日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網

  • 公眾號

    • 汽車測試網

    • 在線課堂

    • 電車測試

首頁 > 汽車技術 > 正文

基于路面辨識的主動避撞系統(tǒng)制動性能

2020-12-15 13:20:49·  來源：汽車制動之家  作者：袁朝春,張龍飛,陳龍,何友國,范興根(江蘇大學汽車與交通工程學院)  
　
摘要：為了避免路面差異給制動系統(tǒng)帶來的困難,改善壓力控制遲滯現(xiàn)象。本文設計了一套路面峰值附著系數(shù)辨識算法及單神經元PID壓力控制器,并深入研究了路面對于制
摘要：為了避免路面差異給制動系統(tǒng)帶來的困難,改善壓力控制遲滯現(xiàn)象。本文設計了一套路面峰值附著系數(shù)辨識算法及單神經元PID壓力控制器,并深入研究了路面對于制動性能的影響,比較了基于路面峰值附著系數(shù)的最大制動力與ABS最大強度制動的制動效果。通過Matlab/Simulink仿真驗證了辨識算法的有效性,并將兩種壓力控制器進行了對比,再利用CarSim/Simulink聯(lián)合仿真分析了不同路面附著條件下兩種制動系統(tǒng)的制動性能。仿真結果表明,該辨識算法具有較高的精度,誤差控制在5%左右;所設計的壓力控制器響應迅速,超調量較小,且無穩(wěn)態(tài)靜差;隨著路面附著條件的變差,ABS制動性能下降,而基于路面辨識的制動系統(tǒng)仍具有較好的制動效果,呈現(xiàn)明顯的優(yōu)勢。

引言

美國國家高速公路安全委員會(NHTSA)的調研表明,致死道路交通事故中,90%以上歸咎于駕駛員錯誤駕駛,只有3%的交通事故是車輛故障引起的[1]。因而針對糾正駕駛員錯誤駕駛的安全系統(tǒng)研究,將在很大程度上降低事故發(fā)生概率。主動避撞系統(tǒng)可以在事故發(fā)生前警示駕駛員,并在駕駛員未做出相應避險操作時自動控制車輛,達到規(guī)避危險的目的。研究表明[2],主動避撞系統(tǒng)可使追尾事故概率降低62%。然而現(xiàn)有主動避撞系統(tǒng)往往忽視了道路因素,沒有充分發(fā)揮路面附著條件,導致制動性能變差,避撞效率降低。汽車制動性能作為汽車的主要性能之一,直接關系到交通安全。影響制動性能的因素很多,如車速、制動力、道路條件等[3],其中道路條件是影響制動性能的關鍵因素。

文獻[4]提出ABS汽車在滑動率為15%～20%時獲得最大制動力系數(shù),制動距離最短。文獻[5]認為ABS通常減少在干燥和光滑的表面上的停止距離,但它也可以在某些條件下增加制動距離。為此提出了路面預測和控制雙循環(huán)的策略,改善了ABS的適用性。另外,在路面識別方面,文獻[6]結合輪胎力學模型和UKF算法對輪胎縱向力和滑移率進行估計,進而得到不同附著系數(shù)路面條件下的曲線斜率,通過建立與典型路面之間的映射關系,準確地識別路面。但是該方法在估算過程中需要較多的數(shù)據(jù)點,因此實時性較差。Wang等[7]提出根據(jù)狀態(tài)特征因子對路面進行識別的方法,通過路面類型識別間接獲得路面附著系數(shù),識別準確率高,但識別結果局限于幾種典型路面。也有部分學者通過直接估計輪胎力完善車輛控制系統(tǒng)。文獻[8]提出利用交互多模型無跡卡爾曼濾波算法估計輪胎路面力和側偏角,在可變駕駛條件下提供了更準確和可靠的估計,適應各種路況。

本文主要構思基于路面特性的制動系統(tǒng)方案,設計了路面峰值附著系數(shù)辨識算法,準確率高,且適用路面范圍廣;并根據(jù)路面附著條件進行了制動性能研究,為了提高制動壓力控制的響應速度及魯棒性,設計了單神經元PID壓力控制器。

1 路面辨識

1.1 辨識算法

Burckhardt等[9]通過大量試驗提出了一個輪胎-路面數(shù)學模型,可以較準確地描述輪胎與路面之間的非線性縱向附著特性,其表達式為:

 
式中:c1、c2、c3為典型路面的參數(shù)值。

圖1為Burckhardt輪胎模型中6種典型路面的附著系數(shù)-滑移率曲線。

圖1 典型路面的μ-s曲線
Fig.1 Typical roadμ-s curve

從圖1可以看出,不同路面的附著系數(shù)-滑移率曲線都非常相似,其非線性變化的趨勢和規(guī)律基本相同,即附著系數(shù)都是隨著滑移率的增加從零增加到峰值附著系數(shù),然后再緩慢減小到滑動附著系數(shù),所以可以認為附著系數(shù)-滑移率曲線是每種路面的固有特性,可將它作為路面識別的重要依據(jù)。

基于路面的附著系數(shù)曲線相似的固有特性,定義無量綱特征值τ表征目標路面與已知路面的相似度。認為目標路面與相近的兩條路面都具有一定的相似性,且滿足τ1＋τ2＝1,因此,目標路面的峰值附著系數(shù)可以表示為:

 
式中:τ1、τ2為目標路面與相近兩條路面的相似度;μ1max、μ2max為相近兩條路面的峰值附著系數(shù)。

τ的定義如下:

 
式中:φ為當前路面的利用附著系數(shù);φ1、φ2分別為所選兩條路面的利用附著系數(shù)。

所選兩條路面為已知6條路面中與目標路面相鄰的兩條路面,且滿足如圖2所示要求,[φ1]min＞φ＞[φ2]max。

圖2 相似路面的μ-s曲線
Fig.2 Similar roadμ-s curve

車輪滑移率s和利用附著系數(shù)φ的定義分別為:

 
式中:v為車輪中心的速度;r為車輪半徑;w為車輪的角速度;F X為地面對車輪的縱向力;F Z為車輪垂直載荷。

1.2 仿真驗證

為了驗證算法的有效性,首先利用該算法辨識干水泥路面的峰值附著系數(shù)。其中,滑移率s采用斜率為0.1的遞增信號,Burckhardt輪胎模型產生路面信號,實時輸出路面利用附著系數(shù)φ。圖3為干水泥路面辨識結果。

圖3 干水泥路面辨識結果
Fig.3 Result of dry cement road identification

由圖3可以看出,在滑移率為0～2%期間,由于滑移率較低,識別結果與干瀝青路面較為相似,峰值附著系數(shù)辨識結果為[1.17,1.09],在其余滑移率(2%～100%)下,辨識效果較好,峰值附著系數(shù)辨識結果為[1.09～1.07],與設定的幾乎一致,誤差在2%以內。結果表明,該算法辨識效果較好,精度較高。且滑移率從0～1的辨識結果一致性較好,最大誤差在0.08以內,充分證明了算法精度較高。

為了進一步驗證算法的適用性,再次利用辨識算法計算雪路面的峰值附著系數(shù)。同樣,滑移率s采用斜率為0.1的遞增信號,Burckhardt輪胎模型產生路面信號。圖4為雪路面辨識結果。

圖4 雪路面辨識結果
Fig.4 Result of snow road identification

由圖4可以看出,在滑移率為0～2%時,由于滑移率較低,識別結果與濕鵝卵石路面較為相似,峰值附著系數(shù)辨識結果較大。在滑移率為5%～15%時,辨識算法準確識別出路面為雪路面,峰值附著系數(shù)辨識結果范圍為[0.20,0.18],誤差在5%左右?；坡试?0%～100%范圍內,當峰值附著系數(shù)辨識結果在滑移率為20%時,最小為0.175,在滑移率為100%時,最大為0.21,與設定的雪路面峰值附著系數(shù)0.19基本一致,滿足要求。結果表明,該辨識算法在較差路面同樣具有較高的精度。

2 制動系統(tǒng)建模

汽車的制動性能與道路條件、氣候條件、汽車結構和技術狀況有關,車輪的最大制動力受到路面附著系數(shù)的限制,所以汽車的最大制動減速度受到路面附著條件的限制,分析路面附著條件對汽車制動性能的影響,對充分發(fā)揮汽車的制動性有著決定性的意義。

2.1 制動減速度

制動減速度是制動時車速對時間的導數(shù),即d v/d t。它反映了地面制動力的大小[10]。

在不同路面上,由于地面制動力為:

 
故汽車能達到的減速度為:

 
若裝有理想的制動防抱死裝置來控制汽車的制動,使車輪制動力達到地面制動力極限,則制動減速度為:

 
式中:F Xb為地面制動力;φb為制動力系數(shù);G為汽車重力;g為重力加速度;φp為路面峰值附著系數(shù)。

本文主要分析針對不同路面獲得的最大制動減速度,通過路面辨識獲得路面峰值附著系數(shù),所以期望制動減速度為:

 
2.2 逆制動力模型

在制動時,被控車輛處于直線行駛狀態(tài),因此,考慮建立被控車輛沿其前進方向的制動動力學模型。在制動時,逆制動力模型根據(jù)期望加速度和車速計算出期望制動壓力。

根據(jù)車輛受力分析圖5,其中,v為車速,Fw為空氣阻力,Ts為驅動力矩,Tbf、Tbr分別為前輪和后輪的制動力矩,Ff和Fr分別為地面作用于前、后輪的切向力,Wf和Wr分別為前、后輪的垂直載荷。

圖5 車輛受力分析圖
Fig.5 Force analysis of vehicle

忽略車輛旋轉部件的質量換算,將車輛運動方程表示如下:
 
式中:Ft為驅動力;F Xb為制動力;∑F(v)為各種阻力的總和,本文簡化∑F(v),只取其風阻值和滾動阻力,即:
 
式中:CD為空氣阻力系數(shù);Aa為迎風面積;f為滾動阻力系數(shù);ρ為空氣密度。

由式(11)和式(12)可得期望制動力計算及逆制動模型為:

 
式中:Pdes為期望制動壓力;Kb為比例系數(shù)。

2.3 制動壓力控制器

制動壓力控制器旨在實時控制輪缸制動壓力,使其達到期望制動壓力值,從而實現(xiàn)汽車的主動制動[11]。因此,壓力控制器要求快速達到目標值并且盡量消除超調和靜差。常規(guī)PID對于線性定常系統(tǒng)的控制非常有效,但對于汽車制動這種非線性、時變的復雜系統(tǒng),因其PID參數(shù)不是整定困難就是無法整定,因而很難達到預期的控制效果。單神經元作為構成神經網絡的基本單位,具有自學習和自適應能力,且結構簡單而易于計算。相較于傳統(tǒng)PID,單神經元PID對非線性時變復雜系統(tǒng)的適應性更好,而且可以自整定控制參數(shù),省去了繁瑣的參數(shù)整定環(huán)節(jié),所以本文采用單神經元PID控制策略設計制動壓力控制器。

單神經元PID控制器的基本結構如圖6所示。將期望制動壓力Pdes與實際制動壓力P的差值作為單神經元PID控制器的輸入,采用有監(jiān)督的Hebb學習規(guī)則后,可實現(xiàn)PID參數(shù)的在線自整定,且能保證系統(tǒng)的魯棒性。

 
圖6 單神經元PID控制器結構圖
Fig.6 Structure diagram of single neuron PID controller

制動壓力控制算法如下:
 
式中:ΔP為期望制動壓力與實際制動壓力差值。ηI、ηP、ηD分別為積分、比例、微分的學習速率;K為神經元的比例系數(shù);w i(k)為對應于狀態(tài)量x i(k)的加權系數(shù);u(k)為輸出值;e(k)為偏差值;Δe(k)為偏差值的差值。
在Simulink中搭建如圖7所示的制動壓力控制仿真模型。由于本文所建制動系統(tǒng)主要是實現(xiàn)主動避撞系統(tǒng)中主動制動的功能,故只針對基本制動功能進行仿真驗證,即驗證制動壓力響應效果。

 
圖7 制動壓力控制仿真模型
Fig.7 Simulation model of brake pressure control

分別設定期望制動壓力為2.5、5、8 MPa,系統(tǒng)響應結果如圖8所示。

 
圖8 目標壓力響應圖
Fig.8 Target pressure response diagram

由圖8可見,目標壓力為8 MPa時,系統(tǒng)響應時間為0.12 s左右,且調節(jié)過程超調量較小,基本沒有穩(wěn)態(tài)靜差。傳統(tǒng)液壓制動系統(tǒng)制動時,駕駛員全力踩下制動踏板,輪缸壓力最快響應時間一般為0.2～0.9 s,由仿真結果可以看出,目標壓力為2.5 MPa時,系統(tǒng)可以在0.07 s內響應,目標壓力為5 MPa時,系統(tǒng)也在0.08 s內達到預設壓力,由此可以看出本文所建制動壓力控制器可以滿足主動制動需求,且制動過程中有較好的動態(tài)和穩(wěn)態(tài)效果。

針對于路面實變的特性,要求壓力控制器能實時達到期望壓力,所以進行增、減壓的仿真,驗證其控制效果,并與PID控制進行對比。

由圖9可以看出,單神經元PID控制下壓力從0增加到4 MPa僅需0.06 s,超調量約為2.1%,幾乎沒有靜差;在減壓工況,響應時間約為0.35 s,靜差可以忽略不計。仿真結果表明,相較于PID控制,單神經元PID壓力控制器有更快的響應時間,較小的超調量,并能保證基本無靜差。

 
圖9 壓力控制對比圖
Fig.9 Comparison of pressure control

結果表明,PID控制較為簡單易用,且響應速度可以達到主動避撞系統(tǒng)要求,但調節(jié)過程中有較大的震蕩且有一定的穩(wěn)態(tài)靜差。相較而言,單神經元PID控制不僅有較快的響應速度,而且可以保證系統(tǒng)的魯棒性,擁有較好的動態(tài)和穩(wěn)態(tài)效果。

3 仿真分析

為了驗證基于路面峰值附著系數(shù)的最大制動力系統(tǒng)的制動效果,通過CarSim/Simulink聯(lián)合仿真,利用CarSim的整車模型和精確的輪胎模型[12],在Simulink中搭建路面辨識及制動系統(tǒng)模型,并與CarSim內的ABS進行對比。

圖10為基于路面的最大制動力仿真模型,CarSim輸出路面辨識所需的速度、車輪轉速、車輪縱向力以及垂直載荷,通過路面辨識算法模塊計算路面峰值附著系數(shù),逆制動力模塊將峰值附著系數(shù)換算成期望制動減速度,根據(jù)期望減速度和車速計算出期望制動壓力,并輸入到單神經元PID制動壓力控制器,得到實際制動壓力輸入到CarSim實現(xiàn)最大制動力的緊急制動。

 
圖10 基于路面的最大制動力仿真模型
Fig.10 Simulation model of maximum braking force based on road surface

為了便于區(qū)分,將基于路面制動的車輛用虛線表示,稱之為R車,也可理解為Road;將ABS制動的車輛用實線表示,稱之為B車,也可理解為ABS。

3.1 路面附著條件較好

在CarSim中設置路面摩擦因數(shù)為0.85,相當于干水泥路面,設置車輛行駛工況:初速度為120 km/h,給ABS制動車輛設置10 MPa的制動壓力,使其實現(xiàn)最大強度制動。圖11、圖12為仿真結果。

 
圖11 速度-時間曲線
Fig.11 Velocity-time curve
 
圖12 距離-時間曲線
Fig.12 Distance-time curve

由圖11、圖12可知,從120 km/h到完全停止,R車用時3.3 s,制動減速度為10.1 m/s2,制動距離為55.4 m;B車用時3.5 s,制動減速度為9.5 m/s2,制動距離為58.5 m。結果表明,基于路面的最大制動力R車比ABS的B車制動時間減少了5.7%,制動減速度提高了6.3%,制動距離縮短了5.3%。

3.2 路面附著條件中等

在CarSim中設置路面摩擦因數(shù)為0.5,路面水平相當于比濕瀝青路面差一點,設置同樣的車輛行駛工況:初速度為120 km/h,給ABS制動車輛設置10 MPa的制動壓力,使其實現(xiàn)最大強度制動。圖13、圖14為仿真結果。

 
圖13 速度-時間曲線
Fig.13 Velocity-time curve
 
圖14 距離-時間曲線
Fig.14 Distance-time curve

由圖13、圖14可知,從120 km/h到完全停止,R車用時5.5 s,制動減速度為6.06 m/s2,制動距離為91 m;B車用時6.1 s,制動減速度為5.46 m/s2,制動距離為101 m。結果表明,基于路面的最大制動力R車比ABS的B車制動時間減少了9.8%,制動減速度提高了11%,制動距離縮短了9.9%。

通過對比可以發(fā)現(xiàn),隨著路面附著條件的降低,R車相較于B車制動性能提高越來越明顯,這是因為在附著條件較差的路面,最佳滑移率在10%左右,甚至以下,而ABS仍然將滑移率控制在10%～20%,所以路面條件越差,ABS制動時偏移最佳滑移率越多,制動性能下降越明顯。

3.3 路面附著條件較差

在CarSim中設置路面摩擦因數(shù)為0.2,路面條件相當于比雪路面好一點,為了切合實際,設置車輛行駛工況:初速度為60 km/h,同樣給ABS制動車輛設置10 MPa的制動壓力,使其實現(xiàn)最大強度制動。圖15～圖17為仿真結果。

 
圖15 速度-時間曲線
Fig.15 Velocity-time curve
 
圖16 距離-時間曲線
Fig.16 Distance-time curve
 
圖17 質心軌跡
Fig.17 Centroid trajectory

由圖15、圖16可知,從60 km/h到完全停止,R車用時6.85 s,制動減速度為2.4 m/s2,制動距離為56.6 m;B車用時8.25 s,制動減速度為2 m/s2,制動距離為68.1 m。結果表明,基于路面的最大制動力R車比ABS的B車制動時間減少了17%,制動減速度提高了20%,制動距離縮短了16.9%。

圖17為兩車制動時的質心軌跡,可以看出R車制動時方向穩(wěn)定性較好,并未發(fā)生側滑;B車發(fā)生輕微側滑,是因為在較差路面,ABS通過控制輪缸壓力增壓減壓,將四輪滑移率持續(xù)控制在10%～20%,由于延遲滯后現(xiàn)象,造成輕微側滑,最大側向位移為0.008 m,也可以忽略不計。而R車只需保壓,所以不會出現(xiàn)側滑現(xiàn)象。

4 結論

(1)設計的路面峰值附著系數(shù)辨識算法能夠直接有效地辨識出路面的峰值附著系數(shù),誤差控制在5%左右。

(2)針對路面實變的特點,單神經元PID控制不僅有較快的響應速度,而且可以保證系統(tǒng)的魯棒性,擁有較好的動態(tài)和穩(wěn)態(tài)效果。

(3)路面峰值附著系數(shù)的準確辨識對改善制動性能發(fā)揮著很大的作用,結果表明,道路附著條件變差,基于路面特性的制動系統(tǒng)始終具有較好的制動性能,相比ABS制動系統(tǒng)具有更高效的制動效果。
 
 
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25