System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于汽车智能控制,涉及多轴车辆控制技术,具体涉及一种基于轮毂电机故障估计的多轴特种车辆转矩重构分配方法。
技术介绍
1、多轴特种车辆在国防工业建设中起到了举足轻重的作用,尤其是在火箭和大型导弹的运输方面。随着近年来对行车安全要求的提高,车辆的安全性研究成为了当前车辆研究中重要的一部分,对用于运载、发射等多轴特种车辆尤其如此。电动轮驱动多轴特种车辆相比于传统车辆节省了消耗在变速箱、离合器、传动轴等相关的传动机构上的能量,提高了效率和灵活度。但是,电动轮在行驶过程中离地面十分接近,容易受到尘土、泥浆、砂石甚至积水的影响,工作环境比较恶劣,一旦在行驶过程中出现电机失效,轻者导致驱动力矩损失,严重时会产生横摆力矩突变,导致汽车偏移、滑移甚至甩尾,造成重大交通事故。为了提高整车的安全性,针对轮毂电机故障下的转矩重构分配控制已经成为了电动轮多轴车辆研究的一个重要方向。
2、在2021年6月1日公开号cn112886905a的专利技术专利申请,针对8×8多轴车辆多轴电动轮驱动的车辆由于驱动电机较多,驱动系统故障发生的概率增加,导致整车无法进入期望的行驶状态等问题,公开了一种基于规则的电动轮驱动八轮车辆驱动容错控制方法,能够同时处理单侧驱动失效和双侧驱动失效两类失效形式,提高了多轴车辆的主动安全性。在2022年1月25日公开号cn113968205a的专利技术专利申请,公开了一种基于多轴电驱动车辆的复合制动容错控制方法,能够有效解决目前的多轴车容错控制策略大多是针对全轮驱动车辆设计的,对非全轮驱动车辆不太适用,存在的在制动
3、目前应用于多轴特种车辆的转矩重构容错控制策略都是基于规则的方法,但由于本研究对象驱动单元较多导致失效形式过多,采用基于规则的容错控制策略需要针对每一种失效形式制定对应的控制措施,工作量比较大,同时基于规则的控制策略并没有考虑车辆稳定裕度的优化控制效果。此外,这些方法都假定轮毂电机的故障扭矩或者电机失效系数已知,这在实际应用中无法实现的。因此,为了充分考虑车辆稳定裕度的优化效果,贴合实际应用场景,急需一种基于轮毂电机故障估计的多轴特种车辆转矩重构分配方法来提高多轴车辆在轮毂电机故障下的驾驶安全性。
技术实现思路
1、为了解决轮毂电机故障下多轴特种车辆的行驶安全问题,本专利技术提出一种基于轮毂电机故障估计的多轴特种车辆转矩重构分配方法,结合电动轮驱动多轴特种车辆的特性建立车辆总驱动力矩故障模型,以最大限度地保证车辆的附着裕度为目标建立转矩重构分配的优化目标函数,实现最优转矩重构分配,提升多轴特种车辆的驾驶安全性。
2、本专利技术的一种基于轮毂电机故障估计的多轴特种车辆转矩重构分配方法,包括以下步骤:
3、s1:基于车辆运动状态信息,使用神经网络观测器估计轮毂电机故障扭矩;
4、s2:基于步骤s1估计得到的轮毂电机故障扭矩,结合电动轮多轴特种车辆的动力学特性,建立车辆的总驱动力矩故障模型;
5、s3:根据步骤s2建立的车辆总驱动力矩故障模型,以最大限度地保证车辆的附着裕度为目标建立转矩重构分配的优化目标函数,根据多轴特种车辆的动力学限制和实际执行机构限制建立约束条件;
6、s4:基于狼群算法在步骤s3建立的约束条件下对转矩重构分配的目标函数进行寻优,获取轮毂电机故障下的最优转矩重构分配结果。
7、所述的步骤s1中,通过车载传感器采集车辆行驶的状态信息、总驱动力矩和轮毂电机故障扭矩,对数据进行增样和标准化等预处理,使用全连接神经网络提取车辆状态信息的样本特征,训练神经网络观测器,以用于估计车辆的轮毂电机故障扭矩。所述的神经网络观测器包含一个输入层、n个隐藏层和一个全连接输出层,将车辆状态输入输入层,输出层输出车辆所有车轮的故障扭矩估计值;n为正整数。
8、所述的步骤s2中,建立的车辆的总驱动力矩故障模型为:
9、
10、其中,v为车辆总驱动力矩,v=[fx δmz]t,fx为车辆的总纵向力,δmz为车辆的附加横摆力矩;ud是车辆轮毂电机期望的输出扭矩;是估计的车辆轮毂电机故障扭矩;b是参数矩阵,如下:
11、
12、r为车轮半径,d为同轴车轮之间的距离,δil(i=1,2)为车辆左侧前两个车轮的转向角,δir(i=1,2)为车辆右侧的前两个车轮的转向角。
13、所述的步骤s3中,建立的转矩重构分配的优化目标函数如下:
14、
15、其中,w代表多轴特种车辆的车轮集合,fxi表示轮胎i的纵向力,fzi表示各个车轮的垂向载荷,μi表示轮胎i的路面附着系数。
16、所述的步骤s3中,建立的转矩重构分配的目标函数的约束条件包括:各轮胎纵向力的不等式约束条件、车辆总驱动力矩故障模型的等式约束条件,以及每个车轴的两个轮毂电机提供的实际转矩的约束条件。
17、其中,各轮胎纵向力的不等式约束条件表示如下:
18、
19、其中,tmax_brake表示最大制动转矩,包括电机最大制动转矩与液压制动系统最大制动转矩两部分;tmax_drive表示电机最大驱动转矩;r为车轮半径;fyi表示轮胎i的侧向力;μx表示路面的纵向附着系数,μy表示路面的侧向附着系数。
20、每个车轴的两个轮毂电机提供的实际转矩的约束条件如下:
21、tild+tilf=tird+tirf,i∈w1;
22、其中,w1代表多轴特种车辆的单侧车轮集合,tild为左侧车轮i的轮毂电机的期望输出扭矩,tilf为估计的左侧车轮i的轮毂电机的故障扭矩,tird为右侧车轮i的轮毂电机的期望输出扭矩,tirf为估计的右侧车轮i的轮毂电机的故障扭矩。
23、本专利技术的有益效果在于:
24、(1)本专利技术方法可以有效估计由轮毂电机故障造成的附加故障扭矩。
25、(2)本专利技术方法在扭矩重构分配中引入了轮毂电机故障扭矩的实时估计量,能有效提高电机故障下车辆的稳定性控制效果。
26、(3)本专利技术方法可以有效地减少由于轮毂电机故障造成的车辆失稳事故的发生率,提高汽车行驶的安全性能。
本文档来自技高网...【技术保护点】
1.一种基于轮毂电机故障估计的多轴特种车辆转矩重构分配方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于,所述的步骤1中,所使用的神经网络故障观测器包含一个输入层、n个隐藏层和一个全连接输出层,将车辆状态输入输入层,输出层输出车辆所有车轮的故障扭矩估计值;n为正整数;
3.根据权利要求1或2所述的方法,其特征在于,所述的步骤1中,设置输入神经网络故障观测器的车辆状态数据包括电机转矩、前轮转角、电机电流、横摆角速度、纵向车速和横向车速。
4.根据权利要求1所述的方法,其特征在于,所述的步骤2中,基于轮毂电机故障扭矩估计值建立车辆总驱动力矩故障模型如下:
5.根据权利要求1或4所述的方法,其特征在于,所述的步骤3中,建立转矩重构分配的目标函数如下:
6.根据权利要求5所述的方法,其特征在于,所述的步骤3中,建立的转矩重构分配的目标函数的约束条件包括各轮胎纵向力的不等式约束条件、车辆总驱动力矩故障模型的等式约束条件,以及每个车轴的两个轮毂电机提供的实际转矩的约束条件;
7.根据权利要求6所述
...【技术特征摘要】
1.一种基于轮毂电机故障估计的多轴特种车辆转矩重构分配方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的方法,其特征在于,所述的步骤1中,所使用的神经网络故障观测器包含一个输入层、n个隐藏层和一个全连接输出层,将车辆状态输入输入层,输出层输出车辆所有车轮的故障扭矩估计值;n为正整数;
3.根据权利要求1或2所述的方法,其特征在于,所述的步骤1中,设置输入神经网络故障观测器的车辆状态数据包括电机转矩、前轮转角、电机电流、横摆角速度、纵向车速和横向车速。
4.根据权利要求1所述的方法,其特征在于,所述的步骤2中,基于轮毂电机故障扭矩估计值建立车辆总驱动...
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。