下载文档原格式
《AMT车辆起步模糊控制及其执行机构特性研究》篇一一、引言随着汽车工业的快速发展，自动机械式变速器（AMT）技术因其高效率、低成本和良好的动力性能而受到广泛关注。
AMT车辆起步控制是车辆行驶过程中的关键环节，其控制策略的优劣直接关系到车辆的驾驶性能和乘坐舒适性。
因此，对AMT车辆起步模糊控制及其执行机构特性的研究显得尤为重要。
二、AMT车辆起步模糊控制1. 模糊控制理论概述模糊控制是一种基于模糊数学理论的控制方法，通过模拟人的模糊思维和决策过程，对系统进行非线性、非精确的描述和控制。
在AMT车辆起步过程中，由于各种因素的复杂性，如发动机输出转矩的波动、路面状况的不确定性等，使得传统的控制方法难以达到理想的控制效果。
而模糊控制能够根据实际情况进行智能决策，具有较好的鲁棒性和适应性。
2. 模糊控制策略设计AMT车辆起步模糊控制策略主要包括输入量的模糊化、模糊规则的制定、模糊推理及解模糊化等步骤。
根据AMT车辆的实际情况，选择合适的输入量如油门开度、车速、发动机转速等，并对其进行模糊化处理。
接着，制定模糊规则，根据不同工况下的车辆行驶情况，制定相应的起步策略。
最后，通过模糊推理及解模糊化，得到最佳的起步控制指令。
三、AMT车辆执行机构特性研究1. 执行机构概述AMT车辆的执行机构主要包括离合器执行机构和选换挡执行机构。
离合器执行机构负责控制离合器的接合与分离，选换挡执行机构则负责完成换挡操作。
这些执行机构的性能直接影响到AMT车辆的驾驶性能和乘坐舒适性。
2. 执行机构特性分析离合器执行机构在起步过程中需承受较大的摩擦力和冲击力，要求其具有较高的反应速度和准确性。
选换挡执行机构则要求具有较高的定位精度和换挡速度。
通过对AMT车辆执行机构的特性进行分析，可以了解其工作原理和性能特点，为后续的优化设计和改进提供依据。
四、实验研究及结果分析1. 实验方法及步骤为验证AMT车辆起步模糊控制策略的有效性和执行机构的性能特点，进行了一系列实验研究。
自动控制与检 测汽车驾驶员自适应模糊PID 控制模型马 军1,贺岩松2,李兴泉2,徐中明2,张志飞2(1.株州齿轮有限责任公司,湖南株洲412008;2.重庆大学机械工程学院,重庆400030)Driver Model wit h Self -adjust ment Fuzzy PID Cont roller for VehiclesMA Jun 1,HE Yan -song 2,L I Xing -qu an 2,XU Zhong -ming 2,ZHANG Zhi -fei 2(1.Zhuzhou G ear Co.Ltd ,Zhuzhou 412008,China ;2.College of Mechanical Engineering ,Chongqing University ,Chongqing 400030,China ) 摘要:汽车动力学控制系统具有强非线性特性,在人-车-路闭环系统中采用基于传递函数的传统方法难以建立精确的驾驶员模型.在“预瞄最优曲率模型"的基础上,对驾驶员校正环节采用模糊PID 控制,对包括“魔术公式"轮胎模型在内的汽车模型,建立加速度反馈自适应模糊PID 控制驾驶员模型.该模型通过模糊控制器在线实时调整PID 的3个参数.仿真结果表明,所建立的自适应模糊PID 控制驾驶员模型很好地描述了驾驶员的方向控制行为,为人-车-路闭环系统的进一步研究和智能车辆自动驾驶控制提供了可行的途径.关键词:汽车;轮胎;驾驶员;模糊控制中图分类号:TP273;U461.6文献标识码:A文章编号:1001-2257(2007)02-0035-04收稿日期:2006-09-14基金项目:重庆市自然科学基金重点项目(CSTC ,2006BA6017)Abstract :Due to t he st rong nonlinear charac 2teristics of vehicle dynamic cont rol system ,it is general a hard work to have an accurate driver model ,if it is base on t he classic transfer f unction met hod ,for a driver -vehicle -road closed -loop system.A f uzzy PID co nt roller is int roduced to t he“preview optimal curvat ure model"for t he driver adjusting part ,wit h on line self -adjusting for 3PID factors.The feedback of t he driver model is based on acceleration of t he vehicle wit h “magic formula"tire model.The simulation result s show t he present model can describe t he driver ’s direc 2tional cont rol behavior well ,t hus providing a way for f urt her st udy o n driver -vehicle -road system and automatic vehicle system.K ey w ords :vehicle ;tire ;driver ;f uzzy logic con 2t rol0 引言在智能车辆的研究中,建立合适的驾驶员模型是人-车-路闭环系统研究的重要环节之一.通过驾驶员模型及时处理路况和车况的感知信息,并传给车辆的控制和执行机构以实现自动驾驶[1-2].同时,驾驶员模型还用于汽车某些性能测试中,能消除人的疲劳等主观因素的影响[3].驾驶员模型的广泛应用,引起了很多学者对其展开深入的研究.在传统控制理论的基础上,McRuer 等人做了不少飞机驾驶员模型的研究并将其推广到汽车上,但这些研究都忽略了驾驶员的前视作用;Reddy 等人提出了“最优预瞄闭环控制"驾驶员模型,考虑了驾驶员的前视作用;我国学者郭孔辉院士在此基础上提出了“预瞄最优曲率模型".随着神经网络、模糊控制等智能控制理论的发展,这些先进控制技术也逐渐被用于驾驶员模型上,Hiroshi 提出了3层前馈式神经网络驾驶员模型;Michel 等人将模糊控制与神经网络相结合,提出了模糊-神经网络驾驶员模型[4].1 汽车模型在建立汽车模型时,忽略转向系统的影响,直接以前轮转角为输入;忽略悬架的作用,认为汽车只在平行于地面的平面运动;汽车沿X 轴的前进速度u 视为不变,只考虑沿Y 轴的侧向运动与绕Z 轴的横摆运动.设m 为汽车质量, v 为汽车质心侧向加速度,u 为质心纵向速度,ω为横摆角速度,δ为方向盘转角,I Z 为汽车绕Z 轴的转动惯量,a ,b 分别为质心距前、后轴的距离,F y 1,F y 2为汽车前、后轮所受到的侧偏力.其车身二自由度动力学方程为[5]:m ( v +u ω)=F y 1cos δ+F y 2I Z ω=a F y 1co sδ-b F y 2(1)在计算轮胎侧偏力时,采用Pacejka 提出的“魔术公式"轮胎模型[6],它用一套形式相同的公式完整地表达轮胎纵向力、侧向力和回正力矩.假设汽车前进速度u 为定值,轮胎回正力矩相对又较小,故忽略纵向力和回正力矩.侧向力的表达式为:F y =D sin (Ca tan (B (α+S h )-E (B (α+S h )-a tan (B (α+S h )))))+S v (2)式中各系数由轮胎侧偏力随侧偏角的大小而变化的曲线所得,其中D 为曲线峰值因子,C 为形状因子,B 为刚度因子,E 为曲率因子,S h ,S v 分别为曲线的水平、垂直漂移,α为轮胎侧偏角.根据上述动力学方程,采用计算机仿真软件Matlab (Simulink ),建立包括车身二自由度模型和和4个“魔术公式"轮胎模型在内的汽车模型.2 自适应模糊PID 控制器设计2.1 自适应模糊PID 控制原理PID 控制具有原理简单、使用方便等优点,在工业生产过程中被大量采用.但常规PID 控制器不能在线整定参数,并且对于汽车这种非线性系统参数不易确定,难以得到预期的控制效果.模糊控制不需对被控对象精确地建模,对过程参数的变化不敏感,具有很强的鲁棒性.它根据人们的经验制定控制规则得出控制决策表,然后求出控制量的大小.但是模糊控制器只能取有限的控制等级,限制了控制精度的提高.自适应模糊PID 控制器以误差e 和误差变化率ec 作为输入,利用模糊控制规则在线对PID 参数进行修正.其原理如图1所示.图1 模糊PID 控制系统框图图1中,P ,I ,D 分别代表PID 控制器的3个参数,将控制量c 与输入量R 进行比较.这种设计思想是先找出PID 3个参数与误差e 和误差变化率ec 之间的模糊关系,在运行中通过不断检测e 和计算ec ,再根据模糊控制原理来对3个参数进行在线修正,以满足在不同e 和ec 时对控制器参数的不同要求,从而使被控对象具有良好的动、静态性能.在本文所建立的加速度反馈自适应模糊PID 控制驾驶员模型中,以理想的侧向加速度与车辆实际的侧向加速度之间的误差e 和误差变化率ec 为模糊控制器输入,方向盘转角(本文为前轮转角)c 为输出.2.2 PID 控制器PID 控制是将系统误差的比例-积分-微分进行线性组合构成的控制作用.PID 控制的传递函数为:G (s )=K p +K i /s +K d s(3)其中,K p ,K i ,K d 分别称为比例增益、积分增益和微分增益.K p 的作用是加快系统的响应速度,提高系统的调节精度;K i 的作用是消除系统的稳态误差;K d 的作用是在相应过程中抑制误差向任何方向变化,改善系统的动态特性.按上述规律手动调整驾驶员模型PID 控制器,得一组较好的初始调整参数为:K p =0.016,K i =01028,K d =0.0027.这将是以后模糊控制参数调整的基础.将式(3)转化为另一种等价的形式为[7]:U (t )=K p e (t )+1T ite (t )Θd t +T dd e (t )d t(4)其中,T i =K p /K i ,T d =K d /K p 分别称为积分时间常数和微分时间常数.积分时间常数由微分时间常数决定:T i =αT d(5)则积分增益为:K i =K p /(αT d )=K 2p /(αK d )(6)下面将根据误差e 和误差变化率ec 来在线实时模糊自整定参数K p ,K d 和α.2.3 模糊控制器[7]对PID 控制器中的参数K p ,K d 和α分别用3个模糊控制器进行在线实时自整定.模糊控制器的输入变量为理想的侧向加速度与车辆实际的侧向加速度之间的误差e 和误差变化率ec ,将其论域定义为[-6,6]上的离散整数集合{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}设在其论域上有7个语言变量值,{负大(NB ),负中(NM),负小(NS),零(ZO),正小(PS),正中(PM),正大(PB)}.3个模糊控制器的输出分别为K p,K d和α的调整值.其中K p,K d和α的论域定义为[0,1]上的离散整数集合.其中K p,K d有2个语言变量值,{大(B),小(S)},α有4个语言变量值,{大(B),中(M),中小(MS),小(S)}.根据理想的侧向加速度与车辆实际的侧向加速度之间的误差e和误差变化率ec的大小和方向,对PID的参数进行调节.PID参数的整定规则为:a.当|e|比较大时,为使系统具有较好的快速跟踪性能,应取较大的K p与较小的K d,同时为避免响应出现较大的超调,应对积分加以限制,通常取K i=0.b.当|e|处于中等大小时,为使系统响应具有较小的超调,K p应取得小些,K i和K d的大小要适中,以保证系统响应的速度,其中K d的取值对系统响应影响较大.c.当|e|较小时,为使系统具有较好的稳态性能,K p和K i均应取得大些,同时为避免系统振荡,并考虑系统的抗干扰性能,当|ec|比较小时,K p值要取大些,反之应取小些.按此调整规律,确定K p的模糊规则表,如表1所示.表1 K p控制规则NB NM NS ZO PS PM PB NB B B B B B B BNM S B B B B B SNS S S B B B S SZO S S S B S S SPS S S B B B S SPM S B B B B B SPB B B B B B B B 类似地可建立K d和α的控制规则表.3 自适应模糊PID控制驾驶员模型仿真分析 在“预瞄最优曲率加速度反馈驾驶员模型"的基础上,对包括“魔术公式"轮胎模型在内的汽车系统,建立自适应模糊PID控制驾驶员模型,其流程如图2所示.图2 自适应模糊PID控制驾驶员模型流程图2中V e为汽车模型,PID部分为PID控制器,FC部分为PID控制器的K p,K d和α3个参数自适应模糊控制调节器,FC和PID2部分一起构成自适应模糊PID控制驾驶员模型.该模型直接根据理想侧向加速度y1与实际车辆侧向加速度y2的误差作为输入,计算出相应的转向盘转动量(本文为前轮转角)对车辆进行控制.下面将对该模型进行仿真分析.仿真时以正弦道路为系统输入,频率和振幅按蛇形穿杆试验的要求来选取,并根据仿真结果对前视时间t和模糊控制器的参数进行调整.在车速为16m/s时,前视时间t调整为0.55s.侧向位移、侧向偏差、前轮转角和侧向加速度的仿真结果如图3所示.在侧向位移图上,虚线表示正弦道路的输入,即车辆的预期轨迹,实线为车辆的实际行驶轨迹.由图3可以看出稳定后各仿真曲线的变化范围,位移偏差为-0.2～0.2m,前轮转角为-0.05～图3 侧向位移、位移偏差、前轮转角和侧向加速度0.05rad ,侧向加速度为-0.4～0.4g ,仿真结果都在实际车辆测试所允许的范围内.这验证了所建立的模糊控制驾驶员模型的正确性.在开始时,因道路突然过渡到正弦形式,车辆和驾驶员有反应滞后,此时车辆行驶轨迹与预期轨迹有较大的差距,对过渡轨道作圆滑修正将能消除这个偏差.比例、积分、微分增益自调整曲线如图4所示.由图可见系统稳定后,比例增益K p 的变化范围在0.015～0.018之间,积分增益K i 的变化范围在010028～0.003之间,微分增益K d 的变化范围在0.026～0.029之间.通过模糊控制器的在线实时调整,这些参数在初始值的附近随误差及其变化率的变化而不断调整,并取得了很好的控制效果.图4 比例、积分、微分增益自调整曲线在人-车-路闭环系统仿真中还要注意仿真时间t 的选取,它应与车速恰当配合.不同前视时间t的侧向位移及偏差变化曲线如图5所示,在位移图图5 不同t 时的侧向位移及误差上虚线为车辆预期轨迹,实线为t =1.2s 时的车辆行驶轨迹,点画线为t =0.35s 时的轨迹.在位移偏差图上,实线为t =1.2s 时的侧向位移偏差(变化范围在-0.6～0.6之间,而在图3上t =0.55s 时位移偏差为-0.2～0.2),点画线为t =0.35s 时的侧向位移偏差.可见,随前视时间t 的增大,汽车行驶轨迹的误差也随之增大.若前视时间t 过小(t =0135s 时),系统将发生振荡甚至不稳.这符合汽车驾驶实际,即驾驶员驾车时视线不能太远也不能太近.4 结束语通过模糊控制器的作用,使PID 参数随着误差及误差变化率的变化在线自动调整.同时,本文还研究了不同的预瞄时间对仿真结果的影响,仿真时间过长,道路跟踪误差增大;过小则可能使系统发生振荡.仿真结果表明,所建立的模糊控制驾驶员模型很好地描述了驾驶员的方向控制行为,为人-车-路闭环系统的进一步研究提供了可行的途径,并可将其推广到自动驾驶的智能车辆上.参考文献:[1] Hisaoka Y J ,Masakiy ,Akio O.Closed -loop analysisof vehicle behavior during braking in a turn [J ].J SA EReview 1999,(20):537-542.[2] Michel P C Q ,Mary T.Fuzzylot :a novel self -organi 2zing f uzzy -neural rule -based pilot system for auto 2mated vehicles[J ].Neural Networks ,2001,(14):1099-1112.[3] Chewun H ,Tson W S.Fuzzy control strategy designfor an autopilot on automobile chassis dynamometer test stands[J ].Mechatronics ,1996,(6):537-555.[4] 李兴泉,贺岩松,徐中明,等.汽车方向控制驾驶员模型[J ].重庆大学学报(自然科学版),2006,29(4):8-11.[5] 余志生.汽车理论[M ].北京:机械工业出版社,2004.[6] Pacejka H B ,Bakker E.The magic formula tyre model[J ].Vehicle System Dynamics ,1992,(21):355-361.[7] 张国良.模糊控制及其Matlab 应用[M ].西安:西安交通大学出版社,2002.作者简介:马 军 (1968-),男,湖南常德人,硕士,研究方向为车辆动力学、生产管理.。
基于模糊控制的车辆自适应巡航研究及仿真设计了一种基于模糊控制理论的车辆自适应巡航双输入单输出控制器，系统综合考虑了自车与前车之间的车距、车速、加速度等因素，并利用遗传算法优化模糊控制隶属度函数与控制规则。
在此基础上，通过simulink进行仿真，仿真结果表明，本文设计的系统能有效进行速度与车距控制，且驾乘性能良好。
标签：自适应巡航；模糊控制；遗传算法0 引言近年来，中国已成为全球最大的汽车产销国，而随着汽车保有量的增加，道路拥挤，交通事故频发等问题也日益突出，汽车的安全性正日益受到汽车厂商和消费者的关注。
自适应巡航控制（简称ACC）系统是在定速巡航控制（简称CC）系统的基础上研发的新一代汽车主动安全辅助驾驶系统[1]。
ACC系统不仅继承了CC系统的功能，还能够根据车辆当前行驶状况与道路环境变化，实时控制自车与前车之间的相对车距和相对速度以匹配车流[2]，有效地减轻了驾驶员在驾驶过程中的操作负担，提高了道路的交通流量，改善了车辆行驶的舒适性和主动安全性。
ACC系统非常实用，且有着广阔的市场前景，但是目前市场上的ACC产品主要由国外厂商研制生产，国内对相关技术研发比较滞后，因此进行有关于ACC 系统的研究是很有必要的。
1 基于模糊控制的ACC设计本文设计的ACC系统采用分层控制，上层控制器采用模糊控制，将自车与前车的车速、车距等信息作为输入，由模糊控制器换算出期望加速度。
下层控制器将该期望加速度作为输入，结合下层车辆动力学系统进行节气门开度和制动压力控制，使汽车的实际加速度达到期望加速度[3]。
同时，系统主要适用于车辆在高速及一级公路行驶路况，速度限制60～120km/h，根据相关国家标准[4]，将最大减速度设置为-3m/s2，最大加速度设置为2m/s2。
根据文献[5]的研究，同一车道中前后两车行进时，若自车速度大于前车速度，则自车减速至与前车速度相等时，自车不会追尾前车。
基于车辆制动过程模型，以两车行进中的临界安全车距作为理论安全车距：（1）其中：t1为驾驶员反映及制动协调时间，取t1=1.15s；t2为制动力增加时间，取t2=0.5s；L为两车安全停车距离，取L=5m（1）模糊控制器采用双输入单输出模式，输入变量为期望车距与实时车距的偏差（符号P1，取-200～200m）与自车与前车的速度差（符号P2，取-16.67～16.67m/s），输入变量为自车期望加速度（符号Q，取-3～2m/s2）。
第42卷第4期兵工学报Vol.42No.4 2021年4月ACTA ARMAMENTARII Apr.2021基于遗传算法优化和模糊控制动态优化的自动变速器换挡规律设计高子茵，杜明刚，李慎龙，李晋（中国北方车辆研究所车辆传动重点实验室，北京100072）摘要：为提高轻型越野战术车辆的整车动力性，针对车辆的自动变速器换挡规律进行优化设计。
依据MATLAB/Simulink的仿真环境,构建基于车速和油门开度双参数换挡规律的整车动力模型。
以双参数换挡规律的换挡点为优化对象，采用遗传算法对换挡点进行优化。
根据加速度参数能反映车辆纵向动态的特性，引入加速度，采用模糊控制算法对换挡规律进行动态优化设计，构建三参数的模糊控制器。
通过仿真模型和实车试验来验证换挡规律优化前后对车辆动力性的影响。
结果表明：优化后的控制策略可有效提升车辆的动力性能，能够更加合理分配在动力需求下的发动机和挡位的使用工况，完全满足轻型越野战术车辆复杂路况下对动力性的需求。
关键词：轻型越野战术车辆；自动变速器；换挡规律；遗传算法优化；模糊控制优化中图分类号：TJ810.3+21文献标志码：A文章编号：1000-1093（2021）04-0684-13DOI:10.3969/j.issn.1000-1093.2021.04.002Design of Shifting Rules of Automatic Transmission Based on GeneticAlgorithm Optimization and Fuzzy Control Dynamic OptimizationGAO Ziyin,DU Minggang,LI Shenlong,LI Jin（Science and Technology on Vehicle Transmission Laboratory,China North Vehicle Research Institute,Beijing100072,China）Abstract:The design of shifting rules of vehicle automatic transmission is optimized to improve the overall dynamics of light military wheeled vehicles.According to the simulation environment of MATLAB/ Simulink,a vehicle dynamic model based on the two-parameter shifting rule of vehicle speed and throttle opening is constructed.Taking the shift point of the two-parameter shifting rule as the optimization object, the genetic algorithm is used to optimize the shift point.According to the characteristics of that the acceleration parameters can reflect the longitudinal dynamics of vehicle,the acceleration is introduced,and the fuzzy control algorithm is used to dynamically optimize the design of shifting rule,and a three-parameter fuzzy controller is constructed.The simulation model and real vehicle test were used to verify the influence of the shifting rule on vehicle dynamics before and after optimization.The results show that the optimized control strategy can effectively improve the vehicle's dynamic performance,more reasonably allocate the operating conditions of the engine and gear under the power demand,and effectively meet the power demand of military wheeled vehicles under complex road conditions.收稿日期：2020-05-02基金项目：武器装备预先研究项目（2016年）作者简介：高子茵（1993—）,女，助理工程师。
基于模糊控制的汽车自动驾驶技术研究第一章绪论在现代社会中，汽车已经成为了人们日常生活中不可或缺的交通工具。
然而，随着车流量的不断增加，交通事故频发，车辆管理和交通管制日趋复杂，对驾驶员的驾驶技术和反应能力提出了更高的要求。
因此，汽车自动驾驶技术应运而生。
汽车自动驾驶技术是指利用计算机、传感器等技术，通过对车辆周围环境的感知和判断，实现车辆自主驾驶。
在不同的自动驾驶技术中，基于模糊控制的汽车自动驾驶技术因其简单易实现、适应性较强等优点而备受关注。
本文将对基于模糊控制的汽车自动驾驶技术进行研究与探讨。
第二章模糊控制概述2.1 模糊控制基本原理模糊控制是一种基于模糊逻辑的控制方法，其控制规则的描述是非精确的，其适用于问题模糊或难以形式化描述的情况下。
模糊控制系统包括输入、输出、规则库、模糊推理和解模糊器等五部分。
输入部分包括传感器等感知器件，输出部分包括执行器等执行器件，规则库为模糊控制系统提供了控制规则，模糊推理是根据规则库来进行推理，解模糊器将模糊输出转换为实际输出。
2.2 模糊控制在自动驾驶中的应用模糊控制在自动驾驶领域应用广泛，其能够实现车辆的路径规划、速度控制、车距控制等功能。
在本文研究的汽车自动驾驶技术中，基于模糊控制的方案主要包括以下四个方面：①路径规划：通过感知器件获取车辆周围的交通信息和道路状况，结合车辆自身状态和用户需求，利用模糊逻辑进行路径规划，并通过控制执行器来实现车辆的转向。
②速度控制：通过感知器件获取车辆历史运动信息和周围环境信息，结合车辆自身状态和用户需求，利用模糊逻辑进行速度控制，并通过控制执行器来实现车辆的加减速操作。
③车距控制：通过感知器件获取前方车辆的运动信息，利用模糊逻辑计算出车辆与前车的安全距离，并通过控制执行器来实现车辆的跟车操作。
④避障控制：通过感知器件获取车辆周围的障碍物信息，利用模糊逻辑进行避障规划，并通过控制执行器来实现车辆的转向。
第三章基于模糊控制的汽车自动驾驶系统实现3.1 系统架构基于模糊控制的汽车自动驾驶系统主要由以下三个部分构成：①车载感知系统：通过车载传感器实时感知车辆周围的交通和环境信息，并将感知结果传输给后续的控制模块。
自适应模糊控制几个基本问题的研究进展谢振华 程江涛 耿昌茂(海军航空工程学院青岛分院航空军械系 青岛 266041 )周德云(西北工业大学 西安 710072 )[摘要] 综述了模糊控制系统的稳定性分析、系统设计及系统性能提高三个基本问题的研究 ,简述了应用研究 ,最后对自适应模糊控制的理论和应用进行了展望。
关键词 模糊控制 自适应控制 鲁棒性 稳定性1 引言自从 L. A. Zadeh提出模糊集合论以来 ,基于该理论形成一门新的模糊系统理论学科 ,在控制、信号处理、模式识别、通信等领域得到了广泛的应用。
近年来 ,有关模糊控制理论及应用研究引起了学术界的极大兴趣 ,取得了一系列成功的应用和理论成果 ,与早期的模糊控制理论和应用相比有了很大的发展。
模糊控制理论成为智能控制理论的一个重要分支。
一般来讲 ,模糊控制理论研究的核心问题在于如何解决模糊控制中关于稳定性和鲁棒性分析、系统的设计方法 (包括规则的获取和优化、隶属函数的选取等 )、控制系统的性能 (稳态精度、抖动及积分饱和度等 )的提高等问题 ,这己成为模糊控制研究中的几个公认的基本问题。
其中 ,稳定性和鲁棒性问题的研究最为热烈 ,从早期基于模糊控制器的“多值继电器”等价模型的描述函数分析法 ,扩展到相平面法、关系矩阵分析法、圆判据、L yapunov稳定性理论、超稳定理论、基于滑模控制器的比较法、模糊穴 -穴映射及数值稳定性分析方法等非线性理论方法。
设计方法的研究也倍受关注 ,主要表现在对规则的在线学习和优化、隶属函数参数的优化修正等应用了多种思想 ,如最优控制的二次型性能指标、自适应、神经网络、遗传算法等思想。
稳态性能的改善一直是模糊控制学者所关注。
围绕上述几个基本问题 ,出现了多变量模糊控制[1 ,2 ] 、模糊神经网络技术 [3 ] 、神经模糊技术 [4 ] 、自适应模糊控制 [5] 、模糊系统辨识[6 ] 等热点研究领域。
在模糊控制理论与应用方面 ,日本学者取得了很大的成就[7] ,我国学者在这方面也付出了不懈的努力 ,并取得了许多重要的成果。
基于工况的PHEV模糊自适应控制策略研究随着社会的不断发展，汽车成为人们生活必需品之一。
但是传统的汽车使用燃油驱动，也就意味着它们存在着环境污染和能源浪费等问题。
因此，电动汽车越来越受到人们的关注和青睐。
其中，插电式混合动力车（PHEV）作为一种新型的汽车技术和能源利用方式，因其拥有卓越的动力性和低污染的特点，越来越受到人们的关注和重视。
然而，PHEV的控制策略不仅需要实现高效的能量管理和动力分配，还需要灵活的适应多样的路况和驾驶操作工况。
在此背景下，模糊自适应控制策略成为了一种新的解决方案。
基于工况的PHEV模糊自适应控制策略需要考虑到车辆行驶的实际情况，如路面坡度、路面摩擦系数、驾驶员行为等。
在这样多变的情况下，模糊自适应控制策略可以通过模糊控制理论中的模糊综合和模糊推理等方法，实现对PHEV的动力分配和能量管理的精准控制。
对于PHEV的动力分配，模糊自适应控制策略可以综合考虑发动机和电动机的功率输出，考虑到路况和驾驶工况的因素，进行精准的优化，以达到节能减排和提高车辆性能的目的。
同时，该策略还可以实现对电池的充电和放电控制，以保证PHEV能够在各种情况下保持最佳的使用状态。
对于能量管理方面，模糊自适应控制策略可以根据路况和驾驶操作工况等因素，对电池的电量进行精准的控制。
通过传感器和控制算法，对PHEV进行实时监测，确保它在不同的行驶情况下保持最佳的能量利用效率，实现对电池的智能控制，降低了能量消耗和排放。
综上所述，基于工况的PHEV模糊自适应控制策略可以实现对PHEV的精准控制，提高其动力性和能效性，在多样化路况和驾驶工况下具有良好的适应性和鲁棒性。
因此，在未来的发展中，该策略将成为PHEV控制领域中的一个重要研究方向。
由于PHEV技术本身的复杂性和多变性，以及前沿技术的不断更新，PHEV模糊自适应控制策略的研究仍然存在一些挑战。
其中最主要的挑战是如何在不同驾驶模式下实现动力管理和能量消耗的最优化。
