基于預測反饋的混合動力汽車制動機構模糊軟切換控制技術

黃波 何健

【摘? ?要】? ?汽車制動機構系統的模糊控制多采用耦合模型，由于缺少對控制器參數的優化，導致控制誤差較大，整體控制效果不佳。為此，提出基于預測反饋的混合動力汽車制動機構模糊軟切換控制技術。根據動力汽車制動機構系統的組成結構，分別建立傳統制動模型與再生制動模型，利用最小二乘法將其擬合，得到制動系統的綜合動力學模型。根據汽車運行的實際工況，分析模糊軟切換方式與各工況的匹配度，以獲取模糊控制器的權重系數，采用預測反饋機制設計汽車行駛路徑指令，并通過優化控制器輸入偏差與辨識參數，設計最佳控制策略。實驗結果表明，所提方法的控制誤差較小，控制效果更好。

【關鍵詞】? ?預測反饋；混合動力汽車；制動機構；模糊軟切換控制

Fuzzy Soft Switching Control Technology for Hybrid Electric Vehicle

Braking Mechanism Based on Predictive Feedback

Huang Bo， He Jian

（Anhui Automobile Vocational and Technical College， Hefei 230601， China）

【Abstract】? ? The coupling model is often used in the fuzzy control of automobile brake mechanism system. Due to the lack of optimization of controller parameters， the control error is large and the overall control effect is reduced. Therefore， a fuzzy soft switching control technology is proposed based on predictive feedback for hybrid electric vehicle braking mechanism. According to the composition structure of the braking mechanism system of the power vehicle， the traditional braking model and the regenerative braking model were established respectively. The least square method was used to fit them， and the comprehensive dynamic model of the braking system was obtained. According to the actual operating conditions of the vehicle， the matching degree between the fuzzy soft switching mode and each operating condition was analyzed， so as to obtain the weight coefficient of the fuzzy controller. The predictive feedback mechanism was used to design the vehicle routing instruction， and the optimal control strategy was designed by optimizing the input deviation and identification parameters of the controller. Experimental results show that the control error of the proposed method is small and the control effect is better.

【Key words】? ? ?predictive feedback; hybrid electric vehicles; brake mechanism; fuzzy soft switching control

〔中圖分類號〕? ?V249.1? ? ? ? ? ? ? ? ? ? ? ? 〔文獻標識碼〕? A ? ? ? ? ? ? ?〔文章編號〕 1674 - 3229（2024）01- 0047 - 07

0? ? ?引言

隨著越來越多節能減排政策的提出，新能源汽車已成為主要發展方向，其中混合動力汽車逐漸成為人們的首選?；旌蟿恿ζ囃ㄟ^發電機和動力電池之間的電氣連接為整個車輛提供電力，同時在各自的范圍內保持每個模塊的最高效率。然而，由于駕駛條件的復雜性和可變性以及駕駛員動作的隨機性，整車的平順性容易受到影響。因此，應根據車輛的行駛情況設計相應的制動機構系統控制策略，從而有效降低車輛的垂直震動，以確保行車安全。

王玉文等 ［1］提出高速開關閥控位置伺服系統的模式切換控制，設計“比例-積分-微分控制器（Proportional-Integral-Derivative，PID）+模式切換”控制器，以位置誤差的PID控制器輸出值和主閥兩腔壓力作為工作模式切換的依據，通過工作模式的實時切換，實現了主閥的高精度位置控制，但該方法未考慮到控制過程運行參數的變化，使得最終控制效果不理想。王永濤等［2］提出基于改進灰色預測單神經元PID的不間斷穩定電壓（Uninterruptible Regulated Voltage，URV）伺服控制系統，建立序列-殘差聯合灰色預測模型，通過對預測殘差的二次預測修正，取代測量結果進行控制運算，實現對控制系統的精準控制，但該方法缺乏全局觀，無法求取最優切換指標，故控制性能不佳。本文以預測反饋機制為依托，針對混合動力汽車制動機構設計一種模糊軟切換控制技術，以更好地提升制動系統在各工況下的自適應能力，為行車安全提供保障。

1? ? ?混合動力汽車制動機構模糊軟切換控制技術設計

1.1? ?混合動力汽車制動機構建模

為了研究模糊控制混合動力電動汽車制動機構的運行，有必要為所研究的制動機構對象及其相關的外部擾動建立相應的模型。一般混合動力電動汽車的制動機構包括傳統制動系統和再生制動系統。在發電機的作用下，制動機構運動可分為高頻運動和低頻運動。因此，在對汽車制動機構進行建模時，需要根據其內部結構分別建立相應的模型并進行擬合，得到綜合數學模型?；旌掀囍苿訖C構系統的結構如圖1所示。

為了便于分析，以傳統制動系統和再生制動系統的質心為坐標原點，分別建立為北東坐標系和參考坐標系。由于汽車運動速度慢、范圍小、時間短的特點［3］，通常將北東坐標系視為慣性坐標系，將系統的矢量坐標值變量進行積分，得到以下形式：

[η0=PxoyΘaob? v0=UxoyΩaob? ?τ0=FxoyMaob? ] （1）

式中，[η0]、[v0]、[τ0]分別表示在標準坐標系下系統的位置矢量、速度矢量和姿態矢量；[Pxoy]表示在傳統制動系統坐標系[xoy]下制動系統的位置；[Θaob]表示在再生制動系統坐標系[aob]下制動系統的姿態角；[Uxoy]表示[xoy]下系統的平均速度；[Ωaob]表示[aob]下系統運動的角速度；[Fxoy]表示[xoy]下系統的最大力矩；[Maob]表示[aob]下系統的平均力矩。

根據歐拉旋轉定理，以系統線速度為控制輸入，角速度為控制輸出，則可得到系統的運動機理為：

[T0=T1η0+v0+τ0+k0] （2）

式中，[T0]表示制動系統的運行過程；[T1]表示時間變量；[k0]表示待定常數。

進而可得到制動系統在發電機驅動作用下的傳遞函數：

[GS=T0k1ST2+1] （3）

式中，[k1]表示離散化系數；[S]表示系統的能量損耗；[T2]表示系統波動因子。

將制動機構系統表達為離散時間系統［4］，則有：

[xt=GS+xt+Δtxt-α0] （4）

式中，[xt]表示制動系統的離散化方程；[t]表示采樣周期；[Δt]表示采樣周期變化量；[α0]表示系統的性能特征值。

由于研究對象為不含中頻運動的系統，因此可假設在姿態角和位置角很小的情況下，推導傳統制動系統的數學模型［5］，即：

[β1=Rψxtv1] （5）

式中，[β1]表示汽車傳統制動系統的數學模型；[Rψ]表示旋轉矩陣；[v1]表示系統的初始運行速度。

對于再生制動系統的建模，為了簡化操作，通常只考慮系統的三自由度動力學模型［6］，可以得到如下向量方程：

[M0=β1τ1Cv+Dv] （6）

式中，[τ1]表示速度傳感器產生的力矩；[Cv]和[Dv]分別表示整車控制器和變速器的速度；[M0]表示系統慣性矩陣。

在建立汽車再生制動系統的數學模型時，基于動量定理，根據汽車運動時同一方向上的力和轉矩之間的關系，導出動力學方程。假設汽車是一個剛體［7］，其所在位置處的空氣阻力為0，則車身的質量分布相對于參考坐標系的平面是均勻對稱的。根據以上假設可以得到下式：

[sk=-M0ε0xksgns'k] （7）

式中，[sk]表示系統的慣性矩陣；[ε0]表示外界環境干擾力；[xk]表示阻尼系數矩陣；[s'k]表示狀態趨近律函數；[sgn.]表示結構函數。

另外，假設附加質量的中心和重心一致，從而可以得出與車體附加質量相關的向心力矩陣［8］，即：

[vk=1-q1sk-ε1sgnv'k] （8）

式中，[q1]表示平衡系數；[ε1]表示單調飽和性系數；[v'k]表示替換符號函數。

由此可得到汽車再生制動系統的數學模型為：

[β2=vk1+e-α2+Scs] （9）

式中，[e]表示系統增益量；[α2]表示奇異線性變換函數；[Scs]表示系統氣動力。

采用最小二乘法將汽車的傳統制動系統模型和再生制動系統模型進行超平面擬合，得到：

[β=λ1β1+λ2β2] （10）

式中，[λ1]、[λ2]分別表示對應模型的連接權重；[β]表示汽車制動系統的數學模型。

根據混合汽車動力機構的基本結構，基于其運動特性和動力學原理，分別建立傳統制動機構模型與再生制動機構模型，并利用最小二乘法加固兩者擬合，得到制動系統綜合模型，為切換權重系數的確定提供了有利條件。

1.2? ?模糊軟切換權重系數的確定

混合動力汽車制動機構建模后，確定模糊軟切換權重系數。模糊軟切換控制的權重主要衡量模糊控制器的控制方式與汽車當前運行條件的匹配程度［9］。在實際工況條件建立后，通常通過不同操作條件下的條件差異切換控制模式。如果在工況之間建立模糊規則，則可以根據相應的模糊規則確定制動系統在該工況下的比例，然后根據車輛在不同工況下的運行狀態設計相應的模糊軟切換控制策略。本文通過全局模型確定軟切換權重系數，具體計算過程如下。

被控對象處于第[i]種工況的概率為：

[pi=wi'i=1mβ] （11）

式中，[wi']表示屬于第[i']種模糊規則的隸屬度值；[m]表示汽車工況數量。

制動系統的串聯式制動閥在汽車運行時產生的能量變化為：

[E1=2A1?h1?piT1-T0] （12）

式中，[A1]表示系統的總溫度；[h1]表示制動器摩擦系數；[T1]、[T0]分別表示制動系統的穩定溫度和初始溫度。

使用正方形網格覆蓋第[j]個分模糊規則的網格數［10］，則由其定義的采樣分形維數為：

[d0=1+log2E1Δ1+Δ2dj] （13）

式中，[Δ1]、[Δ2]分別表示橫向和縱向網格數；[dj]表示系統特征突變點。

以優化對象為目的，建立用于平滑切換的性能指標函數，即：

[Jt=ft?rt+d0?eτ] （14）

式中，[ft]表示指標辨識誤差函數；[rt]表示平滑函數；[eτ]表示模型與真實被控對象之間的匹配函數。

在某一時刻，只存在一個最佳切換權重系數投入到控制器中［11］，則對于切換的初始值定義如下：

[ν0=ηw?sJt] （15）

式中，[ηw]表示車體高頻運動位置向量；[?s]表示密度函數，其計算公式為：

[?s=hsω0] （16）

式中，[hs]表示自由度全譜功率函數；[ω0]表示阻尼項常數。

由全局模型向量可以得出模糊軟切換權重系數為：

[u0=?sv0utkt] （17）

式中，[ut]表示系統的控制輸入向量；[kt]表示全局模型向量；[u0]表示模糊軟切換權重系數。

在汽車制動機構系統動力學模型基礎上，根據汽車所處工況類型，采用全局模型計算被控對象的隸屬度函數，結合切換性能指標函數，確定模糊軟切換權重系數，為最終實現汽車制動機構軟控制提供數據基礎。

1.3? ?基于預測反饋的模糊軟控制策略設計

基于上述模糊軟切換權重系數的確定，設計基于預測反饋的模糊軟控制策略。在實際場景中，由于外部環境處于不斷變化中，這要求汽車能夠隨時改變方向、靈活轉彎和前進［12］。本文闡述的基于預測反饋的汽車制動機構系統的模糊軟切換控制方法如圖2所示。

制動系統在車輛運行初期的姿態定義為[S1]，考慮路面的隨機變化，基于車身的垂直速度和加速度，并結合車輛自身結構的設計，形成雙輸入單輸出控制模型［13］，為了確保車輛各部件的運行不受干擾，控制器應確保系統的動態偏轉保持在一定的行程范圍內，以降低碰撞的概率，即：

[W1=X'-S1u0] （18）

式中，[W1]表示制動結構與其他部件碰撞的概率；[X']表示本身車體運動行程。

軟切換控制策略的關鍵在于設計輸入和輸出的比例因子，使系統的輸入控制變量適應模糊域，系統輸入能夠充分利用模糊規則，提高控制精度［14］。

由于車速傳感器獲得值的延遲，可以使用指數平滑迭代方法來預測下一時刻車身可能的角變化速度，即：

[v=φ0W1+1-φ0vt-1] （19）

式中，[φ0]表示折扣因子；[vt-1]表示[t-1]時刻的平滑值。

將路徑的跟蹤誤差定義為[σ0]，則行駛路徑指令為：

[γd=arcsin-kh-vσ0] （20）

式中，[kh]表示行車軌道角。若[kh>0]，行車軌跡角隨著路徑指令[γd]的變化而變化，進而可將路徑跟蹤誤差調節到近似為0［15］。

對于模糊控制器的自適應律表示如下：

[θ=-γdhyxy+ηy] （21）

式中，[hy]、[xy]分別表示增益矩陣和波動矩陣；[ηy]表示系統隨機矢量［16-17］。

若切換時刻為[i+1T]，在前一時刻[iT]時的輸出控制量為[ui]，則存在如下式：

[ui=θ+ρki+1T-iT+Ii] （22）

式中，[ρk]表示控制器的輸入偏差［18-19］；[Ii]表示偏差積分。

在未切換前，將控制器的輸入偏差積分[Ii]置零，則有：

[Ii=0] （23）

則可由式（22）和（23）確定[ρk]。

在[i+1T]的突變時刻［20-22］，使下一時刻的控制量[ui+1]與當前控制量[ui]相等，則由下式計算控制器的辨識參數[ρi]，即：

[ui+1=ui=θ+ρki+1T-iT+Ii+1] （24）

通過上式計算，可保證汽車制動系統在兩個工況切換時刻已確定好控制器的最佳參數[ρk]和[ρi]［23-26］，則可在進入新的穩定工況后重新在線計算控制器的參數以備順利進行軟切換控制。至此，完成基于預測反饋的混合動力汽車制動機構模糊軟切換控制技術的設計。

2? ? ?實驗論證

2.1? ?實驗準備

將MATLAB仿真軟件作為實驗的開展平臺，通過構建汽車制動機構系統動力學模型，實現本文所提策略。將剛性路面、柔性路面、對接路面和半剛性路面4種路段作為組合工況，如圖3所示。

在實驗中，通過研發與生產技術的集成，實現了閉環實驗并驗證所提出的模糊軟開關控制策略的性能。該平臺具有快速開發車輛控制策略的功能，主要包括GNU編譯器套件（GNU Compiler Collection，GCC）、代碼編輯器和軟件檢測模塊。將文中建立的制動系統動力學項目輸入到仿真平臺的調試模塊中，并根據預測反饋機制參數設定，對控制器的內部參數進行優化，便于主控制器的識別。

為保證本文所提控制策略在保持控制器最佳控制參數的同時，汽車能夠根據當前所處的實時運行工況使制動系統在高效率區間工作，設置動力電池的電荷釋放率為0.50%，平均變化值為0.20，并將汽車勻速行駛作為閉環循環工況。

2.2? ?實驗說明

選用Insight串聯式混合動力汽車作為實驗案例，以其中的制動機構系統作為試驗對象，整車技術參數如表1所示。

將實驗平臺的水平給進速度給定值設置為1.5 m/s，在5 s時添加200 N的負載擾動。設置在汽車勻速行駛工況下的仿真條件為：絕對風速6 m/s，平均風向角120°，空氣阻力系數0.35；模糊控制器的參數為：增益系數10.25，積分系數3.60，微分系數8.39。

2.3? ?模糊軟切換控制策略應用結果

將所提方法應用于實驗整車制動機構系統的控制中，在無外加力干擾下，取路面上的軌跡點（50，50）（400，400）（800，400）（1000，50）（1500，420）連接而成的曲線作為汽車的預設路徑。初始行駛速度設為60 m/s，速度變化為60 m/s→70 m/s→80 m/s→90 m/s。利用文中方法對其制動機構進行模糊軟切換控制，得到的運行軌跡跟蹤仿真圖如圖4所示。

從圖4汽車速度響應曲線可以看出，利用本文設計的制動機構系統模糊軟切換控制策略對其速度進行控制，得到的跟蹤速度路徑與預設速度路徑的擬合程度較高，在整個實驗采樣期間，特定時間點的控制速度基本與期望速度一致。說明基于預測反饋的汽車制動機構模糊軟控制技術能夠準確控制混合動力汽車的運行速度，控制效果較好。

2.4? ?控制誤差對比實驗分析

為進一步體現本文方法在控制準確性方面的性能，采用文獻［1］提出的高速開關閥控位置伺服系統的模式切換控制方法（方法1）和文獻［2］提出的基于改進灰色預測單神經元PID的URV伺服控制方法（方法2）作為本文方法的對比方法，將三種方法分別應用于試驗混合動力汽車制動機構系統的控制中，并統計不同方法下車身垂向加速度的均方根值，該數值越小，表明控制誤差越小，控制效果越佳，結果如表2所示。

由表2數據可知，車輛在不同北向行駛位置中，在本文方法控制策略下的車身垂向加速度均方根值均遠小于對比組方法，在變路面激勵下能夠盡可能保證車輛行駛的平順性，控制效果較好。方法1的控制效果要明顯優于方法2，但從整體來看，其控制性能還不太理想。主要是由于方法1在對接路面等復雜工況時，其控制策略的工況自適應能力較差，不適用于變路面工況，且對于未知工況，其模型構建有限，影響了控制效果。方法2控制誤差較大的原因是該方法主要根據工程需要選用相應控制模型的個數和控制策略，但忽略了對輪胎撓度和動載荷等多項影響因素的考慮，故整體控制效果較差。

3? ? ?結語

本文以混合動力汽車為研究對象，針對制動機構系統提出一種基于預測反饋的模糊軟切換控制策略。通過構建系統的動力學模型與計算控制器的切換權重，結合預測控制與逆動力學原理，得到最佳控制策略。對比實驗結果表明，本文設計的方法具有更為理想的控制效果。下一步可以優化所提方法，使其能夠適用于汽車的慢時變工況。

參考文獻

［1］ 王玉文，朱玉川，陳曉明.高速開關閥控位置伺服系統的模式切換控制［J］.液壓與氣動，2023，47（4）：36-45.

［2］ 王永濤， 肖俊辰. 基于改進灰色預測單神經元PID的URV伺服控制系統研究［J］. 四川兵工學報， 2021， 42（8）：251-257.

［3］ 李天景，王琨，陸從相，等.四輪驅動混合動力汽車模式切換協調控制［J］.車用發動機，2023（1）：78-83.

［4］ 王國棟，王麗芳，吳艷，等.基于單電流調節器的永磁同步電機深度弱磁控制及模式切換控制策略［J］.汽車工程，2023，45（2）：219-230.

［5］ 金毅仁，陳剛.雙套冗余多普勒天氣雷達切換控制軟件模塊設計［J］.長江信息通信，2023，36（2）：12-16.

［6］ 左曙光，羅瑩.一種用于主動磁軸承不平衡補償的切換控制法［J］.機電產品開發與創新，2023，36（1）：92-96+103.

［7］ 劉景霞，王碩秋.微電網并離網平滑切換控制策略研究［J］.電工技術，2023（2）：29-31+35.

［8］ 趙奕州，何冬輝，林茂盛，等.燃氣輪機發電機組雙燃料切換全程自動控制策略［J］.東北電力技術，2023，44（1）：12-15+21.

［9］ 陳鐵鋒，杜文.基于距離度量的火電機組協調系統軟切換預測控制［J］.熱能動力工程，2021，36（3）：87-92+121.

［10］ 蔡佳浩，王前進，輔小榮，等.礦井主要通風機切換過程供給風量優化控制研究［J］.工礦自動化，2023，49（1）：140-145+161.

［11］ 王新宇，王生鐵，劉瑞明，等.交直流混合微電網并離網平滑切換控制策略研究［J］.內蒙古工業大學學報（自然科學版），2022，41（6）：531-540.

［12］ 李霞，李明燁，張孝銘，等.人機混駕交通流交織區換道模型切換控制策略［J］.交通信息與安全，2022，40（6）：45-52+62.

［13］ 韋斌，隋宇，鄧小玉，等.多微網解列運行模式切換控制方法研究［J］.電源學報，2023，21（2）：100-105.

［14］ 鞠佳明，姜皓天，張均東，等.船舶雙燃料發動機燃料模式切換的仿真研究［J］.中國航海，2022，45（4）：112-116+128.

［15］ 劉星.基于電磁懸架系統的饋能模式切換控制策略研究［J］.電子技術與軟件工程，2022（23）：120-123.

［16］ Awe S A .Premature failure of an automobile brake disc： Effect of nonmetallic inclusions［J］.Engineering Failure Analysis， 2022， 137：106263.

［17］ Jung H K ， Park G ， Kim J K .Piezoelectric-based dither control for automobile brake squeal suppression under various braking conditions［J］.Journal of Vibration and Control， 2021， 27（19-20）：2192-2204.

［18］ Yuan C S S .Mechanism-oriented control for suppressing start-up judder of vehicle with automatic dry clutch： Experiment and simulation analysis［J］.Proceedings of the Institution of Mechanical Engineers， Part D. Journal of Automobile Engineering， 2021， 235（2-3）： 744-758.

［19］ Li H ， He B .Preparation of Fe-Cu-Based Friction Material and its Adoption in Automobile Mechanical Mechanism［J］.Key Engineering Materials， 2021， 871：170-175.

［20］ Siham K ， Mokhtar B ， Tawfik T ，et al.Study of the Mechanical Behavior of an Automobile Brake Disc［J］.Periodica Polytechnica. Mechanical Engineering， 2021， 65（3）： 197-204.

［21］ Zhao C ， Ding H ， Cao G ，et al.A New Method for Detecting Compensation Hole Parameters of Automobile Brake Master Cylinder Based on Machine Vision［J］.Journal of advanced transportation， 2021， 2021： 1-14.

［22］ Zheng X ， Zhou Q ， Hao Z ，et al.Research on mechanism diagnosis of an idling abnormal noise of automobile engine［J］.Applied Acoustics， 2021， 171：107670.

［23］ Liang X ， Wang Q ， Chen W ，et al.Coordinated control of distributed drive electric vehicle by TVC and ESC based on function allocation：［J］.Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2022， 236（4）：606-620.

［24］ Chen Y ， Li Y .Control of Electronic Mechanical Brake System on Automobile Electromechanical Brake［J］.Journal of Physics： Conference Series， 2021， 1802（3）：032012 （7）.

［25］ Wagh M N ， Manghai T M A ， Jegadeeshwaran R ，et al.Application of Meta family Classifiers for monitoring hydraulic brake system using vibration based statistical learning approach［J］.Journal of Physics： Conference Series， 2021， 1969（1）：012050 （8）.

［26］ 耿婧. 基于模糊PID的智能小車單片機溫度控制技術［J］. 廊坊師范學院學報（自然科學版），2022，22（4）：30-36.