基于遗传算法混合优化GPC的车辆横摆稳定性控制方法技术

本发明专利技术公开了一种基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，建立车辆二自由度线性模型作为预测模型，利用预测模型计算获得理想横摆角速度和理想质心侧偏角；利用传感器进行检测获得各实时数据，针对各实时数据利用遗传算法混合优化GPC的方法计算获得最优附加横摆力矩；采用左右侧车轮驱动力规则分配方法，将最优附加横摆力矩分配为四轮独立驱动轮毂电机电动汽车的四个车轮的驱动力，并一一对应作用于各个车轮。本发明专利技术提出的算法与普通广义预测算法相比，在GPC的滚动优化过程中引入遗传算法进行混合优化的方法使得该算法具有较强的全局搜索能力与全局收敛性，对所求的附加横摆力矩进行混合优化，大大地提高了最优解精度。

Vehicle Yaw Stability Control Method Based on GPC Hybrid Optimized by Genetic Algorithms

The invention discloses a vehicle yaw stability control method based on hybrid optimization GPC of genetic algorithm, establishes a two-degree-of-freedom linear model of vehicle as a prediction model, calculates the ideal yaw angular velocity and the ideal sideslip angle of the center of mass by using the prediction model, detects and obtains real-time data by using sensors, and optimizes the GPC method by using genetic algorithm for each real-time data. The optimal additional yaw moment is calculated, and the optimal additional yaw moment is divided into four wheel driving forces of four wheel independent drive hub motor electric vehicle by using the rule distribution method of driving force of left and right wheels, which are applied to each wheel one by one. Compared with the general Generalized Prediction algorithm, the hybrid optimization method based on genetic algorithm is introduced in the rolling optimization process of GPC, which makes the algorithm have strong global search ability and global convergence, and the hybrid optimization of the additional yaw moment required greatly improves the accuracy of the optimal solution.

【技术实现步骤摘要】
基于遗传算法混合优化GPC的车辆横摆稳定性控制方法
本专利技术涉及安全辅助驾驶及智能控制领域，尤其涉及一种四轮独立驱动轮毂电机电动汽车稳定性控制方法。
技术介绍
汽车的操纵稳定性是影响汽车高速安全行驶的一项重要性能，当汽车遇到外界因素的干扰(如侧向风)、分离路面行驶、高速紧急避障等情况时，车辆会偏离理想的车辆操纵特性，严重时驾驶员会丧失对车辆的控制，处于非常危险的境况，横摆稳定性控制(YSC)系统可以把汽车纠正到理想的操纵特性上来，从非稳定区域控制到稳定区域。横摆稳定性控制系统作为一款非常具有发展潜力的主动安全装置，已经得到社会的广泛认可。当前，各科研机构已对横摆稳定性控制进行了大量研究，常用的方法是最优控制，如LQR和LQG等，但这些控制方法都需要精确的控制模型，而汽车是一个复杂的非线性系统，并且工程使用中往往需要对模型简化，因此模型的精确性很难保证；另外，车辆在行驶中，参数、环境都具有很大的不确定性，使得按理想模型得到的最优控制在实际中无法保持最优，有时甚至引起品质的严重下降。
技术实现思路
本专利技术是为避免上述现有技术所存在的不足，提供一种基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，对所求的附加横摆力矩进行混合优化，提高最优解精度。本专利技术为解决技术问题采用如下技术方案：本专利技术基于遗传算法混合优化GPC的车辆横摆稳定性控制方法的特点是按如下步骤进行：步骤1：建立车辆二自由度线性模型作为预测模型，利用所述预测模型计算获得理想横摆角速度和理想质心侧偏角；步骤2：利用传感器进行检测获得各实时数据，包括利用横摆角速度传感器实时检测获得车辆实际横摆角速度，利用车速传感器实时检测获得车辆实际行驶速度，利用转向角传感器实时检测测得车辆实际前轮转角，针对所述各实时数据利用遗传算法混合优化GPC的方法计算获得最优附加横摆力矩；步骤3：采用左右侧车轮驱动力规则分配方法，将所述最优附加横摆力矩分配为四轮独立驱动轮毂电机电动汽车的四个车轮的驱动力，并一一对应作用于各个车轮。本专利技术基于遗传算法混合优化GPC的车辆横摆稳定性控制方法的特点也在于：在所述步骤1中，按如下过程计算获得理想横摆角速度和理想质心侧偏角：步骤1.1：基于汽车的侧向运动和横摆运动的两个自由度，建立由式(1)所表征的车辆二自由度线性模型：β为质心侧偏角，为质心侧偏角速度，r为横摆角速度，为横摆角加速度；l1为质心到前轴的距离，l2为质心到后轴的距离；k1为前轮侧偏刚度，k2为后轮侧偏刚度；Iz为转动惯量，m为整车质量，σf为前轮转角，vd为车速，M为附加横摆力矩；令前轮转角σf＝0，根据式(1)获得由式(2)所表征的车辆二自由度线性模型的传递函数F(s)：R(s)是横摆角速度r的拉普拉斯变换，M(s)是附加横摆力矩M的拉普拉斯变换，s表示传递函数F(s)中的复变量；利用双线性变换，将传递函数F(s)离散为由式(3)所表征的离散传递函数F(z)：R(z)是横摆角速度r的z变换，M(z)是附加横摆力矩M的z变换，z表示离散传递函数F(z)中的复变量；T0为采样周期；n0＝T02(a11a22+a12a21)-2T0(a11+a22)+4；n1＝2T02(a11a22-a12a21)-8；n2＝T02(a11a22-a12a21)+2T0(a11+a22)+4；步骤1.2：将理想质心侧偏角βd设定为0，即βd＝0；利用汽车动力学理论计算得到由式(4)所表征的k+j时刻的车辆理想横摆角速度rd(k+j)：K为稳定性因素，vd(k+j)为k+j时刻的车速；σf(k+j)为k+j时刻的车辆前轮转角；j＝1,2,…n，n为预测周期，以k+1表示k+1时刻，以k+2表示k+1的下一时刻，以k+j表示k+j-1的下一时刻；g为重力加速度，l为车辆轴距，u为路面附着系数。本专利技术基于遗传算法混合优化GPC的车辆横摆稳定性控制方法的特点也在于：所述步骤2是按如下过程获得最优附加横摆力矩：步骤2.1：将由式(3)所表征的离散传递函数F(z)转换为式(5)：R(z)(n0+n1z-1+n2z-2)＝M(z)(m0+m1z-1+m2z-2)(5)步骤2.2：根据GPC控制算法，在式(5)中引入丢番图方程，获得由式(6)所表征的k+j时刻的横摆角速度预测值re(k+j)：re(k+j)＝Fj(z-1)r(k)+Gj(z-1)ΔM(k+j-1)(6)r(k)是由横摆角速度传感器检测获得的k时刻横摆角速度实际值；Fj(z-1)和Gj(z-1)均为丢番图方程中的多项式；ΔM(k+j-1)为k+j-1时刻与k+j-2时刻的附加横摆力矩实际值的增量；根据GPC原理，给定预测周期n和控制周期N，n和N均为整数，得出横摆角速度预测值的矢量表现形式如式(7)：R＝GΔM+f(7)式(7)中：R＝[re(k+1),re(k+2),…,re(k+n)]T；ΔM＝[ΔM(k),ΔM(k+1),…,ΔM(k+N-1)]T；f＝HΔM(k)+Fr(k)＝[f(k+1),f(k+2),…,f(k+n)]T；H1(z-1),H2(z-1)...Hn(z-1)为丢番图方程中的多项式，g0,g1,...gn-1为多项式Gj(z-1)中的多项式系数；步骤2.3：k时刻的优化性能指标函数J(k)由式(8)所表征：式(8)中，λ为控制加权常数，结合式(7)和式(8)，利用滚动寻优法得出附加横摆力矩增量的矢量表征形式如式(9)：ΔM＝(GTG+λI)-1GT(RD-f)(9)式中：RD＝[rd(k+1),rd(k+2),…,rd(k+n)]T(10)I为单位向量；rd(k+1),rd(k+2),...,rd(k+n)是利用式(4)计算获得的预测周期n中的每一个采样时刻的理想横摆角速度；步骤2.4：在预测周期n中的每一个采样时刻，利用传感器分别采集获得前轮转角σf和车速vd，利用式(4)计算获得预测周期n中的每一个采样时刻的理想横摆角速度rd(k+1),rd(k+2),...,rd(k+n)，并获得由式(10)所表征的RD；再利用丢番图方程计算获得Gj(z-1)、H1(z-1),H2(z-1)...Hn(z-1)和Fj(z-1)的值；最后利用式(9)计算获得由式(11)所表征的k时刻的附加横摆力矩M(k)的值：M(k)＝M(k-1)+gT(RD-f)(11)式(11)中，gT表示(GTG+λI)-1GT的第一行矢量；步骤2.5：将附加横摆力矩M(k)的值通过遗传算法进行优化，即得到最优的附加横摆力矩值Mm(k)。本专利技术基于遗传算法混合优化GPC的车辆横摆稳定性控制方法的特点也在于：所述步骤3具体包括：车辆四轮驱动力矩与四轮驱动力关系式由式(12)所表征：F1和T1分别为左前轮驱动力和驱动力矩，F2和T2分别为右前轮驱动力和驱动力矩，F3和T2分别为左后轮驱动力和驱动力矩，F4和T4分别为右后轮驱动力和驱动力矩；B为车轮半径；车辆四轮驱动力矩与给定的目标驱动力矩Tobj的关系式由式(13)所表征：Tobj＝T1+T2+T3+T4(13)将所述最优的附加横摆力矩值Mm(k)按如下规则分配：当Mm(k)＝0时，车辆处于中性转向状态，按平均分配的原则分配四轮驱动力如式(14)：F1＝F2＝F3＝F4(14)当Mm(k)>本文档来自技高网...

【技术保护点】
1.一种基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，其特征是按如下步骤进行：步骤1：建立车辆二自由度线性模型作为预测模型，利用所述预测模型计算获得理想横摆角速度和理想质心侧偏角；步骤2：利用传感器进行检测获得各实时数据，包括利用横摆角速度传感器实时检测获得车辆实际横摆角速度，利用车速传感器实时检测获得车辆实际行驶速度，利用转向角传感器实时检测测得车辆实际前轮转角，针对所述各实时数据利用遗传算法混合优化GPC的方法计算获得最优附加横摆力矩；步骤3：采用左右侧车轮驱动力规则分配方法，将所述最优附加横摆力矩分配为四轮独立驱动轮毂电机电动汽车的四个车轮的驱动力，并一一对应作用于各个车轮。

【技术特征摘要】
1.一种基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，其特征是按如下步骤进行：步骤1：建立车辆二自由度线性模型作为预测模型，利用所述预测模型计算获得理想横摆角速度和理想质心侧偏角；步骤2：利用传感器进行检测获得各实时数据，包括利用横摆角速度传感器实时检测获得车辆实际横摆角速度，利用车速传感器实时检测获得车辆实际行驶速度，利用转向角传感器实时检测测得车辆实际前轮转角，针对所述各实时数据利用遗传算法混合优化GPC的方法计算获得最优附加横摆力矩；步骤3：采用左右侧车轮驱动力规则分配方法，将所述最优附加横摆力矩分配为四轮独立驱动轮毂电机电动汽车的四个车轮的驱动力，并一一对应作用于各个车轮。2.根据权利要求1所述的基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，其特征在于：在所述步骤1中，按如下过程计算获得理想横摆角速度和理想质心侧偏角：步骤1.1：基于汽车的侧向运动和横摆运动的两个自由度，建立由式(1)所表征的车辆二自由度线性模型：β为质心侧偏角，为质心侧偏角速度，r为横摆角速度，为横摆角加速度；l1为质心到前轴的距离，l2为质心到后轴的距离；k1为前轮侧偏刚度，k2为后轮侧偏刚度；Iz为转动惯量，m为整车质量，σf为前轮转角，vd为车速，M为附加横摆力矩；令前轮转角σf＝0，根据式(1)获得由式(2)所表征的车辆二自由度线性模型的传递函数F(s)：R(s)是横摆角速度r的拉普拉斯变换，M(s)是附加横摆力矩M的拉普拉斯变换，s表示传递函数F(s)中的复变量；利用双线性变换，将传递函数F(s)离散为由式(3)所表征的离散传递函数F(z)：R(z)是横摆角速度r的z变换，M(z)是附加横摆力矩M的z变换，z表示离散传递函数F(z)中的复变量；T0为采样周期；n0＝T02(a11a22+a12a21)-2T0(a11+a22)+4；n1＝2T02(a11a22-a12a21)-8；n2＝T02(a11a22-a12a21)+2T0(a11+a22)+4；步骤1.2：将理想质心侧偏角βd设定为0，即βd＝0；利用汽车动力学理论计算得到由式(4)所表征的k+j时刻的车辆理想横摆角速度rd(k+j)：K为稳定性因素，vd(k+j)为k+j时刻的车速；σf(k+j)为k+j时刻的车辆前轮转角；j＝1,2,…n，n为预测周期，以k+1表示k+1时刻，以k+2表示k+1的下一时刻，以k+j表示k+j-1的下一时刻；g为重力加速度，l为车辆轴距，u为路面附着系数。3.根据权利要求2所述的基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，其特征在于：所述步骤2是按如下过程获得最优附加横摆力矩：步骤2.1：将由式(3)所表征的离散传递函数F(z)转换为式(5)：R(z)(n0+n1z-1+n2z-2)＝M(z)(m0+m1z-1+m2z-2)(5)步骤2.2：根据GPC控制算法，在式(5)中引入丢番图方程，获得由式(6)所表征的k+j时刻的横摆角速度预测值re(k+j)：re(k+j)＝Fj(z-1)r(k)+Gj(z-1)ΔM(k+j-1)(6)r(k)是由横摆角速度传感器检测获得的k时刻横摆角速度实际值；Fj(z-1)和Gj(z-1...

【专利技术属性】
技术研发人员：肖本贤，郭俊凯，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34