侯滿哲 馬 宏 孫冰心 王月亭

（河北建筑工程學院，河北 張家口075000）

在生活中對車輛的主動安全控制越來越受到人們的關注，為使車輛橫擺率達到跟蹤控制的目的，很多控制算法開始被應用，其中包括PID控制［1］、滑?？刂疲?］、魯棒控制［3］等.PID控制是一種在自動控制領域有著很廣泛應用的控制方法［4］.但PID控制的參數(shù)整定卻始終是一個難點.PID控制參數(shù)的整定方法有很多，比如ziegler和Nichols提出的ZN整定方法［5］，ZN方法雖然便于實際應用，但有時其參數(shù)整定的效果并不完美.其他的PID控制參數(shù)整定方法也經(jīng)常因被控對象在現(xiàn)實生活中的精確模型很難建立的而較難實現(xiàn).

本文運用ADAMS軟件建立車輛動力學模型來實現(xiàn)車輛動力學仿真，由徑向基函數(shù)理論，以車輛前輪轉(zhuǎn)向角幅值、PID參數(shù)為代理模型輸入，以ADAMS車輛動力學橫擺率響應曲線的關鍵點為代理模型輸出，獲得集成PID控制器的車輛橫擺率響應代理模型.以最小化橫擺率響應值與期望值的誤差為優(yōu)化目標函數(shù)，基于遺傳算法實現(xiàn)PID控制參數(shù)整定.仿真結(jié)果表明，應用本文提出的方法建立的車輛橫擺率響應代理模型精度較高，且整定的PID控制器參數(shù)具有較好的控制效果.

1 車輛動力學模型的建立

1.1 ADAMS車輛動力學模型

本文以某轎車為研究對象，利用ADAMS／Car依次建立了前、后懸架系統(tǒng)，轉(zhuǎn)向系統(tǒng)，動力總成系統(tǒng)，前輪、后輪、車身、制動等子系統(tǒng)，并最終裝配成整車仿真模型［6］.其中，車輛前后懸架均采用麥弗遜式獨立懸架，轉(zhuǎn)向系統(tǒng)采用齒輪——齒條轉(zhuǎn)向器，輪胎模型選用Fiala輪胎模型，動力系統(tǒng)、制動系統(tǒng)和車身模型均采用ADAMS／Car自帶的模塊進行裝配.其中制動系統(tǒng)采用前后盤式制動器.裝配完成后的整車模型如圖1所示，其中共有98個自由度.

1.2 期望模型

車輛前輪轉(zhuǎn)角和縱向速度同車輛在轉(zhuǎn)向時的期望橫擺率的關系，可表示為［7］：

圖1 ADAMS車輛模型

由于輪胎橫向力極限的存在，橫向加速度不能超過最大附著系數(shù)，因此橫擺率極限可表示為［8］：

式中，μ表示路面附著系數(shù)，g為重力加速度.

1.3 PID控制器

為實現(xiàn)對期望橫擺率的控制，PID控制器對橫擺率響應值和期望值的誤差信號e（t）進行比例、積分和微分運算，算出以直接橫擺轉(zhuǎn)矩為控制器輸出的u（t）.PID控制器表示為：

式中，Kp、Ki和Kd分別為PID控制器的比例、積分和微分控制參數(shù).

1.4 聯(lián)合仿真輸入、輸出變量的選取

ADAMS雖然在建模方面功能強大，但是其在控制方面不能建立復雜的控制系統(tǒng).因此需要選用在控制方面功能強大的MATLAB／simulink模塊與ADAMS組成聯(lián)合仿真.兩者在進行聯(lián)合仿真前，需要ADAMS／controls模塊選取輸入、輸出變量之后才能實現(xiàn)［9］.本文研究的控制量為車輛的橫擺角速度，因此需要添加車輛四個車輪的制動力矩來產(chǎn)生補償橫擺力矩，從而實現(xiàn)對汽車橫擺角速度的控制.如圖2所示，選取ADAMS車輛模型中的左前輪制動力矩、左后輪制動力矩、右前輪制動力矩、右后輪制動力矩為輸入變量，汽車模型中質(zhì)心處的橫擺率為輸出變量.ADAMS／Car的車輛模型與MATLAB／simulink控制系統(tǒng)的連接如圖3所示.

2 橫擺率響應代理模型

2.1 徑向基函數(shù)代理模型

徑向基函數(shù)（Radial Basis Function，RBF）是一類以待測點與樣本點之間的歐氏距離為自變量的函數(shù).

徑向基函數(shù)的基本形式如下［10］：

圖2 ADAMS輸入輸出設置

圖3 聯(lián)合仿真的SIMULINK連接圖

用（10）式作為預測模型時，它要滿足如下的插值條件：

其中，本文中的核函數(shù)為高斯函數(shù)［11］.

圖4 幅值為0.07時前輪轉(zhuǎn)向角δ的輸入曲線

2.2 代理模型的建立

鑒于本文中的ADAMS車輛動力學模型的輸出響應不但和自身參數(shù)有關，而且還與系統(tǒng)前一個甚至幾個狀態(tài)有關，因此若是直接用某一時刻的輸入和輸出響應建立代理模型模型的話，代理模型的精度很難保障.為了避免考慮系統(tǒng)響應與時間狀態(tài)相關的這個問題，本文以車輛橫擺率曲線的關鍵點為輸出響應，采取一種新的代理模型建立方法.

參考美國高速公路交通安全局（NHTSA）的法律規(guī)定，單移線試驗是一種評價車輛操控性能的重要試驗方法.在本文中，試驗過程中的車輛前輪轉(zhuǎn)向角輸入如圖4所示［12］.對ADAMS車輛模型進行仿真以獲得車輛橫擺率響應.車輛以120km／h的恒定速度行駛在水平路面上，仿真時間設定為7秒.如圖4所示，前輪轉(zhuǎn)向角為第2秒開始，以周期T＝2秒，幅值δ∈ ［0，0.07］弧度的正弦波.4個代理模型輸入?yún)?shù)δm、Kp、Ki、Kd的取值范圍如表1所示，其中Kp、Ki、Kd3個輸入變量已采用試探法對取值范圍進行了適當縮小.

表1 代理模型輸入變量范圍

在表1輸入變量范圍內(nèi)運用拉丁超立方采樣方法［13］選取20組試驗點進行試驗，得到20次試驗中每次試驗輸出的橫擺率響應曲線.如圖5所示，本文定義響應曲線的關鍵點為第一次零點出現(xiàn)位置（點1），最大值點出現(xiàn)位置（點2），第二次零點出現(xiàn)位置（點3），最小值點出現(xiàn)位置（點4），第三次零點出現(xiàn)位置（點5）.對于響應曲線中沒有全部關鍵點的曲線直接剔除，如圖5中的紅線.由于這些沒有明顯關鍵點的曲線和期望曲線差距太大，而控制系統(tǒng)的目的是要跟蹤期望曲線，因此剔除這些曲線不失一般性.對試驗結(jié)果進行篩選，得到17組具有關鍵點的橫擺率輸出響應.通過對得到的17組橫擺率響應曲線對比得知，每組輸出曲線在第一次零點出現(xiàn)時刻和最大值出現(xiàn)時刻基本相同，故不建立這兩種代理模型.以δm、Kp、Ki、Kd為代理模型輸入，分別以響應曲線的最大值Xmax、最小值Xmin、第二次零點出現(xiàn)時刻X02、最小值出現(xiàn)時刻Xmint、第三次零點出現(xiàn)時刻X03為代理模型輸出，共建立5個代理模型.設計變量拉丁超立方抽樣及響應值表如表2所示.

表2 代理模型設計變量拉丁超立方抽樣及響應值

徑向基函數(shù)代理模型建立完畢后，對代理模型進行精度校核，選取滿足輸入變量條件但未作為試驗點的輸入輸出數(shù)據(jù)進行代理模型精度驗證.具體做法是：先將一組輸入數(shù)據(jù)代入ADAMS仿真模型里，獲得車輛橫擺率響應曲線的關鍵點位置，定義為仿真值；然后將這一組輸入數(shù)據(jù)代入徑向基函數(shù)代理模型中，得到代理模型輸出的關鍵點位置，定義為擬合值；分析前后得的兩組關鍵點數(shù)據(jù)，計算相對誤差.如表3所示進行3次驗證，代理模型的誤差均控制在5%以內(nèi)，從而可知代理模型精度滿足要求，可以用來構(gòu)造目標函數(shù).

圖5 具有明顯關鍵點的橫擺率輸出曲線

表3 代理模型精度驗證

3 PID控制器參數(shù)整定

以前輪轉(zhuǎn)向角幅值δm為代理模型的輸入，響應曲線的期望最大值Ymax、期望最小值Ymin、第二次零點出現(xiàn)的期望時刻Y02、最低值出現(xiàn)的期望時刻Ymint、第三次零點出現(xiàn)的期望時刻Y03為輸出響應，再次利用本文提出的基于關鍵點建立代理模型的方法，建立式（1）和式（2）所表示的期望模型的代理模型.由于期望模型不受Kp、Ki、Kd影響，因此建立期望模型的代理模型時只需考慮前輪轉(zhuǎn)向角幅值δm一個輸入.

由于PID控制的目標是使實際響應的關鍵點逼近期望響應的關鍵點，所以目標函數(shù)為：

式中，w1，w2，w3，w4，w5為 權(quán) 值.PID參 數(shù)Kp、Ki、Kd取值范圍如表1所示.選取δm為0.065，預設權(quán)值w1和w2為1，w3、w4，w5為10－8.權(quán)值首先保證五個評價指標方差的數(shù)量級相同，Xmax和Xmin分別代表橫擺率響應曲線最大、最小值且量綱相同，設定為1.X02、Xmint和X03分別代表橫擺率響應曲線第二次零點出現(xiàn)時刻、最小值出現(xiàn)時刻、第三次零點出現(xiàn)時刻，單位為0.01秒，數(shù)值相對橫擺率為10000.因此設定w1＝w2＝1，w3＝w4＝w5＝10－8；其次權(quán)值包含了對評價指標的偏好程度，文中五個評價指標處于相同的偏好程度，因此預設的權(quán)值不變.

使用遺傳算法對目標函數(shù)進行優(yōu)化，流程圖如圖6所示.遺傳算法是一種從種群到種群的全局搜索方法，本文中優(yōu)化模型設定種群數(shù)為20.判定遺傳算法停止程序的條件有兩種，一種為達到設定的最大進化代數(shù)（本文中預設100代）；另一種為連續(xù)3代最優(yōu)值相同時即認為達到全局最優(yōu)點.本文在進行目標函數(shù)優(yōu)化時，在第77、78、79連續(xù)3代最優(yōu)值相同，所以判定此時目標函數(shù)最小.優(yōu)化結(jié)果為：Kp＝2144.26，Ki＝369.64，Kd＝360.95.

圖6 基于代理模型的車輛橫擺率跟蹤PID參數(shù)優(yōu)化流程圖

將優(yōu)化后的PID參數(shù)代入本文建立的ADAMS車輛模型進行驗證，得到的橫擺率響應曲線如圖7所示.從圖中可以發(fā)現(xiàn)，對PID參數(shù)運用本文的方法優(yōu)化整定后，橫擺率響應曲線對期望橫擺率響應曲線的跟蹤效果更好.此外，在相同條件下，運用simulink中的自動優(yōu)化模塊對ADAMS車輛模型進行PID參數(shù)優(yōu)化整定，由于本文的ADAMS車輛模型較為復雜，運行一遍仿真過程需花費較長時間，軟件進行優(yōu)化時需要反復調(diào)用程序，因此得到優(yōu)化結(jié)果所耗費的時間長達6小時15分20秒，而用本文基于代理模型的方法進行PID參數(shù)優(yōu)化整定，所用時間僅為51秒就能得到與軟件自動優(yōu)化幾乎相同的結(jié)果.當問題規(guī)模較大時，同樣可以利用遺傳算法快速整定出PID參數(shù).因為本文是基于代理模型的優(yōu)化，問題規(guī)模較大時會增大代理模型的構(gòu)造難度，但代理模型一旦構(gòu)造成功，優(yōu)化過程僅僅是對于代理模型的優(yōu)化，不需要反復地調(diào)用仿真程序進行迭代優(yōu)化.由此可以看出本文提出的參數(shù)整定方法在效率上擁有一定優(yōu)勢.

當針對不同的前輪轉(zhuǎn)向角輸入建立與之對應的代理模型時，雖然所定義的橫擺率曲線的關鍵點在物理意義、數(shù)量和位置等方面有差別，但其基本原理和方法根本一致，因此本文提出的方法具有一定的通用性，可適用于其他的轉(zhuǎn)向工況.

圖7 優(yōu)化后的PID控制橫擺率輸出曲線

4 結(jié) 論

本文通過對ADAMS車輛動力學模型的橫擺率響應曲線的關鍵點建立代理模型，構(gòu)造出目標函數(shù)進行優(yōu)化，從而快速地優(yōu)化出所需的PID參數(shù).由仿真試驗結(jié)果可知，這種參數(shù)整定方法對響應曲線的關鍵點位置擬合較為精確，能有有效地提高PID參數(shù)整定的效率，進而為高度非線性且與時間狀態(tài)相關的系統(tǒng)提供了一種新的參數(shù)整定方法.

［1］王靖岳，王浩天，張勇.基于模糊PID控制的汽車主動懸架研究［J］.機械科學與技術，2009，28（8）：1047～1051

［2］朱天軍，宗長富，李飛，等.基于線性矩陣不等式的重型車輛防側(cè)翻魯棒控制算法研究［J］.汽車工程，2012，34（5）：394～398

［3趙艷娥，張建武.基于滑?？刂频乃妮嗱?qū)動電動汽車穩(wěn)定性控制［J］.上海交通大學學報.2009，43（10）：1526～1530

［4］王亞剛，許曉鳴，邵惠鶴.基于Ziegler－Nichols頻率響應方法的自適應PID控制［J］.控制工程.2012，19（4）：607～613［5］Ziegler J G，Niehols N B.Optimum settings for automatic controllers［J］.1942，64（8）：759～768

［6］黃志剛，王豐，朱慧，等ADAMS／Car在汽車操縱穩(wěn)定性仿真中的應用［J］.計算機仿真.2010，27（5），344～347

［7］Kim C J，Jang J H，Oh S K，et al.Development of a control algorithm for a rack－actuating steer－by－wire system using road information feedback.Journal of Automobile Engineering［J］.2008，222（9）：1559～1571

［8］Rajamani R.Vehicle Dynamics and Control.Springer［M］，New York，2006

［9］李婷.基于ADAMS的汽車電動助力轉(zhuǎn)向系統(tǒng)的控制與仿真［D］.東北大學，2009

［10］Dale，B.，McDonald，Walter，Grantham，J.，Wayne Tabor，L.Global and local optimization using radial basis function response surface models［J］.Applied Mathematical Modelling，2007，（31）：2095～2110

［11］Kansa，E.J.＆Hon，Y.C.Circumventing the Conditioning problem with Multiquadric radial basis functions：Applications to elliptic partial differential equations［J］.Computers and Mathematics with Applications，2000，（39）：123～137

［12］Yang X，Wang Z and Peng W.Coordinated control of AFS and DYC for vehicle handling and stability based on optimal guaranteed cost theory［J］.Vehicle System Dynamics，2009，47（1）：57～79

［13］鄧乾旺，文文.基于拉丁超立方抽樣的薄板裝配誤差分析［J］.中國機械工程，2012，23（8）：947～950