再生制动与液压制动共同组成的电液复合制动系统,是当前电动汽车制动系统领域的研究热点。电液复合制动系统的液压制动部分,目前主要分为两大类:一类是线控制动系统[1-2],另一类是基于传统制动防抱死系统(anti-lock brake system, ABS)[3]或电子稳定性控制(electronic stability control, ESC)[4-7]及助力装置的系统。后者虽然在振动噪声及压力变化速率等方面不如前者,但由于其具有成本及可靠性的优势,仍然是当前电动汽车制动系统的主流方案[6]。
制动舒适性包括制动操纵性、制动平顺性、噪声等多方面的内容。其中,制动时,激励源通过制动系统、转向系统和悬架系统,传递至制动踏板、方向盘和座椅而被驾驶员感知,是影响制动舒适性的重要因素[8]。使用ESC执行机构的制动系统方案与线控制动系统方案相比,压力调节时波动较大,通过制动系统传递至制动踏板引起踏板振动,以及压力波动产生的噪声,均对制动舒适性有一定影响。因此,为了减少压力调节时的波动,需要对ESC执行机构关键部件进行改进,或者采用基于原执行机构的考虑舒适性的制动意图分类与识别方法。
目前,制动意图识别的研究根据目的不同主要分为:目的为减小制动距离的制动辅助系统研究[9-10];目的为再生制动和摩擦制动的协调控制提供制动强度信息的识别研究,其有利于制动力协调控制兼顾能量回收效率和制动安全性[11-13]。以上研究均通常使用踏板位移或者速度作为识别参数,识别方法大部分使用逻辑门限[14],也有部分研究使用模糊逻辑[13, 15-16]或者神经网络[17]的方法。但是,较少有文献以提高制动舒适性为目的研究识别方法。
本文提出了考虑舒适性的制动意图分类方法及各个类别对应的制动力控制方法;给出用于在线识别制动意图的参数与识别方法;并基于仿真与试验结果,分析了制动意图分类与识别方法对增减压阀动作次数、制动距离等有关制动舒适性与安全性参数的影响。
1 电动汽车制动系统结构方案图 1为一种典型的电动汽车制动系统结构方案。车辆为前驱型式,电机通过变速器驱动前轮,制动时产生再生制动力矩,回收制动能量。液压制动系统由液压执行机构、助力装置、踏板感觉模拟器等元件组成。制动时,整车控制器(vehicle control unit, VCU)根据踏板位移传感器、主缸压力传感器等计算得到驾驶员制动意图,并根据制动力协调方法将总制动意图分配给液压制动力和再生制动力。VCU通过控制器局域网络(controller area network, CAN)总线将目标液压及再生制动力发送给液压控制器及电机控制器,二者分别通过控制液压执行机构及电机以实现所需的目标制动力。4个轮缸液压力可以通过液压执行机构独立进行控制。
2 驾驶员制动意图的分类与识别
传统液压制动系统中,驾驶员的制动操作与制动器制动力一一对应。然而,在电液复合制动系统中,踏板与轮缸的解耦需要对驾驶员所需制动力进行识别,并提供给液压执行机构以进行轮缸压力控制。
现有的制动意图识别研究,通常将制动踏板位移/主缸压力对应的传统制动系统的制动器制动力作为驾驶员所需的制动力,不作分类与修正,并根据逻辑门限、模糊逻辑与神经网络等方法[13-17]将总制动力分配给再生制动力与摩擦制动力。其中,驾驶员的总制动力需求,即总的制动器制动力为
$ \begin{gathered} {F_{\text{B}}} = {F_{{\text{BF}}}} + {F_{{\text{BR}}}} = \\ 2{p_{\text{m}}} \cdot \frac{1}{4}\pi D_{\text{F}}^2 \cdot 2{f_{\text{F}}}\frac{{{R_{\text{F}}}}}{{{r_{\text{F}}}}} + 2{p_{\text{m}}} \cdot \frac{1}{4}\pi D_{\text{R}}^2 \cdot 2{f_{\text{R}}}\frac{{{R_{\text{R}}}}}{{{r_{\text{R}}}}}. \\ \end{gathered} $ | (1) |
式中:FB为总制动器制动力;FBF与FBR分别为前后轴制动器制动力;pm为主缸压强,传统制动系统中可以认为轮缸压强近似等于主缸压强;DF与DR分别为前后轮缸直径;fF与fR分别为前后摩擦片的摩擦系数;RF与RR分别为前后制动器的有效制动半径;rF与rR分别为前后轮滚动半径。
2.1 制动意图的分类与制动力控制 2.1.1 制动意图分类与表征在驾驶员实际制动操作中,有很大的比例是目的不明确的减速,并不精确地要求实际制动力大小与制动踏板位移/主缸压力非常一致。根据驾驶员需求的制动力,只需将制动力维持在需求附近并保压即可。这种控制方式可以减少液压执行机构(hydraulic control unit, HCU)电磁阀的动作频率,提高其寿命,减少压力波动,减少噪声及踏板振动,提高制动舒适性。因此,将该工况分为一类对提高制动舒适性很有必要,该工况称为常规减速。为了保证制动安全性,有必要将紧急制动分为一类,此时通过尽可能增加制动力以减少制动距离。以上两类情况以外的工况,则按照现有常见的制动意图识别方法,控制器调节轮缸压力以准确跟踪驾驶员需求的制动力,该工况称为压力跟随。
2.1.2 各类制动意图对应的制动力控制方法制动力控制包括制动力分配与液压执行机构控制两个部分。
制动力分配包括前后轴制动力分配及液压电机制动力分配。前后轴制动力分配方法主要有理想制动力分配[15, 18]及前后轴固定比例分配[19]两种方式。本文采用前后轴制动力固定比例分配的方案。再生制动与液压制动力的分配方法为在电机工作能力范围内,制动力尽可能由电机提供以提高能量回收效率。紧急制动时再生制动迅速退出,由液压制动提供制动力,提高车辆的安全性和稳定性。
对于液压执行机构的控制,制动过程中,除紧急制动外,驾驶员需求力矩使用式(1)进行计算。后轴所需的制动力完全由液压力提供,前轴由液压制动力及再生制动力共同提供。后轴的目标液压制动力FTargetR为
$ \begin{gathered} {F_{{\text{TargetR}}}} = {F_{\text{B}}}\left( {1 - \beta } \right) = \\ 2{p_{\text{m}}} \cdot \frac{1}{4}\pi D_{\text{R}}^2 \cdot 2{f_{\text{R}}}\frac{{{R_{\text{R}}}}}{{{r_{\text{R}}}}}. \\ \end{gathered} $ | (2) |
单个后轮的目标压强pTargetR为
$ {p_{{\text{TargetR}}}} = \frac{{{F_{{\text{TargetR}}}}}}{{2 \cdot \frac{1}{4}\pi D_{\text{R}}^2 \cdot 2{f_{\text{R}}} \cdot \frac{{{R_{\text{R}}}}}{{{r_{\text{R}}}}}}} = {p_{\text{m}}}. $ | (3) |
因此,对于前驱电动汽车,后轴不控制,其轮缸压强等于主缸压强,即可满足式(3)。
前轴的目标液压制动力FTargetF为
$ \begin{gathered} {F_{{\text{TargetF}}}} = {F_{\text{B}}}\beta - {F_{\text{m}}} = \\ 2{p_{\text{m}}} \cdot \frac{1}{4}\pi D_{\text{F}}^2 \cdot 2{f_{\text{F}}} \cdot \frac{{{R_{\text{F}}}}}{{{r_{\text{F}}}}} - \frac{{{T_{\text{m}}}}}{{{r_{\text{F}}}}}. \\ \end{gathered} $ | (4) |
式中:Fm为电机再生制动力,Tm为电机再生制动扭矩。
单个前轮的目标压强pTargetF为
$ \begin{gathered} {p_{{\text{TargetF}}}} = \frac{{{F_{{\text{TargetF}}}}}}{{2 \cdot \frac{1}{4}\pi D_{\text{F}}^2 \cdot 2{f_{\text{F}}} \cdot \frac{{{R_{\text{F}}}}}{{{r_{\text{F}}}}}}} = \\ {p_{\text{m}}} - \frac{{{T_{\text{m}}}}}{{2 \cdot \frac{1}{4}\pi D_{\text{F}}^2 \cdot 2{f_{\text{F}}} \cdot {R_{\text{F}}}}}. \\ \end{gathered} $ | (5) |
压力跟随工况下,前轮目标压强由式(5)得到,压力通过有门限的比例积分微分(proportional integral derivative, PID)控制器进行控制。
常规减速工况下,前轮目标压强仍由式(5)得到,由于压力控制精度要求不高,提高压力控制的门限值,使轮缸压力多数时候处于保压状态。
紧急制动工况下,开始时前轮目标压强由式(5)提供,为了保证车辆的稳定性,再生制动以最快速度退出,液压力补足总目标制动力与再生制动力之间的差值。再生制动力完全退出后,在满足车辆不失稳、车轮不抱死的前提下,所有轮缸压力以最快速度增加,以减少制动距离。
2.2 制动意图的在线识别 2.2.1 识别参数选择采用多传感器数据融合的方式,选用制动踏板位移、制动踏板速度及车速为识别参数。制动踏板位移信号特性稳定,能够较为准确和及时地反映驾驶员的制动意图;制动踏板速度可以反映当前驾驶员制动需求的紧急程度;车速反映了当前车辆的行驶状态,对于制动的安全性有一定影响。
2.2.2 制动意图在线识别方法制动意图与驾驶员的输入呈现非线性关系,因此很难用准确的数学模型进行直接描述。反向传播(back propagation, BP)神经网络是一种多层前向的神经网络,能够以任意精度逼近任意非线性函数,而且具有良好的逼近性能,是目前前馈神经网络中应用最广、最具代表性的神经网络[20]。该神经网络结构在车辆驾驶意图[21]、换道意图[22]等意图识别领域有相关的应用。本文选择BP神经网络结构进行制动意图识别,如图 2所示,包括1个输入层、2个隐含层及1个输出层。输入参数选择制动踏板位移、制动踏板速度与车速。
实现制动意图的在线识别,首先需要离线训练神经网络。离线训练的训练集为标定好的实车数据,包括制动踏板位移、制动踏板速度、车速、制动意图等参数。将已离线训练好的神经网络用于在线识别,可以减少在线识别的运算量,提高算法的实时性。
制动意图的在线识别过程如图 3所示。踏板位移传感器采集到踏板位移,微分得到踏板速度,通过轮速传感器采集到车速,再将以上参数输入已离线训练好的神经网络,实时得到制动意图识别的结果。
3 系统建模与仿真
在Matlab/Simulink环境下对系统进行仿真研究,以验证制动意图分类与识别方法的有效性。模型主要包括整车及轮胎模型、电机及电池模型、液压系统模型等部分。基于建立的系统模型,在不同车速及制动强度下进行仿真,得到制动意图分类与识别方法的效果。
3.1 整车及轮胎模型整车模型采用15自由度车辆模型。整车自由度包括簧上质量的3个平动及3个转动自由度、4个车轮的旋转与垂向运动,以及前轮转角。轮胎模型采用魔术公式[23]。
3.2 液压系统模型电磁阀的流量特性为[24]
$ Q = {C_{\text{d}}}{A_{{\text{eq}}}}\sqrt {\frac{{2\Delta p}}{\rho }} . $ | (6) |
式中:Q为电磁阀流量,Cd为流量系数,Aeq为电磁阀的等效过流面积,Δp为电磁阀两端的压差,ρ为制动液密度。
制动轮缸简化为活塞与弹簧,则在压强变化时,制动轮缸特性满足
$ \begin{gathered} \frac{{dp}}{{dt}} = \frac{{dp}}{{dx}} \cdot \frac{{dx}}{{dt}} = \frac{k}{{{A_{\text{w}}}}} \cdot \frac{Q}{{{A_{\text{w}}}}} = \\ \frac{k}{{A_{\text{w}}^2}}{C_{\text{d}}}{A_{{\text{eq}}}}\sqrt {\frac{{2\Delta p}}{\rho }} . \\ \end{gathered} $ | (7) |
式中:p为轮缸压强,x为活塞位移,k为等效弹簧刚度,Aw为活塞面积。
3.3 仿真结果在不同车速及制动强度下进行仿真,图 4—8为3组典型的仿真结果。仿真条件为:路面附着系数为0.85,初始车速100 km/h,无转向及油门输入。制动意图曲线中:0表示常规减速、0.5表示压力跟随、1.0表示紧急制动。
图 4为典型的常规减速过程。制动开始时,未识别到常规减速及紧急制动的特征时,为了保证实现驾驶员的制动意图,缺省值为压力跟随。约1.4 s时,制动意图识别为常规减速,之后液压力的调节门限增大,轮缸长期处于保压。从电磁阀的控制信号上可以看到,进入常规减速模式后,减压阀动作3次,增压阀动作5次。图 5为相同制动工况下,未进行制动意图识别的结果:实际压强始终很好地跟踪目标压强,电磁阀的调节非常频繁,1.4 s之后,减压阀动作25次,增压阀动作11次。电磁阀对阀座频繁撞击带来的振动和噪声,以及压力波动造成的踏板振动,均对制动舒适性及执行机构寿命造成不利影响。
在初始车速40~100 km/h、制动压强1~5 MPa的工况下进行多次仿真并统计制动意图识别出常规减速工况以后,平均电磁阀动作次数如表 1所示。
可见,本文制动意图识别方法可以有效减少电磁阀的动作频率70%左右,提高其寿命,减少噪声。同时,由于电磁阀动作减少,轮缸更多时间处于保压状态,压力波动减少,踏板振动减少,舒适性提高。
图 6为典型的压力跟随过程,制动踏板输入为正弦曲线型式。在整个制动过程中,由于制动踏板一直有较大幅度的动作,制动强度不大,且没有常规减速或紧急制动的特征,因此一直归类为压力跟随,控制器及时调整轮缸压强使其较好地跟踪目标压强。
图 7为典型的紧急制动过程。约0.7 s时,控制系统识别出紧急制动意图,电机扭矩减小至0,液压制动力以较快的速率增加。图 8为相同制动工况下,未进行意图识别的结果。对比图 7和8可以发现:制动意图识别为紧急工况后,轮缸压强增大,制动距离减少。
4 实车试验将驾驶员制动意图识别方法嵌入液压执行机构控制器应用于实车。神经网络已离线训练好,制动踏板位移信号及轮速信号来自于传感器,制动踏板速度由位移信号微分滤波得到,车速由轮速计算得到。液压力由压力传感器得到,用于实现液压力的精确控制。以上信号及控制算法的输出等均通过CAN总线输出并记录。试验车辆概况如第1节所述,路面附着系数约为0.7。图 9—11分别为常规减速、压力跟随和紧急制动3种制动意图的典型数据。制动意图曲线含义:2.0是缺省值,表示未进行制动,0表示常规减速,0.5表示压力跟随,1.0表示紧急制动。
图 9开始时驾驶员踩下制动踏板,为了保证尽可能实现驾驶员意图,最初缺省模式为压力跟随模式,随后制动踏板位置基本保持不变,制动意图识别为常规减速,此时压力控制的门限增大,减少了电磁阀的动作频率。
图 10开始时驾驶员踩下制动踏板,为了尽可能地实现驾驶员意图,最初缺省模式为压力跟随模式,随后制动踏板基本保持不变,进入常规减速模式,约24 s处,制动踏板速度明显增大,主缸压强迅速增加到6 MPa,此时识别为紧急制动工况,轮缸压强以最快速度增加,约24.6 s处触发ABS。
图 11所示的压力跟随模式中整个制动过程中制动踏板角度不断增大,没有保持在一个比较稳定的数值,制动踏板速度也不快,没有识别到常规减速及紧急制动的特征,因此制动意图始终为压力跟随模式。轮缸的液压力保持对目标液压力较好的跟踪,以实现驾驶员期望的减速。
5 结论电液复合制动系统在电动汽车制动系统中的应用越来越广泛。传统的制动意图识别方法没有考虑制动舒适性问题,而该问题在汽车产品中的地位越来越重要。本文针对舒适性提出一种制动意图分类与在线识别方法,并通过仿真及实车试验得到以下结论:
1) 提出一种电动汽车制动意图分类方法。该方法以改善舒适性为目的,将制动意图分为常规减速、压力跟随及紧急制动,并分别采用相应的制动力控制方法。
2) 提出一种电动汽车制动意图在线识别方法。该方法在制动过程中在线识别制动意图的类别。采用多传感器数据融合及神经网络的方法进行意图识别。
3) 典型工况下的仿真及试验表明,常规减速工况下,电磁阀的动作频率可以减少70%左右。此外,由于电磁阀动作减少,轮缸更多地处于保压状态,因此压力波动减少。此时,噪声和踏板振动减少,制动舒适性及执行机构寿命提高。
4) 典型工况下的仿真及试验表明,紧急制动工况下,通过增加制动力减少制动距离,可以提高车辆的安全性。
[1] | Nakamura E, Soga M, Sakai A, et al. Development of Electronically Controlled Brake System for Hybrid Vehicle [R]. SAE Technical Paper 2002-01-0300, 2002. |
[2] | Ahn J K, Jung K H, Kim D H. Analysis of a regenerative braking system for hybrid electric vehicles using an electro-mechanical brake[J]. International Journal of Automotive Technology , 2009, 10 (2) : 229–234. DOI:10.1007/s12239-009-0027-z |
[3] | 王猛, 孙泽昌, 卓桂荣, 等. 电动汽车制动能量回收系统研究[J]. 农业机械学报 , 2012, 43 (2) : 6–10. WANG Meng, SUN Zechang, ZHUO Guirong, et al. Braking energy recovery system for electric vehicle[J]. Transactions of the Chinese Society for Agricultural Machinery , 2012, 43 (2) : 6–10. (in Chinese) |
[4] | Albrichsfeld C V, Karner J. Brake System for Hybrid and Electric Vehicles [R]. SAE Technical Paper 2009-01-1217, 2009. |
[5] | Oshima T, Fujiki N, Nakao S, et al. Development of an Electrically Driven Intelligent Brake System [R]. SAE Technical Paper 2011-01-0568, 2011. |
[6] | Kunz M, Willmann K H, Wienken H, et al. Modular brake system approach for automated parking and automated driving [C]//5th International Munich Chassis Symposium 2014. Wiesbaden, Germany, 2014: 633-646. |
[7] | 张彪, 张俊智, 李守波. 基于ESP压力调节器制动能量回馈系统[J]. 清华大学学报:自然科学版 , 2011, 51 (5) : 710–714. ZHANG Biao, ZHANG Junzhi, LI Shoubo. Regenerative braking system based on ESP pressure modulator[J]. J Tsinghua Univ: Sci and Tech , 2011, 51 (5) : 710–714. (in Chinese) |
[8] | Cantoni C, Cesarini R, Mastinu G, et al. Brake comfort: A review[J]. Vehicle System Dynamics , 2009, 47 (8) : 901–947. DOI:10.1080/00423110903100432 |
[9] | Yoshida H, Sugitani T, Ohta M, et al. Development of the Brake Assist System [R]. SAE Technical Paper 980601, 1998. |
[10] | Donges E. A conceptual framework for active safety in road traffic[J]. Vehicle System Dynamics: International Journal of Vehicle Mechanics and Mobility , 1999, 32 (2/3) : 113–128. |
[11] | 孙磊. HEV驾驶员制动意图识别及控制算法研究[D].长春:吉林大学, 2012. SUN Lei. Study on Driver Braking Intention Identification and Control Algorithm for HEV [D]. Changchun: Jilin University, 2012. (in Chinese) http://cdmd.cnki.com.cn/article/cdmd-10183-1012368113.htm |
[12] | 张元才, 余卓平, 徐乐, 等. 基于制动意图的电动汽车复合制动系统制动力分配策略研究[J]. 汽车工程 , 2009, 31 (3) : 244–249. ZHANG Yuancai, YU Zhuoping, XU Le, et al. A study on the strategy of braking force distribution for the hybrid braking system in electric vehicles based on braking intention[J]. Automotive Engineering , 2009, 31 (3) : 244–249. (in Chinese) |
[13] | GAO Yimin, CHEN Liping, Ehsani M. Investigation of the Effectiveness of Regenerative Braking for EV and HEV [R]. SAE Technical Paper 1999-01-2910, 1999. |
[14] | 姚亮.混合动力轿车再生制动与液压制动协调控制策略研究[D].长春:吉林大学, 2009. YAO Liang. Study on the Integrative Control Strategy of Regenerative Braking and Hydraulic Braking for Hybrid Electric Vehicle [D]. Changchun: Jilin University, 2009. (in Chinese) http://cdmd.cnki.com.cn/article/cdmd-10183-2009091689.htm |
[15] | 李寿涛, 郭立书, 徐辉, 等. 基于模糊逻辑的驾驶员紧急制动意图识别[J]. 仪器仪表学报 , 2009, 30 (6) : 218–221. LI Shoutao, GUO Lishu, XU Hui, et al. Identification of drivers' emergency braking intentions based on fuzzy logic[J]. Chinese Journal of Scientific Instrument , 2009, 30 (6) : 218–221. (in Chinese) |
[16] | XU Guoqing, LI Weimin, XU Kun, et al. An intelligent regenerative braking strategy for electric vehicles[J]. Energies , 2011, 4 : 1461–1477. DOI:10.3390/en4091461 |
[17] | Roody S S. Modeling Drivers' Behavior during Panic Braking for Brake Assist Application, Using Neural Networks and Logistic Regression and a Comparison [R]. SAE Technical Paper 2011-01-2384, 2011. |
[18] | GAO Yimin, Ehsani M. Electronic Braking System of EV and HEV: Integration of Regenerative Braking, Automatic Braking Force Control and ABS [R]. SAE Technical Paper 2001-01-2478, 2001. |
[19] | Jones S, Kural E, Knodler K, et al. Optimal energy efficiency, vehicle stability and safety on the OpEneR EV with electrified front and rear axles [M]//Advanced Microsystems for Automotive Applications 2013. Berlin: Springer International Publishing, 2013: 269-284. |
[20] | 史春朝. BP神经网络算法的改进及其在PID控制中的应用研究[D].天津:天津大学, 2006. SHI Chunzhao. Study on Algorithm Improvement of BP Neural Networks and Its Application in PID Control [D]. Tianjin: Tianjin University, 2006. (in Chinese) |
[21] | 宗长富, 杨肖, 王畅, 等. 汽车转向时驾驶员驾驶意图辨识与行为预测[J]. 吉林大学学报:工学版 , 2009, 39 (1) : 27–32. ZONG Changfu, YANG Xiao, WANG Chang, et al. Driving intentions identification and behaviors prediction in car lane change[J]. Journal of Jilin University: Engineering and Technology Edition , 2009, 39 (1) : 27–32. (in Chinese) |
[22] | 李亚秋, 吴超仲, 马晓凤, 等. 基于EKF学习方法的BP神经网络汽车换道意图识别模型研究[J]. 武汉理工大学学报:交通科学与工程版 , 2013, 37 (4) : 843–847. LI Yaqiu, WU Chaozhong, MA Xiaofeng, et al. A recognition model for lane change intention based on neural network with EKF algorithm[J]. Journal of Wuhan University of Technology: Transportation Science & Engineering , 2013, 37 (4) : 843–847. (in Chinese) |
[23] | Pacejka H B, Bakker E. The magic formula tyre model[J]. Vehicle System Dynamics , 1992, 21 (S1) : 1–18. |
[24] | 王伟玮. ESC液压执行单元的动态特性分析与综合仿真平台的建立[D].北京:清华大学, 2011. WANG Weiwei. Dynamics Analysis on Electronic Stability Control System Hydraulic Control Unit and Establishing an Integrated Simulation Platform [D]. Beijing: Tsinghua University, 2011. (in Chinese) http://cdmd.cnki.com.cn/article/cdmd-10003-1013023329.htm |