基于参数估计的再生制动控制方法、存储介质及汽车

1.本发明涉及再生制动领域，更具体地，涉及基于参数估计的再生制动控制方法、存储介质及汽车。


背景技术：

2.再生制动亦称反馈制动，是一种使用在电动车辆上的制动技术。在制动时把车辆的动能转化及储存起来；而不是变成无用的热。再生制动在制动工况将电动机切换成发电机运转，利用车的惯性带动电动机转子旋转而产生反转力矩，将一部分的动能或势能转化为电能并加以储存或利用，因此这是一个能量回收的过程。再生制动被广泛应用于纯电动车、混合动力汽车、铁路机车车辆上。
3.其中，现有一种基于dqn算法的混合动力汽车再生制动控制方法，实现对混合动力汽车制动过程中能量回收以及制动稳定性的多目标优化，从而能够使得混合动力汽车的再生制动分配合理，从而有效提升混合动力汽车能量回收效率以及制动的稳定性。
4.但是关于汽车再生制动，如上述的方法中也是需要获得汽车的一些参数，而再生制动是发生在行驶过程中，若是如上述的方法中大部分的参数只是汽车固有状态下的参数，而少有考虑汽车行驶过程的情况变化，这样对于依赖于汽车状态进行车辆再生制动控制系统的控制效果就有所不足。


技术实现要素：

5.本发明为克服上述现有技术中的问题，提供基于参数估计的再生制动控制方法、存储介质及汽车，实时获取到车辆行驶过程的信息，提高车辆再生制动系统的控制效果。
6.为解决上述技术问题，本发明采用的技术方案是：基于参数估计的再生制动控制方法，具体包括以下步骤：
7.步骤一：获取整车的结构参数以及利用传感器获取车辆行驶过程中的参数；
8.步骤二：通过获取车辆行驶过程中的参数构建考虑估计参数的车辆模型；
9.步骤三：构建参数估计器，提供一个精确的参数估计值；
10.步骤四：构建能量回收优化模型和转矩分配模型，获得轮上不同的转速和不同的再生制动总转矩需求下双电机装置效率最高时所对应的双电机再生制动的计算系数；
11.步骤五：根据整车的结构参数和参数估计值、ece制动安全法规以及理想制动分配曲线计算制动安全区域，根据计算系数和制动安全区域生成再生制动策略，以获得使得再生制动能量回收效率最高的再生制动策略。实际结构参数就是车辆固有状态下的参数。
12.制动力分配计算过程中需要用到的车辆行驶参数，如车辆质量和道路坡度等。这些参数受行驶工况的变化而变化，如整车质量受乘客、装载货物的影响，不同的道路坡度也可能发生变化。这些参数直接影响制动力分配的计算，本方案在进行制动力分配前引入参数估计，以提高制动分配计算依赖参数的准确性，提高车辆再生制动系统的控制效果。
13.优选的，步骤四具体为：
14.s4.1：转矩分配模型包括双电机效率优化模型和双轴驱动双电机损耗模型；建立双电机效率优化模型，给出待优化变量；
15.s4.2：待优化变量结合单电机的损耗模型，建立双轴驱动双电机损耗模型；
16.s4.3:电机在发电状态下的效率，对给定的转速ω与te，电机的发电效率与损耗成线性相关，通过降低电机的损耗功率来提高发电效率，从而提高能量回收效率。将双电机的总损耗对前轴电机转矩分配系数求导，当导数为零求得极值点时，也就是dp
l
/d
α
＝0，可得双电机系统最小损耗时的转矩分配系数，所述转矩分配系数即为计算系数。
17.优选的，能量回收优化模型和双电机效率优化模型分别具体如下：
[0018][0019]
式中，ω1、ω2分别为前后电机的电气角速度；p为前后电机的极对数；te1、te2分别为前后轴电机制动力矩；
ɑ
为前轴电机转矩分配系数；p
l1
、p
l2
分别为前后电机损耗功率；maxη
sys
为双电机利用效率最大值，同时也是制动能量回收最大值；te为总再生制动力矩；
[0020]
双轴驱动双电机损耗模型具体如下：
[0021][0022]
式中，p
l
为双电机总损耗；r
a1
、r
a2
分别为前后电机的定子绕组相电阻；ψ
f1
、ψ
f2
分别为前后电机永磁体产生的磁链；r
c1
、r
c2
分别为前后电机等效铁阻；l1与l2与分别为前后电机电感；i
wd1
、i
wd2
分别为前后电机定子d轴的有功分量值；k
f1
为后电机摩擦阻力系数；k
f2
为后电机摩擦阻力系数。
[0023]
优选的，步骤四具体为：
[0024]
定义双电机利用效率为：
[0025][0026]
式中，η
sys
为双电机利用效率；t
e1
与t
e2
分别为前后电机转矩；n1与n2分别为前后电机转速；η
e1
为前电机在转矩t
e1
，转速n1处的效率；η
e2
为后电机在转矩t
e2
，转速n2处的效率；
[0027]
建立能量回收优化模型和转矩分配模型如下，其中能量回收优化模型为双轴驱动最优制动能量回收模型
[0028][0029]
式中：α为前轴电机转矩分配系数；te为总再生制动力矩；t
e1max
(n1)是前电机在转速为n1时能够输出的最大转矩；t
e2max
(n2)是后电机在转速为n2时能够输出的最大转矩；α
l
为α取值的下界，αu为α取值的上界；
[0030]
根据前后电机的map图来计算不同轮上转速和不同轮上再生制动转矩需要所对应的前轮再生制动力矩占总再生制动力矩的比例，所述比例系数使得前后电机系统的利用效率最高。
[0031]
优选的，在步骤五中，在制动力的计算过程中，车辆满足纵向动力学模型：
[0032][0033]
式中，fw为空气阻力，cd为空气阻力系数；a为迎风面积，v为车速；t1、t2为前后轮的滚动阻力偶矩；m为车辆质量；δ为汽车旋转质量换算系数，θ为坡道的倾斜角；r为车轮滚动半径；f
xb1
前轴制动力、f
xb2
为后轴制动力；
[0034]
理想制动力曲线具体为汽车制动力沿i曲线分配时，前轮制动力与后轮制动力满足以下关系：
[0035][0036]
式中，f
xb1
前轴制动力，f
xb2
为后轴制动力，f
xb1
和f
xb2
通过以车辆质量作为参数估计值代入纵向动力学模型中获得；l为轴距；hg为质心高度；b为质心到后轴的距离；g为重力加速度；
[0037]
ece制动安全法规对制动力强度阈值的范围进行限定，并得到前后制动力关系：
[0038][0039]
ece制动安全法规和理想制动力曲线所形成的范围就是安全制动区域。
[0040]
优选的，设定第一制动力强度阈值和第二制动力强度阈值，再生制动策略具体如下：
[0041]
当实际制动力强度小于等于第一制动力强度阈值，前后轮制动力分配关系如下：
[0042][0043]
式中，f
bf1
和f
bf2
分别为前轴液压制动力与后轴液压制动力；
[0044]
当实际制动力强度大于第一制动力阈值小于第二制动力阈值，制动力分配关系如下：
[0045][0046]
式中，f
fi
为按i线分配的前轴制动力；f
ri
为按i线分配的后轴制动力；i为传动比；(f
e1
*η
e1
+f
e2
*η
e2
)*η1*η3/i≤t
bat
，t
bat
为蓄电池组所允许的最大充电转矩，能量回收时给电池充电提供的转矩要小于电池能够承担的转矩；η1为机械传动效率；η3为电池的充电效率；
[0047]
当实际制动力强度大于等于第二制动力阈值，制动力分配关系如下：
[0048][0049]
式中，z为制动力强度hg为质心高度；l为轴距。
[0050]
优选的，在步骤二中，根据需要估计的参数建立对应的车辆纵向运动学模型或纵向动力学模型。
[0051]
优选的，在步骤三中，参数估计器可以是基于训练好的神经网络、扩展卡尔曼滤波器或自适应卡尔曼滤波器。
[0052]
一种存储介质，存储有计算机程序，当所述计算机程序被处理器读取并运行时，实现上述的基于参数估计的再生制动控制方法。
[0053]
一种汽车，包括制动系统，所述制动系统进行再生制动时，按照上述的基于参数估计的再生制动控制方法执行。
[0054]
与现有技术相比，本发明的有益效果是：本发明在进行制动力分配前引入参数估计，以提高制动分配计算依赖参数的准确性，提高车辆再生制动系统的控制效果用以提高能量回收效率。
附图说明
[0055]
图1是本发明基于参数估计的再生制动控制方法的流程图；
[0056]
图2是ece法规轿车制动力分配图；
[0057]
图3是制动安全区域图。
具体实施方式
[0058]
附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例。
[0059]
下面通过具体实施例，并结合附图，对本发明的技术方案作进一步的具体描述：
[0060]
实施例1
[0061]
如图1所示为基于参数估计的再生制动控制方法的实施例，具体包括以下步骤：
[0062]
步骤一：获取整车的结构参数以及利用传感器获取车辆行驶过程中的参数；
[0063]
步骤二：通过获取车辆行驶过程中的参数构建考虑估计参数的车辆模型；
[0064]
步骤三：构建参数估计器，提供一个精确的参数估计值；
[0065]
步骤四：构建能量回收优化模型和转矩分配模型，获得轮上不同的转速和不同的再生制动总转矩需求下双电机装置效率最高时所对应的双电机再生制动的转矩分配系数；具体流程为：
[0066]
s4.1：转矩分配模型包括双电机效率优化模型和双轴驱动双电机损耗模型；建立双电机效率优化模型，给出待优化变量；
[0067]
s4.2：待优化变量结合单电机的损耗模型，建立双轴驱动双电机损耗模型；
[0068]
s4.3:电机在发电状态下的效率，对给定的转速ω与te，电机的发电效率与损耗成线性相关，通过降低电机的损耗功率来提高发电效率，从而提高能量回收效率。令dp
l2
/d
α
＝0，可得双电机系统最小损耗时的转矩分配系数，所述转矩分配系数即为计算系数。
[0069]
优选的，能量回收优化模型和双电机效率优化模型分别具体如下：
[0070][0071][0072]
式中，ω1、ω2分别为前后电机的电气角速度；p为前后电机的极对数；te1、te2分别为前后轴电机制动力矩；
ɑ
为前轴电机转矩分配系数；p
l1
、p
l2
分别为前后电机损耗功率；maxη
sys
为双电机利用效率最大值，同时也是制动能量回收最大值；te为总再生制动力矩；
[0073]
轴驱动双电机损耗模型具体如下：
[0074][0075]
式中，p
l
为双电机总损耗；r
a1
、r
a2
分别为前后电机的定子绕组相电阻；ψ
f1
、ψ
f2
分别为前后电机永磁体产生的磁链；r
c1
、r
c2
分别为前后电机等效铁阻；l1与l2与分别为前后电机电感；i
wd1
、i
wd2
分别为前后电机定子d轴的有功分量值；k
f1
为后电机摩擦阻力系数；k
f2
为后电机摩擦阻力系数。
[0076]
步骤五：根据整车的结构参数和参数估计值、ece制动安全法规以及理想制动分配曲线计算制动安全区域，根据计算系数和制动安全区域生成再生制动策略，以获得使得再
生制动能量回收效率最高的再生制动策略。在制动力的计算过程中，车辆满足纵向动力学模型：
[0077][0078]
式中，fw为空气阻力，cd为空气阻力系数；a为迎风面积，，v为车速；t1、t2为前后轮的滚动阻力偶矩；m为车辆质量；δ为汽车旋转质量换算系数，θ为坡道的倾斜角；r为车轮滚动半径；f
xb1
前轴制动力、f
xb2
为后轴制动力。
[0079]
理想制动力曲线具体为汽车制动力沿i曲线分配时，前轮制动力与后轮制动力满足以下关系：
[0080][0081]
式中，f
xb1
前轴制动力，f
xb2
为后轴制动力，f
xb1
和f
xb2
通过以车辆质量作为参数估计值代入纵向动力学模型中获得；l为轴距；hg为质心高度；b为质心到后轴的距离；g为重力加速度；
[0082]
为保证制动方向稳定性及制动效率。ece法规对轿车制动规定如图2所示。对于z＝0.2～0.8之间的各种车辆，利用附着系数应满足φ≤(z+0.07)/0.85，制动力强度z＝0.3～0.4之间，后轴利用附着系数曲线不超过直线φ＝z+0.05时，后轴利用附着系数可以高出前轴。
[0083]
根据ece法规对轿车的制动力分配规定可得z＝0.2～0.8时，并得到前后制动力关系：
[0084][0085]
z≤0.2，法规没有做出严格规定，且实际行驶过程中，附着系数在0.5以上的路面较为常见，所以当制动力强度为0.2时，车轮抱死的可能性比较小。故本实施例设制动力强度不超过0.2时，允许后轴利用附着系数高于前轴。综上所述，得到的安全制动区域为图3中加粗黑线所围区域oabcdefo。a、b、e、f点分别为z＝0.2的等制动力分配线与y轴、i线、ece法规下边界线、x轴的交点，c与d点分别是φ＝0.8的f线与i曲线及ece法规下边界线的交点。
[0086]
安全制动区域的计算与现有技术的安全制动区域的计算一致，区别在于现有技术中的前轴制动力和后轴制动力为默认已知值，而本实施例中的前轴制动力和后轴制动力为通过以车辆质量作为参数估计值代入纵向动力学模型中获得计算值。由于默认的已知值并非车辆的实际值，而计算值则是根据车辆当前情况计算的估计值，比默认的已知值更加准确。
[0087]
设定第一制动力强度阈值和第二制动力强度阈值，本实施例中，第一制动力强度阈值和第二制动力强度阈值分别为0.2和0.5，当实际制动力强度小于等于第一制动力强度阈值，前后轮制动力分配关系如下：
[0088][0089]
式中，f
bf1
和f
bf2
分别为前轴液压制动力与后轴液压制动力；
[0090]
当实际制动力强度大于第一制动力阈值小于第二制动力阈值，制动力分配关系如下：
[0091][0092]
式中，f
fi
为按i线分配的前轴制动力；f
ri
为按i线分配的后轴制动力；i为传动比；(f
e1
*η
e1
+f
e2
*η
e2
)*η1*η3/i≤t
bat
，t
bat
为蓄电池组所允许的最大充电转矩；
[0093]
当实际制动力强度大于等于第二制动力阈值，制动力分配关系如下：
[0094][0095]
式中，z为制动力强度；hg为质心高度；l为轴距。
[0096]
本实施例的工作原理或工作流程：制动力分配计算过程中需要用到的车辆行驶参数，如车辆质量和道路坡度等。这些参数受行驶工况的变化而变化，如整车质量受乘客、装载货物的影响，不同的道路坡度也可能发生变化。这些参数直接影响制动力分配的计算，本方案在进行制动力分配前引入参数估计，以提高制动分配计算依赖参数的准确性，提高车辆再生制动系统的控制效果。
[0097]
本实施例的有益效果：本发明在进行制动力分配前引入参数估计，以提高制动分配计算依赖参数的准确性，提高车辆再生制动系统的控制效果用以提高能量回收效率。
[0098]
实施例2
[0099]
如图1所示为基于参数估计的再生制动控制方法的实施例2，具体包括以下步骤：
[0100]
步骤一：获取整车的结构参数以及利用传感器获取车辆行驶过程中的参数；
[0101]
步骤二：通过获取车辆行驶过程中的参数构建考虑估计参数的车辆模型；
[0102]
步骤三：构建参数估计器，提供一个精确的参数估计值；
[0103]
步骤四：构建能量回收优化模型和转矩分配模型，获得轮上不同的转速和不同的再生制动总转矩需求下双电机装置效率最高时所对应的不同轮上转速和不同轮上再生制动转矩需要所对应的前轮再生制动力矩占总再生制动力矩的比例系数；具体流程为：
[0104]
定义双电机利用效率为：
[0105][0106]
式中，η
sys
为双电机利用效率；t
e1
与t
e2
分别为前后电机转矩；n1与n2分别为前后电机转速；η
e1
为前电机在转矩t
e1
，转速n1处的效率；η
e2
为后电机在转矩t
e2
，转速n2处的效率；
[0107]
建立能量回收优化模型和转矩分配模型如下，其中能量回收优化模型为双轴驱动最优制动能量回收模型，
[0108][0109]
式中：α为前轴电机转矩分配系数；te为总再生制动力矩；t
e1max
(n1)是前电机在转速为n1时能够输出的最大转矩；t
e2max
(n2)是后电机在转速为n2时能够输出的最大转矩；α
l
为α取值的下界，αu为α取值的上界；
[0110]
根据前后电机的map图来计算不同轮上转速和不同轮上再生制动转矩需要所对应的前轮再生制动力矩占总再生制动力矩的比例系数，该比例系数使得前后电机系统的利用效率最高。
[0111]
步骤五：根据整车的结构参数和参数估计值、ece制动安全法规以及理想制动分配曲线计算制动安全区域，制动安全区域和实施例1一致。根据计算系数和制动安全区域生成再生制动策略，以获得使得再生制动能量回收效率最高的再生制动策略。设定第一制动力强度阈值和第二制动力强度阈值，本实施例中，再生制动策略具体如下：
[0112]
第一制动力强度阈值和第二制动力强度阈值分别为0.2和0.5，当实际制动力强度小于等于第一制动力强度阈值，前后轮制动力分配关系如下：
[0113][0114]
式中，f
bf1
和f
bf2
分别为前轴液压制动力与后轴液压制动力；
[0115]
当实际制动力强度大于第一制动力阈值小于第二制动力阈值，制动力分配关系如下：
[0116][0117]
式中，f
fi
为按i线分配的前轴制动力；f
ri
为按i线分配的后轴制动力；i为传动比；(f
e1
*η
e1
+f
e2
*η
e2
)*η1*η3/i≤t
bat
，t
bat
为蓄电池组所允许的最大充电转矩；
[0118]
当实际制动力强度大于等于第二制动力阈值，制动力分配关系如下：
[0119][0120]
式中，z为制动力强度；hg为质心高度；l为轴距。
[0121]
优选的，在步骤二中，根据需要估计的参数建立对应的车辆纵向运动学模型或纵向动力学模型。
[0122]
优选的，在步骤三中，参数估计器可以是基于训练好的神经网络、扩展卡尔曼滤波器或自适应卡尔曼滤波器。
[0123]
实施例3
[0124]
基于参数估计的再生制动控制方法的实施例3，基于实施例1或2的方法，区别在于对步骤二进一步限定。
[0125]
在步骤二中，构建考虑估计参数的车辆模型。本实施例估计的参数是车辆质量，构建考虑整车质量和道路坡度的纵向动力学模型，如下所示：
[0126][0127]
式中：t
tq
是驱动转矩，ig是变速器传动比，i0是主减速器传动比，η
t
是传动链机械效率，r是车轮滚动半径，cd是空气阻力系数，af是迎风面积，ρ是空气密度，v
x
是车辆速度，m是车辆质量，g是重力加速度，y是坡脚，f是滚动阻力系数，a
x
是车辆加速度。
[0128]
实施例4
[0129]
基于参数估计的再生制动控制方法的实施例4，基于实施例3的方法，区别在于对步骤三进一步限定。
[0130]
在步骤三中，设计基于神经网络的车辆质量估计器，具体流程为：
[0131]
s31：根据动力学模型，选择车辆速度、加速度等参数作为神经网络的输入特征a
t
，车辆质量作为输出。利用传感器采集的车辆各参数数据训练神经网络模型。
[0132]
s32：神经网络选择多层感知机。网络层数、学习率等超参数根据数据调优选择。该神经网络基于的深度学习框架没有限制，包括但不限于pytorch、tensorflow、paddlepaddle、mxnet等。
[0133]
s33；将训练好的网络模型部署到车辆上，根据车载传感器的实时数据，实时计算得到精确的车辆质量估计值m
nn
。
[0134]
实施例5
[0135]
基于参数估计的再生制动控制方法的实施例5，基于实施例3的方法，区别在于对步骤三进一步限定。
[0136]
步骤三中的参数估计器基于自适应卡尔曼滤波的车辆质量估计方法，具体为：
[0137]
s31：设计权重调节器
[0138]
神经网络估计器的估计结果虽然精确，但不稳定。这种不稳定对于控制系统是有害的。为了避免这种震荡给系统带来的损害，引入权重调节器，计算权重因子，设计自适应律。权重因子可用以调节神经网络估计器与扩展卡尔曼滤波器的估计结果对最终估计结果的影响。
[0139]
s32：将神经网络估计器提供的预估计值嵌入扩展卡尔曼滤波，并引入自适应律，设计自适应扩展卡尔曼滤波。步骤如下：
[0140][0141][0142][0143][0144][0145][0146][0147][0148]
其中，h由[1 0 0]变为[1 1 0]，
[0149]
观测量则扩展为：
[0150][0151]
τk＝(1-βk)/βk∈[0，+∞)，当神经网络的新输入数据远离原始数据集时，βk→
0，τk增大，后验估计更依赖于模型与实际工况的匹配度。随着相似度增加，βk→
1，τk减小，趋于0，神经网络的观测协方差部分等于零，最终的估计结果更依赖神经网络。
[0152]
实施例6
[0153]
基于参数估计的再生制动控制方法的实施例6，基于实施例1或2的方法，区别在于对步骤二和步骤三进一步限定。
[0154]
在步骤二中，估计的参数为坡度。构建考虑道路坡度的纵向运动学模型，如下所示：
[0155][0156]
式中：a
x
纵向加速度传感器测得的加速度值。
[0157]
选取状态量为：
[0158]
x2＝[v i]
t
[0159]
进一步可表示为：
[0160][0161]
式中：δt是采样时间，w2是过程噪声。
[0162]
选取观测量为：
[0163]
y2＝[v]
[0164]
建立观测方程如下所示：
[0165][0166]
式中：δt是采样时间，v2是过程噪声。
[0167]
最后得到纵向运动学的状态空间表达式如下所示：
[0168][0169]
式中：h2是观测矩阵。
[0170]
在步骤三中，基于构建的车辆纵向运动学模型设计坡度估计器，建立基于纵向运动学的扩展卡尔曼滤波器(ekf)。
[0171]
1)预测
[0172][0173]
2)校正
[0174][0175]
其中，x
s2
＝[v i]
t
，p
s2
是协方差矩阵，q
s2
是过程噪声协方差矩阵，r
s2
是测量噪声协方差矩阵，h
s2
＝h2＝[1 0]。
[0176]
实施例7
[0177]
一种存储介质，存储有计算机程序，当所述计算机程序被处理器读取并运行时，实现上述任一实施例的基于参数估计的再生制动控制方法。
[0178]
实施例8
[0179]
一种汽车，包括制动系统，所述制动系统进行再生制动时，按照上述任一实施例的基于参数估计的再生制动控制方法执行。
[0180]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

技术特征：
1.基于参数估计的再生制动控制方法，其特征在于，具体包括以下步骤：步骤一：获取整车的结构参数以及利用传感器获取车辆行驶过程中的参数；步骤二：通过获取车辆行驶过程中的参数构建考虑估计参数的车辆模型；步骤三：构建参数估计器，根据考虑估计参数的车辆模型提供一个参数估计值；步骤四：构建能量回收优化模型和转矩分配模型，获得轮上不同的转速和不同的再生制动总转矩需求下车辆的双电机装置效率最高时所对应的双电机再生制动的计算系数；步骤五：根据整车的结构参数和参数估计值、ece制动安全法规以及理想制动分配曲线计算制动安全区域，根据计算系数和制动安全区域生成再生制动策略，以获得使得再生制动能量回收效率最高的再生制动策略。2.根据权利要求1所述的基于参数估计的再生制动控制方法，其特征在于，步骤四具体为：s4.1：转矩分配模型包括双电机效率优化模型和双轴驱动双电机损耗模型；建立双电机效率优化模型，给出待优化变量；s4.2：待优化变量结合单电机的损耗模型，建立双轴驱动双电机损耗模型；s4.3:电机在发电状态下的效率，对给定的转速ω与te，电机的发电效率与损耗成线性相关，将电机总损耗对前轴电机转矩分配系数求导，当导数为零求得极值点时，可得双电机系统最小损耗时的转矩分配系数，所述转矩分配系数即为计算系数。3.根据权利要求2所述的基于参数估计的再生制动控制方法，其特征在于，能量回收优化模型和双电机效率优化模型分别具体如下：化模型和双电机效率优化模型分别具体如下：式中，ω1、ω2分别为前后电机的电气角速度；p为前后电机的极对数；t
e1
、t
e2
分别为前后轴电机制动力矩；
ɑ
为前轴电机转矩分配系数；p
l1
、p
l2
分别为前、后电机损耗功率；max为双电机利用效率最大值，同时也是制动能量回收最大值；t
e
为总再生制动力矩；双轴驱动双电机损耗模型具体如下：式中，p
l
为双电机总损耗；r
a1
、r
a2
分别为前后电机的定子绕组相电阻；ψ
f1
、ψ
f2
分别为前后电机永磁体产生的磁链；r
c1
、r
c2
分别为前后电机等效铁阻；l1与l2与分别为前后电机电感；i
wd1
、i
wd2
分别为前后电机定子d轴的有功分量值；k
f1
为后电机摩擦阻力系数；k
f2
为后电机摩擦阻力系数。
4.根据权利要求1所述的基于参数估计的再生制动控制方法，其特征在于，步骤四具体为：定义双电机利用效率为：式中，η
sys
为双电机利用效率；t
e1
与t
e2
分别为前后电机转矩；n1与n2分别为前后电机转速；η
e1
为前电机在转矩t
e1
，转速n1处的效率；η
e2
为后电机在转矩t
e2
，转速n2处的效率；建立能量回收优化模型和转矩分配模型如下，其中能量回收优化模型为双轴驱动最优制动能量回收模型，maxη
sys
＝(t
e1
η
e1
n1+t
e2
η
e2
n2)/(t
e1
n1+t
e2
n2)式中：α为前轴电机转矩分配系数；t
e
为总再生制动力矩；t
e1max
(n1)是前电机在转速为n1时能够输出的最大转矩；t
e2max
(n2)是后电机在转速为n2时能够输出的最大转矩；α
l
为α取值的下界，α
u
为α取值的上界；根据前后电机的map图来计算不同轮上转速和不同轮上再生制动转矩需要所对应的前轮再生制动力矩占总再生制动力矩的比例系数，所述比例系数使得前后电机系统的利用效率最高，该比例系数即为计算系数。5.根据权利要求1-4任一所述的基于参数估计的再生制动控制方法，其特征在于，在步骤五中，在制动力的计算过程中，车辆满足纵向动力学模型：式中，fw为空气阻力，v为车速；t1、t2为前后轮的滚动阻力偶矩；m为车辆质量；δ为汽车旋转质量换算系数，θ为坡道的倾斜角；r为车轮滚动半径；f
xb1
前轴制动力、f
xb2
为后轴制动力；理想制动力曲线具体为汽车制动力沿i曲线分配时，前轮制动力与后轮制动力满足以下关系：式中，f
xb1
前轴制动力，f
xb2
为后轴制动力，f
xb1
和f
xb2
通过以车辆质量作为参数估计值代入纵向动力学模型中获得；l为轴距；hg为质心高度；b为质心到后轴的距离；g为重力加速度；ece制动安全法规对制动力强度阈值的范围进行限定，并得到前后制动力关系：
ece制动安全法规和理想制动力曲线所形成的范围就是安全制动区域。6.根据权利要求5所述的基于参数估计的再生制动控制方法，其特征在于，设定第一制动力强度阈值和第二制动力强度阈值，再生制动策略具体如下：当实际制动力强度小于等于第一制动力强度阈值，前后轮制动力分配关系如下：式中，f
bf1
和f
bf2
分别为前轴液压制动力与后轴液压制动力；当实际制动力强度大于第一制动力阈值小于第二制动力阈值，制动力分配关系如下：式中，f
fi
为按i线分配的前轴制动力；f
ri
为按i线分配的后轴制动力；i为传动比；(f
e1
*η
e1
+f
e2
*η
e2
)*η1*η3/i*r≤t
bat
，t
bat
为蓄电池组所允许的最大充电转矩，能量回收时给电池充电提供的转矩要小于电池能够承担的转矩；η1为机械传动效率；η3为电池的充电效率；当实际制动力强度大于等于第二制动力阈值，制动力分配关系如下：式中，z为制动力强度；h
g
为质心高度；l为轴距。7.根据权利要求1所述的基于参数估计的再生制动控制方法，其特征在于，在步骤二中，根据需要估计的参数建立对应的车辆纵向运动学模型或纵向动力学模型。8.根据权利要求1所述的基于参数估计的再生制动控制方法，其特征在于，在步骤三中，参数估计器可以是基于训练好的神经网络、扩展卡尔曼滤波器或自适应卡尔曼滤波器。9.一种存储介质，其特征在于，存储有计算机程序，当所述计算机程序被处理器读取并运行时，实现如权利要求1-8任一项所述的基于参数估计的再生制动控制方法。10.一种汽车，包括制动系统，其特征在于，所述制动系统进行再生制动时，按照权利要求1-8任一所述的基于参数估计的再生制动控制方法执行。

技术总结
本发明涉及基于参数估计的再生制动控制方法，获取整车的结构参数以及利用传感器获取车辆行驶过程中的参数；构建考虑估计参数的车辆模型；构建参数估计器，提供一个精确的参数估计值；构建能量回收优化模型和转矩分配模型，获得轮上不同的转速和不同的再生制动总转矩需求下双电机装置效率最高时所对应的双电机再生制动的计算系数；根据整车结构参数和参数估计值、ECE制动安全法规以及理想制动分配曲线计算制动安全区域，根据计算系数和制动安全区域生成再生制动策略，获得使得再生制动能量回收效率最高的再生制动策略。在进行制动力分配前引入参数估计，以提高制动分配计算依赖参数的准确性，提高车辆再生制动系统的控制效果用以提高能量回收效率。果用以提高能量回收效率。果用以提高能量回收效率。


技术研发人员：熊会元 申俊 杨子超 龙志能 张辉
受保护的技术使用者：东莞中山大学研究院
技术研发日：2023.02.07
技术公布日：2023/6/28