邱明明,曹龍凱,黃 康,張義雷,劉 浩
(1.合肥工業(yè)大學機械工程學院,合肥 230009;2.汽車技術(shù)與裝備國家地方聯(lián)合工程研究中心,合肥 230009)
隨著汽車智能化、網(wǎng)聯(lián)化和自動駕駛技術(shù)的不斷發(fā)展,對車輛安全性提出了更高的要求,制動系統(tǒng)的性能是衡量車輛安全性的重要指標[1],受到汽車行業(yè)的廣泛重視。線控制動系統(tǒng)作為先進的控制執(zhí)行器,是制動系統(tǒng)的發(fā)展趨勢。制動決策和執(zhí)行器控制是線控制動系統(tǒng)關(guān)鍵技術(shù),影響著制動效果。然而制動決策和執(zhí)行器控制分別受路面條件和控制器的控制精度影響,是制動系統(tǒng)的技術(shù)難題。針對以上兩個方面的問題,國內(nèi)外學者已做了大量研究,并取得了有價值的研究成果。
在制動決策方面,主要分為兩大類,一類是采用定滑移率進行制動,并將路面分為高、低附著路面[2],如文獻[3]中提出一種改進線性二次型最優(yōu)控制算法,使車輛在不同路面行駛工況下獲得良好的滑移率控制效果;文獻[4]中設(shè)計了一套電磁-液壓復(fù)合制動系統(tǒng),通過滑??刂扑惴▽囕喼苿恿M行實時控制,提高了響應(yīng)速度和滑移率的控制精度;文獻[5]中提出了一種面向整車電子機械制動系統(tǒng)的滑模控制方法,并通過CarSim 與Simulink 進行制動防抱死聯(lián)合仿真,驗證了該控制方法的有效性和制動性能的優(yōu)越性。另一類是采用變滑移率進行制動,對路面類型進行辨識,獲取當前路面條件下的最佳滑移率,如文獻[6]中提出一種基于道路特征值的路面識別方法,設(shè)計了6 種典型路面特征值區(qū)間,識別精度高,實時性好;文獻[7]中在Burckhardt 模型的基礎(chǔ)上,提出一種基于類比特性的路面峰值系數(shù)辨識算法,準確性好,適用路面范圍廣;文獻[8]中采用帶工況參數(shù)的徑向基(RBF)神經(jīng)網(wǎng)絡(luò)來逼近Burckhardt模型中的非線性參數(shù),用混合參數(shù)優(yōu)化方法辨識RBF 網(wǎng)絡(luò)工況參數(shù),進而辨識路面類型。綜上所述,第1 類方法采用定滑移率進行制動,并未考慮路面類型對最佳滑移率的影響,因此制動系統(tǒng)的路面自適應(yīng)性差;第2 類方法采用變滑移率進行制動,這類方法雖然對路面類型進行了辨識,但大多根據(jù)系統(tǒng)的狀態(tài)參數(shù)進行辨識,受狀態(tài)參數(shù)不確定性影響大,影響辨識精度。因此,本文中提出一種基于計算機視覺的方法來直接對路面類型進行識別,獲取當前路面的最佳滑移率。
在執(zhí)行器控制方面,已有很多學者開展了大量研究,主要有PID控制、滑??刂坪妥赃m應(yīng)控制等[9],如文獻[10]中以集成式電液制動系統(tǒng)作為研究對象,設(shè)計了基于PID 控制的位置—壓力串級控制器,提高了I-EHB 系統(tǒng)的制動安全性和舒適性;文獻[11]中針對電液制動系統(tǒng),設(shè)計了具有目標壓力跟蹤和強魯棒性的滑??刂破鱽硖岣呦到y(tǒng)的制動性能和可靠性;文獻[12]中提出了一種針對混合線控制動系統(tǒng)的制動力精確調(diào)節(jié)PI 控制算法,實現(xiàn)前后車輪制動力的精確調(diào)節(jié)。
本文中以一種液壓調(diào)控的線控制動系統(tǒng)為基礎(chǔ)進行建模,考慮制動時電機參數(shù)和車速誤差等不確定性因素,在此基礎(chǔ)上提出一種雙層結(jié)構(gòu)的制動控制器,上層基于深度學習理論對路面類型進行辨識,進而得到不同路面條件下的最佳滑移率;下層采用滑??刂评碚搶ψ罴鸦坡蔬M行跟蹤控制,以獲取當前路面條件下的最佳控制輸入,最后通過仿真和硬件在環(huán)實驗對控制器的控制效果和制動力進行驗證。
制動系統(tǒng)簡圖如圖1所示。
圖1 制動系統(tǒng)簡圖
系統(tǒng)工作時通過控制電機動作,經(jīng)絲杠螺母推動活塞桿運動,產(chǎn)生液壓制動力,進而實現(xiàn)制動全過程。在制動過程中分為消隙和堵轉(zhuǎn)兩個階段,由于消隙時間很短,故只考慮接觸后的電機堵轉(zhuǎn)狀態(tài),則電機模型[13]為
式中:u 為PWM 占空比;Ua為電壓;La為電樞電感;ia為電樞電流;Ra為電樞電阻;Ke為反電動勢系數(shù);ωm為轉(zhuǎn)子角速度;Jm為轉(zhuǎn)子等效轉(zhuǎn)動慣量;ω?m為轉(zhuǎn)子角加速度;KT為轉(zhuǎn)矩系數(shù);TL為負載轉(zhuǎn)矩。
電機進入堵轉(zhuǎn)狀態(tài),ωm=0,ω?m=0,則轉(zhuǎn)矩和電流的關(guān)系為
則作用在制動盤上的力矩為
式中:μr為制動盤表面摩擦因數(shù);r 為制動盤有效半徑;Fb為制動力;ηs為絲杠傳遞效率;ph為絲桿導程;A1為液壓主缸截面積;A2為制動缸截面積。
為簡化模型,不考慮制動強度對前后輪胎法向作用力的影響,即4 個車輪的法向受力是相等的。受力分析如圖2所示[14]。
圖2 制動時車輪受力分析
1/4車輛動力學方程為
式中:m 為車輛質(zhì)量;v 為車速;Ff為路面對車輪的摩擦力;μs為輪胎與路面之間的摩擦因數(shù);FH為路面對車輪的反向作用力;g為重力加速度。
車輪動力學方程為
式中:Jc為車輪轉(zhuǎn)動慣量;ω 為車輪角速度;R 為車輪半徑。
滑移率是指在車輪運動中滑動成分所占的比例,用λ表示:
本文選用Burckhardt 輪胎模型[15],則輪胎縱向附著系數(shù)為
式 中c1、c2、c3是 與 路 面 條 件 有 關(guān) 的 參 數(shù),取 值見表1。
圖3 為滑移率和附著系數(shù)的關(guān)系圖。由圖可知,不同路面條件下最佳滑移率并不相同,峰值附著系數(shù)也不同,本文中通過計算機視覺確定路面類型后,利用Burckhardt 模型對最佳滑移率進行求解。因為該模型可很好地體現(xiàn)縱向附著系數(shù)和滑移率之間的關(guān)系,且擬合精度高[16],只要識別了路面類型就可得到該路面下的最佳滑移率:
表1 不同路面下Burckhardt模型參數(shù)
圖3 滑移率和附著系數(shù)關(guān)系
針對目前路面類型的辨識算法存在數(shù)據(jù)計算量大,易受參數(shù)不確定性影響等問題,本文結(jié)合深度學習在圖像處理方面的優(yōu)勢,設(shè)計了一種基于深度學習的路面類型識別模型,通過視覺對路面類型進行直接識別,精度高、實時性好。識別模型框架如圖4所示。
圖4 路面識別過程
其中路面類型標識定義如表2所示。
表2 路面類型標識
將MatConvNet 工具箱作為卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)工具,建立路面識別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),如圖5所示。
圖5 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
卷積神經(jīng)網(wǎng)絡(luò)算法的輸入為路面圖片。
卷積層對路面圖片進行特征提取,輸出的特征圖被傳遞至池化層進行特征選擇和信息過濾。全連接層對提取的特征進行非線性組合以得到輸出,完成學習目標。
輸出層利用Softmax 回歸分類器將路面類型分類結(jié)果輸出。
路面類型識別的步驟如下:
(1)收集6 種路面類型圖片各150 張,共900 張圖片,作為深度學習的訓練庫,然后對路面圖片進行編號;
(2)選取6 種路面類型圖片各20 張,共120 張圖片,作為測試庫,用來測試訓練精度,這部分圖片與訓練庫中圖片不同,同樣也須編號;
(3)新建標識定義文本、訓練標簽文本和測試標簽文本,分別用來定義路面類型、將訓練庫中6 種路面類型圖片與定義標識對應(yīng)和對路面類型圖片做編號排序;
(4)在MATLAB 中新建主函數(shù)、起始函數(shù)、訓練函數(shù)、預(yù)處理函數(shù),其中主函數(shù)可以調(diào)用其他函數(shù);
(5)在 MATLAB 中 通 過 C++ 編 譯 運 行MatConvNet 工具箱,在訓練函數(shù)中設(shè)定訓練迭代次數(shù),運行訓練主函數(shù),開始訓練,當?shù)螖?shù)達到設(shè)定值時,自動結(jié)束訓練,并生成訓練結(jié)果模型,迭代次數(shù)越多,則訓練結(jié)果模型的識別精度越高;
(6)運行路面類型測試函數(shù),對訓練結(jié)果模型的識別精度進行測試;
(7)最后,將訓練結(jié)果模型放入識別模塊用于實時識別路面類型,從而實現(xiàn)深度學習在路面類型識別中的應(yīng)用。
訓練過程如圖6所示,其中objective為所有樣本的誤差,top1err 為模型輸出1 個預(yù)測結(jié)果的錯誤率,top5err 為模型輸出5 個預(yù)測結(jié)果的錯誤率,可知隨著迭代次數(shù)(epoch)增加,誤差和錯誤率在逐漸變小。
圖6 訓練過程
經(jīng)測試,模型的識別精度為96.7%,測試結(jié)果如圖7 所示,圖片上方括號內(nèi)數(shù)字為識別后輸出的路面類型標識。
滑??刂疲⊿MC)本質(zhì)上是一種特殊的非線性控制[17],具有快速響應(yīng)、對應(yīng)參數(shù)變化和擾動不靈敏、無需系統(tǒng)在線辨識、魯棒性好等優(yōu)點,與傳統(tǒng)控制方法的區(qū)別表現(xiàn)為控制的不連續(xù)性?;坡实母櫩刂剖苘囁俸椭苿酉到y(tǒng)模型參數(shù)等不確定性因素的影響,對控制器的魯棒性要求較高,結(jié)合滑??刂频膬?yōu)點,選用滑??刂评碚搶坡矢櫩刂破鬟M行設(shè)計。
為使系統(tǒng)狀態(tài)能快速趨近于滑動模態(tài)并削弱抖振的影響,選用指數(shù)趨近律[18]。
對λ求導得
圖7 路面識別結(jié)果
聯(lián)立(3)、式(6)、式(8)和式(12)可得:
式中電流ia為控制輸入,用u(t)表示。
在制動時,電機處于堵轉(zhuǎn)狀態(tài),此時輸出的堵轉(zhuǎn)力矩與轉(zhuǎn)子和定子間的位置有關(guān),因此轉(zhuǎn)矩系數(shù)KT存在不確定性;另外,車速無法精確獲取,故針對以上不確定性引入綜合干擾項d(t),則有
設(shè)定切換函數(shù)
式中:λ*為理想滑移率,且隨著路面類型的變化而變化。則
(1) 本文通過單軸拉伸測試得到了0Cr18Ni9不銹鋼材料的應(yīng)力-應(yīng)變關(guān)系,該關(guān)系符合Ramberg-Osgood彈塑性本構(gòu)模型,利用全局優(yōu)化算法反演得到其彈塑性本構(gòu)參數(shù):彈性模量和泊松比分別為203GPa和0.3,硬化指數(shù)和硬化系數(shù)分別為4.2和2.96。
將式(14)代入式(16)得
采用指數(shù)趨近律,有
聯(lián)立式(14)、式(18)得控制律為
由于干擾未知,上述控制律無法實現(xiàn)。為解決此問題,采用干擾的界來設(shè)計控制律。則
式中de為與干擾d的界相關(guān)的正實數(shù)。
將式(20)代入式(17)得
為滿足滑模到達條件,選取de值來保證控制系統(tǒng)穩(wěn)定。假設(shè)干擾項有界,則
式中dA和dB分別為干擾的下邊界和上邊界。
(1)當s(t) > 0時,
(2)當s(t) <0時,
則可得出滿足選取原則的de為
定義Lyapunov函數(shù)為
為進一步削弱系統(tǒng)的抖振,在控制器中用飽和函數(shù)sat(s)代替符號函數(shù)sgn(s),即
式中:k=1/Δ;Δ為邊界層。
為驗證該控制方法的可行性,基于Simulink 建立雙層結(jié)構(gòu)的制動系統(tǒng)控制器仿真模型,如圖8 所示,其中:上層為路面類型識別層,包括視覺識別和最佳滑移率模型;下層為制動執(zhí)行系統(tǒng),包括1/4 車輛模型、滑模控制器模型和執(zhí)行器模型。
圖8 雙層制動系統(tǒng)模型
在仿真中,首先針對不同路面,進行單路面條件仿真,取該路面條件下的最佳滑移率與定滑移率對比,附著系數(shù)取該路面下的峰值附著系數(shù)與高、低附著系數(shù)對比,再對變路面條件進行仿真,仿真參數(shù)如表3 所示。圖9~圖12 為單路面條件的仿真結(jié)果,圖13 為變路面條件的仿真結(jié)果,其中仿真工況為初速度80 km/h下的緊急制動工況,但雪地路面初速度設(shè)為60 km/h(定滑移率λd=0.2;高附著路面條件下μd=0.8,包括干瀝青路面、濕瀝青路面和水泥路面;低附著路面條件下μd=0.2,包括雪地路面)。
表3 仿真參數(shù)
圖9 干瀝青路面(λd = 0.2,μd = 0.8)
圖10 濕瀝青路面(λd = 0.2,μd = 0.8)
由圖3 可知,雪地路面條件下的峰值附著系數(shù)小于0.2,故實際在雪地路面制動時,取低附著系數(shù)為0.2 的制動控制策略在制動時間上會變長,制動距離也會增加。
綜合以上幾種路面仿真可知,取定滑移率λd=0.2,附著系數(shù)按高、低附著路面取0.8、0.2,并不適合所有路面條件下的制動,不能達到最優(yōu)的制動效果,采用最佳滑移率制動效果優(yōu)于定滑移率,并由圖3 可知,滑移率為0.2 對應(yīng)的并非峰值附著系數(shù),通過視覺對路面條件進行識別,獲取最佳滑移率,進而得到峰值附著系數(shù),可使制動減速度最大化,制動效果更好。
圖11 水泥路面(λd = 0.2,μd = 0.8)
為驗證該方案的有效性和可行性,搭建了硬件在環(huán)試驗平臺,計算并輸出在制動過程中的制動力。
3.2.1 硬件在環(huán)實驗平臺
圖12 雪地路面(λd = 0.2,μd = 0.2)
硬件在環(huán)實驗平臺主要包括Simulink 仿真模型、控制平臺、硬件實物平臺和信號處理模塊,如圖14所示。
其中仿真模型為在Simulink 中搭建的控制算法模型、EHB 制動執(zhí)行器模型、車輛模型,運行仿真將模型中的控制量輸出;控制平臺主要包括上位機、下位機控制板,上位機負責將控制量輸入到下位機控制板,控制板與電機驅(qū)動器通過RS232 串口實現(xiàn)通信連接,并向驅(qū)動器發(fā)送PWM 控制信號;硬件實物平臺包括控制板、電機驅(qū)動器、電機、轉(zhuǎn)矩測試儀、傳動機構(gòu)、液壓主缸、制動輪缸、壓力傳感器、穩(wěn)壓電源等;信號處理模塊包括轉(zhuǎn)矩采集模塊、壓力采集模塊;穩(wěn)壓電源負責向?qū)嶒炁_供電。
圖13 變路面(濕瀝青→干瀝青→雪路)
3.2.2 結(jié)果分析
取干瀝青路面下的制動進行實驗驗證,實驗結(jié)果如圖15 所示。經(jīng)過硬件在環(huán)實驗,可以得出實驗臺滿足制動力的要求,該方案可行,并且在制動力穩(wěn)定后,與需求制動力之間的誤差在2%以內(nèi)。
圖14 硬件在環(huán)實驗平臺
圖15 實驗結(jié)果
本文中針對液壓調(diào)控的線控制動系統(tǒng),提出一種基于視覺識別的線控制動壓力滑??刂品椒?,在緊急制動工況下,通過計算機視覺識別當前路面類型,在識別精度和實時性上更好,進而獲取該路面下的最佳滑移率作為控制對象,采用基于趨近率的滑模魯棒控制方法對最佳滑移率進行跟蹤控制,相較于傳統(tǒng)的定滑移率,可獲得更好的制動效果。最后,通過硬件在環(huán)實驗驗證了該方案的可行性。