CN108820036A - 一种轮毂电机驱动汽车电动助力转向控制方法 - Google Patents

Abstract

一种轮毂电机驱动汽车电动助力转向控制方法，涉及新能源汽车转向控制领域。设计车载信息的提取方法，建立轮毂电机驱动汽车电动助力转向动力学模型；以电动助力转向控制能量消耗最小为目标，采用基于遗传优化的自适应模糊控制技术设计轮毂电机驱动汽车电动助力转向最优目标电流规划模块。提出最优目标电流的神经网络PID下层控制方法，实现最优目标电流的跟踪控制。采用蚁群算法优化助力转向模糊控制规则和隶属度参数，可有效提升轮毂电机驱动汽车助力转向系统综合性能。克服轮毂电机驱动汽车强非线性特性、时变和不确定性等因素引起的干扰，明显改善了电动助力转向控制系统综合性能，提高了电动助力转向控制系统的可靠性和稳定性。

Description

一种轮毂电机驱动汽车电动助力转向控制方法

技术领域

本发明涉及新能源汽车转向控制领域，尤其是涉及一种轮毂电机驱动汽车电动助力转向控制方法。

背景技术

轮毂电机驱动电动汽车采用全新的电动汽车结构形式，是未来新能源汽车领域发展的一个新趋势。电动助力转向系统具有节能环保、可靠性好、成本低、效率高等优点，需要设计满足综合性能最优的轮毂电机驱动汽车电动助力转向控制系统。在文献[1](余卓平,冷博.分布式驱动电动汽车的差动助力转向控制[J].汽车工程,2017,39(3):244-248)基于纵向车速和转向盘转角确定了参考转向盘力矩，提出了一种差动助力转向闭环控制方法。文献[2](卢山峰,徐兴,陈龙等.轮毂电机驱动汽车电子差速与差动助力转向的协调控制[J].机械工程学报,2017,53(16):79-85)提出了电子差速与差动助力转向的协调控制方法。然而，轮毂电机驱动汽车具有非完整运动约束、高度非线性以及参数不确定等特点，设计如何克服上述特征的助力转向系统是当前的研究热点。

发明内容

本发明的目的是为了解决现有技术中上述存在的问题，提供可有效克服轮毂电机驱动汽车助力转向系统的非线性和时变等特性，保证轮毂电机驱动汽车助力转向系统的稳定性，提升整车综合行驶性能的一种轮毂电机驱动汽车电动助力转向控制方法。

本发明采用轮毂电机驱动汽车电动助力转向控制系统，所述轮毂电机驱动汽车电动助力转向控制系统设有电子控制单元、车联网模块、目标电流规划模块和目标电流跟踪模块；通过基于遗传优化的自适应模糊上层控制模块确定出期望的目标电流，采用神经网络PID下层控制模块实现对目标电流的跟踪控制，保证系统稳定性，各个模块的信息传递都是通过CAN总线。

本发明包括以下步骤：

1)设计车载信息的提取方法，建立轮毂电机驱动汽车电动助力转向动力学模型；

在步骤1)中，所述设计车载信息的提取方法，建立轮毂电机驱动汽车电动助力转向动力学模型的具体方法可为：

(1)通过车联网模块中的车速传感器和转矩传感器获取轮毂电机驱动汽车转向杆的扭矩信息、车速信息和方向盘转角信息。

(2)将获取的扭矩信号、车速信号以及方向盘转角信号进行滤波、去噪、分压等操作，将输出结果输送到主控电子控制单元模块。

(3)以电动助力转向齿条位移和电动机转角为状态量，对轮毂电机驱动汽车转向系统和电动机进行动力学建模。

2)以电动助力转向控制能量消耗最小为目标，采用基于遗传优化的自适应模糊控制技术设计轮毂电机驱动汽车电动助力转向最优目标电流规划模块，主要包括：

(1)以轮毂电机驱动汽车的纵向速度和方向盘扭矩为输入变量，助力电机的目标电流为输出变量，确定决策目标电流的模糊控制输入变量和输出变量的论域和语言变量；

(2)设计电动助力转向目标电流规划的模糊隶属度函数和模糊控制规则；

(3)采用遗传算法优化转向目标电流规划的模糊隶属度函数和模糊控制规则，动态规划出电动助力转向的目标电流；采用实数编码将待优化的参数进行编码，建立遗传优化目标电流的数学模型，采用遗传算子对模糊参数进行优化求解，从而获取最优的电动助力转向目标电流。

3)提出最优目标电流的神经网络PID下层控制方法，实现最优目标电流的跟踪控制。

在步骤3)中，所述提出最优目标电流的神经网络PID下层控制方法，实现最优目标电流的跟踪控制的具体方法可为：

(1)定义目标电流I_d和实际电流I偏差为e＝I-I_d和偏差变化率Δe＝de(t)/d(t)；

(2)设置具有三层的神经网络PID下层助力转向目标电流跟踪控制方法，分别为输入层、隐含层和输出层，其中输入层含有3个节点，隐含层含有8个节点，输出层含有1个节点；

(3)设计神经网络PID助力转向下层控制的学习算法，建立神经网络PID各层间权值的调节律。

本发明采用蚁群算法优化助力转向模糊控制规则和隶属度参数，可有效提升轮毂电机驱动汽车助力转向系统综合性能。

本发明的技术效果如下：

采用基于遗传优化的电动助力转向分层控制方法，有效地动态规划出能量消耗最小的电动助力转向所需的目标电流，克服了轮毂电机驱动汽车强非线性特性、时变和不确定性等因素引起的干扰，明显改善了电动助力转向控制系统综合性能，提高了电动助力转向控制系统的可靠性和稳定性。

附图说明

图1为本发明的电动助力转向控制系统示意图。

图2为本发明的基于遗传优化的上层最优目标电流动态规划示意图。

图3为本发明的神经网络PID下层跟踪控制示意图。

图4为本发明的模糊输入变量V隶属度函数示意图。

图5为本发明的模糊输入变量T_s隶属度函数示意图。

图6为本发明的模糊输出变量I_c隶属度函数示意图。

图7为本发明的遗传优化染色体结构图。

具体实施方式

结合图1～7对本发明电动助力转向控制系统及方法进一步作详细的说明。

本发明提供了一种轮毂电机驱动汽车电动助力转向控制系统，主要是运用分层控制技术，如图1所示，将电动助力转向控制系统分为上层最优目标电流规划模块和下层目标电流跟踪控制模块。在上层最优目标电流规划模块中，如图2所示，采用遗传算法优化电动助力转向模糊控制的规则和隶属度函数，动态规划出能量消耗最少的目标电流。根据目标电流和实际电流的差值，如图3所示，基于神经网络PID实现目标电流的跟踪控制。本发明提供的控制器能够使轮毂电机驱动汽车实时输出最合适的转向助力扭矩，提升稳定性和系统鲁棒性。

如图1中整个控制系统包括车联网模块、目标电流规划模块、目标电流跟踪控制模块。具体实施步骤如下：

步骤1：设计车载信息的提取方法，建立轮毂电机驱动汽车电动助力转向动力学模型：

步骤1.1:通过车联网模块中的车速传感器和转矩传感器获取轮毂电机驱动汽车转向杆的扭矩信息、车速信息和方向盘转角信息。

步骤1.2:将获取的扭矩信号、车速信号以及方向盘转角信号进行滤波、去噪、分压等操作，将输出结果输送到主控电子控制单元模块。

步骤1.3:以电动助力转向齿条位移和电动机转角为状态量，对轮毂电机驱动汽车转向系统进行动力学建模。

步骤2，以电动助力转向控制能量消耗最小为目标，如图2所示，采用基于遗传优化的自适应模糊控制技术设计轮毂电机驱动汽车电动助力转向最优目标电流规划模块，主要包括：

步骤2.1：以轮毂电机驱动汽车的纵向速度V和方向盘扭矩T_s为输入变量，助力电机的目标电流I_c为输出变量，确定输入变量车速的论域为V＝[0,120],输入变量扭矩的论域为T_s＝[0,10],输出变量电流的论域为I_c＝[0,20]。

步骤2.2：确定输入变量V的模糊子集语言变量为VF(很快)，F(快)，M(中等)，S(慢)，VS(很慢)。输入变量T_s的模糊子集语言变量为VB(很大)，B(大)，M(中等)，S(小)，VS(很小)。其模糊子集的隶属度函数均取梯形函数和三角函数，如图4和5所示，输出变量I_c的模糊子集语言变量为VB(很大)，B(大)，M(中等)，S(小)，VS(很小)，其模糊子集的隶属度函数取单值函数，如图6所示。

步骤2.3：建立目标电流规划的模糊控制规则。采用Mandani法进行模糊逻辑推理，解模糊判决利用重心法，从而求出目标电流。

步骤2.4：采用遗传算法优化转向目标电流规划的模糊隶属度函数和模糊控制规则,从而动态规划出能量消耗最少的电动助力转向目标电流。

步骤2.4.1：基于实数编码，采用参数x_M＝(x₁,x₂,x₃,x₄,…,x₁₄,x₁₅)来表示待优化的模糊控制隶属度函数参数。模糊规划控制规则表如表1所示，输入变量V的模糊子集语言变量VF，F，M，S，VS分别用“1”，“2”，“3”，“4”，“5”五个数字表示，输入变量T_s的模糊子集语言变量VB，B，M，S，VS分别用“1”，“2”，“3”，“4”，“5”五个数字表示，待优化的控制规则参数由参数x_R＝(r₁,r₂,…,r₂₅)∈[1,5]来表示。其中1表示控制规则的后件VB,2代表控制规则的后件B等。组合待优化的隶属度函数参数和控制规则参数的编码，形成图7所示的染色体结构。

表1

步骤2.4.2：建立轮毂电机驱动汽车电动助力转向控制能量消耗最小的性能指标函数如下J＝u²，将性能指标函数转化为适应度函数，转换函数如下：

步骤2.4.3:对参数进行遗传算子操作。首先采用无回放余数随机选择算子，从而保证适应度优于均值的个体遗传到下一代。其次采用算术交叉，设在两个体之间进行算术交叉，则交叉后的新个体为：

其中t为优化代数，α为权参数。最后采用非均匀变异算子，设x＝(x_h,x_k,...,x_n)为变异前的个体，x′＝(x_h,x′_k,...,x_n)为变异后的个体，变异点x_k处的基因值取值范围为则新的基因值：

式中，Δ(t,y)为[0,y]内符合非均匀分布的一个随机数，y表示或者随着优化代数t的增加，Δ(t,y)接近于0的概率逐渐增加。

步骤3，如图3所示，提出最优目标电流的神经网络PID下层控制方法，实现最优目标电流的跟踪控制。

步骤3.1：定义目标电流I_c和实际电流I偏差为e＝I-I_c和偏差变化率Δe＝de(t)/d(t)。

步骤3.2：设置具有三层的神经网络PID下层助力转向目标电流跟踪控制律，分别为输入层、隐含层和输出层。其中输入层含有3个节点、隐含层含有8个节点，输出层含有1个节点。

步骤3.2.1：目标电流跟踪神经网络PID控制律的输入层有3个节点为e(k),和Δe(k)，输出层的节点为助力矩u(k)。设输入层的激活函数是线性关系，则输入层的输出为X₁＝e(k),和X₃＝Δe(k)。

步骤3.2.2：隐含层的第j个节点的输入I_hj为：

其中，ω_ij是输入层的第i个节点和隐层的第j个节点的连接权值。隐层的第j个节点的输出O_hj是：

O_hj＝f_h(I_hj)

步骤3.2.3：输出层节点的输入I_o1是：

其中，ω_j1是输出层和隐层的第j个节点的连接权值。输出层的输出O_o1是：

O_o1＝f_o(I_o1)＝I_o1

神经网络PID控制器的输出助力矩u(k)可表示为：

u(k)＝O_o1＝f_o(I_o1)＝I_o1

步骤3.3，设计神经网络PID助力转向下层控制的学习算法，建立神经网络PID各层间权值的调节律。

步骤3.3.1:采用在线训练的准则函数E(k)为：

步骤3.3.2：设计输出层权值ω_j1的调节规则如下：

其中η₁∈[0,1]是学习率。

步骤3.3.3：设计隐层权值ω_ij的调整规则如下：

其中η₂∈[0,1]是学习率。

本发明首先采用基于遗传优化的模糊控制规划电动助力转向目标电流，其次采用神经网络PID控制实现对目标电流的跟踪控制，系统控制律不依赖于系统模型。运用分层控制技术，将电动助力转向控制系统分为上层最优目标电流规划模块和下层目标电流跟踪控制模块。在上层最优目标电流规划模块中，采用遗传算法优化电动助力转向模糊控制的规则和隶属度函数，动态规划出能量消耗最少的目标电流。根据目标电流和实际电流的差值，基于神经网络PID下层控制实现目标电流的跟踪控制。本发明提供的控制系统能够使轮毂电机驱动汽车实时输出最优的转向助力矩，提升稳定性和系统鲁棒性。

Claims (3)

1.一种轮毂电机驱动汽车电动助力转向控制方法，其特征在于包括以下步骤：

1)设计车载信息的提取方法，建立轮毂电机驱动汽车电动助力转向动力学模型；

2)以电动助力转向控制能量消耗最小为目标，采用基于遗传优化的自适应模糊控制技术设计轮毂电机驱动汽车电动助力转向最优目标电流规划模块，包括：

(1)以轮毂电机驱动汽车的纵向速度和方向盘扭矩为输入变量，助力电机的目标电流为输出变量，确定决策目标电流的模糊控制输入变量和输出变量的论域和语言变量；

(2)设计电动助力转向目标电流规划的模糊隶属度函数和模糊控制规则；

(3)采用遗传算法优化转向目标电流规划的模糊隶属度函数和模糊控制规则，动态规划出电动助力转向的目标电流；采用实数编码将待优化的参数进行编码，建立遗传优化目标电流的数学模型，采用遗传算子对模糊参数进行优化求解，获取最优的电动助力转向目标电流；

3)提出最优目标电流的神经网络PID下层控制方法，实现最优目标电流的跟踪控制。

2.如权利要求1所述一种轮毂电机驱动汽车电动助力转向控制方法，其特征在于在步骤1)中，所述设计车载信息的提取方法，建立轮毂电机驱动汽车电动助力转向动力学模型的具体方法为：

(1)通过车联网模块中的车速传感器和转矩传感器获取轮毂电机驱动汽车转向杆的扭矩信息、车速信息和方向盘转角信息；

(2)将获取的扭矩信号、车速信号以及方向盘转角信号进行滤波、去噪、分压操作，将输出结果输送到主控电子控制单元模块；

(3)以电动助力转向齿条位移和电动机转角为状态量，对轮毂电机驱动汽车转向系统和电动机进行动力学建模。

3.如权利要求1所述一种轮毂电机驱动汽车电动助力转向控制方法，其特征在于在步骤3)中，所述提出最优目标电流的神经网络PID下层控制方法，实现最优目标电流的跟踪控制的具体方法为：

(1)定义目标电流I_d和实际电流I偏差为e＝I-I_d和偏差变化率Δe＝de(t)/d(t)；

(2)设置具有三层的神经网络PID下层助力转向目标电流跟踪控制方法，分别为输入层、隐含层和输出层，其中输入层含有3个节点，隐含层含有8个节点，输出层含有1个节点；

(3)设计神经网络PID助力转向下层控制的学习算法，建立神经网络PID各层间权值的调节律。