分散式驅動電動汽車動力學控制
本文英文版於2017年12月22日發表在《Science》雜誌專刊《Reimagining new energy vehicles:Research innovations at Tongji University》
http://www.sciencemag.org/collections/reimagining-new-energy-vehicles-research-innovations-tongji-university
電動化已經成為汽車發展的必然趨勢。為了更好地實現電動汽車高效節能與主動安全的目標，車輛行駛動力學控制裝置一直是汽車工業研發的焦點。基於輪邊或輪轂電機的分散式驅動電動汽車（圖1）具有可控性好、傳動鏈短、結構緊湊、車內空間利用率高等優點。
圖1分散式驅動電動汽車構型
與傳統內燃機車輛相比，分散式驅動電動汽車取消了變速器、差速器等複雜的傳統系統，傳動效率更高；而且各個車輪的驅動電機均能獨立控制，通過電機轉矩的合理分配，充分利用電機高效區間，並結合回饋制動策略，能夠提高車輛的經濟性。分散式驅動電動汽車可以在電機能力範圍內精確、快速地實現單個車輪驅制動力矩控制和軸間、輪間轉矩分配控制，便於實現先進動力學控制功能：通過單個車輪驅動力和制動力的獨立控制可以實現制動防抱死(Antilock Brake System,ABS)、驅動防滑(Acceleration Slip Regulation,ASR)功能，通過直接橫擺力矩控制實現操縱性改善控制(Handling Improvement Controller,HIC)、電子穩定性控制功能(Electronic Stability Controller,ESC)，提高車輛主動安全性能；同時結合電機轉矩信息獲得路面附著係數等環境參數以及質量、車速等車輛關鍵參數和狀態信息，改善車輛動力學性能；獨立驅/制動過程中懸架產生的垂向反作用力可以影響車身的姿態角（俯仰、側傾），改善車輛的平順性。
驅動防滑與制動防抱死控制
根據輪胎動力學特性，當車輪快速滑轉和抱死時，輪胎附著能力嚴重惡化，車輪和車輛有失穩危險。驅動防滑與制動防抱死的控制目標就是防止車輪的滑轉或抱死。為了提高車輛在複雜行駛條件下的驅制動能力，ASR和ABS演算法需對輪胎非線性特性、建模不確定性以及路面附著條件變化具有良好的魯棒性和自適應性。分散式驅動電動汽車電機的轉矩準確可控、響應迅速，可以減小控制演算法收斂時間；電機既是執行單元又是車輪轉矩和轉速的信息單元，便於實現車輪滑移率和輪胎-路面附著係數估計，提高演算法自適應性。
傳統的ASR和ABS控制多採用門限值控制或PID控制。其中，邏輯門限值控制不涉及被控系統的具體數學模型，門限值需通過反覆試驗標定；PID控制多以車輪滑移率為控制變數，針對確定的控制對象模型設計PID控制參數，可以在一定工況下實現較好的控制效果。模型跟蹤控制根據電機力矩和輪速就能實現對車輪的控制，不需要對路面附著係數的辨識以及車速信息的估算。模糊邏輯控制不需要被控制對象的精確數模，對於輪胎與路面之間附著特性的非線性及路面的變化都有較強的魯棒性。全輪驅動的分散式驅動電動汽車為驅動防滑與制動防抱死控制提供了更迅速更精確的執行器，由於缺少從動輪提供車速信息，且各驅動輪的狀態不一致，因此，對狀態估計精度和控制演算法魯棒性要求也進一步提高。結合輪胎-路面附著係數估計演算法和車速估計演算法，智能汽車研究所設計了滑模變結構魯棒自適應滑移率控制演算法（圖2），演算法對輪胎非線性和路面附著情況變化具有自適應性；通過設計滑模面和到達條件使控制變數迅速收斂，對模型不確定性具有魯棒性，同時削弱了滑模面附近的抖振[1]。
圖2 滑移率控制系統架構
操縱穩定性控制
轉向極限工況下，輪胎縱側耦合和懸架的非線性特性為車輛動力學控制帶來了挑戰，在車輛、道路參數時變的情況下，準確估計車輛質心側偏角和路面峰值附著係數，滿足駕駛員橫擺意圖並穩定質心側偏角的多執行器分配控制是研究難點和熱點。分散式驅動電動汽車可以獨立、精確地控制各個電機的驅/制動力矩，為車輛實現操縱穩定性控制提供硬體基礎。現有的分散式驅動電動汽車轉矩矢量控制普遍採用分層控制結構，上層為運動跟蹤層，採用基於參考模型跟蹤的控制演算法，根據駕駛員的輸入、車輛當前狀態、參考模型等信息，計算所需要的廣義控制力；下層為轉矩分配控制層，將廣義控制輸入分配到各個車輪上，以實現對車輛運動的控制。
運動跟蹤控制
分散式驅動電動汽車可以精確的控制分配到每個車輪的驅/制動轉矩，在完成橫擺運動控制同時可以保證駕駛員的加速意圖，因此現有分散式驅動電動汽車運動跟蹤控制都不存在傳統ESC控制的死區，而是持續的控制車輛跟蹤參考模型響應。最常見的運動跟蹤控制演算法結構為前饋+反饋，這類結構多配合直接橫擺控制(Direct Yaw Control,DYC)參考模型，前饋控制橫擺力矩控制車輛的穩態質心側偏角為零，反饋控制橫擺力矩負責消除橫擺角速度跟蹤誤差，前饋與反饋橫擺力矩之和為總的控制力矩。由於質心側偏角無法通過量產感測器直接測量，因此，需要通過估計演算法獲取質心側偏角。
由於有人駕駛車輛方向盤轉角由駕駛員控制，因此只通過DYC無法同時跟蹤橫擺角速度和質心側偏角兩個狀態變數；現有的同時跟蹤二者的控制演算法實際上是通過質心側偏角誤差修正橫擺角速度誤差，實現橫擺角速度跟蹤；若要同時跟蹤上述兩個狀態，需採用主動轉向控制、四輪轉向控制或轉向系統與分散式驅/制動系統集成控制。
運動跟蹤控制中，傳統的PID控制演算法較為簡單，可靠性高，適用於建立精確數學模型的線性定常系統，該控制器設計的關鍵是控制器參數的選取。但由於車輛系統存在明顯的非線性以及參數不確定性，屬於非線性時變系統，PID控制器在不同工況下的控制結果可能出現明顯差異。
智能汽車研究所利用線性最優二次型最優調節器（LQR）實現反饋控制（圖3），設定目標函數（控制能量、控制誤差等），根據最優控制原理計算得到反饋控制力矩[2]。另外，考慮到車輛響應延遲導致的控制介入延遲問題，控制器對駕駛員轉向意圖進行預測，提高了車輛穩定性；並且設計了基於側偏剛度辨識的自適應演算法，利用在線辨識的側偏剛度實時修正線性二次型最優調節器的反饋係數，有效改善了控制演算法對側偏剛度變化的適應性[3]。此外，為了將DYC推廣到常規工況，減小控制介入感，我們使用ITAE優化上升時間、超調量，通過橫擺角速度反饋或橫擺角速度與質心側偏角反饋來實現橫擺力矩計算，提高車輛操縱性能[4]。
圖3 分散式驅動穩定性控制系統架構
轉矩分配控制
轉矩分配控制的過程就是建立從廣義力到各個車輪轉矩的映射。由於分散式驅動系統擁有冗餘執行器，執行器數量大於廣義力維數，因此多採用優化分配演算法以保證分配演算法有解。在優化分配演算法中，廣義逆法是應用得比較廣泛的演算法。部分文獻以電機消耗能量最少為優化目標，利用重新分配廣義逆演算法設計了轉矩分配策略。而在電機轉速確定的情況下，可以將電機效率擬合為轉矩分配係數的凸函數，然後通過最優化演算法求解四個電機轉矩使電機效率最優。
有文獻採用二次規劃法從而實現轉矩優化分配，該演算法可以靈活利用代價函數和約束條件,對某些控制量進行加權或者懲罰，從而迫使系統遵循其他特定的約束條件，解決複雜控制分配問題。當執行機構出現故障或失效時，二次規劃方法可以同時更新控制效率矩陣以及等式和不等式約束，使系統重構。課題組以輪胎利用率為優化目標，能夠最大限度地保證車輛穩定性裕度；將分配誤差和輪胎利用率等優化目標整合為加權最小二乘問題，提高求解效率；並考慮大側偏工況輪胎縱/側向力耦合特性，設計了動態效率矩陣，提高了轉矩分配精度[3,5]。
集成控制
傳統的獨立設計的控制器有各自明確的控制目標。但是各系統間存在一定程度上的功能重疊和干擾，因此，多個執行系統的動作分配和多個控制目標的協調便是系統集成控制策略的關鍵。
為了解決複雜行駛工況下分散式驅動電動汽車多目標協調、冗餘執行器分配問題，全面提升車輛經濟性和主動安全性，智能汽車研究所提出了一體化動力學控制系統（圖4）。通過感測器和參數估計系統獲取車輛參數和狀態，結合整車管理系統和橫擺角速度-質心側偏角聯合穩定性判據仲裁車輛模式，將多目標協調問題化為子系統優先順序問題和多目標分配問題，通過設計各子系統介入和退出條件，實現控制目標，避免子系統干擾；將多目標分配問題化為帶約束的加權最小二乘問題，設計廣義力跟蹤誤差、輪胎利用率、電機能耗、差動助力轉向和輪胎滑移率等多個分配目標，根據行駛模式確定各目標權重係數。通過參數估計系統和魯棒控制演算法，實現控制系統對於車輛系統非線性特性、參數和狀態變化以及行駛條件變化的自適應性；同時，對模型誤差和外界擾動具有魯棒性。
圖4 集成控制系統架構
總結
1.分散式驅動電動汽車為車輛動力學控制提供了廣闊的研究空間，通過轉矩的優化分配，可以改善車輛的經濟性、操縱穩定性、平順性。
2.為了提升控制系統對於車輛參數、狀態以及車輛行駛環境適應性，需要設計滿足控制需求的狀態估計與參數辨識演算法，同時保證控制-估計系統的穩定性，而分散式驅動為車輛狀態估計演算法提供了更大的可能。
3.為了保證分散式驅動電動汽車在複雜工況下的良好行駛性能，解決多控制目標、多控制功能、多執行器和多維運動的協調問題，集成控制成為分散式驅動電動汽車動力學控制當前的研究重點。
參考文獻
1. Yu, Z., Zhang, R., Lu, X., Jin, C., & Sun, K. (2017). Robust adaptive anti-slip regulation controller for a distributed-drive electric vehicle considering the driver』s intended driving torque. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, v 232, n 4, p 562-576, March 1, 2018
2. LuXiong, ZhuopingYu, YangWang, et al. Vehicle dynamics control of four in-wheel motor drive electric vehicle using gain scheduling based on tyre cornering stiffness estimation[J]. Vehicle System Dynamics, 2012, 50(6):831-846.
3. Xiong L, Teng G W, Yu Z P, et al. Novel stability control strategy for distributed drive electric vehicle based on driver operation intention[J]. International Journal of Automotive Technology, 2016, 17(4):651-663.
4. Zhuoping Y U, Bo L, Lu X, et al. Direct Yaw Moment Control for Distributed Drive Electric Vehicle Handling Performance Improvement[J]. Chinese Journal of Mechanical Engineering, 2016, 29(3):486-497.
5. Leng B, Xiong L, Yu Z, et al. Allocation control algorithms design and comparison based on distributed drive electric vehicles[J]. International Journal of Automotive Technology, 2018, 19(1):55-62.
來源：同濟智能汽車研究所
CST三交汽車：關注新能源汽車、智能網聯汽車、輕量化、汽車智造、汽車人力資源管理、汽車金融
