CN110949366B - 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法 - Google Patents

应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法 Download PDF

Info

Publication number
CN110949366B
CN110949366B CN201911088687.8A CN201911088687A CN110949366B CN 110949366 B CN110949366 B CN 110949366B CN 201911088687 A CN201911088687 A CN 201911088687A CN 110949366 B CN110949366 B CN 110949366B
Authority
CN
China
Prior art keywords
control
vehicle
sliding mode
torque
speed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911088687.8A
Other languages
English (en)
Other versions
CN110949366A (zh
Inventor
汪少华
惠易佳
孙晓强
施德华
张弛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201911088687.8A priority Critical patent/CN110949366B/zh
Publication of CN110949366A publication Critical patent/CN110949366A/zh
Application granted granted Critical
Publication of CN110949366B publication Critical patent/CN110949366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00Conjoint control of vehicle sub-units of different type or different function
    • B60W10/18Conjoint control of vehicle sub-units of different type or different function including control of braking systems
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0098Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001Details of the control system
    • B60W2050/0019Control system elements or transfer functions
    • B60W2050/0028Mathematical models, e.g. for simulation
    • B60W2050/0037Mathematical models of vehicle sub-units
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001Details of the control system
    • B60W2050/0019Control system elements or transfer functions
    • B60W2050/0028Mathematical models, e.g. for simulation
    • B60W2050/0037Mathematical models of vehicle sub-units
    • B60W2050/0039Mathematical models of vehicle sub-units of the propulsion unit
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001Details of the control system
    • B60W2050/0019Control system elements or transfer functions
    • B60W2050/0028Mathematical models, e.g. for simulation
    • B60W2050/0037Mathematical models of vehicle sub-units
    • B60W2050/0041Mathematical models of vehicle sub-units of the drive line
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001Details of the control system
    • B60W2050/0043Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00Output or target parameters relating to a particular sub-units
    • B60W2710/06Combustion engines, Gas turbines
    • B60W2710/0605Throttle position
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00Output or target parameters relating to a particular sub-units
    • B60W2710/18Braking system
    • B60W2710/182Brake pressure, e.g. of fluid or between pad and disc

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法,包括以下步骤:设计以速度误差为控制变量的终端滑模变结构控制算法,并设计针对滑模控制切换增益进行自适应调节的RBF神经网络控制器,对切换增益进行实时优化,通过逆纵向动力学控制器,最终得到车辆所需期望油门开度/期望制动压力。通过以上控制模型及控制算法,可以实现一下有益效果:1、提高智能汽车纵向速度跟踪能力,有效减提升车辆的乘坐舒适性与操作稳定性;2、实现对传统滑模控制“抖振”特性的有效抑制,进一步提高滑模控制在纵向速度控制中的精确性;3、对于车辆模型精确度要求不高,易于控制实现,对于中高端车辆以及智能交通的发展都有着重要的意义。

Description

应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制 方法
技术领域
发明属于车辆控制技术领域,涉及到一种智能车辆纵向运动控制方法,特别涉及到一种基于RBF神经网络滑模算法的智能汽车纵向运动控制方法。
背景技术
智能车辆作为未来车辆发展方向和智能交通***核心部分近几年来受到了各国学者的广泛关注。纵向控制是指根据车载传感***获取的信息,通过一定的控制方法实现对汽车纵向速度的调节,实现智能汽车的自动纵向加减速功能,决定着智能汽车自主行驶性能的品质好坏。纵向控制是智能汽车自主行驶的基础,也是实现汽车主动安全的一个主要内容,在智能汽车行驶控制***中起着核心作用。汽车纵向动力学控制***是一个复杂的非线性***,其实际特性难以用线性模型准确描述,存在着参数不确定性和强非线性的特性,因此纵向控制研究是近年来智能车辆研究的热点方向。
现存的汽车纵向控制方法主要为模糊控制,模型预测控制等,虽然能对非线性模型进行控制,但仍存在响应速度较慢、所需模型过于复杂等缺点。
滑模变结构控制是近年来针对智能汽车纵向控制器设计的新型控制方法,该控制算法对外界干扰和模型非线性具有较强的鲁棒性,但该算法在滑动切换面附近的滑模高频切换容易引发抖振现象。
发明内容
本发明为了克服现有技术存在的上述不足之处,,提供不仅可以克服智能车辆纵向动力学***的参数不确定性、时滞和非线性等特性,同时保证智能车辆纵向控制动态响应速度快,有限时间收敛,消除抖振,稳态跟踪精度高的一种基于学习法的智能车辆RBF神经网络终端滑模控制方法。
本发明包括以下步骤:步骤1建立描述智能车辆特征的非线性纵向运动数学模型,包括发动机模型、液力变矩器及自动变速器模型、制动***模型和车辆纵向运动模型;步骤2设计智能车辆纵向速度控制器,包括车辆油门控制和车辆制动控制,得到智能车辆期望加/减速度;车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现,利用终端滑模滑模控制算法设计智能车辆纵向速度终端滑模控制律,通过设计合适的控制律,使得线性滑模在有限时间内到达并保持零,满足李雅普诺夫稳定性判定;步骤3根据步骤2得到的期望加/减速度,结合纵向行驶速度与发动机的转矩和转速之间存在对应关系,设计逆纵向控制器,求出期望油门开度αdes和期望制动压力Pbdes,设计宽度为h的缓冲层,避免油门控制器与制动控制器的频繁切换,实现车辆稳定纵向速度控制。
进一步,步骤1中,
发动机模型:
Figure BDA0002266215180000021
Figure BDA0002266215180000022
液力变矩器及自动变速器模型:
Figure BDA0002266215180000023
Figure BDA0002266215180000024
制动***模型:
Figure BDA0002266215180000025
车辆纵向运动模型:
Figure BDA0002266215180000026
其中,Te表示发动机稳态输出转矩,ωe表示发动机转速,αth表示节气门开度,Je表示发动机转动部件和液力变矩器泵轮的有效转动惯量,Tp表示液力变矩器的泵轮扭矩,Tt表示液力变矩器的涡轮扭矩,τe表示一阶惯性环节常数,fethe)为发动机稳态扭矩特性函数,ωt为涡轮转速,ωp为泵轮转速,Ktc为容量系数,τ为扭矩比系数,Tb为车辆的制动力矩,μbr为制动器摩擦因数,Abr为制动盘摩擦面积,Rbr为制动力作用半径,pbr为制动器压力,δ表示车辆旋转质量转换系数,tb为一阶发动机惯性环节系数,m表示车辆总质量;v表示绝对速度,i0表示主减速器传动比,kb表示制动压力比例系数,r为车轮半径;pb表示制动压力,f表示滚动阻力系数,θ表示斜坡角度,CD表示空气阻力,A表示迎风面积,ρ表示空气密度,u表示相对速度,T0为变速器输出轴扭矩,ηt为传动系动力传递系数。
进一步,步骤2中,当纵向速度控制器为油门控制时,控制器输入量为车辆当前行驶速度,输出量为车辆油门开度;当纵向速度控制器切换为制动控制时,输入量为当前行驶车速,输出量为车辆制动压力。
进一步,步骤2中,车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现包括如下步骤:
定义车辆自身速度v0与车辆行驶参考车速vref的偏差为相对速度误差e,定义相对加速度误差为
Figure BDA0002266215180000031
将相对速度误差和相对加速度误差作为纵向速度终端滑模控制的输入量,根据车辆行驶动力学方程,设计终端滑模控制器,得到车辆油门控制器中的期望加速度:
a)期望加速度可定义为:
Figure BDA0002266215180000032
其中,Tedes为发动机期望转矩,pbdes为期望值动力,vref为参考速度;
根据滑模控制理论,选择纵向速度控制的滑模切换面为:
Figure BDA0002266215180000033
式中ρ>0,p、q为奇数,且1<p/q<2
b)对滑模面求导可得
Figure BDA0002266215180000034
并定义Ln:
Figure BDA0002266215180000035
其中,v0为跟踪车辆速度,A1、B1、B2为定义参数;
c)为了能使控制***的运动点迅速正确的回到非线性滑模面上,定义切换控制率为:
Qu=ksgn(s)+μs
式中,k、μ为切换增益,其值应足够大且k>0,μ>0,sgn(s)为开关函数;
d)根据李雅普诺夫函数
Figure BDA0002266215180000036
的稳定性判定,使得线性滑模在有限时间内到达并保持零,即
Figure BDA0002266215180000037
此时线性滑模变量s进入滑模运动状态,误差状态
Figure BDA0002266215180000038
进入滑动模态,并最终实现***状态收敛;
e)采用神经网络控制算法调节切换增益k,所设计的RBF神经网络控制器,具有2个输出量、4个隐含层节点、1个输出量;
f)将滑模控制切换增益k设计为RBF神经网络的输出:
Figure BDA0002266215180000041
其中,w=[w1,w2,w3,w4]T为RBF神经网络的权向量,h=[h1,h2,h3,h4]T为RBF神经网络的径向基向量,径向基向量hj选择高斯基函数,如下:
Figure BDA0002266215180000042
式中,cj为基函数的中心,bj为基函数的宽度,x为神经网络的输入量;
g)根据滑模控制原理,选取控制目标
Figure BDA0002266215180000043
设计权值参数变化dwj为:
Figure BDA0002266215180000044
其中,η为***的学习效率;
h)采用随机梯度学习算法在线调整神经网络的加权值wj、中心值cj和宽度参数bj,具体如下:
wj(t)=wj(t-1)+dwj(t)+η(wj(t-1)-wj(t-2))
bj(t)=bj(t-1)+dbj(t)+η(bj(t-1)-bj(t-2))
cj(t)=cj(t-1)+dcj(t)+η(cj(t-1)-cj(t-2))。
进一步,所述步骤3中,设计逆纵向控制器,求出期望油门开度αdes和期望制动压力Pbdes,具体包括以下步骤:
步骤3.1:按照前述建立车辆纵向动力学***模型,不考虑轮胎及传动系的弹性变形,则驱动力可表示为:
Figure BDA0002266215180000045
其中r为车轮半径,定义变量kt为:
Figure BDA0002266215180000046
由车辆动力学模型可得,kt是一个可实时观测的量,Rg为传动比,期望的发动机扭矩Tdes可表示为:
Figure BDA0002266215180000051
其中,vdes为期望速度,Ff(v)表示滚动阻力、风阻及发动机倒拖阻力等其它各种阻力的总和;
由发动机输出扭矩和发动机转速可以得到节气门开度的逆发动机扭矩特性函数;
由期望的发动机扭矩和发动机转速,利用逆发动机扭矩特性函数可以得到期望的节气门开度,表示如下:
αdes=Eng-1(Tdese)
步骤3.2:经过发动机力矩输出控制、制动器制动力矩控制的切换之后,如切换为制动器制动力矩控制,需要按照期望加速度的要求,计算期望的制动压力,表示如下:
Figure BDA0002266215180000052
其中,KKd为制动压力系数;
步骤3.3:设计车辆逆纵向动力学***模型,包括节气门执行器模型和制动执行器模型,输入量分别是期望的节气门开度和期望的制动压力,输出量是实际实现的节气门开度和制动压力;
节气门执行器模型采用的是脉宽调制信号控制的直流电机驱动机构,直流电机在控制器的控制下拉动节气门体,直流电机的扭矩与节气门体中回位弹簧的扭矩相平衡时,节气门就稳定在某一开度;
制动执行器模型采用的是高速开关阀控制的蓄能式泵站结构,电机通过油泵将制动液的压力升高,并储存于蓄能器中,制动执行器控制器通过控制信号控制加压阀和减压阀的开闭,制动执行器控制器通过对加压阀和减压阀的合理控制实现期望的制动压力。
进一步,所述步骤3中,设计宽度为h的缓冲层,避免油门控制器与制动控制器的频繁切换,实现车辆稳定纵向速度控制,具体过程为:
根据期望加速度确定节气门/制动器控制的切换逻辑曲线,该曲线表现为节气门开度最小时不同挡位的车辆纵向加速度a0,它的大小由发动机倒拖力矩、各挡位变速比、滚动阻力及迎风阻力确定,具体如下:
Figure BDA0002266215180000061
Ft0为为节气门全闭是的驱动力;
设计油门控制器和制动控制器之间切换逻辑为:
ades-a0(v)>h发动机控制;
ades-a0(v)≤-h制动器控制。
与已有技术相比,本发明有益效果体现在:
1.本发明提出的智能车辆纵向控制过程符合《中华人民共和国道路交通安全法实施条例》,并且,所提出的油门/制动控制模型既满足了本车行驶的安全要求,又满足了人体的舒适性需求;
2.本发明提出的智能车辆纵向控制能有效消除滑模控制中产生的抖振现象,有效提高智能车辆纵向控制的自适应和容错性能。
附图说明
图1是本发明的智能车辆纵向控制***结构图。
图2是本发明的RBF神经网络终端滑模控制***的控制方法流程图。
图3是本发明的RBF神经网络控制原理图。
图4是本发明的模型加速/制动切换示意图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
如图1所示,本发明需建立智能车辆纵向运动特性的动力学模型。
步骤1:通过电脑仿真模拟的方法,建立描述智能车辆特征的非线性纵向运动数学模型,包含发动机模型、液力变矩器及自动变速器模型、制动***模型和车辆纵向运动模型。
步骤1.1:建立智能车辆纵向动力学模型,主要包括发动机模型、液力变矩器及自动变速器模型、制动***模型和车辆纵向运动模型,如下:
发动机模型:
Figure BDA0002266215180000062
Figure BDA0002266215180000063
液力变矩器及自动变速器模型:
Figure BDA0002266215180000071
Figure BDA0002266215180000072
制动***模型:
Figure BDA0002266215180000073
车辆纵向运动模型:
Figure BDA0002266215180000074
其中,Te表示发动机稳态输出转矩,ωe表示发动机转速,αth表示节气门开度,Je表示发动机转动部件和液力变矩器泵轮的有效转动惯量,Tp表示液力变矩器的泵轮扭矩,Tt表示液力变矩器的涡轮扭矩,τe表示一阶惯性环节常数,fethe)为发动机稳态扭矩特性函数,ωt为涡轮转速,ωp为泵轮转速,Ktc为容量系数,τ为扭矩比系数,Tb为车辆的制动力矩,μbr为制动器摩擦因数,Abr为制动盘摩擦面积,Rbr为制动力作用半径,pbr为制动器压力,δ表示车辆旋转质量转换系数,τb为一阶发动机惯性环节系数,m表示车辆总质量;v表示绝对速度,i0表示主减速器传动比,kb表示制动压力比例系数,pb表示制动压力,f表示滚动阻力系数,θ表示斜坡角度,CD表示空气阻力,A表示迎风面积,ρ表示空气密度,u表示相对速度。
步骤1.2:设计车辆纵向动力学***中各单元子模型间的转速及转矩传递关系:
ωp=ωe
Ts=T0·i0·ηt
T0=TtRg
其中,Tt为变速器输入轴扭矩,T0为变速器输出轴扭矩,ηt为传动系动力传递系数,i0为主减速器的传动比,Rg为传动比。
步骤2:设计智能车辆纵向速度控制器,包括车辆油门控制和车辆制动控制,得到智能车辆期望加/减速度。设计基于终端滑模控制算法的纵向速度控制方法,利用终端滑模滑模控制算法设计智能车辆纵向速度终端滑模控制律,通过设计合适的控制律,使得线性滑模在有限时间内到达并保持零,满足李雅普诺夫稳定性判定。
如图2所示,本发明设计的智能车辆纵向速度控制器,其目的是设计兼顾安全性和乘坐舒适性的约束条件,构建RBF终端滑模控制器,当控制器为油门控制器输入量为车辆当前行驶速度,输出量为车辆油门开度。当控制器切换为制动控制器是,输入量为当前行驶车速,输出量为车辆制动压力。
实时给出期望加速度。主要包括:
步骤2.1:定义车辆自身速度v0与车辆行驶参考车速vref的偏差为相对速度误差e,定义相对加速度误差为
Figure BDA0002266215180000088
根据车辆行驶动力学方程,设计终端滑模控制器,得到车辆油门控制器中的期望加速度,过程主要包括
a)期望加速度可定义为:
Figure BDA0002266215180000081
其中,Tedes为发动机期望转矩,pbdes为期望值动力,vref为参考速度。
根据滑模控制理论,选择纵向速度控制的滑模切换面为:
Figure BDA0002266215180000082
式中ρ>0,p、q为奇数,且1<p/q<2
b)对滑模面求导可得
Figure BDA0002266215180000083
并定义Ln:
Figure BDA0002266215180000084
其中,v0为跟踪车辆速度,A1、B1、B2为定义参数。
c)为了能使控制***的运动点迅速正确的回到非线性滑模面上,定义切换控制率为:
Qu=ksgn(s)+μs
式中,k、μ为切换增益,其值应足够大且k>0,μ>0,sgn(s)为开关函数。
d)根据李雅普诺夫函数
Figure BDA0002266215180000085
的稳定性判定,使得线性滑模在有限时间内到达并保持零,即
Figure BDA0002266215180000086
此时线性滑模变量s进入滑模运动状态,误差状态
Figure BDA0002266215180000087
进入滑动模态,并最终实现***状态收敛。
步骤2.2:针对滑模变结构控制在克服参数不确定性的同时,引发的抖振现象,为了消除抖振,采用神经网络控制算法调节增益系数k,主要包括:
a)如图3所示,本发明所设计得RBF神经网络控制器,具有有2个输出量、4个隐含层节点、1个输出量。
b)将滑模控制切换增益k设计为RBF神经网络的输出:
Figure BDA0002266215180000091
其中,w=[w1,w2,w3,w4]T为RBF神经网络的权向量,h=[h1,h2,h3,h4]T为RBF神经网络的径向基向量,径向基向量hj选择高斯基函数,如下:
Figure BDA0002266215180000092
式中,cj为基函数的中心,bj为基函数的宽度,x为神经网络的输入量。
c)根据滑模控制原理,选取控制目标
Figure BDA0002266215180000093
设计权值参数变化dwj为:
Figure BDA0002266215180000094
其中,η为***的学习效率,s为滑模控制的切换函数,E为RBF神经滑模的权值调整指标,k为滑模切换增益。
d)采用随机梯度学习算法在线调整神经网络的加权值wj、中心值cj和宽度参数bj,具体如下:
wj(t)=wj(t-1)+dwj(t)+η(wj(t-1)-wj(t-2))
bj(t)=bj(t-1)+dbj(t)+η(bj(t-1)-bj(t-2))
cj(t)=cj(t-1)+dcj(t)+η(cj(t-1)-cj(t-2))
步骤3:根据步骤2得到的期望加/减速度,结合纵向行驶速度与发动机的转矩和转速之间存在对应关系,设计逆纵向控制器,求出期望油门开度αdes和期望制动压力Pbdes。主要包括:
步骤3.1:按照前述建立车辆纵向动力学***模型,不考虑轮胎及传动系的弹性变形,则驱动力可表示为:
Figure BDA0002266215180000095
其中r为车轮半径。定义变量kt为:
Figure BDA0002266215180000101
由车辆动力学模型可得,kt是一个可实时观测的量,期望的发动机扭矩Tdes可表示为:
Figure BDA0002266215180000102
其中,vdes为期望速度,Ff(v)表示滚动阻力、风阻及发动机倒拖阻力等其它各种阻力的总和。
由发动机输出扭矩和发动机转速可以得到节气门开度的逆发动机扭矩特性函数。
由期望的发动机扭矩和发动机转速,利用逆发动机扭矩特性函数可以得到期望的节气门开度,表示如下:
αdes=Eng-1(Tdese)
步骤3.2:经过发动机力矩输出控制、制动器制动力矩控制的切换之后,如切换为制动器制动力矩控制,需要按照期望加速度的要求,计算期望的制动压力,表示如下:
Figure BDA0002266215180000103
其中,KKd为制动压力系数。
步骤3.3:设计车辆逆纵向动力学***模型的是执行器模型,包括节气门执行器模型和制动执行器模型,输入量分别是期望的节气门开度和期望的制动压力,输出量是实际实现的节气门开度和制动压力。
节气门执行器采用的是脉宽调制信号控制的直流电机驱动机构,直流电机在控制器的控制下拉动节气门体,直流电机的扭矩与节气门体中回位弹簧的扭矩相平衡时,节气门就稳定在某一开度。
制动执行器采用的是高速开关阀控制的蓄能式泵站结构,电机通过油泵将制动液的压力升高,并储存于蓄能器中。制动执行器控制器通过控制信号控制加压阀和减压阀的开闭,制动执行器控制器通过对加压阀和减压阀的合理控制实现期望的制动压力。
步骤4:设计宽度为h的缓冲层,避免油门控制器与制动控制器的频繁切换,实现车辆稳定纵向速度控制。
车辆行驶过程中,既加油又制动的情况应当避免发生;需要制动时应当首先利用发动机制动、风阻及滚动阻力等制动形式,当这些制动形式不足以提供需要的制动力时,制动系才开始动作。
如图4所示,考虑到车辆的安全性、可靠性和舒适性,为了避免频繁地切换油门与制动控制器,在切换面的附近引入一个薄的缓冲层。
根据期望加速度确定节气门/制动器控制的切换逻辑曲线,该曲线表现为节气门开度最小时不同挡位的车辆纵向加速度a0,它的大小由发动机倒拖力矩、各挡位变速比、滚动阻力及迎风阻力确定,具体如下:
Figure BDA0002266215180000111
Ft0为为节气门全闭是的驱动力。
设计油门控制器和制动控制器之间切换逻辑为:
ades-a0(v)>h发动机控制
ades-a0(v)≤-h制动器控制
注:RBF神经网络为径向基神经网络(Radical Basis Function)。
综上,本发明的一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法,包括以下步骤:设计以速度误差为控制变量的终端滑模变结构控制算法,并设计针对滑模控制切换增益进行自适应调节的RBF神经网络控制器,对切换增益进行实时优化,通过逆纵向动力学控制器,最终得到车辆所需期望油门开度/期望制动压力。本发明提高智能汽车纵向速度跟踪能力,有效减提升车辆的乘坐舒适性与操作稳定性;实现对传统滑模控制“抖振”特性的有效抑制,进一步提高滑模控制在纵向速度控制中的精确性;本发明对于车辆模型精确度要求不高,易于控制实现,对于中高端车辆以及智能交通的发展都有着重要的意义。

Claims (3)

1.一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法,其特征在于,包括以下步骤:
步骤1,建立描述智能车辆特征的非线性纵向运动数学模型,包括发动机模型、液力变矩器及自动变速器模型、制动***模型和车辆纵向运动模型;
步骤2,设计智能车辆纵向速度控制器,包括车辆油门控制和车辆制动控制,得到智能车辆期望加/减速度;车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现,利用终端滑模控制算法设计智能车辆纵向速度终端滑模控制律,通过设计合适的控制律,使得线性滑模在有限时间内到达并保持零,满足李雅普诺夫稳定性判定;
步骤3,根据步2得到的期望加/减速度,结合纵向行驶速度与发动机的转矩和转速之间存在对应关系,设计逆纵向控制器,求出期望油门开度αdes和期望制动压力Pbdes,设计宽度为h的缓冲层,避免油门控制器与制动控制器的频繁切换,实现车辆稳定纵向速度控制;
步骤1中,
发动机模型:
Figure FDA0003466486490000011
Figure FDA0003466486490000012
液力变矩器及自动变速器模型:
Figure FDA0003466486490000013
Figure FDA0003466486490000014
制动***模型:
Figure FDA0003466486490000015
车辆纵向运动模型:
Figure FDA0003466486490000016
其中,Te表示发动机稳态输出转矩,ωe表示发动机转速,αth表示节气门开度,Je表示发动机转动部件和液力变矩器泵轮的有效转动惯量,Tp表示液力变矩器的泵轮扭矩,Tt表示液力变矩器的涡轮扭矩,τe表示一阶惯性环节常数,fethe)为发动机稳态扭矩特性函数,ωt为涡轮转速,ωp为泵轮转速,Ktc为容量系数,τ为扭矩比系数,Tb为车辆的制动力矩,μbr为制动器摩擦因数,Abr为制动盘摩擦面积,Rbr为制动力作用半径,pbr为制动器压力,δ表示车辆旋转质量转换系数,tb为一阶发动机惯性环节系数,m表示车辆总质量;v表示绝对速度,i0表示主减速器传动比,kb表示制动压力比例系数,r为车轮半径;pb表示制动压力,f表示滚动阻力系数,θ表示斜坡角度,CD表示空气阻力,A表示迎风面积,ρ表示空气密度,u表示相对速度,T0为变速器输出轴扭矩,ηt为传动系动力传递系数;
所述步骤3中,设计逆纵向控制器,求出期望油门开度αdes和期望制动压力Pbdes,具体包括以下步骤:
步骤3.1:按照所建立的数学模型,不考虑轮胎及传动系的弹性变形,则驱动力可表示为:
Figure FDA0003466486490000021
其中r为车轮半径,定义变量kt为:
Figure FDA0003466486490000022
由车辆动力学模型可得,kt是一个可实时观测的量,Rg为传动比,期望的发动机扭矩Tdes可表示为:
Figure FDA0003466486490000023
其中,vdes为期望速度,Ff(v)表示滚动阻力、风阻及发动机倒拖阻力等其它各种阻力的总和;
由发动机输出扭矩和发动机转速可以得到节气门开度的逆发动机扭矩特性函数;
由期望的发动机扭矩和发动机转速,利用逆发动机扭矩特性函数可以得到期望的节气门开度,表示如下:
αdes=Eng-1(Tdese)
步骤3.2:经过发动机力矩输出控制、制动器制动力矩控制的切换之后,如切换为制动器制动力矩控制,需要按照期望加速度的要求,计算期望的制动压力,表示如下:
Figure FDA0003466486490000024
其中,KKd为制动压力系数;
步骤3.3:设计车辆逆纵向动力学***模型,包括节气门执行器模型和制动执行器模型,输入量分别是期望的节气门开度和期望的制动压力,输出量是实际实现的节气门开度和制动压力;
节气门执行器模型采用的是脉宽调制信号控制的直流电机驱动机构,直流电机在控制器的控制下拉动节气门体,直流电机的扭矩与节气门体中回位弹簧的扭矩相平衡时,节气门就稳定在某一开度;
制动执行器模型采用的是高速开关阀控制的蓄能式泵站结构,电机通过油泵将制动液的压力升高,并储存于蓄能器中,制动执行器控制器通过控制信号控制加压阀和减压阀的开闭,制动执行器控制器通过对加压阀和减压阀的合理控制实现期望的制动压力;
所述步骤3中,设计宽度为h的缓冲层,避免油门控制器与制动控制器的频繁切换,实现车辆稳定纵向速度控制,具体过程为:
根据期望加速度确定节气门/制动器控制的切换逻辑曲线,该曲线表现为节气门开度最小时不同挡位的车辆纵向加速度a0,它的大小由发动机倒拖力矩、各挡位变速比、滚动阻力及迎风阻力确定,具体如下:
Figure FDA0003466486490000031
Ft0为节气门全闭是的驱动力;
设计油门控制器和制动控制器之间切换逻辑为:
ades-a0(v)>h发动机控制;
ades-a0(v)≤-h制动器控制。
2.根据权利要求1所述一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法,其特征在于,步骤2中,当纵向速度控制器为油门控制时,控制器输入量为车辆当前行驶速度,输出量为车辆油门开度;当纵向速度控制器切换为制动控制时,输入量为当前行驶车速,输出量为车辆制动压力。
3.根据权利要求1所述的一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法,其特征在于,步骤2中,车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现包括如下步骤:
定义车辆自身速度v0与车辆行驶参考车速vref的偏差为相对速度误差e,定义相对加速度误差为
Figure FDA0003466486490000032
将相对速度误差和相对加速度误差作为纵向速度终端滑模控制的输入量,根据车辆行驶动力学方程,设计终端滑模控制器,得到车辆油门控制器中的期望加速度:
a)期望加速度可定义为:
Figure FDA0003466486490000041
其中,Tedes为发动机期望转矩,pbdes为期望值动力,vref为参考速度;
根据滑模控制理论,选择纵向速度控制的滑模切换面为:
Figure FDA0003466486490000042
式中ρ>0,p、q为奇数,且1<p/q<2
b)对滑模面求导可得
Figure FDA0003466486490000043
并定义Ln:
Figure FDA0003466486490000044
其中,v0为跟踪车辆速度,A1、B1、B2为定义参数;
c)为了能使控制***的运动点迅速正确的回到非线性滑模面上,定义切换控制率为:
Qu=ksgn(s)+μs
式中,k、μ为切换增益,其值应足够大且k>0,μ>0,sgn(s)为开关函数;
d)根据李雅普诺夫函数
Figure FDA0003466486490000045
的稳定性判定,使得线性滑模在有限时间内到达并保持零,即
Figure FDA0003466486490000049
此时线性滑模变量s进入滑模运动状态,误差状态e,
Figure FDA00034664864900000410
进入滑动模态,并最终实现***状态收敛;
e)采用神经网络控制算法调节切换增益k,所设计的RBF神经网络控制器,具有2个输出量、4个隐含层节点、1个输出量;
f)将滑模控制切换增益k设计为RBF神经网络的输出:
Figure FDA0003466486490000046
其中,w=[w1,w2,w3,w4]T为RBF神经网络的权向量,h=[h1,h2,h3,h4]T为RBF神经网络的径向基向量,径向基向量hj选择高斯基函数,如下:
Figure FDA0003466486490000047
式中,cj为基函数的中心,bj为基函数的宽度,x为神经网络的输入量;
g)根据滑模控制原理,选取控制目标
Figure FDA00034664864900000411
设计权值参数变化dwj为:
Figure FDA0003466486490000048
其中,η为***的学习效率,s为滑模控制的切换函数,E为RBF神经滑模的权值调整指标,k为滑模切换增益;
h)采用随机梯度学习算法在线调整神经网络的加权值wj、中心值cj和宽度参数bj,具体如下:
wj(t)=wj(t-1)+dwj(t)+η(wj(t-1)-wj(t-2))
bj(t)=bj(t-1)+dbj(t)+η(bj(t-1)-bj(t-2))
cj(t)=cj(t-1)+dcj(t)+η(cj(t-1)-cj(t-2))。
CN201911088687.8A 2019-11-08 2019-11-08 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法 Active CN110949366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911088687.8A CN110949366B (zh) 2019-11-08 2019-11-08 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911088687.8A CN110949366B (zh) 2019-11-08 2019-11-08 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法

Publications (2)

Publication Number Publication Date
CN110949366A CN110949366A (zh) 2020-04-03
CN110949366B true CN110949366B (zh) 2022-04-26

Family

ID=69977171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911088687.8A Active CN110949366B (zh) 2019-11-08 2019-11-08 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法

Country Status (1)

Country Link
CN (1) CN110949366B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111746558B (zh) * 2020-06-30 2021-11-23 三一专用汽车有限责任公司 控制方法、车辆、控制装置和计算机可读存储介质
CN111923907B (zh) * 2020-07-15 2022-08-02 常州工学院 一种基于多目标性能融合的车辆纵向跟踪控制方法
CN112148001B (zh) * 2020-08-31 2022-12-16 江苏大学 一种基于模糊模型预测控制的智能车队纵向跟随控制方法
CN112224214A (zh) * 2020-10-15 2021-01-15 北京航天发射技术研究所 车辆速度控制方法、装置、设备及计算机可读存储介质
US11577616B2 (en) * 2020-10-27 2023-02-14 GM Global Technology Operations LLC Methods, systems, and apparatuses for torque control utilizing roots of pseudo neural network
CN115195730B (zh) * 2021-04-13 2024-05-17 广州汽车集团股份有限公司 一种车辆行驶控制方法、装置及控制器
CN113110069B (zh) * 2021-05-24 2022-03-15 武汉大学 一种基于磁悬浮平面电机迭代神经网络鲁棒控制方法
CN113685398B (zh) * 2021-08-30 2022-05-31 吉林大学 一种集成式液压制动***伺服位移控制方法
CN116513214B (zh) * 2023-04-23 2024-07-23 东南大学 一种基于滑模控制的车辆纵向跟随分层式控制***及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101385057B1 (ko) * 2012-08-30 2014-04-14 경희대학교 산학협력단 Its 데이터를 활용한 도심 구간의 정체도 예측 방법
CN104002808A (zh) * 2014-06-05 2014-08-27 大连理工大学 一种汽车主动防碰撞自动制动控制***及工作方法
CN106154831B (zh) * 2016-07-25 2018-09-18 厦门大学 一种基于学习法的智能汽车纵向神经滑模控制方法
CN108227491B (zh) * 2017-12-28 2021-11-16 重庆邮电大学 一种基于滑模神经网络的智能车轨迹跟踪控制方法

Also Published As

Publication number Publication date
CN110949366A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN110949366B (zh) 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法
CN106154831B (zh) 一种基于学习法的智能汽车纵向神经滑模控制方法
CN112193280B (zh) 一种重载列车强化学习控制方法及***
WO2021077727A1 (zh) 一种电动卡车线控转向***及其网络不确定控制方法
CN109376493B (zh) 一种粒子群优化的径向基神经网络车辆速度跟踪方法
CN108528268B (zh) 一种电动汽车自适应巡航***的扭矩调节方法
CN112148001B (zh) 一种基于模糊模型预测控制的智能车队纵向跟随控制方法
CN106184207B (zh) 四轮独立驱动电动汽车自适应巡航控制***力矩分配方法
CN102717800B (zh) 基于发动机万有特性的汽车经济性巡航控制方法
CN103085816A (zh) 一种用于无人驾驶车辆的轨迹跟踪控制方法及控制装置
CN110155052A (zh) 改进的自适应巡航下层控制设计方法
CN109435949A (zh) 一种车辆自适应巡航控制方法及***
CN110450794B (zh) 一种基于最优蠕滑速度搜寻与跟踪的优化粘着控制方法
CN107300863A (zh) 一种基于map图和在线标定的纵向加速度控制方法
CN112489431B (zh) 一种基于5g v2x的车辆协同跟随控制***及控制方法
CN102963356A (zh) 一种自动泊车***的仿人智能控制结构
CN113741199B (zh) 一种基于智能网联信息的整车经济性速度规划方法
CN109635433A (zh) 一种改进灰色预测的混合动力汽车自适应pid动态控制方法
CN112486024A (zh) 一种基于多质点模型的高速列车自适应控制方法及***
Luu et al. Dynamics model and design for adaptive cruise control vehicles
CN113110022A (zh) 一种基于非线性pid的多车列队纵向跟随控制方法及装置
CN110778670B (zh) 一种基于模型预测控制的无级变速器综合优化控制策略
Németh et al. LPV-based control design of vehicle platoon considering road inclinations⋆
CN103777521B (zh) 一种基于模糊控制的车辆低速控制方法
JP2008168733A (ja) 運転指向推定装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant