分布式电驱动HIL测试：基于速度跟踪与神经网络的动态负载控制

1. 项目概述为分布式电驱动系统打造一个“虚拟试车场”在电动汽车的研发流程里硬件在环测试HIL早已不是什么新鲜词。简单说就是把真实的控制器比如电机控制器VCU、MCU放到一个由实时仿真模型构成的“虚拟世界”里让它在实验室里就能经历各种复杂的道路工况。这能极大节省实车路试的时间和金钱尤其是在早期开发阶段可以快速迭代控制算法验证系统可靠性。但当我们把目光投向分布式电驱动这种更前沿的架构时传统的HIL测试台就有点力不从心了。分布式电驱动意味着车辆的每个驱动轮都由独立的电机和控制器驱动就像给车装上了四个可以独立指挥的“腿”。这种设计带来了巨大的灵活性比如可以通过左右轮扭矩差直接产生横摆力矩实现更敏捷、更稳定的操控业内常说的直接横摆力矩控制同时也能优化每个电机的效率点提升整车能效。然而要测试这样一套系统挑战也随之而来。你不能再像测单个驱动轴那样只给一个总的负载。你必须为每一个驱动电机在每一时刻都施加一个精确的、动态变化的负载。这个负载不仅要模拟车辆前进的阻力、加减速的惯性还要精确反映车辆在转弯、甚至单侧车轮打滑时左右轮因动力学耦合而产生的负载差异。这就像要求测试台不仅要模拟一条笔直的路还要能模拟出蜿蜒的山路、湿滑的冰面并且能实时计算出每个轮胎的受力情况。本文要探讨的正是为了解决这个核心难题如何为分布式电驱动测试台设计一套动态分布式负载控制系统。我们不再满足于静态的、点对点的测试而是要构建一个能逼真复现真实车辆动力学行为的“虚拟试车场”。其核心思路是“速度跟踪”我们建立一个包含驾驶员、车辆和道路的实时模型DVRRT模型这个模型能实时预测在给定工况下每个驱动电机应有的转速。然后控制测试台上的测功机Dynamometer去紧紧“跟随”这个预测转速。测功机为了跟上这个变化的速度其控制器就必须输出相应的扭矩这个扭矩恰恰就是我们想要施加给被测电机的动态负载。为了让这个“跟随”动作又快又准尤其是在面对电机非线性特性和被测电机扭矩干扰时我们引入了一个“聪明”的控制器基于径向基函数神经网络在线整定的单神经元PI控制器。它就像一个经验丰富的老司机能根据路况系统状态实时微调方向盘PI参数确保车辆始终稳稳行驶在预定轨迹上。1.1 核心需求与价值解析为什么我们需要如此复杂的测试台这源于分布式电驱动系统开发中的几个核心痛点第一测试工况的极端复杂性与真实性要求。分布式驱动的优势在于应对复杂工况如高速紧急变线Double Lane Change、低附着路面冰面、雪地下的稳定性控制、扭矩矢量分配等。这些工况在实车上测试风险高、成本大、可重复性差。一个高保真的HIL测试台可以在实验室里安全、反复地复现这些边缘场景为控制算法的验证与优化提供海量数据。第二负载模拟的“分布式”与“耦合性”。传统集中式驱动负载计算相对简单主要考虑整车平动惯量和行驶阻力。但在分布式驱动中左右轮的负载不仅与纵向动力学相关更与车辆的横摆运动、侧向动力学强耦合。一个轮子负载的微小变化会通过车辆底盘影响另一个轮子。测试台必须能解算出这种耦合关系并精确施加否则测试结果将失去意义。第三对控制算法实时性与鲁棒性的严苛考验。测功机本身是一个强非线性系统永磁同步电机同时被测电机的输出扭矩对测功机而言是一个持续的、变化的干扰。负载控制算法必须在毫秒级的时间内响应速度指令的变化并抵抗干扰保持稳定。普通的固定参数PI控制器在这种动态、非线性场景下很容易性能下降产生超调或振荡导致负载模拟失真。因此这个项目的价值非常明确它旨在提供一套高保真、高实时性、强鲁棒性的分布式动态负载模拟解决方案。它不仅是验证DEP电机本身性能的工具更是开发其上层高级控制算法如扭矩分配、稳定性控制、能效优化不可或缺的“沙盒”。通过它工程师可以在产品上车前就充分暴露和解决潜在问题将风险扼杀在实验室阶段。2. 系统整体架构与核心思路拆解要构建这样一个复杂的测试环境我们需要一个层次清晰、分工明确的系统架构。整个系统可以看作由“虚拟世界”和“物理世界”两部分紧密交互而成。2.1 硬件在环测试台架物理结构测试台的物理结构是其实现功能的骨骼。如图3所示整个系统可分为四大模块被测分布式电驱动系统这是测试的核心对象通常包含两个独立的驱动电机、对应的电机控制器以及负责协调管理的整车控制器。它们就是未来要装车的真实硬件。分布式负载模拟系统这是系统的“执行机构”核心是两台高动态响应的测功机通常也采用永磁同步电机。它们通过联轴器与被测电机相连负责施加计算出的动态负载扭矩。每台测功机都有独立的控制器。数据采集系统这是系统的“感官”。包括安装在传动轴上的高精度转速、扭矩传感器用于测量电机电气参数的电流、电压传感器功率分析仪以及一套高速数据采集系统。它们实时将物理世界的状态反馈给控制大脑。实时控制系统这是系统的“大脑”。通常采用基于xPC Target或类似架构的实时仿真机。它运行着整个“虚拟世界”的模型接收来自VCU的扭矩指令和传感器的反馈信号经过复杂计算后向测功机控制器发出速度或扭矩指令。在这个架构中实时控制系统是灵魂所在。它运行着我们接下来要重点介绍的DVRRT模型并执行速度跟踪控制算法。2.2 驾驶员-车辆-道路实时模型构建DVRRT模型是整个测试台的“数字孪生体”它模拟了真实测试中除DEP硬件之外的一切。它的输入是期望的行驶轨迹和车速循环输出是给VCU的虚拟驾驶员信号方向盘转角、踏板开度以及给测功机控制器的参考转速。驾驶员模型不再是简单的信号发生器。我们采用了预瞄跟随驾驶员模型。速度控制部分使用了一个带抗饱和积分的PID控制器它能模拟驾驶员在车辆动力达到极限如电机最大扭矩或路面附着极限时的合理操作避免积分饱和导致的不合理指令。路径跟踪部分则基于预瞄跟随理论模型会“看向”车辆前方一定距离预瞄距离的目标路径点计算出为了使车辆驶向该点所需的横向加速度再结合车辆稳态转向特性我们通常设定为不足转向以符合大多数车辆的稳定特性最终解算出方向盘转角。这样生成的转向输入更贴近真实人类驾驶员能产生更合理的动态工况。车辆动力学模型是核心的计算引擎。它基于经典的二自由度或三自由度车辆模型包含了车辆的纵向、侧向和横摆运动方程。模型输入是驾驶员指令和路面激励过求解动力学微分方程实时计算出车辆的速度、加速度、横摆角速度等状态。更重要的是它需要解算每个轮胎的受力。轮胎模型是连接车辆与道路的桥梁。这里采用了计算效率较高且能满足精度要求的Dugoff轮胎模型。该模型根据轮胎的滑移率、侧偏角、垂向载荷以及路面附着系数计算出每个轮胎的纵向力和侧向力。这些力是计算车辆运动状态和最终负载分配的关键。整个DVRRT模型的运行流程是闭环的驾驶员模型根据目标路径和当前车辆状态来自车辆模型计算出控制指令VCU接收到这些虚拟指令后运行其内部的扭矩分配算法产生左右电机的扭矩命令这些扭矩命令一方面发送给真实的MCU驱动被测电机另一方面也反馈回DVRRT模型车辆模型结合轮胎模型计算出在新的扭矩作用下车辆新的运动状态和每个驱动轮的轮心速度再根据传动比最终推算出每个驱动电机轴端的理论转速。这个理论转速就是测功机需要跟踪的目标。实操心得模型保真度与实时性的权衡构建DVRRT模型时最大的挑战在于模型复杂度与实时运行能力的平衡。车辆模型如果过于复杂如包含详细的悬架模型计算量会剧增可能无法在固定的步长如1ms内完成解算导致实时性断裂。我们的经验是对于以纵向、侧向动力学为主的负载模拟一个包含车身横摆、侧倾自由度的模型配合Dugoff或Magic Formula轮胎模型通常能在保证精度的前提下满足实时性要求。关键在于对模型进行合理的简化与离散化并在实时系统上进行充分的性能 profiling。3. 动态分布式负载生成从理论到实践理解了系统架构和模型我们现在深入最核心的部分如何生成那个动态的、分布式的负载。这里有两个关键步骤首先是理论计算即“应该施加多大的负载”其次是实际控制即“如何让测功机精确地施加这个负载”。3.1 分布式负载的理论计算对于单个驱动轴的测试负载计算相对直观主要包括两部分等效惯性负载和行驶阻力负载。等效惯性负载模拟车辆质量平移惯量和旋转部件转动惯量的等效效果。通过能量法可以将整车平动动能和所有旋转部件的转动动能等效到电机轴端的一个转动惯量 (J_e) 上。负载扭矩即为 (J_e) 乘以电机角加速度。行驶阻力负载包括坡度阻力、滚动阻力、空气阻力和加速阻力。这部分阻力最终也会换算成作用在电机轴端的阻力扭矩 (T_R)。对于分布式驱动总负载 (T_d) 仍然是这两部分之和但难点在于如何将总负载合理地分配到左右两个测功机上。这个分配不是简单的五五开而是与车辆的横摆动力学紧密相关。当车辆转弯时左右车轮由于转弯半径不同行驶路径和速度都有差异。更重要的是为了维持车辆的横摆运动平衡左右车轮的纵向力会产生一个差值这个差值直接贡献于横摆力矩。因此左右轮的负载差 (\Delta T) 必须满足车辆的横摆运动方程。推导过程涉及将车辆动力学方程进行简化例如假设前轮侧偏角相等最终可以得到左右测功机负载 (T_{dr}) 和 (T_{dl}) 的表达式对应原文公式22。这个表达式清晰地表明右轮负载等于总负载的一半加上一个与横摆运动相关的修正项左轮负载则等于总负载的一半减去这个修正项。修正项中包含了横摆角加速度、前后轴侧向力等参数这些参数正是由DVRRT模型实时计算提供的。理论负载的局限性这个理论计算是完美的但它依赖于对横摆角加速度、轮胎侧向力等状态的精确、实时估计。在实际的HIL测试中这些状态是模型内部变量虽然可知但若直接用于负载计算其精度完全依赖于模型本身的精度。更重要的是这个理论公式没有考虑一个关键的现实因素路面附着极限。3.2 基于速度跟踪的预测控制方法为了解决理论方法的局限我们提出了更巧妙的“速度跟踪”方法。其核心思想非常直观如果能让测试台上的被测电机以与它在真实车辆上完全相同的转速运行那么根据牛顿第二定律测功机为了迫使电机维持这个转速所必须提供的扭矩自然就等于真实车辆施加在该电机上的负载。这个方法巧妙地绕开了对复杂中间状态如侧向力的直接依赖。我们不需要再去精确计算负载应该是多少而是让系统自动“涌现”出正确的负载。具体流程如下DVRRT模型根据当前车辆状态和VCU发出的扭矩指令预测出下一采样时刻每个驱动电机的理论转速(\omega_{m_ref})。将这个理论转速作为参考指令发送给对应测功机的速度控制器。测功机速度控制器努力驱动测功机转子使其转速 (\omega_d) 跟踪上这个参考转速 (\omega_{m_ref})。在这个过程中测功机控制器输出的电磁扭矩 (T_d)就是作用在被测电机轴上的动态负载。这种方法本质是一种预测控制。它利用模型对系统未来行为进行预测并将预测值作为控制目标。其优势在于将复杂的负载计算问题转化为了相对成熟的速度控制问题。3.3 单神经元PI-RBF神经网络控制器设计速度跟踪的性能好坏直接取决于测功机速度控制器的水平。测功机永磁同步电机是一个非线性、强耦合的系统而且被测电机的输出扭矩对它而言是一个持续变化的负载扰动。传统的固定参数PI控制器在这样动态、非线性的工况下很难同时保证快速性、稳定性和精度。为此我们设计了一种自适应智能PI控制器它由两部分组成1. 单神经元PI控制器将传统的PI控制器与一个人工神经元模型结合。PI控制器的比例增益 (K_p) 和积分增益 (K_i) 不再是固定值而是作为神经元的权值 (w_p) 和 (w_i)。控制器的输入是速度误差 (e(k)) 及其积分。神经元的输出就是控制量即q轴电流指令。关键创新在于权值 (K_p) 和 (K_i) 可以根据控制效果进行在线调整。2. RBF神经网络辨识器权值调整的依据是什么这里引入了径向基函数神经网络作为系统辨识器。RBF网络能够以任意精度逼近任何非线性函数。我们用它来在线辨识被控对象测功机速度环的雅可比信息即系统输出对控制输入的灵敏度 (\partial y / \partial u)。这个信息反映了在当前工作点系统控制通道的“增益”大小。两者的协同工作流程如下在每个控制周期RBF网络根据测功机的输入电流指令和输出实际转速在线更新网络参数并实时计算出当前的 (\partial y / \partial u)。将这个 (\partial y / \partial u) 传递给单神经元PI控制器。单神经元控制器根据当前的速度误差 (e(k)) 和RBF提供的灵敏度信息按照一种基于梯度下降的则动态调整 (K_p) 和 (K_i) 的权值。简单来说就是让控制器根据系统的实时特性“自我学习”找到当前工况下最优的PI参数。这种结构的好处显而易见当系统工作点变化或受到扰动时RBF网络能快速感知到系统增益的变化并引导PI参数做出相应调整从而始终保持优良的控制性能。它兼具了PID结构简单、易于实现的优点又具备了神经网络自适应、处理非线性的能力。3.4 最大附着力限制策略在真实驾驶中当轮胎需求力超过路面所能提供的最大附着力时车轮就会打滑。在速度跟踪框架下如果模型中的车轮进入滑移状态其轮速会急剧变化导致模型预测的电机参考转速 (\omega_{m_ref}) 发生剧烈跳变。如果让测功机强行跟踪这个跳变的转速不仅不现实受限于测功机扭矩响应能力也无法正确模拟打滑时负载的特性。因此必须在控制算法中加入最大附着力限制。其原理是根据DVRRT模型实时计算出的每个轮胎垂向载荷 (F_{zi}) 和预设的路面附着系数 (\mu)计算出每个轮胎的最大纵向附着力 (F_{xi_max} \mu F_{zi})。将这个最大附着力换算到电机轴端得到一个最大负载扭矩阈值 (T_{load_max})。在速度跟踪控制器输出的扭矩指令上施加一个饱和限幅将其限制在 (T_{load_max}) 之内。当轮胎未打滑时该限制不起作用一旦模型计算显示轮胎力达到附着极限测功机施加的负载就会被“钳位”在最大值从而正确地模拟出打滑时“车轮空转负载不再增加”的物理现象。这对于测试DEP系统的牵引力控制、防滑差速等功能至关重要。4. 仿真与实验验证全流程解析任何控制算法的价值都需要通过仿真和实验来验证。我们构建了从模型在环到硬件在环的完整验证流程。4.1 仿真模型搭建与参数设定首先在MATLAB/Simulink环境中搭建了完整的测试台仿真模型。这个模型包含几个关键部分DVRRT模型模块实现了前文所述的驾驶员、车辆、轮胎模型。DEP硬件模型采用Simulink自带的PMSM模块模拟被测驱动电机及其控制器。测功机物理模型同样采用PMSM模块模拟并接入我们设计的SNPI-RBF速度控制器。负载计算与接口实现理论负载计算和速度跟踪控制逻辑。模型参数基于一款典型的分布式驱动电动轿车设定包括车辆质量、轴距、轮胎刚度、电机和测功机的转动惯量、电气参数等。SNPI-RBF控制器的学习率、RBF网络中心点等参数也需要经过初步调试确定。4.2 典型工况仿真结果分析我们设置了三种典型工况来全面考核系统性能1. 双移线工况这是一个经典的操纵稳定性测试工况。仿真结果显示DVRRT模型能够生成合理的转向角输入引导车辆完成变道。速度跟踪控制器SNPI-RBF能够使测功机转速高度跟踪理论电机转速误差极小。与传统的滑模控制相比SNPI-RBF方法在速度跟踪的平稳性波动小和负载复现的准确性上表现更优。生成的动态负载曲线与理论计算值高度吻合虽然存在约±1 Nm的扭矩纹波但这主要源于电机控制本身的脉动特性。在线整定的PI参数 (K_p) 和 (K_i) 在整个过程中根据系统状态自适应变化RBF网络也成功辨识出了系统增益的变化趋势。2. 对开路面制动/加速工况此工况用于验证最大附着力限制策略的有效性。我们设置道路左侧附着系数低右侧正常。仿真中当左侧驱动轮扭矩超过附着极限时车轮开始滑转。得益于最大附着力限制测功机负载被正确限制在阈值以下并且能够模拟出车轮从低附着路面驶入高附着路面时因抓地力突然恢复而产生的负载冲击峰值。这证明该策略能有效复现极限附着条件下的负载特性。3. 驾驶循环工况我们施加了一个包含加速、减速、巡航和车道变换的综合驾驶循环。在整个循环中左右测功机生成的负载始终能准确跟踪各自的理论负载曲线。特别是在车道变换导致左右轮负载产生差异的阶段两个独立的SNPI-RBF控制器分别整定出了不同的PI参数以适应各自不同的动态过程展现了良好的独立适应能力。4.3 实验台架搭建与实测对比仿真通过后我们搭建了实物测试台架。台架采用“背对背”结构两台永磁同步电机通过扭矩传感器和联轴器直连一台作为被测驱动电机另一台作为测功机。为了获得一个可靠的“地面真值”进行对比我们采用了联合仿真的方法将相同的车辆动力学模型DVRRT模型在测试台实时系统中运行同时也在离线环境中与高保真商业软件CarSim进行联合仿真。CarSim提供了业界公认的、更精细的车辆动力学模型。我们让两个模型执行相同的双移线工况并记录CarSim仿真中计算出的、作用在每个驱动轮上的真实纵向力将其换算为电机轴端负载作为理论参考值。实验结果令人鼓舞转速跟踪精度实测的被测电机转速与CarSim仿真得到的理论转速曲线重叠度极高速度控制精度达到98%以上。负载复现精度通过扭矩传感器测量到的、由测功机实际施加的负载扭矩与CarSim计算的理论负载扭矩曲线对比其重合度超过93%。两条曲线的主要特征点如峰值、过零点都能对应上。存在的差异和微小的时间延迟主要源于两个因素一是CarSim的驾驶员模型与我们自研的DVRRT驾驶员模型在转向细节上略有不同二是测功机系统的扭矩响应存在固有的机电延迟。能量测量准确性这是效率测试的关键。我们对整个双移线过程中左右电机输出的总机械功进行了积分计算。实测的机械能与CarSim仿真计算的理论机械能相比误差小于2.5%准确度达到97.5%。这充分证明了该测试台架用于DEP系统能效评估的可靠性。实操心得时间延迟的来源与应对实验中发现的时间延迟约几十毫秒是这类动态HIL测试中需要重点关注的问题。延迟主要来自几个环节传感器信号滤波、实时系统任务调度、控制器运算、功率驱动器响应以及电机本身的电磁时间常数。为了减小延迟我们采取了以下措施1) 在保证抗噪的前提下尽量减小传感器滤波器的阶数和截止频率2) 优化实时系统模型减少单步计算量确保在更小的固定步长如0.1ms内完成3) 选用高动态响应的伺服驱动器和电机。即使无法完全消除延迟也必须在数据分析时予以考虑必要时可在模型端加入相位超前补偿。5. 常见问题、调试技巧与未来展望在实际开发和调试这样一套复杂系统时会遇到各种各样的问题。下面分享一些典型的排查思路和实战技巧。5.1 速度跟踪振荡与发散问题现象测功机转速围绕参考值剧烈振荡甚至发散导致测试无法进行。可能原因与排查PI参数初始值不当SNPI-RBF虽然能在线调整但初始值若偏离太远在收敛过程中可能引发不稳定。建议先用传统方法如临界比例度法在空载或稳态下整定出一组基础PI参数作为神经网络的初始权值。RBF网络学习率过高学习率 (\eta) 决定了参数调整的步长。过高的学习率会导致权值更新过大引起振荡。通常从较小的值如0.01开始尝试逐步增加。系统辨识输入信号激励不足RBF网络需要丰富的输入输出数据来学习系统特性。如果参考速度指令变化过于平缓系统始终工作在一个小范围内网络可能无法准确辨识全局特性。可以在调试初期给速度指令加入小幅度扫频信号或伪随机噪声以激励系统。机械共振台架机械连接联轴器、轴系存在固有频率如果控制带宽接近或覆盖该频率会激起共振。需进行敲击实验识别共振点并在速度环控制器中设计陷波滤波器进行抑制。5.2 负载复现静态误差大现象在稳态时测功机施加的负载与理论负载存在一个固定的偏差。可能原因与排查扭矩传感器零漂或标定不准这是最常见的原因。必须定期对扭矩传感器进行零点校准。在测试前让系统在零速、零扭矩状态下运行一段时间记录扭矩读数作为偏移量在软件中补偿。测功机摩擦力矩未补偿测功机自身的轴承摩擦、风阻等会消耗一部分扭矩这部分扭矩并未作用到被测电机上。需要在不同转速下进行空载拖动测试标定出测功机的阻力矩曲线并在控制指令中予以前馈补偿。模型参数不准确DVRRT模型中的车辆质量、转动惯量、轮胎刚度等参数如果与实际被测车辆不符会导致理论负载计算本身就有误差。务必确保模型参数与目标车辆一致。5.3 极限工况下如大滑移控制性能下降现象在模拟低附着路面大滑移时速度跟踪出现较大误差负载模拟失真。可能原因与排查最大附着力限制阈值设置不当检查DVRRT模型中计算垂向载荷和附着系数的模块。确保载荷转移计算正确附着系数设定符合路面类型。速度参考指令跳变过大当模型车轮突然打滑时参考转速会剧变。测功机由于物理惯性无法瞬时跟上。此时可以考虑对模型输出的参考转速进行一个低通滤波或速率限制使其变化率在测功机物理可实现范围内。这虽然会引入相位滞后但能保证系统稳定。控制器自适应能力到达极限在极端非线性工况下RBF网络可能需要更复杂的结构或更多的隐藏层节点来捕捉系统动态。可以尝试增加RBF网络的中心点数量或者引入更高级的网络结构。5.4 系统集成与实时性挑战现象模型运行出现超实时或数据传输存在丢包、抖动。排查要点模型离散化与求解器选择确保Simulink模型中的所有模块都支持离散采样并使用固定步长求解器。将连续域模型如s函数转换为离散形式可以大幅提升计算速度。任务优先级与调度在实时操作系统如xPC中将关键任务模型解算、控制算法设置为最高优先级数据记录、通信等任务设置为较低优先级。通信优化使用高确定性、低延迟的通信协议如CAN FD、EtherCAT连接VCU、MCU和实时机。减少单帧报文的数据量提高发送频率。5.5 未来可能的改进方向基于当前的工作我认为这个系统还有几个值得深入探索的方向更高保真度的轮胎-路面模型集成当前使用的是解析轮胎模型。未来可以探索集成基于物理的、更高精度的轮胎模型甚至引入实时变化的附着系数模型如考虑水膜影响的模型以模拟更复杂的低附着工况。考虑动力总成柔性与间隙的非线性影响目前的模型将传动系统视为刚性连接。实际中存在半轴柔性、齿轮间隙等非线性因素这些会影响高频下的负载响应。可以考虑在负载模型中引入扭振模型使模拟更贴近实际。与上层控制算法的深度耦合测试当前测试台主要验证底层负载模拟的准确性。未来可以将其作为平台直接测试DEP的整车能量管理策略、扭矩矢量分配算法等高级功能实现从部件到系统的全栈验证。人工智能在控制器参数自整定中的应用虽然使用了RBF网络但网络结构、学习率等超参数仍需人工设定。可以探索使用强化学习等AI方法让控制器能自动寻找在不同工况区间的最优超参数集实现完全的自适应。这套基于神经元PI速度跟踪的分布式电驱动测试台动态负载控制系统从理念到实现打通了从虚拟模型到物理负载的闭环。它不仅仅是一套测试设备更是一个强大的研发工具能够为分布式电驱动这一前沿技术的快速发展提供坚实而高效的验证支撑。在实际项目中耐心调试模型参数、深入理解每个环节的物理意义、细致处理信号链中的每一个细节是让这套复杂系统稳定、精准运行的关键。