一种用于电控车辆的防溜车系统及其控制方法

摘要

本发明公开一种用于电控车辆的防溜车系统，包括：检测模块，其设置在车身上，用于检测路况和车况；分析模块，其与所述检测模块连接，用于接收所述检测模块的检测数据，并作出控制决策；控制模块，其与所述分析模块和制动管路连接，用于接收所述分析模块的控制决策，并对所述制动管路进行压力补偿，能够在车辆行驶上坡或下坡制动时，对制动管路进行压力补偿，防止溜车。本发明还提供一种用于电控车辆的防溜车系统的控制方法，能够采集车辆行驶的路况和车况，并基于BP神经网络确定车辆制动状态和制动管路中的压力补偿状态。

权利要求

1.一种用于电控车辆的防溜车系统的控制方法，其特征在于，采集车辆行驶的路况和车况，并基于BP神经网络确定车辆制动状态和制动管路中的压力补偿状态，包括：步骤一、按照采样周期，通过传感器测量车辆制动前的行驶速度、车辆与前方和后方相邻车辆的距离、车重、行驶路面坡脚、路面附着系数及制动管路中的实际压力；

步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6,x7}；其中，x1为车辆制动前的行驶速度，x2为车辆与前方相邻车辆的距离，x3为车辆与后方相邻车辆的距离，x4为车重，x5为行驶路面坡度，x6为路面附着系数，x7为制动管路中的实际压力；

步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；

步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为车辆制动状态，o2为制动管路中的压力补偿状态，所述输出层神经元值为 当o1为1时，车辆制动，当o1为0时，车辆会发生溜车，所述输出层神经元值为 当o2为1时，制动管路中需要进行压力补偿，当o2为0时，制动管路中不需要进行压力补偿。

2.如权利要求1所述的用于电控车辆的防溜车系统的控制方法，其特征在于，当o1＝1时，o2＝0；当o1＝0时，o2＝1，并控制所述制动管路中的压力补偿值为：式中，P为制动管路中的压力补偿值，ξ为校正系数，v为车辆制动前的行驶速度，v0为设定的标准行驶速度，θ为行驶路面坡角，α为行驶路面坡度，e为自然对数的底数，DA为单位距离，f(C)为车辆行驶的状态函数，C为车辆行驶状态，C＞0，车辆行驶方向和溜车方向相同，C＜0，车辆行驶方向和溜车方向相反，M为车重，g为重力加速度，μ为路面附着系数，P0为制动管路中的实际压力，Du为车辆与前方相邻车辆的距离，Dd为车辆与后方相邻车辆的距离。

3.如权利要求1或2所述的用于电控车辆的防溜车系统的控制方法，其特征在于，所述行驶路面坡度为：

4.如权利要求3所述的用于电控车辆的防溜车系统的控制方法，其特征在于，还包括报警系统，当制动管路中压力补偿值超过设定阈值时，报警，提醒驾驶员通过脚刹或者手刹辅助制动。

5.如权利要求1、2或4所述的用于电控车辆的防溜车系统的控制方法，其特征在于，所述隐层的神经元个数m满足： 其中，n为输入层节点个数，p为输出层节点个数。

6.如权利要求5所述的用于电控车辆的防溜车系统的控制方法，其特征在于，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。

说明书

一种用于电控车辆的防溜车系统及其控制方法

技术领域

[0001] 本发明涉及车辆防溜车控制技术领域，更具体的是，本发明涉及一种用于电控车辆的防溜车系统及其控制方法。

背景技术

[0002] 自动驻车功能(即：AutoHold)可以在驾驶员坡道上制动停车时，不用一直踩制动踏板，而自动保持制动压力，以使车辆稳定的停驻在坡道。但是，AutoHold起作用时，系统中的增减压力阀在长时间保压情况下会出现压力泄露现象，当察觉到车辆在坡道溜车时，电磁继电器会产生2-3个脉冲信号给系统，系统才会重新调整制动压力，防止车辆在坡道上继续打滑。存在以下缺点：该防溜车控制手段为被动控制，此时车辆已向前或向后打滑了一定的距离，如10左右的距离，虽然距离不长，在等红灯或是坡度大的路面时，容易造成与前后车辆相碰撞的后果，此外，溜车还会使驾驶员感觉到不舒适，影响驾驶体验。

发明内容

[0003] 本发明的一个目的是设计开发了一种用于电控车辆的防溜车系统，能够在车辆行驶上坡或下坡制动时，对制动管路进行压力补偿，防止溜车。

[0004] 本发明的另一个目的是设计开发一种用于电控车辆的防溜车系统的控制方法，能够采集车辆行驶的路况和车况，并基于BP神经网络确定车辆制动状态和制动管路中的压力补偿状态。

[0005] 本发明还能控制制动管路中的压力补偿值，提高驻车安全性和驾驶舒适性。

[0006] 本发明提供的技术方案为：

[0007] 一种用于电控车辆的防溜车系统，包括：

[0008] 检测模块，其设置在车身上，用于检测路况和车况；

[0009] 分析模块，其与所述检测模块连接，用于接收所述检测模块的检测数据，并作出控制决策；

[0010] 控制模块，其与所述分析模块和制动管路连接，用于接收所述分析模块的控制决策，并对所述制动管路进行压力补偿。

[0011] 优选的是，所述控制模块与连接所述制动管路的供油泵和增压阀连接，用于对所述制动管路进行压力补偿。

[0012] 优选的是，所述检测模块包括：

[0013] 坡脚传感器，其设置在车身底盘上，用于检测路面坡脚；

[0014] 压力传感器，其设置在制动管路中，用于检测制动管路的实际压力；

[0015] 重量传感器，其设置在所述车身地盘上，用于检测车身重量；

[0016] 速度传感器，其设置在所述车身底盘上，用于检测车辆制动前的行驶速度；

[0017] 附着系数传感器，其设置在车辆轮胎上，用于检测车辆轮胎在地面的附着系数；

[0018] 多个距离传感器，其分别设置在车辆前侧和后侧，用于检测车辆与前方和后方相邻车辆的距离。

[0019] 一种用于电控车辆的防溜车系统的控制方法，采集车辆行驶的路况和车况，并基于BP神经网络确定车辆制动状态和制动管路中的压力补偿状态，包括：

[0020] 步骤一、按照采样周期，通过传感器测量车辆制动前的行驶速度、车辆与前方和后方相邻车辆的距离、车重、行驶路面坡脚、路面附着系数及制动管路中的实际压力；

[0021] 步骤二、确定三层BP神经网络的输入层神经元向量x＝{x1,x2,x3,x4,x5,x6,x7}；其中，x1为车辆制动前的行驶速度，x2为车辆与前方相邻车辆的距离，x3为车辆与后方相邻车辆的距离，x4为车重，x5为行驶路面坡度，x6为路面附着系数，x7为制动管路中的实际压力；

[0022] 步骤三、所述输入层向量映射到隐层，隐层的神经元为m个；

[0023] 步骤四、得到输出层神经元向量o＝{o1,o2}；其中，o1为车辆制动状态，o2为制动管路中的压力补偿状态，所述输出层神经元值为 当o1为1时，车辆制动，当o1为0时，车辆会发生溜车，所述输出层神经元值为 当o2为1时，制动管路中需要进行压力补偿，当o2为0时，制动管路中不需要进行压力补偿。

[0024] 优选的是，当o1＝1时，o2＝0；当o1＝0时，o2＝1，并控制所述制动管路中的压力补偿值为：

[0025]

[0026]

[0027] 式中，P为制动管路中的压力补偿值，v为车辆制动前的行驶速度，v0为设定的标准行驶速度，θ为行驶路面坡角，α为行驶路面坡度，e为自然对数的底数，DA为单位距离，f(C)为车辆行驶的状态函数，C为车辆行驶状态，C＞0，车辆行驶方向和溜车方向相同，C＜0，车辆行驶方向和溜车方向相反，M为车重，g为重力加速度，μ为路面附着系数，P0为制动管路中的实际压力，Du为车辆与前方相邻车辆的距离，Dd为车辆与后方相邻车辆的距离。

[0028] 优选的是，所述行驶路面坡度为：

[0029]

[0030] 优选的是，还包括报警系统，当制动管路中压力补偿值超过设定阈值时，报警，提醒驾驶员通过脚刹或者手刹辅助制动。

[0031] 优选的是，所述隐层的神经元个数m满足： 其中，n为输入层节点个数，p为输出层节点个数。

[0032] 优选的是，所述隐层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。

[0033] 本发明所述的有益效果：

[0034] (1)本发明设计开发的用于电控车辆的防溜车系统，能够在车辆行驶上坡或下坡制动时，对制动管路进行压力补偿，防止溜车，提高行驶舒适性和安全性。

[0035] (2)本发明设计开发的用于电控车辆的防溜车系统的控制方法，能够采集车辆行驶的路况和车况，并基于BP神经网络确定车辆制动状态和制动管路中的压力补偿状态。本发明还能根据经验公式控制制动管路中的压力补偿值，提高驻车安全性和驾驶舒适性。

具体实施方式

[0036] 下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

[0037] 本发明提供一种用于电控车辆的防溜车系统，包括：检测模块，其设置在车身上，用于检测路况和车况；分析模块，其与检测模块连接，用于接收检测模块的检测数据，并作出控制决策；控制模块，其与分析模块和制动管路连接，用于接收分析模块的控制决策，并对制动管路进行压力补偿。所述的控制模块与连接制动管路的供油泵和增压阀连接，用于对制动管路进行压力补偿。

[0038] 所述的检测模块包括：坡脚传感器，其设置在车身底盘上，用于检测路面坡脚；压力传感器，其设置在制动管路中，用于检测制动管路的实际压力；重量传感器，其设置在所述车身地盘上，用于检测车身重量；速度传感器，其设置在所述车身底盘上，用于检测车辆制动前的行驶速度；附着系数传感器，其设置在车辆轮胎上，用于检测车辆轮胎在地面的附着系数；多个距离传感器，其分别设置在车辆前侧和后侧，用于检测车辆与前方和后方相邻车辆的距离。

[0039] 本发明设计开发的用于电控车辆的防溜车系统，能够在车辆行驶上坡或下坡制动时，对制动管路进行压力补偿，防止溜车，提高行驶舒适性和安全性。

[0040] 本发明还提供一种用于电控车辆的防溜车系统的控制方法，采集车辆行驶的路况和车况，并基于BP神经网络确定车辆制动状态和制动管路中的压力补偿状态，包括：

[0041] 步骤一、建立BP神经网络模型。

[0042] BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即oi＝xi。中间隐含层和输出层的神经元的操作特性为

[0043]

[0044] opj＝fj(netpj)

[0045] 其中p表示当前的输入样本，ωji为从神经元i到神经元j的连接权值，opi为神经元j的当前输入，opj为其输出；fj为非线性可微非递减函数，一般取为S型函数，即fj(x)＝1/(1+e-x)。

[0046] 本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示系统工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

[0047] 该网络的数学模型为：

[0048] 输入向量：x＝(x1,x2,...,xn)T

[0049] 中间层向量：y＝(y1,y2,...,ym)T

[0050] 输出向量：o＝(o1,o2,...,op)T

[0051] 本发明中，输入层节点数为n＝7，输出层节点数为p＝2，隐藏层节点数m＝5。

[0052] 输入层7个参数分别表示为：x1为车辆制动前的行驶速度，x2为车辆与前方相邻车辆的距离，x3为车辆与后方相邻车辆的距离，x4为车重，x5为行驶路面坡度，x6为路面附着系数，x7为制动管路中的实际压力；

[0053] 输出层2个参数分别表示为：o1为车辆制动状态，o2为制动管路中的压力补偿状态，所述输出层神经元值为 当o1为1时，车辆制动，当o1为0时，车辆会发生溜车，所述输出层神经元值为 当o2为1时，制动管路中需要进行压力补偿，当o2为0时，制动管路中不需要进行压力补偿。

[0054] 步骤二、进行BP神经网络的训练。

[0055] 建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。

[0056] (1)训练方法

[0057] 各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致。

[0058] (2)训练算法

[0059] BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：

[0060] 第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

[0061] 第二步：对每个输入样本作如下计算：

[0062] (a)前向计算：对l层的j单元

[0063]

[0064] 式中， 为第n次计算时l层的j单元信息加权和， 为l层的j单元与前一层(即l-1层)的单元i之间的连接权值， 为前一层(即l-1层，节点数为nl-1)的单元i送来的工作信号；i＝0时，令 为l层的j单元的阈值。

[0065] 若单元j的激活函数为sigmoid函数，则

[0066]

[0067] 且

[0068]

[0069] 若神经元j属于第一隐层(l＝1)，则有

[0070]

[0071] 若神经元j属于输出层(l＝L)，则有

[0072] 且ej(n)＝xj(n)-oj(n)；

[0073] (b)反向计算误差：

[0074] 对于输出单元

[0075]

[0076] 对隐单元

[0077]

[0078] (c)修正权值：

[0079] η为学习速率。

[0080] 第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

[0081] BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

[0082] Δω＝(JTJ+μI)-1JTe

[0083] 其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

[0084] 在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。

[0085] (1)当o1＝1时，o2＝0，车辆能够成功制动，不需要对制动管路进行压力补偿。

[0086] (2)当o1＝0时，o2＝1，并控制所述制动管路中的压力补偿值为：

[0087]

[0088]

[0089] 式中，P为制动管路中的压力补偿值，v为车辆制动前的行驶速度，v0为设定的标准行驶速度，θ为行驶路面坡角，α为行驶路面坡度，e为自然对数的底数，DA为单位距离，f(C)为车辆行驶的状态函数，C为车辆行驶状态，C＞0，车辆行驶方向和溜车方向相同，C＜0，车辆行驶方向和溜车方向相反，M为车重，g为重力加速度，μ为路面附着系数，P0为制动管路中的实际压力，Du为车辆与前方相邻车辆的距离，Dd为车辆与后方相邻车辆的距离。

[0090] 所述的行驶路面坡度为：

[0091]

[0092] 本发明中还包括报警系统，当制动管路中压力补偿值超过设定阈值时，报警，提醒驾驶员通过脚刹或者手刹辅助制动。

[0093] 下面结合具体的实施例进一步的对本发明提供的对发动机技术状态的方法进行说明。

[0094] 模拟15组汽车行驶上坡和下坡试验，在不同附着系数的路面上，模拟数据如表1所示。

[0095] 表1模拟数据

[0096]

[0097]

[0098] 采用本发明的用于电控车辆的防溜车系统的控制方法输出控制结果，具体结果如表2所示。

[0099] 表2控制结果

[0100]

[0101]

[0102] 由表2可知，采用本发明提供的用于电控车辆的防溜车系统的控制方法，能够使得车辆在上坡或下坡驻车时驻车稳定。

[0103] 本发明设计开发的用于电控车辆的防溜车系统的控制方法，能够采集车辆行驶的路况和车况，并基于BP神经网络确定车辆制动状态和制动管路中的压力补偿状态。本发明还能根据经验公式控制制动管路中的压力补偿值，提高驻车安全性和驾驶舒适性。

[0104] 尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。