汽車轉向系統(tǒng)可分為純人力轉向和動力輔助轉向兩類，動力輔助轉向系統(tǒng)由于使轉向操縱靈活、輕便、能吸收路面對前輪產生的沖擊等優(yōu)點，已得到廣泛的認可并取代了純人力轉向系統(tǒng)，動力輔助轉向系統(tǒng)已在國內外進入普及化階段。汽車的轉向操縱系統(tǒng)是汽車駕駛過程中的重要系統(tǒng)之一，它的性能對汽車駕駛的舒適性和安全性都有很大的影響。
汽車動力輔助轉向系統(tǒng)從簡單的純機械式轉向系統(tǒng)，發(fā)展到機械液壓動力轉向系統(tǒng)（Hydraulic Power Steering，簡稱HPS）到電控液壓動力轉向系統(tǒng)（Electronic Hydraulic Power Steering，簡稱EHPS），直至如今的更為節(jié)能、操縱性能更優(yōu)的電子控制式電動助力轉向系統(tǒng)（Electric Power System，簡稱EPS）階段。目前，EPS已部分取代HPS和EHPS系統(tǒng)，并成為動力轉向系統(tǒng)的主流和世界汽車技術發(fā)展的熱點。
EPS作為一種新型助力轉向系統(tǒng)，與已有幾十年發(fā)展歷史的傳統(tǒng)液壓轉向系統(tǒng)相比，具有諸多優(yōu)點：①助力轉向特性可以通過軟件加以改變，硬件資源利用率高；②低速行駛時轉向輕便，高速行駛時轉向有穩(wěn)重感；③助力電機只在汽車轉向時才工作，節(jié)省能源，電動機力矩響應快；④其力矩正比于電流值，所以EPS控制簡單、響應快；⑤根據(jù)需要方便地改善助力程度和路感；⑥零部件少、質量小、安裝緊湊、工作可靠。電動助力轉向將最新電力電子技術和高性能電機控制技術應用于汽車轉向系統(tǒng)，使汽車的經濟性、動力性和機動性均大大提高，適應現(xiàn)代汽車的發(fā)展要求。
一、系統(tǒng)的組成及工作原理
（一）電動助力轉向系統(tǒng)構成
電動助力轉向系統(tǒng)是一種直接依靠電機提供輔助扭矩的動力轉向系統(tǒng)，EPS主要由轉矩傳感器、車速傳感器、控制單元、電機、動力開關、小齒輪、齒條等部件構成。
（二）EPS工作原理
在操縱方向盤時，扭矩傳感器根據(jù)作用在方向盤上的力矩的大小和方向產生出相應的電信號，由此EPS控制系統(tǒng)就可以檢測出駕駛員操縱力的大小和方向；同時根據(jù)車速傳感器產生的脈沖信號又可測出車速。方向盤力矩小于一個特定閾值（2N·m）時不進行助力，電動助力轉向系統(tǒng)的助力大小隨著方向盤力矩的增大而增大，在某一速度下，當方向盤力矩大于特定的閾值后電動助力大小不再增加。相同的方向盤轉矩時，車速增大，系統(tǒng)的助力減小。本系統(tǒng)通過徑向基神經網絡算法得到所需的助力大小和方向，再控制電動機的電流大小和方向，從而形成適當?shù)霓D向助力力矩，助力力矩直接加在轉向柱上形成助力，提高操縱的輕便性以及安全性。
二、電動助力特性曲線的確定
為了兼顧汽車低速時的轉向輕便性和高速時的路感要求，電動機的助力力矩必須根據(jù)行駛車速與方向盤轉矩共同確定。設計目標是：在方向盤上施加相同的力矩時，當車速較低時提供較大的助力，車速高時提供較小的助力；在一定的車速下，當方向盤上施加的力矩小于一個閾值時，EPS不進行助力，方向盤上的力矩大于某一范圍值時助力值不再增加以保護電機。
由于助力轉矩與路面環(huán)境以及方向盤力矩之間存在非線性映射關系，目標電流的確定需要設計一個適用于多輸入的非線性控制器。神經網絡具有強大的訓練功能，實現(xiàn)多輸入與輸出的非線性映射，因此此類控制器能很好地滿足EPS的控制要求。
徑向基函數(shù)神經網絡（Radial Basis Function，RBFNN）與使用廣泛的BP網絡（Back propagation NN）都屬于前向型神經網絡。眾所周知，BP網絡用于函數(shù)逼近時，權值的調節(jié)采用的是負梯度下降法，而這種調節(jié)權值的方法有它的局限性，即存在著收斂速度慢和局部極小等缺點。而徑向基函數(shù)網絡無論在逼近能力、分類能力和學習速度等方面均優(yōu)于BP網絡。在本研究中所采用徑向基（RBF）神經網絡，它能夠以任意精度逼近任意連續(xù)函數(shù)。同時徑向基網絡需要的訓練時間要比BP神經網絡少得多，不僅提高了效率，而且為將來可能采用的在線訓練并合理調整系統(tǒng)參數(shù)提供了更好的平臺。
徑向基網絡的神經元模型結構如圖2所示，由圖可見徑向基網絡傳遞函數(shù)radbas是以權值向量和閾值向量之間的距離‖dist‖作為自變量的。其中，‖dist‖是通過輸入向量和加權矩陣的行向量的乘積得到的，徑向基神經網絡的結構。
徑向基網絡傳遞函數(shù)的原型函數(shù)為：
radbas（n）=e-n2
徑向基神經網絡是由輸入層、隱含層和輸出層構成的三層前向網絡，隱含層采用徑向基函數(shù)作為激勵函數(shù)，隱含層每個神經元與輸入層相連的權值向量W1i和輸入層矢量X之間的距離乘上閾值b1i作為本身的輸入。
上面這些函數(shù)都是徑向對稱的，雖然有各種各樣的核函數(shù)，但最常用的是高斯核函數(shù)：
式中，uj是第j個隱層節(jié)點的輸出；X=（x1，x2，……，xn）T是輸入樣本；Cj是高斯函數(shù)中心值；σj是標準化常數(shù)；Nh是隱層節(jié)點數(shù)。
由上式可知，節(jié)點的輸出范圍在0和1之間，且輸入樣本愈靠近節(jié)點的中心，輸出值愈大。
采用高斯基函數(shù)，具備如下優(yōu)點：①表示形式簡單，即使對于多變量輸入也不增加太多的復雜性；②徑向對稱；③光滑性好，任意階導數(shù)存在；④由于該基函數(shù)表示簡單且解析性好，因而便于進行理論分析。
考慮到提高網絡精度和減少隱層節(jié)點數(shù)，也可以將網絡基函數(shù)改成多變量正態(tài)密度函數(shù)：
注意這時式（5）已不再是徑向對稱。
RBF網絡的輸出為隱層節(jié)點輸出的線性組合，即：
RBF網絡的學習過程分為兩個階段：第一階段，根據(jù)所有的輸入樣本決定隱層各節(jié)點的高斯核函數(shù)的中心值Cj和標準化常數(shù)"j；第二階段，在決定好隱層的參數(shù)后，根據(jù)樣本，利用最小二乘原則，求出輸出層的參數(shù)，以進一步提高網絡的精度。
三、訓練結果
我們構造了5組數(shù)據(jù)來驗證RBF網絡的可行性。本研究把2N·m作為一個閥門值，即施加在方向盤力矩小于2N·m時系統(tǒng)不進行助力，這樣的做法是為了減少因為駕駛員操作失誤或者系統(tǒng)的擾動造成的電機頻繁的啟動、關閉。這樣做不僅可以有效地保護電機，也可以增強系統(tǒng)的魯棒性和安全性，減少駕駛疲勞，訓練后所得圖形與理想曲線的對比。
從圖中我們可以看擬合的效果非常理想，只有最外側的那條曲線有小幅度的震蕩。通過RBF神經網絡的學習和訓練后，我們重新輸入5組在此速度范圍內的新數(shù)據(jù)，網絡得到5組預測助力曲線。
我們可以看到系統(tǒng)的預測結果與我們對系統(tǒng)的要求相符合，從而證明了徑向基神經網絡在電動助力轉向系統(tǒng)中的良好的曲線擬合功能及預測功能。
四、結論
通過徑向基神經網絡學習及數(shù)據(jù)的訓練，我們得到在所給速度范圍內任意速度值及任意的方向盤力矩下所對應的助力電流大?。ㄖΨ较蚺c方向盤力矩方向相同）。這樣我們就可以獲得所給區(qū)域中任意一點的助力轉向的助力電流，即得到了電動助力轉向系統(tǒng)的助力特性曲線。
以上的模型建立和數(shù)據(jù)驗證，很好地證明了徑向基神經網絡的強大功能，以及對解決多輸入、多輸出問題的有效性。從發(fā)展的角度看，電動助力轉向系統(tǒng)未來將不僅僅局限于依據(jù)車速和扭矩這兩個基本的信號進行電動助力轉向系統(tǒng)的研制，轉向角、轉向速度、橫向加速度、前軸重力等多種信號在未來的電動助力轉向系統(tǒng)中可能都是要考慮的因素。電動助力轉向系統(tǒng)適應需要，將向著更為復雜的復合、智能型的控制方向發(fā)展，因此徑向基神經網絡在將來的電動助力轉向系統(tǒng)中將起到更大的作用。
（轉載）
