مدلسازی و طراحی سیستم کنترل کشش خودرو با استفاده از کنترل پیش بین غیرخطی و شبکه عصبی

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.

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

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 unmodel 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.