CN113085806B - 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

一种基于超磁致伸缩制动系统的复合再生制动控制方法 Download PDF

Info

Publication number
CN113085806B
CN113085806B CN202110367569.1A CN202110367569A CN113085806B CN 113085806 B CN113085806 B CN 113085806B CN 202110367569 A CN202110367569 A CN 202110367569A CN 113085806 B CN113085806 B CN 113085806B
Authority
CN
China
Prior art keywords
brake
braking
giant magnetostrictive
vehicle
rho
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110367569.1A
Other languages
English (en)
Other versions
CN113085806A (zh
Inventor
于博洋
曹铭纯
其他发明人请求不公开姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110367569.1A priority Critical patent/CN113085806B/zh
Publication of CN113085806A publication Critical patent/CN113085806A/zh
Application granted granted Critical
Publication of CN113085806B publication Critical patent/CN113085806B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L7/00—Electrodynamic brake systems for vehicles in general
    • B60L7/10—Dynamic electric regenerative braking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Regulating Braking Force (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

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：
Figure BDA0003007886210000021
式中，f为隐含层激励函数；ωij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：
Figure BDA0003007886210000022
式中，Ok为神经网络的预测输出值；ωjk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ek：
ek＝Yk-Ok (1-3)
式中，Yk为神经网络的期望输出值；
(15)更新权值：根据预测误差值ek更新网络连接权值：
Figure BDA0003007886210000031
ωjk＝ωjk+ηHjek (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：
Figure BDA0003007886210000032
bk＝bk+ek (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：
Figure BDA0003007886210000033
前方物体相对自车的运动速度u的计算公式为：
Figure BDA0003007886210000034
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，fb+为动态目标反射信号与发射信息上升沿的频率差值，fb-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：
Figure BDA0003007886210000061
式中，f为隐含层激励函数；ωij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：
Figure BDA0003007886210000071
式中，Ok为神经网络的预测输出值；ωjk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ek：
ek＝Yk-Ok (1-3)
式中，Yk为神经网络的期望输出值；
(15)更新权值：根据预测误差值ek更新网络连接权值：
Figure BDA0003007886210000072
ωjk＝ωjk+ηHjek (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：
Figure BDA0003007886210000073
bk＝bk+ek (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：
Figure BDA0003007886210000081
前方物体相对自车的运动速度u的计算公式为：
Figure BDA0003007886210000082
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，fb+为动态目标反射信号与发射信息上升沿的频率差值，fb-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
Figure BDA0003007886210000083
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
Figure BDA0003007886210000091
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 (4)

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；
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；
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：
Figure FDA0003431248000000011
式中，f为隐含层激励函数；ωij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：
Figure FDA0003431248000000012
式中，Ok为神经网络的预测输出值；ωjk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ek：
ek＝Yk-Ok (1-3)
式中，Yk为神经网络的期望输出值；
(15)更新权值：根据预测误差值ek更新网络连接权值：
Figure FDA0003431248000000021
ωjk＝ωjk+ηHjek (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：
Figure FDA0003431248000000022
bk＝bk+ek (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)；
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；
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。
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(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：
Figure FDA0003431248000000031
前方物体相对自车的运动速度u的计算公式为：
Figure FDA0003431248000000032
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，fb+为动态目标反射信号与发射信息上升沿的频率差值，fb-为下降沿的频率差值。
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(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.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(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。
CN202110367569.1A 2021-04-06 2021-04-06 一种基于超磁致伸缩制动系统的复合再生制动控制方法 Active CN113085806B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110367569.1A CN113085806B (zh) 2021-04-06 2021-04-06 一种基于超磁致伸缩制动系统的复合再生制动控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110367569.1A CN113085806B (zh) 2021-04-06 2021-04-06 一种基于超磁致伸缩制动系统的复合再生制动控制方法

Publications (2)

Publication Number Publication Date
CN113085806A CN113085806A (zh) 2021-07-09
CN113085806B true CN113085806B (zh) 2022-04-08

Family

ID=76674481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110367569.1A Active CN113085806B (zh) 2021-04-06 2021-04-06 一种基于超磁致伸缩制动系统的复合再生制动控制方法

Country Status (1)

Country Link
CN (1) CN113085806B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113844426B (zh) * 2021-10-26 2022-05-27 中国第一汽车股份有限公司 一种车辆制动意图识别方法、车辆制动装置及车辆

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4132140B2 (ja) * 1996-09-10 2008-08-13 株式会社デンソー 車両用ブレーキ装置
JP2009113717A (ja) * 2007-11-08 2009-05-28 Fuji Heavy Ind Ltd 状態推定システム
CN103581188B (zh) * 2013-11-05 2016-08-03 中国科学院计算技术研究所 一种网络安全态势预测方法及系统
CN104828062B (zh) * 2015-05-11 2018-03-13 上海工程技术大学 一种基于驾驶员制动意图识别的制动控制方法
CN105910816B (zh) * 2016-05-05 2018-06-12 西安交通大学 一种高速滚珠丝杠副双螺母预紧力控制装置及方法
US10464536B2 (en) * 2016-11-11 2019-11-05 Honda Motor Co., Ltd. Adaptive vehicle braking systems, and methods of use and manufacture thereof
KR102006827B1 (ko) * 2017-09-26 2019-10-01 주식회사 만도 전자식 브레이크 시스템 및 그 제어 방법
CN208393354U (zh) * 2018-06-22 2019-01-18 南京航空航天大学 基于bp神经网络和安全距离移线工况自动驾驶转向系统
US10937173B2 (en) * 2018-11-15 2021-03-02 Qualcomm Incorporated Predicting subject body poses and subject movement intent using probabilistic generative models
CN109552289B (zh) * 2018-11-29 2020-06-02 辽宁工业大学 一种汽车自适应辅助制动系统及其控制方法
CN109878480B (zh) * 2019-03-06 2021-07-09 哈尔滨理工大学 一种电动汽车摩擦系数预测模式切换再生制动控制方法
US11235665B2 (en) * 2019-03-26 2022-02-01 Ford Global Technologies, Llc Regenerative braking control system
CN110716562A (zh) * 2019-09-25 2020-01-21 南京航空航天大学 基于强化学习的无人驾驶汽车多车道行驶的决策方法
CN110962825B (zh) * 2019-11-19 2023-12-29 南京航空航天大学 一种基于磁致伸缩材料的盘式线控制动系统及其控制方法
CN111081067B (zh) * 2019-12-27 2021-07-20 武汉大学 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法
CN111055826B (zh) * 2020-01-14 2021-07-27 南京航空航天大学 一种具有普适性的制动踏板模拟器及其工作方法
CN112477865B (zh) * 2020-12-02 2022-02-11 南京航空航天大学 一种基于驾驶员制动行为预测的再生制动控制方法

Also Published As

Publication number Publication date
CN113085806A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN110435623B (zh) 一种自动调整的电动车分级自动紧急制动控制系统
CN108081961B (zh) 一种制动能量回收控制方法、装置及电动汽车
CN110949344B (zh) 一种分布式驱动电动汽车制动防抱死控制方法及系统
CN105799549A (zh) 一种用于电动轮汽车eps与dyc集成控制系统及其方法
CN107067753B (zh) 一种基于行车安全距离的跟车自动驾驶方法
CN106904079A (zh) 一种纯电动汽车的再生制动控制方法
CN108688474A (zh) 电动汽车制动能量回收控制算法
CN113954796A (zh) 一种电动汽车电液复合制动转矩波动协调控制系统及方法
CN113085806B (zh) 一种基于超磁致伸缩制动系统的复合再生制动控制方法
CN206106969U (zh) 智能电驱动底盘平台
CN113635879A (zh) 一种车辆制动力分配方法
CN108528419B (zh) 一种面向全制动工况的车辆线控制动系统的双环预测控制方法
CN201102543Y (zh) 汽车电动转向、主动悬架系统和制动防抱死集成控制器
JP2001349808A (ja) 車両モデル構築方法、並びに同方法により構築したモデルを備えた装置及びモデルを記録した記録媒体
Zhang et al. Brake-by-wire system for passenger cars: A review of structure, control, key technologies, and application in X-by-wire chassis
CN117755254A (zh) 一种电液复合制动能量回收控制方法及装置
CN116176529B (zh) 一种电子机械制动系统及车辆
CN116572956A (zh) 一种基于二型模糊逻辑的电液复合制动力矩协调控制策略
CN116572750A (zh) 基于云平台与神经网络的客车能量回收控制方法及系统
CN109606341B (zh) 一种多模机电混合制动解耦方法
CN104494585B (zh) 电动汽车两侧车轮制动力分配控制方法
CN115709705A (zh) 一种制动助力方法、装置及车辆
CN115179779A (zh) 融合道路多维信息空间化的智能驾驶燃料电池车控制方法
Zhang et al. Research on control strategy of electric-hydraulic hybrid anti-lock braking system of an electric passenger car
CN109733347B (zh) 一种人机耦合的纵向避撞控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant