基于RBF神经网络优化的无人驾驶车辆增量线性模型预测轨迹跟踪控制研究

研究了无人驾驶车辆的轨迹跟踪问题,基于RBF(径向基函数)神经网络的自适应补偿和鲁棒控制分别设计了2种优化后的ILTV-MPC(增量线性时变模型预测控制)轨迹跟踪控制系统。建立了ILTV-MPC轨迹跟踪控制器,利用RBF神经网络的局部逼近特性,设计了RBF自适应补偿控制器逼近模型的不精确部分;进而将逼近过程产生的误差作为外部干扰,设计了RBF鲁棒优化控制器,从而对逼近误差予以抑制。应用Lyapunov稳定性分析推导出隐含层网络权值训练规则,证明了控制系统的稳定性。当行驶在良好路面时,与传统ILTV-MPC相比,RBF补偿-ILTV-MPC最大误差减小约38.73%;RBF鲁棒-ILTV-MPC最大误差减小约68.42%。结果表明:RBF鲁棒控制较RBF补偿控制可进一步提高ILTV-MPC控制器的跟踪精度,减轻车辆侧滑程度,提高车辆行驶稳定性。

电动汽车内置式永磁同步电机转子温度在线估计

实现电动汽车车用永磁同步电机转子温度的在线监测不仅对保证电机的正常运行至关重要,同时还能增加电机峰值转矩持续时间,最大限度的发挥电机工作潜能。因此在磁-热双向耦合思想的基础上,提出具体的用于估计车用内置式永磁同步电机(Built-in permanent magnet synchronous motor,IPMSM)转子温度的磁-热双向耦合技术路线。首先,在传统的电机集中参数模型的基础上,建立考虑电机温度影响的集中参数电磁模型;然后,根据IPMSM材料的电阻、磁密、电导率等的温度特性建立考虑电机温度影响的电机损耗模型。最后,根据传热学原理和电机损耗分布对电机进行节点划分,建立IPMSM的等效热网络模型,并利用粒子群优化算法对热网络模型中的热力参数进行辨识。联合电磁模型、损耗模型与等效热网络模型构成磁-热双向耦合转子温度在线估计模型,实现对电机转子温度的快速在线估计。通过不同环境温度和不同工况下的台架试验与实车路试验验证转子温度估计模型的准确性,试验结果表明,所提出的转子温度估计模型具有较高的估计精度,转子温度估计误差均在±3℃以内,可更大程度地提高转子温度阈值,延长峰值转矩持续时间,提高电机性能。