Fortschrittliche Regelungsstrategie für Elektrofahrzeug-Stabilität
Im Zeitalter der rasant fortschreitenden Elektromobilität, die die Automobillandschaft grundlegend verändert, ist die Gewährleistung der Fahrzeugstabilität – insbesondere unter extremen Fahrbedingungen – zu einer zentralen ingenieurtechnischen Priorität geworden. Eine bahnbrechende Studie, die im Journal of Chongqing University of Technology (Natural Science) veröffentlicht wurde, stellt eine neuartige hierarchische Regelungsarchitektur vor, die die Querstabilität von elektrischen Fahrzeugen mit Radnabenmotoren (DDEVs) erheblich verbessert. Dies gelingt durch die intelligente Koordination der direkten Giermomentenregelung (DYC) und der Allradlenkung (AWS). Die Forschung unter der Leitung von Professor Changgao Xia und Doktorand Yazhou Li von der School of Automotive and Transportation Engineering an der Jiangsu University präsentiert eine robuste, echtzeitfähige Strategie, die Phasenebenen-Analyse, duale Sliding-Mode-Regelung und optimale Schubkraftverteilung nutzt, um die Fahrzeugstabilität auch auf griffigkeitsarmen Fahrbahnoberflächen aufrechtzuerhalten.
Elektrofahrzeuge mit Radnabenmotoren – ausgestattet mit individuellen Motoren an jedem Rad – bieten eine unübertroffene Regelungsflexibilität im Vergleich zu konventionellen Antriebssträngen. Dieser architektonische Vorteil bringt jedoch auch komplexe Dynamiken mit sich, die eine anspruchsvolle Koordination zwischen Lenk- und Drehmomentverteilungssystemen erfordern. Traditionelle Ansätze behandeln Gierstabilität und Lenkregelung oft als separate Funktionen, was zu suboptimaler Leistung führt, wenn beide Systeme gleichzeitig ohne ausreichende Synergie arbeiten. Die neue Strategie von Xia und Li schließt diese Lücke, indem sie AWS und DYC in einen einheitlichen Rahmen integriert, der sich dynamisch auf Basis von Echtzeit-Fahrzeugzuständen und Straßenbedingungen anpasst.
Im Herzen dieser Innovation liegt eine zweischichtige Regelungsarchitektur. Die obere Ebene verwendet einen dualen Sliding-Mode-Controller, der zwei wichtige Referenzsignale verfolgt, die von einem linearen Zwei-Freiheitsgrade-Fahrzeugmodell abgeleitet werden: die ideale Quergeschwindigkeit und die ideale Gierrate. Diese Referenzen repräsentieren das gewünschte Fahrzeugverhalten unter stabilen Fahrbedingungen. Der Controller vergleicht kontinuierlich die tatsächlich gemessenen Sensorwerte mit diesen Idealwerten und generiert zwei primäre Ausgänge: eine zusätzliche Lenkwinkelkorrektur und eine zusätzliche Giermomentenanforderung. Die Sliding-Mode-Regelung wurde aufgrund ihrer inhärenten Robustheit gegenüber Parameterunsicherheiten und externen Störungen gewählt – ein entscheidendes Merkmal für reale Fahrscenarien mit Seitenwind, unebenen Fahrbahnoberflächen oder plötzlichen Manövern.
Was diesen Ansatz auszeichnet, ist die Art und Weise, wie die untere Regelungsebene diese hochrangigen Befehle interpretiert und ausführt. Anstatt Korrekturen blind anzuwenden, nutzt das System die ω–β-Phasenebene – die Aufzeichnung der Gierrate gegen den Schwimmwinkel –, um die Nähe des Fahrzeugs zur Instabilität zu bewerten. Diese Phasenebenen-Methode, lange Zeit in der theoretischen Fahrzeugdynamik verwendet, wird hier als Echtzeit-Entscheidungsinstrument operationalisiert. Innerhalb einer mathematisch definierten Stabilitätsgrenze (ausgedrückt als ω + B₁β ≤ B₂) verlässt sich das System primär auf Lenkanpassungen. Sobald der Fahrzeugzustand jedoch diese Schwelle überschreitet – was auf einsetzendes Über- oder Untersteuern hindeutet – aktiviert der Controller nahtlos die DYC, um die Lenkung durch differenzielle Drehmomentverteilung an den Rädern zu ergänzen.
Dieser Übergang erfolgt nicht abrupt, sondern sorgfältig koordiniert. Wenn sich das Fahrzeug der Stabilitätsgrenze nähert, befiehlt das AWS-System die maximal machbaren Lenkwinkel basierend auf aktuellen Radlasten und Fahrbahnreibung. Jede verbleibende Stabilitätsanforderung, die über das hinausgeht, was die Lenkung allein leisten kann, wird dann von der DYC durch präise Längskraftmanipulation an jedem Rad erfüllt. Diese Synergie stellt sicher, dass beide Systeme innerhalb ihrer optimalen Domänen arbeiten: Lenkung für feine, hochfrequente Korrekturen im linearen Reifenbereich und Drehmomentvektorierung für grobe, hochmagnitudige Interventionen im nichtlinearen Bereich.
Eine wichtige technische Errungenschaft der Studie ist die Formulierung des Schubkraftverteilungsproblems als eine optimierungsaufgabe unter Nebenbedingungen. Der untere Controller minimiert eine Kostenfunktion, die die Reifenauslastung repräsentiert – spezifisch die Summe der quadrierten normalisierten Längskräfte über alle vier Räder –, unterliegt jedoch den physikalischen Einschränkungen, die durch die Reibungellipse auferlegt werden. Dies stellt sicher, dass kein Reifen seine Haftgrenze überschreitet, während kollektiv die exakte Längskraft und das Giermoment, die von der oberen Ebene gefordert werden, erzeugt werden. Die Lösung respektiert sowohl Gleichheitsnebenbedingungen (Gesamtkraft- und Momentenbilanz) als auch Ungleichheitsnebenbedingungen (durch vertikale Last und Reibungskoeffizienten diktierte Reifenkraftgrenzen). Die resultierenden Drehmomentbefehle werden dann durch ein vereinfachtes, dennoch präzises Hubmotorenmodell auf individuelle Radmotoren abgebildet.
Um ihre Strategie zu validieren, führten Xia und Li hochpräzise Co-Simulationen mit CarSim und MATLAB/Simulink durch. Sie wählten das Doppel-Spurwechsel-Manöver – einen Standardtest zur Bewertung der Notausweichfähigkeit – bei einer konstanten Geschwindigkeit von 54 km/h unter variierenden Fahrbahnbedingungen (μ = 0.3, 0.6 und 0.9). Drei Regelungskonfigurationen wurden verglichen: Nur-AWS, Nur-DYC und die vorgeschlagene koordinierte AWS+DYC-Strategie. Die Ergebnisse waren eindeutig. Unter allen getesteten Bedingungen lieferte der koordinierte Ansatz die engste Annäherung an das ideale Fahrzeugverhalten in Bezug auf Quergeschwindigkeit, Gierrate und Querversatz. Besonders bemerkenswert ist, dass auf der griffigkeitsarmen (μ = 0.3) Oberfläche – welche nasse oder eisige Straßen simuliert – der koordinierte Controller die Trajektoriengenauigkeit mit minimalem Überschwingen oder Oszillationen beibehielt, während das Nur-AWS-System aufgrund unzureichender Korrekturkapazität erhebliche Abweichungen zeigte und das Nur-DYC-System, obwohl stabilisierend, größere stationäre Fehler produzierte.
Der Leistungsvorteil war besonders während der hochdynamischen Phasen des Manövers ersichtlich. Im Nur-AWS-Fall führten weitere Lenkeingaben, sobald die Reifenschlupfwinkel den linearen Bereich überschritten, zu abnehmenden Erträgen und sogar destabilisierenden Effekten. Im Gegensatz dazu aktivierte das koordinierte System die DYC genau dann, wenn sie benötigt wurde, und nutzte differenzielles Drehmoment, um zusätzliches Giermoment zu erzeugen, ohne die laterale Reifenbelastung zu erhöhen. Dies stellte nicht nur die Stabilität wieder her, sondern bewahrte auch die Fahrerabsicht, indem unbeabsichtigte Pfadabweichungen minimiert wurden. Die in Echtzeit basierend auf Lasttransfer und gewünschtem Kurvenverhalten berechneten Vierrad-Lenkwinkel demonstrierten glatte, physikalisch plausible Trajektorien, die mechanische Grenzen respektierten.
Über unmittelbare Stabilitätsvorteile hinaus bietet die vorgeschlagene Architektur mehrere praktische Vorteile für die reale Implementierung. Erstens stützt sie sich nur auf allgemein verfügbare Sensordaten – Fahrzeuggeschwindigkeit, Gierrate, Querbeschleunigung und Lenkwinkel –, was sie mit vorhandener Elektronischer Stabilitätskontrolle (ESC)-Hardware kompatibel macht. Zweitens ist die Phasenebenen-Entscheidungslogik rechenleicht, was die Ausführung auf standardmäßigen Automobil-Mikrocontrollern ohne Hochleistungsprozessoren ermöglicht. Drittens erlaubt das modulare Design eine schrittweise Integration: Hersteller könnten zunächst die AWS-Komponente einsetzen und später DYC hinzufügen, sobald die Motorregelungsfähigkeiten ausgereift sind.
Aus Sicherheitssicht sind die Implikationen profund. Der Verlust der Fahrzeugkontrolle während der Kurvenfahrt bleibt eine Hauptursache für Unfälle mit nur einem Fahrzeug, insbesondere auf Landstraßen mit unerwarteten Oberflächenveränderungen. Durch das proaktive Management des Übergangs zwischen linearen und nichtlinearen Fahrregimen könnte diese Regelungsstrategie viele solcher Vorfälle verhindern. Darüber hinaus werden solche robusten Stabilitätscontroller, wenn autonome Fahrsysteme weiter verbreitet sind, unerlässlich sein, um einen sicheren Betrieb unter verschlechterten Bedingungen zu gewährleisten – sei es aufgrund von Sensorausfall, widrigem Wetter oder unerwarteten Hindernissen.
Die Forschung trägt auch zum breiteren akademischen Diskurs über integrierte Fahrzeugdynamikregelung bei. Während frühere Studien AFS/DYC-Koordination oder hierarchische Schubkraftverteilung untersucht haben, haben nur wenige die Phasenebenen-Stabilitätsbewertung mit dualer Sliding-Mode-Regelung und Echtzeit-Optimalverteilung in einem einheitlichen, auf DDEVs zugeschnittenen Rahmen kombiniert. Die Arbeit von Xia und Li überbrückt theoretische Strenge mit praktischer Machbarkeit und bietet eine Vorlage, die für verschiedene Fahrzeugarchitekturen – einschließlich Vierrad-Einzelradlenkung und -antrieb (4WIS-4WID) Plattformen – adaptiert werden kann.
In die Zukunft blickend schlagen die Autoren mehrere Wege für zukünftige Arbeiten vor. Dazu gehören die Erweiterung der Strategie zur Handhabung kombinierter Längs- und Quermanöver (z.B. Bremsen während der Kurvenfahrt), die Einbeziehung prädiktiver Elemente unter Verwendung von Straßenvorschaudaten und die Validierung des Controllers an physischen Testfahrzeugen. Zusätzlich könnte die Integration von Fahrerzustandsmonitoring personalisierte Stabilitätsinterventionen ermöglichen – aggressiver für Leistungsfahrer, konservativer für ältere oder unerfahrene Nutzer.
Zusammenfassend repräsentiert diese Studie einen bedeutenden Schritt vorwärts im Streben nach sichereren, besser kontrollierbaren Elektrofahrzeugen. Durch die Harmonisierung von Lenkung und Drehmomentvektorierung mittels intelligenter, physikinformierter Entscheidungsfindung verbessert die vorgeschlagene Regelungsstrategie nicht nur die Stabilität, sondern maximiert auch die einzigartigen Fähigkeiten von Antriebsarchitekturen mit Radnabenmotoren. Während die Automobilindustrie in Richtung Elektrifizierung und Automatisierung beschleunigt, werden solche Innovationen entscheidend sein, um öffentliches Vertrauen aufzubauen und das volle Potenzial der Mobilität der nächsten Generation zu realisieren.
Autoren: Changgao Xia, Yazhou Li
Zugehörigkeit: School of Automotive and Transportation Engineering, Jiangsu University, Zhenjiang 212013, China
Veröffentlicht in: Journal of Chongqing University of Technology (Natural Science), 2024, Vol. 38, No. 4, pp. 31–38
DOI: 10.3969/j.issn.1674-8425(z).2024.04.005