CN108694283A

CN108694283A - 一种用于提高电动汽车横向稳定性的预测控制方法及系统

Info

Publication number: CN108694283A
Application number: CN201810460889.XA
Authority: CN
Inventors: 张雷; 王震坡; 王亚超
Original assignee: Beijing Institute of Technology BIT
Current assignee: Beijing Institute of Technology BIT
Priority date: 2018-05-15
Filing date: 2018-05-15
Publication date: 2018-10-23

Abstract

本发明公开一种用于提高电动汽车横向稳定性的预测控制方法及系统。方法包括：获取车辆的构造数据和行车数据；根据构造数据和行车数据，建立车辆的参考模型；根据参考模型，获取车辆期望的横摆角速度和质心侧偏角；根据横摆角速度和质心侧偏角，采用滑模预测方法，确定车辆的附加横摆力矩；根据附加横摆力矩，采用优化分配方法，确定车辆的各车轮力矩；根据各车轮力矩，实时调节车辆的各车轮力矩。采用本发明的方法或系统，不仅提高了分布式驱动横向稳定性，而且能获得到车辆运动控制中不确定性的准确边界，以及消除控制过程固有的抖振现象。

Description

一种用于提高电动汽车横向稳定性的预测控制方法及系统

技术领域

本发明涉及四轮独立驱动电动汽车横向稳定性控制领域，特别是涉及一种用于提高电动汽车横向稳定性的预测控制方法及系统。

背景技术

分布式驱动电动汽车是由安装在每个车轮中独立控制的轮毂电机驱动的纯电动汽车，具有良好的控制灵活性，可大幅度提高整车性能。在没有差速制动的应用下，通过对每个电机的协调控制，可以实现直接横摆力矩控制(DYC)，以提高车辆的稳定性。DYC是车辆稳定性控制(VSC)的重要体现，其作用优于主动前轮转向(AFS)。它可以通过应用差速驱动/制动产生附加的横摆力矩来提高车辆横向稳定性，其中差速制动牺牲了一些车辆的速度。对于分布式驱动电动汽车来说，可以通过差速驱动实现DYC。通常采用由上层控制器和下层控制器组成的分层控制结构来实现DYC控制。上层控制器根据稳定性控制需求，计算理想的横摆力矩，下层控制器则根据一定的优化目标实现驱动力矩的优化分配。

滑模控制(SMC)实现DYC有效方法，该方法具有易实现及良好的鲁棒性，因而被广泛应用于计算附加横摆力矩。二阶滑移模型控制(SOSM)也具有很广泛的应用，其将控制器的导数作为新的控制器的输入，用来优化滑模控制器以更好地获得横摆角速度和质心侧偏角的跟踪表现。

但现有的滑模控制器存在以下两点不足：

(1)滑模控制的鲁棒性仅对匹配的不确定性有效，但在车辆实际行驶过程中无法准确得该不确定性的边界。

(2)滑模控制无法完全消除控制过程固有的抖振现象。

因此如何利用一种优化控制方法或系统在提高分布式驱动横向稳定性的同时，又能获得到车辆运动控制中不确定性的准确边界以及消除控制过程固有的抖振现象，成为本领域技术人员亟需解决的技术问题。

发明内容

本发明的目的是提供一种用于提高电动汽车横向稳定性的预测控制方法及系统，在提高分布式驱动横向稳定性的同时，又能获得到车辆运动控制中不确定性的准确边界以及消除控制过程固有的抖振现象。

为实现上述目的，本发明提供了如下方案：

一种用于提高电动汽车横向稳定性的预测控制方法，所述控制方法包括：

获取车辆的构造数据和行车数据；

根据所述构造数据和所述行车数据，建立所述车辆的参考模型；

根据所述参考模型，获取所述车辆期望的横摆角速度和质心侧偏角；

根据所述横摆角速度和所述质心侧偏角，采用滑模预测方法，确定所述车辆的附加横摆力矩；

根据所述附加横摆力矩，采用优化分配方法，确定所述车辆的各车轮力矩；

根据所述各车轮力矩，实时调节所述车辆的各车轮力矩。

可选的，所述构造数据包括车辆的质量、质心侧偏角、横摆转动惯量、车辆重心到前轴的距离和车辆重心到后轴的距离，所述行车数据包括车辆重心处的纵向速度和横摆角速度；

所述根据所述构造数据和所述行车数据，建立所述车辆的参考模型，具体包括：

根据所述数据，建立所述车辆的参考模型

其中，为质心侧偏角向量，为横摆角速度向量，m为车辆的质量，v_x为车辆重心处的纵向速度，ω为横摆角速度，β为质心侧偏角，I_z为横摆转动惯量。a为车辆重心到前轴的距离，b为车辆重心到后轴的距离，k_f为前轴侧偏刚度，k_f为后轴侧偏刚度，δ为前轮转向角。

可选的，所述根据所述参考模型，获取所述车辆期望的横摆角速度和质心侧偏角，具体包括：

令所述参考模型得到所述车辆期望的横摆角速度ω和质心侧偏角β。

可选的，所述根据所述横摆角速度和所述质心侧偏角，采用滑模预测方法，确定所述车辆的附加横摆力矩，具体包括：

根据滑模预测模型s_m(x)＝σ^Te(k)-α^ks(0)和成本方程推出所述车辆的附加横摆力矩ΔM＝[1,0,…0]^T(G^TG+Π)^-1G^TH。

可选的，所述根据所述附加横摆力矩，采用优化分配方法，确定所述车辆的各车轮力矩，具体包括：

根据公式T_fl＝η_fl(T_d-ΔM)确定所述车辆左前车轮的力矩T_fl，其中，T_fl为所述车辆左前轮的力矩，η_fl为左前轮的分配比，T_d是驾驶员模型产生的扭矩，ΔM为附加横摆力矩；

根据公式T_fr＝η_fr(T_d-ΔM)确定所述车辆右前车轮的力矩T_fr，其中，T_fr为所述车辆右前轮的力矩，η_fr为右前轮的分配比；

根据公式T_rl＝η_rl(T_d-ΔM)确定所述车辆左后车轮的力矩T_rl，其中，T_rl为所述车辆左后轮的力矩，η_rl为左后轮的分配比；

根据公式T_rr＝η_rr(T_d-ΔM)确定所述车辆右后车轮的力矩T_rr，其中，T_rr为所述车辆右后轮的力矩，η_rr为右后轮的分配比。

为实现上述目的，本发明还提供了如下方案：

一种用于提高电动汽车横向稳定性的预测控制系统，所述控制系统包括：

数据获取模块，用于获取车辆的构造数据和行车数据；

参考模型建立模块，用于根据所述构造数据和所述行车数据，建立所述车辆的参考模型；

期望值获取模块，用于根据所述参考模型，获取所述车辆期望的横摆角速度和质心侧偏角；

附加横摆力矩确定模块，用于根据所述横摆角速度和所述质心侧偏角，采用滑模预测方法，确定所述车辆的附加横摆力矩；

各车轮力矩确定模块，用于根据所述附加横摆力矩，采用优化分配方法，确定所述车辆的各车轮力矩；

各车轮力矩调节模块，根据所述各车轮力矩，实时调节所述车辆的各车轮力矩。

所述参考模型建立模块，具体为：

根据所述数据，建立所述车辆的参考模型

可选的，所述期望值获取模块，具体为：

可选的，所述附加横摆力矩确定模块，具体为：

根据滑模预测模型s_m(x)＝σ^Te(k)-α^ks(0)和成本方程推出所述车辆的附加横摆力矩ΔM＝[1_,0,…0]^T(G^TG+Π)^-1G^TH。

可选的，所述各车轮力矩确定模块，具体包括：

左前轮力矩确定单元，用于根据公式T_fl＝η_fl(T_d-ΔM)确定所述车辆左前轮的力矩T_fl，其中，T_fl为所述车辆左前轮的力矩，η_fl为左前轮的分配比，T_d是驾驶员模型产生的扭矩，ΔM为附加横摆力矩；

右前轮力矩确定单元，用于根据公式T_fr＝η_fr(T_d-ΔM)确定所述车辆右前轮的力矩T_fr，其中，T_fr为所述车辆右前轮的力矩，η_fr为右前轮的分配比；

左后轮力矩确定单元，用于根据公式T_rl＝η_rl(T_d-ΔM)确定所述车辆左后轮的力矩T_rl，其中，T_rl为所述车辆左后轮的力矩，η_rl为左后轮的分配比；

右后轮力矩确定单元，用于根据公式T_rr＝η_rr(T_d-ΔM)确定所述车辆右后轮的力矩T_rr，其中，T_rr为所述车辆右后轮的力矩，η_rr为右后轮的分配比。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明公开一种用于提高电动汽车横向稳定性的预测控制方法，获取车辆的构造数据和行车数据；根据构造数据和行车数据，建立车辆的参考模型；根据参考模型，获取车辆期望的横摆角速度和质心侧偏角；根据横摆角速度和质心侧偏角，采用滑模预测方法，确定车辆的附加横摆力矩；根据附加横摆力矩，采用优化分配方法，确定车辆的各车轮力矩；根据各车轮力矩，实时调节车辆的各车轮力矩。采用本发明的方法，不仅能够提高分布式驱动横向稳定性，而且能获得到车辆运动控制中不确定性的准确边界，以及消除控制过程固有的抖振现象。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例用于提高电动汽车横向稳定性的预测控制方法流程图；

图2为本发明实施例用于提高电动汽车横向稳定性的预测控制系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例用于提高电动汽车横向稳定性的预测控制方法流程图。如图1所示，一种用于提高电动汽车横向稳定性的预测控制方法，所述控制方法包括：

步骤101：获取车辆的构造数据和行车数据；所述构造数据包括车辆的质量、质心侧偏角、横摆转动惯量、车辆重心到前轴的距离和车辆重心到后轴的距离，所述行车数据包括车辆重心处的纵向速度和横摆角速度。

步骤102：根据所述构造数据和所述行车数据，建立所述车辆的参考模型，具体包括：

根据所述数据，建立所述车辆的参考模型

步骤103：根据所述参考模型，获取所述车辆期望的横摆角速度和质心侧偏角，具体包括：

步骤104：根据所述横摆角速度和所述质心侧偏角，采用滑模预测方法，确定所述车辆的附加横摆力矩；

滑模预测模型的设计跟踪误差定义为：

e(k)＝x_d(k)-x(k)

定义

动力特性误差表述为：

滑模方程定义为：s(x)＝σ^Te(k)

其中σ^T＝[σ₁,…,σ_n]。

构造滑模预测模型为s_m(x)＝σ^Te(k)-α^ks(0)

其中，s(0)＝σ^Te(0)，0＜α＜1，α^k为积分滑模面系数。

相应的滑模预测面为：s_m＝{e(k)|s_m(e(k))＝0}

p阶预测器可以表示为：

采用反馈校正方法对系统非线性和扰动引起的误差进行校正。滑模预测模型的实际滑模值s(k)和p阶预测值s_m(k|k-p)之间的误差用于补偿滑模预测模型的输出值s_m(k+p|k)。给出了闭环滑模预测的输出结果：

其中，η_p实反馈校正系数。通常令η₁和0＜η_p＜1(p＞1)。η_p值的减小将削减反馈校正效果。

为了提高不确定性的鲁棒性，消除抖振现象，给出了滑模参考轨迹：

其中，0＜μ＜1，κ＞0。

二次成本函数定义为:

其中，s_r是滑模轨迹，反馈校正预测滑模面，u为系统输入，N和M分别表示预测和控制水平的正整数。M满足：

0＜M≤N，u(k+j)＝u(k+M-1)，M≤j＜N

定义：

S＝[s(k+1),…,s(k+N)]^T,S_r＝[s_r(k+1),…,s_r(k+N)]^T

F＝[σ^TA,…,σ^TA^N]^T,Ψ＝diag[η₁,…,η_n],L＝[α¹,α²,…,α^N]

上述方程可化为：

所以成本方程可推导为：

其中，令求解成本方程，得到最优控制律。将控制序列的第一个元素作为控制器实现的实际输入，可推导出附加的横摆力矩ΔM＝[1_,0,…0]^T(G^TG+Π)^-1G^TH，具体的推导过程如下：可得T＝U^T(G^TG+Π)^-1G^TH，另U＝[1,0,…0]，可得ΔM＝[1,0,…0]^T(G^TG+Π)^-1G^TH。

步骤105：根据所述附加横摆力矩，采用优化分配方法，确定所述车辆的各车轮力矩。具体包括：

在步骤105中，提出了一种最优转矩分配算法，以满足上层控制器所求得横摆力矩，用基于规则的方法用于比较验证所给转矩分配算法的有效性和优越性。

由轮胎纵向力产生的总驱动力矩和横摆力矩应满足驾驶员的意图和上位控制器计算的附加横摆力矩。相应的方程可以给出如下:

T_d＝T_fl+T_fr+T_rl+T_rr

其中，T_i＝(i＝fl,fr,rl,rr)是分配给每个车轮所需的扭矩，c是轨迹的一半，R_e是车轮重新计算的有效半径。那么，矩阵可定义为：

T_v＝B_vu

T_v＝[T_d,ΔM]，u＝[T_fl,T_fr,T_rl,T_rr]

构造成本函数要考虑两个标准:最小的CG力、力矩误差以及最小的轮胎工作负荷。成本函数定义为：

J＝arg min(ρ₁||W_v(Bu-F)||²+||W_uu||²)

其中，W_v是调整跟踪性能的正权重因子，权重矩阵定义W_v＝diag(W_v1,W_v2,W_v3)。C_i＝(i＝fl,fr,rl,rr)是轮胎纵向力的权重因子。跟踪误差最小化,参数ξ₁通常设置为较大值。每个车轮的派生转矩需求符合所使用的轮毂电机的输出特性曲线，由此产生的纵向和轮胎力需要满足摩擦椭圆约束条件:

-T_{b max}≤T_i≤T_max

因此，最优转矩分配问题的总目标函数可以转化为一个优化问题：

J＝arg min(ξ₁||W_v(Bu-F)||²+||W_uu||²)

s.t.-T_{b max}≤T_i≤T_max

这可以通过有效集方法来解决。

在加速、制动或转向过程中存在载荷转移，这对车轮的粘合力有显著的影响。一般来说，粘附力随着垂直载荷的增加而增加。因此，在较高的垂直载荷作用下，对车轮分配更多的扭矩要求是相当重要的。基于这一原则,提出基于规则的扭矩分配算法：

F_zi(i＝fl,fr,rl,rr)是第i个车轮的垂直载荷,可以方便地由纵向力和侧向力算得。η_i(i＝fl,fr,rl,rr)分别是左前轮,右前轮,左后轮和右后轮的分配比，基于规则的转矩分配算法的可求得轮毂电机转矩应满足:

T_fl＝η_fl(T_d-ΔM)

T_fr＝η_fr(T_d+ΔM)

T_rl＝η_fl(T_d-ΔM)

T_rr＝η_rr(T_d+ΔM)

其中，T_d是由驾驶员模型产生的扭矩以保持车辆的目标速度。

步骤106：根据所述各车轮力矩，实时调节所述车辆的各车轮力矩，提高所述车辆的横向稳定性。

采用本发明的方法，不仅能够提高分布式驱动横向稳定性，而且能获得到车辆运动控制中不确定性的准确边界，以及消除控制过程固有的抖振现象。

图2为本发明实施例用于提高电动汽车横向稳定性的预测控制系统结构图。如图2所示，一种用于提高电动汽车横向稳定性的预测控制系统，所述控制系统包括：

数据获取模块201，用于获取车辆的构造数据和行车数据；

参考模型建立模块202，用于根据所述构造数据和所述行车数据，建立所述车辆的参考模型；

期望值获取模块203，用于根据所述参考模型，获取所述车辆期望的横摆角速度和质心侧偏角；

附加横摆力矩确定模块204，用于根据所述横摆角速度和所述质心侧偏角，采用滑模预测方法，确定所述车辆的附加横摆力矩；

各车轮力矩确定模块205，用于根据所述附加横摆力矩，采用优化分配方法，确定所述车辆的各车轮力矩；

各车轮力矩调节模块206，根据所述各车轮力矩，实时调节所述车辆的各车轮力矩。

所述参考模型建立模块202，具体为：

根据所述数据，建立所述车辆的参考模型

所述期望值获取模块203，具体为：

所述附加横摆力矩确定模块204，具体为：

所述各车轮力矩确定模块205，具体包括：

采用本发明的系统，不仅能够提高分布式驱动横向稳定性，而且能获得到车辆运动控制中不确定性的准确边界，以及消除控制过程固有的抖振现象。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种用于提高电动汽车横向稳定性的预测控制方法，其特征在于，所述控制方法包括：

获取车辆的构造数据和行车数据；

根据所述各车轮力矩，实时调节所述车辆的各车轮力矩。

2.根据权利要求1所述的一种用于提高电动汽车横向稳定性的预测控制方法，其特征在于，所述构造数据包括车辆的质量、质心侧偏角、横摆转动惯量、车辆重心到前轴的距离和车辆重心到后轴的距离，所述行车数据包括车辆重心处的纵向速度和横摆角速度；

根据所述数据，建立所述车辆的参考模型

3.根据权利要求2所述的一种用于提高电动汽车横向稳定性的预测控制方法，其特征在于，所述根据所述参考模型，获取所述车辆期望的横摆角速度和质心侧偏角，具体包括：

4.根据权利要求3所述的一种用于提高电动汽车横向稳定性的预测控制方法，其特征在于，所述根据所述横摆角速度和所述质心侧偏角，采用滑模预测方法，确定所述车辆的附加横摆力矩，具体包括：

5.根据权利要求4所述的一种用于提高电动汽车横向稳定性的预测控制方法，其特征在于，所述根据所述附加横摆力矩，采用优化分配方法，确定所述车辆的各车轮力矩，具体包括：

6.一种用于提高电动汽车横向稳定性的预测控制系统，其特征在于，所述控制系统包括：

数据获取模块，用于获取车辆的构造数据和行车数据；

7.根据权利要求6所述的一种用于提高电动汽车横向稳定性的预测控制系统，其特征在于，所述构造数据包括车辆的质量、质心侧偏角、横摆转动惯量、车辆重心到前轴的距离和车辆重心到后轴的距离，所述行车数据包括车辆重心处的纵向速度和横摆角速度；

所述参考模型建立模块，具体为：

根据所述数据，建立所述车辆的参考模型

8.根据权利要求7所述的一种用于提高电动汽车横向稳定性的预测控制系统，其特征在于，所述期望值获取模块，具体为：

9.根据权利要求8所述的一种用于提高电动汽车横向稳定性的预测控制系统，其特征在于，所述附加横摆力矩确定模块，具体为：

10.根据权利要求9所述的一种用于提高电动汽车横向稳定性的预测控制系统，其特征在于，所述各车轮力矩确定模块，具体包括：