}{0.85}+0.2)}{Lz}& (0.2\&le;z\&le;0.8)\\ T_m\&le;T_{opt}& \\ T_{m1}\&le;T_{out1}& \\ T_{m2}\&le;T_{out2}& \\ 0\&le;\mathrm{\&gamma;}\&le;1& \\ 0\&le;\mathrm{\&alpha;}\&le;1& \end{array}\right.$

其中，

β为实际制动力分配系数，且β＝αγ+β₀(1-γ)，

β₀为液压制动系统感载比例阀分配系数，

β_opt为最佳制动力分配系数，且

L_r为所述电动车辆的质心到该电动车辆的后轴的距离，

L_f为所述电动车辆的质心到该电动车辆的前轴的距离，

L为所述电动车辆的轴距，

H_g为所述电动车辆的质心的高度，

T_opt为理想回馈扭矩，

T_out1为所述第一驱动电机的最大输出制动扭矩，

T_out2为所述第二驱动电机的最大输出制动扭矩；

在计算完毕后，统计出满足上述边界约束条件的制动力分配参数α和γ采样点的组数N₁，且当时，P_6σ为6西格玛可靠性概率，所述确定性优化解α_certain和γ_certain可靠，即可作为不确定性最优解α_opt和γ_opt；当时，所述确定性优化解α_certain和γ_certain不可靠，需重新对所述复合制动连续设计空间进行离散化处理。

7.根据权利要求6所述的复合制动方法，其特征在于，所述复合制动预测模型的允许预测误差ε_predict为5％。