Intelligente Drehmomentsteuerung erhöht Stabilität bei schnellen Elektrofahrzeugen
In einer Zeit, in der die Automobilindustrie rasant auf Elektrifizierung und intelligente Fahrzeugarchitekturen umstellt, rückt die präzise Kontrolle von Antriebskräften in den Fokus. Besonders bei verteilten Elektrofahrzeugen (DEVs), die über separate Radnabenmotoren an jedem Rad verfügen, eröffnen sich neue Möglichkeiten für Fahrzeugdynamik und Sicherheit. Doch klassische Steuerungsansätze stoßen bei hohen Geschwindigkeiten zunehmend an ihre Grenzen. Genau hier setzt eine bahnbrechende Forschungsarbeit von Dr. Nannan Zhao und Bo Shi von der School of Mechanical and Electrical Engineering der Xi’an University of Architecture and Technology an.
Ihre Studie stellt eine neuartige, zweischichtige Drehmomentverteilungsstrategie vor, die nicht mehr primär die Geschwindigkeit der Räder regelt, sondern direkt auf das Drehmoment einwirkt – eine Methode, die als „torque-based electronic differential control“ bezeichnet wird. Dieser Paradigmenwechsel ermöglicht eine deutlich präzisere und stabilitätsorientierte Steuerung, insbesondere in anspruchsvollen Fahrsituationen wie schnellen Ausweichmanövern oder Kurvenfahrten auf glatten Straßen.
Die Motivation für diese Entwicklung liegt in den fundamentalen Schwächen herkömmlicher, auf Geschwindigkeit basierender Elektronischer Differenziale (EDS). Traditionelle Systeme nutzen das Ackermann-Modell, um die idealen Raddrehzahlen beim Lenken zu berechnen. Dieses Modell ist zwar einfach und gut verständlich, berücksichtigt aber nicht die komplexen, nichtlinearen Eigenschaften von Reifen, die dynamische Gewichtsverlagerung des Fahrzeugs oder den Einfluss von Seitenkräften. Als Folge davon kann die tatsächliche Fahrzeugbewegung bei hohen Geschwindigkeiten oder niedrigen Reibungskoeffizienten stark von der berechneten Idealbahn abweichen. Die Folgen sind ein erhöhtes Risiko für Unter- oder Übersteuern, ein unsicheres Fahrgefühl und im schlimmsten Fall ein Verlust der Kontrolle.
Genau diese Lücke schließt die von Zhao und Shi vorgeschlagene Strategie. Anstatt das Fahrzeug als starren Körper zu betrachten, modellieren die Forscher dessen Dynamik mit einem ausgereiften Dreifreiheitsgrade-Modell (3-DOF), das die Längs-, Quer- und Gierbewegung realistisch abbildet. Zusätzlich wird ein Zwei-Freiheitsgrade-Referenzmodell (2-DOF) verwendet, um die idealen Werte für die Giergeschwindigkeit und die Schrägstellung des Fahrzeugs (Sideslip Angle) zu berechnen. Diese idealen Werte dienen als Vergleichsgröße für die reale Fahrzeugbewegung.
Der Kern der neuen Steuerungsarchitektur ist ein zweischichtiger Controller. Die obere Schicht übernimmt die kognitive Aufgabe: Sie analysiert kontinuierlich die Abweichung zwischen dem realen und dem idealen Fahrverhalten – konkret die Differenz der Giergeschwindigkeit (Δω) und des Schrägstellwinkels (Δβ). Basierend auf diesen Eingaben muss sie das notwendige zusätzliche Giermoment (ΔMz) berechnen, das erforderlich ist, um das Fahrzeug wieder auf die gewünschte Bahn zu bringen und die Stabilität zu gewährleisten.
Hier kommt die technologische Innovation zum Tragen. Statt eines herkömmlichen PID-Reglers oder eines komplexen, schwer zu parametrierenden Fuzzy-Logik-Systems setzen die Forscher auf ein künstliches neuronales Netzwerk – genauer gesagt auf ein GA-BP-Netzwerk. BP steht für „Back Propagation“, die Standardmethode zum Trainieren neuronaler Netze. Allerdings leidet ein klassisches BP-Netzwerk oft unter langsamer Konvergenz und einer starken Abhängigkeit von den initialen Netzwerkgewichten.
Um diese Nachteile zu überwinden, integrieren Zhao und Shi einen genetischen Algorithmus (GA). Dieser bio-inspirierte Optimierer durchsucht den Raum der möglichen Anfangsgewichte und -schwellenwerte systematisch nach der besten Kombination, bevor das eigentliche Lernverfahren startet. Dieser hybride Ansatz beschleunigt den Trainingsprozess erheblich und führt zu einem robusteren und präziseren Modell. Die Trainingsdaten stammen nicht aus theoretischen Annahmen, sondern aus realistischen Simulationen eines herkömmlichen Fahrzeugs mit mechanischem Differenzial in CarSim, einer führenden Software für Fahrzeugdynamiksimulation. Dies stellt sicher, dass das neuronale Netzwerk lernt, wie ein stabiles Referenzfahrzeug auf verschiedene Lenkmanöver reagiert.
Die Ergebnisse des Trainings sind eindrucksvoll: Das GA-BP-Netzwerk erreichte das Ziel von einem mittleren quadratischen Fehler von 0,05 bereits nach 234 Iterationen, während ein reines BP-Netzwerk dafür 625 Iterationen benötigte. Diese schnellere Konvergenz ist entscheidend für die Echtzeitfähigkeit des Systems in einem Fahrzeug.
Sobald das obere Netzwerk das benötigte Giermoment berechnet hat, übernimmt die untere Schicht des Controllers die physikalische Umsetzung. Ihre Aufgabe ist es, dieses zusätzliche Moment sowie das Gesamtantriebsmoment, das der Fahrer über das Gaspedal anfordert, optimal auf die vier einzelnen Radnabenmotoren zu verteilen. Dies ist eine komplexe Aufgabe, da mehrere widersprüchliche Ziele erreicht werden müssen: Die Verteilung muss die gewünschte Gierbewegung erzeugen, darf aber gleichzeitig nicht zu einer Überlastung der Reifen führen, die ihre Haftung verlieren und ins Schlittern geraten könnten. Zudem soll der Energieverbrauch minimiert werden.
Hierfür verwenden die Forscher die Methode der quadratischen Programmierung (QP). Dies ist ein leistungsfähiges mathematisches Optimierungsverfahren, das eine Zielfunktion unter bestimmten Nebenbedingungen minimiert. In diesem Fall ist die Zielfunktion so konstruiert, dass sie die „Reifenbelastung“ minimiert. Die Reifenbelastung ist ein Maß dafür, wie stark ein Reifen bereits ausgelastet ist – sowohl in Längs- als auch in Querrichtung. Ein niedriger Wert bedeutet, dass der Reifen noch ausreichend Reserven für zusätzliche Seitenkräfte hat, was die Stabilität erhöht.
Die QP-Optimierung berücksichtigt alle physikalischen Grenzen: die maximale Haftkraft jedes Reifens (abhängig vom Reibungskoeffizienten der Straße und der vertikalen Belastung, die sich durch die Fahrzeugbewegung ständig ändert), die maximale Drehmomentleistung der Radnabenmotoren und die Notwendigkeit, das berechnete Giermoment präzise zu erzeugen. Ein besonderer Fokus liegt darauf, die Drehmomentdifferenz zwischen der Vorder- und Hinterachse zu begrenzen, um zirkulierende Leistungen zu vermeiden – ein Zustand, bei dem Motoren auf der einen Achse beschleunigen und auf der anderen bremsen, was Energie verschwendet.
Um die Wirksamkeit ihrer Strategie zu bewerten, führten Zhao und Shi umfangreiche Co-Simulationen in CarSim und Simulink durch. Das Szenario war bewusst anspruchsvoll gewählt: ein „Double Lane Change“-Manöver (Zick-Zack-Ausweichmanöver) bei einer hohen Anfangsgeschwindigkeit von 90 km/h auf einer nassen Fahrbahn mit einem Reibungskoeffizienten von nur 0,5. Dieses Manöver testet die Fähigkeit eines Fahrzeugs, plötzlich von einer Fahrspur in eine andere zu wechseln und danach wieder stabil zu werden – eine typische Notfallsituation.
Die Ergebnisse sprechen eine klare Sprache. Das Fahrzeug, das mit der neuen Drehmomentverteilungsstrategie gesteuert wurde, folgte der vorgegebenen Sollbahn mit einer Abweichung von nur 6,24 %. Im direkten Vergleich dazu verfehlte ein Fahrzeug, das nur eine einfache Geschwindigkeitsfolgeregelung mit gleichmäßigem Drehmoment an allen Rädern nutzte, die ideale Trajektorie um beeindruckende 17,47 %. Diese Verbesserung von über 11 Prozentpunkten ist nicht nur eine Zahl – sie bedeutet in der Praxis einen entscheidenden Sicherheitsvorteil, der den Unterschied zwischen einem erfolgreichen Ausweichmanöver und einem Unfall ausmachen kann.
Noch eindrucksvoller sind die Verbesserungen bei den inneren Stabilitätsparametern. Der maximale Schrägstellwinkel (Sideslip Angle) wurde von einem kritischen Wert von 3,35° bei der konventionellen Regelung auf ein sehr moderates 0,73° reduziert. Eine Reduktion um fast 89 % zeigt, dass das Fahrzeug mit der neuen Strategie extrem stabil bleibt und kaum tendiert, mit dem Heck auszubrechen. Ein solch niedriger Wert liegt weit unterhalb der typischen Schwelle von ±2,5°, ab der ein Fahrzeug als instabil gilt. Dies gibt dem Fahrer ein enormes Gefühl von Sicherheit und Kontrolle.
Ebenso wurde die Giergeschwindigkeit viel präziser und mit weniger Schwankungen geregelt. Die Kurve der realen Giergeschwindigkeit folgte der idealen Referenzkurve eng und ohne die starken Ausschläge, die bei der konventionellen Regelung zu beobachten waren. Dies führt zu einem ruhigen, vorhersehbaren Fahrverhalten, das sowohl für erfahrene als auch für unerfahrene Fahrer gleichermaßen sicher ist.
Ein weiterer, oft unterschätzter Vorteil der Strategie ist die Energieeffizienz. Die Simulation zeigte, dass der Gesamtenergieverbrauch der Antriebsmotoren um 8,2 % gesenkt werden konnte – von 106.710 Joule auf 97.930 Joule. Diese Einsparung resultiert aus mehreren Faktoren: Erstens vermeidet die intelligente Drehmomentverteilung unnötiges Durchdrehen der Räder, was direkte Energieverluste verursacht. Zweitens zeigt das System ein „intelligentes“ Geschwindigkeitsmanagement: Anstatt die Kurve mit vollen 90 km/h zu durchfahren, reduziert es proaktiv die Geschwindigkeit auf etwa 87-88 km/h, um die Querkräfte zu minimieren, und beschleunigt danach wieder auf die gewünschte Geschwindigkeit. Dieser sanfte Ansatz reduziert den Roll- und Luftwiderstand erheblich.
Diese Kombination aus erhöhter Sicherheit, verbesserter Stabilität und geringerem Energieverbrauch macht die Arbeit von Zhao und Shi zu einer bedeutenden Pionierleistung. Sie demonstriert, wie die Verschmelzung von klassischer Fahrzeugdynamik, moderner Optimierungstheorie und Künstlicher Intelligenz zu praktischen Lösungen führen kann, die die Grenzen herkömmlicher Technologien überwinden. Die Strategie ist nicht nur theoretisch elegant, sondern auch praktisch relevant, da sie mit den Sensoren und Rechenleistung auskommt, die in modernen Fahrzeugen bereits verbaut sind.
Die Implikationen dieser Forschung reichen weit über den Bereich der Pkw hinaus. Die gleichen Prinzipien könnten auf elektrische Busse, Lieferfahrzeuge oder sogar auf schweres Geländefahrzeug übertragen werden, wo Traktion und Stabilität entscheidend sind. In der Zukunft könnte diese Technologie nahtlos in umfassendere Fahrerassistenzsysteme (ADAS) und autonome Fahrfunktionen integriert werden, indem sie als die „Muskel“-Ebene fungiert, die die von der „Gehirn“-Ebene (dem Fahrstrategie-Controller) berechneten Manöver präzise und sicher ausführt.
Zusammenfassend lässt sich sagen, dass Zhao und Shi mit ihrer Arbeit einen entscheidenden Schritt hin zu sichereren, effizienteren und intelligenteren Elektrofahrzeugen gemacht haben. Ihre torque-basierte Elektronische Differenzialsteuerung ist mehr als nur eine technische Verbesserung; sie repräsentiert einen Paradigmenwechsel hin zu einer ganzheitlichen, fahrzeugdynamik-optimierten Antriebsregelung, die das volle Potenzial verteilter Elektroantriebe ausschöpft.
Zhao Nannan, Shi Bo. Torque Electronic Differential Control of Distributed Electric Vehicle. Mechanical Science and Technology for Aerospace Engineering, 2024. DOI: 10.13433/j.cnki.1003-8728.20230085