王晶 李瑋
摘 要:文章提出了一種無人駕駛純電動汽車制動扭矩分配控制方法。該方法首先根據(jù)動力電池、驅(qū)動電機狀態(tài)以及整車狀態(tài)計算驅(qū)動電機最大能量回收扭矩,并在此基礎(chǔ)上進行需求制動扭矩分配;接下來創(chuàng)造性的將電機系統(tǒng)引入到制動控制系統(tǒng)中,充分考慮了液壓制動系統(tǒng)由于溫度(如熱衰減)、部件機械特性以及環(huán)境等影響其輸出制動力矩穩(wěn)定性與準(zhǔn)確性的因素,通過電機能量回收所產(chǎn)生的制動扭矩對此進行補償,保證最終車輛制動過程中所產(chǎn)生的負(fù)向加速度與需求保持一致。最后通過實車實驗,驗證了該方法的可行性與可靠性。
關(guān)鍵詞:純電動汽車;無人駕駛;制動;能量回收
中圖分類號:U469.72 ?文獻標(biāo)識碼:A ?文章編號:1671-7988(2020)09-49-04
A Torque Distribution Control Method for Driverless Electric Vehicle*
Wang Jing1, Li Wei2
(1.Langfang Polytechnic Institute, Department of Mechanical and Electrical Engineering, Hebei Langfang 065000;2.Beijing Electric Vehicle CO.,?Ltd., Engineering Research Institute, Beijing 100176?)
Abstract:?This paper presents a torque distribution control method for driverless pure electric vehicle. This method first calculates the maximum energy recovery torque of the driving motor according to the status of the power battery, the driving motor and the vehicle, and then distributes the required braking torque; then creatively introduces the motor system into the braking control system, fully considering the transmission of the hydraulic pressing system due to the influence of temperature (such as heat attenuation), mechanical characteristics of components and environment factors of stability and accuracy of braking torque are given. The braking torque generated by motor energy recovery is compensated to ensure that the negative acceleration generated in the final vehicle braking process is consistent with the demand. Finally, the feasibility and reliability of the method are verified by the real vehicle experiment.
Keywords: Electric vehicle; Driverless; Braking; Energy recovery
CLC NO.: U469.72??Document Code: A ?Article ID:?1671-7988(2020)09-49-04
前言
當(dāng)前形勢下,發(fā)展新能源汽車,尤其是具有零污染、零排放的純電動汽車,不僅對我國能源安全、環(huán)境保護具有重大意義,同時也是我國汽車領(lǐng)域?qū)崿F(xiàn)轉(zhuǎn)型升級、技術(shù)突破的重要方向。無人駕駛汽車作為智能汽車的一種同樣是汽車領(lǐng)域今后發(fā)展的趨勢[1-3],相比較于傳統(tǒng)燃油車,純電動汽車由于具有純電平臺、電機驅(qū)動等特點,因此公認(rèn)其是無人駕駛汽車更好的載體,基于該背景純電動無人駕駛汽車已成為當(dāng)前國際上包括通用、大眾、豐田等汽車巨頭的研究熱點。
制動控制是無人駕駛車輛實現(xiàn)縱向控制的關(guān)鍵技術(shù)之一[4,5],當(dāng)前純電動無人駕駛汽車中的制動系統(tǒng)大多采用線控方案,當(dāng)車輛處于無人駕駛狀態(tài)時,無人駕駛控制器根據(jù)環(huán)境、障礙物、交通信號以及車輛當(dāng)前狀態(tài)等信息計算需求制動扭矩,在此基礎(chǔ)上,由液壓制動控制單元實現(xiàn)車輛的制動功能。
在以上的線控制動方案中,液壓制動控制單元是實現(xiàn)車輛制動功能的核心執(zhí)行機構(gòu)[6],其性能優(yōu)劣直接影響著制動性能,考慮到液壓控制單元最終通過控制液壓卡鉗加緊剎車片來實現(xiàn)車輛制動,在無人駕駛模式下,整個控制過程存在大量的非線性環(huán)節(jié),以及不確定性,這些均會對控制的精度產(chǎn)生影響,針對這一問題,本文提供了一種無人駕駛純電動汽車制動控制系統(tǒng)及制動扭矩分配控制方法,該系統(tǒng)及方法適用于采用線控、液壓制動控制單元制動解決方案的無人駕駛汽車。本文首先在無人駕駛模式下由車輛控制器根據(jù)無人駕駛控制器得到的車輛期望加速度(負(fù)向)信息(該加速度信息由無人駕駛控制器根據(jù)環(huán)境、交通信號以及車輛當(dāng)前狀態(tài)獲得)計算車輛當(dāng)前需求制動扭矩,之后根據(jù)動力電池、驅(qū)動電機狀態(tài)以及整車狀態(tài)計算驅(qū)動電機最大能量回收扭矩;在此基礎(chǔ)上進行需求制動扭矩分配,將需求制動扭矩分為兩部分,一部分由液壓制動控制單元實現(xiàn),另一部分由驅(qū)動電機的能量回收實現(xiàn)??紤]到液壓制動控制單元真實產(chǎn)生的制動扭矩會與實際需求之間存在誤差,以及由于環(huán)境、路面等因素造成的制動過程產(chǎn)生的負(fù)向加速度與實際需求間的偏差等問題,該方法通過在一定范圍內(nèi)對電機能量回收過程中產(chǎn)生的制動扭矩進行調(diào)節(jié)來進行補償。本文創(chuàng)造性的將電機系統(tǒng)引入到制動控制系統(tǒng)中,充分的考慮了液壓制動系統(tǒng)由于溫度(如熱衰減)、部件機械特性以及環(huán)境等影響其輸出制動力矩穩(wěn)定性與準(zhǔn)確性的因素,通過電機能量回收所產(chǎn)生的制動扭矩對此進行補償,保證最終車輛制動過程中所產(chǎn)生的負(fù)向加速度與需求保持一致。
1?線控液壓制動系統(tǒng)構(gòu)架
本文提到的無人駕駛純電動汽車制動控制系統(tǒng)構(gòu)架見圖1。
圖1中,無人駕駛控制器根據(jù)車載傳感器(攝像頭、激光雷達、毫米波雷達、超聲波雷達、GPS等)獲取車輛的位置、環(huán)境、交通信號、障礙物等信息,并根據(jù)以上信息計算得到車輛的期望縱向加速度,無人駕駛控制器將該加速度信息反饋給車輛控制器,若該加速度為負(fù),則車輛控制器執(zhí)行制動操作。其中車輛控制器是傳統(tǒng)純電動汽車中三大控制系統(tǒng)的總稱,其包括整車控制器、電機控制器與電池管理系統(tǒng)。車輛控制器在執(zhí)行制動操作時首先根據(jù)接收到的車輛期望加速度(負(fù)向)計算需求制動扭矩,之后根據(jù)動力電池及車輛狀態(tài)(故障信息、電池允許最大充放電功率、電池SOC等)對需求制動扭矩進行分配,分別分配給驅(qū)動電機與液壓制動單元,其中驅(qū)動電機部分的需求扭矩通過能量回收模式實現(xiàn),驅(qū)動電機所產(chǎn)生的制動扭矩通過單級減速器直接作用在車輪中,液壓制動控制單元根據(jù)所分配到的制動扭矩控制制動卡鉗,實現(xiàn)車輛制動。最后車輛控制器根據(jù)制動所產(chǎn)的負(fù)向加速度與無人駕駛控制器發(fā)送的期望加速度進行比較,判斷制動是否達到預(yù)期,若未達到預(yù)期則對扭矩分配進行調(diào)整,最終形成閉環(huán)對車輛制動過程進行控制。
液壓制動控制單元是該控制構(gòu)架中的重要組成部分,其具體構(gòu)架如圖2所示:
圖2為圖1中所提到的液壓制動控制單元,該系統(tǒng)在控制器接收到需求制動扭矩后,通過控制電機、液泵等系統(tǒng)實現(xiàn)制動液流入、流出制動輪缸,最終達到對制動卡鉗的控制,從而實現(xiàn)車輛的制動功能(產(chǎn)生需求制動扭矩)。
本文所提到的制動系統(tǒng)制動扭矩分配及控制方法僅將液壓制動控制單元作為單純的執(zhí)行機構(gòu)(根據(jù)命令產(chǎn)生制動扭矩),不涉及對液壓控制單元內(nèi)部的控制。
2 需求制動扭矩計算
無人駕駛控制器根據(jù)車載傳感器,如攝像頭、激光雷達、毫米波雷達、超聲波雷達、GPS等獲取車輛的位置、環(huán)境、交通信號、障礙物等信息,并根據(jù)一定的控制邏輯向車輛控制器發(fā)送期望控制狀態(tài),最終實現(xiàn)無人駕駛功能。無人駕駛汽車的縱向控制實際上是車速控制,其中就車輛的制動控制而言,無人駕駛控制器是通過向車輛控制器發(fā)送期望車輛加速度(負(fù)向),之后由車輛控制器響應(yīng)該命令,通過對液壓制動控制單元以及電機能量回收的控制最終實現(xiàn)車輛的制動功能。
車輛制動功能的實現(xiàn),實際上是由施加在車輪中的制動扭矩來實現(xiàn)的,因此在本文中,車輛控制器接收到無人駕駛控制器發(fā)送的期望加速度信息后,首先需要將其轉(zhuǎn)換為車輛的需求制動扭矩信息,關(guān)于需求制動扭矩的計算本文采用以下方法。
圖3中Va表示無人駕駛控制器發(fā)送的期望車輛加速度值,Vn表示車輛當(dāng)前速度,Tb表示通過查表得到的車輛需求制動扭矩。實際行駛中的車輛,對其施加特定的制動扭矩,其產(chǎn)生的負(fù)向加速度與車輛狀態(tài)及環(huán)境因素強相關(guān),如在高速行駛狀態(tài)下,風(fēng)阻較大,此時相同制動扭矩條件下車輛產(chǎn)生的負(fù)向加速度較低速行駛工況更高;同樣,環(huán)境風(fēng)速、行駛路面狀況(對應(yīng)車輪的滾動摩擦系數(shù))以及上下坡等均會對車輛最終的負(fù)向加速度產(chǎn)生影響。本文中,通過前期進行實車實驗(在環(huán)境風(fēng)速三級以下、干燥平直的鋪裝路面條件下開展),通過施加不同的制動扭矩獲得不同車速條件下所產(chǎn)生的負(fù)向加速度值,經(jīng)整理后得到期望加速度Va、車輛當(dāng)前速度Vn與制動扭矩Tb的對應(yīng)關(guān)系,將其存儲在表格中,在實際應(yīng)用中,通過Va與Vn可以直接查詢得到需求制動扭矩Tb。
圖3所示的車輛需求制動扭矩計算方法未考慮環(huán)境,如風(fēng)速、路面條件等因素對Tb所造成的的影響,但在本文中該部分的影響可通過對電機能量回收強度的調(diào)節(jié)進行補償。
3?制動扭矩分配及控制
該部分包含三方面內(nèi)容,分別為最大允許能量回收扭矩計算、制動扭矩分配以及制動扭矩控制,下面分別進行介紹。
為保證車輛制動過程中最大限度的提高車輛能量使用效率,首先進行最大允許能量回收扭矩的計算,計算方法見式(1):
其中,Tmax表示電機極限能量回收扭矩;PMotor表示電機最大允許發(fā)電功率(Kw);PBatt表示電池最大允許充電功率(Kw);η表示電機發(fā)電效率;ω表示電機轉(zhuǎn)速。根據(jù)式(1)可得到電機極限能量回收扭矩。
為保護電機與動力電池,不應(yīng)讓其在極限值工作,為此引入扭矩余量。
式(2)中?T表示扭矩余量,Tmotor表示電機最大允許能量回收扭矩。由該式可以看出,?T的引入保證了電機與動力電池不工作在極限狀態(tài),因此對電機與電池起到了保護作用。
完成最大允許能量回收扭矩計算后,接下來對扭矩進行分配,定義TK為液壓執(zhí)行機構(gòu)分配得到的制動扭矩,TM為電機分配得到的能量回收(發(fā)電)扭矩,其計算方法如下:
其中KM表示電機能量回收系數(shù),該值小于1,其目的在于為后續(xù)的能量回收扭矩的微調(diào)提供調(diào)節(jié)余量。由圖3所示的方法得到車輛需求制動扭矩Tb,根據(jù)式(3)、(4),若KM?Tmotor≥Tb條件得到滿足,則意味著由電機能量回收產(chǎn)生的扭矩能夠滿足制動需求,此時TM為Tb,同時TK為0;若以上條件未得到滿足則電機分配得到的制動扭矩為KM??Tmotor,液壓制動控制單元分配得到的制動扭矩為Tb-KM??Tmotor。
該分配方法考慮了需求制動扭矩較小的情況,在這種情況下不對液壓制動控制單元分配制動扭矩,完全通過電機制動能量回收提供制動需求,減少了液壓制動系統(tǒng)的總工作時間,這對于避免制動系統(tǒng)由于長時間工作產(chǎn)生的熱衰減以及延長壽命均具有重要意義;與此同時,該方法由于能夠極大限度的回收制動中產(chǎn)生的能量,因此對于延長車輛的有效續(xù)駛里程具有積極影響。
式(3)與式(4)完成了制動扭矩的分配,考慮到液壓控制單元在執(zhí)行制動扭矩命令時的誤差,或一些特殊工況下(如下坡、上坡、順風(fēng)、逆風(fēng)等)在施加制動扭矩后車輛產(chǎn)生的加速度(負(fù)向)低于或高于預(yù)期,針對這一情況,設(shè)計調(diào)整策略,通過調(diào)節(jié)電機的能量回收扭矩對其進行補償,從而使車輛達到預(yù)期制動效果,具體方法如下。
圖4中,Va為無人駕駛控制器發(fā)出的車輛需求加速度信息,經(jīng)制動扭矩計算環(huán)節(jié)后得到需求制動扭矩Tb,在此基礎(chǔ)上進行扭矩分配,其中分配到液壓制動控制單元與驅(qū)動電機的制動扭矩分別為TK與TM;之后液壓制動控制單元與驅(qū)動電機按照扭矩命令分別對車輛產(chǎn)生制動扭矩;在制動扭矩的作用下車輛產(chǎn)生減加速度Vra,需求加速度Va與車輛實際產(chǎn)生的加速度Vra相減,得到加速度偏差ae,利用該偏差通過扭矩補償環(huán)節(jié)得到補償扭矩Te,利用Te對TM進行補償,最終保證車輛能夠產(chǎn)生預(yù)期的減速度。
根據(jù)圖4可以看出,該控制方法中的核心為扭矩補償,關(guān)于補償扭矩Te的計算,采用以下解決方法。
其中Vn表示車輛當(dāng)前速度,本文分別在不同坡度的工況下進行上坡與下坡的實車標(biāo)定,從而獲得不同車速上坡、下坡行駛狀態(tài)下,偏差加速度ae與補償扭矩Te的對應(yīng)關(guān)系,并將其以表格形式進行存儲,在實際應(yīng)用過程中通過偏差加速度ae與車輛當(dāng)前速度Vn直接查詢得到補償扭矩Te。該補償方式能夠有效的對車輛上坡、下坡、順風(fēng)行駛、逆風(fēng)行駛、不同路面條件(對應(yīng)不同的車輪滾動阻力系數(shù))以及液壓制動控制單元制動扭矩誤差所引起的加速度偏差進行補償。
4?實車試驗
通過實車試驗對本文所提出的控制方法進行驗證。
圖5為需求制動扭矩及分配示意圖,其中最上邊的實線表示當(dāng)前車輛所需的制動扭矩,中間的虛線為驅(qū)動電機所分配的制動扭矩,最下邊的曲線為液壓制動單元所分配的制動扭矩。圖6為制動過程中期望車輛所產(chǎn)生的加速度(負(fù)向),圖7為實車實驗過程中車輛實際所產(chǎn)生的加速度(負(fù)向),圖8為車輛實際加速度與期望加速度間的偏差。
可以看出,采用本文所提出的方法能夠?qū)④囕v制動過程中加速度(負(fù)向)的偏差控制在±0.05m?/s,能夠有效的保證制動過程中車輛的平順性。
5 結(jié)論
本文提供了一種無人駕駛純電動汽車制動控制系統(tǒng)及制動扭矩分配控制方法,該系統(tǒng)及方法適用于采用線控、液壓制動控制單元制動解決方案的無人駕駛汽車。本文首先在無人駕駛模式下由車輛控制器根據(jù)無人駕駛控制器得到的車輛期望加速度(負(fù)向)信息(該加速度信息由無人駕駛控制器根據(jù)環(huán)境、交通信號以及車輛當(dāng)前狀態(tài)獲得)計算車輛當(dāng)前需求制動扭矩,之后根據(jù)動力電池、驅(qū)動電機狀態(tài)以及整車狀態(tài)計算驅(qū)動電機最大能量回收扭矩;在此基礎(chǔ)上進行需求制動扭矩分配??紤]到液壓制動控制單元真實產(chǎn)生的制動扭矩會與實際需求之間存在誤差,以及由于環(huán)境、路面等因素造成的制動過程產(chǎn)生的負(fù)向加速度與實際需求間的偏差等問題,該方法通過在一定范圍內(nèi)對電機能量回收過程中產(chǎn)生的制動扭矩進行調(diào)節(jié)來進行補償,保證最終車輛制動過程中所產(chǎn)生的負(fù)向加速度與需求保持一致。本文給出的控制方法不改變液壓制動控制單元的制動扭矩分配,盡量通過調(diào)整電機能量回收扭矩來補償車輛的加速度誤差,降低了控制難度,因此具有較大的推廣意義。另外通過實車實驗,驗證了該方法的可行性及有效性。
參考文獻
[1] 潘福全,亓榮杰,張璇,張麗霞.無人駕駛汽車研究綜述與發(fā)展展望?[J].科技創(chuàng)新與應(yīng)用,2017,02:27-28.
[2] 端木慶玲,阮界望,馬鈞.無人駕駛汽車的先進技術(shù)與發(fā)展[J].農(nóng)業(yè)裝備與車輛工程,2014,03:30-33.
[3] 潘建亮.無人駕駛汽車社會效益與影響分析[J].汽車工業(yè)研究, 2014,05:22-24.
[4] 余卓平,韓偉,熊璐.集成式電子液壓制動系統(tǒng)液壓力變結(jié)構(gòu)控制[J].汽車工程,2017,39(1):52-60.
[5] XIONG L,YUAN B,GUANG X,et al.Analysis and design ofdual-?motor electro-hydraulic brake system[C].SAE Paper 2014-01-2532.
[6] 楊保香,韓斌慧.汽車電控液壓制動系統(tǒng)控制策略模型及仿真研究[J].自動化與儀器儀表,2017,3:87-90.