【技术实现步骤摘要】
一种基于电控助力制动的智能车辆纵向运动控制方法
[0001]本专利技术属于汽车
，具体的说是一种基于电控助力制动的智能车辆纵向运动控制方法。
技术介绍
[0002]为了能够有效地缓解能源枯竭、交通堵塞、交通事故频发等问题，近年来智能汽车受到了极大的关注和发展。在众多相关技术之中，车辆纵向运动控制是实现汽车智能驾驶的重要基础功能之一。车辆纵向运动控制的目的是控制智能汽车在不同道路工况下精确、平稳地跟随顶层输入的目标期望速度或期望加速度。
[0003]智能汽车在进行纵向运动控制时还需要重点考虑外界变化的行驶条件如坡度变化，避免控制器输出与实际工况不匹配的控制信号，影响车辆速度或加速度控制性能。此外，智能汽车纵向运动需要依托线控底盘制动技术。现有比较主流的线控制动方案大多为机
‑
电
‑
液耦合的制动系统。这种制动系统由于传动机构之间的摩擦、液压系统的制动液泄露、制动液与制动管路摩擦等因素形成了复杂的非线性特性，影响主动制动压力控制精度。
技术实现思路
[0004]本专利技术提供了一种基于电控助理制动的智能车辆纵向运动控制方法，该控制方法有效地帮助电控助力制动系统克服传动机构摩擦、液压系统非线性特性，提高了电机电流控制性能，能够实现精确、快速的车辆减速度控制性能，为实现汽车智能驾驶纵向运动控制奠定基础。
[0005]本专利技术技术方案结合附图说明如下：
[0006]一种基于电控助力制动的智能车辆纵向运动控制方法，包括以下步骤：
[0007...
【技术保护点】
【技术特征摘要】
1.一种基于电控助力制动的智能车辆纵向运动控制方法，其特征在于，包括以下步骤：步骤一、构建了包括车辆纵向动力学和电控助力制动系统在内的面向控制器设计的液压系统模型；步骤二、设计上层车辆纵向运动控制策略；21)根据车辆的运动状态信息，使用卡尔曼滤波算法估算车辆道路行驶坡度22)根据车辆纵向行驶动力学，设计前馈控制律；23)引入闭环反馈控制律，根据目标车辆加速度和实际车辆加速度输出驱动或制动形成的行驶纵向力F
x
；24)通过驱动或制动逆模型，将驱动或制动形成的行驶纵向力F
x
转换成目标制动主缸压力P
*
和目标电机驱动转矩T
q
输送给底层；步骤三、设计下层电控助力制动系统压力控制策略；31)基于自抗扰理论设计的压力环控制器，根据实际制动主缸压力P和目标制动主缸压力P
*
，输出目标电机机械角32)基于滑模变结构设计的位置环控制器，根据实际电机机械角θ和目标电机机械角输出目标电机励磁轴电流33)基于李雅普诺夫稳定性设计的电流环解耦控制器，接收实际励磁轴电流i
d
、实际转矩轴电流i
q
、目标励磁轴电流和目标电机励磁轴电流的输入，输出期望励磁轴电压u
d
和转矩轴电压u
q
，从而控制驱动器驱动电控助力制动系统工作，进行制动主缸压力调节，最终实现车辆纵向运动控制。2.根据权利要求1所述的一种基于电控助力制动的智能车辆纵向运动控制方法，其特征在于，所述步骤一的具体方法如下：11)车辆的纵向运动受滚动阻力F
f
、坡度阻力F
i
、空气阻力F
w
影响，假设在行驶过程中，车轮不出现打滑和抱死趋势，在车辆纵向行驶方向上建立动力学平衡方程：式中：m表示整车质量；表示车辆实际纵向加速度；F
x
表示通过驱动或制动形成的行驶纵向力；F
f
表示车辆行驶受到的滚动阻力；F
i
表示车辆行驶受到的坡度阻力；F
w
表示车辆行驶受到的空气阻力；f表示滚动阻力系数；i表示道路坡度；C
D
表示空气阻力系数；A表示迎风面积；v
x
表示纵向车速；在电子稳定性控制中装配的加速度传感器采集得到的惯性加速度信息包含实际加速度信息和坡度信息；所述惯性加速度与坡度关系方程为：式中，a
s
表示ESP采集得到的惯性加速度；表示车辆实际纵向加速度；i表示道路坡度；在驱动模式下所需的车辆驱动转矩可以通过驱动逆模型求解：
式中，F
x
表示通过驱动或制动形成的行驶纵向力；T
q
表示目标电机驱动转矩；r表示车轮滚动半径；i0表示车辆总传动比；η表示传动效率；车辆制动时，所需的目标制动主缸压力通过制动逆模型求解为：式中，P
*
表示目标制动主缸压力；F
x
表示通过驱动或制动形成的行驶纵向力；R
B
表示制动卡钳的有效半径；D表示制动主缸直径；r表示车轮滚动半径；J
w
表示车轮的转动惯量；v
w
表示车轮轮速；12)假设使用的永磁同步电机为理想电机，忽略铁芯饱和、涡流和磁滞损耗，建立定子电压方程为：电压方程为：式中，u
d
表示励磁轴电压；u
q
表示转矩轴电压；R
s
表示定子电阻；i
d
表示励磁轴电流；i
q
表示转矩轴电流；L
d
表示励磁轴电感；L
q
表示转矩轴电感；P
n
表示磁极对数；θ
e
表示电机电角度；θ
m
表示电机机械角度，且θ
e
＝P
n
·
θ
m
；Ψ
f
表示转子永磁体磁链；表示电机电角速度；采用表贴式永磁同步电机，电磁转矩方程为：式中，T
e
表示电机电磁转矩；P
n
表示磁极对数；i
q
表示转矩轴电流；Ψ
f
表示转子永磁体磁链；永磁同步电机的电磁转矩平衡方程为：式中，J表示电机转动惯量；表示电机机械角加速度；T
e
表示电机电磁转矩；T
L
表示电机负载转矩；T
f
表示等效电机摩擦转矩；根据传动机构之间的运动关系，得到电机转速和主缸推杆水平速度之间的关系为：式中，表示电机机械角速度；h表示滚珠丝杠导程；k
i
表示齿轮减速比；表示主缸推杆水平速度；电机负载转矩进一步为：式中，T
L
表示电机负载转矩；P表示制动系统主缸压力；A
m
表示制动主缸活塞截面积；K表示主缸回位弹簧刚度；η
t
表示传动机构效率；h表示滚珠丝杠导程；k
i
表示齿轮减速比；y
b
表示主缸推杆水平位移；13)忽略制动液泄露，假设主缸与轮缸制动压力一致，得到液压系统模型为：
式中，表示制动系统主缸压力的微分；K
e
表示制动液体积弹性模量；V
mc
表示制动主缸的制动液体积；V
wc
表示所有制动轮缸和制动管路的制动液体积；y
b
表示主缸推杆水平位移；表示主缸推杆水平速度；A
m
表示制动主缸活塞截面积；f(P，t，w(t))表示包含系统未建模扰动、制动也泄露在内的液压系统非线性因素，a和b表示液压系统模型综合参数。3.根据权利要求1所述的一种基于电控助力制动的智能车辆纵向运动控制方法，其特征在于，所述步骤二的具体方法如下：21)根据车辆的运动状态信息，使用卡尔曼滤波算法估算车辆道路行驶坡度选用车辆纵向速度和坡度为坡度估计系统状态变量，即：X(k)＝[v
x
(k) i(k)]
T
；坡度估计系统测量输出为车辆纵向速度，即：Z(k)＝v
x
(k)；坡度估计系统控制输入为惯性加速度，即：U(k)＝a
s
；那么将惯性加速度与坡度关系方程(2)改写为坡度估计的状态空间方程：式中，A表示坡度估计系统状态变量矩阵；B表示坡度估计系统输入矩阵；H表示坡度估计系统输出矩阵；ΔT表示离散采样步长；X(k+1)表示第k+1时刻离散坡度估计系统的状态变量；X(k)表示第k时刻离散坡度估计系统的状态变量；U(k)表示第k时刻离散坡度估计系统的输入；w(k)表示第k时刻离散坡度估计系统的过程噪声；v(k)表示第k时刻离散坡度估计系统的测量噪声；Z(k)表示第k时刻离散坡度估计系统的测量输出；卡尔曼滤波的一步预测为：式中，表示根据第k时刻离散坡度估计系统的状态变量对k+1时刻离散坡度估计系统的状态变量进行预测的值；A表示坡度估计系统状态变量矩阵；B表示坡度估计系统输入矩阵；表示第k时刻的离散坡度估计系统的估计变量；U(k)表示第k时刻离散坡度估计系统的输入；状态更新矩阵为：式中，表示经校正后第k+1时刻卡尔曼滤波的估计值；表示根据第k时刻离散坡度估计系统的状态变量对k+1时刻离散坡度估计系统的状态变量进行预测的值；K(k+1)表示第k+1时刻卡尔曼滤波增益矩阵；Z(k+1)表示第k+1时刻离散坡度估计系统
的测量输出；H表示坡度估计系统输出矩阵；卡尔曼滤波增益矩阵为：K(k+1)＝P(k+1|k)H
T
(HP(k+1|k)H
T
+R)
‑1ꢀꢀꢀꢀꢀꢀꢀ
(17)式中，K(k+1)表示第k+1时刻卡尔曼滤波增益矩阵；P(k+1|k)表示根据第k时刻的误差协方差与离散坡度估计系统的状态变量对k+1时刻的预测协方差矩阵；H表示坡度估计系统输出矩阵；R表示坡度估计系统测量噪声的协方差矩阵；预测协方差矩阵为：P(k+1|k)＝AP(k|k)A
T
+Q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)式中，P(k+1|k)表示根据第k时刻的误差协方差与离散坡度估计系统的状态变量对k+1时刻的预测协方差矩阵；A表示坡度估计系统状态变量矩阵；P(k|k)表示第k时刻离散坡度估计系统的协方差矩阵；Q表示坡度估计系统过程噪声的协方差矩阵；协方差矩阵更新方程为：P(k+1|k+1)＝(I
‑
K(k+1)H)P(k+1|k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)式中，P(k+1|k+1)表示经校正后的协方差矩阵；I表示单位矩阵；K(k+1)表示第k+1时刻卡尔曼滤波增益矩阵；H表示坡度估计系统输出矩阵；P(k+1|k)表示根据第k时刻的误差协方差与离散坡度估计系统的状态变量对k+1时刻的预测协方差矩阵；通过式(15)
‑
(19)的迭代，获得系统状态变量的估计值进而成功获取估算的车辆行驶坡度信息22)根据车辆纵向行驶动力学，设计前馈控制律；根据车辆纵向行驶动力学平衡方程(1)，设计加速度前馈控制律F
xff
为：式中，F
xff
表示加速度前馈控制律；m表示整车质量；表示目标车辆纵向加速度；f表示滚动阻力系数；i表...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。