模糊RBF神經(jīng)網(wǎng)絡(luò)PID在汽車定速巡航控制系統(tǒng)應(yīng)用

張裊娜， 李昊林

(長春工業(yè)大學(xué) 電氣與電子工程學(xué)院, 吉林 長春 130012)

?

模糊RBF神經(jīng)網(wǎng)絡(luò)PID在汽車定速巡航控制系統(tǒng)應(yīng)用

張裊娜， 李昊林*

(長春工業(yè)大學(xué) 電氣與電子工程學(xué)院, 吉林 長春 130012)

結(jié)合模糊控制的推理和RBF神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，實現(xiàn)對PID控制器參數(shù)的實時在線整定。仿真結(jié)果表明,該方法可以有效改善汽車巡航系統(tǒng)速度跟隨過程中的動態(tài)性能和穩(wěn)定性能。

巡航; 模糊控制; RBF神經(jīng)網(wǎng)絡(luò); PID整定

0 引 言

汽車巡航控制系統(tǒng)(CCS)對預(yù)定車速與實際車速之間的偏差進行有效識別，通過控制器對車輛的節(jié)氣門進行自動調(diào)節(jié)，實現(xiàn)行駛車速對預(yù)定車速的快速穩(wěn)定跟隨，作為一種高效的輔助駕駛系統(tǒng)，當(dāng)車輛行駛速度超過某一閾值時，駕駛員即可手動開啟車輛的自動巡航駕駛模式。鑒于自動巡航系統(tǒng)的優(yōu)勢，目前，國內(nèi)外各汽車研發(fā)企業(yè)已將自動巡航系統(tǒng)作為高檔車型的重要配置，但由于車輛在巡航過程中存在較強的非線性，易受到外界干擾的影響，且車輛行駛工況復(fù)雜，因此,實現(xiàn)對汽車巡航控制系統(tǒng)的優(yōu)化升級已成為未來汽車行業(yè)發(fā)展的重要方向，得到相關(guān)汽車控制方面專家的普遍重視[1-4]。

目前，國內(nèi)多家科研機構(gòu)和高校企業(yè)都對汽車定速巡航控制有一定研究，如劉文彬[5]通過該方法可以使系統(tǒng)具有較好的精度，響應(yīng)速度快，系統(tǒng)工作穩(wěn)定，能夠滿足汽車巡航系統(tǒng)實際使用要求。李肖含[6]提出了基于模糊控制的自動巡航控制器，該種控制器可以與傳統(tǒng)ACC系統(tǒng)控制方法相比，該控制策略有著響應(yīng)迅速、達到穩(wěn)態(tài)速度快的優(yōu)勢，這也說明了文中所提出的ACC系統(tǒng)模糊控制策略都有很好的表現(xiàn)。沈亮[7]提出了汽車巡航系統(tǒng)的模糊PID控制器，經(jīng)過仿真驗證，該方法可以滿足對汽車車速的實時控制。

隨著自動控制技術(shù)的不斷發(fā)展，人們對汽車巡航系統(tǒng)自動學(xué)習(xí)能力的需求逐漸增加，模糊PID技術(shù)雖可以實現(xiàn)預(yù)定車速的穩(wěn)定跟隨，但汽車巡航過程中此技術(shù)在動態(tài)性能上的不足逐漸顯現(xiàn)出來，為了有效解決模糊控制不靈活的問題，文中在模糊PID控制的基礎(chǔ)上引入RBF神經(jīng)網(wǎng)絡(luò)算法。神經(jīng)網(wǎng)絡(luò)算法可以模擬人類神經(jīng)元對信息處理的方式，并具有一定的自學(xué)習(xí)和自適應(yīng)能力，該種算法可以實現(xiàn)對信息的分布式存儲，并通過并行協(xié)同的方式對信息進行處理，通過模糊RBF神經(jīng)網(wǎng)絡(luò)的PID控制技術(shù)有效整合模糊控制的推理能力與RBF神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力，實現(xiàn)在線對PID控制參數(shù)的整定，使汽車巡航系統(tǒng)得到更好的動態(tài)性能和穩(wěn)定性能。

1 汽車巡航控制仿真模型的建立

在建立汽車巡航控制系統(tǒng)仿真模型時，需要充分考慮到車輛的物理特性，以求更加全面系統(tǒng)地反映出車輛真實的行駛情況，顯著提升系統(tǒng)仿真分析的準(zhǔn)確度。在建立汽車巡航系統(tǒng)的仿真模型時，隨著模型精度的提高，模型也趨向復(fù)雜，這就會為系統(tǒng)增加更多的參數(shù)辨識壓力，因此在滿足系統(tǒng)仿真要求的同時應(yīng)盡可能實現(xiàn)對模型的簡化[8]。

1.1 汽車縱向動力學(xué)模型

為了對汽車直線巡航工況進行準(zhǔn)確的模擬，文中建立了汽車縱向動力學(xué)模型以實現(xiàn)對汽車前行方向上的受力及運動情況進行分析。對汽車行駛中受力情況進行分析可以發(fā)現(xiàn),在這個過程中車輛所受阻力主要包括空氣阻力、滾動阻力以及坡道阻力，所受阻力依照汽車力學(xué)的平衡方程計算，即可推算出汽車所需要發(fā)動機提供的驅(qū)動力矩。

在對車輛行駛過程進行分析時，為了簡化對復(fù)雜受力情況的歸算，在誤差允許的范圍內(nèi)將整車模型分割成車身、驅(qū)動輪及從動輪三個部分，將汽車各方向上所受的力都折算到汽車縱向運動方向上[9]，假設(shè)汽車行駛路況上具有良好的附著力，并將汽車輪胎視為剛體，建立汽車行駛過程中的驅(qū)動輪與從動輪模型如圖1所示。

(a) 從動輪 (b) 驅(qū)動輪

圖1 汽車行駛過程中從動輪及驅(qū)動輪受力分析

對汽車從動輪進行受力分析可得：

(1)

(2)

(3)

由式(1)、式(2)、式(3)聯(lián)立可推出：

(4)

同理可以推出：

(5)

(6)

由此可推出驅(qū)動輪上的作用力為:

(7)

汽車加速時，發(fā)動機的角加速度可表示為：

(8)

進而可以推出驅(qū)動輪上的轉(zhuǎn)矩：

(9)

式中: Ttq----發(fā)動機轉(zhuǎn)矩;

If----發(fā)動機的轉(zhuǎn)動慣量。

由式(9)可以推出汽車行駛過程中驅(qū)動輪上的驅(qū)動力為：

(10)

接下來對汽車行駛過程中的空氣阻力進行分析，空氣阻力的大小可以反映在汽車車身表面壓力的變化，可得空氣阻力:

(11)

式中: CD----單位面積上的空氣阻力;

A----汽車的迎風(fēng)面積;

ρa----空氣的質(zhì)量密度，取1.226N·s2·m-4。

根據(jù)整車的受力平衡條件可得：

(12)

將式(4)、式(7)和式(10)代入式(12)整理得：

(13)

對式(13)進行簡化，記

m=m1+m2+m3

得下式：

(14)

進而可推出汽車在行駛過程中的表達式為：

(15)

式中:Fg----汽車行駛在坡道上的阻力。

汽車旋轉(zhuǎn)質(zhì)量換算系數(shù)為:

由式(15)在Simulink環(huán)境中搭建以汽車驅(qū)動力為輸入量，汽車行駛速度為輸出量的汽車縱向動力學(xué)模型，其仿真模型如圖2所示。

圖2 汽車縱向動力學(xué)仿真模型

1.2 節(jié)氣門執(zhí)行裝置模型

發(fā)動機的轉(zhuǎn)矩與發(fā)動機轉(zhuǎn)速和節(jié)氣門開度之間存在函數(shù)關(guān)系，為了實現(xiàn)對預(yù)設(shè)車速的穩(wěn)定跟隨，文中將節(jié)氣門開度作為汽車動力學(xué)模型的輸入量調(diào)節(jié)汽車的實際轉(zhuǎn)速，通過建立仿真模型實現(xiàn)對節(jié)氣門執(zhí)行工作狀態(tài)的模擬。汽車節(jié)氣門執(zhí)行器選擇為脈寬調(diào)制(PWM)信號控制的直流電機，即為電子油門系統(tǒng)。該系統(tǒng)由節(jié)氣門機構(gòu)、直流電機和位置傳感器構(gòu)成閉環(huán)系統(tǒng)，文中采用二階振蕩系統(tǒng)進行仿真：

(16)

式中:αdes----汽車節(jié)氣門的期望開度;

α----汽車節(jié)氣門的實際開度;

tα1,tα2----二階振蕩系統(tǒng)常數(shù)，tα1=0.01，tα2=0.1。

按照式(16)在Simulink中建立節(jié)氣門控制器的仿真模型，如圖3所示。

圖3 節(jié)氣門執(zhí)行器仿真模型

2 PID汽車巡航控制器設(shè)計

2.1 PID控制器的設(shè)計

汽車巡航系統(tǒng)的PID控制是指根據(jù)汽車實際車速與預(yù)設(shè)車速之間的偏差為輸入，結(jié)合過去的行駛狀況，針對目前的駕車狀態(tài)，預(yù)估出未來的行車要求。汽車在行駛的過程中可以由駕駛員設(shè)定理想速度或由傳感器對前車的車速進行識別，給出當(dāng)前本車的速度要求，控制器將設(shè)定速度與實際車速相比對汽車節(jié)氣門的開度進行調(diào)整，實現(xiàn)對實際車速的調(diào)整。PID控制器中包括比例、積分和微分控制，其中比例控制可以根據(jù)車速的偏差值調(diào)整發(fā)動機節(jié)氣門的開度,從而使實際車速跟進預(yù)設(shè)車速，文中引入積分控制來保證汽車穩(wěn)定的行駛狀態(tài)，將汽車的車速偏差值進行累加，從而加大對控制量的調(diào)整，減少車速偏差，另外，微分控制的引入可以對汽車未來的行駛狀況進行預(yù)估。

設(shè)定系統(tǒng)給定值為r(t)，實際輸出值為y(t)，則系統(tǒng)的偏差e(t)=y(t)-r(t)，進而可以得到PID控制器輸出為

(17)

式中: Kp----比例參數(shù);

Ti----積分時間參數(shù);

Td----微分時間參數(shù)。

離散化處理：采樣周期較小的情況下，可以用求和替代積分環(huán)節(jié)，用差商替換微分環(huán)節(jié)，進而可以通過近似變化得到

(18)

式中: k----采樣序號，k=1,2,3,…;

T----采樣周期。

將式(18)代入式(17)中得到離散的PID表達式

(19)

汽車巡航控制系統(tǒng)采樣信號類型為數(shù)字聯(lián)系信號，因此可采用增量式PID控制算法

(20)

進而可以推出控制增量如下：

(21)

由式(21)可知,只要確定比例參數(shù)Kp、積分時間參數(shù)Ti和微分時間參數(shù)Td,即可計算出該控制器的控制增量。

2.2 PID參數(shù)自整定的設(shè)計

模糊RBF神經(jīng)網(wǎng)絡(luò)PID控制器的原理框圖如圖4所示。

圖4 模糊RBF神經(jīng)網(wǎng)絡(luò)PID原理框圖

圖中控制系統(tǒng)將目標(biāo)車速與實際車速之間的偏差e和實際車速v作為模糊RBF神經(jīng)網(wǎng)絡(luò)的輸入，通過模糊神經(jīng)網(wǎng)絡(luò)算法的歸算動態(tài)調(diào)整PID控制器的比例參數(shù)Kp、積分參數(shù)Ki及微分參數(shù)Kd，最后PID控制器通過對節(jié)氣門開度的調(diào)節(jié)實現(xiàn)對目標(biāo)車速的穩(wěn)定快速跟隨。

通過在模糊PID的基礎(chǔ)上增加RBF神經(jīng)網(wǎng)絡(luò)算法，實現(xiàn)對PID參數(shù)的實時在線整定，并通過RBF神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)功能不斷完成對PID參數(shù)的優(yōu)化，有效提升巡航控制系統(tǒng)動態(tài)性能和跟隨性能。模糊RBF神經(jīng)網(wǎng)絡(luò)控制模塊的功能是通過將目標(biāo)車速與實際車速之間的偏差e和實際車速v作為輸入，根據(jù)輸入的變化動態(tài)調(diào)整PID的三個參數(shù)，提高PID的控制能力，對于模糊RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計采用四層結(jié)構(gòu)，其結(jié)構(gòu)原理如圖5所示。

圖5 模糊RBF神經(jīng)網(wǎng)絡(luò)的原理框圖

在模糊RBF神經(jīng)網(wǎng)絡(luò)的四層結(jié)構(gòu)中:第一層為該模塊的兩節(jié)點輸入層，以實現(xiàn)對偏差e及實際車速v的采集功能；第二層為6個節(jié)點的模糊化層，以實現(xiàn)將輸入?yún)?shù)模糊化功能；第三層為6節(jié)點的模糊推理層，以實現(xiàn)根據(jù)參數(shù)變化推理出PID參數(shù)整定規(guī)則的功能；第四層為3節(jié)點的輸出層，以實現(xiàn)將算法推理出的參數(shù)給定PID控制器。

在輸入層中的兩個輸入?yún)?shù)分別為偏差e和實際車速v，將這兩個參數(shù)設(shè)定為：X1=e,X2=v。該層的活化函數(shù)設(shè)定為：

(22)

則該層為下一層輸出的參數(shù)為X1和X2。

在模糊化層中有6個節(jié)點，因此需要將上層的兩個輸入劃分到6個模糊集合中，本層中通過活化函數(shù)判斷兩個參數(shù)劃分到6個集合中的合理程度，該層的活化函數(shù)為：

(23)

式中： cij----第i個輸入變量的第j個模糊集合隸屬函數(shù)的均差;

bij----第i個輸入變量的第j個模糊集合隸屬函數(shù)的標(biāo)準(zhǔn)差。

在模糊推理層中的6個節(jié)點分別代表著6種不同的控制規(guī)則，該層中將兩個輸入所對應(yīng)模糊量經(jīng)過匹配得出PID參數(shù)變化規(guī)則，本層中活化函數(shù)為：

(24)

在輸出層中輸出的參數(shù)為PID控制器的3個參數(shù)，則3個參數(shù)的輸出為：

(25)

式中:α----模糊推理層與輸出層之間的連接權(quán)矩陣。

BRF神經(jīng)網(wǎng)絡(luò)的對非線性時變系統(tǒng)的動態(tài)反應(yīng)主要體現(xiàn)在α矩陣的實時調(diào)整。模糊RBF神經(jīng)網(wǎng)絡(luò)對α矩陣的修正依靠于:

(26)

式中: ?----神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)動力因子;

k----系統(tǒng)迭代代數(shù);

η----神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率。

為了檢驗?zāi)：齊BF神經(jīng)網(wǎng)絡(luò)對PID參數(shù)整定的效果，引入性能指標(biāo)函數(shù):

(27)

3 仿真與分析

為了驗證模糊RBF神經(jīng)網(wǎng)絡(luò)PID控制在汽車定速巡航過程中的性能，文中在Matlab仿真環(huán)境下將傳統(tǒng)PID、模糊PID及模糊RBF神經(jīng)網(wǎng)絡(luò)PID這3種控制算法與汽車縱向動力學(xué)模型進行聯(lián)合仿真，其中設(shè)定整車的質(zhì)量為1 000 kg，車輛重心與前軸的水平距離為1.4 m，車輛重心與后軸的水平距離為1.6 m，重心距離地面的垂直高度為0.5 m，汽車迎風(fēng)面積為0.6 m2,空氣的阻力系數(shù)為0.3，其仿真結(jié)構(gòu)如圖6所示。

圖6 汽車巡航系統(tǒng)控制算法仿真結(jié)構(gòu)圖

在進行仿真的過程中，將傳統(tǒng)PID、模糊PID及模糊RBF神經(jīng)網(wǎng)絡(luò)PID參數(shù)初值設(shè)定為Kp=200、Ki=200、Kd=0.15，將給定信號setspeed=71作為汽車定速巡航過程中跟隨的車速,在相同條件下，基于3種不同控制算法的汽車巡航響應(yīng)曲線如圖7所示。

圖7 3種控制下汽車巡航跟隨的響應(yīng)曲線

由仿真結(jié)果可以看出，與傳統(tǒng)PID及模糊PID相比，模糊RBF神經(jīng)網(wǎng)絡(luò)PID具有更好的動態(tài)性能，即該種方法可以有效提升汽車巡航控制的反應(yīng)速度，并在一定程度上降低速度跟隨過程中的超調(diào)量，使車輛在巡航過程中得到更好的速度體驗。

4 結(jié) 語

將模糊控制的推理能力與RBF神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力進行整合，并應(yīng)用于汽車定速巡航系統(tǒng)的PID控制上。汽車在自動巡航過程中具有典型的時變非線性特性，因此,傳統(tǒng)的PID控制對于復(fù)雜工況下的巡航控制存在缺陷，通過模糊RBF神經(jīng)網(wǎng)絡(luò)PID的引入，可以實現(xiàn)對PID這3個參數(shù)的實時在線整定，使得汽車巡航控制得到更好的動態(tài)性能。文中將3種不同的控制方法與建立的7自由度動力學(xué)模型在Simulink仿真環(huán)境下進行性能驗證，其結(jié)果表明,該方法在響應(yīng)時間等方面優(yōu)于傳統(tǒng)PID及模糊PID，改善了汽車巡航過程速度跟隨中的動態(tài)性能。

[1] 張強，曲仕茹.車輛自適應(yīng)巡航控制系統(tǒng)的模糊PID實現(xiàn)[J].汽車工程，2008,30(7):569-572.

[2] 韋亞娟.電液伺服系統(tǒng)的神經(jīng)網(wǎng)絡(luò)自整定PID控制策略研究[D].秦皇島:燕山大學(xué)，2009.

[3] 沈承，黃光宏，曹世宏，等.PID控制系統(tǒng)的參數(shù)調(diào)節(jié)技巧[J].機械工程與自動化，2008(4):155-156.

[4] 胡克非.定速巡航系統(tǒng)的設(shè)計[D].武漢:武漢理工大學(xué)，2012.

[5] 劉文彬,黃偉,刁健,等.基于PID控制的汽車定速巡航系統(tǒng)設(shè)計與試驗[J].內(nèi)燃機與動力裝置,2015(4):29-31，47.

[6] 李肖含.汽車自適應(yīng)巡航控制系統(tǒng)模糊控制策略研究[D].北京:北京理工大學(xué),2015.

[7] 沈亮.汽車巡航控制方法的研究[D].太原:太原理工大學(xué),2013.

[8] 羋松.基于模糊控制的汽車巡航系統(tǒng)[J].農(nóng)機使用與維修，2010(6):72-73.

[9] 韋麗君,陳廷衛(wèi),張冰.水田農(nóng)用車動力總成位置的分析[J].長春工業(yè)大學(xué)學(xué)報：自然科學(xué)版,2013,34(3):268-272.

Fuzzy RBF neural network PID in cruise control system of automobile

ZHANG Niaona, LI Haolin*

(School of Electrical & Electronic Engineering, Changchun University of Technology, Changchun 130012, China)

Fuzzy control reasoning is combined with RBF neural network self-learning to optimize the parameters of PID control in real time. The simulation results indicate that both the dynamic and static performance of the cruise control system are improved.

cruise control system; fuzzy control; RBF neural network; PID.

2016-10-18

吉林省省級經(jīng)濟結(jié)構(gòu)戰(zhàn)略調(diào)整引導(dǎo)資金專項項目(2014Y126); 長春市科技局重大科技攻關(guān)計劃項目(14KG095)

張裊娜(1972-)，女，漢族，吉林長春人，長春工業(yè)大學(xué)教授，博士，主要從事非線性系統(tǒng)控制、故障診斷研究,E-mail:zhangniaona@163.com. *通訊作者：李昊林(1993-)，男，漢族，吉林白山人，長春工業(yè)大學(xué)碩士研究生，主要從事新能源汽車巡航控制與建模仿真等方向研究,E-mail:842378030@qq.com.

10.15923/j.cnki.cn22-1382/t.2017.3.05

U 463.6

A

1674-1374(2017)03-0237-08