作者： 張琨;王京;蔡文遠;馬島

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實現(xiàn)左、右車輪差速，在汽車轉彎行駛或其他行駛情況下，都n，以借行星齒輪以相應轉速自轉，使兩側驅動車以不I叫轉速在地面j：滾動而無滑動。對于采用混合驅動技術的電動車來說，電機驅動輪之間同樣存在轉速協(xié)調控制的問題。電動輪電子差速技術已經(jīng)成為混合動力整車控制系統(tǒng)必須解決的問題。

本文所設計的混合動力汽車采用輪轂驅動技術，根據(jù)輪轂驅動電動汽車的技術特點，提出一種基于神經(jīng)網(wǎng)絡模型參考自適應的控制方法．實現(xiàn)混合動力驅動汽車的電子差速控制。

2 現(xiàn)有的電子差速技術

當汽車低速運行時，由ACKERMANN和JEANTAND提出的模型廣泛應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Uin，Uout分別為前內輪轉速和前外輪轉速，U3，U4分別為后內輪轉速和后外輪轉速，U為當前車速。

由上述模型可得

由此可見兩后輪轉速U3、U4是關于當前車速U和車輪轉角δ的函數(shù)。因此可由加速踏板指令獲得u，轉角傳感器獲得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，是在假設車輪為純滾動的條件下建立的，沒有考慮車輛轉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)絡模型參考自適應的方法對差速模犁進行動態(tài)分析。

3 神經(jīng)網(wǎng)絡模型參考自適應電子差速控制

3．1模型參考自適應控制系統(tǒng)結構

模犁參考自適應控制（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)，當被控對象具有未知的非線性特性時，可采用神經(jīng)網(wǎng)絡模型參考自適應控制方案．其結構如圖2所示。其中神經(jīng)網(wǎng)絡NNI為在線辨識器，用于辨識被控對象的模型；神經(jīng)網(wǎng)絡NNC為控制器，通過訓練可使閉環(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)絡模刑參考自適應控制的結構有兩種：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)絡模型參考A適應控制結構 a）直接型 b）問接型

3．2模型參考自適應電子差速模剄的建立

本文采用直接型模型參考自適應控制方法，選擇非線性的神經(jīng)網(wǎng)絡控制器。針對前輪轉向后輪驅動的混合動力系統(tǒng)，利用Ackermann模型計算基本輪速，根據(jù)車輛橫向動力學方程建立的整車動力學模型作為參考模捌。指令輸入施加到神經(jīng)網(wǎng)絡控制器中，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。經(jīng)神經(jīng)網(wǎng)絡的不斷訓練，修改權值，使誤差達到預期目標。控制原理圖如圖3所示。

圖3神經(jīng)網(wǎng)絡模型參考自適應電子差速控制

對于神經(jīng)網(wǎng)絡的學習，本文采用離線學習的方法。離線學習就是將網(wǎng)絡的學習過程與控制過程分開，將系統(tǒng)動態(tài)過程中的一螳輸入／輸出對構成網(wǎng)絡的學習樣本空間，以此對網(wǎng)絡進行離線訓練。整個網(wǎng)絡在訓練結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)絡最常用的訓練算法為BP算法。其訓練步驟如下：

①隨機產(chǎn)生網(wǎng)絡參數(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②～④n次

⑥修正權值

⑦重復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，前輪側偏剛度和Cf=21000N／rad，后輪側偏剛度和Cr=24000N／rad。神經(jīng)網(wǎng)絡控制器的數(shù)據(jù)均進行歸一化處理。

4．2仿真結果及分析

圖4足控制模型訓練過程中誤差函數(shù)的變化曲線。圖巾橫坐標為訓練次數(shù)，縱坐標為誤差變化率。可見，當訓練300次之后，模犁的訓練性能誤差可達1．41971。系統(tǒng)已經(jīng)達到了要求的誤差范同之內。

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，轉向角δ變?yōu)?00，圖5為仿真結果。圖中橫牮標為時間，縱坐標為車輪輪速。由仿真結果可以看出，當產(chǎn)生轉向角之后，內側后輪速度減小，外側后輪速度增大，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)轉向。

圖6為u=10m／s和u=20m／s時，δ由0變?yōu)?0°的仿真結果。仿真時長為30s。

U=10m／s

U=20m／s

圖6不同車速時輪速隨轉向角的變化

根據(jù)上述仿真結果可以看出，對于一個車體，轉彎時，內側車輪速度減小，外側車輪速度增大，轉向角度越大，兩驅動輪之間差速越大；當前車速越大，兩驅動輪問差速越大。基于神經(jīng)網(wǎng)絡模型參考自適應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 結論

本文針對混合動力汽車的特性，應用神經(jīng)網(wǎng)絡模型參考自適應的控制方法建立兩電機驅動后輪的差速模瓔，在Matlab／Simulink環(huán)境下進行仿真，準確地反應了控制系統(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：結合Aackermann模型，運用神經(jīng)網(wǎng)絡模型參考自適應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。

責任編輯：gt