《Actuators》：Research on Hierarchical Sliding Mode–Fuzzy Combined Regenerative Braking Control Strategy Optimized by Adaptive Network-Based Fuzzy Inference System (ANFIS)
编辑推荐：
在车辆减速过程中回收部分制动能量的能力是新能源汽车(EV)相较于传统内燃机车辆(ICEV)的独特优势之一。现有量产车中，再生制动控制通常采用基于规则的查表法实现。虽然此类方法简单、可靠且易于实现，但缺乏根据多变行驶工况自适应调节制动力分配的能力，从而限制了高能
在车辆减速过程中回收部分制动能量的能力是新能源汽车(EV)相较于传统内燃机车辆(ICEV)的独特优势之一。现有量产车中，再生制动控制通常采用基于规则的查表法实现。虽然此类方法简单、可靠且易于实现，但缺乏根据多变行驶工况自适应调节制动力分配的能力，从而限制了高能效能量回收的潜力。为提高再生能量回收率同时保持制动稳定性，研究人员提出了一种经自适应神经模糊推理系统(Adaptive Network-Based Fuzzy Inference System, ANFIS)优化的滑模–模糊联合分层控制策略(Sliding Mode–Fuzzy Joint Hierarchical Control Strategy, S-FJHCS)用于再生制动系统。在上层控制层中，改进的路面附着系数估计算法与滑模控制器(Sliding Mode Controller, SMC)相结合，以确保前后轮滑移率(slip ratio)调节的一致性。在下层控制层中，采用模糊控制算法协调液压制动系统与轮毂电机(hub motor)间的制动转矩分配。此外，利用ANFIS对模糊控制器进行离线优化，使其能基于历史行驶工况自适应调整模糊规则和隶属度函数(membership function)。仿真与实验结果表明，所提出的再生制动控制策略相比传统基于规则的再生制动策略，可将再生能量回收效率提高约5–10%，同时在多种行驶工况下保持良好的制动性能和车辆稳定性。
论文解读：基于ANFIS优化的滑模–模糊联合分层再生制动控制策略研究
研究背景与意义
分布式驱动电动汽车(Distributed Drive Electric Vehicle, DDEV)因采用四轮独立轮毂电机(hub motor)驱动，具备精确转矩分配能力，其再生制动(Regenerative Braking, RB)技术对提升能量利用率至关重要。然而现有基于规则查表(rule-based lookup table)的再生制动控制策略无法根据路面附着系数(road adhesion coefficient, μ)、电池SOC及车速变化自适应调节前后轴制动力分配及机电(再生vs液压)转矩配比，导致能量回收效率受限且难以兼顾制动稳定性。针对此不足，研究人员提出一种由滑模控制(Sliding Mode Control, SMC)与ANFIS优化模糊控制结合的分层再生制动控制策略(S-FJHCS)，并在《Actuators》期刊发表研究成果，旨在通过分层解耦控制与数据驱动优化提升DDEV的制动能量回收率与行驶稳定性。
主要关键技术方法
研究人员建立包含七自由度纵向车辆动力学模型、魔术公式轮胎模型、永磁同步轮毂电机(d-q轴Park变换及电磁转矩方程Te=3/2·p·[ψfIq+(Ld-Lq)IdIq])、Thevenin等效电路动力电池模型及EHB(electro-hydraulic brake)液压盘式制动器模型的整车仿真平台(AMESim-Simulink联合仿真)；上层采用滑模变结构控制以前后轮滑移率差值为切换函数(switching function)实时分配前后轴总需求制动力矩，保证前后轮滑移率一致；下层以制动强度z、电池SOC、车速v为输入，再生制动占比系数k为输出构建Takagi–Sugeno(T–S)型模糊控制器分配再生与液压转矩；采用动态规划(Dynamic Programming, DP)求解WLTC/NEDC/UDDS典型工况历史数据得到最优k序列，以制动跟踪偏差(权重0.7)与能量损失(权重0.3)构成代价函数，用ANFIS(反向传播+最小二乘混合学习)离线优化模糊控制器隶属度函数及36条规则；最终通过NEDC/UDDS/WLTC循环工况仿真及dSPACE SCALEXIO硬件在环(Hardware-in-the-Loop, HIL)实验验证策略有效性。
研究结果
3. System Dynamics Modelling（系统动力学建模）
研究人员建立了含前后轴载荷转移的双轮旋转纵向车辆动力学模型、轮毂电机电磁转矩与效率ηm(Te,ωm)模型、单体串联并联的电池等效电路模型(R0-C-R1)及Coulomb摩擦盘式液压制动器模型；推导了理想前后轴同时抱死I曲线及ECE法规线，为上层滑模前后轴力矩分配提供理论依据。
4. Control Strategies（控制策略）
提出S-FJHCS分层架构：上层SMC以s=λ·(ωf-ωr)+(1-λ)·(ωf-ωr)'为滑模面，通过指数趋近律(reaching law)求解前后轴目标制动力矩Tbf、Tbr使前后轮滑移率保持一致；下层模糊控制器以z∈[0,1]、SOC∈[0,1]、v∈[0,120]km/h为输入，输出再生制动比例系数k∈[0,1]，进而得Treg=k·Tdemand，Thyd=(1-k)·Tdemand；ANFIS利用DP优化所得样本离线训练，调整三角/高斯型隶属函数参数及规则后件，使模糊推理系统适应工况变化。
5. Simulation Analysis（仿真分析）
在AMESim-Simulink联合仿真平台上运行NEDC(1200s)、UDDS(1400s)、WLTC(1800s)循环工况(初始SOC=0.7)：优化后S-FJHCS策略NEDC/UDDS/WLTC再生能量回收率分别达24.9%、31.7%、29.8%，较未优化S-FJHCS分别提升2.2、5.3、4.6个百分点，较传统规则策略分别提升5.4、10.4、8.1个百分点；前轴再生制动转矩平均提升47.6%；车速跟踪良好，减速度曲线与优化前基本一致，验证了能量回收提升且制动稳定性未被牺牲。
6. Hardware-in-the-Loop Experiment（硬件在环实验）
基于dSPACE SCALEXIO LabBox搭建HIL测试平台，在低、中制动强度及NEDC工况下验证：低制动强度回收能量由0.97kJ提升至1.05kJ(+8.2%)，中制动强度由1.09kJ提升至1.19kJ(+9.2%)；制动距离略有增加但可控；NEDC工况HIL与仿真曲线吻合度高，证实控制策略工程可实现性及仿真结论可靠性。
讨论与结论翻译
研究人员得出结论：所提出的ANFIS优化S-FJHCS分层再生制动控制策略在NEDC、UDDS及WLTC工况下有效实现制动能量回收，回收率分别为24.9%、31.7%和29.8%，较传统规则基准策略提升约5–10%，且保持满意的制动性能与车辆稳定性。未来工作将聚焦于改进滑模控制以抑制抖振(chattering)，并开展实车道路试验进一步验证策略鲁棒性。
(Translated Conclusion: This study proposes an S-FJHCS strategy optimized by ANFIS for DDEV regenerative braking. Simulation under NEDC, UDDS and WLTC cycles shows braking energy recovery rates of 24.9%, 31.7% and 29.8%, which are 5.4%, 10.4% and 8.1% higher than the conventional rule-based strategy, confirming that the proposed strategy significantly improves kinetic energy recovery while maintaining braking stability. Future work will focus on chattering suppression in SMC and real-vehicle validation.)
