四驅電動輪汽車模糊邏輯控制的再生制動系統

劉晉霞，王 莉，劉宗鋒

（山東科技大學交通學院，山東 青島 266590）

1 引言

電動輪汽車相對傳統電動汽車去掉了復雜的傳動系統，具有結構簡單，布置靈活等優點，進而成為電動汽車領域的重要發展方向。隨著再生制動系統有效增加混合動力汽車的續駛里程的應用，其在電動輪汽車上的應用也成為了研究熱點。

目前，關于電動輪汽車再生制動系統的研究主要側重于控制策略及其與防抱死系統（Anti-lock Braking System，ABS）協同控制方面。文獻[1]在重新設計電動輪汽車制動系統的基礎上，采用以制動強度、電池荷電狀態（State Of Charge，SOC）作為輸入，電機制動力與總制動力之比作為輸出的模糊控制器，對再生制動系統進行調控；文獻[2]在對整車制動力分析的基礎上，對比分析了并行制動力、理想制動力及最佳制動力控制策略對電動輪汽車再生制動系統的影響，在考慮制動強度的同時，對理想制動力控制策略進行了改進；文獻[3]提出了一種理想制動力分配曲線，并計算輪轂電機在發電狀態時輸出特性的再生制動控制策略；文獻[4]考慮了在緊急制動工況下再生制動系統的工作狀態，并將ABS與再生制動系統協同控制使再生制動系統在緊急制動的工況下也參與制動。以上對于再生制動系統控制策略及其與ABS協同控制的仿真結果均表明，可有效的回收制動能量，提高電動輪汽車的續駛里程。

以上針對制動強度、電池SOC與輪轂電機輸出特性中的一個或兩個因素對電動輪汽車再生制動系統控制策略進行了研究。因此，綜合分析制動強度、電池SOC與輪轂電機輸出特性對電動輪汽車再生制動系統性能的影響，在根據制動強度對前、后輪同時抱死時，其制動力關系的理想制動力曲線、明確要求前、后輪制動力的ECE法規線進行計算的基礎上，提出一種模糊邏輯控制的再生制動控制策略，將該控制策略用MATLAB/Simulink 進行建模，并嵌入到ADVISOR建立的整車模型中。在CYC_UDDS工況下，展開對四驅電動輪汽車模糊邏輯控制的再生制動系統性能的研究。

2 電動輪汽車再生制動系統

2.1 系統組成

這里以四驅電動輪汽車為研究對象，其再生制動系統[5]主要由包含輪轂電機與制動器的電動輪、電機與制動控制單元、電池、制動踏板及制動踏板、輪速與電池電流傳感器等組成，如圖1所示。制動踏板被踩下時，制動踏板傳感器將檢測到的制動踏板開度及位置等信號傳送給整車控制器，整車控制器綜合輪速與電池電流傳感器等信息，計算整車總制動力FX，并為各電動輪確定電機制動力與制動器制動力的大小。電動輪汽車整車參數[6]，如表1所示。

圖1 電動輪汽車再生制動系統的組成Fig.1 Composition of Regenerative Braking System for Electric Wheel Vehicle

表1 電動輪整車參數Tab.1 Parameters of Electric Wheel Vehicle

2.2 工作原理

式中：r—車輪半徑。

在制動過程中，電機制動力與制動器制動力之和的電動輪總制動力認為等于電動輪驅動力[8]。

當由電動輪汽車制動減速度與重力加速度比值決定的制動強度小于0.1時，所需整車總制動力較小，由電機制動力進行制動；當制動強度為（0.1～0.8）時，所需整車制動力較大，制動力優先由電機制動力提供，當電機制動力達到最大時，制動器則提供制動力且制動器制動力等于總制動力減去電機最大制動力；當制動強度大于0.8時，所需整車制動力驟然增大，為避免短時強電流充電影響電池使用壽命，只由制動器提供制動力。

當電池SOC 小于0.1、大于0.85時，為避免電池過放和電池過充而影響電池的使用壽命。

因此，這里設定當電池SOC小于0.1時，電動輪汽車停止工作；電池SOC大于0.85時，在任何制動工況下，再生制動系統不進行能量回收，從而不為電池充電。當電池SOC在（0.1～0.85）范圍內且制動強度小于0.8時[1]，再生制動系統進行能量回收，同時為電池充電。

3 模糊控制器的設計

3.1 模糊控制策略制動力的分配

3.1.1 前、后輪制動力及電機與制動器制動力分配

理想制動力曲線可保證在制動過程中前、后輪同時抱死，即前、后輪制動力分別等于各自的附著力。

則前、后輪制動力滿足[9]：

式中：m—整車質量；g—重力加速度；hg—質心高度；b—后軸至質心的距離；L—軸距；Fμ1—前輪制動力；Fμ2—后輪制動力。

為了保證電動輪汽車的制動穩定性及制動效率，ECE法規線有明確的要求：對于前、后輪制動力計算時，附著系數φ應滿足：0.2＜φ≤0.8，且制動強度Z應滿足：Z≥0.1+0.85（φ-0.2）。則前、后輪制動力應滿足[10]：

在電動輪汽車電機制動力與制動器制動力分配時，優先采用電機制動。當整車總制動力較小時，完全由前輪電機制動力進行制動，則后輪制動力為零，通過式（4）可得前輪最大電機制動力Fmaxf為1608N。隨著整車總制動力不斷增大，當后輪電機制動力達到最大時，前輪制動力為其最大電機制動力與制動器制動力之和，通過式（2）～式（4）可得后輪最大電機制動力為1490N。

3.1.2 制動力分配曲線

由前、后輪最大電機制動力、理想制動力曲線及ECE法規線確定的制動力分配，如圖2所示。圖中：斜線—制動強度取值；A點—前輪最大電機制動力；B點—前輪電機制動力最大時與理想制動力曲線的交點，其制動力為FB；C點—制動強度為0.8的斜線與理想制動力曲線的交點，其制動力為FC。OA表示完全由前輪電機制動力進行制動；AB表示前輪電機制動力最大，剩余制動力由后輪電機提供；BC段表示前、后輪電機制動力與制動器制動力共同制動。

圖2 制動力分配曲線圖Fig.2 Brake Force Distribution Curve

當FX≤Fmaxf時，整車制動力由前輪電機制動力提供，按OA線進行分配。當Fmaxf＜FX≤FB時，整車制動力由前輪電機最大制動力提供外，FX-Fmaxf部分由后輪電機提供，按AB線進行分配。當FB＜FX≤FC時，整車制動力由前輪電機最大制動力提供外，FX-Fmaxf部分由后輪電機和前輪制動器制動力提供，直到后輪電機制動力達到最大；隨著整車制動力的不斷增大，便由前、后輪最大電機制動力與制動器制動力共同進行制動，按BC線進行分配。

當Z＞0.8時，完全由制動器制動力進行制動。

3.2 模糊控制策略結構的確定

采用應用廣泛、響應快、無超調的Mamdani 型模糊推理模型。將整車總制動力與電機提供的最大制動力Fmax之差Fδ、電池SOC 和制動強度Z設為3 個輸入變量，以及電機制動力與整車總制動力之比設為輸出量K[11]。其模糊控制策略結構，如圖3所示。

圖3 模糊控制策略結構圖Fig.3 Structure Diagram of Fuzzy Controller

3.3 輸入、輸出量的模糊子集與隸度函數的選取

制動時Fδ的論域為[-100，100]，將其所在論域的模糊子集分為5個，分別為{NB（負大），NS（負小），O（正好），PS（正小），PB（正大）}，其隸屬度函數的選取，如圖4所示。

圖4 Fδ隸屬度函數Fig.4 Membership Function for Fδ

電池SOC的論域為[0，1]，將其論域的模糊子集分為3個，分別為{L（小），M（中），B（大）}，其隸屬度函數的選取，如圖5所示。

圖5 電池SOC隸屬度函數Fig.5 Membership Function for SOC of Battery

Z的論域為[0，1]，將其論域的模糊子集分為3個，分別為{L（小），M（中），B（大）}，其隸屬度函數的選取，如圖6所示。

圖6 Z隸屬度函數Fig.6 Membership Function for Z

輸出量K的論域為[0，1]，將其論域的模糊子集分為3個，分別為{L（小），M（中），B（大）}。

3.4 模糊邏輯控制規則

由于Fδ中有5個模糊子集，電池SOC、Z分別有3個模糊子集，因此模糊邏輯控制規則共有45 條，采用的語言控制規則為“若......，則……”（if……，then……）句型。

根據制定的模糊控制規則，其輸出變量K與輸入變量Fδ、電池SOC關系，如圖7所示。由圖可知，當電池SOC（SOC＜0.65）為定值，且-50＜Fδ＜50時，K隨Fδ的增大而減小；當Fδ（-50＜Fδ＜50）為定值，且電池SOC≥0.85時，K隨電池SOC的增大而減小。

圖7 輸出量K隨輸入量Fδ、電池SOC變化的曲面Fig.7 The Surface of the Output Variable K Varies with the Input Variable Fδ and SOC of the Battery

輸出變量K與輸入變量Fδ、Z的關系，如圖8所示。由圖可知，當Z（Z＜0.65）為定值，且-50＜Fδ＜50時，K隨Fδ的增大而減小；當Fδ（-50＜Fδ＜50）為定值，且Z＞0.8時，K隨Z的增大而減小。

圖8 輸出量K隨輸入量Fδ、Z變化的曲面Fig.8 The Surface of the Output Variable K Varies with the Input Variable Fδ and Z

3.5 輸出模糊量的清晰化

在模糊推理過程中，由于兩個或多個輸入量輸出的隸屬度函數邏輯的并集為分段、不規則形狀，因此其輸出是模糊量。輸出模糊量清晰化的過程是將一個輸出的模糊量轉化成為一個確定的量，此處利用加權平均法去模糊化[12]。

4 仿真分析及結果比較

基于以上對模糊邏輯控制策略制動力的分配，結構圖的確定及模糊規則的制定，這里在Matlab/Simulink中搭建其制動力分配模型，如圖9所示。

圖9 基于模糊控制的制動力分配模型Fig.9 The Braking Force Distribution Model Based on Fuzzy control

對ADVISOR進行二次開發，搭建電動輪汽車整車模型。將模糊邏輯控制的制動力分配模型嵌入到電動輪汽車整車模型中，選取美國公路循環工況（CYC_UDDS）[13]，將循環次數設置為5次進行仿真。將該模糊邏輯控制策略與ADVISOR自帶查表法控制策略進行仿真對比，其電池SOC及實際車速與理論車速之差，如圖10、圖11所示。由圖10可知，在模糊邏輯控制策略與查表法控制策略下，當電池SOC下降到0.1 時可行駛的時間分別為5205s和4570s，模糊邏輯控制策略使電動輪汽車行駛時間增加12.2%。

圖10 兩種控制策略的電池SOCFig.10 The Battery SOC for Two Control Strategies

圖11 兩種控制策略車速與理論車速之差Fig.11 The Difference Between Two Control Strategies and Theoretical Speed

由圖11 可知，在模糊邏輯控制策略與查表法控制策略下，實際車速與理論車速出現車速差的時間分別為4308s和4270s。且模糊邏輯控制策略的車速差明顯小于查表法控制策略的車速差。

5 結論

針對四驅電動輪汽車，在綜合考慮制動強度、電池SOC及輪轂電機輸出特性的基礎上，提出一種再生制動系統的模糊邏輯控制策略，并與ADVISOR查表法控制策略進行對比分析得出，該控制策略下，電動輪汽車行駛時間增加12.2%，滯后38s出現車速度差，且車速差明顯減小。因此，該模糊邏輯控制策略能夠使電動輪汽車有效的回收制動能量，增加續駛里程，且具有良好的穩定性。