Supervisory Control of a Dual-Direct-Drive Electrical Vehicle
Authors
Kleif, Bjarke ; Rasmussen, Steffen Thestrup
Term
10. term
Publication year
2012
Submitted on
2012-06-15
Pages
249
Abstract
Som led i et elbil-projekt undersøger denne kandidatopgave fuldt- og semi-autonome styringsstrategier på en modificeret fjernstyret bil i skala 1:5, hvor hvert baghjul drives af sin egen elmotor. Drivlinjerne bruger BLDC-motorer styret af standard motorcontrollere. Målinger (systemidentifikation) viste en lineær sammenhæng mellem input og output, så motorerne blev modelleret som jævnstrømsmotorer. Målet var at styre hjulenes moment, og der blev derfor implementeret PI-regulering med moment-feedback på hver drivlinje. Der blev udviklet en køretøjssimuleringsplatform i Simulink med en samlet massemodel af hele bilen. Dækkens trækkraft blev modelleret med almindeligt anvendte formler fra bilteknik; til langsgående kræfter blev den såkaldte “magic formula” brugt. En automatisk testcontroller bestod af en regulator for drejehastighed om lodret akse (yaw-rate) og en hastighedsregulator. Yaw-rate-regulatoren blev udviklet med feedback-linearisation og lineær PI, og hastighedsregulatoren brugte hjulhastigheds-feedback med PI. En semi-autonom DFA-supervisor skiftede mellem styringsalgoritmer alt efter køresituationen. Der blev undersøgt forskellige strategier til fordeling af moment. En dispatcher, der hjælper føreren med at tage den ønskede kurve, viste lovende resultater og kan være mere effektiv end et åbent differentiale. Tilstandsestimering af yaw-rate, kørehastighed, vejhældning og langsgående hjulslip blev udført og implementeret både i simuleringen og på RC-platformen. Derudover blev en ny metode til estimering af motor-moment i BLDC-motorer præsenteret, baseret på to fasestromme og HES-signaler; metoden viste lovende resultater sammenlignet med andre løsninger, der kræver mere ekstra hardware. Stabiliteten af alle regulatorer blev vist under antagelsen om, at forstyrrelser aftager og forsvinder med tiden. Enkelt- og integrationstests i simuleringen viste god ydeevne for alle udviklede regulatorer. Desuden blev traktionskontrol implementeret på RC-platformen, og den foreslåede metode blev verificeret.
As part of an electric vehicle project, this MSc thesis explores fully and semi-autonomous control strategies on a modified 1:5 scale RC car with an electric motor driving each rear wheel. The drivetrains use BLDC motors with off-the-shelf motor controllers. System identification showed a linear input–output relationship, so the motors were modeled as DC motors. Because wheel torque needed to be controlled, PI control with torque feedback was implemented on each drivetrain. A vehicle simulation platform was built in Simulink using a full-car lumped-mass model. Tire traction forces were modeled using standard formulas from automotive research; for longitudinal forces, the “magic formula” was applied. An automatic test controller combined yaw-rate (how fast the car rotates around its vertical axis) and speed control. The yaw-rate controller used feedback linearization with linear PI control, and the speed controller used wheel-speed feedback with PI. A semi-autonomous DFA supervisor switched between control algorithms depending on the driving situation. Different torque distribution strategies were investigated. One dispatcher that helped the driver follow the intended turn showed promising results and may be more effective than a conventional open differential. State estimation of yaw-rate, vehicle velocity, road incline, and longitudinal wheel slip was developed and implemented both in simulation and on the RC platform. The thesis also presents a new approach for estimating BLDC motor torque using two phase currents and HES signals; it showed promising results compared with other methods that require more additional hardware. Stability of all controllers was demonstrated under the assumption that disturbances vanish over time. Component and integration tests in simulation showed good performance, and traction control was implemented on the RC platform and verified.
[This abstract was generated with the help of AI]