Penelitian Distribusi Torsi Kendaraan Listrik
Penelitian Distribusi Torsi Kendaraan Listrik
TEKNIK ELEKTRO S1
1921007
1
Sekolah Kendaraan & Lalu Lintas, Universitas Sains dan Teknologi Henan ,
Luoyang 47100, Cina;
2
Lembaga Penelitian Teknik Otomotif, Pusat Penelitian & Teknologi Otomotif China,
Co Ltd, Tianjin 300300, Cina
3
Zhengzhou Nissan Auto Co, Ltd.450046, Zhengzhou, Cina
4
E-mail: liuhan@chinaaeri.com
1. Pendahuluan
Motor hub terintegrasi bagian penggerak dan bagian rem, dihilangkan bagian tradisional yang
berbeda , poros transmisi dan komponen transmisi lainnya . Jadi , motor hub menjadi arah
panas dari kendaraan energi baru karena dari ukuran kecil dan fleksibilitas kontrol [1 ~ 2].
Dalam proses mengemudi, sistem regulasi slip akselerasi (ASR) dapat mencapai kekuatan
pendorong yang lebih besar yang meningkatkan kualitas dinamis [3 ~ 4]. Tetapi kendaraan energi baru
yang digerakkan oleh motor hub tidak memiliki diferensial mekanis, dan kendaraan energi kecil baru
tidak dapat menginstal struktur yang diperlukan untuk ASR karena kendala ruang,
jadi makalah ini menghitung output torsi dengan kanan dan kiri motor dalam rangka mewujudkan
fungsi diferensial dan ASR dalam proses mengemudi .
Banyak cendekiawan selalu mengabaikan peningkatan massa yang tidak bermunculan yang
disebabkan oleh motor hub [5 ~ 8], yang akan mengubah beban roda kemudi dalam kemudi. Roda
penggerak dengan beban lebih besar dapat menahan torsi lebih besar tanpa laju selip meningkat. Jadi,
berdasarkan analisis dinamika kendaraan, torsi setir kiri dan kanan dianalisis dan diperbaiki dalam
makalah ini.
2. Model dinamika kendaraan
Beban roda penggerak gandar belakang
Ketika kendaraan mulai di jalan dengan sudut kemiringan tertentu, Diagram dinamika kendaraan
ditunjukkan pada Gambar 1. beban roda penggerak gandar belakang seperti yang ditunjukkan pada
Formula (1) [9]: L1 h
FG cos g sin (1)
r r
Ghgax
ZR L gL
L
Content from this work may be used under the terms of the Creative Commons Attribution 3.0 licence. Any further distribution
of this work must maintain attribution to the author(s) and the title of the work, journal citation and DOI.
Published under licence by IOP Publishing Ltd 1
Dalam rumus (1), F — beban gandar belakang; G -sebenarnya berat dari kendaraan; L — jarak
ZR
sumbu roda kendaraan; L jarak dari centroid ke gandar depan; h -height dari pusat massa; g —
1 — g
berjalan menanjak.
Ketika sudut kemiringan melintang jalan adalah 0 °, beban pada roda kiri dan kanan adalah sebagai
berikut rumus (2):
F F 1
(2)
F
ZL2 ZR2
ZR
2
Dalam rumus (2): F ZL 2 — muat di roda kemudi kiri; F ZR 2 — muat di roda kemudi kiri.
Fy
MR
FZR2
hR
Φr Φs BR
MF hg
G L
FZR1
L1 L2 FZL2
hF
BF
FZL1
L 2 (4)
R 2L
2
tan
Dalam rumus (3), m s —misalkan massa; h R — panjang centroid ke tanah; B R — jalur gandar
belakang; R —Men jari jari, menghitung R dengan model kemudi Ackermann, ditampilkan sebagai
rumus (4).
Beban offset yang disebabkan oleh massa yang tidak tersangkut di kemudi
Motor hub mengubah motor penggerak tradisional sebagai massa suspensi menjadi massa
nonsuspensi. Dengan bertambahnya massa yang tidak terlepas, perlu dipertimbangkan offset beban
3
pada roda kiri dan kanan yang disebabkan oleh gaya sentrifugal selama kemudi. Offset beban
ditunjukkan dalam rumus (6)
2
m u h
(6)
Fmus Rus Rus
R BR
Dalam rumus (6): m — massa yang tidak terpasang di poros belakang; h ketinggian gandar
Rus Rus —
belakang centroid massa yang tidak terangkat; Di sini, h sama dengan jari-jari r yang berputar dari
Rus
roda kemudi.
maksimum motor hub, disimpulkan torsi yang dibutuhkan oleh pengemudi, dan menandainya
sebagai T . E
Tandai C sebagai rasio roda belakang kanan ke kiri belakang saat beban vertikal dalam kemudi,
ditunjukkan dalam rumus (7). Distribusi torsi pendahuluan ditunjukkan dalam rumus (8).
F
C F ZL 2 (7)
ZR 2
C
T T
E
L 21 1 C (8)
1
T T
E
R 21 1 C
Dalam rumus (8): T — torsi pendahuluan roda penggerak kiri; T — torsi pendahuluan roda
L 21 R 21
penggerak kanan
Koreksi torsi
Menurut model dinamika kendaraan, distribusi torsi dalam rumus (8) hanya proporsional
didistribusikan sesuai dengan beban dari roda penggerak. Namun, kondisi dari permukaan jalan rumit
dan beragam. Dalam rangka untuk memanfaatkan sepenuhnya dari kekuatan jalan perekat, itu perlu
untuk mengidentifikasi jenis dari jalan.
Sistem
pengamatan trotoar. Burckhardt et al. [11] mengusulkan kurva μ-S yang secara akurat
menggambarkan hubungan antara rasio selip roda S dan koefisien adhesi permukaan
jalan μ dalam kondisi jalan yang berbeda :
S =C1 1 e C
C2 S
3
(9)
S
1 C
Smax
log 1 (10)
C2
C1 C3
Rumus (9) (10) menunjukkan bahwa laju slip optimal dan koefisien perlekatan optimal yang
sesuai. Dalam rumus (10): C 、C 、C adalah koefisien kurva pas. Sistem pengenalan permukaan jalan
1 2 3
bukanlah konten penelitian utama, jadi dalam makalah ini, metode pemantauan on-line dari sistem
pengamatan permukaan jalan mengutip referensi [12]. Sistem pengamatan menghasilkan laju slip optimal
untuk roda kemudi kiri dan kanan, dan masing-masing ditandai sebagai S dan S . R 1 R 2
Output torsi dioptimalkan oleh PSO
Variasi kondisi berkendara sangat kompleks dan tidak linier. Ini perlu untuk menyesuaikan torsi output
secara adaptif sesuai dengan jenis jalan. Kekokohan sistem penggerak terlalu rendah ketika
menggunakan pengatur parameter tetap konvensional , seperti pengontrol PID, tidak dapat
menyesuaikan parameter model kontrol sesuai dengan kondisi penggerak pada waktunya, sehingga
makalah ini membawa algoritma pengoptimalan waktu nyata ke mengoreksi output torsi. Particle
Swarm Optimization (PSO) memiliki banyak keunggulan,
seperti implementasi yang mudah, lebih sedikit parameter dan tidak perlu decode dan kode. Para ahli
dan cendekiawan di banyak bidang memiliki banyak penelitian [13 ~ 14], jadi PSO digunakan untuk
memperbaiki torsi on-line dalam proses yang sedang berjalan.
Objek yang perlu dioptimalkan dalam makalah ini adalah koefisien koreksi α dan α , yang L 2 R 2
Dalam rumus (11): T - output torsi akhir dari roda kemudi kiri belakang; T - output torsi
L 2 R 2
Setelah secara acak mendistribusikan semua partikel di area pencarian, hitung nilai fungsi
kebugaran, dapatkan solusi optimal global dengan perbandingan, dan beri nama gbest ; dengan iterasi
yang meningkat secara bertahap, setiap partikel memiliki solusi terbaiknya, dan na med pbest ; solusi
optimal global dan solusi optimal partikel diperbarui ke iterasi berikutnya. Pada saat yang sama, arah
pencarian dan kecepatan pencarian suatu partikel diperbarui dengan rumus (12), sedangkan nilai
absolut gbest kurang dari 0,01, menghasilkan α dan α dioptimalkan . Itu adalah proses umum
L 2 R 2 yang
optimasi.
vij t 1 vij t c1r1 pbestij t xij t c2 r2 gbestij t xij t
(12)
xij t 1 xij t vij
t
Di dalam rumus ( 13 ): v yang kecepatan dari tunggal partikel ; x yang posisi dari satu c 、 c -
ij ij 1 2
faktor pembelajaran, berdasarkan literatur [14], nilainya 2; ω - inersia berat, Untuk mengatasi cacat
yang PSO memiliki beberapa kemungkinan jatuh ke nilai optimum parsial, kurva nonlinear
digunakan untuk mengubah ω selama perhitungan, yang ditunjukkan dalam rumus (13), yang ω = max
Dalam rumus (14), ada beberapa parameter yang perlu dikonfirmasi: kecepatan putaran siklus
pesan CAN berikutnya ( ω , ω ) dan kecepatan mengemudi ( u , u ). Kemudian hitung
L 2 R 2 L 2 R 2
Berikut ini didasarkan pada model roda belakang kiri 1/4 kendaraan dinamika untuk
menyimpulkan kecepatan mengemudi dan kecepatan putar waktu pengambilan sampel berikutnya,
model kendaraan 1/4 ditunjukkan dalam rumus '(15):
m u F S (15)
L2 L2 ZL2
J L2 T L2 r
'
Tf
FZL2
mL2 1 L1
L1
2L L ms
(16)
ms 2L
1 2
Dalam rumus (15): u adalah akselerasi roda kemudi; ω adalah percepatan sudut; T adalah
'
L 2
'
L 2 f
rolling resistance torsi ban; μ ( S ) ditunjukkan dalam formula (9); J adalah momen inersia
roda; m adalah beban model dinamika kendaraan 1/4 dan ditunjukkan dalam rumus (16).
L 2
Melalui perhitungan di atas, waktu pengambilan sampel berikutnya dari kecepatan rotasi ( ω ) eR 2
dan kecepatan drive ( u ) yang dihitung berdasarkan torsi output adalah sebagai berikut:
eL 2
u u 2FZL2 Se
L L1 ms
dt (17)
L 2
eL 2
1
L 2 eL2 J
L2 TL2 FZL r Tf dt
2
(18):
u
r 2L BF tan (18)
eR 2 eL1
L 1
B L2
2 2
2 tan
F
tan 2
Kecepatan rotasi waktu nyata dapat diukur secara langsung dengan sensor kecepatan yang dipasang di
dekat cakram rem roda.
δR1
δF1 δ
RL1
L1
RR1
L
R L2
O
RL2
RR2
Gambar 2. Model kemudi Ackermann
Rotate speed signal
Drive system
Accelerator Pedal sigle Hall Sensor
Road slope Steering angle Right rear PMSM Wheel
Fixed
Distribute torque initially MCU
torque
α L2 Controler
PSO
α R2 The torque
Hall Sensor
signal feedback PMSM Wheel
VCU
4. Simulasi dan analisis hasil
Parameter model kendaraan
CarSim adalah alat uji mengemudi dan dinamis yang canggih. Ini bisa menguji mengemudi dan
kinerja dinamis dari kendaraan sebelum prototipe yang dikembangkan. Jadi, pilih CarSim untuk
membangun model kendaraan dalam tulisan ini . Parameter kendaraan ditunjukkan pada Tabel 1.
Figure 9. The VCU in debugging. Figure 10. The VCU in HIL test.
ASM Vehicle Dynamics Model digunakan untuk membangun model kendaraan dalam uji HIL
(hardware in loop), model jalan memilih spektrum jalan yang dikumpulkan di lapangan uji Yancheng.
Hasil tes seperti yang ditunjukkan pada Gambar 11, Gambar 12, Gambar 13.
Menurut referensi (14) rasio slip optimal di jalan ini sekitar 0,17, meskipun ada spektrum dan
kebisingan dalam tes HIL, hasil tes dapat dianalisis dengan jelas bahwa: rasio slip dioptimalkan oleh
PSO berfluktuasi dalam kisaran kecil , dan mendekati nilai yang dioptimalkan. Kurva rasio
slip pada Gambar 11: ada getaran yang lebih besar di kemudi, rasio slip maksimum hampir 0,35, dan
rasio slip lebih besar dari rasio yang dioptimalkan dalam proses uji lubang .
Jadi, strategi distribusi yang dirancang dalam makalah ini secara efektif dapat mengurangi tingkat
slip dalam uji HIL, meningkatkan koefisien adhesi pemanfaatan perkerasan, meningkatkan stabilitas
mengemudi.
Figure 11. Slip ratio
optimized by PSO.
60
40
20
6. Kesimpulan
Makalah ini mengganggu torsi tergantung pada analisis dinamika kendaraan dan dioptimalkan oleh
PSO. Frist, dihitung beban dari mengemudi roda, dan menurut yang terganggu torsi awal. Kedua,
karena untuk kompleksitas mengemudi kondisi, PSO digunakan untuk mengoptimalkan output
torsi. Dibangun model kontrol dalam Simulink, dibangun model kendaraan dari SUV kecil di
CarSim. Gabungkan CarSim dan Simulink ke dalam tes mengemudi virtual. Hasil penelitian
menunjukkan bahwa algoritma distribusi torsi yang dirancang dalam makalah ini cukup bisa
mendistribusikan output torsi dalam kemudi, hasilnya menunjukkan bahwa rasio slip dioptimalkan
oleh PSO umumnya stabil di slip dengan koefisien lampiran maksimum. Tes HIL dilakukan setelah
pengujian simulasi, VCU build dengan prosesor Infineon TC265D, kode kontrol ditulis ulang ke VCU
melalui UDE. Hasil dari uji HIL menunjukkan bahwa algoritma distribusi torsi cukup bisa
mewujudkan torsi mengoptimalkan mendistribusikan functio n pada perangkat keras, meningkatkan
kinerja mengemudi dari satu kendaraan.
References
[1] Li Yong, Xu Xing, Sun Xiaodong, et al. 2017 Overview of research and development of hub
motor drive technology Electric machines & control application 44(6) 1-7
[2] Sun Yuechao, Li Man, Liao Cong, et al. 2017 Analysis of the development of electric motor
drive Electric drive 47(10) 3-6
[3] Jiao Bin 2015 Research on Anti-skid Control Algorithm for Hybrid Electric Vehicles
Northeastern University
[4] Wang Weida, Ding Nenggen, Zou Hongming 2009 Automobile ASR System Control Algorithm
and HIL Simulation Research Automotive Engineering 31(11) 1042-1048
[5] Yu Houyu, Huang Miaohua, Zhang Zhenguo 2011 Experimental Research on Electronic
Differential Control of Electric Wheeled Vehicles Journal of Wuhan University of
Technology 5 147-151.
[6] Chen Zeyu, Jiao Bin, Zhao Guangyao, et al. 2015 Anti-skid control and simulation of dynamic
road surface driving for electric vehicles Journal of Harbin Engineering University 8 1120-
1125
[7] Sun Daxu, Lan Fengchong, Chen Jiqing 2017 Electric Vehicle Drive Anti-skid System Based
on Motor Drive Force Adjustment Modern Manufacturing Engineering 11 70-75
[8] Wang Jian, Cui Xiaolin, Zhou Jing, et al. 2009 Research on anti-skid system of two-wheel drive
electric vehicle based on sliding mode variable structure control Agricultural Equipment &
Vehicle Engineering 2009(10) 17-19
[9] Guiggiani, Massimo 2014 The Science of Vehicle Dynamics Springer Netherlands
[10] Chai Wei, Lin Min, Luo Wei, et al. 2013 Design of Electronic Throttle Pedal Comprehensive
Test System Automobile Technology 1 48-53
[11] Duan Min, Guo Wentao, Li Gang, et al. 2015 Research on Anti-skid Control Strategy of
Electric Vehicle Drive Based on Pavement Recognition Journal of Mechanical & Electrical
Engineering 32(9) 1257-1262
[12] M Burckhardt, Fahrwerktechnik. 1993 Radschlupf-Regelsysteme Wrzburg: Vogel Verlag
[13] Renê Pereira de Gusmão; Francisco de A.T. de Carvalho CD 2019 Clustering of multi-view
relational data based on particle swarm optimization Expert Systems With Applications 34-53
[14] Zhigao Zheng, Nitin Saxena C D 2018 Guided dynamic particle swarm optimization for
optimizing digital image watermarking in industry applications Future Generation
Computer Systems 92-106
[15] Ma Haojun, Zhu Shaopeng, Yu Xiaoli, et al. 2016 Electronic differential control of electric
vehicles considering roll motion Journal of Zhejiang University (Engineering Science) 50(3)
566-573