基于制動意圖識別的雙軸四驅(qū)電動汽車制動控制策略研究

袁師召, 李 軍, 周 舟

(1.重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院,重慶 400074; 2.中國汽車工程研究院股份有限公司,重慶 401122)

0 引 言

電動汽車的續(xù)航問題是當(dāng)前制約其發(fā)展的一項(xiàng)主要因素,而制動能量回收是提高續(xù)駛里程的有效手段之一。電動汽車的制動系統(tǒng)由再生制動與機(jī)械制動組成,因此其整體控制難度較傳統(tǒng)機(jī)械制動系統(tǒng)明顯增加。制動意圖的準(zhǔn)確辨識可以為制動系統(tǒng)的準(zhǔn)確控制及駕駛員操作與安全性帶來幫助[1-2]。國內(nèi)外學(xué)者目前對制動意圖識別研究的目的如下：一是對制動輔助系統(tǒng)進(jìn)行研究以減小制動距離;二是為顧全能量回收效率和制動安全性,通過對制動強(qiáng)度信息進(jìn)行識別研究從而對制動中的再生制動和摩擦制動進(jìn)行協(xié)調(diào)控制[3]。文獻(xiàn)[4]提出將制動強(qiáng)度與制動意圖聯(lián)系起來對線控制動系統(tǒng)整體控制,并建立了基于神經(jīng)模糊系統(tǒng)的制動意圖識別器,所提出的基于制動意圖的控制方法對目標(biāo)滑移率具有很好的追蹤效果;文獻(xiàn)[5]建立了一種雙層制動意圖辨識模型,該模型基于隱形馬爾科夫理論,并根據(jù)該模型的辨識結(jié)果制定制動力分配策略;文獻(xiàn)[6]建立的制動意圖識別模型則采用了學(xué)習(xí)向量量化(learning vector quantization,LQV)神經(jīng)模糊系統(tǒng),并在制動意圖識別的基礎(chǔ)上搭建復(fù)合制動控制策略;文獻(xiàn)[7]采用模糊控制方法,建立了基于制動踏板深度、車速、荷電狀態(tài)(state of charge,SOC)的制動意圖模糊識別控制模型,并在此識別基礎(chǔ)上對電動汽車的再生制動策略進(jìn)行研究。

電動汽車是由液壓制動和再生制動2種制動方式共同組成的復(fù)合制動系統(tǒng),具有非線性和不確定性的特點(diǎn),因此通過對駕駛員制動意圖進(jìn)行辨識可以更好地對制動力進(jìn)行合理分配,有利于提高車輛安全性及再生制動效果。電液復(fù)合制動系統(tǒng)根據(jù)不同的分類依據(jù)可進(jìn)行不同的劃分[8],具體分類如圖1所示。

圖1 制動系統(tǒng)分類

本文以雙電機(jī)四驅(qū)動力系統(tǒng)的代表車型Tesla Model S的串聯(lián)制動系統(tǒng)作為研究對象,采用模糊推理的方法對制動意圖進(jìn)行識別,并對不同的制動意圖制定相應(yīng)的再生制動控制流程,從而實(shí)現(xiàn)對制動力的合理分配,并通過聯(lián)合仿真驗(yàn)證所提出的控制策略的有效性。

1 制動意圖的分類與識別

1.1 制動意圖分類

傳統(tǒng)汽車的液壓制動系統(tǒng)中,駕駛員進(jìn)行制動操作時,制動踏板變化與制動器制動力的關(guān)系相對簡單,而在電動汽車中,由液壓制動和電機(jī)制動2個部分組成的電液復(fù)合制動系統(tǒng)需要對踏板和液壓進(jìn)行解耦,因此需要對駕駛員的制動意圖進(jìn)行識別分類,即識別出所需的制動力,從而根據(jù)所需的制動力對液壓和電機(jī)制動力進(jìn)行分配控制,目標(biāo)是在保證制動性能的情況下,盡可能多地回收制動能量。

根據(jù)道路環(huán)境和交通場景的復(fù)雜變化以及行駛需求的多樣性,并結(jié)合分析大量汽車行駛案例及制動工況數(shù)據(jù),按照制動的緊急程度,將駕駛員制動意圖分為小強(qiáng)度、中度、大強(qiáng)度、緊急制動4類。小強(qiáng)度制動是在駕駛員有減速的意圖或需要對車輛進(jìn)行非停車需求的減速并維持一定的車速情況下采取的持續(xù)輕踩踏板的制動操作,制動強(qiáng)度很小;中度制動是指一般情況下汽車經(jīng)過路口、轉(zhuǎn)彎或遇到其他異常行駛狀況時駕駛員為了保證行車安全實(shí)現(xiàn)車輛減速或停車而采取的制動操作,故又稱為目標(biāo)制動；在中等強(qiáng)度制動情況下,制動強(qiáng)度不高;大強(qiáng)度制動是指駕駛員發(fā)現(xiàn)距前方車輛、障礙物等可能發(fā)生碰撞危險的物體較近或者具有較大概率的潛在行車危險時,為消除安全隱患使車輛迅速減速或停車而采取的大強(qiáng)度制動操作;緊急制動一般是指在面對突發(fā)狀況時駕駛員采取的“急剎”操作,這種操作也可以認(rèn)為是面對突發(fā)意外狀況時本能的反應(yīng),力求使車輛在最短的時間內(nèi)急速停車,這種情況下制動強(qiáng)度非常大。

1.2 制動意圖識別方法

駕駛員通過操作制動踏板使汽車響應(yīng)制動過程,因此通過駕駛員操作中產(chǎn)生的制動踏板位移變化對制動意圖進(jìn)行判斷是可行的，將其作為制動意圖的識別因素也就成為了主流的做法。目前已有的關(guān)于制動意圖識別的研究通常都是根據(jù)制動踏板位移或位移變化率作為識別輸入,采用邏輯門限、模糊邏輯[9-12]、隱形馬爾科夫理論模型、神經(jīng)網(wǎng)絡(luò)[13-14]、聚類識別[15]等方法進(jìn)行識別。

本文以制動踏板開度、制動踏板開度變化率作為駕駛員制動意圖識別的輸入?yún)?shù),通過設(shè)計(jì)模糊識別器進(jìn)行制動意圖識別。具體辨識過程如圖2所示。

圖2 制動意圖識別參數(shù)及過程

2 模糊識別控制器

制動力與制動踏板位移成正相關(guān),即制動力隨踏板位移增大而增大,制動意圖的緊急程度與制動踏板位移變化率的關(guān)系也相同,以制動踏板開度及其變化率作為模糊控制輸入?yún)?shù),建立兩輸入單輸出的制動意圖辨識控制器。

各識別參數(shù)的范圍見表1所列,超出范圍的按邊界處理。

表1 識別參數(shù)在各工況的范圍

2.1 參數(shù)隸屬度函數(shù)的確定

不同形狀的隸屬度函數(shù)分布曲線會影響到控制器的控制性能,三角形、梯形、正態(tài)型、鐘形等都是常見的隸屬度函數(shù)圖形,本文采用三角形函數(shù)及梯形函數(shù),隸屬度函數(shù)如圖3所示。

圖3 制動踏板開度及其變化率隸屬度函數(shù)

圖3中，S、M、SB、B分別為制動踏板開度、踏板開度變化率的模糊子集，分別表示小、中、較大、大。

2.2 確定模糊推理規(guī)則

建立的模糊識別器推理規(guī)則見表2所列。

表2 模糊推理規(guī)則

制動意圖識別結(jié)果如圖4所示。

圖4 制動意圖識別結(jié)果

3 制動能量回收及轉(zhuǎn)矩分配模型

本文研究的前后軸雙電機(jī)四驅(qū)電動汽車前、后電機(jī)采用相同類型電機(jī),其復(fù)合制動系統(tǒng)結(jié)構(gòu)[16]如圖5所示。

圖5 某電動汽車制動系統(tǒng)結(jié)構(gòu)方案

在識別得到的制動意圖的基礎(chǔ)上,以理想制動力分配、歐洲經(jīng)濟(jì)委員會(Economic Commission for Europe,ECE)法規(guī)、電機(jī)利用效率最優(yōu)為約束條件及分配原則對制動力進(jìn)行分配。

電動汽車制動中的能量傳遞路徑為輪上輸入的制動能量經(jīng)機(jī)械傳動系統(tǒng)到達(dá)電動機(jī),電動機(jī)進(jìn)行回收發(fā)電并將電能儲存在蓄電池。

由于電機(jī)的發(fā)電效率與其轉(zhuǎn)矩和轉(zhuǎn)速有關(guān),定義雙電機(jī)利用效率為:

(1)

其中:ηsys為雙電機(jī)利用效率;Treg1、Treg2分別為前、后電機(jī)制動力距;η1為前電機(jī)在轉(zhuǎn)速為n1、轉(zhuǎn)矩為Treg1時的效率;η2為后電機(jī)在轉(zhuǎn)速為n2、轉(zhuǎn)矩為Treg2時的效率。

由(1)式可知,對于給定的轉(zhuǎn)速和總的電機(jī)制動轉(zhuǎn)矩,前、后電機(jī)制動力矩如何分配關(guān)系到雙電機(jī)的利用效率。

為使雙電機(jī)盡可能工作在高效區(qū),建立雙電機(jī)最優(yōu)制動能量回收模型如下:

s.t.pL≤p≤pU,

0≤Treg1≤Tregmax(n1),

0≤Treg2≤Tregmax(n2),

Treg2=(1-p)Treg,

η1=f(n1,Treg1),

η2=f(n2,Treg2)

(2)

其中:p為前軸電機(jī)轉(zhuǎn)矩的分配系數(shù);pU、pL分別為p取值的上、下界;Treg為總再生制動力矩;Tregmax(n1)為前電機(jī)在轉(zhuǎn)速為n1時能夠輸出的最大轉(zhuǎn)矩;Tregmax(n2)為后電機(jī)在轉(zhuǎn)速為n2時能夠輸出的最大轉(zhuǎn)矩。

求解(3)式模型,前軸電機(jī)轉(zhuǎn)矩分配系數(shù)p的取值范圍為0≤p≤1,電機(jī)在回饋狀態(tài)下的map特性如圖6所示。

圖6 回饋狀態(tài)下前軸電機(jī)map

在不同轉(zhuǎn)速和轉(zhuǎn)矩需求下調(diào)整p值,并基于電機(jī)效率map,可以得到電機(jī)利用效率最優(yōu)時的分配比例popt。

4 再生制動控制策略

4.1 理想制動力分配

當(dāng)車輛前、后輪都抱死時,制動力曲線為I曲線,表達(dá)式為:

(3)

(4)

其中:Fxb1、Fxb2分別為前、后軸制動力;z為制動強(qiáng)度;hg為車輛質(zhì)心高度;b為后軸至質(zhì)心位置距離;L為前后軸距離;G為車輛重力。

4.2 ECE制動法規(guī)

由ECE R13法規(guī)可知,路面附著系數(shù)φ的區(qū)間為[0.2,0.8]，汽車前輪抱死時,車輛的制動強(qiáng)度z≥0.1+0.85(φ-0.2),此時前后軸制動力關(guān)系為M曲線,表達(dá)式為:

(5)

Fxb2≥Gz-Fxb1

(6)

多數(shù)路面的附著系數(shù)大于0.5,即z≤0.5時車輪不易出現(xiàn)抱死現(xiàn)象,法規(guī)對z≤0.2的情況也未進(jìn)行嚴(yán)格規(guī)定。

因此,若工況中z≤0.2,則允許后軸利用附著系數(shù)高于前軸。

4.3 基于電機(jī)利用效率優(yōu)化的制動力分配策略

當(dāng)車速較低(v<5 km/h)或者電池SOC較高(SOC>90%)時,應(yīng)關(guān)閉再生制動系統(tǒng)，具體分配過程如下。

首先根據(jù)需求減速度計(jì)算出總制動力,本文根據(jù)多次實(shí)車制動測試的結(jié)果,通過制動踏板map來解算制動減速度,再對數(shù)據(jù)進(jìn)行擬合處理后得到曲線,如圖7所示。

圖7 制動踏板位移與需求減速度的關(guān)系

根據(jù)制動踏板位移和位移變化率進(jìn)行制動意圖識別。

(1) 當(dāng)制動意圖識別為小強(qiáng)度制動時,需求制動力全部由電機(jī)提供。若僅前電機(jī)便可提供總需求制動力,則FF=Freg1,FR=0;若前電機(jī)達(dá)不到需求制動力要求,則后軸電機(jī)參與制動,但需求制動力仍全部由電機(jī)提供,即FF=Freg1,FR=Freg2。

(2) 當(dāng)判斷為中度制動時,前、后制動力矩分配關(guān)系如下:

(7)

(3) 當(dāng)判斷為大強(qiáng)度制動時,制動力分配沿I曲線,具體如下:

(8)

其中:i為傳動比;FFI、FRI分別為前、后軸按I曲線分配下的制動力。

(4) 當(dāng)判斷為緊急制動,為確保制動安全,此時應(yīng)由液壓制動系統(tǒng)單獨(dú)制動,前、后制動力沿理想制動力分配曲線進(jìn)行分配,具體如下:

(10)

控制策略流程如圖8所示。其中:Freq為總需求制動力;FF為前軸需求制動力矩;FR為后軸需求制動力矩;Freg1為前軸電機(jī)制動力;Freg2為后軸電機(jī)制動力;Fbf1為前軸液壓制動力;Fbf2為后軸液壓制動力。

圖8 制動力分配控制策略

5 仿真分析

在Simulink中搭建再生制動控制策略,在AVL Cruise軟件中建立雙電機(jī)四驅(qū)純電動汽車整車模型,并進(jìn)行聯(lián)合仿真。整車參數(shù)見表3所列,整車模型如圖9所示。

表3 整車參數(shù)

圖9 整車模型

以新歐洲行駛循環(huán)測試(New European Driving Cycle,NEDC)循環(huán)工況進(jìn)行仿真來模擬車輛實(shí)際行駛情況。將動力電池初始SOC值設(shè)置為50%,對本文所提出的再生制動控制策略進(jìn)行驗(yàn)證,車速隨時間變化的曲線如圖10所示。

圖10 NEDC工況車速曲線

循環(huán)工況中制動工況下車輛減速度如圖11所示。

圖11 NEDC工況減速度曲線

前、后電機(jī)再生制動轉(zhuǎn)矩分布如圖12所示。

循環(huán)工況下,NEDC工況能量回收情況如下:電機(jī)回收能量E為3 152.61 kJ;制動中可以被回收的動能ΔEk為2 567.36 kJ;能量回收率η為81.44%。依托中國汽研試驗(yàn)資源,在不同制動強(qiáng)度下進(jìn)行100 km/h初速度的制動試驗(yàn),如圖13所示。

圖13 實(shí)車試驗(yàn)

在Simulink-AVL Cruise仿真平臺上進(jìn)行不同強(qiáng)度制動下100 km/h初速度的單次制動工況仿真,并與實(shí)車試驗(yàn)得到的能量回收結(jié)果進(jìn)行對比,結(jié)果見表4所列。

由表4可知,不同強(qiáng)度100 km/h初始速度單次制動下,采用本文控制策略的制動能量回收率仿真結(jié)果分別為81.72%、40.85%、20.31%、0。其中:小強(qiáng)度、中等強(qiáng)度、大強(qiáng)度制動下本文控制策略能量回收效果比試驗(yàn)結(jié)果分別提高了3.44%、4.61%、2.03%;在緊急制動下,本文所制定的控制策略電機(jī)未參與制動,滿足制動的安全性和可靠性要求。

表4 單次制動工況能量回收結(jié)果

6 結(jié) 論

本文通過精確劃分制動意圖并采用模糊邏輯的方法,對汽車制動過程中的意圖識別問題進(jìn)行研究,基于制動意圖識別和電機(jī)特性的雙電機(jī)效率優(yōu)化轉(zhuǎn)矩分配方法,在理想制動力分配與ECE法規(guī)等安全性因素約束下建立再生制動控制策略,并通過AVL Cruise軟件與Matlab/Simulink聯(lián)合仿真驗(yàn)證了所提出策略的有效性。仿真結(jié)果表明，本文提出的控制策略對于100 km/h初始車速單次制動工況,在小強(qiáng)度、中等強(qiáng)度、大強(qiáng)度制動下制動能量回收分別提高了3.44%、4.61%、2.03%,在滿足制動要求的同時回收了更多能量，且保證了緊急制動的制動安全性。