基于MAP的汽車電控制動系統變工況控制研究＊

王瑩 王博 郭睿 管欣 徐亮

（吉林大學，汽車仿真與控制國家重點實驗室，長春 130025）

基于MAP的汽車電控制動系統變工況控制研究＊

王瑩 王博 郭睿 管欣 徐亮

（吉林大學，汽車仿真與控制國家重點實驗室，長春 130025）

為提高汽車電控制動系統（ECBS）在變工況條件下的實時控制精度，提出了基于MAP圖的ECBS控制參數自尋優方法。首先建立基于部件特性的液壓制動系統模型和ECBS控制器，在不同的車速下進行制動階躍試驗，應用模擬退火粒子群算法（SAPSO）自尋各工況下最優的PID控制參數，形成MAP圖，車輛可根據實際車速和制動踏板力在線查MAP圖獲得控制參數。仿真和實車試驗結果表明，基于MAP圖的ECBS系統可有效縮短制動距離并改善制動時的方向穩定性。

1 前言

目前，汽車電子控制制動系統（Electronic Control Braking System，ECBS）已廣泛應用，主要包括汽車防抱死制動系統（Anti-lock Braking System，ABS）、電子感應控制制動（Sensotronic Brake Control，SBC）系統、電子制動力分配（Electric Brakeforce Distribution，EBD）系統等。大量文獻和實踐表明，ECBS可大幅增強車輛的制動性能[1～3]，ECBS控制算法研究也一直是汽車主動安全控制領域的熱點[4～6]。

以ABS為例，常用的控制方法有邏輯門限值控制[7～8]、基于滑移率的反饋控制[9～11]。基于邏輯門限值的控制策略不需要建立具體的數學模型，并且對系統的非線性控制很有效[7]，但其參數的選取要依賴經驗和大量的實車試驗，并且很難將滑移率時刻控制在路面最佳滑移率附近，波動較大，控制精度不高[9]。

因此，目前國內外很多學者主要研究基于滑移率的控制策略[11～13]。PID控制是最常用的控制方法，但常規的固定PID控制參數的靈敏度高，易造成系統不穩定，在不同工況下缺乏適應性，很難將滑移率時刻控制在最佳滑移率附近[14]。模糊PID控制[14]克服了上述缺點，能實現PID控制參數隨工況自整定，在不同工況下具有較好的適應性，但是模糊PID的參數模糊化、模糊規則推理、參數解模糊邏輯實現較為復雜，且隸屬函數的確定需要大量的經驗。

因此，本文以ABS為例，試圖建立基于MAP的電控制動系統控制策略，實現實時、在線整定ECBS PID參數。基于ABS PID控制器，重點研究模擬退火粒子群優化算法自尋最優的PID控制參數MAP圖，設計了基于MAP的兼顧汽車制動性能和方向穩定性的自適應PID控制器。考慮到各個車輪上充分利用路面的附著條件，只是間接地控制制動時的方向穩定性，并未把制動時的方向穩定性作為控制目標，本文在優化PID控制參數時考慮了整車橫擺角速度的影響，給出了一種基于整車動力學的兼顧汽車制動性能和方向穩定性的汽車電控制動系統控制策略。

2 基于部件特性的制動系統模型

制動系統模型的精度直接影響電控制動系統的控制效果。為保證研究的準確性和真實性，本文建立基于部件特性的液壓制動系統模型。制動系統模型各部件及其輸入、輸出關系如圖1所示。

圖1 制動系統模型

常規制動系統的制動輪缸壓力是由制動踏板力經過制動踏板模型、真空助力器模型、主缸模型計算后得到的。

在汽車電控制動系統中，當ABS起作用時，制動輪缸壓力會受到ABS控制器的控制和調節。

2.1 制動踏板

忽略制動踏板的慣量，將其簡化為靜力學杠桿模型。制動踏板輸出力是制動踏板輸入力與制動踏板機械杠桿比的乘積：

式中，Fpedal_out為制動踏板輸出力；Fpedal_in為制動踏板輸入力；γpedal_ratio為制動踏板機械杠桿比。

2.2 真空助力器

將真空助力器視為一個整體，通過臺架試驗獲得穩態的輸入輸出特性曲線，并用一階滯后環節近似地表達真空助力器的遲滯現象：

式中，Fboost為真空助力器力；fboost為真空助力器輸入輸出特性函數；Fboost_out為真空助力器輸出力；Tapply為真空助力器加載時間常數；Trelease為真空助力器卸載時間常數。

2.3 主缸

忽略活塞的慣量，主缸內液體壓強為：

式中，dmastercylinder為主缸活塞直徑。

2.4 制動輪缸

忽略制動輪缸活塞慣量和制動液壓力遲滯過程，將制動輪缸動力學模型簡化為靜力學模型，通過試驗測量建立輪缸液壓力與輪缸內液體體積的關系[15]。制動輪缸液壓力為輪缸內液體體積的函數，通過對輪缸制動液流量積分求得輪缸內液體體積增量：

式中，Pcylinder為輪缸液壓力；fcylinder為制動輪缸液壓力關于輪缸內液體體積的函數；V為輪缸內液體體積；ΔV為輪缸內液體體積增量；Q為輪缸制動液流量；R為管路中制動液流入制動輪缸時的阻抗。

2.5 制動盤

制動盤上的制動力矩的計算取決于制動效能因數、制動輪缸壓力、制動盤有效半徑和制動輪缸有效工作面積。

制動盤輸入功率為：

式中，Tb為制動力矩；ωwheel為車輪轉速。

制動盤耗散功率為：

制動盤溫度根據能量守恒規律由溫度的變化求得，其溫度變化為：

制動器制動效能因數為：

制動盤力矩為：

式中，Acylinder為制動輪缸有效工作面積；Re為制動器有效制動半徑。

患者根據自身情況，設置用藥計劃、用藥提醒方式，可以管理已設置好的用藥計劃；根據設定好的用藥計劃，到用藥時間時，系統自動發出用藥提醒；用完要后可進行簽到，醫院可根據患者簽到情況給予適當獎勵；用戶可查看患者的歷史用藥種類、劑量等信息。

3 基于MAP的ECBS自適應PID控制方法

在傳統PID控制理論基礎上，應用模擬退火粒子群算法（Simulated Annealing Particle Swarm Optimization，SAPSO）識別特定車速和制動踏板力工況下的PID控制參數，形成離線全工況MAP圖。在汽車實際行駛中，根據車速和制動踏板力信號在線插值得到PID控制參數，PID控制器根據在線插值得到的PID控制參數和滑移率偏差對輪缸壓力進行控制和調節，以獲得較好的制動性能和制動時的方向穩定性，控制策略如圖2所示。

圖2 控制策略

3.1 PID控制器

PID控制器以實際滑移率和最佳滑移率的偏差e作為輸入，偏差的比例P、積分I和微分D的線性組合構成控制量，對制動力矩進行控制。其控制規律可以表達為：

式中，KP為比例系數；KI為積分系數；KD為微分系數。

為了獲得較好的控制效果，PID控制參數KP、KI和KD應根據汽車行駛工況的變化進行調整，力求保持在最佳滑移率附近，但其調節依賴于一定的經驗，而且手動調節需要大量的時間，為了克服上述缺點，采用SAPSO進行PID控制參數的識別。

3.2 PID控制參數識別

KP、KI和KD通過在特定車速和制動踏板力工況下，應用SAPSO離線識別得到，其他工況的控制參數值根據車輛狀態在線插值得到。

SAPSO[16]結合了粒子群優化算法（PSO）[17～18]全局尋優能力強、實現簡單的優點，還結合了模擬退火算法（SA）[19～20]跳出局部最優解能力強的優點；在參數辨識、函數優化、模式分類等領域得到了廣泛應用。因此，本文選擇模擬退火粒子群優化算法進行PID控制參數的識別。適應度函數為：

式中，λji為第j個車輪在第i個仿真步長的實時滑移率；λideal為最佳滑移率；ωi為第i個仿真步長的橫擺角速度；αλ為滑移率權重系數；αω為橫擺角速度權重系數，通過權重系數的設定，可以在制動性能和制動時的方向穩定性之間折中。

經SAPSO離線識別的前輪PID控制參數MAP圖如圖3所示。汽車行駛過程中的PID控制參數可以根據車速和制動踏板力信號在MAP圖中插值得到。

圖3 PID控制參數MAP圖

4 仿真算例

在基于部件特性的制動系統及整車模型的基礎上，驗證基于MAP的PID控制策略的控制效果。為了驗證控制策略在不同工況下的自適應性，輸入的制動踏板力是變化的，如圖4所示。設定初始車速為120 km/h，汽車在干瀝青路面上進行制動試驗，最佳滑移率設為0.2，得到滑移率變化曲線（見圖5）、車速和輪速變化曲線（見圖6）、車輛橫擺角速度變化曲線（見圖7）。

圖4 制動踏板力變化曲線

圖5 前輪滑移率變化曲線

圖6 車速、前輪輪速變化曲線

圖7 橫擺角速度變化曲線

汽車在干瀝青路面制動過程中，常規PID控制參數為定值，滑移率與理想滑移率有一定的偏差和波動，不能使所有工況都達到理想控制水平，而基于MAP的PID控制器能根據工況實時查詢控制參數，滑移率基本保持在理想滑移率附近，且變化平穩。基于MAP的PID控制器與常規PID控制相比，滑移率與理想滑移率的最大偏差降低了14.68%，制動時間由4.25 s縮短為3.97 s。

在PID控制器起作用后，基于MAP的PID控制的橫擺角速度比常規PID控制的橫擺角速度小，橫擺角速度最大下降率達到9.90%，車輛在制動時的方向穩定性較好。

5 實車驗證

為了進一步驗證本文控制策略的有效性和實時性，對某型試驗車輛進行實車試驗，并將仿真曲線與實車試驗曲線進行對比，駕駛員制動踏板力輸入曲線如圖8所示。

圖8 制動踏板力

以前輪為例，輪缸壓力變化曲線如圖9所示，由圖9可知，在制動開始到車速為零這段時間歷程內，仿真曲線中的輪缸壓力與試驗數據一致性較好。整車縱向加速度變化曲線如圖10所示，仿真曲線與試驗曲線一致性較好，驗證了本文控制策略的有效性和實時性。

6 結束語

通過上述仿真結果和實車試驗曲線分析，可以得到以下結論：

圖9 輪缸壓力變化曲線

圖10 縱向加速度變化曲線

a.基于MAP圖的自適應PID控制的汽車在制動時，根據行駛工況實時地更新PID控制參數，實時性較好，滑移率的波動較小，基本保持在期望滑移率附近，在復雜工況下也能達到理想的控制效果，改善了制動性能，縮短了制動時間，提高了汽車制動時的抗干擾性和魯棒性。

b.在優化目標函數里考慮橫擺角速度的ABS控制策略能夠較好地兼顧汽車制動過程的方向穩定性，制動時的橫擺角速度較小，提高了制動安全性。

c.基于部件特性的制動系統的建模考慮了制動系統的更多細節，建立的制動系統精度更接近真實制動系統，為更好地驗證控制策略奠定了模型基礎。

1 孫仁云，李治.變路面汽車電控制動系統H∞控制研究.西華大學學報：自然科學版，2010，（2）：114～118.

2 趙雙.汽車電子感應制動控制系統（SBC）的研制：[學位論文].成都：西華大學，2006.

3 宋正偉.電子控制制動系統的應用技術.上海汽車，2011，（10）：42～45.

4 宗長富，李偉，鄭宏宇，等.汽車列車電控制動系統制動力分配的控制算法.汽車工程，2011，（10）：885～889+910.

5 盛毅.基于模糊控制的行車制動電控系統：[學位論文].長春：吉林大學，2008.

6 張鴻生.汽車電控液壓制動系統性能分析與控制：[學位論文].南京：南京航空航天大學，2013.

7 鄭太雄，馬付雷.基于邏輯門限值的汽車ABS控制策略.交通運輸工程學報，2010，（2）：69～74.

8 韓文濤，賈安民，袁志業.汽車ABS的邏輯門限值控制研究.北京汽車，2003，（6）：28～30.

9 席本強，何毅，丘文森.汽車ABS的模糊自適應PID控制.遼寧工程技術大學學報：自然科學版，2014，（11）：1551～1555.

10 李開春.基于車輪滑移率的ABS控制算法研究：[學位論文].鎮江：江蘇大學，2006.

11 Pedro1 J O,Dahunsi1 O A,Nyandoro O T.Direct adaptive neural control of antilock braking systems incorporated with passive suspension dynamics.Journal of Mechanical Science and Technology，2012，26（12）：4115～4130.

12 王博，孫仁云，徐延海，等.考慮路面不平度的路面識別方法.機械工程學報，2012，（24）：127～133.

13 劉志強，唐忠剛.基于滑移率的ABS粒子群優化PID仿真控制研究.重慶交通大學學報：自然科學版，2013，（5）：1096～1100.

14 朱偉興，陳垠昶.模糊PID控制在汽車ABS中的應用與仿真研究.江蘇大學學報：自然科學版，2004，（4）：310～314.

15 劉曉.基于特性的制動系統動態建模與分析：[學位論文].長春：吉林大學，2012.

16 Eberhart R,Kennedt J.A new optimizer using particle swarm theory.Proc of the sixth international symposium on Micro Machina and Human Science，Nagoya，1995.

17 Kennedy J,Eberhart R.Particle swarm optimization.IEEE International Conference on Neural Networks,Perth Austra?lia，1995.

18 高鷹，謝勝利.基于模擬退火的粒子群優化算法.計算機工程與應用，2004（1）：47～50.

19 Wang B,Guan H,Lu P,et al.Novel Evaluation Method of Vehicle Suspension Performance Based on Concept of Wheel Turn Center.Chinese Journal of Mechanical Engi?neering，2015，28（5）：935～944.

20 馮玉蓉.模擬退火算法的研究及其應用：[學位論文].昆明：昆明理工大學，2005.

（責任編輯 斛 畔）

修改稿收到日期為2016年8月22日。

Study on Control of Vehicle Electronic Control Braking System Based on MAP for Different Load Conditions

Wang Ying,Wang Bo,Guo Rui,Guan Xin,Xu Liang
（State Key Laboratory of Automotive Simulation and Control,Jilin University,Changchun 130025）

In order to improve the real-time control precision of the automobile Electronic Control Braking System (ECBS)in different load conditions,we proposed the online self-optimization method of ECBS control parameters based on MAP in this research.Firstly,we established a hydraulic braking system model based on component characteristics and ECBS controller,and conducted step brake tests at different speeds.The Simulated Annealing Particle Swarm Optimization (SAPSO)method was utilized to identify the optimal PID control parameters in each condition.Then the MAP was obtained.Thus,during braking,the control parameters could be obtained by online searching the MAP according to the speed and the brake pedal force.The simulation and real vehicle test results indicated that the ECBS system based on MAP could shorten the braking distance,and effectively improve directional stability.

ECBS,MAP,PID control,SAPSO

電控制動系統 MAP PID控制 模擬退火粒子群算法

U463.52

A

1000-3703（2017）03-0042-05

*通訊作者：郭睿（1978—），女，講師，工學博士，研究方向為汽車動力學與仿真，guor@jlu.edu.cn。