详情

原文传递分布式驱动电动汽车状态估计及横摆稳定性控制研究

论文题名：	分布式驱动电动汽车状态估计及横摆稳定性控制研究
关键词：	分布式驱动电动汽车;稳定性控制;状态估计;LSTM网络;训练数据集
摘要：	纯电动汽车作为战略性新兴产业和政府重点扶持项目之一，在促进节能减排、达成双碳目标上具有不可或缺的推动作用。其中，具有高传动效率、高可控自由度以及快速精确控制响应优势的分布式驱动电动汽车成为未来汽车的主要发展方向和研究热点。车身电子稳定系统、横摆稳定性控制系统等主动控制方法是汽车迈向安全化、智能化的重要途径。而车辆行驶状态信息的准确、稳定获取是上述系统得以实现的关键前提。　　车辆状态估计算法由于模型精度的影响，在极限工况下常出现估计精度低甚至失真的情况，因此设计非线性、鲁棒性高的状态估计器一直是此研究的重难点。另外，分布式驱动电动汽车特有的驱动动力学特征也将给状态参数估计增加额外的难度。　　因此，本文以分布式驱动电动汽车为研究对象，开展的课题为“分布式驱动电动汽车状态估计及横摆稳定性控制研究”。本文利用已有的常规车载传感器信号，重点研究基于数据驱动的长短期记忆神经网络（LSTM）状态估计器的设计，用以车辆运动状态参数和路面附着系数的有效估计，并在此基础上进行车辆横摆稳定性控制的探索。具体研究内容如下：　　（1）对分布式驱动电动汽车进行动力学机理分析，结合轮胎模型力学特征，总结归纳出车辆运动及路面状态各参数之间的非线性映射关系，为神经网络输入向量的选择提供理论依据。为了便于网络训练数据集的建立以及状态估计器精度和横摆稳定性策略的验证，基于Carsim和Simulink联合仿真平台搭建了分布式驱动电动仿真车模型，并和实车试验数据对比以验证仿真车模型的精度。　　（2）考虑到基于数据驱动的神经网络估计算法对训练数据集的质量要求较高，本文设计了不同加、减速以及匀速下的目标车速，由不同幅值和频率形成的扫频或方波式目标方向盘转角以及高中低三种典型路面附着条件，将这三个维度数据依次有序的组合输入到仿真车模型中以获得车辆行驶状态参数数据集。此程序化生成数据集方法不仅效率高，并且对于非线性工况的覆盖面广。　　（3）考虑到车辆状态数据具有显性的时间序列依赖关系，提出了一种双LSTM分步状态估计器。以常规车载传感器信息作为网络的输入向量（包括纵、横向加速度、横摆角速度、方向盘转角、四轮转速和扭矩），先执行三层分类LSTM神经网络以估计干燥、湿润、冰雪这三种路面状态之一，并立即将估计出的路面附着系数融合进原输入向量以执行三层回归LSTM神经网络，以此对纵向车速、横向车速、质心侧偏角、整车侧倾角这些行驶参数进行联合估计。同时在网络结构中加入Dropout算法以抑制网络过拟合现象。　　（4）本文设计的车辆横摆稳定性分层控制系统，主要分为目标横摆力矩制定层和力矩分配层。在上层控制中，以状态估计器的估计结果作为输入，以车辆二自由度模型作为参考计算行驶中的目标横摆角速度，结合实际横摆角速度并以两者差值为控制变量，通过滑模控制算法得到目标横摆力矩。在下层控制中，以轴载比例分配原则将附加横摆力矩分配到四个车轮扭矩上以完成稳定性控制。　　（5）对分布式电动汽车状态估计及横摆稳定性控制进行试验验证。验证工况包括角阶跃输入工况、双移线工况、高速赛道工况、城市工况以及实车校园工况，涉及常规行驶区间以及多种非线性极限行驶区间。试验结果表明，通过本文所提出的状态估计算法得到的估计值和真值具有高度吻合的动态趋势，并且估计误差较小。横摆稳定性控制算法能够快速准确的跟踪目标横摆角速度，大幅度抑制质心侧偏角，保障车辆行驶稳定性和良好轨迹跟踪能力。
作者：	董戈
专业：	车辆工程
导师：	王菲
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023