本發(fā)明屬于汽車主動前輪控制技術領域，特別涉及一種用于線控轉向汽車主動前輪轉向控制系統(tǒng)的控制方法。

背景技術：

隨著汽車技術的不斷發(fā)展，人們對汽車的安全性能要求越來越高；汽車在轉向過程中的穩(wěn)定性是決定汽車安全性的一個重要指標，目前對汽車轉向穩(wěn)定性的控制策略研究主要有PID控制、模糊控制、BP網絡控制等；PID控制和模糊控制很難隨著車況的變化作出自動調整；與此同時，BP網絡控制的收斂速度慢，極易使問題的解陷入局部極小點。

技術實現要素：

本發(fā)明的目的是提供一種用于線控轉向汽車主動前輪轉向控制系統(tǒng)的控制方法。

為此，本發(fā)明技術方案如下：

一種用于線控轉向汽車主動前輪轉向控制系統(tǒng)的控制方法，所述的線控轉向汽車主動前輪轉向控制系統(tǒng)包括主動轉向控制器、方向盤、汽車前輪轉向執(zhí)行機構、CAN總線收發(fā)器，CAN總線收發(fā)器一端連接到主動轉向控制器，另一端連接到汽車的CAN總線；轉向盤直接連接到主動轉向控制器；汽車前輪轉向執(zhí)行機構一端連接到汽車轉向機構，另一端連接到主動轉向控制器；所述的用于線控轉向汽車主動前輪轉向控制系統(tǒng)的控制方法包括按順序進行的下列步驟：

1)建立自適應神經模糊推理模型；

2)通過遺傳算法優(yōu)化自適應神經模糊推理模型的初始權值和閾值；

3)將步驟2)中遺傳算法優(yōu)化后的自適應神經模糊推理模型應用到汽車的主動轉向控制器；

4)建立整車模型；

5)將駕駛員提供的方向盤轉角和由CAN總線收發(fā)器通過CAN總線采集的實際車速作為整車模型的輸入，將整車模型輸出的理想橫擺角速度與CAN總線收發(fā)器采集的實際橫擺角速度的偏差作為主動轉向控制器的輸入；

6)由主動轉向控制器輸出附加前輪轉角；

7)將步驟6)中的附加前輪轉角與駕駛員提供的方向盤轉角進行疊加反饋給汽車轉向執(zhí)行機構。

所述的步驟2)中的遺傳算法通過調整神經模糊推理模型的結構和參數來優(yōu)化其初始權值和閾值。

所述的步驟4)中的整車模型采用線性二自由度整車模型。

與現有技術相比，該用于線控轉向汽車主動前輪轉向控制系統(tǒng)的控制方法提高了汽車轉向時的汽車穩(wěn)定性，保證了汽車行駛過程中駕駛員的安全性。

附圖說明

圖1為本發(fā)明提供的用于線控轉向汽車主動前輪轉向控制系統(tǒng)的控制方法的原理圖。

圖2為方向盤的轉角輸入曲線圖。

圖3(a)為車速為80km/h，附著系數為0.5時橫擺角速度的仿真圖。

圖3(b)為車速為80km/h，附著系數為0.5時側向角速度的仿真圖。

圖3(c)為車速為80km/h，附著系數為0.5時質心側偏角的仿真圖。

圖4(a)為車速為80km/h，附著系數為0.8時橫擺角速度的仿真圖。

圖4(b)為車速為80km/h，附著系數為0.8時側向角速度的仿真圖。

圖4(c)為車速為80km/h，附著系數為0.8時質心側偏角的仿真圖。

具體實施方式

下面結合附圖及具體實施例對本發(fā)明做進一步的說明，但下述實施例絕非對本發(fā)明有任何限制。

如圖1-4所示，該用于線控轉向汽車主動前輪轉向控制系統(tǒng)的控制方法，所述的線控轉向汽車主動前輪轉向控制系統(tǒng)包括主動轉向控制器、方向盤、汽車前輪轉向執(zhí)行機構、CAN總線收發(fā)器，CAN總線收發(fā)器一端連接到主動轉向控制器，另一端連接到汽車的CAN總線；轉向盤直接連接到主動轉向控制器；汽車前輪轉向執(zhí)行機構一端連接到汽車轉向機構，另一端連接到主動轉向控制器；所述的用于線控轉向汽車主動前輪轉向控制系統(tǒng)的控制方法包括按順序進行的下列步驟：

1)建立自適應神經模糊推理模型；

2)通過遺傳算法優(yōu)化自適應神經模糊推理模型的初始權值和閾值；

3)將步驟2)中遺傳算法優(yōu)化后的自適應神經模糊推理模型應用到汽車的主動轉向控制器；

4)建立整車模型；

5)將駕駛員提供的方向盤轉角和由CAN總線收發(fā)器通過CAN總線采集的實際車速作為整車模型的輸入，將整車模型輸出的理想橫擺角速度與CAN總線收發(fā)器采集的實際橫擺角速度的偏差作為主動轉向控制器的輸入；

6)由主動轉向控制器輸出附加前輪轉角；

7)將步驟6)中的附加前輪轉角與駕駛員提供的方向盤轉角進行疊加反饋給汽車轉向執(zhí)行機構。

所述的步驟2)中的遺傳算法通過調整神經模糊推理模型的結構和參數來優(yōu)化其初始權值和閾值。

所述的步驟4)中的整車模型采用線性二自由度整車模型。

本發(fā)明提供的用于線控轉向汽車主動前輪轉向控制系統(tǒng)的控制方法的實施過程如下：

利用Matlab搭建自適應神經模糊推理模型，表1分別針對汽車在低附著系數和高附著系數路面行駛的情況列出了輸入樣本和輸出樣本，將表1中的15個輸入樣本導入自適應神經模糊推理模型的輸入層，將表1中與輸入樣本對應的15個輸出樣本導入自適應神經模糊推理模型的輸出層；然后將遺傳算法和自適應神經模糊推理模型相結合進行訓練；遺傳算法的參數設置為：種群的規(guī)模為10，最大的遺傳代數為50，交叉概率為0.4，變異概率為0.2，初始權值的取值范圍為[-3,3]；自適應神經模糊推理模型的參數設置為：最大的迭代次數為100次，學習速率為0.1，誤差的目標值為0.00001；利用遺傳算法與自適應神經模糊推理控制相結合得到的自適應神經模糊推理模型的最優(yōu)的初始權值和閾值如表2所示；

采用CarSim與Matlab/Simulink搭建汽車線控轉向二自由度汽車動力學整車模型，線性二自由度汽車動力學模型表達式如下：

a、b分別代表前、后軸到汽車質心的距離；k₁、k₂分別代表兩前輪、后輪側偏剛度之和；m代表質量；u代表汽車在X軸上的質心速度分量；δ_f代表前輪轉角；L代表軸距；β代表質心側偏角；ω_r代表橫擺角速度；I_Z代表汽車繞z軸的轉動慣量；

由公式(1)推導出理想的橫擺角速度值w_r為：

在CarSim中令車輛以80km/h的速度在附著系數為0.8的高附著路面和以80km/h的速度在附著系數為0.5的低附著路面上進行行駛來進行仿真實驗；表3為仿真試驗中采用的整車模型的主要參數；圖2為仿真實驗中方向盤的轉角輸入曲線圖；

低附著路面的仿真結果如圖3(a)～圖3(c)所示：

從圖3(a)中可以看出，在低附著路面上，汽車在采用遺傳算法優(yōu)化自適應神經模糊推理控制下的橫擺角速度與在無控制、傳統(tǒng)神經模糊推理控制下的橫擺角速度相比能更好的跟蹤理想的橫擺角速度，同時減少了橫擺角速度的振蕩幅值；遺傳算法優(yōu)化后的自適應神經模糊推理控制加快了汽車橫擺角速度的收斂速度，提高了汽車的行駛穩(wěn)定性；

從圖3(b)、圖3(c)中可以看出，在低附著路面上，汽車在無控制的側向加速度、質心側偏角的變化范圍很大，基于遺傳算法優(yōu)化自適應神經模糊推理控制與傳統(tǒng)神經模糊推理控制相比，基于遺傳算法優(yōu)化自適應神經模糊推理控制能很好的使側向加速度值、質心側偏角值變小，從而提高汽車的橫向穩(wěn)定性；

高附著路面的仿真結果如圖4(a)～圖4(c)所示：

從圖4(a)中可以看出，在高附著路面上，汽車在無控制和傳統(tǒng)的神經模糊推理控制時的橫擺角速度急劇變大，特別是在2～4秒時，汽車出現嚴重失穩(wěn)，而基于遺傳算法優(yōu)化自適應神經模糊推理控制能很好的跟蹤期望值，使汽車的穩(wěn)定性提高；

從圖4(b)和圖4(c)中可以看出，在高附著路面上，汽車主動轉向前輪在無控制的側向加速度、質心側偏角的變化范圍很大，基于遺傳算法優(yōu)化自適應神經模糊推理控制與傳統(tǒng)神經模糊推理控制相比，基于遺傳算法優(yōu)化自適應神經模糊推理控制能很好的使側向加速度值、質心側偏角值變小，從而提高汽車的橫向穩(wěn)定性。

表1

表2

表3