CN106882080B - 一种差速转向***及其自适应神经网络容错控制方法 - Google Patents

Abstract

本发明公开了一种差速转向***及其自适应神经网络容错控制方法，该***包括方向盘转角传感器、方向盘、转向管柱、齿轮齿条式转向器、四个车轮及轮毂电机、前轴、整车电子控制单元、蓄电池组、横摆角速度传感器、车速传感器、后轴和电机控制单元。在行驶过程中，整车电子控制单元实时采集方向盘转角、横摆角速度以及车速信号，计算理想横摆角速度与实际横摆角速度的差值，通过设计的自适应神经网络控制器重新计算轮毂电机输出转矩，并将此转矩信号传递到电机控制器，并由电机控制器向四个轮毂电机发送电流信号，完成轮毂电机正常与失效状况下的转向稳定性控制。本发明能够提高差速转向***的可靠性和汽车行驶时的稳定性和安全性。

Description

一种差速转向***及其自适应神经网络容错控制方法

技术领域

本发明涉及四轮转向技术领域，尤其涉及一种差速转向***及其自适应神经网络容错控制方法。

背景技术

对于传统车辆来说，离合器、变速器、传动轴、差速器乃至分动器都是必不可少的，而这些部件不但重量重、车辆结构复杂，同时也存在需要定期维护和故障率的问题。但是轮毂电机就很好地解决了这个问题。除了结构更为简单之外，采用轮毂电机驱动的车辆可以获得更好的空间利用率，同时传动效率高。

由于轮毂电机具备单个车轮独立驱动的特性，因此很容易实现前驱、后驱或者四驱驱动形式。同时轮毂电机可以调整左右车轮转矩或者转速实现差动转向，大大减小车辆的转弯半径，在特殊情况下几乎可以实现原地转向。

但是轮毂电机可能存在失效情况，可靠性存在问题。如何在轮毂电机失效情况下，保证汽车稳定性的问题急需解决。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种差速转向***及其自适应神经网络容错控制方法。

本发明为解决上述技术问题采用以下技术方案：

一种差速转向***，包括方向盘转角传感器、方向盘、转向管柱、齿轮齿条式转向器、第一至第四车轮、第一至第四轮毂电机、前轴、整车电子控制单元、蓄电池组、车速传感器、横摆角速度传感器、后轴和电机控制单元；

所述转向管柱一端和方向盘固定相连，另一端通过齿轮齿条式转向器和所述前轴相连；

所述方向盘转角传感器设置在转向管柱上，用于获取方向盘转角；

所述车速传感器和横摆角速度传感器均设置在汽车上，分别用于获取汽车的车速和横摆角速度；

所述第一车轮、第二车轮分别设置在所述前轴的两端，所述第三车轮、第四车轮分别设置在所述后轴的两端；

所述第一至第四轮毂电机分别对应设置在所述第一至第四车轮上，用于驱动第一至第四车轮；

所述蓄电池组设置在汽车上，用于供电；

所述整车电子控制单元分别与方向盘转角传感器、车速传感器、横摆角速度传感器、电机控制器、蓄电池组电气相连，用于根据方向盘转角传感器、车速传感器和横摆角速度传感器测得的数据计算四个轮毂电机的力矩并产生相应的电流信号传递给所述电机控制器；

所述电机控制器分别与四个轮毂电机、蓄电池电气相连，用于根据接收到的电流信号控制四个轮毂电机工作。

本发明还公开了一种基于该差速转向***的自适应神经网络容错控制方法，包括以下步骤：

步骤1)，计算理想横摆角速度与方向盘转角的关系；

步骤2)，建立差速转向***的状态空间模型；

步骤3)，基于差速转向***的状态空间模型建立其自适应神经网络容错控制***的状态空间模型，并基于差速转向***的自适应神经网络容错控制***的状态空间模型，建立差速转向***在轮毂电机发生故障情况下的自适应神经网络容错控制***的状态空间模型；

步骤4)，建立自适应神经网络容错控制***的参考模型和逆模型；

步骤5)，基于自适应神经网络容错控制***的参考模型、逆模型以及理想横摆角速度与方向盘转角的关系建立自适应神经网络容错控制***的神经网络补偿器；

步骤6)，基于自适应神经网络容错控制***的神经网络补偿器，建立自适应神经网络容错控制***的自适应神经网络控制器；

步骤7)，基于自适应神经网络控制器对参考模型和轮毂电机发生故障下的自适应神经网络容错控制***输出之间的误差进行自适应调整。

作为本发明一种差速转向***的自适应神经网络容错控制方法进一步的优化方案，步骤1)所述的理想横摆角速度ω_r ^*与方向盘转角θ_sw关系为：

式中：

a₀＝k_fk_r(a+b)²+(k_rb-k_fa)mu²；b₀＝k_fk_r(a+b)u；L为前后轴轴距；u为汽车速度；K_s为预设的横摆角速度调整参数；k_f、k_r分别为前后轮侧偏刚度；a为质心到前轴轴距；b为质心到后轴轴距；m为整车质量。

作为本发明一种差速转向***的自适应神经网络容错控制方法进一步的优化方案，步骤2)中所述的差速转向***的状态空间模型为：

式中，

/>

δ_f为前轮转角；β为质心侧偏角；ω_r为横摆角速度；d为半轴距；J_s为方向盘等效转动惯量；G为齿轮齿条转向器传动比；I为整车绕z轴转动惯量；B_s为方向盘等效阻尼，R为轮胎半径；d₂为轮胎拖矩；d₁为主销横向偏移矩；T_sw为驾驶员作用在方向盘的转矩；T_fl、T_fr、T_rl、T_rr分别为左前、右前、左后、右后轮毂电机的输出转矩。

作为本发明一种差速转向***的自适应神经网络容错控制方法进一步的优化方案，步骤3)中所述的差速转向***的自适应神经网络容错控制***的状态空间模型为：

式中，f(x(t))＝Ax(t)；g(x(t))＝λB；h(x(t))＝Cx(t)；t为时间；

λ₁、λ₂、λ₃、λ₄分别为左前、右前、左后、右后轮毂电机发生故障的概率。

作为本发明一种差速转向***的自适应神经网络容错控制方法进一步的优化方案，步骤3)中所述的差速转向***在轮毂电机发生故障情况下的自适应神经网络容错控制***的状态空间模型为：

式中，σ(x(t),u(t),w(t))为轮毂电机故障下的扰动输入函数。

作为本发明一种差速转向***的自适应神经网络容错控制方法进一步的优化方案，步骤4)中所述的自适应神经网络容错控制***的参考模型为：

式中：x_m(t)为参考模型的状态向量；u_m(t)为参考模型的输入控制向量，y_m(t)为参考模型的输出向量；A_m＝A；B_m＝λB；C_m＝C。

作为本发明一种差速转向***的自适应神经网络容错控制方法进一步的优化方案，步骤4)所述的自适应神经网络容错控制***的逆模型为：

u(t)＝g^-1(t)[v(t)-f(x)]

式中：v(t)为给定跟踪响应。

作为本发明一种差速转向***的自适应神经网络容错控制方法进一步的优化方案，步骤5)中所述的神经网络补偿器为：

式中：Δ为逆模型误差；y_s为第s层神经网络的输出；w_is为第i个神经元到第s层神经元的权重；g_i(x)为第i个神经元输出值；i为大于等于1小于等于n的自然数，n为神经元个数，s为当前神经网络层数。

作为本发明一种差速转向***的自适应神经网络容错控制方法进一步的优化方案，步骤6)中所述的自适应神经网络控制器为：

式中：u_eer(t)为内环***的补偿误差；K_p为参数矩阵；u_NN为自适应神经网络控制器的输出。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1.根据电子控制单元实时采集方向盘转角、横摆角速度以及车速信号，计算理想横摆角速度与实际横摆角速度的差值，通过设计的自适应神经网络控制器重新计算轮毂电机输出转矩，并由ECU向轮毂电机发送电流信号，完成轮毂电机正常与失效状况下的转向稳定性控制；

2.所提控制方法简便可靠，同时利用神经网络有效克服转向***故障引起的逆模型误差和非线性因素的影响，从而实现对差速转向模型的实时跟随控制；

3.该方法不必预先知道故障发生的位置和大小，也不必对***进行参数辨识，就可以保证差速转向***在故障情况下的精准跟踪模型输出，从而达到理想的动态性能。

附图说明

图1为本发明中差速转向***的结构示意图；

图2为本发明中自适应神经网络容错控制方法的流程示意图。

图中，1-方向盘转角传感器，2-方向盘，3-转向管柱，4-左前轮及轮毂电机，5-齿轮齿条转向器，6-右前轮及轮毂电机，7-前轴，8-整车电子控制单元，9-蓄电池组，10-左后轮及轮毂电机，11-右后轮及轮毂电机，12-车速传感器，13-横摆角速度传感器，14-后轴，15-电机控制器。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，本发明开发了一种差速转向***，包括方向盘转角传感器1、方向盘2、转向管柱3、齿轮齿条式转向器5、第一至第四车轮、第一至第四轮毂电机、前轴7、整车电子控制单元8、蓄电池组9、车速传感器12、横摆角速度传感器13、后轴14和电机控制单元15；

所述转向管柱3一端和方向盘2固定相连，另一端通过齿轮齿条式转向器5和所述前轴7相连；

所述方向盘转角传感器1设置在转向管柱3上，用于获取方向盘转角；

所述车速传感器12和横摆角速度传感器13均设置在汽车上，分别用于获取汽车的车速和横摆角速度；

所述第一车轮、第二车轮分别设置在所述前轴7的两端，所述第三车轮、第四车轮分别设置在所述后轴14的两端；

所述第一至第四轮毂电机分别对应设置在所述第一至第四车轮上，用于驱动第一至第四车轮；

所述蓄电池组9设置在汽车上，用于供电；

所述整车电子控制单元8分别与方向盘转角传感器1、车速传感器12、横摆角速度传感器13、电机控制器15、蓄电池组9电气相连，用于根据方向盘转角传感器1、车速传感器12和横摆角速度传感器13测得的数据计算四个轮毂电机的力矩并产生相应的电流信号传递给所述电机控制器15；

所述电机控制器15分别与四个轮毂电机、蓄电池9电气相连，用于根据接收到的电流信号控制四个轮毂电机工作。

如图2所示，本发明还公布了一种基于该差速转向***的自适应神经网络容错控制方法，其特征在于，包括以下步骤：

步骤1)，计算理想横摆角速度ω_r ^*与方向盘转角θ_sw关系：

式中：

a₀＝k₁k₂(a+b)²+(k₂b-k₁a)mu²；b₀＝k₁k₂(a+b)u；L为前后轴轴距；u为汽车速度；K_s为预设的横摆角速度调整参数，其范围可根据驾驶员喜好选取，优先为0.12-0.37；k₁、k₂分别为前后轮侧偏刚度；a为质心到前轴轴距；b为质心到后轴轴距；m为整车质量。

步骤2)，建立差速转向***状态空间模型：

差速转向***状态空间模型为：

式中，

/>

δ_f为前轮转角；β为质心侧偏角；ω_r为横摆角速度；d为半轴距；J_s为方向盘等效转动惯量；G为齿轮齿条转向器传动比；I为整车绕z轴转动惯量；B_s为方向盘等效阻尼，R为轮胎半径；d₂为轮胎拖矩；d₁为主销横向偏移矩；T_sw为驾驶员作用在方向盘的转矩；T_fl、T_fr、T_rl、T_rr分别为左前、右前、左后、右后轮毂电机的输出转矩。

步骤3)，基于差速转向***的状态空间模型建立其自适应神经网络容错控制***的状态空间模型，并基于差速转向***的自适应神经网络容错控制***的状态空间模型，建立差速转向***在轮毂电机发生故障情况下的自适应神经网络容错控制***的状态空间模型。

首先建立差速转向***的自适应神经网络容错控制***状态空间模型：

式中，f(x(t))＝Ax(t)；g(x(t))＝λB；h(x(t))＝Cx(t)；t为时间；

λ₁、λ₂、λ₃、λ₄分别为左前、右前、左后、右后轮毂电机发生故障的概率。

基于上述差速转向***的自适应神经网络容错控制***状态空间模型，当差速***故障时，自适应神经网络容错功能的差速转向***状态空间模型为：

式中，σ(x(t),u(t),w(t))为故障情况下的扰动输入函数；

步骤4)，建立自适应神经网络容错控制***的参考模型和逆模型；

首先建立自适应神经网络容错控制***的参考模型：

式中：x_m(t)为参考模型的状态向量；u_m(t)为参考模型的输入控制向量，y_m(t)为参考模型的输出向量；A_m＝A；B_m＝λB；C_m＝C。

其次建立自适应神经网络容错控制***的逆模型：

u(t)＝g^-1(t)[v(t)-f(x)]

式中：v(t)为给定跟踪响应。

步骤5)，基于上述自适应神经网络容错控制***的参考模型、逆模型和理想横摆角速度与方向盘转角的关系，建立自适应神经网络容错控制***的神经网络补偿器可表述为：

式中：Δ为逆模型误差；y_s为第s层神经网络的输出；w_is为第i个神经元到第s层神经元的权重；g_i(x)为第i个神经元输出值；i为大于等于1小于等于n的自然数，n为神经元个数，s为当前神经网络层数。

步骤6)，基于自适应神经网络容错控制***的神经网络补偿器，建立自适应神经网络容错控制***的自适应神经网络控制器为：

式中：u_eer(t)为内环***的补偿误差；K_p为参数矩阵；u_NN为自适应神经网络控制器的输出。

步骤7)，基于自适应神经网络调节器对参考模型和轮毂电机故障下的自适应神经网络容错控制***输出之间的误差进行自适应调整。

从图2本发明自适应神经网络控制器结构图中可以看出，逆模型误差Δ与逆模型的输入和***输出的关系为：

定义如下的性能指标：

式中：y_js为第j个神经元输出；e_j为第j个神经元误差。

首先利用离线训练各种情况下的补偿误差u_eer，使得网络的输出逼近u_eer，从而完成反馈补偿的作用。

在离线学习的基础上，实时采集差速转向***运行时的数据，利用在线自适应学习算法更新参数，为了提高自适应神经网络容错控制***的稳定性，对于神经网络权值进行调整，采用如下的在线自适应学习算法：

式中：W()为权值；T,P为正定矩阵；Q为径向基函数。

在行驶过程中，电子控制单元实时采集方向盘转角、横摆角速度以及车速信号，计算理想横摆角速度与实际横摆角速度的差值，通过设计的自适应神经网络控制器重新计算轮毂电机输出转矩，并由电机控制单元向轮毂电机发送电流信号，完成轮毂电机正常与失效状况下的转向稳定性控制，从而实现了一种具有自适应神经网络容错控制功能的四轮转向***及其控制方法。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种差速转向***的自适应神经网络容错控制方法，所述差速转向***包括方向盘转角传感器(1)、方向盘(2)、转向管柱(3)、齿轮齿条式转向器(5)、第一至第四车轮、第一至第四轮毂电机、前轴(7)、整车电子控制单元(8)、蓄电池组(9)、车速传感器(12)、横摆角速度传感器(13)、后轴(14)和电机控制器(15)；

所述转向管柱(3)一端和方向盘(2)固定相连，另一端通过齿轮齿条式转向器(5)和所述前轴(7)相连；

所述方向盘转角传感器(1)设置在转向管柱(3)上，用于获取方向盘转角；

所述车速传感器(12)和横摆角速度传感器(13)均设置在汽车上，分别用于获取汽车的车速和横摆角速度；

所述第一车轮、第二车轮分别设置在所述前轴(7)的两端，所述第三车轮、第四车轮分别设置在所述后轴(14)的两端；

所述第一至第四轮毂电机分别对应设置在所述第一至第四车轮上，用于驱动第一至第四车轮；

所述蓄电池组(9)设置在汽车上，用于供电；

所述整车电子控制单元(8)分别与方向盘转角传感器(1)、车速传感器(12)、横摆角速度传感器(13)、电机控制器(15)、蓄电池组(9)电气相连，用于根据方向盘转角传感器(1)、车速传感器(12)和横摆角速度传感器(13)测得的数据计算四个轮毂电机的力矩并产生相应的电流信号传递给所述电机控制器(15)；

所述电机控制器(15)分别与四个轮毂电机、蓄电池组(9)电气相连，用于根据接收到的电流信号控制四个轮毂电机工作；

其特征在于，所述差速转向***的自适应神经网络容错控制方法包括以下步骤：

步骤1)，计算理想横摆角速度与方向盘转角的关系；

步骤2)，建立差速转向***的状态空间模型；

步骤3)，基于差速转向***的状态空间模型建立其自适应神经网络容错控制***的状态空间模型，并基于差速转向***的自适应神经网络容错控制***的状态空间模型，建立差速转向***在轮毂电机发生故障情况下的自适应神经网络容错控制***的状态空间模型；

步骤4)，建立自适应神经网络容错控制***的参考模型和逆模型；

步骤5)，基于自适应神经网络容错控制***的参考模型、逆模型以及理想横摆角速度与方向盘转角的关系建立自适应神经网络容错控制***的神经网络补偿器；

步骤6)，基于自适应神经网络容错控制***的神经网络补偿器，建立自适应神经网络容错控制***的自适应神经网络控制器；

步骤7)，基于自适应神经网络控制器对参考模型和轮毂电机发生故障下的自适应神经网络容错控制***输出之间的误差进行自适应调整。

2.根据权利要求书1所述的差速转向***的自适应神经网络容错控制方法，其特征在于，步骤1)所述的理想横摆角速度ω_r ^*与方向盘转角θ_sw关系为：

/>

式中：

a₀＝k_fk_r(a+b)²+(k_rb-k_fa)mu²；b₀＝k_fk_r(a+b)u；L为前后轴轴距；u为汽车速度；K_s为预设的横摆角速度调整参数；k_f、k_r分别为前后轮侧偏刚度；a为质心到前轴轴距；b为质心到后轴轴距；m为整车质量。

3.根据权利要求书2所述的差速转向***的自适应神经网络容错控制方法，其特征在于，步骤2)中所述的差速转向***的状态空间模型为：

式中，

C＝[0 0 0 1]；

u(t)＝[T_fl T_fr T_rl T_rr]^T；w(t)＝[T_sw]^T；y(t)＝[ω_r]^T；

θ_f为前轮转角；β为质心侧偏角；ω_r为横摆角速度；d为半轴距；J_s为方向盘等效转动惯量；G为齿轮齿条转向器传动比；I为整车绕z轴转动惯量；B_s为方向盘等效阻尼，R为轮胎半径；d₂为轮胎拖矩；d₁为主销横向偏移矩；T_sw为驾驶员作用在方向盘的转矩；T_fl、T_fr、T_rl、T_rr分别为左前、右前、左后、右后轮毂电机的输出转矩。

4.根据权利要求书3所述的差速转向***的自适应神经网络容错控制方法，其特征在于，步骤3)中所述的差速转向***的自适应神经网络容错控制***的状态空间模型为：

式中，f(x(t))＝Ax(t)；g(x(t))＝λB；h(x(t))＝Cx(t)；t为时间；

λ₁、λ₂、λ₃、λ₄分别为左前、右前、左后、右后轮毂电机发生故障的概率。

5.根据权利要求书4所述的差速转向***的自适应神经网络容错控制方法，其特征在于，步骤3)中所述的差速转向***在轮毂电机发生故障情况下的自适应神经网络容错控制***的状态空间模型为：

式中，σ(x(t),u(t),w(t))为轮毂电机故障下的扰动输入函数。

6.根据权利要求书5所述的差速转向***的自适应神经网络容错控制方法，其特征在于，步骤4)中所述的自适应神经网络容错控制***的参考模型为：

式中：x_m(t)为参考模型的状态向量；u_m(t)为参考模型的输入控制向量，y_m(t)为参考模型的输出向量；A_m＝A；B_m＝λB；C_m＝C。

7.根据权利要求书6所述的差速转向***的自适应神经网络容错控制方法，其特征在于，步骤4)所述的自适应神经网络容错控制***的逆模型为：

u(t)＝g^-1(t)[v(t)-f(x)]

式中：v(t)为给定跟踪响应。

8.根据权利要求书7所述的差速转向***的自适应神经网络容错控制方法，其特征在于，步骤5)中所述的神经网络补偿器为：

式中：Δ为逆模型误差；y_s为第s层神经网络的输出；w_is为第i个神经元到第s层神经元的权重；g_i(x)为第i个神经元输出值；i为大于等于1小于等于n的自然数，n为神经元个数，s为当前神经网络层数。

9.根据权利要求书8所述的差速转向***的自适应神经网络容错控制方法，其特征在于，步骤6)中所述的自适应神经网络控制器为：

式中：u_eer(t)为内环***的补偿误差；K_p为参数矩阵；u_NN为自适应神经网络控制器的输出。

Images