基于神經(jīng)Kalman四輪輪轂電機驅動(dòng)防滑策略研究

　　崔坤利 

　?。ㄆ嫒鹦履茉雌?chē)技術(shù)有限公司，安徽 蕪湖 241002）

　　摘要：針對傳統雙電機四驅動(dòng)電動(dòng)汽車(chē)在不同附著(zhù)系數路面驅動(dòng)防滑功能較弱問(wèn)題,提出基于神經(jīng)Kalman四輪輪轂電機驅動(dòng)防滑策略。Kalman濾波算法剔除神經(jīng)網(wǎng)絡(luò )中隨機數據的干擾誤差，調整神經(jīng)網(wǎng)絡(luò )的閾值和權值，獲得最優(yōu)識別滑轉率和控制策略，改進(jìn)后的神經(jīng)Kalman算法能夠識別當前路面最優(yōu)滑轉率，并結合四輪輪轂電機驅動(dòng)轉速易于獲得，直接橫擺力矩有效控制的優(yōu)點(diǎn)，對車(chē)輪力矩進(jìn)行最優(yōu)控制。仿真結果表明：神經(jīng)Kalman能夠較好識別當前路面最優(yōu)滑轉率，神經(jīng)Kalman同時(shí)對四輪輪轂電機直接橫擺力矩最優(yōu)控制，提高車(chē)輛驅動(dòng)防滑能力。

　　關(guān)鍵詞：電動(dòng)汽車(chē)；輪轂電機；神經(jīng)Kalman算法 ；最優(yōu)滑轉率 ；最優(yōu)滑轉率

　　中圖分類(lèi)號：TM351 文獻標識碼：A

　　0 引言

　　電動(dòng)汽車(chē)驅動(dòng)防滑策略（acceleration slipregulation）是電動(dòng)汽車(chē)穩定性的重要組成部分。電動(dòng)汽車(chē)驅動(dòng)防滑針對于不平整路面，汽車(chē)轉彎處車(chē)輪空轉，以及雨雪天氣，地面摩擦力較小，驅動(dòng)輪滑轉，汽車(chē)起步和加速時(shí)車(chē)輪滑轉等情況下，仍保持車(chē)輛穩定行駛和最優(yōu)驅動(dòng)。由于我國提倡節能減排，電動(dòng)汽車(chē)零排放，無(wú)污染的優(yōu)點(diǎn)使其成為研究成為汽車(chē)領(lǐng)域的一大熱點(diǎn)。電動(dòng)汽車(chē)驅動(dòng)力主要是電機驅動(dòng)，驅動(dòng)防滑對電機的驅動(dòng)轉矩響應速度快和轉矩控制要求很高。電動(dòng)汽車(chē)驅動(dòng)防滑不僅和本身的驅動(dòng)力有關(guān)，還和地面的滑轉率有關(guān)，驅動(dòng)力越大，電動(dòng)汽車(chē)防滑效果越好，穩定性越高；地面的滑轉率最優(yōu)狀態(tài)下，電動(dòng)汽車(chē)才能獲得較優(yōu)驅動(dòng)力。

　　電動(dòng)汽車(chē)驅動(dòng)防滑策略在最優(yōu)滑轉率 ^[1] 方面，文獻 ^[2] 中設計基于雙模糊算法的自適應驅動(dòng)防滑控制器，采用路面識別模塊，實(shí)現自適應控制前后輪，但是前后軸驅動(dòng)性能不能達到最優(yōu)。文獻 ^[3] 對比分析了PID控制、模型跟蹤控制以及動(dòng)態(tài)自尋最佳滑轉率的滑模變結構控制三種驅動(dòng)防滑控制算法的優(yōu)缺點(diǎn)，得出動(dòng)態(tài)自尋最佳滑轉率比靜態(tài)抗干擾性強。文獻 ^[4] 中提出了基于驅動(dòng)防滑的全時(shí)四輪驅動(dòng)汽車(chē)牽引力控制策略，抑制了驅動(dòng)輪過(guò)度空轉滑轉，但只適用于個(gè)別路面條件，對于復雜路面控制穩定性和驅動(dòng)性不能達到最優(yōu)效果。電動(dòng)汽車(chē)驅動(dòng)防滑策略在驅動(dòng)性能方面，文獻 ^[5] 對不同類(lèi)型的驅動(dòng)電機特點(diǎn)進(jìn)行比較，其中輪轂電機轉矩 ^[6] 能夠獨立控制，且較容易測量。文獻 ^[7] 基于輪轂電機建立了整車(chē)動(dòng)力模型，模擬電動(dòng)汽車(chē)真實(shí)的駕駛狀態(tài)，為電動(dòng)汽車(chē)控制算法研究提供了平臺。文獻 ^[8] 中對分布式驅動(dòng)的電動(dòng)汽車(chē)分別提出了基于穩定性的驅動(dòng)力調節轉矩增加橫向穩定性，基于動(dòng)力性的驅動(dòng)調節轉矩以改變縱向加速度和驅動(dòng)轉矩。

　　本文針對于傳統雙電機四驅動(dòng)電動(dòng)汽車(chē)在不同附著(zhù)系數路面驅動(dòng)防滑功能較弱，綜合比較輪轂電機獨立驅動(dòng)，電機轉矩響應較快，穩定操縱性較強，基于輪轂電機驅動(dòng)，提出神經(jīng)Kalman濾波算法，Kalman濾波算法剔除神經(jīng)網(wǎng)絡(luò )中隨機數據的干擾誤差，調整神經(jīng)網(wǎng)絡(luò )的閾值和權值，獲得最優(yōu)識別滑轉率和控制策略。改進(jìn)后的神經(jīng)Kalman算法對路面識別數據進(jìn)行分析，得出最優(yōu)滑轉率，車(chē)輪一發(fā)生滑轉，調節四輪輪轂電機扭矩，對當前車(chē)輪車(chē)速和扭矩進(jìn)行最優(yōu)控制下的車(chē)輪速度。并對當前車(chē)輪車(chē)速和扭矩進(jìn)行最優(yōu)控制下的車(chē)輪速度。

　　1 電動(dòng)汽車(chē)整車(chē)建模

　　1.1 輪轂電機數學(xué)模型

　　電機是電動(dòng)汽車(chē)的主要驅動(dòng)力，電動(dòng)汽車(chē)對電機要求包括較好的啟動(dòng)性能，能量使用效率高，低速爬坡能力強，成本低，安全性能高。表1對幾種輪轂電機的高電壓，轉速，質(zhì)量，體積，單位質(zhì)量功率輸出，高適應性幾個(gè)方面進(jìn)行比較，綜合得出無(wú)刷直流輪轂電機電動(dòng)汽車(chē)驅動(dòng)性最優(yōu)，扭矩響應最快。輪轂電機參數如表2所示，電機驅動(dòng)轉矩和功率如圖1所示，電機效率如圖2所示。

　　1.2 整車(chē)結構模型

　　本車(chē)型采用四輪輪轂電機驅動(dòng)，整車(chē)結構如圖3所示，整車(chē)結構包括駕駛控制，扭矩分配，輪轂電機驅動(dòng)，四個(gè)輪轂電機分別驅動(dòng)四個(gè)車(chē)輪， 車(chē)速控制。駕駛員對加速踏板開(kāi)合大小及方向盤(pán)轉角控制車(chē)速和車(chē)輪轉角大小，通過(guò)輪轂電機反饋給整車(chē)控制器當前制動(dòng)轉矩和驅動(dòng)扭矩，整車(chē)控制器對輪轂電機扭矩和轉矩進(jìn)行調節，達到控制車(chē)輛的目的。

　　2 驅動(dòng)防滑控制算法

　　2.1 Kalman濾波算法和神經(jīng)網(wǎng)絡(luò )算法

　　Kalman濾波算法 ^[10] 從觀(guān)測數據中剔除干擾，估計出需要的濾波信號，獲得準確接近實(shí)際情況的信息。Kalman濾波算法的遞推公式為：其中， L λ 是觀(guān)測向量， Y λ 是狀態(tài)向量，, 1 λ λγ? 、B λ 是系數矩陣，, 1 λ λ ?Φ是狀態(tài)轉移矩陣。

　　神經(jīng)網(wǎng)絡(luò )算法 ^[11] 是一種多層前饋網(wǎng)絡(luò )算法，按誤差逆向傳播，神經(jīng)網(wǎng)絡(luò )算法像人的大腦神經(jīng)一樣進(jìn)行學(xué)習，神經(jīng)網(wǎng)絡(luò )傳輸圖如圖4所示。學(xué)習規則是信號正向傳播和誤差反向傳播的梯度下降法，信號正向傳播過(guò)程是樣本輸入到輸入層，再傳到隱含層，再傳到傳輸層，如果正向傳播的計算結果和期望結果有誤差，則會(huì )把誤差信號進(jìn)行反方向傳播，再調整神經(jīng)網(wǎng)絡(luò )的閾值和權值，直到輸出結果和期望結果一樣。

　　2.2 神經(jīng)Kalman優(yōu)化算法

　　神經(jīng)網(wǎng)絡(luò )算法學(xué)習能力較強，但是容易陷入局部最優(yōu)，影響判斷結果。Kalman濾波算法通過(guò)剔除隨機數據的干擾誤差，改進(jìn)后的神經(jīng)Kalman優(yōu)化算法能夠在任意輸入樣本中，尋找出最優(yōu)結果。Kalman濾波算法分為兩個(gè)階段，向前傳輸階段和向后傳輸階段, 神經(jīng)Kalman優(yōu)化網(wǎng)絡(luò )模型如圖5所示。

　?。?）向前傳輸階段：

　?、購奶峁┑臉颖綥中隨機取出一個(gè)樣本Li，并對樣本Li 進(jìn)行Kalman過(guò)濾，得過(guò)濾后的樣本Yi，輸入網(wǎng)絡(luò )；

　?、?隱含層輸入Ri進(jìn)行Kalman過(guò)濾，得過(guò)濾后的樣本Gi，輸入網(wǎng)絡(luò )；

　?、?比較實(shí)際輸出Qi=FL（?F 2 （F 1 （P i W⑴

　?、?計算誤差

　?、?調整權重值W ⑴ ，W (2) , ? W (L) ,重復調整直到

　?。?）向后傳輸階段：

　?、?計算理想輸出Oi和實(shí)際輸出Qi的差值；

　?、?用輸出層的誤差修改輸出層權矩陣；

　?、?img src="http://editerupload.eepw.com.cn/201907/1562577436542691.png" title="1562577436542691.png" alt="微信截圖_20190708171707.png"/>

　?、?用Ei估計輸出層的前一層誤差，再用前一層誤差估計更前一層誤差，反復獲得其它層估計誤差；

　?、輰⑤敵龆擞嬎愕恼`差沿著(zhù)輸出端相反的方向傳遞，利用這些誤差對權矩陣修改；

　　3 仿真實(shí)驗

　　3.1 仿真參數確定

　　應用Matlab/Simulink仿真對控制方法進(jìn)行驗證。電動(dòng)汽車(chē)模型參數如表3所示。

　　仿真路面選擇對接路面和對開(kāi)路面。(1)對接路面仿真：初始車(chē)速10km/h，每個(gè)輪轂電機車(chē)輪驅動(dòng)均輸入500N*m，路面變化如圖6(a)所示，圖6(b)所示，在車(chē)輪未打滑時(shí)，路面識別算法將當前路面數據放大，改進(jìn)后的神經(jīng)Kalman算法對路面識別數據進(jìn)行分析，得出最優(yōu)滑轉率，圖6(c)車(chē)輪一發(fā)生滑轉，調節四輪輪轂電機扭矩，圖6(d)對當前車(chē)輪車(chē)速和扭矩進(jìn)行最優(yōu)控制下的車(chē)輪速度。圖6(e)是無(wú)控制時(shí)車(chē)輪的速度。由圖6可以對比看出，改進(jìn)后的神經(jīng)Kalman算法對路面識別數據進(jìn)行分析，得出最優(yōu)滑轉率，并對當前車(chē)輪車(chē)速和扭矩進(jìn)行最優(yōu)控制下的車(chē)輪速度。驅動(dòng)防滑效果明顯優(yōu)于無(wú)控制狀態(tài)。

　　(2)開(kāi)路面仿真：初始車(chē)速10km/h，每個(gè)輪轂電機車(chē)輪驅動(dòng)均輸入500N*m，路面附著(zhù)系數為0.25和0.5。實(shí)驗結果如圖7(a)所示，路面識別算法將當前路面進(jìn)行識別，改進(jìn)后的神經(jīng)Kalman算法對路面識別數據進(jìn)行分析，得出最優(yōu)滑轉率，圖7(b)神經(jīng)Kalman算法對整車(chē)力矩進(jìn)行最優(yōu)分配，圖7(c)表明神經(jīng)Kalman算法對車(chē)輪滑轉進(jìn)行了較優(yōu)控制。

　　4 結論

　　本文針對傳統雙電機四驅動(dòng)電動(dòng)汽車(chē)在不同附著(zhù)系數路面驅動(dòng)防滑功能較弱問(wèn)題,提出基于神經(jīng)Kalman四輪輪轂電機驅動(dòng)防滑策略。Kalman濾波算法剔除神經(jīng)網(wǎng)絡(luò )中隨機數據的干擾誤差，調整神經(jīng)網(wǎng)絡(luò )的閾值和權值，獲得最優(yōu)識別滑轉率和控制策略。選擇對接路面和對開(kāi)路面進(jìn)行仿真，仿真結果表明，改進(jìn)后的神經(jīng)Kalman算法對路面識別數據進(jìn)行分析，得出最優(yōu)滑轉率，車(chē)輪一發(fā)生滑轉，調節四輪輪轂電機扭矩，對當前車(chē)輪車(chē)速和扭矩進(jìn)行最優(yōu)控制下的車(chē)輪速度。并對當前車(chē)輪車(chē)速和扭矩進(jìn)行最優(yōu)控制下的車(chē)輪速度。驅動(dòng)防滑效果明顯優(yōu)于無(wú)控制狀態(tài)。

　　參考文獻:

　　[1] 張振良, 趙亞超, 黃妙華, 等. 電動(dòng)輪車(chē)驅動(dòng)防滑控制策略的研究[J]. 武漢理工大學(xué)學(xué)報（信息與管理工程版）, 2014(6):794-797.

　　[2] 張博涵, 陳哲明, 陳寶, 等. 四輪獨立驅動(dòng)電動(dòng)汽車(chē)自適應驅動(dòng)防滑控制[J]. 山東大學(xué)學(xué)報 (工學(xué)版),2017, 48(1):96-103.

　　[3] 張兆良. 電動(dòng)汽車(chē)驅動(dòng)防滑控制方法對比分析[J]. 上海汽車(chē), 2011(2):11-15.

　　[4] 胡建軍, 楊振輝, 劉輝, 等. 四輪驅動(dòng)汽車(chē)車(chē)輪驅動(dòng)防滑的牽引力控制仿真分析[J]. 中國機械工程, 2014,25(13):1817-1823.

　　[5] 羅龍飛, 袁守華. 電動(dòng)汽車(chē)驅動(dòng)電機及其控制系統應用概述[J]. 汽車(chē)實(shí)用技術(shù), 2014(4):5-7.

　　[6] 陶維輝, 喻厚宇, 黃妙華. 基于最優(yōu)滑轉率識別的電動(dòng)輪車(chē)驅動(dòng)防滑模糊控制研究[J]. 武漢理工大學(xué)學(xué)報，2015, 37(4):47-52.

　　[7] 靳彪, 張欣, 彭之川, 等. 四輪輪轂電機驅動(dòng)電動(dòng)汽車(chē)建模與仿真[J]. 中國公路學(xué)報, 2016, 29(4):138-144.

　　[8] 褚文博, 羅禹貢, 趙峰, 等. 分布式驅動(dòng)電動(dòng)汽車(chē)驅動(dòng)轉矩協(xié)調控制[J]. 汽車(chē)工程, 2012, 34(3):185-189.

　　作者簡(jiǎn)介：

　　崔坤利，女，（1992.9-）安徽工程大學(xué) 控制工程專(zhuān)業(yè)，碩士研究生，工程師，主要研究方向為新能源汽車(chē)電驅動(dòng)系統。

　　E-mail：2513855009@qq.com.com

　　電話(huà)：17730096975

　　通訊地址：安徽省蕪湖市弋江區花津南路226號奇瑞新能源研究院

　　本文來(lái)源于科技期刊《電子產(chǎn)品世界》2019年第7期第70頁(yè)，歡迎您寫(xiě)論文時(shí)引用，并注明出處