CN117962635A - 用于四轴电动矿车工况的能量循环力矩控制方法及*** - Google Patents

Abstract

本发明公开了用于四轴电动矿车工况的能量循环力矩控制方法及***，包括：收集车辆踏板信号和状态信息，判断矿车处于上坡工况还是下坡工况；若判断为上坡或驱动，则执行GA离线优化驱动力矩分配策略对矿车各轴的驱动力矩进行分配；若判断为下坡或制动，则执行基于模糊控制算法和轴荷理想制动力矩分配策略对矿车各个车轴的制动力矩进行分配；并输出相对应的控制指令。本发明提供的用于四轴电动矿车工况的能量循环力矩控制方法，在矿车上坡或驱动过程中，对转矩分配系数进行离线化处理，从而达到减小能耗的目的；同时对矿车下坡或制动过程，依据计算出的各车轴实时动态载荷进行轴间制动力分配，达到能量回收再利用的目的。

Description

用于四轴电动矿车工况的能量循环力矩控制方法及***

技术领域

本发明涉及车辆的能量控制技术领域，具体为用于四轴电动矿车工况的能量循环力矩控制方法及***。

背景技术

纯电动矿车的行车工况能量循环力矩控制是指，当矿车在驱动或上坡时对其每个车轴的驱动力矩进行分配，达到尽可能减少能耗的目的；当矿车在制动或下坡时将部分制动力矩分给电机，达到能量回收的目的，但同时考虑到制动抱死等安全性，在进行制动能量回收时必须考虑对各轴的制动力矩的分配，最终才能够达到能量循环的目的。

现有矿车大多为两轴式车辆，同时在矿区上下坡复杂工况，经常驱动制动，上坡下坡，工作效率较低，并且能耗较大。

发明内容

鉴于上述存在的问题，提出了本发明。

因此，本发明解决的技术问题是：如何增加运输的效率，同时使矿车在运输过程中，尽可能减少耗能，增加续航里程。

为解决上述技术问题，本发明提供如下技术方案：一种用于四轴电动矿车工况的能量循环力矩控制方法，包括：

收集车辆踏板信号和状态信息，判断矿车处于上坡工况还是下坡工况；

获取驾驶员行为信号，若判断为上坡或驱动，则执行GA离线优化驱动力矩分配策略对矿车各轴的驱动力矩进行分配；

若判断为下坡或制动，则执行基于模糊控制算法的制动力矩分配策略对电机制动和机械制动进行分配，基于轴荷理想制动力矩分配策略对矿车各个车轴的制动力矩进行分配；

求解得到各轴分配比例以及各轴制动力矩，实时输入到整车控制策略中，并输出相对应的控制指令。

作为本发明所述的用于四轴电动矿车工况的能量循环力矩控制方法的一种优选方案，其中：所述驱动力矩包括，从前轴到后轴以K₁,K₂,K₃,K₄作为各轴的分配系数，对转矩分配系数进行离线化处理，总某转速下总需求力矩为T_req，则各轴电机的力矩为T_i＝K_i×T_req，此时驱动能量利用效率表示为：

其中，η_t表示驱动能量利用效率；T_req表示总需求力矩；n表示各轴电机转；K_i表示各轴的力矩分配系数；η(T_i,n)表示各轴电机***效率；

根据需求对于各轴的分配系数在数学模型上进行约束：

所述驱动为四轴分布式电机驱动，且八个电机均为同一型号电机，设K₁≤K₂≤K₃≤K₄；各轴分配系数之和为1，即K₁+K₂+K₃+K₄＝1；设各轴分配比例均不为0，即K₁,K₂,K₃,K₄均∈(0，1]；

电机特性具有恒转矩区和恒功率区，当电机转速低于转速点n_m时，属于恒转矩区，电机最大转矩为T_max；当转速高于n_m时，属于恒功率区，电机最大功率为P_max＝n_m×T_max；对各轴转矩进行约束：

其中，T_i表示轴电机的力矩；n_m表示阈值转速。

作为本发明所述的用于四轴电动矿车工况的能量循环力矩控制方法的一种优选方案，其中：所述GA离线优化驱动力矩分配策略包括，确定初始种群数量，设置种群规模；

确定适应度函数即为优化算法的目标函数，目标函数表示为；

确定选择算子，采用赌轮选择法选择优秀个体进行保留，个体每次被选中的概率与其在群体环境中的相对适应度成正比；

设群体大小为n，，则i被选择的概率P_i表示为：

其中，f_i表示个体i的适应度值；采用单点交叉方式，确定交叉算子；确定变异算子，采用自适应遗传算法对于遗传算法进行优化，在进化过程中调整遗传控制参数克服早熟现象；

在自适应遗传算法中，对交叉概率P_c和变异概率P_m的调整表示为：

其中，f_max表示群体中最大的适应度值；f_avg表示每一代群体中的平均适应度值；f'表示要交叉的两个个体中较大的适应度值；f表示要变异个体的适应度值；α₁,α₂,α₃,α₄表示0～1的常数，α₁＝0.3，α₂＝0.8，α₃＝0.02，α₄＝0.05；

确定算法终止条件设置最大迭代次数，当种群进化到最大迭代次数时，停止迭代计算；将遗传算法求解得到的转矩分配系数以二维查表的方式实时输入到整车控制策略中，并输出相对应的控制指令。

作为本发明所述的用于四轴电动矿车工况的能量循环力矩控制方法的一种优选方案，其中：所述模糊控制算法包括，

制定模糊控制算法，以车速v、电池SOC数值soc、车辆制动强度z为输入量，车辆制动能量分配比例s作为输出量，将T(v_F)、T(soc_F)、T(z_F)、T(s_F)作为其语言值集合；输入输出量的语言值集合表示为：

T(v_F)＝{VL,VM,VH}

T(soc_F)＝{SL,SM,SH}

T(z_F)＝{ZL,ZM,ZH}

T(s_F)＝{LL,L,M,H,HH}

其中，VL表示低车速；VM表示中车速；VH表示高车速；SL表示电量低；SM表示电量适度；SH表示电量充足；ZL表示轻度制动强度；ZM表示中度制动强度；ZH表示紧急制动强度；LL、L、M、H、HH分别表示回收比例系数很低、低、中等、高、很高。

作为本发明所述的用于四轴电动矿车工况的能量循环力矩控制方法的一种优选方案，其中：所述基于模糊控制算法的制动力矩分配策略包括，采用重心法进行解模糊；对矿车四个驱动轴的制动力矩进行分配，制动***可以实现单轴单轮独立控制，在进行轴间制动力分配时，依据计算出的各车轴实时动态载荷进行制动力分配：

对多轴车在水平路面进行制动时的整车动力模型进行分析，得到独立的平衡方程：

其中，F_zi表示各轴地面法向反力；m表示整车质量；g表示重力加速度；n这里取n＝4；对1轴(前轴)中心线取矩列平衡方程，得到独立的方程：

其中，l_i表示第i轴与一轴间的水平距离，且l₁＝0；l_c表示质心与一轴水平距离；h_g表示质心与地面的垂直距离；表示车辆位移的二阶导，即为车辆的加速度；

对多轴车在下坡路面时的整车动力模型进行分析，得到独立的平衡方程：

其中，F_zi表示各轴地面法向反力；m表示整车质量；g表示重力加速度；θ表示下坡坡度角；对1轴中心线取矩列平衡方程，得到独立的方程：

其中，l_i表示第i轴与一轴间的水平距离，且l₁＝0；l_c表示质心与一轴水平距离；h_g表示质心与地面的垂直距离；表示车辆位移的二阶导，即为车辆的加速度。

作为本发明所述的用于四轴电动矿车工况的能量循环力矩控制方法的一种优选方案，其中：所述求解各车轴的动态载荷包括，当n≥3时，F_zi的数目大于方程数量，引入变形协调方程进行求解；

对矿车制动动力学模型进行简化；对于n轴车辆，得到n个悬架受力方程：

F_zi＝k_iΔz_i

其中，k_i代表各车轴悬架的等效刚度；Δz_i代表各车轴的垂向变形量；由悬架车架直线约束得到n-2个独立悬架的变形协调方程表示为:

在水平路面表示为：

其中，F_zi表示各车轴在制动减速度为下的垂向载荷，C_i表示第i轴的静态载荷，κ_i表示各轴垂向载荷对制动减速度的变化率，仅与l_i和k_i,有关；n表示车轴数，n＝4；

在下坡路面表示为：

其中，F_zi表示各车轴在制动减速度为下的垂向坡面的载荷，C_i表示第i轴的静态垂向破面的载荷，κ_i表示各轴垂向破面载荷对制动减速度的变化率，仅与l_i和k_i,有关。

作为本发明所述的用于四轴电动矿车工况的能量循环力矩控制方法的一种优选方案，其中：所述基于轴荷理想制动力矩分配策略包括，依据计算出的各车轴实时动态载荷确定车辆在制动过程中各车轴制动力的比例，表示为：

则每个车轴应分得的制动力矩T_bi表示为：

T_bi＝T_breq×β_i

其中，β_i表示各轴分配比例；T_breq表示总需求制动力矩；T_bi表示各轴应分得的制动力矩；i＝1,2,3,4；

将求解得到的各轴分配比例以及各轴制动力矩实时输入到整车控制策略中，并输出相对应的控制指令，下坡或制动电机回收的能量，作为发电机给电池充电，供下次上坡或驱动消耗，实现矿车上下坡能量循环。

一种采用如本发明任一所述方法的用于四轴电动矿车工况的能量循环力矩控制***，其中：

驾驶员行为识别模块，通过信号处理***来解析输入信号，获取驾驶员行为信号并判断当前状态；

力矩分配策略模块，接收控制算法模块输入的控制信号，执行相应的力矩分配策略；

控制算法模块，通过遗传算法、模糊算法和隶属度函数进行能量分配比例的计算和最优力矩分配；

信息采集和传输模块，将采集的路面信息和驾驶员行为信息输入识别模块，将各模块的输入输出信号在各模块间进行传输。

一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。

本发明的有益效果：本发明提供的用于四轴电动矿车工况的能量循环力矩控制方法，基于四轴纯电动矿车上下坡、驱动和制动不断循环的行车工况环境，考虑行车中能量的循环利用，在矿车上坡或驱动过程中，对转矩分配系数进行离线化处理，使通过遗传算法优化后的转矩分配系数以二维查表的方式实时输入到整车控制策略中，从而达到减小能耗的目的；同时对矿车下坡或制动过程，设计了基于模糊控制理论的电机制动力矩分配比例控制器，并依据计算出的各车轴实时动态载荷进行轴间制动力分配，达到能量回收再利用的目的。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例提供的一种用于四轴电动矿车工况的能量循环力矩控制方法的整体流程图；

图2为本发明第一个实施例提供的一种用于四轴电动矿车工况的能量循环力矩控制方法的执行过程框图；

图3为本发明第一个实施例提供的一种用于四轴电动矿车工况的能量循环力矩控制方法的采用遗传算法求解的流程图；

图4为本发明第一个实施例提供的一种用于四轴电动矿车工况的能量循环力矩控制方法的采用模糊算法的隶属度函数图；

图5为本发明第一个实施例提供的一种用于四轴电动矿车工况的能量循环力矩控制方法的车辆在水平路面制动时整车动力模型分析示意图；

图6为本发明第一个实施例提供的一种用于四轴电动矿车工况的能量循环力矩控制方法的车辆在下坡制动时整车动力模型分析示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

实施例1

参照图1，为本发明的一个实施例，提供了一种用于四轴电动矿车工况的能量循环力矩控制方法，包括：

S1：收集车辆踏板信号和状态信息，判断矿车处于上坡工况还是下坡工况。

进一步的，通过车辆踏板信号判断矿车现处于上坡还是下坡工况。

更进一步的，所述基于所获取的状态信息进行驾驶员行为意图识别，如果驾驶员此时处于上坡工况或驱动工况则执行S21步骤。

更进一步的，确定输入、输出信号，并确定驾驶员此时在上坡或驱动。

更进一步的，将踏板信号转换为驱动力矩大小，对各轴的驱动力矩进行能耗效能最优分配，本发明以K₁,K₂,K₃,K₄(从前轴到后轴)作为各轴的分配系数，对转矩分配系数进行离线化处理，总某转速下总需求力矩为T_req，则各轴电机的力矩为T_i＝K_i×T_req，此时驱动能量利用效率为：

其中，η_t为驱动能量利用效率；T_req为总需求力矩；n为各轴电机转速(假定各轴电机转速相同)；K_i为各轴的力矩分配系数；η(T_i,n)为各轴电机***效率。

更进一步的吗，根据需求对于各轴的分配系数在数学模型上进行约束，本发明为四轴分布式电机驱动，且八个电机均为同一型号电机，减少数据和计算，设定K₁≤K₂≤K₃≤K₄；各轴分配系数之和为1，即K₁+K₂+K₃+K₄＝1；减少更多的可行解，同时使每个轴都能驱动，设定各轴分配比例均不为0，即K₁,K₂,K₃,K₄均∈(0，1]；电机特性具有恒转矩区和恒功率区，当电机转速低于某个转速点n_m时，属于恒转矩区，电机最大转矩为T_max；当转速高于n_m时，属于恒功率区，电机最大功率为P_max＝n_m×T_max，其最大力矩随着转速的提高而下降；避免电机过载运行，对各轴转矩进行约束：

更进一步的，故依据该问题建立的数学模型为：

更进一步的，目标函数：max(η_t)

更进一步的，设计变量为：K₁,K₂,K₃,K₄

更进一步的，约束条件：

应说明的是，将踏板信号转换为驱动力矩。采用优化的力矩分配策略，以最大化能源利用效率和车辆性能。设置灵活的约束条件，可以适应不同的驾驶和环境条件。

S2：若判断为上坡或驱动，则执行GA离线优化驱动力矩分配策略对矿车各轴的驱动力矩进行分配。

进一步的，利用遗传算法对目标函数进行优化求解，获取最优解。

更进一步的，对需要优化的参数进行编码，K₁+K₂+K₃+K₄＝1，可以选定需要编码的参数为K₁,K₂,K₃，且K₁∈(0,0.25]，K₂∈(0,1/3]，K₃∈(0,0.5]。选择二进制编码方式对个体进行编码(每一个个体由三段二进制组成分别代表K₁,K₂,K₃)。优化参数的精度设定为小数点后两位，相应编码长度可由式(6)计算。

2^m-1＜(K_imax-K_imin)*10²＜2^m-1 (6)

其中，K_imax为转矩分配系数的最大值；K_imin为转矩分配系数的最小值；m为编码长度，i为1，2，3。

更进一步的，计算得到K₁最多为五位，K₂、K₃最多为六位，令每一个个体的长度为17位，不足位在前面补0，示例如下：

更进一步的，确定初始种群数量，设置种群规模N＝50。

更进一步的，确定适应度函数即为优化算法的目标函数。即为上文中所述数学模型，目标函数如式(7)所示，相应的约束条件如式(4)和(5)所示。

更进一步的，确定选择算子，采用赌轮选择法选择优秀个体进行保留，个体每次被选中的概率与其在群体环境中的相对适应度成正比。

更进一步的，设群体大小为n，其中个体i的适应度值为f_i，则i被选择的概率P_i为：

更进一步的，确定交叉算子，采用的是单点交叉方式，先将选择产生的位串随机两两配对，然后随机选择交叉点，对匹配的两个位串进行交叉繁殖，产生一对新的位串。

更进一步的，确定变异算子，对于用二进制编码的个体，变异操作就是在某一基因座上原有的值为0，变异后变为1；反之，如果原来是1则变异后为0。

更进一步的，采用还需要自适应遗传算法对于遗传算法进行优化。在进化过程中调整遗传控制参数克服早熟现象。

更进一步的，在自适应遗传算法中，交叉概率P_c和变异概率P_m按照下面的公式进行调整：

其中，f_max表示群体中最大的适应度值；f_avg表示每一代群体中的平均适应度值；f'表示要交叉的两个个体中较大的适应度值；f表示要变异个体的适应度值；α₁,α₂,α₃,α₄表示0～1的常数，本文中α₁＝0.3，α₂＝0.8，α₃＝0.02，α₄＝0.05。

更进一步的，确定算法终止条件设置最大迭代次数为70，当种群进化到第70代时，停止迭代计算。

更进一步的，将遗传算法求解得到的转矩分配系数以二维查表的方式实时输入到整车控制策略中，并输出相对应的控制指令。

更进一步的，所述基于所获取的状态信息进行驾驶员行为意图识别，如果驾驶员此时处于下坡工况或制动工况则执行S81步骤：

更进一步的，确定输入、输出信号，并进行模糊化处理。

更进一步的，本发明以车速v、电池SOC数值soc、车辆制动强度z为输入量，车辆制动能量分配比例s作为输出量，将T(v_F)、T(soc_F)、T(z_F)、T(s_F)作为其语言值集合。

更进一步的，输入输出量的语言值集合如下所述：

T(v_F)＝{VL,VM,VH}

T(soc_F)＝{SL,SM,SH}

T(z_F)＝{ZL,ZM,ZH}

T(s_F)＝{LL,L,M,H,HH}

其中，VL、VM、VH分别对应于车速的低、中、高速；SL、SM、SH分别对应于电量低、电量适度、电量充足；ZL、ZM、ZH分别对应于轻度制动强度、中度制动强度、紧急制动强度；LL、L、M、H、HH分别对应于回收比例系数很低、低、中等、高、很高。

更进一步的，设定隶属度函数。本发明的输入变量、输出变量的隶属度函数大多采取梯型-三角型-梯型结构形式，部分将只使用梯型隶属度函数。如图4(a)、(b)、(c)、(d)所示，为v_F隶属度、soc_F隶属度、z_F隶属度、s_F隶属度。

更进一步的，制定模糊规则并进行解模糊。本发明模糊逻辑采用“与(AND)、与(AND)”的方式，模糊规则共计27条。如表1所示为基于模糊控制理论的制动能量分配比例的模糊规则表。

表1制动能量分配比例的模糊规则表

应说明的是，综合考虑后，本发明采用重心法进行解模糊。针对其驱动制动，上下坡的循环工况，设计了一种尽可能减少能耗的驱动力矩控制方法和相对应的制动能量回收力矩控制方法，不仅将二轴车扩大到四轴车，增加运输的效率，同时使矿车在运输过程中，尽可能减少耗能，增加续航里程。

S3：若判断为下坡或制动，则执行基于模糊控制算法的制动力矩分配策略对电机制动和机械制动进行分配，基于轴荷理想制动力矩分配策略对矿车各个车轴的制动力矩进行分配。

进一步的，对整车制动回收能量进行分配之后，对矿车四个驱动轴的制动力矩进行分配，本发明的制动***可以实现单轴单轮独立控制，且控制精度较高，因此，提出在进行轴间制动力分配时，依据计算出的各车轴实时动态载荷进行制动力分配，以实现各车轴同时抱死，具体如下：

更进一步的，对制动时的整车动力模型进行分析。

更进一步的，对多轴车在水平路面进行制动时的整车动力模型进行分析，如图5，可以得到独立的平衡方程：

其中，F_zi为各轴地面法向反力；m为整车质量；g为重力加速度；n这里取n＝4。对1轴(前轴)中心线取矩列平衡方程，可以得到独立的方程：

其中，l_i为第i轴与一轴间的水平距离，且l₁＝0；l_c为质心与一轴水平距离；h_g为质心与地面的垂直距离；为车辆位移的二阶导，即为车辆的加速度。

更进一步的，对多轴车在下坡路面时的整车动力模型进行分析，如图6，可以得到独立的平衡方程：

其中，F_zi为各轴地面法向反力；m为整车质量；g为重力加速度；θ为下坡坡度角。对1轴(前轴)中心线取矩列平衡方程，可以得到独立的方程：

其中，l_i为第i轴与一轴间的水平距离，且l₁＝0；l_c为质心与一轴水平距离；h_g为质心与地面的垂直距离；为车辆位移的二阶导，即为车辆的加速度。

更进一步的，求解各车轴的动态载荷：当n≥3时，F_zi的数目大于方程数量，所求问题变为超静定问题，进一步引入变形协调方程进行求解。

更进一步的，对图6中所示的多轴车制动动力学模型进行简化。将悬架视为弹性元件，其刚度为轮胎与悬架刚度之和；车身与车轮均视为刚体；忽略车架相对悬架的变形量，认为各悬架与车体的连接始终保持在一条直线上，则制动过程中，车辆各轴的弹簧变形量即为图中下半部分所示。同时做出如下假设：只考虑整车平行于纵向行驶方向的平面运动；忽略转向***的影响，仅对直线制动情况予以研究；不考虑空气阻力、车轮滚动阻力、侧倾角和回正力矩的影响；忽略横向载荷的转移，认为悬架与车身的接触点始终在一条直线上。

更进一步的，则对于n轴车辆，即可得到n个悬架受力方程：

F_zi＝k_iΔz_i (15)

其中，k_i代表各车轴悬架的等效刚度；Δz_i代表各车轴的垂向变形量。

更进一步的，再由悬架车架直线约束得到n-2个独立悬架的变形协调方程:

更进一步的，水平路面，由式(11)和式(12)得:

AF_z＝D (17)

其中：

F_z＝[F_z1 F_z2…F_zn]^T，A＝[e_n L]^T，e_n＝[1 1…1]_1×n

L＝[l₁ l₂...l_n]

更进一步的，由式(15)得：

F_z＝KΔZ (18)

ΔZ＝[Δz₁Δz₂...Δz_n]^T

K＝diag(k₁,k₂,...,k_n)

更进一步的，由式(16)得：

BΔZ＝[b_pq]_(n-2)×nΔZ＝0 (19)

其中：

p＝1,2,...,n-2；q＝1,2,…,n

由式(18)、(19)得：

BK^-1F_z＝0 (20)

由式(17)和式(20)得到地面法向力矩阵：

令则式(21)可写作：

/>

由

可得：

更进一步的，如式(22)所示，F_zi为各车轴在制动减速度为下的垂向载荷，C_i为第i轴的静态载荷，κ_i为各轴垂向载荷对制动减速度的变化率，仅与l_i和k_i,有关。在本发明中n＝4。

更进一步的，同理，在下坡路面，由式(13)和式(14)得:

AF_z＝D (23)

其中：F_z＝[F_z1 F_z2…F_zn]^T

A＝[e_n L]^T，e_n＝[11...1]_1×n，L＝[l₁ l₂…l_n]

由式(15)得：

F_z＝KΔZ (24)

ΔZ＝[Δz₁Δz₂...Δz_n]^T，K＝diag(k₁,k₂,...,k_n)

由式(16)得：

BΔZ＝[b_pq]_(n-2)×nΔZ＝0 (25)

其中：

p＝1,2,...,n-2；q＝1,2,...,n

由式(24)、(25)得：

BK^-1F_z＝0 (26)

更进一步的，由式(23)和式(26)得到坡面法向力矩阵：

令则式(27)可写作：

由

可得：

/>

更进一步的，如式(28)所示，F_zi为各车轴在制动减速度为下的垂向坡面的载荷，C_i为第i轴的静态垂向破面的载荷，κ_i为各轴垂向破面载荷对制动减速度的变化率，仅与l_i和k_i,有关。在本发明中n＝4。

应说明的是，基于车辆的实时动态载荷，计算各轴的制动力分配，以确保准确测量各轴的载荷。制动力矩分配：根据计算得出的载荷和制动需求，使用特定的公式来确定各车轴的制动力比例，从而得到每个车轴应分配的制动力矩。通过回收制动过程中的能量，减少了总体能源消耗，尤其适用于电动和混合动力车辆。

S4：求解得到各轴分配比例以及各轴制动力矩，实时输入到整车控制策略中，并输出相对应的控制指令。

进一步的，依据计算出的各车轴实时动态载荷进行制动力分配：

更进一步的，即由公式(22)、(28)来确定车辆在制动过程中各车轴制动力的比例，如公式(29)所示：

更进一步的，则每个车轴应分得的制动力矩T_bi为：

T_bi＝T_breq×β_i (30)

其中，β_i为各轴分配比例；T_breq为总需求制动力矩；T_bi为各轴应分得的制动力矩；i＝1,2,3,4。

更进一步的，将求解得到的各轴分配比例以及各轴制动力矩实时输入到整车控制策略中，并输出相对应的控制指令，下坡或制动电机回收的能量，作为发电机给电池充电，供下次上坡或驱动消耗，达到矿车上下坡能量循环的目的。

应说明的是，整车控制策略集成：将这些计算结果实时输入到整车控制策略中。这意味着根据实时数据调整车辆的制动***，确保最优制动效果。能量回收和循环，在制动过程中，如下坡或使用制动电机时，回收的能量可以用作发电机给电池充电，进而用于上坡或驱动时的能量需求。这样不仅提高了能量的使用效率，而且还有助于减少能源消耗和环境影响。

另一方面，本实施例还提供了用于四轴电动矿车工况的能量循环力矩控制***，其包括：

驾驶员行为识别模块，通过信号处理***来解析输入信号，获取驾驶员行为信号并判断当前状态。

力矩分配策略模块，接收控制算法模块输入的控制信号，执行相应的力矩分配策略。

控制算法模块，通过遗传算法、模糊算法和隶属度函数进行能量分配比例的计算和最优力矩分配。

信息采集和传输模块，将采集的路面信息和驾驶员行为信息输入识别模块，将各模块的输入输出信号在各模块间进行传输。

以上功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。

计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

实施例2

以下为本发明的一个实施例，提供了一种用于四轴电动矿车工况的能量循环力矩控制方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。

建立了一个四轴电动矿车模型，包括动力***、制动***、车辆状态监测***和能量管理***。这个模型能够模拟矿车在上坡、下坡和水平路面的工况。采用高级计算机仿真平台，模拟不同的驾驶情景，并收集相关数据。

实验分为三个阶段：第一阶段，模拟上坡和驱动工况，应用GA离线优化驱动力矩分配策略；第二阶段，模拟下坡和制动工况，应用基于模糊控制算法的制动力矩分配策略；第三阶段，分析和比较在这两种不同工况下的能量循环和力矩分配效果。

在上坡和驱动工况的实验中，依据矿车实时动态载荷，通过GA算法优化四轴的驱动力矩分配，以提高驱动能量利用效率。考虑到电机特性，在不同转速下对转矩进行约束。

在下坡和制动工况的实验中，使用模糊控制算法对电机制动和机械制动进行分配。通过分析车速、电池SOC值和制动强度，动态调整制动能量分配比例，实现能量的有效回收。得到实验数据如表2所示。

表2对比试验图表

通过上述实验数据，我们可以看出发明实施例在能量循环力矩控制方面相较于现有技术具有明显的优势。在上坡工况中，发明实施例通过GA离线优化策略，实现了更为合理的驱动力矩分配，其分配比例分别为30％,25％,20％,25％。这种分配方式考虑了矿车的实际载荷和动力需求，有效提高了驱动能量利用效率，从原有的60％提升至80％。这一改进显著提升了矿车在复杂地形中的性能，同时降低了能源消耗。

在下坡工况中，发明实施例采用了基于模糊控制算法的制动力矩分配策略，其制动力矩分配为20％,30％,30％,20％。这种分配策略更加有效地利用了电机制动和机械制动，实现了更高的能量回收效率，从原有的40％提高到了60％。这不仅提高了能源的再利用效率，也减少了电池的消耗和损耗。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.用于四轴电动矿车工况的能量循环力矩控制方法，其特征在于，包括：

收集车辆踏板信号和状态信息，判断矿车处于上坡工况还是下坡工况；

若判断为上坡或驱动，则执行GA离线优化驱动力矩分配策略对矿车各轴的驱动力矩进行分配；

若判断为下坡或制动，则执行基于模糊控制算法的制动力矩分配策略对电机制动和机械制动进行分配，基于轴荷理想制动力矩分配策略对矿车各个车轴的制动力矩进行分配；

求解得到各轴分配比例以及各轴制动力矩，实时输入到整车控制策略中，并输出相对应的控制指令。

2.如权利要求1所述的用于四轴电动矿车工况的能量循环力矩控制方法，其特征在于：所述驱动力矩包括，从前轴到后轴以K₁,K₂,K₃,K₄作为各轴的分配系数，对转矩分配系数进行离线化处理，总某转速下总需求力矩为T_req，则各轴电机的力矩为T_i＝K_i×T_req，此时驱动能量利用效率表示为：

其中，η_t表示驱动能量利用效率；T_req表示总需求力矩；n表示各轴电机转；K_i表示各轴的力矩分配系数；η(T_i,n)表示各轴电机***效率；

所述驱动为四轴分布式电机驱动，设K₁≤K₂≤K₃≤K₄；各轴分配系数之和为1，即K₁+K₂+K₃+K₄＝1；设各轴分配比例均不为0，即K₁,K₂,K₃,K₄均∈(0，1]；

电机特性具有恒转矩区和恒功率区，当电机转速低于转速点n_m时，属于恒转矩区，电机最大转矩为T_max；当转速高于n_m时，属于恒功率区，电机最大功率为P_max＝n_m×T_max；对各轴转矩进行约束：

其中，T_i表示轴电机的力矩；n_m表示阈值转速。

3.如权利要求2所述的用于四轴电动矿车工况的能量循环力矩控制方法，其特征在于：所述GA离线优化驱动力矩分配策略包括，确定初始种群数量，设置种群规模；

确定适应度函数即为优化算法的目标函数，目标函数表示为；

确定选择算子，采用赌轮选择法选择优秀个体进行保留，个体每次被选中的概率与其在群体环境中的相对适应度成正比；

设群体大小为n，，则i被选择的概率P_i表示为：

其中，f_i表示个体i的适应度值；采用单点交叉方式，确定交叉算子；确定变异算子，采用自适应遗传算法对于遗传算法进行优化，在进化过程中调整遗传控制参数克服早熟现象；

在自适应遗传算法中，对交叉概率P_c和变异概率P_m的调整表示为：

其中，f_max表示群体中最大的适应度值；f_avg表示每一代群体中的平均适应度值；f'表示要交叉的两个个体中较大的适应度值；f表示要变异个体的适应度值；α₁,α₂,α₃,α₄表示0～1的常数，α₁＝0.3，α₂＝0.8，α₃＝0.02，α₄＝0.05；

确定算法终止条件设置最大迭代次数，当种群进化到最大迭代次数时，停止迭代计算；将遗传算法求解得到的转矩分配系数以二维查表的方式实时输入到整车控制策略中，并输出相对应的控制指令。

4.如权利要求3所述的用于四轴电动矿车工况的能量循环力矩控制方法，其特征在于：所述模糊控制算法包括，

制定模糊控制算法，以车速v、电池SOC数值soc、车辆制动强度z为输入量，车辆制动能量分配比例s作为输出量，将T(v_F)、T(soc_F)、T(z_F)、T(s_F)作为其语言值集合；输入输出量的语言值集合表示为：

T(v_F)＝{VL,VM,VH}

T(soc_F)＝{SL,SM,SH}

T(z_F)＝{ZL,ZM,ZH}

T(s_F)＝{LL,L,M,H,HH}

其中，VL表示低车速；VM表示中车速；VH表示高车速；SL表示电量低；SM表示电量适度；SH表示电量充足；ZL表示轻度制动强度；ZM表示中度制动强度；ZH表示紧急制动强度；LL、L、M、H、HH分别表示回收比例系数很低、低、中等、高、很高。

5.如权利要求4所述的用于四轴电动矿车工况的能量循环力矩控制方法，其特征在于：所述基于模糊控制算法的制动力矩分配策略包括，采用重心法进行解模糊；对矿车四个驱动轴的制动力矩进行分配，制动***可以实现单轴单轮独立控制，在进行轴间制动力分配时，依据计算出的各车轴实时动态载荷进行制动力分配；

对多轴车在水平路面进行制动时的整车动力模型进行分析，得到独立的平衡方程：

其中，F_zi表示各轴地面法向反力；m表示整车质量；g表示重力加速度；n这里取n＝4；对1轴(前轴)中心线取矩列平衡方程，得到独立的方程：

其中，l_i表示第i轴与一轴间的水平距离，且l₁＝0；l_c表示质心与一轴水平距离；h_g表示质心与地面的垂直距离；表示车辆位移的二阶导，即为车辆的加速度；

对多轴车在下坡路面时的整车动力模型进行分析，得到独立的平衡方程：

其中，F_zi表示各轴地面法向反力；m表示整车质量；g表示重力加速度；θ表示下坡坡度角；对1轴中心线取矩列平衡方程，得到独立的方程：

其中，l_i表示第i轴与一轴间的水平距离，且l₁＝0；l_c表示质心与一轴水平距离；h_g表示质心与地面的垂直距离；表示车辆位移的二阶导，即为车辆的加速度。

6.如权利要求5所述的用于四轴电动矿车工况的能量循环力矩控制方法，其特征在于：所述求解各车轴的动态载荷包括，当n≥3时，F_zi的数目大于方程数量，引入变形协调方程进行求解；

对矿车制动动力学模型进行简化；对于n轴车辆，得到n个悬架受力方程：

F_zi＝k_iΔz_i

其中，k_i代表各车轴悬架的等效刚度；Δz_i代表各车轴的垂向变形量；由悬架车架直线约束得到n-2个独立悬架的变形协调方程表示为:

在水平路面表示为：

其中，F_zi表示各车轴在制动减速度为下的垂向载荷，C_i表示第i轴的静态载荷，κ_i表示各轴垂向载荷对制动减速度的变化率，仅与l_i和k_i,有关；n表示车轴数，n＝4；

在下坡路面表示为：

其中，F_zi表示各车轴在制动减速度为下的垂向坡面的载荷，C_i表示第i轴的静态垂向破面的载荷，κ_i表示各轴垂向破面载荷对制动减速度的变化率，仅与l_i和k_i,有关。

7.如权利要求6所述的用于四轴电动矿车工况的能量循环力矩控制方法，其特征在于：所述基于轴荷理想制动力矩分配策略包括，依据计算出的各车轴实时动态载荷确定车辆在制动过程中各车轴制动力的比例，表示为：

则每个车轴应分得的制动力矩T_bi表示为：

T_bi＝T_breq×β_i

其中，β_i表示各轴分配比例；T_breq表示总需求制动力矩；T_bi表示各轴应分得的制动力矩；i＝1,2,3,4；

将求解得到的各轴分配比例以及各轴制动力矩实时输入到整车控制策略中，并输出相对应的控制指令，下坡或制动电机回收的能量，作为发电机给电池充电，供下次上坡或驱动消耗，实现矿车上下坡能量循环。

8.一种采用如权利要求1-7任一所述方法的用于四轴电动矿车工况的能量循环力矩控制***，其特征在于：

驾驶员行为识别模块，通过信号处理***来解析输入信号，获取驾驶员行为信号并判断当前状态；

力矩分配策略模块，接收控制算法模块输入的控制信号，执行相应的力矩分配策略；

控制算法模块，通过遗传算法、模糊算法和隶属度函数进行能量分配比例的计算和最优力矩分配；

信息采集和传输模块，将采集的路面信息和驾驶员行为信息输入识别模块，将各模块的输入输出信号在各模块间进行传输。

9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现用于四轴电动矿车工况的能量循环力矩控制方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现用于四轴电动矿车工况的能量循环力矩控制方法的步骤。