基于Matlab/Simulink电动汽车异步电动机模糊PI控制

在以转子磁场定向的电动汽车用异步电动机矢量控制的基础上,采用模糊PI控制的方法,以使电动汽车获得良好的调速性能.用Matlab/Simulink仿真工具箱建立了整个系统的模型.仿真结果表明,采用模糊PI控制的电动汽车异步电动机具有高质量的调速性能.     

无速度传感器电动汽车直接转矩控制系统的仿真研究

讨论了电动汽车交流驱动系统的性能和特点,并将基于转子磁链的模型参考自适应转速辨识算法应用到电动汽车无速度传感器直接转矩控制系统中,推导出了转速的辨识算法．仿真结果证实了该控制系统具有良好的动静态特性．     

轮式驱动电动汽车驱动系统仿真

以轮式驱动电动汽车为研究对象,重点研究轮式驱动电动汽车的驱动系统,建立电机和轮胎的数学模型。以直流电机等效电路为基础建立电机数学模型,采用普遍参考的统一半经验指数建立轮胎模型。使用MATLAB软件进行动态仿真,得出电机转矩和轮胎侧向力、纵向力曲线,仿真结果表明模型正确,与理论分析相符。     

分布式驱动微型电动汽车驱动集成控制

为了提高分布式驱动微型电动汽车的动力性和操纵稳定性,设计了集成电子差速、驱动防滑和横摆力矩修正等功能的微型电动汽车驱动控制策略.基于改进阿克曼汽车转弯模型设计了电子差速控制算法,基于汽车转弯驱动轮滑转率修正算法和模糊PID(proportion integration differentiation)控制方法设计了汽车驱动防滑控制器,并针对汽车转弯时容易发生侧滑失稳,进行了基于PID控制方法的汽车横摆力矩修正.最后基于Simulink和Carsim软件建立了联合仿真模型,进行了以驱动轮转矩为控制量的低附着路面典型工况仿真实验.实验结果表明,采用分布式驱动微型电动汽车驱动集成控制算法能够有效地提高汽车的动力性和操纵稳定性.     

轮毂电动机驱动电动汽车自适应巡航系统控制策略

以轮毂电动机驱动电动汽车为研究对象,采用分层控制策略提出自适应巡航系统,结合上层模型预测控制器与下层PID (proportion integral differential)控制器,针对复杂的纵向跟随工况,对轮毂电动机输出的驱动力矩进行精确控制.提出基于前车加速度的可变车头时距策略,利用模型预测控制算法(model predictive control, MPC)求解本车期望加速度的上层控制器,利用PID算法求解整车前后轴驱动力矩,并输入到轮毂电动机的下层控制器,实现前后轮驱动力矩分配,最终实现车辆纵向自适应巡航.建立联合仿真模型,针对匀速前进、紧急制动、城市循环工况等场景,对所提出的自适应巡航分层控制策略进行验证,结果表明：所提出的自适应巡航系统控制策略针对纵向复杂行驶工况的跟驰效果良好,跟驰过程中车间距误差较小,加速度变化与电动机驱动转矩变化可以较好地进行同步与响应.     

基于Matlab/Simulink的多自由度机械振动系统仿真

以一个四自由度机械振动系统为例,利用Matlab/Simulink仿真软件讨论了多自由度机械振动系统的建模方法及仿真分析,重点阐述了振动微分方程和状态空间仿真模型的建立方法及具体运用.该方法既简化了编程的过程,同时也提高了编程的质量和可靠性,为处理类似的多自由度振动系统仿真提供了有效的参考.     

纯电动汽车驱动系统设计及性能仿真

以某款普及型轿车为改装对象,对纯电动汽车系统进行了设计.根据设计目标对其动力参数进行了理论计算,并对驱动装置合理选型.利用电动汽车仿真软件ADVISOR建立了该电动汽车模型,最后进行了动力性能仿真.仿真结果表明：设定动力参数合理,电动汽车能良好运行,达到了预期期望.     

分布式驱动电动汽车稳定性分层控制策略研究

提出一种分布式驱动电动汽车行驶稳定性分层控制策略. 策略分为基于滑模控制的广义力矩计算层、基于二次规划的滑移率决策层和基于ABS/ASR的滑移率追踪层. 搭建包括双电机独立驱动系统在内的硬件在环仿真平台,进行了分布式驱动电动汽车典型行驶工况的仿真. 与传统车辆稳定性控制策略的对比发现,文中提出的策略能够在对纵向车速影响较小的前提下,提高车辆操纵稳定性,在部分执行器失效时仍能确保车辆的行驶安全.      

一种混联式电动汽车驱动系统

阐述了汽车混合动力驱动系统的动力传递路线及能量分配出现,设计了一种混联式电动汽车动力驱动系统,分析了该系统的工作过程及控制策略。     

基于MRAC的单级直线式倒立摆的控制研究

为了实现单级直线式倒立摆的自动控制,采用前馈反馈复合式模型参考自适应控制(Model Reference Adaptive Control,MRAC)对单级直线式倒立摆进行控制研究,这种方法采用串级形式能有效抑制参数的振动而产生的随机扰动,获得了很好的鲁棒性,同时能在确保系统稳定的基础上改善系统的动态性能。     

非最小相位离散系统的模型参考自适应控制

将单输入单输出非最小相位离散时间系统的模型参考自适应控制的新方法（即用从最小二乘获得的近似逆系统方法）推广到多变量场合．讨论了如何避免不稳定的零极点对消及如何将扰动的作用与对象的输出进行解耦的问题．计算机仿真结果说明了推广方法的有效性．     

分布式电驱动汽车驱动力矩优化控制分配

针对分布式电驱动汽车在加速转向行车工况下车轮驱动力矩的控制分配问题,提出一种具有分层结构的控制策略.在控制策略的上层,为提高控制器对参数不确定和模型误差的鲁棒性,基于滑模控制进行主动横摆力矩计算.在控制策略的下层,构建了以提高车辆操纵性、降低电能损失为目标的优化问题,并基于离线计算和在线优化相结合的方式进行求解.采用Matlab-Carsim联合仿真,验证了控制策略在提高车辆操纵性能、降低能耗上的有效性.      

基于田口鲁棒优化的电动汽车驱动控制策略研究

为改善电动汽车驱动系统动力性和经济性,由电池组放电效率模型、驱动电机系统效率模型和电动汽车加速度模型,建立了综合目标函数.根据城市道路特征对综合目标函数动力性和经济性所占权重进行分配.分别以电机转矩-电机转速,电机转矩-加速踏板开度变化率为信号因子,驱动电机温度,电池组荷电状态为限值因子建立正交试验表,根据田口鲁棒控制动态特性信噪比对整车控制器输出转矩进行优化.根据GB/T 18386—2017电动汽车能量消耗率和续驶里程试验方法进行实车试验.试验结果表明行驶一个市区循环工况,相比于原车驱动控制策略,基于电机转矩-电机转速正交表的方法可节省能耗9%;基于电机转矩-加速踏板开度变化率正交表的方法可节省能耗4%.      

含非线性因素的模型参考自适应控制

研究了含非线性因素的位置伺服系统,提出一种适合快速、高精度位置伺服系统的非线性参考模型的自适应控制算法。使其对含有某些非线性特性的被控对象的控制效果优于线性参考模型的自适应控制算法。     

基于模型参考自适应控制的穿孔轧机控制系统设计

对穿孔轧机速度控制系统进行模型的建立和简化,并针对轧制控制过程中参数变化等不确定性因素的影响,设计了基于波波夫超稳定理论的模型参考自适应控制方法,通过MATLAB仿真技术验证了该控制系统具有较好的动态控制性能和跟踪精度。     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

基于Matlab/Simulink的异步电机自适应矢量控制系统研究

提出了一种速度自适应的转子磁链闭环观测器,并应用于矢量控制系统中,以取代传统的纯积分器。经过理论证明,该系统是超稳定系统。针对1.1 kW感应电机,采用MATLAB/SIM-ULINK仿真软件对系统进行仿真,仿真结果表明该方案对电机参数变化的鲁棒性较好,磁链观测精度高。同时,基于磁链状态观测器设计的速度辨识方案收敛速度快,精度高,尤其是在较低转速下仍能保持很高的精度。     

基于simulink的纯电动汽车整车控制系统设计

为电动汽车整车控制系统开发周期长和稳定性差的问题,本文通过设计了一款纯电动汽车整车控制系统研究了整车控制问题。该系统基于飞思卡尔S12处理器开发的ECMV2硬件模块,软件的底层驱动是以Code Warrior IDE for HCS12为开发环境创建软件工程,封装成simulink的图形化模块,提供全部板载外设驱动程序库,并提供GUI界面以便于配置,使得基础软件和控制算法在同一个平台上搭建并验证,以及建立了整车各模块模型和控制策略。通过实车测试进行验证,结果表明,电机驱动扭矩峰值的时间差是1s;车辆的加速过程相对稳定;电池电压也不会迅速下降;驾驶员的操作也很快得到响应。可见该系统控制器灵敏度高,电机响应迅速,车辆运行平稳。此系统与传统的开发形式相比,开发时间大大缩短,增强了整车控制器的稳定性和可靠性。     

模型参考自适应控制系统的一种设计方法

本文采用直接优化性能指标的方法,设计了离散时间的模型参考自适应控制系统,证明了最优调节器的存在性,并分别导出了确定性系统和随机系统的自适应算法.所设计的调节器参数,在一定条件下具有全局收敛性.数值模拟结果表明,所给出的算法是有效的,其控制精度和收敛性质都优于通常的自适应算法.