CN109455186A - 三轮独立驱动电动叉车转矩的混合优化分配控制方法 - Google Patents

Abstract

本发明公开了一种三轮独立驱动电动叉车转矩的混合优化分配控制方法，利用三轮独立驱动电动叉车的理想横摆角速度和质心侧偏角计算模型，计算获得三轮独立驱动电动叉车的理想横摆角速度和理想质心侧偏角；根据叉车行驶过程中的真实横摆角速度与理想横摆角速度之间的差值，以及真实质心侧偏角与理想质心侧偏角之间的差值，利用遗传算法配合叉车六自由度模型计算获得前后轴分配系数和左右轴分配系数；根据总驱动力矩、前后轴分配系数和左右轴分配系数计算获得三个车轮的驱动力矩，本发明方法使叉车的横摆角速度和质心侧偏角接近理想值，从而使三轮独立驱动电动叉车有更好的稳定性和灵活性。

Description

三轮独立驱动电动叉车转矩的混合优化分配控制方法

技术领域

本发明涉及安全辅助驾驶及智能控制领域，尤其涉及一种三轮独立驱动电动叉车稳定性控制方法。

背景技术

四轮独立驱动电动汽车是当前国内外纯电动车领域的研究热点。四轮独立驱动电动汽车的四个驱动轮转矩可以随意分配，其控制灵活，可以通过对四个驱动轮转矩的分配实现电动叉车的稳定性控制，是车辆稳定性控制的新思路。

叉车是物流业仓库中的重要装备，传统的叉车能源消耗大、环境污染严重、稳定性差；为此，三轮独立驱动电动叉车受到推崇。由于结构和工作环境的不同，现有技术中的四轮独立驱动电动车控制方法并不能直接应用到三轮独立驱动电动叉车，其直接应用会使三轮独立驱动叉车的稳定性和灵活性大打折扣。

发明内容

本发明是为避免上述现有技术所存在的不足，提供一种三轮独立驱动电动叉车转矩的混合优化分配控制方法，使得在能源消耗和环境污染上具有优势的三轮独立驱动电动叉车通过优化控制有效保证三轮独立驱动电动叉车在复杂工作环境中的稳定性。

本发明为解决技术问题采用如下技术方案：

本发明三轮独立驱动电动叉车转矩的混合优化分配控制方法，其三轮独立驱动电动叉车中三只独立驱动轮分别是左前轮、右前轮和后轮，所述后轮为转向轮，所述优化分配控制方法的特点是：

通过建立三轮独立驱动电动叉车的理想横摆角速度计算模型和理想质心侧偏角计算模型，计算获得所述三轮独立驱动电动叉车的理想横摆角速度，以及理想质心侧偏角；

根据叉车行驶过程中的真实横摆角速度与所述理想横摆角速度之间的差值，以及真实质心侧偏角与所述理想质心侧偏角之间的差值，利用遗传算法配合三轮独立驱动叉车六自由度模型计算获得前后轴分配系数和左右轴分配系数；

根据总驱动力矩、前后轴分配系数和左右轴分配系数计算获得三个车轮的驱动力矩，并一一对应驱动各车轮，使叉车的横摆角速度和质心侧偏角接近理想值。

本发明三轮独立驱动电动叉车转矩的混合优化分配控制方法的特点也在于：所述优化分配控制方法是按如下步骤进行：

步骤1：根据叉车的当前行驶状态确定叉车当前行驶状态下的理想横摆角速度ω_rd和理想质心侧偏角β_rd；

步骤2：检测获得叉车当前行驶状态下的实际横摆角速度ω_real和实际质心侧偏角β_real，则有横摆角速度实际差值ω_g和质心侧偏角实际差值β_g分别为：ω_g＝ω_real-ω_rd，β_g＝β_real-β_rd；

若横摆角速度实际差值ω_g和质心侧偏角实际差值β_g的绝对值均小于0.2，表明实际横摆角速度ω_real和实际质心侧偏角β_real都满足稳定性需求，将前后轴分配系数的最终值k_frz和左右轴分配系数的最终值k_lrz均设定为0.5，且继续执行步骤5，否则继续执行步骤3；

步骤3：根据所述横摆角速度实际差值ω_g和质心侧偏角实际差值β_g，采用遗传算法计算获得前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc；

步骤4：根据所述前后轴分配系数当前值k_frc、左右轴分配系数当前值k_lrc以及叉车驱动轮总转矩T_总计算获得叉车三个驱动轮转矩当前值；根据叉车三个驱动轮转矩当前值利用三轮独立驱动电动叉车的六自由度模型计算获得模拟横摆角速度ω_v和模拟质心侧偏角β_v，则有横摆角速度模拟差值ω_rv和质心侧偏角模拟差值β_rv分别为：ω_rv＝ω_v-ω_rd，β_rv＝β_v-β_rd；

若横摆角速度模拟差值ω_rv和质心侧偏角模拟差值β_rv的绝对值均小于0.2，表明模拟横摆角速度ω_v和模拟质心侧偏角β_v都满足稳定性需求，将前后轴分配系数的最终值k_frz和左右轴分配系数的最终值k_lrz一一对应设置为前后轴分配系数当前值k_frc、左右轴分配系数当前值k_lrc且继续执行步骤5；否则，更新遗传算法中的种群并返回步骤3；

步骤5：利用所述前后轴分配系数最终值k_frz、左右轴分配系数最终值k_lrz和叉车驱动轮总转矩T_总计算获得叉车三个驱动轮转矩最终值T_d1z、T_d2z、T_d3z，并一一对应独立控制叉车各驱动轮；

步骤6：以设定的时间间隔循环执行步骤1-步骤5，实现三轮独立驱动电动叉车的稳定性控制。

本发明三轮独立驱动电动叉车转矩的混合优化分配控制方法的特点也在于：在所述步骤1中，将所述叉车当前行驶状态下的理想质心侧偏角β_rd设定为0，即：β_rd＝0，并按如下方式确定叉车当前行驶状态下的理想横摆角速度ω_rd：

利用传感器测量获得叉车在当前行驶状态下的纵向行驶速度v_x、方向盘转角δ和侧向行驶速度v_y；由式(1)计算获得叉车的理想横摆角速度ω_rd：

其中，K为三轮叉车的稳定性因数，μ为路面摩擦系数，C₁为前轮侧偏刚度，C₃是后轮侧偏刚度，a为叉车质心至前轴的距离，b为叉车质心至后轴的距离，g为重力加速度，m为叉车的整车质量，L＝a+b。

本发明三轮独立驱动电动叉车转矩的混合优化分配控制方法的特点也在于：在所述步骤4中根据所述前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc以及叉车驱动轮总转矩T_总利用式(2)计算获得叉车中三个驱动轮转矩当前值，分别是：左前轮输入转矩当前值T_d1c、右前轮输入转矩当前值T_d2c和后轮输入转矩当前值T_d3c；

本发明三轮独立驱动电动叉车转矩的混合优化分配控制方法的特点也在于：在所述步骤5中，利用式(3)计算获得叉车中三个驱动轮转矩最终值，分别是：左前轮输入转矩最终值T_d1z、右前轮输入转矩最终值T_d2z和后轮输入转矩最终值T_d3z：

本发明三轮独立驱动电动叉车转矩的混合优化分配控制方法的特点也在于：按如下方式建立三轮独立驱动电动叉车的六自由度模型：

确定叉车纵向力方程如式(4)：

确定叉车侧向力方程如式(5)：

F_x1为左前轮纵向力，F_x2为右前轮纵向力，F_x3为后轮纵向力，F_y1为左前轮横向力，F_y2为右前轮横向力，F_y3为后轮横向力，a_y为侧向加速度，a_x为纵向加速度，为v_x的微分量，为v_y的微分量；

确定三轮独立驱动电动叉车的叉车横摆转矩平衡方程如式(6)：

其中，c为叉车左前轮和右前轮之间的圆心距，β为质心侧偏角，I_z为整车绕z轴的转动惯量,是ω_r的微分量，ω_r为车辆的横摆角速度；

根据力矩平衡原理建立由式(7所表征的三轮独立驱动电动叉车的车轮动力学方程：

I_z1为左前轮转动惯量，I_z2为右前轮转动惯量，I_z3为后轮转动惯量，T_d1为左前轮转矩，T_d2为右前轮转矩，T_d3为后轮转矩，ω₁为左前轮旋转角速度，ω₂为右前轮旋转角速度，ω₃为后轮旋转角速度，R_w为车轮滚动半径；

建立三个驱动轮的垂直载荷计算方程如式(8)：

F_z1为左前轮垂直载荷，F_z2为右前轮垂直载荷，F_z3为后轮垂直载荷，h为叉车质心高度；

确定三个驱动轮的侧偏角方程，分别是：

左前轮侧偏角σ₁为：

右前轮侧偏角σ₂为：

后轮侧偏角σ₃为：

确定三个车轮的轮胎模型：采用通用轮胎模型为三轮独立驱动电动叉车的轮胎模型；

计算获得各驱动轮的纵向速度，分别是：

左前轮纵向速度v₁为：

右前轮纵向速度v₂为：

后轮纵向速度v₃为：v₃＝v_x+(v_y+aω_r)sinδ；

计算获得各驱动的轮滑移率，分别是：

左前轮滑移率s₁为：

右前轮滑移率s₂为：

后轮滑移率s₃为：

本发明三轮独立驱动电动叉车转矩的混合优化分配控制方法的特点也在于：在所述步骤3中，采用优化遗传算法，按如下过程计算获得所述前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc：

步骤3.1：随机生成N个8位的二进制数分别记为个体α_i，作为初始群体Q₁，i＝1,2...N；

步骤3.2：计算获得每个个体α_i所对应的前后轴分配系数当前值k_frci和左右轴分配系数当前值k_lrci，是将个体α_i的高四位转化为10进制数，并作为k_frci的值，将个体α_i的低四位转化为10进制数，并作为k_lrci；

步骤3.3：计算获得每个个体α_i的适应度函数值J_i为：

式中，ω_ωr、ω_β、ω_fr和ω_lr为设定的权值；

定义最优个体α_best为适应度值最小的个体；

步骤3.4：采用遗传算法中的轮盘赌法进行选择操作，所述轮盘赌法是基于适应度比例的选择策略，在N个个体中选择M个个体作为更新群体Q₂进入步骤3.5，M小于N，每个个体α_i被选择的概率p_i为：

步骤3.5：采用万有引力定律进行遗传算法交叉操作：

步骤3.5.1：利用式(9)计算获得更新种群Q₂中每个个体α_j的被动引力质量M_pj和主动引力质量M_aj，j＝1,2...M：

其中，J_i为个体α_j的适应度函数值，maxJ_i和minJ_i分别为个体α_j的适应度最大值和适应度最小值，m_j为个体α_j的惯性质量，M_j为个体α_j的引力质量；

步骤3.5.2：计算获得更新种群Q₂中任意两个个体之间的作用力

定义：个体α_p对个体α_q的作用力F_pq为：

其中，p＝1,2...M，q＝1,2...M，且p≠q；

M_pp为个体α_p的被动引力质量，M_aq为个体α_q的主动引力质量；

G为万有引力常量，G＝G₀e^-T，G₀为万有引力常量初始值，T为遗传算法的迭代次数；

R_pq为个体α_p和α_q之间的距离，

步骤3.5.3：利用式(10)计算获得个体α_p受到个体α_q作用后的加速度A_pq：

其中，M_p为个体α_p的引力质量；

步骤3.5.4：将每一个个体α_j与种群最优个体α_best进行交叉操作，一一对应获得每个个体α_j的更新个体α_j′，由所有更新个体α_j′构成更新种群Q₃，更新个体α_j′由式(11)计算获得：

α_j′＝(1-A_jbest)α_best+A_jbestα_j (11)，

其中，A_jbest为个体α_j受到种群最优个体α_best作用后的加速度；

步骤3.6：使用自适应变异策略进行遗传算法的变异操作

步骤3.6.1：由式(12)分别计算获得更新群体Q₃中每个更新个体α_j′的自适应变异概率p_mj：

p_m表示自适应变异概率的基准值，p_min表示自适应变异概率的取值下限，p_max表示自适应变异概率的取值上限，p_m、p_min和p_max的值由人工选定为介于0和1之间，且：p_min＜p_m＜p_max；

J_i′为更新个体α_j′的适应度函数值，J_max′为更新群体Q₃中所有个体适应度的最大值，J_min′为更新群体Q₃中所有个体适应度的最小值，表示更新群体Q₃中所有个体适应度的平均值；

步骤3.6.2：利用所述自适应变异概率p_mj完成每个更新个体的变异操作，一一对应得到各最终个体α_j″；

步骤3.7：计算所有最终个体α_j″的适应度函数值，找出适应度函数值最小的最终个体α_best″，若α_best″的适应度函数值小于或等于0.5，则将个体α_best″的高四位转化为10进制数，并作为k_frc的值，将个体α_best″的低四位转化为10进制数，并作为k_lrc的值；若α_best″的适应度函数值大于0.5，则利用所有的最终个体α_j″和若干新增随机生成的8位的二进制数个体，产生新一代种群，并以新一代种群返回步骤3.2进行下一次迭代，所述新一代种群的个体数为N。

与已有技术相比，本发明有益效果体现在：

1、本发明根据三轮独立驱动电动叉车的结构与工作环境，建立三轮独立驱动电动叉车的六自由度整车模型和三轮独立驱动电动叉车的理想横摆角速度计算模型；采用万有引力定律和自适应变异策略优化遗传算法，并利用优化过后的遗传算法对三轮独立驱动电动叉车的三个驱动轮转矩进行合理分配，使三轮独立驱动电动车在各种复杂工况下都有较好的稳定性和灵活性。

2、本发明中优化遗传算法具有更高的计算效率和计算精度，并且能在一定程度上避免遗传算法陷入局部最优，可合理地分配三轮独立驱动电动叉车的驱动轮转矩，使三轮独立驱动电动叉车在各种复杂的工况下都具有良好的稳定性。

附图说明

图1本发明控制方法流程图；

图2为本发明中三轮独立驱动电动叉车六自由度模型；

具体实施方式

参见图1和图2，本实施例中，三轮独立驱动电动叉车中的三只独立驱动轮分别是左前轮、右前轮和后轮，后轮为转向轮，三轮独立驱动电动叉车转矩的混合优化分配控制方法是按如下方式进行：

通过建立三轮独立驱动电动叉车的理想横摆角速度计算模型和理想质心侧偏角计算模型，计算获得三轮独立驱动电动叉车的理想横摆角速度，以及理想质心侧偏角。

根据叉车行驶过程中的真实横摆角速度与理想横摆角速度之间的差值，以及真实质心侧偏角与理想质心侧偏角之间的差值，利用遗传算法配合三轮独立驱动叉车六自由度模型计算获得前后轴分配系数和左右轴分配系数。

根据总驱动力矩、前后轴分配系数和左右轴分配系数计算获得三个车轮的驱动力矩，并一一对应驱动各车轮，使叉车的横摆角速度和质心侧偏角接近理想值。

本实施例中，三轮独立驱动电动叉车转矩的混合优化分配控制方法按如下步骤进行：

步骤1：根据叉车的当前行驶状态确定叉车当前行驶状态下的理想横摆角速度ω_rd和理想质心侧偏角β_rd，以获得控制时的参考值。

步骤2：检测获得叉车当前行驶状态下的实际横摆角速度ω_real和实际质心侧偏角β_real，则有横摆角速度实际差值ω_g和质心侧偏角实际差值β_g分别为：ω_g＝ω_real-ω_rd，β_g＝β_real-β_rd；

若横摆角速度实际差值ω_g和质心侧偏角实际差值β_g的绝对值均小于0.2，表明实际横摆角速度ω_real和实际质心侧偏角β_real都满足稳定性需求，将前后轴分配系数的最终值k_frz和左右轴分配系数的最终值k_lrz均设定为0.5，将总转矩平均分配给三个驱动轮，且继续执行步骤5，否则继续执行步骤3。

步骤3：根据所述横摆角速度实际差值ω_g和质心侧偏角实际差值β_g，采用遗传算法计算获得前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc，由于遗传算法具有快速随机的搜索能力，因此可以快速准确得到能使叉车稳定的前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc。

步骤4：为了保证步骤3中获得的前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc确实能够合理分配车轮转矩，使车辆的行驶状态趋于稳定，需要将前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc输入三轮独立驱动电动叉车的六自由度模型以模拟叉车的行驶状态。根据前后轴分配系数当前值k_frc、左右轴分配系数当前值k_lrc以及叉车驱动轮总转矩T_总计算获得叉车三个驱动轮转矩当前值；根据叉车三个驱动轮转矩当前值利用三轮独立驱动电动叉车的六自由度模型计算获得模拟横摆角速度ω_v和模拟质心侧偏角β_v，则有横摆角速度模拟差值ω_rv和质心侧偏角模拟差值β_rv分别为：ω_rv＝ω_v-ω_rd，β_rv＝β_v-β_rd；

若横摆角速度模拟差值ω_rv和质心侧偏角模拟差值β_rv的绝对值均小于0.2，表明模拟横摆角速度ω_v和模拟质心侧偏角β_v都满足稳定性需求，步骤3中获得的前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc确实能够合理分配车轮转矩，使车辆的行驶状态趋于稳定，将前后轴分配系数的最终值k_frz和左右轴分配系数的最终值k_lrz一一对应设置为前后轴分配系数当前值k_frc、左右轴分配系数当前值k_lrc且继续执行步骤5；否则，更新遗传算法中的种群并返回步骤3。

步骤5：利用前后轴分配系数最终值k_frz、左右轴分配系数最终值k_lrz和叉车驱动轮总转矩T_总计算获得叉车三个驱动轮转矩最终值T_d1z、T_d2z、T_d3z，并一一对应独立控制叉车各驱动轮。

步骤6：以设定的时间间隔循环执行步骤1-步骤5，实现三轮独立驱动电动叉车的稳定性控制。

具体实施中，相应的措施也包括：

在步骤1中，将叉车当前行驶状态下的理想质心侧偏角β_rd设定为0，即：β_rd＝0，并按如下方式确定叉车当前行驶状态下的理想横摆角速度ω_rd：

利用传感器测量获得叉车在当前行驶状态下的纵向行驶速度v_x、方向盘转角δ和侧向行驶速度v_y；由式(1)计算获得叉车的理想横摆角速度ω_rd：

其中，K为三轮叉车的稳定性因数，μ为路面摩擦系数，叉车工作的路面较为平整，因此将路面摩擦系数μ取为0.8，C₁为前轮侧偏刚度，左前轮侧偏刚度与右前轮侧偏刚度数值相近，统一表示为C₁，C₃是后轮侧偏刚度，a为叉车质心至前轴的距离，b为叉车质心至后轴的距离，g为重力加速度，m为叉车的整车质量，L＝a+b。

在步骤4中，根据前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc以及叉车驱动轮总转矩T_总利用式(2)计算获得叉车中三个驱动轮转矩当前值，分别是：左前轮输入转矩当前值T_d1c、右前轮输入转矩当前值T_d2c和后轮输入转矩当前值T_d3c；

在步骤5中，利用式(3)计算获得叉车中三个驱动轮转矩最终值，分别是左前轮输入转矩最终值T_d1z、右前轮输入转矩最终值T_d2z和后轮输入转矩最终值T_d3z：

具体实施中，按如下方式建立三轮独立驱动电动叉车的六自由度模型：

确定叉车纵向力方程如式(4)：

确定叉车侧向力方程如式(5)：

F_x1为左前轮纵向力，F_x2为右前轮纵向力，F_x3为后轮纵向力，F_y1为左前轮横向力，F_y2为右前轮横向力，F_y3为后轮横向力，a_y为侧向加速度，a_x为纵向加速度，为v_x的微分量，为v_y的微分量；

确定三轮独立驱动电动叉车的叉车横摆转矩平衡方程如式(6)：

其中，c为叉车左前轮和右前轮之间的圆心距，β为质心侧偏角，I_z为整车绕z轴的转动惯量,是ω_r的微分量，ω_r为车辆的横摆角速度；

根据力矩平衡原理建立由式(7所表征的三轮独立驱动电动叉车的车轮动力学方程：

I_z1为左前轮转动惯量，I_z2为右前轮转动惯量，I_z3为后轮转动惯量，T_d1为左前轮转矩，T_d2为右前轮转矩，T_d3为后轮转矩，ω₁为左前轮旋转角速度，ω₂为右前轮旋转角速度，ω₃为后轮旋转角速度，R_w为车轮滚动半径，车轮滚动半径R_w根据车辆型号进行选择；

建立三个驱动轮的垂直载荷计算方程如式(8)：

F_z1为左前轮垂直载荷，F_z2为右前轮垂直载荷，F_z3为后轮垂直载荷，h为叉车质心高度；

确定三个驱动轮的侧偏角方程，分别是：

左前轮侧偏角σ₁为：

右前轮侧偏角σ₂为：

后轮侧偏角σ₃为：

确定三个车轮的轮胎模型：采用通用轮胎模型为三轮独立驱动电动叉车的轮胎模型，目前，通用轮胎模型为魔术公式模型、幂指数统一轮胎模型，或SWIFT轮胎模型；

计算获得各驱动轮的纵向速度，分别是：

左前轮纵向速度v₁为：

右前轮纵向速度v₂为：

后轮纵向速度v₃为：v₃＝v_x+(v_y+aω_r)sinδ；

计算获得各驱动的轮滑移率，分别是：

左前轮滑移率s₁为：

右前轮滑移率s₂为：

后轮滑移率s₃为：

在步骤3中，采用优化遗传算法，按如下过程计算获得所述前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc：

步骤3.1：随机生成N个8位的二进制数分别记为个体α_i，作为初始群体Q₁，i＝1,2...N；

步骤3.2：计算获得每个个体α_i所对应的前后轴分配系数当前值k_frci和左右轴分配系数当前值k_lrci，是将个体α_i的高四位转化为10进制数，并作为k_frci的值，将个体α_i的低四位转化为10进制数，并作为k_lrci；比如：α_i＝00010010，则将α_i的高四位转化为10进制作为k_frci：k_frci＝1，将α_i的低四位转化为10进制作为k_lrci：k_lrci＝2。

步骤3.3：计算获得每个个体α_i的适应度函数值J_i为：

式中，ω_ωr、ω_β、ω_fr和ω_lr为设定的权值；

定义最优个体α_best为适应度值最小的个体；

步骤3.4：采用遗传算法中的轮盘赌法进行选择操作，将适应度值小的个体淘汰掉，轮盘赌法是基于适应度比例的选择策略，在N个个体中选择M个个体作为更新群体Q₂进入步骤3.5，M小于N，每个个体α_i被选择的概率p_i为：

步骤3.5：采用万有引力定律进行遗传算法交叉操作。借鉴万有引力搜索算法和局部搜索思想，对遗传算法中的交叉操作进行改进，将万有引力搜索算法引入遗传算法的交叉操作能够充分利用最优个体信息，加快收敛速度，提高求解精度：

步骤3.5.1：利用式(9)计算获得更新种群Q₂中每个个体α_j的被动引力质量M_pj和主动引力质量M_aj，j＝1,2...M：

其中，J_i为个体α_j的适应度函数值，maxJ_i和minJ_i分别为个体α_j的适应度最大值和适应度最小值，m_j为个体α_j的惯性质量，M_j为个体α_j的引力质量；

步骤3.5.2：计算获得更新种群Q₂中任意两个个体之间的作用力

定义：个体α_p对个体α_q的作用力F_pq为：

其中，p＝1,2...M，q＝1,2...M，且p≠q；

M_pp为个体α_p的被动引力质量，M_aq为个体α_q的主动引力质量；

G为万有引力常量，G＝G₀e^-T，G₀为万有引力常量初始值，G₀取为1.25，T为遗传算法的迭代次数；

R_pq为个体α_p和α_q之间的距离，

步骤3.5.3：利用式(10)计算获得个体α_p受到个体α_q作用后的加速度A_pq：

其中，M_p为个体α_p的引力质量；

步骤3.5.4：将每一个个体α_j与种群最优个体α_best进行交叉操作，一一对应获得每个个体α_j的更新个体α_j′，由所有更新个体α_j′构成更新种群Q₃，更新个体α_j′由式(11)计算获得：

α_j′＝(1-A_jbest)α_best+A_jbestα_j (11)，

其中，A_jbest为个体α_j受到种群最优个体α_best作用后的加速度；

步骤3.6：使用自适应变异策略进行遗传算法的变异操作。使用自适应变异策略进行遗传算法的变异操作可以有效避免遗传算法陷入局部最优的困境，大大加快收敛的速度。

步骤3.6.1：由式(12)分别计算获得更新群体Q₃中每个更新个体α_j′的自适应变异概率p_mj：

p_m表示自适应变异概率的基准值，p_min表示自适应变异概率的取值下限，p_max表示自适应变异概率的取值上限，p_m、p_min和p_max的值由人工选定为介于0和1之间，且：p_min＜p_m＜p_max；

J_i′为更新个体α_j′的适应度函数值，J_max′为更新群体Q₃中所有个体适应度的最大值，J_min′为更新群体Q₃中所有个体适应度的最小值，J表示更新群体Q₃中所有个体适应度的平均值；

步骤3.6.2：利用所述自适应变异概率p_mj完成每个更新个体的变异操作，一一对应得到各最终个体α_j″；

步骤3.7：计算所有最终个体α_j″的适应度函数值，找出适应度函数值最小的最终个体α_best″，若α_best″的适应度函数值小于或等于0.5，则将个体α_best″的高四位转化为10进制数，并作为k_frc的值，将个体α_best″的低四位转化为10进制数，并作为k_lrc的值；若α_best″的适应度函数值大于0.5，则利用所有的最终个体α_j″和若干新增随机生成的8位的二进制数个体，产生新一代种群，并以新一代种群返回步骤3.2进行下一次迭代，所述新一代种群的个体数为N。

Claims (7)

1.一种三轮独立驱动电动叉车转矩的混合优化分配控制方法，所述三轮独立驱动电动叉车中三只独立驱动轮分别是左前轮、右前轮和后轮，所述后轮为转向轮，其特征是所述优化分配控制方法是：

通过建立三轮独立驱动电动叉车的理想横摆角速度计算模型和理想质心侧偏角计算模型，计算获得所述三轮独立驱动电动叉车的理想横摆角速度，以及理想质心侧偏角；

根据叉车行驶过程中的真实横摆角速度与所述理想横摆角速度之间的差值，以及真实质心侧偏角与所述理想质心侧偏角之间的差值，利用遗传算法配合三轮独立驱动叉车六自由度模型计算获得前后轴分配系数和左右轴分配系数；

根据总驱动力矩、前后轴分配系数和左右轴分配系数计算获得三个车轮的驱动力矩，并一一对应驱动各车轮，使叉车的横摆角速度和质心侧偏角接近理想值。

2.根据权利要求1所述的三轮独立驱动电动叉车转矩的混合优化分配控制方法，其特征是所述优化分配控制方法是按如下步骤进行：

步骤1：根据叉车的当前行驶状态确定叉车当前行驶状态下的理想横摆角速度ω_rd和理想质心侧偏角β_rd；

步骤2：检测获得叉车当前行驶状态下的实际横摆角速度ω_real和实际质心侧偏角β_real，则有横摆角速度实际差值ω_g和质心侧偏角实际差值β_g分别为：ω_g＝ω_real-ω_rd，β_g＝β_real-β_rd；

若横摆角速度实际差值ω_g和质心侧偏角实际差值β_g的绝对值均小于0.2，表明实际横摆角速度ω_real和实际质心侧偏角β_real都满足稳定性需求，将前后轴分配系数的最终值k_frz和左右轴分配系数的最终值k_lrz均设定为0.5，且继续执行步骤5，否则继续执行步骤3；

步骤3：根据所述横摆角速度实际差值ω_g和质心侧偏角实际差值β_g，采用遗传算法计算获得前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc；

步骤4：根据所述前后轴分配系数当前值k_frc、左右轴分配系数当前值k_lrc以及叉车驱动轮总转矩T_总计算获得叉车三个驱动轮转矩当前值；根据叉车三个驱动轮转矩当前值利用三轮独立驱动电动叉车的六自由度模型计算获得模拟横摆角速度ω_v和模拟质心侧偏角β_v，则有横摆角速度模拟差值ω_rv和质心侧偏角模拟差值β_rv分别为：ω_rv＝ω_v-ω_rd，β_rv＝β_v-β_rd；

若横摆角速度模拟差值ω_rv和质心侧偏角模拟差值β_rv的绝对值均小于0.2，表明模拟横摆角速度ω_v和模拟质心侧偏角β_v都满足稳定性需求，将前后轴分配系数的最终值k_frz和左右轴分配系数的最终值k_lrz一一对应设置为前后轴分配系数当前值k_frc、左右轴分配系数当前值k_lrc且继续执行步骤5；否则，更新遗传算法中的种群并返回步骤3；

步骤5：利用所述前后轴分配系数最终值k_frz、左右轴分配系数最终值k_lrz和叉车驱动轮总转矩T_总计算获得叉车三个驱动轮转矩最终值T_d1z、T_d2z、T_d3z，并一一对应独立控制叉车各驱动轮；

步骤6：以设定的时间间隔循环执行步骤1-步骤5，实现三轮独立驱动电动叉车的稳定性控制。

3.根据权利要求2所述的三轮独立驱动电动叉车转矩的混合优化分配控制方法，其特征在于：在所述步骤1中，将所述叉车当前行驶状态下的理想质心侧偏角β_rd设定为0，即：β_rd＝0，并按如下方式确定叉车当前行驶状态下的理想横摆角速度ω_rd：

利用传感器测量获得叉车在当前行驶状态下的纵向行驶速度v_x、方向盘转角δ和侧向行驶速度v_y；由式(1)计算获得叉车的理想横摆角速度ω_rd：

其中，K为三轮叉车的稳定性因数，μ为路面摩擦系数，C₁为前轮侧偏刚度，C₃是后轮侧偏刚度，a为叉车质心至前轴的距离，b为叉车质心至后轴的距离，g为重力加速度，m为叉车的整车质量，L＝a+b。

4.根据权利要求2所述的三轮独立驱动电动叉车转矩的混合优化分配控制方法，其特征在于：在所述步骤4中根据所述前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc以及叉车驱动轮总转矩T_总利用式(2)计算获得叉车中三个驱动轮转矩当前值，分别是：左前轮输入转矩当前值T_d1c、右前轮输入转矩当前值T_d2c和后轮输入转矩当前值T_d3c；

5.根据权利要求2所述的三轮独立驱动电动叉车转矩的混合优化分配控制方法，其特征在于：在所述步骤5中，利用式(3)计算获得叉车中三个驱动轮转矩最终值，分别是：左前轮输入转矩最终值T_d1z、右前轮输入转矩最终值T_d2z和后轮输入转矩最终值T_d3z：

6.根据权利要求2所述的三轮独立驱动电动叉车转矩的混合优化分配控制方法，其特征在于：按如下方式建立三轮独立驱动电动叉车的六自由度模型：

确定叉车纵向力方程如式(4)：

确定叉车侧向力方程如式(5)：

F_x1为左前轮纵向力，F_x2为右前轮纵向力，F_x3为后轮纵向力，F_y1为左前轮横向力，F_y2为右前轮横向力，F_y3为后轮横向力，a_y为侧向加速度，a_x为纵向加速度，为v_x的微分量，为v_y的微分量；

确定三轮独立驱动电动叉车的叉车横摆转矩平衡方程如式(6)：

其中，c为叉车左前轮和右前轮之间的圆心距，β为质心侧偏角，I_z为整车绕z轴的转动惯量,是ω_r的微分量，ω_r为车辆的横摆角速度；

根据力矩平衡原理建立由式(7)所表征的三轮独立驱动电动叉车的车轮动力学方程：

I_z1为左前轮转动惯量，I_z2为右前轮转动惯量，I_z3为后轮转动惯量，T_d1为左前轮转矩，T_d2为右前轮转矩，T_d3为后轮转矩，ω₁为左前轮旋转角速度，ω₂为右前轮旋转角速度，ω₃为后轮旋转角速度，R_w为车轮滚动半径；

建立三个驱动轮的垂直载荷计算方程如式(8)：

F_z1为左前轮垂直载荷，F_z2为右前轮垂直载荷，F_z3为后轮垂直载荷，h为叉车质心高度；

确定三个驱动轮的侧偏角方程，分别是：

左前轮侧偏角σ₁为：

右前轮侧偏角σ₂为：

后轮侧偏角σ₃为：

确定三个车轮的轮胎模型：采用通用轮胎模型为三轮独立驱动电动叉车的轮胎模型；

计算获得各驱动轮的纵向速度，分别是：

左前轮纵向速度v₁为：

右前轮纵向速度v₂为：

后轮纵向速度v₃为：v₃＝v_x+(v_y+aω_r)sinδ；

计算获得各驱动的轮滑移率，分别是：

左前轮滑移率s₁为：

右前轮滑移率s₂为：

后轮滑移率s₃为：

7.根据权利要求2所述的三轮独立驱动电动叉车转矩的混合优化分配控制方法，其特征是，在所述步骤3中，采用优化遗传算法，按如下过程计算获得所述前后轴分配系数当前值k_frc和左右轴分配系数当前值k_lrc：

步骤3.1：随机生成N个8位的二进制数分别记为个体α_i，作为初始群体Q₁，i＝1,2...N；

步骤3.2：计算获得每个个体α_i所对应的前后轴分配系数当前值k_frci和左右轴分配系数当前值k_lrci，是将个体α_i的高四位转化为10进制数，并作为k_frci的值，将个体α_i的低四位转化为10进制数，并作为k_lrci；

步骤3.3：计算获得每个个体α_i的适应度函数值J_i为：

式中，ω_ωr、ω_β、ω_fr和ω_lr为设定的权值；

定义最优个体α_best为适应度值最小的个体；

步骤3.4：采用遗传算法中的轮盘赌法进行选择操作，所述轮盘赌法是基于适应度比例的选择策略，在N个个体中选择M个个体作为更新群体Q₂进入步骤3.5，M小于N，每个个体α_i被选择的概率p_i为：

步骤3.5：采用万有引力定律进行遗传算法交叉操作：

步骤3.5.1：利用式(9)计算获得更新种群Q₂中每个个体α_j的被动引力质量M_pj和主动引力质量M_aj，j＝1,2...M：

其中，J_i为个体α_j的适应度函数值，maxJ_i和minJ_i分别为个体α_j的适应度最大值和适应度最小值，m_j为个体α_j的惯性质量，M_j为个体α_j的引力质量；

步骤3.5.2：计算获得更新种群Q₂中任意两个个体之间的作用力

定义：个体α_p对个体α_q的作用力F_pq为：

其中，p＝1,2...M，q＝1,2...M，且p≠q；

M_pp为个体α_p的被动引力质量，M_aq为个体α_q的主动引力质量；

G为万有引力常量，G＝G₀e^-T，G₀为万有引力常量初始值，T为遗传算法的迭代次数；

R_pq为个体α_p和α_q之间的距离，

步骤3.5.3：利用式(10)计算获得个体α_p受到个体α_q作用后的加速度A_pq：

其中，M_p为个体α_p的引力质量；

步骤3.5.4：将每一个个体α_j与种群最优个体α_best进行交叉操作，一一对应获得每个个体α_j的更新个体α_j′，由所有更新个体α_j′构成更新种群Q₃，更新个体α_j′由式(11)计算获得：

α_j′＝(1-A_jbest)α_best+A_jbestα_j (11)，

其中，A_jbest为个体α_j受到种群最优个体α_best作用后的加速度；

步骤3.6：使用自适应变异策略进行遗传算法的变异操作

步骤3.6.1：由式(12)分别计算获得更新群体Q₃中每个更新个体α_j′的自适应变异概率p_mj：

p_m表示自适应变异概率的基准值，p_min表示自适应变异概率的取值下限，p_max表示自适应变异概率的取值上限，p_m、p_min和p_max的值由人工选定为介于0和1之间，且：p_min＜p_m＜p_max；

J_i′为更新个体α_j′的适应度函数值，J_max′为更新群体Q₃中所有个体适应度的最大值，J_min′为更新群体Q₃中所有个体适应度的最小值，表示更新群体Q₃中所有个体适应度的平均值；

步骤3.6.2：利用所述自适应变异概率p_mj完成每个更新个体的变异操作，一一对应得到各最终个体α_j″；

步骤3.7：计算所有最终个体α_j″的适应度函数值，找出适应度函数值最小的最终个体α_best″，若α_best″的适应度函数值小于或等于0.5，则将个体α_best″的高四位转化为10进制数，并作为k_frc的值，将个体α_best″的低四位转化为10进制数，并作为k_lrc的值；若α_best″的适应度函数值大于0.5，则利用所有的最终个体α_j″和若干新增随机生成的8位的二进制数个体，产生新一代种群，并以新一代种群返回步骤3.2进行下一次迭代，所述新一代种群的个体数为N。