[发明专利]基于观测器的纯电动智能汽车纵向车速控制方法

权利要求书

1.一种基于观测器的纯电动智能汽车纵向车速控制方法，其特征在于：实现Matlab/Simulink和AMESim的联合仿真，

①必须设置PC电脑的环境变量，让两者相互关联；

②在AMESim界面中添加与simulink通信的接口模块，将Matlab/Simulink和AMESim间需要通信的变量连接到这个模块；

③经过系统编译之后，AMESim中的模型信息以S-function的形式保留在Simulink中，从而实现两者的联合仿真与通信；

详细过程如下：

一、集中式电动汽车仿真模型搭建：

电动汽车仿真模型包括电驱动模块、传动模块、轮胎模块以及车辆纵向动力学，整车模型参数如表一

表一电动汽车参数表

参数	数值
整车质量、	1500kg
空气阻力系数	0.36
迎风面积	2]]>
粘滞摩擦系数	3]]>
车轮半径	0.301m
轮胎转动惯量、	2]]>
最大制动力矩	1000N
路面摩擦系数	0.01064
电机电枢电阻	0.0001Ω
电机电感	0.02H
电机永磁磁通	0.9Wb
重力加速度	2]]>
主减速比	2.2786
档位减速比	3.9431

二、基于观测器的滚动时域优化控制器：

2.1面向控制器设计模型搭建

2.1.1车辆纵向动力学模型

在不考虑横向力的情况下，车辆坡路上行驶纵向受力根据牛顿第二定律有：

其中：m为行车质量，F_w为驱动力、F_res为行驶阻力；F_res包括空气阻力F_a、路面摩擦阻力F_f、坡度阻力F_cl及机械制动力；

车重m_v与行车质量m关系用式下式表示：

其中J_w为一个车轮的惯量，r为车轮半径；

在坡路上行驶的汽车受到坡度阻力F_cl为：

F_cl＝m_v·g·sinθ (3)

其中g为重力加速度；

路面上行驶的汽车受到的空气阻力F_a为：

F_a＝0.5·ρ_air·C_x·S·(v+v_wind)² (4)

其中ρ_air为空气黏性密度，C_x为风阻系数，S为车辆的迎风面积，v_wind为风速，v为车速；忽略汽车风速影响，故空气阻力表示为：

F_a＝0.5·ρ_air·C_x·S·v² (5)

摩擦阻力F_f是道路与轮胎间的摩擦力，通过下式：

F_f＝m_v·g·(f+f_k·v) (6)

其中f为路面摩擦系数，f_k为粘滞摩擦系数；

机械制动力F_k＝T_k/r，T_k为制动力矩；

得到车辆受到的行驶阻力为：

F_res＝F_cl+F_a+F_f+F_k

＝m_v·g·sinθ+0.5·ρ_air·C_x·S·v²+m_v·g·(f+f_k·v)+T_k/r (7)；

2.1.2传动系统建模

2.1.2.1离合器

由刚性假设，其传递的转矩为：

T_c＝T_e，ω_e＝ω_c (8)

其中T_e为电机输出转矩，T_c为离合器输出转矩，ω_e为电机输出转速，ω_c为离合器输出转速；

2.1.2.2变速器

变速器输出转矩T_p建模如下式：

T_p＝T_ci₀-d_tω_t (9)

其中d_t为扭转阻尼系数，ω_t为输出转速，i₀＝α_i·α_m为传动比，α_i为档位传动比，α_m为主减速比；

2.1.2.3驱动轴

T_w＝T_p，ω＝ω_t (10)

其中T_w为驱动轴输出，ω为驱动轴输出转速；

将式8和式9代入式10整理得：

T_w＝T_ei₀-d_tω (11)

用F_w驱动力，用r表示车轮半径，则由力和力矩之间的关系F_w＝T_x·r，同时车速v＝ω·r，故结合式11得：

F_w＝T_ei₀/r-d_tv/r² (12)

其中车轮半径r由下式求得，式中r_m为轮毂半径，h为轮胎扁平比，l为轮胎宽度；

r＝0.5·r_m+0.01·h·l (13)；

2.2联合观测器：

2.2.1递归最小二乘法质量辨识

结合式1和式7，得到如下等式：

同时结合式(2)、(3)、(4)、(5)、(6)整理成最小二乘格式，驱动轴力矩估计值转化为驱动力得

其中表示车辆纵向加速度，σ等效旋转质量，其值其中J_w为一个车轮的惯量，r为车轮半径；表示包含驱动轴估计量系统输出量，B_e表示可获取的数据向量，m_v为待辨识量，α为系统的过程白噪声；

根据最小二乘法原理，分别定义K-1、K时刻系统辨识得到的整车质量为则得到质量辨识模型：

R(k)＝P(k-1)B_e(k)[B_e(k)P(k-1)B_e(k)+μ(k)]^-1

P(k)＝μ(k)^-1[I-R(k)B_e(k)]P(k-1) (16)

式中，u(k)为第K时刻的遗忘因子；

遗忘因子μ(t)规律为：

μ(t)＝1-0.05·0.98^t (17)；

2.2.2驱动轴力矩观测器

设驱动轴两端转速可测，则搭建驱动轴力矩生成模型：

T_tw0＝k_s∫(ω_t-ω_ω)dt+b_s(ω_t-ω_ω) (18)

其中T_tw0为开环计算驱动轴力矩，ω_t、ω_ω为驱动轴两端转速，ω_t为变速箱输出转速，ω_ω为车轮转速，k_s为驱动轴等效刚度系数，b_s为驱动轴等效阻尼系数；

得到等效的车轮动力学模型：

其中为车轮转速估计值，T_tw为驱动力矩，T_res为阻力矩，J_tw为驱动半轴末端的转动惯量，

驱动力矩通过阻力F_res数学模型求得，即T_res＝F_res·r，结合式7得

T_res＝T_cl+T_a+T_f+T_k

＝T_load+T_k

＝{m_v·g·sin[arctan(0.01·i)]+0.5·ρ_air·C_x·S·v²+m_v·g·(f+f_k·v)}·r+T_k (21)

其中T_cl表示坡度阻力矩，T_a表示空气阻力矩，T_f表示摩擦阻力矩，T_k为机械制动力矩，T_load表示行车阻力矩；驱动轴力矩估计器时用代替T_load；

定义偏差即车轮转速估计值减去实际值，对偏差e求导，同时结合式19和式21得：

取控制输入u为如下形式：

其中，v为虚拟控制输入，利用反馈线性化方法，式22线性化形式

将虚拟控制输入设计成PI形式，即：

v＝-k_pe-k_iθ_e (25)

其中k_p＞0为比例系数，k_i＞0为积分系数；

联合式23和25，得到控制器：

定义Lyapunov函数如式(27)：

对两侧求导得：

将式(25)带入上式并整理得：

因此有t→∞时，故而t→∞；

因此驱动轴力矩为：

基于观测器的纵向车速控制器：

电机力矩和机械制动力矩之间在数值上通过传动比进行转化，即：

T_k＝T_e·i₀ (31)

即制动力矩和驱动力矩统一表示为T_dr，

通过式(1)、(7)和(12)整理得到如下关系式：

其中选取纵向车速为状态量，即x＝[v]，选取驾驶需求为控制变量，即u＝[T_dr]，同样选取纵向车速作为输出量，即y＝[v]；通过欧拉方法对状态空间方程进行离散化，用Δt表示采样步长，则在k时刻，离散化得到系统离散模型如下：

x(k+1)＝f(x(k)，u(k))·Δt+x(k)

y(k+1)＝C_v·x(k)，k≥0. (33)

C_y为输出系数矩阵，定义系统的预测时域为N_p，控制时域为N_u，需要满足1≤N_u≤N_p，那么在k时刻的预测输出序列表示为：

同时，k时刻的优化控制输入序列U(k)表示为：

在采样时刻k，状态量的值为x(k|k)，推导出状态量和输出量的预测过程如公式(19)和(20)所示：

同时，参考输入为期望的车速故得到参考输入序列：

在控制器设计时需要考虑如下约束：

0≤v(k)≤35m/s

-1000/i₀≤T_dr(k)≤T_Mmax， (39)

同时为了保障纵向车速的跟踪，同时提高乘坐的舒适性，因此控制器选取性能指标目标为：

其中ΔU(k)＝U(k+1)-U(k)；

进而描述为(41)式的优化问题，即使目标函数J(y(k)，U(k)，Nu，Np)值最小：

min_U(k)J(y_c(k)，U(k)，N_u，N_p) (41)

式(41)中，反映了实际输出车速与期望车速的偏差，J₂＝||Γ_uΔU(k)||²反映了驾驶需求的强弱，Γ_y和Γ_u分别为输出信号序列和控制信号序列的权重因子；使用NAG求解41式的优化问题，优化出系统的控制输入序列，然后将序列中第一个元素u(k)作用于系统；下一时刻，重复上述的优化求解过程，即对自主驾驶纵向车速的闭环优化控制，

u(k)＝[1 0…0]U(k) (42)；

需要对优化出的力矩进行力矩分配将驾驶员力矩需求中大于0的部分化为驱动力矩，小于等于0的部分化为制动力矩，即

其中T_dr(k)为优化的驾驶力矩需求，T_e(k)为电机期望力矩，T_k(k)为制动力矩，将制动力矩通过下式转化为机械制动信号sig_br：

sig_br＝T_k(k)/1000 (44)。