车辆防抱死系统翻译

摘要汽车防抱死系统的研究是基于能够在汽车急刹车的情况下降低车轮锁死的倾向和提高车辆的控制能力，尤其是在易滑路面上。汽车重量的不同，道路摩擦系数和倾斜度的不同，以及其他一些非线性动态因素都将会很严重的影响防抱死系统的性能。本系统是一个非线性系统，对于经典的控制方法将不易于实现，而智能的模糊控制方法对于这类非线性系统是非常有用的。同时，一份自我修正方案对于克服这些问题似乎是必要的。我们为ABS开发了一种自适应的模糊神经自我修正的PID控制方案，在这里，模糊自我修正的PID控制其采用了ANFIS，使得在防抱死系统中有了很大的改进。该控制器的设计是为了实现三个控制目标：减少刹车时间，限制滑移率，提升ABS控制器的性能（减少上升时间和超调量），仿真结果表明，我们的目标实现了。关键词：防抱死制动系统（ABS），PID控制器，T-S模糊系统，自适应神经模糊系统（ANFIS）介绍ABS曾被设计通过防止车轮抱死以实现最大的负加速度。研究表明，路面和轮胎之间的摩擦是车轮滑移的非线性函数。因此，通过设计一个合适的控制系统使车轮滑移控制在一个最佳值附近来使最大负加速度得以实现。因为在车辆动力学中，这将存在很多不确定因素（例如因车子因重力作用而存在的质量和重心的不同、道路条件的不同）。防抱死系统提供了减短停车距离和引导并保持对紧急制动过程的控制的功能。他使驾驶者在急刹时依然能够控制车子并且能够较一般的紧急制动操作而言理想地缩短刹车距离常规的PID控制器，对于存在额外的复杂性（例如比较大的延时、明显的震荡行为、参数的变化、非线性，以及MIMOplants）的控制进程来说是不够的。为了改进传统的PID控制器，我们采用了模糊逻辑。基于模糊逻辑的PID控制器是一种智能的，可以自我修正的PID控制器。最近，有一些关于应用了模糊逻辑的自整定PID控制器的研究比较活跃。除去简短的回顾，以下是一些最近的研究，讨论了PID型的模糊逻辑控制器的调整参数，用新的方法，PID型模糊逻辑控制器调整，并且采用的是新的方法，在在线方式下使用模糊推理机制的设计方式来调整输入比例因子对应的导数系数和输出比例因子对应的PID型积分系数。此外，研究了一种并行结构与控制器参数整定的一种新方法的模糊PID控制器。通过在某种程度上类似于上述所提到的的方法，获得了更好的性能，并进行了稳定性分析。Woo提出的一种新的方法是通过控制器的调整比例因子在线调整模糊PID控制器，得到更好的瞬态和稳态响应。分别在较低和较高的水平上讨论二级模糊PID控制器的线性和非线性的调整，从而获得更好的性能结果。他提出了一种新的模糊PID控制策略，并提出了改进由于基于网络的控制系统引起的传输延迟的降解效果的控制性能。同时，对使用一个强大的扩展卡尔曼滤波来优化Mamdani模糊PID控制器的新型在线方法也进行了研究和报道。最近，使用遗传算法对模糊PID控制器的参数系统进行调节。在这项工作中，由于使用遗传算法，参数估计做的就比较慢，同时，该方法具有相当的复杂性。因此，在本文中，防抱死制动系统（ABS）中的自适应神经模糊系统（ANFIS）是用来估计PID参数自我修正的控制。ANFIS是一种自适应的系统，它对模糊系统的参数辨识采用混合学习算法。由ANFIS代表的模糊模型，有能力根据输入-输出条件调整参数系统。本文组织如下：第2部分根据一季度汽车模型介绍了ABS的数学模型。3部分介绍了在PID控制器参数调整领域之前的工作。文章的主要内容基于自适应模糊神经网络研究是在第4部分研究的。第5部分是模拟结果和相关讨论。2.防抱死制动系统2.1车辆动力学模型为了验证控制性能，这一部分展示了该季度的车辆动力学简化模型。它是由assadin和nouilllant提出来的，如图1所示。非线性动力学可以描述如下，显示了它在纵向方向上的力平衡。图1.车辆动力学模型滑移率定义如下：车轮的中心力矩总结如下：由公式（1）和（2）可重新计算得到如下：从公式（4）中可以看出：在刹车过程中，滑移率取决于扭矩u和汽车的速度，在状态空间里，系统的状态变量是其中，Sx是停车距离，状态空间的公式如下：公式（5）中的状态空间模型将会被用来在使用不同PID策略时，在仿真测试中对ABS性能的一个评估。在制动过程中，假定车轮半径是恒定的。同时，汽车的速度，车轮角速度信号通过换能器将安装在合适的地方。所以，滑移率对ABS闭环系统来说是可以得到的。2．2制动的基础和问题的定义ABS拥有保持车辆的稳定性和转向的能力，还可以实现比锁定车轮停止更短的停车距离，来自附着系数与滑移率的关系。摩擦系数可以在很宽的范围内变化，这取决于因素如下：路面情况（干燥或潮湿）；车轮胎侧偏角；车轮品牌；车辆速度；轮胎与路面之间的滑移率；在本文中，轮胎摩擦模型引入的[15]和[16]采用已使用，它提供的轮胎摩擦系数随车轮滑移率和车辆速度的关系如下：公式（6）中的参数意义表示如下：C1是摩擦曲线的最大值，C2是摩擦曲线的形状C3是摩擦曲线的最大值和为1时的差值，C4是湿度特征值且范围在0.02–0.04S/m。表1是在不同路况下的摩擦模型的参数，路面摩擦系数对表面条件和滑移率的依赖如图2所示，侧向力是车辆转向的本质。当滑移率为1时，它就很明显，这个力为零，这也就解释了为什么轮胎锁死的时候会失去转向能力，根据道路类型的不同，轮胎和地面之间的摩擦系数存在一个最佳值，当值为1时是情况最糟糕的时候。大多数厂家使用的一组点的滑移率等于0.2，这是对所有的道路状况的一个很好的妥协。这样的控制问题可以描述为一个定值控制系统，可实现PID控制器，见图3所示。下一节介绍这几种闭环系统的PID策略。表1：摩擦模型参数路表状况C1C2C3干沥青1.280123.990.52湿沥青0,85733.8220.347干混凝土1.197325.1680.5373雪0.194694.1290.0646冰0.05306.390图2.道路摩擦与轮胎滑移率相对应的系数图3.ABS的闭环控制系统3.PID与模糊逻辑调整在PID控制中，整定PID控制器参数是非常重要的。齐格勒和尼克尔斯提出了著名的齐格勒尼克尔斯法来调整的PID控制器的系数。这种调整的方法很简单，但不能保证永远有效。为此，本文研究了PID控制器自调整。这个控制其包括两部分，传统的PID控制器和模糊逻辑控制（FLC）部分，具有自我在设定点的跟踪性能调优能力。比例、积分和微分（KP，KI，KD）系统中的收益可以根据系统的输出在控制下及时自我调整。模糊逻辑控制（FLC）是模糊集理论一个最成功的应用，由LAZadeh在1973提出，并由Mamdani在1974试着应用于控制那些很难实现结构化建模的系统。此后，FLC的一直是一个有许多工业应用报道的非常活跃和富有成果的研究领域。在过去的三十年，FLC已演变为在各种工程领域的一种替代或补充传统的控制策略。模糊控制理论通常提供的非线性控制器，能够执行不同的复杂非线性的控制行动，甚至于不确定的非线性系统。不像传统的控制，设计一个模糊控制不需要的系统模型如系统传递函数的极点和零点等精确知识。它是模仿人类的学习方式，跟踪误差和误差率对设计这样一个模糊控制系统来说是两个关键输入。4.模糊自整定PID控制方案我们的目标是为ABS制动提高控制系统的性能（减少上升时间和过冲）。该系统具有与其他控制器，包括在过去研究的模糊自整定PID控制合适的性能。首先，PID自整定系统的设计目的是用于控制，然后，系统根据控制要求而改进。以下是一个PID控制器的模糊自整定设计的调查4.1控制系统结构调整了给定的PID参数，3个独立的模糊系统是在这个计划中考虑；而对于每一个T-S型，1个模块有2个输入和1个输出。为了确保准确的性能，所述控制系统在汽车驾驶模拟器系统具有ABS制动检测。我们必须限制滑移率为0.2和最小化停车时间。一个被模糊自整定PID控制系统控制的ABS制动模型被验证如下。调整PID控制参数，模糊T-S型1定义如下：作为模糊系统的输入，误差和误差率是用来检测系统的行为。这两个输入是ABS的闭环系统实际存在的信号，不需要额外的硬件。因此，自整定系统的描述总结如下：其中，模糊系统是T-S且符合为输入的线性组合这样一个规则。例如，规则的一般形式：其中，是一个清晰的功能，正如之前提到的，模糊系统有两个输入一个输出，参数类型被选为高斯的，由σ和c二者表示。其中μ是隶属度，C代表隶属函数的中心，σ决定其传播之前提到的自整定系统包括两个输入，误差和误差率是由三个高斯隶属函数组成N：负，Z：零，P：正。所以每个基于这个规则的模块共包含9个模块，总之，规则描述如下：如果e是B1且e是B2，那么，其中，B!和B2可以是N负，Z零，P正。是增益，它是可以被调整的，例如Kp.Ki,Kd,还有a1,a2是常数，模糊的部分只是前期部分和每一个规则有自己清晰的输出；所以输出结果通过加权平均获得。出了Mamdani模型之外，其他的模糊系统模型不需要去模糊化。如前所述，从给出的结构，每一个模糊系统有27个自由参数，这实际上是对输入的线性组合构成规则的系数。同时，有12个参数为每个隶属函数的输入，每一个都是使用三模块。但由于误差和误差率是三模糊系统相同，总自由参数是93。为一个适当的性能确定这些参数的最佳值，我们可以使用自适应模糊神经系统推理如下：4.2自适应神经模糊推理系统控制器的操作：考虑一个ABS制动系统的正常性能及两输入（误差和误差率），我们可以训练自适应神经模糊自整定PID系统能够在不同情况下表现出合适的性能。方法是，两输入和一个输出（一个PID系数）的ANFIS系统（误差和误差）可以考虑到优化每个模糊系统和系统的各个系数5.仿真和讨论在本文中，用MATLAB来实现防抱死制动系统（ABS）模型的仿真。首先，模糊自整定PID控制设计和仿真是为了得到控制的目标包括维持0.2的滑移率和减少停机时间；其结果如下，图7。然后是一个ANFIS系统应用于给定的控制来改善其功能（减少上升时间和超调）。针对模糊控制设计的93个参数，它对优化这些参数来提高性能是非常有效的。通过最近阶段包括输入数据得到的数据（误差和误差）在适当范围内改变PID控制参数的，以及PID系数和输出数据及其改进的有关资料。对于任何给定的模糊系统，三ANFIS系统有两个输入（误差和误差）和输出作为PID的系数（KP，KI，KD）被认为将在原模糊系统的培训根据控制目标得到改进，如图4、5所示。这种训练的结果，应用模糊神经网络方法，就是下图所示。结果之一是以这样一种方式改变最佳的C和σ得到隶属函数的结构。同时，在线性组合Sugino类型的结果中改变系数获得最佳响应，如图6,8,9所示。因此，实验结束后，改变输入的系统根据误差和误差率将适量的应用到改变Kp，Ki和Kd来改进目前的PID控制。与其他方法用于优化一个自整定模糊系统的方法而言，这种方法被验证是更容易，具有训练时间短以及更合适的性能（在超调和上升时间方面），并减少停车时间，如图7、10所示。图4.ABS的自适应的模糊神经控制系统模型图5.自适应模糊神经系统的模型原理图ae的隶属函数图be’的隶属函数图6.调整前输入的隶属函数图a参数Kp的隶属函数图a参数Kp的隶属函数图b参数Kp的隶属函数图b参数Kp的隶属函数图b参数Kd的隶属函数图b参数Kd的隶属函数图8.输入e调整后的隶属函数图9.输入e’调整后的隶属函数车速和轮速度之间的比较滑移率图7.滑移率和模糊逻辑下的ABS性能车速和轮速度之间的比较滑移率图10.在自适应模糊神经PID控制器下的ABS性能参考文献：[1]Bosch(2004).AutomotiveHandbook.6thEdn.Plochingen,RobertBoschGmbH.[2]Wu,M.andShih,M.(2003).Simulatedandexperimentalstudyofhydraulicanti-lockbrakingsystemsusingslidingmodePWMcontrol.Mechatronics,13,331−351.[3]Åström,K.J.,Hang,C.C.,Persson,P.andHo,W.K.(1992)TowardsintelligentPIDcontrol.Automatica,28,1–9.[4]Chen,G.(1996)ConventionalandfuzzyPIDcontrollers:anoverview.Int.J.IntelligentControlSystems,1,235–246.[5]M.Güzelkaya,İ.Eksin,E.Yeşil,“Self-tuningofPID-typefuzzylogiccontrollercoefficientsviarelativerateobserver”,EngineeringApplicationsofArtificialIntelligence,Vol16,Issue3,April2003,No227-236[6]Xu,J.-X.,Hang,C.-C.andLiu,C.(2000)ParallelstructureandtuningofafuzzyPIDcontroller.Automatica,36,673–684.[7]Malki,H.A.,Li,H.andChen,G.(1994)Newdesignandstabilityanalysisoffuzzyproportional-derivativecontrolsystems.IEEETrans.FuzzySystems,2,245–254.[8]Woo,Z.-W.,Chung,H.-Y.andLin,J.-J.(2000)“APIDtypefuzzycontrollerwithself-tuningscalingfactors”FuzzySetsandSystems,115,321–326.[9]Mann,G.K.I.,Hu,B.-G.andGosine,R.G.(2001)Two-leveltuningoffuzzyPIDcontrollers.IEEETrans.Sys.ManCybern.-B,31,263–269.[10]A.Fadaei,K.Salahshoor,“DesignandimplementationofanewfuzzyPIDcontrollerfornetworkedcontrolsystems”ISATransactions,Vol47,Issue4,October2008,No351-361[11]K.K.Ahn,D.Q.Truong,“OnlinetuningfuzzyPIDcontrollerusingrobustextendedKalmanfilter”,OriginalJournalofProcessControl,Vol19,Issue6,June2009,Pages1011-1023[12]AbdelBadieSharkawy,“Geneticfuzzyself-tuningPIDcontrollersforantilockbrakingsystems”,EngineeringApplicationsofArtificialIntelligence,Assiut71516,23June2010,Pages1041–1052[13]Assadin,F.,MixedHNandFuzzyLogiccontrollersfortheautomobileABSPSAPeugeot-Citroen,SAE2001Worldcongress,March5–8,Detroit,Michigan,USA,2001.[14]Nouilllant,C.,etal.,2002.Acooperativecontrolforcarsuspensionandbrakesystems.Int.J.Automot.Technol.3(4),147–155.[15]Burckhardt,M.,1993.Fahrwerktechnik:radschlupf-regelsysteme.Vogel-Verlag,Wurtzburg.[16]Harifi,A.,Aghagolzadeh,A.,Alizadeh,G.,Sadeghi,M.,2008.DesigningaSlidingModeControllerforSlipControlofAntilockBrakeSystems.Transp.Res.PartC16,731–741.[17]vonAltrock,C.,November1997.Fuzzylogicinautomotiveengineering.CircuitCellar,Comput.Appl.J.88,1–9.[18]Chih-MinLin,Hsu,Chun-Fei,Marc