雙電機(jī)四輪驅(qū)動電動汽車自適應(yīng)驅(qū)動防滑控制的研究*

孫大許，蘭鳳崇，何幸福，陳吉清

(1. 廣東機(jī)電職業(yè)技術(shù)學(xué)院, 廣州 510515; 2. 華南理工大學(xué)機(jī)械與汽車工程學(xué)院，廣州 510640； 3. 廣東省汽車工程重點實驗室，廣州 510640)

2016097

雙電機(jī)四輪驅(qū)動電動汽車自適應(yīng)驅(qū)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(jī)電職業(yè)技術(shù)學(xué)院, 廣州 510515; 2. 華南理工大學(xué)機(jī)械與汽車工程學(xué)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(jī)四驅(qū)電動汽車上實現(xiàn)純電機(jī)控制的驅(qū)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(jìn)行優(yōu)化。在此基礎(chǔ)上，采用徑向基函數(shù)系統(tǒng)辨識的單神經(jīng)元自適應(yīng)控制算法，對PID控制參數(shù)進(jìn)行在線自適應(yīng)調(diào)整，從而提高了控制算法的響應(yīng)速度和魯棒性。在不同路面上進(jìn)行了離線仿真和快速原型在環(huán)試驗。結(jié)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(qū)動防滑功能，與PID算法相比，提高了自適應(yīng)能力、控制精度和速度，并滿足實時性控制要求。

電動汽車；驅(qū)動防滑控制；徑向基函數(shù)；遺傳算法

前言

驅(qū)動防滑系統(tǒng)(acceleration slip regulation，ASR)是能夠在車輛驅(qū)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(qū)動輪的滑轉(zhuǎn)率控制在最佳滑轉(zhuǎn)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(qū)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(jī)功率或控制驅(qū)動輪的制動轉(zhuǎn)矩以防止車輛在起步加速過程中驅(qū)動輪的過度滑轉(zhuǎn)。電動汽車的動力主要來自電機(jī)，對電機(jī)的輸出轉(zhuǎn)矩控制具有控制精度高和響應(yīng)速度快的優(yōu)勢，因此在電動汽車上，完全可以采用純電機(jī)控制的方式實現(xiàn)ASR功能，并能夠與路面識別系統(tǒng)相結(jié)合，在不同附著系數(shù)的路面上實現(xiàn)滑轉(zhuǎn)率的最佳精確控制。

在控制電機(jī)輸出轉(zhuǎn)矩實現(xiàn)ASR方面，已有不少研究。文獻(xiàn)[3]中利用電機(jī)轉(zhuǎn)矩控制快速、準(zhǔn)確的優(yōu)勢，采用模型跟蹤和滑轉(zhuǎn)率最優(yōu)控制的方法對電動汽車的驅(qū)動防滑系統(tǒng)進(jìn)行了研究，并進(jìn)行了實驗，驗證了控制系統(tǒng)的實際效果。文獻(xiàn)[4]中利用電機(jī)驅(qū)動本身的特性，避免了車速的測量，利用電驅(qū)動動力學(xué)模型對車輪的滑轉(zhuǎn)率進(jìn)行估計，并通過實驗驗證了電動汽車的驅(qū)動防滑控制效果。文獻(xiàn)[5]中基于輪胎與路面非線性特性，提出一種利用驅(qū)動電機(jī)轉(zhuǎn)速與轉(zhuǎn)矩反饋實現(xiàn)驅(qū)動防滑控制的方法，并與最佳滑轉(zhuǎn)率比例積分(PI)控制和動態(tài)轉(zhuǎn)矩控制相結(jié)合，開發(fā)了電機(jī)轉(zhuǎn)矩自適應(yīng)驅(qū)動防滑控制器，但輪胎逆模型難以求解，且PI控制無法適應(yīng)多種路面。文獻(xiàn)[6]中采用模糊自整定PID控制算法設(shè)計了雙輪驅(qū)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(qū)動防滑控制研究的基礎(chǔ)上，提出基于徑向基函數(shù)(radial basis function, RBF)系統(tǒng)辨識的單神經(jīng)元自適應(yīng)PID控制方法(以下簡稱“RBF自適應(yīng)控制算法”)，來實現(xiàn)ASR功能，該方法是在PID控制算法的基礎(chǔ)上，針對PID控制算法適應(yīng)性差、魯棒性不強(qiáng)的缺點，采用RBF系統(tǒng)辨識的單神經(jīng)元自適應(yīng)控制算法，對PID控制參數(shù)進(jìn)一步在線自適應(yīng)調(diào)整，提高控制系統(tǒng)的適應(yīng)性、調(diào)整速度和精度。利用多目標(biāo)遺傳算法對徑向基函數(shù)系統(tǒng)辨識的單神經(jīng)元控制中的比例、積分、微分的學(xué)習(xí)速率、神經(jīng)網(wǎng)絡(luò)辨識的學(xué)習(xí)速率和神經(jīng)網(wǎng)絡(luò)辨識的動量因子進(jìn)行優(yōu)化整定，并在不同附著系數(shù)的路面上進(jìn)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(jìn)行驗證。

1 整車結(jié)構(gòu)與驅(qū)動防滑控制邏輯

目標(biāo)車型為雙電機(jī)四驅(qū)電動汽車，整車驅(qū)動部分結(jié)構(gòu)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(qū)動電機(jī)分別驅(qū)動前軸和后軸，前驅(qū)動系統(tǒng)和后驅(qū)動系統(tǒng)完全相同，結(jié)構(gòu)上前后對稱；前后軸上的電機(jī)驅(qū)動力均可根據(jù)需要進(jìn)行調(diào)節(jié)，由于驅(qū)動電機(jī)同時控制左右兩側(cè)車輪上的驅(qū)動力矩，在驅(qū)動防滑控制中須采用“高選原則”，即在每一時刻，把滑轉(zhuǎn)率較大的車輪作為控制對象。

表1 目標(biāo)車型的主要參數(shù)

ASR控制器根據(jù)左右兩側(cè)車輪的滑轉(zhuǎn)率差來確定車輛是否在均一路面行駛， 當(dāng)滑轉(zhuǎn)率差小于一定閾值時，為均一路面，否則為非均一路面。當(dāng)車輛在非均一路面行駛時，按照經(jīng)驗滑移率進(jìn)行控制。當(dāng)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(zhuǎn)率進(jìn)行控制。由汽車?yán)碚揫7]可知，大部分路面的最佳滑轉(zhuǎn)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(qū)動輪過度滑轉(zhuǎn)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(zhuǎn)率在10%左右，取車輪最大滑轉(zhuǎn)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(zhǔn)確的數(shù)學(xué)模型，因而具有易于工程應(yīng)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(diào)，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(chǔ)上，采用開發(fā)的RBF自適應(yīng)控制算法取代PID控制算法，通過實時調(diào)整PID算法的控制參數(shù)，以改善控制算法的自適應(yīng)性和魯棒性。ASR控制邏輯圖如圖2所示(圖中S表示滑轉(zhuǎn)率)。從圖中可以看出，控制邏輯采用了純滑轉(zhuǎn)率ASR控制的方法。與固定門限值法純滑轉(zhuǎn)率其它控制算法相比，該邏輯由于采用了識別的最佳滑轉(zhuǎn)率目標(biāo)值進(jìn)行控制，對不同路面的適應(yīng)性更好。其工作過程為，當(dāng)車輛加速過程中，系統(tǒng)實時計算驅(qū)動輪的滑轉(zhuǎn)率，當(dāng)兩側(cè)車輪的滑轉(zhuǎn)率差值大于某一閾值(文中根據(jù)冰路面最佳滑轉(zhuǎn)率10%左右，壓實雪路面最佳滑轉(zhuǎn)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(fù)雜路面上頻繁改變目標(biāo)值和誤判，當(dāng)最大滑轉(zhuǎn)率大于20%時，ASR控制被觸發(fā)，此時以經(jīng)驗值作為目標(biāo)滑轉(zhuǎn)率，對滑轉(zhuǎn)率較大的車輪進(jìn)行控制；否則，系統(tǒng)認(rèn)為行駛的路面為均一路面，同時，系統(tǒng)判斷車輪的滑轉(zhuǎn)率大于5%時，啟動對路面的最佳滑轉(zhuǎn)率識別，當(dāng)滑轉(zhuǎn)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(jìn)行自適應(yīng)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(dāng)ASR控制啟動時，驅(qū)動電機(jī)的輸出轉(zhuǎn)矩由積分分離型PID控制或RBF自適應(yīng)控制模塊輸出，當(dāng)ASR不啟動時，驅(qū)動電機(jī)的輸出轉(zhuǎn)矩由加速踏板直接控制。

2 雙電機(jī)四驅(qū)電動汽車動力學(xué)模型

雙電機(jī)四驅(qū)電動汽車，前后驅(qū)動系統(tǒng)為對稱結(jié)構(gòu)，前后驅(qū)動系統(tǒng)的動力學(xué)模型完全相同，以前驅(qū)動系統(tǒng)為例建立驅(qū)動輪動力學(xué)模型：

(1)

(2)

將式(1)和式(2)相加得

(3)

從驅(qū)動電機(jī)到驅(qū)動輪的動力學(xué)模型為

(4)

由式(3)和式(4)可以看出，通過控制驅(qū)動電機(jī)的輸出轉(zhuǎn)矩可同時改變左右兩側(cè)驅(qū)動輪的驅(qū)動轉(zhuǎn)矩，從而可以控制驅(qū)動輪的角加速度和轉(zhuǎn)速，結(jié)合車速即可進(jìn)一步控制驅(qū)動輪的滑轉(zhuǎn)率，利用電機(jī)轉(zhuǎn)矩控制響應(yīng)速度快的優(yōu)勢，采用高選原則(控制滑轉(zhuǎn)率較大的車輪)，從而實現(xiàn)把左右兩側(cè)驅(qū)動輪的滑轉(zhuǎn)率控制在目標(biāo)值附近。

3 相關(guān)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(zhǔn)確的路面識別算法相結(jié)合。由汽車?yán)碚揫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(zhuǎn)率λ有密切的關(guān)系，在不同的路面有不同的μ-λ關(guān)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(nèi)，對路面的附著系數(shù)進(jìn)行識別，識別算法要求簡單且實時性好。在文獻(xiàn)[8]和文獻(xiàn)[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(jìn)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(zhuǎn)率;μ(λ(k))為k時刻車輪對應(yīng)的利用附著系數(shù)。

當(dāng)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(zhuǎn)率與目標(biāo)滑轉(zhuǎn)率差異較大時，傳統(tǒng)PID控制方法會造成較大超調(diào)量，甚至引起系統(tǒng)的振蕩。引入積分分離控制思想，當(dāng)差值較大時，取消積分項；當(dāng)差值小于閾值時，引入積分項。其控制規(guī)則如下:(1)當(dāng)|e(k)|≥ε時，采用PD控制，避免較大超調(diào)量，增加響應(yīng)速度；(2)當(dāng)|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(biāo)值與實際值之間的差值，ε為人為設(shè)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(guān)數(shù)。

3.3 徑向基函數(shù)單神經(jīng)元自適應(yīng)PID控制算法

RBF自適應(yīng)算法[10-11]是在傳統(tǒng)PID控制和單神經(jīng)元自適應(yīng)控制基礎(chǔ)上，通過RBF網(wǎng)絡(luò)對系統(tǒng)進(jìn)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(yīng)能力。

RBF網(wǎng)絡(luò)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(luò)的基寬向量B為

B=[b1,b2,…,bm]T

(10)

網(wǎng)絡(luò)的權(quán)向量W為

W=[w1,w2,…,wm]T

(11)

k時刻辨識網(wǎng)絡(luò)輸出ym(k)為

(12)

辨識器的性能指標(biāo)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(quán)、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(xué)習(xí)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(shè)PID控制的3項輸入為

(22)

控制律為

(23)

神經(jīng)網(wǎng)絡(luò)自適應(yīng)整定的性能指標(biāo)為

(24)

神經(jīng)網(wǎng)絡(luò)的3項輸入為

(25)

kP,kI和kD采用梯度下降法進(jìn)行自調(diào)整，其調(diào)整算法為

(26)

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

根據(jù)上述RBF自適應(yīng)控制算法，需要確定的參數(shù)有徑向基向量h、網(wǎng)絡(luò)中心矢量的Cj、網(wǎng)絡(luò)基寬向量B、網(wǎng)絡(luò)權(quán)向量W、kP,kI,kD的初值、學(xué)習(xí)速率η、動量因子α和ΔkP,ΔkI,ΔkD的調(diào)整速率ηP,ηI,ηD。對于PID自適應(yīng)調(diào)整控制，h，Cj，B和W的初值根據(jù)文獻(xiàn)[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(guān)的控制參數(shù)，需要通過結(jié)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(jīng)濟(jì)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(jié)合，進(jìn)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(biāo)車型在不同附著系數(shù)路面上加速時驅(qū)動輪的過度滑轉(zhuǎn)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(jìn)行全負(fù)荷急加速測試，在AVL CRUISE中的仿真結(jié)果如圖4所示?？梢钥闯?，只有在冰路面上緊急加速時，才出現(xiàn)了驅(qū)動輪過度滑轉(zhuǎn)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(guān)的復(fù)合路面，對ASR控制進(jìn)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(jī)四驅(qū)電動汽車整車模型相結(jié)合構(gòu)成聯(lián)合仿真模型，在冰路面上由靜止進(jìn)行全負(fù)荷加速測試，并采用多目標(biāo)遺傳算法對前后電機(jī)ASR的PID控制參數(shù)(kPF,kDF,kIF,kPR,kIR,kDR)進(jìn)行優(yōu)化整定(控制參數(shù)的下標(biāo)F和R分別表示前電機(jī)和后電機(jī))，優(yōu)化整定的最優(yōu)結(jié)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(yīng)控制算法取代PID控制算法。在冰路面上，利用多目標(biāo)遺傳算法再對基于徑向基函數(shù)的神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)(ηPF,ηIF,ηDF,ηPR,ηIR,ηDR,ηF,ηR,α)進(jìn)行優(yōu)化整定的結(jié)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(yīng)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(jìn)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(yīng)控制算法，在冰路面上進(jìn)行的起步加速測試結(jié)果如圖5所示?？梢钥闯?，系統(tǒng)能夠識別出適應(yīng)路面的最佳目標(biāo)滑轉(zhuǎn)率為0.1，并把前后輪滑轉(zhuǎn)率控制在目標(biāo)值0.1附近，前后電機(jī)轉(zhuǎn)矩穩(wěn)定在50N·m左右，僅從均一的冰路面上測試結(jié)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(jìn)行急加速起步時的仿真結(jié)果如圖6所示?？梢钥闯?，自適應(yīng)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(biāo)值附近，并能夠根據(jù)路面變化進(jìn)行調(diào)整，兩種算法的控制結(jié)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(jìn)行測試的結(jié)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(jīng)過路面接口后，不能把車輪的滑轉(zhuǎn)率調(diào)整到目標(biāo)值附近；而RBF的自適應(yīng)控制算法能夠把驅(qū)動輪滑轉(zhuǎn)率調(diào)整到目標(biāo)值附近。結(jié)果表明RBF自適應(yīng)控制算法與傳統(tǒng)PID控制算法相比，具有自適應(yīng)性好、魯棒性強(qiáng)的優(yōu)勢，也說明單純采用PID控制算法，很難適應(yīng)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(jìn)行急加速測試的結(jié)果如圖8所示?？梢钥闯?，自適應(yīng)ASR控制算法實現(xiàn)了對滑轉(zhuǎn)率較大一側(cè)車輪的滑轉(zhuǎn)率的調(diào)節(jié)，并調(diào)整到了目標(biāo)值附近，而壓實雪路面上的車輪滑轉(zhuǎn)率沒有發(fā)生過度滑轉(zhuǎn)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(yīng)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(gòu)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(gòu)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?fàn)顟B(tài)進(jìn)行急加速測試，驗證在實時環(huán)境下自適應(yīng)ASR的控制效果。

5.1 冰路面試驗

電動汽車在冰路面上進(jìn)行緊急加速時， RBF自適應(yīng)控制算法的純電機(jī)ASR實時仿真結(jié)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(zhuǎn)率為0.1，前后輪滑轉(zhuǎn)率成功地被控制在0.1左右，前后電機(jī)的轉(zhuǎn)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(jié)果如圖14～圖17所示?？梢钥闯?，在冰路面上時，前后車輪滑轉(zhuǎn)率被調(diào)整到0.1附近；在壓實雪路面上，驅(qū)動電機(jī)在達(dá)到最大輸出轉(zhuǎn)矩時仍然沒有使驅(qū)動輪過度滑轉(zhuǎn)，前后驅(qū)動電機(jī)的輸出轉(zhuǎn)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(dá)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(jié)果如圖18～圖20所示?？梢钥闯觯谲囕v驅(qū)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(zhuǎn)率被調(diào)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(jìn)行緊急加速時實時仿真結(jié)果如圖21～圖24所示。可以看出，位于冰路面上的車輪的滑轉(zhuǎn)率被控制在0.1左右，位于壓實雪路面上的車輪滑轉(zhuǎn)率保持在一個較小值之內(nèi)，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(jié)論

(1) 在均一路面上進(jìn)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(yīng)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(diào)整的范圍較小，自適應(yīng)控制不能發(fā)揮自適應(yīng)的優(yōu)勢。

(2) 在從壓實雪路面到冰路面的對接路面上進(jìn)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(yīng)這種工況的變化，未能把驅(qū)動輪的滑轉(zhuǎn)率控制到目標(biāo)值附近；而基于徑向基函數(shù)系統(tǒng)辨識的自適應(yīng)控制算法能夠發(fā)揮控制算法的自適應(yīng)的優(yōu)勢，自動地調(diào)整PID控制參數(shù)，從而能夠順利地把驅(qū)動輪的滑轉(zhuǎn)率調(diào)整到目標(biāo)值附近。

(3) 采用自適應(yīng)控制算法進(jìn)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(qū)動輪的滑轉(zhuǎn)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(fù)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(qū)動防滑控制方法的研究[J]. 車輛與動力技術(shù)，2007(3): 13-19.

[2] 楊宇，楊毅，余達(dá)太，等. 電動汽車驅(qū)動防滑控制系統(tǒng)(ASR)的研究[J]. 自動化技術(shù)與應(yīng)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(qū)動電動汽車轉(zhuǎn)矩自適應(yīng)驅(qū)動防滑控制[J]. 機(jī)械工程學(xué)報,2013, 49(14): 106-113.

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

[7] 余志生.汽車?yán)碚揫M]. 北京：機(jī)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(fù)合ABS控制研究[D]. 長春：吉林大學(xué), 2011.

[9] 余卓平，左建令，陳慧. 基于四輪輪邊驅(qū)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(jīng)網(wǎng)絡(luò)在線辨識的永磁同步電機(jī)單神經(jīng)元PID矢量控制[J]. 電力科學(xué)與技術(shù)學(xué)報，2007, 22(2): 48-52.

[11] 劉寅虎，李紹銘. 基于動態(tài)RBF神經(jīng)網(wǎng)絡(luò)在線辨識的單神經(jīng)元PID控制[J]. 系統(tǒng)仿真學(xué)報，2006, 18(增2): 804-807.

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

[13] 李獻(xiàn)菁，孫永正，鄧俊，等. 插電式串聯(lián)混合動力汽車發(fā)動機(jī)起停控制策略的優(yōu)化[J]. 汽車工程， 2011, 33(2): 112-117.

[14] 王慶年，曲曉冬，于遠(yuǎn)彬，等. 復(fù)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。