Enhancing Stability In Electric Vehicles With In-Wheel Motors

• Autores: Ibrahim Ahmed Hassan Ahmed
• Directores de la Tesis: José Ramón Domínguez Frejo (dir. tes.), José María Maestre Torreblanca (dir. tes.)
• Lectura: En la Universidad de Sevilla ( España ) en 2024
• Idioma: inglés
• Número de páginas: 103
• Enlaces
  • Tesis en acceso abierto en: IdUS
• Resumen
  • español

    Esta tesis evalúa estrategias de control avanzadas dirigidas a mejorar la estabilidad y maniobrabilidad de vehículos eléctricos (EVs, del inglés Electric Vehicules) equipados con motores en las ruedas (IWMs, del inglés In-Wheel Motors). Comienza con una visión general de la creciente importancia de los EVs debido a sus beneficios ambientales y el potencial de los IWMs para mejorar la movilidad del vehículo y la adaptabilidad del control. La tesis se centra en abordar el desafió del control del movimiento lateral durante escenarios críticos de giro. El enfoque principal es el método de Control de Guiñada Directa (DYC, del inglés Direct Yaw Control ), que utiliza el momento de guiñada para estabilizar el vehículo y mejorar las características de manejo. En particular, se abordan los fenómenos de sobreviraje y subviraje, asegurando un mejor control y estabilidad en diversas condiciones de conducción. La investigación utiliza un prototipo completamente funcional llamado FOX, que sirve como una plataforma ideal para implementar y evaluar el sistema de control de estabilidad electrónica. El DYC incluye dos niveles de control: el controlador superior, que determina el momento de guiñada deseado, y el controlador inferior, que lo distribuye a las cuatro ruedas utilizando el Control Vectorial de Par (TVC, del inglés Torque Vector Control ). El algoritmo de estabilidad combina el Control Predictivo de Modelos (MPC, del inglés Modelo Predictivo Control ) con el TVC para mejorar la estabilidad del vehículo. El MPC determina las señales correctivas, mientras que el TVC las distribuye entre los IWMs para un control de estabilidad efectivo. Además, un enfoque alternativo utilizando Control Predictivo de Modelos No Lineal (NMPC, del inglés Non-linear Modelo Predictivo Control ) mejora aun mas la estabilidad al considerar la dinámica del sistema, asegurando un control preciso del comportamiento del vehículo.

    Debido a los altos requisitos computacionales del NMPC y la necesidad de un cálculo rápido de señales de control, la tesis propone integrar redes neuronales no lineales autorregresivas con exógenos (NARX, del inglés Nonlinear Autoregressive Exogenous). En particular, se emplearon redes neuronales artificiales (ANNs, del inglés Artificial Neural Networks) entrenadas utilizando distintos conjuntos de datos de simulación para lograr esta integración, con el fin de mejorar la estabilidad lateral durante los giros emulando el NMPC. El modelo ANN, entrenado con datos de simulaciones del NMPC, incluye parámetros de ajuste como entradas, creando una familia versátil de controladores predictivos que mejoran la estabilidad y el manejo del vehículo mientras reducen el tiempo de cálculo. Además, la tesis introduce un marco de referencia integral para evaluar la mejora de la estabilidad lateral del vehiculó durante el cambio de carril doble (DLC, del inglés Doublé Lane Change). Este marco prueba las estrategias de control utilizando simulaciones y métricas de rendimiento, apoyando el desarrollo de estrategias de control avanzadas.

    Finalmente, la efectividad de las técnicas propuestas ha sido evaluada mediante simulaciones en MATLAB/Simulink.

  • English

    This thesis evaluates advanced control strategies aimed at improving the stability and maneuverability of electric vehicles (EVs) equipped with in-wheel motors (IWMs). It begins with an overview of the in-creasing importance of EVs for their environmental benefits and the potential of IWMs to enhance vehicle mobility and control adaptability. The thesis then focuses on addressing the challenge of lateral motion control during critical cornering scenarios. The primary focus is on the Direct Yaw Control (DYC) method, which utilizes the yaw moment to stabilize the vehicle and enhance handling characteristics. Particularly, addressing oversteering and understeering phenomena, ensuring better control and stability in various driving conditions. The research utilizes a fully functional prototype named FOX, serving as an ideal platform for implementing and evaluating the electronic stability control system. DYC includes two control levels: the upper controller, which determines the desired yaw moment and the lower controller, which allocates it to the four wheels using Torque Vector Control (TVC). The stability algo-rithm combines Model Predictive Control (MPC) with TVC to enhance vehicle stability. MPC determines corrective signals, while the TVC dis-tributes them among the IWMs for effective stability control. Addition-ally, an alternative approach using a Nonlinear Model Predictive Control (NMPC) further improves stability by accounting for system dynamics, ensuring precise vehicle behavior control. Due to the high computational requirements of NMPC and the need for rapid control signal calcula-tion, the thesis proposes integrating Nonlinear Autoregressive Exoge-nous (NARX) neural networks. In particularly, artificial neural networks (ANNs) were employed and trained using distinct simulation datasets to achieve this integration, So as to enhance lateral stability during cornering by emulating NMPC. The ANN model, trained on simulated NMPC data, includes tuning parameters as inputs, creating a versa-tile family of predictive controllers, that improve vehicle stability and handling while reducing computation time. Additionally, the thesis in-troduces a comprehensive benchmarking framework to evaluate vehicle lateral stability enhancement during double-lane change (DLC). This framework tests control strategies using simulations and performance metrics, supporting the development of advanced control strategies. Fi-nally, the effectiveness of the proposed techniques has been evaluated through MATLAB/Simulink simulations.