一种优化的整车ABS与ESP协调制动方法与流程

本发明涉及汽车abs与esp联合控制，具体涉及一种基于rldeao(基于差分进化的反向学习结合停滞扰动的天鹰搜索算法)优化pid控制整车abs与esp协调制动方法。

背景技术：

1、在汽车制动系统中，防抱死系统(anti-lock braking system，简称abs)是一项关键技术，旨在提高车辆在制动时的稳定性和操控性。abs通过实时监测车轮的速度，防止车轮抱死，从而保持车辆的方向稳定性和制动效能。汽车esp(electronic stabilityprogram)也是一种车辆动态稳定系统，它通过传感器监测车辆的转向角度、横向加速度、车轮速度等数据，并根据这些数据实时调整车辆的制动力和发动机输出力，以保持车辆在紧急避险或低摩擦路面等条件下的稳定性。将abs和esp协调控制，可以有效的调节汽车在制动过程中造成的失稳问题。传统的pid控制器常用于abs与esp系统，但其参数调优一直是一个挑战。引入群智能算法，这是一种启发式算法，用于自适应地调整pid控制器的参数。与传统的参数调优方法相比，群智能算法具有全局搜索和高度并行的特性，能够更有效地搜索参数空间，提高控制器性能。目前商业化使用的abs系统主要采用逻辑门限控制算法。然而，这种方法并不能直接以滑移率为控制目标，因此无法实现更好的控制性能。为了改进abs系统的控制策略，许多学者进行了研究。其中，一些学者如vimalra等以理想滑移率值作为输入量，验证了pid控制器在防抱死制动系统中的有效性。rongxu zhang等则采用pid控制算法和遗传优化pid控制算法对车辆稳定控制系统进行了仿真研究，结果表明遗传优化pid算法具有更好的控制效果。天鹰优化算法(aquila optimizer，ao)是由是2021年由laithabualigah等提出的一种新型群体智能算法，它通过模拟天鹰在捕捉猎物过程中的自然行为来进行寻优。该算法具有寻优能力强、快速收敛等特点，非常适合用于优化pid控制参数。但ao在寻优过程中容易陷入局部最优，需进一步改进。

技术实现思路

1、本发明的目的在于提供一种一种优化的整车abs与esp协调制动方法，提出改进的天鹰算法优化pid参数，以解决pid控制器的参数需要试凑法或经验法得到的问题，可针对不同路况自适应调节pid控制器参数。以及解决现有天鹰搜索算法易陷入局部最优等缺陷，本发明在面对不同路况条件下时具有更好的防抱死制动效果，也可以在复杂路况下制动时保持车身的稳定。

2、为达到上述目的，本发明采用如下技术方案：

3、一种优化的整车abs与esp协调制动方法，包括以下步骤：

4、步骤1：建立整车abs制动系统模型和车身稳定系统esp模型；

5、步骤2：针对复杂多变的路面情况和外部干扰获取改进的天鹰搜索算法，并计算改进后天鹰的适应度值；

6、步骤3：根据步骤2中计算出的适应度值，迭代处理后选出最优适应度值，并将其对应的最佳位置坐标赋值给pid中的比例系数kp、积分系数ki及微分系数kd；

7、步骤4：根据步骤3获得的kp、ki、kd，将其写入pid控制器中，通过群智能优化得到的pid控制器能够在不同路况自适应调节控制参数，提高制动性能；

8、步骤5：将步骤4中得到的pid控制器应用到步骤1建立的整车abs制动系统模型和车身稳定系统esp模型中，针对复杂工况制动情况下引起的车身失稳问题进行abs与esp协调控制。

9、进一步地，步骤1中建立整车abs制动系统模型，具体为：

10、将液压传递系统模拟为一个一阶系统，即电磁阀环节，其传递函数为：

11、

12、tb＝kpp

13、式中，，g(s)为传递函数，s为g(s)的自变量，z为电磁阀的响应时间，k为比例系数，tb为输出的制动力矩，kq为制动器效能因数，q为输入的轮缸压力；

14、建立车身稳定系统esp模型，具体如下：

15、期望横摆角速度和质心侧偏角公式为：

16、

17、

18、

19、其中，ωz_exp为期望横摆角速度，vx为车身速度，δf为前轮转角，l为轴距，βz_exp为期望质心侧偏角，lr，lf为前轴轮距和后轴轮距，j为稳定性因数；kf，kr为前后轴侧偏刚度，期望横摆角速度满足：

20、

21、其中，a为安全系数，μ为路面附着系数；g重力加速度。

22、进一步地，步骤2中改进的天鹰搜索算法包括以下步骤：

23、步骤2.1：随机初始化天鹰种群；

24、步骤2.2：扩大搜索阶段位置更新；

25、步骤2.3：缩小搜索阶段位置更新；

26、步骤2.4：扩大开发阶段位置更新；

27、步骤2.5：缩小开发阶段位置更新；

28、步骤2.6：融合差分进化算法和狩猎视角反向学习策略，修订步骤2.2中扩大搜索阶段的位置更新公式，增强全局搜索能力和抗干扰能力；

29、步骤2.7：设计停滞扰动结合levy飞行策略，修订步骤2.3和步骤2.5缩小搜索和缩小开发阶段的位置更新公式，避免陷入局部最优值，提高种群的多样性。

30、进一步地，步骤2.1中随机初始化天鹰种群，公式如下：

31、

32、xij＝rand×(ubj-lbj)+lbj

33、i＝1,2,......,nj＝1,2,......,dim

34、式中，xi是第i个解的位置，n是候选解的数量，dim是维度空间，ubj表示第j维的上界，lbj表示第j维的下界，rand是[0,1]之间的一个随机数。

35、进一步地，步骤2.2中，天鹰通过上升探索附近的猎物，一旦发现猎物，进入滑翔过程，收起翅膀，并加快速度，以扩大搜索区域，位置更新如下：

36、

37、

38、式中，x1(t+1)为天鹰在步骤2.2位置更新时第t+1次迭代的解，是由第一种捕猎方法生成的，xbest(t)是第t次迭代得到的最佳解，表示当时猎物的大概位置，t为最大迭代次数，(1-t/t)用于控制天鹰搜索，xm(t)是第t次迭代时当前解的平均位置；

39、步骤2.3中，一旦天鹰发现猎物，它会开始围绕猎物展开抓捕，并在选择合适的时机进行攻击，在这个过程中，天鹰会逐渐缩小搜索猎物的范围，并发动进攻，缩小探索区域阶段位置更新如下：

40、x2(t+1)＝xbest(t)×levy(d)+xr(t)+(y-x)×rand

41、

42、式中，x2(t+1)为天鹰在步骤2.3位置更新时第t+1次迭代的解；d为维度大小；levy(d)为莱维飞行函数；xr(t)是第i次迭代时[1,n]上的一个随机解；β和s为常数；u是0到1之间的一个随机数；y和x表示搜索区域的形状。

43、进一步地，步骤2.4天鹰准备降落并发动攻击，这个过程中天鹰会根据目标选定区域对猎物进行抓捕，扩大开发区域阶段位置更新如下：

44、x3(t+1)＝(xbest(t)-xm(t))×α-rand+((ub-lb)×rand+lb)×δ

45、式中，x3(t+1)为天鹰在步骤2.4位置更新时第t+1次迭代的解，α和δ是(0,1)范围内的开采调节参数，ub和lb代表天鹰所在搜索空间的上限值和下限值；

46、步骤2.5中，缩小开发区域阶段位置更新如下：

47、x4(t+1)＝qf·xbest(t)-(g1×x(t)×rand)-g2×levy(d)+rand×g1

48、

49、式中，x4(t+1)为天鹰在步骤2.5位置更新时第t+1次迭代的解，qf为平衡搜索策略的质量函数，qf(t)表示第t次迭代时的质量函数值，g1为[-1,1]内的均匀随机数，g2表示天鹰的飞行斜率，其呈现从2到0的递减值。

50、进一步地，步骤2.6中融合差分进化算法使得天鹰种群进行进化，具体步骤如下：

51、采用差分策略对个体进行遗传变异，变异向量产生公式如下：

52、vi＝xr1+f(xr2-xr3)

53、式中r1，r2，r3是随机整数且r1≠r2≠r3，f是缩放因子，为[0,1]内的常数，xr1，xr2，xr3为随机选择的从优到劣排序后的三个个体，vi为目标个体xi对应的变异个体；

54、对个体进行交叉，不断交叉产生一个交叉种群，交叉方法为：

55、

56、其中，vij为第j维的第i个变异个体，xij为第j维的第i个目标个体，uij为交叉后选择的第j维第i个个体，cr为是交叉概率，randi(1,d)表示在(1,d)内的一个随机数；

57、采用贪婪原则在原始种群和交叉种群中选择更优秀的作为下一代个体，方法如下：

58、

59、其中，xi为第i个目标个体，ui为第i个交叉后选择的个体，fit(x)为x的适应度；

60、结合狩猎视角反向学习策略，修订扩大搜索阶段位置更新公式，具体为：

61、

62、

63、式中，aj和bj分别是第j维的上界和下界，n为调节参数，x1(t+1)为t的下一次迭代解，是由第一种捕猎方法生成的，x’best(t)是第t次迭代得到的最佳解，表示当时猎物的大概位置，t为最大迭代次数，(1-t/t)用于控制天鹰搜索，xm(t)是第t次迭代时当前解的平均位置。

64、进一步地，步骤2.7设计停滞扰动结合levy飞行策略，修订天鹰的缩小搜索和缩小开发阶段的位置更新公式，具体为：

65、x′2(t+1)＝xbest(t)×levy(d)+xr(t)+(y-x)×rand

66、x2(t+1)＝xbest(t)+randn·levy(d)+randn·|xbest(t)-x′2(t+1)|

67、x′4(t+1)＝qf·xbest(t)-(g1×x(t)×rand)-g2×levy(d)+rand×g1

68、x4(t+1)＝xbest(t)+randn·levy(d)+randn·|xbest(t)-x′4(t+1)|

69、式中，x2’(t+1)是天鹰缩小探索阶段时第t+1次迭代的解，x2(t+1)是采用停滞扰动结合levy飞行策略优化后的第t+1次迭代的解，d为维度大小；levy(d)为莱维飞行函数，xr(t)是第i次迭代时[1,n]上的一个随机解，x4’(t+1)是天鹰在缩小开发捕猎时第t+1次迭代的解，x4(t+1)是采用停滞扰动结合levy飞行策略优化后的第t+1次迭代的解，qf为平衡搜索策略的质量函数，qf(t)表明第t次迭代时的质量函数值，g1为[-1,1]内的均匀随机数，g2表示天鹰的飞行斜率，其呈现从2到0的递减值。

70、进一步地，步骤3天鹰种群迭代完成后，计算优化后的适应度大小，选取最优个体，将其三维位置坐标赋值给kp、ki、kd；

71、将步骤3得到的kp、ki、kd赋值到pid控制器中，将pid控制器应用到abs和esp系统中，在不同的复杂路况条件下自适应的调节参数。

72、进一步地，步骤5将步骤4得到的pid控制器应用于abs和esp协调控制，在abs和esp控制器基础上加一个顶层协调控制器，通过车辆稳定性判断以及不同的行驶状况和转向工况指定协调策略，从而实现车辆在不同条件下abs和esp的合理输出。

73、与现有技术相比，本发明具有以下有益的技术效果：

74、本发明提出了一种基于差分进化的反向学习结合停止扰动的天鹰搜索算法，在保证快速寻优的前提下，获得最优pid控制参数，且可自适应调节pid控制参数，本发明在面对不同路况时使汽车具有更好的制动效果。

75、进一步地，本发明在扩大搜索阶段采用自适应逐维小孔成像反向学习策略，解决了ao在选择搜索空间阶段过早收敛，易陷入局部极值点的情况；在缩小搜索和缩小开发阶段采用停滞扰动结合莱维飞行策略，提高了种群的多样性。

76、本发明相比于传统天鹰搜索算法，收敛速度更快，汽车制动距离更短，制动时间更快，制动过程中的横摆角速度和质心侧偏角可以处于期望值，滑移率曲线也可更快收敛到期望值，验证了算法的有效性，制动性能有所提升。