Blog

Jul 17, 2023

Control coordinado del par del paso

Scientific Reports volumen 13, Número de artículo: 11564 (2023) Cite este artículo 233 Accesos 2 Detalles de Altmetric Metrics La seguridad vehicular es de considerable importancia para el desarrollo inteligente de

Scientific Reports volumen 13, número de artículo: 11564 (2023) Citar este artículo

233 Accesos

2 altmétrico

Detalles de métricas

La seguridad de los vehículos tiene una importancia considerable para el desarrollo inteligente de los vehículos híbridos. Sin embargo, el control de estabilidad en tiempo real o la distribución razonable del par en condiciones extremas de la carretera siguen siendo un gran desafío debido a los múltiples parámetros inciertos y las dificultades para conciliar el rendimiento de manejo y estabilidad. Para abordar los problemas anteriores para un vehículo híbrido con tracción en las 4 ruedas (4WD) para uso en carretera (TTR), este estudio proporciona un enfoque de gestión de manejo y estabilidad (HSM) incorporando reglas de optimización fuera de línea y modelos predictivos en línea. control (MPC). En primer lugar, el modelo dinámico del vehículo con siete grados de libertad (7-DOF) se utiliza para extraer reglas de distribución de par fuera de línea (ETDR fuera de línea), y la retroalimentación MPC en línea (MPCF en línea) se utiliza para compensar los requisitos de par adicionales para el pobre efecto en condiciones extremas. En consecuencia, los resultados de la optimización fuera de línea y la corrección en línea se fusionan para proporcionar la demanda de torque total dada la detección del estado de la carretera en tiempo real. Finalmente, se implementan pruebas en vehículos reales para validar la efectividad de la estrategia de coordinación de par propuesta. En comparación con el vehículo sin estrategia de control de par, el método propuesto mejora significativamente la capacidad del vehículo en las curvas y al mismo tiempo garantiza un alto rendimiento de estabilidad.

La seguridad de los vehículos desempeña un papel de gran alcance en la inteligencia de los vehículos, especialmente en los vehículos con tracción múltiple. Por ejemplo, las estrategias de control orientadas a la seguridad, incluido el control de estabilidad, el control de deriva del giro de la cola y el programa electrónico de estabilidad, siempre han llamado la atención de los investigadores del sector automovilístico1. Específicamente, la conducción extrema, incluida la alta velocidad y el ángulo de dirección intenso, es la razón principal de la inestabilidad del vehículo2. Por lo tanto, se han propuesto muchos métodos, incluida la suspensión activa (AS)3,4, el programa electrónico de estabilidad (ESP)5, el control de crucero dinámico6, el control de dirección activo (ASC)7 o el uso de barras estabilizadoras8, para abordar los problemas anteriores. Entre estos métodos, la cuestión relativa a la saturación de la fuerza lateral del neumático siempre es motivo de preocupación. Por ejemplo, el control directo de guiñada (DYC)9 genera el momento de guiñada adicional para ajustar la fuerza longitudinal de otras ruedas, mejorando la estabilidad del vehículo equipado con motores de cubo. Zhang et al.10 realizaron el control de estabilidad combinando los métodos DYC y AFC, que complementaron aún más la fuerza requerida. Mirzaei y Mirzaeinejad11 diseñaron un controlador orientado multivariable para optimizar los ángulos frontales. Liang et al.12 utilizaron la función de penalización para asignar el peso de AFS y DYC para garantizar la estabilidad de los vehículos 4WD durante la dirección. Estos métodos mejoran efectivamente la estabilidad del vehículo, pero la coordinación de estos dos métodos de control necesita más discusión.

Recientemente, la rápida respuesta del control y la viabilidad del control han atraído más atención por parte de los investigadores automotrices. Por ejemplo, el control jerárquico se propuso originalmente en 13 y 14 para perseguir el control de la velocidad y la precisión. En el controlador DYC superior, el momento de guiñada adicional se proporciona con el comportamiento de referencia; en la capa inferior, se optimizan múltiples objetivos, incluida la economía energética13, la estabilidad lateral15,16, la optimización de la cohesión de la carretera basada en reglas específicas17,18 así como la optimización de la transmisión de potencia19, para distribuir el par en cuatro ejecutores individuales. En cuanto al algoritmo de control, los controladores integrales de proporción difusa20,21 fueron ampliamente utilizados para optimizar la fuerza lateral; sin embargo, el PID tradicional tiene un efecto limitado sobre la estabilidad del vehículo. En las referencias 22 y 23 se utilizó el control de modo deslizante (SMC) para asegurar la estabilidad longitudinal y transversal del vehículo. Sin embargo, la desventaja del SMC es que es difícil eliminar las sacudidas transitorias. Hoy en día, con el desarrollo de la inteligencia artificial, se han considerado enfoques de optimización en las estrategias de control tradicionales. Martinsen et al.24 utilizaron el algoritmo de aprendizaje por refuerzo (RL) para seguir la trayectoria de referencia y, al mismo tiempo, garantizar la estabilidad lateral. Wang et al.25 ajustaron los parámetros del SMC mediante el algoritmo de gradiente de política determinista profundo en la optimización de RL. De manera similar, en 26, se utilizó el esquema RL para ajustar los parámetros del controlador PID. Wei et al.27,28 combinado con la seguridad del vehículo y la eficiencia en la utilización de energía, propusieron una estrategia de control de coordinación de par basada en RL profundo; posteriormente, la efectividad de esta estrategia fue demostrada mediante la simulación. Sin embargo, el enfoque RL no es adecuado para la operación en línea debido a su mayor sobrecarga computacional. Por lo tanto, se ha considerado un método más factible, denominado control predictivo de modo (MPC)29,30,31,32,33, para la ejecución en tiempo real y con restricciones múltiples. La literatura34 integró el AFS, el frenado diferencial (DB) y la 4WD en MPC por su compatibilidad, y la efectividad de la estrategia se demostró mediante la simulación conjunta de MATLAB y CarSim. Aunque el método MPC se usa ampliamente para optimizar el rendimiento de estabilidad lateral, el momento de guiñada requerido aún se genera a partir del ángulo de deslizamiento lateral de referencia (β) y la tasa de guiñada (ω). Por lo tanto, cómo equilibrar estos dos factores es importante para el control de la estabilidad de guiñada y la gestión coordinada del par, especialmente en el caso de circunstancias extremas como alta velocidad o baja adherencia.

El momento de guiñada calculado por el controlador superior se asigna a cada rueda de acuerdo con los requisitos específicos del controlador inferior. Por ejemplo, Ding et al.17 diseñaron el algoritmo de asignación promedio basado en las cargas verticales dinámicas. Sobre esta base, las Refs.35 y 36 lograron un mejor control de los criterios de deslizamiento mínimo de los neumáticos. Para equilibrar la fuerza longitudinal total, la fuerza lateral y el momento de guiñada para la estabilidad de dirección y frenado, en la Ref.37 se propuso el método de control pseudoinverso ponderado. En general, el algoritmo de asignación de par inferior basado en la optimización puede lograr un mejor efecto de control que el algoritmo de asignación basado en reglas; sin embargo, los métodos de optimización existentes tienen en cuenta poco las condiciones extremas de la carretera y los gastos generales de cálculo también requieren más atención.

Como se indicó, el objetivo de este artículo es que la estabilidad y la ejecutabilidad en tiempo real se tengan en cuenta al controlar el par. Aunque los estudios actuales sugieren que β y ω podrían considerarse como la referencia a la estabilidad del vehículo, existe información limitada que analiza el mecanismo de influencia de ellos en el manejo y la estabilidad del vehículo. Normalmente, la función objetivo de optimización se define en función de sus pesos básicos, ignorando las diferencias en sus impactos sobre la estabilidad de manejo. Además, también se debe considerar la influencia de múltiples factores ambientales y parámetros del vehículo, incluida la velocidad del vehículo y los coeficientes de adherencia a la carretera, en la estabilidad del vehículo. En última instancia, es importante formular una estrategia de control que pueda aplicarse en línea.

Con este fin, este artículo desarrolla una estrategia óptima de control de coordinación de par considerando la estabilidad del manejo del vehículo combinando un interruptor de estado anterior fuera de línea y una optimización del modelo en línea. Explícitamente, (1) Primero se desarrolla un modelo numérico de 7 grados de libertad utilizando los datos registrados de vehículos reales, que se ha validado con evaluaciones comparativas mutuas. (2) Las reglas de distribución de par para diversos coeficientes de adherencia a la carretera, la velocidad del vehículo y los ángulos de las ruedas delanteras se extraen fuera de línea mediante la técnica de optimización. Según los resultados de la optimización, se dividen las áreas efectivas que utilizan reglas de control fuera de línea. (3) El enfoque MPC, ampliamente utilizado, se emplea para mejorar la estabilidad del vehículo en aquellos lugares donde las reglas de control fuera de línea no son suficientes. Finalmente, utilizando un vehículo propulsado por combustible modificado con propulsión híbrida, se verifica un método de control de estabilidad y manejo del vehículo fuera de línea y en línea.

La siguiente es la estructura organizativa de todo el artículo. La sección "Diseño del modelo TTR" crea y valida el modelo TTR. La sección "Interpretación del método" sugiere el enfoque de distribución de torque, que incluye las operaciones de extracción fuera de línea y corrección en línea. La sección "Simulación y verificación experimental" demuestra la eficacia de la estrategia a través de la simulación y la experimentación. La sección "Conclusión" extrae la conclusión del texto completo.

El objetivo de este artículo es un vehículo híbrido de cuatro ruedas propulsado por un motor de combustible convencional y dos motores de cubo y su estructura se ilustra en la Fig. 1. Las ruedas traseras son impulsadas por dos motores de cubo mientras que las ruedas delanteras todavía están impulsadas por el motor. La estructura ha descartado el tradicional diferencial central y el eje de transmisión que recorre todo el vehículo. En otras palabras, cuatro ruedas se acoplan mediante la fricción de la carretera (TTR). El vehículo TTR tiene los siguientes modos, incluido el modo de motor puro, el modo eléctrico puro, el modo de generación de energía de conducción y el modo de conducción híbrida. En el modo eléctrico puro, los motores del eje trasero hacen que todo el vehículo funcione normalmente. En el modo de motor puro, el motor del cubo del eje trasero no funciona. En el modo híbrido, los motores de cubo del eje trasero y el motor del eje delantero distribuyen los requisitos de par en tiempo real según la intención del conductor y las condiciones actuales de la carretera, para garantizar la economía de combustible y la estabilidad de guiñada.

Configuración del sistema de propulsión TTR.

El modelo 7-DoF, como se muestra en la Fig. 2, tiene en cuenta la rotación de las cuatro ruedas, así como los movimientos del vehículo en las direcciones longitudinal, lateral y de guiñada, para representar el rendimiento durante todo el proceso de dirección en las curvas. Al mismo tiempo, este artículo también hace algunas suposiciones razonables sobre el modelo, como sigue:

Despreciando la influencia del sistema de dirección y utilizando directamente el ángulo de la rueda delantera como entrada de control.

Despreciando el papel del sistema de suspensión, suponiendo que el carro solo se mueve en un plano paralelo al suelo e ignorando el movimiento vertical del vehículo.

Modelo de vehículo de 7 grados de libertad.

Explícitamente, la ecuación dinámica longitudinal se representa de la siguiente manera.

donde Fxfl y Fxfr son las fuerzas longitudinales de las ruedas delanteras izquierda y derecha respectivamente, Fxrl y Fxrr son las fuerzas longitudinales de las ruedas traseras izquierda y derecha respectivamente, Fyfl y Fyfr son las fuerzas laterales de las ruedas delanteras izquierda y derecha respectivamente, θ es el ángulo de la rueda delantera, v es la velocidad longitudinal, CD es el coeficiente de resistencia del aire, A es el área de barlovento.

La ecuación dinámica lateral se expresa de la siguiente manera.

donde Fyfl y Fyfr son las fuerzas laterales de la rueda delantera izquierda y derecha respectivamente, Fyrl y Fyrr son las fuerzas laterales de la rueda trasera izquierda y derecha respectivamente.

La ecuación dinámica de guiñada se describe a continuación.

donde ∆Mz es el momento de guiñada adicional, a es la distancia desde el eje delantero al centro de masa, b es la distancia desde el eje trasero al centro de masa y lm es la mitad del ancho de vía.

Las ecuaciones (5), (6) pueden describir numéricamente la función del sistema de transmisión, incluido el modelo de caja de cambios y embrague. Debido a que este artículo se centra en analizar la seguridad del vehículo en condiciones extremas de la carretera, el proceso de embrague y el proceso de cambio se ignoran razonablemente.

El par de tracción de todo el vehículo (Td) se puede obtener de la ecuación. (5).

Debido a la particularidad del TTR diseñado en este trabajo, el par de salida del motor (Te) y de los motores (Tmr,Tml) se calcula según la Ec. (6).

donde, Td es el par de tracción de todo el vehículo, r es el radio del neumático, Te es el par del motor, Tmr y Tml son el par de los motores del cubo derecho e izquierdo, \(\eta\) es la eficiencia de la transmisión, i0 es la relación de velocidad del reductor principal e ig es la relación de velocidad de cada marcha de la caja de cambios, respectivamente.

La relación de transmisión ig se muestra en la Tabla 1.

Como se muestra en la Fig. 3a, b, el motor y el modelo del motor se construyen numéricamente utilizando mapas de estado estacionario y datos experimentales fuera de línea. El impacto del motor y su temperatura en el rendimiento laboral no se tiene en cuenta basándose en suposiciones plausibles.

(a) Curva característica del motor. (b) Curva característica del motor. (c) El voltaje terminal medido y la resistencia interna de una sola celda.

En la prueba experimental, se toma como unidad de batería en esta investigación una batería circular de litio Panasonic NCR-18650 con 3,6 V y 3,3 Ah. La Figura 3c muestra el voltaje terminal observado y la resistencia interna de un conjunto de celdas en función del SOC de la batería.

El cálculo de la fuerza lateral en la ecuación. (2) está estrechamente relacionado con las características de los neumáticos, los datos de los neumáticos del vehículo real que se modificará en este documento son 205/55 R16 de CarSim que se utilizan para el modelado, y las características de los neumáticos se muestran en la Fig. 4.

Modelo de neumático.

Puede verse en la Fig. 4 que la fuerza lateral del neumático no es lineal con el ángulo de deslizamiento lateral del neumático (αf). Por lo tanto, este artículo utiliza el método de consultar la tabla para calcular la fuerza lateral del vehículo, y el cálculo del ángulo de deslizamiento lateral del neumático se muestra en la ecuación. (7).

donde αfl, αfr, αrl y αrr son los ángulos de deslizamiento lateral de la rueda delantera izquierda, la rueda delantera derecha, la rueda trasera izquierda y la rueda trasera derecha, respectivamente, ω la velocidad de guiñada, vx y vy representan la velocidad longitudinal y lateral respectivamente.

Luego, el modelo Simulink 7-DOF se prueba con un modelo de automóvil fabricado en CarSim en el paso θ = 0,05 rad, μ = 0,6, v = 40 km/h y distribución de par promedio entre los ejes delantero y trasero y las ruedas izquierda y derecha. La Tabla 2 muestra los parámetros estructurales para el modelado de vehículos. Los resultados de dos programas de simulación separados se muestran en la Fig. 7.

Como se muestra en la Fig. 5a, b, los resultados de la simulación del modelo 7-DOF y el modelo CarSim son marginalmente diferentes. Esto se debe a que el modelo Simulink no tiene en cuenta el AS, mientras que el modelo CarSim tiene grados de libertad adicionales. Sin embargo, según los resultados de la simulación, Simulink 7-DOF puede representar fielmente el movimiento en circunstancias de conducción del mundo real porque la inexactitud general es inferior al 5%. Como resultado, Simulink 7-DOF constituye la base del resto de este ensayo.

(a,b).Resultados de comparación de diferentes modelos. (cd). Influencia del par de los ejes delantero y trasero en la estabilidad del manejo. ( e, f ) Influencia del par del eje izquierdo y derecho sobre la estabilidad oscilante.

La Tabla 3 muestra las condiciones de configuración de la simulación para las figuras 5c-f. La Figura 5c, d muestra que a medida que aumenta la relación de distribución de par de los ejes delantero y trasero, el pico de β disminuye de − 0,0257 a − 0,018 rad/s, y el pico de ω disminuye de 0,23 a 0,22 rad/s. Esto muestra que cuando el vehículo gira, el eje delantero obtiene más potencia y tiene cierto efecto en mejorar la dirección excesiva del vehículo.

Las Figuras 5e,f ilustran que cuando la rueda exterior alcanza una distribución de par del 90% en comparación con la rueda interior, el valor máximo de β aumenta de − 0,017 a − 0,032 rad. De manera similar, el valor máximo de ω aumenta de 0,22 a 0,24 rad/s. Ilustra que la transferencia de potencia de las ruedas exteriores puede aumentar la capacidad de dirección, mientras que la transferencia de potencia de las ruedas interiores puede controlar la tendencia excesiva de la dirección del vehículo.

La Figura 5 muestra que la magnitud de los cambios β y ω durante la dirección difieren sustancialmente, y β permanece constante para todo el vehículo en la mayoría de los escenarios de conducción. Como resultado, se prioriza ω como objetivo de optimización en este estudio.

La Figura 5 muestra que la magnitud de los cambios en la velocidad de guiñada y el deslizamiento lateral durante el proceso de dirección varían mucho, y el deslizamiento lateral se mantiene alrededor de 0 rad en la mayoría de las condiciones de conducción. Por lo tanto, la simple ponderación de ambas variables no puede medir la estabilidad de manejo de manera efectiva. Como la tasa de guiñada refleja la severidad del proceso de giro y el deslizamiento lateral indica si el automóvil sigue la trayectoria de giro esperada, este estudio utiliza la tasa de guiñada como el principal objetivo de optimización.

La extracción fuera de línea de las reglas de distribución de par se muestra en la Fig. 8. La técnica particular consiste en cambiar la distribución de par de los ejes delantero y trasero, así como de los ejes izquierdo y derecho, en el modelo 7-DOF de modo que el ω real El valor siempre coincide con el valor de referencia adquirido por el modelo 2-DOF.

Las reglas de control fuera de línea obtenidas de la prueba de simulación se muestran en las Tablas 4, 5, 6, 7, 8. Usando los resultados de optimización de θ = 0,05 rad, μ = 0,6 y v = 40 km/h como ejemplo, 0,4/ 0,2 significa que el par motor del eje delantero representa el 40% del par motor total y el par motor de la rueda izquierda representa el 20% del par motor del eje trasero.

La efectividad de la regla de control fuera de línea en este estudio se demuestra en la Fig. 6 por el hecho de que ω que utiliza las reglas de control fuera de línea (0,8/0,4) está más cerca de la referencia. Sin embargo, se puede ver en la Fig. 7a que en condiciones extremas de la carretera, incluso si se utiliza la regla de control fuera de línea, todo el vehículo no puede alcanzar el mejor estado de movimiento. La Figura 7b muestra que, aunque la regla de control fuera de línea (0,2/0,8) no puede hacer que todo el vehículo se acerque a la referencia, está más cerca de ella que sin la relación de distribución de par optimizada (0,5/0,5), lo que demuestra la corrección y eficacia. de la regla de control fuera de línea.

Validación del ETDR fuera de línea.

Validación del ETDR fuera de línea para condiciones operativas extremas.

Como se indicó anteriormente, el ETDR fuera de línea no puede garantizar completamente que el estado de movimiento total del vehículo coincida con los estados de referencia, especialmente a la luz de las terribles condiciones de la carretera. Como consecuencia, en este estudio se cuenta la eficacia del ETDR fuera de línea, como se muestra en la Tabla 9. Para hacer que el estado de movimiento de todo el vehículo coincida con el estado de referencia, el ETDR fuera de línea se puede utilizar en la región A. El ETDR fuera de línea se puede utilizar en la región A. -ETDR en la región D no tiene ningún efecto en hacer que el estado de movimiento del vehículo se ajuste al estado de referencia. El ETDR fuera de línea tiene cierta influencia de control en las regiones B y C, pero no puede verificar completamente que el estado de movimiento real del vehículo se ajuste al estado de referencia.

Por lo tanto, en las regiones B, C y D, donde el efecto de control es bajo, los requisitos de control para la estabilidad no pueden satisfacerse únicamente mediante una distribución fija del par. Por un lado, la distribución del par debe adaptarse de forma flexible al estado del vehículo; por otro lado, el β debe considerarse en términos de estabilidad de manejo. Para acercar el estado de movimiento de todo el vehículo a las circunstancias ideales, se ha implementado un control correctivo en línea en tiempo real sobre la base de la optimización fuera de línea.

Dado que sólo las reglas de distribución de par fuera de línea tienden a limitarse a la optimización del rendimiento de estabilidad de guiñada, especialmente en condiciones extremas de la carretera, el proceso de corrección en línea es significativamente necesario. El control predictivo de modelos (MPC), que puede prever cambios en el estado del sistema causados ​​por cambios en las variables de control, es un enfoque de control basado en modelos capaz de controlar un sistema dinámico respetando diversas restricciones. Por tanto, el MPC en tiempo real se utiliza para corregir la trayectoria de control de estabilidad de guiñada.

En este estudio, las variables de estado, variables de control y variables de salida del sistema de control se muestran a continuación.

donde x representa la variable de estado, u representa la variable de control, y representa la variable de salida, Fx es la fuerza de tracción longitudinal, ∆MZ es el momento de guiñada adicional, β es el ángulo de deslizamiento lateral, ω es la velocidad de guiñada, el cálculo de Fx y ∆MZ se muestran en las ecuaciones. (1, 2, 3, 4).

Los valores de las variables de salida del sistema se representan a continuación.

El espacio de estados del sistema se puede obtener mediante la ecuación. (10).

Debido a las características no lineales de la ecuación. (10), la fórmula de Taylor se utiliza para la aproximación lineal en el punto de referencia (xf,uf), como se muestra en la ecuación. (11).

Entre

Además, la ecuación. (12) se resta de la ecuación. (11).

Para simplificar aún más la ecuación. (13), se utilizan los siguientes símbolos:

Por lo tanto, la linealización de la ecuación no lineal. (10) está completo.

donde las matrices A y B se pueden expresar de la siguiente manera.

Para hacer la Ec. (15) discreto, el método de Euler directo como se muestra en la ecuación. (18) se utiliza.

donde T es el tiempo de muestreo.

Además, para simplificar la ecuación. (19), se utilizan los siguientes símbolos.

dónde

Suponiendo que el paso en el dominio del tiempo de predicción del sistema es p y el paso en el dominio del tiempo de control es m (m ≤ p), se expresan las variables de salida y las variables de control en el paso p.

Además, para simplificar la ecuación. (24), se utilizan los siguientes símbolos.

Para permitir que la salida real rastree rápidamente el valor esperado, el ángulo de deslizamiento lateral y la tasa de guiñada del modelo de referencia del vehículo 2-DOF se toman como valor de referencia, y su secuencia es la siguiente.

En este capítulo, el objetivo de optimización como se muestra en la ecuación. (30) se escribe como cuadrática. Además, el coeficiente de peso y el factor de relajación como se muestra en la ecuación. (31) se agregan al objetivo de optimización ya que el modelo del sistema varía en el tiempo y no puede garantizar que el objetivo de optimización pueda proporcionar una solución viable en todo momento.

En la ecuación. (32), el primer término de la fórmula se utiliza para castigar la desviación entre la producción prevista y la referencia en el dominio del tiempo, el segundo término es el requisito del sistema para un cambio constante y el tercer término evita que el sistema no tenga resultados factibles. solución en el ciclo de control.

Dada la tasa de uso de adherencia de neumáticos más baja, la fuerza longitudinal y el momento de guiñada adicional calculado por el MPC anterior se distribuyen equitativamente entre los ejes delantero y trasero, así como entre las ruedas izquierda y derecha. Por lo tanto, el problema de optimización de la distribución de par se puede expresar como la siguiente ecuación. (33).

donde λi es una constante, Fzi es la fuerza vertical de cada rueda, r es el radio de rodadura de la rueda, μi es el coeficiente de adherencia a la carretera de cada neumático, ∆Mz es el momento de guiñada adicional, T es el par motor de cada rueda .

El cálculo de la fuerza vertical del vehículo (Fzi) en la ecuación. (33) se puede obtener a partir de la siguiente ecuación. (34).

donde, Fzfl, Fzfr, Fzrl y Fzrr son las cargas verticales de la rueda delantera izquierda, la rueda delantera derecha, la rueda trasera izquierda y la rueda trasera derecha, respectivamente, y L es el ancho de vía, y hg es la distancia desde la centro de masa con respecto al suelo.

Cuando todo el vehículo se mueve en la región A (como se muestra en la Tabla 9), el ETDR fuera de línea puede mantener el rendimiento de movimiento de todo el vehículo. En este momento, el par de las ruedas de todo el vehículo solo necesita distribuirse de acuerdo con el ETDR fuera de línea. En otras áreas, la estabilidad de todo el vehículo no puede garantizarse únicamente mediante los resultados de la optimización fuera de línea. Por lo tanto, se considera combinar la estrategia de corrección ETDR fuera de línea y MPCF en línea en las regiones B, C y D para mejorar la estabilidad de manejo. La ecuación de diseño. (35) en este estudio integra el par de las ruedas de todo el vehículo, y el valor de K está determinado por la Tabla 9.

aquí, el valor de ki en la ecuación. (35) está determinada por la Tabla 9. Cuando el vehículo está en movimiento en el área A, kA = 0. De manera similar, kB = 0,3, kC = 0,5, kD = 0,8 pueden obtenerse. La Figura 8 muestra el flujo de la estrategia de control de estabilidad y manejo del vehículo (HSM) utilizando la combinación de estrategia de corrección ETDR fuera de línea y MPCF en línea.

Diagrama esquemático de la estrategia de control de estabilidad.

La Figura 9 muestra el impacto del control de la tasa de guiñada de las estrategias de control del HSM a v = 80 km/h, μ = 0,6 y θ = 0,05 rad. En comparación con el ω bajo ETDR únicamente fuera de línea en la Fig. 7a, el enfoque de control sugerido puede acercar el ω lo más posible a la referencia en condiciones de operación difíciles.

Tasa de guiñada bajo diferentes métodos.

Se eligieron la condición de paso representativo, la condición de carril único y la condición de carril doble para evaluar la eficacia de la técnica de gestión de la estabilidad descrita en esta investigación en carreteras con coeficientes de adherencia variados. Las condiciones de configuración de la simulación se muestran en la Tabla 10.

La efectividad de emplear la técnica HSM en una carretera con mala adherencia se muestra en la Fig. 10. En comparación con el movimiento de todo el vehículo sin una estrategia de control, el HSM puede garantizar que β y ω del vehículo siempre sigan el valor de referencia. lo que ha mejorado la estabilidad general del vehículo en condiciones de trabajo extremas y ha logrado un efecto de control subóptimo en comparación con el MPC.

Simulación de pavimento de baja adherencia.

La Fig. 11 muestra que los valores máximos de β y ω son más bajos en la condición de una carretera de alta adherencia que en una carretera de baja adherencia. Sin embargo, la técnica HSM que combina ETDR fuera de línea y MPCF en línea también demuestra beneficios claros, a saber, la capacidad de los valores reales β y ω de seguir consistentemente el valor de referencia.

Simulación de pavimento de alta adherencia.

La plataforma de prueba de estabilidad del vehículo TTR se establece en esta investigación como se ilustra en la Fig. 12. La señal de ángulo, la información de velocidad de la rueda, la aceleración angular de guiñada y las señales de aceleración lateral registradas por el sensor de ángulo del volante, el sensor de velocidad de la rueda y tres -El acelerómetro del eje se muestrea y se transmite al controlador del vehículo a través del bus CAN. Después del cálculo integrado del controlador del vehículo, se determinan la velocidad del vehículo, el ángulo de la rueda delantera, el coeficiente de adherencia a la carretera, la velocidad angular de guiñada y el ángulo de deflexión lateral, y las condiciones de conducción de la carretera se juzgan en función de las señales de ángulo muestreadas actualmente. Además, todos los protocolos experimentales fueron aprobados por el Instituto de Tecnología de Beijing.

La plataforma de prueba para TTR.

De acuerdo con la división de áreas efectivas para el uso de reglas de control fuera de línea, si las condiciones actuales de la carretera son adecuadas para usar directamente reglas de control fuera de línea, es suficiente llamar y usar directamente el ETDR fuera de línea en el controlador del vehículo, si el ETDR fuera de línea no puede Para utilizarlo directamente en las condiciones actuales de la carretera, la relación de distribución de par de los ejes delantero y trasero y las ruedas izquierda y derecha se puede calcular en tiempo real a través del controlador del vehículo. La ecuación (35) se utiliza para sintetizar los pares correctivos fuera de línea y en línea junto con la detección de las condiciones actuales de conducción de la carretera. El controlador de estabilidad del vehículo entrega el par fusionado de la rueda al controlador del motor y al controlador del motor a través de CAN, completando todo el proceso de control.

La velocidad de prueba se establece en 60 km/h, y la prueba de carril único cuyo estándar se puede encontrar en GB/T 6323-2014 se realiza sobre un pavimento de cemento con un coeficiente de adherencia de aproximadamente 0,8. Los ángulos de las ruedas delanteras son algo diferentes cada vez debido al impacto de la manipulación del conductor, aunque son bastante similares. La Figura 13 muestra los resultados de la prueba y la Tabla 11 cuenta la desviación máxima y la desviación relativa del área del valor de prueba y el valor de referencia de ω en condiciones de carril único para demostrar el éxito de la técnica de control sugerida. La desviación máxima indica las características de dirección instantáneas del vehículo, mientras que la desviación relativa del área representa las características promedio de dirección y conducción del vehículo.

Tasa de guiñada de un solo carril.

La desviación máxima se define de la siguiente manera:

donde el símbolo dev es la desviación máxima, ωh es el valor máximo de la tasa de guiñada real y ωrh es el valor máximo de la tasa de guiñada de referencia.

La desviación del área se define de la siguiente manera:

Defina con más detalle la desviación relativa del área:

donde E1 es la desviación del área sin estrategia de control, E2 es la desviación del área de la estrategia de regla de control fuera de línea, E3 es la desviación del área de la estrategia de control combinada en línea y fuera de línea, ω es la tasa de guiñada real, ωr es la tasa de guiñada de referencia; y t es el tiempo de operación real.

La Tabla 11 muestra que la desviación máxima y la desviación relativa del área entre ω de todo el vehículo y la referencia son las más pequeñas cuando se utiliza la estrategia HSM, lo que indica que la estrategia HSM optimiza todo el vehículo en el proceso de conducción transitorio y general. Aunque la desviación máxima y la desviación relativa del área de ω bajo el control de reglas fuera de línea no son tan excelentes como el rendimiento general del movimiento del vehículo bajo la estrategia HSM, son mejores que el efecto de control sin estrategia de control.

La velocidad de prueba se establece en 60 km/h y la verificación de la estabilidad se realiza en un pavimento de cemento con un coeficiente de adherencia al pavimento de aproximadamente 0,8 durante la situación de trabajo de doble carril cuya norma se puede encontrar en GB/T 6323-2014. La Figura 14 muestra los resultados de la prueba y la Tabla 12 muestra la desviación máxima y la desviación relativa del área de la prueba y los valores de referencia de ω en la condición de trabajo de doble carril.

Tasa de guiñada de doble carril.

La Tabla 12 muestra que, en comparación con el efecto de control sin una estrategia de control, el enfoque de regla de control fuera de línea y la estrategia HSM pueden reducir la desviación máxima y la desviación relativa del área de la tasa de guiñada de todo el vehículo. Las estrategias de control del HSM pueden mejorar el rendimiento general del movimiento del vehículo.

Con el objetivo de abordar el problema de estabilidad del vehículo eléctrico híbrido TTR 4WD, este artículo desarrolla una estrategia integrada de control de estabilidad basada en la formulación ETDR fuera de línea y la corrección MPCF en línea. La simulación y los resultados experimentales han demostrado los siguientes puntos.

Se utiliza un modelo de 7 DOF para extraer las reglas de distribución de par fuera de línea y se introduce un enlace de retroalimentación MPC para corregir la distribución de par en línea para algunas regiones con resultados deficientes.

Según el reconocimiento del estado de la carretera, el ETDR fuera de línea y el par corregido por el MPCF en línea están fusionados. Los resultados de la simulación muestran que la estrategia de control propuesta puede mejorar significativamente la capacidad del vehículo en curvas extremas y garantizar un mejor manejo y estabilidad en comparación con el movimiento del vehículo sin control.

En situaciones de conducción de carril único y carril doble, el enfoque de maniobrabilidad y estabilidad se prueba en vehículos del mundo real. En comparación con ningún control, la estrategia de control de HSM desarrollada en este artículo puede reducir la desviación máxima y la desviación del área de la tasa de guiñada en un 18,1 % y un 10,3 % en la condición de carril único, y en un 25 % y un 11,4 % en la condición de cambio de carril doble. Los resultados de las pruebas demuestran que la técnica HSM presentada en este estudio ha mejorado la estabilidad de manejo general del vehículo.

Por razones de seguridad, este documento sólo lleva a cabo una verificación funcional preliminar del control de estabilidad en condiciones de carretera de baja velocidad y alta adherencia a través de experimentos. La verificación de las condiciones de conducción en carreteras extremas es el contenido urgente. Además, la futura dirección de la investigación es seguir diseñando el observador estatal para el deslizamiento lateral.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente previa solicitud razonable.

A través del camino

Tracción en las 4 ruedas

Gestión de manejo y estabilidad.

Control predictivo del modelo

Reglas de distribución de par de extracción fuera de línea

Comentarios de MPC en línea

Suspensión activa

Programa de Estabilidad Electrónica

Control de dirección activo

estado de la carga

Transmisión automática manual

Control basado en reglas

Control directo de guiñada

Proporción-integral-derivada

Control de modo deslizante

Aprendizaje reforzado

Siete grados de libertad

Dos grados de libertad

La fuerza longitudinal total

Las fuerzas longitudinales de la rueda delantera izquierda.

Las fuerzas longitudinales de la rueda delantera derecha.

Las fuerzas longitudinales de la rueda trasera izquierda.

Las fuerzas longitudinales de la rueda trasera derecha.

La fuerza lateral total

Las fuerzas laterales de la rueda delantera izquierda.

Las fuerzas laterales de la rueda delantera derecha.

Las fuerzas laterales de la rueda trasera izquierda.

Las fuerzas laterales de la rueda trasera derecha.

El momento de guiñada total

El momento de guiñada adicional

La distancia desde el eje delantero al centro.

La distancia desde el eje trasero al centro.

La variable de salida

La tasa de guiñada

El tiempo de muestreo

El coeficiente de peso.

Velocidad del vehículo

La mitad del ancho de vía

El ángulo de la rueda delantera

El coeficiente de resistencia del aire.

la zona de barlovento

El par motor de todo el vehículo.

El radio del neumático

El par del motor

El par de los motores de cubo.

La eficiencia de transmisión

La relación de velocidad del reductor principal.

La relación de velocidad de cada marcha de la caja de cambios.

La variable de estado

Control variable

El ángulo de deslizamiento lateral

Peso del vehículo

Constante

Coeficiente de adherencia a la carretera

La fuerza vertical de cada rueda.

Ángulo de deslizamiento lateral del neumático

Zhang, B. y col. Control robusto y tolerante a fallos para vehículos eléctricos de cuatro ruedas accionados individualmente teniendo en cuenta las características de dirección del conductor. Instituto J. Franklin. 6, 5883–5908 (2021).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Alves, JAV, Chinelato, CIG & Angelico, BA Regiones de estabilidad lateral de vehículos para aplicaciones de control. Acceso IEEE. 10, 87787–87802 (2022).

Artículo de Google Scholar

Jin, X. y col. Diseño de controlador robusto restringido para suspensión activa de vehículos eléctricos con tracción en las ruedas. Matemáticas 9(3), 249 (2021).

Artículo de Google Scholar

Nguyen, DN & Nguyen, TA Evalúan la estabilidad del vehículo cuando se utiliza el sistema de suspensión activa con un actuador hidráulico controlado por el algoritmo OSMC. Ciencia. Rep. 12, 19364 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Bengler, K. y col. Tres décadas de sistemas de asistencia al conductor: revisión y perspectivas de futuro. Intel IEEE. Transp. Sistema. revista 6(4), 6-22 (2014).

Artículo de Google Scholar

Chen, Y. et al. Un nuevo diseño de controlador predictivo de modelo híbrido para crucero adaptativo de vehículos eléctricos autónomos. J. Adv. Transp. 1, 1–25 (2021).

Google Académico

Jin, X. y col. Mejora de la estabilidad del manejo del vehículo basándose en el sistema combinado AFS y DYC mediante un robusto control difuso Takagi-Sugeno. Traducción IEEE. Intel. Transp. Sistema. 19(8), 2696–2707 (2018).

Artículo de Google Scholar

Tuljapure, SB & Kanna, LS Análisis de la barra de estabilidad. En t. J. Adv. Madre. Fabricante. Carácter. 3(1), 349–353 (2013).

Google Académico

Novellis, LD et al. Control directo del momento de guiñada accionado mediante transmisiones eléctricas y frenos de fricción: diseño teórico y evaluación experimental. Mecatrónica 26, 1-15 (2015).

Artículo de Google Scholar

Zhang, H. & Wang, J. Control de la dinámica lateral del vehículo mediante AFS/DYC y un enfoque robusto de programación de ganancias. Traducción IEEE. Veh. Tecnología. 65(1), 489–494 (2016).

Artículo de Google Scholar

Mirzaei, M. & Mirzaeinejad, H. Fuzzy programó el control óptimo de los sistemas integrados de dirección y frenado del vehículo. Trans. IEEE/ASME. Mecatrón. 22(5), 2369–2379 (2017).

Artículo de Google Scholar

Liang, Y. et al. Control lateral integrado para vehículos 4WID/4WIS en condiciones de alta velocidad considerando la magnitud de la dirección. En t. J. Veh. Mec. Móvil. 58(11), 1711-1735 (2020).

Google Académico

Wei, H. y col. Modelado y validación experimental de una estrategia de distribución de par de vehículos eléctricos hacia la seguridad activa y la eficiencia energética. Energía 239, 121953 (2022).

Artículo de Google Scholar

Ni, J. y col. Estabilidad estática relajada para vehículos terrestres de cuatro ruedas accionados independientemente. Mec. Sistema. Proceso de señal. 127(15), 35–49 (2019).

ADS del artículo Google Scholar

Lu, Q. y col. Conformación de bucles H∞ para el control vectorial de par de vehículos eléctricos: diseño teórico y evaluación experimental. Mecatrónica 35(5–6), 32–43 (2016).

Artículo de Google Scholar

Jing, H. y col. Robusto control dinámico de retroalimentación de salida H ∞ para vehículos terrestres eléctricos de cuatro ruedas accionados independientemente a través de AFS/DYC integrado. Instituto J. Franklin. 355(18), 9321–9350 (2018).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Ding, S., Lu, L. & Wei, XZ Diseño de control directo del momento de guiñada en modo deslizante para vehículos eléctricos sobre ruedas. Traducción IEEE. Indiana electrón. 64(8), 6752–6762 (2017).

Artículo de Google Scholar

Wang, K. y col. Control sinérgico de movimiento lateral basado en límites dinámicos de un vehículo autónomo de conducción distribuida. Ciencia. Rep. 11(1), 22644 (2021).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Li, Y. et al. Control coordinado del sistema de dirección y de los motores distribuidos para una optimización integral del rendimiento dinámico y del consumo energético de un vehículo eléctrico. Proc. Inst. Mec. Ing. Parte D J. Automob. Ing. 231(12), 1605–1626 (2016).

Artículo de Google Scholar

Cheng, W., Song, C. y Li, J. Mejora del control activo del momento de guiñada basado en la plataforma de prueba ESC de vehículos con ruedas eléctricas. En Quinta Conferencia Internacional sobre Instrumentación y Medición (IEEE, 2016).

Zhai, L., Sun, T. & Jie, W. Control electrónico de estabilidad basado en la conducción del motor y la distribución del par de frenado para un vehículo eléctrico con motor de cuatro ruedas. Traducción IEEE. Veh. Tecnología. 65(6), 4726–4739 (2016).

Artículo de Google Scholar

Wang, Z. y col. Mejora de la estabilidad del vehículo mediante control jerárquico para un vehículo eléctrico de cuatro ruedas accionado independientemente. Energías 10(7), 947 (2017).

Artículo de Google Scholar

Liu, M.-C. et al. Desarrollo de un sistema de control óptimo para la estabilidad longitudinal y lateral de un vehículo eléctrico individual de ocho ruedas motrices. En t. J. Veh. Des. 69(1–4), 132–150 (2015).

Artículo de Google Scholar

Martinsen, AB y cols. Control de seguimiento basado en aprendizaje de refuerzo de USV en diferentes condiciones operativas. Frente. Robot. AI. 7, 32 (2020).

Artículo PubMed PubMed Central Google Scholar

Wang, D. y col. Control adaptativo de modo deslizante basado en diseño DDPG para vehículos submarinos autónomos a diferentes velocidades. En 2019 IEEE Underwater Technology (UT). (IEEE, 2019).

Wang, XS, Cheng, YH & Sun, W. Una propuesta de controlador PID adaptativo basado en aprendizaje por refuerzo. Universidad J. China. Mín. Tecnología. 17(1), 40–44 (2007).

Artículo de Google Scholar

Wei, H. y col. Control de seguridad activa basado en aprendizaje por refuerzo profundo para vehículos eléctricos de tracción distribuida. IET Intel. Transp. Sistema. 16(6), 813–824 (2022).

Artículo de Google Scholar

Wei, H. y col. Estrategia de control de par directo basada en aprendizaje por refuerzo profundo para vehículos eléctricos de tracción distribuida teniendo en cuenta la seguridad activa y el rendimiento de ahorro de energía. Energía 238, 121725 (2022).

Artículo de Google Scholar

Peng, H. y col. Control coordinado de par de vehículos de tracción independiente con motor de cuatro ruedas teniendo en cuenta la seguridad y la economía. Traducción IEEE. Veh. Tecnología. 68(10), 9604–9618 (2019).

Artículo de Google Scholar

Guo, H. y col. Control de seguimiento de trayectoria de horizonte móvil orientado a doble envoltura para vehículos totalmente automatizados. Mecatrón. Ciencia. Intel. Mach. 50, 422–433 (2018).

Google Académico

Lee, J. & Chang, HJ Análisis del control predictivo de modelos explícitos para el control de seguimiento de ruta. MÁS UNO 13(3), 0194110 (2018).

Artículo de Google Scholar

Ersal, ST Una formulación de control predictivo de modelo no lineal para evitar obstáculos en vehículos terrestres autónomos de alta velocidad en entornos no estructurados. Veh. Sistema. Din. 56(6), 853–882 (2018).

ADS del artículo Google Scholar

Xiang, C. y col. Gestión de energía basada en MPC con predicción adaptativa de cadena de Markov para un vehículo eléctrico híbrido de modo dual. Tecnología. Ciencia. 5(60), 93-104 (2017).

Google Académico

Haiqing, L. y col. Estrategia de emergencia para evitar colisiones para vehículos autónomos basada en dirección y frenado diferencial. Ciencia. Rep. 12(1), 22647 (2022).

Artículo de Google Scholar

De Novellis, L. et al. Criterios de distribución del par de las ruedas para vehículos eléctricos con diferenciales de vectorización del par. Veh. Tecnología. 63(4), 1593–1602 (2014).

Artículo de Google Scholar

Novellis, LD, Sorniotti, A. & Gruber, P. Distribución óptima del par de las ruedas para un vehículo totalmente eléctrico con tracción en las cuatro ruedas. En el Congreso Mundial SAE. vol. 6, núm. 1, 128-136 (2013).

Wang, J. & Longoria, RG Control coordinado de la dinámica del vehículo con distribución de control. En la Conferencia Americana de Control de 2006 (IEEE Xplore, 2006).

Descargar referencias

Este trabajo cuenta con el apoyo financiero en parte de la Fundación de Ciencias Postdoctorales de China bajo la subvención No. 2022TQ0032 y 2022M710380.

Laboratorio clave de medición, control y seguridad de vehículos de la provincia de Sichuan, Universidad Xihua, Chengdu, 100089, Sichuan, China

Likang Fan, Yiqiang Peng y Xiuchao Bao

Laboratorio de Investigación de Vehículos de Bajas Emisiones, Instituto de Tecnología de Beijing, Beijing, 100081, China

Likang Fan y Hongqian Wei

Mianyang Fulin Precision Co, Ltd, Fenghuang Middle Road #37, distrito de Fucheng, Mianyang, Sichuan, China

Jun Wang y Meng Deng

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

LF completó la redacción del manuscrito, HW apoyó el método y la idea del artículo, JW y MD completaron el modelado y la simulación del artículo, y YP y XB brindaron soporte técnico en la parte experimental del artículo. Los autores afirman que nada del material del manuscrito ha sido publicado ni está bajo consideración para su publicación en otro lugar. Además, todos los autores revisaron el artículo antes de enviarlo y aceptaron enviarlo a la revista.

Correspondencia a Hongqian Wei.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Fan, L., Wang, J., Deng, M. et al. Control coordinado de par del vehículo híbrido con tracción en las 4 ruedas (4WD) para uso en carretera (TTR) en condiciones extremas de la carretera. Representante científico 13, 11564 (2023). https://doi.org/10.1038/s41598-023-38813-3

Descargar cita

Recibido: 10 de febrero de 2023

Aceptado: 15 de julio de 2023

Publicado: 18 de julio de 2023

DOI: https://doi.org/10.1038/s41598-023-38813-3

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.