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。傳統汽車是依靠行星輪的自轉實現左、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調控制的問題。電動輪電子差速技術已經成為混合動力整車控制系統必須解決的問題。

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

2 現有的電子差速技術

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。因此可由加速踏板指令獲得u，轉角傳感器獲得δ，經計箅得到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。下面采用神經網絡模型參考自適應的方法對差速模犁進行動態(tài)分析。

3 神經網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）來產生所要求的閉環(huán)系統輸出Ym，控制的目的是使系統的實際輸出跟蹤Ym。MRAC適用于線性系統，當被控對象具有未知的非線性特性時，可采用神經網絡模型參考自適應控制方案．其結構如圖2所示。其中神經網絡NNI為在線辨識器，用于辨識被控對象的模型；神經網絡NNC為控制器，通過訓練可使閉環(huán)系統的輸出Y跟蹤參考模型的輸出Ym，從而使e=Ym-Y→0。

神經網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網絡辨識器NNI。其余部分完全相同。其中，神經控制器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神經網絡模型參考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，選擇非線性的神經網絡控制器。針對前輪轉向后輪驅動的混合動力系統，利用Ackermann模型計算基本輪速，根據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網絡控制器中，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，反饋給神經網絡。經神經網絡的不斷訓練，修改權值，使誤差達到預期目標?？刂圃韴D如圖3所示。

圖3神經網絡模型參考自適應電子差速控制

對于神經網絡的學習，本文采用離線學習的方法。離線學習就是將網絡的學習過程與控制過程分開，將系統動態(tài)過程中的一螳輸入／輸出對構成網絡的學習樣本空間，以此對網絡進行離線訓練。整個網絡在訓練結束后再將其加進控制系統中去。多層感知器型神經網絡最常用的訓練算法為BP算法。其訓練步驟如下：

①隨機產生網絡參數初始狀態(tài)r，令t=t0

②根據BP算法產生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

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 電子差速控制系統仿真及結果分析

4．1仿真數據的選取和處理

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。神經網絡控制器的數據均進行歸一化處理。

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的變化曲線。圖巾橫坐標為訓練次數，縱坐標為誤差變化率?？梢?，當訓練300次之后，模犁的訓練性能誤差可達1．41971。系統已經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?；谏窠浘W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，應用神經網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的非線性特性，減低了系統的誤差。達到了很好的控制效果。

本文作者創(chuàng)新點：結合Aackermann模型，運用神經網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