CN112693521A - 静液驱动履带车辆神经网络pid转向控制方法 - Google Patents

Abstract

本发明公开了静液驱动履带车辆神经网络PID转向控制方法，包括以下步骤：S1：读取转向控制协调控制策略调整过的驾驶员目标相对转向半径ρref和目标车速vref，S2：判断驾驶员车辆是否直驶，如为直驶执行直驶控制子程序，并将结果输入至神经网络PID控制器计算，调节发送泵、马达排量指令，如不为直驶判断R＝0.5B。本发明的控制方法加入神经网络的自适应调节之后，解决了调速方案调节滞后的问题，转向控制器可对车辆转向状态进行预判，提前修正驾驶员目标车速，修正后的驾驶员输入信号可使得车辆在无侧滑、打滑、系统压力满足最高压力限制的条件下进行迅速安全转向。

Description

静液驱动履带车辆神经网络PID转向控制方法

技术领域

本发明涉及车辆转向控制方法，特别涉及静液驱动履带车辆神经网络PID转向控制方法，属于车辆转向技术领域。

背景技术

履带车辆具有接地压力小，越野性好，爬坡越障能力强等优点，在未来战场上占据着重要地位，静液驱动技术，因其功率密度大、能实现大范围的无级变速、空间上布置灵活，是未来履带车辆传动装置的主要发展方向。转向能力作为一个重要的战技指标，对静液驱动的履带车辆尤为重要。静液驱动履带车辆的转向是通过控制两侧变量泵、变量马达排量，使得转向机构两侧主动轮输出不同的转速，从而带动两侧履带产生速差而完成。对于转向机构的转向控制技术一直是车辆控制技术中的关键技术和难点技术。

然而，实际中静液驱动履带车辆转向控制环节复杂，车辆转向过程中，两侧阻力呈现出大范围变化、非线性等问题，而实际上存在液压马达输出转矩和发动机输出功率的限制，则势必导致转向存在响应速度慢，转向过程不稳定，轨迹可控性差等问题。控制系统非线性影响因素很多，也没有相同的研究成果作为借鉴，因此急需提出实用性高、稳定性好的新型控制方法。

发明内容

本发明的目的在于提供静液驱动履带车辆神经网络PID转向控制方法，以解决上述背景技术中提出的液压马达输出转矩和发动机输出功率的限制，则势必导致转向存在响应速度慢，转向过程不稳定，轨迹可控性差的问题。

为实现上述目的，本发明提供如下技术方案：包括以下步骤：

S1：读取转向控制协调控制策略调整过的驾驶员目标相对转向半径ρref和目标车速vref，；

S2：判断驾驶员车辆是否直驶，如为直驶执行直驶控制子程序，并将结果输入至神经网络PID控制器计算，调节发送泵、马达排量指令，如不为直驶判断R＝0.5B；

S3：根据步骤S2中的判断,如R不等于0.5B，在可保证系统无侧滑，打滑，系统压力不超过最高压力情况下计算两侧履带速度v1、v2，进而求得得到内外侧马达目标转速nM1.ref、nM2.ref，通过目标转速求得转速误差e1，e2，将转速误差e1，e2输入值神经网络PID控制器中，计算输出发送泵、马达排量指令；

S4：根据步骤S2中的判断,如R等于0.5B时，令v1＝0,计算v2，令nM1.ref＝0，计算将转速误差e1，e2输入值神经网络PID控制器中，计算处发送泵、马达排量。

作为本发明的一种优选技术方案，所述神经网络PID控制器采用三层神经结构网络，通过神经网络PID控制器计算发送泵和马达排量算法为：

设发送泵和马达排量为V，神经网络控制器输出层均采用sigmoid函数，表示为：

输出层的输入量为：

x(t)＝k_pj(t)e_pj(t)+k_ij(t)e_ij(t)+k_dj(t)e_dj(t) (2)

e_pj(t)＝n_Mj.ref(t)-n_Mj(t) (3)

e_dj(t)＝de_pj(t)/dt (5)

式中，kpj、kij、kdj分别为比例、微分、积分系数，即神经网络权系数；epj、eij、edj为神经网络的输入量。

作为本发明的一种优选技术方案，所述神经网络权系数的调整中引入二次性能指标，使输出误差的平方和最小，从而实现自适应PID的最优控制，取二次性能指标函数：

采用梯度下降法，修正权系数：

式中，ηpj、ηij、ηdj为学习率。

作为本发明的一种优选技术方案，所述根据(6)、12可推导出：

根据式(1)推导出：

作为本发明的一种优选技术方案，所述设

将式(8)和(9)代入式(7)得：

由式(10)可知，神经网络控制器根据epj、eij、edj通过反馈网络在线自学习训练，使马达转速误差逼近零，在线修正权系数kpj、kij、kdj控制输出两侧泵和马达参考排量，最终获得接近驾驶员期望的目标相对转向半径和车速。

与现有技术相比，本发明的有益效果是：

1.本发明静液驱动履带车辆神经网络PID转向控制方法，本控制方法加入神经网络的自适应调节之后，解决了调速方案调节滞后的问题，转向控制器可对车辆转向状态进行预判，提前修正驾驶员目标车速，修正后的驾驶员输入信号可使得车辆在无侧滑、打滑、系统压力满足最高压力限制的条件下进行迅速安全转向；

2.本发明静液驱动履带车辆神经网络PID转向控制方法，基于遗传算法优化神经网络PID权系数初值，优化后的变量泵神经网络PID控制器权系数初值，变量马达神经网络PID控制器权系数初值，遗传算法优化的神经网络PID控制能有效的抑制超调，且系统响应迅速，可以更好的对目标马达转速进行跟踪，控制效果较好；

3.本发明静液驱动履带车辆神经网络PID转向控制方法，通过对匀速转向一体化控制仿真分析可知，静液驱动履带车辆可在车辆匀速以及变速情况下进行准确迅速转向。

附图说明

图1为本发明静液驱动履带车辆神经网络PID转向控制框图；

图2为本发明的静液驱动履带车辆神经网络PID转向控制流程图；

图3为本发明神经网络PID结构框图；

图4为本发明履带车静液双侧驱动传动结构与控制图。

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。

请参阅图1-4，本发明提供了静液驱动履带车辆神经网络PID转向控制方法的技术方案：

根据图1-4所示，包括以下步骤：

S1：读取转向控制协调控制策略调整过的驾驶员目标相对转向半径ρref和目标车速vref，；

S2：判断驾驶员车辆是否直驶，如为直驶执行直驶控制子程序，并将结果输入至神经网络PID控制器计算，调节发送泵、马达排量指令，如不为直驶判断R＝0.5B；

S3：根据步骤S2中的判断,如R不等于0.5B，在可保证系统无侧滑，打滑，系统压力不超过最高压力情况下计算两侧履带速度v1、v2，进而求得得到内外侧马达目标转速nM1.ref、nM2.ref，通过目标转速求得转速误差e1，e2，将转速误差e1，e2输入值神经网络PID控制器中，计算输出发送泵、马达排量指令；

S4：根据步骤S2中的判断,如R等于0.5B时，令v1＝0,计算v2，令nM1.ref＝0，计算将转速误差e1，e2输入值神经网络PID控制器中，计算处发送泵、马达排量。

神经网络PID控制器采用三层神经结构网络，通过神经网络PID控制器计算发送泵和马达排量算法为：

设发送泵和马达排量为V，神经网络控制器输出层均采用sigmoid函数，表示为：

输出层的输入量为：

x(t)＝k_pj(t)e_pj(t)+k_ij(t)e_ij(t)+k_dj(t)e_dj(t) (2)

e_pj(t)＝n_Mj.ref(t)-n_Mj(t) (3)

e_dj(t)＝de_pj(t)/dt (5)

式中，kpj、kij、kdj分别为比例、微分、积分系数，即神经网络权系数；epj、eij、edj为神经网络的输入量，

神经网络权系数的调整中引入二次性能指标，使输出误差的平方和最小，从而实现自适应PID的最优控制，取二次性能指标函数：

采用梯度下降法，修正权系数：

式中，ηpj、ηij、ηdj为学习率，

根据(6)、12可推导出：

根据式(1)推导出：

设

将式(8)和(9)代入式(7)得：

由式(10)可知，神经网络控制器根据epj、eij、edj通过反馈网络在线自学习训练，使马达转速误差逼近零，在线修正权系数kpj、kij、kdj控制输出两侧泵和马达参考排量，最终获得接近驾驶员期望的目标相对转向半径和车速。

在本发明的描述中，需要理解的是，指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明中，除非另有明确的规定和限定，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.静液驱动履带车辆神经网络PID转向控制方法，其特征在于，包括以下步骤：

S1：读取转向控制协调控制策略调整过的驾驶员目标相对转向半径ρref和目标车速vref，；

S2：判断驾驶员车辆是否直驶，如为直驶执行直驶控制子程序，并将结果输入至神经网络PID控制器计算，调节发送泵、马达排量指令，如不为直驶判断R＝0.5B；

S3：根据步骤S2中的判断,如R不等于0.5B，在可保证系统无侧滑，打滑，系统压力不超过最高压力情况下计算两侧履带速度v1、v2，进而求得得到内外侧马达目标转速nM1.ref、nM2.ref，通过目标转速求得转速误差e1，e2，将转速误差e1，e2输入值神经网络PID控制器中，计算输出发送泵、马达排量指令；

S4：根据步骤S2中的判断,如R等于0.5B时，令v1＝0,计算v2，令nM1.ref＝0，计算将转速误差e1，e2输入值神经网络PID控制器中，计算处发送泵、马达排量。

2.根据权利要求1所述的静液驱动履带车辆神经网络PID转向控制方法，其特征在于：所述神经网络PID控制器采用三层神经结构网络，通过神经网络PID控制器计算发送泵和马达排量算法为：

设发送泵和马达排量为V，神经网络控制器输出层均采用sigmoid函数，表示为：

输出层的输入量为：

x(t)＝k_pj(t)e_pj(t)+k_ij(t)e_ij(t)+k_dj(t)e_dj(t) (2)

e_pj(t)＝n_Mj.ref(t)-n_Mj(t) (3)

e_dj(t)＝de_pj(t)/dt (5)

式中，kpj、kij、kdj分别为比例、微分、积分系数，即神经网络权系数；epj、eij、edj为神经网络的输入量。

3.根据权利要求2所述的静液驱动履带车辆神经网络PID转向控制方法，其特征在于：所述神经网络权系数的调整中引入二次性能指标，使输出误差的平方和最小，从而实现自适应PID的最优控制，取二次性能指标函数：

采用梯度下降法，修正权系数：

式中，ηpj、ηij、ηdj为学习率。

4.根据权利要求3所述的静液驱动履带车辆神经网络PID转向控制方法，其特征在于：所述根据(6)、12可推导出：

根据式(1)推导出：

5.根据权利要求4所述的静液驱动履带车辆神经网络PID转向控制方法，其特征在于：所述设

将式(8)和(9)代入式(7)得：

由式(10)可知，神经网络控制器根据epj、eij、edj通过反馈网络在线自学习训练，使马达转速误差逼近零，在线修正权系数kpj、kij、kdj控制输出两侧泵和马达参考排量，最终获得接近驾驶员期望的目标相对转向半径和车速。

Images