دوره 15، شماره 3 - ( مجله کنترل، جلد 15، شماره 3، پاییز 1400 )
جلد 15 شماره 3,1400 صفحات 12-1 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Fathizadeh N, Mirzaeinejad H, Hosseini Salari A. Modeling and Design of Traction Control System of vehicle using Nonlinear Predictive Control and Neural Network. JoC 2021; 15 (3) :1-12
URL: http://joc.kntu.ac.ir/article-1-723-fa.html
URL: http://joc.kntu.ac.ir/article-1-723-fa.html
فتحی زاده نبی، میرزایی نژاد حسین، حسینی سالاری علی. مدلسازی و طراحی سیستم کنترل کشش خودرو با استفاده از کنترل پیش بین غیرخطی و شبکه عصبی. مجله کنترل. 1400; 15 (3) :1-12
1- دانشکده فنی و مهندسی، بخش مکانیک، دانشگاه شهید باهنر کرمان
چکیده: (6757 مشاهده)
سیستم کنترل کشش از جمله سیستم‌های مورد نیاز برای افزایش ایمنی خودرو به شمار می‌آید. این سیستم کنترلی به منظور جلوگیری از لغزش بیش از حد چرخ‌ها در هنگام شتاب‌گیری به خصوص هنگامی که خودرو ناگهان شروع به حرکت می‌کند کاربرد دارد. حفظ لغزش چرخ‌ها در یک محدوده مطلوب در شرایط جوی و جاده‌ای نامساعد به دلیل اثرات ناشناخته سطح جاده و همچنین رفتار غیرخطی شدید تایر در طی فرآیند شتاب‌گیری یک مسئله چالش برانگیز است. از سوی دیگر در طراحی کنترل‌کننده، وجود برخی نامعینی‌ها از جمله دینامیک‌های مدل نشده و عدم قطعیت پارامترهای خودرو، بایستی مورد توجه قرار گیرد. بنابراین وجود یک قانون کنترلی مقاوم غیرخطی برای سیستم کنترل کشش الزامی است. در این مقاله، در ابتدا با استفاده از روش کنترل پیش‌بین غیرخطی، یک کنترل‌کننده غیرخطی برای سیستم کنترل کشش طراحی شده است. سپس، عدم قطعیت‌های ناشناخته سیستم با استفاده از شبکه عصبی شعاعی پایه به طور تطبیقی تخمین زده شده است. در ادامه برخی از نتایج شبیه‌سازی جهت ارزیابی رفتار سیستم کنترل پیشنهادی برای ردیابی لغزش چرخ مرجع در حضور نامعینی‌ها برای مانورهای مختلف ارائه شده‌اند. نتایج نشان می‌دهد که سیستم کنترلی پیشنهادی عملکرد مناسبی در برابر اثرات غیرخطی و نامعینی‌ها دارد.
نوع مطالعه: كاربردي |
موضوع مقاله:
تخصصي
دریافت: 1398/10/4 | پذیرش: 1399/8/11 | انتشار الکترونیک پیش از انتشار نهایی: 1399/8/20 | انتشار: 1400/11/12
دریافت: 1398/10/4 | پذیرش: 1399/8/11 | انتشار الکترونیک پیش از انتشار نهایی: 1399/8/20 | انتشار: 1400/11/12
فهرست منابع
1. [1] Bryson, A. E. and Ho, Y. C., 1975, "Applied Optimal Control", Hemisphere, Washington DC.
2. [2] Van Zanten, A. T., Ertarad, R., Pfaff, G., Kost, F., Hartmann, U. and Ehret, T., 1996, "Control aspects of the Bosch-VDC", AVEC'96, 573−608.
3. [3] Mirzaei, M., and Mirzaeinejad, H., 2017, "Fuzzy Scheduled Optimal Control of Integrated Vehicle Braking and Steering Systems", IEEE/ASME Transactions on Mechatronics. 22,2369-2379. [DOI:10.1109/TMECH.2017.2749002]
4. [4] Mirzaei, M., Mirzaeinejad, H., Vahidi S., Heidarien, D., Khosrowjerdi, M. J., 2012, "Nonlinear control and estimation of tire longitudinal slip for using in anti-lock braking system", Journal of Control, Vol. 5, No. 4, pp. 31-42. (In Persian)
5. [5] Mirzaeinejad, H., Mirzaei, M., and Kazemi, R. 2015, "Enhancement of vehicle braking performance on split-μ roads using optimal integrated control of steering and braking systems", Proceedings of the Institution of Mechanical Engineers, Part K: Journal of Multi-body Dynamics. 230, 401-415. [DOI:10.1177/1464419315617332]
6. [6] Shafei, A.M., Mirzaeinejad, H., 2020, "A General Formulation for Managing Trajectory Tracking in Non-holonomic Moving Manipulators with Rotary-Sliding Joints", Journal of Intelligent Robotic Systems. 99, 729-746. [DOI:10.1007/s10846-019-01143-6]
7. [7] Li, S., Liao, C., Chen, S. and Wang, L., 2009, "Traction control of hybrid electric vehicle", VPPC '09, 1535−1540. [DOI:10.1109/VPPC.2009.5289563]
8. [8] Khatun, P., Bingham, C. M., Schofield, N. and Mellor, P. H., 2003, "Application of fuzzy control algorithm for electric vehicle antilock braking/traction control systems", IEEE Trans. Vehicular Technology 52, 1356−1364. [DOI:10.1109/TVT.2003.815922]
9. [9] Lee, H. and Tomizuka, M., 2003, "Adaptive vehicle traction force control for intelligent vehicle highway systems (IVHSs)", IEEE Trans. Industrial Electronics 50, 37−47. [DOI:10.1109/TIE.2002.807677]
10. [10] Borrelli, F., Bemporad, A., Fodor, M. and Hrovat, D., 2006, "An MPC/hybrid system approach to traction control", IEEE Trans. Control Systems Technology 14, 3, 541-552. [DOI:10.1109/TCST.2005.860527]
11. [11] Jung, H., Kwak, B. and Park, Y., 2000, "Slip controller design for traction control system", Int. J. Automotive Technology 1, 48−55.
12. [12] Chun, K. and Sunwoo, M., 2004, "Wheel slip control with moving sliding surface for traction control system", Int. J. Automotive Technology 5, 123−133.
13. [13] Kuntanapreeda, S., 2015, "Super-twisting sliding-mode traction control of vehicles with tractive force observer", Control Engineering Practice, 38, 26-36. [DOI:10.1016/j.conengprac.2015.01.004]
14. [14] Precup, R. E., Radac, M. B., Roman, R. C. and Petriu, E. M., 2017, "Model-free sliding mode control of nonlinear systems: algorithms and experiments, Inf. Sci., 381, 176-192. [DOI:10.1016/j.ins.2016.11.026]
15. [15] Harifi, A., Aghagolzadeh, A., Alizadeh, G. and Sadeghi, M., 2008, "Designing a sliding mode controller for slip control of antilock brake systems", Transportation research, Part C, 16, 731-741. [DOI:10.1016/j.trc.2008.02.003]
16. [16] Mirzaeinejad, H. and Mirzaei, M., 2010, "A novel method for non-linear control of wheel slip in anti-lock braking systems", Control Engineering Practice, 18, 918-926. [DOI:10.1016/j.conengprac.2010.03.015]
17. [17] Mirzaeinejad, H., 2019, "Optimization-based nonlinear control laws with increased robustness for trajectory tracking of non-holonomic wheeled mobile robots", Transportation Research Part C: Emerging Technologies, 101,1-17. [DOI:10.1016/j.trc.2019.02.003]
18. [18] Mirzaeinejad, H., Mirzaei, M., and Rafatnia, S. 2018, "A novel technique for optimal integration of active steering and differential braking with estimation to improve vehicle directional stability", ISA Transactions. 80, 513-527. [DOI:10.1016/j.isatra.2018.05.019]
19. [19] Mirzaeinejad, H., 2018, "Robust predictive control of wheel slip in antilock braking systems based on radial basis function neural network", Applied soft computing, 70, 318-329. [DOI:10.1016/j.asoc.2018.05.043]
20. [20] Smith, D. E. and Starky, J. M., 1995, "Effects of model complexity on the performance of automated vehicle steering controllers, model development, validation and comparison", Vehicle System Dynamics, 24, 163-181. [DOI:10.1080/00423119508969086]
21. [21] Chen, W. H., Balance, D. J. and Gawthrop, P. J., 2003, "Optimal control of nonlinear systems: a predictive control approach", Automatica, 39, 633-641. [DOI:10.1016/S0005-1098(02)00272-8]
22. [22] Slotine, J. J. E. and Li, W., 1991, "Applied Nonlinear Control", Prentice Hall, Englewood Cliffs.
23. [23] Wenzel, T. A., Burnham, K. J., Williams, R. A., 2004, "Blundell Hybrid Genetic Algorithms Extended Kalman Filter Approach for Vehicle State and Parameter Estimation," University of Bath, UK.
24. [24] Simon, D., 2006, "Optimal State Estimation," John Wiley and Sons, Inc., Hoboken, New Jersey.
25. [25] Hsu, C. F., Lin, C. M. and Guan, Y. R., 2013, "Supervisory adaptive dynamic RBF-based neural-fuzzy control system design for unknown nonlinear systems", Applied soft computing, 13, 1620-1626. [DOI:10.1016/j.asoc.2012.12.028]
26. [26] Fu, Y. Y., Wu, C. J. and Ko, C. N., 2011, "Radial basis function networks with hybrid learning for system identification with outliers", Applied soft computing, 11, 2278-2283. [DOI:10.1016/j.asoc.2010.12.010]
27. [27] Park, J. and Sandberg, I. W., 1991, "Universal approximation using radial-basis-function networks", Neural Computing, 3, 246-257. [DOI:10.1162/neco.1991.3.2.246]
28. [28] Chen, T. and Chen, H., 1995, "Approximation capability to functions of several variables, nonlinear functionals, and operators by radial basis function neural networks", IEEE Trans. Neural Network, 904-910. [DOI:10.1109/72.392252]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
