汽车电子稳定控制系统在行车安全方面发挥着极其重要的作用,对稳定控制系统的横摆控制研究可以分为2个层次进行.上层为控制器设计,先采用反馈线性化思想将车辆动力学模型进行线性化处理,再采用线性二次型调节器进行优化控制器设计,以产生期望的力(矩);下层采用最优控制算法进行制动力分配,用加权最小二乘法将稳定性控制力(矩)最优的分配到各车轮的执行器上,以满足车辆稳定性行驶的要求.在Matlab中搭建整车模型并进行仿真验证,结果表明,基于以上方法的车辆横摆稳定性控制能很好的跟踪上期望的纵向速度、横向速度以及横摆角速度.

为估计汽车横摆角速度并提高估计器精度,采用BP(Back Propagation)神经网络的方法对汽车转向过程的横摆角速度进行估计.现实情况通常存在4种路面:干燥路面、沥青路面、积水路面和冰雪路面,若单纯训练一个网络难以涵盖4种不同的路面情况.为解决上述问题,提高网络估计器的精度,分别在4种路面工况下训练4个网络,构成一个网络组,再加入网络选择机制,根据路面情况选择对应的网络的输出值作为横摆角速度的估计值.通过AMESim与Matlab联合仿真,获得网络估计器残差并对估计情况进行分析和评价.该基于数据的方法与基于解析模型的估计方法相比,不依赖精确的模型,就能准确估计汽车横摆角速度.仿真结果表明,基于BP神经网络的方法对横摆角速度估计是可行的且偏差小,成本低,精度高.

Eight degrees of freedom vehicle model contains many control variables,it is difficult to directly analyze and control. Based on the eight degrees of freedom vehicle model,a model decomposition method is proposed,which decomposes the original model into three parts. Every part includes less control variables. It is easy to design a controller for each part. Considering the roll angle and the roll angular speed of the decomposed model,the linear quadratic optimal control method is introduced to design the optimal state controller,which can achieve vehicle’s stability control. It is proved that the designed controller shows more excellent control effect.