Controle Inteligente de Torque Aprimora Estabilidade em Veículos Elétricos de Alta Velocidade
No acelerado mundo da mobilidade elétrica, onde desempenho e segurança são parâmetros absolutos, surge uma nova estratégia de controle que pode redefinir como os veículos elétricos distribuídos (DEVs) lidam com curvas em alta velocidade. Pesquisadores da Universidade de Tecnologia de Arquitetura de Xi’an desenvolveram um avançado sistema de controle eletrônico diferencial baseado em torque, projetado para aprimorar a estabilidade do veículo, reduzir o consumo energético e aumentar a segurança em condições exigentes, especialmente em altas velocidades.
Conforme a indústria automotiva global avança em direção à eletrificação, os veículos elétricos distribuídos—equipados com motores independentes em cada roda—estão ganhando destaque por sua agilidade superior, controle preciso de torque e simplicidade mecânica. Diferentemente dos veículos tradicionais com motores de combustão interna ou até mesmo com transmissões elétricas centralizadas, os DEVs oferecem uma flexibilidade sem precedentes para gerenciar a entrega de potência a cada roda de forma independente. Essa capacidade abre caminho para sofisticadas estratégias de diferencial eletrônico que podem influenciar profundamente a dinâmica do veículo.
No entanto, as estratégias convencionais de diferencial eletrônico baseadas em velocidade mostraram limitações, particularmente em altas velocidades. Esses sistemas geralmente dependem do modelo de direção Ackermann para calcular as velocidades ideais das rodas durante uma curva. Embora simples e intuitivo, o modelo Ackermann trata o veículo como um corpo rígido e ignora fatores não lineares críticos, como a interação pneu-pista, a transferência de carga e as forças laterais. Como resultado, esses modelos frequentemente falham em manter a estabilidade quando levados ao limite, especialmente em superfícies de baixa aderência ou durante manobras agressivas, como testes de mudança de faixa dupla.
Reconhecendo essas deficiências, o Dr. Nannan Zhao e Bo Shi, da Escola de Engenharia Mecânica e Elétrica da Universidade de Tecnologia de Arquitetura de Xi’an, desenvolveram uma nova estrutura de controle de distribuição de torque em dois níveis. Seu trabalho, publicado na Mechanical Science and Technology for Aerospace Engineering, apresenta uma solução robusta que combina inteligência artificial e teoria de otimização para oferecer um manuseio e eficiência superiores.
A inovação central reside em abandonar a lógica de controle centrada na velocidade e focar-se no torque como a variável de controle primária. Essa mudança permite que o sistema influencie diretamente o momento de guinada do veículo—a força rotacional em torno do seu eixo vertical—que é crucial para manter a estabilidade direcional durante as curvas. Ao calcular e aplicar um momento de guinada adicional em tempo real, o controlador pode corrigir ativamente desvios no comportamento do veículo antes que eles se transformem em instabilidade.
O núcleo dessa estratégia é uma arquitetura de controle de duas camadas. A camada superior emprega uma rede neural BP otimizada por algoritmo genético (GA-BP) para determinar o momento de guinada corretivo necessário. As redes neurais são ferramentas poderosas para modelar sistemas complexos e não lineares, mas frequentemente sofrem com convergência lenta e sensibilidade aos parâmetros iniciais. Para superar isso, os pesquisadores integraram um algoritmo genético—uma técnica de otimização inspirada na biologia—para pré-ajustar os pesos e limiares da rede. Essa abordagem híbrida acelera o treinamento e melhora a precisão da predição, garantindo que o sistema responda rapidamente e com confiabilidade às condições dinâmicas de condução.
A camada inferior do controlador utiliza programação quadrática para distribuir o torque de tração total entre as quatro rodas. Esse método de otimização matemática garante que a distribuição do torque minimize a carga nos pneus, respeitando ao mesmo tempo os limites físicos, como a aderência da pista e a capacidade do motor. Ao manter os pneus operando dentro de sua faixa de aderência ideal, o sistema mantém reservas altas de força lateral, essenciais para evitar derrapagens ou perda de controle.
Uma das principais vantagens dessa abordagem é sua capacidade de levar em conta as mudanças em tempo real da dinâmica do veículo. Durante uma curva, o peso se transfere das rodas internas para as externas, alterando a carga vertical em cada pneu. O sistema de controle proposto monitora continuamente essas variações de carga e ajusta a distribuição de torque em conformidade. Isso não apenas melhora a estabilidade, mas também reduz a resistência ao rolamento e a demanda geral de energia.
Para validar sua estratégia, a equipe de pesquisa realizou simulações conjuntas utilizando CarSim e Simulink—ferramentas padrão do setor para análise da dinâmica do veículo. O cenário de teste envolvia uma manobra de mudança de faixa dupla em alta velocidade a 90 km/h em uma superfície com coeficiente de atrito de 0,5, simulando condições de pista molhada. Esse tipo de teste é amplamente utilizado para avaliar a resposta transitória e o desempenho do controle de estabilidade de um veículo.
Os resultados foram convincentes. Os veículos equipados com o novo sistema de controle baseado em torque mostraram um desvio de 6,24% da trajetória ideal, em comparação com um desvio de 17,47% para aqueles que utilizavam uma distribuição igual de torque. Isso significa que o veículo permaneceu muito mais próximo do caminho pretendido, reduzindo o risco de invadir faixas adjacentes durante manobras de evasão de emergência.
Mais importante ainda, o sistema melhorou dramaticamente o controle sobre indicadores críticos de estabilidade. O ângulo de derrapagem lateral máximo—o ângulo entre a direção de viagem do veículo e sua orientação real—foi reduzido de 3,35° para apenas 0,73°, uma redução de quase 89%. O ângulo de derrapagem lateral é uma métrica fundamental na dinâmica do veículo; valores excessivos indicam que a traseira do carro está começando a escorregar para fora, um precursor do supersterçamento e possíveis giros. Ao manter esse ângulo dentro de ±2,5°, o sistema garante que o veículo permaneça previsível e controlável mesmo sob tensão.
De maneira semelhante, a velocidade de guinada—a velocidade com que o veículo gira em torno de seu centro—estava mais alinhada com o modelo de referência ideal. O veículo controlado exibiu um comportamento de guinada mais suave e consistente, evitando as flutuações acentuadas observadas no sistema base. Isso se traduz em uma experiência de condução mais estável e segura, particularmente para motoristas menos experientes que podem ter dificuldade em corrigir eventos repentinos de supersterçamento ou substerçamento.
Outro achado significativo foi o impacto do sistema na eficiência energética. Na simulação, o consumo total de energia dos motores de tração diminuiu 8,2%, de 106.710 joules para 97.930 joules. Essa redução decorre de dois fatores principais: primeiro, a distribuição inteligente de torque minimiza a rotação desnecessária das rodas e o deslizamento, que desperdiçam energia; segundo, o sistema permite uma leve modulação da velocidade durante as curvas, reduzindo a resistência aerodinâmica e ao rolamento. Embora 8,2% possa parecer modesto, no contexto de veículos elétricos, onde cada watt-hora conta, essas economias podem aumentar a autonomia de condução e reduzir a degradação da bateria ao longo do tempo.
Além disso, a estratégia de controle permite transições mais suaves entre a condução em linha reta e as curvas. Em vez de manter uma velocidade alta constante durante uma curva—o que aumenta as forças laterais e desestabiliza o chassi—o sistema reduz proativamente a velocidade para um nível mais seguro (em torno de 87-88 km/h no teste) e depois acelera de volta para a velocidade alvo após a manobra ser concluída. Esse gerenciamento adaptativo da velocidade não é apenas uma questão de conformidade com a física; reflete um estilo de condução mais inteligente e humano que prioriza a segurança sem sacrificar o desempenho.
Do ponto de vista da engenharia, a integração de técnicas de IA e otimização representa um avanço significativo nos sistemas de controle veicular. Os controladores PID tradicionais, embora confiáveis, muitas vezes exigem uma sintonia extensiva e têm dificuldade com não linearidades. A lógica difusa e o controle por modo deslizante foram explorados como alternativas, mas trazem seus próprios desafios em termos de complexidade e ruído. A abordagem de rede neural GA-BP oferece uma alternativa baseada em dados que aprende com cenários de condução do mundo real e se adapta a condições variáveis sem recalibração manual.
O uso de dados de treinamento gerados pelo CarSim de um veículo convencional com diferencial mecânico fortalece ainda mais a relevância prática do modelo. Ao imitar o comportamento de um sistema de referência bem compreendido, a rede neural pode generalizar seu aprendizado para uma ampla gama de situações de condução, incluindo entradas degrau, direção senoidal e manobras de evasão.
Talvez um dos aspectos mais subestimados dessa pesquisa seja seu foco em minimizar as perdas internas de potência. Em sistemas de tração integral, especialmente aqueles com motores de roda independentes, existe o risco de “potência circulante”—uma condição em que o torque é aplicado simultaneamente a ambos os lados do veículo, criando forças opostas que se cancelam mutuamente e desperdiçam energia. O resolvedor de programação quadrática considera explicitamente isso ao limitar a diferença de torque entre os eixos dianteiro e traseiro, melhorando assim a eficiência do trem de força.
Essa abordagem holística—equilibrando estabilidade, uso de energia e eficiência mecânica—alinha-se perfeitamente com os objetivos mais amplos da mobilidade sustentável. À medida que cidades do mundo inteiro impulsionam soluções de transporte mais ecológicas, tecnologias que estendem a vida útil da bateria e reduzem a frequência de recarga se tornarão cada vez mais valiosas. Além disso, uma maior estabilidade significa menos acidentes, menores custos de seguro e maior confiança pública em sistemas de condução autônoma, que muitas vezes dependem de arquiteturas de controle semelhantes.
As implicações dessa pesquisa vão além dos veículos de passageiros. Os mesmos princípios poderiam ser aplicados a ônibus elétricos, vans de entrega e até veículos off-road, onde tração e estabilidade são críticas. Por exemplo, em aplicações de transporte urbano, curvas mais suaves reduzem o desconforto dos passageiros e o desgaste da infraestrutura. Em frotas logísticas, uma maior eficiência energética se traduz diretamente em menores custos operacionais e menor pegada de carbono.
Olhando para o futuro, o próximo passo pode envolver a integração dessa estratégia de controle com sistemas avançados de assistência ao motorista (ADAS) e comunicação veículo-a-tudo (V2X). Imagine um futuro em que seu carro receba atualizações em tempo real sobre as condições da estrada da infraestrutura inteligente e ajuste preventivamente sua distribuição de torque antes de entrar em uma curva escorregadia. Ou considere cenários de comboio onde múltiplos veículos elétricos coordenam suas características de manuseio para manter uma formação apertada em altas velocidades.
Embora o estudo atual se concentre na validação baseada em simulação, o próximo passo lógico é o teste em hardware em loop e testes no mundo real. A carga computacional da rede neural GA-BP e do resolvedor de programação quadrática deve ser avaliada contra as capacidades de processamento das modernas ECUs automotivas. Felizmente, com o rápido avanço de chips de IA embutidos e sistemas operacionais em tempo real, implementar esses algoritmos em veículos de produção está se tornando cada vez mais viável.
Também vale a pena notar que essa estratégia de controle não requer sensores adicionais além daqueles já presentes na maioria dos veículos modernos. Ela depende de entradas padrão, como o ângulo de direção, a velocidade do veículo, a velocidade de guinada e a aceleração lateral—todas medidas rotineiramente pelos sistemas de controle de estabilidade eletrônica (ESC). Essa compatibilidade com o hardware existente torna a tecnologia altamente escalável e econômica.
Em resumo, o trabalho de Zhao e Shi representa um avanço significativo no campo da dinâmica de veículos elétricos. Ao repensar os fundamentos do controle eletrônico diferencial e adotar métodos computacionais modernos, eles criaram um sistema que não é apenas mais seguro e eficiente, mas também mais alinhado com o comportamento natural de motoristas experientes. Conforme a indústria automotiva continua sua transição para a eletrificação e a automatização, inovações como esta desempenharão um papel crucial na moldagem do futuro da mobilidade.
Seus achados destacam uma tendência mais ampla: a fusão da engenharia mecânica clássica com a tecnologia da informação de ponta está desbloqueando novas possibilidades no desempenho do veículo. Já não basta construir carros mais rápidos ou potentes; o desafio agora é torná-los mais inteligentes, mais responsivos e mais em sintonia com o ambiente e o motorista.
Para engenheiros, formuladores de políticas e consumidores, esta pesquisa oferece um vislumbre de um futuro em que os veículos elétricos não apenas substituem os motores de combustão interna—eles os superam em todas as dimensões de desempenho, segurança e sustentabilidade.
Zhao Nannan, Shi Bo. Torque Electronic Differential Control of Distributed Electric Vehicle. Mechanical Science and Technology for Aerospace Engineering, 2024. DOI: 10.13433/j.cnki.1003-8728.20230085