一种基于BP神经网络优化的后轮转向车辆稳定性控制方法

一种基于bp神经网络优化的后轮转向车辆稳定性控制方法
技术领域
1.本发明属于汽车控制技术领域，尤其涉及一种基于bp神经网络优化的后轮转向车辆稳定性控制方法。


背景技术：

2.随着人们对汽车操纵稳定性和主动安全性要求越来越高，线控主动后轮转向技术逐渐受到国内外各车厂的重视，被广泛研究并应用在实车领域，是未来智能汽车发展的一个热点方向。
3.目前，对于后轮转向车辆的操纵稳定性控制方法主要包括以下几种：(1)前馈比例控制：用k值代表前后轮转角之间的比例系数，对车辆后轮转角进行简单控制，这种控制方式简单，控制效果有待改进；(2)前馈比例+横摆角速度反馈控制：在前馈比例控制策略的基础上加上横摆角速度反馈，这种传统经典算法，较好地提高了车辆的稳定性；(3)lqr控制：通过建立黎卡提方程求解出前馈、反馈矩阵k，从而得到后轮转角作用于系统。这种方法大大提高了车辆的稳定性和动态响应特性，但具有无法处理状态量约束和执行机构约束、对模型参数的准确度要求较高的问题；(4)其它方法，如pid、滑膜变结构控制等，具有对调节参数依赖较大、抖振等问题。


技术实现要素：

4.本发明的目的在于提供一种基于bp神经网络优化的后轮转向车辆稳定性控制方法，旨在解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：
6.一种基于bp神经网络优化的后轮转向车辆稳定性控制方法，包括以下步骤：
7.步骤s1、建立轮转向车辆参考模型，包括：根据获取的车速v和前轮转角δf，以前轮转向车辆为参考模型，考虑横摆角速度上限，求解出主动后轮转向系统的控制目标；
8.步骤s2、设计bp神经网络，包括：将车速v和前轮转角δf输入至bp神经网络，通过bp神经网络的训练流程，确定连接权与阈值；将系统输出量权重q
β
、q
γ
和预测时域n
p
实时反馈给mpc控制器；
9.步骤s3、设计模型预测控制器，包括：搭建车辆线性二自由度四轮转向模型，设计考虑约束的模型预测控制器，将实时反馈的车辆系统状态量：车速v、横摆角速度γ和质心侧偏角β输入到非线性控制器模块中；结合参考模型，通过二次规划，求解出车辆后轮转角，并将优化后的车辆后轮转角输出至车辆系统。
10.进一步的，将期望的质心侧偏角β
ref
视为零，考虑期望的横摆角速度γ
ref
上限，所述步骤s1中的前轮转向车辆参考模型的建立如下：
11.β
ref
＝0
[0012][0013]
式中，u为车速，l为车辆轴距，k为稳定性因数，μ为摩擦系数，g为重心加速度，δf为前轮转角。
[0014]
进一步的，所述步骤s2中，设计bp神经网络的具体步骤如下：
[0015]
步骤s21、设计实验组：设置输入量x＝{x1，x2}、输出量y＝{y1，y2，y3}，其中，x1为车速v，x2为前轮转角δf；y1为质心侧偏角的系统输出量权重q
β
，y2为横摆角速度的系统输出量权重q
γ
，y3为预测时域n
p
；
[0016]
采样记录每组的输入量数据与对应的输出量数据，得到训练样本
[0017]
步骤s22、选取训练集和测试集，并对bp神经网络进行网络训练改进，最后确定连接权与阈值，记录每组最优网络结构下的训练误差和测试误差；
[0018]
步骤s23、网络训练结束后，通过对比测试误差最小点确定采用双隐层bp神经网络。
[0019]
进一步的，所述步骤s22中，采用levenberg-marquardt算法对bp神经网络进行网络训练改进，训练流程包括前向计算、误差计算以及反向传播。
[0020]
进一步的，所述步骤s3中，设计模型预测控制器的具体步骤如下：
[0021]
步骤s31、搭建二自由度四轮转向车辆模型，表达式如下：
[0022][0023][0024]
式中，k1、k2分别为车辆前后轴轮胎侧偏刚度，m为车辆质量，a、b分别为为车辆质心至前后轴的轴距，iz为车辆转动惯量，δr为后轮转角；
[0025]
步骤s32、离散化线性化模型，得到表达式如下：
[0026]
x(k+1)＝akx(k)+bku(k)+dkw(k)
[0027]
其中，ak＝ta，bk＝tb，dk＝td；
[0028]
式中，k为当前采样时刻，t为采样周期；
[0029]
步骤s33、推导预测模型，预测时域内的输出量形式表达为：
[0030]
y＝ψξ(k)+θδu(k)+γφ(k)；
[0031]
步骤s34、设计目标函数：
[0032][0033]
步骤s35、bp神经网络将系统输出量权重q
β
、q
γ
和预测时域n
p
实时反馈给mpc控制器。
[0034]
进一步的，所述步骤s35中，设控制权重r＝i，控制时域nc＝0.3n
p
，若二次规划问题
有解，输出控制增量δu(k)，并将控制量u(k)＝u(k-1)+δu(k)作用于车辆系统。
[0035]
与现有技术相比，本发明的有益效果是：
[0036]
该基于bp神经网络优化的后轮转向车辆稳定性控制方法，对传统模型预测算法的控制参数进行了优化与改进，提高了控制系统模型的精度，保证了四轮转向系统的稳定性。
附图说明
[0037]
图1为本发明的整车系统控制框图。
[0038]
图2为本发明的bp神经网络的训练流程图。
[0039]
图3为本发明的模型预测控制的实现流程图。
具体实施方式
[0040]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0041]
以下结合具体实施例对本发明的具体实现进行详细描述。
[0042]
如图1所示，为本发明一个实施例提供的一种基于bp神经网络优化的后轮转向车辆稳定性控制方法，包括以下步骤：
[0043]
步骤s1、建立轮转向车辆参考模型，包括：根据获取的车速v和前轮转角δf，以前轮转向车辆为参考模型，考虑横摆角速度上限，求解出主动后轮转向系统的控制目标；
[0044]
步骤s2、设计bp神经网络，包括：将车速v和前轮转角δf输入至bp神经网络，通过bp神经网络的训练流程，确定连接权与阈值；将系统输出量权重q
β
、q
γ
和预测时域n
p
实时反馈给mpc控制器；
[0045]
步骤s3、设计模型预测控制器，包括：搭建车辆线性二自由度四轮转向模型，设计考虑约束的模型预测控制器，将实时反馈的车辆系统状态量：车速v、横摆角速度γ和质心侧偏角β输入到非线性控制器模块中；结合参考模型输出量，通过二次规划，求解出车辆后轮转角，并将优化后的车辆后轮转角输出至车辆系统。
[0046]
作为本发明的一种优选实施例，所述步骤s1和步骤s3中，主动后轮转向系统的控制目标和模型输出量均为期望的质心侧偏角β
ref
和期望的横摆角速度γ
ref
。
[0047]
作为本发明的一种优选实施例，将期望的质心侧偏角β
ref
视为零，考虑期望的横摆角速度γ
ref
上限，所述步骤s1中的前轮转向车辆参考模型的建立如下：
[0048]
β
ref
＝0
[0049][0050]
式中，u为车速，l为车辆轴距，k为稳定性因数，μ为摩擦系数，g为重心加速度，δf为前轮转角。
[0051]
在本发明实施例中，对于步骤s1，基于无迹卡尔曼滤波估计实际的质心侧偏角。这种方法利用概率分布逼近非线性，能够有效地克服ekf估计精度低、稳定性差和计算量大的问题。
[0052]
如图2所示，作为本发明的一种优选实施例，所述步骤s2中，设计bp神经网络的具体步骤如下：
[0053]
步骤s21、设计实验组：设置输入量x＝{x1，x2}、输出量y＝{y1，y2，y3}，其中，x1为车速v，x2为前轮转角δf；y1为质心侧偏角的系统输出量权重q
β
，y2为横摆角速度的系统输出量权重q
γ
，y3为预测时域n
p
；
[0054]
采样记录每组的输入量数据与对应的输出量数据，得到训练样本
[0055]
步骤s22、选取训练集和测试集，并对bp神经网络进行网络训练改进，最后确定连接权与阈值，记录每组最优网络结构下的训练误差和测试误差；
[0056]
步骤s23、网络训练结束后，通过对比测试误差最小点确定采用双隐层bp神经网络。
[0057]
在本发明实施例中，步骤s21中，首先设置组数3600组，每组对应不同的前轮转角1～30
°
和车辆行驶速度1～120km/h。然后对于任意一组车辆，记录输入量x＝{x1，x2}。初始化系统输出量权重q
β
、q
γ
和预测时域n
p
，运行控制程序，仿真得到车辆的稳态质心侧偏角输出与稳态横摆角速度输出，如果质心侧偏角的误差绝对值超出允许范围，则增大q
β
、减小q
γ
；如果横摆角速度的误差绝对值超出允许范围，则减小q
β
、增大q
γ
。如果车速提高或者转角增大，则适当提高预测时域n
p
。如此反复，直至车辆的质心侧偏角和横摆角速度的误差绝对值都在允许范围内。在每个数据采集周期的结束时，记录每组的输入量数据与对应的输出量数据，从而得到训练样本
[0058]
步骤s22中，首先训练数据预处理：在3600组数据中随机选取3300组作为神经网络训练集，另300组作为测试集；因为采用线性函数purelin作为网络的输出层，无需归一化处理。然后选择bp神经网络算法：设定网络的学习速率为0.05，训练最大次数为2000，输入层与隐含层间采用tan-sigmoid型函数，其表达式为输出层与隐含层间采用purelin作为传递函数；最后确定连接权与阈值，记录每组最优网络结构下的训练误差和测试误差；
[0059]
步骤s23中，网络训练结束后，通过对比测试误差最小点确定采用双隐层bp神经网络，最佳的网络拓扑结构为12-6-3。至此，bp神经网络的训练完成，可用于在线调整mpc的系统输出量权重q
β
、q
γ
和预测时域n
p
。
[0060]
作为本发明的一种优选实施例，所述步骤s22中，采用levenberg-marquardt算法对bp神经网络进行网络训练改进，训练流程包括前向计算、误差计算以及反向传播。
[0061]
如图3所示，作为本发明的一种优选实施例，所述步骤s3中，设计模型预测控制器的具体步骤如下：
[0062]
步骤s31、搭建二自由度四轮转向车辆模型，表达式如下：
[0063][0064]
[0065]
式中，k1、k2分别为车辆前后轴轮胎侧偏刚度，m为车辆质量，a、b分别为为车辆质心至前后轴的轴距，iz为车辆转动惯量，δr为后轮转角；
[0066]
步骤s32、离散化线性化模型，得到表达式如下：
[0067]
x(k+1)＝akx(k)+bku(k)+dkw(k)
[0068]
其中，ak＝ta，bk＝tb，dk＝td；
[0069]
式中，k为当前采样时刻，t为采样周期；
[0070]
步骤s33、推导预测模型，预测时域内的输出量形式表达为：
[0071]
y＝ψξ(k)+θδu(k)+γφ(k)；
[0072]
步骤s34、设计目标函数：
[0073][0074]
步骤s35、bp神经网络将系统输出量权重q
β
、q
γ
和预测时域n
p
实时反馈给mpc控制器。
[0075]
在本发明实施例中，通过前向欧拉法将连续模型转化成了离散时变模型，便于mpc控制器的设计。步骤s33中，为了方便后面对原状态量x、控制量u进行约束，构建新的状态量ξ(k)：
[0076][0077]
η(k)＝ckξ(k)
[0078]
其中，
[0079][0080]
通过当前时刻的状态量ξ(k)、当前时刻的干扰量w(k)与当前未知的控制增量δu(k)可以计算出当前时刻的输出量η(k)，同样的，可以计算得到预测时域n
p
内的输出量y即未来一段时间内横摆角速度、质心侧偏角的大小，可用下面的形式表达：y＝ψξ(k)+θδu(k)+γφ(k)。
[0081]
其中，
[0082]
[0083][0084][0085][0086]
步骤s34中，将带有约束的优化目标函数利用mpc转化为二次规划问题，定义目标函数：
[0087][0088]
s.t.δu
min
≤δu(t+i|t)≤δu
max
[0089]umin
≤u(t+i|t)≤u
max
[0090]yhc,min
≤y
hc
≤y
hc,max
[0091]ysc,min-ε≤y
sc
≤y
sc,max
+ε
[0092]
式中，δu为控制时域内的一系列控制增量，ε为松弛因子，y
hc
为硬约束输出，y
sc
为可由松弛因子调整的软约束输出。
[0093]
其中，设系统输出量权重为：
[0094][0095]
作为本发明的一种优选实施例，所述步骤s35中，设控制权重r＝i，控制时域nc＝0.3n
p
，若二次规划问题有解，输出控制增量δu(k)，并将控制量u(k)＝u(k-1)+δu(k)作用于车辆系统。
[0096]
以上仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些均不会影响本发明实施的效果和专利的实用性。

技术特征：
1.一种基于bp神经网络优化的后轮转向车辆稳定性控制方法，其特征在于，包括以下步骤：步骤s1、建立轮转向车辆参考模型，包括：根据获取的车速v和前轮转角δ
f
，以前轮转向车辆为参考模型，考虑横摆角速度上限，求解出主动后轮转向系统的控制目标；步骤s2、设计bp神经网络，包括：将车速v和前轮转角δ
f
输入至bp神经网络，通过bp神经网络的训练流程，确定连接权与阈值；将系统输出量权重q
β
、q
γ
和预测时域n
p
实时反馈给mpc控制器；步骤s3、设计模型预测控制器，包括：搭建车辆线性二自由度四轮转向模型，设计考虑约束的模型预测控制器，将实时反馈的车辆系统状态量：车速v、横摆角速度γ和质心侧偏角β输入到非线性控制器模块中；结合参考模型，通过二次规划，求解出车辆后轮转角，并将优化后的车辆后轮转角输出至车辆系统。2.根据权利要求1所述的基于bp神经网络优化的后轮转向车辆稳定性控制方法，其特征在于，将期望的质心侧偏角β
ref
视为零，考虑期望的横摆角速度γ
ref
上限，所述步骤s1中的前轮转向车辆参考模型的建立如下：β
ref
＝0式中，u为车速，l为车辆轴距，k为稳定性因数，μ为摩擦系数，g为重心加速度，δ
f
为前轮转角。3.根据权利要求1所述的基于bp神经网络优化的后轮转向车辆稳定性控制方法，其特征在于，所述步骤s2中，设计bp神经网络的具体步骤如下：步骤s21、设计实验组：设置输入量x＝{x1,x2}、输出量y＝{y1,y2,y3}，其中，x1为车速v，x2为前轮转角δ
f
；y1为质心侧偏角的系统输出量权重q
β
，y2为横摆角速度的系统输出量权重q
γ
，y3为预测时域n
p
；采样记录每组的输入量数据与对应的输出量数据，得到训练样本步骤s22、选取训练集和测试集，并对bp神经网络进行网络训练改进，最后确定连接权与阈值，记录每组最优网络结构下的训练误差和测试误差；步骤s23、网络训练结束后，通过对比测试误差最小点确定采用双隐层bp神经网络。4.根据权利要求3所述的基于bp神经网络优化的后轮转向车辆稳定性控制方法，其特征在于，所述步骤s22中，采用levenberg-marquardt算法对bp神经网络进行网络训练改进，训练流程包括前向计算、误差计算以及反向传播。5.根据权利要求1所述的基于bp神经网络优化的后轮转向车辆稳定性控制方法，其特征在于，所述步骤s3中，设计模型预测控制器的具体步骤如下：步骤s31、搭建二自由度四轮转向车辆模型，表达式如下：
式中，k1、k2分别为车辆前后轴轮胎侧偏刚度，m为车辆质量，a、b分别为为车辆质心至前后轴的轴距，i
z
为车辆转动惯量，δ
r
为后轮转角；步骤s32、离散化线性化模型，得到表达式如下：x(k+1)＝a
k
x(k)+b
k
u(k)+d
k
w(k)其中，a
k
＝ta，b
k
＝tb，d
k
＝td；式中，k为当前采样时刻，t为采样周期；步骤s33、推导预测模型，预测时域内的输出量形式表达为：y＝ψξ(k)+θδu(k)+γφ(k)；步骤s34、设计目标函数：步骤s35、bp神经网络将系统输出量权重q
β
、q
γ
和预测时域n
p
实时反馈给mpc控制器。6.根据权利要求1所述的基于bp神经网络优化的后轮转向车辆稳定性控制方法，其特征在于，所述步骤s35中，设控制权重r＝i，控制时域n
c
＝0.3n
p
，通过求解二次规划输出控制量u(k)，并将其作用于车辆系统。

技术总结
本发明适用于汽车控制技术领域，提供了一种基于BP神经网络优化的后轮转向车辆稳定性控制方法，包括以下步骤：采用前轮转角参考模型，求解出期望的质心侧偏角和期望的横摆角速度；设计以后轮转角为控制变量的MPC控制算法；设计针对MPC算法的可调参数，包括对系统输出权重参数和预测时域进行自适应实时优化的BP神经网络控制器；最后将计算出的后轮转角输出至车辆。通过BP神经网络优化，本发明的方法对传统模型预测算法的控制参数进行了优化与改进，提高了控制系统模型的精度，保证了四轮转向系统的稳定性。向系统的稳定性。向系统的稳定性。


技术研发人员：陈国迎 王绪龙 姚军 赵选铭 王佳琦
受保护的技术使用者：吉林大学
技术研发日：2023.04.12
技术公布日：2023/7/6