[发明专利]一种基于超磁致伸缩制动系统的复合再生制动控制方法

权利要求书

1.一种基于超磁致伸缩制动系统的复合再生制动控制方法，其特征在于，步骤如下：

(1)采集驾驶员正常制动时的驾驶数据，利用驾驶数据训练神经网络预测模型；

(2)制动时，实时采集制动踏板压力P、制动踏板位移s、当前车速v、车辆行驶过程中前方物体相对自车的距离ρ与相对运动速度u信息，同时估计电池荷电状态；

(3)将步骤(2)中获得的制动踏板压力、制动踏板位移和当前车速信息输入到步骤(1)训练的神经网络预测模型中，得到驾驶员制动意图的初步识别M^*；

(4)通过步骤(2)中获得的前方物体相对自车的距离与相对运动速度信息，修正驾驶员制动意图的初步识别，得到最终识别结果；

(5)根据步骤(2)中估计得到的电池荷电状态信息和步骤(4)得到的驾驶员制动意图的最终识别结果，选择制动模式；

(6)根据步骤(5)中选择的制动模式，向电流调节模块输出控制信号，电流调节模块输出电流分别控制再生制动电机和超磁致伸缩制动器进行制动；

所述步骤(1)中的神经网络预测模型如下：神经网络预测模型由输入层、隐含层和输出层组成，其中输入层包括制动踏板位移s、制动踏板压力P和车速v，输出层为制动意图识别结果；

所述步骤(1)中的神经网络预测模型训练过程如下：

(11)对参数进行初始化：根据训练样本的输入、输出数据确定网络输入层和输出层神经元个数m，n；隐含层的神经元个数l遵从l＝2m+1进行设定；对各层连接权值和阈值进行初始化，给定激励函数和学习速率，迭代次数；

(12)计算隐含层输出：根据系统输入、输入层和隐含层的连接权值以及隐含层内各神经元的阈值，计算隐含层输出：

式中，f为隐含层激励函数；ω_ij为输入层和隐含层间的连接权值；a为隐含层内各神经元的阈值；

(13)计算输出层输出：根据隐含层输出、隐含层和输出层之间各神经元的连接权值以及输出层阈值，计算神经网络的预测输出值：

式中，O_k为神经网络的预测输出值；ω_jk为隐含层和输出层之间各神经元的连接权值；b为输出层阈值；

(14)计算误差：根据神经网络预测输出和期望输出，计算预测误差值e_k：

e_k＝Y_k-O_k (1-3)

式中，Y_k为神经网络的期望输出值；

(15)更新权值：根据预测误差值e_k更新网络连接权值：

ω_jk＝ω_jk+ηH_je_k (1-5)

式中，η为学习速率；

(16)更新阈值：根据预测误差值更新网络节点阈值：

b_k＝b_k+e_k (1-7)；

(17)判断步骤(12)-(16)算法迭代是否结束，若没有结束，返回步骤(12)；

所述步骤(4)中修正后的制动意图识别为M＝{α₁,α₂,α₃}，修正方法如下：

规定前方物体远离时u＞0，ρ的阈值为ρ₁，u的阈值为u₁、u₂，u₁＞0、u₂＜0；

当ρ≥ρ₁且u＞u₁时，紧急制动修正为中度制动，中度制动修正为轻度制动，轻度制动保持不变；

当ρ≥ρ₁且u₁≥u≥u₂时，紧急制动修正为中度制动，中度制动保持不变，轻度制动保持不变；

当ρ≥ρ₁且u＜u₂时，紧急制动保持不变，中度制动保持不变，轻度制动保持不变；

当ρ＜ρ₁且u＞u₁时，紧急制动修正为中度制动，中度制动保持不变，轻度制动保持不变；

当ρ＜ρ₁且u₁≥u≥u₂时，紧急制动保持不变，中度制动保持不变，轻度制动修正为中度制动；

当ρ＜ρ₁且u＜u₂时，紧急制动保持不变，中度制动修正为紧急制动，轻度制动修正为中度制动；

所述步骤(6)中控制信号输出规则为：

再生制动模式时，控制电流调节模块仅向再生制动电机输出控制信号，再生制动电机输出制动力矩的大小由车速和再生制动力矩关系曲线获得，该曲线根据不同车速对应的再生制动电机最大稳定再生制动力矩制得；

超磁致伸缩制动系统与再生制动复合制动模式时，控制电流调节模块同时向再生制动电机和超磁致伸缩制动器输出控制信号，复合制动方式为：

踏板位移s的阈值为s₁、s₂；

当s＜s₁时再生制动优先进行，超磁致伸缩制动器起辅助制动作用；

当s₁＜s＜s₂时再生制动与超磁致伸缩制动器制动力矩之比为1:2；

当s＞s₂时再生制动与超磁致伸缩制动器制动力矩之比为1:4；

超磁致伸缩制动系统单独制动时，控制电流调节模块仅向超磁致伸缩制动器输出信号。