خودروهای امروزی دیگر فقط وسیلهای برای جابهجایی نیستند؛ آنها به مجموعهای از سامانههای هوشمند مجهز شدهاند که در بسیاری از شرایط، حتی سریعتر و دقیقتر از راننده تصمیم میگیرند. یکی از مهمترین این سامانهها، سیستم کنترل پایداری است؛ فناوریای که میتواند در کسری از ثانیه از انحراف یا واژگونی خودرو جلوگیری کند.
اما با ظهور نسل جدید خودروهای برقی، فرصتهای تازهای برای هوشمندتر شدن این سیستمها به وجود آمده است.
چرا خودروهای برقی به کنترل هوشمند نیاز دارند؟
فرض کنید در یک جاده خیس یا برفی با سرعت بالا در حال رانندگی هستید و ناگهان برای دور زدن یک مانع، فرمان را میچرخانید. در چنین شرایطی ممکن است خودرو بیش از حد بچرخد، دچار کمفرمانی یا بیشفرمانی شود و حتی از مسیر خارج شود. جلوگیری از این وضعیت، مهمترین وظیفه سیستم کنترل پایداری است.
در خودروهای برقی معمولی، تنها یک موتور الکتریکی نیرو را از طریق دیفرانسیل به چرخها منتقل میکند. اما در خودروهای برقی محرک توزیعشده (Distributed Drive Electric Vehicles)، هر چهار چرخ موتور مستقل خود را دارند. این ویژگی به سیستم کنترل اجازه میدهد گشتاور هر چرخ را بهطور جداگانه و در چند هزارم ثانیه تنظیم کند؛ قابلیتی که امکان کنترل بسیار دقیقتر خودرو را در پیچها و مانورهای اضطراری فراهم میکند.
پژوهشگران در مطالعهای جدید، از این قابلیت برای طراحی یک سیستم کنترل پایداری هوشمند استفاده کردهاند که دو روش شناختهشده مهندسی را با یکدیگر ترکیب میکند: کنترل مود لغزشی (Sliding Mode Control) و منطق فازی (Fuzzy Logic).
دو شاخص اصلی برای سنجش پایداری خودرو
مهندسان معمولاً وضعیت پایداری خودرو را با دو پارامتر اصلی ارزیابی میکنند:
نرخ چرخش (Yaw Rate): سرعت چرخش خودرو حول محور عمودی خود.
زاویه لغزش جانبی (Sideslip Angle): اختلاف بین جهتی که خودرو به آن اشاره میکند و مسیری که واقعاً در آن حرکت میکند. هرچه این زاویه بزرگتر باشد، خودرو بیشتر روی سطح جاده سر میخورد.
بیشتر سیستمهای کنترل پایداری متداول این دو پارامتر را با ضرایب ثابتی در نظر میگیرند. اما مشکل اینجاست که اهمیت هر یک از این دو شاخص در شرایط مختلف رانندگی یکسان نیست. برای مثال، در جاده خشک و سرعت پایین، کنترل نرخ چرخش اهمیت بیشتری دارد؛ در حالی که در جاده لغزنده و سرعت بالا، کنترل زاویه لغزش جانبی نقش بسیار مهمتری پیدا میکند.
بنابراین استفاده از ضرایب ثابت باعث میشود سیستم نتواند خود را با شرایط واقعی رانندگی تطبیق دهد.
راهحل؛ یک «مغز فازی» برای تصمیمگیری لحظهای
نوآوری اصلی این پژوهش، طراحی یک کنترلکننده هوشمند است که اهمیت نرخ چرخش و زاویه لغزش را بهصورت لحظهای تغییر میدهد.
این تصمیمگیری با استفاده از منطق فازی انجام میشود؛ روشی که بهجای قوانین خشک ریاضی، از قواعدی مشابه شیوه تصمیمگیری انسان استفاده میکند. برای مثال:
اگر زاویه لغزش زیاد باشد اما نرخ چرخش هنوز کم باشد، تمرکز سیستم روی کاهش لغزش قرار میگیرد.
اگر هر دو مقدار کوچک باشند، خودرو در وضعیت پایداری قرار دارد و نیازی به مداخله شدید نیست.
خروجی این بخش، یک وزن هوشمند است که به کنترلکننده مود لغزشی ارسال میشود. این کنترلکننده نیز بهطور پیوسته میزان انحراف خودرو از وضعیت ایدهآل را محاسبه کرده و گشتاور چرخشی لازم را برای بازگرداندن خودرو به مسیر صحیح تولید میکند.
چهار چرخ، چهار تصمیم مستقل
تولید گشتاور اصلاحی تنها بخشی از مسئله است؛ مرحله مهمتر، توزیع صحیح این گشتاور میان چهار چرخ است.
برای این منظور، پژوهشگران از یک الگوریتم بهینهسازی موسوم به برنامهریزی درجه دوم (Quadratic Programming) استفاده کردهاند. این الگوریتم گشتاور را بهگونهای بین چهار موتور تقسیم میکند که هیچ چرخی بیش از حد از ظرفیت چسبندگی خود استفاده نکند و احتمال لغزش به حداقل برسد.
همچنین محدودیتهای واقعی خودرو، مانند حداکثر توان موتورهای الکتریکی و ضریب اصطکاک جاده نیز در این فرآیند لحاظ میشوند.
آزمایش در سختترین شرایط
برای ارزیابی عملکرد سیستم، پژوهشگران شبیهسازیهای خود را در محیطهای تخصصی CarSim و MATLAB/Simulink انجام دادند.
دو سناریوی دشوار برای آزمایش انتخاب شد:
مانور فرمانگیری سینوسی شدید (مشابه عبور از پیچهای متوالی)
آزمون استاندارد بینالمللی تعویض خط دوگانه (Double Lane Change) که برای شبیهسازی دور زدن ناگهانی یک مانع طراحی شده است.
هر دو آزمایش در سرعت ۱۰۰ کیلومتر بر ساعت و روی سطحی با ضریب اصطکاک پایین، مشابه جاده خیس یا برفی، انجام شدند.
نتایج چه بودند؟
نتایج نشان داد سیستم پیشنهادی عملکرد قابلتوجهی دارد:
در مقایسه با خودروی بدون سیستم کنترل، نرخ چرخش تا حدود ۵۰ درصد و زاویه لغزش جانبی تا حدود ۸۰ درصد کاهش یافت.
نسبت به کنترل مود لغزشی متداول، عملکرد سیستم جدید همچنان بهتر بود و در برخی شرایط بیش از ۳۹ درصد بهبود در کنترل زاویه لغزش جانبی مشاهده شد.
سرعت طولی خودرو تقریباً بدون تغییر باقی ماند؛ یعنی افزایش ایمنی بدون کاهش محسوس عملکرد حرکتی حاصل شد.
یک گام فراتر از شبیهسازی
برای اطمینان از قابلیت اجرای عملی این روش، پژوهشگران تنها به شبیهسازی نرمافزاری اکتفا نکردند.
آنها الگوریتم را روی یک کنترلر واقعی اجرا کرده و آن را به بستر شبیهسازی خودرو متصل کردند؛ روشی که در صنعت با عنوان آزمون سختافزار در حلقه (Hardware-in-the-Loop یا HIL) شناخته میشود.
نتایج این آزمایش با شبیهسازی نرمافزاری کمتر از ۵ درصد اختلاف داشت؛ موضوعی که نشان میدهد این روش قابلیت پیادهسازی در سامانههای واقعی خودرو را نیز دارد.
چرا این پژوهش اهمیت دارد؟
با گسترش خودروهای برقی مجهز به موتورهای مستقل در هر چرخ، امکان کنترل دقیق گشتاور دیگر یک ایده آزمایشگاهی نیست، بلکه بهتدریج به بخشی از فناوری خودروهای آینده تبدیل میشود.
این پژوهش نشان میدهد ترکیب روشهای کلاسیک مهندسی کنترل، مانند کنترل مود لغزشی، با روشهای ساده اما مؤثر هوش مصنوعی، مانند منطق فازی، میتواند خودروها را در شرایط بحرانی ایمنتر، هوشمندتر و قابلاعتمادتر کند؛ آن هم بدون نیاز به سختافزارهای پیچیده یا مدلهای سنگین یادگیری ماشین.
در نهایت، شاید آینده ایمنی خودروها تنها به قدرت موتور یا کیفیت ترمزها وابسته نباشد، بلکه به هوشمندی الگوریتمهایی بستگی داشته باشد که در چند هزارم ثانیه، بهتر از راننده تصمیم میگیرند.
نویسنده: زهرا شیربند – کارشناس امور بینالملل ISQI
منبع:
Stability control of distributed drive electric vehicle based on adaptive fuzzy sliding mode
(DOI: 10.1177/09544070231169804)
