1. 项目背景与核心价值
在新能源车快速普及的当下，分布式驱动电动汽车凭借其独特的轮毂电机布局，为整车控制带来了革命性的可能性。与传统集中式驱动相比，每个车轮都能独立控制扭矩的特性，让复合制动这种需要精细分配制动力矩的场景有了全新的解决方案。
我最早接触这个课题是在参与某车企的线控制动系统开发时，发现传统真空助力泵+ESP的制动方案在能量回收效率上存在明显瓶颈。而分布式驱动架构下，电机再生制动与液压制动的协同控制，理论上能将制动能量回收率提升30%以上——这个数字对电动车续航里程的意义不言而喻。
2. 复合制动系统架构解析
2.1 典型分布式驱动拓扑结构
当前主流的分布式驱动布局主要分为两种：
- 轮边电机驱动（如比亚迪e平台3.0）
- 轮毂电机驱动（如Protean Electric方案）
以某款实测车型为例，其四轮独立轮毂电机参数如下：
| 参数 | 前轴电机 | 后轴电机 |
|---|---|---|
| 峰值扭矩(Nm) | 420 | 380 |
| 最大转速(rpm) | 12000 | 15000 |
| 持续功率(kW) | 35 | 30 |
2.2 制动能量流分析
在复合制动过程中，能量分配遵循"电机优先"原则：
- 制动需求扭矩≤电机最大回馈扭矩时：完全由电机承担
- 超出电机能力范围时：差额由液压制动补足
这里有个关键计算公式：
code复制T_req = T_motor_max + T_hydraulic
其中T_motor_max需要考虑电池SOC、电机温度等约束条件。
3. 控制算法实现细节
3.1 上层控制器设计
采用分层控制架构时，上层控制器主要负责：
- 总制动力矩分配（基于ECE R13法规）
- 轴间负荷转移补偿
- 驱动防滑干预
以某项目实测代码片段为例：
c复制// 制动力分配核心算法
void BrakeForceDistribution(float pedalPos, float vehicleSpeed) {
float totalBrakeTorque = pedalPos * MAX_BRAKE_TORQUE;
float frontRatio = lookupTable(vehicleSpeed); // 查表法确定前后轴分配比
frontMotorTorque = min(totalBrakeTorque*frontRatio, frontMotorMaxRegen);
rearMotorTorque = min(totalBrakeTorque*(1-frontRatio), rearMotorMaxRegen);
hydraulicCompensation = totalBrakeTorque - (frontMotorTorque + rearMotorTorque);
}
3.2 下层执行器协调
轮毂电机与液压制动器的协同需要解决两个关键问题：
- 响应时间差（电机响应约50ms，ESP液压约120ms）
- 扭矩叠加精度（需控制在±5Nm以内）
我们采用的解决方案是：
- 预充液压制动压力（提前建立基础压力）
- 电机扭矩前馈补偿（基于压力传感器信号）
4. 仿真平台搭建要点
4.1 CarSim-Simulink联合仿真
推荐仿真环境配置：
- CarSim 2019.1（车辆动力学模型）
- MATLAB/Simulink R2021a（控制算法）
- 采样时间设置为1ms
关键接口配置：
code复制[CarSim输出]
-> 车辆状态（速度、轮速、减速度等）
-> 路面参数（μ值、坡度）
[Simulink输入]
-> 制动踏板开度
-> 电机温度状态
-> 电池SOC
4.2 典型工况测试案例
必须包含的测试场景：
- 低附着路面紧急制动（μ=0.3）
- 连续坡道制动（坡度8%）
- 电机过热工况制动
- 电池满电状态制动（再生受限）
5. 实测问题排查实录
5.1 液压制动振荡问题
现象：在电机-液压切换时出现明显制动抖动
根本原因：压力控制PID参数未考虑液压管路延迟
解决方案：
- 增加Smith预估器补偿
- 调整电机扭矩过渡曲线斜率
5.2 能量回收率不达标
常见影响因素排查表：
| 可能原因 | 检查方法 | 典型改进措施 |
|---|---|---|
| 电池SOC过高 | 监控BMS数据 | 增加主动放电策略 |
| 电机温度保护限制 | 分析温度传感器历史数据 | 优化冷却管路布局 |
| 液压制动介入过早 | 检查制动力分配MAP图 | 调整电机回馈扭矩限制阈值 |
| 轮速信号噪声干扰 | 示波器捕捉原始信号 | 增加自适应滤波器 |
6. 前沿技术延伸
最新研究趋势显示，结合线控转向的复合制动控制正在成为新方向。通过主动转向干预，可以进一步优化轮胎力分配。例如在紧急制动时，轻微的内轮转向角能增加接地面积，这项技术在某品牌概念车上已实现将制动距离缩短12%。
另一个值得关注的是基于机器学习的自适应分配算法。我们团队正在试验的LSTM网络，能够根据驾驶员习惯自动优化制动力分配策略，在保持相同制动效能的前提下，可使城市工况下的能量回收率再提升5-8%。
关键提示：进行复合制动仿真时，务必验证执行器故障模式下的降级策略。我们曾遇到因未考虑单电机失效工况，导致实车测试时制动力矩突然失衡的严重问题。