隨著汽車電氣化的發(fā)展，具有再生制動能力的電子液壓制動（EHB）和電機（EM）的集成帶來了在三種制動模式之間轉(zhuǎn)換的挑戰(zhàn)：電制動、液壓制動和混合制動。

車輛協(xié)調(diào)再生制動控制策略是一種旨在優(yōu)化能量回收、提高車輛行駛效率、并確保制動過程平穩(wěn)和安全的綜合控制方法。這種策略通過精確控制再生制動與傳統(tǒng)摩擦制動（如 EHB）的配合使用，實現(xiàn)了能量的有效回收和制動力切換。但是切換過程中由于電制動和液壓制動的系統(tǒng)特性不一致，則容易產(chǎn)生縱向運動不平順的問題，從而降低了汽車制動過程中的舒適性。

因此在設(shè)計集成線控制動系統(tǒng)時，不僅要考慮 ABS，ESC 控制的實現(xiàn)，也要集成設(shè)計車輛的系統(tǒng)再生制動策略。

以上圖是一個典型的混合模式制動的扭矩分配。在車輛減速過程中，根據(jù)駕駛意圖給定制動需求扭矩。根據(jù)車輛狀態(tài)，如轉(zhuǎn)速和電池 SOC 等，確定電機制動扭矩的實施扭矩，剩余扭矩則由摩擦制動完成。 在設(shè)計該系統(tǒng)時候，需要考慮 ：

動態(tài)制動力分配：

根據(jù)當(dāng)前的車輛狀態(tài)（如速度、加速度）、電池狀態(tài)（充電水平、溫度）、以及駕駛員的制動需求，動態(tài)地分配再生制動力和摩擦制動力之間的比例。以最大化能量回收，同時滿足駕駛員對制動性能的要求。

平滑扭矩變化：

通過精細控制再生制動和摩擦制動的扭矩輸出，確保兩者之間的平滑過渡，避免給駕駛員帶來突兀的制動感覺。這涉及到復(fù)雜的控制算法，以預(yù)測和響應(yīng)制動過程中的動態(tài)變化。

解析駕駛員意圖：

通過分析駕駛員對制動踏板的操作（踏板位置、踏板壓力變化速度等），判斷駕駛員的制動意圖（輕微減速、緊急制動等），并據(jù)此調(diào)整再生制動和摩擦制動的應(yīng)用并且通過調(diào)整 EHB 系統(tǒng)的反饋機制，使得駕駛員在施加相同的踏板力時，能夠感受到與傳統(tǒng)制動系統(tǒng)相似的減速度。這涉及到開發(fā)踏板模擬器的部分。

開發(fā)與調(diào)試這樣的系統(tǒng)并不容易，因此虛擬化開發(fā)就顯得非常重要，利用虛擬化開發(fā)可以節(jié)省成本，在系統(tǒng)開發(fā)早期階段實現(xiàn)虛擬仿真驗證。

以集成制動系統(tǒng)控制為例，MATLAB 可以用于車輛閉環(huán)系統(tǒng)仿真，可以包括定義車輛模型，制動系統(tǒng)部件模型，設(shè)計控制器，建立閉環(huán)仿真模型來評估控制器設(shè)計等。從而可以幫助工程師設(shè)計和測試車輛控制系統(tǒng)，以開發(fā)更好的車輛性能。

整個工作我們可以搭建車輛模型，細化制動系統(tǒng)模型，集成控制策略，從而查看系統(tǒng)的響應(yīng)結(jié)果。

車輛模型：

包括電動機、電池、再生制動系統(tǒng)、車輛動力學(xué)等關(guān)鍵組成部分。車輛模型應(yīng)能夠準確反映車輛的物理和動力學(xué)特性。

使用 Vehicle Dynamic Blockset 快速搭建整車模型。

控制算法：

針對可再生協(xié)調(diào)制動系統(tǒng)需求，根據(jù)總的制動需求，系統(tǒng)會計算再生制動能夠提供的最大制動力。這一計算考慮了電池的充電狀態(tài)（SOC）及電池溫度的極限狀態(tài)、駕駛員的踏板開度，電機的性能限制、以及當(dāng)前車速等因素。如果再生制動能夠滿足全部制動需求，則優(yōu)先使用再生制動；如果再生制動力不足以滿足需求，則剩余的制動需求由傳統(tǒng)的摩擦制動系統(tǒng)來補充。

再生協(xié)調(diào)制動系統(tǒng)在進行制動扭矩分配時的算法邏輯基本如下：

1. 制動扭矩需求的確定

駕駛員輸入識別：系統(tǒng)首先通過分析駕駛員踏板的開度（踏板位置）來估算所需的總制動扭矩。這個過程可能涉及到特定的標定表格，這些表格考慮了踏板位置與制動扭矩需求之間的關(guān)系，確保制動扭矩的計算與實際車輛狀態(tài)相匹配。

2.再生制動可行性的判斷

電池狀態(tài)檢查：

檢查電池是否有足夠的容量和適宜的狀態(tài)（如溫度、充電狀態(tài)等）來接收再生能量。

電機性能評估：

考慮電機的當(dāng)前工作狀態(tài)（如轉(zhuǎn)速和溫度）以及其性能限制（最大扭矩和功率輸出）來確定可用于再生制動的最大扭矩。

3.再生制動扭矩的計算與制動扭矩分配

如果再生制動是可行的，系統(tǒng)會根據(jù)電機的轉(zhuǎn)速、車速、制動參數(shù)等因素計算出一個可行的再生制動扭矩值。這個值是電機在當(dāng)前條件下能夠安全提供的最大制動扭矩。系統(tǒng)將計算出的再生制動扭矩與總制動扭矩需求進行比較： 如果再生制動扭矩足以滿足總需求，系統(tǒng)將全部使用再生制動。 如果再生制動扭矩不足以滿足總需求，系統(tǒng)將使用再生制動提供部分扭矩，而剩余所需的扭矩將通過摩擦制動系統(tǒng)提供。

4.平滑過渡和優(yōu)化

在從再生制動到摩擦制動的過渡過程中，系統(tǒng)需要確保這一過程的平滑性，避免給駕駛員帶來不適感。 制動扭矩在從再生制動切換到摩擦制動時，液壓系統(tǒng)的制動壓力控制是實現(xiàn)平滑過渡的一個重點和挑戰(zhàn)。這個過程中的關(guān)鍵是如何精確控制液壓制動系統(tǒng)，以便在再生制動力減少時，摩擦制動力能夠無縫補充，保持總制動力的連續(xù)和穩(wěn)定。這往往與 EHB 的控制息息相關(guān)。 再生協(xié)調(diào)控制算法模塊會輸出電機制動扭矩，和由 EHB 系統(tǒng)需要提供的制動扭矩/制動壓力。

EHB 的液壓控制系統(tǒng)會根據(jù)該模塊輸出的目標制動壓力，通過調(diào)整液壓系統(tǒng)的柱塞泵轉(zhuǎn)速、閥門開關(guān)等實現(xiàn)制動輪缸上的目標壓力。EHB 系統(tǒng)的精確控制往往會影響這一特性。 為了更好的驗證集成的整車層級的再生協(xié)調(diào)控制算法和 EHB 液壓系統(tǒng)控制的精確性。一般我們除了要搭建整車模型之外，還要搭建液壓系統(tǒng)，從而完整的驗證集成制動控制算法。

制動液壓系統(tǒng)模型搭建：

EHB 液壓系統(tǒng)模型的搭建會依賴于 Simscape Fluids 產(chǎn)品組提供的專業(yè)液壓模型庫搭建。

這是一個典型的 EHB 液壓系統(tǒng)，包含主缸系統(tǒng)，踏板模擬器，閥門系統(tǒng)，制動液壓缸，柱塞泵，電機，高壓蓄能器等。根據(jù)系統(tǒng)的液壓圖，我們通過 Simscape Fluids 搭建其模型。

踏板模擬器系統(tǒng)：這可以通過一個具有彈簧和阻尼特性的簡化模型來模擬，調(diào)整參數(shù)以反映實際的踏板感覺。

電機驅(qū)動的柱塞泵供壓系統(tǒng)：

對于建壓系統(tǒng)的控制，主要是通過柱塞泵的電機位置來控制的。因此電機的控制算法決定了整個液壓系統(tǒng)的響應(yīng)狀態(tài)。 集成式線控制動系統(tǒng)主動壓力控制主要包括兩部分：壓力環(huán)控制和電機的 FOC 控制。其中，壓力環(huán)控制，是將上層控制算法輸出的期望目標壓力f轉(zhuǎn)化為主缸活塞的目標位移 ；電機閉環(huán)控制，是控制永磁同步電機跟隨壓力環(huán)輸出的伺服缸活塞的目標位置。

在設(shè)計壓力環(huán)時，可以根據(jù)需求添加前饋補償控制等提高系統(tǒng)響應(yīng)速度。往往這些前饋補償特性與液壓系統(tǒng)的設(shè)計相關(guān)，也非常影響建壓速度進而影響到制動扭矩控制的精確性。常常是需要標定的對象。

以上部分都是也有些系統(tǒng)的建壓單元。

調(diào)壓單元通過調(diào)節(jié)電磁閥電流大小控制電磁閥的開閉實現(xiàn)制動輪缸壓力的控制。 該液壓系統(tǒng)中閥門開關(guān)較多。多見于在 ABS，ESC 作動情況下的實施

ABS 控制系統(tǒng)通過控制這兩個閥來控制施加在剎車片上的剎車壓力，通過兩個閥的組合，剎車可能處于加壓狀態(tài)、保壓狀態(tài)以及泄壓狀態(tài)。而至于出于什么狀態(tài)，則基于當(dāng)前的車輪滑移率。 而滑移率則通過傳感器數(shù)據(jù)估算而來。 四個車輪的傳感器數(shù)據(jù)傳到控制系統(tǒng)，通過算法估算車速以及滑移率，然后作為輸入來計算剎車閥的控制。

這里需要說明的是，Simscape 平臺與 Simulink 平臺是無縫銜接的。Simscape 搭建的液壓系統(tǒng)及其他物理系統(tǒng)，可以方便的與 Simulink 搭建的控制策略集成。同時也可以與 Vehicle Dynamic Bloscket 搭建的整車模型無縫集成。

搭建好這樣的模型后，我們就可以通過仿真來驗證整個集成制動系統(tǒng)對整車性能的影響。

同時有了這樣整車物理模型系統(tǒng)，我們可以探索目前學(xué)術(shù)界和科研界正在研究的基于深度強化學(xué)習(xí)設(shè)計 ABS 控制算法。 MATLAB 提供的強化學(xué)習(xí)工具箱，可以基于 Simulink 創(chuàng)建的環(huán)境模型（車輛以及液壓系統(tǒng)模型）通過與環(huán)境交互來訓(xùn)練策略和函數(shù)。Reinforcement Learning Toolbox 提供了一個 App、多個函數(shù)和一個 Simulink 模塊，可與 DQN、PPO、SAC 和 DDPG 等強化學(xué)習(xí)算法結(jié)合使用來進行策略訓(xùn)練。可以使用這些策略為復(fù)雜應(yīng)用（如資源分配、機器人和自主系統(tǒng)）實現(xiàn)控制器和決策算法。

審核編輯：劉清