专利汇可以提供应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法,包括以下步骤:设计以速度误差为控制变量的终端滑模变结构控制 算法 ,并设计针对滑模控制切换增益进行自适应调节的RBF神经网络 控制器 ,对切换增益进行实时优化,通过逆纵向动 力 学控制器,最终得到车辆所需期望 油 门 开度/期望 制动 压力。通过以上控 制模 型及控制算法,可以实现一下有益效果:1、提高智能 汽车 纵向速度 跟踪 能力,有效减提升车辆的乘坐舒适性与操作 稳定性 ;2、实现对传统滑模控制“抖振”特性的有效抑制,进一步提高滑模控制在纵向速度控制中的精确性;3、对于车辆模型精确度要求不高,易于控制实现,对于中高端车辆以及智能交通的发展都有着重要的意义。,下面是应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法专利的具体信息内容。
1.一种应用智能车辆纵向速度控制的RBF神经网络的终端滑模控制方法,其特征在于,包括以下步骤:
步骤1,建立描述智能车辆特征的非线性纵向运动数学模型,包括发动机模型、液力变矩器及自动变速器模型、制动系统模型和车辆纵向运动模型;
步骤2,设计智能车辆纵向速度控制器,包括车辆油门控制和车辆制动控制,得到智能车辆期望加/减速度;车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现,利用终端滑模滑模控制算法设计智能车辆纵向速度终端滑模控制律,通过设计合适的控制律,使得线性滑模在有限时间内到达并保持零,满足李雅普诺夫稳定性判定;
步骤3,根据步2得到的期望加/减速度,结合纵向行驶速度与发动机的转矩和转速之间存在对应关系,设计逆纵向控制器,求出期望油门开度αdes和期望制动压力Pbdes,设计宽度为h的缓冲层,避免油门控制器与制动控制器的频繁切换,实现车辆稳定纵向速度控制。
2.根据权利要求1所述一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法,其特征在于,步骤1中,
发动机模型:
液力变矩器及自动变速器模型:
制动系统模型:
车辆纵向运动模型:
其中,Te表示发动机稳态输出转矩,ωe表示发动机转速,αth表示节气门开度,Je表示发动机转动部件和液力变矩器泵轮的有效转动惯量,Tp表示液力变矩器的泵轮扭矩,Tt表示液力变矩器的涡轮扭矩,τe表示一阶惯性环节常数,fe(αth,ωe)为发动机稳态扭矩特性函数,ωt为涡轮转速,ωp为泵轮转速,Ktc为容量系数,τ为扭矩比系数,Tb为车辆的制动力矩,μbr为制动器摩擦因数,Abr为制动盘摩擦面积,Rbr为制动力作用半径,pbr为制动器压力,δ表示车辆旋转质量转换系数,tb为一阶发动机惯性环节系数,m表示车辆总质量;v表示绝对速度,i0表示主减速器传动比,kb表示制动压力比例系数,r为车轮半径;pb表示制动压力,f表示滚动阻力系数,θ表示斜坡角度,CD表示空气阻力,A表示迎风面积,ρ表示空气密度,u表示相对速度,T0为变速器输出轴扭矩,ηt为传动系动力传递系数。
3.根据权利要求2所述一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法,其特征在于,步骤2中,当纵向速度控制器为油门控制时,控制器输入量为车辆当前行驶速度,输出量为车辆油门开度;当纵向速度控制器切换为制动控制时,输入量为当前行驶车速,输出量为车辆制动压力。
4.针对权利要求1所述的一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法,其特征在于,步骤2中,车辆油门控制和车辆制动控制通过基于终端滑模控制算法的纵向速度控制方法和RBF神经网络控制算法实现包括如下步骤:
定义车辆自身速度v0与车辆行驶参考车速vref的偏差为相对速度误差e,定义相对加速度误差为 将相对速度误差和相对加速度误差作为纵向速度终端滑模控制的输入量,根据车辆行驶动力学方程,设计终端滑模控制器,得到车辆油门控制器中的期望加速度:
a)期望加速度可定义为:
其中,Tedes为发动机期望转矩,pbdes为期望值动力,vref为参考速度;
根据滑模控制理论,选择纵向速度控制的滑模切换面为:
式中ρ>0,p、q为奇数,且1<p/q<2
b)对滑模面求导可得 并定义Ln:
其中,v0为跟踪车辆速度,A1、B1、B2为定义参数;
c)为了能使控制系统的运动点迅速正确的回到非线性滑模面上,定义切换控制率为:
Qu=ksgn(s)+μs
式中,k、μ为切换增益,其值应足够大且k>0,μ>0,sgn(s)为开关函数;
d)根据李雅普诺夫函数 的稳定性判定,使得线性滑模在有限时间内到达并
保持零,即 此时线性滑模变量s进入滑模运动状态,误差状态e, 进入滑动模态,并最终实现系统状态收敛;
e)采用神经网络控制算法调节切换增益k,所设计的RBF神经网络控制器,具有2个输出量、4个隐含层节点、1个输出量;
f)将滑模控制切换增益k设计为RBF神经网络的输出:
其中,w=[w1,w2,w3,w4]T为RBF神经网络的权向量,h=[h1,h2,h3,h4]T为RBF神经网络的径向基向量,径向基向量hj选择高斯基函数,如下:
式中,cj为基函数的中心,bj为基函数的宽度,x为神经网络的输入量;
g)根据滑模控制原理,选取控制目标 设计权值参数变化dwj为:
其中,η为系统的学习效率,s为滑模控制的切换函数,E为RBF神经滑模的权值调整指标,k为滑模切换增益;
h)采用随机梯度学习算法在线调整神经网络的加权值wj、中心值cj和宽度参数bj,具体如下:
wj(t)=wj(t-1)+dwj(t)+η(wj(t-1)-wj(t-2))
bj(t)=bj(t-1)+dbj(t)+η(bj(t-1)-bj(t-2))
cj(t)=cj(t-1)+dcj(t)+η(cj(t-1)-cj(t-2))。
5.根据权利要求2所述的一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法,其特征在于,所述步骤3中,设计逆纵向控制器,求出期望油门开度αdes和期望制动压力Pbdes,具体包括以下步骤:
步骤3.1:按照前述建立车辆纵向动力学系统模型,不考虑轮胎及传动系的弹性变形,则驱动力可表示为:
其中r为车轮半径,定义变量kt为:
由车辆动力学模型可得,kt是一个可实时观测的量,Rg为传动比,期望的发动机扭矩Tdes可表示为:
其中,vdes为期望速度,Ff(v)表示滚动阻力、风阻及发动机倒拖阻力等其它各种阻力的总和;
由发动机输出扭矩和发动机转速可以得到节气门开度的逆发动机扭矩特性函数;
由期望的发动机扭矩和发动机转速,利用逆发动机扭矩特性函数可以得到期望的节气门开度,表示如下:
αdes=Eng-1(Tdes,ωe)
步骤3.2:经过发动机力矩输出控制、制动器制动力矩控制的切换之后,如切换为制动器制动力矩控制,需要按照期望加速度的要求,计算期望的制动压力,表示如下:
其中,KKd为制动压力系数;
步骤3.3:设计车辆逆纵向动力学系统模型,包括节气门执行器模型和制动执行器模型,输入量分别是期望的节气门开度和期望的制动压力,输出量是实际实现的节气门开度和制动压力;
节气门执行器模型采用的是脉宽调制信号控制的直流电机驱动机构,直流电机在控制器的控制下拉动节气门体,直流电机的扭矩与节气门体中回位弹簧的扭矩相平衡时,节气门就稳定在某一开度;
制动执行器模型采用的是高速开关阀控制的蓄能式泵站结构,电机通过油泵将制动液的压力升高,并储存于蓄能器中,制动执行器控制器通过控制信号控制加压阀和减压阀的开闭,制动执行器控制器通过对加压阀和减压阀的合理控制实现期望的制动压力。
6.根据权利要求2所述的一种基于RBF神经网络的智能车辆纵向速度终端滑模控制方法,其特征在于,所述步骤3中,设计宽度为h的缓冲层,避免油门控制器与制动控制器的频繁切换,实现车辆稳定纵向速度控制,具体过程为:
根据期望加速度确定节气门/制动器控制的切换逻辑曲线,该曲线表现为节气门开度最小时不同挡位的车辆纵向加速度a0,它的大小由发动机倒拖力矩、各挡位变速比、滚动阻力及迎风阻力确定,具体如下:
Ft0为为节气门全闭是的驱动力;
设计油门控制器和制动控制器之间切换逻辑为:
ades-a0(v)>h发动机控制;
ades-a0(v)≤-h制动器控制。
方法
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
基于图像特征与贝叶斯数据融合的结构表面裂缝检测方法 | 2020-05-12 | 886 |
基于RBF辨识的ICA-CMAC神经网络的欠驱动无人艇航迹跟踪控制方法 | 2020-05-13 | 679 |
一种基于信息处理的短期风速预测方法及系统 | 2020-05-13 | 577 |
一种可穿戴式心电监测设备 | 2020-05-13 | 771 |
用于操作三维动画角色的方法和装置 | 2020-05-11 | 993 |
一种混合动力汽车能量管理方法及系统 | 2020-05-13 | 907 |
一种循环流化床锅炉燃烧自适应控制系统及方法 | 2020-05-15 | 682 |
新能源车辆智能网络控制方法及其系统 | 2020-05-11 | 973 |
二维光电视频与三维场景融合方法 | 2020-05-13 | 913 |
基于MKPCA-RBFNN的短期电力负荷预测方法 | 2020-05-14 | 930 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。