Fuzzy Logic-Based Controller Design for Enhancing Anti-lock Braking System Performance
Subject Areas : Control Engineering
1 -
Keywords: Anti-lock braking system (ABS), fuzzy controller, Hydraulic Control Unit, Electronic Control Unit,
Abstract :
This paper presents the design of a fuzzy controller for vehicles’ Anti-lock Braking System (ABS), aiming to prevent wheel lockup during braking and enhance vehicle control under critical conditions. Wheel lockup can lead to an increased stopping distance and a loss of vehicle control, particularly on slippery road surfaces. The ABS accurately controls the hydraulic pressure within the braking system to maintain the longitudinal slip between the tire and the road surface within an allowable range. In this study, an optimal fuzzy controller is designed to achieve desirable performance in the ABS. The proposed controller can effectively prevent wheel lockup by adjusting the braking force on the front and rear wheels while improving braking performance under various road conditions. This research focuses on utilizing a fuzzy control system to enable rapid adaptation to different road conditions and mitigate the negative effects caused by wheel slips. Simulation results demonstrate that the proposed system can deliver superior performance compared to conventional braking systems. By improving the design of the ABS, this study contributes significantly to enhancing vehicle safety and reducing road accidents.
[1] مرکز تحقیقات ایران خودرو. (1390). معرفی سیستم ترمز ضدقفل خودروی سمند (واحد دینامیک خودرو، گروه ترمز).
[2] ایساکو. (1395). ترمز ضدقفل ABS. شرکت تهیه و توزیع قطعات و لوازم یدکی ایران خودرو.
[3] وانگ، لی(1378). سیستم‌های فازی و کنترل فازی (ترجمه دکتر محمد تشنه لب). دانشگاه صنعتی خواجه نصیرالدین طوسی.
[4] Sachenbacher, M., & Struss, P. (1997). Fault isolation in the hydraulic circuit of an ABS. International Journal of Automation Technology, 105-111.
[5] Yu, F., Feng, J. Z., & Li, J. (2002). A fuzzy logic controller design for vehicle ABS with an online optimized target slip ratio. International Journal of Automation Technology, 165-170.
[6] Lee, Y., & Zak, S. H. (2002). Designing a genetic neural fuzzy antilock brake system controller. IEEE Transactions on Evolutionary Computation, 6(2).
[7] Will, A. B., & Zak, S. H. (2000). Antilock brake system modeling and fuzzy control. International Journal of Vehicle Design, 24(1), 1. https://doi.org/10.1504/IJVD.2000.001870.
[8] Yu, D. (2005). Antilock brake control system of electric vehicles. Control Theory & Applications. Available at: https://en.cnki.com.cn/Article_en/CJFDTOTALKZLY200501027.htm.
[9] Yu, Y. (2004). Study on fuzzy PID control algorithm for antilock brake system. Journal of Highway and Transportation Research and Development. Available at: http://en.cnki.com.cn/Article_en/CJFDTOTALGLJK200407032.htm.
[10] Sanchez-Torres, J. D., Loukianov, A. G., Galicia, M. I., & Rivera, J. (2011). A sliding mode regulator for antilock brake system. IFAC Proceedings Volumes, 44(1), 7187–7192. https://doi.org/10.3182/20110828-6-IT-1002.03644.
[11] Lin, W.-C., Dobner, D. J., & Fruechte, R. D. (2014). Design and analysis of an antilock brake control system with electric brake actuator. International Journal of Vehicle Design. Available at: https://trid.trb.org/view/383088.
[12] Liqun, Z., & Qingsong, L. (2018). Development prospects of ABS braking under the trend of high-end motorcycle manufacturing. Motorcycle Technology, 316(6), 40-46.
[13] Tao, L. (2020). Design and research of automotive electronic mechanical braking system. Internal Combustion Engine and Accessories, 323(23), 32-33.
[14] Jiantao, S., Lang, L., & Yang, C. (2020). The effect of automobile anti-lock braking system on braking distance. Auto Parts, 150(12), 73-75.
[15] Shengli, Z. (2019). Design and analysis of automobile electromechanical brake actuator. Mechanical Research and Application, 32(5), 66-69.
[16] Zhang, L., Wang, Y., & Chen, M. (2022). Robust wheel slip control in anti-lock braking systems using model predictive control. Control Engineering Practice, 235, Article 104897. https://doi.org/10.1016/j.conengprac.2021.104897.
[17] Lee, H., Park, J., & Kim, K. (2023). Fuzzy logic-based control strategy for anti-lock braking systems in autonomous vehicles. IEEE Access, 326, Article 3056789. https://doi.org/10.1109/ACCESS.2023.3056789.
[18] Ahmadi, M., Khajepour, A., Chen, S., & Litkouhi, B. (2020). Nonlinear control and estimation of longitudinal tire slip for anti-lock braking systems. IEEE/ASME Transactions on Mechatronics, 211, Article 2955432. https://doi.org/10.1109/TMECH.2019.2955432.
[19] Wu, D., Liu, Y., & Huang, T. (2024). Adaptive neural network control for anti-lock braking systems with uncertain road conditions. Neural Computing and Applications. https://doi.org/10.1007/s00521-023-07654-2.
Fuzzy Logic-Based Controller Design for … / Moghtadaei-rad
Fuzzy Logic-Based Controller Design for Enhancing Anti-lock Braking System Performance
Amir Moghtadaei rad1*
1 Department of Computer and Electrical Engineering, Has.c., Islamic Azad University, Hashtgerd, Iran
Abstract: This paper presents the design of a fuzzy controller for vehicles’ Anti-lock Braking System (ABS), aiming to prevent wheel lockup during braking and enhance vehicle control under critical conditions. Wheel lockup can lead to an increased stopping distance and a loss of vehicle control, particularly on slippery road surfaces. The ABS accurately controls the hydraulic pressure within the braking system to maintain the longitudinal slip between the tire and the road surface within an allowable range. In this study, an optimal fuzzy controller is designed to achieve desirable performance in the ABS. The proposed controller can effectively prevent wheel lockup by adjusting the braking force on the front and rear wheels while improving braking performance under various road conditions. This research focuses on utilizing a fuzzy control system to enable rapid adaptation to different road conditions and mitigate the negative effects caused by wheel slips. Simulation results demonstrate that the proposed system can deliver superior performance compared to conventional braking systems. By improving the design of the ABS, this study contributes significantly to enhancing vehicle safety and reducing road accidents.
Keywords: Anti-lock braking system (ABS), fuzzy controller, Hydraulic Control Unit, Electronic Control Unit.
JCDSA, Vol. 3, No. 1, Spring 2025 | Online ISSN: 2981-1295 | Journal Homepage: https://sanad.iau.ir/en/Journal/jcdsa |
Received: 2025-02-02 | Accepted: 2025-03-19 | Published: 2025-06-21 |
CITATION | Moghtadaei rad, A., "Fuzzy Logic-Based Controller Design for Enhancing Anti-lock Braking System Performance ", Journal of Circuits, Data and Systems Analysis (JCDSA), Vol. 3, No. 1, pp. 1-12, 2025. DOI: 10.82526/JCDSA.2025.1198389 | |
COPYRIGHTS
| ©2025 by the authors. Published by the Islamic Azad University Shiraz Branch. This article is an open-access article distributed under the terms and conditions of the Creative Commons Attribution 4.0 International (CC BY 4.0) | |
* Corresponding author
Extended Abstract
1- Introduction
Anti-lock braking systems (ABS) are critical for vehicle safety, preventing wheel lockup during sudden braking and enhancing steering control, especially on slippery roads. The design of a robust control system for ABS can significantly improve braking performance and vehicle stability. Sudden braking and wheel locking are among the most critical dangers that threaten vehicles and passengers. Wheel locking increases braking distance and reduces steering control, particularly on wet and slippery surfaces where the risk of wheel locking is higher. Therefore, a system that can control wheel brakes and prevent slippage is essential. This paper focuses on designing a fuzzy logic controller for controlling the opening and closing of electric valves to generate braking force on all four wheels of the vehicle. The motivation behind this study is to enhance road safety and reduce the likelihood of accidents caused by uncontrolled wheel slip.
2- Methodology
The proposed study utilizes a fuzzy logic controller to manage the hydraulic pressure in the braking system. The control strategy involves monitoring wheel speed sensors and estimating longitudinal slip to adjust the braking force accordingly. The fuzzy controller is designed with four main components: fuzzification, fuzzy inference engine, rule base, and defuzzification. The methodology includes the development of a simulation model using MATLAB/Simulink to evaluate the performance of the proposed control system under various road conditions. The model incorporates vehicle dynamics, hydraulic brake modeling, and sensor data processing to ensure accurate control of wheel slip. Additionally, real-world scenarios
such as sudden braking on wet and icy roads were simulated to assess the system's robustness and adaptability.
3- Results and discussion
Simulation results indicate that the fuzzy logic controller effectively maintains the longitudinal slip within an optimal range, preventing wheel lockup while maximizing braking efficiency. Compared to conventional ABS systems, the proposed controller offers improved stability and shorter braking distances, especially on slippery roads. The performance evaluation under different braking scenarios demonstrates the adaptability of the controller to varying road conditions. The proposed system shows robustness against parameter variations and external disturbances, proving its applicability in real-world driving conditions. The comparative analysis with traditional control methods highlights the advantages of using a fuzzy logic approach, particularly in complex and unpredictable environments
4- Conclusion
The fuzzy logic-based ABS controller designed in this study offers a significant improvement in vehicle safety by preventing wheel lockup and enhancing braking performance. The simulation results confirm that the proposed system can adapt to diverse road conditions and provide reliable control of wheel slip. Future work could involve the implementation of the controller in a real-time embedded system and testing it on a physical vehicle to validate simulation results. Furthermore, exploring hybrid control strategies that combine fuzzy logic with machine learning techniques could further enhance the adaptability and efficiency of ABS systems.
طراحی کنترلکننده مبتنی بر منطق فازی برای بهبود
عملکرد سیستم ترمز ضد قفل
امیر مقتدایی راد11
1- گروه مهندسی برق و کامپیوتر، واحد هشتگرد، دانشگاه آزاد اسلامی، البرز، ایران (Amir.Moghtadaei@iau.ac.ir)
چکیده: این مقاله به طراحی یک کنترلکننده فازی برای سیستم ترمز ضد قفل خودرو پرداخته که هدف آن جلوگیری از قفل‌شدن چرخ‌ها در هنگام ترمز و بهبود کنترل خودرو در شرایط بحرانی است. قفل‌شدن چرخ‌ها می‌تواند منجر به افزایش فاصله توقف خودرو و از دست‌رفتن کنترل آن به‌ویژه در شرایط جاده‌ای لغزنده شود. سیستم ترمز ضد قفل با کنترل دقیق فشار هیدرولیک در سیستم ترمز، لغزش طولی ایجاد شده بین تایر و سطح جاده را در یک محدوده مجاز کنترل می‌کند. در این مقاله، با طراحی کنترلکننده فازی بهینه، هدف دستیابی به عملکرد مطلوب در سیستم ترمز ضد قفل است. این کنترلکننده با تنظیم نیروی ترمز بر روی چرخهای جلو و عقب خودرو، می‌تواند از قفل‌شدن چرخ‌ها جلوگیری کند و درعین‌حال عملکرد سیستم ترمز را در شرایط مختلف جاده‌ای بهبود بخشد. این تحقیق به استفاده از سیستم کنترل فازی جهت تطبیق سریع با شرایط مختلف جاده‌ای و کاهش اثرات منفی ناشی از لغزش طولی چرخ‌ها پرداخته است. نتایج شبیه‌سازی نشان می‌دهد که این سیستم می‌تواند عملکرد بهتری در مقایسه با سیستم‌های ترمز معمولی ارائه دهد. این مقاله از طریق بهبود طراحی سیستم ترمز ضد قفل، نقش قابل‌توجهی در افزایش ایمنی خودروها و کاهش حوادث جاده‌ای ایفا می‌کند.
واژه های کلیدی: سیستم ترمز ضد قفل، کنترلکننده فازی، واحد کنترل هیدرولیک، واحد کنترل الکترونیک.
DOI: 10.82526/JCDSA.2025.1198389 |
| نوع مقاله: پژوهشی |
تاریخ چاپ مقاله: 31/03/1404 | تاریخ پذیرش مقاله: 29/12/1403 | تاریخ ارسال مقاله: 14/11/1403 |
[1] نویسنده مسئول
1- مقدمه
حرکت خودرو و پایداری آن بر روی جاده به‌طورکلی بستگی به نیروی اصطکاک به وجود آمده بین تایرها و سطح جاده دارد. با درنظرگرفتن یک سیستم مختصات که محورهای آن در راستای طول و عرض تایر هستند، می‌توان نیروی اصطکاک بین تایر و سطح جاده را به دو مؤلفه طولی و عرضی تجزیه نمود که مؤلفه طولی نیروی اصطکاک باعث ترمزگیری و شتاب خودرو شده و مؤلفه عرضی آن حرکات عرضی خودرو (دورزدن و حرکت به چپ و راست) را ایجاد می‌کند (شکل 1). بسته به شرایط حرکت خودرو و جاده مقدار هرکدام از مؤلفه‌های نیروی اصطکاک می‌تواند از صفر تا مقدار حداکثر تغییر نماید. اختلاف سرعت بین تایر و سطح جاده (سرعت خودرو) در نقطه تماس باعث به‌وجودآمدن نیروی اصطکاک طولی برخلاف جهت سرعت نسبی بین آنها می‌شود. نیروی اصطکاک طولی عامل شتاب گیری و ترمزگیری خودرو است. هنگام ترمزگیری، سرعت تایر کمتر از سرعت خودرو یا جاده و در موقع شتاب گیری، بیشتر از آن است. ازآنجا که اختلاف سرعت تایر و سرعت خودرو معیار خوبی برای تحلیل نیروی اصطکاک در شرایط مختلف نمی‌باشد، از معیار دیگری با عنوان لغزش طولی برای این منظور استفاده می‌شود [1-3].
لغزش طولی عبارت است از اختلاف سرعت خطی تایر و خودرو در راستای طولی تقسیم بر سرعت تایر یا خودرو (هرکدام که بیشتر باشد). به‌این‌ترتیب لغزش طولی برای حالات شتاب گیری و ترمزگیری از روابط زیر به دست می‌آید:
لغزش طولی هنگام ترمزگیری:
|
(2) |
|
(3) |
|
(4) |
|
(5) |
|
(6) |
|
| شتاب ثقل |
| |||
| فاصله از مرکز ثقل تا اکسل جلو |
| |||
| فاصله از مرکز ثقل تا اکسل عقب |
| |||
| ارتفاع جرم ارتجاعی |
| |||
| ارتفاع جرم غیرارتجاعی جلو |
| |||
| ارتفاع جرم غیرارتجاعی عقب |
| |||
| جرم کل خودرو |
| |||
| جرم ارتجاعی خودرو |
| |||
| جرم غیرارتجاعی جلو |
| |||
| جرم غیرارتجاعی عقب |
| |||
| گشتاور سکون چرخ جلو |
| |||
| گشتاور سکون چرخ عقب |
| |||
| شعاع تایر |
| |||
| گشتاور موتور |
| |||
| ثابت تناسبی تغییر مکان ترمز |
|
LP | SP | Z | SN | LN | Input (e) |
5000 | 5000 | 3206 | به‌کارگیری | 0 | Output ( |
شکل (19): روش استنتاج فازی انتخاب شده برای چرخ های جلو
شکل (20): قواعد7 فازی تعریف شده برای چرخ های جلو
شکل (21): توابع عضویت فازی ساز برای چرخ های جلو
شکل (22): توابع عضویت غیرفازی ساز برای چرخ های جلو
شکل (23): نمایش پاسخ کنترلر فازی برای چرخهای جلو
جدول (3) نشان‌دهنده مقادیر گشتاور خروجی بر حسب توابع ورودی است برای کنترلکننده چرخهای عقب است. همچنین نمایش روش استنتاج فازی به‌کارگیری شده، قواعد فازی تعریف شده و توابع عضویت فازی ساز و غیرفازی ساز که برای چرخهای عقب در جعبه‌ابزار فازی نرم‌افزار متلب تعریف شده است در شکل (24-27) و پاسخ کنترلکننده فازی طراحی شده برای چرخهای عقب که برحسب خطای ورودی و گشتاور خروجی در شکل (28) نشان داده شده است.
جدول (3): مقادیر گشتاور خروجی بر حسب توابع ورودی
برای چرخهای عقب
LP | SP | Z | SN | LN | Input (e) |
5000 | 5000 | 780 | 0 | 0 | Output( |
شکل (24): روش استنتاج فازی انتخاب شده برای چرخ های عقب
شکل (25): قواعد فازی تعریف شده برای چرخ های عقب
شکل (26): توابع عضویت فازی ساز برای چرخ های عقب
شکل (27): توابع عضویت غیرفازی ساز برای چرخ های عقب
شکل (28): نمایش پاسخ کنترلر فازی برای چرخهای عقب
5- نتایج تست کنترلکننده فازی طراحی شده
شکل (29): نمایش لغزش مرجع اعمال شده به سیستم ترمز ضد قفل
شکل (30): نمایش لغزش چرخهای جلو، عقب ومرجع
شکل (31): نمایش خطای ردیابی لغزش مرجع توسط چرخهای خودرو
شکل (32): نمایش سرعت چرخهای جلو
شکل (33): نمایش سرعت چرخهای عقب
6- نتیجه
در سیستم ترمز خودرو، سنسورها اطلاعات دقیق سرعت چرخ و اطلاعات فشار را برای سیستم کنترل ترمز ارائه می‌دهند تا کنترل دقیق فشار ترمز را محقق کنند؛ بنابراین دقت اطلاعات خروجی سنسور مستقیماً ً بر صحت و اثربخشی دستورالعمل‌های کنترلی سیستم کنترل تأثیر می‌گذارد. هنگامی که یک خودرو به‌سرعت ترمز می‌کند، به‌راحتی چرخ‌ها قفل می‌شوند. در این زمان سیستم ترمز ضد قفل وارد حالت کار می‌شود و فشار ترمز هر چرخ به‌موقع و بادقت تنظیم می‌شود تا چرخ‌ها قفل نشوند. در هنگام ترمزگیری، این سیستم باید بتواند خود را با شرایط مختلف جاده‌ای وفق دهد، به طور مؤثر در برابر عوامل تداخل جاده‌ای مقاومت کند و در مدت‌زمان بسیار کوتاهی به‌سرعت پاسخ دهد. در این مقاله سعی شد تا با استفاده از سیستم کنترل فازی، یک کنترلکننده برای سیستم ترمز ضد قفل طراحی شود که نتایج شبیه‌سازی‌ها نشان داد سیستم کنترل فازی به‌خوبی هدف را که همان کاهش سرعت چرخ‌ها و ردیابی‌کردن لغزش مرجع توسط چرخهای جلو و عقب است را محقق می‌نماید. البته لازم به ذکر است به دلیل دقیق نبودن مدل سیستم ترمز و غیرواقعی بودن مقادیر اجزای دینامیکی خودرو برخی از مقادیر نمایش‌های بالا تقریبی است و فقط بایستی در حد شبیه‌سازی به آنها اکتفا کرد.
مراجع
[1] مرکز تحقیقات ایران خودرو. (1390). معرفی سیستم ترمز ضدقفل خودروی سمند (واحد دینامیک خودرو، گروه ترمز).
[2] ایساکو. (1395). ترمز ضدقفل ABS. شرکت تهیه و توزیع قطعات و لوازم یدکی ایران خودرو.
[3] وانگ، لی(1378). سیستم‌های فازی و کنترل فازی (ترجمه دکتر محمد تشنه لب). دانشگاه صنعتی خواجه نصیرالدین طوسی.
[4] Sachenbacher, M., & Struss, P. (1997). Fault isolation in the hydraulic circuit of an ABS. International Journal of Automation Technology, 105-111.
[5] Yu, F., Feng, J. Z., & Li, J. (2002). A fuzzy logic controller design for vehicle ABS with an online optimized target slip ratio. International Journal of Automation Technology, 165-170.
[6] Lee, Y., & Zak, S. H. (2002). Designing a genetic neural fuzzy antilock brake system controller. IEEE Transactions on Evolutionary Computation, 6(2).
[7] Will, A. B., & Zak, S. H. (2000). Antilock brake system modeling and fuzzy control. International Journal of Vehicle Design, 24(1), 1. https://doi.org/10.1504/IJVD.2000.001870.
[8] Yu, D. (2005). Antilock brake control system of electric vehicles. Control Theory & Applications. Available at: https://en.cnki.com.cn/Article_en/CJFDTOTALKZLY200501027.htm.
[9] Yu, Y. (2004). Study on fuzzy PID control algorithm for antilock brake system. Journal of Highway and Transportation Research and Development. Available at: http://en.cnki.com.cn/Article_en/CJFDTOTALGLJK200407032.htm.
[10] Sanchez-Torres, J. D., Loukianov, A. G., Galicia, M. I., & Rivera, J. (2011). A sliding mode regulator for antilock brake system. IFAC Proceedings Volumes, 44(1), 7187–7192. https://doi.org/10.3182/20110828-6-IT-1002.03644.
[11] Lin, W.-C., Dobner, D. J., & Fruechte, R. D. (2014). Design and analysis of an antilock brake control system with electric brake actuator. International Journal of Vehicle Design. Available at: https://trid.trb.org/view/383088.
[12] Liqun, Z., & Qingsong, L. (2018). Development prospects of ABS braking under the trend of high-end motorcycle manufacturing. Motorcycle Technology, 316(6), 40-46.
[13] Tao, L. (2020). Design and research of automotive electronic mechanical braking system. Internal Combustion Engine and Accessories, 323(23), 32-33.
[14] Jiantao, S., Lang, L., & Yang, C. (2020). The effect of automobile anti-lock braking system on braking distance. Auto Parts, 150(12), 73-75.
[15] Shengli, Z. (2019). Design and analysis of automobile electromechanical brake actuator. Mechanical Research and Application, 32(5), 66-69.
[16] Zhang, L., Wang, Y., & Chen, M. (2022). Robust wheel slip control in anti-lock braking systems using model predictive control. Control Engineering Practice, 235, Article 104897. https://doi.org/10.1016/j.conengprac.2021.104897.
[17] Lee, H., Park, J., & Kim, K. (2023). Fuzzy logic-based control strategy for anti-lock braking systems in autonomous vehicles. IEEE Access, 326, Article 3056789. https://doi.org/10.1109/ACCESS.2023.3056789.
[18] Ahmadi, M., Khajepour, A., Chen, S., & Litkouhi, B. (2020). Nonlinear control and estimation of longitudinal tire slip for anti-lock braking systems. IEEE/ASME Transactions on Mechatronics, 211, Article 2955432. https://doi.org/10.1109/TMECH.2019.2955432.
[19] Wu, D., Liu, Y., & Huang, T. (2024). Adaptive neural network control for anti-lock braking systems with uncertain road conditions. Neural Computing and Applications. https://doi.org/10.1007/s00521-023-07654-2.
[1] Antilock Brake Syatem (ABS)
[2] Hydraulic Control Unit (HCU)
[3] Electronic Control Unit (ECU)
[4] Fuzzifier
[5] Defuzzifier
[6] Tracking error
[7] Rule
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2025