雙電機四輪驅動電動汽車自適應驅動防滑控制的研究*

孫大許，蘭鳳崇，何幸福，陳吉清

(1. 廣東機電職業(yè)技術學院, 廣州 510515; 2. 華南理工大學機械與汽車工程學院，廣州 510640； 3. 廣東省汽車工程重點實驗室，廣州 510640)

2016097

雙電機四輪驅動電動汽車自適應驅動防滑控制的研究*

孫大許1，2，蘭鳳崇2,3，何幸福2,3，陳吉清2,3

(1. 廣東機電職業(yè)技術學院, 廣州 510515; 2. 華南理工大學機械與汽車工程學院，廣州 510640； 3. 廣東省汽車工程重點實驗室，廣州 510640)

為在雙電機四驅電動汽車上實現(xiàn)純電機控制的驅動防滑功能，在不同附著系數(shù)的路面上，采用PID控制的方法對控制參數(shù)進行優(yōu)化。在此基礎上，采用徑向基函數(shù)系統(tǒng)辨識的單神經元自適應控制算法，對PID控制參數(shù)進行在線自適應調整，從而提高了控制算法的響應速度和魯棒性。在不同路面上進行了離線仿真和快速原型在環(huán)試驗。結果表明，采用該控制算法，能在不同路面工況下實現(xiàn)電動汽車的驅動防滑功能，與PID算法相比，提高了自適應能力、控制精度和速度，并滿足實時性控制要求。

電動汽車；驅動防滑控制；徑向基函數(shù)；遺傳算法

前言

驅動防滑系統(tǒng)(acceleration slip regulation，ASR)是能夠在車輛驅動過程中提高車輛加速性能和保證車輛穩(wěn)定性的主動安全系統(tǒng)，其原理是將驅動輪的滑轉率控制在最佳滑轉率附近，保證輪胎與地面之間具有良好的附著力，從而獲得良好的驅動性能和操縱穩(wěn)定性[1-2]。傳統(tǒng)汽車的ASR系統(tǒng)，通常是通過減少節(jié)氣門的開度來降低發(fā)動機功率或控制驅動輪的制動轉矩以防止車輛在起步加速過程中驅動輪的過度滑轉。電動汽車的動力主要來自電機，對電機的輸出轉矩控制具有控制精度高和響應速度快的優(yōu)勢，因此在電動汽車上，完全可以采用純電機控制的方式實現(xiàn)ASR功能，并能夠與路面識別系統(tǒng)相結合，在不同附著系數(shù)的路面上實現(xiàn)滑轉率的最佳精確控制。

在控制電機輸出轉矩實現(xiàn)ASR方面，已有不少研究。文獻[3]中利用電機轉矩控制快速、準確的優(yōu)勢，采用模型跟蹤和滑轉率最優(yōu)控制的方法對電動汽車的驅動防滑系統(tǒng)進行了研究，并進行了實驗，驗證了控制系統(tǒng)的實際效果。文獻[4]中利用電機驅動本身的特性，避免了車速的測量，利用電驅動動力學模型對車輪的滑轉率進行估計，并通過實驗驗證了電動汽車的驅動防滑控制效果。文獻[5]中基于輪胎與路面非線性特性，提出一種利用驅動電機轉速與轉矩反饋實現(xiàn)驅動防滑控制的方法，并與最佳滑轉率比例積分(PI)控制和動態(tài)轉矩控制相結合，開發(fā)了電機轉矩自適應驅動防滑控制器，但輪胎逆模型難以求解，且PI控制無法適應多種路面。文獻[6]中采用模糊自整定PID控制算法設計了雙輪驅動電動汽車的防滑控制系統(tǒng)，并通過仿真驗證了模糊自整定控制器優(yōu)于單一的PID控制器。

本文中在綜合電動汽車驅動防滑控制研究的基礎上，提出基于徑向基函數(shù)(radial basis function, RBF)系統(tǒng)辨識的單神經元自適應PID控制方法(以下簡稱“RBF自適應控制算法”)，來實現(xiàn)ASR功能，該方法是在PID控制算法的基礎上，針對PID控制算法適應性差、魯棒性不強的缺點，采用RBF系統(tǒng)辨識的單神經元自適應控制算法，對PID控制參數(shù)進一步在線自適應調整，提高控制系統(tǒng)的適應性、調整速度和精度。利用多目標遺傳算法對徑向基函數(shù)系統(tǒng)辨識的單神經元控制中的比例、積分、微分的學習速率、神經網(wǎng)絡辨識的學習速率和神經網(wǎng)絡辨識的動量因子進行優(yōu)化整定，并在不同附著系數(shù)的路面上進行離線仿真和快速控制原型在環(huán)實時試驗，對控制算法的效果和實時性進行驗證。

1 整車結構與驅動防滑控制邏輯

目標車型為雙電機四驅電動汽車，整車驅動部分結構布局如圖1所示，整車及主要部件的主要參數(shù)如表1所示。采用兩個驅動電機分別驅動前軸和后軸，前驅動系統(tǒng)和后驅動系統(tǒng)完全相同，結構上前后對稱；前后軸上的電機驅動力均可根據(jù)需要進行調節(jié)，由于驅動電機同時控制左右兩側車輪上的驅動力矩，在驅動防滑控制中須采用“高選原則”，即在每一時刻，把滑轉率較大的車輪作為控制對象。

表1 目標車型的主要參數(shù)

ASR控制器根據(jù)左右兩側車輪的滑轉率差來確定車輛是否在均一路面行駛， 當滑轉率差小于一定閾值時，為均一路面，否則為非均一路面。當車輛在非均一路面行駛時，按照經驗滑移率進行控制。當車輛在均一路面行駛時，根據(jù)路面識別模塊識別的最佳滑轉率進行控制。由汽車理論[7]可知，大部分路面的最佳滑轉率在20%以下，由于低速電動汽車動力相對不足，一般在較低附著系數(shù)的路面上才會出現(xiàn)驅動輪過度滑轉現(xiàn)象，因而本文中采用20%為ASR系統(tǒng)啟動的閾值；冰路面上最佳滑轉率在10%左右，取車輪最大滑轉率為5%以下時，不啟動路面識別的計算，以節(jié)約系統(tǒng)能耗。

PID控制算法具有控制簡單，無須建立控制對象準確的數(shù)學模型，因而具有易于工程應用的優(yōu)點。在PID控制算法中，為避免系統(tǒng)出現(xiàn)大的超調，采用了積分分離型PID控制算法。在傳統(tǒng)的PID控制算法的基礎上，采用開發(fā)的RBF自適應控制算法取代PID控制算法，通過實時調整PID算法的控制參數(shù)，以改善控制算法的自適應性和魯棒性。ASR控制邏輯圖如圖2所示(圖中S表示滑轉率)。從圖中可以看出，控制邏輯采用了純滑轉率ASR控制的方法。與固定門限值法純滑轉率其它控制算法相比，該邏輯由于采用了識別的最佳滑轉率目標值進行控制，對不同路面的適應性更好。其工作過程為，當車輛加速過程中，系統(tǒng)實時計算驅動輪的滑轉率，當兩側車輪的滑轉率差值大于某一閾值(文中根據(jù)冰路面最佳滑轉率10%左右，壓實雪路面最佳滑轉率15%左右，取5%)時，系統(tǒng)判斷為非均一路面，為了防止系統(tǒng)在復雜路面上頻繁改變目標值和誤判，當最大滑轉率大于20%時，ASR控制被觸發(fā)，此時以經驗值作為目標滑轉率，對滑轉率較大的車輪進行控制；否則，系統(tǒng)認為行駛的路面為均一路面，同時，系統(tǒng)判斷車輪的滑轉率大于5%時，啟動對路面的最佳滑轉率識別，當滑轉率大于20%時，ASR控制被觸發(fā)，路面識別系統(tǒng)輸出識別的最佳滑移率，進行自適應控制。ASR系統(tǒng)一旦被觸發(fā)，就一直保持觸發(fā)狀態(tài)，直到加速踏板被松開或制動踏板被踩下，ASR系統(tǒng)退出控制，等待下一次觸發(fā)到來。圖2中的控制模式切換是指當ASR控制啟動時，驅動電機的輸出轉矩由積分分離型PID控制或RBF自適應控制模塊輸出，當ASR不啟動時，驅動電機的輸出轉矩由加速踏板直接控制。

2 雙電機四驅電動汽車動力學模型

雙電機四驅電動汽車，前后驅動系統(tǒng)為對稱結構，前后驅動系統(tǒng)的動力學模型完全相同，以前驅動系統(tǒng)為例建立驅動輪動力學模型：

(1)

(2)

將式(1)和式(2)相加得

(3)

從驅動電機到驅動輪的動力學模型為

(4)

由式(3)和式(4)可以看出，通過控制驅動電機的輸出轉矩可同時改變左右兩側驅動輪的驅動轉矩，從而可以控制驅動輪的角加速度和轉速，結合車速即可進一步控制驅動輪的滑轉率，利用電機轉矩控制響應速度快的優(yōu)勢，采用高選原則(控制滑轉率較大的車輪)，從而實現(xiàn)把左右兩側驅動輪的滑轉率控制在目標值附近。

3 相關控制算法

3.1 路面識別方法

路面識別是主動安全控制中實現(xiàn)精確控制的前提，基于精確控制的ASR必須與準確的路面識別算法相結合。由汽車理論[7]可知，在車輛加速過程中，輪胎與地面之間的利用附著系數(shù)μ與滑轉率λ有密切的關系，在不同的路面有不同的μ-λ關系，由μ-λ曲線可以看出，μ有極大值。在ABS控制中，需要在很短的時間內，對路面的附著系數(shù)進行識別，識別算法要求簡單且實時性好。在文獻[8]和文獻[9]中，采用了利用附著系數(shù)極大值的方法，該算法簡單、快速，本文中也采用此方法對路面狀況進行識別。具體識別算法為

dμ(λ(k))=μ(λ(k))-μ(λ(k-1))

(5)

dμ(λ(k-1))=μ(λ(k-1))-μ(λ(k-2))

(6)

式中:λ(k)為k時刻車輪的滑轉率;μ(λ(k))為k時刻車輪對應的利用附著系數(shù)。

當dμ(λ(k))<0且dμ(λ(k-1))>0時，μ出現(xiàn)極大值，可近似為

μmax≈μ(λ(k-1))

(7)

3.2 積分分離型PID控制算法

在實際車輪滑轉率與目標滑轉率差異較大時，傳統(tǒng)PID控制方法會造成較大超調量，甚至引起系統(tǒng)的振蕩。引入積分分離控制思想，當差值較大時，取消積分項；當差值小于閾值時，引入積分項。其控制規(guī)則如下:(1)當|e(k)|≥ε時，采用PD控制，避免較大超調量，增加響應速度；(2)當|e(k)|<ε時，采用PID控制，消除靜態(tài)誤差。其中，e(k)為k時刻目標值與實際值之間的差值，ε為人為設定閾值。

積分分離型增量PID控制算法可寫為

μ(k)=μ(k-1)+kP(e(k)-e(k-1))+

βkIe(k)+kD(e(k)-2e(k-1)+

e(k-2))

(8)

式中：kP,kI和kD為PID控制參數(shù)；β為積分項開關數(shù)。

3.3 徑向基函數(shù)單神經元自適應PID控制算法

RBF自適應算法[10-11]是在傳統(tǒng)PID控制和單神經元自適應控制基礎上，通過RBF網(wǎng)絡對系統(tǒng)進行辨識，引入對象輸出對輸入的靈敏度信息(Jacobian信息)，提高系統(tǒng)自適應能力。

RBF網(wǎng)絡輸入量x=[x1,x2，…,xn]T，徑向基向量h=[h1,h2,…,hm]T，其中hj一般用高斯基函數(shù)[10-11]表示：

(9)

式中：Cj為第j個節(jié)點的中心矢量，Cj=[cj1,cj2,…,cji,…cjn]T,i=1,2,…,n。網(wǎng)絡的基寬向量B為

B=[b1,b2,…,bm]T

(10)

網(wǎng)絡的權向量W為

W=[w1,w2,…,wm]T

(11)

k時刻辨識網(wǎng)絡輸出ym(k)為

(12)

辨識器的性能指標A為

(13)

式中y(k)為k時刻系統(tǒng)的實際輸出量。

根據(jù)梯度下降法，輸出權、節(jié)點中心和節(jié)點寬度參數(shù)的迭代算法為

Δwj(k)=η(y(k)-ym(k))hj

(14)

wj(k)=wj(k-1)+Δwj(k)+

α(wj(k-1)-wj(k-2))

(15)

(16)

bj(k)=bj(k-1)+Δbj+α(bj(k-1)-

bj(k-2))

(17)

(18)

cji(k)=cji(k-1)+Δcji(k)+α(cji(k-1)-

cji(k-2))

(19)

式中：η為學習速率；α為動量因子。

得到Jacobian陣的算法為

(20)

其中x1=Δu(k)

PID控制的控制誤差為

e(k)=yd(k)-y(k)

(21)

設PID控制的3項輸入為

(22)

控制律為

(23)

神經網(wǎng)絡自適應整定的性能指標為

(24)

神經網(wǎng)絡的3項輸入為

(25)

kP,kI和kD采用梯度下降法進行自調整，其調整算法為

(26)

式中：ΔkP,ΔkI和ΔkD分別為kP,kI和kD的調整量；ηP,ηI和ηD分別為ΔkP,ΔkI和ΔkD的調整速率。

根據(jù)上述RBF自適應控制算法，需要確定的參數(shù)有徑向基向量h、網(wǎng)絡中心矢量的Cj、網(wǎng)絡基寬向量B、網(wǎng)絡權向量W、kP,kI,kD的初值、學習速率η、動量因子α和ΔkP,ΔkI,ΔkD的調整速率ηP,ηI,ηD。對于PID自適應調整控制，h，Cj，B和W的初值根據(jù)文獻[12]獲得，kP,kI，kD的初值由傳統(tǒng)PID控制算法的優(yōu)化整定得到，η，α，ηP，ηI和ηD是與實際工作過程相關的控制參數(shù)，需要通過結合實際工作過程優(yōu)化整定得到。

4 離線仿真

4.1 仿真參數(shù)的確定

AVL CRUISE軟件是用于仿真車輛動力性、經濟性和排放性的專業(yè)軟件，特別適用于車輛動力傳動系統(tǒng)的開發(fā)，可以計算并優(yōu)化車輛的動力性能和制動性能。采用該軟件建立的整車模型，可方便地與MATLAB/Simulink模型相結合，進行ABS/ASR和其他控制策略的開發(fā)分析[13-14]。

為確定本文中的目標車型在不同附著系數(shù)路面上加速時驅動輪的過度滑轉情況，首先在無ASR控制下，分別在附著系數(shù)為0.1的冰路面和附著系數(shù)為0.2的壓實雪路面上進行全負荷急加速測試，在AVL CRUISE中的仿真結果如圖4所示。可以看出，只有在冰路面上緊急加速時，才出現(xiàn)了驅動輪過度滑轉情況。因而在后面的研究中，主要針對冰路面及與冰路面有關的復合路面，對ASR控制進行研究。

采用積分分離PID控制算法在MATLAB/Simulink環(huán)境中建立ASR控制模型，并與AVL CRUISE中建立的雙電機四驅電動汽車整車模型相結合構成聯(lián)合仿真模型，在冰路面上由靜止進行全負荷加速測試，并采用多目標遺傳算法對前后電機ASR的PID控制參數(shù)(kPF,kDF,kIF,kPR,kIR,kDR)進行優(yōu)化整定(控制參數(shù)的下標F和R分別表示前電機和后電機)，優(yōu)化整定的最優(yōu)結果為(10.15，12.34，2.95，18，12.34，13.22)。

以積分分離型PID控制算法的控制參數(shù)為初值，采用RBF自適應控制算法取代PID控制算法。在冰路面上，利用多目標遺傳算法再對基于徑向基函數(shù)的神經網(wǎng)絡相關參數(shù)(ηPF,ηIF,ηDF,ηPR,ηIR,ηDR,ηF,ηR,α)進行優(yōu)化整定的結果為(0.27，0.60，0.66，0.79，0.68，0.72，0.59，0.79，0.48)。利用優(yōu)化的參數(shù)，采用積分分離型PID控制算法和RBF自適應控制算法開發(fā)的ASR控制器分別在均一路面、對接路面和對開路面上進行急加速仿真，驗證控制策略的有效性。

4.2 均一路面仿真

采用徑向基函數(shù)系統(tǒng)辨識的自適應控制算法，在冰路面上進行的起步加速測試結果如圖5所示。可以看出，系統(tǒng)能夠識別出適應路面的最佳目標滑轉率為0.1，并把前后輪滑轉率控制在目標值0.1附近，前后電機轉矩穩(wěn)定在50N·m左右，僅從均一的冰路面上測試結果來看，與PID控制算法區(qū)別不大。

4.3 對接路面仿真

4.3.1 對接路面1：冰路面變?yōu)閴簩嵮┞访?/p>

在冰路面變?yōu)閴簩嵮┞访娴膶勇访嫔?，進行急加速起步時的仿真結果如圖6所示?？梢钥闯觯赃m應控制算法和PID控制算法均能夠把前后車輪的滑移率控制在目標值附近，并能夠根據(jù)路面變化進行調整，兩種算法的控制結果相差不大。

4.3.2 對接路面2：壓實雪路面變?yōu)楸访?/p>

在壓實雪路面到冰路面的對接路面進行測試的結果如圖7所示。可以看出，采用PID控制算法在車輛加速過程中經過路面接口后，不能把車輪的滑轉率調整到目標值附近；而RBF的自適應控制算法能夠把驅動輪滑轉率調整到目標值附近。結果表明RBF自適應控制算法與傳統(tǒng)PID控制算法相比，具有自適應性好、魯棒性強的優(yōu)勢，也說明單純采用PID控制算法，很難適應所有路面的變化情況。

4.4 對開路面仿真

在右邊為冰路面左邊為壓實雪路面的對開路面上，對電動汽車進行急加速測試的結果如圖8所示。可以看出，自適應ASR控制算法實現(xiàn)了對滑轉率較大一側車輪的滑轉率的調節(jié)，并調整到了目標值附近，而壓實雪路面上的車輪滑轉率沒有發(fā)生過度滑轉現(xiàn)象，與PID算法控制效果相同。

5 硬件在環(huán)試驗

利用dSPACE集成開發(fā)平臺，把RBF自適應ASR控制算法加載到dSPACE DS1401中開發(fā)出快速控制原型；同時，把AVL CRUISE中開發(fā)的整車模型加載到dSPACE DS1006中構成整車仿真器，然后快速控制原型通過CAN通信的仿真與仿真器相連接，構成快速控制原型在環(huán)實時測試平臺，其實物連接圖如圖9所示。

分別在冰路面、從冰路面到壓實雪路面的對接路面、從壓實雪路面到冰路面的對接路面和冰路面與壓實雪路面的對開路面上，由靜止狀態(tài)進行急加速測試，驗證在實時環(huán)境下自適應ASR的控制效果。

5.1 冰路面試驗

電動汽車在冰路面上進行緊急加速時， RBF自適應控制算法的純電機ASR實時仿真結果如圖10～圖13所示。從圖中可以看出，路面識別系統(tǒng)能夠識別出最佳滑轉率為0.1，前后輪滑轉率成功地被控制在0.1左右，前后電機的轉矩被控制在45N·m左右，輪速保持在車速上方，車輛的加速度曲線維持在0.98m/s2附近，證明了在冰路面上，系統(tǒng)實現(xiàn)了ASR的效果。

5.2 對接路面1：冰路面變?yōu)閴簩嵮┞访?/p>

在冰路面變?yōu)閴簩嵮┞访娴膶勇访嫔系木o急加速時的實時仿真結果如圖14～圖17所示?？梢钥闯觯诒访嫔蠒r，前后車輪滑轉率被調整到0.1附近；在壓實雪路面上，驅動電機在達到最大輸出轉矩時仍然沒有使驅動輪過度滑轉，前后驅動電機的輸出轉矩保持在最大值附近，在冰路面時加速度為0.98m/s2左右，過渡到壓實雪路面上時，加速度穩(wěn)態(tài)最大達到1.5 m/s2。

5.3 對接路面2：壓實雪路面變?yōu)楸访?/p>

從壓實雪路面變?yōu)楸访娴膶勇访嫔系姆抡娼Y果如圖18～圖20所示?？梢钥闯?，在車輛驅動加速過程中，由附著系數(shù)相對較高的壓實雪路面過渡到附著系數(shù)相對較低的冰路面上時，前后車輪的滑轉率被調整到0.1上下波動，并逐步收斂到0.1附近較小的范圍，實現(xiàn)了ASR控制。

5.4 冰路面與壓實雪路面的對開路面

車輛在冰路面與壓實雪路面的對開路面上進行緊急加速時實時仿真結果如圖21～圖24所示?？梢钥闯?，位于冰路面上的車輪的滑轉率被控制在0.1左右，位于壓實雪路面上的車輪滑轉率保持在一個較小值之內，車輛的加速度被控制到了0.98m/s2附近，實現(xiàn)了對整車的ASR控制。

6 結論

(1) 在均一路面上進行緊急起步加速時，PID控制算法與基于徑向基函數(shù)系統(tǒng)辨識的自適應控制算法的ASR控制效果相差不大，主要是因為均一路面上工況相對穩(wěn)定，PID控制參數(shù)可調整的范圍較小，自適應控制不能發(fā)揮自適應的優(yōu)勢。

(2) 在從壓實雪路面到冰路面的對接路面上進行緊急起步時，在路面的過渡階段，前輪在冰路面上而后輪在壓實雪路面上時，采用PID控制控制參數(shù)不能適應這種工況的變化，未能把驅動輪的滑轉率控制到目標值附近；而基于徑向基函數(shù)系統(tǒng)辨識的自適應控制算法能夠發(fā)揮控制算法的自適應的優(yōu)勢，自動地調整PID控制參數(shù)，從而能夠順利地把驅動輪的滑轉率調整到目標值附近。

(3) 采用自適應控制算法進行快速原型在環(huán)實時試驗時，在從壓實雪路面到冰路面的工況下，驅動輪的滑轉率在0.1上下波動，控制效果與離線仿真相比波動較大，說明在復雜工況下，實際的控制效果要比離線仿真的效果差。

[1] 張弦，羅禹貢，范晶晶，等. 電動車輛驅動防滑控制方法的研究[J]. 車輛與動力技術，2007(3): 13-19.

[2] 楊宇，楊毅，余達太，等. 電動汽車驅動防滑控制系統(tǒng)(ASR)的研究[J]. 自動化技術與應用，2004, 23(2): 29-32.

[3] HORI Y, TOYODA Y, TSURUOKA Y. Traction Control of Electric Vehicle: Basic Experimental Results Using the Test EV “UOT Electric March”[J]. IEEE Transactions on Industry Applications, 1998, 34(5): 1131-1138.

[4] FUJII K, FUJIMOTO H. Traction Control Based on Slip Ratio Estimation Without Detecting Vehicle Speed for Electric Vehicle[J].IEEE, 2007: 688-693.

[5] 張利鵬，李亮，祁炳楠，等. 分布式驅動電動汽車轉矩自適應驅動防滑控制[J]. 機械工程學報,2013, 49(14): 106-113.

[6] 楊化方，李軍偉. 雙輪驅動電動汽車防滑控制系統(tǒng)的研究[J]. 農業(yè)裝備與車輛工程,2009(2): 14-17.

[7] 余志生.汽車理論[M]. 北京：機械工業(yè)出版社, 2009.

[8] 王吉. 電動輪汽車制動集成控制策略與復合ABS控制研究[D]. 長春：吉林大學, 2011.

[9] 余卓平，左建令，陳慧. 基于四輪輪邊驅動電動車的路面附著系數(shù)估算方法[J]. 汽車工程， 2007, 29(2): 141-145.

[10] 邵伍周，唐忠，蔡智慧，等. 基于RBF神經網(wǎng)絡在線辨識的永磁同步電機單神經元PID矢量控制[J]. 電力科學與技術學報，2007, 22(2): 48-52.

[11] 劉寅虎，李紹銘. 基于動態(tài)RBF神經網(wǎng)絡在線辨識的單神經元PID控制[J]. 系統(tǒng)仿真學報，2006, 18(增2): 804-807.

[12] 劉金琨. 先進PID控制MATLAB仿真[M]. 北京: 電子工業(yè)出版社, 2013.

[13] 李獻菁，孫永正，鄧俊，等. 插電式串聯(lián)混合動力汽車發(fā)動機起?？刂撇呗缘膬?yōu)化[J]. 汽車工程， 2011, 33(2): 112-117.

[14] 王慶年，曲曉冬，于遠彬，等. 復合電源式混合動力公交車功率分配策略研究[J]. 汽車工程， 2014, 36(4): 389-393.

Study on Adaptive Acceleration Slip Regulation for Dual-motor Four-wheel Drive Electric Vehicle

Sun Daxu1,2, Lan Fengchong2,3， He Xingfu2,3& Chen Jiqing2,3

1.GuangdongMechanical&ElectricalPolytechnic,Guangzhou510515; 2.SchoolofMechanical&AutomotiveEngineering，SouthChinaUniversityofTechnology，Guangzhou510640; 3.GuangdongProvinceKeyLaboratoryofVehicleEngineering，Guangzhou510640

To realize the acceleration slip regulation (ASR) function of pure motor control for dual-motor four-wheel drive electric vehicles, the control parameters are optimized with PID control method on roads with different adhesive coefficients. On this basis, an online adaptive adjustment is conducted on PID control parameters by using single neuron adaptive control algorithm based on radial basis function system identification, enhancing the response speed and robustness of control algorithm. An off-line simulation and a rapid prototype-in-the-loop test are performed on different roads. The results show that the use of control algorithm proposed can realize the ASR function of electric vehicles on different road conditions, enhance adaptability and control accuracy and speed, meeting the requirements of real time control, compared with PID algorithm.

EV; ASR; radial basis function; genetic algorithm

*廣東省科技計劃項目(2014B010106002，2014B010125001)資助。

原稿收到日期為2014年7月7日，修改稿收到日期為2014年9月16日。