电动车电驱系统振动抑制与主动阻尼控制技术-嵌云网-嵌入式AI开发资源站

电动车电驱系统振动抑制与主动阻尼控制技术

薛继续

1. 电动车电驱系统中的振动挑战

在电动车动力总成系统中，电机控制器作为"大脑"般的存在，其控制策略直接影响着整车驾驶品质。我们团队在多个量产项目中发现，当电机工作在特定转速区间时，传动系统会出现明显的扭转振动现象。这种振动不仅会产生令人不适的噪音，长期作用下还会加速机械部件的疲劳损坏。

1.1 振动产生的机理分析

通过实测数据采集和频谱分析，我们发现振动主要来源于两个方面的耦合作用：

电磁激励：电机转矩脉动包含6倍于基频的谐波分量（由三相逆变器开关特性导致）
机械谐振：传动轴系存在20-50Hz范围内的固有频率，当电磁激励频率与机械固有频率重合时，就会引发共振

传统被动式解决方案（如增加阻尼器）虽然简单，但会带来额外的重量和能量损耗。相比之下，主动阻尼控制通过软件算法实现振动抑制，具有明显的成本和性能优势。

2. 主动阻尼控制的核心原理

2.1 控制策略框架设计

主动阻尼控制的核心思想是通过实时检测系统振动状态，动态调整电机输出转矩来抵消振动能量。我们采用的闭环控制架构包含三个关键环节：

状态观测：通过电机编码器信号提取转速波动分量
振动提取：使用数字滤波器分离出谐振频带信号
转矩补偿：根据振动相位和幅值生成补偿转矩

重要提示：补偿转矩的相位必须与原始振动相差180度才能实现有效抵消，这需要精确控制算法延时。

2.2 二质量模型的数学建模

为验证控制算法有效性，我们首先在Matlab/Simulink中建立了传动系统二质量模型：

code复制% 参数定义（基于某量产车型实测数据）
J_motor = 0.02;   % 电机惯量 [kg·m²]
J_wheel = 1.5;    % 车轮等效惯量 
K_shaft = 800;    % 传动轴刚度 [Nm/rad]
C_damp = 0.5;     % 固有阻尼 [Nm·s/rad]

% 状态空间方程
A = [0       1       0       0;
     -K/J_motor -C_damp/J_motor K/J_motor C_damp/J_motor;
     0       0       0       1;
     K/J_wheel C_damp/J_wheel -K/J_wheel -C_damp/J_wheel];
B = [0; 1/J_motor; 0; -1/J_wheel];
C = [1 0 0 0];  % 观测电机转速
D = 0;

sys = ss(A,B,C,D);

通过bode图分析可以发现，该系统在32Hz处存在明显的谐振峰，与实车测试结果高度吻合（误差<5%）。

3. 关键算法实现细节

3.1 巴特沃斯高通滤波器设计

为准确提取振动分量，我们采用4阶巴特沃斯高通滤波器：

matlab复制fs = 2000;      % 采样频率 [Hz]
fc = 10;        % 截止频率 [Hz] 
[b,a] = butter(4, fc/(fs/2), 'high');

% 零相位滤波实现（避免相位失真）
filtered_speed = filtfilt(b, a, raw_speed);

滤波器参数选择依据：

截止频率需低于最低谐振频率（本项目为20Hz）
采用零相位滤波保持振动信号的时域特征
4阶设计在阻带衰减和计算复杂度间取得平衡

3.2 转矩补偿算法优化

基础补偿算法：

c复制// 实时控制代码示例（简化版）
float vibration_compensation(float speed_error) {
    static float prev_error[2] = {0};
    float comp_torque;
    
    // 二阶补偿器（相位补偿+增益调节）
    comp_torque = 1.2*speed_error - 0.8*prev_error[0] + 0.3*prev_error[1];
    
    // 更新历史数据
    prev_error[1] = prev_error[0];
    prev_error[0] = speed_error;
    
    return comp_torque * Kp;  // Kp为补偿增益
}

实际项目中我们还增加了以下改进：

自适应增益调节（根据转速自动调整Kp）
死区处理（微小振动不触发补偿）
转矩变化率限制（保护机械部件）

4. 工程实现中的挑战与解决方案

4.1 延迟补偿技术

控制环路中存在约300μs的系统延迟（包括采样、计算和PWM更新），这会导致补偿转矩相位滞后。我们采用Smith预估器进行补偿：

code复制T_delay = 0.0003;  % 实测延迟时间
[num,den] = pade(T_delay,2);  % 二阶Pade近似
delay_sys = tf(num,den);

4.2 参数鲁棒性测试

在不同温度和负载条件下，传动系统刚度会有±15%的变化。我们通过蒙特卡洛仿真验证了控制算法的适应性：

参数变化	振动抑制率	稳定性裕度
+15%刚度	82%	45°
标称值	89%	50°
-15%刚度	85%	48°

4.3 量产验证数据

在某车型上的实测结果对比：

指标	无控制	主动阻尼	改善率
振动加速度RMS	0.8m/s²	0.15m/s²	81%
车内噪音	45dB	38dB	15%
电机效率	92%	93.5%	+1.5%

5. 进阶优化方向

5.1 基于MTPA的集成控制

将阻尼控制与最大转矩电流比（MTPA）控制相结合，在抑制振动的同时优化效率：

c复制void torque_control_loop() {
    torque_cmd = get_driver_demand();
    vibration = get_vibration_level();
    
    if (vibration > threshold) {
        comp_torque = damping_control();
        torque_cmd += comp_torque;
    }
    
    id_iq = mtpa_calculate(torque_cmd);
    set_inverter_output(id_iq);
}

5.2 机器学习参数自整定

采集不同工况下的最优控制参数，训练神经网络模型实现实时参数调整：

输入层：转速、负载扭矩、温度
隐藏层：3层全连接（32节点/层）
输出层：Kp、Ki、相位补偿量

测试表明该方法可将振动抑制率再提升5-8%。

6. 开发工具链建议

基于我们的项目经验，推荐以下开发流程：

建模阶段：
- Matlab/Simulink（系统建模）
- PLECS（功率器件损耗分析）
算法开发：
- Python（快速原型验证）
- C代码生成（Embedded Coder）
硬件测试：
- dSPACE MicroAutoBox（快速控制原型）
- CANape（参数标定）

经验分享：在模型在环（MIL）阶段就要考虑代码生成的需求，避免使用Simulink中不易转换为C的模块（如复杂的数学运算块）。