مدلسازي و طراحي سيستم كنترل كشش خودرو با استفاده از كنترل پيش بين غيرخطي و شبكه عصبي

Modeling and Design of Traction Control System of vehicle using Nonlinear Predictive Control and Neural Network

سيستم كنترل كشش از جمله سيستم‌هاي مورد نياز براي افزايش ايمني خودرو به شمار مي‌آيد. اين سيستم كنترلي به منظور جلوگيري از لغزش بيش از حد چرخ‌ها در هنگام شتاب‌گيري به خصوص هنگامي كه خودرو ناگهان شروع به حركت مي‌كند كاربرد دارد. حفظ لغزش چرخ‌ها در يك محدوده مطلوب در شرايط جوي و جاده‌اي نامساعد به دليل اثرات ناشناخته سطح جاده و همچنين رفتار غيرخطي شديد تاير در طي فرآيند شتاب‌گيري يك مسئله چالش برانگيز است. از سوي ديگر در طراحي كنترل‌كننده، وجود برخي نامعيني‌ها از جمله ديناميك‌هاي مدل نشده و عدم قطعيت پارامترهاي خودرو، بايستي مورد توجه قرار گيرد. بنابراين وجود يك قانون كنترلي مقاوم غيرخطي براي سيستم كنترل كشش الزامي است. در اين مقاله، در ابتدا با استفاده از روش كنترل پيش‌بين غيرخطي، يك كنترل‌كننده غيرخطي براي سيستم كنترل كشش طراحي شده است. سپس، عدم قطعيت‌هاي ناشناخته سيستم با استفاده از شبكه عصبي شعاعي پايه به طور تطبيقي تخمين زده شده است. در ادامه برخي از نتايج شبيه‌سازي جهت ارزيابي رفتار سيستم كنترل پيشنهادي براي رديابي لغزش چرخ مرجع در حضور نامعيني‌ها براي مانورهاي مختلف ارائه شده‌اند. نتايج نشان مي‌دهد كه سيستم كنترلي پيشنهادي عملكرد مناسبي در برابر اثرات غيرخطي و نامعيني‌ها دارد.

Traction control system (TCS) is one of the necessary systems for increasing vehicle safety. This control system is used to prevent excessive slipping of wheels especially when the vehicle suddenly starts to move. Keeping the wheels slip in a desirable range under unfavorable weather condition is a challenging issue due to unknown effects of road surface and severe nonlinear behavior of tire during the acceleration process. On the other hand, in designing a controller, the existence of some unknown uncertainties such as un-model dynamics and variation of vehicle parameters should be considered. Therefore, the presence of a nonlinear robust control law seems avoidable for TCS. In this paper, at first, using nonlinear predictive control method, a modern nonlinear optimal controller is designed for TCS. Then, unknown uncertainties of the system are adaptively estimated using a radial basis function neural network (RBFNN). Finally, some simulation results are presented for tracking the reference wheel slip in the presence of uncertainties for different maneuvers in order to assess the behavior of the proposed control system. The results show the effectiveness of the proposed control system against the nonlinear effects and uncertainties.