本發(fā)明屬于車輛線控制動，具體涉及一種基于cps架構(gòu)的電液線控制動系統(tǒng)及能量優(yōu)化方法。

背景技術：

1、隨著汽車行業(yè)向著智能化與電子化發(fā)展，電液復合制動系統(tǒng)在現(xiàn)代車輛中被廣泛應用。電液復合制動系統(tǒng)取消了機械連接，采用電子控制器、集成傳感器以及執(zhí)行器等單元，車輛制動踏板信號傳遞給電子控制器，控制信號以電信號的方式傳遞給執(zhí)行器。

2、傳統(tǒng)制動系統(tǒng)受限于其固有的機械液壓傳輸方式，在動態(tài)響應和能量回收效率上有著明顯的短板。相比于傳統(tǒng)的制動系統(tǒng)，電液復合制動系統(tǒng)提高了制動系統(tǒng)的響應速度，還實現(xiàn)了制動能量的有效回收。在低強度制動時，電子控制單元控制逆變器進行制動能量回收；而在高強度制動時，由液壓制動系統(tǒng)介入，確保制動響應和安全性要求。

3、由于車輛制動過程中存在各種物理因素，控制器所產(chǎn)生的制動決策會受到一定的影響，制動能量回收效率不高、車輛平順性不好。線控制動系統(tǒng)結(jié)合cps(信息物理系統(tǒng))架構(gòu)，通過傳感器采集駕駛員輸入數(shù)據(jù)、車輛行駛數(shù)據(jù)、路況數(shù)據(jù)等物理信息，將采集到的數(shù)據(jù)上傳至控制系統(tǒng)，控制系統(tǒng)結(jié)合駕駛員輸入與車輛行駛工況得到合理的制動決策，提高制動系統(tǒng)能量回收效率，并提高車輛的平順性。

4、中國發(fā)明專利申請?zhí)枮閏n202410154776.2，名稱為“一種純電動汽車的制動能量回收系統(tǒng)及其工作方法”中提出電機模塊與變速器和高頻開關電路連接，在制動時制動力矩經(jīng)變速器傳遞至電機模塊，通過電機模塊接入高頻開關電路產(chǎn)生電動勢實現(xiàn)能量回收，但由于能量傳遞路徑較長且存在摩擦，能量回收效率較低，且電機制動作用不完全。中國發(fā)明專利申請?zhí)枮閏n202210721810.0，名稱為“一種用于電動汽車再生制動能量回收的電液復合制動力分配方法”中提出采集車輛制動強度與電池soc數(shù)據(jù)，根據(jù)車輛制動強度與電池soc狀態(tài)進行電液復合制動系統(tǒng)的制動力分配，其只采集了制動系統(tǒng)的部分數(shù)據(jù)，未結(jié)合cps架構(gòu)，對車輛行駛信息、路況信息和駕駛員輸入等關鍵物理信息進行采集，已有的制動策略的制動能量回收效率較低，車輛平順性較差。

5、目前，尚無電液制動領域通過信息物理系統(tǒng)結(jié)合行駛工況預測進行能量優(yōu)化的相關公開技術資料。

技術實現(xiàn)思路

1、針對于上述現(xiàn)有技術的不足，本發(fā)明的目的在于提供一種基于cps架構(gòu)的電液線控制動系統(tǒng)及能量優(yōu)化方法，實現(xiàn)了合理的制動力矩分配策略，以解決現(xiàn)有技術中制動能耗過高、無法融合道路交通信息物理進行能量預測優(yōu)化的問題。本發(fā)明能夠結(jié)合駕駛意圖、電池狀態(tài)、車輛狀態(tài)進行綜合考慮，完成制動系統(tǒng)的能量優(yōu)化。

2、為達到上述目的，本發(fā)明采用的技術方案如下：

3、本發(fā)明的一種基于cps架構(gòu)的電液線控制動系統(tǒng)，包括：線控制動單元與制動優(yōu)化管理單元，二者通信連接；

4、所述線控制動單元，用于采集車輛信息，并根據(jù)制動優(yōu)化管理單元發(fā)送的制動控制指令實現(xiàn)車輛的制動狀態(tài)，包括：駕駛員輸入模塊、制動執(zhí)行模塊、環(huán)境感知模塊；

5、駕駛員輸入模塊，用于采集駕駛員輸入的制動、驅(qū)動、轉(zhuǎn)向數(shù)據(jù)；

6、環(huán)境感知模塊，用于采集車輛行駛的工況數(shù)據(jù)；

7、制動執(zhí)行模塊，用于接收制動優(yōu)化管理單元發(fā)送的制動控制指令，實現(xiàn)車輛的制動；

8、所述制動優(yōu)化管理單元，用于對線控制動單元發(fā)送的駕駛員輸入數(shù)據(jù)與車輛行駛工況數(shù)據(jù)進行行駛工況預測，產(chǎn)生制動控制指令，并將制動控制指令發(fā)送給線控制動單元。

9、進一步地，所述駕駛員輸入模塊包括：制動踏板傳感器、油門踏板傳感器、方向盤轉(zhuǎn)角傳感器和轉(zhuǎn)矩傳感器。

10、進一步地，所述環(huán)境感知模塊包括：車速傳感器、車輛加速度傳感器、橫擺角速度傳感器、路況探測設備、電池狀態(tài)傳感器；車輛行駛的工況數(shù)據(jù)包括：車輛速度、車輛橫向加速度、車輛縱向加速度、車輛橫擺角速度、電池soc狀態(tài)、道路曲率。

11、進一步地，所述制動執(zhí)行模塊用于實現(xiàn)車輛的制動，其通過can總線接收制動優(yōu)化管理單元發(fā)送的制動控制命令。

12、進一步地，所述制動執(zhí)行模塊包括：液壓輪缸、電磁閥、電動液壓泵、協(xié)同控制器、電子助力器、輪轂電機、逆變器、動力電池及剎車碟；液壓輪缸的液壓油入口處設有電磁閥，進行液壓力控制；液壓輪缸與剎車碟之間采用機械連接；協(xié)同控制器通過控制總線分別與電動液壓泵、電磁閥、輪轂電機連接；電子助力器與制動踏板通過線束連接；輪轂電機與車輪通過聯(lián)軸器與車輪連接，驅(qū)動車輪轉(zhuǎn)動；車輛執(zhí)行制動時，輪轂電機的動能通過逆變器轉(zhuǎn)為電能，儲存在動力電池中，實現(xiàn)再生制動；同時電動液壓泵根據(jù)控制指令進行運動，電磁閥通過改變開度，實現(xiàn)液壓輪缸的建壓，使剎車片與剎車碟壓緊，進行摩擦制動。

13、進一步地，所述制動優(yōu)化管理單元包括：數(shù)據(jù)處理模塊和決策優(yōu)化模塊；

14、數(shù)據(jù)處理模塊，用于處理線控制動單元發(fā)送的駕駛員輸入數(shù)據(jù)與車輛行駛的工況數(shù)據(jù)；

15、決策優(yōu)化模塊，用于接收數(shù)據(jù)處理模塊處理后的數(shù)據(jù)，計算得到工況預測結(jié)果，并根據(jù)工況預測結(jié)果得到最優(yōu)制動策略。

16、進一步地，所述數(shù)據(jù)處理模塊采用平滑濾波處理與相關性分析的方式對數(shù)據(jù)進行處理。

17、進一步地，所述最優(yōu)制動策略包括：最優(yōu)制動能量回收策略、最優(yōu)車輛平順性策略、最優(yōu)跟蹤制動力矩策略、最優(yōu)再生制動功率策略；

18、最優(yōu)制動能量回收策略為輪轂電機通過逆變器實現(xiàn)能量回收的值最大；

19、最優(yōu)車輛平順性策略為制動力矩變化量最小、車輛顛簸最??；

20、最優(yōu)跟蹤制動力矩策略為車輛控制性最好、達到目標力矩時間最短；

21、最優(yōu)再生制動功率策略為輪轂電機制動轉(zhuǎn)矩不超過電機所能產(chǎn)生的最大轉(zhuǎn)矩、動力電池狀態(tài)最好。

22、進一步地，所述工況預測中使用基于時序transformer模型的編碼器解耦預測網(wǎng)絡(ed-tfn)，其基于自注意力機制實現(xiàn)，根據(jù)數(shù)據(jù)處理模塊發(fā)送的駕駛員輸入數(shù)據(jù)與車輛行駛的工況數(shù)據(jù)，計算得到未來時刻的車輛行駛工況，實現(xiàn)車輛的行駛工況預測。

23、本發(fā)明還提供一種基于cps架構(gòu)的電液線控制動系統(tǒng)的能量優(yōu)化方法，基于上述系統(tǒng)，方法步驟如下：

24、1)獲取車輛的駕駛員輸入數(shù)據(jù)與車輛行駛的工況數(shù)據(jù)；

25、2)對駕駛員輸入數(shù)據(jù)與車輛行駛的工況數(shù)據(jù)進行數(shù)據(jù)處理；

26、3)根據(jù)處理后的數(shù)據(jù)進行工況預測，得到滾動時域行駛工況預測結(jié)果；

27、4)根據(jù)得到的工況預測結(jié)果求解電液復合制動整體目標函數(shù)，得到最優(yōu)制動策略；

28、5)根據(jù)最優(yōu)制動策略進行車輛制動，完成制動系統(tǒng)能量優(yōu)化。

29、進一步地，所述步驟1)中駕駛員輸入數(shù)據(jù)包括：當前方向盤轉(zhuǎn)角θ與轉(zhuǎn)矩t、制動踏板行程、油門踏板行程；車輛行駛的工況數(shù)據(jù)包括車輛速度v、車輛橫向加速度ax、車輛縱向加速度ay、車輛橫擺角速度ωr、電池soc狀態(tài)、道路曲率ρ。

30、進一步地，所述步驟2)中數(shù)據(jù)處理的方式為平滑濾波處理與相關性分析；

31、所述平滑濾波處理去除數(shù)據(jù)集噪聲，表達式如下：

32、

33、其中，yt-n為平滑處理前的駕駛員輸入數(shù)據(jù)與車輛行駛的工況數(shù)據(jù)，yt為平滑處理后得到的駕駛員輸入數(shù)據(jù)集與車輛行駛的工況數(shù)據(jù)集，n為濾波項數(shù)；

34、所述相關性分析為皮爾森相關系數(shù)分析，篩選出與制動力矩有高相關性的關鍵參數(shù)，簡化行駛工況預測的計算量，將平滑處理后的駕駛員輸入數(shù)據(jù)集與車輛行駛的工況數(shù)據(jù)集進行相關性分析，表達式如下為：

35、

36、其中，x為平滑處理后得到的駕駛員輸入數(shù)據(jù)集與車輛行駛的工況數(shù)據(jù)集，y為制動力矩，ρx,y為皮爾森相關性系數(shù)，cov(x,y)為x、y的協(xié)方差，σx和σy分別為x、y的標準差，μx和μy分別為x、y的平均值，e為數(shù)學期望；相關性分析后，得到車輛速度v與制動力矩的相關性最大，將車輛速度v的數(shù)據(jù)集作為工況預測的輸入數(shù)據(jù)。

37、進一步地，所述步驟3)中的工況預測使用了基于時序transformer模型的編碼器解耦預測網(wǎng)絡，其將每個變量嵌入到變量令牌中，將時間步作為單一變量的特征進行輸入；所述預測網(wǎng)絡包括嵌入層、線性層、歸一化層、前饋神經(jīng)網(wǎng)絡。

38、進一步地，所述步驟3)中的進行工況預測的具體步驟為：

39、31)嵌入層將處理后得到的車輛速度數(shù)據(jù)集進行映射，獲得車輛速度v數(shù)據(jù)集對應的映射向量；

40、32)經(jīng)過線性層捕捉經(jīng)過嵌入層映射后的車輛速度v數(shù)據(jù)集映射向量與未來時刻的行駛工況相關關系，得到工況預測特征向量；

41、33)通過歸一化層對線性層得到的工況預測特征向量進行歸一化；

42、34)通過前饋神經(jīng)網(wǎng)絡對歸一化后的工況預測特征向量進行解碼，得到車輛行駛工況預測的結(jié)果。

43、進一步地，所述步驟31)基于多層感知機mlp實現(xiàn)，對每個變量的整條歷史觀測序列進行特征映射，表達式如下：

44、h0＝mlp(v0)

45、其中，h0為映射向量，v0為平滑處理后得到的車輛速度數(shù)據(jù)集。

46、進一步地，所述步驟32)基于多頭注意力機制實現(xiàn)，多頭注意力機制由多個自注意力模塊組成，每個自注意力模塊將輸入向量被轉(zhuǎn)換成查詢向量、鍵向量和值向量，利用softmax函數(shù)根據(jù)向量間的成對相似度分數(shù)生成概率分布，表達式為：

47、

48、其中，attention(q,k,v)為駕駛員輸入數(shù)據(jù)集與車輛行駛的工況數(shù)據(jù)集中提取的綜合信息，q為查詢向量，k為鍵向量，v為值向量；其中查詢向量表示尋找信息的方向或關注點，鍵向量判斷查詢向量應關注的信息，值向量包含實際要輸出的信息，根據(jù)加權求和得到最終輸出。

49、進一步地，所述步驟33)中計算所有特征的均值和標準差，提高網(wǎng)絡收斂性和訓練穩(wěn)定性，實現(xiàn)過程表達式為：

50、

51、

52、

53、output＝γ×hnorm+β

54、其中，μl為均值，為輸入的第l組編碼模塊的第i個神經(jīng)元節(jié)點，nl為第l組編碼模塊中神經(jīng)元節(jié)點數(shù)，l∈{1,2,...,l}表示第l組編碼模塊，為方差，hnorm為車輛速度v映射向量歸一化后的值，γ和β分別為可學習的縮放和偏移參數(shù)，hl為第l組編碼模塊的輸入變量，output為歸一化層的輸出，output包括車輛速度v映射向量。

55、進一步地，所述步驟34)中的前饋神經(jīng)網(wǎng)絡的結(jié)構(gòu)為兩層的全連接網(wǎng)絡，中間夾有激活函數(shù)，激活函數(shù)為高斯誤差線性單元gelu，表達式為：

56、

57、式中，gelu為高斯誤差線性單元激活函數(shù)，x為函數(shù)輸入變量。

58、進一步地，所述前饋神經(jīng)網(wǎng)絡通過transformer模塊的堆疊對觀察到的時間序列進行編碼，并使用密集的非線性連接對未來序列的表示進行解碼，得到輸出，表達式為：

59、hl＝layernorm(hl-1+feed-forward(hl-1))

60、其中，hl為當前層的輸出，hl-1為前一層的輸出，layernorm為層歸一化函數(shù)，forward為前饋層函數(shù)，接收輸入后經(jīng)過一系列變換生成輸出。

61、進一步地，所述未來序列進行解碼的方式為將前饋神經(jīng)網(wǎng)絡的輸出輸入給多層感知機，進行映射，表達式為：

62、

63、其中，為工況預測結(jié)果，hl為前饋神經(jīng)網(wǎng)絡的輸出。

64、進一步地，所述步驟4)中最優(yōu)制動策略包括：最優(yōu)制動能量回收策略、最優(yōu)車輛平順性策略、最優(yōu)跟蹤制動力矩策略、最優(yōu)再生制動功率策略；

65、所述最優(yōu)制動能量回收策略的目標為使從車輛減速過程中回收的能量最大，制動能量回收率目標函數(shù)表達式為：

66、

67、其中，jbra_rec為總回收能量，tmot_ij為電機扭矩，ωij為電機角速度，vi0為制動開始時的車輛速度，vik為制動結(jié)束時的車輛速度，ηd為制動系統(tǒng)效率，ηm_reg為電機再生制動效率，f為滾動阻力系數(shù)，m為車輛質(zhì)量，cd為空氣阻力系數(shù)，a為車輛迎風面積，tik為制動結(jié)束時間，ti0為制動開始時間；

68、所述最優(yōu)車輛平順性策略的目標為使車輛在制動過程達到最好的平順性，平順性目標函數(shù)表達式為：

69、

70、其中，jbra_f為車輛平順性目標值，u(k+i|k)表示在以當前時間步k的車速為初值，未來第i步的車速，u(k+i-1|k)表示以當前時間步k的車速為初值，未來第i-1步的車速；

71、所述最優(yōu)跟蹤制動力矩策略的目標為確保實際施加的制動力矩能夠準確跟蹤并符合期望的制動力矩設定值，跟蹤制動力矩目標函數(shù)表達式為：

72、

73、其中，jbra_t為跟蹤性的值，tif(k+i|k)表示以當前時間步k的前軸制動力矩為初值，未來第i步的前軸制動力矩，tjr(k+i|k)表示以當前時間步k的后軸制動力矩為初值，未來第i步的后軸制動力矩，treq(k+i|k)表示以當前時間步k的期望制動力矩為初值，未來第i步的期望制動力矩；

74、所述最優(yōu)再生制動功率策略需要考慮輪轂電機再生制動轉(zhuǎn)矩與電池soc值；

75、輪轂電機再生制動轉(zhuǎn)矩小于/等于電機能夠產(chǎn)生的最大制動力矩，表達式為：

76、

77、其中，n為電機轉(zhuǎn)速，ηm為電機效率，pchg_max為電機最大充電功率，tm_max為電機最大轉(zhuǎn)矩，tm為再生制動轉(zhuǎn)矩；

78、電池soc值小于90％，表達式為：

79、

80、其中，socinitial為電池初始電荷狀態(tài)，cbat為電池額定容量，i0為電流值。

81、進一步地，所述步驟4)中電液復合制動整體目標函數(shù)由制動能量回收率目標函數(shù)、平順性目標函數(shù)、跟蹤制動力矩目標函數(shù)分別與其權重系數(shù)相乘后求和得出，表達式為：

82、j＝min(wrec·jbra_rec+wf·jbra_f+wt·jbra_t)

83、其中，j為最優(yōu)制動策略目標值，wrec為能量回收權重系數(shù)、wf為平順性權重系數(shù)、wt為制動力跟蹤目標權重系數(shù)。

84、進一步地，所述步驟4)中電液復合制動整體目標函數(shù)求解時需要使用深度q學習算法對不同制動工況下的能量回收率權重系數(shù)、平順性權重系數(shù)、跟蹤制動力矩權重系數(shù)進行重新計算，確保每次制動實現(xiàn)收益最大化。

85、本發(fā)明的有益效果：

86、本發(fā)明將輪轂電機與液壓制動系統(tǒng)進行集成，取消了原有的機械連接，簡化了制動系統(tǒng)的結(jié)構(gòu)，并通過四個輪轂電機對不同車輪施加制動轉(zhuǎn)矩，滿足車輪的獨立控制，提高了主動安全性和操作穩(wěn)定性；進行再生制動時可以直接通過逆變器進行能量回收，增加了制動系統(tǒng)的能量回收效率；且輪轂電機能夠通過施加反向力矩的方式協(xié)同液壓控制單元制動，快速補償所需的制動力矩，提高了制動可靠性；

87、本發(fā)明將cps架構(gòu)與電液線控制動系統(tǒng)結(jié)合，將線控制動單元采集到的行駛工況輸入給制動優(yōu)化管理單元，進行決策優(yōu)化后進行控制，實現(xiàn)了“感知-分析-決策-執(zhí)行”的閉環(huán)。

88、本發(fā)明中的transformer網(wǎng)絡架構(gòu)，改進了傳統(tǒng)的深度學習神經(jīng)網(wǎng)絡，能夠適應傳感器采集信號頻率不一的工況，適合應用于電液復合制動系統(tǒng)，利用該網(wǎng)絡進行工況預測能夠提高算法的穩(wěn)定性，保證了制動系統(tǒng)控制策略的正確性。

89、本發(fā)明中根據(jù)當前車輛狀態(tài)結(jié)合工況預測進行制動，完善了能量優(yōu)化策略，實現(xiàn)了合理的制動力矩分配，進一步減少了電液復合制動系統(tǒng)的能耗，實現(xiàn)了車輛全生命周期的節(jié)能減排。