您的位置:沧州市高效电机有限公司 > 分析预测 > 基于神经Kalman四轮轮毂电机驱动防滑策略研究

基于神经Kalman四轮轮毂电机驱动防滑策略研究

2020-02-03 02:11

  驱动防滑策略。Kalman滤波算法剔除神经网络中随机数据的干扰误差,调整神经网络的阈值和权值,获得最优识别滑转率和控制策略,改进后的神经Kalman算法能够识别当前路面驱动转速易于获得,直接横摆力矩有效控制的优点,对车轮力矩进行最优控制。仿真结果表明:神经Kalman能够较好识别当前路面

  电动汽车驱动防滑策略(acceleration slipregulation)是电动汽车稳定性的重要组成部分。电动汽车驱动防滑针对于不平整路面,汽车转弯处车轮空转,以及雨雪天气,地面摩擦力较小,驱动轮滑转,汽车起步和加速时车轮滑转等情况下,仍保持车辆稳定行驶和最优驱动。由于我国提倡节能减排,电动汽车零排放,无污染的优点使其成为研究成为汽车领域的一大热点。电动汽车驱动力主要是电机驱动,驱动防滑对电机的驱动转矩响应速度快和转矩控制要求很高。电动汽车驱动防滑不仅和本身的驱动力有关,还和地面的滑转率有关,驱动力越大,电动汽车防滑效果越好,稳定性越高;地面的滑转率最优状态下,电动汽车才能获得较优驱动力。

  电动汽车驱动防滑策略在最优滑转率[1]方面,文献[2]中设计基于双模糊算法的自适应驱动防滑控制器,采用路面识别模块,实现自适应控制前后轮,但是前后轴驱动性能不能达到最优。文献[3]对比分析了PID控制、模型跟踪控制以及动态自寻最佳滑转率的滑模变结构控制三种驱动防滑控制算法的优缺点,得出动态自寻最佳滑转率比静态抗干扰性强。文献[4]中提出了基于驱动防滑的全时四轮驱动汽车牵引力控制策略,抑制了驱动轮过度空转滑转,但只适用于个别路面条件,对于复杂路面控制稳定性和驱动性不能达到最优效果。电动汽车驱动防滑策略在驱动性能方面,文献[5]对不同类型的驱动电机特点进行比较,其中轮毂电机转矩[6]能够独立控制,且较容易测量。文献[7]基于轮毂电机建立了整车动力模型,模拟电动汽车真实的驾驶状态,为电动汽车控制算法研究提供了平台。文献[8]中对分布式驱动的电动汽车分别提出了基于稳定性的驱动力调节转矩增加横向稳定性,基于动力性的驱动调节转矩以改变纵向加速度和驱动转矩。

  本文针对于传统双电机四驱动电动汽车在不同附着系数路面驱动防滑功能较弱,综合比较轮毂电机独立驱动,电机车说明书电机转矩响应较快,稳定操纵性较强,基于轮毂电机驱动,提出神经Kalman滤波算法,Kalman滤波算法剔除神经网络中随机数据的干扰误差,调整神经网络的阈值和权值,获得最优识别滑转率和控制策略。改进后的神经Kalman算法对路面识别数据进行分析,得出最优滑转率,车轮一发生滑转,调节四轮轮毂电机扭矩,对当前车轮车速和扭矩进行最优控制下的车轮速度。并对当前车轮车速和扭矩进行最优控制下的车轮速度。

  电机是电动汽车的主要驱动力,电动汽车对电机要求包括较好的启动性能,能量使用效率高,低速爬坡能力强,成本低,安全性能高。表1对几种轮毂电机的高电压,转速,质量,体积,单位质量功率输出,高适应性几个方面进行比较,综合得出无刷直流轮毂电机电动汽车驱动性最优,扭矩响应最快。轮毂电机参数如表2所示,电机驱动转矩和功率如图1所示,电机效率如图2所示。

  本车型采用四轮轮毂电机驱动,整车结构如图3所示,整车结构包括驾驶控制,扭矩分配,轮毂电机驱动,四个轮毂电机分别驱动四个车轮, 车速控制。驾驶员对加速踏板开合大小及方向盘转角控制车速和车轮转角大小,通过轮毂电机反馈给整车控制器当前制动转矩和驱动扭矩,整车控制器对轮毂电机扭矩和转矩进行调节,达到控制车辆的目的。

  Kalman滤波算法[10]从观测数据中剔除干扰,估计出需要的滤波信号,获得准确接近实际情况的信息。Kalman滤波算法的递推公式为:其中, L λ 是观测向量, Y λ 是状态向量,, 1 λ λγ− 、B λ 是系数矩阵,, 1 λ λ −Φ是状态转移矩阵。

  神经网络算法[11]是一种多层前馈网络算法,按误差逆向传播,神经网络算法像人的大脑神经一样进行学习,神经网络传输图如图4所示。学习规则是信号正向传播和误差反向传播的梯度下降法,信号正向传播过程是样本输入到输入层,再传到隐含层,再传到传输层,如果正向传播的计算结果和期望结果有误差,则会把误差信号进行反方向传播,再调整神经网络的阈值和权值,直到输出结果和期望结果一样。

  神经网络算法学习能力较强,但是容易陷入局部最优,影响判断结果。Kalman滤波算法通过剔除随机数据的干扰误差,改进后的神经Kalman优化算法能够在任意输入样本中,寻找出最优结果。Kalman滤波算法分为两个阶段,向前传输阶段和向后传输阶段, 神经Kalman优化网络模型如图5所示。

  ①从提供的样本L中随机取出一个样本Li,并对样本Li 进行Kalman过滤,得过滤后的样本Yi,输入网络;

  ⑤ 调整权重值W ⑴ ,W (2) , ⋯ W (L) ,重复调整直到

  ④ 用Ei估计输出层的前一层误差,再用前一层误差估计更前一层误差,反复获得其它层估计误差;

  ⑤将输出端计算的误差沿着输出端相反的方向传递,利用这些误差对权矩阵修改;

  应用Matlab/Simulink仿真对控制方法进行验证。电动汽车模型参数如表3所示。

  仿真路面选择对接路面和对开路面。(1)对接路面仿线km/h,每个轮毂电机车轮驱动均输入500N*m,路面变化如图6(a)所示,图6(b)所示,在车轮未打滑时,路面识别算法将当前路面数据放大,改进后的神经Kalman算法对路面识别数据进行分析,得出最优滑转率,图6(c)车轮一发生滑转,调节四轮轮毂电机扭矩,图6(d)对当前车轮车速和扭矩进行最优控制下的车轮速度。图6(e)是无控制时车轮的速度。由图6可以对比看出,改进后的神经Kalman算法对路面识别数据进行分析,得出最优滑转率,并对当前车轮车速和扭矩进行最优控制下的车轮速度。驱动防滑效果明显优于无控制状态。

  (2)开路面仿线km/h,每个轮毂电机车轮驱动均输入500N*m,路面附着系数为0.25和0.5。实验结果如图7(a)所示,路面识别算法将当前路面进行识别,改进后的神经Kalman算法对路面识别数据进行分析,得出最优滑转率,图7(b)神经Kalman算法对整车力矩进行最优分配,图7(c)表明神经Kalman算法对车轮滑转进行了较优控制。

  本文针对传统双电机四驱动电动汽车在不同附着系数路面驱动防滑功能较弱问题,提出基于神经Kalman四轮轮毂电机驱动防滑策略。Kalman滤波算法剔除神经网络中随机数据的干扰误差,调整神经网络的阈值和权值,获得最优识别滑转率和控制策略。选择对接路面和对开路面进行仿真,仿真结果表明,改进后的神经Kalman算法对路面识别数据进行分析,得出最优滑转率,车轮一发生滑转,调节四轮轮毂电机扭矩,对当前车轮车速和扭矩进行最优控制下的车轮速度。并对当前车轮车速和扭矩进行最优控制下的车轮速度。驱动防滑效果明显优于无控制状态。

  [1] 张振良, 赵亚超, 黄妙华, 等. 电动轮车驱动防滑控制策略的研究[J]. 武汉理工大学学报(信息与管理工程版), 2014(6):794-797.

  [5] 罗龙飞, 袁守华. 电动汽车驱动电机及其控制系统应用概述[J]. 汽车实用技术, 2014(4):5-7.

  [6] 陶维辉, 喻厚宇, 黄妙华. 基于最优滑转率识别的电动轮车驱动防滑模糊控制研究[J]. 武汉理工大学学报,2015, 37(4):47-52.

  崔坤利,女,(1992.9-)安徽工程大学 控制工程专业,硕士研究生,工程师,主要研究方向为新能源汽车电驱动系统。

  本文来源于科技期刊《电子产品世界》2019年第7期第70页,欢迎您写论文时引用,并注明出处

本文由沧州市高效电机有限公司发布于分析预测,转载请注明出处:基于神经Kalman四轮轮毂电机驱动防滑策略研究

关键词: 电机车说明书