欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023105938046
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 一般车辆
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于在线状态补偿MPC的车辆横向稳定性控制方法,其特征在于:其步骤是:S1、利用在线自适应神经网络预测出模型侧向速度和横摆角速度的补偿值,并根据此补偿值在控制器中对预测模型偏移量进行实时的补偿;

S01、在线自适应神经网络补偿:根据外部输入向量z=[Vy com γcom]自适应逼近Δε,如下所示式中 为状态补偿的近似变量, 为第m个隐藏节点到输出节点的权重;am是随机选择的权重向量,连接输入层到第m隐节点,bm是第m个隐节点的随机选择偏差;G(·)为神经网络的激活函数;

S02、将激活函数选择为Sigmoid函数:式(1)改写为:

其中H=diag(α1,α2),αi=[G(a1,b1,z)G(a2,b2,z)…G(aN,bN,z)],S03、理想的输出权向量 使未知非线性可以用一个非常小的有界逼近误差 逼近,即要实现闭环系统稳定,目标跟踪误差应为其中κ是0到1之间的常数;

S04、跟踪误差e(k)被定义为估计的状态向量 和实际状态向量x(k)=[Vy γ]之间的状态偏移值z=[Vy com γcom],即所使用的补偿值:S05、输出权重的误差 定义为:S06、将自适应权重更新算法被给出为:当自定义学习率0<η<1时,在Lyapunov稳定性定理的证明下,可以保证所提出的RPNN内的自适应系统的稳定性,RPNN不需要任何离线训练的初始训练数据;

S2、MPC控制器设计:

S0l、简化后的线性车辆二自由度模型由如下方程描述:其中, 和 分别表示车辆的侧向速度的导数和横摆角速度的导数,Fyf和Fyr分别表示前后轮胎的轮胎侧向力,ΔMz为附加横摆力矩,轮胎侧向力Fyf=‑2Cfαf,Fyr=‑2Crαr;

前后轮的侧偏角如下:

S02、预测模型

考虑车辆的侧向及横摆运动,得到二自由度车辆动力学模型:其中,Vy为车辆侧向速度,Fy代表轮胎的侧向力,下标fl,fr,rl,rr分别代表左前、右前、左后和右后车轮,下标com代表状态补偿的补偿量,轮胎侧向力Fyf=‑2Cfαf,Fyr=‑2Crαr;

轮胎侧向力中αf,αr的公式如下根据公式(11)‑(12),将汽车模型描述为:T T f

其状态量x=[x1 x2]=[Vy γ]由车辆侧向速度和横摆角速度组成,控制量u=[u1 u2]T=[ΔMz Δδf]为轮胎附加横摆力矩和附加前轮转角;

式(13)中A,Bu,Bd分别表示为:对预测模型(13),根据欧拉方程离散化,设Ts为采样时间,得到离散后的预测模型为:x(k+1)=Adx(k)+Budu(k)+Bddδf+Xc    (15)其中Ad=ATs+I,Bud=BuTs,Bdd=BdTs,Xc=xcom·Ts,其中I是单位矩阵;

推到出预测时域内的状态量为

其中Np为预测时域,括号中的k+1|k表示在当前k时刻预测k+1时刻的系统状态;未来Np个预测时域内预测的系统状态Xk以及预测时域内的控制量Uk为:结合(16)(17)将其整理为矩阵形式:其中,

S03、目标函数及约束

①定义目标函数如下:

②代价函数:

③根据式(20)、(21)定义一个总目标函数:s.t.|u1(ki‑1)|≤u1max,i=0,1,2,…,p‑1|u2(ki‑1)|≤u2max,i=0,1,2,…,p‑1|γ(ki)|≤γmax,i=1,2,…,p    (22)其中 和Γγ分别为侧向速度和横摆角速度的权重系数矩阵, 和 分别为控制量附加横摆力矩和附加前轮转角的权重系数矩阵,其中T T

[u1max u2maxa]=[ΔMzmax Δδfmax]为控制量的限制最大值;

*

对上式(22)进行求解得到如下最优控制序列U:* * * * T

U(k)=[u(k),u(k+1),...,u(k+N‑1)]    (23)* *

其中,基于模型预测控制原理,将最终(23)得到的控制序列U 第一个值u (k)=[ΔMz TΔδf]看做最优附加横摆力矩和最优附加前轮转角;

得到以下四个电机的附加驱动力矩和附加方向盘转角:对于最优附加方向盘转角:

ΔSWA=180·Δδf/π    (25)附加驱动力矩和附加方向盘转角与驾驶员打出的驱动力矩和方向盘转角共同作用,以此来达到控制效果。