CN108415257B - 基于mfac的分布式电驱动车辆系统主动容错控制方法 - Google Patents
基于mfac的分布式电驱动车辆系统主动容错控制方法 Download PDFInfo
- Publication number
- CN108415257B CN108415257B CN201810355757.0A CN201810355757A CN108415257B CN 108415257 B CN108415257 B CN 108415257B CN 201810355757 A CN201810355757 A CN 201810355757A CN 108415257 B CN108415257 B CN 108415257B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- output
- wheel
- input
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013499 data model Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 229960001948 caffeine Drugs 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N trimethylxanthine Natural products CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 claims description 2
- 108010046685 Rho Factor Proteins 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 238000003889 chemical engineering Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开一种基于MFAC的分布式电驱动车辆系统主动容错控制方法,针对分布式电驱动车辆驱动系统发生失效后,利用紧格式模型自适应控制方法进行自校正控制,包括如下步骤:(1)界定失效模式,(2)建立车辆动力学模型,确定系统输入输出,(3)建立紧格式数据模型:Δy(k+1)=Φc(k)Δu(k);(4)根据建立的紧格式数据模型确定控制方案。本方法不依赖于系统模型,仅需要系统输入输出数据,避免了建模难并且不精确问题,并且无模型自适应控制方法简单、计算负担小、易于实现且鲁棒性较强。
Description
技术领域
本发明涉及一种车辆驱动系统主动容错控制方法,特别是涉及一种针对MIMO系统利用MFAC控制理论的主动容错控制方法。
背景技术
MFAC(model free adaptive control)是一种无模型自适应控制方法。近年来无模型自适应控制方法得到了广泛应用,例如无模型自适应控制应用于无人机姿态校正中,北京航空航天大学研究者们将无模型自适应控制方法运用于具有非线性、大时滞、强耦合特征的四旋翼飞行仿真器中,在飞行器飞行过程中对姿态进行调整(期刊:学位论文;著者:邓健;文章题目:基于无模型自适应控制方法的四旋翼飞行器姿态调整)。
还有学者将无模型自适应控制方法与神经网络控制相结合,利用神经网络实时在线调节控制器参数,并将其应用于三容立体水箱实验中(期刊:控制理论与应用;著者:曹荣敏,周彗兴,侯忠生;出版年月:2012年;文章题目:数据驱动的无模型自适应直线伺服系统精密控制和实现;页码:310-316)(期刊:IEEE Transactions on Neural Networks andLearning Systems;著者:YuanmingZhu,ZhongshengHou;出版年月:2014年;文章题目:Data-driven MFAC for a class of discrete-time nonlinearsystems with RBFNN;页码:1013-1020)。
北京航空航天大学的研究者们将无模型自适应控制应用于无人驾驶汽车横向控制上,将无人驾驶汽车循迹跟踪控制问题转化为预瞄偏差角跟踪问题,设计无模型自适应控制算法(期刊:自动化学报;著者:田涛涛,侯忠生,刘世达,邓志东;出版年月:2017年;文章题目:基于无模型自适应控制的无人驾驶横向控制问题),其中结构最简单的CFDL-MFAC方案也已经在很多实际系统中得到了成功的应用,如化工过程、直线电机控制、注模过程、PH控制等。
车辆的MIMO(multiple-input-multiple-output)系统是一种多输入量和多输出量控制系统,而现在的MFAC多只用于SISO(单输入单输出)系统中,应用于车辆系统的更少。
分布式电驱动车辆采用轮毂电机直接驱动车辆,为汽车底盘设计、动力学控制和车辆布置开创了新的空间,其多驱动轮配置给稳定性控制带来优势的同时,也对容错控制提出挑战。分布式电驱动车辆多执行器容错控制是在单个甚至多个轮毂电机部分失效或者全部失效时,利用冗余的动力和转向配置仍可以保证车辆按照驾驶员期望行驶的控制方法,在进行主动容错控制同时由于车辆具有强耦合、非线性、数学模型复杂等特点,使得对分布式电驱动车辆的动力学分析建模和控制器设计都较为困难。在建模过程中,无建模动态和其他不确定性总是不可避免的。所以寻求一种不依赖于系统模型,仅利用系统I/O数据的控制方法进行控制是有必要的。
所以可以考虑将MFAC控制方法应用到分布式电驱动车辆的MIMO系统中。
发明内容
为了克服现有技术的不足,本发明旨在针对分布式电驱动车辆,提供一种基于MFAC的分布式电动车辆驱动系统主动容错控制方法,它是一种简单、计算量小、鲁棒性强,且不需要精确建模的主动容错控制方法,适用于MIMO多输入多输出控制,应用于当MIMO系统发生失效以后,该方法依然能对车辆发出控制。
本发明解决以上技术问题所采用的技术方案如下:
一种基于MFAC的分布式电驱动车辆系统主动容错控制方法,其特征在于,包括如下步骤:
(1)首先对车辆驱动系统失效模式进行界定;
(2)建立分布式电动车辆四个车轮力矩、方向盘转矩与车轮角速度和横摆角速度之间的动力学模型,其中建立:
1)车轮动力学模型:
2)车辆横向、纵向动力学模型:
3)车辆横摆动力学模型:
其中,m为整车质量,vx为车辆纵向车速,vy为车辆横向车速,Fx(f,l),Fx(f,r),Fx(r,l),Fx(r,r)为车辆坐标系下四个车轮纵向力,Fy(f,l),Fy(f,r),Fy(r,l),Fy(r,r)为车辆坐标系下四个车轮横向力,ωr为车辆横摆角速度,δf为前轮转角,I为车辆绕z轴的转动惯量,a、b、c分别是前轴与质心的距离、后轴与质心的距离、二分之一轮距;
4)车辆转向动力学模型:
其中,Js为转向系统转动惯量,fs为转向系统摩擦系数,Fl(f,l)、Fl(f,r)为轮胎坐标系下两个前轮的纵向力,dw为轮胎和地面接触宽度,Ts为方向盘转矩;
推导得到系统动力学模型为:
参考上述车辆模型,确定系统的输入输出,输入参数包含:Tfl,Tfr,Tlr,Trr,δf,输出参数包含:ωfl,ωfr,ωlr,ωrr,ωr;
(3)建立紧格式数据模型:
Δy(k+1)=Φc(k)Δu(k) (1)
其中,Φc(k)为伪雅可比矩阵;
用u=(Tfl,Tfr,Tlr,Trr,δf)T、y=(ωfl,ωfr,ωlr,ωrr,ωr)T分别作为紧格式数据模型下的输入、输出量,则有:
Δy(k+1)=y(k+1)-y(k)=[Δωfl(k+1),Δωfr(k+1),Δωrl(k+1),Δωrr(k+1),Δωr(k+1)]T为k、k+1相邻两个时刻的输出变化,
Δu(k)=u(k)-u(k-1)=[ΔTfl(k),ΔTfr(k),ΔTrl(k),ΔTrr(k),ΔTs(k)]T为k-1、k相邻两个时刻的输入变化,
k、k+1、k-1都代表离散时间参数,表示某一时刻;
(4)基于建立的紧格式数据模型,得到系统主动容错控制方案如下:
其中,η∈(0,2]为步长因子,μ>0为权重因子;
2)然后利用式(5)计算出k时刻的输入u(k):
其中,λ>0为惩罚因子,ρ∈(0,1]为步长因子;y*(k+1)代表k+1时刻期望的输出,由系统决定;y(k)代表k时刻的输出;
3)将u(k)作用于车辆系统中预测k+1时刻系统的输出y(k+1);
4)将y(k+1)与y*(k+1)进行比较,如果差值在预设的误差阈值范围内,则视为系统已经对输出进行了校正;如果差值超出了预设的误差阈值,则视为系统还没有对输出进行校正,需要重复1)~3)步进行循环校正,直至满足要求。
进一步地,具体循环校正的方法是:
自k时刻起,以1秒的递增频率循环校正,每增加1秒,利用式(8)和式(5)计算下一时刻系统的输出,将此输出与系统的期望输出进行比较,直至满足要求。
进一步地,对于Φc(k)的估计,有如下取值原则:
如果没有达到上述两个临界条件则保持原值不变;
进一步地,步骤(3)中,紧格式数据模型的建立步骤为:
MIMO车辆非线性离散系统输入输出有如下关系:
y(k+1)=f(y(k)...y(k-ny),u(k)...u(k-nu))(2)
其中,u(k)...u(k-nu)∈R5,y(k)...y(k-ny)∈R5分别是各个时刻的系统输入和输出,ny、nu是两个自定义的整数,0≤ny、nu≤k,k≥0;
当满足fi(…),i=1…5关于第(ny+2)个变量的每个分量都具有连续的偏导数,同时满足广义利普希茨连续条件,即对任意k1≠k2,k1,k2≥0和u(k1)≠u(k2),有:
||y(k1+1)-y(k2+1)||≤b||u(k1)-u(k2)||,
b>0是一个常数时,
对所有k,有||u(k)||≠0,则非线性系统可等价的转化为紧格式数据模型,即:
Δy(k+1)=Φc(k)Δu(k)(1)。
进一步地,步骤(4)中,在考虑如下控制输入准则的基础上计算式(5):
J(u(k))=||y*(k+1)-y(k+1)||2+λ||u(k)-u(k-1)||2 (3)
J(u(k))表示控制输入准则;
将式(1)带入式(3)中,对u(k)求导,并令其等于零,得:
对式(4)简化,得式(5):
步骤(4)中,在考虑如下参数估计准则的基础上计算式(8):
J(Φc(k))表示参数估计准则;
极小化准则函数式(6),可得到式(7):
ΔuT(k-1)表示Δu(k-1)矩阵的转置;
简化算法得到式(8):
与现有技术相比,本发明显著的有益效果体现在:本发明采用的MIMO系统是可以同时为多输入量和多输出量的系统,在多输入多输出的前提下,本发明应用了MFAC控制方法,该方法仅依赖于系统的输入、输出数据,根据前一时刻系统输入、输出数据对当前时刻控制器的输出数据进行实时调整和补偿,不需要建立系统模型便能达到良好的分布式电驱动车辆主动容错效果。在实际假设下,MFAC方法的单调收敛性和有界输入、有界输出都可以得到保证。另外,现有技术主要集中在分别对驱动系统、转向系统失效容错控制进行探讨,而本发明是综合考虑了驱动系统和转向系统失效的主动容错控制机制。
本发明的其他特征和优点将在随后的说明书中阐述,并且部分的从说明书中变得显而易见,或者通过实施本发明而了解。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为根据控制原则确定控制方案的系统框图。
图2为左前轮失效MIMO系统MFAC控制电机转矩输出图。
图3为左前轮失效MIMO系统MFAC控制前轮转角输出图。
图4为左前轮失效MIMO系统MFAC控制横摆角速度输出图。
图5为左前轮失效MIMO系统MFAC控制车速输出图。
图6为左前轮右前轮失效MIMO系统MFAC控制车辆力矩输出图。
图7为左前轮右前轮失效MIMO系统MFAC控制前轮转角输出图。
图8为左前轮右前轮失效MIMO系统MFAC控制横摆角速度输出图。
图9为左前轮右前轮失效MIMO系统MFAC控制车速输出图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述,但本领域的技术人员应该知道,以下实施例并不是对本发明技术方案作的唯一限定,凡是在本发明技术方案精神实质下所做的任何等同变换或改动,均应视为属于本发明的保护范围。
本发明建立一种基于MFAC的电驱动车辆MIMO驱动系统主动容错控制方法,该方法整体包含以下步骤:
(1)首先需要对车辆驱动系统失效模式进行定义与分析界定。
(2)然后参考车辆模型,确定系统的输入输出,本发明定义系统的输入包含Tfl,Tfr,Tlr,Trr,δf,输出包含ωfl,ωfr,ωlr,ωrr,ωr;
后续为方便介绍,用ω(.)=[ωfl,ωfr,ωlr,ωrr]表示各个车轮角速度,ωr表示横摆角速度;用T(.)=[Tfl,Tfr,Tlr,Trr]表示各个车轮驱动力矩,δf表示前轮转角。输入输出量是可以根据需求增加或减少的,比如只在横向应用MFAC理论来进行容错,纵向用别的方法,这样就可以去掉ω(.)和T(.)。
建立分布式电驱动车辆四个车轮力矩、方向盘转矩与车轮角速度和横摆角速度之间的动力学模型,其中建立的有:
1)车轮动力学模型:
2)车辆横向、纵向动力学模型:
3)车辆横摆动力学模型:
其中,m为整车质量,vx为车辆纵向车速,vy为车辆横向车速,Fx(f,l),Fx(f,r),Fx(r,l),Fx(r,r)为车辆坐标系下四个车轮的纵向力,Fy(f,l),Fy(f,r),Fy(r,l),Fy(r,r)为车辆坐标系下四个车轮的横向力,ωr为车辆横摆角速度,δf为前轮转角,I为车辆绕z轴的转动惯量,a、b、c分别是前轴与质心的距离、后轴与质心的距离、二分之一轮距;
4)车辆转向动力学模型:
其中,Js为转向系统转动惯量,fs为转向系统摩擦系数,Fl(f,l)、Fl(f,r)为轮胎坐标系下两个前轮的纵向力,dw为轮胎和地面接触宽度,Ts为方向盘转矩;
由此推导得到系统动力学模型为:
参考上述车辆模型,确定系统的输入参数包含:Tfl,Tfr,Tlr,Trr,δf,输出参数包含:ωfl,ωfr,ωlr,ωrr,ωr。
(3)然后根据分布式电驱动车辆输入、输出数据建立紧格式数据模型(MFAC控制方法有三种,紧格式、偏格式、全格式):
Δy(k+1)=Φc(k)Δu(k) (1)
其中,
为系统伪雅可比矩阵PJM,这个矩阵是一个时变标量参数,非线性系统所有复杂特征(非线性、结构参数等)都被融入其中,虽然其动态特性很难进行数学描述,但其数值比较容易估计,由于控制系统有5个输入输出数据,可以将非线性系统等价为动态线性化表示,所以Φc(k)为5*5矩阵;
用u=(Tfl,Tfr,Tlr,Trr,δf)T、y=(ωfl,ωfr,ωlr,ωrr,ωr)T分别表示紧格式数据模型下的输入输出量,k-1、k、k+1都代表离散时间参数,表示某一时刻,则,
Δy(k+1)=y(k+1)-y(k)为k、k+1相邻两个时刻的输出变化,Δu(k)=u(k)-u(k-1)为k-1、k相邻两个时刻的输入变化。
(4)对建立的紧格式数据模型,综合控制算法以及参数估计算法,得到基于紧格式动态线性化无模型自适应控制方法(compactformdynamiclinearizationbased-MFAC,CDFL-MFAC)的分布式电驱动车辆驱动系统主动容错控制方案。
上述步骤(1),对车辆失效模式进行定义与分析界定,对于分布式电驱动车辆驱动系统,对其失效模式进行分类,可分为单轮失效、同侧双轮失效、异侧同轴双轮失效、异侧不同轴双轮失效、三轮失效、四轮失效六类工况。在各失效工况下通过设计的控制系统输出的前轮转角和未失效电机的转矩进行校正(本发明依据5个输出量即四个车轮力矩和前轮转角进行校正),进行纵-横向力再分配,保证车辆仍然能够按照驾驶员期望行驶。
上述步骤(3),紧格式数据模型的建立步骤为:
考虑MIMO车辆非线性离散系统的输入输出关系:
y(k+1)=f(y(k)...y(k-ny),u(k)...u(k-nu)) (2)
这个关系表达的是y(k+1)是关于y(k)...和u(k)...的函数。
其中:
u(k)...u(k-nu)∈R5,y(k)...y(k-ny)∈R5分别是各个对应时刻的系统输入和输出,ny、nu是两个自定义的整数,0≤ny、nu≤k,k≥0;
fi(…),i=1…5关于第(ny+2)个变量的每个分量都具有连续的偏导数;同时满足广义Lipschitz条件(利普希茨连续条件),即对任意k1≠k2,k1,k2≥0和u(k1)≠u(k2),有:
||y(k1+1)-y(k2+1)||≤b||u(k1)-u(k2)||
其中,b>0是一个常数。
对所有k,有||u(k)||≠0,则非线性系统可等价的转化为紧格式数据模型,即:
Δy(k+1)=Φc(k)Δu(k) (1)
上述步骤(4),控制算法考虑如下控制输入准则:
J(u(k))=||y*(k+1)-y(k+1)||2+λ||u(k)-u(k-1)||2 (3)
J(u(k))表示控制输入准则;y(k+1))代表k+1时刻车辆实际车轮角速度与横摆角速度;y*(k+1)代表k+1时刻期望输出即车辆期望的车轮角速度与横摆角速度;u(k)代表k时刻车辆实际车轮驱动力矩与前轮转角,u(k-1)代表k-1时刻车辆实际车轮驱动力矩与前轮转角;
λ>0,为惩罚因子,用于惩罚控制输入量过大的变化;其中λ越大,输入量变化越慢,反之输入量变化更快,依据这一规律可以调节模型跟踪速度。
将式(1)带入式(3)中,对u(k)求导,并令其等于零,得:
由于式(4)中包含矩阵求逆运算,当系统输入输出维数很大时,求逆运算非常耗时,不利于实际应用,为此简化控制算法如下:
上述步骤(4),参数估计算法考虑如下PJM参数估计准则:
J(Φc(k))表示PJM参数估计准则;μ>0,为权重因子,用于惩罚PJM估计值的过大变化,其中μ越大,PJM估计值变化越小,反之PJM估计值变化越大。
ΔuT(k-1)表示Δu(k-1)这个矩阵的转置,由于PJM估计算法式(7)中包含一个矩阵求逆运算,当系统输入输出维数很大时,求逆运算非常耗时,不利于实际应用,简化算法得到如下PJM估计算法:
η∈(0,2],为步长因子。
因此,在紧格式数据模型(式(1))的指导下,得到基于紧格式动态线性化无模型自适应控制方法(MFAC)的分布式电驱动车辆驱动系统主动容错控制方案如下:
其中,Δy(k)=y(k)-y(k-1),Δu(k-1)=u(k-1)-u(k-2);
式(9)和式(10)是算法重置机制,如果达到上述两个临界条件则对Φc(k)进行重置,如果没达到则保持原值不重置。
通过引入式(9)和式(10),对取值进行重置,算法重置机制是为了使PJM估计算法具有更强的对时变参数的跟踪能力。
2)然后利用式(5)计算k时刻的系统输入u(k):
3)将u(k)作用于车辆系统中可以预测下一时刻(k+1)系统的输出y(k+1),见式(2)。
4)将y(k+1)与y*(k+1)(系统k+1时刻期望的输出)进行比较,如果差值在预设的误差阈值范围内,则视为系统已经对输出进行了校正;如果差值超出了预设的误差阈值,则视为系统还没有对输出进行校正,需要再循环校正,直至满足要求。
具体校正方法是:
自k时刻起,以1秒的频率循环校正,增加1秒,利用计算的u(k)返回式(8),对Φc(k+1)进行估计;然后将代入到式(5)计算u(k+1)(此时的y*(k+2)为系统k+2时刻期望的输出,y(k+1))是上一时刻预测的值,都视为已知量);然后再根据u(k+1)作用于车辆系统中预测k+2时刻系统的输出y(k+2),再将y(k+2)与y*(k+2)进行比较。如此重复1)~4)步,直至满足要求。
因此该方法可以预测系统在未来哪一时间输出得到校正。对于期望输出,系统可以设定。
该控制方案系统框图如图1所示,系统控制流程可描述为:
当分布式电驱动车辆驱动系统发生失效以后,根据车辆输入数据:车轮驱动转矩T(.)(k)、前轮转角δf(k),输出数据:实际车轮角速度ω(.)(k)、实际横摆角速度ωr(k),用式(8)在Φc(k)估计器中估算出伪雅克比矩阵
结合步骤(3)估计的Φc(k),用式(5)得出校正车辆姿态的干预输入数据:车轮驱动转矩T(.)(k)和前轮转角δf(k),对车辆姿态进行校正,从而保证车辆按期望轮速与横摆角速度行驶;
在车辆行驶过程中,不断循环上述步骤,从而保证车辆维持期望姿态行驶。
图中,为期望车轮角速度,ω(.)(k)为实际车轮角速度,为期望横摆角速度,ωr(k)为实际横摆角速度,T(.)(k)为实际车轮驱动转矩,δf(k)为实际前轮转角,为伪雅克比矩阵Φc(k)估计值,Z-1表示延时延长一个采样周期。
综上可以看出,该主动容错控制方法利用自适应控制本身的非线性属性,解决车辆系统模型复杂、非线性强的问题以及容错系统过分依赖精确故障信息的问题,从而保证车辆执行器发生故障以后能够按照驾驶员期望行驶。
对控制方案通过Matlab/Simulink搭建控制模型与Carsim联合仿真进行验证。
工况1:车辆直线匀速行驶,期望车速72KM/h,6s时车辆左前轮发生失效。
分析:左前轮6s发生失效后,由图2-图5可看出,有控制时前轮转角立即响应,与此同时,未失效车轮右前以及右后电机力矩降低,左后轮电机力矩增加,从结果还可以看出在整个过程中,随着车轮力矩调节的加入,前轮转角调节比例是在减小的,由仿真结果可以看出验证本文所设计的控制器的合理性,保证车辆在驱动系统发生失效以后纵向维持期望车速前进,横向也不会偏离既定方向。
从图4-图5可以明显看出当车辆左前轮发生失效时,如果没有容错控制,车速会快速下降,且会产生明显横摆角速度,车辆产生跑偏现象,而在本发明提出的基于MFAC的电驱动车辆MIMO驱动系统主动容错控制方法控制下车辆实际车速和横摆角速度能够得到明显改善,使车辆按照驾驶员期望行驶。
工况2:车辆直线匀速行驶,期望车速72KM/h,6s时车辆左前轮和右前轮同时发生失效。
分析:车辆左前轮右前轮6s同时发生失效后,由图6-图9可看出,未失效车轮左后和右后车轮电机力矩增加,来补偿左前轮和右后轮失效损失的力矩,从而使车辆维持期望车速前进。由于分布式电驱动车辆工作模式为异侧双轮失效,在横向没有产生附加横摆角速度,此时方向盘不响应,车辆维持直线行驶,由仿真结果可以看出验证本文所设计的控制器的合理性,保证车辆在驱动系统发生失效以后纵向维持期望车速前进,横向也不会偏离既定方向.
从图8-图9可以明显看出当车辆左前轮右前轮同时发生失效时,如果没有容错控制,车速会快速下降,而在本发明提出的基于MFAC的电驱动车辆MIMO驱动系统主动容错控制方法控制下车辆实际车速和横摆角速度能够得到明显改善,使车辆按照驾驶员期望行驶。
Claims (5)
1.一种基于MFAC的分布式电驱动车辆系统主动容错控制方法,其特征在于,包括如下步骤:
(1)首先对车辆驱动系统失效模式进行界定,失效模式包括单轮失效、同侧双轮失效、异侧同轴双轮失效、异侧不同轴双轮失效、三轮失效、四轮失效六类工况;
(2)建立分布式电动车辆四个车轮力矩、方向盘转矩与车轮角速度和横摆角速度之间的动力学模型,其中建立:
1)车轮动力学模型:
2)车辆横向、纵向动力学模型:
3)车辆横摆动力学模型:
其中,m为整车质量,vx为车辆纵向车速,vy为车辆横向车速,Fx(f,l),Fx(f,r),Fx(r,l),Fx(r,r)为车辆坐标系下四个车轮纵向力,Fy(f,l),Fy(f,r),Fy(r,l),Fy(r,r)为车辆坐标系下四个车轮横向力,ωr为车辆横摆角速度,δf为前轮转角,I为车辆绕z轴的转动惯量,a、b、c分别是前轴与质心的距离、后轴与质心的距离、二分之一轮距;
4)车辆转向动力学模型:
其中,Js为转向系统转动惯量,fs为转向系统摩擦系数,Fl(f,l)、Fl(f,r)为轮胎坐标系下两个前轮的纵向力,dw为轮胎和地面接触宽度,Ts为方向盘转矩;
推导得到系统动力学模型为:
参考上述车辆模型,确定系统的输入输出,输入参数包含:Tfl,Tfr,Tlr,Trr,δf,输出参数包含:ωfl,ωfr,ωlr,ωrr,ωr;
(3)建立紧格式数据模型:
Δy(k+1)=Φc(k)Δu(k) (1)
其中,Φc(k)为伪雅可比矩阵;
用u=(Tfl,Tfr,Tlr,Trr,δf)T、y=(ωfl,ωfr,ωlr,ωrr,ωr)T分别作为紧格式数据模型下的输入、输出量,则有:
Δy(k+1)=y(k+1)-y(k)=[Δωfl(k+1),Δωfr(k+1),Δωrl(k+1),Δωrr(k+1),Δωr(k+1)]T为k、k+1相邻两个时刻的输出变化,
Δu(k)=u(k)-u(k-1)=[ΔTfl(k),ΔTfr(k),ΔTrl(k),ΔTrr(k),ΔTs(k)]T为k-1、k相邻两个时刻的输入变化,
k、k+1、k-1都代表离散时间参数,表示某一时刻;
(4)基于建立的紧格式数据模型,得到系统主动容错控制方案如下:
其中,η∈(0,2]为步长因子,μ>0为权重因子;
2)然后利用式(5)计算出k时刻的输入u(k):
其中,λ>0为惩罚因子,ρ∈(0,1]为步长因子;y*(k+1)代表k+1时刻期望的输出,由系统决定;y(k)代表k时刻的输出;
3)将u(k)作用于车辆系统中预测k+1时刻系统的输出y(k+1);
4)将y(k+1)与y*(k+1)进行比较,如果差值在预设的误差阈值范围内,则视为系统已经对输出进行了校正;如果差值超出了预设的误差阈值,则视为系统还没有对输出进行校正,需要重复步骤(4)的1)~3)步进行循环校正,直至满足要求。
2.根据权利要求1所述的基于MFAC的分布式电驱动车辆系统主动容错控制方法,其特征在于,具体循环校正的方法是:
自k时刻起,以1秒的递增频率循环校正,每增加1秒,利用式(8)和式(5)计算下一时刻系统的输出,将此输出与系统的期望输出进行比较,直至满足要求。
4.根据权利要求1所述的基于MFAC的分布式电驱动车辆系统主动容错控制方法,其特征在于,
步骤(3)中,紧格式数据模型的建立步骤为:
MIMO车辆非线性离散系统输入输出有如下关系:
y(k+1)=f(y(k)...y(k-ny),u(k)...u(k-nu)) (2)
其中,u(k)...u(k-nu)∈R5,y(k)...y(k-ny)∈R5分别是各个时刻的系统输入和输出,ny、nu是两个自定义的整数,0≤ny、nu≤k,k≥0;
当满足fi(…),i=1…5关于第(ny+2)个变量的每个分量都具有连续的偏导数,同时满足广义利普希茨连续条件,即对任意k1≠k2,k1,k2≥0和u(k1)≠u(k2),有:
||y(k1+1)-y(k2+1)||≤b||u(k1)-u(k2)||,
b>0是一个常数时,
对所有k,有||u(k)||≠0,则非线性系统可等价的转化为紧格式数据模型,即:
Δy(k+1)=Φc(k)Δu(k)(1)。
5.根据权利要求1所述的基于MFAC的分布式电驱动车辆系统主动容错控制方法,其特征在于,
1)步骤(4)中,在考虑如下控制输入准则的基础上计算式(5):
J(u(k))=||y*(k+1)-y(k+1)||2+λ||u(k)-u(k-1)||2 (3)
J(u(k))表示控制输入准则;
将式(1)带入式(3)中,对u(k)求导,并令其等于零,得:
对式(4)简化,得式(5):
2)步骤(4)中,在考虑如下参数估计准则的基础上计算式(8):
J(Φc(k))表示参数估计准则;
极小化准则函数式(6),可得到式(7):
ΔuT(k-1)表示Δu(k-1)矩阵的转置;
简化算法得到式(8):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810355757.0A CN108415257B (zh) | 2018-04-19 | 2018-04-19 | 基于mfac的分布式电驱动车辆系统主动容错控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810355757.0A CN108415257B (zh) | 2018-04-19 | 2018-04-19 | 基于mfac的分布式电驱动车辆系统主动容错控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108415257A CN108415257A (zh) | 2018-08-17 |
CN108415257B true CN108415257B (zh) | 2020-03-27 |
Family
ID=63136016
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810355757.0A Active CN108415257B (zh) | 2018-04-19 | 2018-04-19 | 基于mfac的分布式电驱动车辆系统主动容错控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108415257B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108121204A (zh) * | 2017-11-30 | 2018-06-05 | 上海航天控制技术研究所 | 一种组合体航天器姿态无模型的自适应控制方法和系统 |
CN109664884B (zh) * | 2018-11-19 | 2020-06-09 | 江苏大学 | 一种可变车速下的可拓自适应车道保持控制方法 |
CN110094838B (zh) * | 2019-04-06 | 2020-08-18 | 天津大学 | 一种基于空调系统的可变参数无模型自适应控制方法 |
CN110380794B (zh) * | 2019-07-12 | 2020-09-29 | 深圳市中承科技有限公司 | 一种用于无线通信系统的数据驱动射频发射功率校准方法和装置 |
CN111007722B (zh) * | 2019-12-18 | 2021-01-01 | 厦门大学 | 一种四轮转向自动驾驶汽车横向鲁棒容错控制系统及方法 |
CN113093532B (zh) * | 2021-03-05 | 2022-04-15 | 哈尔滨工程大学 | 一种非自衡系统的全格式无模型自适应控制方法 |
CN113110519B (zh) * | 2021-05-26 | 2021-11-30 | 哈尔滨工程大学 | 一种舰船用非增量型无模型自适应艏向控制方法 |
CN117087628B (zh) * | 2023-10-18 | 2023-12-22 | 江苏智能无人装备产业创新中心有限公司 | 双侧独立电驱动无人驾驶履带车辆制动防跑偏控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103754256A (zh) * | 2014-01-24 | 2014-04-30 | 中国石油大学(华东) | 一种具有可调转向模式的电动汽车转向系统及控制方法 |
CN104836504A (zh) * | 2015-05-15 | 2015-08-12 | 合肥工业大学 | 凸极式永磁同步电机精确转矩输出的自适应容错控制方法 |
CN107092256A (zh) * | 2017-05-27 | 2017-08-25 | 中国科学院自动化研究所 | 一种无人车转向控制方法 |
CN107942688A (zh) * | 2018-01-05 | 2018-04-20 | 哈尔滨工程大学 | 水中航行器用遗忘因子式无模型自适应航向控制方法 |
CN108227490A (zh) * | 2017-12-27 | 2018-06-29 | 江苏大学 | 一种新型混联式汽车电泳涂装输送机构的无模型自适应滑模控制方法 |
-
2018
- 2018-04-19 CN CN201810355757.0A patent/CN108415257B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103754256A (zh) * | 2014-01-24 | 2014-04-30 | 中国石油大学(华东) | 一种具有可调转向模式的电动汽车转向系统及控制方法 |
CN104836504A (zh) * | 2015-05-15 | 2015-08-12 | 合肥工业大学 | 凸极式永磁同步电机精确转矩输出的自适应容错控制方法 |
CN107092256A (zh) * | 2017-05-27 | 2017-08-25 | 中国科学院自动化研究所 | 一种无人车转向控制方法 |
CN108227490A (zh) * | 2017-12-27 | 2018-06-29 | 江苏大学 | 一种新型混联式汽车电泳涂装输送机构的无模型自适应滑模控制方法 |
CN107942688A (zh) * | 2018-01-05 | 2018-04-20 | 哈尔滨工程大学 | 水中航行器用遗忘因子式无模型自适应航向控制方法 |
Non-Patent Citations (6)
Title |
---|
Active Fault-Tolerant Control Based on Multiple Input Multiple Output-Model Free Adaptive Control for Four Wheel Independently Driven Electric Vehicle Drive System;Yugong Luo 等;《applied science》;20190114;全文 * |
Adaptive PID-Sliding-Mode Fault-Tolerant Control Approach for Vehicle Suspension Systems Subject to Actuator Faults;Morteza Moradi 等;《IEEE》;20140331;全文 * |
分布式电动车辆驱动系统MFAC主动容错控制;胡云 等;《汽车工程》;20190930;全文 * |
分布式电驱动车辆制驱动力协调及主动容错控制;罗剑;《CNKI》;20140430;全文 * |
数据驱动逆系统方法的多模型主动容错控制;李炜 等;《计算机测量与控制》;20111231;全文 * |
车辆弯道保持系统的无模型自适应控制方法研究;田明鑫 等;《软件》;20171231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108415257A (zh) | 2018-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108415257B (zh) | 基于mfac的分布式电驱动车辆系统主动容错控制方法 | |
US20220289269A1 (en) | Electric Truck Steer-by-Wire System and Network Uncertainty Control Method Therefor | |
CN111497826B (zh) | 一种电动汽车横摆稳定性协调控制方法及系统 | |
Chen et al. | Path tracking and handling stability control strategy with collision avoidance for the autonomous vehicle under extreme conditions | |
CN110347170B (zh) | 可重复使用运载器再入段鲁棒容错制导控制系统及工作方法 | |
Cui et al. | Adaptive super-twisting trajectory tracking control for an unmanned aerial vehicle under gust winds | |
Cai et al. | Implementation and development of a trajectory tracking control system for intelligent vehicle | |
CN111959527B (zh) | 一种基于转角优化序列的汽车路径跟踪控制方法 | |
Pauca et al. | Predictive control for the lateral and longitudinal dynamics in automated vehicles | |
CN111717278B (zh) | 一种电动汽车转向失效的容错控制方法及系统 | |
CN111267834A (zh) | 一种车辆横摆稳定预测控制方法及系统 | |
CN110217227B (zh) | 一种适用于冰雪道路工况的转向制动联合避撞控制方法 | |
Song et al. | A terminal sliding mode based torque distribution control for an individual-wheel-drive vehicle | |
Siampis et al. | Model Predictive torque vectoring control for electric vehicles near the limits of handling | |
CN113581201A (zh) | 一种基于势场模型的无人汽车避撞控制方法及系统 | |
EL HAJJAMI et al. | Neural network based sliding mode lateral control for autonomous vehicle | |
Xu et al. | Fuzzy adaptive nonlinear information fusion model predictive attitude control of unmanned rotorcrafts | |
Tong et al. | Integrated path-following and fault-tolerant control for four-wheel independent-driving electric vehicles | |
Schwartz et al. | Analytical optimal control allocation with time-varying secondary objectives | |
Huang et al. | A data-based lane-keeping steering control for autonomous vehicles: A human-in-the-loop approach | |
Lu et al. | Four-Wheel Independent Drive Vehicle Fault Tolerant Strategy Using Stochastic Model Predictive Control With Model Parameter Uncertainties | |
Yang et al. | Development and control of four-wheel independent driving and modular steering electric vehicles for improved maneuverability limits | |
Chen et al. | Tire-force based holistic corner control | |
Zhang et al. | Four wheel independent steering system control of distributed electric vehicle based on heterogeneous multi-agent | |
CN112327626A (zh) | 基于数据分析的飞行器通道耦合协调控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |