分布式驱动电动汽车这几年在业内讨论度一直很高核心原因其实很朴素传统集中式驱动车型的动力系统只有一个动力源四个车轮的驱动力矩本质上是绑定在一起的而分布式驱动把电机放到了车轮端每个轮子的转矩都能独立控制这给整车动力系统的优化控制打开了一个完全不同的空间。我去年完整做过一轮面向分布式驱动样车的动力系统优化控制方案从整车动力学建模、分层控制架构设计到转矩分配策略和仿真验证都跑了一遍。这篇文章就把整个探究过程整理出来重点讲清楚“优化控制到底在优化什么”“转矩分配的策略是怎么设计出来的”“哪些坑是仿真阶段看不出来的”希望能给正在做电驱动、底盘集成或者整车控制方向的朋友一些参考。1. 分布式驱动系统到底带来了什么变化1.1 从“集中驱动”到“轮端驱动”的本质区别分布式驱动与传统集中式驱动最大的差异不是电机装在哪里而是整车的控制自由度发生了根本变化。传统燃油车或中央电机驱动电动车动力系统的控制输入通常就是“一个总驱动力矩”和“一个总制动力矩”最多再加上差速器带来的一点被动转速调节整车动力学行为基本被机械结构锁死了。而分布式驱动尤其是四轮独立驱动布置相当于把原来集中的单一执行器拆成了四个独立可控的执行器。整车层面的控制输入从一个变成了四个这看起来只是数量变化但控制论里这叫“过驱动系统”Over-actuated System。过驱动带来的直接好处就是同一个整车运动状态可以由多组不同的轮端转矩组合来实现。打个比方原来你只能通过踩油门让车加速现在你可以让左前轮多出力、右后轮少出力四个轮子各自出力不同但整车依然保持相同的纵向加速度——多出来的这些“自由组合”空间就是优化控制可以发挥的地方。这个自由度带来两个层面的价值。第一个层面是性能冗余某个电机出现故障或达到转矩极限时其他车轮可以通过转矩重组来补偿整车依然能维持基本的驱动能力和稳定性。第二个层面是优化空间四个轮子的转矩分配不同整车的能耗表现、轮胎磨损、操纵特性都会不同这就产生了“在满足整车运动需求的前提下寻找一组最优轮端转矩分配”的优化问题。1.2 优化控制的核心到底在优化什么分布式驱动的动力系统优化控制表面上是“优化转矩分配”但拆开来看它包含三层目标第一层是整车需求满足层。无论怎么分配四个轮子的总驱动力矩要等于驾驶员踩下的加速踏板所对应的需求力矩同时整车的横摆力矩要满足转向时的稳定性需求。这是硬约束所有优化都得在这个前提下进行。第二层是能效优化层。电机在不同转速和转矩点上的效率是不一样的高速低扭和低速高扭的效率差异很大。四轮独立驱动意味着我们可以把整车需求转矩拆分到四个电机让每个电机尽可能工作在高效率区间。比如同样跑100km/h巡航需求总力矩200Nm可以四个轮子平均分配各50Nm也可以前轴多分一点、后轴少分一点关键看当前车速下哪个电机更接近高效区。第三层是稳定性与安全性约束层。把力矩分配到某个车轮前提是这个车轮还有足够的附着余量。如果某个轮胎已经接近附着极限再给它分配更多驱动力矩只会加剧打滑这时候优化策略必须自动把力矩转移到附着余量大的一侧车轮。所以转矩分配本质上是能效目标和路面附着约束之间的协调问题。我在整个方案设计中最深的体会是分布式驱动优化控制的“优化”二字不是单纯追求某项指标最小或最大而是在整车需求、能效、稳定性三个层面的约束边界内找到一组平衡解。这也是为什么控制器的设计难度远高于“简单做个四轮平均分配”。2. 整车动力学模型与关键参数准备2.1 建模思路不能太简单也不能太复杂做动力系统优化控制首先得有一个能描述车辆运动状态与轮端力关系的动力学模型。模型太简单比如只用单轨自行车模型看不到左右轮载荷转移对转矩分配的影响模型太复杂比如七自由度甚至更高精度的车辆模型参数标定成本高实时性也难保证。我采用的方案是主流工程实践中比较常用的七自由度整车动力学模型包含四个车轮的旋转自由度、整车纵向运动、横向运动和横摆运动。这个模型既保留了左右轮载荷转移、轮胎非线性等关键特性又不至于复杂到无法实时求解。在这个基础上还可以根据研究侧重点做简化比如只研究纵向加速和制动工况时可以把横向和横摆运动忽略退化成“四轮纵向动力学模型”但这样会丢失稳定性分析能力。既然是做动力系统优化控制我建议至少保留横摆自由度因为转矩分配对横摆力矩的影响是核心研究对象之一。模型里最关键的方程有三个。纵向运动方程描述整车加速度与四个轮胎纵向力、行驶阻力的关系横摆运动方程描述整车横摆角速度与左右侧轮胎力差异的关系车轮旋转方程描述单个车轮角加速度与驱动/制动力矩和轮胎纵向力的关系。这三个方程是后续所有控制策略设计的基础。2.2 关键参数实车目标的仿真基础模型参数不能拍脑袋设最好有明确的整车平台目标。我做这轮仿真时按照一台小型分布式驱动样车的参数来标定整体参数如下表所示参数名称符号数值整车质量m1350 kg轴距L2.6 m前轴到质心距离a1.1 m后轴到质心距离b1.5 m轮距B1.55 m质心高度h0.55 m车轮滚动半径r0.31 m迎风面积A2.2 m²空气阻力系数Cd0.32轮毂电机峰值功率P_max25 kW/个轮毂电机峰值转矩T_max150 Nm/个电机最高转速n_max1400 rpm这套参数对应的最高车速设计值约150km/h0-100km/h加速目标大约8.5秒属于典型的A级纯电动轿车动力水平。值得提醒的是轮毂电机的峰值转矩和峰值功率通常不能同时维持这是由电机外特性曲线决定的低转速区受峰值转矩限制高转速区受峰值功率限制。在做转矩分配优化时必须把电机外特性曲线引入到约束条件中否则优化结果在实际执行器上根本跑不出来。2.3 轮胎模型不能回避的非线性分布式驱动优化控制里最容易忽略却又影响最大的是轮胎-路面附着关系。做转矩分配时如果假设轮胎纵向力无限大优化器就会把大部分转矩分给某个车轮实际路面根本承受不住结果就是车轮打滑、车辆失稳。我使用的是简化的魔术公式轮胎模型只考虑纵向滑移率的纵向力部分。这个模型的核心特征是轮胎纵向力随滑移率先增大后减小存在一个最佳滑移率点通常在10%-20%之间。超过最佳滑移率后纵向力反而下降车辆进入不稳定区域。实际做控制时我不会用完整的魔术公式去在线求解而是提取两个关键信息进入控制策略一是当前路面附着系数估算值二是根据估算附着系数计算每个车轮的附着利用率也就是当前轮胎力与路面最大附着力的比值。附着利用率越接近1说明该车轮越接近附着极限分配转矩时应减小该车轮的份额。这个思路在工程上实现简单效果却是立竿见影的。3. 动力系统优化控制策略总体设计3.1 分层控制架构上层决策、中层分配、下层执行分布式驱动动力系统控制器如果做成一个大而全的集中式优化计算负担高、故障隔离差、调参也极其痛苦。工程上我更推荐分层式架构这也是目前业内用得最成熟的方式上层驾驶员需求解释层。解析加速踏板和制动踏板信号叠加定速巡航、自动驾驶等上层规划的加速度需求生成整车目标纵向力和目标横摆力矩。这一层通常还可以叠加车速闭环让整车实际车速平滑跟踪目标车速。中层转矩优化分配层。接收上层输出的目标纵向力和目标横摆力矩结合当前车速、转向角、路面附着估算值求解四个车轮的最优驱动力矩。这层是整个优化控制的核心战场。下层执行器控制层。把中层给出的轮端目标转矩发给四个电机控制器同时处理电机响应延迟、转矩变化率限制、故障保护等执行层事务。分层的好处在于各层可以独立开发和验证。上层逻辑可以先用简单的四轮平均分配来标定中层分配算法可以在不改变驾驶员模型的前提下单独测试下层执行器限制则可以在台架上充分验证。整个系统出了问题也能很快定位是哪个层面的问题而不是面对一个黑盒无从下手。3.2 目标函数设计能耗优先还是稳定性优先转矩分配优化的目标函数设计是整套方案里学问最深的地方。以能效优化为例如果只写一个“四轮总能耗最小”优化器很快会发现一个漏洞它可能会大幅降低某个电机的输出甚至让某个电机进入能量回馈状态而其他电机增加输出这样从电机损耗之和来看可能更“节能”但整车总需求转矩并没有变效率计算还引入了不必要的回流损耗。所以我建议目标函数采用“多目标加权”形式至少包含三项各电机总能耗或总损耗最小化。需要考虑电机驱动效率和回馈效率的差异。转矩分配方差最小化。避免个别电机过载延长执行器寿命。轮胎附着利用率最大化即附着余量最大化。将转矩尽可能分配给附着余量大的车轮。每一项前面都带一个权重系数。权重系数的整定逻辑是正常巡航工况下能耗权重取大车辆处于高速转向或低附着路面时稳定性权重取大。实际工程中不会动态调整所有权重而是先做几组固定工况标定再根据车速区间和附着系数区间切换权重表。有一点必须提醒目标函数不是越复杂越好。有一次我试图加入轮胎磨损模型来衡量转矩分配对轮胎寿命的影响理论上很美好但轮胎磨损模型本身的参数不确定性很大最终优化结果对磨损参数极其敏感同样的工况稍微改一个系数分配策略就完全变了。后来我把磨损项去掉改为约束“左右轮转矩差不超过某阈值”效果反而更稳定。做优化控制千万别贪多能落地才是第一位的。3.3 约束条件哪些边界必须写进优化器优化分配中的约束条件如果设置不当要么优化结果无法执行要么控制器求解失败。我把必选的约束条件整理如下整车需求约束四个轮端纵向力在纵向上合成的合力等于目标纵向力对质心产生的横摆力矩等于目标横摆力矩。这是等式约束必须精确满足。执行器约束每个轮端转矩不得超过电机峰值外特性限制。不同转速下峰值转矩不同约束条件要随车速实时更新。附着约束每个车轮分配的纵向力不得超过当前路面附着系数能提供的最大纵向力。注意这里需要用到实时估算的附着系数。变化率约束每个车轮的转矩变化率不得超过电机和传动系统允许的最大变化率防止过大的冲击。防滑约束滑移率不得超过设定的安全阈值。这个约束在低附着路面尤其重要可以单独做成一个限制模块串在分配器后面。约束条件的数量直接影响求解速度。我最初用非线性规划求解带所有约束的优化问题单步求解时间接近20毫秒在仿真里勉强能用但控制周期其实是10毫秒也就是说求解时间超过控制周期这在实时系统里是绝对不能接受的。后面把问题改造成二次规划QP形式问题简化为二次目标函数加线性约束求解时间从20毫秒压缩到了2毫秒左右这才满足要求。4. 转矩分配策略实现与验证4.1 基于QP的转矩优化分配设计我最终采用的是“解析分配二次规划修正”的混合策略。基础思路是先用简单的规则给出一个初始分配解再通过QP求解器在初始解的附近寻找满足约束和优化目标的最优解。这样做的好处是即使QP求解失败系统仍然保留规则分配的结果作为安全输出不会出现控制器输出跳变或空值。QP求解的核心是构造二次性能指标J min (u - u_d)ᵀ W₁ (u - u_d) uᵀ W₂ u其中u是四个车轮的纵向力向量u_d是规则分配给出的期望纵向力W₁是跟踪权重矩阵W₂是能耗和稳定性惩罚矩阵。约束条件就是上面提到的等式约束和不等式约束。实际实现时性能指标里的能耗项并不直接用电机损耗三维MAP而是用效率MAP拟合成二次函数带入QP否则QP无法保持二次形式。整个分配过程在Simulink里搭建QP求解器用外部嵌入式代码集成。需要说明的是QP求解对初值不敏感但对约束的一致性很敏感如果等式约束设置不合理比如目标横摆力矩超过整车物理极限求解器会进入不可行域。我在求解器前面加了一层可行性校验先根据当前转向角和附着条件估计横摆力矩可行区间上层分配的目标横摆力矩先做限幅再进QP这样基本杜绝了求解失败的问题。4.2 仿真工况设计与结果分析仿真验证我用了三组典型工况一组是直线加速工况用于验证能效优化效果一组是正弦转向工况频率0.5Hz用于验证稳定性控制边界一组是双移线工况这是评价车辆操纵稳定性的经典标准工况也是很多底盘调校团队必跑的项目。直线加速工况下我对比了四种分配策略的能耗表现策略100km/h等速巡航能耗0-80km/h急加速能耗平均分配基准值基准值前轴优先降低约3.2%降低约1.8%后轴优先降低约1.1%升高约2.5%QP优化分配降低约5.6%降低约3.9%这个结果说明了一点很关键的东西没有绝对最优的固定分配比例只有随工况在线变化的最优分配。前轴优先在巡航工况表现好因为前轴电机在低负荷下运行在更高效率区但在急加速工况由于重心后移、前轮载荷减小前轴分配的转矩容易突破附着极限反而后轴优先更安全。QP优化分配相当于把这两个因素综合了起来并且每个时刻都在重新决策所以整体能耗表现最好。双移线工况下的结果更能说明问题平均分配在变道过程中出现明显的横摆角速度超调后轴侧向速度偏大QP优化分配的车辆在变道过程中横摆角速度响应更快超调量更小轨迹跟踪精度更高。从数据上看横摆角速度峰值误差从平均分配的18.4%降低到了6.2%质心侧偏角峰值从4.1度降低到了2.3度。这个差距在实车上体感会非常明显前者是开起来感觉“尾巴甩”后者是车身姿态干净利落。4.3 路面附着系数变化场景的鲁棒性测试仿真阶段最容易忽略的就是路面附着系数突变。很多方案拿着干沥青路面的附着系数一路调到天黑放到冰雪路面直接崩掉。我专门加了从高附着mu0.8到低附着mu0.2的场景模拟车辆在高速路段突然进入结冰桥面的情况。测试结果显示如果没有附着约束QP优化分配在附着突变瞬间会把很大的转矩分配给附着已经不足的驱动轮导致滑移率突变、车辆瞬间失稳。加了附着约束后控制器会在附着条件恶化时自动减小总体输出转矩并把剩余转矩优先分配给附着余量更大的车轮车辆在变附着路面上的减速过程明显平稳得多。这个测试给我最大的启发是转矩分配优化不只是“锦上添花”的能效工具在极端工况下它是“雪中送炭”的安全机制。但要让它发挥这个作用附着系数估算模块的精度和响应速度必须跟上。分布驱动车辆本身就有天然优势四个电机转矩精确已知配合轮速传感器可以实时在线估算路面附着系数估算精度远高于传统车辆。5. 工程实现中的关键难题与排查经验5.1 轮毂电机响应延迟带来的转矩波动仿真模型里电机的响应特性通常假设为一阶惯性环节时间常数设个5毫秒就算不错了。但实测轮毂电机由于逆变器控制环路、通讯周期、机械惯量的综合影响实际响应延迟可能达到15-25毫秒而且不同电机之间的延迟还存在差异。这个延迟带来的问题在仿真阶段会暴露出来QP优化分配出的转矩指令在四个电机上执行时间不一致导致实际施加到整车的横摆力矩和目标值偏差增大甚至出现瞬态力矩震荡。我排查了很久才定位到根因不是分配算法的问题是执行器延迟差异在作祟。解决方法是在中层分配器下游加一个“执行器延迟补偿模块”根据每个电机当前的转速和温度估算其实际延迟时间对四个电机的命令做时间对齐。同时还要对四个电机的目标转矩做变化率一致性限制避免前后轴之间出现转矩“跷跷板”式的波动。这个细节在理论推导时完全看不出来但工程上必须处理。5.2 通讯周期对控制实时性的影响分布式驱动的四个电机控制器和整车控制器之间通常走CAN通讯常见周期是10毫秒。如果一台车上还有ESP模块、电池管理系统、热管理系统CAN总线负载率可能已经很高。在这轮方案中我最初把转矩分配控制周期设计为5毫秒想着控制频率高一点响应快一点结果实测发现主控发下去的指令和电机控制器实际收到的指令之间存在严重错位部分节点存在CAN消息丢帧现象导致电机转矩输出偶发跳变。后来把分配控制周期调整到和通讯周期对齐的10毫秒问题基本消失控制效果和数据流畅度反而更好。这个经验想说明一个容易被忽略的道理控制频率不是越高越好系统级的实时性瓶颈往往在通讯环节。设计控制系统时先摸清执行器的通讯周期再决定你算法的运行周期顺序不能颠倒。5.3 失效模式下的转矩重组分布式驱动的一个核心卖点是冗余容错单个电机失效时整车仍能安全工作。但这个功能不是天然具备的控制器必须专门设计失效重分配策略。我做的方案里故障检测模块实时监控四个电机的状态信息一旦检测到某电机转矩输出异常或温度过高立即将该电机分配转矩降零然后重新求解剩余三个电机的转矩分配。约束条件里还要加入“单侧失效时限制最大横摆力矩”的逻辑防止出现左右两侧力矩差距过大导致车辆发生非期望的横摆。实测下来单个车轮完全失效时如果车速超过80km/h即使剩余三电机全扭矩输出整车最多也只能提供大约60%的正常驱动力同时必须限制整车目标横摆力矩在正常值的40%以下整车才能保持稳定。这个边界值的计算过程其实不复杂就是把剩余三个车轮在附着极限下的纵向力分别求和再换算成可实现的横摆力矩范围。建议做失效策略的同行提前把这组边界值计算并存储好做成车速和附着系数的二维表避免失效发生时在线求解再算。到这里分布式驱动电动汽车动力系统优化控制的一套完整思路基本串完了。从整车建模到分层架构从转矩分配优化到仿真验证最后到工程实现中的几个关键坑都是我实际跑过一遍后的积累。这轮探索让我最深的体会是分布式驱动的意义不仅在于硬件上多了几个电机更在于控制软件层面终于拥有了“按需分配”的能力而这种能力真正落地的前提是优化算法必须吃透物理系统的约束和边界。仿真永远是完美的车辆永远是真实而复杂的那些藏在通讯延迟里的毫秒、藏在轮胎附着力里的百分比才是分布式驱动优化控制从论文走向量产真正要跨过的坎。
