论文部分内容阅读
在环境污染日渐加重与有限能源问题愈发引起关注的社会背景下,电动汽车的出现成为了上述环境与能源困扰的有效解决途径。其中,分布式驱动电动汽车(Distributed Drive Electric Vehicles,DDEV)在其机械结构上采用四个内嵌在车轮里的轮毂电机,使得DDEV的各车轮单独可控,其控制方法也更加灵活多变,同时,由于增加了DDEV动力学耦合的复杂程度与控制的自由度,使得DDEV稳定行驶变得更加困难。本文针对DDEV在急转弯时出现的不足转向和侧向失稳等不确定性稳定问题进行研究。论文主要研究内容分为以下几个部分:首先,本文根据DDEV的结构特点及其工作特性进行了DDEV的动力学建模,包括其二自由度整车动力学模型、七自由度整车动力学模型和轮胎模型。并根据所建立的模型进一步对DDEV进行急转弯稳定性问题的特征参数分析和获取。其次,根据DDEV急转弯时其质心侧偏角极大,极易引发车辆侧翻的危险状况,以及电动汽车横摆角速度对车辆航向角的影响较大的特点,提出了一种基于模糊控制的横向稳定性控制系统,系统控制器包括上层的直接横摆力矩控制器和下层的转矩分配控制器。上层控制器以模糊控制算法为基础,根据质心侧偏角偏差及横摆角速度偏差得到车辆的总需直接横摆力矩;下层控制器以轮胎利用率最小为目标将上层控制器得到的横摆力矩分配至四个轮毂电机,驱动整车运行。并对上述控制系统进行仿真分析,分别对低速、中速、高速以及低附着系数、高附着系数等工况进行仿真实验,测试该系统的控制效果。最后,为解决基于模糊控制的横向稳定性控制系统出现的自适应能力差以及控制精度不太理想的状况,本文提出了一种基于模糊神经网络(Fuzzy Neural Network,FNN)的横向稳定性控制系统。系统控制器包括上层的直接横摆力矩控制器和下层的转矩分配控制器,上层控制器根据质心侧偏角偏差及横摆角速度偏差得到车辆的总需直接横摆力矩,控制器结构以FNN算法为基础,并通过BP反向学习算法根据质心侧偏角误差与横摆角速度误差对FNN网络参数进行在线训练;下层控制器以轮胎利用率最小为目标将上层控制器得到的横摆力矩分配至四个轮毂电机,驱动整车运行。同样地,对控制系统进行仿真分析,测试系统的控制改善效果。仿真实验表明,所提出的控制系统显著提升了DDEV的侧向稳定性,避免不足转向、侧翻、侧滑的情形,并且解决了基于模糊控制的横向稳定性控制系统出现的不确定性稳定问题,控制系统具有极强自适应能力,控制精度也更高。