CN113119753B - 一种分布式电驱动整车差速转向自适应控制方法 - Google Patents

Abstract

本发明涉及一种分布式电驱动整车差速转向自适应控制方法，与现有技术相比解决了难以实现差速转向自适应控制的缺陷。本发明包括以下步骤：分布式电驱动整车实时数据、整车质量参数和结构参数的获取；建立四轮理论转速模型；BP神经网络的训练；分布式电驱动整车转向数据的获得；差速转向自适应的控制。本发明通过阿克曼数学模型和BP神经网络完成车辆速度控制策略，实现分布式电驱动整车差速转向自适应控制，从而实现车辆转向。

Description

一种分布式电驱动整车差速转向自适应控制方法

技术领域

本发明涉及分布式电驱动技术领域，具体来说是一种分布式电驱动整车差速转向自适应控制方法。

背景技术

随着环境问题的日益突出和能源危机的出现，内燃机汽车有望被电动车取代。世界各国的电动汽车研制技术水平相差无几，以此为机遇大力推动电动汽车的发展研究，对于提高我国汽车产业竞争力、促进我国汽车工业发展有着积极的作用。在众多的电动汽车类型中，轮毂电机电动汽车因其结构简单、传动效率高，被普遍认为是电动汽车的理想驱动形式之一，受到各个国家、企业及科研院所的广泛关注。

轮毂电机电动汽车因其四个车轮均可单独控制转矩、转速等重要变量，能够更精确的实现驾驶员的期望轨迹，提升驾驶体验，保证车辆稳定，因此在当前电动汽车分布式驱动技术中大多采用轮毂电机驱动。传统的分布式驱动电动汽车已经取消了复杂的转向机构，由整车控制器向轮毂单机发送电信号，通过两车轮驱动力的不同在主销偏移距上形成差动力矩进而实现转向。

车辆转向需符合阿克曼转向关系，否则在转向中会引起车轮打滑、侧偏等危险工况。在传统控制中，理想的阿克曼转向关系被用作与实时工况比较，在计算出实际工况与理想工况误差后，再进一步控制。在本发明中，阿克曼转向关系下各车轮轮速被直接作为控制目标，直接控制车辆完成转向，大大缩短了响应时间，提升控制精度的同时保证车辆的稳定性。

作为电动汽车的研究核心之一，整车轻量化、智能化是重要的研究课题，在实际生产中，若能实现取消包括转向系拉杆在内的全部转向机构，使得方向盘到车轮间无任何机械结构连接，则能极致实现整车轻量化，并简化汽车底盘，优化汽车设计。但此也带来了技术难题，如何在方向盘到车轮间无任何机械结构连接情况下，通过方向盘给整车控制器输入的电信号来对四个轮毂电机进行车速控制，实现分布式电驱动整车的差速转向控制已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中难以实现差速转向自适应控制的缺陷，提供一种分布式电驱动整车差速转向自适应控制方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种分布式电驱动整车差速转向自适应控制方法，包括以下步骤：

分布式电驱动整车实时数据、整车质量参数和结构参数的获取：获取分布式电驱动整车在不同工况下各车轮实时转速，获得分布式电驱动整车实时工况下的纵向车速V_x和方向盘转角δ；获取分布式电驱动整车质量参数和结构参数，其包括质心到前轴的距离a、质心到后轴的距离b、前轴侧偏刚度K_f、后轴侧偏刚度K_r、整车质量m、轴距L和前后轮轮距B；

建立四轮理论转速模型：利用分布式电驱动整车实时数据，基于阿克曼数学模型建立四轮理论转速模型，分别计算出在理想阿克曼转向关系下的各车轮理论转速V_fl,V_fr,V_rl,V_rr；

BP神经网络的训练：通过BP神经网络处理输入和输出复杂的非线性关系，对BP神经网络进行训练，实现在BP神经网络中构建各车轮差速关系，得到训练后的BP神经网络模型；

分布式电驱动整车转向数据的获得：获得分布式电驱动整车方向盘的转向角度数据；

差速转向自适应的控制：根据已建立的阿克曼数学模型及车辆运动学原理，在确定的方向盘转向角度信号及当前车速信号作为输入下，由BP神经网络作为分析非线性数学模型关系的工具计算得出各车轮目标转速，轮毂电机以各车轮目标转速进行控制，实现分布式电驱动整车差速转向自适应控制。

所述的建立四轮理论转速模型包括以下步骤：

设定汽车在行驶中稳态质心侧偏角，建立稳态质心侧偏角和方向盘转角呈线性关系的方程，其表达式如下：

其中，β为稳态质心侧偏角、a为质心到前轴距离、b为质心到后轴距离、K_f为前轴侧偏刚度、K_r为后轴侧偏刚度、m为整车质量、L为轴距、δ为方向盘转角，V_x为整车纵向车速；

构建四轮车速理论转速模型：

设定左前轮δ_fl实际转角的表达式为：

其中B为前后轮轮距、R₀为车辆转向半径；

则进一步推导得到车辆转向半径R₀的表达式如下：

根据阿克曼转向原理，设定整车转向中心Q，理想的阿克曼转向为整车绕转向中心Q旋转，且旋转角速度ω_v相等，则得到：

其中，V_fl,V_fr,V_rl,V_rr为理想阿克曼转向关系下的各车轮理论转速；则四个车轮的转向半径R_fl,R_fr,R_rl,R_rr分别为：

则各车轮的目标转速分别为：

V'_fl,V_f'_r,V_r'_l,V_r'_r分别为各车轮目标转速。

所述的构建各车轮差速关系包括以下步骤：

对获得的分布式电驱动整车实时数据进行预处理，对方向盘输入从0deg开始，以15deg为步长至540deg为止，车速输入从0m/s开始以1m/s为步长，到30m/s为止，作为BP神经网络输入层数据；

根据四轮车速理论转速模型，以方向盘转角δ和车速V_x作为输入计算得到各轮目标转速V'_fl、V'_fr、V'_rl、V'_rr，作为BP神经网络输出层数据；

将输入层数据和输出层数据分别排列为二维数组和四维数组；

根据BP神经网络训练的数据，将二维数组和四维数组列为训练样本，并选取隐藏层为8，使用Levenberg-Marquardt算法，对BP神经网络进行重复训练，得到训练后的BP神经网络模型。

所述差速转向自适应的控制包括以下步骤：

获取驱动踏板信号和方向盘信号，整车控制器接收信号并将其转化为轮毂电机电动汽车方向盘转角δ和期望车速V_x作为训练后BP神经网络模型的输入，训练后BP神经网络模型计算得出各车轮目标转速并由整车控制器输出各车轮期望车速电信号；

轮毂电机接收期望车速电信号并形成响应动作；

通过内外侧车轮的转速差，在方向盘和驱动踏板的输入下形成转角，使得分布式电驱动整车在转向时保持车辆以驾驶员期望轨道行驶，实现分布式电驱动整车差速转向自适应控制。

有益效果

本发明的一种分布式电驱动整车差速转向自适应控制方法，通过阿克曼数学模型和BP神经网络完成车辆速度控制策略，实现分布式电驱动整车差速转向自适应控制，从而实现车辆转向。与现有技术相比，能够在硬件上实现轮毂电机电动车上方向盘到车轮间机械连接部件的取消，进一步降低整车重量、简化车辆及底盘结构，并提高车辆转向时的平稳性。

本发明能够通过结合阿克曼数学模型与人工神经网络来搭建控制策略模型，实现去除机械连接结构的作用，简化了汽车底盘及相关结构，减轻汽车重量。

附图说明

图1为本发明的方法顺序图；

图2为理想阿克曼转向时四轮转向关系图；

图3为本发明所涉及的转向控制系统结构图；

图4为本发明采用控制策略的效果图；

图5为应用本发明的车辆侧向加速度图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

如图1所示，本发明所述的一种分布式电驱动整车差速转向自适应控制方法，包括以下步骤：

第一步，分布式电驱动整车实时数据、整车质量参数和结构参数的获取。获取分布式电驱动整车在不同工况下各车轮实时转速，获得分布式电驱动整车实时工况下的纵向车速V_x和方向盘转角δ；获取分布式电驱动整车质量参数和结构参数，其包括质心到前轴的距离a、质心到后轴的距离b、前轴侧偏刚度K_f、后轴侧偏刚度K_r、整车质量m、轴距L和前后轮轮距B。

第二步，建立四轮理论转速模型：利用分布式电驱动整车实时数据，基于阿克曼数学模型建立四轮理论转速模型，分别计算出在理想阿克曼转向关系下的各车轮理论转速V_fl,V_fr,V_rl,V_rr。

本发明对车辆理想的阿克曼转向关系进行了推导，在车辆一定速度和方向盘的一定转角下，计算当汽车进入稳态转向时的状态参数的关系；通过理想阿克曼转向公式对四轮车速进行推导，推导了在取消方向盘到车轮之间的连接部件后关于方向盘转角和前轮转向角，以二自由度汽车模型为研究对象推导质心侧偏角、转向车轮及理想四轮理论转速的关系。

传统控制策略大多以减小误差为目的，通过状态空间方程来确定缩小误差的控制方法和策略，在控制过程中不断计算理论值与实际值的误差，并返回到控制策略中进一步控制，从而达到实现控制目标的效果。这样的控制方法往往会带来响应慢，存在超调量，控制目标不断波动的问题，对于行驶中的汽车，这些问题将直接影响驾驶员生命安全。因此本发明聚焦于直接的轮速控制，降低响应时间，让控制目标直接达到理论值。这也给本发明带来了技术难度：要将车轮转速直接控制在理论目标值，这就要求对理论值的计算十分精确，需要建立精确的运动学模型；取消转向系拉杆后，方向盘到车轮之间没有了固定的传动比，需要建立适当的转向关系模型；为降低达到控制目标的响应时间，使得车辆在运动中实时取得各轮速的理论值，采用BP神经网络提前离线处理输入和输出复杂的非线性关系，同时需要大量的训练样本以保证模型的精确度。

建立四轮理论转速模型的具体步骤如下：

(1)设定汽车在行驶中稳态质心侧偏角，建立稳态质心侧偏角和方向盘转角呈线性关系的方程，其表达式如下：

其中，β为稳态质心侧偏角、a为质心到前轴距离、b为质心到后轴距离、K_f为前轴侧偏刚度、K_r为后轴侧偏刚度、m为整车质量、L为轴距、δ为方向盘转角，V_x为整车纵向车速。

(2)构建四轮车速理论转速模型：

A1)设定左前轮δ_fl实际转角的表达式为：

其中B为前后轮轮距、R₀为车辆转向半径；

则进一步推导得到车辆转向半径R₀的表达式如下：

A2)根据阿克曼转向原理，在车辆进入稳态后，质心侧偏角和方向盘转角呈线性关系。通过计算得到的稳态时质心侧偏角可进一步计算得出车辆绕瞬时转向中心Q的转向半径R₀，如图2所示，根据Q为转向中心，理想的阿克曼转向为整车绕Q点旋转，且旋转角速度ω相等，因此可由其车轮速度和对应转向半径的比值等于稳态时汽车的横摆角速度，进而推出四个车轮的转向半径。

设定整车转向中心Q，理想的阿克曼转向为整车绕转向中心Q旋转，且旋转角速度ω_v相等，则得到：

其中，V_fl,V_fr,V_rl,V_rr为理想阿克曼转向关系下的各车轮理论转速；则四个车轮的转向半径R_fl,R_fr,R_rl,R_rr分别为：

则各车轮的目标转速分别为：

V'_fl,V_f'_r,V_r'_l,V_r'_r分别为各车轮目标转速。

第三步，BP神经网络的训练：通过BP神经网络离线处理输入和输出复杂的非线性关系，对BP神经网络进行训练，实现在BP神经网络中构建各车轮差速关系，得到训练后的BP神经网络。

在上一步利用阿克曼转向数学模型所相关的状态变量包括质心侧偏角β、前轮转角δ_fl，δ_fr、四轮轮速v_fl,v_fr,v_rl,v_rr，整车控制器输入参数为方向盘转角δ、整车当前车速，通过训练后的BP神经网络模型可得到对应方向盘转角和整车前进速度下的四轮轮速理论值，随后通过整车控制器将电信号传送到对应轮毂电机，由轮毂电机完成相应的动作。控制策略中还包括一定的转矩控制，对于本发明，重难点在于由阿克曼数学模型得出的理想四轮转速及通过BP神经网络得到的输入量和输出量非线性模型，在此将阿克曼数学模型与BP神经网络进行有效结合，形成带有阿克曼数学模型训练而成的BP神经网络，因此转矩控制对后轮采用简单的平均分配原则，再利用现有方法对前轮的差动转矩控制即可实现差速转向。其具体步骤如下：

(1)对获得的分布式电驱动整车实时数据进行预处理，对方向盘输入从0deg开始，以15deg为步长至540deg为止，车速输入从0m/s开始以1m/s为步长，到30m/s为止，作为BP神经网络输入层数据。同时，也由于通过以0m/s开始，1m/s为步长，到30m/s为止的车速输入及以0deg开始，15deg为步长，到540deg为止的方向盘转角输入，可通过上述计算公式得到唯一对应的四轮轮速。如此得到的数据共有1147组，其中以车速和方向盘转角形成的2*1147数组为输入量，四轮轮速形成的4*1147数组为输出量。以上原始数据具有很强的非线性，无法通过一般方程得到其对应关系，因此本发明采用BP神经网络处理输入层和输出层之间复杂的非线性关系，进行转速控制策略的实现。

(2)根据四轮车速理论转速模型，以方向盘转角δ和车速V_x作为输入计算得到各轮目标转速V'_fl，V'_fr，V'_rl，V'_rr作为BP神经网络输出层数据。

(3)将输入层数据和输出层数据分别排列为二维数组和四维数组。

(4)根据BP神经网络训练的数据，将二维数组和四维数组列为训练样本，并选取隐藏层为8，使用Levenberg-Marquardt算法，对BP神经网络进行重复训练，得到训练后的BP神经网络模型。

在实际应用中，选取方向盘输入从0deg开始以15deg的步长到540deg为止，而车速输入从0开始以1m/s的步长增加到30m/s为止，输入阿克曼数学模型即可得到全车速范围的四轮转速的理论样本数据。将得到的原始数据归类。原始数据中输入值为车速与方向盘转角，将它们排列组合成一个2行1147列的数组，且第一行为车速，第二行为方向盘转角；输出值为车轮的期望前进速度，将原始数据排列成相对应的4行1147列的一维数组。

在实验室环节中，将数据分为训练样本、验证样本和测试样本三部分，使用BP神经网络选取不同的算法和隐藏层，对神经网络进行重复训练，得到一个误差较小的训练模型，随后可通过EXCEL直接输入参数或者MATLAB中相关工具箱直接生成模块等方法，即可实现输入输出参数模块。

第四步，分布式电驱动整车转向数据的获得：获得分布式电驱动整车方向盘的转向转角数据，此为实际应用中所获得的驾驶员转向信息(控制方向盘的转向信号)。

第五步，差速转向自适应的控制：根据已建立的阿克曼数学模型及车辆运动学原理，在确定的方向盘转向角度信号及当前车速信号作为输入下，由BP神经网络作为分析非线性数学模型关系的工具计算得出各车轮目标转速，如图3所示，轮毂电机以各车轮目标转速进行控制，实现分布式电驱动整车差速转向自适应控制。其具体步骤如下：

(1)获取驱动踏板信号和方向盘信号，整车控制器接收信号并将其转化为轮毂电机电动汽车方向盘转角δ和期望车速V_x作为训练后BP神经网络模型的输入，训练后BP神经网络模型计算得出各车轮目标转速并输出各车轮期望车速电信号。

(2)轮毂电机接收期望车速电信号并形成响应动作。由于采用的是分布式电驱动，四个轮子的电机同时响应不同的电信号，就可以实现转向响应，对于轮毂电机驱动的车轮来说，轮毂电机的转速就是车轮转速。

(3)通过内外侧车轮的转速差，在方向盘和驱动踏板的输入下形成转角，使得分布式电驱动整车在转向时保持车辆以驾驶员期望轨道行驶，实现分布式电驱动整车差速转向自适应控制。

如图4所示，其为本发明采用控制策略的效果图，横轴为时间，单位为秒，纵轴为前轮的平均转角，单位为deg，可看出其响应迅速。

如图5所示，从上到下分别为车辆侧向加速度，单位为m/s^2、车辆侧向速度，单位为m/s和车辆横摆角速度，单位为rad/s与时间的关系图，可以看出车辆经过短暂响应便达到目标值，并且维持稳态行驶，在转向过程中没有出现超调、波动等危险工况。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (3)

1.一种分布式电驱动整车差速转向自适应控制方法，其特征在于，包括以下步骤：

11)分布式电驱动整车实时数据、整车质量参数和结构参数的获取：获取分布式电驱动整车在不同工况下各车轮实时转速，获得分布式电驱动整车实时工况下的纵向车速V_x和方向盘转角δ；获取分布式电驱动整车质量参数和结构参数，其包括质心到前轴的距离a、质心到后轴的距离b、前轴侧偏刚度K_f、后轴侧偏刚度K_r、整车质量m、轴距L和前后轮轮距B；

12)建立四轮理论转速模型：利用分布式电驱动整车实时数据，基于阿克曼数学模型建立四轮理论转速模型，分别计算出在理想阿克曼转向关系下的各车轮理论转速V_fl,V_fr,V_rl,V_rr；

所述的建立四轮理论转速模型包括以下步骤：

121)设定汽车在行驶中稳态质心侧偏角，建立稳态质心侧偏角和方向盘转角呈线性关系的方程，其表达式如下：

其中，β为稳态质心侧偏角、a为质心到前轴距离、b为质心到后轴距离、K_f为前

偏刚度、为后轴侧偏刚度、m为整车质量、L为轴距、δ为方向盘转角，V_x为整车纵向车速；

122)构建四轮车速理论转速模型：

1221)设定左前轮δ_fl实际转角的表达式为：

其中B为前后轮轮距、R₀为车辆转向半径；

则进一步推导得到车辆转向半径R₀的表达式如下：

1222)根据阿克曼转向原理，设定整车转向中心Q，理想的阿克曼转向为整车绕转向中心Q旋转，且旋转角速度ω_v相等，则得到：

其中，V_fl,V_fr,V_rl,V_rr为理想阿克曼转向关系下的各车轮理论转速；则四个车轮的转向半径R_fl,R_fr,R_rl,R_rr分别为：

则各车轮的目标转速分别为：

V'_fl,V_f'_r,V_r'_l,V_r'_r分别为各车轮目标转速；

13)BP神经网络的训练：通过BP神经网络处理输入和输出复杂的非线性关系，对BP神经网络进行训练，实现在BP神经网络中构建各车轮差速关系，得到训练后的BP神经网络模型；

14)分布式电驱动整车转向数据的获得：获得分布式电驱动整车方向盘的转向角度数据；

15)差速转向自适应的控制：根据已建立的阿克曼数学模型及汽车运动学原理，在确定的方向盘转向角度信号及当前车速信号作为输入下，由BP神经网络作为分析非线性数学模型关系的工具计算得出各车轮目标转速，轮毂电机以各车轮理论转速为目标进行控制，实现分布式电驱动整车差速转向自适应控制。

2.根据权利要求1所述的一种分布式电驱动整车差速转向自适应控制方法，其特征在于，所述的构建各车轮差速关系包括以下步骤：

21)对获得的分布式电驱动整车实时数据进行预处理，对方向盘输入从0deg开始，以15deg为步长至540deg为止，车速输入从0m/s开始以1m/s为步长，到30m/s为止，作为BP神经网络输入层数据；

22)根据四轮车速理论转速模型，以方向盘转角δ和车速V_x作为输入计算得到各轮目标转速V'_fl、V'_fr、V'_rl、V'_rr，作为BP神经网络输出层数据；

23)将输入层数据和输出层数据分别排列为二维数组和四维数组；

24)根据BP神经网络训练的数据，将二维数组和四维数组列为训练样本，并选取隐藏层为8，使用Levenberg-Marquardt算法，对BP神经网络进行重复训练，得到训练后的BP神经网络模型。

3.根据权利要求1所述的一种分布式电驱动整车差速转向自适应控制方法，其特征在于，所述差速转向自适应的控制包括以下步骤：

31)获取驱动踏板信号和方向盘信号，整车控制器接收信号并将其转化为轮毂电机电动汽车方向盘转角δ和期望车速V_x作为训练后BP神经网络模型的输入，训练后BP神经网络模型计算得出各车轮目标转速并由整车控制器输出各车轮期望车速电信号；

32)轮毂电机接收期望车速电信号并形成响应动作；

33)通过内外侧车轮的转速差，在方向盘和驱动踏板的输入下形成转角，使得分布式电驱动整车在转向时保持车辆以驾驶员期望轨道行驶，实现分布式电驱动整车差速转向自适应控制。

Images