TWM627643U

TWM627643U - 電動輔助自行車的輔助力控制系統

Info

Publication number: TWM627643U
Application number: TW110214163U
Authority: TW
Inventors: 傅丙辰; 林采緩; 瓦德孫
Original assignee: 信邦電子股份有限公司
Priority date: 2021-11-29
Filing date: 2021-11-29
Publication date: 2022-06-01

Abstract

一種電動輔助自行車的輔助力控制系統，該系統包含一感測裝置、一行動運算裝置、一第一控制器與一第二控制器，該感測裝置偵測一騎乘扭力與一騎乘速度，該行動運算裝置透過一第一ANN模型以一個人資料與一歷史騎乘資料作為輸入資料，及透過一第二ANN模型根據該第一ANN模型所輸出的一預測分數、該個人資料和一環境資料輸出一微調因子，該第一控制器根據該微調因子、一模式因子與一差距因子產生一終端因子，該第二控制器根據該終端因子、該騎乘扭力與該騎乘速度產生一馬達目標參數，根據該馬達目標參數產生一馬達驅動電流並輸出至該馬達使其運轉。

Description

電動輔助自行車的輔助力控制系統

本新型涉及電動輔助自行車的控制系統，特別是指電動輔助自行車的輔助力控制系統。

傳統自行車的主要動力來源是使用者，也就是說，傳統自行車的操作是由使用者的腳施力於踏板，進而帶動曲柄、齒輪盤和鏈條以驅動車輪轉動，方能前行。為了提供使用者有更省力的騎乘體驗，電動輔助自行車因應而生，習知電動輔助自行車設有一馬達與一加速把手，該馬達透過傳動機構連接車輪，該加速把手供使用者握持，使用者騎乘該習知電動輔助自行車時，可以手腕出力以轉動該加速把手，該加速把手的轉動幅度可對應控制該馬達的動力輸出。然而，當使用者進行長距離行程時，因為使用者的手腕必須長時間持續出力以轉動並維持該加速把手的位置，導致使用者覺得不便利與疲勞。

另一種習知電動輔助自行車可不具加速把手，當使用者騎乘電動輔助自行車時，其馬達可自動提供動態輔助力於車輪。舉例而言，假設使用者騎乘傳統自行車時需付出120Nm的扭力才可從靜止狀態起步，而騎乘電動輔助自行車時，由馬達提供20Nm的輔助力，使用者僅需付出100Nm的力即可從靜止狀態起步，達成省力的效果。

然而，該習知電動輔助自行車所能提供的動態輔助力係根據生產製造商的研發人員或專業騎手試乘測試後評估出的數據，電動輔助自行車是販售給一般民眾，一般民眾的騎乘習慣、方式、技巧、身形、體重與騎乘當下的體力狀態等等皆有別於生產製造商的研發人員或專業騎手。可想而知，習知電動輔助自行車提供的輔助力是單調、無變化性的，一般民眾購買電動輔助自行車後，其產生的輔助力不一定能符合一般民眾的騎乘需求，例如有些人會認為輔助力過大而導致沒有感到實質運動效果，或有些人會認為輔助力過小而導致沒有感到省力效果，導致一般民眾不容易適應電動輔助自行車的功能，造成使用的困擾。

有鑒於此，本新型的主要目的是提供一種電動輔助自行車的輔助力控制系統，以期能控制馬達提供適當的輔助力給不同使用者，以克服先前技術所述問題。

本新型電動輔助自行車的輔助力控制系統供應用在一電動輔助自行車，該電動輔助自行車包含一馬達，該輔助力控制系統包含：一感測裝置，安裝在該電動輔助自行車以偵測一騎乘扭力與一騎乘速度；一行動運算裝置，透過一第一ANN模型和一第二ANN模型產生一微調因子，其中，該第一ANN模型以一個人資料與一歷史騎乘資料作為輸入資料，該第二ANN模型以該第一ANN模型所輸出的一預測分數、該個人資料和一環境資料作為輸入資料，該第二ANN模型的輸出資料為該微調因子；一第一控制器，安裝在該電動輔助自行車，訊號連接該行動運算裝置以接收該微調因子，並根據該微調因子、該電動輔助自行車的一模式因子與一差距因子產生一終端因子；以及一第二控制器，安裝在該電動輔助自行車，訊號連接該感測裝置、該第一控制器和該馬達，該第二控制器包含一智能模組與一安全控制模組，該智能模組根據該終端因子、該騎乘扭力與該騎乘速度產生一馬達目標參數，該安全控制模組根據該馬達目標參數產生一馬達驅動電流並輸出至該馬達，使該馬達運轉。

根據本新型的電動輔助自行車的輔助力控制系統，利用該行動運算裝置實施該第一ANN模型和該第二ANN模型的演算法程式資料而產生該微調因子，該微調因子係根據使用者身體狀態與當地時空背景所運算得到的數據，作為控制該馬達運轉的基礎之一。藉此，該馬達即可隨著不同使用者和不同騎車環境而提供適當大小的輔助力，故能有別於習知電動輔助自行車僅提供單調的輔助力，透過流暢的智慧輔助之下仍可舒適地騎乘而不感覺到馬達的輸出或馬達停止輸出。

10:感測裝置

11:扭力感測器

12:速度感測器

20:行動運算裝置

21:第一ANN模型

211:輸入層

212:隱藏層

213:輸出層

22:第二ANN模型

221:輸入層

222:隱藏層

223:輸出層

230:個人資料

231:歷史騎乘資料

232:環境資料

30:第一控制器

40:第二控制器

41:智能模組

42:安全控制模組

50:馬達

51:電池

S1:騎乘扭力

S2:騎乘速度

Id:馬達驅動電流

Fm:微調因子

FF:終端因子

Mt:馬達目標參數

R1:速度下限值

R2:速度上限值

圖1：本新型電動輔助自行車的輔助力控制系統的方塊示意圖。

圖2：本新型中，該第一ANN模型的示意圖。

圖3：本新型中，該第二ANN模型的示意圖。

圖4：本新型中，第二控制器判斷以扭力為基礎、以速度為基礎或以整合式的輔助手段的示意圖。

圖5：本新型電動輔助自行車的輔助力控制系統所執行的方法流程圖。

本新型電動輔助自行車的輔助力控制系統供應用在一電動輔助自行車，請參考圖1，該電動輔助自行車包含一馬達50與一電池51，該馬達50連接一車輪，本新型能產生適當的一馬達驅動電流Id給該馬達50以驅動其運轉，該馬達50運轉時能提供一輔助力給該車輪。

請參考圖1，本新型輔助力控制系統的實施例包含一感測裝置10、一行動運算裝置20、一第一控制器30與一第二控制器40，該感測裝置10、該行動運算裝置20、該第一控制器30與該第二控制器40構成訊號連接，其中，該感測裝置10、該第一控制器30與該第二控制器40係設置在該電動輔助自行車，由該電池51提供工作電源給該感測裝置10、該第一控制器30與該第二控制器40，該第一控制器30與該第二控制器40分別為具有資料運算功能的積體電路晶片。舉例而言，該第一控制器30可為該電動輔助自行車的一車輛控制單元(Vehicle Control Unit,VCU)，該第二控制器40與該第一控制器30分別為不同的兩控制器，該第二控制器用以產生該馬達驅動電流Id。

該感測裝置10包含複數感測器，該複數感測器分別安裝在該電動輔助自行車，以分別即時感測並輸出使用者騎乘該電動輔助自行車時的感測資料。舉例而言，該感測裝置10可用以偵測使用者騎乘該電動輔助自行車時的一騎乘扭力S1與一騎乘速度S2，其中，該騎乘扭力S1與該騎乘速度S2的感測手段為公知常識，亦非本新型的重點，僅簡述如下。

一般而言，該電動輔助自行車可包含一車架、兩車輪、一齒輪盤、連接車輪與齒輪盤的鏈條、結合於該齒輪盤的兩曲柄以及設於各該曲柄的踏板。需說明的是，前述電動輔助自行車僅作為舉例，本新型所能應用的對象不以前述電動輔助自行車為限。該感測裝置10可包含一扭力感測器11與一速度感測器12，該扭力感測器11可安裝在曲柄和齒輪盤處，該速度感測器12具有一霍耳元件(Hall-effect sensor)與至少一磁鐵，該磁鐵可固定在該電動輔助自行車的輪框，該霍耳元件可固定在該電動輔助自行車的車架且其固定位置對應於磁鐵的移動軌跡。藉此，當使用者騎乘該電動輔助自行車時，該扭力感測器11產生的信號可反映使用者施力於該曲柄的扭力大小(單位：Nm)而定義為該騎乘扭力S1，該速度感測器12產生的信號可反映車輪轉速(單位：RPM)及車速而定義為該騎乘速度S2。

該行動運算裝置20為可實施人工智慧演算法和具網路連線功能以及衛星定位(GPS)功能的電子裝置，舉例而言，該行動運算裝置20具有可儲存人工智慧演算法程式資料的記錄媒體(例如記憶體或記憶卡)和可執行該程式資料的中央處理器(CPU)，該行動運算裝置20可為智慧型手機、智慧型手表或智慧型手環。該行動運算裝置20儲存複數人工神經網路(Artificial Neural Network,ANN)模型的程式資料，本新型係包含一第一ANN模型和一第二ANN模型的程式資料並據以執行，該行動運算裝置20透過該第一ANN模型和該第二ANN模型的演算而產生一微調因子Fm。本新型採用Visual Studio Code(VS code)開發工具透過Python程式語言建立該第一ANN模型與該第二ANN模型的程式資料並進行訓練，本新型運用的網路資源涉及PyTorch、Pandas與Scikit-learn中的多種工具(tools)。

請參考圖2，該第一ANN模型21包含一輸入層211、一隱藏層212和一輸出層213，其構成全連接神經網路(Fully-connect Neural Network)，該第一ANN模型21根據一個人資料230與一歷史騎乘資料231輸出一輸出資料，該輸出資料為一預測分數V1，該預測分數V1用以預測使用者的騎車技能，該個人資料230反映該電動輔助自行車之使用者的體能狀態，其例如可包含使用者的年齡、體重、身高和性別，該歷史騎乘資料231反映該使用者的騎乘經驗，例如可包含該使用者先前每次騎乘該電動輔助自行車時，該行動運算裝置20所記錄的平均車速、平均扭力、最高車速、最高扭力、騎乘距離、消耗熱量、平均心率、最高心率和該電動輔助自行車的動力模式。本新型的實施例中，該個人資料230與該歷史騎乘資料231作為該第一ANN模型21的輸入資料。該個人資料230與該歷史騎乘資料231可直接儲存在該行動運算裝置20的記憶體或記憶卡，以供該第一ANN模型21運算時讀取。

在此僅簡述該第一ANN模型21輸出該預測分數V1的基本原理，該個人資料230與該歷史騎乘資料231的取得手段為公知常識，亦非本新型的重點，例如現有智慧型手機、智慧型手環或智慧型手表已具備偵測、計算與儲存所述平均車速、最高車速、騎乘距離、消耗熱量、平均心率、最高心率等資料的功能，以及顯示一輸入介面要求使用者輸入年齡、體重、身高和性別；另一方面，該行動運算裝置20可訊號連接(例如透過實體傳輸線或無線連接)該電動輔助自行車的車輛控制單元，該車輛控制單元將從該感測裝置10接收到的騎乘扭力S1與騎乘速度S2傳送到該行動運算裝置20並加以儲存，供該行動運算裝置20可計算而得到所述平均車速、平均扭力、最高車速、最高扭力與該電動輔助自行車之動力模式等資料。該第一ANN模型21根據該個人資料230與該歷史騎乘資料231進行運算時，會在該輸出層213產生複數技能參考值與對應於各該技能參考值的一評分，該評分代表預測信心度；舉例來說，如圖2所示的該輸出層213包含五個節點，其分別對應的該複數技能參考值包含1、2、3、4與5的數值，越高的技能參考值代表使用者騎車技能越好，該第一ANN模型21將對應於最高評分(即：信心度最高)的技能參考值作為該預測分數V1而輸出該預測分數V1。

關於該第一ANN模型21的訓練原理，收集多數個人資料與歷史騎乘資料作為訓練樣本以對該第一ANN模型21進行訓練。至於該第一ANN模型21的輸入資料與輸出資料之間的關係，舉例來說，長者之個人資料中的年齡越高，表示長者的體能比青少年差，故對於長者而言，其較小技能參考值所對應的評分可能較高；或該平均車速越高，表示使用者有能力保持在較快的車速，導致較高技能參考值所對應的評分可能較高，依此類推。該第一ANN模型21的激活函數(Activation function)可採用Softmax，損失函數(Loss function)可採用Multi-Class Cross-Entropy Loss，優化器(Optimizer)可採用Adam，學習率可設定為0.001。

請參考圖3，該第二ANN模型22包含一輸入層221、一隱藏層222和一輸出層223，其構成全連接神經網路(Fully-connect Neural Network)，該輸入層221以該第一ANN模型21所輸出的該預測分數V1、該個人資料230與一環境資料232作為該輸入層221的輸入資料，其中，該環境資料232反映使用者騎乘該電動輔助自行車的現場環境狀態，其可包含天氣、溫度、時間、地點、風量...等。需說明的是，該環境資料232的取得為公知常識，亦非本新型的重點，例如智慧型手機具有衛星定位功能，故可產生一即時定位座標，該即時定位座標反映使用者所在地點，智慧型手機可根據該即時定位座標從氣象資源網站及/或地圖資源網站下載該環境資料232，以提供給該第二ANN模型22的輸入層221。該第二ANN模型22的輸出層223具有一個輸出節點，其輸出資料為即為該微調因子Fm，該微調因子Fm為大於或等於-1且小於或等於1的實數，即：-1≦Fm≦1。

關於該第二ANN模型22的訓練原理，收集多數預測分數V1、個人資料和環境資料作為訓練樣本對該第二ANN模型22進行訓練，該第二ANN模型22的激活函數可採用自定義激活函數(custom activation function)，損失函數(loss function)可採用平均絕對誤差(Mean absolute error,MAE)，優化器(Optimizer)可採用Adam，學習率可設定為0.002。

請配合參考下表，為涉及一使用者的歷史騎乘資料231的範例。

請配合參考下表，為涉及一使用者的個人資料230的範例。

該第一ANN模型21即可根據上表所示的歷史騎乘資料231和個人資料230輸出該預測分數V1。

請配合參考下表，為涉及一環境資料232的範例。

該第二ANN模型22即可根據該預測分數V1和上表所示的個人資料230與環境資料232產生該微調因子Fm。

該第一控制器30訊號連接(例如透過實體傳輸線或無線連接)該行動運算裝置20以接收該微調因子Fm，該第一控制器30可為車輛控制單元(VCU)，VCU具有設定該電動輔助自行車的動力模式的功能，所述動力模式例如可包含一節能模式(Eco mode)、一正常模式(Normal mode)、一運動模式(Sport mode)與一加速模式(Boost mode)，但不以此為限。該第一控制器30儲存有複數模式因子(mode factor)Fn，不同的動力模式對應於不同的模式因子Fn，各該模式因子Fn為一數值，該節能模式、該正常模式、該運動模式與該加速模式所對應的模式因子可分別為Fn1、Fn2、Fn3與Fn4，且Fn1<Fn2<Fn3<Fn4，該第一控制器30根據該微調因子Fm、該模式因子Fn與一差距因子(gap range)Gp產生一終端因子(final factor)FF，其中，該差距因子Gp用以調校該微調因子Fm，該差距因子Gp為根據所選的該模式因子Fn與使用者個人狀態而設定的值。

本新型的實施例中，該終端因子FF可表示為：FF=Fn+Fm*Gp。舉例而言，Fn1=0.4，Fn2=0.6，Fn3=0.8，Fn4=1，該微調因子Fm為0.5，該差距因子Gp為0.2，當該電動輔助自行車的動力模式被設定為該加速模式，則該終端因子FF等於1+0.5*0.2，即FF=1.1。

該第二控制器40訊號連接該感測裝置10、該第一控制器30和該馬達50，其中，該第二控制器40可透過實體信號線訊號連接該感測裝置10與該第一控制器30，及透過實體電源線連接該馬達50，該第二控制器40從該第一控制器30接收該終端因子FF。如圖1所示，該第二控制器40包含一智能模組41與一安全控制模組42，該智能模組41根據該終端因子FF、該騎乘扭力S1與該騎乘速度S2產生一馬達目標參數(Motor target)Mt，該安全控制模組42根據該馬達目標參數Mt產生該馬達驅動電流Id並輸出至該馬達50，藉此使該馬達50運轉而能提供對應大小的輔助力。

本新型的實施例中，請參考圖4，該智能模組41儲存有一速度下限值R1與一速度上限值R2，該速度下限值R1與該速度上限值R2為可調整預設值。當該智能模組41判斷出該騎乘速度S2小於該速度下限值R1，實施以扭力為基礎(torque-based)的輔助手段，係根據該騎乘扭力S1與該終端因子FF計算一第一馬達目標參數Mt_t，即Mt=Mt_t=S1×FF，也就是說，該第一馬達目標參數Mt_t為扭力值，該安全控制模組42具有一扭力-電流對照表，該扭力-電流對照表包含複數扭力值與對應於各該扭力值的電流值，該扭力值與該電流值的關係為正相關(Positive correlation)，該安全控制模組42根據該第一馬達目標參數Mt_t透過查表方式定義出對應於該第一馬達目標參數Mt_t的電流值作為該馬達驅動電流Id。

當該智能模組41判斷出該騎乘速度S2大於該速度上限值R2，實施以速度為基礎(speed-based)的輔助手段，係根據該騎乘速度S2與該終端因子FF計算一第二馬達目標參數Mt_s，即Mt=Mt_s=S2×FF，也就是說，該第二馬達目標參數Mt_s為速度值，該安全控制模組42具有一速度-電流對照表，該速度 -電流對照表包含複數速度值與對應於各該速度值的電流值，該速度值與該電流值的關係為正相關(Positive correlation)，該安全控制模組42根據該第二馬達目標參數Mt_s透過查表方式定義出對應於該第二馬達目標參數Mt_s的電流值作為該馬達驅動電流Id。

當該智能模組41判斷出該騎乘速度S2大於或等於該速度下限值R1以及小於或等於該速度上限值R2，實施以扭力和速度為基礎的整合式(combination between torque-based and speed-based)輔助手段，根據該騎乘扭力S1、該騎乘速度S2與該終端因子FF計算一第三馬達目標參數Mt_c，該第三馬達目標參數Mt_c為一數值，即Mt=Mt_c=[f(S1,S2)]×FF。前式中，f(S1,S2)是該騎乘扭力S1與該騎乘速度S2的函數，隨著該騎乘扭力S1與該騎乘速度S2的大小而變化。該安全控制模組42具有一數值-電流對照表，該數值-電流對照表包含複數數值與對應於各該數值的電流值，該數值與該電流值的關係為正相關(Positive correlation)，該安全控制模組42根據該第三馬達目標參數Mt_c透過查表方式定義出對應於該第三馬達目標參數Mt_c的電流值作為該馬達驅動電流Id。

舉例而言，該終端因子FF可為0.22，在以扭力為基礎的輔助手段下，當偵測到的該騎乘扭力S1為157Nm，該第一馬達目標參數Mt_t為34.54，此時，該馬達驅動電流Id可讓該馬達50進一步施加相當於34.54Nm的扭力於該電動輔助自行車。在以速度為基礎的輔助手段下，當偵測到的該騎乘速度S2為25.2RPM，該第二馬達目標參數Mt_s為5.544，此時，該馬達驅動電流Id可讓該馬達50進一步提升相當於5.544RPM的車速於該電動輔助自行車。依此類推，以扭力和速度為基礎的整合式輔助手段下，該馬達驅動電流Id可讓該馬達50提升一定程度的扭力與車速於該電動輔助自行車。

歸納以上所述，請配合參考圖5，本新型電動輔助自行車的輔助力控制系統所執行的方法包含以下步驟：

步驟S01：該行動運算裝置20透過該第一ANN模型21和該第二ANN模型22的演算而產生該微調因子Fm，其中，該第一ANN模型21以該個人資料230與該歷史騎乘資料231作為輸入資料，該第二ANN模型22以該第一ANN模型21所輸出的該預測分數V1、該個人資料230和該環境資料232作為輸入資料，該第二ANN模型22的輸出資料為該微調因子Fm。

步驟S02：該第一控制器30根據該微調因子Fm、該模式因子Fn與該差距因子Gp產生該終端因子FF，FF=Fn+Fm*Gp。

步驟S03：該第二控制器40根據該終端因子FF、該騎乘扭力S1與該騎乘速度S2產生該馬達目標參數，並根據該馬達目標參數產生及輸出該馬達驅動電流Id至該馬達50，藉此使該馬達42運轉而能提供對應大小的輔助力。

本新型還可提供超速保護功能，該第二控制器40的安全控制模組42可判斷當下的該騎乘速度S2是否超過一速度上限，該速度上限例如可為25公里/小時，該速度上限是一可調整預設值。當該安全控制模組42判斷出該騎乘速度S2超過該速度上限，代表當下車速過快，該安全控制模組42可逐漸降低該馬達驅動電流Id的大小或停止輸出該馬達驅動電流Id，避免在車速過快的情況下仍提供輔助力。

綜上所述，該行動運算裝置20實施該第一ANN模型21和該第二ANN模型22的演算法程式資料而產生該微調因子Fm，該微調因子Fm係根據使用者體能狀態(對應於該歷史騎乘資料231和該個人資料230)與當地時空背景(對應於該環境資料232)所運算得到的數據，作為控制該馬達42運轉的基礎之一，例如體重80公斤的使用者所需的輔助力比45公斤的使用者更大；該預測分數V1越高的使用者所需的輔助力比預測分數V1越低的使用者更小；在山地騎車的使用者所需的輔助力比在平地騎車者更小；在晴天騎車的使用者所需的輔助力比在雨天騎車者更大。藉此，該馬達42即可隨著不同使用者和不同騎車環境而提供適當大小的輔助力，讓使用者透過流暢的智慧輔助之下仍可舒適地騎乘該電動輔助自行車。