基于越野工況辨識的輪轂電機車輛驅動力控制

付翔　王玉新　劉道遠　王紀杰

摘要：針對現有工況辨識策略在識別地形起伏度、變附著路面的不足，基于LuGre輪胎模型構建觀測空間方程來快速捕捉附著條件的瞬態變化，基于模糊控制算法將實時工況與6種典型工況映射，根據工況辨識結果設計了閉環控制策略以自適應調節輪轂電機的實時輸出力矩。仿真測試與實車驗證表明，基于越野工況辨識的驅動力控制策略可快速跟蹤各輪附著極限和接地狀態的瞬態變化，自適應調節車輛的實時驅動功率，達到車輛動力性與穩定性的綜合優化。

關鍵詞：輪轂電機車輛；模糊控制算法；越野工況辨識；驅動力控制

中圖分類號：U467

DOI：10.3969/j.issn.1004-132X.2023.08.010

Driving Force Control of Hub Motor Vehicle Based on Off-road Condition Identification

FU Xiang WANG Yuxin LIU Daoyuan WANG Jijie1，2，3

Abstract： According to the shortcomings of the existing condition recognition strategy in identifying undulating terrain and variable adhesion road surfaces， based on the LuGre tire model， observation space equations were constructed to quickly identify the transient changes of adhesion conditions. The real-time working conditions were mapped with 6 typical working conditions based on fuzzy control algorithm， and a closed-loop control strategy was designed to adaptively adjust the real-time output torque of hub motors based on the working condition identification results. Simulation test and real vehicle verification show that the drive force control strategy based on the off-road condition identification may quickly track the transient changes of each wheel adhesion limit and grounding state， and adaptively adjust the real-time driving power of the vehicle to achieve comprehensive optimization of vehicle power performance and stability.

Key words： hub motor vehicle； fuzzy control algorithm； off-road condition identification； driving force control

0 引言

輪轂電機驅動系統具有功率密度大、傳動效率高、驅/制動力矩分配自由度高的獨特優勢。目前，針對輪轂電機驅動車輛在良好鋪裝路面上行駛的驅動控制研究較為豐富，而對行駛工況復雜且道路環境多變的越野工況下的車輛機動性與穩定性的研究較少。

秦也辰［1］基于車輛懸架動態響應進行路面工況辨識并設計了懸架系統逆向識別法，通過車輛動力學響應與自適應神經網絡算法識別路面不平度。HAN等［2］通過車輛懸架位移計算路面功率譜密度來識別路面不平度，通過縱向振動加速度的時間序列識別路面坡度，依據發動機輸出扭矩估計滾動阻力系數，從而辨識軟硬路面。趙永坡等［3］對比分析了輪胎在鋪裝路面和沙地下的受力狀況，而后基于輪邊加速度閾值控制和超閾值計數器，得到模糊化的路面識別結果。URAULIS等［4］基于深度學習的圖像識別算法對12種路面進行分類。現有工況辨識常將識別算法與車輛狀態、懸架、驅動系統相結合，建立路面高程信息以準確分類路面等級，但大量數據集處理導致系統具有一定滯后性，且研究多聚焦于鋪裝路面，在識別變附著路面、地形起伏方面沒有深入研究。

輪轂電機驅動車輛具有多個驅動執行器，驅動力分配靈活、復雜，基于驅動系統效率優化的最優分配考慮約束條件對四輪轉矩進行非線性求解，綜合優化車輛性能，但計算量大導致算法實時性較差［5-7］?；谄骄峙渑c基于軸荷比分配［8-9］等基于規則的驅動力分配對越野工況等強干擾環境具有較優的適應性。本文針對表征路面激勵特征的狀態參數設計了隸屬度函數，基于模糊識別，將實時工況與6種越野工況映射；而后根據工況辨識結果設計前饋-反饋閉環控制策略以自適應調節輪轂電機的實時輸出力矩，實現不同工況下驅動功率利用率的優化和車輪縱向穩定性的快速收斂。

1 車輪附著條件觀測器

輪胎的受力特性是研究車輛動力學性能的基礎，經驗/半經驗公式的輪胎模型為離線模型，在強非線性的非鋪裝道路下的魯棒性差。LuGre輪胎模型在描述輪胎接觸面彈性變形的同時，考慮了摩擦效應，可以準確捕捉輪胎力的瞬態變化。LuGre輪胎模型原理公式為

如式（36）所示，為準確判斷騰空車輪是否重新接地，運用相平面方法制定判斷條件：Fres_iF·res_i>0∩Fres_i>0∩F·res_i>0，并引入F^res/4和F·res_high分別對單輪行駛阻力及其斜率進行閾值判斷，車輪行駛阻力及其斜率超過閾值說明滾動阻力、附著極限具有顯著增長的趨勢，滿足接地狀態切換的條件；狀態觀測單元通過讀取判斷時刻前五個采樣周期的數據，計算平均值近似得到輪i實際的行駛阻力Fres_i及其變化率F·res_i。

根據四輪實時接地狀態劃分三輪附著、兩輪附著工況，各輪的垂向載荷分布如表1、表2所示。

綜合車輪附著條件觀測與垂向載荷估計，得到各車輪附著極限的估計值：

2.2 越野車行駛工況在線辨識策略

根據路面垂向激勵差異將越野車行駛工況分為越野路面工況與越野地形工況：

（1）越野路面工況。各輪接地高度差異小，輪荷轉移主要由縱向、橫向的慣性力造成。越野路面工況可分為高附著、低附著、變附著三種。

（2）越野地形工況。高路面起伏度致使各車輪接地高度及其變化率差異明顯，車輛重心、行駛阻力、垂向載荷與附著條件均呈現強非線性特征，可將越野地形分為坡道、扭曲起伏、陡峭路障三種。

將F～res、Fi、Spini、εi等表征路面激勵特征的狀態參數輸入至動態隸屬度函數，基于模糊規則表將實時工況與6種越野工況進行映射，并進行解模糊化處理，動態調節驅動功率輸出約束系數及反饋增益，以改善車輛穩態收斂性能，優化各輪附著利用率。

2.2.1 模糊隸屬度函數確定

狀態參數均按照較小S-、適中M-與較大L-建立模糊子集{S-，M-，L-}，狀態參數論域均為［0，1］。

2.2.2 模糊邏輯規則制定

以各個表征路面激勵特征的狀態參數為輸入，基于模糊規則表將行駛工況與6種越野工況映射。模糊邏輯規則如表3所示，表中［0，1］表示此狀態參數的取值不改變判斷結果。

2.3 驅動力控制策略

基于越野工況的辨識結果，采用前饋-反饋的閉環架構設計驅動力控制策略。前饋環節根據垂向輪荷的實時估計值與越野工況辨識得到的電機實時峰值驅動力矩TAcc-max進行力矩矢量的預分配，反饋環節基于四輪滑轉率控制誤差和解模糊得到的反饋增益KFB進行力矩反饋調節。

以輪轂電機i的驅動功率利用率Di作為狀態變量，優化驅動力控制響應性。將輪i的滑轉率變化率λ·i（vx，ωi）與車輪縱向動力學模型聯立得到驅動時力矩的傳遞方程：

3 離線仿真及實車測試

3.1 變附路面急加速行駛仿真測試

本節設計車輛在對開路面（左側高附著、右側低附著）、對接路面（高附著至低附著）下急加速仿真試驗，其中，附著系數為高附著0.8，低附著0.3。仿真結果如圖1、圖2所示。

圖1表明：車輛加速會導致垂直載荷后移，因此后軸電機驅動力矩指令顯著大于同側的前軸電機；得益于較大的附著極限，同軸的左側高附著車輪電機驅動力矩指令大于右側低附著車輪，有效提高了輪轂電機驅動功率的利用率。隨著車速和輪速的提高，電機驅動力矩指令減小直至第11 s時達到右側低附著車輪的附著極限，此時，同軸異側電機輸出力矩差產生的附加橫擺力矩減小至0，各輪滑轉率實現同步收斂，顯著提高了車輛的橫向穩定性。

圖2表明，越野工況辨識策略能在車輪駛入低附著路面時附著系數突降后迅速減小驅動功率利用率峰值，實時調整電機的峰值輸出力矩，避免車輪過度滑轉。車輪驅動力矩在1 s、3 s突破附著極限后，反饋控制迅速增大反饋增益，車輪滑轉率在1 s內迅速收斂，而后減小反饋增益、小幅調節電機驅動力矩指令，平滑提高輪胎附著利用率，有效提高車輛的驅動效率。

3.2 越野地形縱向控制仿真測試

車輛勻速通過上坡扭曲路和跨越垂直路障的仿真測試環境的模型參數如表4所示，其中，路面附著系數為0.8。

圖3a、圖3b表明，越野工況辨識策略能快速捕捉到附著極限顯著提高或重新接地車輪的方位，并將當前工況分類為行駛阻力較大，驅動功率利用率峰值α需維持為1的扭曲地形，同時允許輪轂電機短時過載以克服較大的行駛阻力、避免車速的大幅下降。圖3c表明反饋控制環節可使騰空車輪迅速降速，有效提高驅動效率與滑轉率的穩態收斂性能。前饋-反饋閉環控制下，車輛縱向車速始終大于6 km/h，騰空車輪的線速度低于30 km/h，表明控制策略在上坡扭曲路地形下實現了驅動功率利用率的全局優化。

0.3 s時，前輪跨越垂直路障，車輛行駛阻力突然增大，車速明顯下降，如圖4a所示，前饋環節輸出力矩不斷增大但電機轉速在低速區持續震蕩。前輪在0.3 s內成功跨過垂直路障，輪轂電機驅動系統綜合輸出力矩峰值為2240 N·m。前輪失附騰空后，反饋控制迅速介入，通過及時減小后軸電機力矩來有效抑制車輪空轉。后輪越障時，車身俯仰、載荷后移明顯，導致后軸電機需克服的行駛阻力增大，輪轂電機驅動系統綜合輸出力矩峰值為2850 N·m，后輪在0.5 s內成功跨過路障?？缭铰氛虾?，電機轉速因阻力突降而迅速增加，反饋環節介入使車輪滑轉率在1 s內迅速收斂。

3.3 變附有路面急加速的實車道路試驗

變附著路面的實車加速試驗用來驗證真實變附著路面下的控制策略魯棒性。試驗路面分別為水泥路到濕滑路的對接路面、灑水玄武巖路面（左側）和水泥路面（右側）的對開路面。

圖5表明在力矩矢量分配策略的控制下，左側低附著車輪輪端輸出力矩Tw_FL、Tw_RL在3 s內迅速下降至100 N·m，滑轉率λFL、λRL在1.5 s內收斂到20%，輪端輸出力矩Tw_FL、Tw_RL在滑轉率收斂后迅速增大，有效提高了車輛的加速性能；橫向穩定性方面，雖然在加速前段發生幅度較大的橫擺運動，導致駕駛員需快速轉動轉向盤來修正行駛軌跡，但力矩矢量分配策略對各輪實時的差扭控制增大了各輪的穩定裕度，駕駛員控制轉向盤轉角峰值始終小于47°，處于可控范圍內。

如圖6所示，滑轉率λi隨輪端輸出力矩的增大而增大，在3.6 s時達到峰值的16%，且沒有出現顯著發散。此后，前輪和后輪分別于4.5 s、5.6 s駛入低附路面，滑轉率迅速增大，前后輪的附著系數估計值迅速減小。前饋-反饋閉環控制策略使前后輪的滑轉率分別在5.5 s和6.0 s時開始收斂，驅動防滑響應的延時小于0.5 s。6 s后，控制策略以增大各輪附著利用率為優化目標，使Twi≈rwFxmaxi，加速度均值a-超過0.2g，平均驅動功率利用率超過80%，轉向盤轉角|δ|max始終小于50°，實現了動力性與穩定性的協調優化。

3.4 越野地形實車道路試驗

長縱坡實車試驗的坡道路面附著系數為0.8，長度為20 m，坡度為60%。車輛在上坡時重心會后移，前饋環節基于各輪附著極限實時調整各輪轂電機的輸出，以優化各輪的附著利用率，如圖7a所示。如圖7b所示，各輪滑轉率的峰值均小于20%，前饋環節可實現四輪附著利用率的協調優化，4個車輪的穩定裕度較高，與前文仿真結果相符，滿足低速通過60%坡道的動力性指標。

扭曲路道路試驗路長7 m、直線段長3 m、上坡角度12°、最大垂直高度400 mm，測試過程符合GB/T 12541—90。

如圖8a所示，路面高度落差顯著，車輪因對角線懸架彈簧拉伸至極限而出現騰空現象，左前輪、右后輪的輪速與右前輪、左后輪的輪速交替發散。如圖8b所示，越野工況辨識策略快速識別到騰空車輪，騰空車輪附著力利用率突降至0，有效限制了輪端輸出力矩。由圖8c可知，基于車輪附著力利用率的瞬態變化及各輪附著極限的精確估計，前饋環節可實時調整輪端輸出力矩，以克服較大的行駛阻力，反饋環節可使騰空車輪滑轉率迅速收斂。

4 結論

（1）依托輪轂電機轉速、力矩實時可觀的條件，基于LuGre輪胎模型構建了觀測空間方程，以實時估計輪胎摩擦力并快速識別車輪附著條件的瞬態變化。

（2）定量分析了車輪附著的影響因素，并基于LuGre輪胎模型、車輛動力學模型、輪轂電機與阻力觀測器構建了車輪附著極限動態估計器。針對表征路面激勵特征的狀態參數，設計了隸屬度函數?；谀：R別，將實時工況與6種越野工況映射，而后根據工況辨識結果設計前饋-反饋閉環控制策略來自適應調節輪轂電機的實時輸出力矩。

（3）仿真測試和實車試驗表明，基于越野工況辨識的驅動力控制策略可快速跟蹤各輪附著極限和接地狀態的瞬態變化，自適應調節車輛實時驅動功率，優化了車輪的驅動功率利用率，實現了不同工況下車輪滑轉率的快速收斂，達到了車輛機動性與穩定性的綜合優化。

參考文獻：

［1］秦也辰. 基于路面識別的車輛半主動懸架控制研究［D］. 北京：北京理工大學， 2016.

QIN Yechen. Research on Vehicle Semi-active Suspension System Based on Road Estimation［D］. Beijing：Beijing Institute of Technology， 2016.

［2］HAN Y， MENG G W， HUANG C S， et al. Applied Technology in Road Identification Study of Off-Road Vehicle［J］. Advanced Materials Research， 2014， 1022：169-181.

［3］趙永坡， 謝善亮， 李康， 等. 全地形沙地策略提升車輛通過性能的試驗研究［J］. 工程與試驗， 2016， 56（2）：27-30.

ZHAO Yongpo， XIE Shanliang， LI Kang， et al. Experimental Research on All-terrain Sand Strategy Used to Improve Vehicle Driving Ability［J］. Engineering and Test， 2016， 56（2）：27-30.

［4］URAULIS V， SURBLYS V， ABANOVICˇ E. Technological Measures of Forefront Road Identification for Vehicle Comfort and Safety Improvement［J］. Transport， 2019， 34（3）：363-372.

［5］王健偉. 輪轂驅動電動客車的驅動力控制方法研究［D］. 重慶：重慶大學， 2017.

WANG Jianwei. Research on Driving Force Control Method of Wheel Drive Electric Bus［D］. Chongqing：Chongqing University， 2017.

［6］DA W， BO W. Research on Driving Force Optimal Distribution and Fuzzy Decision Control System for a Dual-motor Electric Vehicle［C］∥Chinese Control Conference. Huangzhou， 2015：8146-8153.

［7］趙慶薛. 四輪驅動電動汽車驅動力分配與防滑控制研究［D］. 長春：吉林大學， 2018.

ZHAO Qingxue. Research on Driving Force Distribution and Anti-slip Control of Four-wheel Drive Electric Vehicle［D］. Changchun：Jilin University， 2018.

［8］陶虹君. 雙電機四輪驅動電動汽車驅動力控制研究［D］. 重慶：重慶大學， 2017.

TAO Hongjun. Study on Traction Control of Front and Rear Wheel Independent Drive Type Electric Vehicle［D］. Chongqing：Chongqing University， 2017.

［9］王發繼. 基于輪轂電機驅動的多輪獨立驅動驅動力控制研究［D］. 長春：吉林大學， 2017.

WANG Faji. Study on Driving Force Control Strategy for Electric Car Driven by In-wheel Motors Independently［D］. Changchun：Jilin University， 2017.

（編輯 張 洋 ）

作者簡介：

付 翔，女，1973年生，副教授。研究方向為新能源汽車整車控制技術、動力系統。發表論文23篇。E-mail：759263695@qq.com。

收稿日期：2022-05-16