林區(qū)貨車ABS滑?？刂破鲀?yōu)化設(shè)計

楊云杰　朱洪前　馮磊華

摘要：由于林區(qū)道路濕滑、路面狀況復(fù)雜，采用傳統(tǒng)控制方法的防抱制動系統(tǒng)存在響應(yīng)速度慢、魯棒性差等問題，制動效果不理想，為此本文提出RBF神經(jīng)網(wǎng)絡(luò)與滑模變結(jié)構(gòu)相結(jié)合的控制方法，建立貨車在林區(qū)制動情況的分析模型。實驗結(jié)果顯示：與常規(guī)滑模變結(jié)構(gòu)控制相比，采用基于RBF滑模變結(jié)構(gòu)控制的系統(tǒng)制動時間減少約0.185 s，制動距離縮短約1.88 m，到達最優(yōu)滑移率和最大制動力矩的時間更快，系統(tǒng)更穩(wěn)定。因此該方法不僅能夠削弱常規(guī)滑模變結(jié)構(gòu)控制所引起的抖振現(xiàn)象，而且能夠提高ABS的響應(yīng)速度和魯棒性，能夠很好地適應(yīng)林區(qū)濕滑、復(fù)雜的路面狀況，從而驗證了所設(shè)計模型在實際應(yīng)用中的可行性和有效性。

關(guān)鍵詞：防抱制動系統(tǒng);徑向基函數(shù);神經(jīng)網(wǎng)絡(luò);滑模變結(jié)構(gòu)控制;抖振

中圖分類號：U463文獻標識碼：A文章編號：1006-8023（2019）02-0055-06

Optimization Design of ABS Sliding Mode Controller?for Trucks in Forest Area

YANG Yunjie?1， ZHU Hongqian?1*， FENG Leihua?2

（1. College of Materials Science and Engineering， Central South University of Forestry and Technology， Changsha 410004;?2. College of Energy and Power Engineering， Changsha University of Science and Technology， Changsha 410004）

Abstract：Due to the slippery roads in the forest area and the complicated road conditions， the anti-lock braking system using the traditional control method has problems such as slow response speed， poor robustness， and poor braking effect. In this paper， the control method combining RBF neural network and sliding mode variable structure is proposed， and the analysis model of truck braking condition in forest area is established. The experimental results show that compared with the conventional sliding mode variable structure control， the system braking time based on RBF sliding mode variable structure control is reduced by 0.185 seconds， and the braking distance is shortened by 1.88 meters. The time to reach the optimal slip ratio and the maximum braking torque is faster and the system is more stable. Therefore， the method can not only weaken the chattering phenomenon caused by the conventional sliding mode variable structure control， but also improve the response speed and robustness of the ABS， and can well adapt to the wet and complex road conditions in the forest area. The feasibility and effectiveness of the designed model in practical applications are verified.

Keywords：Anti-lock braking system; radial basis function; neural network; sliding mode variable structure control; chattering

0引言

汽車防抱制動系統(tǒng)簡稱ABS系統(tǒng)，作用就是在汽車制動時，根據(jù)車輪轉(zhuǎn)速自動管內(nèi)壓力的大小，讓車輪處于邊抱死邊滾動的滑移狀態(tài)，縮短制動距離，使方向保持良好穩(wěn)定性的一種安全裝置?[1]。ABS系統(tǒng)的作用決定了它必須具有較強的魯棒性、實時性和抗干擾能力。目前，汽車防抱制動系統(tǒng)的控制方法有多種，其中主要的控制方式有：邏輯門限控制、PID控制、模糊控制、滑?？刂坪蜕窠?jīng)網(wǎng)絡(luò)等?[2]。

當前國內(nèi)外的ABS系統(tǒng)大多采用邏輯門限值控制方法?[3-4]。邏輯門限值控制算法雖然簡單，但是需要大量實驗獲得，對本文所研究的林區(qū)復(fù)雜路面的適應(yīng)性差，控制效果不是特別理想。以滑移率為控制目標，更容易實現(xiàn)不間斷控制，提高制動過程的平穩(wěn)性。實現(xiàn)連續(xù)控制最簡單的算法就是PID控制?[5]，但由于控制過程具有非線性、時變性和不確定性，PID算法也難以實現(xiàn)。滑模變結(jié)構(gòu)控制作為一種非線性控制方法，能夠很好的滿足本文所需的要求?[6]，但是由于滑?？刂破鞣蔷€性特點使得系統(tǒng)控制信號會產(chǎn)生抖振，高頻抖振還有可能激勵起系統(tǒng)中固有振蕩源，對系統(tǒng)造成更大地影響?[7]。

公式（8）、（10）、（11）代入公式（12）可得制動執(zhí)行器的數(shù)學模型：

Tb=k·Ik-Tm

（13）

其中，

k=9.55·2?π?·Ke·i·ηX·ηS·Kp·/Ph，

Tm=kp·Nm。

2基于RBF滑?？刂破鞯脑O(shè)計

單輪車輛數(shù)學模型（1）可寫為：

=RFf-Tb/J?v=-Ff/m。（14）

結(jié)合公式（13），上式整理為：

=μBτb-τiueq+τm?v=-μBg。 （15）

其中，τb=RFn/J，τi=k?/J，τm=Tm，ueq=Ik。

公式（2）對時間求導(dǎo)得：

λ=-Rv+Rωv?2v。（16）

定義滑模面為：

Sλ，t=?d?s?d?t+δ?n-1e。（17）

這里，e=λ0-λ（λ0為道路最佳滑移率，λ為實際滑移率），δ為待設(shè)計正常數(shù)（一階系統(tǒng)中δ不做討論）?[19-20]。

在一階系統(tǒng)中n=1，因此?[19]：

S=e=λ0-λ。（18）

當系統(tǒng)在理想狀態(tài)下沿著滑模面滑動時：?S?=0，求導(dǎo)得：

S=-λ=0。（19）

將公式（15）代入 公式（16），得：

λ=Rv?2-μBgω-vμBτb+vτiueq-vτm。 （20）

把公式（20）代入公式（19）得：

S=-λ

=Rv?2μBgω+vμBτb-vτiueq+vτm=0。（21）

整理公式（21）可得到等效控制量：

u∧eq=μ∧Bgωvτi+μ∧Bτbτi+τmτi。（22）

其中，μ∧B為μB最大時的控制量。

若切換控制量選取為：

us=β?sgn?S。（23）

其中，β>0，則系統(tǒng)狀態(tài)總能在有限時間內(nèi)到達滑動模態(tài)St=0。

在公式（23）中：

sgn?S=1S>0?-1S>0。（24）

因此，最終滑?？刂破髟O(shè)計為：

u=u∧eq+us。（25）

當出現(xiàn)諸如模型不匹配和未建模動態(tài)等問題，使系統(tǒng)軌跡偏離滑模面時，系統(tǒng)通過us=β?sgn?S切換控制使系統(tǒng)軌跡趨向滑模面。通過RBF神經(jīng)網(wǎng)絡(luò)，對切換控制中β值進行在線實時調(diào)整，使β值盡量減小，從而削弱系統(tǒng)的抖振。其控制系統(tǒng)方框圖如圖2所示。

圖2中，滑?？刂破饔脕懋a(chǎn)生等效控制ueq，RBF神經(jīng)網(wǎng)絡(luò)用來調(diào)整切換控制中的參數(shù)β值。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

在圖3中，輸出結(jié)點hj由中間節(jié)點xj經(jīng)過權(quán)值ωj得到。則結(jié)點hj的輸出為：

β=?Σ?jxjωj。（26）

根據(jù)滑?？刂圃?，控制目標選為St·St→0，則RBF神經(jīng)網(wǎng)絡(luò)的權(quán)值調(diào)整指標為：

E=St*St。（27）

由公式（27）得：

d?ωj=-α?E?ωj=-α?StStωj

=-α?StSt?βt?βt?ωj。（28）

式中：α為神經(jīng)網(wǎng)絡(luò)調(diào)整步長。

StSt?βt=St?St?βt=-bSt。（29）

βt?ωjt=?exp?-‖S-cj‖?2/bj。（30）

由公式（26）～公式（30）可得，RBF網(wǎng)絡(luò)權(quán)值增量值為：

dωj=γSt?expexp?-‖S-cj‖?2/bj

=γSthjS。 （31）

進而可給出權(quán)值調(diào)整算法為：

ωjt=ωjt-1+?d?ωjt+

αωjt-1-ωjt-2?。 （32）

3仿真及結(jié)果分析

仿真模型參數(shù)見表1～表3。

神經(jīng)網(wǎng)絡(luò)采用2個輸入節(jié)點分別為滑移率誤差S及其變化率S;采用最大矩陣元法確定40個隱層節(jié)點;1個輸出節(jié)點為系統(tǒng)切換控制量us。隱層采用高斯函數(shù)，輸出層采用線性函數(shù)。

汽車ABS系統(tǒng)總體仿真模型如圖4所示，仿真結(jié)果如圖5～圖8所示。

圖5～圖8中，紅線為基于RBF神經(jīng)網(wǎng)絡(luò)的滑?？刂破骺刂菩Ч?，綠線為普通滑?？刂破鞯目刂菩Ч膱D5速度曲線中可以看出：車速從初始制動速度20 m/s（66.7 rad/s）降到0m/s過程中，采用常規(guī)滑模控制器的ABS系統(tǒng)制動時間約為2.598 s，采用基于RBF滑模控制器的ABS系統(tǒng)制動時間約為2.413 s，制動時間減少了約0.185 s;圖6的滑移率曲線可以看出：采用基于RBF滑模控制器的系統(tǒng)比采用常規(guī)滑?？刂破鞯南到y(tǒng)到達最優(yōu)滑移率的時間減少了約0.087 s;圖7的制動力矩曲線可以看出：采用基于RBF滑?？刂破鞯南到y(tǒng)比采用常規(guī)滑模控制器的系統(tǒng)穩(wěn)定于最大制動力矩的時間減少了0.175 s;圖8的制動距離曲線可以看出：采用常規(guī)滑?？刂破鞯腁BS系統(tǒng)的制動距離約為25.75 m，采用基于RBF滑?？刂破鞯腁BS系統(tǒng)的制動距離約為23.87 m，制動距離減少了約1.88 m。仿真結(jié)果表明：采用基于RBF的滑模控制器的系統(tǒng)的響應(yīng)速度更快，系統(tǒng)更穩(wěn)定，控制效果更優(yōu)。

4結(jié)束語

滑?？刂凭哂兴惴ê唵巍δＰ鸵蟮?、響應(yīng)速度快以及魯棒性強等優(yōu)點，非常適合林區(qū)作業(yè)貨車的控制要求。但由于其非線性的特性使得控制信號會產(chǎn)生高頻抖振。本文從削弱抖振的角度出發(fā)，利用神經(jīng)網(wǎng)絡(luò)算法的自學習能力，設(shè)計了新的林區(qū)貨車ABS滑模變結(jié)構(gòu)控制器，通過仿真實驗結(jié)果分析，驗證了本文所設(shè)計的控制算法在林區(qū)貨車ABS控制中的有效性。

【參考文獻】

[1]黃銳，王森，喬華.淺析汽車制動防抱制動系統(tǒng)（ABS）[J].時代汽車，2018（7）：133-134.

HUANG R， WANG S， QIAO H， et al. Analysis of car brake anti-lock braking system（ABS）[J]. Times Car， 2018（7）： 133-134.

[2]凌濱，宋夢實，邢鍵，等.基于模糊PID的汽車防抱死制動系統(tǒng)[J].計算機仿真，2018，35（10）：166-170.

LIN B， SONG M S， XIN J， et al. Automobile anti-lock braking system based on fuzzy PID[J]. Computer Simulation， 2018， 35（10）：166-170.

[3]CHUN K， SUN W M. Wheel slip control with moving sliding surface[J]. IEEE Transaction on Automotive Technology， 2004， 5（2）：23-133.

[4]GLAVIC M. Design of a resistive brake controller for power system stability enhancement using reinforcement learning[J]. IEEE Transaction on Control System Technology， 2005， 13（5）：743-751.

[5]張策.基于MATLAB仿真的數(shù)字PID控制器設(shè)計方法[J].森林工程，2015，31（6）：85-88.

ZHANG C. Design method of digital PID controller based on MATLAB simulation[J]. Forest Engineering， 2015， 31（6）：85-88.

[6]尹鳳杰，井元偉，楊暉.基于模糊滑模控制的主動隊列管理算法[J].東北大學學報：自然科學版，2006，27（5）：473-476.

YIN F J， JIN Y W， YANG H. Active queue management algorithm based on fuzzy sliding mode control[J]. Journal of Northeast University， Natural Science Edition， 2006， 27（5）：473-476.

[7]宋文龍，楊鑫，賈鶴鳴.采摘機械臂的滑模PID控制[J].森林工程，2013，29（2）：74-76.

SONG W L， YANG X， JIA H M. Sliding mode PID control of picking manipulator[J]. Forest Engineering， 2013， 29（2）：74-76.

[8]張強.基于線控技術(shù)的防抱死制動系統(tǒng)研究[D].長沙：湖南大學，2013.

ZHANG Q. Research on anti-lock braking system based on wire control technology[D]. Changsha： Hunan University， 2013.

[9]付長勝.汽車ABS系統(tǒng)優(yōu)化及關(guān)鍵技術(shù)研究[D].贛州：江西理工大學，2016.

FU C S. Research on optimization and key technology of automobile ABS system[D]. Ganzhou： Jiangxi University of Science and Technology， 2016.

[10]丁凡一，孫振偉，李智鑫，等.基于51單片機的輪胎自動加氣裝置[J].林業(yè)機械與木工設(shè)備，2017，45（2）：46-48.

DING F Y，SUN Z W，LI Z X， et al. 51SCM-based Automatic Tire Inflating Devices[J].Forestry Machinery & Woodworking Equipment，2017，45（2）：46-48.

[11]邊明遠.用于縱向道路附著系數(shù)評估的簡化輪胎模型[J].重慶理工大學學報，2012，26（1）：1-5.

BIAN M Y. Simplified tire model for evaluation of longitudinal road adhesion coefficient[J]. Journal of Chongqing University of Technology， 2012， 26（1）：1-5.

[12]邊明遠，李克強.基于雙指數(shù)模型的縱向附著系數(shù)計算模型[J].農(nóng)業(yè)機械學報，2005，36（5）：5-8.

BIAN M Y， LI K Q. Calculation model of longitudinal attachment coefficient based on double exponential model[J]. Journal of Agricultural Machinery， 2005， 36（5）：5-8.

[13]彭曉燕.汽車線控制動系統(tǒng)安全控制技術(shù)研究[D].長沙：湖南大學，2013.

PENG X Y. Research on safety control technology of automobile wire brake system[D]. Changsha： Hunan University， 2013.

[14]陳思成，陳劭，楊越.森林消防車制動安全性評價與試驗研究[J].林業(yè)機械與木工設(shè)備，2015，43（11）：10-13.

CHEN S C，CHEN Z，YANG Y. Forest fire engine braking safety evaluation and experimental research [J].Forestry Science & Technology，2015，43（11）：10-13.

[15]徐雯靜，宋蟄存.永磁同步電機一種新型滑模觀測器的設(shè)計[J].森林工程，2014，30（6）：75-79.

XU W J， SONG Z C. Design of a new sliding mode observer for permanent magnet synchronous motor[J]. Forest Engineering， 2014， 30（6）：75-79.

[16]陳昌榮.基于滑移率的車輛線控制動系統(tǒng)ABS控制研究[D].長沙：湖南大學，2010.

CHEN C R. Study on ABS control of vehicle brake system by wire control based on slip ratio[D]. Changsha： Hunan University， 2010.

[17]沈沉，王軍，林逸.電子機械制動系統(tǒng)制動執(zhí)行器建模與試驗[J].農(nóng)業(yè)機械學報，2007，38（8）：30-33.

SHEN C， WANG J， LIN Y. Modeling and test of brake actuator in electro-mechanical braking system[J]. Journal of Agricultural Machinery， 2007， 38（8）：30-33.

[18]張文海.用反電勢系數(shù)計算直流力矩電機堵轉(zhuǎn)轉(zhuǎn)矩的公式[J].微特電機，2004（4）：45-46.

ZHANG W H. A formula for calculating the torque of DC torque motor by using the back EMF coefficient[J]. Micro Special Motor， 2004（4）：45-46.

[19]張靜，裴雪紅.基于RBF在線辨識的PID整定[J].電機與控制學報，2009，13（1）157-160.

ZHANG J， PEI X H. PID tuning based on RBF online identification[J]. Journal of Motor and Control， 2009， 13（1）：157-160.

[20]裴雪紅.基于改進RBF神經(jīng)網(wǎng)絡(luò)的PID控制[D].哈爾濱：哈爾濱理工大學，2010.

PEI X H. PID control based on improved RBF neural network[D]. Harbin： Harbin University of Technology， 2010.

[21]李巖，蘇學軍.基于模糊徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的PID控制算法仿真研究[J].自動化與儀器儀表，2014（9）：1-2.

LI Y， SHU X J. Simulation of PID control algorithm based on fuzzy radial basis function neural network[J]. Automation and Instrumentation， 2014（9）：1-2.