CN113791598B - 极端工况下四轮力矩分配在环测试装置及转矩优化方法 - Google Patents
极端工况下四轮力矩分配在环测试装置及转矩优化方法 Download PDFInfo
- Publication number
- CN113791598B CN113791598B CN202110861349.4A CN202110861349A CN113791598B CN 113791598 B CN113791598 B CN 113791598B CN 202110861349 A CN202110861349 A CN 202110861349A CN 113791598 B CN113791598 B CN 113791598B
- Authority
- CN
- China
- Prior art keywords
- torque
- wheel
- working condition
- vibration
- vehicle
- 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
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005265 energy consumption Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供极端工况下四轮力矩分配在环测试装置及转矩优化方法,包括上位机、轮毂电机驱动汽车、转矩分配控制器,所述上位机通过CAN总线与车辆控制器通讯,所述车辆控制器进行转矩分配,向电机控制器发出转矩控制指令。所述上位机中包含仿真测试工况库,可实现车轮剧烈差异振动的极端工况下控制测试,通过传感器多信号融合得到车辆状态参数,基于电机能量消耗最小、滑移率最优和实时车辆状态参数建立实时调整目标函数的多目标优化问题,采用改进的NAGA‑II优化算法进行转矩分配,通过转矩补偿实现极端工况下的控制优化。
Description
技术领域
本申请涉及一种控制器硬件在环测试系统及控制方法,更具体的涉及极端工况下四轮力矩分配在环测试装置及转矩优化方法。
背景技术
HIL(Hardware-in-the-Loop,硬件在环)测试的基本原理是通过HIL设备模拟整车控制器所需的传感器信号、通信信号,同时采集整车控制器发出的控制信号,整车控制器与运行在HIL设备中的整车模型构成闭环,由此实现整车控制器的硬件在环测试。当今,HIL硬件在环测试已成为ECU(Electronic Control Unit,电子控制单元)开发流程中非常重要的一环,减少了实车路试的次数,缩短开发时间和降低成本的同时还提高了ECU的软件质量,降低了整车厂的风险。但是当前HIL测试系统,测试工况较为常规,未考虑到适用于某些极端工况下的测试。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的极端工况下四轮力矩分配在环测试装置及转矩优化方法,包括上位机、转矩分配试验平台、转矩分配控制器、传感器,所述上位机通过CAN总线的通信方式与车辆控制器通讯,所述车辆控制器根据内置转矩优化算法进行转矩分配,向电机控制器发出转矩控制指令;所述上位机包括仿真测试工况库、工况读取模块和接收数据模块;所述转矩试验试验平台包括轮毂电机驱动汽车、负载电机、电池、轮毂电机、各传感器和CAN通信模块;所述仿真测试工况库,用于存储多个极端工况模型;所述工况读取模块,读取工况信息通过CAN总线输出至所述车辆控制器中,所述传感器测得物理信号,通过多信号融合模块得到车辆状态;所述车辆控制器根据传感器进行多信号融合后测得的被测车辆的状态,进行转矩分配控制,通过基于五重优化和自整定三目标函数的转矩优化方法和极端工况转矩补偿,完成极端工况下的车辆控制。
在上述技术方案的基础上,本发明还作出如下改进。
作为一种可能的实施方式,每一个所述极端工况模型均以独立模型文件存储于所述仿真测试工况库中,根据用户选择通过工况加载模块从库中加载到上位机,发送到转矩优化控制器中,所述工况信息至少包括目标车速信息和道路状态信息。
作为一种可能的实施方式,所述上位机还包括数据监测模块;所述数据监测模块通过安装在车轮上的的转矩传感器能够得到车辆控制器的转矩分配结果,通过电流传感器得到电池的能耗情况;并且在实验期间实时显示。
作为一种可能的实施方式,所述车辆控制器的接口类型包括CAN总线接口类型;相应的,所述通信模块,具体用于:接收上位机传来的工况数据和将控制信息打包成对应的数据格式,发送给轮毂电机控制器。
作为一种可能的实施方式,所述轮毂电机驱动汽车车轮放在两个滚筒之间,每个车轮通过联轴器与负载电机相连,并且中间均安装有转矩传感器,转速传感器采用激光式测速,由激光发射接收器和反射仪两部分组成,激光发射接收部分安装在轮毂电机定子上,反射仪安装在轮毂电机转子上,工作时,红外设备发射红外激光,经反射镜发射后接收到红外激光,通过红外激光接收频率的测得电机转速,电池放在车架上,同时装有电能计算模块,车辆控制器信号线与轮毂电机控制器、上位机通过CAN总线相连。
作为一种可能的实施方式,所述车辆控制器,用于根据传感器数据得到的车辆的状态信息和车辆动力学模型解算出的被测车辆运动状态信息,输出被控车辆的控制信号,包括:根据传感器数据输出的被测车辆的三维运动状态信息的三维运动状态信息和道路状态信息,以及车辆动力学模型解算出的被测车辆运动状态信息;基于车辆控制器的内部控制算法,输出被测车辆的控制信号,所述被测车辆的控制信号包括轮毂电机驱动汽车四个轮毂电机的转矩,用于达到控制目标。
作为一种可能的实施方式,所述优化方法存储在车辆控制器中,包括运动控制层、转矩分配层、多信号融合模块,所述多信号融合模块通过测速雷达、转速传感器数据、转矩传感器数据得出车辆运动状态;所述运动控制层通过工况要求和车辆实际状态,根据工况和车辆状态,基于电机能量消耗最小、滑移率最优和实时车辆状态参数建立实时调整自适应滑移、能耗和舒适性三目标函数的多目标优化问题,采用基于五重优化的改进的NAGA-II优化算法进行转矩优化分配。
附图说明
图1为本发明提供的一种车辆控制器硬件在环测试系统结构示意图。
图2为本发明提供的一种总体转矩优化方法流程图。
图3为本发明提供的一种转向控制逻辑框图。
图4为本发明提供的一种自调整目标函数的多次优化方法流程图。
图5为本发明提供的一种极端工况下附加车轮转矩控制方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例中,提供了一种极端工况下四轮力矩分配在环测试装置及转矩优化方法,参见图1,本发明实施例提供的一种极端工况下四轮力矩分配在环测试装置及转矩优化方法,包括上位机、转矩分配试验平台、转矩分配控制器、传感器,所述上位机通过CAN总线的通信方式与车辆控制器通讯,所述车辆控制器根据内置转矩优化算法进行转矩分配,向电机控制器发出转矩控制指令;所述上位机包括仿真测试工况库、工况读取模块和接收数据模块,所述转矩试验试验平台包括轮毂电机驱动汽车、负载电机、电池、轮毂电机、各传感器和CAN通信模块;所述仿真测试工况库,用于存储多个极端工况模型;所述工况读取模块,读取工况信息通过CAN总线输出至所述车辆控制器中,所述传感器测得物理信号,通过多信号融合模块得到车辆状态,所述车辆控制器根据传感器进行多信号融合后测得的被测车辆的状态,通过运动控制和转矩分配控制器进行转矩分配控制,得到四个车轮转矩。
本实施例中,每一个所述极端工况模型均以独立模型文件存储于所述仿真测试工况库中,根据用户选择通过工况加载模块从库中加载到上位机,发送到转矩优化控制器中,所述工况信息至少包括目标车速信息和道路状态信息;所述上位机还包括数据监测模块;所述数据监测模块通过安装在车轮上的的转矩传感器能够得到车辆控制器的转矩分配结果,通过电流传感器得到电池的能耗情况;并且在实验期间实时显示。
本实施例中,所述轮毂电机驱动汽车车轮放在两个滚筒之间,每个车轮通过联轴器与负载电机相连,并且中间均安装有转矩传感器,转速传感器采用激光式测速,由激光发射接收器和反射仪两部分组成,激光发射接收部分安装在轮毂电机定子上,反射仪安装在轮毂电机转子上,工作时,红外设备发射红外激光,经反射镜发射后接收到红外激光,通过红外激光接收频率的测得电机转速,电池放在车架上,同时装有电能计算模块;车辆控制器信号线与轮毂电机控制器、上位机通过CAN总线相连,所述滚筒下方装有激振器,可以通过上位机给滚筒施加不同激振力,模拟特殊的颠簸工况,通过滚筒和负载电机共同工作,滚筒提供摩擦阻力,负载电机提供其他行驶阻力,左侧轮毂电机下面滚筒表面涂上光滑材料模拟低附着路面,右侧滚筒设置合适摩擦面模拟高附着路面。
本实施例中,所述特殊工况为对开路面加四轮不均衡高强度振动工况,信息包括目标车速信息60km/h、横摆角速度信息和道路状态信息:左侧路面附着系数0.4,右侧路面附着系数0.8,车辆中轴线位于对开路面分界线,道路总长度1000m,500m处左侧路面有一凹陷,凹陷长度40cm,凹陷宽度20cm,凹陷深度5cm;左前轮振动加速度均方根值为3.5m/s2、左后轮振动加速度均方根值为5.5m/s2、右前轮振动加速度均方根值为7.5m/s2、右后轮振动加速度均方根值为12.5m/s2。
本实施例中,所述特殊工况中对开路面的实现通将左侧轮毂电机下面滚筒表面涂上光滑材料模拟低附着路面,右侧滚筒设置合适摩擦面模拟高附着路面,左侧车轮通过凹陷的时间内,对应车轮负载电机模拟空转时无负载情况。
本实施例中,所述特殊工况中四轮不均衡高强度振动的实现通过所述滚筒下方装有激振器,通过上位机给滚筒施加不同激振力;在上位机中,存有工况中各车轮振动加速度均方根值,读取工况后,首先进行非线性扫频、高斯调幅后得到振动曲线,通过汉宁窗函数处理解决采样时间带来的频谱泄露,得到振动加速度时序,进一步得到激振时序,传到滚筒下方的激振器,产生激振。
本实施例中,所述车辆控制器,其工作流程参见图2,用于根据传感器数据得到的车辆的状态信息和车辆动力学模型解算出的被测车辆运动状态信息,输出被控车辆的控制信号,包括:根据传感器数据多信号融合车辆运动状态信息,基于车辆控制器的内部控制算法,输出被测车辆的控制信号,所述被测车辆的控制信号包括轮毂电机驱动汽车四个轮毂电机的转矩,用于达到控制目标。
本实施例中,所述多信息融合模块参见,接收车上各传感器信号,进行统一处理,多传感器信号融合系统所实现的功能要优于单个传感器独立处理能够实现的功能总和,使用不同的传感器种类可以在某一种传感器全都出现故障的环境条件下,额外提供一定冗余度,仍然可以测量得到车辆的滑移率状态信息,通过所述多信号融合模块得到准确可靠的当前车辆状态信息及路面信息以获取所述轮毂电机汽车的运动状态(车速、横摆角速度、滑移率)。
本实施例中,所述多源信号融合算法为分布式并行结构,其信号融合的步骤如下:
(1)通过测速雷达、轮速传感器、转矩传感器、振动传感器、温度传感器(不同类型)采集观测被测轮毂电机汽车的数据,将采集到得数据全部发送到多信号融合模块中;
(2)多信号融合模块对传感器的输出数据(离散的时间函数数据),采用主成分分析(PCA)的方法进行特征提取的变换,提取代表观测数据的特征向量,特征提取的流程为:
1)对原始d维数据集做标准化处理;
2)构造样本的协方差矩阵;
3)计算协方差矩阵的特征值和相应的特征向量;
4)选择前k个最大特征值对应的特征向量,其中k≤d;
5)通过前k个特征向量构建映射矩阵W;
6)通过映射矩阵W将d维的原始数据转换为k维的特征子空间;
(3)将各传感器关于目标的特征数据按同一目标进行分组,即关联;
(4)基于贝叶斯算法对特征向量进行处理,将每一目标各传感器数据进行融合,具体步骤如下:
1)将每一个传感器的特征向量作为一个贝叶斯估计,求得各个传感器数据的关联概率分布;
2)通过关联概率分布,合成一个联合的融合数据的后验的概率分布函数;
3)求出使得联合分布函数的似然函数最小的融合信号,就是多传感器信息的最终融合值,即准确的当前车辆状态信息。
本实施例中,所述优化方法存储在车辆控制器中,包括运动控制层、转矩分配层、多信号融合模块,所述多信号融合模块通过测速雷达、轮速传感器、转矩传感器、振动传感器、温度传感器数据得出车辆运动状态;所述运动控制层通过工况要求和车辆实际状态,根据工况和车辆状态,基于电机能量消耗最小、滑移率最优和实时车辆状态参数建立实时调整自适应滑移、能耗和舒适性三目标函数的多目标优化问题,采用基于五重优化的改进的NAGA-II优化算法进行转矩优化分配,并根据转矩补偿实现极端工况控制得到最终控制量,作为控制指令发送给轮毂电机控制器。
本实施例中,所述运动控制层控制逻辑参见图3,通过实际车辆状态和上位机工况中的车速、横摆要求,车速跟踪器求得参考运动指标的缺省值,基于缺省值采取前馈控制加模糊控制反馈补偿的方式,得到总纵向驱动力矩,转向控制器根据车辆状态基于参考模型得到目标控制量,基于相平面进行危险判断,进行控制模式切换:(1)质心侧偏角、横摆角速度联合控制;(2)质心侧偏角控制;(3)横摆角速度控制,根据不同模式下滑模面得到横摆力矩需求。
本实施例中,所述特殊工况下的转矩分配层根据上层运动控制层转矩要求进行转矩分配,根据多信号融合模块得到的车辆状态信息,对转矩优化方法中的转矩分配目标函数进行实时调整,高附着率时,考虑能耗权重高的目标函数,低附着率时,考虑滑移控制权重高的目标函数,实现自整定目标函数。
其中滑移控制的目标函数为:
当车轮处于低附着路面时,基于电机输出转矩的控制算法通过直接控制车轮的角加速度或轮速来实现防滑控制,此时的滑移控制目标函数为
考虑舒适性的目标函数为:
考虑舒适性的目标函数为:
总目标函数为三者的加权多项式,加权系数基于BRF对抗径向基神经网络,输入当前的车速及路面状况,通过神经网络调整目标权重
本实施例中,通过神经网络调整目标函数多目标权重,先实验得到不同路面附着系数、车速下,最优权重系数(优化后目标函数最小时),根据路面附着系数、车速和权重系数对应关系建立训练集,训练神经网络;根据传感器多信号融合实时得到的路面附着系数和车速,基于训练好的神经网络,将目标权重调整代最优,然后再根据调整后的目标函数利用算法求解优化问题。
本实施例中,优化问题采用改进的NAGA-II算法,求解过程不同于NAGA-II算法,流程参见图4,其特殊性在于:
(1)生成种群后,通过能耗目标函数和滑移目标函数实现优先级排序,便于后面的选择优秀个体;
(2)根据多信号融合模块得到的四轮振动加速度,分别得到考虑振动加速度的能耗目标和滑移目标参考系,以此建立二者耦合的多目标空间,空间各轴系分别为个目标函数,根据个体在空间中的位置,进行拥挤筛选,在区域中只选择耦合空间中适应度最高的个体;
(3)完成第一轮优化求解后,通过优化结果评价模块判断优化结果的目标适应度是否满足要求,不满足要求则重新调整权重,但不再重新新建种群,直接将上次优化的结果作为初始种群进行多次优化,直到适应度满足要求。
本实施例中,再分配优化完成后,通过对各车轮转矩补偿解决车轮剧烈差异性振动对车辆控制的影响,然后将补偿后的车轮转矩通过CAN总线发送给轮毂电机控制器进行控制,至此完成整个工作,流程参见图5;基于车辆极端工况下的车轮转矩补偿控制流程为:
(1)首先根据位移传感器和加速度传感器得到四个车轮各自的振动位移和振动加速度信息;
(2)通过各车轮振动信息得到四个车轮振动位移/加速度绝对值、前后轮振动位移/加速度差值、左右轮振动位移/加速度差值共12组实时数据;
(3)分别对得到的物理量数据进行主成分分析和数字低通滤波,然后提取各自的特征向量,然后进行加权特征融合,分别得到融合后的总体振动位移、加速度特征向量;
(4)通过当前多信号融合人模块得到的车速和稳定参考模型,得到振动位移、加速度双相稳定空间;
(5)通过判定融合后的特征向量是否再稳定空间内,判断是否处于极端工况,当前特征值再稳定区间内,即未处于极端工况,则不做处理,继续分析振动情况;
(6)若当前特征值不在稳定区间内,即判定处于极端工况,此时通过垂向振动和横纵向耦合模型,计算出极端工况下,因车轮振动产生的额外横、纵向力;
(7)通过解耦调解,计算得到消除振动引起的耦合力所需的各车轮附加转矩,首先极端工况下的额外力矩控制。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (5)
1.极端工况下四轮力矩分配在环测试装置,其特征在于,包括上位机、轮毂电机驱动汽车、转矩分配控制器、传感器、滚筒、激振器,所述上位机通过CAN总线的通信方式与车辆控制器通讯,所述车辆控制器根据内置转矩优化方法进行转矩分配,向电机控制器发出转矩控制指令;所述上位机包括仿真测试工况库、工况读取模块、数据监测模块和接收数据模块,转矩试验平台包括轮毂电机驱动汽车、负载电机、电池、轮毂电机、各传感器和CAN通信模块;所述仿真测试工况库,用于存储多个极限工况模型,所述极限工况模型包括测试工况信息;所述工况读取模块,用于对所述测试工况信息进行处理,通过CAN总线输出至所述车辆控制器中,所述传感器测得物理信号,通过多信号融合模块得到车辆状态,所述车辆控制器根据传感器进行多信号融合后测得的被测车辆的状态,基于转矩优化方法进行转矩分配控制,并根据转矩补偿实现极端工况控制,所述滚筒用于模拟路面不平且两边滑移率不同的对开路面;所述激振器用于模拟各轮剧烈差异性振动、采用基于贝叶斯估计的测速雷达信号、轮速信号、转矩信号、振动信号、温度信号的多信号融合得到车辆状态、通过自适应滑移、能耗和舒适性的三目标函数和五重循环优化的NAGA算法优化转矩分配、通过横、纵、垂三向耦合模型和解耦调解实现极端工况下的转矩补偿控制;所述车辆控制器还用于根据测试工况信息获得激振时序并将激振时序发送给激振器;所述物理信号包括测速雷达信号、轮速信号、转矩信号、振动信号以及温度信号,所述传感器包括测速雷达、轮速传感器、转矩传感器、振动传感器以及温度传感器;
所述极端工况中各车轮垂向振动大,且各车轮振动量存在极大差异性,所述工况在装置中通过上位机发送工况振动加速度均方根值信息,首先进行非线性扫频、高斯调幅后得到振动曲线,通过汉宁窗函数处理解决采样时间带来的频谱泄露,得到振动加速度时序,进一步得到激振时序,传到滚筒下方的激振器,产生激振,对开路面的两边滑移率不同实现,通过将左侧轮毂电机下面滚筒表面涂上光滑材料模拟低附着路面,右侧滚筒设置合适摩擦面模拟高附着路面,左侧车轮通过凹陷的时间内,对应车轮负载电机模拟空转时无负载情况;
所述转矩优化方法存储在车辆控制器中,所述车辆控制器包括运动控制层、转矩分配层、多信号融合模块,所述多信号融合模块通过测速雷达、转速传感器数据、转矩传感器数据得出车辆运动状态,所述运动控制层通过工况要求和车辆实际状态,基于电机能量消耗最小、滑移率最优和实时车辆状态参数建立实时调整自适应滑移、能耗和舒适性三目标函数的多目标优化问题,采用基于五重优化的改进的NAGA-II优化算法进行转矩优化分配,并根据转矩补偿实现极端工况控制得到最终控制量,作为控制指令发送给轮毂电机控制器;
车轮转矩补偿控制方法通过垂向振动和横、纵向耦合模型,计算出极限工况下,因车轮振动产生的额外横、纵向力,通过解耦调解,计算得到消除振动引起的耦合力所需的各车轮附加转矩,解决车轮剧烈差异性振动对车辆控制的影响,结合转矩优化方法得到最终控制量。
2.根据权利要求1所述的极端工况下四轮力矩分配在环测试装置,其特征在于,每一个测试工况模型均以独立模型文件存储于所述仿真测试工况库中,根据上位机选择进行工况文件调用,所述测试工况信息至少包括轮毂电机驱动汽车的三维运动状态信息和道路状态信息,所述三维运动状态信息包括车速要求和加速度要求;并且提前校准了轮毂电机汽车的结构参数。
3.根据权利要求1所述的极端工况下四轮力矩分配在环测试装置,其特征在于,通过测速雷达信号、轮速信号、转矩信号、振动信号、温度信号进行分布式并行结构的多传感器多信号融合,进行标准化特征提取后基于贝叶斯估计得到车辆实际速度和其他状态量,通过安装在车轮上的转矩传感器能够得到车辆控制器的转矩分配结果,通过电流传感器得到电池的能耗情况;并且在实验期间实时显示。
4.根据权利要求1所述的极端工况下四轮力矩分配在环测试装置,其特征在于,通过CAN通信模块传来的车辆状态信息,结合车辆结构参数,结算得到轮毂电机驱动车辆整车负载,进一步得到每个车轮上的负载,将负载转矩通过传给所述负载电机控制器,通过三相-两相变换后,基于磁场定向控制加上空间矢量脉宽调制,采用自适应深度学习控制负载电机,模拟其他形式阻力。
5.根据权利要求1所述的极端工况下四轮力矩分配在环测试装置,其特征在于,转矩分配试验平台包括,轮毂电机驱动汽车、滚筒、激振器、负载电机、转矩传感器、转速传感器,所述轮毂电机驱动汽车放在台架的滚筒上,滚筒下方安装有激振器,负载电机通过联轴器与车轮内轮毂电机相连,中间安置有转矩传感器,转速传感器采用激光式测速,由激光发射接收器和反射仪两部分组成,激光发射接收部分安装在定子上,反射仪安装在轮毂电机转子上,通过红外激光接收频率的测得电机转速,测速雷达安装在轮毂电机驱动汽车车身前部。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861349.4A CN113791598B (zh) | 2021-07-29 | 2021-07-29 | 极端工况下四轮力矩分配在环测试装置及转矩优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861349.4A CN113791598B (zh) | 2021-07-29 | 2021-07-29 | 极端工况下四轮力矩分配在环测试装置及转矩优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113791598A CN113791598A (zh) | 2021-12-14 |
CN113791598B true CN113791598B (zh) | 2024-04-26 |
Family
ID=78877060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110861349.4A Active CN113791598B (zh) | 2021-07-29 | 2021-07-29 | 极端工况下四轮力矩分配在环测试装置及转矩优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113791598B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061454A (zh) * | 2022-06-23 | 2022-09-16 | 中国第一汽车股份有限公司 | 一种车况信号矫正方法、装置、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2161560A2 (de) * | 2008-09-09 | 2010-03-10 | Zf Friedrichshafen Ag | Verfahren zum Betreiben eines Prüfstandes für Fahrzeugantriebsstränge |
CN103176472A (zh) * | 2013-03-13 | 2013-06-26 | 长沙理工大学 | 一种四轮驱动纯电动汽车硬件在环仿真实验系统 |
CN103308325A (zh) * | 2013-06-26 | 2013-09-18 | 东莞中山大学研究院 | 电动汽车驱动系统半实物仿真平台 |
CN107092245A (zh) * | 2017-06-01 | 2017-08-25 | 同济大学 | 汽车动态底盘控制系统硬件在环仿真试验台 |
CN107192563A (zh) * | 2017-06-15 | 2017-09-22 | 安徽工程大学 | 轮毂驱动电动汽车电动轮悬架系统试验台 |
CN109060369A (zh) * | 2018-06-28 | 2018-12-21 | 北京理工大学 | 一种分布式电传动系统测试方法、装置及台架 |
CN109462358A (zh) * | 2018-11-01 | 2019-03-12 | 南京世界村汽车动力有限公司 | 一种电动汽车主动减振控制方法 |
CN110091914A (zh) * | 2019-04-17 | 2019-08-06 | 中国汽车技术研究中心有限公司 | 一种分布式汽车多工况识别差速转向方法及系统 |
CN110132588A (zh) * | 2019-06-20 | 2019-08-16 | 山东理工大学 | 一种用于电动轮式四驱电动车整车控制原型开发的试验台 |
CN110539647A (zh) * | 2019-08-09 | 2019-12-06 | 东南大学 | 一种面向直线行驶工况的四轮独立驱动电动汽车转矩实时优化分配控制方法 |
CN111824095A (zh) * | 2020-06-14 | 2020-10-27 | 长春理工大学 | 四轮轮毂电动汽车电液复合制动防抱死协调优化控制方法 |
CN112026533A (zh) * | 2020-08-21 | 2020-12-04 | 东南大学 | 一种极限工况下的四轮独立驱动电动汽车牵引力控制方法 |
CN113093708A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨理工大学 | 多信号融合的轮毂电机汽车转矩分配系统及前瞻控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104487815B (zh) * | 2012-07-09 | 2016-04-13 | 株式会社明电舍 | 传动机构的试验系统 |
-
2021
- 2021-07-29 CN CN202110861349.4A patent/CN113791598B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2161560A2 (de) * | 2008-09-09 | 2010-03-10 | Zf Friedrichshafen Ag | Verfahren zum Betreiben eines Prüfstandes für Fahrzeugantriebsstränge |
CN103176472A (zh) * | 2013-03-13 | 2013-06-26 | 长沙理工大学 | 一种四轮驱动纯电动汽车硬件在环仿真实验系统 |
CN103308325A (zh) * | 2013-06-26 | 2013-09-18 | 东莞中山大学研究院 | 电动汽车驱动系统半实物仿真平台 |
CN107092245A (zh) * | 2017-06-01 | 2017-08-25 | 同济大学 | 汽车动态底盘控制系统硬件在环仿真试验台 |
CN107192563A (zh) * | 2017-06-15 | 2017-09-22 | 安徽工程大学 | 轮毂驱动电动汽车电动轮悬架系统试验台 |
CN109060369A (zh) * | 2018-06-28 | 2018-12-21 | 北京理工大学 | 一种分布式电传动系统测试方法、装置及台架 |
CN109462358A (zh) * | 2018-11-01 | 2019-03-12 | 南京世界村汽车动力有限公司 | 一种电动汽车主动减振控制方法 |
CN110091914A (zh) * | 2019-04-17 | 2019-08-06 | 中国汽车技术研究中心有限公司 | 一种分布式汽车多工况识别差速转向方法及系统 |
CN110132588A (zh) * | 2019-06-20 | 2019-08-16 | 山东理工大学 | 一种用于电动轮式四驱电动车整车控制原型开发的试验台 |
CN110539647A (zh) * | 2019-08-09 | 2019-12-06 | 东南大学 | 一种面向直线行驶工况的四轮独立驱动电动汽车转矩实时优化分配控制方法 |
CN111824095A (zh) * | 2020-06-14 | 2020-10-27 | 长春理工大学 | 四轮轮毂电动汽车电液复合制动防抱死协调优化控制方法 |
CN112026533A (zh) * | 2020-08-21 | 2020-12-04 | 东南大学 | 一种极限工况下的四轮独立驱动电动汽车牵引力控制方法 |
CN113093708A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨理工大学 | 多信号融合的轮毂电机汽车转矩分配系统及前瞻控制方法 |
Non-Patent Citations (2)
Title |
---|
基于小波控制的电动汽车稳定性研究;贺伊琳等;中国公路学报;第31卷(第11期);第214-226页 * |
智能四轮独立驱动电动汽车差动转向与主动转向协同路径跟踪控制研究;Vincent Meyer;;机械工程师(第05期);第21-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113791598A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10305413B2 (en) | Machine learning device which learns current command for motor, motor controller, and machine learning method | |
CN101198922B (zh) | 用于测试电池充电状态的装置和方法 | |
CN107697045A (zh) | 一种无人驾驶汽车自动刹车控制装置及方法 | |
US20090157365A1 (en) | Simulation device and simulation method | |
CN113093708B (zh) | 多信号融合的轮毂电机汽车转矩分配试验系统及前瞻控制方法 | |
EP4208725B1 (en) | Battery state of health estimator | |
CN111338385A (zh) | 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 | |
CN113791598B (zh) | 极端工况下四轮力矩分配在环测试装置及转矩优化方法 | |
CN104076692A (zh) | 测试系统 | |
CN110687907B (zh) | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 | |
CN113650619B (zh) | 一种四轮驱动电动汽车轮胎力软测量方法 | |
US11656153B1 (en) | Simulator for vehicle drivetrain testing | |
CN114061880B (zh) | 直驱式轮毂电机高速旋转时电磁耦合振动测试系统和控制策略 | |
CN110816531B (zh) | 一种无人驾驶汽车车辆间安全距离的控制系统及控制方法 | |
CN114269632A (zh) | 用于估算用于机动车的转向系统的方向盘上的机械反馈的方向盘转矩的方法和装置 | |
US20230001940A1 (en) | Method and Device for Optimum Parameterization of a Driving Dynamics Control System for Vehicles | |
CN115828425A (zh) | 轮胎模型及路面附着系数协同辨识方法、系统 | |
CN109808492B (zh) | 一种车载雷达预警装置及预警方法 | |
CN113705865B (zh) | 一种基于深度神经网络的汽车稳定性因数预测方法 | |
CN111203883B (zh) | 面向机器人电子元器件装配的自学习模型预测控制方法 | |
CN108275144A (zh) | 用于推进系统控制的系统和方法 | |
US6009185A (en) | Neural network based contact state estimator | |
CN114861432A (zh) | 车辆制动联合仿真方法、装置、终端设备以及存储介质 | |
Zhao et al. | Novel bench-based inspection approach for automobile anti-lock braking system | |
KR101015914B1 (ko) | 차량의 횡미끄럼각 검출 방법 및 장치 |
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 |