CN114701463B - 区间二型模糊神经网络复合制动防抱死控制系统及方法 - Google Patents
区间二型模糊神经网络复合制动防抱死控制系统及方法 Download PDFInfo
- Publication number
- CN114701463B CN114701463B CN202210376667.6A CN202210376667A CN114701463B CN 114701463 B CN114701463 B CN 114701463B CN 202210376667 A CN202210376667 A CN 202210376667A CN 114701463 B CN114701463 B CN 114701463B
- Authority
- CN
- China
- Prior art keywords
- torque
- neural network
- braking
- lock
- braking torque
- 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
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
- B60T8/176—Brake regulation specially adapted to prevent excessive wheel slip during vehicle deceleration, e.g. ABS
-
- 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
- B60T8/171—Detecting parameters used in the regulation; Measuring values used in the regulation
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Regulating Braking Force (AREA)
Abstract
一种区间二型模糊神经网络复合制动防抱死控制系统,包括传感器单元、车轮滑移率计算单元、路面最佳滑移率识别单元、区间二型模糊神经网络ABS控制器、整车控制器VCU、四个液压制动执行机构、四个轮毂电机及四个电机控制器,区间二型模糊神经网络ABS控制器经过区间二型模糊神经网络算法计算得到理想制动防抱死力矩Tb_i,同时基于最大再生制动力矩策略对电液复合制动系统进行制动防抱死力矩分配,并输出理想液压制动力矩Th_i和理想再生制动力矩Tr_i到整车控制器VCU,整车控制器VCU控制液压制动执行机构和轮毂电机产生相应的制动力矩。本发明提供了一种区间二型模糊神经网络复合制动防抱死控制系统及方法,提高电动汽车制动防抱死控制精度和稳定性。
Description
技术领域
本发明属于电动汽车制动防抱死系统(anti-lock braking system,ABS)控制技术领域,尤其是涉及一种区间二型模糊神经网络复合制动防抱死控制系统及方法。
背景技术
制动防抱死技术是现代汽车主动安全技术的代表之一。现代控制理论中广泛应用于ABS中的有较为传统的控制如PID控制、最优控制,滑模控制等,智能控制理论中包括神经网络、模糊控制、遗传算法等智能控制算法,其中模糊控制发展较为成熟且不依赖于对象的数学模型,应用于ABS具有较为理想的控制效果,在多种路面上都能确保车轮旋转恢复到稳定区域,有较强的鲁棒性和建模能力。专利号201810820460.7提出一种一型模糊控制的防抱死制动控制方法,基本将滑移率控制在理想滑移率附近,但是其控制算法是基于固定滑移率,在面对多种复杂工况时其控制效果不尽理想。202110711674.2提出一种区间二型模糊逻辑制动防抱死控制系统及控制方法,利用二型模糊逻辑抵抗外部干扰能力强的特点改善多工况下滑移率控制效果,但是该控制算法没有充分考虑制动执行机构的延迟特性导致目标制动力矩与实际制动力矩之间的误差对滑移率控制效果的影响。
制动防抱死过程存在大量非线性、时变、制动执行机构滞后等不确定信息的特点,不同路面的最佳滑移率和路面附着系数加重ABS控制中不确定程度,此外,滑移率控制误差较大的另一个重要影响因素是ABS上层控制器求取的理想制动防抱死力矩与实际制动执行机构所产生的制动力矩之间的差值大小,较大会导致滑移率控制效果不尽理想,因此提高制动防抱死控制算法抗干扰能力和减小理想制动力矩与实际制动力矩之间的误差是保证复杂工况下滑移率控制效果的前提。
发明内容
针对防抱死过程路面多变复杂和制动执行机构存在迟滞特性的特点,克服现有的模糊逻辑ABS控制在不同制动工况抗干扰能和自适应能力较差的技术问题,本发明提供了一种区间二型模糊神经网络复合制动防抱死控制系统及方法,提高电动汽车制动防抱死控制精度和稳定性。
本发明解决其技术问题所采用的技术方案是:
一种区间二型模糊神经网络复合制动防抱死控制系统,包括传感器单元、车轮滑移率计算单元、路面最佳滑移率识别单元、区间二型模糊神经网络ABS控制器、整车控制器VCU、四个液压制动执行机构、四个轮毂电机及四个电机控制器,所述传感器单元分别与车轮滑移率计算单元、路面最佳滑移率识别单元和整车控制器VCU连接,所述车轮滑移率计算单元和所述路面最佳滑移率识别单元均与区间二型模糊神经网络ABS控制器连接,所述区间二型模糊神经网络ABS控制器与整车控制器VCU连接,所述整车控制器VCU分别与四个液压制动执行机构、四个轮毂电机控制器连接,每个轮毂电机控制器与相应的轮毂电机连接,每个液压制动执行机构均包括一个制动盘、制动钳和制动轮缸,制动轮缸通过制动钳与相应的制动盘连接,液压制动执行机构通过轮缸进/出液电磁阀与整车控制器VCU连接;
所述传感器单元包括用于测量制动踏板位移的踏板位移传感器、用于测量车轮转速的轮速传感器、用于测量汽车速度的车速传感器、用于测量制动盘制动摩擦力矩和轮毂电机输出扭矩的力矩传感器以及用于测量电池荷电状态的SOC传感器,传感器单元将测量的车轮轮速ω、汽车速度v输入到车轮滑移率计算单元和路面最佳滑移率识别单元,车轮滑移率计算单元输出车轮滑移率λ到区间二型模糊神经网络ABS控制器,路面最佳滑移率识别单元输出路面最佳滑移率λd到区间二型模糊神经网络ABS控制器,区间二型模糊神经网络ABS控制器经过区间二型模糊神经网络算法计算得到理想制动防抱死力矩Tb_i,同时区间二型模糊神经网络ABS控制器基于最大再生制动力矩策略对电液复合制动系统进行制动防抱死力矩分配,并输出理想液压制动力矩Th_i和理想再生制动力矩Tr_i到整车控制器VCU,整车控制器VCU通过电信号控制液压制动执行机构产生实际液压制动力矩Th_r,并通过电信号控制电机控制器进而控制轮毂电机产生实际再生制动力矩Tr_r,力矩传感器将测量得到的实际液压制动力矩Th_r和实际再生制动力矩Tr_r输入到区间二型模糊神经网络ABS控制器,对区间二型模糊神经网络ABS控制器的输出数值进行调整,直至防抱死系统退出工作。
一种区间二型模糊神经网络复合制动防抱死控制方法,包括上述防抱死控制系统,所述控制方法包括以下步骤:
传感器单元采集制动踏板位移信号d,并输入到整车控制器VCU,同时整车控制器VCU根据车速信号v、踏板位移信号d及其变化率判断是否需要开启制动防抱死功能,若需要开启制动防抱死功能,则区间二型模糊神经网络ABS控制系统参与工作,传感器单元采集车轮轮速ω、汽车速度v输入到车轮滑移率计算单元和路面最佳滑移率识别单元,车轮滑移率计算单元计算出每个车轮的车轮滑移率λ,路面最佳滑移率识别单元输出当前路面最佳滑移率λd;然后车轮滑移率计算单元和路面最佳滑移率识别单元分别输出车轮滑移率λ和路面最佳滑移率λd到区间二型模糊神经网络ABS控制器,区间二型模糊神经网络ABS控制器经过区间二型模糊神经网络算法计算得到理想制动防抱死力矩Tb_i,同时区间二型模糊神经网络ABS控制器基于最大再生制动力矩策略对电液复合制动系统进行制动防抱死力矩分配,得到理想液压制动力矩Th_i和理想再生制动力矩Tr_i,然后发送电信号到整车控制器VCU,整车控制器VCU根据理想液压制动力矩Th_i和理想再生制动力矩Tr_i数值大小发送电信号控制轮缸进/出液电磁阀和电机控制器工作产生相应制动力矩,同时相应的力矩传感器将测量得到的实际液压制动力矩Th_r和实际再生制动力矩Tr_r输入到区间二型模糊神经网络ABS控制器,区间二型模糊神经网络ABS控制器根据实际液压制动力矩Th_r与实际再生制动力矩Tr_r的和,即实际制动防抱死力矩Tb_r对区间二型模糊神经网络参数进行修正从而对液压制动力矩和再生制动力矩数值进行调整,直至防抱死系统退出工作;若不需要开启制动防抱死功能,则区间二型模糊神经网络ABS控制系统不参与工作,进行常规制动方式直至汽车减速停止。
进一步,所述控制方法还包括以下步骤:所述区间二型模糊神经网络ABS控制器采用的最大再生制动力矩策略如下:
若汽车速度v满足v≤10km/h,则理想液压制动力矩Th_i、理想再生制动力矩Tr_i满足下式:
其中,Tλ=1为车轮滑移率λ等于1时的制动力矩;
若汽车速度v、电池荷电状态SOC满足下式:
则理想液压制动力矩Th_i,理想再生制动力矩Tr_i满足下式:
若汽车速度v、电池荷电状态SOC,理想制动防抱死力矩Tb_i、最大再生制动力矩Tri_max满足下式:
则理想液压制动力矩Th_i,理想再生制动力矩Tr_i满足下式:
若汽车速度v、电池荷电状态SOC,理想制动防抱死力矩Tb_i、最大再生制动力矩Tri_max满足下式:
则理想液压制动力矩Th_i,理想再生制动力矩Tr_i满足下式:
再进一步,所述区间二型模糊神经网络ABS控制器的算法设计过程包括以下步骤:
1)选择输入层变量
2)确定隐藏层激活度函数
输入层神经元e的二型模糊集合为输入层神经元/>的二型模糊集合/>其中NB表示负大,NS表示负小,ZE表示零,PS表示正小,PB表示正大,因此隐藏层神经元个数为10;各个神经元的激活度函数,即隶属度函数为:/>
式中,为第j个隶属度函数层神经元输出值上界,u(x1,2)为第j个隶属度函数层神经元输出值下界,c j为第j个隶属度函数层神经元隶属度函数中心值下界,/>为第j个隶属度函数层神经元隶属度函数中心值上界,σj为第j个隶属度函数层神经元隶属度函数宽度,j=1,2,……,10;
3)计算激励层规则激活度区间
4)模糊降型层
第四层为模糊降型层,制动防抱死控制的目的是将车轮滑移率控制在最佳滑移率范围内,因此当车轮滑移率λ与路面最佳滑移率λd的差值e=λ-λd为负值且绝对值较大时,需要增大制动防抱死轮缸压力使车轮制动力矩增大进而车轮滑移率增大接近路面最佳滑移率;反之,车轮滑移率λ与路面最佳滑移率λd的差值e=λ-λd为正值时且绝对值较大时,需要减小制动防抱死轮缸压力使车轮制动力矩减小进而车轮滑移率减小接近路面最佳滑移率;降型方法采用Enhanced Karnic-Mendel(EKM)算法,该层的输出如下所示:
式中,M为模糊规则数量,yl为网络降型输出左端点,yr为网络降型输出右端点,L为EKM算法左转折点,R为EKM算法右转折点;
(5)输出层
第五层为输出层,其节点表示整个网络的输出,网络的实际输出为理想制动防抱死力矩Tb_i,
式中,kc为比例因子;
将区间二型模糊神经网络算法输出得到的理想制动防抱死力矩Tb_i基于最大再生制动力矩策略在电液复合制动防抱死系统中进行分配,得到理想再生制动力矩Tr_i和理想液压制动力矩Th_i,经过制动执行机构产生实际再生制动力矩Tr_r与实际液压制动力矩Th_i,两者相加得到实际制动防抱死力矩Tb_r:
区间二型模糊神经网络中隶属度函数以及规则后件的参数学习的原则为实现理想制动防抱死力矩Tb_i和实际制动防抱死力矩Tb_r之间的最小误差,因此采用误差反向传播算法利用梯度下降法对神经网络进行训练学习,定义性能指标为:
参数的学习率应该根据性能指标E的大小进行调整,其中由于EKM降型算法中存在左右转折点,因此在函数求导过程中,参数应该根据转折点分区域进行学习调整。
本发明的有益效果主要表现在:
1)本发明针对电动汽车制动中的复杂的、动态的车轮防抱死制动过程,以及其非线性、时变性、制动执行机构迟滞以及参数不确定性等特点,采用神经网络与区间二型模糊逻辑结合的电动汽车制动防抱死控制算法,充分利用神经网络自学习能力,通过大幅度减小理想制动力矩与实际制动力矩之间的误差提高目标滑移率控制精度,增强制动防抱死控制稳定性;
2)针对电动汽车采用电机驱动的特点,基于传统液压制动方式,在制动防抱死功能中引入再生制动,构建电液复合制动防抱死系统,能够在保证制动安全性的前提下实现制动能量回收增强电动汽车续航能力。
附图说明
图1为区间二型模糊神经网络复合制动防抱死控制系统原理框图。
图2为区间二型模糊神经网络复合制动防抱死控制系统的工作流程图。
图3为区间二型模糊神经网络ABS控制算法原理图。
具体实施方式
下面结合附图对本发明作进一步描述。
如图1所示,一种区间二型模糊神经网络复合制动防抱死控制系统,包括传感器单元、车轮滑移率计算单元、路面最佳滑移率识别单元、区间二型模糊神经网络ABS控制器、整车控制器VCU、四个液压制动执行机构、四个轮毂电机及四个电机控制器,所述传感器单元分别与车轮滑移率计算单元、路面最佳滑移率识别单元和整车控制器VCU连接,所述车轮滑移率计算单元和所述路面最佳滑移率识别单元均与区间二型模糊神经网络ABS控制器连接,所述区间二型模糊神经网络ABS控制器与整车控制器VCU连接,所述整车控制器VCU分别与四个液压制动执行机构、四个轮毂电机控制器连接,每个轮毂电机控制器与相应的轮毂电机连接,每个液压制动执行机构均包括一个制动盘、制动钳和制动轮缸,制动轮缸通过制动钳与相应的制动盘连接;液压制动执行机构通过轮缸进/出液电磁阀与整车控制器VCU连接;
所述传感器单元包括用于测量制动踏板位移的踏板位移传感器、用于测量车轮转速的轮速传感器、用于测量汽车速度的车速传感器、用于测量制动盘制动摩擦力矩和轮毂电机输出扭矩的力矩传感器以及用于测量电池荷电状态(state of charge,SOC)的SOC传感器,传感器单元将测量的车轮轮速ω、汽车速度v输入到车轮滑移率计算单元和路面最佳滑移率识别单元,车轮滑移率计算单元输出车轮滑移率λ到区间二型模糊神经网络ABS控制器,路面最佳滑移率识别单元输出路面最佳滑移率λd到区间二型模糊神经网络ABS控制器,区间二型模糊神经网络ABS控制器经过区间二型模糊神经网络算法计算得到理想制动防抱死力矩Tb_i,同时区间二型模糊神经网络ABS控制器基于最大再生制动力矩策略对电液复合制动系统进行制动防抱死力矩分配,并输出理想液压制动力矩Th_i和理想再生制动力矩Tr_i到整车控制器VCU,整车控制器VCU通过电信号控制液压制动执行机构产生实际液压制动力矩Th_r,并通过电信号控制电机控制器进而控制轮毂电机产生实际再生制动力矩Tr_r,力矩传感器将测量得到的实际液压制动力矩Th_r和实际再生制动力矩Tr_r输入到区间二型模糊神经网络ABS控制器,对区间二型模糊神经网络ABS控制器的输出数值进行调整,直至防抱死系统退出工作。
所述区间二型模糊神经网络复合制动防抱死控制系统工作流程如图2所示,包括以下步骤:
(2)若需要开启制动防抱死功能,则区间二型模糊神经网络ABS控制系统参与工作,传感器单元采集车轮轮速ω、汽车速度v输入到车轮滑移率计算单元和路面最佳滑移率识别单元,车轮滑移率计算公式如下:
式中,R为车轮半径。
计算出每个车轮的车轮滑移率λ,路面最佳滑移率识别单元输出当前路面最佳滑移率λd。然后车轮滑移率计算单元和路面最佳滑移率识别单元分别输出车轮滑移率λ和路面最佳滑移率λd到区间二型模糊神经网络ABS控制器,区间二型模糊神经网络ABS控制器经过区间二型模糊神经网络算法计算得到理想制动防抱死力矩Tb_i。
(3)区间二型模糊神经网络ABS控制器基于最大再生制动力矩策略对电液复合制动系统进行制动防抱死力矩分配,所述最大再生制动力矩策略如下:
若汽车速度v满足v≤10km/h,则理想液压制动力矩Th_i、理想再生制动力矩Tr_i满足下式:
其中,Tλ=1为车轮滑移率λ等于1时的制动力矩;
若汽车速度v、电池荷电状态(state of charge,SOC)满足下式:
则理想液压制动力矩Th_i,理想再生制动力矩Tr_i满足下式:
若汽车速度v、电池荷电状态(state of charge,SOC),理想制动防抱死力矩Tb_i、最大再生制动力矩Tri_max满足下式:
则理想液压制动力矩Th_i,理想再生制动力矩Tr_i满足下式:
若汽车速度v、电池荷电状态(state of charge,SOC),理想制动防抱死力矩Tb_i、最大再生制动力矩Tri_max满足下式:
则理想液压制动力矩Th_i,理想再生制动力矩Tr_i满足下式:
(4)根据最大再生制动力矩策略得到理想液压制动力矩Th_i和理想再生制动力矩Tr_i,然后发送电信号到整车控制器VCU,整车控制器VCU根据理想液压制动力矩Th_i和理想再生制动力矩Tr_i数值大小发送电信号控制轮缸出液电磁阀和电机控制器工作产生相应制动力矩,同时相应的力矩传感器将测量得到的实际液压制动力矩Th_r和实际再生制动力矩Tr_r输入到区间二型模糊神经网络ABS控制器,区间二型模糊神经网络ABS控制器根据实际液压制动力矩Th_r与实际再生制动力矩Tr_r的和,即实际制动防抱死力矩Tb_r对区间二型模糊神经网络参数进行修正从而对液压制动力矩和再生制动力矩数值进行调整,直至防抱死系统退出工作;
(5)若不需要开启制动防抱死功能,则区间二型模糊神经网络ABS控制系统不参与工作,进行常规制动方式直至汽车减速停止。
进一步,如图3所示,所述区间二型模糊神经网络ABS控制器的算法设计过程包括以下步骤:
1)选择输入层变量
2)确定隐藏层激活度函数
输入层神经元e的二型模糊集合为输入层神经元/>的二型模糊集合/>其中NB表示负大,NS表示负小,ZE表示零,PS表示正小,PB表示正大。因此隐藏层神经元个数为10。各个神经元的激活度函数,即隶属度函数为:/>
式中,为第j个隶属度函数层神经元输出值上界,u(x1,2)为第j个隶属度函数层神经元输出值下界,c j为第j个隶属度函数层神经元隶属度函数中心值下界,/>为第j个隶属度函数层神经元隶属度函数中心值上界,σj为第j个隶属度函数层神经元隶属度函数宽度,j=1,2,……,10;
模糊规则数是模糊逻辑控制效果的重要影响因素,模糊规则数量过少导致模糊变量区间内模糊集合区间界定不明确,导致较大的控制误差,另一方面,模糊规则数量过多会导致模糊推理及模糊降型过程中计算成本增加,不利于制动防抱死过程的实时性要求。因此,为充分降低计算迭代时间和提高控制精度的要求,考虑到区间二型模糊神经网络ABS控制器输入变量的模糊集合数各为5个,设定区间二型模糊神经网络中共有M=25条规则,其中第i条规则为:
3)计算激励层规则激活度区间
4)模糊降型层
第四层为模糊降型层,制动防抱死控制的目的是将车轮滑移率控制在最佳滑移率范围内,因此当车轮滑移率λ与路面最佳滑移率λd的差值e=λ-λd为负值且绝对值较大时,需要增大制动防抱死轮缸压力使车轮制动力矩增大进而车轮滑移率增大接近路面最佳滑移率;反之,车轮滑移率λ与路面最佳滑移率λd的差值e=λ-λd为正值时且绝对值较大时,需要减小制动防抱死轮缸压力使车轮制动力矩减小进而车轮滑移率减小接近路面最佳滑移率。各规则后件输出区间如表1所示:
表1各规则后件输出区间
传统Karnic-Mendel(KM)算法在计算迭代过程中寻找左右切换点时未能够充分使用上一次迭代的结果而导致计算时间的增加,针对制动防抱死过程中需要实时调整轮缸压力控制滑移率,因此制动防抱死控制过程实时性较高,为减小计算成本,降低运算时间,降型方法采用Enhanced Karnic-Mendel(EKM)算法,该层的输出如下所示:
式中,M为模糊规则数量,yl为网络降型输出左端点,yr为网络降型输出右端点,L为EKM算法左转折点,R为EKM算法右转折点。
(5)输出层
第五层为输出层,其节点表示整个网络的输出,网络的实际输出为理想制动防抱死力矩Tb_i,
式中,kc为比例因子。
将区间二型模糊神经网络算法输出得到的理想制动防抱死力矩Tb_i基于最大再生制动力矩策略在电液复合制动防抱死系统中进行分配,得到理想再生制动力矩Tr_i和理想液压制动力矩Th_i,经过制动执行机构产生实际再生制动力矩Tr_r与实际液压制动力矩Th_i,两者相加得到实际制动防抱死力矩Tb_r:
在制动防抱死控制过程中,滑移率控制效果不理想的主要原因之一是控制算法计算得到的理想制动防抱死力矩与制动执行机构实际产生的制动防抱死力矩差值较大,因此区间二型模糊神经网络中隶属度函数以及规则后件的参数学习的原则为实现理想制动防抱死力矩Tb_i和实际制动防抱死力矩Tb_r之间的最小误差。因此采用误差反向传播算法(Error Back Propagation Algorithm)利用梯度下降法对神经网络进行训练学习,定义性能指标为:
参数的学习率应该根据性能指标E的大小进行调整,调整如表2所示:
表2不同性能指标大小下的各参数学习率数值
其中由于EKM降型算法中存在左右转折点的问题,因此在函数求导过程中,参数应该根据转折点分区域进行学习调整,调整公式(其中二型高斯隶属度函数的不确定中心c j和参数更新公式只列举第一个神经元,剩余神经元参数更新公式以此类推)如下:
传统一型模糊逻辑抵抗外部干扰的能力较差,区间二型模糊神经网络同时结合二型模糊逻辑和神经网络算法的优势,通过增强对个体间与个体内不确定性的描述增强模糊逻辑算法抗干扰能力。同时,人工神经网络算法具有自学习能力,利用误差反向传播算法能够根据控制目标的误差调整自身参数从而提高控制精度。因此利用区间二型模糊神经网络算法进行ABS控制能够保证复杂工况下的滑移率控制效果,同时通过减小理想制动力矩与实际制动力矩之间的误差来提高区间二型模糊逻辑的自适应性。
Claims (3)
1.一种区间二型模糊神经网络复合制动防抱死控制方法,包括防抱死控制系统,其特征在于:所述防抱死控制系统包括传感器单元、车轮滑移率计算单元、路面最佳滑移率识别单元、区间二型模糊神经网络ABS控制器、整车控制器VCU、四个液压制动执行机构、四个轮毂电机及四个电机控制器,所述传感器单元分别与车轮滑移率计算单元、路面最佳滑移率识别单元和整车控制器VCU连接,所述车轮滑移率计算单元和所述路面最佳滑移率识别单元均与区间二型模糊神经网络ABS控制器连接,所述区间二型模糊神经网络ABS控制器与整车控制器VCU连接,所述整车控制器VCU分别与四个液压制动执行机构、四个轮毂电机控制器连接,每个轮毂电机控制器与相应的轮毂电机连接,每个液压制动执行机构均包括一个制动盘、制动钳和制动轮缸,制动轮缸通过制动钳与相应的制动盘连接,液压制动执行机构通过轮缸进/出液电磁阀与整车控制器VCU连接;
所述传感器单元包括用于测量制动踏板位移的踏板位移传感器、用于测量车轮转速的轮速传感器、用于测量汽车速度的车速传感器、用于测量制动盘制动摩擦力矩和轮毂电机输出扭矩的力矩传感器以及用于测量电池荷电状态的SOC传感器,传感器单元将测量的车轮轮速ω、汽车速度v输入到车轮滑移率计算单元和路面最佳滑移率识别单元,车轮滑移率计算单元输出车轮滑移率λ到区间二型模糊神经网络ABS控制器,路面最佳滑移率识别单元输出路面最佳滑移率λd到区间二型模糊神经网络ABS控制器,区间二型模糊神经网络ABS控制器经过区间二型模糊神经网络算法计算得到理想制动防抱死力矩Tb_i,同时区间二型模糊神经网络ABS控制器基于最大再生制动力矩策略对电液复合制动系统进行制动防抱死力矩分配,并输出理想液压制动力矩Th_i和理想再生制动力矩Tr_i到整车控制器VCU,整车控制器VCU通过电信号控制液压制动执行机构产生实际液压制动力矩Th_r,并通过电信号控制电机控制器进而控制轮毂电机产生实际再生制动力矩Tr_r,力矩传感器将测量得到的实际液压制动力矩Th_r和实际再生制动力矩Tr_r输入到区间二型模糊神经网络ABS控制器,对区间二型模糊神经网络ABS控制器的输出数值进行调整,直至防抱死系统退出工作;
所述控制方法包括以下步骤:
传感器单元采集制动踏板位移信号d,并输入到整车控制器VCU,同时整车控制器VCU根据车速信号v、踏板位移信号d及其变化率判断是否需要开启制动防抱死功能,若需要开启制动防抱死功能,则区间二型模糊神经网络ABS控制系统参与工作,传感器单元采集车轮轮速ω、汽车速度v输入到车轮滑移率计算单元和路面最佳滑移率识别单元,车轮滑移率计算单元计算出每个车轮的车轮滑移率λ,路面最佳滑移率识别单元输出当前路面最佳滑移率λd;然后车轮滑移率计算单元和路面最佳滑移率识别单元分别输出车轮滑移率λ和路面最佳滑移率λd到区间二型模糊神经网络ABS控制器,区间二型模糊神经网络ABS控制器经过区间二型模糊神经网络算法计算得到理想制动防抱死力矩Tb_i,同时区间二型模糊神经网络ABS控制器基于最大再生制动力矩策略对电液复合制动系统进行制动防抱死力矩分配,得到理想液压制动力矩Th_i和理想再生制动力矩Tr_i,然后发送电信号到整车控制器VCU,整车控制器VCU根据理想液压制动力矩Th_i和理想再生制动力矩Tr_i数值大小发送电信号控制轮缸进/出液电磁阀和电机控制器工作产生相应制动力矩,同时相应的力矩传感器将测量得到的实际液压制动力矩Th_r和实际再生制动力矩Tr_r输入到区间二型模糊神经网络ABS控制器,区间二型模糊神经网络ABS控制器根据实际液压制动力矩Th_r与实际再生制动力矩Tr_r的和,即实际制动防抱死力矩Tb_r对区间二型模糊神经网络参数进行修正从而对液压制动力矩和再生制动力矩数值进行调整,直至防抱死系统退出工作;若不需要开启制动防抱死功能,则区间二型模糊神经网络ABS控制系统不参与工作,进行常规制动方式直至汽车减速停止。
2.如权利要求1所述的一种区间二型模糊神经网络复合制动防抱死控制方法,其特征在于:所述控制方法还包括以下步骤:所述区间二型模糊神经网络ABS控制器采用的最大再生制动力矩策略如下:
若汽车速度v满足v≤10km/h,则理想液压制动力矩Th_i、理想再生制动力矩Tr_i满足下式:
其中,Tλ=1为车轮滑移率λ等于1时的制动力矩;
若汽车速度v、电池荷电状态SOC满足下式:
则理想液压制动力矩Th_i,理想再生制动力矩Tr_i满足下式:
若汽车速度v、电池荷电状态SOC,理想制动防抱死力矩Tbi、最大再生制动力矩Tri_max满足下式:
则理想液压制动力矩Th_i,理想再生制动力矩Tr_i满足下式:
若汽车速度v、电池荷电状态SOC,理想制动防抱死力矩Tb_i、最大再生制动力矩Tri_max满足下式:
则理想液压制动力矩Th_i,理想再生制动力矩Tr_i满足下式:
3.如权利要求2所述的一种区间二型模糊神经网络复合制动防抱死控制方法,其特征在于:所述区间二型模糊神经网络ABS控制器的算法设计过程包括以下步骤:
1)选择输入层变量
2)确定隐藏层激活度函数
式中,为第j个隶属度函数层神经元输出值上界,u(x1,2)为第j个隶属度函数层神经元输出值下界,c j为第j个隶属度函数层神经元隶属度函数中心值下界,为第j个隶属度函数层神经元隶属度函数中心值上界,σj为第j个隶属度函数层神经元隶属度函数宽度,j=1,2,……,10;
3)计算激励层规则激活度区间
4)模糊降型层
第四层为模糊降型层,制动防抱死控制的目的是将车轮滑移率控制在最佳滑移率范围内,因此当车轮滑移率λ与路面最佳滑移率λd的差值e=λ-λd为负值且绝对值较大时,需要增大制动防抱死轮缸压力使车轮制动力矩增大进而车轮滑移率增大接近路面最佳滑移率;反之,车轮滑移率λ与路面最佳滑移率λd的差值e=λ-λd为正值时且绝对值较大时,需要减小制动防抱死轮缸压力使车轮制动力矩减小进而车轮滑移率减小接近路面最佳滑移率;降型方法采用Enhanced Karnic-Mendel(EKM)算法,该层的输出如下所示:
式中,M为模糊规则数量,yl为网络降型输出左端点,yr为网络降型输出右端点,L为EKM算法左转折点,R为EKM算法右转折点;
(5)输出层
第五层为输出层,其节点表示整个网络的输出,网络的实际输出为理想制动防抱死力矩Tb_i,
式中,kc为比例因子;
将区间二型模糊神经网络算法输出得到的理想制动防抱死力矩Tb_i基于最大再生制动力矩策略在电液复合制动防抱死系统中进行分配,得到理想再生制动力矩Tr_i和理想液压制动力矩Th_i,经过制动执行机构产生实际再生制动力矩Tr_r与实际液压制动力矩Th_r,两者相加得到实际制动防抱死力矩Tb_r:
区间二型模糊神经网络中隶属度函数以及规则后件的参数学习的原则为实现理想制动防抱死力矩Tb_i和实际制动防抱死力矩Tb_r之间的最小误差,因此采用误差反向传播算法利用梯度下降法对神经网络进行训练学习,定义性能指标为:
参数的学习率应该根据性能指标E的大小进行调整,其中由于EKM降型算法中存在左右转折点,因此在函数求导过程中,参数应该根据转折点分区域进行学习调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376667.6A CN114701463B (zh) | 2022-04-11 | 2022-04-11 | 区间二型模糊神经网络复合制动防抱死控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210376667.6A CN114701463B (zh) | 2022-04-11 | 2022-04-11 | 区间二型模糊神经网络复合制动防抱死控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114701463A CN114701463A (zh) | 2022-07-05 |
CN114701463B true CN114701463B (zh) | 2023-03-24 |
Family
ID=82173262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210376667.6A Active CN114701463B (zh) | 2022-04-11 | 2022-04-11 | 区间二型模糊神经网络复合制动防抱死控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114701463B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115723725B (zh) * | 2022-12-12 | 2024-04-05 | 北京理工大学 | 一种分体式飞行车辆的线控底盘制动系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10723229B1 (en) * | 2019-03-15 | 2020-07-28 | Ford Global Technologies, Llc | Regenerative braking control system |
CN110949344B (zh) * | 2019-12-18 | 2021-01-29 | 北京理工大学 | 一种分布式驱动电动汽车制动防抱死控制方法及系统 |
CN112026771B (zh) * | 2020-08-04 | 2021-11-23 | 南京航空航天大学 | 一种基于轮毂电机/电子机械制动器的复合防抱死控制方法 |
CN113460007B (zh) * | 2021-06-25 | 2022-07-15 | 浙江理工大学 | 基于区间二型模糊逻辑的汽车制动防抱死控制系统及方法 |
CN113954796A (zh) * | 2021-11-16 | 2022-01-21 | 南京航空航天大学 | 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 |
-
2022
- 2022-04-11 CN CN202210376667.6A patent/CN114701463B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114701463A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108437991B (zh) | 一种智能电动汽车自适应巡航控制系统及其方法 | |
CN107719372B (zh) | 基于动态控制分配的四驱电动汽车动力学多目标控制系统 | |
CN112666833B (zh) | 一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法 | |
CN113635879B (zh) | 一种车辆制动力分配方法 | |
CN111391822A (zh) | 一种极限工况下汽车横纵向稳定性协同控制方法 | |
CN114701463B (zh) | 区间二型模糊神经网络复合制动防抱死控制系统及方法 | |
Meng et al. | A survey of brake-by-wire system for intelligent connected electric vehicles | |
CN112590789B (zh) | 一种电动汽车自适应巡航控制方法 | |
CN110162910A (zh) | 一种基于物联网技术的坡起优化方法 | |
CN113460007B (zh) | 基于区间二型模糊逻辑的汽车制动防抱死控制系统及方法 | |
Zhao et al. | Composite braking AMT shift strategy for extended-range heavy commercial electric vehicle based on LHMM/ANFIS braking intention identification | |
CN109910863A (zh) | 一种基于插电式混合动力轿车专用变速器的控制方法 | |
Chen et al. | Sliding mode control of vehicle equipped with brake-by-wire system considering braking comfort | |
CN108749816B (zh) | 运用能量耗散理论进行智能车辆速度调控的方法 | |
CN113741199B (zh) | 一种基于智能网联信息的整车经济性速度规划方法 | |
CN114987537A (zh) | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法 | |
Wu et al. | Distribution Method of Automotive Torque for Hub Motor Considering Energy Consumption Optimization | |
Zhang et al. | Research on coordinated control of braking mode switching for enhancing switching quality considering communication delay and time-varying model parameters | |
WO2022028257A1 (zh) | 新能源车辆的能耗回收比预测方法、节能控制方法和系统 | |
Lu et al. | Design and comparative study of ABS control strategies based on co-simulation | |
Bian et al. | Control parameter optimization for automobile cruise control system via improved differential evolution algorithm | |
CN114734970B (zh) | 基于区间三型模糊逻辑制动防抱死控制系统及方法 | |
Jin et al. | Design of a fuzzy-PID longitudinal controller for Autonomous Ground Vehicle | |
CN113110031A (zh) | 基于遗传算法优化的模糊pid主动悬架控制系统及方法 | |
Vodovozov et al. | Neural network control of green energy vehicles with blended braking systems |
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 |