|
1 引言 面臨能源緊缺和環(huán)境污染的壓力，世界各圍十分重視電動汽車的研究和開發(fā)。綜合了純電動汽車和內(nèi)燃機汽車優(yōu)點的混合動力汽車自然得到了廣泛的發(fā)展，成為清潔汽車陣營中不可忽視的力量。傳統(tǒng)汽車是依靠行星輪的自轉(zhuǎn)實現(xiàn)左、右車輪差速，在汽車轉(zhuǎn)彎行駛或其他行駛情況下，都n，以借行星齒輪以相應(yīng)轉(zhuǎn)速自轉(zhuǎn)，使兩側(cè)驅(qū)動車以不I叫轉(zhuǎn)速在地面j：滾動而無滑動。對于采用混合驅(qū)動技術(shù)的電動車來說，電機驅(qū)動輪之間同樣存在轉(zhuǎn)速協(xié)調(diào)控制的問題。電動輪電子差速技術(shù)已經(jīng)成為混合動力整車控制系統(tǒng)必須解決的問題。 本文所設(shè)計的混合動力汽車采用輪轂驅(qū)動技術(shù)，根據(jù)輪轂驅(qū)動電動汽車的技術(shù)特點，提出一種基于神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)的控制方法．實現(xiàn)混合動力驅(qū)動汽車的電子差速控制。 2 現(xiàn)有的電子差速技術(shù) 當(dāng)汽車低速運行時，由ACKERMANN和JEANTAND提出的模型廣泛應(yīng)用于汽車的電子差速控制。如圖1所示。 
圖1 ACKERMANN和JEANTAND模型 假設(shè)Uin，Uout分別為前內(nèi)輪轉(zhuǎn)速和前外輪轉(zhuǎn)速，U3，U4分別為后內(nèi)輪轉(zhuǎn)速和后外輪轉(zhuǎn)速，U為當(dāng)前車速。 由上述模型可得
由此可見兩后輪轉(zhuǎn)速U3、U4是關(guān)于當(dāng)前車速U和車輪轉(zhuǎn)角δ的函數(shù)。因此可由加速踏板指令獲得u，轉(zhuǎn)角傳感器獲得δ，經(jīng)計箅得到Ut和U4，然而上述模型只適用可靜態(tài)分析，是在假設(shè)車輪為純滾動的條件下建立的，沒有考慮車輛轉(zhuǎn)彎時的離心力和向心力。忽略了輪胎的影響。下面采用神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)的方法對差速模犁進行動態(tài)分析。 3 神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)電子差速控制 3．1模型參考自適應(yīng)控制系統(tǒng)結(jié)構(gòu) 模犁參考自適應(yīng)控制(MRAC)特點足用一個給定的參考模型(一般為性能良好的低階系統(tǒng))來產(chǎn)生所要求的閉環(huán)系統(tǒng)輸出Ym，控制的目的是使系統(tǒng)的實際輸出跟蹤Ym。MRAC適用于線性系統(tǒng)，當(dāng)被控對象具有未知的非線性特性時，可采用神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制方案．其結(jié)構(gòu)如圖2所示。其中神經(jīng)網(wǎng)絡(luò)NNI為在線辨識器，用于辨識被控對象的模型；神經(jīng)網(wǎng)絡(luò)NNC為控制器，通過訓(xùn)練可使閉環(huán)系統(tǒng)的輸出Y跟蹤參考模型的輸出Ym，從而使e=Ym-Y→0。 神經(jīng)網(wǎng)絡(luò)模刑參考自適應(yīng)控制的結(jié)構(gòu)有兩種：直接型和間接型。間接方式比直接方式多采用一個神經(jīng)網(wǎng)絡(luò)辨識器NNI。其余部分完全相同。其中，神經(jīng)控制器NNC的作用足通過訓(xùn)練，使受控對象輸出與參考模型之差盡量小。
圖2神經(jīng)網(wǎng)絡(luò)模型參考A適應(yīng)控制結(jié)構(gòu) a)直接型 b)問接型 3．2模型參考自適應(yīng)電子差速模剄的建立 本文采用直接型模型參考自適應(yīng)控制方法，選擇非線性的神經(jīng)網(wǎng)絡(luò)控制器。針對前輪轉(zhuǎn)向后輪驅(qū)動的混合動力系統(tǒng)，利用Ackermann模型計算基本輪速，根據(jù)車輛橫向動力學(xué)方程建立的整車動力學(xué)模型作為參考模捌。指令輸入施加到神經(jīng)網(wǎng)絡(luò)控制器中，控制器的輸出作為對象的輸入，使對象的輸出與參考模型的輸出按最小二乘匹配。，由整車動力學(xué)模型得到的輪速與Ackermann模型計箅的基本輪速之籌作為誤差信號，反饋給神經(jīng)網(wǎng)絡(luò)。經(jīng)神經(jīng)網(wǎng)絡(luò)的不斷訓(xùn)練，修改權(quán)值，使誤差達到預(yù)期目標。控制原理圖如圖3所示。
圖3神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)電子差速控制 對于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，本文采用離線學(xué)習(xí)的方法。離線學(xué)習(xí)就是將網(wǎng)絡(luò)的學(xué)習(xí)過程與控制過程分開，將系統(tǒng)動態(tài)過程中的一螳輸入／輸出對構(gòu)成網(wǎng)絡(luò)的學(xué)習(xí)樣本空間，以此對網(wǎng)絡(luò)進行離線訓(xùn)練。整個網(wǎng)絡(luò)在訓(xùn)練結(jié)束后再將其加進控制系統(tǒng)中去。多層感知器型神經(jīng)網(wǎng)絡(luò)最常用的訓(xùn)練算法為BP算法。其訓(xùn)練步驟如下： ①隨機產(chǎn)生網(wǎng)絡(luò)參數(shù)初始狀態(tài)r，令t=t0 ②根據(jù)BP算法產(chǎn)生r的下一候選狀態(tài)r' ③令r為訓(xùn)練樣本的誤差平方和函數(shù) ④若e<= 0，則令r=r'；否則以概率exp(-e／kgt）接受r=r' ⑤重復(fù)②～④n次 ⑥修正權(quán)值 ⑦重復(fù)②一⑥直到誤差已達到精度要求 4 電子差速控制系統(tǒng)仿真及結(jié)果分析 4．1仿真數(shù)據(jù)的選取和處理 本文是在Matlab／Simulink的仿真環(huán)境下進行建模與仿真。仿真研究中車輛模型各相關(guān)參數(shù)取值為：m=1200kg，a=1．32m，b=1．22m，L=2．54m，B=1．41m，h=0．6m，J2=450kg*m2，前輪側(cè)偏剛度和Cf=21000N／rad，后輪側(cè)偏剛度和Cr=24000N／rad。神經(jīng)網(wǎng)絡(luò)控制器的數(shù)據(jù)均進行歸一化處理。 4．2仿真結(jié)果及分析 圖4足控制模型訓(xùn)練過程中誤差函數(shù)的變化曲線。圖巾橫坐標為訓(xùn)練次數(shù)，縱坐標為誤差變化率。可見，當(dāng)訓(xùn)練300次之后，模犁的訓(xùn)練性能誤差可達1．41971。系統(tǒng)已經(jīng)達到了要求的誤差范同之內(nèi)。
圖4電子差速模型的性能曲線
圖5兩后輪輪心速度 本文對差速模犁進行了動態(tài)仿真，汽車原始速度為10m／s勻速運行，第0秒時，轉(zhuǎn)向角δ變?yōu)?00，圖5為仿真結(jié)果。圖中橫牮標為時間，縱坐標為車輪輪速。由仿真結(jié)果可以看出，當(dāng)產(chǎn)生轉(zhuǎn)向角之后，內(nèi)側(cè)后輪速度減小，外側(cè)后輪速度增大，兩后輪之間有一定的速度差。差速的產(chǎn)生使得汽車能夠乎穩(wěn)轉(zhuǎn)向。 圖6為u=10m／s和u=20m／s時，δ由0變?yōu)?0°的仿真結(jié)果。仿真時長為30s。
U=10m／s
U=20m／s 圖6不同車速時輪速隨轉(zhuǎn)向角的變化 根據(jù)上述仿真結(jié)果可以看出，對于一個車體，轉(zhuǎn)彎時，內(nèi)側(cè)車輪速度減小，外側(cè)車輪速度增大，轉(zhuǎn)向角度越大，兩驅(qū)動輪之間差速越大；當(dāng)前車速越大，兩驅(qū)動輪問差速越大。基于神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)建立的電子差速控制模型誤差小，能夠達到很好的差速效果。 5 結(jié)論 本文針對混合動力汽車的特性，應(yīng)用神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)的控制方法建立兩電機驅(qū)動后輪的差速模瓔，在Matlab／Simulink環(huán)境下進行仿真，準確地反應(yīng)了控制系統(tǒng)的非線性特性，減低了系統(tǒng)的誤差。達到了很好的控制效果。 本文作者創(chuàng)新點：結(jié)合Aackermann模型，運用神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)的方法建立混合動力汽車的差速模型。通過仿真分析看出，該方法誤差小，魯棒性好。 作者：張琨，王京 來源：《微計算機信息》(嵌入式與SOC)2009年第4-2期 |
