CN110386191B - 一种电液智能转向系统性能监测器及性能优化方法 - Google Patents

Abstract

本发明公开了一种电液智能转向系统性能监测器及性能优化方法，通过信息单元对采集到的车辆动力学参数信号、周边车辆及道路环境感知信号以及驾驶员输入行为信号进行处理，信号处理单元将分析后的结果传递至转向性能监测器单元，所述转向系统性能监测单元包括转向路感、转向灵敏度以及转向能耗三个评价子系统，可根据所述评价方程对当前控制信号进行在线优化解算，从而获取最佳转向行为，再将优化后的控制信号输入至执行单元，从而实现了系统在人机共驾下转向性能的实时检测及动态优化，本发明解决了中大型商用车电液智能转向系统直线行驶时转向盘易发生死区抖震、弯道行驶时易出现转向超调等问题，具有广阔的市场应用前景。

Description

一种电液智能转向系统性能监测器及性能优化方法

技术领域

本发明属于汽车助力转向系统控制技术领域，具体指代一种电液智能转向系统性能监测器及性能优化方法。

背景技术

智能化是未来汽车发展的趋势，智能转向系统作为智能网联车辆控制中重要的组成部分，其性能的实时监测技术和动态优化问题逐渐受到了广泛的关注。电液智能转向系统是一种用于大中型商用车的新型转向系统，其特点在于可通过协调双执行机构的输出比例实现转向模式的切换，即在低车速时采用大转矩输出的复合转向模式，高车速时采用路感良好且更为节能的电动转向模式，是一种理想的转向系统设计形式。

然而，电液智能转向系统中不同的参数值对系统的性能有很大的影响，因此需要通过对转向系统动力学模型进行分析得到包含其关键结构参数的性能指标量化公式，从而能够在设计阶段对转向系统的性能进行提升。对于新型电液复合转向系统的性能优化设计包含两方面的问题：一是如何根据待求解模型的设计特点和动力学特性，提出待优化系统的评价指标和约束条件，从而进行多目标优化模型的构建；二是根据所构建问题特点，设计相应数值优化求解算法，对所提出问题进行计算。

第一，在对于现有转向系统性能指标提出和量化的研究中，赵万忠等在论文《Integrated optimization of active steering and semi-active suspension basedon an improved memetic algorithm》和《Primary studies on integrationoptimization of differential steering of electric vehicle with motorizedwheels based on quality engineering》中提出通过力矩传递函数与角位移传递函数对电动助力转向系统以及差速助力转向系统性能进行定量分析，根据转向系统的设计需求提出了转向路感、转向灵敏度等系统性能评价指标作为优化目标和约束条件，从而构建包含系统关键结构参数的优化模型，将汽车转向系统性能优化问题转换为多目标参数优化问题。王晓晶等在论文《基于物理规划与遗传算法转向系统优化设计》中提出针对转向系统优化问题，以满载低速转向时转角偏差、空载高速转向时转角偏差、满载与空载的车轮跳动时轮胎滑移量及车轮摆角摆动误差为目标建立多目标优化模型，并通过物理规划法构造所建立数学模型各优化目标的偏好等级。解后循等基于电动液压助力转向系统液压阻尼系数及阻力系数对电动液压助力转向系统阻尼及助力系数进行量化，并提出以方向盘路感最优为目标函数的优化模型。然而，上述研究均只针对传统车辆操纵稳定性需求为目标进行性能指标量化，未将目前电动车辆节能需求以及电液智能转向系统的性能需求考虑在内，并提出相应的评价指标。

第二，在优化算法方面，对于单目标优化问题的求解来说，理论上必然可获得唯一的最优解，然而对于多目标优化问题来说，一个性能指标提高可能导致另一个性能指标的降低。在多目标问题的求解方法中，加权和法是一种常用的多目标优化问题求解方法，其原理为通过权重因子、比例因子将多个目标整合为一个目标，即将多目标优化问题转换为一个单目标优化问题，再通过单目标优化的方法进行计算，该方法在工程中简单实用，可直接得到一个最优解，但若其中一个目标过于敏感，可能导致其他目标的优化结果较差。相比传统多目标优化数值求解算法，多目标进化算法的特点在于以“种群”作为进化载体，从而可实现并行计算。算法基于“适应度”来反映新解的优劣程度并通过交叉、变异等更新策略，从而保证新种群的多样性，防止求解过程陷入局部最优。目前常用的多目标进化算法主要基于支配策略进行设计，其特点在于引入了占优和支配的概念，但其存在求解过程后期非支配解过多从而影响求解效率的问题。不同于上述基于支配策略的多目标优化算法，基于分解策略进行设计的MOEA/D算法的求解原理为通过“聚合函数”将一个多目标优化(Multi-objective optimization，MOP)问题分解为多个单目标优化(Single-objectiveoptimization，SOP)问题，再通过进化算法在一次迭代中同时求解基于分解策略得到的所有SOP子问题，并通过在目标空间中分布特性良好的权向量来保证整个求解过程的种群多样性，即通过“邻域”来使得种群中的个体都以“小团体”的方式相互协同进化。相比其他MOEA算法，该策略既降低了算法的时间复杂度，又提高了解的精度，但现有的固定搜索策略不能实现自适应调整，从而在求解实际工程优化问题时存在效率问题。

为了提高电液复合转向系统的性能，实现降低转向能耗、提高转向操纵稳定性的优化设计目标，需要综合考虑系统的动力学特性、功能设计需求以及系统所匹配的整车特性，建立可定量描述系统性能的量化公式，从而将系统的优化设计问题转化为多目标参数优化问题。但由于工程问题优化模型一般为非线性、离散的，采用基本算法难以逼近优化模型的帕累托前沿。因此，需要针对问题特点对算法进行改进，并设计算例对算法性能进行测试，从而保证在求解由系统设计需求转换得到的优化模型时的高效性。此外，在算法改进方面，基于分解策略的MOEA/D多目标优化算法架构是一种计算复杂度低、求解精度高的多目标问题求解方法，以PSO算子为代表的群智能算法具有鲁棒性强、对环境变化具有自适应性和快速反应性等特点，适合用于工程优化问题的求解计算，是一种理想转向系统性能动态优化方法，具有广阔的应用前景。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种电液智能转向系统性能监测器及性能优化方法，以解决现有技术中不能对当前转向系统性能进行实时在线监测以及动态优化解算等问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种电液智能转向系统性能监测器，包括：信息单元、信号处理单元、转向性能监测器单元、执行单元、转向传动单元和感知单元；

所述信息单元包括驾驶员行为信息模块和车辆环境信息模块；

所述信号处理单元包括传感器滤波模块、信息融合模块和状态估计模块；

所述转向性能监测器单元包括转向路感评价子系统、转向灵敏度评价子系统、转向能耗评价子系统和在线优化解算模块；

所述执行单元包括电动执行机构和液压执行机构；

所述转向传动单元包括转向器模块和转向管柱模块；

所述感知单元包括动力学参数传感器和环境感知传感器；其中，

驾驶员通过转向盘将转角/转矩信号a传递给信息单元，信息单元中驾驶员行为信息模块和车辆环境信息模块分别将提取得到的驾驶员输入行为信号b和周边车辆及环境感知信号c输出给信号处理单元；传感器滤波模块对输入信号进行滤波处理，信息融合模块对滤波后的信号进行融合，状态估计模块对所需不可测状态变量进行估计计算，将融合、滤波后信号d输出给转向性能监测器单元；转向性能监测器单元中的转向路感评价子系统、转向灵敏度评价子系统、转向能耗评价子系统分别对转向路感(驾驶员感受到的路面信息)、转向灵敏度(方向盘角度变化引起车辆横摆角速度变化)和转向能耗三项转向系统评价指标进行量化，在线优化解算模块对转向路感评价子系统、转向灵敏度评价子系统、转向能耗评价子系统得到的量化结果进行动态优化计算，得到优化后的控制信号e并输出给执行单元；执行单元中的电动执行机构和液压执行机构根据上述优化后的控制信号e输出转向力矩f至转向传动单元，转向管柱模块、转向器模块依次对转向力矩f进行传递，实现转向操作；所述感知单元对转向传动单元产生的电流、转角信号g进行采集，并将经过处理后的多传感器参数信号h传递至信息单元，实现闭环系统的转向操作。

进一步地，所述多传感器参数信号包括：动力学参数传感器采集到的横摆角速度信号、侧向加速度信号、俯仰角信号、车速信号，及环境感知传感器采集到的主车与前车距离信号、主车与前车相对速度信号、左侧车道车辆与主车距离信号、左侧车道车辆与主车相对速度信号、右侧车道车辆与主车距离信号、右侧车道车辆与主车相对速度信号。

进一步地，所述转向路感评价子系统性能指标如下：

式中，ω₀为截止频率，n_e1为转向螺杆角与液压执行机构马达角的比例系数，n_e2为转向螺杆角与电动执行机构马达角的比例系数，l为转向螺杆的中心距离，A_P为液压缸面积，q为叶片泵的排量，i_g为传动比，ρ为液压油的密度，P为螺距，N为泵的转速，C_q为流量系数，A₁为管道面积(假设四个管道横截面相同)，K_s为传感器刚度，K为电流系数，K_a为电动执行机构的电机电枢扭矩电流系数，n_m1为液压执行机构的电机速度，n_m2为电动执行机构的电机速度，n₂为电动执行机构的蜗轮减速比，r_w为小齿轮半径，ω为叶片泵转速，

为转向螺杆角加速度，j为虚数单位，J_m2为电动执行机构的电机转动惯量，J_m1为液压执行机构的电机转动惯量，B_lg为转向螺杆的阻尼，B_lm为转向螺母阻尼的阻尼，B_cs为转向齿扇的阻尼，J_cs为转向齿扇的转动惯量。

进一步地，所述转向灵敏度评价子系统性能指标如下：

式中，m为车辆质量，m_s为簧载质量，u为纵向速度，h为车辆的质心高度，I_x为绕车辆x轴的惯性矩，I_z为绕车辆z轴的惯性矩，I_xz为围绕车辆x-z平面的惯性矩，L_p为等效弹簧质量系数，L_φ为等效俯仰角系数，N_δ为轴距前轮转角系数，N_φ为轴距侧倾角系数，N_β为轴距侧偏角系数，N_r为轴距横摆角速度系数，Y_r为悬架横摆角速度系数，Y_δ为悬架前轮转角系数，Y_φ为悬架俯仰角系数，Y_β为悬架侧偏角系数，a为从车辆质心到前轴的距离，k₁为前轮侧偏刚度，E₁为前侧倾转向系数。

进一步地，所述转向能耗评价子系统性能指标如下：

电液复合转向系统的总能耗方程如下式所示，系统的主要功耗包括控制器功耗P₁、电机功耗P₂、液压泵功耗P₃和旋转阀功耗P₄四个部分；

E₁＝P₁+P₂+P₃+P₄

所述控制器功耗P₁如式所示：

式中，R_A为电枢电阻，I_A为电枢电流，U_c为控制器电压，R_elec为控制器电阻，p为传输过程中的损耗；

所述电机功率损耗原理为，考虑到铁损是电机的主要能耗，根据分离电机铁损的原理，建立了电机能耗的计算模型，如下式所示：

P₂＝k_hfB_m ^α+k_cfB_m+k_ef^1.5B_m ^1.5

式中，f为交变磁场的变化频率，B_m为磁密度幅值，α为斯坦梅兹系数，k_h、k_c和k_e分别为磁滞损耗系数、经典涡流损耗系数和涡流损耗系数；

所述泵的功率损耗原理如下式所示：

式中，ω为马达转速，Q_s为泵流量，P_s为动力缸的入口压力，q为油泵排量；

所述转阀功率损耗原理如下式所示：

式中，ρ为油密度，C_q为流量系数，A₁、A₂分别为1、2阀口节流面积，Q_s为液压泵的流量，A_p为液压缸活塞有效面积，x_r为转向螺母的位移。

本发明的一种电液智能转向系统性能优化方法，包括步骤如下：

步骤1：问题定义，包括模型定义和算法参数定义；

步骤2：初始化：迭代每个粒子，分配粒子位置和速度，并计算适应度函数直到循环结束；

步骤3：主循环：算法主回路由基本粒子群算法(PSO)模块、自适应分解算子(AD)分解模块和Pareto模块三部分组成；首先，粒子速度、位置和适应度函数值由基本粒子群算法模块更新；其次，自适应分解算子分解模块用于对基本粒子群算法模块更新的粒子进行分解搜索；最后，判断环路终止条件，导出帕累托集；

步骤4：如果不满足结束条件，则搜索过程返回步骤3，否则导出Pareto解集。

进一步地，所述步骤1具体包括：

11)模型定义包括：模型的定义、优化目标、约束条件和设计变量；

12)算法参数定义，与MOPSO相比，不仅定义算法I_te的最大迭代次数、粒子数n_ori、惯性权重w、权重下降率w_damp、个体学习因子c₁、全局学习因子c₂、Pareto集的阈值n_TPareto，还需确定分解模块邻域的位阶。

进一步地，所述步骤3具体包括：

31)基本粒子群算法模块

更新粒子速度、位置和适应度函数值，如下：

式中，v_i,j(t+1)、x_i,j(t+1)分别为粒子在t+1时刻的速度和位置，v_i,j(t)、x_i,j(t)分别为粒子在t时刻的速度和位置，c₁为个体学习因子，r₁为个体学习因子权重，c₂为全局学习因子，r₂为全局学习因子权重，p_i,j为当前搜索过程中的粒子，p_g,j为当前全局最优粒子；

32)自适应分解算子(AD)分解模块搜索策略

分解搜索策略分为两部分，首先，通过距离矩阵确定当前子问题的邻居来操作分解搜索；然后，在权重矩阵确定的每个搜索方向上执行自适应搜索，所述自适应搜索过程主要包括，建立以d₁(p)和d₂(p)为优化目标、以算法鲁棒性准则为约束的多目标优化模型，通过调整设计变量p，当优化模型满足鲁棒性约束时，d₁(p)和d₂(p)趋于最小；优化模型如下式所示：

式中，d₁(p)为粒子收敛距离，d₂(p)为粒子分集距离，p为分解搜索模块设计变量，g^wd(x*|w,p)、g^wd(x^k|w,p)为搜索方式，x*为理想参考点，x^k为实际搜索得到的点，w为分解搜索模块权重系数；

3)Pareto模块策略

设x和y是一次迭代后得到的两个解点，令x.object(j)表示对象j对应粒子x的适应度函数值；对于具有最小目标值的多目标优化问题，如果所有x.object(j)小于或等于y.object(j)，并且至少一个x.object(j)小于y.object(j)，则x属于Pareto解集。

本发明的有益效果：

本发明通过传感器滤波模块、信息融合模块和状态估计模块对采集到的车辆信号、环境信号以及驾驶员信号进行处理分析后传递至性能监测器，所述性能监测器包括转向路感、转向灵敏度以及转向能耗三个评价子系统，可根据所述评价方程对当前系统性能进行在线优化解算，从而获取最佳转向行为决策，再将优化后的控制信号输入至下层执行单元，从而实现了系统在无人驾驶模式下转向性能的实时检测及动态优化，本发明解决了中大型商用车电液智能转向系统直线行驶时转向盘易发生死区抖震、弯道行驶时易出现转向超调等问题，具有广阔的市场应用前景。

附图说明

图1绘示电液智能转向系统的原理图；

图2绘示电液智能转向系统性能监测器的原理图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，其为电液智能转向系统的原理图，该系统，包括：转向盘、循环球转向器、电子控制单元(ECU)、电动助力模块、电液助力模块、转向横拉杆、车轮。其中，所述循环球转向器包括转向螺杆、转向螺母、转向齿扇；所述电液助力模块包括助力电机、电磁阀、叶片泵、蓄能器。

驾驶员通过转向盘输入转角/转矩信号到转向螺杆；电子控制单元(ECU)根据当前工况计算得到电助力系数输入到电动助力模块，电动助力模块输出助力信号到转向螺杆，并将合力矩信号输出到转向螺母；电子控制单元(ECU)根据当前工况计算得到液助力系数输入到电液助力模块中的助力电机和电磁阀，助力电机驱动叶片泵输出高压油信号到蓄能器，电磁阀根据控制信号对蓄能器输出的流量\压力信号进行调压，将调节后的流量\压力信号输出到循环球转向器，推动转向螺母运行，转向齿扇将直线运动转换成转角运动并输出到转向横拉杆，从而带动车轮转动，实现转向操作。

参照图2所示，本发明的电液智能转向系统性能监测器(即上述的电子控制单元)，包括：信息单元、信号处理单元、转向性能监测器单元、执行单元、转向传动单元和感知单元；

所述信息单元包括驾驶员行为信息模块和车辆环境信息模块；

所述信号处理单元包括传感器滤波模块、信息融合模块和状态估计模块；

所述转向性能监测器单元包括转向路感评价子系统、转向灵敏度评价子系统、转向能耗评价子系统和在线优化解算模块；

所述执行单元包括电动执行机构和液压执行机构；

所述转向传动单元包括转向器模块和转向管柱模块；

所述感知单元包括动力学参数传感器和环境感知传感器；其中，

驾驶员通过转向盘将转角/转矩信号a传递给信息单元，信息单元中驾驶员行为信息模块和车辆环境信息模块分别将提取得到的驾驶员输入行为信号b和周边车辆及环境感知信号c输出给信号处理单元；传感器滤波模块对输入信号进行滤波处理，信息融合模块对滤波后的信号进行融合，状态估计模块对所需不可测状态变量进行估计计算，将融合、滤波后信号d输出给转向性能监测器单元；转向性能监测器单元中的转向路感评价子系统、转向灵敏度评价子系统、转向能耗评价子系统分别对转向路感(驾驶员感受到的路面信息)、转向灵敏度(方向盘角度变化引起车辆横摆角速度变化)和转向能耗三项转向系统评价指标进行量化，在线优化解算模块对转向路感评价子系统、转向灵敏度评价子系统、转向能耗评价子系统得到的量化结果进行动态优化计算，得到优化后的控制信号e并输出给执行单元；执行单元中的电动执行机构和液压执行机构根据上述优化后的控制信号e输出转向力矩f至转向传动单元，转向管柱模块、转向器模块依次对转向力矩f进行传递，实现转向操作；所述感知单元对转向传动单元产生的电流、转角信号g进行采集，并将经过处理后的多传感器参数信号h传递至信息单元，实现闭环系统的转向操作。

其中，所述多传感器参数信号包括：动力学参数传感器采集到的横摆角速度信号、侧向加速度信号、俯仰角信号、车速信号，及环境感知传感器采集到的主车与前车距离信号、主车与前车相对速度信号、左侧车道车辆与主车距离信号、左侧车道车辆与主车相对速度信号、右侧车道车辆与主车距离信号、右侧车道车辆与主车相对速度信号。

其中，所述转向路感评价子系统性能指标如下：

式中，ω₀为截止频率，n_e1为转向螺杆角与液压执行机构马达角的比例系数，n_e2为转向螺杆角与电动执行机构马达角的比例系数，l为转向螺杆的中心距离，A_P为液压缸面积，q为叶片泵的排量，i_g为传动比，ρ为液压油的密度，P为螺距，N为泵的转速，C_q为流量系数，A₁为管道面积(假设四个管道横截面相同)，K_s为传感器刚度，K为电流系数，K_a为电动执行机构的电机电枢扭矩电流系数，n_m1为液压执行机构的电机速度，n_m2为电动执行机构的电机速度，n₂为电动执行机构的蜗轮减速比，r_w为小齿轮半径，ω为叶片泵转速，

为转向螺杆角加速度，j为虚数单位，J_m2为电动执行机构的电机转动惯量，J_m1为液压执行机构的电机转动惯量，B_lg为转向螺杆的阻尼，B_lm为转向螺母阻尼的阻尼，B_cs为转向齿扇的阻尼，J_cs为转向齿扇的转动惯量。

其中，所述转向灵敏度评价子系统性能指标如下：

式中，m为车辆质量，m_s为簧载质量，u为纵向速度，h为车辆的质心高度，I_x是绕车辆x轴的惯性矩，I_z为绕车辆z轴的惯性矩，I_xz为围绕车辆x-z平面的惯性矩，L_p为等效弹簧质量系数，L_φ为等效俯仰角系数，N_δ为轴距前轮转角系数，N_φ为轴距侧倾角系数，N_β为轴距侧偏角系数，N_r为轴距横摆角速度系数，Y_r为悬架横摆角速度系数，Y_δ为悬架前轮转角系数，Y_φ为悬架俯仰角系数，Y_β为悬架侧偏角系数，a为从车辆质心到前轴的距离，k₁为前轮侧偏刚度，E₁为前侧倾转向系数。

其中，所述转向能耗评价子系统性能指标如下：

电液复合转向系统的总能耗方程如下式所示，系统的主要功耗包括控制器功耗P₁、电机功耗P₂、液压泵功耗P₃和旋转阀功耗P₄四个部分；

E₁＝P₁+P₂+P₃+P₄

所述控制器功耗P₁如式所示：

式中，R_A为电枢电阻，I_A为电枢电流，U_c为控制器电压，R_elec为控制器电阻，p为传输过程中的损耗；

所述电机功率损耗原理为，考虑到铁损是电机的主要能耗，根据分离电机铁损的原理，建立了电机能耗的计算模型，如下式所示：

P₂＝k_hfB_m ^α+k_cfB_m+k_ef^1.5B_m ^1.5

式中，f为交变磁场的变化频率，B_m为磁密度幅值，α为斯坦梅兹系数，k_h、k_c和k_e分别为磁滞损耗系数、经典涡流损耗系数和涡流损耗系数；

所述泵的功率损耗原理如下式所示：

式中，ω为马达转速，Q_s为泵流量，P_s为动力缸的入口压力，q是油泵排量；

所述转阀功率损耗原理如下式所示：

式中，ρ为油密度，C_q为流量系数，A₁、A₂分别为1、2阀口节流面积，Q_s为液压泵的流量，A_p为液压缸活塞有效面积，x_r为转向螺母的位移。

本发明的一种电液智能转向系统性能优化方法，基于上述监测器，包括步骤如下：

步骤1：问题定义，包括模型定义和算法参数定义；

步骤2：初始化：迭代每个粒子，分配粒子位置和速度，并计算适应度函数直到循环结束；

步骤3：主循环：算法主回路由基本粒子群算法(PSO)模块、自适应分解算子(AD)分解模块和Pareto模块三部分组成；首先，粒子速度、位置和适应度函数值由基本粒子群算法模块更新；其次，自适应分解算子分解模块用于对基本粒子群算法模块更新的粒子进行分解搜索；最后，判断环路终止条件，导出帕累托集；

步骤4：如果不满足结束条件，则搜索过程返回步骤3，否则导出Pareto解集。

其中，所述步骤1具体包括：

11)模型定义包括：模型的定义、优化目标、约束条件和设计变量；

12)算法参数定义，与MOPSO相比，不仅定义算法I_te的最大迭代次数、粒子数n_ori、惯性权重w、权重下降率w_damp、个体学习因子c₁、全局学习因子c₂、Pareto集的阈值n_TPareto，还需确定分解模块邻域的位阶。

其中，所述步骤3具体包括：

31)基本粒子群算法模块

更新粒子速度、位置和适应度函数值，如下：

式中，v_i,j(t+1)、x_i,j(t+1)分别为粒子在t+1时刻的速度和位置，v_i,j(t)、x_i,j(t)分别为粒子在t时刻的速度和位置，c₁为个体学习因子，r₁为个体学习因子权重，c₂为全局学习因子，r₂为全局学习因子权重，p_i,j为当前搜索过程中的粒子，p_g,j为当前全局最优粒子；

32)自适应分解算子(AD)分解模块搜索策略

分解搜索策略分为两部分，首先，通过距离矩阵确定当前子问题的邻居来操作分解搜索；然后，在权重矩阵确定的每个搜索方向上执行自适应搜索，所述自适应搜索过程主要包括，建立以d₁(p)和d₂(p)为优化目标、以算法鲁棒性准则为约束的多目标优化模型，通过调整设计变量p，当优化模型满足鲁棒性约束时，d₁(p)和d₂(p)趋于最小；优化模型如下式所示：

式中，d₁(p)为粒子收敛距离，d₂(p)为粒子分集距离，p为分解搜索模块设计变量，g^wd(x*|w,p)、g^wd(x^k|w,p)为搜索方式，x*为理想参考点，x^k为实际搜索得到的点，w为分解搜索模块权重系数；

3)Pareto模块策略

设x和y是一次迭代后得到的两个解点，令x.object(j)表示对象j对应粒子x的适应度函数值；对于具有最小目标值的多目标优化问题，如果所有x.object(j)小于或等于y.object(j)，并且至少一个x.object(j)小于y.object(j)，则x属于Pareto解集。

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)

1.一种电液智能转向系统性能监测器，其特征在于,包括：信息单元、信号处理单元、转向性能监测器单元、执行单元、转向传动单元和感知单元；

所述信息单元包括驾驶员行为信息模块和车辆环境信息模块；

所述信号处理单元包括传感器滤波模块、信息融合模块和状态估计模块；

所述转向性能监测器单元包括转向路感评价子系统、转向灵敏度评价子系统、转向能耗评价子系统和在线优化解算模块；

所述执行单元包括电动执行机构和液压执行机构；

所述转向传动单元包括转向器模块和转向管柱模块；

所述感知单元包括动力学参数传感器和环境感知传感器；其中，

驾驶员通过转向盘将转角/转矩信号a传递给信息单元，信息单元中驾驶员行为信息模块和车辆环境信息模块分别将提取得到的驾驶员输入行为信号b和周边车辆及环境感知信号c输出给信号处理单元；传感器滤波模块对输入信号进行滤波处理，信息融合模块对滤波后的信号进行融合，状态估计模块对所需不可测状态变量进行估计计算，将融合、滤波后信号d输出给转向性能监测器单元；转向性能监测器单元中的转向路感评价子系统、转向灵敏度评价子系统、转向能耗评价子系统分别对转向路感、转向灵敏度和转向能耗三项转向系统评价指标进行量化，在线优化解算模块对转向路感评价子系统、转向灵敏度评价子系统、转向能耗评价子系统得到的量化结果进行动态优化计算，得到优化后的控制信号e并输出给执行单元；执行单元中的电动执行机构和液压执行机构根据上述优化后的控制信号e输出转向力矩f至转向传动单元，转向管柱模块、转向器模块依次对转向力矩f进行传递，实现转向操作；所述感知单元对转向传动单元产生的电流、转角信号g进行采集，并将经过处理后的多传感器参数信号h传递至信息单元，实现闭环系统的转向操作。

2.根据权利要求1所述的电液智能转向系统性能监测器，其特征在于，所述多传感器参数信号包括：动力学参数传感器采集到的横摆角速度信号、侧向加速度信号、俯仰角信号、车速信号，及环境感知传感器采集到的主车与前车距离信号、主车与前车相对速度信号、左侧车道车辆与主车距离信号、左侧车道车辆与主车相对速度信号、右侧车道车辆与主车距离信号、右侧车道车辆与主车相对速度信号。

3.根据权利要求1所述的电液智能转向系统性能监测器，其特征在于，所述转向路感评价子系统性能指标如下：

式中，ω₀为截止频率，n_e1为转向螺杆角与液压执行机构马达角的比例系数，n_e2为转向螺杆角与电动执行机构马达角的比例系数，l为转向螺杆的中心距离，A_P为液压缸面积，q为叶片泵的排量，i_g为传动比，ρ为液压油的密度，P为螺距，N为泵的转速，C_q为流量系数，A₁为管道面积，K_s为传感器刚度，K为电流系数，K_a为电动执行机构的电机电枢扭矩电流系数，n_m1为液压执行机构的电机速度，n_m2为电动执行机构的电机速度，n₂为电动执行机构的蜗轮减速比，r_w为小齿轮半径，ω为叶片泵转速，

为转向螺杆角加速度，j为虚数单位，J_m2为电动执行机构的电机转动惯量，J_m1为液压执行机构的电机转动惯量，B_lg为转向螺杆的阻尼，B_lm为转向螺母阻尼的阻尼，B_cs为转向齿扇的阻尼，J_cs为转向齿扇的转动惯量。

4.根据权利要求1所述的电液智能转向系统性能监测器，其特征在于，所述转向灵敏度评价子系统性能指标如下：

式中，m为车辆质量，m_s为簧载质量，u为纵向速度，h为车辆的质心高度，I_x为绕车辆x轴的惯性矩，I_z为绕车辆z轴的惯性矩，I_xz为围绕车辆x-z平面的惯性矩，L_p为等效弹簧质量系数，L_φ为等效俯仰角系数，N_δ为轴距前轮转角系数，N_φ为轴距侧倾角系数，N_β为轴距侧偏角系数，N_r为轴距横摆角速度系数，Y_r为悬架横摆角速度系数，Y_δ为悬架前轮转角系数，Y_φ为悬架俯仰角系数，Y_β为悬架侧偏角系数，a为从车辆质心到前轴的距离，k₁为前轮侧偏刚度，E₁为前侧倾转向系数。

5.根据权利要求1所述的电液智能转向系统性能监测器，其特征在于，所述转向能耗评价子系统性能指标如下：

电液复合转向系统的总能耗方程如下式所示，系统的能耗包括控制器功耗P₁、电机功耗P₂、液压泵功耗P₃和旋转阀功耗P₄四个部分；

E₁＝P₁+P₂+P₃+P₄

所述控制器功耗P₁如式所示：

式中，R_A为电枢电阻，I_A为电枢电流，U_c为控制器电压，R_elec为控制器电阻，p为传输过程中的损耗；

所述电机功耗原理为，考虑到铁损是电机的主要能耗，根据分离电机铁损的原理，建立了电机功耗的计算模型，如下式所示：

P₂＝k_hfB_m ^α+k_cfB_m+k_ef^1.5B_m ^1.5

式中，f为交变磁场的变化频率，B_m为磁密度幅值，α为斯坦梅兹系数，k_h、k_c和k_e分别为磁滞损耗系数、经典涡流损耗系数和涡流损耗系数；

所述液压泵功耗原理如下式所示：

式中，ω为马达转速，Q_s为泵流量，P_s为动力缸的入口压力，q为油泵排量；

所述旋转阀功耗原理如下式所示：

式中，ρ为油密度，C_q为流量系数，A₁、A₂分别为1、2阀口节流面积，Q_s为液压泵的流量，A_p为液压缸活塞有效面积，x_r为转向螺母的位移。

6.一种电液智能转向系统性能优化方法，其特征在于，包括步骤如下：

步骤1：问题定义，包括模型定义和算法参数定义；

步骤2：初始化：迭代每个粒子，分配粒子位置和速度，并计算适应度函数直到循环结束；

步骤3：主循环：算法主回路由基本粒子群算法模块、自适应分解算子分解模块和Pareto模块三部分组成；首先，粒子速度、位置和适应度函数值由基本粒子群算法模块更新；其次，自适应分解算子分解模块用于对基本粒子群算法模块更新的粒子进行分解搜索；最后，判断环路终止条件，导出帕累托集；

步骤4：如果不满足结束条件，则搜索过程返回步骤3，否则导出Pareto解集。

7.根据权利要求6所述的电液智能转向系统性能优化方法，其特征在于，所述步骤1具体包括：

11)模型定义包括：模型的定义、优化目标、约束条件和设计变量；

12)算法参数定义，不仅定义算法I_te的最大迭代次数、粒子数n_ori、惯性权重w、权重下降率w_damp、个体学习因子c₁、全局学习因子c₂、Pareto集的阈值n_TPareto，还需确定分解模块邻域的位阶。

8.根据权利要求6所述的电液智能转向系统性能优化方法，其特征在于，所述步骤3具体包括：

31)基本粒子群算法模块

更新粒子速度、位置和适应度函数值，如下：

式中，v_i,j(t+1)、x_i,j(t+1)分别为粒子在t+1时刻的速度和位置，v_i,j(t)、x_i,j(t)分别为粒子在t时刻的速度和位置，c₁为个体学习因子，r₁为个体学习因子权重，c₂为全局学习因子，r₂为全局学习因子权重，p_i,j为当前搜索过程中的粒子，p_g,j为当前全局最优粒子；

32)自适应分解算子分解模块搜索策略

分解搜索策略分为两部分，首先，通过距离矩阵确定当前子问题的邻居来操作分解搜索；然后，在权重矩阵确定的每个搜索方向上执行自适应搜索，所述自适应搜索过程主要包括，建立以d₁(p)和d₂(p)为优化目标、以算法鲁棒性准则为约束的多目标优化模型，通过调整设计变量p，当优化模型满足鲁棒性约束时，d₁(p)和d₂(p)趋于最小；优化模型如下式所示：

式中，d₁(p)为粒子收敛距离，d₂(p)为粒子分集距离，p为分解搜索模块设计变量，g^wd(x*|w,p)、g^wd(x^k|w,p)为搜索方式，x*为理想参考点，x^k为实际搜索得到的点，w为分解搜索模块权重系数；

3)Pareto模块策略

设x和y是一次迭代后得到的两个解点，令x.object(j)表示对象j对应粒子x的适应度函数值；对于具有最小目标值的多目标优化问题，如果所有x.object(j)小于或等于y.object(j)，并且至少一个x.object(j)小于y.object(j)，则x属于Pareto解集。

Images