详情

原文传递基于遗传算法混合优化GPC的车辆横摆稳定性控制方法

专利名称：	基于遗传算法混合优化GPC的车辆横摆稳定性控制方法
摘要：	本发明公开了一种基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，建立车辆二自由度线性模型作为预测模型，利用预测模型计算获得理想横摆角速度和理想质心侧偏角；利用传感器进行检测获得各实时数据，针对各实时数据利用遗传算法混合优化GPC的方法计算获得最优附加横摆力矩；采用左右侧车轮驱动力规则分配方法，将最优附加横摆力矩分配为四轮独立驱动轮毂电机电动汽车的四个车轮的驱动力，并一一对应作用于各个车轮。本发明提出的算法与普通广义预测算法相比，在GPC的滚动优化过程中引入遗传算法进行混合优化的方法使得该算法具有较强的全局搜索能力与全局收敛性，对所求的附加横摆力矩进行混合优化，大大地提高了最优解精度。
专利类型：	发明专利
国家地区组织代码：	安徽;34
申请人：	合肥工业大学
发明人：	肖本贤;郭俊凯
专利状态：	有效
申请日期：	2018-12-27T00:00:00+0800
发布日期：	2019-06-07T00:00:00+0800
申请号：	CN201811615282.0
公开号：	CN109849898A
代理机构：	安徽省合肥新安专利代理有限责任公司
代理人：	何梅生
分类号：	B60W30/02(2012.01);B;B60;B60W;B60W30
申请人地址：	230009 安徽省合肥市包河区屯溪路193号
主权项：	1.一种基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，其特征是按如下步骤进行：步骤1：建立车辆二自由度线性模型作为预测模型，利用所述预测模型计算获得理想横摆角速度和理想质心侧偏角；步骤2：利用传感器进行检测获得各实时数据，包括利用横摆角速度传感器实时检测获得车辆实际横摆角速度，利用车速传感器实时检测获得车辆实际行驶速度，利用转向角传感器实时检测测得车辆实际前轮转角，针对所述各实时数据利用遗传算法混合优化GPC的方法计算获得最优附加横摆力矩；步骤3：采用左右侧车轮驱动力规则分配方法，将所述最优附加横摆力矩分配为四轮独立驱动轮毂电机电动汽车的四个车轮的驱动力，并一一对应作用于各个车轮。 2.根据权利要求1所述的基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，其特征在于：在所述步骤1中，按如下过程计算获得理想横摆角速度和理想质心侧偏角：步骤1.1：基于汽车的侧向运动和横摆运动的两个自由度，建立由式(1)所表征的车辆二自由度线性模型： β为质心侧偏角，为质心侧偏角速度，r为横摆角速度，为横摆角加速度； l1为质心到前轴的距离，l2为质心到后轴的距离；k1为前轮侧偏刚度，k2为后轮侧偏刚度； Iz为转动惯量，m为整车质量，σf为前轮转角，vd为车速，M为附加横摆力矩；令前轮转角σf＝0，根据式(1)获得由式(2)所表征的车辆二自由度线性模型的传递函数F(s)： R(s)是横摆角速度r的拉普拉斯变换， M(s)是附加横摆力矩M的拉普拉斯变换，s表示传递函数F(s)中的复变量；利用双线性变换，将传递函数F(s)离散为由式(3)所表征的离散传递函数F(z)： R(z)是横摆角速度r的z变换， M(z)是附加横摆力矩M的z变换，z表示离散传递函数F(z)中的复变量； T0为采样周期； n0＝T02(a11a22+a12a21)-2T0(a11+a22)+4；n1＝2T02(a11a22-a12a21)-8； n2＝T02(a11a22-a12a21)+2T0(a11+a22)+4；步骤1.2：将理想质心侧偏角βd设定为0，即βd＝0；利用汽车动力学理论计算得到由式(4)所表征的k+j时刻的车辆理想横摆角速度rd(k+j)： K为稳定性因素， vd(k+j)为k+j时刻的车速；σf(k+j)为k+j时刻的车辆前轮转角； j＝1,2,…n，n为预测周期，以k+1表示k+1时刻，以k+2表示k+1的下一时刻，以k+j表示k+j-1的下一时刻；g为重力加速度，l为车辆轴距，u为路面附着系数。 3.根据权利要求2所述的基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，其特征在于：所述步骤2是按如下过程获得最优附加横摆力矩：步骤2.1：将由式(3)所表征的离散传递函数F(z)转换为式(5)： R(z)(n0+n1z-1+n2z-2)＝M(z)(m0+m1z-1+m2z-2) (5) 步骤2.2：根据GPC控制算法，在式(5)中引入丢番图方程，获得由式(6)所表征的k+j时刻的横摆角速度预测值re(k+j)： re(k+j)＝Fj(z-1)r(k)+Gj(z-1)ΔM(k+j-1) (6) r(k)是由横摆角速度传感器检测获得的k时刻横摆角速度实际值； Fj(z-1)和Gj(z-1)均为丢番图方程中的多项式； ΔM(k+j-1)为k+j-1时刻与k+j-2时刻的附加横摆力矩实际值的增量；根据GPC原理，给定预测周期n和控制周期N，n和N均为整数，得出横摆角速度预测值的矢量表现形式如式(7)： R＝GΔM+f (7) 式(7)中： R＝[re(k+1),re(k+2),…,re(k+n)]T； ΔM＝[ΔM(k),ΔM(k+1),…,ΔM(k+N-1)]T； f＝HΔM(k)+Fr(k)＝[f(k+1),f(k+2),…,f(k+n)]T； H1(z-1),H2(z-1)...Hn(z-1)为丢番图方程中的多项式， g0,g1,...gn-1为多项式Gj(z-1)中的多项式系数；步骤2.3：k时刻的优化性能指标函数J(k)由式(8)所表征：式(8)中，λ为控制加权常数，结合式(7)和式(8)，利用滚动寻优法得出附加横摆力矩增量的矢量表征形式如式(9)： ΔM＝(GTG+λI)-1GT(RD-f) (9) 式中：RD＝[rd(k+1),rd(k+2),…,rd(k+n)]T (10) I为单位向量；rd(k+1),rd(k+2),...,rd(k+n)是利用式(4)计算获得的预测周期n中的每一个采样时刻的理想横摆角速度；步骤2.4：在预测周期n中的每一个采样时刻，利用传感器分别采集获得前轮转角σf和车速vd，利用式(4)计算获得预测周期n中的每一个采样时刻的理想横摆角速度rd(k+1),rd(k+2),...,rd(k+n)，并获得由式(10)所表征的RD；再利用丢番图方程计算获得Gj(z-1)、H1(z-1),H2(z-1)...Hn(z-1)和Fj(z-1)的值；最后利用式(9)计算获得由式(11)所表征的k时刻的附加横摆力矩M(k)的值： M(k)＝M(k-1)+gT(RD-f) (11) 式(11)中，gT表示(GTG+λI)-1GT的第一行矢量；步骤2.5：将附加横摆力矩M(k)的值通过遗传算法进行优化，即得到最优的附加横摆力矩值Mm(k)。 4.根据权利要求3所述的基于遗传算法混合优化GPC的车辆横摆稳定性控制方法，其特征在于：所述步骤3具体包括：车辆四轮驱动力矩与四轮驱动力关系式由式(12)所表征： F1和T1分别为左前轮驱动力和驱动力矩，F2和T2分别为右前轮驱动力和驱动力矩， F3和T2分别为左后轮驱动力和驱动力矩，F4和T4分别为右后轮驱动力和驱动力矩； B为车轮半径；车辆四轮驱动力矩与给定的目标驱动力矩Tobj的关系式由式(13)所表征： Tobj＝T1+T2+T3+T4 (13) 将所述最优的附加横摆力矩值Mm(k)按如下规则分配：当Mm(k)＝0时，车辆处于中性转向状态，按平均分配的原则分配四轮驱动力如式(14)： F1＝F2＝F3＝F4 (14) 当Mm(k)>0时，车辆处于左转向不足或右转向过度状态，结合式(12)-式(14)获得由式(15)所表征的重新分配的四轮驱动力矩：当Mm(k)<0时，车辆处于右转向不足或左转向过度状态，结合式(12)-式(14)获得由式(16)所表征的重新分配的四轮驱动力矩：将所述最优的附加横摆力矩值Mm(k)分配为四轮独立驱动轮毂电机电动汽车的四个车轮的驱动力，一一对应作用于各个车轮。
所属类别：	发明专利