陳永飛, 雷良育, 潘漢明

(浙江農(nóng)林大學 工程學院，浙江 杭州 311300)

基于Takagi-Sugeno模糊神經(jīng)網(wǎng)絡的電子差速控制系統(tǒng)*

陳永飛, 雷良育, 潘漢明

(浙江農(nóng)林大學 工程學院，浙江 杭州 311300)

由輪轂電機驅動的電動汽車可以實現(xiàn)對驅動輪的獨立控制，因此在提高其靈活性的同時，也對電機控制系統(tǒng)提出了更高的要求。以Takagi-Sugeno模糊神經(jīng)網(wǎng)絡理論為基礎，研究了用于驅動雙輪轂電機的電子差速控制系統(tǒng)。在MATLAB中構建了電子差速控制系統(tǒng)的Simulink仿真模型，把仿真結果與實際道路試驗進行比較，以驗證設計的正確性。結果表明，其控制系統(tǒng)能夠實現(xiàn)在轉向時兩個驅動輪的差速旋轉，兩個輪轂電機的轉速符合Ackerman-Jeantand轉向模型對兩個后輪轉速的要求，誤差控制在設計要求以內(nèi)。

輪轂電機; 模糊神經(jīng)網(wǎng)絡; 電子差速控制系統(tǒng)

0 引 言

傳統(tǒng)汽車在轉向時，基本依靠機械差速方式實現(xiàn)。在經(jīng)過了一個多世紀的發(fā)展，機械差速技術發(fā)展迅猛，也研究出了非常成熟且穩(wěn)定可靠的機械轉向系統(tǒng)，很多關鍵技術也日趨完美。比如，防滑差速器、雙螺桿差速器、Torsen型差速器等，成為傳統(tǒng)汽車轉向系統(tǒng)不可或缺的結構之一。由多電機驅動的電動汽車與傳統(tǒng)汽車相比，它減少了傳動裝置，由輪轂電機直接驅動，在大大提高傳動效率的同時，也使得其轉向系統(tǒng)不能再借助于傳統(tǒng)的機械差速轉向系統(tǒng)，因此，近年來便衍生出了電子差速系統(tǒng)[1]，而且有了一定的發(fā)展成果。

傳統(tǒng)汽車的差速轉向都是通過機械差速器[2]實現(xiàn)的，其基本原理如圖1所示。機械差速器主要由左右半軸齒輪、兩個行星齒輪及齒輪架組成。

圖1 機械差速器原理圖

當汽車直線行走且車輪未打滑時，左右兩輪的轉矩是相等的，從而帶動兩個行星齒輪繞各自軸的軸線旋轉。此時，行星齒輪和輸出軸的齒輪沒有發(fā)生相對位移，因此兩根半軸的轉速一致，汽車保持直線行駛。

機械差速系統(tǒng)在一定程度上能解決汽車在轉向時內(nèi)外輪轉速不同的問題，但是這種轉向系統(tǒng)也存在明顯的弊端。電動汽車本就相比于傳統(tǒng)汽車減少了很多不必要的機械裝置，而且電動汽車的驅動輪可以通過對電機的分別控制而實現(xiàn)不同的轉速，因此，電子差速轉向系統(tǒng)就更適用于電動汽車。

由輪轂電機驅動的電動汽車是將輪轂電機直接集成在車輪內(nèi)部，將電機主軸固定在懸架上，由外轉子電機直接帶動車輪旋轉。其結構如圖2所示。

圖2 集成了輪轂電機的汽車車輪

因此，這種電動汽車相比于傳統(tǒng)汽車，就減少了離合器、傳動裝置、變速箱、機械差速器等結構。所以必須研究更適用于電動汽車的電子差速轉向系統(tǒng)，使電動汽車在轉向時，保證驅動輪相對于地面不發(fā)生相對位移，使內(nèi)外驅動輪按照Ackerman-Jeantand轉向模型所要求的轉速旋轉。

圖3所示是一種由輪轂電機直接驅動的電動汽車轉向系統(tǒng)的模型。該模型主要由電子差速控制器、無刷直流電機(Brushless DC Motor,BLDCM)控制器、輪轂電機和直流電源組成。電子差速控制器通過采集汽車速度和方向盤轉向角的信息，根據(jù)Ackerman-Jeantand轉向模型計算出驅動輪所需要的轉速，并將計算結果傳輸給BLDCM，由BLDCM完成對輪轂電機轉速的控制，保證電動汽車的平穩(wěn)轉向。

圖3 電動汽車差速轉向模型

1 Takagi-Sugeno模糊控制系統(tǒng)

Takagi-Sugeno(T-S)模糊模型最早由日本學者高木(Takagi)和關野(Sugeno)于1985年提出[3]。相對于普通的模糊控制系統(tǒng)，T-S模糊模型的輸出是清晰量，可直接作用于被控對象。對于多輸入-多輸出的模糊控制系統(tǒng)，可將模糊規(guī)則分解成多個多輸入-單輸出的模糊規(guī)則。

1.1 模糊控制系統(tǒng)的主要架構

模糊控制系統(tǒng)由模糊控制器及其控制對象組成。其基本結構如圖4所示[4]。模糊控制系統(tǒng)的核心是模糊控制器，主要包括以下四部分：模糊化、規(guī)則庫、模糊推理和解模糊化。

圖4 模糊控制系統(tǒng)的基本結構

模糊控制器是模糊控制系統(tǒng)的核心，其大致的工作流程如下：將模糊控制系統(tǒng)的輸入量轉化為系統(tǒng)不可識別的模糊量，發(fā)送到模糊規(guī)則庫，經(jīng)過基于基本知識的模糊推理后，將其轉化為控制輸出，并發(fā)送到執(zhí)行機構。

1.2 T-S模糊控制算法

T-S模糊控制算法的主要工作便是確定各參數(shù)變量，確定前后節(jié)點數(shù)和模糊分割數(shù)，使其能與電動汽車的其他參數(shù)完美匹配，保證電動汽車的平穩(wěn)轉向。

(1) 輸入-輸出節(jié)點數(shù)。基于T-S模糊控制系統(tǒng)的電動汽車電子差速轉向系統(tǒng)以汽車實時的行駛速度ν和方向盤轉向角δ為輸入變量，兩個輪轂電機的轉速nri和nro為輸出變量，構成一個雙輸入-雙輸出的控制網(wǎng)絡系統(tǒng)。因此，有輸入變量數(shù)n=2，輸出變量數(shù)r=2，前件網(wǎng)絡的第一層有2個節(jié)點，后件網(wǎng)絡的第一層有3個節(jié)點，第三層輸出層便有2個節(jié)點。

(2) 模糊分割數(shù)。為了實現(xiàn)更加精確的控制，用9個模糊集合分割汽車速度v的模糊論域，并分別設為負大(NB)、負中(NM)、負小(NS)、零負(ZN)，零(ZO)、零正(ZP)、正小(PS)、正中(PM)、正大(PB)。因此汽車速度v的模糊論域為

(1)

同理，用7個模糊集合分割轉向角的模糊論域，并分別設為負大(NB)、負中(NM)、負小(NS)、零(ZO)、正小(PS)、正中(PM)、正大(PB)。轉向角δ的模糊論域為

(2)

因此，前件網(wǎng)絡第二層2個輸入變量的模糊分割數(shù)分別為9和7，因此前件網(wǎng)絡的語言變量層有9+7=16個節(jié)點，分別代表一個模糊語言變量，第三層模糊規(guī)則層有9×7=63個節(jié)點，分別代表一條模糊語句，第四層歸一化層有63個節(jié)點。

(3) 后件節(jié)點數(shù)。后件節(jié)點數(shù)是指后件網(wǎng)絡第二層的節(jié)點數(shù)。該層的每個節(jié)點代表一條模糊語句的結論。本文所建立的模糊神經(jīng)網(wǎng)絡為雙輸入-雙輸出的形式，而每一個輸出又分別對應一個結構相同的并列子網(wǎng)絡，因此該層共有63×2=126個節(jié)點。

所以，構建的模糊神經(jīng)網(wǎng)絡也得以完全確定下來，模糊神經(jīng)網(wǎng)絡結構如圖5所示。

圖5 電子差速控制的模糊神經(jīng)網(wǎng)絡結構

(4) 轉向角的測量。方向盤的轉向角采用光電感應式傳感器測量[5-6]。其基本原理如圖6所示。

圖6 光電感應式傳感器原理圖

光碼盤固定在方向盤上，使其旋轉角度與方向盤始終保持一致。光碼盤周圍是有規(guī)則的空心槽，其上方裝有LED燈，在其正下方裝有對LED比較敏感的光敏元件。當方向盤旋轉時，光碼盤隨其轉動，每轉過一個空心槽，光敏元件則輸出一個波形，利用編碼器內(nèi)部電路將其轉換成角度并以數(shù)字形式輸出；經(jīng)過編碼器內(nèi)部電路修正以后，傳輸給CAN總線，再將其傳送到轉向控制系統(tǒng)中，以確定方向盤旋轉的角度，且精度較高。

(5) 汽車速度的測量。該模糊神經(jīng)網(wǎng)絡的輸入為電動汽車的速度v和方向盤的轉向角δ。方向盤的轉向角已經(jīng)確定，但是電動汽車的速度卻不容易直接測量。為此，在汽車前輪安裝一個轉速傳感器，通過該傳感器所測得轉速和輪胎的直徑，計算出汽車當前速度v。

將傳感器安裝在電動汽車前輪上，使其與車輪一同旋轉。脈沖計數(shù)器固定在前輪車軸上，但要正對著安裝在車輪上的齒圈，以便精確計數(shù)。齒圈如圖7所示，每當轉過一個齒輪，脈沖計數(shù)器便會發(fā)出一個脈沖，根據(jù)單位時間內(nèi)發(fā)射的脈沖數(shù)，計算出車輪當前的轉速。設齒圈齒數(shù)為M，脈沖信號的頻率為f，則可得到齒圈(車輪)的旋轉速度：

(3)

圖7 輪速傳感器原理圖

根據(jù)式(3)便能計算出汽車當前速度ν。

2 控制系統(tǒng)設計

輪轂電機電子差速控制系統(tǒng)采用上位機-下位機的結構，并通過傳感器總線實現(xiàn)通信，結構如圖8所示。

圖8 電子差速控制系統(tǒng)電路圖

電子差速控制系統(tǒng)的主程序，主要是將處理器初始化，其中有設置處理器各引腳的功能、芯片和變量的初始化、獲取速度和轉向角的信息、數(shù)據(jù)傳送和處理。其程序流程圖如圖9所示。

圖9 上位機主程序流程圖

當程序開始運行時，首先要對芯片、變量進行初始化，此時會有程序檢驗功能。若程序發(fā)生錯誤，會及時報錯；若程序正常，則繼續(xù)獲取輸入變量汽車行駛速度和方向盤的轉向角，通過預先寫入存儲器的模糊規(guī)則表，對輸入變量進行模糊化，并根據(jù)模糊控制算法計算輪轂電機的轉速，將獲得的數(shù)據(jù)加以處理并通過傳感器總線CAN傳輸給下位機。

下位機的主要工作是根據(jù)控制系統(tǒng)的主程序傳輸過來的信息，分別對兩個輪轂電機的轉速進行調(diào)節(jié)。根據(jù)BLDCM的調(diào)速原理，可通過調(diào)節(jié)輸入到功率電路的PWM波的占空比調(diào)節(jié)電機的輸入電流，進而能調(diào)節(jié)電機的轉速。當汽車進行轉向時，上位機根據(jù)反饋的汽車速度、方向盤轉向角等輸入變量，計算出兩個驅動輪所需要的轉速，并傳送到下位機執(zhí)行。下位機采用電流反饋和速度反饋的雙閉環(huán)控制模式調(diào)節(jié)輪轂電機的轉速。

可通過霍爾傳感器的方波信號頻率計算出電機的轉速：

(4)

式中:n——電機轉速；

f——霍爾方波信號的頻率；

Z——外轉子上永磁體的個數(shù)。

電機轉速控制原理如圖10所示。

圖10 直流電機轉速控制流程

3 模糊神經(jīng)網(wǎng)絡控制器仿真

將建好的模糊神經(jīng)網(wǎng)絡導入到工作空間中，建立仿真模型。電子差速控制系統(tǒng)的仿真模型以模糊神經(jīng)網(wǎng)絡控制器為核心，分別控制兩個驅動輪的轉速。系統(tǒng)以汽車速度和方向盤轉向角為輸入，以兩個驅動輪的轉速為輸出。系統(tǒng)仿真模型結構如圖11所示。

圖11 電子差速控制系統(tǒng)仿真模型

在Simulink中，對設計好的模糊神經(jīng)網(wǎng)絡控制器進行仿真。在仿真系統(tǒng)中，各項參數(shù)均采用試驗電動汽車的實際參數(shù)，即車寬W=1.6 m，車長L=2.6 m，輪胎半徑r=0.28 m。

設汽車速度ν=0～15 m/s，變化步長0.5 m/s，轉向角δ=-π/3～π/3，變化步長π/50。因此，共采用31×34=1 054個樣本數(shù)據(jù)對模糊網(wǎng)絡進行訓練。另外，在汽車速度和轉向角的取值范圍內(nèi)，隨機匹配100個樣本數(shù)據(jù)對訓練好的網(wǎng)絡進行檢測，以測試網(wǎng)絡的訓練效果是否達到了預期目標。

取汽車轉向時的速度為v1=4 m/s和v2=15 m/s，對模糊神經(jīng)網(wǎng)絡控制器進行仿真，測算內(nèi)外輪轉速關于轉向角的函數(shù)關系。

當汽車速度v1=4 m/s時，內(nèi)后輪和外后輪轉速關于方向盤轉向角δ的函數(shù)關系如圖12所示。圖12中的實線為根據(jù)Ackerman-Jeantand模型計算的理想轉速曲線，空心圓點是仿真結果。圖13是汽車速度v2=15 m/s時的情況。

圖12 驅動輪轉速-轉向角關系(v=4 m/s)

圖13 驅動輪轉速-轉向角關系(v=15 m/s)

由圖12、圖13可看出，當汽車以較快速度(v=15 m/s)和較慢速度(v=4 m/s)轉向時，模糊神經(jīng)網(wǎng)絡控制器都能較好地控制兩個驅動輪的轉速，使驅動輪轉速和理想轉速非常接近，誤差小于5%。這是因為模糊神經(jīng)網(wǎng)絡控制器具有一定的自學習能力，網(wǎng)絡參數(shù)會根據(jù)訓練樣本進行自我調(diào)節(jié)，無需專家經(jīng)驗，也避免了專家經(jīng)驗中存在的人為誤差，控制效果更好。

圖14 內(nèi)驅動輪樣本點分布

圖15 外驅動輪樣本點分布

圖14和圖15給出了模糊神經(jīng)網(wǎng)絡控制器的檢測樣本分布。圖14、圖15中的網(wǎng)格曲面是根據(jù)Ackerman-Jeantand模型計算的兩個后輪的理論轉速隨汽車速度ν和方向盤轉向角δ變化的曲面，網(wǎng)格上的點是測試樣本數(shù)據(jù)。從圖14、圖15中可以看出，經(jīng)過訓練之后，所設計的模糊神經(jīng)網(wǎng)絡可以很好的逼近理論值，且精度和反應速度達到設計要求。

4 道路試驗

為了驗證控制系統(tǒng)在實際轉向時的效果，進行了變速的圓周運動試驗。試驗時，方向盤轉向角固定，使試驗樣車在平坦路面上做變速圓周運動。

圖16和圖17分別為試驗樣車在轉向角δ=-π/6和δ=π/3的情況下驅動輪轉速隨汽車速度變化的情況。

圖16 變速圓周試驗(δ=-π/6)

圖17 變速圓周試驗(δ=π/3)

當轉向角為常數(shù)時，驅動輪的轉速隨汽車速度線性增加。當汽車轉向時，由圖16和圖17可知，驅動輪的實際轉速和理論轉速的誤差很小，平均誤差約2%，所設計的電子差速控制系統(tǒng)滿足設計要求。

[1] 何仁,倪赟磊.電驅動橋大客車電子差速系統(tǒng)模糊PID控制[J].重慶交通大學學報(自然科學版),2015,34(4): 156-160.

[2] 周新建,于孟,查小凈,等.差速器齒輪機構的運動學及動力學分析[J].機械傳動,2010,34(3): 18-25.

[3] ABDELLAH B, AHMED E H.Advanced Takagi-Sugeno fuzzy systems[M].Berlin: Springer, 2014.

[4] HASSAN A Y, MOHAMED H.Observer-based adaptive fuzzy control for a class of nonlinear time-delay systems[J].International Journal of Automation and Computing, 2013, 10(4): 275-280.

[5] 舒望.基于光電編碼器的方向盤轉角傳感器[J].機電工程技術,2015,44(8): 114-116.

[6] 汪知望,方錫邦,陳燕.汽車ABS輪速傳感器及其信號處理[J].汽車科技,2006(4): 28-32.

Electronic Differential Control System Based on Takagi-Sugeno Fuzzy Neural Network*

CHENYongfei,LEILiangyu,PANHanming

(School of Engineering, Zhejiang A & F University, Hangzhou 311300, China)

Independent control on wheel could be achieved in the electric vehicles driven by hub motors, which increased the flexibility of the vehicles as well as the requirement for motor control system.On the basis of the Takagi-Sugeno fuzzy neural network theory, the electronic differential control system driven by two hub motors was discussed.Compared the Simulink model of electronic differential control system built by MATLAB with actual road test, the feasibility of this design could be verified.The result indicated that differential rotation could be realized by this control system when steering.The rotating speed of the two hub motors met the requirement of Ackerman-Jeantand steering model and the error was controlled within the range of design.

hub motor; fuzzy neural network; electronic differential control system

蕭山區(qū)產(chǎn)業(yè)發(fā)展重大科技攻關項目(2014110)

陳永飛(1988—)，男，碩士研究生，研究方向為機電一體化方向。 雷良育(1966—)，男，教授，碩士生導師，研究方向為機電檢測與控制技術、光機電一體化技術、車輛仿真與試驗技術和電動汽車技術等。

TM 301.2

A

1673-6540(2017)03- 0030- 06

2016 -12 -12