1.一种平衡车系统，其特征在于，包括控制部分、传感器部分、人机交互部分、供电部分、主电路部分和上位机部分；控制部分采用微控制器，分别与传感器部分、人机交互部分、供电部分和主电路部分连接；上位机部分与人机交互部分连接，人机交互部分由供电部分提供电能；

传感器部分包括用于采集车身偏移的角速度的陀螺仪，用于采集车的加速度的加速度计，用于采集实际速度的速度传感器，用于采集操纵杆的方向角的转角传感器，用于检测路况的红外传感器，用于采集逆变器相关数据的电压和电流传感器；

人机交互部分包括用于显示车速信息、电量信息、电池温度信息及系统运行状态反馈的LCD显示屏，用于传输数据到手机APP和向控制器发送指令的无线蓝牙；用于和PC通讯的上位机通讯模块，用于电源开关控制，模式选择，信息查询的按键，以及用于提示车辆报警信息的LED灯和蜂鸣器；

供电部分包括用于电池充电和系统各部分的供电的充电模块和蓄电池；

主电路部分包括两台永磁同步电机以及能够驱动两台永磁同步电机的三相逆变器，用于实现电机的独立控制和协同运行；

上位机部分包括用于通过无线蓝牙进行信息传输和传送指令手机和通过串口通信的PC端。

2.一种平衡车系统控制方法，其特征在于，根据权利要求1所述平衡车系统的姿态信号的差分方程模型和漂移误差模型，建立扩展卡尔曼滤波的状态方程以及永磁直线电机的数学模型；利用二阶动态Terminal滑膜对永磁同步电机进行驱动；运用粒子群算法对双电机系统中跟踪控制器，同步控制器、消隙控制器参数以及切换函数同时优化。

3.根据权利要求2所述的一种平衡车系统控制方法，其特征在于，扩展卡尔曼滤波的状态方程如下：其中， 为陀螺仪输出值，为陀螺仪测量的真实角速度，κ为尺度误差，ε为漂移误差，ν(n-1)为均值为零的高斯白噪声，T为周期。

4.根据权利要求3所述的一种平衡车系统控制方法，其特征在于，平衡车的姿态信号的差分方程模型为：其中，ω0为陀螺仪初始角度值，κ为尺度误差，α为漂移误差，陀螺仪漂移误差的一阶自回归AR模型如下：其中，为自回归模型参数；ν(n)为均值为零的测量白噪声；

高斯白噪声的方差如下：

其中，Ci、Cg分别为倾角计和陀螺仪噪声协方差；δ1为倾斜角度的标准差；δ2为陀螺仪高斯噪声密度标准差；δ3为陀螺仪漂移误差AR模型中噪声的标准差。

5.根据权利要求2所述的一种平衡车系统控制方法，其特征在于，永磁直线电机的机械运动方程如下：其中，s为动子位移；v为动子速度；M为动子及其所带负载总质量；Bv为粘滞摩擦因数；F∑为总扰动力。

6.根据权利要求5所述的一种平衡车系统控制方法，其特征在于，总扰动力F∑如下：F∑＝Frip+Fload+Ffric

其中，Fload为负载阻力；Frip为端部效应产生的等效阻力；FM为端部效应推力波动幅值；τ为极距；为初始相位电角度；Ffric为摩擦力；fc为库伦摩擦系数；fs为静态摩擦系数；v为动子速度；vs为临界摩擦速度。

7.根据权利要求2所述的一种平衡车系统控制方法，其特征在于，利用二阶动态Terminal滑膜对永磁同步电机进行驱动具体为：令x＝[x1,x2]T＝[s,v]T为系统的状态变量，输入控制量为u＝iq，状态方程如下：其中，k1,k2,k3为未知参数，kf为阻力系数，Bv为粘滞摩擦因数，F∑为总扰动力，M为动子及其所带负载总质量；

* *

设系统跟踪误差为e＝x1-x1，其中，x1 为x1的给定值，定义系统的二阶非奇异快速终端滑模变量为：其中，0<α<1，β∈R+,p,q∈N为奇数，λ＞p/q，1＜p/q＜2；

当系统状态靠近平衡点时，跟踪误差e(t)的高次项趋近于0，其收敛速度近似于非奇异终端滑模；当系统远离平衡点时，跟踪误差e(t)的高次项起主要作用，其收敛速度比非奇异终端滑模更快；滑模控制系统满足滑模变量σ及其一阶导数 收敛到零点。

8.根据权利要求7所述的一种平衡车系统控制方法，其特征在于，滑膜变量的一阶导数如下：滑膜控制律如下：

其中：r为位置指令，ce为误差，F(t)为为了达到全局滑模面设计的函数，F(t)＝s(0)exp(-λt)，λ>0,s(0)为初始时刻是s(t)，sgn(s)为阶跃函数，B为摩擦系数；K(t)为切换增益，K(t)＝max(|E(t)|)+ρ,ρ＞0；当系统输入ss<0，滑膜存在；如果系统输入ss>0，切换增益K(t)应增大；如果系统输入ss<0，切换增益K(t)应减小。

9.根据权利要求2所述的一种平衡车系统控制方法，其特征在于，运用粒子群算法整定参数的性能指标函数F如下：其中，性能指标的第一项越小表示系统的稳态误差越小；第二项越小表明系统的能耗越小；t为时间，e1(t)为约束项，u1,u2为综合控制律。

10.根据权利要求9所述的一种平衡车系统控制方法，其特征在于，具体步骤如下：S401、初始化粒子群的各个参数值，并计算每个粒子的适应度函数，通过加权的形式计算出每组参数的性能指标大小；

如果新粒子的适应值比前一个的更小，则用新粒子更新适应值；否则，适应值保持不变；

其中，pbest(t)是在t时刻的最佳适应值，f(·)为性能指标的目标函数，X(t)是每个粒子的位置；pbest记录个体搜索到的最优解，用gbest来记录整个群体在一次迭代中搜索到的最优解；

速度和粒子位置的更新公式如下：

V[i]＝w×v[i]+c1×rand()×(pbest[i]-present[i])+c2×rand()×(gbest-present[i])

其中，v[i]代表第i个粒子的速度，w代表惯性权值，c1和c2表示学习参数，rand()表示在0-1之间的随机数，pbest[i]代表第i个粒子搜索到的最优值，gbest代表整个集群搜索到的最优值，present[i]代表第i个粒子的当前位置；

S402、当pbest中最小的适应值小于全局的适应值时，用相应的最小适应值的位置更新全局的适应值；否则，全局适应值保持不变；

gbest(t+1)＝arg min{f(pbest1(t)),f(pbest2(t)),...,f(pbestn(t))}其中，gbest(t)为t时刻全局的最佳适应值，n为粒子的总个数；

S403、对控制参数值按下式进行更新

Xi'j(t+1)＝Xi'j(t)+Vi'j(t+1)

其中，Vi'j(t)是第j维粒子第i'个群体迭代粒子的速度；Xi'j(t)是第j维粒子第i'个群体迭代粒子的位置，取i'＝20；ω为惯性权重，取ω＝0.7；c1和c2为学习率，取c1＝c2＝2；

S404、粒子的当前位置超出所设置的最大值和最小值，对超出范围的粒子重新赋值，即当超出粒子的最大速度时，粒子的速度重新赋值为其中，Xmin(j)和Xmax(j)分别为第j维的最小位置和最大位置；Vmin(j)和Vmax(j)分别为第j维的最小速度和最大速度；

S405、当迭代次数小于最大的设置次数时，转向步骤S403；否则结束。