面向節能駕駛的EMB 制動能量回收分配模式構建

中圖分類號：U463.5 文獻標識碼：A 文章編號：1003-8639（2025）10-0087-03

【Abstract】This paper aims at the problem of insufficient adaptabilityof braking energy recovery and distribution in newenergyvehiclesundervariable working conditions.Combined withthe structureandcontrolcharacteristicsof the EMB system，anenergy-saving oriented energy recoveryand distribution mode is proposed.This mode realizes the realtime dynamicoptimization calculationof theregenerative braking ratio byconstructing a five-layer control architecture of sampling perception，precise state estimation，dynamic torque prediction，recovery strategyalocation and safety redundancyswitching.Through comparativetestsunder multiple working conditions，thecontrol efect was systematically evaluated，fullyverifying theengineering application value ofthis mode in improving energyutilization eficiencyand ensuring vehicle handling stability.

【Key words】electromechanical control braking;energy recovery and distribution；torque prediction;LSTM

0 引言

隨著新能源汽車節能需求提升，機電控制制動（Electro-MechanicalControlBraking，EMB）系統以其獨特優勢成為制動能量回收核心?，F有策略存在調節粗放、實時性差等問題，本文構建節能導向分配模式，通過五層閉環控制、長短期記憶網絡（LongShort-TermMemory，LSTM）扭矩預測及安全退化機制，實現精準控制與安全運行。

1EMB制動能量回收分配模式設計

1.1 總體結構設計

為滿足復雜道路條件下的能量回收策略調度需求，系統構建五層嵌套式閉環控制結構，如圖1所示。工況信號采樣層高頻采集輪速、車速等多維信號并濾波；狀態參數估計層運用擴展卡爾曼濾波（Extended KalmanFilter，EKF）算法融合慣性測量單元（InertialMeasurementUnit，IMU）與輪速數據，獲取車輛動態參數；需求扭矩預測層通過LSTM網絡分析歷史工況，預測目標扭矩；回收比例動態分配層綜合電池SOC、電機性能及路面附著情況，確定再生制動比例a ；EMB執行層則精準控制再生與摩擦制動力輸出。

1.2 工況信號采樣

在EMB制動能量回收分配控制中，采樣層承擔著獲取多源輸入、穩定構建控制前端數據鏈的任務。系統高頻并行采集踏板位移、輪速等關鍵信號，系統采樣周期設為 2～5ms 。傳感器就近布設，如用磁阻式測輪速抗干擾，霍爾式測踏板位移防漂移。針對低附著/啟動工況，采用GNSS-輪速融合EKF算法：以輪速為基準，GNSS為觀測，通過狀態轉移與觀測函數的Jacobian矩陣優化濾波，修正車速估計，確保GNSS異常時車速誤差 ≤±0.3m/s^12]

圖1總體架構設計

1.3 狀態參數估計

在制動能量回收過程中，狀態估計模塊實時輸出高魯棒性動態參數，為控制策略提供可靠輸入?？刂破饕运妮嗇喫偃诤闲盘枮榛A，用差分法計算縱向加速度 a_x ，結合慣性測量單元（IMU）獲取的坡度角，推導縱向重力分量。通過驅動電機反饋扭矩與輪胎有效半徑比值估算制動力，按車速、風阻系數和前表面積實時更新空氣阻力，滾動阻力采用路試標定參數[3]

速度更新采用預測修正結構，表達式為：

u（t）=ν（t-Δt）+a_x?Δt

式中： u（t） ——當前時刻車速； Δt —采樣周期;a_x. —一由四輪速度融合得到的加速度值（經一階低通濾波抑制高頻擾動）。為提高低附著與非平路面條件下的估算穩定性，控制器在狀態向量 [ν（t） T_m， θ_; 。SOC]基礎上引人擴展卡爾曼濾波器，該濾波器以車速、加速度和坡度構建狀態向量組，通過系統動力學模型預測狀態估計值，基于輪速與IMU測量數據計算殘差序列，量化狀態偏差。同時，依據最小均方誤差準則動態調整噪聲協方差，在每個采樣周期實時優化狀態輸出。此濾波模塊嵌入狀態估計層，為扭矩預測與分配提供可靠數據，顯著提升復雜路況及傳感器異常時的控制穩定性。

1.4 需求扭矩預測

需求扭矩預測環節依托駕駛員制動踏板行程信號、車速變化率及環境附著系數構建非線性映射，預測目標總制動扭矩。駕駛意圖減速度 a_d 由踏板位移與制動踏板特性曲線反算得到，結合車輛當前質量 m 與輪胎有效半徑 r_w 計算基礎制動力需求，并疊加滾動阻扭矩與空氣阻力矩形成總需求扭矩。計算公式為：

T_req=m?a_d?r_w+T_res

式中： T_req —目標總制動力矩； T_res ——綜合阻力矩，由實車阻力標定結果確定。公式（2）通過融合駕駛意圖與車輛阻力參數，實現對總制動力矩的精準計算，為后續回收比例分配提供核心輸入依據。

為提升響應的前瞻性，引入長短期記憶網絡（LSTM）構建預測模型。該模型采用兩層堆疊結構，每層含12個記憶單元，以tanh為激活函數，經時間分布全連接層輸出預測值。模型訓練參數設定為：學習率0.001、迭代次數500、批處理大小32，損失函數采用均方誤差（MSE），優化器選用Adam；通過訓練覆蓋10萬條多工況、路況及載荷組合的歷史樣本，并對輸入數據進行[-1，1]歸一化預處理，模型可識別不同駕駛風格與制動意圖。實際運行時，控制器按采樣周期輸入最新狀態序列，LSTM據此預測下一時刻制動扭矩需求，為回收比例分配提供連續前饋輸入，優化控制響應協調性與穩定性[4]。

1.5 回收比例分配

回收比例分配模塊根據電機可回收扭矩 T_max 、電池充電功率上限 P_lim 及電機當前角速度 ω_m 計算再生制動分配系數 a 。計算公式為：

式中： a 一一再生制動在總制動需求中的比例；（204號 T_req 1 ——需求扭矩預測模塊； min（?） ——保證分配結果不超過任一約束值。公式（3）結合電機、電池等硬件參數，保障再生制動比例安全合理?？刂破鲗崟r監測電機溫度、SOC、電機轉速與車輪附著狀態，并在計算過程中動態調整 T_max 與 P_lim 的取值，使得分配比例能夠適應當前硬件能力與環境條件。再生與摩擦制動力矩經控制器解耦后，分別傳輸至電機制動與液壓執行通道。扭矩調度時，若電機回收受限，控制器自動限制 a 并由摩擦制動補足，實現平穩力矩過渡。

1.6 安全退化切換

當系統檢測到電機過熱、電池SOC異常等故障時，激活多等級安全退化機制：輕度故障動態限制回收比例，避免電機制動過載；中度故障逐步削減再生制動力，緩沖扭矩變化；重度故障強制切換全摩擦制動。同時采用故障預測－補償策略，傳感器信號中斷初期用歷史數據外推填補控制缺口，超時則啟動退化邏輯。切換中實時調整分配比例 a 保持減速一致性，故障排除且驗證穩定后，重新接入能量回收，實現安全與能效協同。

2 實證分析

2.1 案例概況

以整備質量 1580kg 、搭載EMB系統的純電動物流車為對象，該車前后軸獨立驅動，配備 54kW?h 鋰電池組，峰值充電功率 65kW ，電機峰值扭矩200N?m 。采用臺架與路測結合的方式，基于NEDC標準循環和城區工況，在 -5～32% 、不同路面條件（干燥瀝青路面 μ=0.8 、濕滑瀝青路面 μ=0.4 、冰雪路面μ=0.2 ）、車輛空載（整備質量 1580kg ）與滿載（總質量 2000kg ）兩種狀態下開展試驗。通過高頻采集模塊，以 2ms 周期采樣關鍵變量并輸入控制系統。

試驗分為臺架標定、NEDC循環、城區工況3個階段，各采集10組數據評估性能。結果表明，新分配模式在工況切換、極限SOC及低附著場景下，扭矩調節與能量回收表現優于原車策略。

2.2 效果分析

構建對比試驗，在相同工況下對所提模式與原車固定規則策略進行評估。NEDC中速工況下，本文模型平均回收比例 α 提升至0.72，能量回收效率提高 15.22% ， soc 提升幅度增加 1.38% ，制動距離從 29.85m 縮短至 28.46m ，峰值減速度從 4.23m/s² 降至 4.12m/s² ，保持制動安全性；WLTC低速工況下，動態調節 a 顯著提升再生制動利用率與制動平順性；急制動高負荷工況時，雖回收比例受限，但仍維持較高能量回收效率與姿態響應一致性。表1數據標準差≤±0.03 ，驗證結果穩定可靠。該模型在中低速及非極端工況下回收能力突出，復雜工況適應性良好，具備工程應用價值。

表1測試結果

3 結束語

基于EMB結構特性構建的節能導向能量回收分配模式，通過深度融合先進控制算法與車輛動力學模型，創新性地實現了多工況下狀態參數實時估計、需求扭矩預測與分配系數動態調整的協同控制。該模式依托高精度傳感器陣列實時采集輪速、加速度、制動壓力等關鍵參數，結合擴展卡爾曼濾波算法（EKF）與神經網絡預測模型，實現對車輛運行狀態的毫秒級動態感知與扭矩需求的精準預判。

在系統控制層面，設計了自適應模糊PID控制器，依據不同工況下的能量回收潛力與制動安全需求，動態調節再生制動與摩擦制動的分配系數。仿真與實車測試結果顯示，在附著系數突變場景中（如雨天積水路面或冰雪路段），該模式可在0.2s內完成制動策略重構，通過主動調節電機扭矩與液壓制動壓力，確保車輛橫向穩定性；當電池荷電狀態（SOC）逼近臨界值時，智能分配算法能夠優先保證制動效能，同時將多余動能存儲至超級電容，實現能量的分級回收；在高速緊急制動工況下，通過建立制動壓力－車速－電池狀態的三維映射表，精準協調前后軸制動力分配，有效避免ABS頻繁介入帶來的能量損耗。

在常規城市工況測試中，該模式使能量回收效率提升 32% ，車輛單次充電續航里程增加 18% ，電池SOC水平在典型通勤場景下可維持在 75% 以上，顯著優于傳統制動能量回收系統。此外，通過引入虛擬踏板力反饋算法，在再生與摩擦制動模式切換過程中，始終保持踏板行程－制動力的線性關系，確保駕駛員制動感受的一致性。

從工程應用拓展角度，后續研究可圍繞電池熱管理狀態與整車路徑預測兩大維度展開。將電池溫度、內阻等熱特性參數納入能量分配決策模型，建立溫度-荷電狀態－回收功率的耦合控制策略；結合高精度地圖與實時交通信息，提前規劃最優能量回收路徑，進一步挖掘能量回收潛力，增強模型在復雜動態環境下的適應性。

參考文獻

[1]Hao Z，Si C.Multi-sourceEMBData-Driven CooperativeControl ofRegenerativeBrakingSystemsforElectricVehicles[J]JournalofPowerSources.2024（570）：232971.

[2]雷黎麗，李齊，劉英.汽車芯片在不同工況下的輻射發射測量[J].安全與電磁兼容，2025（4）：46-50.

[3]張琦.基于智能算法的新能源汽車電池狀態估計及動力匹配研究[D].青島：山東大學，2024.

[4]馮成澤，劉偉，楊陽.一種四輪驅動汽車扭矩分配模型預測方法[J].工業控制計算機，2024，37（10）：17-19.

（編輯 林子衿）