[发明专利]一种电动自行车辅助刹车系统及实现方法

权利要求书

1.一种基于电动自行车辅助刹车系统，其特征在于，包括：微处理器、无刷直流电机矢量控制器、压力传感器、A/D转换电路、输入模块、速度传感器，加速度传感器；

所述微处理器与所述无刷直流电机矢量控制器相连接，所述无刷直流电机根据微处理器信号驱动无刷直流电机；所述压力传感器与所述A/D转换电路相连接，所述A/D转换电路与微处理器相连接；加速度传感器与微处理器相连接，采集电动自行车前进方向的加速度；所述速度传感器安装在无刷直流电机上，测量电机轴转动的位置，并计算出电机的转速；所述输入模块与微处理器相连接，当骑行者按下制动手柄触发输入模块，输入模块发送电信号给微处理器；

其中，微处理器用于计算电动自行车行驶过程中的车轮滑移率，并输出控制信号给无刷直流电机矢量控制器，控制无刷直流电机输出的电磁转矩，调节电动自行车制动过程中的车轮滑移率；

所述无刷直流电机矢量控制器用于根据微处理器输入的信号，控制轮毂电动机输出的力矩，调节电动自行车车轮转速；

所述压力传感器、A/D转换电路用于通过将骑行者所受重力转换成模拟电量，并将模拟电量通过A/D转换电路转换成数字量，传输给微处理器，计算出骑行者的质量；

所述加速度传感器用于测量电动自行车骑行方向的加速度；

输入模块与电动自行车的刹车手柄相连，刹车时触发输入模块，输入模块输入边沿信号给微处理器，触发中断，指示微处理器电动自行车的制动过程开始；

所述速度传感器用于测量与无刷直流电机相连的车轮转动的速度。

2.如权利要求1所述系统的实现方法，其特征在于，基于如下计算结果：

设电动自行车车轮半径为r,行驶速度为v，车轮转动的角速度为ω。车辆轮子受到的重力为G,轮子受到的地面支持力为N。车辆前进方向加速度车辆受到与速度方向相反的地面摩擦力F_f，T_b为制动器产生的制动转矩；

在刹车过程中，车辆制动过程中的动力学方程为：

其中J为车轮转动惯量；

地面摩擦力跟路面的附着系数μ相关：

F_f＝μN (3)

地面附着系数μ的大小，直接关系到电动自行车的制动效果，根据Paceika魔术方程：

μ＝a(1-e^-λb-cλ) (4)

其中，a、b、c为待确定参数，与轮胎宽度、地面湿度因素有关，λ为电动自行车滑移率,即

根据公式(4)，在滑移率λ＝0.2左右时，路面附着系数μ最大，电动自行车轮胎获得的地面摩擦力最大，制动效果最好；

具体步骤如下：

步骤1)由微处理器测量数据：

在有霍尔元件驱动时，微处理器每隔采样周期T，通过霍尔传感器测得车轮的角速度ω；考虑电动自行车的惯性，T一般取50毫秒；在无霍尔传感器驱动时，通过检测无刷直流电机的三相对称绕组的电动势过零点也获得精确的车轮角速度ω，则第k个采样周期车轮的角速度为ω(k)；

车轮半径r为已知数据，在未制动时，电动自行车的车轮做纯滚动运动，则第k个采样周期电动自行车的前进速度为

v(k)＝rω(k) (5)

微处理器通过加速度传感器测得第k个采样周期前进方向的加速度当k时刻按下刹车手柄时，触发与微处理器相连的输入模块，微处理器开始计算k+1时刻的车身速度为

微处理器通过位于座位下方的压力传感器测得驾驶者的质量m_p,电动自行车质量为m_v,从而测得电动自行车所受地面支持力为

N＝(m_p+m_v)g (7)

其中,g为重力加速度。则第k时刻，地面产生的摩擦力为F_f＝μN；

步骤2)计算电动自行车车轮的滑移率：

计算出k+1时刻车辆的实际滑移率：

步骤3)计算PID控制的输出量：

以目标滑移率λ(k+1)＝0.2为系统的参考输入，系统实际测得的滑移率为λ',参考输入与实际滑移率之间的误差为：

e(k+1)＝λ(k+1)-λ'(k+1) (9)将滑移率误差e(k+1)作为数字PID控制的输入，经过数字PID控制器运算之后，得到Δout作为PID控制器的输出量，将Δout作为无刷直流电机矢量控制器的输入量；

步骤4)无刷直流电机的转矩控制：

无刷直流电机的矢量控制器根据Δout，控制无刷直流电机的电磁转矩T_foc，电动自行车制动器产生的制动转矩T_b、无刷直流电机产生的电磁转矩T_foc和地面的摩擦力F_f共同作用于电动自行车的轮胎：

通过引入无刷直流电机的电磁转矩T_foc，调节车轮的角速度，从而精确控制车轮的滑移率λ'，使电动自行车轮胎获得最大的地面附着系数，获得最大的制动力，缩短制动距离；

步骤5)PID控制器的参数确定：

采用上下位机结合的方式整定PID控制器的参数，下位机控制电动自行车的运行，并采集数据通过蓝牙模块发送给上位机；同理，上位机通过蓝牙模块接受数据，完成计算之后，将结果通过蓝牙模块反馈给下位机。

3.如权利要求2所述的实现方法，其特征在于，所述步骤5)具体如下：

1)构建神经网络模型，以每次制动过程中不同采样周期的车身速度v(k)、车轮转动速度rω(k)、当前制动手柄输出的力矩T_b(k)为网络的输入层，以当前PID控制器的参数k_p(k)、k_i(k)、k_d(k)作为网络的输出层，以为损失函数，训练神经网络；

2)上位机搭建神经网络用于模型的训练，并将优化参数发送至下位机；下位机搭建上述神经网络接受上位机的训练参数，控制电动自行车的制动过程，并采集数据发送给下位机；

上位机初始化神经网络的结构与权值、阈值以及PID参数，发送给下位机；下位机接收上位机参数，更新自身模型参数；下位机在制动过程开始后，采集制动过程中不同采用周期的车身速度v(k)、车轮转动速度rω(k)、当前制动手柄输出的力矩T_b(k)以及不同时刻电动自行车的滑移率λ'(k)发送给上位机；

上位机根据制动过程中λ'(k)的变化情况，调整PID参数以及神经网络的权值和阈值，再一次发送给下位机，重复上述数据采集步骤；经过多次迭代运算，最终确定下位机神经网络的结构、权值和阈值，以神经网络拟合出车身速度v(k)、车轮转动速度rω(k)、当前制动手柄输出的力矩T_b(k)与对应的最优PID参数之间的关系。