崔坤利 

　　（奇瑞新能源汽車技術(shù)有限公司，安徽 蕪湖 241002）

　　摘要：針對傳統(tǒng)雙電機(jī)四驅(qū)動電動汽車在不同附著系數(shù)路面驅(qū)動防滑功能較弱問題,提出基于神經(jīng)Kalman四輪輪轂電機(jī)驅(qū)動防滑策略。Kalman濾波算法剔除神經(jīng)網(wǎng)絡(luò)中隨機(jī)數(shù)據(jù)的干擾誤差，調(diào)整神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，獲得最優(yōu)識別滑轉(zhuǎn)率和控制策略，改進(jìn)后的神經(jīng)Kalman算法能夠識別當(dāng)前路面最優(yōu)滑轉(zhuǎn)率，并結(jié)合四輪輪轂電機(jī)驅(qū)動轉(zhuǎn)速易于獲得，直接橫擺力矩有效控制的優(yōu)點(diǎn)，對車輪力矩進(jìn)行最優(yōu)控制。仿真結(jié)果表明：神經(jīng)Kalman能夠較好識別當(dāng)前路面最優(yōu)滑轉(zhuǎn)率，神經(jīng)Kalman同時對四輪輪轂電機(jī)直接橫擺力矩最優(yōu)控制，提高車輛驅(qū)動防滑能力。

　　關(guān)鍵詞：電動汽車；輪轂電機(jī)；神經(jīng)Kalman算法 ；最優(yōu)滑轉(zhuǎn)率 ；最優(yōu)滑轉(zhuǎn)率

　　中圖分類號：TM351 文獻(xiàn)標(biāo)識碼：A

　　0 引言

　　電動汽車驅(qū)動防滑策略（acceleration slipregulation）是電動汽車穩(wěn)定性的重要組成部分。電動汽車驅(qū)動防滑針對于不平整路面，汽車轉(zhuǎn)彎處車輪空轉(zhuǎn)，以及雨雪天氣，地面摩擦力較小，驅(qū)動輪滑轉(zhuǎn)，汽車起步和加速時車輪滑轉(zhuǎn)等情況下，仍保持車輛穩(wěn)定行駛和最優(yōu)驅(qū)動。由于我國提倡節(jié)能減排，電動汽車零排放，無污染的優(yōu)點(diǎn)使其成為研究成為汽車領(lǐng)域的一大熱點(diǎn)。電動汽車驅(qū)動力主要是電機(jī)驅(qū)動，驅(qū)動防滑對電機(jī)的驅(qū)動轉(zhuǎn)矩響應(yīng)速度快和轉(zhuǎn)矩控制要求很高。電動汽車驅(qū)動防滑不僅和本身的驅(qū)動力有關(guān)，還和地面的滑轉(zhuǎn)率有關(guān)，驅(qū)動力越大，電動汽車防滑效果越好，穩(wěn)定性越高；地面的滑轉(zhuǎn)率最優(yōu)狀態(tài)下，電動汽車才能獲得較優(yōu)驅(qū)動力。

　　電動汽車驅(qū)動防滑策略在最優(yōu)滑轉(zhuǎn)率 ^[1] 方面，文獻(xiàn) ^[2] 中設(shè)計基于雙模糊算法的自適應(yīng)驅(qū)動防滑控制器，采用路面識別模塊，實(shí)現(xiàn)自適應(yīng)控制前后輪，但是前后軸驅(qū)動性能不能達(dá)到最優(yōu)。文獻(xiàn) ^[3] 對比分析了PID控制、模型跟蹤控制以及動態(tài)自尋最佳滑轉(zhuǎn)率的滑模變結(jié)構(gòu)控制三種驅(qū)動防滑控制算法的優(yōu)缺點(diǎn)，得出動態(tài)自尋最佳滑轉(zhuǎn)率比靜態(tài)抗干擾性強(qiáng)。文獻(xiàn) ^[4] 中提出了基于驅(qū)動防滑的全時四輪驅(qū)動汽車牽引力控制策略，抑制了驅(qū)動輪過度空轉(zhuǎn)滑轉(zhuǎn)，但只適用于個別路面條件，對于復(fù)雜路面控制穩(wěn)定性和驅(qū)動性不能達(dá)到最優(yōu)效果。電動汽車驅(qū)動防滑策略在驅(qū)動性能方面，文獻(xiàn) ^[5] 對不同類型的驅(qū)動電機(jī)特點(diǎn)進(jìn)行比較，其中輪轂電機(jī)轉(zhuǎn)矩 ^[6] 能夠獨(dú)立控制，且較容易測量。文獻(xiàn) ^[7] 基于輪轂電機(jī)建立了整車動力模型，模擬電動汽車真實(shí)的駕駛狀態(tài)，為電動汽車控制算法研究提供了平臺。文獻(xiàn) ^[8] 中對分布式驅(qū)動的電動汽車分別提出了基于穩(wěn)定性的驅(qū)動力調(diào)節(jié)轉(zhuǎn)矩增加橫向穩(wěn)定性，基于動力性的驅(qū)動調(diào)節(jié)轉(zhuǎn)矩以改變縱向加速度和驅(qū)動轉(zhuǎn)矩。

　　本文針對于傳統(tǒng)雙電機(jī)四驅(qū)動電動汽車在不同附著系數(shù)路面驅(qū)動防滑功能較弱，綜合比較輪轂電機(jī)獨(dú)立驅(qū)動，電機(jī)轉(zhuǎn)矩響應(yīng)較快，穩(wěn)定操縱性較強(qiáng)，基于輪轂電機(jī)驅(qū)動，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(jī)數(shù)據(jù)的干擾誤差，調(diào)整神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，獲得最優(yōu)識別滑轉(zhuǎn)率和控制策略。改進(jìn)后的神經(jīng)Kalman算法對路面識別數(shù)據(jù)進(jìn)行分析，得出最優(yōu)滑轉(zhuǎn)率，車輪一發(fā)生滑轉(zhuǎn)，調(diào)節(jié)四輪輪轂電機(jī)扭矩，對當(dāng)前車輪車速和扭矩進(jìn)行最優(yōu)控制下的車輪速度。并對當(dāng)前車輪車速和扭矩進(jìn)行最優(yōu)控制下的車輪速度。

　　1 電動汽車整車建模

　　1.1 輪轂電機(jī)數(shù)學(xué)模型

　　電機(jī)是電動汽車的主要驅(qū)動力，電動汽車對電機(jī)要求包括較好的啟動性能，能量使用效率高，低速爬坡能力強(qiáng)，成本低，安全性能高。表1對幾種輪轂電機(jī)的高電壓，轉(zhuǎn)速，質(zhì)量，體積，單位質(zhì)量功率輸出，高適應(yīng)性幾個方面進(jìn)行比較，綜合得出無刷直流輪轂電機(jī)電動汽車驅(qū)動性最優(yōu)，扭矩響應(yīng)最快。輪轂電機(jī)參數(shù)如表2所示，電機(jī)驅(qū)動轉(zhuǎn)矩和功率如圖1所示，電機(jī)效率如圖2所示。

　　1.2 整車結(jié)構(gòu)模型

　　本車型采用四輪輪轂電機(jī)驅(qū)動，整車結(jié)構(gòu)如圖3所示，整車結(jié)構(gòu)包括駕駛控制，扭矩分配，輪轂電機(jī)驅(qū)動，四個輪轂電機(jī)分別驅(qū)動四個車輪， 車速控制。駕駛員對加速踏板開合大小及方向盤轉(zhuǎn)角控制車速和車輪轉(zhuǎn)角大小，通過輪轂電機(jī)反饋給整車控制器當(dāng)前制動轉(zhuǎn)矩和驅(qū)動扭矩，整車控制器對輪轂電機(jī)扭矩和轉(zhuǎn)矩進(jìn)行調(diào)節(jié)，達(dá)到控制車輛的目的。

　　2 驅(qū)動防滑控制算法

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

　　Kalman濾波算法 ^[10] 從觀測數(shù)據(jù)中剔除干擾，估計出需要的濾波信號，獲得準(zhǔn)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 是觀測向量， Y λ 是狀態(tài)向量，, 1 λ λγ? 、B λ 是系數(shù)矩陣，, 1 λ λ ?Φ是狀態(tài)轉(zhuǎn)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(xí)，神經(jīng)網(wǎng)絡(luò)傳輸圖如圖4所示。學(xué)習(xí)規(guī)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(jié)果和期望結(jié)果有誤差，則會把誤差信號進(jìn)行反方向傳播，再調(diào)整神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，直到輸出結(jié)果和期望結(jié)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(xí)能力較強(qiáng)，但是容易陷入局部最優(yōu)，影響判斷結(jié)果。Kalman濾波算法通過剔除隨機(jī)數(shù)據(jù)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(jié)果。Kalman濾波算法分為兩個階段，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。

　　（1）向前傳輸階段：

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

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

　　③ 比較實(shí)際輸出Qi=FL（?F 2 （F 1 （P i W⑴

　?、?計算誤差

　?、?調(diào)整權(quán)重值W ⑴ ，W (2) , ? W (L) ,重復(fù)調(diào)整直到

　?。?）向后傳輸階段：

　　① 計算理想輸出Oi和實(shí)際輸出Qi的差值；

　　② 用輸出層的誤差修改輸出層權(quán)矩陣；

　　③

　?、?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(fù)獲得其它層估計誤差；

　　⑤將輸出端計算的誤差沿著輸出端相反的方向傳遞，利用這些誤差對權(quán)矩陣修改；

　　3 仿真實(shí)驗

　　3.1 仿真參數(shù)確定

　　應(yīng)用Matlab/Simulink仿真對控制方法進(jìn)行驗證。電動汽車模型參數(shù)如表3所示。

　　仿真路面選擇對接路面和對開路面。(1)對接路面仿真：初始車速10km/h，每個輪轂電機(jī)車輪驅(qū)動均輸入500N*m，路面變化如圖6(a)所示，圖6(b)所示，在車輪未打滑時，路面識別算法將當(dāng)前路面數(shù)據(jù)放大，改進(jìn)后的神經(jīng)Kalman算法對路面識別數(shù)據(jù)進(jìn)行分析，得出最優(yōu)滑轉(zhuǎn)率，圖6(c)車輪一發(fā)生滑轉(zhuǎn)，調(diào)節(jié)四輪輪轂電機(jī)扭矩，圖6(d)對當(dāng)前車輪車速和扭矩進(jìn)行最優(yōu)控制下的車輪速度。圖6(e)是無控制時車輪的速度。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(shù)據(jù)進(jìn)行分析，得出最優(yōu)滑轉(zhuǎn)率，并對當(dāng)前車輪車速和扭矩進(jìn)行最優(yōu)控制下的車輪速度。驅(qū)動防滑效果明顯優(yōu)于無控制狀態(tài)。

　　(2)開路面仿真：初始車速10km/h，每個輪轂電機(jī)車輪驅(qū)動均輸入500N*m，路面附著系數(shù)為0.25和0.5。實(shí)驗結(jié)果如圖7(a)所示，路面識別算法將當(dāng)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(shù)據(jù)進(jìn)行分析，得出最優(yōu)滑轉(zhuǎn)率，圖7(b)神經(jīng)Kalman算法對整車力矩進(jìn)行最優(yōu)分配，圖7(c)表明神經(jīng)Kalman算法對車輪滑轉(zhuǎn)進(jìn)行了較優(yōu)控制。

　　4 結(jié)論

　　本文針對傳統(tǒng)雙電機(jī)四驅(qū)動電動汽車在不同附著系數(shù)路面驅(qū)動防滑功能較弱問題,提出基于神經(jīng)Kalman四輪輪轂電機(jī)驅(qū)動防滑策略。Kalman濾波算法剔除神經(jīng)網(wǎng)絡(luò)中隨機(jī)數(shù)據(jù)的干擾誤差，調(diào)整神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值，獲得最優(yōu)識別滑轉(zhuǎn)率和控制策略。選擇對接路面和對開路面進(jìn)行仿真，仿真結(jié)果表明，改進(jìn)后的神經(jīng)Kalman算法對路面識別數(shù)據(jù)進(jìn)行分析，得出最優(yōu)滑轉(zhuǎn)率，車輪一發(fā)生滑轉(zhuǎn)，調(diào)節(jié)四輪輪轂電機(jī)扭矩，對當(dāng)前車輪車速和扭矩進(jìn)行最優(yōu)控制下的車輪速度。并對當(dāng)前車輪車速和扭矩進(jìn)行最優(yōu)控制下的車輪速度。驅(qū)動防滑效果明顯優(yōu)于無控制狀態(tài)。

　　參考文獻(xiàn):

　　[1] 張振良, 趙亞超, 黃妙華, 等. 電動輪車驅(qū)動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(dú)立驅(qū)動電動汽車自適應(yīng)驅(qū)動防滑控制[J]. 山東大學(xué)學(xué)報 (工學(xué)版),2017, 48(1):96-103.

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

　　[4] 胡建軍, 楊振輝, 劉輝, 等. 四輪驅(qū)動汽車車輪驅(qū)動防滑的牽引力控制仿真分析[J]. 中國機(jī)械工程, 2014,25(13):1817-1823.

　　[5] 羅龍飛, 袁守華. 電動汽車驅(qū)動電機(jī)及其控制系統(tǒng)應(yīng)用概述[J]. 汽車實(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(zhuǎn)率識別的電動輪車驅(qū)動防滑模糊控制研究[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(jī)驅(qū)動電動汽車建模與仿真[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(qū)動電動汽車驅(qū)動轉(zhuǎn)矩協(xié)調(diào)控制[J]. 汽車工程, 2012, 34(3):185-189.

　　作者簡介：

　　崔坤利，女，（1992.9-）安徽工程大學(xué) 控制工程專業(yè)，碩士研究生，工程師，主要研究方向為新能源汽車電驅(qū)動系統(tǒng)。

　　E-mail：2513855009@qq.com.com

　　電話：17730096975

　　通訊地址：安徽省蕪湖市弋江區(qū)花津南路226號奇瑞新能源研究院

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