CN114228507B - 利用前车信息的智能电驱动车辆再生制动控制方法 - Google Patents
利用前车信息的智能电驱动车辆再生制动控制方法 Download PDFInfo
- Publication number
- CN114228507B CN114228507B CN202111510360.2A CN202111510360A CN114228507B CN 114228507 B CN114228507 B CN 114228507B CN 202111510360 A CN202111510360 A CN 202111510360A CN 114228507 B CN114228507 B CN 114228507B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- braking
- wheel
- wheels
- moment
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001172 regenerating effect Effects 0.000 title claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 230000001537 neural effect Effects 0.000 claims abstract description 22
- 238000004891 communication Methods 0.000 claims abstract description 4
- 239000000853 adhesive Substances 0.000 claims description 49
- 230000001070 adhesive effect Effects 0.000 claims description 49
- 230000001133 acceleration Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 230000008929 regeneration Effects 0.000 claims description 6
- 238000011069 regeneration method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims 1
- 238000011084 recovery Methods 0.000 abstract description 9
- 238000013461 design Methods 0.000 description 10
- 230000006399 behavior Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
- B60L15/2009—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed for 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
- B60L2220/00—Electrical machine types; Structures or applications thereof
- B60L2220/40—Electrical machine applications
- B60L2220/42—Electrical machine applications with use of more than one motor
-
- 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
- B60L2220/00—Electrical machine types; Structures or applications thereof
- B60L2220/40—Electrical machine applications
- B60L2220/46—Wheel motors, i.e. motor connected to only one wheel
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/10—Vehicle control parameters
- B60L2240/12—Speed
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
- B60L2240/423—Torque
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/72—Electric energy management in electromobility
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Regulating Braking Force (AREA)
Abstract
本发明提供利用前车信息的智能电驱动车辆再生制动控制方法,包括:通过车辆车载传感器采集前车的状态信息、或通过车‑车通信系统获取前车的状态信息,以构建具有序贯特征的输入信息;采用自适应模糊神经推理系统建立前车制动意图预测模型,并获取前车制动强度意图预测信号z1;设计本车的四轮制动力矩分配策略。与现有技术相比,本发明能定量预测前车的制动强度意图,并用来确定本车的总制动力需求,在复杂交通流下能提前做出反应,制动安全性更高。还能根据四轮不同的附着条件来设计制动策略,杜绝任何车轮打滑的不稳定附着行为的发生,安全性更好。且每个车轮确定总制动力的基础上可优先发挥独立电机制动力的作用,从而可提高制动能量回收。
Description
技术领域
本发明涉及驱动车辆再生制动领域,具体是涉及利用前车信息的智能电驱动车辆再生制动控制方法。
背景技术
目前商用车中普遍采用基于I曲线的前后轴制动力分配策略,但只能满足常规制动的要求,该分配线远离理想曲线,降低了汽车的制动效能和制动稳定性,且上述的前后轴制动分配策略,无法同时兼顾制动安全稳定性和能量回收率,无法实现四轮的独立制动分配策略,且没有涉及前车制动意图的预测信息,没有考虑四轮不同的附着条件,缺少四轮在面对不同的轮胎-路面附着条件下的安全制动控制方法。
现有技术中存在采用优化的方法来实现制动力的分配,但这类方法只能将给定的总需求制动力矩值进行优化分配,不能识别未知附着路面所能提供的最大附着力,无法保证车辆紧急制动或低附着路面上强制动等工况下的制动安全问题。
为了同时兼顾制动安全和能量回收同时简化控制策略的设计,现有技术一般根据制动需求划分为常规制动和紧急制动两种模式:常规制动采用制动力分配曲线或优化的方法来设计制动力策略,而紧急制动模式下采用基于滑移率控制来实现防抱死制动控制。在紧急制动下防抱死制动模式没有能量回收,且将常规制动和紧急制动割裂开来处理,分别来处理紧急制动/常规制动需求、摩擦/再生制动系统分配、前后轴制动分配、轮胎滑移率控制等问题,导致控制系统逻辑设计复杂,且无法从系统优化的角度来统一处理目标和约束问题,无法发挥分布式驱动系统可以独立控制车轮的优势,难以适应复杂路面条件。
发明内容
为了克服现有技术的不足,本发明提供了利用前车信息的智能电驱动车辆再生制动控制方法,具体技术方案如下所示:
利用前车信息的智能电驱动车辆再生制动控制方法,包括以下步骤:
通过车辆车载传感器采集前车的状态信息、或通过车-车通信系统获取前车的状态信息,以构建具有序贯特征的输入信息;
采用自适应模糊神经推理系统建立前车制动意图预测模型,并获取前车制动强度意图预测信号z1;
设计本车的四轮制动力矩分配策略。
在一个具体的实施例中,所述“构建具有序贯特征的输入信息”具体包括以下步骤:
将所述前车当前时刻的车速、加速度以及与所述本车的距离等状态信息,作为所述前车制动意图预测模型的当前输入信息;
对所述当前输入信息进行滤波和同步处理;
计算所述前车相对所述本车的相对车速、相对加速度以及相对距离信息;
将上述处理过的所述前车相对所述本车当前时刻的相对车速、相对加速度以及相对距离信息联合过去1-10秒内的所述前车相对所述本车的历史相对车速、相对加速度和相对距离信息,以构建成序贯的信息序列,并生成模型的序贯特征的输入信号。
在一个具体的实施例中,所述“采用自适应模糊神经推理系统建立前车制动意图预测模型”具体包括以下步骤:
所述自适应模糊神经推理系统的方案为:采用5层模糊逻辑模型,包括计算输入模糊隶属度、规则适应度、适应度归一化处理、规则输出以及模糊系数输出等5层;
所述自适应模糊神经推理系统网络包含待定前件参数和后件参数,所述待定前件参数包括指定隶属度函数中的参数以及所述隶属度函数个数,所述后件参数包括训练代数;
自适应模糊神经推理系统模型训练的方案为:采用遗传算法对所述自适应模糊神经推理系统的模型参数进行搜索;
训练所用的输入数据为包含所述前车相对所述本车的距离、车速以及加速度的输入数据,训练时用到的输出数据为标签数据,根据定义如下:
当所述前车与所述本车的距离大于设置的阈值参数Lm=c*V时,则设置标签输出z1=0;
其中c为可调节参数,V为本车的车速,在所述本车的当前车速下,当所述前车与所述本车的距离大于阈值距离时,则表示所述前车制动意图对所述本车没有安全影响,且不做制动意图的预测;
对于当前时刻的输入参数,其对应的前车制动强度意图预测的输出标签数据按照如下方式进行量化:
首先,计算未来1-10秒内的归一化所述前车和所述本车之间的相对车速Ve∈[-1,1],所述前车和所述本车之间的相对加速度ae∈[-1,1],以及所述前车和所述本车之间的相对距离Le∈[0,1]:
其中,k为当前时刻,i为未来1-10秒内的离散时刻,N为考虑未来时间段的离散时刻数量,V是所述前车和所述本车之间的相对车速,a是所述前车和所述本车之间的相对加速度,L是所述前车和所述本车之间的相对距离;Vmax是所述前车和所述本车之间的最大的相对速度,amax是所述前车和所述本车之间的最大的相对加速度,Lm为所述前车和所述本车之间的相对距离阈值参数。
在一个具体的实施例中,所述“获取前车制动强度意图预测信号z1”具体包括以下步骤:
制动所述前车强度意图预测信号z1归一化为[0,1]之间的数值;
当所述z1=0时,则表示所述前车无制动意图操作;
当所述z1=1时,则表示所述前车制动意图最大,所述前车已经或将要触发紧急制动操作。
在一个具体的实施例中,所述“制动所述前车强度意图预测信号z1归一化为[0,1]之间的数值”具体包括以下步骤:
所述前车制动强度意图预测信号的定量表示为:
z1=c1*f(Ve)+c2*f(ae)+c3*Le
其中,c1,c2,c3分别是f(Ve)、f(ae)和Le正的权重系数,且c1+c2+c3=1,c1,c2,c3的值具体根据实际系统进行调整;
f(Ve)表示与Ve有关的函数,满足:
f(ae)表示与ae有关的函数,满足:
当相对速度为正时,c1相应的项为0,表示所述前车和所述后车之间趋向远离,反之,所述前车和所述后车之间在趋向靠近;
当相对加速度为正时,c2相应的项为0,表示所述前车和所述后车之间趋向远离,反之,所述前车和所述后车之间在趋向靠近。
在一个具体的实施例中,所述“设计本车的四轮制动力矩分配策略”具体包括以下步骤:
步骤1:根据所述前车制动意图强度预测信号z1以及所述本车的制动强度需求z,确定车辆的总制动力矩Tsum:
其中ρ为小的正数系数,且ρ<1,Tdmax为整车所能获得的最大制动附着力矩,zmax为最大制动强度,z=zmax对应最大制动附着力矩;
上式中,当z1=0时,所述前车对所述本车没有影响:
当z1≠0时,所述前车有制动意图,所述本车的总制动力矩的需求对应增加;
步骤2:判断所述本车四个车轮是否为稳定附着地面的状态,并更新打滑标志slip_flag;
步骤3:当四个所述车轮均未打滑时,总制动力矩Tdrc按照I曲线进行力矩分配,分配到前轴和后轴的制动附着力矩由式(1)和式(2)确定;
当作用在前轮和后轮的制动附着力正比于各自的法向作用力时,所述前轮和所述后轮的制动附着力满足:
其中,Tf是所述前轴的制动附着力矩,Tr是所述后轴的制动附着力矩,Fzf是所述前轮的法向作用力,Fzr是所述后轮的法向作用力;
驾驶员总需求制动力Fsum为所述前轴的制动附着力Ff和所述后轴制动附着力Fr之和:
其中,M是整车质量,a是制动减速度,g是重力加速度,G=Mg是车辆的重力,z=a/g是制动强度,r是有效轮胎旋转半径;
步骤4:所述后轮不打滑,两个所述前轮中至少一个发生打滑;
步骤5:所述前轮不打滑,两个所述后轮中至少一个发生打滑;
步骤6:所述前轮和所述后轮均打滑;
确定所述前轮的目标附着力矩Tfl,Tfr,若两个所述前轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述前轮每个车轮的目标附着力矩;若只有一个所述前轮发生打滑,则将所述车轮的最大附着力矩作为所述前轮每个车轮的目标附着力矩;
确定后轮的目标附着力矩Trl,Trr,若两个所述后轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述后轮每个车轮的目标附着力矩;若只有一个所述后轮发生打滑,则将所述车轮的最大附着力矩作为所述后轮每个车轮的目标附着力矩;
将得到的四个车轮的目标附着力矩乘以相同的调整系数,通过四个所述车轮的各自的附着力闭环跟踪控制的参考目标值,每个控制器输出值即是每个所述车轮实际所需施加的制动力;
根据式(4)和式(5)计算每个车轮的独立驱动电机能提供的电气制动力矩Ti_m:
Ti_m,i=fl,fr,rl,rr
其中,m代表电机制动系统,i=fl,fr,rl,rr分别代表所述左前轮、所述右前轮、所述左后轮以及所述右后轮;
Ti_m≤min{Tmmax,Tregen},i=fl,fr,rl,rr (5)
式中,n为电机转速,nL为一阈值参数,当n<nL时,不输出电机制动力;nN是电机额定转速,PN是电机额定功率,TN是电机额定转矩,Tmmax是由式(4)定义的电机相对不同转速的最大转矩,Tregen代表当前电池最大再生功率对每个车轮再生力矩的限制;
若各车轮能提供的电气制动力矩等于或大于各车轮所需的总制动力矩,则制动力矩全部由电气制动力矩提供,液压制动力矩为0;若各车轮能提供的电气制动力矩小于各车轮所需的总制动力矩,则总制动力矩减去电气制动力矩,即得到所述前轮和所述后轮液压系统需要提供的机械制动力矩Ti_h:
Ti_h,i=fl,fr,rl,rr
其中,h代表液压制动系统;
步骤8:将各车轮的电气、液压制动力矩指令:Ti_m,i=fl,fr,rl,rr、Ti_h,i=fl,fr,rl,rr,送入电机、液压控制执行子系统,并跳到步骤1,如此循环。
在一个具体的实施例中,所述“判断所述本车四个车轮是否为稳定附着地面的状态,并更新打滑标志slip_flag”具体包括以下步骤:
设置一个打滑状态的标志slip_flag,所述打滑标志slip_flag是一个四位的二进制数,每一位对应一个车轮的附着状态;
当所述车轮发生打滑时,对应的打滑标志slip_flag标志位设置为1,反之,对应的打滑标志slip_flag标志位设置为0。
在一个具体的实施例中,所述本车的左轮和右轮的制动附着力为:
所述左轮和所述右轮的制动附着力矩按照左右平均分配的方法,即:
Tfl=Tfr=Tf/2
Trl=Trr=Tr/2
其中,Tfl为左前轮制动附着力矩,Tfr为右前轮制动附着力矩,Trl为左后轮制附着力矩,Trr为右后轮制动附着力矩。
在一个具体的实施例中,所述“所述后轮不打滑,两个所述前轮中至少一个发生打滑”具体包括:
根据所述打滑标志slip_flag状态,比较相应的打滑车轮中的最大附着力矩;
若两个所述前轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述前轮每个车轮的目标附着力矩;
若只有一个所述前轮发生打滑,则将所述车轮的最大附着力矩,作为所述前轮每个车轮的目标附着力矩;
将所述附着力矩乘以调整系数作为所述附着力距闭环跟踪控制的参考目标值,其输出值即是所述前轮的每个车轮实际所需施加的制动力;
由于所述后轮还未打滑,故所述后轮总制动附着力矩Tr由式(2)计算得到,每个所述后轮的制动附着力矩为总制动附着力矩Tr的一半。
在一个具体的实施例中,所述“所述前轮不打滑,两个所述后轮中至少一个发生打滑”具体包括:
根据所述打滑标志slip_flag状态,比较相应的打滑车轮中的最大附着力矩;
若两个所述后轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述后轮每个车轮的目标附着力矩;
若只有一个所述后轮发生打滑,则将所述车轮的最大附着力矩,作为所述后轮每个车轮的目标附着力矩;
将所述力矩乘以调整系数作为所述附着力距闭环跟踪控制的参考目标值,控制器输出值即是所述后轮的每个车轮实际所需施加的制动力;
由于所述前轮还未打滑,故所述前轮总制动附着力矩Tf由式(2)计算得到,每个所述前轮的制动附着力矩为总制动附着力矩Tf的一半
相对于现有技术,本发明具有以下有益效果:
本发明提供的利用前车信息的智能电驱动车辆再生制动控制方法,能够在考虑本车和前车相对运动行为的基础上,还能够对前车的制动意图进行预测,并利用该预测信息来作为本车制动需求的输入参考,能够提前对前车制动意图做出快速的响应,并提供一种利用车联网或自动驾驶提供的前车信息提高本车制动性的有效方法,能够结合前车制动意图预测的分布式电动车辆的再生制动控制方法,以更好地利用智能网联车辆的信息,将前方车辆的制动强度意图预测信息融入到车辆的制动控制中,提高对复杂交通流下的制动行为响应能力,进一步提升车辆的制动安全性;以及分布式电动车辆能从四个车轮回收制动能力,并提高对复杂轮胎-路面下制动的安全性,解决四轮在不同的附着条件下,整车的制动稳定性问题。能够定量预测前车的制动强度意图,并用来确定本车的总制动力需求,在复杂交通流下可以提前做出反应,制动安全性更高。还能根据四轮不同的附着条件来设计制动策略,杜绝任何车轮打滑的不稳定附着行为的发生,安全性更好。且每个车轮确定总制动力的基础上可优先发挥独立电机制动力的作用,从而可提高制动能量回收。且不用区分常规制动和紧急制动模式,同时兼顾提高制动安全性和节能效果。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是实施例中利用前车信息的智能电驱动车辆再生制动控制系统框图;
图2是实施例中基于进化算法优化(自适应模糊神经推理系统)ANFIS模型参数的流程图;
图3是实施例中理想制动力分配曲线图;
图4是实施例中基于自适应模糊神经推理系统的前车制动意图预测模型图;
图5是实施例中四轮附着稳定性的标志设计图;
图6是实施例中车轮的最大附着力的示意图。
具体实施方式
实施例
如图1-图6所示,本实施例提供了利用前车信息的智能电驱动车辆再生制动控制方法,具体是车路信息联合的分布式利用前车信息的智能电驱动车辆再生制动控制方法,包括以下步骤:
通过车辆车载传感器采集前车的状态信息、或通过车-车通信系统获取前车的状态信息,以构建具有序贯特征的输入信息,具体地,车辆车载传感器优选包括自动驾驶系统的激光或雷达等传感器;
采用自适应模糊神经推理系统建立前车制动意图预测模型,并获取前车制动强度意图预测信号z1;
设计本车的四轮制动力矩分配策略。
具体地,前车制动意图的准确预测是提升自动驾驶车辆制动安全和节能性能的关键,结合前车的制动意图预测以及本车状态(即影响再生制动的多维状态信息),可决策出最优制动需求力,实现安全距离保持、避免紧急制动行为、增加制动能量回收。城市行驶工况下车辆频繁制动与起动,其中制动所耗散能量占总驱动能量的约一半。随着电驱动车辆的普及,其带来的一大好处是能对制动能量进行回收。电动汽车再生制动技术是将这部分动能回收到车载储能系统再次利用的新技术,其对于提高整车能效、延长续驶里程有重大意义。制动的安全性稳定性、再生制动的能量回收效率等是再生制动控制策略的重要设计目标。
优选地,本实施例提供的利用前车信息的智能电驱动车辆再生制动控制方法,能够在考虑本车和前车相对运动行为的基础上,还能够对前车的制动意图进行预测,并利用该预测信息来作为本车制动需求的输入参考,能够提前对前车制动意图做出快速的响应,并提供一种利用车联网或自动驾驶提供的前车信息提高本车制动性的有效方法,能够结合前车制动意图预测的分布式电动车辆的再生制动控制方法,以更好地利用智能网联车辆的信息,将前方车辆的制动强度意图预测信息融入到车辆的制动控制中,提高对复杂交通流下的制动行为响应能力,进一步提升车辆的制动安全性;以及分布式电动车辆能从四个车轮回收制动能力,并提高对复杂轮胎-路面下制动的安全性,解决四轮在不同的附着条件下,整车的制动稳定性问题。能够定量预测前车的制动强度意图,并用来确定本车的总制动力需求,在复杂交通流下可以提前做出反应,制动安全性更高。还能根据四轮不同的附着条件来设计制动策略,杜绝任何车轮打滑的不稳定附着行为的发生,安全性更好。且每个车轮确定总制动力的基础上可优先发挥独立电机制动力的作用,从而可提高制动能量回收。且不用区分常规制动和紧急制动模式,系统控制逻辑来统一考虑上述问题,同时兼顾提高制动安全性和节能效果。
本实施例中,“构建具有序贯特征的输入信息”具体包括以下步骤:
将前车当前时刻的车速、加速度以及与本车的距离等状态信息,作为前车制动意图预测模型的当前输入信息;
由于这些由车载传感器测量传输的信息包含了采样延迟滞后和不确定性影响因素,故需对当前输入信息进行滤波和同步处理;
计算前车相对本车的相对车速、相对加速度以及相对距离信息,其中,前车相对本车的相对车速为正数,代表前车速度快于本车,两车距离在拉大;前车相对本车的相对加速度为正数,也代表前车在距离上远离本车。前车相对本车的相对车速为负数、前车相对本车的相对加速度为负数,相对距离越小,代表前车制动强度意图预测量越大,未来两车距离大概率会继续缩短,需要本车及时作制动反应,以确保安全。
将上述处理过的前车相对本车当前时刻的相对车速、相对加速度以及相对距离信息联合过去一段时间(T)的前车相对本车的历史相对车速、相对加速度和相对距离信息,以构建成序贯的信息序列,并生成模型的序贯特征的输入信号,其中,过去一段时间(T)的取值可根据经验来设定固定时间长度,如过去1-10秒内,例如1秒、2秒、5秒、6秒或10秒内,和信息的间隔时间例如每隔100毫秒一组数据。
本实施例中,“采用自适应模糊神经推理系统建立前车制动意图预测模型”具体包括以下步骤:
采用自适应模糊神经推理系统(ANFIS)来预测前车制动意图预测信号,自适应模糊神经推理系统(ANFIS)兼备神经网络高度并行性和自适应学习能力,泛化性能好、抗干扰能力强,且模糊推理具备对未知或不确定模型的推理能力,适合处理前车制动意图这类非线性、模糊性模型,实现自学习、自适应的制动意图预测。
其中,自适应模糊神经推理系统的优选方案为:采用5层模糊逻辑模型(Takagi-Sugeno模型),包括计算输入模糊隶属度、规则适应度、适应度归一化处理、规则输出以及模糊系数输出等5层。
自适应模糊神经推理系统网络包含待定前件参数和后件参数,待定前件参数优选包括指定隶属度函数中的参数以及隶属度函数个数,后件参数优选包括训练代数。网络的学习与预测性能和这些参数的选取直接相关。
如图4所示,自适应模糊神经推理系统训练的优选方案为:采用遗传算法对自适应模糊神经推理系统的模型参数进行最优化搜索,以最短时间内寻到训练效果最优的模型参数。
训练所用的输入数据为包含前车相对本车的距离、车速以及加速度的输入数据,训练时用到的输出数据为标签数据,根据如下方法生成训练用的标签:
(1)当前车与本车的距离大于设置的阈值参数Lm=c*V时,则设置标签输出z1=0;
其中c为可调节参数,V为本车的车速(单位m/s),即在本车的当前车速下,当前车与本车的距离大于阈值距离时,则认为前车制动意图对本车没有安全影响,且不做制动意图的预测(设为0);
(2)对于当前时刻的输入参数,其对应的前车制动强度意图预测的输出标签数据按照如下方式进行量化:
首先,计算未来一段时间内(例如未来1-10秒内)的归一化前车和本车之间的相对车速Ve∈[-1,1],前车和本车之间的相对加速度ae∈[-1,1],以及前车和本车之间的相对距离Le∈[0,1]:
其中,k为当前时刻,i为未来1-10秒内的离散时刻,N为考虑未来时间段的离散时刻数量,V是前车和本车之间的相对车速,a是前车和本车之间的相对加速度,L是前车和本车之间的相对距离;Vmax是前车和本车之间的最大的相对速度,amax是前车和本车之间的最大的相对加速度,Lm为前车和本车之间的相对距离阈值参数。通过这样的处理方式,使得未来时间段的两车相对运动情况进行了归一化的量化表示,方便下一步来计算。
本实施例中,“获取前车制动强度意图预测信号z1”具体包括以下步骤:
制动前车强度意图预测信号z1归一化为[0,1]之间的数值;
当z1=0时,则表示前车无制动意图操作;
当z1=1时,则表示前车制动意图最大,前车已经或将要触发紧急制动操作,此时对应最大化制动需求。
本实施例中,“制动前车强度意图预测信号z1归一化为[0,1]之间的数值”具体包括以下步骤:
前车制动强度意图预测信号的定量表示为:
z1=c1*f(Ve)+c2*f(ae)+c3*Le
其中,c1,c2,c3分别是f(Ve)、f(ae)和Le正的权重系数,且c1+c2+c3=1,c1,c2,c3的值具体根据实际系统进行调整;
f(Ve)表示与Ve有关的函数,满足:
f(ae)表示与ae有关的函数,满足:
经过上述的定量公式,当相对速度或相对加速度为正时,c1相应的项为0,表示前车和后车之间趋向远离,这两项不对制动意图预测产生影响,反之,前车和后车之间在趋向靠近,其代表的制动需求程度将体现于z1;
当相对加速度为正时,c2相应的项为0,表示前车和后车之间趋向远离,反之,前车和后车之间在趋向靠近。
本实施例中,“设计本车的四轮制动力矩分配策略”具体包括以下步骤:
步骤1:根据前车制动意图强度预测信号z1以及本车的制动强度需求z,确定车辆的总制动力矩Tsum:
其中ρ为小的正数系数,且ρ<1,Tdmax为整车所能获得的最大制动附着力矩,zmax为最大制动强度,z=zmax对应最大制动附着力矩;
上式中,当z1=0时,前车对本车没有影响,即:
其中,当z1≠0时,前车未来将有制动意图,本车的总制动力矩的需求将对应增加,以使本车提前作出反应,保证安全。
步骤2:判断本车四个车轮是否为稳定附着地面的状态,并更新打滑标志slip_flag。
具体地,设置一个打滑状态的打滑标志slip_flag,打滑标志slip_flag是一个四位的二进制数,每一位对应一个车轮的附着状态;当该车轮发生打滑时,对应的打滑标志slip_flag标志位设置为1,反之,对应的打滑标志slip_flag标志位设置为0。
例如,如图5所示:
当打滑标志slip_flag=0b0110时,则代表左前轮和右后轮稳定附着,右前轮和左后轮打滑;
当打滑标志slip_flag=0b0000时,则代表四个车轮都没有打滑,并转到下文的步骤3;
当打滑标志slip_flag=0b0001、或打滑标志slip_flag=0b0010、或打滑标志slip_flag=0b0011时,则代表后轮不打滑,而两个前轮中至少一个发生打滑,并转到下文的步骤4;
当打滑标志slip_flag=0b0100、或打滑标志slip_flag=0b1000、或打滑标志slip_flag=0b1100时,则代表前轮不打滑,而两个后轮中至少一个发生打滑,并转到下文的步骤5;
当打滑标志slip_flag为除上述的其他状态时,则代表前轮和后轮都至少有一个车轮发生了打滑,并转到下文的步骤6。
步骤3:当四个车轮均未打滑时,属于常规制动,直接对总制动力矩Tdrv按照I曲线进行力矩分配,分配到前轴和后轴的制动附着力矩由式(1)和式(2)确定。
当作用在前轮和后轮的制动附着力正比于各自的法向作用力时,地面的附着条件将得到充分利用,汽车的制动效能最高、稳定性最好,因此,前轮和后轮的制动附着力满足:
其中,Tf是前轴的制动附着力矩,Tr是后轴的制动附着力矩,Fzf是前轮的法向作用力,Fzr是后轮的法向作用力。
常规制动工况下,驾驶员总需求制动力Fsum应是前轴的制动附着力Ff和后轴制动附着力Fr之和:
其中,M是整车质量,a是制动减速度,g是重力加速度,G=Mg是车辆的重力,z=a/g是制动强度,r是有效轮胎旋转半径;
如图3所示,满足以上两个关系,即可得到汽车制动中常用的理想I曲线。
得到前轴和后轴的制动附着力矩后,左轮和右轮的制动附着力矩按照左右平均分配的方法,即:
Tfl=Tfr=Tf/2
Trl=Trr=Tr/2
其中,Tfl为左前轮制动附着力矩,Tfr为右前轮制动附着力矩,Trl为左后轮制附着力矩,Trr为右后轮制动附着力矩。下一步跳到下文的步骤7。
步骤4:后轮不打滑,两个前轮中至少一个发生打滑。
具体地,每个车轮都有一个附着力观测器,实时估计车轮上的附着力,附着力观测器的输入信息包括车辆状态信息,包括轮速、电机力矩、液压制动力矩、车辆和车辆固有参数等,输出是估计的车轮上的附着力,估计方法可采用系统模型以及现有的状态估计技术来设计估计器或观测器。
识别打滑的时刻:当车轮的制动力在增加时,如果估计的附着力由增加变为减少,则认为该时刻车轮开始打滑,进入不稳定附着状态(打滑状态的识别)。
当某个车轮刚开始打滑时,则记录对应的打滑时的附着力,进一步得到打滑时的附着力矩=打滑附着力乘以轮胎有效半径。由于上述的打滑时的附着力矩是该车轮由不打滑到打滑的临界分界点,因此这时的附着力矩为当前轮胎-路面附着条件下的最大附着力矩。如图6所示,所示的稳定附着与打滑分界点所对应的最大附着系数,乘以法向力后即对应的是最大附着力。
后轮不打滑,而两个前轮中至少一个发生打滑,根据打滑标志slip_flag状态,比较相应的打滑车轮中的最大附着力矩。如果两个前轮均发生打滑,则将二者的最大附着力矩中较小的值,作为前轮每个车轮的目标附着力矩;如果只有一个前车轮发生打滑,则将该车轮的最大附着力矩,作为前轮每个车轮的目标附着力矩。
将该附着力矩乘以调整系数(优选取0.8-1.0之间,具体根据实际车辆进行标定),作为附着力矩闭环跟踪控制的参考目标值,其输出值即是前轮的每个车轮实际所需施加的制动力。
通过附着力矩的闭环控制去跟踪参考目标值,由于左右两个车轮的参考目标值没有超过打滑的附着极限,因此可以使两个车轮都脱离打滑;同时左右车轮的附着力参考值相同,可以避免左右轮产生不一致的制动力,从而避免由于左右制动力不同产生额外的横摆力矩而影响车辆的横向稳定性。
由于后轮还未打滑,所以后轮总制动附着力矩Tr由式(2)计算得到,每个后轮的制动附着力矩为总制动附着力矩Tr的一半,下一步跳到下文的步骤7。
步骤5:前轮不打滑,两个后轮中至少一个发生打滑,与步骤4中所示的控制方法类似。
具体地,前轮不打滑,而两个后轮中至少一个发生打滑,根据打滑标志slip_flag状态,比较相应的打滑车轮中的最大附着力矩。如果两个后轮均发生打滑,则将二者的最大附着力矩中较小的值,作为后轮每个车轮的目标附着力矩;如果只有一个后车轮发生打滑,则将该车轮的最大附着力矩,作为后轮每个车轮的目标附着力矩。
将该力矩乘以调整系数(优选取0.8-1.0之间,具体根据实际车辆进行标定)作为附着力闭环跟踪控制的参考目标值,控制器输出值即是后轮的每个车轮实际所需施加的制动力。
通过附着力矩的闭环控制去跟踪参考目标值,由于左右两个车轮的参考目标值没有超过打滑的附着极限,因此可以使两个车轮都脱离打滑;同时左右车轮的附着力参考值相同,可以避免左右轮产生不一致的制动力,从而避免由于左右制动力不同产生额外的横摆力矩而影响车辆的横向稳定性。
由于前轮还未打滑,所以前轮总制动附着力矩Tf由式(2)计算得到,每个前轮的制动附着力矩为总制动附着力矩Tf的一半,下一步跳到下文的步骤7。
步骤6:前轮和后轮均打滑。
具体地,这种情况说明制动需求太高,路面无法提供充足的制动附着力,出于安全考虑,此时不宜继续按照驾驶员需求进行力矩分配,而是前、后轮由四个附着力矩闭环控制器工作,产生每个车轮所需的制动力。
确定前轮的目标附着力矩Tfl,Tfr,若两个前轮均发生打滑,则将二者的最大附着力矩中较小的值,作为前轮每个车轮的目标附着力矩;若只有一个前轮发生打滑,则将车轮的最大附着力矩作为前轮每个车轮的目标附着力矩。
同样,确定后轮的目标附着力矩Trl,Trr,若两个后轮均发生打滑,则将二者的最大附着力矩中较小的值,作为后轮每个车轮的目标附着力矩;若只有一个后轮发生打滑,则将车轮的最大附着力矩作为后轮每个车轮的目标附着力矩。
将得到的四个车轮的目标附着力矩乘以相同的调整系数(优选取0.8-1.0之间,具体根据实际车辆进行标定),通过四个车轮的各自的附着力闭环跟踪控制的参考目标值,每个控制器输出值即是每个车轮实际所需施加的制动力。
根据式(4)和式(5)计算每个车轮的独立驱动电机能提供的电气制动力矩Ti_m:
Ti_m,i=fl,fr,rl,rr
其中,m代表电机制动系统,i=fl,fr,rl,rr分别代表左前轮、右前轮、左后轮以及右后轮;
Ti_m≤min{Tmmax,Tregen},i=fl,fr,rl,rr (5)
式中,n为电机转速,nL为一阈值参数,当n<nL时,不输出电机制动力;nN是电机额定转速,PN是电机额定功率,TN是电机额定转矩,Tmmax是由式(4)定义的电机相对不同转速的最大转矩,Tregen代表当前电池最大再生功率对每个车轮再生力矩的限制。
若各车轮能提供的电气制动力矩等于或大于各车轮所需的总制动力矩,则制动力矩全部由电气制动力矩提供,液压制动力矩为0;若各车轮能提供的电气制动力矩小于各车轮所需的总制动力矩,则总制动力矩减去电气制动力矩,即得到前轮和后轮液压系统需要提供的机械制动力矩Ti_h:
Ti_h,i=fl,fr,rl,rr
其中,h代表液压制动系统。
步骤8:将各车轮的电气、液压制动力矩指令:Ti_m,i=fl,fr,rl,rr、Ti_h,i=fl,fr,rl,rr,送入电机、液压控制执行子系统,并跳到步骤1,如此循环。
优选地,本实施例设计了一种利用自动驾驶或车联网提供的信息实现前车制动强度意图预测的识别模型和方法,能够定量的反映出前车的制动意图趋势,并利用该定量信息来设计本车的制动策略。并设计了根据前车制动意图强度预测信号z1、当前车的制动强度需求z,确定车辆的总制动力矩的模型和方法。同时设计了打滑标志slip_flag,能够帮助实现四轮独立的附着制动稳定性的观测和制动力的控制,根据不同的打滑标志slip_flag状态实现不同的制动力分配(包括每个车轮的总制动力,以及每个车轮中电机制动力和液压制动力的分配)。
与现有技术相比,本实施例提供的利用前车信息的智能电驱动车辆再生制动控制方法,能够在考虑本车和前车相对运动行为的基础上,还能够对前车的制动意图进行预测,并利用该预测信息来作为本车制动需求的输入参考,能够提前对前车制动意图做出快速的响应,并提供一种利用车联网或自动驾驶提供的前车信息提高本车制动性的有效方法,能够结合前车制动意图预测的分布式电动车辆的再生制动控制方法,以更好地利用智能网联车辆的信息,将前方车辆的制动强度意图预测信息融入到车辆的制动控制中,提高对复杂交通流下的制动行为响应能力,进一步提升车辆的制动安全性;以及分布式电动车辆能从四个车轮回收制动能力,并提高对复杂轮胎-路面下制动的安全性,解决四轮在不同的附着条件下,整车的制动稳定性问题。能够定量预测前车的制动强度意图,并用来确定本车的总制动力需求,在复杂交通流下可以提前做出反应,制动安全性更高。还能根据四轮不同的附着条件来设计制动策略,杜绝任何车轮打滑的不稳定附着行为的发生,安全性更好。且每个车轮确定总制动力的基础上可优先发挥独立电机制动力的作用,从而可提高制动能量回收。且不用区分常规制动和紧急制动模式,系统控制逻辑来统一考虑上述问题,同时兼顾提高制动安全性和节能效果。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述,不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景,但是,本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,包括以下步骤:
通过车辆车载传感器采集前车的状态信息、或通过车-车通信系统获取前车的状态信息,以构建具有序贯特征的输入信息;
采用自适应模糊神经推理系统建立前车制动意图预测模型,并获取前车制动强度意图预测信号z1;
设计本车的四轮制动力矩分配策略,具体包括如下步骤:
步骤1:根据所述前车制动强度意图预测信号z1以及所述本车的制动强度需求z,确定车辆的总制动力矩:
步骤2:判断所述本车四个车轮是否为稳定附着地面的状态,并更新打滑标志slip_flag;
步骤3:当四个所述车轮均未打滑时,总制动力矩按照I曲线进行力矩分配;
步骤4:后轮不打滑,两个前轮中至少一个发生打滑;
步骤5:前轮不打滑,两个后轮中至少一个发生打滑;
步骤6:所述前轮和所述后轮均打滑;确定所述前轮的目标附着力矩,若两个所述前轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述前轮每个车轮的目标附着力矩;若只有一个所述前轮发生打滑,则将所述车轮的最大附着力矩作为所述前轮每个车轮的目标附着力矩;
确定后轮的目标附着力矩,若两个所述后轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述后轮每个车轮的目标附着力矩;若只有一个所述后轮发生打滑,则将所述车轮的最大附着力矩作为所述后轮每个车轮的目标附着力矩;
将得到的四个车轮的目标附着力矩乘以相同的调整系数,通过四个所述车轮的各自的附着力闭环跟踪控制的参考目标值,每个控制器输出值即是每个所述车轮实际所需施加的制动力;
步骤7:按照上述步骤6确定的四个所述车轮的目标附着力矩,作为附着力矩闭环控制器的参考目标,在所述闭环控制器的作用下,生成左前轮、左后轮、右前轮、右后轮的制动力矩;计算每个车轮的独立驱动电机能提供的电气制动力矩;
若各车轮能提供的电气制动力矩等于或大于各车轮所需的总制动力矩,则制动力矩全部由电气制动力矩提供,液压制动力矩为0;若各车轮能提供的电气制动力矩小于各车轮所需的总制动力矩,则总制动力矩减去电气制动力矩,即得到所述前轮和所述后轮液压系统需要提供的机械制动力矩;
步骤8:将各车轮的电气、液压制动力矩指令送入电机、液压控制执行子系统,并跳到步骤1,如此循环。
2.根据权利要求1所述的利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,所述“构建具有序贯特征的输入信息”具体包括以下步骤:
将所述前车当前时刻的车速、加速度以及与所述本车的距离等状态信息,作为所述前车制动意图预测模型的当前输入信息;
对所述当前输入信息进行滤波和同步处理;
计算所述前车相对所述本车的相对车速、相对加速度以及相对距离信息;
将上述处理过的所述前车相对所述本车当前时刻的相对车速、相对加速度以及相对距离信息联合过去1-10秒内的所述前车相对所述本车的历史相对车速、相对加速度和相对距离信息,以构建成序贯的信息序列,并生成模型的序贯特征的输入信号。
3.根据权利要求1所述的利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,所述“采用自适应模糊神经推理系统建立前车制动意图预测模型”具体包括以下步骤:
所述自适应模糊神经推理系统的方案为:采用5层模糊逻辑模型,包括计算输入模糊隶属度、规则适应度、适应度归一化处理、规则输出以及模糊系数输出等5层;
所述自适应模糊神经推理系统包含待定前件参数和后件参数,所述待定前件参数包括指定隶属度函数中的参数以及所述隶属度函数个数,所述后件参数包括训练代数;
自适应模糊神经推理系统模型训练的方案为:采用遗传算法对所述自适应模糊神经推理系统的模型参数进行搜索;
训练所用的输入数据为包含所述前车相对所述本车的距离、车速以及加速度的输入数据,训练时用到的输出数据为标签数据,根据定义如下:
当所述前车与所述本车的距离大于设置的阈值参数Lm=c*V时,则设置标签输出z1=0;
其中c为可调节参数,V为本车的车速,在所述本车的当前车速下,当所述前车与所述本车的距离大于阈值距离时,则表示所述前车制动意图对所述本车没有安全影响,且不做制动意图的预测;
对于当前时刻的输入参数,其对应的前车制动强度意图预测的输出标签数据按照如下方式进行量化:
首先,计算未来1-10秒内的归一化所述前车和所述本车之间的相对车速Ve∈[-1,1],所述前车和所述本车之间的相对加速度ae∈[-1,1],以及所述前车和所述本车之间的相对距离Le∈[0,1]:
其中,k为当前时刻,i为未来1-10秒内的离散时刻,N为考虑未来时间段的离散时刻数量,V是所述前车和所述本车之间的相对车速,a是所述前车和所述本车之间的相对加速度,L是所述前车和所述本车之间的相对距离;Vmax是所述前车和所述本车之间的最大的相对速度,amax是所述前车和所述本车之间的最大的相对加速度,Lm为所述前车和所述本车之间的相对距离阈值参数。
4.根据权利要求3所述的利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,所述“获取前车制动强度意图预测信号z1”具体包括以下步骤:
所述前车制动强度意图预测信号z1归一化为[0,1]之间的数值;
当所述z1=0时,则表示所述前车无制动意图操作;
当所述z1=1时,则表示所述前车制动意图最大,所述前车已经或将要触发紧急制动操作。
5.根据权利要求4所述的利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,所述“所述前车制动强度意图预测信号z1归一化为[0,1]之间的数值”具体包括以下步骤:
所述前车制动强度意图预测信号的定量表示为:
z1=c1*f(Ve)+c2*f(ae)+c3*Le
其中,c1,c2,c3分别是f(Ve)、f(ae)和Le正的权重系数,且c1+c2+c3=1,c1,c2,c3的值具体根据实际系统进行调整;
f(Ve)表示与Ve有关的函数,满足:
f(ae)表示与ae有关的函数,满足:
当相对速度为正时,c1相应的项为0,表示所述前车和后车之间趋向远离,反之,所述前车和后车之间在趋向靠近;
当相对加速度为正时,c2相应的项为0,表示所述前车和后车之间趋向远离,反之,所述前车和后车之间在趋向靠近。
6.根据权利要求1所述的利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,四轮制动力矩分配策略具体包括:步骤1:根据所述前车制动强度意图预测信号z1以及所述本车的制动强度需求z,确定车辆的总制动力矩Tsum:
其中ρ为小的正数系数,且ρ<1,Tdmax为整车所能获得的最大制动附着力矩,zmax为最大制动强度,z=zmax对应最大制动附着力矩;
上式中,当z1=0时,所述前车对所述本车没有影响:
当z1≠0时,所述前车有制动意图,所述本车的总制动力矩的需求对应增加;
步骤2:判断所述本车四个车轮是否为稳定附着地面的状态,并更新打滑标志slip_flag;
步骤3:当四个所述车轮均未打滑时,总制动力矩Tdrv按照I曲线进行力矩分配,分配到前轴和后轴的制动附着力矩由式(1)和式(2)确定;
当作用在前轮和后轮的制动附着力正比于各自的法向作用力时,所述前轮和所述后轮的制动附着力满足:
其中,Tf是所述前轴的制动附着力矩,Tr是所述后轴的制动附着力矩,Fzf是所述前轮的法向作用力,Fzr是所述后轮的法向作用力;
驾驶员总需求制动力Fsum为所述前轴的制动附着力Ff和所述后轴制动附着力Fr之和:
其中,M是整车质量,a是制动减速度,g是重力加速度,G=Mg是车辆的重力,z=a/g是制动强度,r是有效轮胎旋转半径;
步骤4:所述后轮不打滑,两个所述前轮中至少一个发生打滑;
步骤5:所述前轮不打滑,两个所述后轮中至少一个发生打滑;
步骤6:所述前轮和所述后轮均打滑;
确定所述前轮的目标附着力矩Tfl,Tfr,若两个所述前轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述前轮每个车轮的目标附着力矩;若只有一个所述前轮发生打滑,则将所述车轮的最大附着力矩作为所述前轮每个车轮的目标附着力矩;
确定后轮的目标附着力矩Trl,Trr,若两个所述后轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述后轮每个车轮的目标附着力矩;若只有一个所述后轮发生打滑,则将所述车轮的最大附着力矩作为所述后轮每个车轮的目标附着力矩;
将得到的四个车轮的目标附着力矩乘以相同的调整系数,通过四个所述车轮的各自的附着力闭环跟踪控制的参考目标值,每个控制器输出值即是每个所述车轮实际所需施加的制动力;
根据式(4)和式(5)计算每个车轮的独立驱动电机能提供的电气制动力矩Ti_m:
Ti_m,i=fl,fr,rl,rr
其中,m代表电机制动系统,i=fl,fr,rl,rr分别代表所述左前轮、所述右前轮、所述左后轮以及所述右后轮;
Ti_m≤min{Tmmax,Tregen},i=fl,fr,rl,rr (5)
式中,n为电机转速,nL为一阈值参数,当n<nL时,不输出电机制动力;nN是电机额定转速,PN是电机额定功率,TN是电机额定转矩,Tmmax是由式(4)定义的电机相对不同转速的最大转矩,Tregen代表当前电池最大再生功率对每个车轮再生力矩的限制;
若各车轮能提供的电气制动力矩等于或大于各车轮所需的总制动力矩,则制动力矩全部由电气制动力矩提供,液压制动力矩为0;若各车轮能提供的电气制动力矩小于各车轮所需的总制动力矩,则总制动力矩减去电气制动力矩,即得到所述前轮和所述后轮液压系统需要提供的机械制动力矩Ti_h:
Ti_h,i=fl,fr,rl,rr
其中,h代表液压制动系统;
步骤8:将各车轮的电气、液压制动力矩指令:Ti_m,i=fl,fr,rl,rr、Ti_h,i=fl,fr,rl,rr,送入电机、液压控制执行子系统,并跳到步骤1,如此循环。
7.根据权利要求6所述的利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,所述“判断所述本车四个车轮是否为稳定附着地面的状态,并更新打滑标志slip_flag”具体包括以下步骤:
设置一个打滑状态的标志slip_flag,所述打滑标志slip_flag是一个四位的二进制数,每一位对应一个车轮的附着状态;
当所述车轮发生打滑时,对应的打滑标志slip_flag标志位设置为1,反之,对应的打滑标志slip_flag标志位设置为0。
8.根据权利要求6所述的利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,所述本车的左轮和右轮的制动附着力为:
所述左轮和所述右轮的制动附着力矩按照左右平均分配的方法,即:
Tfl=Tfr=Tf/2
Trl=Trr=Tr/2
其中,Tfl为左前轮制动附着力矩,Tfr为右前轮制动附着力矩,Trl为左后轮制附着力矩,Trr为右后轮制动附着力矩。
9.根据权利要求6所述的利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,所述“所述后轮不打滑,两个所述前轮中至少一个发生打滑”具体包括:
根据所述打滑标志slip_flag状态,比较相应的打滑车轮中的最大附着力矩;
若两个所述前轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述前轮每个车轮的目标附着力矩;
若只有一个所述前轮发生打滑,则将所述车轮的最大附着力矩,作为所述前轮每个车轮的目标附着力矩;
将所述附着力矩乘以调整系数作为所述附着力矩闭环跟踪控制的参考目标值,其输出值即是所述前轮的每个车轮实际所需施加的制动力;
由于所述后轮还未打滑,故所述后轮总制动附着力矩Tr由式(2)计算得到,每个所述后轮的制动附着力矩为总制动附着力矩Tr的一半。
10.根据权利要求6所述的利用前车信息的智能电驱动车辆再生制动控制方法,其特征在于,所述“所述前轮不打滑,两个所述后轮中至少一个发生打滑”具体包括:
根据所述打滑标志slip_flag状态,比较相应的打滑车轮中的最大附着力矩;
若两个所述后轮均发生打滑,则将二者的最大附着力矩中较小的值,作为所述后轮每个车轮的目标附着力矩;
若只有一个所述后轮发生打滑,则将所述车轮的最大附着力矩,作为所述后轮每个车轮的目标附着力矩;
将所述力矩乘以调整系数作为所述附着力矩闭环跟踪控制的参考目标值,控制器输出值即是所述后轮的每个车轮实际所需施加的制动力;
由于所述前轮还未打滑,故所述前轮总制动附着力矩Tf由式(2)计算得到,每个所述前轮的制动附着力矩为总制动附着力矩Tf的一半。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111510360.2A CN114228507B (zh) | 2021-12-10 | 2021-12-10 | 利用前车信息的智能电驱动车辆再生制动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111510360.2A CN114228507B (zh) | 2021-12-10 | 2021-12-10 | 利用前车信息的智能电驱动车辆再生制动控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114228507A CN114228507A (zh) | 2022-03-25 |
CN114228507B true CN114228507B (zh) | 2023-06-27 |
Family
ID=80754804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111510360.2A Active CN114228507B (zh) | 2021-12-10 | 2021-12-10 | 利用前车信息的智能电驱动车辆再生制动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114228507B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116461508B (zh) * | 2023-04-27 | 2024-04-02 | 广州汽车集团股份有限公司 | 车辆控制方法、装置、终端以及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108081962B (zh) * | 2017-12-15 | 2019-09-10 | 重庆长安新能源汽车科技有限公司 | 一种驱动轮防抱死控制方法、系统和车辆 |
CN110103963B (zh) * | 2019-03-22 | 2020-10-02 | 同济大学 | 考虑操纵性与车轮稳定性协调的转矩分配控制系统及方法 |
CN110281947B (zh) * | 2019-05-15 | 2020-10-20 | 南京航空航天大学 | 一种融合路面识别的电动汽车再生制动力分配方法 |
CN112793430A (zh) * | 2019-12-27 | 2021-05-14 | 北京理工大学 | 一种双轴全轮分布式驱动电动汽车扭矩分配控制方法 |
CN113635879B (zh) * | 2021-08-30 | 2022-04-19 | 武汉理工大学 | 一种车辆制动力分配方法 |
-
2021
- 2021-12-10 CN CN202111510360.2A patent/CN114228507B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114228507A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108058615B (zh) | 车辆制动能量的回收方法和装置 | |
CN104627180B (zh) | 一种半主动巡航控制系统及其方法 | |
CN113212181B (zh) | 车辆中多桥分布式电驱动桥的控制方法与装置 | |
CN109017747B (zh) | 新能源四驱车辆的前后轴扭矩分配方法、系统及相关组件 | |
CN105691381A (zh) | 一种四轮独立驱动电动汽车稳定性控制方法及系统 | |
CN108790940A (zh) | 轮边驱动转向差速控制方法、控制装置、设备及汽车 | |
CN104590037B (zh) | 一种纯电动车的能量回馈控制方法 | |
CN113635879B (zh) | 一种车辆制动力分配方法 | |
CN111469670A (zh) | 一种基于路面识别的电动汽车再生制动控制策略 | |
CN105501078A (zh) | 一种四轮独立驱动电动汽车协同控制方法 | |
CN111845710A (zh) | 基于路面附着系数识别的整车动态性能控制方法及系统 | |
CN110435655B (zh) | 一种考虑再生制动的电动汽车车队自适应巡航优化方法 | |
CN110262491B (zh) | 一种基于混合学习方式的车辆制动意图预测的方法及系统 | |
CN113788021A (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
CN109080500A (zh) | 一种分布式驱动越野车辆的自适应驻车与辅助起步控制方法 | |
CN112477865B (zh) | 一种基于驾驶员制动行为预测的再生制动控制方法 | |
CN106103182A (zh) | 车辆控制装置及车辆控制方法 | |
CN106926709B (zh) | 制动能量回收装置、方法及轻型电动车 | |
CN114228507B (zh) | 利用前车信息的智能电驱动车辆再生制动控制方法 | |
CN112590789B (zh) | 一种电动汽车自适应巡航控制方法 | |
CN114454724A (zh) | 一种智能化纯电动汽车制动能量回收控制方法 | |
CN115284893A (zh) | 电动汽车力矩分配方法、系统、计算机及可读存储介质 | |
CN115675099A (zh) | 一种基于驾驶员风格识别的纯电动汽车制动能量回收方法 | |
Park et al. | Performance potential of regenerative braking energy recovery of autonomous electric vehicles | |
CN108657150A (zh) | 一种具有主动安全性的电动汽车制动控制系统 |
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 |