CN108357486B - 一种客运车辆长下坡自适应缓速器及其控制装置和方法 - Google Patents

Abstract

本发明展示了一种客运车辆长下坡自适应缓速器及其控制装置和方法，方法包括：1.检测客运车辆当前行驶的道路信息；2.检测下坡坡度、客运车辆的自车挡位和当前车速，得到当前挡位下客运车辆的安全稳定车速以及各级安全车速；3.确定对应的制动模式，控制缓速器自动开启和选择对应的缓速器挡位；4.缓速器开启后，调节缓速器励磁电流，实现缓速器精准制动力矩补偿；5.在制动过程中继续检测客运车辆的车速，如果检测到车速小于等于当前挡位与坡度下客运车辆的安全稳定车速，则关闭缓速器。本发明实现缓速器精准制动力矩补偿，以更高的制动效率完成减速过程，保证客车安全有效的完成制动减速下坡。

Description

一种客运车辆长下坡自适应缓速器及其控制装置和方法

技术领域

本发明涉及客运车辆驾驶安全领域，具体为一种客运车辆长下坡自适应缓速器及其控制装置和方法。

背景技术

当客车长时间在长下坡路面上行驶时，自身重力势能转化为动能，使得车速有增大的趋势，当坡度比较长时，要求客车具有足够的持续制动力，保证客车在下坡行驶至坡底结束时其主制动系统还具有足够的制动性能。坡行驶时，利用制动系统将客车的势能和动能转化成为热能，特别是在连续下坡行驶时，客车的制动系统的热负荷是非常大的，而制动系统又无法及时将热量释放到周围环境，使得制动毂和制动蹄的温度大幅度增高，以至于达到制动器的失效温度。由于高速持续制动，可能会因过渡使用行车制动器控制车速而使得制动器温度急剧上升，发生制动效能热衰退，严重时甚至车辆制动能力丧失，致使重特大事故经常发生。

为了使客车在长下坡时具有足够的持续制动能力，目前一般采用发动机辅助制动、排气制动与缓速器联合作用的控制方式来达到稳定车速的目的。但是通常在长大下坡时，驾驶员所面对的车流一般比较混乱复杂，辅助制动与缓速器的开启时机和档位选择也基本全部由驾驶员的驾驶经验决定来手动操作，而对于经验较少的驾驶员来说，很难控制刹车不及时、制动力控制不合理等失误操作的发生情况，甚至会出现刹车不及时进而导致事故的发生。

发明内容

针对现有技术中存在的问题，本发明提供一种客运车辆长下坡自适应缓速器及其控制装置和方法，用以解决客车在长下坡制动器过热和路面附着条件的利用率不高的问题，通过缓速器的自适应开启和选择合适挡位，来提高客车对路面附着条件利用率，实现客车安全下坡。

本发明是通过以下技术方案来实现：

一种客运车辆长下坡自适应缓速器控制方法，包括如下步骤，

步骤1，检测客运车辆当前行驶的道路信息，如检测到进入下坡则执行步骤2，如检测到未进入坡道则按预定速度正常行驶；

步骤2，检测下坡坡度、客运车辆的自车挡位和当前车速，得到当前挡位下客运车辆的安全稳定车速以及各级安全车速；

步骤3，根据当前车速和安全稳定车速以及各级安全车速的关系，确定对应的制动模式，控制缓速器自动开启和选择对应的缓速器挡位；

步骤4，缓速器开启后，利用改进粒子群优化的神经网络算法模型计算补偿制动力矩，调节缓速器励磁电流，实现缓速器精准制动力矩补偿；

步骤5，在制动过程中继续检测客运车辆的车速，如果检测到车速小于等于当前挡位与坡度下客运车辆的安全稳定车速，则关闭缓速器。

优选的，步骤2中，当客运车辆的下滑力与制动力相等时的速度即为此客运车辆挡位的安全稳定车速；

所述客运车辆的坡道下滑力F_j为

其中，α为下坡的坡道坡度，θ为下坡的坡道角度，M为客运车辆的最大质量；

各档发动机制动与缓速器不同档位联合作用时，制动力为各档位发动机制动力与各档位缓速器制动力之和，可得所述客运车辆的制动力F_B为

F_B＝F_MBi+M_REKI_H/r_d

式中，F_MBi为变速器i档的客车发动机制动的制动力；M_REk为缓速器k档的制动扭矩；I_H为主减速器传动比；r_d为车轮的动力半径。

优选的，步骤2中，所述各级安全车速的计算时，包括如下步骤，

a.根据缓速器各档位提供的最大制动力力矩得到缓速器提供的制动力F_rk；

式中，T_rk为缓速器在k档位下提供的最大制动力力矩，k＝0,1,2,3,4，对应缓速器的0、Ⅰ、Ⅱ、Ⅲ、Ⅳ挡；η为传动效率，r为驱动轮半径，i_H为主减速器传动比；

b.根据缓速器提供的制动力F_rk通过下式得到k挡位下缓速器所提供的减速度a_k为

其中，M为客运车辆的最大质量；

c.根据k挡位的安全稳定车速，试验测得缓速器最大功率持续工作时间为t₁，以及k挡位下缓速器所提供的减速度a_k；从而计算得到客运车辆i挡时，缓速器k挡位四级安全车速v_ik1、v_ik2、v_ik3和v_ik4。

进一步，步骤3中，制动模式选择的具体步骤如下，

当车速小于等于安全稳定车速时，则不启动缓速器，依靠发动机制动继续行驶，即联合制动模式0；

当车速大于安全稳定车速小于等于一级安全车速时，启动缓速器Ⅰ挡辅助客车制动减速，即行车制动与缓速器Ⅰ挡联合制动模式，即联合制动模式1；

当车速大于一级安全车速小于等于二级安全车速时，启动缓速器Ⅱ挡辅助客车制动减速，即行车制动与缓速器Ⅱ挡联合制动模式，即联合制动模式2；

当车速大于二级安全车速小于等于三级安全车速时，启动缓速器Ⅲ挡辅助客车制动减速，即行车制动与缓速器Ⅲ挡联合制动模式，即联合制动模式3；

当车速大于三级安全车速时，启动缓速器Ⅳ挡辅助客车制动减速，即行车制动与缓速器Ⅳ挡联合制动模式，即联合制动模式4。

进一步，还包括若车速在对应的各级安全车速以内，手动开启缓速器恒速挡，即联合制动模式5，根据对应的各级安全车速其电流值，达到力矩平衡，实现恒速行驶；当无法实现恒速行驶，发出警报，提醒驾驶员起动行车制动减速，直至速度降到各级安全车速内。

再进一步，以不同制动踏板行程来开启相应的联合制动模式；

联合制动模式0时，制动踏板行程为0，仅依靠发动机制动，提供补偿制动力矩为T₀；

联合制动模式1时，制动踏板行程达到总行程1/4，开启缓速器Ⅰ挡，提供制动力矩为T₁；

联合制动模式2时，制动踏板行程达到总行程1/2，开启缓速器Ⅱ挡，提供制动力矩为T₂；

联合制动模式3时，制动踏板行程达到总行程3/4，开启缓速器Ⅲ挡，提供制动力矩为T₃；

联合制动模式4时，制动踏板行程大于总行程的3/4，开启缓速器Ⅳ挡，提供制动力矩为T₄；

联合制动模式5时，由驾驶员手动开启缓速器恒速挡，缓速器根据力矩平衡自适应调节制动力矩T₅，实现恒速下坡。

优选的，步骤4中，缓速器开启后，利用改进粒子群优化的神经网络算法模型计算补偿制动力矩，具体步骤如下，

步骤4.1，采集客运车辆的自车信息以及所处道路环境相关参数，对其进行归一化处理；

步骤4.2，构建一个具有误差反向传播能力的三层前反馈神经网络模型，并设置其输入层、输出层及隐含层的神经元个数，各层传递函数以及网络训练参数；

步骤4.3，利用改进的粒子群算法优化构建的神经网络的权值和阈值，然后对神经网络进行训练，直至其适应度值小于个体极值结束训练，得到训练后的神经网络模型；

步骤4.4，利用训练得到的神经网络模型对客车行驶的期望车速所需要的制动力矩进行力矩补偿，将下坡坡度和客运车辆的自车车速作为神经网络的输入，训练好的神经网络输出补偿后的制动力矩值，从而调节缓速器励磁电流，实现缓速器精准制动力矩补偿。

进一步，步骤4.3中，所述粒子群算法优化构建神经网络的流程如下；

a.对PSO模块的惯性权值与种群规模进行初始化，并随机给出全部粒子分配位置X_i0，速度组合V_i，0，迭代次数，惯性权重ω以及学习因子c₁c₂；

b.构建以粒子位置X_i0为参数的BP神经网络，根据公式算出粒子的适应度值，然后将个体最优位置P_i定义为X_i，0，通过对所有P_i对适应度值的比较获得全局最优位置P_g；

c.构建以粒子位置X_i，0位参数的BP神经网络，根据公式算出粒子的适应度值，然后将min[f(P_i)，f(P_g)]所对应的位置作为新的个体最优位置P_i；

d.把min[f(P_i)，f(P_g)]的对应位置作为新的全局最优位置P_g；

e.对全部粒子的位置X_i和速度V_i进行更新；

v_id(t+1)＝w*v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中：w为惯性权重；c₁c₂为学习因子，取值区间在(0，2)之间；v_id是粒子的速度；t表示第t代；r₁，r₂是在(0，1)之间的任意数；

f.判断是否满足适应度小于设定值的终止条件，如果满足终止条件，则算法结束，否则返回步骤a重新开始。

一种客运车辆长下坡自适应缓速器控制装置，采用如上述任意一项的控制方法，包括，

检测模块，用于检测客运车辆当前行驶的道路信息；

采集模块，用于检测下坡坡度、客运车辆的自车挡位和当前车速；

控制模块，用于根据检测模块输出判断道路信息，如检测到未进入坡道则按预定速度正常行驶，如检测到进入下坡则根据采集模块输出计算当前挡位下客运车辆的安全稳定车速以及各级安全车速；

用于根据当前车速和安全稳定车速以及各级安全车速的关系，确定对应的制动模式，控制缓速器自动开启和选择对应的缓速器挡位；

用于在缓速器开启后，利用改进粒子群优化的神经网络算法模型计算补偿制动力矩，调节缓速器励磁电流，实现缓速器精准制动力矩补偿；

用于在制动过程中继续检测客运车辆的车速，如果检测到车速小于等于当前挡位与坡度下客运车辆的安全稳定车速，则关闭缓速器。

与现有技术相比，本发明具有以下有益的技术效果：

本发明的采用有效的检测手段检测出道路信息、坡度信息以及自车速度信息，传递给控制模块，并将计算出的该挡位下客车安全稳定车速并根据自车的各级安全车速，控制缓速器自动开启和选择对应的挡位然后通过改进粒子群的BP神经网络优化算法计算补偿制动力矩，调节缓速器励磁电流，实现缓速器精准制动力矩补偿，以更高的制动效率完成减速过程，保证客车安全有效的完成制动减速下坡。

附图说明

图1是本发明所述装置的结构框图。

图2是满载客车下坡受力分析示意图；

图3是本发明控制流程图；

图4是本发明缓速器控制流程图；

图5是客车总制动力和坡道下滑力随速度变化曲线；

图6是联合制动系统控制原理图；

图7是神经网络模型结构图；

图8是POS优化的BP神经网络算法流程图；

图9是使用POS优化的BP神经网络算法后补偿制动力矩效果图；

图10是使用POS优化的BP神经网络算法后补偿制动力矩误差图。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

本发明的目的是提供一种客运车辆长下坡自适应缓速器及其控制装置和方法，能够对客运车辆长下坡行驶进行预警和自适应防控，用以解决客车在长下坡制动器过热和路面附着条件的利用率不高的问题，通过缓速器的自适应开启和选择合适挡位，来提高客车对路面附着条件利用率，实现客车安全下坡。

针对长大下坡交通流状况比较混乱复杂等现有技术中的问题，本发明在传统电涡流缓速器的基础上，通过检测模块识别车速、道路坡度和道路附着系数等信号，由驾驶员自适应调节制动踏板行程控制开启缓速器相应的挡位，再使用粒子群改进的神经网络算法计算客车坡道上的补偿制动力矩，通过控制缓速器的励磁电流，准确提供客车制动所需的补偿制动力矩，提高客车在长下坡制动时的制动利用率，减少错误操作发生概率。

将粒子群优化算法PSO用于训练BP神经网络的原理，粒子群中粒子的位置代表BP神经网络中当前迭代中的权值集合，神经网络中的权值的数量、阈值个数决定每个粒子的维数。通过改变粒子在权值空间内搜索的速度，即更新网络的权值，使得网络输出的均方误差逐步减小。PSO通过不断优化神经网络的权值和阈值这种方法，来获得更小的均方误差。将每次迭代过程中产生的均方误差最小的粒子作为目前全局最优的粒子。

其中，客运车辆长下坡自适应缓速器控制装置，能够进行制动预警与自动防控，如图1所示，其包括控制模块、与控制模块连接的检测模块和采集模块。通过控制模块控制电涡流缓速器，通过控制电流的大小输入，实现恒速挡行驶，便于驾驶员操作。缓速器独立于车辆的刹车系统之外，不影响原车机械刹车片的正常使用。

本发明所述装置采用车载自动控制系统对车辆及缓速器进行控制；

控制模块，通过系统总线接口连接车载传感器，对车载传感器收集的路面和客车下坡行驶中的自车信息进行计算与状态判断，进行决策操作，实现缓速器的自动开启与挡位选择，并通过控制励磁电流的大小来控制补偿制动力矩，从而在客车进行长大下坡时实现电涡流缓速器辅助制动系统减速，保障下坡行车安全。

连接线束能够连接系统各部分，用于通讯和传递电信号所述线束用于连接各部分。

检测模块采用智能摄像头；摄像头负责收集路面信息，比如道路附着系数，传递实时路面信息，为安全车速标定模块提供环境信息。

采集模块采用外置的车载传感器，包括角度传感器和GPS。车载传感器可以是速度传感器、陀螺仪和制动踏板行程传感器等，获得客车航向角与当前道路坡度数据等道路信息以及客车运行挡位和自车速度信息。

控制模块中，进行稳定车速标定，由检测模块所采集到的道路信息，由采集模块采集的自车信息计算客车在实际运行条件下的安全稳定车速V_i，i为客车所处档位。所述安全稳定车速，是指不使用主制动器(摩擦制动器)客车就可以以此安全稳定车速滑行至坡底的车速。

坡度检测的坡度取值是由道路坡度识别传感器如陀螺仪检测，为保证客车的安全稳定车速数值在该道路上处于安全稳定状态，检测道路坡度数值按向上取整原则得出比如坡度1％到8％的二、三和四挡的安全稳定车速便由计算模块计算得出并标定。

还能够包括人机交互界面用于指示激活缓速器的状态，显示行驶速度与安全稳定车速对比结果，以及对进入坡道对驾驶员和启动缓速器系统进行预警；

缓速器是实现上述减速功能的执行单元，可选用电涡流缓速器。通过机械能向热能的能量转换，无机械磨损、无噪声地实现缓速，将车辆高速在最短时间内降为低速，缓速器独立于车辆的刹车系统之外，不使用原车机械刹车片。

本发明实例中所述的电涡流缓速器按工作线圈组数不同总共分为五个挡位，Ⅰ挡(2组线圈工作)、Ⅱ挡(4组线圈工作)、Ⅲ挡(6组线圈工作)、Ⅳ挡(8组线圈工作)以及恒速挡。

控制模块中，进行安全车速标定，由接受到的检测模块和采集模块所检测采集的道路信息、坡度信息、自车信息以及自车挡位信息，计算标定不同档位下的安全车速v_ij，i为客车挡位，j为安全车速等级数，(0<j≤4)。

自车信息主要包括车宽L，车高H，最大质量M和各挡传动比i_g1、i_g2、i_g3、i_g4，主减速器传动比i_H，轮胎半径r_d，发动机额定功率P₀、最大扭矩M_m，缓速器型号为HE50，安装位置在后轴，其制动扭矩M₁通过实验测定；

控制模块中，进行计算客车坡道安全车速，具体计算原理如下。

根据客车坡道纵向动力学方程得到F_B+F_f+F_w+F_j+δ_iMa＝0；

F_B为制动力；F_f为滚动阻力；F_w为空气阻力；δ_i为相应档位的旋转质量换算系数；M为客车总质量；F_j为客车坡道下滑力。

客车坡道下滑力

其中，α为检测坡道坡度，θ为坡道角度，α＝tanθ。

滚动阻力与空气阻力之和随速度变化关系为：

F_w+F_f＝0.0115v²+5.09141v+943.8111

各档发动机制动与缓速器不同档位联合作用时，制动力为各档位发动机制动力与各档位缓速器制动力之和，可得

F_B＝F_MBi+M_REKI_H/r_d

其中，F_MBi为变速器i档的客车发动机制动的制动力；M_REk为缓速器k档的制动扭矩；I_H为主减速器传动比；r_d为车轮的动力半径。

由图2客车坡道受力图和力学公式可知，当客车下滑力与制动力相等时的速度即为此挡位的安全稳定车速，即是各档位总制动力曲线与不同坡度的坡道上下滑力曲线的交点就是客车以该档位利用缓速器制动，在此坡道上下坡行驶的稳定车速。即不使用主制动器(摩擦制动器)客车就可以以此稳定车速滑行至坡底。如图5所示，制动力与坡道下滑力交点的速度值即为此挡位与坡度下的客车安全稳定车速。

所述各级安全车速的计算，缓速器在极高热负荷时会降低其制动功率，因此无法长时间连续以最大功率工作，通过试验测得缓速器最大功率持续工作时间为t₁，缓速器各档位提供的最大制动力力矩为T_rk(k＝0，1，2，3，4)；

式中，F_rk为k挡位下缓速器提供的制动力η为传动效率，r为驱动轮半径，i_H为主减速器传动比。则可得

其中，a_k为k挡位下缓速器所提供的减速度，则各级安全车速v_ik1、v_ik2、v_ik3和v_ik4均可通过计算得到。

通过试验测得缓速器最大功率持续工作时间为t₁时，能够通过如下对温度的控制实现对最大持续工作时间的限定。

装载了电涡流缓速器的客车在下坡过程中的车速的动力学状态方程表述如式

其中，m表示客车的质量，F_r是缓速器产生的制动力，a为缓速器所提供的减速度，g是重力加速度，θ是坡道角度。车辆自身的拖力F_d也是客车自身速度的函数如式

F_d＝C₁+C₂v+C₃v²

其中，C₁，C₂，C₃是定值常数。

由电涡流缓速器所产生的制动力F_r是励磁电流I_c、缓速器转子盘温度T和车速v的函数如式

其中，T为电涡流缓速器温度，F_actual是由励磁电流所产生的实际制动力，

其中，N_p是磁极对数，S_p为电涡流缓速器中气隙的面积，Δ_h是工程计算中常采用的等效透入深度，B是磁感应强度，ω是转子盘转速，ρ是转子盘电导率的倒数，r是电涡流缓速器转子盘缘侧到缓速器质心的距离。

因为电涡流缓速器是和客车的传动轴相连，所以其转子盘的转速和客车的车速之间是成一定比例关系的，设它们之间的比例系数为气k_ω-v，车速和传动轴也即缓速器转速之间的关系如式

Y＝k_ω-vω

由此可得

电涡流缓速器转子盘的温度热力学状态方程表述如式

kT＝-h_c(T-T_ω)+F_rv

其中，k是缓速器的热电容，h_c是对流系数，T_∞是环境温度可以取为或是室温。对流系数气是车速的函数如式h_c＝C′₄√v，其中C′₄为常数。h_c＝C₄√ω，其中C₄＝k_ω-vC′₄。

同上面对车速状态方程讨论的一样，可以将上式的温度热力学状态方程转化为转子盘转速和温度的状态方程。

自适应缓速器装置控制规则如下：

缓速器空档，制动踏板行程为0，控制板无输出，电磁线圈无电流；

制动踏板行程大于0小于总行程四分之一，开启缓速器Ⅰ档，电磁线圈基础电流为总电流的25％；

制动踏板行程达到总行程四分之一小于二分之一，开启缓速器Ⅱ档，电磁线圈基础电流为总电流的50％；

制动踏板行程达到总行程二分之一小于四分之三，开启缓速器Ⅲ档，电磁线圈基础电流为总电流的75％；

制动踏板行程大于等于四分之三，开启缓速器Ⅳ档，电磁线圈电流为总电流的100％；

恒速挡，控制变量为电流，保持电磁线圈全部接入，根据检测模块所得的坡度信息，调节电路中滑动变阻器的电阻值，来改变流过电磁线圈内的电流值，进而调整缓速器所产生的制动力矩，使车辆达到力矩平衡，实现恒速行驶；

如果坡度过大或是设置恒定速度过快，无法实现恒速行驶，则警示灯亮起，并语音提醒驾驶员起动行车制动减速，直至速度降到安全恒定车速。

无速度信号视为速度低于3公里/小时，当缓速器挡位确定之后，根据期望车速所需要的制动力矩，控制器进一步调节励磁电流，进而使缓速器提供准确的制动力矩，完成高制动效率下坡。

所述粒子群改进BP神经网络算法模型，是以安全稳定车速为控制目标，根据实际车速与各级安全车速的速度差和坡度来控制的持续制动系统模式，联合制动控制系统原理框图如图6所示。

1)采集客车自车信息以及所处道路环境相关参数，主要包括自车车速、坡度、道路附着系数、制动踏板行程、车宽L，车高H，最大质量M，各挡传动比i_gi(i＝1，2，3，4)，主减速器传动比i_H，轮胎半径r_d，制动模式0-5所提供的补偿制动力矩为T_i(i＝0-5)，并对其进行归一化处理；

2)构建一个具有误差反向传播能力的三层前反馈神经网络(BP神经网络)模型，并设置其输入、输出层及隐含层的神经元个数，各层传递函数以及网络训练参数等，基本结构如图7所示；

3)利用改进的粒子群算法优化构建的神经网络的权值和阈值，所述粒子群改进神经网络算法步骤如下，POS优化的BP神经网络算法流程图如图8所示。

a.对PSO模块的惯性权值与种群规模进行初始化，并随机给出全部粒子分配位置X₁₀，速度组合V_1，0，迭代次数，惯性权重ω以及学习因子c₁c₂；

b.构建以粒子位置X_i，0为参数的BP神经网络，根据公式算出粒子的适应度值，然后将个体最优位置P_i定义为K_i，0，通过对所有P_i对适应度值的比较获得全局最优位置P_g；

c.构建以粒子位置X_i，0位参数的BP神经网络，根据公式算出粒子的适应度值，然后将min[f(P_i)，f(P_g)]所对应的位置作为新的个体最优位置P_i；

d.把min[f(P_i)，f(P_g)]的对应位置作为新的全局最优位置P_g；

e.对全部粒子的位置X_i和速度V_i进行更新；

v_id(t+1)＝w*v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中：w为惯性权重；c₁c₂为学习因子，取值区间在(0，2)之间；v_id是粒子的速度；t表示第t代；r₁，r₂是在(0，1)之间的任意数；

f.判断是否满足条件，如果满足终止条件，则算法结束，否则返回步骤a重新开始；

4)利用训练得到的神经网络模型对客车行驶的期望车速所需要的制动力矩进行力矩补偿，将道路坡度和自车车速作为神经网络的输入，训练好的神经网络输出补偿后的制动力矩值并自动开启相应制动力矩的缓速器挡位。经过模拟训练可以得到补偿制动力矩效果图如图9所示，误差图如图10所示。

本发明中的控制模块，进行如下的控制步骤：

1)开始，进行系统初始化，部分完成设备运行基本参数配置，内存预分配等功能；

2)检测道路信息的采集与读取，如未进入坡道则按预定速度正常行驶；

3)如检测模块检测客车进入坡道行驶并测出坡度，则检测自车挡位和车速，利用粒子群改进的BP神经网络算法模型计算输入神经元信息，计算各级安全车速，并选择适当的制动模式。

选择制动模式的具体操作过程如下：

当车速小于等于安全稳定车速时，则不启动缓速器，依靠发动机制动继续行驶，即联合制动模式0，提示驾驶员进入坡道行驶注意控制车速；

当车速大于安全稳定车速小于等于一级安全车速时，提醒驾驶员立即减速，并启动缓速器Ⅰ挡辅助客车制动减速，即行车制动与缓速器一挡联合制动模式，即联合制动模式1；然后根据算法计算得出的补偿制动力矩，调节缓速器励磁电流，实现制动力矩精确补偿；

当车速大于一级安全车速小于等于二级安全车速时，提醒驾驶员立即减速，起动联合制动模式2，然后调节缓速器励磁电流，实现制动力矩精确补偿；

当车速大于二级安全车速小于等于三级安全车速时，提醒驾驶员立即减速，并启动联合制动模式3，然后调节缓速器励磁电流，实现制动力矩精确补偿；

当车速大于三级安全车速时，提醒驾驶员立即减速，启动联合制动模式4，然后调节缓速器励磁电流，实现制动力矩精确补偿。

4)在制动过程中继续监测客车车速，如果检测到车速小于等于该挡位与坡度下的安全稳定车速，则关闭缓速器，并提示驾驶员可以以该速度继续行驶下坡。

5)若自车车速在各级安全车速以内，恒速挡由驾驶员手动开启，维持车速安全下坡。缓速器恒速挡，即联合制动模式5需要通过驾驶员手动开启，通过缓速器8个线圈全接入，并接入滑动变阻器，通过调节电路中的电流值，来控制缓速器输出力矩，并根据不同坡度恒定车速标定其电流值，达到力矩平衡，实现恒速行驶；如果坡度过大或是设置恒定速度过快，无法实现恒速行驶，则警示灯亮起，并语音提醒驾驶员起动行车制动减速，直至速度降到各级安全恒定车速内。

上述的联合制动模式如下，以不同制动踏板行程来开启相应的制动模式：

联合制动模式0，制动踏板行程为0，仅依靠发动机制动，提供补偿制动力矩为T₀；

联合制动模式1，制动踏板行程大于0小于总行程1/4，开启缓速器Ⅰ挡，提供制动力矩为T₁；

联合制动模式2，制动踏板行程达到总行程1/4小于总行程1/2，开启缓速器Ⅱ挡，提供制动力矩为T₂；

联合制动模式3，制动踏板行程达到总行程1/2小于总行程3/4，开启缓速器Ⅲ挡，提供制动力矩为T₃；

联合制动模式4，制动踏板行程等于或超过总行程的3/4，开启缓速器Ⅳ挡，提供制动力矩为T₄；

联合制动模式5，由驾驶员手动开启缓速器恒速挡，缓速器自适应调节制动力矩，实现恒速下坡。

本发明的优势在于采用有效的检测手段检测出道路信息、坡度信息以及自车速度信息，传递给控制模块，并将计算出的该挡位下客车安全稳定车速并根据自车的各级安全车速，控制缓速器自动开启和选择对应的挡位，然后利用改进粒子群优化神经网络算法(BP-IPSO)模型计算补偿制动力矩，调节缓速器励磁电流，实现缓速器精准制动力矩补偿，以更高的制动效率完成减速过程，保证客车安全有效的完成制动减速下坡。

Claims (6)

1.一种客运车辆长下坡自适应缓速器控制方法，其特征在于，包括如下步骤，

步骤1，检测客运车辆当前行驶的道路信息，如检测到进入下坡则执行步骤2，如检测到未进入坡道则按预定速度正常行驶；

步骤2，检测下坡坡度、客运车辆的自车挡位和当前车速，得到当前挡位下客运车辆的安全稳定车速以及各级安全车速；

步骤3，根据当前车速和安全稳定车速以及各级安全车速的关系，确定对应的制动模式，控制缓速器自动开启和选择对应的缓速器挡位；

步骤4，缓速器开启后，利用改进粒子群优化的神经网络算法模型计算补偿制动力矩，调节缓速器励磁电流，实现缓速器精准制动力矩补偿；

步骤5，在制动过程中继续检测客运车辆的车速，如果检测到车速小于等于当前挡位与坡度下客运车辆的安全稳定车速，则关闭缓速器；

步骤2中，当客运车辆的下滑力与制动力相等时的速度即为此客运车辆挡位的安全稳定车速；

所述客运车辆的坡道下滑力F_j为

其中，α为下坡的坡道坡度，θ为下坡的坡道角度，M为客运车辆的最大质量；

各档发动机制动与缓速器不同档位联合作用时，制动力为各档位发动机制动力与各档位缓速器制动力之和，可得所述客运车辆的制动力F_B为

F_B＝F_MBi+M_REKI_H/r_d

式中，F_MBi为变速器i档的客车发动机制动的制动力；M_REk为缓速器k档的制动扭矩；I_H为主减速器传动比；r_d为车轮的动力半径；

步骤2中，所述各级安全车速的计算时，包括如下步骤，

a.根据缓速器各档位提供的最大制动力力矩得到缓速器提供的制动力F_rk；

式中，T_rk为缓速器在k档位下提供的最大制动力力矩，k＝0,1,2,3,4，对应缓速器的0、Ⅰ、Ⅱ、Ⅲ、Ⅳ挡；η为传动效率；

b.根据缓速器提供的制动力F_rk通过下式得到k挡位下缓速器所提供的减速度a_k为

其中，M为客运车辆的最大质量；

c.根据k挡位的安全稳定车速，试验测得缓速器最大功率持续工作时间为t₁，以及k挡位下缓速器所提供的减速度a_k；从而计算得到客运车辆i挡时，缓速器k挡位四级安全车速v_ik1、v_ik2、v_ik3和v_ik4；

步骤3中，制动模式选择的具体步骤如下，

当车速小于等于安全稳定车速时，则不启动缓速器，依靠发动机制动继续行驶，即联合制动模式0；

当车速大于安全稳定车速小于等于一级安全车速时，启动缓速器Ⅰ挡辅助客车制动减速，即行车制动与缓速器Ⅰ挡联合制动模式，即联合制动模式1；

当车速大于一级安全车速小于等于二级安全车速时，启动缓速器Ⅱ挡辅助客车制动减速，即行车制动与缓速器Ⅱ挡联合制动模式，即联合制动模式2；

当车速大于二级安全车速小于等于三级安全车速时，启动缓速器Ⅲ挡辅助客车制动减速，即行车制动与缓速器Ⅲ挡联合制动模式，即联合制动模式3；

当车速大于三级安全车速时，启动缓速器Ⅳ挡辅助客车制动减速，即行车制动与缓速器Ⅳ挡联合制动模式，即联合制动模式4。

2.根据权利要求1所述的一种客运车辆长下坡自适应缓速器控制方法，其特征在于，还包括若车速在对应的各级安全车速以内，手动开启缓速器恒速挡，即联合制动模式5，根据对应的各级安全车速其电流值，达到力矩平衡，实现恒速行驶；当无法实现恒速行驶，发出警报，提醒驾驶员起动行车制动减速，直至速度降到各级安全车速内。

3.根据权利要求2所述的一种客运车辆长下坡自适应缓速器控制方法，其特征在于，以不同制动踏板行程来开启相应的联合制动模式；

联合制动模式0时，制动踏板行程为0，仅依靠发动机制动，提供补偿制动力矩为T₀；

联合制动模式1时，制动踏板行程达到总行程1/4，开启缓速器Ⅰ挡，提供制动力矩为T₁；

联合制动模式2时，制动踏板行程达到总行程1/2，开启缓速器Ⅱ挡，提供制动力矩为T₂；

联合制动模式3时，制动踏板行程达到总行程3/4，开启缓速器Ⅲ挡，提供制动力矩为T₃；

联合制动模式4时，制动踏板行程大于总行程的3/4，开启缓速器Ⅳ挡，提供制动力矩为T₄；

联合制动模式5时，由驾驶员手动开启缓速器恒速挡，缓速器根据力矩平衡自适应调节制动力矩T₅，实现恒速下坡。

4.根据权利要求1所述的一种客运车辆长下坡自适应缓速器控制方法，其特征在于，步骤4中，缓速器开启后，利用改进粒子群优化的神经网络算法模型计算补偿制动力矩，具体步骤如下，

步骤4.1，采集客运车辆的自车信息以及所处道路环境相关参数，对其进行归一化处理；

步骤4.2，构建一个具有误差反向传播能力的三层前反馈神经网络模型，并设置其输入层、输出层及隐含层的神经元个数，各层传递函数以及网络训练参数；

步骤4.3，利用改进的粒子群算法优化构建的神经网络的权值和阈值，然后对神经网络进行训练，直至其适应度值小于个体极值结束训练，得到训练后的神经网络模型；

步骤4.4，利用训练得到的神经网络模型对客车行驶的期望车速所需要的制动力矩进行力矩补偿，将下坡坡度和客运车辆的自车车速作为神经网络的输入，训练好的神经网络输出补偿后的制动力矩值，从而调节缓速器励磁电流，实现缓速器精准制动力矩补偿。

5.根据权利要求4所述的一种客运车辆长下坡自适应缓速器控制方法，其特征在于，步骤4.3中，所述粒子群算法优化构建神经网络的流程如下；

a.对PSO模块的惯性权值与种群规模进行初始化，并随机给出全部粒子分配位置X₁₀，速度组合V_1，0，迭代次数，惯性权重ω以及学习因子c₁c₂；

b.构建以粒子位置X_i，0为参数的BP神经网络，根据公式算出粒子的适应度值，然后将个体最优位置P_i定义为X_i，0，通过对所有P_i对适应度值的比较获得全局最优位置P_g；

c.构建以粒子位置X_i，0位参数的BP神经网络，根据公式算出粒子的适应度值，然后将min[f(P_i)，f(P_g)]所对应的位置作为新的个体最优位置P_i；

d.把min[f(P_i)，f(P_g)]的对应位置作为新的全局最优位置P_g；

e.对全部粒子的位置X_i和速度V_i进行更新；

v_id(t+1)＝w*v_id(t)+c₁r₁(p_id-x_id(t))+c₂r₂(p_gd-x_id(t))

x_id(t+1)＝x_id(t)+v_id(t+1)

式中：w为惯性权重；c₁c₂为学习因子，取值区间在(0，2)之间；v_id是粒子的速度；t表示第t代；r₁，r₂是在(0，1)之间的任意数；

f.判断是否满足适应度小于设定值的终止条件，如果满足终止条件，则算法结束，否则返回步骤a重新开始。

6.一种客运车辆长下坡自适应缓速器控制装置，其特征在于，采用如权利要求1-5任意一项所述的控制方法，包括，

检测模块，用于检测客运车辆当前行驶的道路信息；

采集模块，用于检测下坡坡度、客运车辆的自车挡位和当前车速；

控制模块，用于根据检测模块输出判断道路信息，如检测到未进入坡道则按预定速度正常行驶，如检测到进入下坡则根据采集模块输出计算当前挡位下客运车辆的安全稳定车速以及各级安全车速；

用于根据当前车速和安全稳定车速以及各级安全车速的关系，确定对应的制动模式，控制缓速器自动开启和选择对应的缓速器挡位；

用于在缓速器开启后，利用改进粒子群优化的神经网络算法模型计算补偿制动力矩，调节缓速器励磁电流，实现缓速器精准制动力矩补偿；

用于在制动过程中继续检测客运车辆的车速，如果检测到车速小于等于当前挡位与坡度下客运车辆的安全稳定车速，则关闭缓速器。

Images