[发明专利]极限工况下的主动后轮转向与直接横摆力矩控制方法

说明书

本发明提供了一种极限工况下的主动后轮转向与直接横摆力矩控制方法，分为控制层和执行层。在控制层中，转向盘转角和车速两路信号输入到事先设计的变传动比map图中，插值得到理想传动比，由理想传动比和转向盘转角的微分计算出期望前轮转角的微分，经积分后输入到参考模型可以得到参考横摆角速度和参考质心侧偏角；然后同外界干扰及实际横摆角速度和质心侧偏角一起输入到模式判定模块，经过多态加权体系判定后将这些信号传给ARS模式或DYC模式。在执行层中，将测得的实际后轮转角传给整车状态空间模型。最后，整车模型计算得到实际横摆角速度和质心侧偏角，并将这两种信号重新输入到控制层。

技术领域

本发明涉及转向系统领域，具体是一种极限工况下的主动后轮转向与直接横摆力矩控制方法。

背景技术

稳定性控制策略所依托的主动后轮转向系统结构见附图1，其结构简单，没有复杂的机械连接；又因其以电机作为动力源，故响应速度快，易于精确控制。最重要的是其充分利用了机电一体化的特点，通过电控单元ECU主动修正驾驶员的转向操作以保证整车稳定行驶，是未来发展智能车和无人驾驶汽车的关键技术。

然而，目前对电动轮汽车在极限工况下的稳定性的研究比较少。现有的研究主要集中于直接横摆力矩控制，还有极少数研究着眼于主动前轮转向控制。极限工况下，直接横摆力矩控制方法有很大的局限性，难以保证车辆稳定；而主动前轮转向控制方法则不可避免会对驾驶员的路感产生不利影响。

发明内容

本发明为了解决现有技术的问题，综合考虑了低附着路面、高车速等极限工况，以及路面不平度、侧向风等外界干扰的影响，提出主动后转向与直接横摆力矩控制策略，对车辆动力学进行动态自适应控制，从而有效提高电动轮汽车在极限工况下的操纵稳定性。

本发明分为控制层和执行层。在控制层中，转向盘转角和车速两路信号输入到事先设计的变传动比map图中，插值得到理想传动比，由理想传动比和转向盘转角的微分计算出期望前轮转角的微分，经积分后输入到参考模型可以得到参考横摆角速度和参考质心侧偏角；然后同外界干扰及实际横摆角速度和质心侧偏角一起输入到模式判定模块，经过多态加权体系判定后将这些信号传给以自适应动态神经网络算法为核心的主动后轮转向控制器(ARS模式)或直接横摆力矩控制器(DYC模式)；其中主动后轮转向控制器负责向后轮转向电机发出期望后轮转角指令，直接横摆力矩控制器负责输出期望后轮转矩差指令。

在执行层中，后轮转向子系统在转向盘转角及与车速对应的转向阻力的作用下，收到ARS模式的期望后轮转角指令，经转向电机执行后将测得的实际后轮转角传给整车状态空间模型。最后，整车模型在期望后轮转矩差指令、实际后轮转角、实际转向盘转角输入和路面不平度等干扰的共同作用下，计算得到实际横摆角速度和质心侧偏角，并将这两种信号重新输入到控制层。

本发明有益效果在于：

1、本发明的电动轮汽车因其具有传动系统结构简单、各车轮转矩转速可独立调控等优点，成为未来实现智能驾驶的主要途径。在操纵稳定性控制上，本发明利用电动轮汽车的特点，提出了极限工况下的主动后轮转向与直接横摆力矩控制策略，应用了主动后轮转向技术和直接横摆力矩控制技术，采用实时反馈动态跟踪方法，主动干预驾驶员的转向操作，从而修正车辆的形式轨迹和姿态，极大地提高电动轮汽车在极限工况下的操纵稳定性，并且能为以后的智能驾驶领域提供可靠的理论支撑。

2、本发明在极限工况下电动轮汽车的稳定性控制中充分考虑到系统建模不确定性、路面不平整度、外界干扰等因素，提出了一种自适应动态神经网络算法。相比于其他控制算法，该算法结构相对简单，计算速度快；此外，因其能够在线训练和学习，实时动态调整网络内部参数，故而不仅能达到精确控制的目的，而且使得控制系统具有自适应能力和优秀的抗干扰能力。因此，该算法能充分发挥主动后轮转向和直接横摆力矩控制方法的优势，使得整个闭环控制系统结构大大简化、执行效率高、能耗降低、响应速度快且调节精度高，即使在高车速、低附着路面等极限工况下也能既快又好地跟踪参考横摆角速度，而且能抑制外界扰动等不利因素的影响。