[发明专利]一种电动车辆再生制动过程的非线性模型预测控制方法

摘要

本发明涉及车辆控制领域，为一种电动车辆再生制动过程的非线性模型预测控制方法。该方法应用快速系统的非线性模型预测控制策略，在建立车辆电动车辆再生制动过程非线性模型的基础上，通过采集电动车辆在制动过程中由传感器所得到的整车及轮胎、悬架、电机等子系统运行状态信号，实现制动过程中对于精确速度控制、保证车辆稳定性、提升行驶平顺性和提高再生制动能量回收效率的多目标协调控制。该控制系统主要可应用于传统汽车及电动汽车的驱、制动过程中，尤其是在强非线性系统的多目标控制过程当中。

主权项

一种电动车辆再生制动过程的非线性模型预测控制方法，其特征在于步骤如下：确定预测时域为[t₀，t_f]，预测时域包含控制变量的预测时域和状态变量的预测时域；控制变量为轮胎制动力矩T_b；状态变量为车速υ、车身俯仰角车身侧倾角δ、车身横摆角γ、车轮轮速ω、簧上质量行程z：下文中所有的下角标j=V，H，分别代表车身的前、后部分作用量，k=l,r分别代表车身左、右部分作用量；j, k则分别表示汽车前、后、左、右四个部分作用量；[1]将控制变量的预测时域[t₀，t_f]等分为N个子区间，其形式如下：$t_i=\frac{t_f*i}{N},i=\mathrm{0,1},...,N$其中，t₀,t₁，…，t_N为各个子区间的节点；由此可得到N+1个节点和N个子区间；[2]控制变量和状态变量根据上述节点进行离散化，其形式为：$\begin{array}{cc}{T}_{\mathrm{bj},k_i}\left(t\right)& \∀t\∈[t_i,t_{i+1});j=V,H;k=l,r\end{array}$$\begin{array}{cc}{\mathrm{\θ}}_i\left(t\right)& \∀t\∈[t_i,t_{i+1})\end{array}$$\begin{array}{cc}{\mathrm{\υ}}_i\left(t\right)& \∀t\∈[t_i,t_{i+1})\end{array}$$\begin{array}{cc}{\mathrm{\δ}}_i\left(t\right)& \∀t\∈[t_i,t_{i+1})\end{array}$$\begin{array}{cc}{\mathrm{\γ}}_i\left(t\right)& \∀t\∈[t_i,t_{i+1})\end{array}$$\begin{array}{cc}{\mathrm{\ω}}_{j,k_i}\left(t\right)& \∀t\∈[t_i,t_{i+1});j=V,H;k=l,r\end{array}$$\begin{array}{cc}{\stackrel{\·}{z}}_{j,k_i}\left(t\right)& \∀t\∈[t_i,t_{i+1});j=V,H;k=l,r\end{array}$为i时刻汽车四个轮胎上的制动力矩T_b；θ_i为i时刻汽车前轮转角；υ_i为i时刻汽车车速；为i时刻车身俯仰角；δ_i为i时刻车身侧倾角；γ_i为i时刻车身横摆角；为i时刻汽车四个轮胎轮速；为i时刻汽车四个簧上悬架行程变化速度；[3]在每个子区间[t_i,t_i+1]内，通过参数化变量κ_i将控制变量进行参数化，参数化变量κ_i通过下式确定：${\mathrm{\κ}}_i\left(t\right)=T_{b_i}\left(t\right)+C_i\×(t-t_i)$$C_i=\frac{T_b\left(t_{i+1}\right)-T_b\left(t_i\right)}{t_{i+1}-t_i}$此外，参数化变量κ_i或者通过下式确定：${\mathrm{\κ}}_i=T_{b_i}\left(t\right)$其中，为各个状态变量和控制变量在节点处的值；控制变量参数化形式如下：$\begin{array}{cc}{T}_{\mathrm{bj},k_i}\left(t\right)=T_{\mathrm{bj},k_i}(t,{\mathrm{\κ}}_i)& \∀t\∈[t_i,t_{i+1});j=V,H;k=l,r\end{array}$[4]对状态变量的初始值进行参数化，其形式如下：θ_i(t_i)=θ_iυ_i(t_i)=υ_iδ_i(t_i)=δ_i${\mathrm{\γ}}_i\left(t_i\right)={\mathrm{\γ}}_i$$\begin{array}{cc}{\mathrm{\ω}}_{j,k_i}\left(t\right)={\mathrm{\ω}}_{j,k_i}& j=V,H;k=l,r\end{array}$$\begin{array}{cc}{\stackrel{\·}{z}}_{j,k_i}\left(t\right)=z_{j,k_i}& j=V,H;k=l,r\end{array}$其中，i=0，1,...，N‑1；[5]目标函数的表达如下：A,B,C，D为各控制目标的表达式，其权重分别由w₁，w₂,w₃，w₄表示；A为实际车速υ(i)对于目标车速υ_d(i)的跟踪，具体为：B为实际前轮转角θ(i)对于目标前轮转角θ_d(i)的跟踪，具体为：${\mathrm{\Σ}}_{i=0}^{N-1}{[\mathrm{\θ}\left(i\right)-{\mathrm{\θ}}_d\left(i\right)]}^2$C为能量效率的提升，具体为：其中电机能量回收效率η(i)通过电机的效率MAP图在线插值获取；或者通过由MAP图拟合之后的能量回收效率计算式得到，能量回收计算式通过多项式拟合，拟合阶数为3‑5阶；D为车身平顺性的提高，由俯仰角绝对值侧倾角绝对值|δ(i)|、横摆角绝对值|γ(i)|和簧上质量行程加速度绝对值表征，具体为：其中w₅，w₆，w₇，w₈分别为俯仰角、侧倾角、横摆角和簧上质量行程加速度控制效果的权重；在所设计的目标函数中，权重的确定规则为：首先将w₁，w₂定为1，确定w₃的相对值，使得w₂·A和w₃·B在同一个数量级；随后调整w₅，w₆，w₇，w₈的相对值使得在同一个数量级；最后由w₁确定w₄的相对值，使得和D在同一个数量级；[6]约束条件包含等式约束和不等式约束；对预测时间域内所分割的N个子区间(i=0，1,...，N)内部及节点处加以过程约束；其中等式约束包括：连续性条件其中，为所预测下一时刻簧上质量行程加速度，Δt为离散后的时间间隔，m₁为簧上质量，分别为汽车各悬架刚度，分别为各轮胎刚度，分别为汽车各悬架阻尼，为汽车各轴上质量行程，为汽车各轴上质量行程变化速度，分别为汽车各轴行程，为汽车各轴行程变化速度，分别为汽车各轴下质量行程，m汽车总质量；υ(i+1)为所预测下一时刻车速，为根据当前滑移率所计算出来的轮胎‑路面附着系数，通过查表或者魔术公式计算获取，F_z为轮胎纵向载荷，F_α为空气阻力，C_α为空气阻力系数；ω_j,k(i+1)为所预测下一时刻各车轮轮速，I_z为车轮转动惯量，r为车轮半径，f为轮胎滚动阻力系数，初始值条件其中υ_i(0)，ω_i(0)，为汽车簧上质量行程加速度，车速，各轮轮速，车身俯仰角的初始值，取为各个物理量由于车辆物理结构和电机实际性能带来的限制作为不等式约束，包括：制动力矩上下限$0\≤T_b\left(i\right)\≤T_{b_{\max }}$其中，为制动新系统所能提供的最大制动力矩；轮胎滑移率的限制s_min≤s(i)≤s_maxs_min、s_max为滑移率限制中所能取得的滑移率最小值和最大值；此外，控制目标中的稳定性同时作为不等式约束加入到约束条件；其目的在于缩小所构建的NLP问题的求解区域；在求解区域合理的前提下提高最优变量的求解速度；其形式为：$\left|{\stackrel{\·}{z}}_{j,k}\left(i\right)\right|\≤H$其中H为悬架位移变化率的限制；至此，再生制动过程的非线性最优控制问题已经转化为NLP问题，在所得NLP问题中，其需要优化的变量为v、δ、δ、ω、z、T_b，目标函数为J；最终将所得优化后的控制变量T_b输出到被控对象当中。