法律状态公告日
法律状态信息
法律状态
2017-12-26
授权
授权
2016-01-06
实质审查的生效 IPC(主分类):G05B13/04 申请日:20150906
实质审查的生效
2015-12-09
公开
公开
技术领域
本发明涉及一种电动助力转向系统该系统,尤其是一种用于提高转向的轻便性和灵敏性, 为驾驶者提供合适的路感的动助力转向系统该系统的优化设计方法。
背景技术
车辆操纵稳定性是汽车研究的一个重要方面。其中,转向系统对驾驶员的力反馈对车辆 操纵稳定性影响明显。由于电动助力转向系统是复杂的机电耦合子系统,其设计、参数优化 以及与整车的匹配受到众多机械与控制参数的影响和制约,在EPS系统的初始设计时,通常 将机械结构参数和控制器性能参数单独设计。这样优化出的设计参数往往不能使转向系统性 能达到全局最优,从而影响车辆操稳性和行驶安全性。由于近年来,众多品牌的乘用车都出 现了各种各样的EPS系统问题,若能从系统工程分析的角度对EPS进行全局优化设计,势必可 以极大的降低故障发生的概率,而针对EPS系统参数的优化设计选取必须通过综合考虑机械、 控制参数的多学科全局优化方法得到,并通过整车操稳性的主客观评价方法进行匹配验证。
在传统的电动助力转向系统设计中,先是通过理论来设计EPS的机械结构参数,然后采 用相应的控制策略来设计控制器。这种设计方法把一个机电系统的设计一分为二,虽然在前 后两步设计过程中都使用了优化设计思想,但机械结构和电机控制器之间存在错综复杂的相 互关系,使得机械结构与控制结构之间存在耦合,因此在设计之初就需要考虑这两者之间的 关系,以得到全局最优参数。另一方面,由于被控对象与控制器之间又是相互联系的。因此 对两个系统同时优化设计,比单独设计更合理,也期望得到更佳的结果。EPS是一个高度协 调的机电一体系统,为了能够更加提高转向系统性能并且减少能源消耗。
发明内容
本发明提出一种电动助力转向系统的多学科优化设计方法,结合多学科协同优化对EPS 系统机械系统和控制系统的参数进行集成优化设计,在此基础上,以操纵路感和转向灵敏度 为优化性能指标,分别运用遗传算法和粒子群算法两种优化方法进行优化,最终使EPS系统 得以全局优化,达到提高整车操纵稳定性的目的,实现了多科学多目标优化设计。这种通过 机械参数和控制参数的多目标集成优化,为EPS系统的优化提供一种新的解决方案,这是提 出该策略的诱因。
本发明的技术方案是:一种电动助力转向系统的多学科优化设计方法,包括以下具体步 骤:
1.车辆系统建模
建立二自由度车辆模型,并对EPS模型的各部件进行受力分析,得到各自的运动方程: 转向柱:
其中
由扭矩传感器测量的车速和转向柱力矩为输入量,通过试验得出助力脉谱特性,由助 力电流计算出助力扭矩;
2.优化目标的建立
采用横摆角速度与转向角之比r(s)/θh(s)来表示转向灵敏度,即车辆方向盘转角到车辆横摆 角速度响应的传递函数表示:
由公式1和EPS模型公式得转向灵敏度评价传递函数:
Uo(s)=Ks(Ls+R+KvN1Kt)(10)
其中:Xo2(s)=Cf(amVs+lCr)
式中:m为整车质量;V为车速;Cr,f分别为前后轮胎侧偏刚度;β为质心侧偏角;γ为横摆角 速度;a为前轮到质心的距离;b为后轮到质心的距离;l=a+b;Iz为车身横摆转动惯量;N2为 齿轮齿条转向器传动比;Kv为助力增益;Kt为电动机的电磁转矩常数。
求出操纵路感评价函数:
Th≈Ts=Ks(θh-θe)=-Ksθe(12)
根据劳斯判据判断稳定性,获得系统的特征方程和各项系数,并将系统特征方程的 系数排成Routh表,并得出系统稳定的必要条件;
3.EPS参数优化
(1)目标函数的确定:多目标优化问题的基本模型
minF(x)=(f1(x),f2(x),.....,f3(x))T(13)
L≤x≤Ux=(x1,x2,...xn)
式中F(x)为目标函数,g(x)为不等式约束函数,h(x)为等式约束函数,x为决策矢 量,L、U为x的上下界。
建立以操纵路感和转向灵敏度为目标函数的优化模型,操纵路感的频域能量:
转向灵敏度频域能量:
由于优化算法中进行优化时是使目标函数最小化,所以取优化目标函数为:
目标函数1:min-f1(Ks,Im,N1,Kp,Ki,Kd)
目标函数2:min-f2(Ks,Im,N1,Kp,Ki,Kd)
约束条件的确定,开始优化前根据分析确定参数的上下界:40≤Ks≤1805≤N1≤30 0.0001≤Im≤0.0010≤Kp≤200≤Ki≤100≤Kd≤10
(2)优化算法:
采用遗传算法和改进的粒子群算法,来寻找全局最优值,更新各粒子速度和位置的公式 为:
vidt+1=wvidt+c1r1[pidt-xidt]+c2r2[average(pgdt)-xgdt](16)
xidt+1=xidt+vidt+1(17)
其中:w表示惯性权重;c1、c2为学习因子;r1、r2为介于0到1之间均匀分布的随机函数自动 生成;t表示第t次迭代,d代表决策变量的维数,average(pgdt)代表对“记忆体”中当前最优Pareto 解两两相互比较所得的较优粒子;
(3)优化步骤:
首先通过Simulink模型,求得一组名义系统参数,即Ks,N1,Im,Kp,Ki,Kd的初始值,设 定系统在2秒内稳定,横摆角速度峰值在0.3左右,且增益幅度不超过20%的条件下,确定 一组名义模型参数:
1)建立以操纵路感和转向灵敏度为目标函数的模型,将控制器参数取名义定值,利用两优化 算法分别进行优化机械系统参数Ks、N1、Im;
2)根据EPS控制和优化的需要,设计PID控制器控制策略,将机械结构参数取名义定值,优 化控制器参数Kp、Ki、Kd;
3)将机械结构参数和控制系统参数同时设为自变量,利用两种算法进行协同优化。代入 simulink模型进行验证并比较最终优化效果。
本发明的有益效果是:本发明结合多学科协同优化对EPS系统机械系统和控制系统的参数 进行集成优化设计,在此基础上,以操纵路感和转向灵敏度为优化性能指标,分别运用遗传 算法和粒子群算法两种优化方法进行优化,最终使EPS系统得以全局优化,达到提高整车操 纵稳定性的目的,实现了多科学多目标优化设计。
附图说明
图1是本发明集成优化框图;
图2a是EPS折线型助力特性图;
图2b是EPS助力特性试验Map图;
图3是机械参数多目标优化图;
图4是控制参数多目标优化图;
图5是多目标参数集成优化图;
图6是机械参数多目标粒子群优化结果图;
图7是控制参数多目标粒子群优化结果图;
图8是多目标集成多目标粒子群优化结果图;
图9是采用遗传算法的横摆角速度优化结果图;
图10是采用改进的粒子群算法的横摆角速度优化结果图;
图11是采用遗传算法的质心侧偏角优化结果图;
图12是采用改进的粒子群算法的质心侧偏角优化结果图;
图13是优化前后的转向灵敏度对比曲线图;
图14是优化前后的转向路感对比曲线图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
如图1所示,本发明的电动助力转向系统的多学科优化设计方法,包括以下具体步骤:
1.车辆系统建模
建立二自由度车辆模型,并对EPS模型的各部件进行受力分析,得到各自的运动方程: 转向柱:
其中
合理的转向助力特性曲线不仅可保持汽车低速行驶时转向轻便灵活,而且可保持中高速 行驶时的路感和操纵稳定性。该车初始设计采用的是折线型助力特性曲线图(如图2a),车 速和转向柱力矩(由扭矩传感器测量)为输入量,通过试验得出助力脉谱特性,由助力电流计 算出助力扭矩,实际助力Map特性如图2b所示。
2.优化目标的建立
在本发明中,为了更加直接客观的反映转向系统和整车系统的综合性能,拟采用横摆角 速度与转向角之比r(s)/θh(s)来表示转向灵敏度,即车辆方向盘转角到车辆横摆角速度响应的传 递函数表示。结合上面公式可知:
由公式1和EPS模型公式得转向灵敏度评价传递函数:
Uo(s)=Ks(Ls+R+KvN1Kt)(10)
其中:Xo2(s)=Cf(amVs+lCr)
式中:m为整车质量;V为车速;Cr,f分别为前后轮胎侧偏刚度;β为质心侧偏角;γ为横摆角 速度;a为前轮到质心的距离;b为后轮到质心的距离;l=a+b;Iz为车身横摆转动惯量;N2为 齿轮齿条转向器传动比;Kv为助力增益;Kt为电动机的电磁转矩常数。
求出操纵路感评价函数:
Th≈Ts=Ks(θh-θe)=-Ksθe(12)
根据劳斯判据判断稳定性,获得系统的特征方程和各项系数,并将系统特征方程的 系数按下列形式排成Routh表,并得出系统稳定的必要条件。
3.EPS参数优化
目标函数的确定:多目标优化问题的基本模型
minF(x)=(f1(x),f2(x),.....,f3(x))T(13)
L≤x≤Ux=(x1,x2,...xn)
式中F(x)为目标函数,g(x)为不等式约束函数,h(x)为等式约束函数,x为决策矢量, L、U为x的上下界。
建立以操纵路感和转向灵敏度为目标函数的优化模型,操纵路感的频域能量:
转向灵敏度频域能量:
由于优化算法中进行优化时是使目标函数最小化,所以取优化目标函数为:
目标函数1:min-f1(Ks,Im,N1,Kp,Ki,Kd)
目标函数2:min-f2(Ks,Im,N1,Kp,Ki,Kd)
约束条件的确定,由于EPS优化的参数均为有实际意义的物理参数,故在开始优化前需确定 其上下限。根据分析确定参数的上下界:40≤Ks≤1805≤N1≤300.0001≤Im≤0.001 0≤Kp≤200≤Ki≤100≤Kd≤10
(1)优化算法:
遗传算法(geneticalgorithm,GA)是一种进化优化算法,是将获取问题的最优解模拟 成一个生物的进化过程来进行求解。其主要特点是:群体搜索策略和群体中个体之间的信息 交换,搜索不依赖于信息梯度,具有良好的全局优化性能,较好地解决了传统算法易于先入 局部最优的问题,可以求解目标函数比较复杂的问题。
粒子群算法(PSO)是一种基于群体的随机优化算法。它是通过粒子追寻搜索到的当前最 优值来寻找全局最优值。单纯的粒子群优化很难解决多目标优化问题,本发明利用“记忆体” 概念,通过不断记忆最优粒子,来寻找全局最优值,更新各粒子速度和位置的公式为:
vidt+1=wvidt+c1r1[pidt-xidt]+c2r2[average(pgdt)-xgdt](16)
xidt+1=xidt+vidt+1(17)
其中:w表示惯性权重;c1、c2为学习因子;r1、r2为介于0到1之间均匀分布的随机函数自动 生成;t表示第t次迭代,d代表决策变量的维数,average(pgdt)代表对“记忆体”中当前最优Pareto 解两两相互比较所得的较优粒子。
(2)优化步骤:
首先通过Simulink模型,求得一组名义系统参数,即Ks,N1,Im,Kp,Ki,Kd的初始值。设 定系统在2秒内稳定,横摆角速度峰值在0.3左右,且增益幅度不超过20%的条件下,确定 一组名义模型参数。
1)建立以操纵路感和转向灵敏度为目标函数的模型,将控制器参数取名义定值,利用两优化 算法分别进行优化机械系统参数Ks、N1、Im。
2)根据EPS控制和优化的需要,本文设计了PID控制器控制策略,将机械结构参数取名义定 值,优化控制器参数Kp、Ki、Kd。
3)将机械结构参数和控制系统参数同时设为自变量,利用两种算法进行协同优化。代入 simulink模型进行验证并比较最终优化效果。
遗传算法优化:
如图3、4、5分别为机械结构参数、控制参数和多目标集成优化图,横轴为转向路感频 域能量值,纵轴为转向灵敏度频域能量值。两能量值在取最优值时是相互冲突的,优化时就 需要在两值之间进行适当的均衡处理,使两值均达到适度最优。MATLAB遗传算法工具箱在进 行多目标优化时,优化结果常用Pareto图表示,Pareto前沿即Pareto最优化解的集合,当 所得解越接近Pareto前沿,说明该解越趋于最优解。
表1遗传优化结果
根据图形的结果得到表格1,可以看出:集成优化得到的目标函数分别是机械参数优化 的3.484倍、3.64倍;控制参数优化的5.554倍、3.602倍。
改进的粒子群算法优化:
选取种群个数为100,w取值在[0.5,1.5]之间,c1、c2取值为2,r1、r2为介于0到1之 间均匀分布的随机函数自动生成。根据前面已经计算出的目标函数和优化参数,结合改进的 粒子群程序,运行得到最终优化结果,如图6至图8所示。
表2改进的粒子群优化算法结果
根据图形的结果得到表格2,可以看出:集成优化得到的目标函数分别是机械参数优化 的3.74倍、4.55倍;控制参数优化的5.39倍、4.40倍。
应用例:
关于转向操纵稳定性的实验评价,通常情况下在时域主要评价指标为质心侧偏角和横摆 角速度。由于在实际工况中很难模拟方向盘阶跃响应,本发明以接近90度的斜率开始J-turn 操作,获得如图9,10所示结果。
图9~12为遗传算法和改进的粒子群算法优化结果,与单独优化相比,集成优化后两者的 超调量明显降低,系统过渡时间缩短,更快地由瞬态达到稳态。
图13优化前后的转向灵敏度对比曲线图14优化前后的转向路感对比曲线
为了进一步从频域客观评价优化前后EPS对整车操纵稳定性的影响,文中采用了国际通 用的操稳性四参数分析方法(MimuroT,OhsakiM,YasunagaH,etal.Fourparameterevaluation methodoflateraltransientresponse[R].SAETechnicalPaper,1990.),得到了图13和图14转向 灵敏度幅频与相频特性曲线。
表3优化结果对比
由表3可知:优化后的汽车稳态横摆角速度增益适度增大、共振峰频率变高、增幅比降 低、转向灵敏度响应带宽增大,系统响应速度和车辆稳定性提高。同时,优化后系统阻尼比 增大,超调量减小,幅频特性曲线较平缓,通频带宽增加,相位滞后角绝对值适当减小,汽 车的响应速度和系统稳定性得到进一步提高。
此外,由图14转向路感幅频与相频特性曲线可知:
优化后的伯德曲线中频段增益平坦,相位和幅值裕度充足。相位裕度和带宽均增加,相 位滞后减少,汽车操纵稳定性得到提高。
总之,通过机械与控制多学科多目标协同优化方法对EPS系统进行集成优化,找到了最优的 EPS系统参数组合,最大限度降低了二者在运行情况下的相互作用和制约,使电动助力转向 系统实现全局最优性能。
机译: 支持多学科优化的设计自动化和压力控制组件的优化
机译: 基于多学科优化的卫星总体方案确定系统及实现方法
机译: 基于多学科优化的卫星总体方案确定系统及实现方法