CN109094644A - 极限工况下的主动后轮转向与直接横摆力矩控制方法 - Google Patents

Abstract

本发明提供了一种极限工况下的主动后轮转向与直接横摆力矩控制方法，分为控制层和执行层。在控制层中，转向盘转角和车速两路信号输入到事先设计的变传动比map图中，插值得到理想传动比，由理想传动比和转向盘转角的微分计算出期望前轮转角的微分，经积分后输入到参考模型可以得到参考横摆角速度和参考质心侧偏角；然后同外界干扰及实际横摆角速度和质心侧偏角一起输入到模式判定模块，经过多态加权体系判定后将这些信号传给ARS模式或DYC模式。在执行层中，将测得的实际后轮转角传给整车状态空间模型。最后，整车模型计算得到实际横摆角速度和质心侧偏角，并将这两种信号重新输入到控制层。

Description

极限工况下的主动后轮转向与直接横摆力矩控制方法

技术领域

本发明涉及转向系统领域，具体是一种极限工况下的主动后轮转向与直接横摆力矩控制方法。

背景技术

稳定性控制策略所依托的主动后轮转向系统结构见附图1，其结构简单，没有复杂的机械连接；又因其以电机作为动力源，故响应速度快，易于精确控制。最重要的是其充分利用了机电一体化的特点，通过电控单元ECU主动修正驾驶员的转向操作以保证整车稳定行驶，是未来发展智能车和无人驾驶汽车的关键技术。

然而，目前对电动轮汽车在极限工况下的稳定性的研究比较少。现有的研究主要集中于直接横摆力矩控制，还有极少数研究着眼于主动前轮转向控制。极限工况下，直接横摆力矩控制方法有很大的局限性，难以保证车辆稳定；而主动前轮转向控制方法则不可避免会对驾驶员的路感产生不利影响。

发明内容

本发明为了解决现有技术的问题，综合考虑了低附着路面、高车速等极限工况，以及路面不平度、侧向风等外界干扰的影响，提出主动后转向与直接横摆力矩控制策略，对车辆动力学进行动态自适应控制，从而有效提高电动轮汽车在极限工况下的操纵稳定性。

本发明分为控制层和执行层。在控制层中，转向盘转角和车速两路信号输入到事先设计的变传动比map图中，插值得到理想传动比，由理想传动比和转向盘转角的微分计算出期望前轮转角的微分，经积分后输入到参考模型可以得到参考横摆角速度和参考质心侧偏角；然后同外界干扰及实际横摆角速度和质心侧偏角一起输入到模式判定模块，经过多态加权体系判定后将这些信号传给以自适应动态神经网络算法为核心的主动后轮转向控制器(ARS模式)或直接横摆力矩控制器(DYC模式)；其中主动后轮转向控制器负责向后轮转向电机发出期望后轮转角指令，直接横摆力矩控制器负责输出期望后轮转矩差指令。

在执行层中，后轮转向子系统在转向盘转角及与车速对应的转向阻力的作用下，收到ARS模式的期望后轮转角指令，经转向电机执行后将测得的实际后轮转角传给整车状态空间模型。最后，整车模型在期望后轮转矩差指令、实际后轮转角、实际转向盘转角输入和路面不平度等干扰的共同作用下，计算得到实际横摆角速度和质心侧偏角，并将这两种信号重新输入到控制层。

本发明有益效果在于：

1、本发明的电动轮汽车因其具有传动系统结构简单、各车轮转矩转速可独立调控等优点，成为未来实现智能驾驶的主要途径。在操纵稳定性控制上，本发明利用电动轮汽车的特点，提出了极限工况下的主动后轮转向与直接横摆力矩控制策略，应用了主动后轮转向技术和直接横摆力矩控制技术，采用实时反馈动态跟踪方法，主动干预驾驶员的转向操作，从而修正车辆的形式轨迹和姿态，极大地提高电动轮汽车在极限工况下的操纵稳定性，并且能为以后的智能驾驶领域提供可靠的理论支撑。

2、本发明在极限工况下电动轮汽车的稳定性控制中充分考虑到系统建模不确定性、路面不平整度、外界干扰等因素，提出了一种自适应动态神经网络算法。相比于其他控制算法，该算法结构相对简单，计算速度快；此外，因其能够在线训练和学习，实时动态调整网络内部参数，故而不仅能达到精确控制的目的，而且使得控制系统具有自适应能力和优秀的抗干扰能力。因此，该算法能充分发挥主动后轮转向和直接横摆力矩控制方法的优势，使得整个闭环控制系统结构大大简化、执行效率高、能耗降低、响应速度快且调节精度高，即使在高车速、低附着路面等极限工况下也能既快又好地跟踪参考横摆角速度，而且能抑制外界扰动等不利因素的影响。

附图说明

图1为主动后轮转向系统结构示意图；

图2为整车稳定性控制流程图；

图3为整车三自由度非线性动力学模型；

图4为变传动比map图；

图5为自适应动态神经网络算法结构示意图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步说明。

本发明采用的主动后轮转向系统结构如图1所示。附图2是整车稳定性控制流程图，包括了控制层和执行层。为便于分析，假设以转向盘转角θ_sw作为输入量。在控制层中，转向盘转角θ_sw和车速u两路信号输入到事先设计的变传动比map图中，插值得到理想传动比i^*，由i^*和θ_sw的微分得到参考前轮转角δ_f ^*的微分，积分后输入到参考模型得到参考横摆角速度γ^*和参考质心侧偏角β^*；然后同路面不平度、侧向风力F_yw、侧向风产生的横摆力矩T_yw等外界干扰及实际横摆角速度γ和质心侧偏角β一起经过模式判定模块的多态加权评价体系判定后传给主动后轮转向控制器(ARS模式)或直接横摆力矩控制器(DYC模式)；主动后轮转向控制器向转向电机发出期望后轮转角指令δ_r ^*；直接横摆力矩控制器向两后轮轮毂电机发出期望后轮转矩差指令ΔT_r ^*。

在执行层中，后轮转向子系统在转向盘转角θ_sw和与车速u对应的转向阻力的作用下，接受期望后轮转角信号δ_r ^*，经转向电机执行后将测得的实际后轮转角δ_r传给整车状态空间模型；最后，整车模型在期望后轮转矩差指令ΔT_r ^*、实际后轮转角δ_r、实际转向盘转角输入θ_sw和外界干扰的共同作用下，计算得到实际横摆角速度γ和质心侧偏角β，并将这两种信号重新输入到控制层。

本发明具体实施步骤如下：

步骤1：建立转向及整车系统动力学模型

1)转向盘和转向输入轴模型：

式中，J₁为转向盘的转动惯量；θ_sw为转向盘的转动角度；T_d为驾驶员输入力矩；B₁为转向盘转动阻尼；T_fan1为转矩传感器信号；

2)转矩传感器模型：

T_fan1＝K_fan1(θ_sw-θ_c)

式中，K_fan1为转矩传感器敏感系数；θ_c为转向输出轴的旋转角度。

3)传感器输出轴模型：

式中，J_c是传感器输出轴转动惯量；B_c是传感器输出轴转动阻尼；T_fan2是齿条对传感器输出轴的反作用力矩。

4)齿轮齿条式转向器模型：

x_r＝θ_c·r_p

式中，M_r为齿条的质量；x_r为齿条位移；r_p为小齿轮半径；B_r为齿条运动阻尼系数；T_R为路面对两前轮施加的转向阻力矩；i₀为小齿轮到前轮的标准传动比；ΔT_f为两前轮驱动转矩差；d为前轮主销偏移距；R_w为前轮滚动半径；F_δ为路面传递到前轮的干扰力。

5)轮胎模型

为了在计算量和精确性之间取得适当的平衡，本发明使用Pacejka魔术轮胎公式，

D＝a₁F_z ²+a₂F_z，E＝a₆F_z ²+a₇F_z+a₈

式中，μ是路面附着系数；α是车轮的侧偏角；F为轮胎侧向力或回正力矩；B、C、D、E分别为刚度因子、曲线形状因子、峰值因子、曲线曲率因子，F_z为车轮的垂向载荷。

公式参数的选取如表1.1所示，

表1.1 Pacejka模型参数表

6)整车动力学模型

附图3为整车三自由度非线性动力学模型，假设汽车坐标系的原点在汽车质心位置，则整车沿纵向、侧向和横摆自由度的运动微分方程为，

式中，F_x1和F_y1左前轮所受的纵向力和侧向力；F_x2和F_y2是右前轮所受的纵向力和侧向力；F_x3和F_y3是左后轮所受的纵向力和侧向力；F_x4和F_y4是右后轮所受的纵向力和侧向力；u、v、γ分别为汽车质心沿x轴、y轴的速度和横摆角速度；I_z为汽车绕z轴的转动惯量；δ_f为前轮转角；F_f为汽车沿纵向所受行驶阻力，其大小与车速、胎压等有关，可由试验加以确定；a和b分别为车辆质心到前后轴的距离；m为整车质量；L_f和L_r分别是汽车前轮距和后轮距；F_yw为汽车所受的侧向干扰力；T_yw为侧向干扰力产生的横摆力矩。

7)参考模型

跟踪目标r^*是指车辆转向过程中的稳态r，可以由下式得到，

式中，G_r(s)是从前轮转角到跟踪目标的传递函数，C_f为前轮侧偏刚度，C_r为后轮侧偏刚度，a₀＝C_fC_r(a+b)²+mu²(C_fa-C_rb)，b₀＝uC_fC_r(a+b)，上式的r^*是在路面附着系数μ＝1的良好路面上的横摆角速度，所以此时的r^*代表了汽车在良好路面稳定转向行驶的状态，可以作为所设计控制器的跟踪目标。

步骤2：变传动比策略

汽车的操纵稳定性与车速和转向盘转角密切相关，因此，将转向系统变传动比设计成关于u和θ_sw的函数，

i^*＝f(u)·g(θ_sw)

式中，i^*为转向系统传动比，f(u)为车速函数，g(θ_sw)为转向盘转角函数。

理想情况下，参考横摆角速度并非正比于车速和转向盘转角，而是能在车速增大时获得较小的转向灵敏度，在转向盘转角增大时获得较大的转向灵敏度。根据这一目的，将车速函数和转向盘转角函数表示为，

式中，u₀为车速下界，取为10m/s；u_m为车速上界，取为40m/s；G_δ ^r为横摆角速度增益，根据实验数据取K_s＝0.2s^-1；θ_sw0为转向盘转角下界，取为0.0349rad；θ_swm为转向盘转角上界，取为4rad。

可以设计出变传动比map图，见附图4。

步骤3：设计模式判定模块

为了根据当前车辆状态和行驶工况选择最佳的控制模式，本发明在模式判定模块中提出了多态加权评价体系。其基本思想来源于对两种控制模式原理的分析，主动后轮转向控制模式通过对后轮施加微小转角来改变后轮轮胎力的方向而非大小来改变整车运动，对轮胎饱和现象不敏感，但其会对驾驶员的转向感觉产生影响，因此在高车速和光滑路面等极限工况下有不可取代的优势。而直接横摆力矩控制模式使两后轮形成一定的转矩差来为整车提供附加横摆力矩，对轮胎饱和现象敏感，要求轮胎力能在较大范围内变化，所以更适合在低车速等正常工况下发挥作用。

因此本发明以u、α、a_y和γ四种状态的加权值构成评价体系，

式中，为四个车轮的平均侧偏角；为侧向加速度；w_i为四个状态量的权重值，其和为1。

因为车速和车轮平均侧偏角可以在一定程度上表征行驶工况的好坏，并进而影响判定模块对控制模式的选择，所以将权重值分别取为0.3，0.3，0.2，0.2。当评价指标0＜f＜0.5时，表明此时为车速较低的小转向工况，另一方面，为避免影响驾驶员的转向感觉，所以更适合使用直接横摆力矩控制模式；当评价指标0.5≤f≤1时，表明此时为高车速下的大转向工况，在这种极限工况下轮胎力趋于饱和，所以主动后轮转向控制模式成为最佳选择。

步骤4：推导被控系统状态空间

考虑到车辆转向角较小，在工作点(δ_f＝0,δ_r＝0,γ＝0)附近对整车动力学模型进行线性化处理；假设转向盘转角为扰动输入量且汽车沿纵向匀速行驶；考虑到各车轮侧偏角较小，可近似认为轮胎侧偏力正比于侧偏角；假设两前轮驱动转矩相同；忽略传感器输出轴转动惯量和传感器输出轴转动阻尼；忽略车轮转动惯量和阻尼。取状态向量x＝[β γ]^T，扰动输入向量w＝[δ_f F_yw T_yw]^T,控制输入向量u＝[δ_r ΔT_r]^T，输出向量y＝[β γ]^T，得到控制系统的状态空间，

式中，

D₁＝0；D₂＝0。

步骤5：求解整车稳定性控制器

自适应动态神经网络算法结构相对简单，计算速度快；此外，因其能够在线训练和学习，实时动态调整网络内部参数，故而不仅能达到精确控制的目的，而且使得控制系统具有自适应能力和优秀的抗干扰能力。

因此，为了充分发挥ARS模式和DYC模式在极限工况下的优势，本文设计了自适应动态神经网络控制器。结构上，该控制器采用三层前向神经元网络，每一个神经元包含输入、状态和输出三种属性，如附图5所示；功能上，根据车辆横摆角速度和质心侧偏角的参考值与实际值等信号，在线训练和学习，并实时动态调整网络内部参数，最终输出期望后轮转角和期望后轮转矩差，不仅能达到精确控制的目的，而且使得控制系统具有优秀的自适应能力和抗干扰能力。

5.1前向算法

前向算法根据神经网络的参考输入和实际输入，按照神经网络当前权重值及各层状态函数和输出函数形成神经网络的输出。

1)对于输入层，在任意采样时刻k，各神经元的输入属性为

式中，net₁(k)为第一个神经元的输入属性，net₂(k)为第二个神经元的输入属性，γ^*(k)为第k个采样时刻的参考横摆角速度，γ(k)为第k个采样时刻的实际横摆角速度。

输入层神经元的状态属性由神经元的输入属性决定，

u_i(k)＝net_i(k),i＝1,2

式中，第一个神经元的状态属性u₁(k)为网络的参考输入，第二个神经元的状态属性u₂(k)为网络的实际输入。

输入层神经元的输出属性由状态属性和输出函数决定

式中，x_i(k)为第i个神经元的输出属性。

2)对于隐含层，在任意采样时刻k，各神经元的输入属性由输入层所有神经元的输出属性及输入层到隐含层的连接权重值决定

式中，net_j′(k)为第j个神经元的输入属性，ω_ij为输入层第i个神经元到隐含层第j个神经元的连接权重值。

隐含层神经元的状态属性呈现出明显的离散特性

式中，u₂′(k-1)为隐含层第二个神经元在第k-1个采样时刻的状态属性，net₃′(k-1)为隐含层第三个神经元在第k-1个采样时刻的输入属性。

隐含层神经元的输出属性与输入层类似，由神经元的状态属性和输出函数决定，

式中，x_j′(k)为第j个神经元的输出属性。

3)对于输出层，在任意采样时刻k，其输入属性由隐含层各神经元的输出属性及隐含层到输出层的连接权重值决定

式中，ω_j′为隐含层第j个神经元到输出层神经元的连接权重值。

输出层神经元的状态属性为

u″(k)＝net″(k)

输出层神经元的输出属性为

x″(k)＝u″(k)

整个控制器的控制输出u(k)就是输出层神经元的输出属性，即

δ_r ^*(k)＝x″(k)

或ΔT_r ^*(k)＝x″(k)

5.2误差反向传播学习算法

误差反向传播学习算法负责更新网络中各连接权重值，从而完成学习和记忆的功能。网络连接权重值的调整基于横摆角速度(质心侧偏角)的参考值和实际值的偏差，以如下所示的误差函数最小为训练学习的准则和目标，

式中，p为每一步的最大采样点个数，E为从第1个采样点到第p个采样点的误差平方和。

经过一系列偏微分运算(此处省略推导过程)，可以得到各层之间连接权重的修正公式如下。

1)隐含层到输出层的连接权重值修正公式为

式中，n为神经网络的学习步数，η_j为隐含层第j个神经元的学习速率，取为0.2，0.2，0.2。

2)输入层到隐含层的连接权重值修正公式为

式中，u_j′(k-1)为隐含层第j个神经元在第k-1个采样点处的状态，net_j′(k-1)为隐含层第j个神经元在第k-1个采样点处的输入。

综上所述，本发明一方面考虑到低附着路面、高车速等极限工况和外界干扰等因素，提出了主动后轮转向与直接横摆力矩控制策略，采用了主动后轮转向和直接横摆力矩控制方法，实现了对驾驶员转向操作的主动干预；另一方面，针对被控系统的实际要求，设计了基于自适应动态神经网络算法的整车稳定性控制器，最终能有效改善电动轮汽车在极限工况下的操纵稳定性。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (8)

1.一种极限工况下的主动后轮转向与直接横摆力矩控制方法，其特征在于包括以下步骤：

1)建立转向及整车系统动力学模型；

2)车况—路况信号综合计算模块接收转向盘转角θ_sw和车速u两路信号输入到变传动比map图中,得到理想传动比i^*，由i^*和θ_sw的微分得到参考前轮转角δ_f ^*的微分，积分后输入到参考模型得到参考横摆角速度γ^*和参考质心侧偏角β^*；

3)将外界干扰及实际横摆角速度γ和质心侧偏角β一起经过模式判定模块的多态加权评价体系判定后传给主动后轮转向控制器或直接横摆力矩控制器，主动后轮转向控制器向转向电机发出期望后轮转角指令δ_r ^*，直接横摆力矩控制器向两后轮轮毂电机发出期望后轮转矩差指令ΔT_r ^*；

4)后轮转向子系统在转向盘转角θ_sw和与车速u对应的转向阻力的作用下，接受期望后轮转角指令δ_r ^*，使后轮转向电机产生既定的微小转角，经转向电机执行后将测得的实际后轮转角δ_r传给整车状态空间模型，控从而修正车辆行驶轨迹和运动姿态；

5)整车模型在期望后轮转矩差指令ΔT_r ^*、实际后轮转角δ_r、实际转向盘转角输入θ_sw和外界干扰的共同作用下，计算得到实际横摆角速度γ和质心侧偏角β，使两后轮产生既定的驱动转矩差，从而为整车提供合适的附加横摆力矩以保证整车横摆自由度的稳定性，并将这两种信号重新输入到步骤3)中。

2.根据权利要求1所述的极限工况下的主动后轮转向与直接横摆力矩控制方法，其特征在于：步骤2)所述的变传动比map图设计方法如下，

将转向系统变传动比设计成关于u和θ_sw的函数，

i^*＝f(u)·g(θ_sw)，

式中，i^*为转向系统传动比，f(u)为车速函数，g(θ_sw)为转向盘转角函数；

将车速函数和转向盘转角函数表示为，

式中，u₀为车速下界，取为10m/s；u_m为车速上界，取为40m/s；G_δ ^r为横摆角速度增益，根据实验数据取K_s＝0.2s^-1；θ_sw0为转向盘转角下界，取为0.0349rad；θ_swm为转向盘转角上界，取为4rad，从而设计出变传动比map图。

3.根据权利要求1所述的极限工况下的主动后轮转向与直接横摆力矩控制方法，其特征在于：步骤3)所述的多态加权评价体系判定方法如下，

以u、α、a_y和γ四种状态的加权值构成评价体系，

式中，为四个车轮的平均侧偏角；为侧向加速度；w_i为四个状态量的权重值，其和为1；

将权重值分别取为0.3，0.3，0.2，0.2；当评价指标0＜f＜0.5时，表明此时为车速较低的小转向工况，使用直接横摆力矩控制模式；当评价指标0.5≤f≤1时，表明此时为高车速下的大转向工况，在这种极限工况下轮胎力趋于饱和，使用主动后轮转向控制模式。

4.根据权利要求1所述的极限工况下的主动后轮转向与直接横摆力矩控制方法，其特征在于：步骤4)所述的整车状态空间模型如下，

式中，

5.根据权利要求1所述的极限工况下的主动后轮转向与直接横摆力矩控制方法，其特征在于：所述的步骤4)和步骤5)采用自适应动态神经网络控制器，在线训练和学习，并实时动态调整网络内部参数。

6.根据权利要求5所述的极限工况下的主动后轮转向与直接横摆力矩控制方法，其特征在于：所述的自适应动态神经网络控制器包括输入层、隐含层、输出层三层前向神经元网络，每一个神经元包含输入、状态和输出三种属性，采用向前算法和误差反向传播学习算法。

7.根据权利要求6所述的极限工况下的主动后轮转向与直接横摆力矩控制方法，其特征在于：所述的向前算法根据神经网络的参考输入和实际输入，按照神经网络当前权重值及各层状态函数和输出函数形成神经网络的输出，具体如下，

1)对于输入层，在任意采样时刻k，各神经元的输入属性为

式中，net₁(k)为第一个神经元的输入属性，net₂(k)为第二个神经元的输入属性，γ^*(k)为第k个采样时刻的参考横摆角速度，γ(k)为第k个采样时刻的实际横摆角速度；

输入层神经元的状态属性由神经元的输入属性决定，

u_i(k)＝net_i(k),i＝1,2，

式中，第一个神经元的状态属性u₁(k)为网络的参考输入，第二个神经元的状态属性u₂(k)为网络的实际输入；

输入层神经元的输出属性由状态属性和输出函数决定

式中，x_i(k)为第i个神经元的输出属性；

2)对于隐含层，在任意采样时刻k，各神经元的输入属性由输入层所有神经元的输出属性及输入层到隐含层的连接权重值决定

式中，net′_j(k)为第j个神经元的输入属性，ω_ij为输入层第i个神经元到隐含层第j个神经元的连接权重值；

隐含层神经元的状态属性呈现出明显的离散特性，

式中，u′₂(k-1)为隐含层第二个神经元在第k-1个采样时刻的状态属性，net′₃(k-1)为隐含层第三个神经元在第k-1个采样时刻的输入属性；

隐含层神经元的输出属性与输入层类似，由神经元的状态属性和输出函数决定，

式中，x′_j(k)为第j个神经元的输出属性；

3)对于输出层，在任意采样时刻k，其输入属性由隐含层各神经元的输出属性及隐含层到输出层的连接权重值决定，

式中，ω′_j为隐含层第j个神经元到输出层神经元的连接权重值；

输出层神经元的状态属性为

u″(k)＝net″(k)，

输出层神经元的输出属性为

x″(k)＝u″(k)，

整个控制器的控制输出u(k)就是输出层神经元的输出属性，即

δ_r ^*(k)＝x″(k)

或ΔT_r ^*(k)＝x″(k)。

8.根据权利要求6所述的极限工况下的主动后轮转向与直接横摆力矩控制方法，其特征在于：所述的误差反向传播学习算法更新网络中各连接权重值，各连接权重值的调整基于横摆角速度或质心侧偏角的参考值和实际值的偏差，以如下所示的误差函数最小为训练学习的准则和目标，

式中，p为每一步的最大采样点个数，E为从第1个采样点到第p个采样点的误差平方和；

经过偏微分运算，可以得到各层之间连接权重的修正公式如下，

1)隐含层到输出层的连接权重值修正公式为

式中，n为神经网络的学习步数，η_j为隐含层第j个神经元的学习速率，取为0.2，0.2，0.2；

2)输入层到隐含层的连接权重值修正公式为

式中，u′_j(k-1)为隐含层第j个神经元在第k-1个采样点处的状态，net′_j(k-1)为隐含层第j个神经元在第k-1个采样点处的输入。