Antispin for en firhjulsdreven elektrisk racerbil

Abstract

Formula student er verdens største konkurranse for ingeniørstudenter. Lag designer og bygger en bil, som så deltar i forskjellige oppgaver. Firhjuls drevene biler med motorer montert i hjulnav ses på som en stor milepæl i Formula Student. Ved å fordele generert kraft mellom alle fire hjul økes akselerasjon, og det er mindre hjulslip. Under hjulslip vil bilen overføre mindre kraft inn i akselerasjon, og vil bruke mer energi for å oppnå samme akselerasjon. En bil vil også være vanskeligere å styre under hjulslipp, da sjåfør har mindre mulighet til å endre hastighet eller retning, som kan lede til ulykker eller utrygge hendelser. Tre ytelses mål ble satt. Bilen bør kunne akselerere så fort som mulig, føreren bør ha mest mulig kontroll, og bilen bør bruke minst mulig energi.

Målet med denne oppgaven er å utvikle en strategi for antispinn som maksimerer kraften som kan brukes til å akselerere bilen til enhver tid. Det er også laget en matematisk modell av bilen, som muliggjør simulering. Den matematiske modellen kan brukes utenfor oppgaven for å undersøke hvordan ulike faktorer påvirker bilens ytelse. Den matematiske modellen som er utviklet i denne oppgaven har én frihetsgrad: den kan akselerere og bremse fritt, men kan ikke svinge fritt og følger kun en forhåndsdefinert bane. Modellen simulerer hjulene individuelt i stedet for å simulere hele bilen som en enkelt enhet. Dette gjør det mulig å simulere scenarier der bare noen av hjulene mister grep, på grunn av hvordan normalkraften fordeles mellom de. De viktigste faktorene når man skal bestemme hvor mye kraft som kan brukes av motorene uten å miste grep, er den statiske friksjonskoeffisienten og normalkraften. Normalkraften påvirkes av bilens masse og det aerodynamiske marktrykket som virker på bilen.

Den statiske friksjonskoeffisienten kan avhenge av flere ulike faktorer som dekktemperatur, hjulvinkel og slitasje på asfalten. Den kan ha ulike verdier for forskjellige deler av banen, for eksempel på grunn av at noen deler av banen er mer slitt eller har høyere asfalt temperatur. Forholdene er komplekse og derfor vanskelige å modellere presist med en rent matematisk modell. En tilnærming med et nevralt nettverk som bruker "Radial Basis Function"s blir brukt for å bedre fange opp denne dynamikken. Nettverket tilnærmer den statiske friksjonskoeffisienten basert på bilens posisjon på banen. Over tid skal den tilnærmede og denfaktiske friksjonskoeffisientene konvergere.

Antispin kontrolleren utviklet i denne oppgaven forbedret ytelsen i varierende grad på alle definerte mål, inkludert bedre akselerasjon, energieffektivitet gjennom regenerativ bremsing og forbedret kontroll over kjøretøyet. Dette arbeidet legger et grunnlag for videre utvikling av kontrollstrategier for firehjulsdrevne elektriske racerbiler.

Formula student is the world's largest student engineering competition, where teams design and build a car that then competes in events. Four-wheel drive with wheel hub-mounted electric motors marks a significant performance milestone in Formula Student racing. By distributing motor-generated forces across all four wheels, this system enables greater acceleration by minimizing wheel slip. When the wheels are slipping, the car will transfer less force into acceleration and will waste energy as the wheels will use more energy to achieve the same amount of accelerating force. A car will also be less controllable when slip occurs, making the driver less able to change velocity or direction, which could lead to unsafe incidents. Three performance goals were set. The car should accelerate and be as fast as possible. The driver should remain in control, and as little energy as possible should be spent, improving car efficiency.

The goal of this thesis is to develop a traction control strategy to maximize the amount of force that can be used to accelerate the car at any time. A mathematical model of the car is also made, allowing simulations to be done. The mathematical model can be used outside of the thesis to see how various factors impact the car's performance. The mathematical model designed in this thesis has one degree of freedom, it can accelerate and decelerate freely, but cannot turn freely, only following a predefined track. It simulates the wheels individually rather than simulating the entire car as a single entity. This allows the simulation to have scenarios in which only some of the wheels are slipping due to how normal force is distributed between them. The most important factors when determining how much force can be applied by motors without slipping are the static coefficient of friction, and the normal force. The normal force is influenced by the mass of the vehicle, the aerodynamic downforce acting on the vehicle.

The static coefficient of friction can depend on factors like tire temperature, wheel chamber and asphalt wear. It can have different values for different portions of the track, for example due to some track sections being more worn or being warmer. The relationships are complex, and therefore difficult to model well with a purely mathematical model. A neural network approach using radial basis functions is used to better capture this dynamic, providing approximations of the coefficient of static friction based on the car’s spatial position on the track. As time passes, the approximated and real coefficients of friction should converge.

The traction control developed in this thesis improved performance in various degrees across all defined goals, including enhanced acceleration, energy efficiency through regenerative braking, and improved vehicle control. This work lays the foundation for further advancements in control strategies for four-wheel drive electric race cars.