基于控制模型的EPS的控制策略研究与实现

《基于控制模型的EPS的控制策略研究与实现》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10225学号：S18248学位论文基于控制模型的EPS的控制策略研究与实现左鹏举指导教师姓名：李志鹏教授东北林业大学申请学位级别：硕士学科专业：载运工具运用工程论文提交日期：2018年4月论文答辩日期：2018年6月授予学位单位：东北林业大学授予学位日期：答辩委员会主席：论文评阅人：UniversityCode：10225RegisterCode：S18248DissertationfortheDegreeofMasterResearchandimplementationofcontrolstrategyforEPSba

2、sedoncontrolmodelCandidate:ZuoPengJuSupervisor:LiZhipengAcademicDegreeAppliedfor:MasterSpeciality:VehicleOperationEngineeringDateofOralExamination:June,2018University:NortheastForestryUniversity摘要摘要随着汽车技术的快速向前发展，电动助力转向系统的长处是节能、无污染、轻量化，已变成未来汽车转向系统的前进方向，拥有广阔的市场远景。本文探究了电动

3、助力转向系统的组成和工作原理，针对系统饱和系统，提出模糊助力控制策略、BP神经网络自适应回正控制和Anti-Windup变结构自适应PID控制器，采用基于模型设计进行了电动助力转向控制系统的研究，自动生成嵌入式C代码，并进行台架试验。在EPS控制系统中采用了基于ARMM4内核的高性能芯片S32k144芯片进行基于模型的设计，探究了系统的控制策略，通过设计EPS控制器的硬件和软件达成预期效果。EPS助力控制系统中存有非线性饱和特点，本文采取基于变结构Anti-Windup控制器对传统的PID控制器用于系统时带来的积分Windup问题进

4、行了改善，减弱积分Windup的问题，改进的PID控制器采取条件积分法和反计算法相联合的方式，确保了系统呈现饱和时，尽快退出饱和区。与传统PID对比发现，修正后的控制器能够很好的改善系统的积分Windup问题，系统超调量小、速度响应快，表现出良好的鲁棒性的稳态性;在汽车动力学仿真软件Carsim中与传统PID控制的EPS进行对比，基于Anti-Windup变结构自适应PID控制器大大提升了系统的转向轻便性和路感，此外对于操纵稳定性也有一定程度提高；针对EPS回正控制系统中，车速不同可能造成回正不足，或者回正超调，设计了BP神经网络自

5、适应PID进行控制，根据车速不同实时调整处在回正状态下的PID参数值，经仿真试验，BP神经网络自适应PID有效增加车辆回正性能，尽快回到方向盘中间位置。传统设计分为需求、设计、实现、测试等4个阶段，但是各个阶段彼此孤立，重复劳动严重，实现阶段只能采用手工编程的方式，对团队成员的能力要求较高，工作组织难度大，工作效率低并且易出现错误。使用基于模型设计在同一个平台上开发、测试，让开发设计从需求分析阶段就开始不断的自我检验与确认，并且不停的测试，让设计的缺陷暴露在开发的初级阶段。再者，让工程师把主要精力放在算法和测试用例的研究上，嵌入式C

6、代码的生成与验证留给计算机去自动完成，自动生成C代码。本文采用的NXP公司提供面向S32的MBD工具箱和MATLAB/Simulink、Sateflow，进行底层驱动程序和控制算法的建立，之后进行浮点转定点，自动生成产品级代码，将产生的代码进行台架试验，通过EPS实验台架，也证实了基于Anti-Windup的PID控制器，有效降低方向盘的最大转矩和扰动，有效提高转向轻便性和路感；进行回正试验，验证有EPS回正可以减小转向残留角。关键词：EPS；控制策略；基于模型设计；代码自动生成--IAbstractAbstractWithther

7、apiddevelopmentofautomobiletechnology,theadvantagesofelectricpowersteeringsystemareenergysaving,pollution-freeandlightweight.Ithasbecomethedirectionofthefutureautomotivesteeringsystem,andhasabroadmarketprospect.Thispaperexploresthecompositionandworkingprincipleoftheele

8、ctricpowersteeringsystem.Aimingatthesystemsaturationsystem,thefuzzypowercontrolstrategy,theBPneuralnetworkadaptivebac