电动助力转向系统的控制系统设计.ppt

电动助力转向系统的控制系统设计 目录 1、引言 2、电动助力转向系统数学模型的建立 3、EPS控制系统设计及仿真研究 4、台架试验及结果分析 5、结论 1、引言 1.1 汽车转向系统发展历程 1.2 电动助力转向系统的简介 EPS系统主要由机械转向装置、转矩传感器、车速传感器、助力电机、减速机构、电子控制单元（ECU）组成，如右图所示。 电动助力转向系统由于具有节能，安全，环保，转向性能好而受到业内人士的青睐。代表了汽车转向技术的发展方向，具有广阔的产业化前景。 1.3 研究的目的和意义 汽车转向系一直存在着“轻”与“灵”的矛盾，而且转向力与路感也相互制约。EPS由电机提供助力，助力大小由电控单元(ECU) 实时调节与控制，可以较好地解决上述矛盾。EPS控制策略的设计是EPS系统的关键技术之一，如何得到任意车速下的助力曲线是研究EPS技术的重点与难点。 国内电动助力转向研究领域，对EPS控制策略的研究主要集中在常规助力控制，对以提高汽车高速行驶稳定性为目标的阻尼控制研究较少，因此有必要开展该方面的研究，使设计的EPS性能更适合汽车实际行驶需要。 首先，需要建立研究对象的数学模型，本文建立了线性三自由度汽车模型与EPS系统的集成数学模型 。 2. 1 线性三自由度汽车模型 在侧倾转向效应较大时，线性二自由度的汽车模型就不够精确了，这时就必须计入侧倾自由度对角输入操纵运动的影响。 列出三自由度车辆运动微分方程并整理得到： 2. 2 EPS系统动力学模型 转向盘和转向轴子模型 电动机模型 输出轴子模型 齿条子模型 动力学方程 汽车转向模型与EPS系统集成的状态方程 3 EPS控制系统设计及仿真研究 3.1电动助力转向系统的PD控制及仿真分析 由于EPS是一个有差系统，所以EPS采用的是一个不完全的PID控制，即PD控制，比例环节能够实现转向轻便，微分环节能够获得所需的阻尼系数。 虽然PID控制具有算法简单等优点，但PID控制器自适应性能很差。对于具有非线性、时变不确定性的电动助力转向系统来说，难以建立精确的数学模型，应用常规的PID控制很难达到理想的控制效果。 本文将模糊控制和神经网络控制相结合，充分利用模糊控制的推理能力和神经网络的学习功能，设计了基于神经网络的自适应模糊神经推理系统(Adaptive-Network-Based Fuzzy Inference System，简称ANFIS)控制器，通过训练后，可以使专家经验定量的修订，克服了模糊规则产生对专家先期经验的依赖性及模糊集的非自适应性的问题。 3.2 基于模糊神经网络控制的EPS研究 设计的EPS助力控制过程如下图所示。在汽车转向过程中，由自适应模糊神经推理系统(ANFIS)根据转矩和车速信号确定电动机的目标控制电流，电流传感器实测电枢电流，单神经元自适应控制器根据两者的偏差构成反馈信号进行控制，使电机电流与目标电流一致。 目标电流的确定 对车速和扭矩分别采用7条和5条高斯隶属度函数进行模糊化。采用反向传播算法和最小二乘法的混合算法来调整前提参数和结论参数，并采用加权平均法解模糊化。 通过Matlab编制程序，分别采集常规助力控制理想曲线中的数据650个和阻尼控制的理想曲线中的数据350个，最后合并到同一数据组，即得到1000个训练数据，来训练模糊神经网络。得到1000个训练数据，来训练模糊神经网络。 网络泛化能力测试图 目标电流的跟踪 由于常规的二维模糊控制器是以系统误差 E 和误差变化 EC 为输入语句变量，因此它具有类似于常规 PD 控制器的作用，这种控制器的自适应能力差，同时因模糊量化作用，在控制中将会产生一定宽度的死区，导致稳态误差的存在，在工作点附近极易产生小范围的振荡，因此难以满足EPS对精确跟踪目标电流的要求。 本文采用了单神经元自适应PID控制，具有自学习和自适应能力，且结构简单、易于计算，在一定程度上解决了PID控制器参数在线实时整定问题，提高了控制系统的鲁棒性和自适应性，适用于对实时性要求很高的EPS系统。 单神经元控制算法仿真模型的建立 电动助力转向系统仿真模型建立 阻尼控制仿真 4 台架试验及结果分析 为了验证所设计的控制系统的有效性 ，进行了台架试验。试验台架包括：齿轮齿条式转向机构、轮胎负荷加载机构、轮胎动力输入机构、路面行驶模拟机构等。转向试验台采用微型客车轮胎及悬架零部件机构，构成简化的1/4车辆模型。可以分析车辆负重载荷、车辆行驶速度、路面状况对转向盘转矩的影响。 原地转向时助力特性试验 车速为5km/h时助力特性试验 5. 结论 采用