CN109878480A

CN109878480A - 一种电动汽车摩擦系数预测模式切换再生制动控制方法

Info

Publication number: CN109878480A
Application number: CN201910168009.6A
Authority: CN
Inventors: 张宇; 周美兰; 雍丽英; 杨明亮; 唐晨栋; 王浩博
Original assignee: Harbin University of Science and Technology
Current assignee: Harbin University of Science and Technology
Priority date: 2019-03-06
Filing date: 2019-03-06
Publication date: 2019-06-14
Anticipated expiration: 2039-03-06
Also published as: CN109878480B

Abstract

一种电动汽车摩擦系数预测模式切换再生制动控制方法属于电力技术领域；包括将车轮与整车状态及制动意图输入到模糊规则库中；以纵向检测速度v_x、制动转矩T_Brake为输入，以摩擦系数μ_js为目标输出的系数测算模糊控制模型对摩擦系数进行预测；根据控制规则输出指令发送到制动系统中，经过处理后驱动执行机构；在摩擦系数合理范围内进行前后轮制动器制动力的分配；当摩擦系数偏低且低于摩擦系数安全限值μ_Thld时，切换控制模式利用修正摩擦系数神经网络控制器对摩擦系数预测值补偿Δμ，增加摩擦制动力，重新分配摩擦制动力和再生制动力份额；本发明有效减小制动距离，降低由于车轮与地面之间的摩擦系数低所引起的交通事故发生的概率。

Description

一种电动汽车摩擦系数预测模式切换再生制动控制方法

技术领域

本发明属于电力技术领域，尤其涉及一种电动汽车摩擦系数预测模式切换再生制动控制方法。

背景技术

路面静摩擦系数(即附着系数)小是很危险的情况。刚下雨不久，路面上只有少量雨水时，雨水与尘土、油污相混合，形成粘度高的水液，滚动的轮胎无法排挤出胎面与路面间的水液膜；由于水液膜的润滑作用，附着性能大大降低；随着水层的加深，便会出现滑水现象；在东北等寒冷地区，冬季积雪压紧或结冰的路面，平均附着系数仅为0.1左右，地面总制动力骤减，前后轮发生侧滑现象，汽车制动距离延长。

发明内容

本发明克服了上述现有技术的不足，提供一种电动汽车摩擦系数预测模式切换再生制动控制方法，通过设计电动汽车摩擦系数预测模式切换再生制动控制方法，在地面摩擦系数很小容易发生侧滑的情况下，有效增加再生制动份额，减小制动距离。

一种电动汽车摩擦系数预测模式切换再生制动控制方法，包括下列步骤：

步骤a、将车轮与整车状态及制动意图输入到模糊规则库中；

步骤b、以纵向检测速度v_x、制动转矩T_Brake为输入，以摩擦系数μ_js为目标输出的系数测算模糊控制模型对摩擦系数进行预测；

步骤c、根据控制规则输出指令发送到制动系统中，经过处理后驱动执行机构；

步骤d、在摩擦系数合理范围内进行前后轮制动器制动力的分配；

步骤e、当摩擦系数偏低且低于摩擦系数安全限值μ_Thld时，切换控制模式利用修正摩擦系数神经网络控制器对摩擦系数预测值补偿Δμ，增加摩擦制动力，重新分配摩擦制动力和再生制动力份额。

进一步地，所述制动转矩T_Brake进行模糊化，使用高斯函数分布，区间范围为[-6，0]，论域分为8个子集，包括QB、VVB、VB、B、S、VS、VVS和QS，分别代表相当大、非常很大、非常大、大、小、非常小、非常很小和相当小。

进一步地，所述纵向检测速度v_x工作范围[0，11]，论域分为7个子集，包括VS、S、M、MB、B、VB和VVB，分别代表非常小、小、中、中大、大、非常大和非常很大。

进一步地，所述摩擦系数μ_js定义区间为[0.2,0.8]，论域分为9个子集，包括QH、VVH、VH、H、L、VL、VVL、QL和QQL，分别代表相当高、非常很高、非常高、高、低、非常低、非常很低、相当低和相当很低。

进一步地，所述控制规则包括部分模糊规则，如下：

如果T_Brake是QB，并且v_x是VVS，那么μ_js是VVH；

如果T_Brake是VVB，并且v_x是VS，那么μ_js是VVH；

如果T_Brake是QB，并且v_x是VVB，那么μ_js是L。

进一步地，增设电动增压阀优化制动系统，构建增压式再生制动系统结构。当摩擦系数偏低且低于摩擦系数安全限值μ_Thld时，切换控制模式利用修正摩擦系数神经网络控制器对摩擦系数预测值补偿Δμ，根据摩擦系数的不同取值情况，采用双隐含层网络预测器，根据μ-slip曲线建立BP神经网络，在滑移率λ安全区域内搜索对应的μ_safe，对摩擦系数分布区域中的500组数据进行预测，在摩擦系数低的局域，对数据采集加密。启动电动增压阀增大压力，防止车轮侧滑。增压式电-液复合再生制动在制动过程中BCU依据驾驶员的制动踏板信号调节前后轮的制动压力，适当降低机械制动份额并有效提高前轮制动份额。

进一步地，所述摩擦系数μ_Weight为权重摩擦系数，表达式如公式(2)所示，k₁和k₂分别为摩擦系数μ_js和μ_ABS的权重因子：

本发明相对于现有技术具有以下有益效果：

本发明提供了一种电动汽车摩擦系数预测模式切换再生制动控制方法，通过摩擦系数测算模糊控制器和修正摩擦系数神经网络控制器联合所构成的摩擦系数预测模式切换再生制动控制方法有效减小制动距离，降低由于车轮与地面之间的摩擦系数低所引起的交通事故发生的概率，同时尽可能多的回收能量；对车轮侧滑有一定的抑制作用，增强了汽车的安全性和舒适性；便于得到推广和普及。

本发明与普通的制动系统中加装防滑链相比，效果显著，制动的能量不以热能的形式消耗掉，不影响能量的回馈再生；与在高档车上安装有ESP车身稳定系统、ASR驱动防滑转控制等配备智能压力传感器相比，价格相对便宜，便于得到推广和普及；与串联再生制动系统相比，理想的能量回收策略不建立在I曲线上，不需要与常规制动结合，不需要兼容ABS系统，制动过程中也不会出现滞后反应，降低了交通事故发生的概率。

附图说明

图1是本发明流程图；

图2是理想的前、后制动器制动力分配曲线图；

图3是制动转矩输入曲线图；

图4是纵向检测速度输入曲线图；

图5是摩擦系数输出曲线图；

图6是区域划分曲线图；

图7是摩擦系数矢量示意图；

图8是BP神经网络修正示意图。

具体实施方式

以下将结合附图对本发明进行详细说明。

一种电动汽车摩擦系数预测模式切换再生制动控制方法，如图1所示，包括下列步骤：

步骤a、将车轮与整车状态及制动意图输入到模糊规则库中，所示模糊规则库如表1；

步骤c、根据控制规则得到模糊输出结果，即表1对应的输出结果，后进行解模糊，ECU，即中央控制单元中的模糊控制器发送指令到制动控制器的指令输入端，经过处理后，驱动执行机构，执行机构包括驱动刹车片和制动刹车单元；

步骤d、在摩擦系数合理范围内进行前后轮制动器制动力的分配，如图2所示，F_μ1为前轮制动器制动力，F_μ2为后轮制动器制动力；

步骤e、增设电动增压阀优化制动系统，构建增压式再生制动系统结构。当摩擦系数偏低且低于摩擦系数安全限值μ_Thld时，切换控制模式利用修正摩擦系数神经网络控制器对摩擦系数预测值补偿Δμ，根据摩擦系数的不同取值情况，采用双隐含层网络预测器，根据μ-slip曲线建立BP神经网络，选取轮胎压力、制动转矩和制动初速度作为BP神经网络预测器的输入，在滑移率λ安全区域内搜索对应的μ_safe，对摩擦系数分布区域中的500组数据进行预测，在摩擦系数低的局域，对数据采集加密。启动电动增压阀增大压力，防止车轮侧滑。增压式电液复合再生制动在制动过程中BCU依据驾驶员的制动踏板信号调节前后轮的制动压力，适当降低机械制动份额并有效提高前轮制动份额。

如图8所示，BP神经网络修正是首先根据已测得的实验数据训练网络。针对给定的实时输入变量，得到修正后的符合制动规律的摩擦系数值。

以电机制动转矩T_Brake、纵向检测速度v_x，摩擦系数μ_js为输出创建模糊控制器。由于再生制动仅发生在驱动轮上，以驱动轮为研究对象，首先，对输入量输出量进行模糊化。

具体地，所述制动转矩T_Brake输入量进行模糊化，使用高斯函数分布，行驶工程中转矩范围较宽，区间范围为[-6,0]，如图3所示，论域分为8个子集，包括QB、VVB、VB、B、S、VS、VVS和QS，分别代表相当大、非常很大、非常大、大、小、非常小、非常很小和相当小。

具体地，所述纵向检测速度v_x输入量进行模糊化，定义工作范围[0,11]，如图4所示，论域分为7个子集，包括VVS、VS、S、B、VB、VVB和QB，分别代表非常小、小、中、中大、大、非常大和非常很大。

具体地，所述摩擦系数μ_js定义区间为[0.2,0.8]，在摩擦系数趋近0.2时，分布函数相对紧密，如图5所示，论域分为9个子集，包括QH、VVH、VH、H、L、VL、VVL、QL和QQL，分别代表相当高、非常很高、非常高、高、低、非常低、非常很低、相当低和相当很低。

为了使汽车稳定制动,需要对各种情况建立控制规则库,覆盖刹车过程中所有可能的工作模式。在路况实测数据的基础上，本发明制定了56条规则，模糊规则库如下表所示：

表1

具体地，所述控制规则包括部分模糊规则，如下：

如果T_Brake是QB，并且v_x是VVS，那么μ_js是VVH；表示当制动转矩为相当大,并且纵向检测速度为非常很小时，预测摩擦系数是非常很高；

如果T_Brake是VVB，并且v_x是VS，那么μ_js是VVH；表示当制动转矩为非常很大,并且纵向检测速度为非常小时，预测摩擦系数是非常很高；

如果T_Brake是QB，并且v_x是VVB，那么μ_js是L；表示当制动转矩为相当大，并且纵向检测速度为非常很大时，预测摩擦系数是低。

具体地，当摩擦系数偏低于摩擦系数安全限值μ_Thld时，切换控制模式利用修正摩擦系数神经网络控制器对摩擦系数预测值补偿Δμ，根据摩擦系数的不同取值情况，采用双隐含层网络预测器，根据图6的μ-slip曲线建立BP神经网络，μ表示摩擦系数；slip表示滑移率，选取轮胎压力、制动转矩和制动初速度作为BP神经网络预测器的输入，在滑移率λ安全区域内搜索对应的μ_safe，μ表示摩擦系数，μ_safe表示安全摩擦系数，对摩擦系数分布区域中的500组数据进行预测，在摩擦系数低的局域，对数据采集加密。

车轮在运行过程中，摩擦系数的产生不是由单一因素引起的。对于纯电动客车而言，其主要由两部分组成，驱动过程中检测到的摩擦系数μ_js和防抱死制动系统产生的μ_ABS的对应关系如图7所示，μ_ABS表示防抱死制动系统产生的摩擦系数。μ_js由车轮实际受力情况得到，为横向和纵向摩擦系数矢量和，如公式(1)。防抱死制动系统会引起制动过程中速度的波动，同时对摩擦系数的产生如矢量图所示也会产生滞后作用。

其中，F_x为摩擦力中x方向的摩擦阻力；F_y为摩擦力中y方向的摩擦阻力；F_z为制动过程中作用在地面上的垂直载荷；μ_x为x方向的摩擦系数；μ_y为y方向的摩擦系数。

综上分析，提出权重摩擦系数，具体地，所述摩擦系数μ_js为权重摩擦系数，表达式如公式(2)所示，k₁和k₂分别为摩擦系数μ_js和μ_ABS的权重因子：

其中，μ_Weight为权重摩擦系数，是考虑驱动过程中检测到的摩擦系数和防抱死制动系统产生的摩擦系数二者综合后的摩擦系数；如图6和图7所示，随着x轴λ的增长，大致可以分为3个区域，第1区域为近似线性区，μ_x纵向起主要作用，λ较小，μ_ABS忽略不计，k₂近似为0；第2中间区域为相对安全区，汽车可能同时出现驱动转弯和制动转弯的情况，λ在合理空间内，横向纵向摩擦系数μ_x和μ_y均比较大；在第3区域μ_y下降很快，μ_x变化趋势相对平缓同时对μ的影响很大，处于前进或减速刹车过程中。

Claims

1.一种电动汽车摩擦系数预测模式切换再生制动控制方法，其特征在于，包括下列步骤：

步骤a、将车轮与整车状态及制动意图输入到模糊规则库中；

2.根据权利要求1所述一种电动汽车摩擦系数预测模式切换再生制动控制方法，其特征在于，所述制动转矩T_Brake进行模糊化，使用高斯函数分布，区间范围为[-6,0]，论域分为8个子集，包括QB、VVB、VB、B、S、VS、VVS和QS，分别代表相当大、非常很大、非常大、大、小、非常小、非常很小和相当小。

3.根据权利要求2所述一种电动汽车摩擦系数预测模式切换再生制动控制方法，其特征在于，所述纵向检测速度v_x工作范围[0,11]，论域分为7个子集，包括VS、S、M、MB、B、VB和VVB，分别代表非常小、小、中、中大、大、非常大和非常很大。

4.根据权利要求3所述一种电动汽车摩擦系数预测模式切换再生制动控制方法，其特征在于，所述摩擦系数μ_js定义区间为[0.2,0.8]，论域分为9个子集，包括QH、VVH、VH、H、L、VL、VVL、QL和QQL，分别代表相当高、非常很高、非常高、高、低、非常低、非常很低、相当低和相当很低。

5.根据权利要求4所述一种电动汽车摩擦系数预测模式切换再生制动控制方法，其特征在于，所述控制规则包括部分模糊规则，如下：

进一步地，所述控制规则包括部分模糊规则，如下：

如果T_Brake是QB，并且v_x是VVS,那么μ_js是VVH；

如果T_Brake是VVB，并且v_x是VS，那么μ_js是VVH；

如果T_Brake是QB，并且v_x是VVB，那么μ_js是L。

6.根据权利要求5所述一种电动汽车摩擦系数预测模式切换再生制动控制方法，其特征在于，当摩擦系数偏低且低于摩擦系数安全限值μ_Thld时，切换控制模式利用修正摩擦系数神经网络控制器对摩擦系数预测值补偿Δμ，根据摩擦系数的不同取值情况，采用双隐含层网络预测器，根据μ-slip曲线建立BP神经网络，在滑移率λ安全区域内搜索对应的μ_safe，对摩擦系数分布区域中的500组数据进行预测，在摩擦系数低的局域，对数据采集加密。

7.根据权利要求6所述一种电动汽车摩擦系数预测模式切换再生制动控制方法，其特征在于，所述摩擦系数μ_Weight为权重摩擦系数，表达式如公式(2)所示，k₁和k₂分别为摩擦系数μ_js和μ_ABS的权重因子：