双侧独立电驱动系统转向控制算法设计与Simulink实现

1. 项目背景与核心挑战

在新能源车辆快速发展的今天，双侧独立电驱动系统因其高能效、灵活控制等优势，正逐步成为特种车辆和高端乘用车的热门选择。这种驱动架构下，左右车轮完全由独立的电机驱动，取消了传统的机械差速器，通过电子控制实现扭矩分配。我在参与某款全地形车研发时，首次接触到这种颠覆性的驱动形式。

与传统车辆相比，双侧独立驱动最显著的特点在于：转向时不再依赖方向盘与车轮的机械连接，而是通过左右轮速差主动生成转向力矩。这种"线控转向"（Steer-by-Wire）模式带来了革命性的控制自由度，但也对控制算法提出了严苛要求——需要实时协调两侧电机输出，同时保证转向平顺性和车身稳定性。

2. 系统建模基础框架

2.1 车辆动力学模型搭建

在Simulink中构建的七自由度整车模型包含：

• 纵向/横向/横摆运动（3自由度）
• 四个车轮的旋转运动（4自由度）
• 魔术公式轮胎模型（Pacejka 96）

关键参数设置示例：

matlab复制m = 1850;       % 整车质量(kg)
Iz = 3500;      % 横摆转动惯量(kg·m²)
lf = 1.2;       % 前轴到质心距离(m)
lr = 1.5;       % 后轴到质心距离(m)
Caf = 65000;    % 前轮侧偏刚度(N/rad)
Car = 68000;    % 后轮侧偏刚度(N/rad)

注意：轮胎非线性特性对转向精度影响显著，建议通过台架试验获取实际轮胎参数，而非直接使用文献值。

2.2 电机及逆变器建模

采用场定向控制（FOC）的永磁同步电机模型，关键控制环参数：

• 电流环带宽：500Hz
• 速度环带宽：50Hz
• 扭矩响应时间：<10ms

逆变器采用平均值模型简化计算，考虑以下非线性因素：

• 死区时间补偿
• 导通压降
• 开关损耗等效电阻

3. 转向控制算法设计

3.1 分层控制架构

采用经典的三层控制结构：

1. 上层：转向决策层

   • 输入：方向盘转角、车速
   • 输出：目标横摆角速度
   • 算法：模型预测控制(MPC)

2. 中层：扭矩分配层

   • 输入：目标横摆力矩
   • 输出：各轮目标扭矩
   • 算法：最优能量分配算法

3. 底层：电机执行层

   • 输入：目标扭矩
   • 输出：PWM占空比
   • 算法：空间矢量调制(SVPWM)

3.2 MPC控制器实现

建立预测模型：

code复制x(k+1) = A·x(k) + B·u(k)
y(k) = C·x(k)

其中状态变量x包含：

• 纵向速度
• 横向速度
• 横摆角速度
• 车轮转速

代价函数设计：

matlab复制function J = costFunction(U,x_ref,delta_u)
    R = diag([0.1 0.1 0.01]);  % 控制量权重
    Q = diag([10 5 2]);        % 状态量权重
    J = 0;
    for k = 1:N
        J = J + (x_k-x_ref)'*Q*(x_k-x_ref) + U'*R*U;
    end
end

4. Simulink实现细节

4.1 关键子系统配置

1. 转向决策模块

matlab复制function [gamma_ref, beta_ref] = fcn(steer_angle, vx)
    % 理想横摆角速度计算
    L = lf + lr;
    K = m*(lf*Car-lr*Caf)/(L*Caf*Car);
    gamma_ref = vx/(L + K*vx^2)*steer_angle;
    beta_ref = (lr - lf*m*vx^2/(L*Caf))/(L + K*vx^2)*steer_angle;
end

2. 扭矩分配模块
   采用二次规划求解：

matlab复制options = optimoptions('quadprog','Algorithm','interior-point-convex');
[T1, T2] = quadprog(H,f,A,b,Aeq,beq,lb,ub,[],options);

4.2 仿真参数设置

5. 典型工况验证

5.1 阶跃转向测试

设置条件：

• 初始速度：80km/h
• 方向盘阶跃输入：90度
• 路面附着系数：0.85

关键指标对比：

5.2 低附着路面测试

冰雪路面（μ=0.3）双移线工况下，通过引入滑模观测器实现轮胎力估计：

code复制λ_hat = (1/tau)*saturate((y-y_hat)/phi);

其中τ为观测器时间常数，φ为边界层厚度。

6. 工程实践中的挑战

6.1 延迟补偿策略

实测发现从控制指令到实际扭矩输出存在约30ms延迟，采用Smith预估器补偿：

code复制G_delay = exp(-0.03*s);
G_comp = G_plant*(1-G_delay);

6.2 硬件在环验证

搭建dSPACE SCALEXIO系统进行HIL测试时，发现两个关键问题：

1. CAN通信抖动导致扭矩指令跳变
   • 解决方案：增加一阶低通滤波，截止频率50Hz
2. 电机参数温漂影响控制精度
   • 解决方案：在线参数辨识算法

7. 模型优化技巧

1. 加速仿真速度

   • 将魔术公式轮胎模型替换为查找表
   • 使用Simulink Accelerator模式
   • 对S函数进行代码优化

2. 提高建模精度

   • 考虑传动轴柔性（增加扭转自由度）
   • 引入路面不平度激励
   • 添加电机温度影响模型

3. 参数调试建议

   • 先调稳速度环再调电流环
   • MPC的预测时域从5步开始逐步增加
   • 权重系数采用对数尺度扫描

在实际项目中，我们通过这套建模方法将转向overshoot降低了62%，同时能耗优化了15%。这种控制架构特别适合需要高机动性的特种车辆，后续可进一步探索与主动悬架的协同控制。