CN113085806A - 一种基于超磁致伸缩制动系统的复合再生制动控制方法 - Google Patents

Abstract

本发明公开了一种基于超磁致伸缩制动系统的复合再生制动控制方法，包括：利用驾驶数据训练神经网络预测模型；实时采集制动踏板压力、制动踏板位移、当前车速、车辆行驶过程中前方物体相对自车的距离与相对运动速度信息，估计电池荷电状态；计算得到驾驶员制动意图的初步识别；得到驾驶员制动意图的最终识别结果；选择制动模式；根据选择的制动模式，向电流调节模块输出控制信号，电流调节模块输出电流分别控制再生制动电机和超磁致伸缩制动器进行制动。本发明利用神经网络，通过制动踏板位移、制动踏板压力和车速，识别制动意图，并利用前方物体相对自车的距离与相对运动速度修正，考虑周围环境，识别准确度高。

Description

一种基于超磁致伸缩制动系统的复合再生制动控制方法

技术领域

本发明属于汽车制动控制技术领域，尤其涉及一种基于超磁致伸缩制动系统的复合再生制动控制方法。

背景技术

随着节能环保成为当今世界的主题，清洁、节能的电动汽车是未来汽车工业技术创新的主要发展方向。随着电动汽车技术不断发展，电动汽车的制动系统由传统的液压制动向线控制动转变。线控制动在满足基本制动需求的同时，可以与再生制动系统协调控制进行制动能量回收，再生制动作为电动汽车节能技术的重要组成部分，对提高电动汽车续驶里程，推动电动汽车发展具有重要作用。另外，传统的制动系统产生的制动力仅与驾驶员控制的制动踏板行程有关，在某些工况下难以保证制动的安全性和制动的平顺性；而线控制动系统可以根据工况与驾驶员的制动意图对制动力进行相应的调整，在保证制动安全性的同时提高再生制动时的能量回收效果。

由于上述电动汽车和线控制动系统的特点，对驾驶员制动意图的准确识别甚至预测，有助于进行制动力补偿和再生制动系统的制动力力分配，对保证电动汽车的制动安全性，提高能量利用率有着重要作用。国内外许多学者提出了对驾驶员制动意图进行识别的方法，大都是仅通过踏板力与踏板位移就将制动意图简单的划分为几种模式，没有考虑到车辆所处的行驶工况，制动意图识别准确度较低。

目前，市面上具备再生制动功能的电动汽车，大多在驾驶员踩下制动踏板后再生制动电机才会进行工作，制动控制器对再生制动力和液压制动力通过一定的分配策略进行分配，使车辆所获得的制动力达到目标制动力的同时，也可以回收一定的制动能量，采用这类控制方法的电动汽车驾驶感受与传统车相接近，但由于再生制动只起到辅助制动的作用，因此所回收的制动能量较少。此外，也有一部分具备再生制动功能的电动汽车，所采用的再生制动控制方法是在驾驶员松开油门之后就进行再生制动，但是，这种电动汽车要保持车速就必须要踩油门，驾驶感觉与传统车辆相差较大。而超磁致伸缩制动系统的制动器由电流控制，与现有制动器控制方法不同，现有技术没有针对基于超磁致伸缩材料的制动系统的再生制动控制方法。

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基于超磁致伸缩制动系统的复合再生制动控制方法，以解决现有针对超磁致伸缩制动系统再生制动技术空缺的问题。本发明通过驾驶数据与踏板信息预测制动意图的同时，利用毫米波雷达数据对预测的意图进行修正，使制动意图的识别更加准确，进而使再生制动在多回收能量的同时，尽可能小的影响驾驶员的驾驶感觉。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于超磁致伸缩制动系统的复合再生制动控制方法，步骤如下：

(1)离线采集驾驶员正常制动时的驾驶数据，利用驾驶数据训练神经网络预测模型；

(2)制动时，实时采集制动踏板压力P、制动踏板位移s、当前车速v、车辆行驶过程中前方物体相对自车的距离ρ与相对运动速度u信息，同时估计电池荷电状态(SOC)；

(3)将步骤(2)中获得的制动踏板压力、制动踏板位移和当前车速信息输入到步骤(1)训练的神经网络预测模型中，得到驾驶员制动意图的初步识别M^*；

(4)通过步骤(2)中获得的前方物体相对自车的距离与相对运动速度信息，修正驾驶员制动意图的初步识别，得到最终识别结果；

(5)根据步骤(2)中估计得到的电池荷电状态信息和步骤(4)得到的驾驶员制动意图的最终识别结果，选择制动模式；

(6)根据步骤(5)中选择的制动模式，向电流调节模块输出控制信号，电流调节模块输出电流分别控制再生制动电机和超磁致伸缩制动器进行制动。

进一步地，所述步骤(1)中驾驶数据包括制动踏板压力、制动踏板位移和实时车速信息。

进一步地，所述步骤(1)中的神经网络预测模型如下：神经网络预测模型主要由输入层、隐含层和输出层组成，其中输入层包括制动踏板位移s、制动踏板压力P和车速v，输出层为制动意图识别结果。

进一步地，所述步骤(1)中的神经网络预测模型训练过程如下：

(11)对参数进行初始化：根据训练样本的输入、输出数据确定网络输入层和输出层神经元个数m，n；隐含层的神经元个数l遵从l＝2m+1进行设定；对各层连接权值和阈值进行初始化，给定激励函数和学习速率，迭代次数；

(12)计算隐含层输出：根据系统输入、输入层和隐含层的连接权值以及隐含层内各神经元的阈值，计算隐含层输出：

式中，f为隐含层激励函数；ω_ij为输入层和隐含层间的连接权值；a为隐含层内各神经元的阈值；

(13)计算输出层输出：根据隐含层输出、隐含层和输出层之间各神经元的连接权值以及输出层阈值，计算神经网络的预测输出值：

式中，O_k为神经网络的预测输出值；ω_jk为隐含层和输出层之间各神经元的连接权值；b为输出层阈值；

(14)计算误差：根据神经网络预测输出和期望输出，计算预测误差值e_k：

e_k＝Y_k-O_k (1-3)

式中，Y_k为神经网络的期望输出值；

(15)更新权值：根据预测误差值e_k更新网络连接权值：

ω_jk＝ω_jk+ηH_je_k (1-5)

式中，η为学习速率；

(16)更新阈值：根据预测误差值更新网络节点阈值：

b_k＝b_k+e_k (1-7)；

(17)判断步骤(12)-(16)算法迭代是否结束，若没有结束，返回步骤(12)。

进一步地，所述步骤(2)中制动踏板压力P由踏板压力传感器获得，制动踏板位移s由踏板位移传感器获得，当前车速v由车速传感器获得，前方物体相对自车的距离ρ与相对运动速度u通过毫米波雷达获得的数据计算得到；

前方物体相对自车的距离ρ的计算公式为：

前方物体相对自车的运动速度u的计算公式为：

式中，T为毫米波雷达的调制周期，ΔF为毫米波频率带宽；c为光速，f₀为毫米波雷达中心的工作频率，f_b+为动态目标反射信号与发射信息上升沿的频率差值，f_b-为下降沿的频率差值。

进一步地，所述步骤(3)得到的制动意图的初步识别为M^*＝{α₁,α₂,α₃}，α₁为轻度制动，α₂为中度制动，α₃为紧急制动。

进一步地，所述步骤(4)中修正后的制动意图识别为M＝{α₁,α₂,α₃}，修正方法如下：

规定前方物体远离时u＞0，ρ的阈值为ρ₁，u的阈值为u₁、u₂，u₁＞0、u₂＜0；

当ρ≥ρ₁且u＞u₁时，紧急制动修正为中度制动，中度制动修正为轻度制动，轻度制动保持不变；

当ρ≥ρ₁且u₁≥u≥u₂时，紧急制动修正为中度制动，中度制动保持不变，轻度制动保持不变；

当ρ≥ρ₁且u＜u₂时，紧急制动保持不变，中度制动保持不变，轻度制动保持不变；

当ρ＜ρ₁且u＞u₁时，紧急制动修正为中度制动，中度制动保持不变，轻度制动保持不变；

当ρ＜ρ₁且u₁≥u≥u₂时，紧急制动保持不变，中度制动保持不变，轻度制动修正为中度制动；

当ρ＜ρ₁且u＜u₂时，紧急制动保持不变，中度制动修正为紧急制动，轻度制动修正为中度制动。

进一步地，所述步骤(5)中制动模式的选择规则为：

当SOC≥95％时，不进行再生制动，超磁致伸缩制动系统单独制动；

当SOC＜95％，M＝α₁时，进入再生制动模式；

当SOC＜95％，M＝α₂时，进入超磁致伸缩制动系统与再生制动复合制动模式；

当SOC＜95％，M＝α₃时，不进行再生制动，超磁致伸缩制动系统单独制动。

进一步地，所述步骤(6)中控制信号输出规则为：

再生制动模式时，控制电流调节模块仅向再生制动电机输出控制信号，再生制动电机输出制动力矩的大小由车速和再生制动力矩关系曲线获得，该曲线根据不同车速对应的再生制动电机最大稳定再生制动力矩制得；

超磁致伸缩制动系统与再生制动复合制动模式时，控制电流调节模块同时向再生制动电机和超磁致伸缩制动器输出控制信号，复合制动方式为：

踏板位移s的阈值为s₁、s₂；

当s＜s₁时再生制动优先进行，超磁致伸缩制动器起辅助制动作用；

当s₁＜s＜s₂时再生制动与超磁致伸缩制动器制动力矩之比为1:2；

当s＞s₂时再生制动与超磁致伸缩制动器制动力矩之比为1:4；

超磁致伸缩制动系统单独制动时，控制电流调节模块仅向超磁致伸缩制动器输出信号。

本发明的有益效果：

本发明利用神经网络，通过制动踏板位移s、制动踏板压力P和车速v，识别制动意图，并利用前方物体相对自车的距离ρ与相对运动速度u修正，考虑周围环境，识别准确度高。

附图说明

图1为本发明方法流程图；

图2为本发明使用的神经网络结构示意图；

图3为基于超磁致伸缩材料的盘式制动系统结构图；

图4为超磁致伸缩制动器结构图；

图中，1-左前超磁致伸缩制动器，2-制动踏板模块，3-电源，4-电子控制单元，5-再生制动电机，6-左后超磁致伸缩制动器，7-右后超磁致伸缩制动器，8-电流调节模块，9-毫米波雷达，10-车速传感器，11-右前超磁致伸缩制动器，12-制动钳体，13-隔磁衬垫，14-隔磁顶盖，15-驱动器壳体，16-传动杆，17-活塞推杆，18-左侧活塞，19-左制动块总成，20-制动盘，21-超磁致伸缩杆，22-右制动块总成，23-支撑销，24-右侧活塞，25-消磁线圈，26-励磁线圈，27-制动驱动器。

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。

本发明的方法基于超磁致伸缩线控制动系统，示例中，参照图3、图4所示，该系统包括：制动踏板模块2、左前超磁致伸缩制动器1、右前超磁致伸缩制动器11、左后超磁致伸缩制动器6、右后超磁致伸缩制动器7、电子控制单元(ECU)4、电源(Power)3、电流调节模块8和再生制动电机5、毫米波雷达9；

制动踏板模块2包含：踏板压力传感器、踏板位移传感器；

踏板压力传感器安装于制动踏板上，采集踏板的压力信号，踏板位移传感器安装于制动踏板底部，采集制动踏板的位移信号；

毫米波雷达9安装于车辆前端，采集前方物体相对自车的距离与相对运动速度信号；

再生制动电机5和电源3、电子控制单元(ECU)4电气连接；

制动踏板模块2和电流调节模块(CRM)8分别与电子控制单元通过信号线连接；

电流调节模块8由电源供电；

左前、右前、左后、右后超磁致伸缩制动器分别与电流调节模块8通过电线连接；

所述左前、右前、左后、右后超磁致伸缩制动器均包括：制动器总成、制动驱动器27和力与位移传递模块；

所述制动驱动器27在所述制动钳体12上安装，由所述电源进行供电，包括：驱动器壳体15、超磁致伸缩杆21、励磁线圈26、消磁线圈25、左制动块总成19、制动盘20、右制动块总成22、隔磁衬垫13和隔磁顶盖14；

所述超磁致伸缩杆21输入端固定在所述驱动器壳体15内部的底端；

所述励磁线圈26和消磁线圈25均缠绕在所述超磁致伸缩杆21上；

所述隔磁衬垫13紧贴在所述驱动器壳体15内侧；

所述隔磁顶盖14旋装在各制动驱动器的顶端，与隔磁衬垫13一起隔绝磁场对外部的影响；

所述力与位移传递模块用于传递制动驱动器输出的力与位移，包括：传动杆16、活塞推杆17和支撑销23；制动驱动器中超磁致伸缩杆21伸长经过传动杆16将力与位移传递至活塞推杆17。

所述支撑销23固定在制动钳体12的两侧；

所述传动杆16的中部铰接在所述支撑销23上，下端与所述活塞推杆17的输入端铰接，传动杆16的上端与所述超磁致伸缩杆21的输出端铰接；

所述活塞推杆的输出端分别与左侧活塞18、右侧活塞24固定连接。

超磁致伸缩制动系统制动过程中，踩下制动踏板时，踏板压力传感器、踏板位移传感器和车速传感器10采集信号输入ECU，ECU通过控制电流调节模块输出的电流大小调节控制超磁致伸缩杆上的磁场强度，从而控制超磁致伸缩杆的伸长量，消除制动间隙，完成制动；

再生制动过程中，踩下制动踏板时，踏板压力传感器、踏板位移传感器和车速传感器10采集信号输入ECU，ECU通过控制电流调节模块输出的电流调节再生制动电机的再生制动力大小，再生制动电机通过机械连接，实现车辆减速制动，并将再生制动产生的电能存至电源。

参照图1所示，本发明的一种基于超磁致伸缩制动系统的复合再生制动控制方法，步骤如下：

(1)离线采集驾驶员正常制动时的驾驶数据，利用驾驶数据训练神经网络预测模型；

所述步骤(1)中驾驶数据包括制动踏板压力、制动踏板位移和实时车速信息。

参照图2所示，神经网络预测模型如下：

神经网络预测模型主要由输入层、隐含层和输出层组成，其中输入层包括制动踏板位移s、制动踏板压力P和车速v，输出层为制动意图识别结果。

神经网络预测模型训练过程如下：

(11)对参数进行初始化：根据训练样本的输入、输出数据确定网络输入层和输出层神经元个数m，n；隐含层的神经元个数l遵从l＝2m+1进行设定；对各层连接权值和阈值进行初始化，给定激励函数和学习速率，迭代次数；

(12)计算隐含层输出：根据系统输入、输入层和隐含层的连接权值以及隐含层内各神经元的阈值，计算隐含层输出：

式中，f为隐含层激励函数；ω_ij为输入层和隐含层间的连接权值；a为隐含层内各神经元的阈值；

(13)计算输出层输出：根据隐含层输出、隐含层和输出层之间各神经元的连接权值以及输出层阈值，计算神经网络的预测输出值：

式中，O_k为神经网络的预测输出值；ω_jk为隐含层和输出层之间各神经元的连接权值；b为输出层阈值；

(14)计算误差：根据神经网络预测输出和期望输出，计算预测误差值e_k：

e_k＝Y_k-O_k (1-3)

式中，Y_k为神经网络的期望输出值；

(15)更新权值：根据预测误差值e_k更新网络连接权值：

ω_jk＝ω_jk+ηH_je_k (1-5)

式中，η为学习速率；

(16)更新阈值：根据预测误差值更新网络节点阈值：

b_k＝b_k+e_k (1-7)；

(17)判断步骤(12)-(16)算法迭代是否结束，若没有结束，返回步骤(12)。

(2)制动时，实时采集制动踏板压力P、制动踏板位移s、当前车速v、车辆行驶过程中前方物体相对自车的距离ρ与相对运动速度u信息，同时估计电池荷电状态(SOC)；

制动踏板压力P由踏板压力传感器获得，制动踏板位移s由踏板位移传感器获得，当前车速v由车速传感器获得，前方物体相对自车的距离ρ与相对运动速度u通过毫米波雷达获得的数据计算得到；

前方物体相对自车的距离ρ的计算公式为：

前方物体相对自车的运动速度u的计算公式为：

式中，T为毫米波雷达的调制周期，ΔF为毫米波频率带宽；c为光速，f₀为毫米波雷达中心的工作频率，f_b+为动态目标反射信号与发射信息上升沿的频率差值，f_b-为下降沿的频率差值。

(3)将步骤(2)中获得的制动踏板压力、制动踏板位移和当前车速信息输入到步骤(1)训练的神经网络预测模型中，得到驾驶员制动意图的初步识别M^*；

所述步骤(3)得到的制动意图的初步识别为M^*＝{α₁,α₂,α₃}，α₁为轻度制动，α₂为中度制动，α₃为紧急制动。

(4)通过步骤(2)中获得的前方物体相对自车的距离与相对运动速度信息，修正驾驶员制动意图的初步识别，得到最终识别结果；

所述步骤(4)中修正后的制动意图识别为M＝{α₁,α₂,α₃}，如下表1：

表1

修正方法如下：

规定前方物体远离时u＞0，ρ的阈值为ρ₁，u的阈值为u₁、u₂，u₁＞0、u₂＜0；

当ρ≥ρ₁且u＞u₁时，紧急制动修正为中度制动，中度制动修正为轻度制动，轻度制动保持不变；

当ρ≥ρ₁且u₁≥u≥u₂时，紧急制动修正为中度制动，中度制动保持不变，轻度制动保持不变；

当ρ≥ρ₁且u＜u₂时，紧急制动保持不变，中度制动保持不变，轻度制动保持不变；

当ρ＜ρ₁且u＞u₁时，紧急制动修正为中度制动，中度制动保持不变，轻度制动保持不变；

当ρ＜ρ₁且u₁≥u≥u₂时，紧急制动保持不变，中度制动保持不变，轻度制动修正为中度制动；

当ρ＜ρ₁且u＜u₂时，紧急制动保持不变，中度制动修正为紧急制动，轻度制动修正为中度制动。

(5)根据步骤(2)中估计得到的电池荷电状态信息和步骤(4)得到的驾驶员制动意图的最终识别结果，选择制动模式；

所述步骤(5)中制动模式的选择规则如下表2：

表2

当SOC≥95％时，不进行再生制动，超磁致伸缩制动系统单独制动；

当SOC＜95％，M＝α₁时，进入再生制动模式；

当SOC＜95％，M＝α₂时，进入超磁致伸缩制动系统与再生制动复合制动模式；

当SOC＜95％，M＝α₃时，不进行再生制动，超磁致伸缩制动系统单独制动。

(6)根据步骤(5)中选择的制动模式，向电流调节模块输出控制信号，电流调节模块输出电流分别控制再生制动电机和超磁致伸缩制动器进行制动；

所述步骤(6)中控制信号输出规则为：

再生制动模式时，控制电流调节模块仅向再生制动电机输出控制信号，再生制动电机输出制动力矩的大小由车速和再生制动力矩关系曲线获得，该曲线根据不同车速对应的再生制动电机最大稳定再生制动力矩制得；

超磁致伸缩制动系统与再生制动复合制动模式时，控制电流调节模块同时向再生制动电机和超磁致伸缩制动器输出控制信号，复合制动方式为：

踏板位移s的阈值为s₁、s₂；

当s＜s₁时再生制动优先进行，超磁致伸缩制动器起辅助制动作用；

当s₁＜s＜s₂时再生制动与超磁致伸缩制动器制动力矩之比为1:2；

当s＞s₂时再生制动与超磁致伸缩制动器制动力矩之比为1:4；

超磁致伸缩制动系统单独制动时，控制电流调节模块仅向超磁致伸缩制动器输出信号。

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)

1.一种基于超磁致伸缩制动系统的复合再生制动控制方法，其特征在于，步骤如下：

(1)采集驾驶员正常制动时的驾驶数据，利用驾驶数据训练神经网络预测模型；

(2)制动时，实时采集制动踏板压力P、制动踏板位移s、当前车速v、车辆行驶过程中前方物体相对自车的距离ρ与相对运动速度u信息，同时估计电池荷电状态；

(3)将步骤(2)中获得的制动踏板压力、制动踏板位移和当前车速信息输入到步骤(1)训练的神经网络预测模型中，得到驾驶员制动意图的初步识别M^*；

(4)通过步骤(2)中获得的前方物体相对自车的距离与相对运动速度信息，修正驾驶员制动意图的初步识别，得到最终识别结果；

(5)根据步骤(2)中估计得到的电池荷电状态信息和步骤(4)得到的驾驶员制动意图的最终识别结果，选择制动模式；

(6)根据步骤(5)中选择的制动模式，向电流调节模块输出控制信号，电流调节模块输出电流分别控制再生制动电机和超磁致伸缩制动器进行制动。

2.根据权利要求1所述的基于超磁致伸缩制动系统的复合再生制动控制方法，其特征在于，所述步骤(1)中的神经网络预测模型如下：神经网络预测模型由输入层、隐含层和输出层组成，其中输入层包括制动踏板位移s、制动踏板压力P和车速v，输出层为制动意图识别结果。

3.根据权利要求2所述的基于超磁致伸缩制动系统的复合再生制动控制方法，其特征在于，所述步骤(1)中的神经网络预测模型训练过程如下：

(11)对参数进行初始化：根据训练样本的输入、输出数据确定网络输入层和输出层神经元个数m，n；隐含层的神经元个数l遵从l＝2m+1进行设定；对各层连接权值和阈值进行初始化，给定激励函数和学习速率，迭代次数；

(12)计算隐含层输出：根据系统输入、输入层和隐含层的连接权值以及隐含层内各神经元的阈值，计算隐含层输出：

式中，f为隐含层激励函数；ω_ij为输入层和隐含层间的连接权值；a为隐含层内各神经元的阈值；

(13)计算输出层输出：根据隐含层输出、隐含层和输出层之间各神经元的连接权值以及输出层阈值，计算神经网络的预测输出值：

式中，O_k为神经网络的预测输出值；ω_jk为隐含层和输出层之间各神经元的连接权值；b为输出层阈值；

(14)计算误差：根据神经网络预测输出和期望输出，计算预测误差值e_k：

e_k＝Y_k-O_k (1-3)

式中，Y_k为神经网络的期望输出值；

(15)更新权值：根据预测误差值e_k更新网络连接权值：

ω_jk＝ω_jk+ηH_je_k (1-5)

式中，η为学习速率；

(16)更新阈值：根据预测误差值更新网络节点阈值：

b_k＝b_k+e_k (1-7)；

(17)判断步骤(12)-(16)算法迭代是否结束，若没有结束，返回步骤(12)。

4.根据权利要求3所述的基于超磁致伸缩制动系统的复合再生制动控制方法，其特征在于，所述步骤(2)中制动踏板压力P由踏板压力传感器获得，制动踏板位移s由踏板位移传感器获得，当前车速v由车速传感器获得，前方物体相对自车的距离ρ与相对运动速度u通过毫米波雷达获得的数据计算得到；

前方物体相对自车的距离ρ的计算公式为：

前方物体相对自车的运动速度u的计算公式为：

式中，T为毫米波雷达的调制周期，ΔF为毫米波频率带宽；c为光速，f₀为毫米波雷达中心的工作频率，f_b+为动态目标反射信号与发射信息上升沿的频率差值，f_b-为下降沿的频率差值。

5.根据权利要求4所述的基于超磁致伸缩制动系统的复合再生制动控制方法，其特征在于，所述步骤(3)得到的制动意图的初步识别为M^*＝{α₁,α₂,α₃}，α₁为轻度制动，α₂为中度制动，α₃为紧急制动。

6.根据权利要求5所述的基于超磁致伸缩制动系统的复合再生制动控制方法，其特征在于，所述步骤(4)中修正后的制动意图识别为M＝{α₁,α₂,α₃}，修正方法如下：

规定前方物体远离时u＞0，ρ的阈值为ρ₁，u的阈值为u₁、u₂，u₁＞0、u₂＜0；

当ρ≥ρ₁且u＞u₁时，紧急制动修正为中度制动，中度制动修正为轻度制动，轻度制动保持不变；

当ρ≥ρ₁且u₁≥u≥u₂时，紧急制动修正为中度制动，中度制动保持不变，轻度制动保持不变；

当ρ≥ρ₁且u＜u₂时，紧急制动保持不变，中度制动保持不变，轻度制动保持不变；

当ρ＜ρ₁且u＞u₁时，紧急制动修正为中度制动，中度制动保持不变，轻度制动保持不变；

当ρ＜ρ₁且u₁≥u≥u₂时，紧急制动保持不变，中度制动保持不变，轻度制动修正为中度制动；

当ρ＜ρ₁且u＜u₂时，紧急制动保持不变，中度制动修正为紧急制动，轻度制动修正为中度制动。

7.根据权利要求6所述的基于超磁致伸缩制动系统的复合再生制动控制方法，其特征在于，所述步骤(5)中制动模式的选择规则为：

当SOC≥95％时，不进行再生制动，超磁致伸缩制动系统单独制动；

当SOC＜95％，M＝α₁时，进入再生制动模式；

当SOC＜95％，M＝α₂时，进入超磁致伸缩制动系统与再生制动复合制动模式；

当SOC＜95％，M＝α₃时，不进行再生制动，超磁致伸缩制动系统单独制动。

8.根据权利要求7所述的基于超磁致伸缩制动系统的复合再生制动控制方法，其特征在于，所述步骤(6)中控制信号输出规则为：

再生制动模式时，控制电流调节模块仅向再生制动电机输出控制信号，再生制动电机输出制动力矩的大小由车速和再生制动力矩关系曲线获得，该曲线根据不同车速对应的再生制动电机最大稳定再生制动力矩制得；

超磁致伸缩制动系统与再生制动复合制动模式时，控制电流调节模块同时向再生制动电机和超磁致伸缩制动器输出控制信号，复合制动方式为：

踏板位移s的阈值为s₁、s₂；

当s＜s₁时再生制动优先进行，超磁致伸缩制动器起辅助制动作用；

当s₁＜s＜s₂时再生制动与超磁致伸缩制动器制动力矩之比为1:2；

当s＞s₂时再生制动与超磁致伸缩制动器制动力矩之比为1:4；

超磁致伸缩制动系统单独制动时，控制电流调节模块仅向超磁致伸缩制动器输出信号。

Images