連靜，常靜，李琳輝，周雅夫，呂仁志，黃海洋，鄭寧安

(大連理工大學(xué) 工業(yè)裝備結(jié)構(gòu)分析國(guó)家重點(diǎn)實(shí)驗(yàn)室，運(yùn)載工程與力學(xué)學(xué)部汽車工程學(xué)院，遼寧，大連 116024)

?

基于模糊在線識(shí)別的并聯(lián)混合動(dòng)力客車自適應(yīng)控制策略

連靜，常靜，李琳輝，周雅夫，呂仁志，黃海洋，鄭寧安

(大連理工大學(xué) 工業(yè)裝備結(jié)構(gòu)分析國(guó)家重點(diǎn)實(shí)驗(yàn)室，運(yùn)載工程與力學(xué)學(xué)部汽車工程學(xué)院，遼寧，大連 116024)

針對(duì)一款并聯(lián)混合動(dòng)力客車提出了一種基于模糊在線識(shí)別的自適應(yīng)控制策略.基于自主研發(fā)的混合動(dòng)力車數(shù)據(jù)采集監(jiān)控系統(tǒng)構(gòu)建符合本地車輛實(shí)際行駛道路特點(diǎn)的典型工況，設(shè)計(jì)模糊工況識(shí)別算法對(duì)車輛實(shí)際行駛的工況類型進(jìn)行在線識(shí)別.根據(jù)最小等效燃油消耗控制算法和電池電量平衡控制方法，結(jié)合工況識(shí)別的結(jié)果調(diào)用相應(yīng)最優(yōu)控制參數(shù)，對(duì)發(fā)動(dòng)機(jī)和電池的功率分配進(jìn)行實(shí)時(shí)優(yōu)化計(jì)算，實(shí)現(xiàn)對(duì)整車的控制.實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)的模糊識(shí)別方法能夠較好地完成行駛工況類型的識(shí)別.基于此所提出的自適應(yīng)控制方法能夠在滿足車輛需求功率和電池SOC維持在有效工作區(qū)間內(nèi)的前提下完成發(fā)動(dòng)機(jī)和電池的最優(yōu)功率分配，顯著提高整車的燃油經(jīng)濟(jì)性.

混合動(dòng)力車；行駛工況；模糊識(shí)別；控制策略

混合動(dòng)力客車在滿足整車動(dòng)力性能指標(biāo)的前提下合理地分配各系統(tǒng)部件間的能量以獲得最佳性能所依靠最優(yōu)的能量管理策略是近年來研究的重點(diǎn)與熱點(diǎn).Hui S等[1]利用自適應(yīng)模擬退火方法，張昕等[2]利用遺傳算法，Sundstrom等[3]應(yīng)用動(dòng)態(tài)規(guī)劃優(yōu)化方法均對(duì)全局優(yōu)化控制策略進(jìn)行了研究.但由于需提前知道包括道路工況等信息在內(nèi)的整個(gè)駕駛循環(huán)的信息等原因使全局優(yōu)化控制策略不能直接用于實(shí)車實(shí)時(shí)控制[4].而現(xiàn)有的瞬時(shí)優(yōu)化控制策略的核心是引入等效因子將每一時(shí)刻電池電量的消耗等效為相應(yīng)的燃油消耗當(dāng)量[5-6].Serrao等[7]提出在已知工況的條件下選擇一個(gè)較為準(zhǔn)確的等效因子實(shí)現(xiàn)等效燃油消耗最小控制策略下的最優(yōu)能量分配.但在控制過程中未考慮實(shí)際道路循環(huán)工況的變化對(duì)等效因子的影響.Zhang Y等[8]等介紹了神經(jīng)網(wǎng)絡(luò)模式式識(shí)別方法對(duì)工況識(shí)別進(jìn)行了研究，但此識(shí)別方法需要大量合適的訓(xùn)練樣本才能得到相對(duì)準(zhǔn)確的識(shí)別結(jié)果，并且在控制策略開發(fā)中所用的參考工況多數(shù)采用具有代表性的典型工況對(duì)混合動(dòng)力控制策略進(jìn)行開發(fā).例如Gurkaynak等[9]通過識(shí)別由HWFET和UDDS組合的典型工況來進(jìn)行自適應(yīng)控制.而由于車流狀況、駕駛習(xí)慣和道路網(wǎng)絡(luò)拓?fù)淝闆r的不同，每個(gè)城市的車輛行駛工況特點(diǎn)也都不同，用其他地區(qū)的行駛工況來評(píng)價(jià)本地的燃油消耗量很難得到準(zhǔn)確的評(píng)估結(jié)果.因此立足于真實(shí)的交通環(huán)境并構(gòu)建本地實(shí)際行駛工況進(jìn)行控制策略開發(fā)十分必要.

針對(duì)以上問題，文中以大連實(shí)際行駛道路工況為例，提出了一種基于模糊在線工況識(shí)別的自適應(yīng)實(shí)時(shí)優(yōu)化控制策略.首先基于課題組自主研發(fā)的混合動(dòng)力車數(shù)據(jù)采集監(jiān)控系統(tǒng)構(gòu)建符合本地實(shí)際行駛道路特征的典型工況；其次，設(shè)計(jì)模糊識(shí)別算法對(duì)車輛實(shí)際行駛工況進(jìn)行在線識(shí)別，結(jié)合最小等效燃油消耗控制算法和電池電量平衡控制方法，制定了工況自適應(yīng)控制策略，實(shí)時(shí)優(yōu)化分配發(fā)動(dòng)機(jī)和電機(jī)的功率，提高混合動(dòng)力客車適應(yīng)性、減小在線實(shí)時(shí)計(jì)算量的同時(shí)又能充分發(fā)揮自適應(yīng)控制策略的優(yōu)勢(shì).

1 典型工況構(gòu)建與識(shí)別

1.1 構(gòu)建4種典型工況

混合動(dòng)力客車運(yùn)行線路具有周期性強(qiáng)、重復(fù)性顯著的特點(diǎn)，所以構(gòu)建符合本地實(shí)際道路特征的典型工況是提高混合動(dòng)力車燃油經(jīng)濟(jì)性、實(shí)用性等綜合性能的關(guān)鍵.綜合考慮城市結(jié)構(gòu)、道路類型及擁擠程度，可將城市工況劃分為Stopngo(市中心工況)、Urban(市內(nèi)較暢通工況)、Suburban(近郊區(qū)工況)、Rural(遠(yuǎn)郊區(qū)工況)4種典型工況.

基于自主研發(fā)的混合動(dòng)力車數(shù)據(jù)采集監(jiān)控系統(tǒng)，采用行程分析法對(duì)大連市混合動(dòng)力客車原始運(yùn)行數(shù)據(jù)進(jìn)行長(zhǎng)時(shí)間的采集[10]，采用主成分分析技術(shù)和聚類技術(shù)構(gòu)建以上4種典型工況.每類行駛工況的構(gòu)建步驟如下：① 從數(shù)據(jù)存儲(chǔ)軟件中提取采集到的混合動(dòng)力客車運(yùn)行的原始數(shù)據(jù)以車輛怠速狀態(tài)為節(jié)點(diǎn)進(jìn)行運(yùn)動(dòng)學(xué)片段(車輛從一個(gè)怠速始點(diǎn)到下一個(gè)怠速始點(diǎn)之間的運(yùn)行過程)的劃分；② 計(jì)算每一個(gè)運(yùn)動(dòng)學(xué)片段的特征值參數(shù)組成特征值參數(shù)矩陣，并運(yùn)用Matlab軟件對(duì)特征參數(shù)進(jìn)行主成分分析；③ 在上述主成分分析結(jié)果的基礎(chǔ)上，根據(jù)運(yùn)動(dòng)學(xué)片段特征值矩陣的特點(diǎn)，通過聚類技術(shù)將所有的運(yùn)動(dòng)學(xué)片段進(jìn)行歸類分析，獲得該類工況的優(yōu)秀片段；④ 最后將這些優(yōu)秀片段進(jìn)行先行疊加獲得該類行駛工況.所構(gòu)建的4類典型工況如圖1所示.

1.2 行駛工況識(shí)別

1.2.1 行駛工況特征參數(shù)的選擇與提取

綜合考慮工況識(shí)別實(shí)時(shí)性、參數(shù)重疊及硬件條件限制等因素的影響，對(duì)特征參數(shù)進(jìn)行分析篩選，選擇能夠代表其他大多數(shù)參數(shù)的平均速度vm、運(yùn)行平均速度vmr、怠速時(shí)間百分比η、平均加速度aa和平均減速度ad作為特征參數(shù)進(jìn)行行駛工況識(shí)別.由數(shù)據(jù)采集系統(tǒng)獲取車輛運(yùn)行信息構(gòu)建的典型工況是關(guān)于實(shí)時(shí)速度-時(shí)間的歷程，設(shè)置速度采樣時(shí)間間隔為1 s，由一定時(shí)間周期的速度-時(shí)間歷程提取每個(gè)周期內(nèi)的平均速度vm、運(yùn)行平均速度vmr(km/h)、怠速時(shí)間百分比η、平均加速度aa(m/s2)和平均減速度ad(m/s2)這5個(gè)特征參數(shù)，其中，工況特征參數(shù)計(jì)算提取公式為

(1)

式中：i為速度不為0的時(shí)間；tacc和tdcc分別為加速及減速時(shí)間.

1.2.2 行駛工況模糊識(shí)別算法設(shè)計(jì)

① 模糊聚類中心矩陣.

基于系統(tǒng)優(yōu)化模糊集理論[11]，采用模糊識(shí)別算法進(jìn)行行駛工況識(shí)別.

經(jīng)過行駛工況特征參數(shù)提取后的5個(gè)特征參數(shù)組成待識(shí)別的樣本矩陣，所以樣本具有5個(gè)指標(biāo)，指標(biāo)向量為[vmvmrηaaad]T.由于矩陣需要進(jìn)行歸一化處理，所以矩陣中只有一組是不能實(shí)現(xiàn)歸一化處理的，則將標(biāo)準(zhǔn)工況4組參數(shù)加入，但是進(jìn)行識(shí)別時(shí)只對(duì)第一組進(jìn)行識(shí)別.待識(shí)別矩陣的指標(biāo)特征值矩陣表示為

(2)

式中：xij為j指標(biāo)i的特征值，i=1，2，…，5.

由于5個(gè)指標(biāo)的特征值在量綱級(jí)上存在差異，需要對(duì)其進(jìn)行歸一化處理

(3)

式中ximax、ximin分別為第i指標(biāo)的最大特征值和最小特征值；rij為xij的歸一化值，范圍0≤rij≤1.

根據(jù)式(3)，代入式(2)從而計(jì)算出相對(duì)優(yōu)屬度矩陣

(4)

以4個(gè)類別的5個(gè)指標(biāo)特征值作為該類的聚類中心，則可用模糊聚類中心矩陣表示4個(gè)類別的指標(biāo)特征值.

(5)

式中：Sih為類別h指標(biāo)i的特征值的歸一化數(shù)，0 ≤Sih≤1．

② 指標(biāo)權(quán)重向量的計(jì)算.

在行駛工況特征參數(shù)選擇時(shí)，選取平均速度、平均加速度、平均減速度、運(yùn)行平均速度和怠速時(shí)間百分比5個(gè)特征參數(shù)，以燃油經(jīng)濟(jì)性作為評(píng)價(jià)指標(biāo)應(yīng)用正交優(yōu)化方法分析5個(gè)參數(shù)的主次影響因素，然后采用極差分析法(R法或直觀分析法)對(duì)正交試驗(yàn)結(jié)果進(jìn)行處理分析以確定正交試驗(yàn)因素的主次、各試驗(yàn)因素的優(yōu)水平以及試驗(yàn)范圍內(nèi)的最優(yōu)組合，最終可以確定對(duì)行駛工況影響程度順序依次為平均速度、怠速時(shí)間百分比、運(yùn)行平均速度、平均減速度、平均加速度.在模糊識(shí)別中需考慮不同指標(biāo)的權(quán)重，設(shè)它們權(quán)重以wi表示，則指標(biāo)權(quán)向量為

[w1w2w3w4w5]，

并且指標(biāo)各個(gè)指標(biāo)的權(quán)重應(yīng)該滿足

w1+w2+w3+w4+w5=1,

(6)

對(duì)每種指標(biāo)權(quán)重需要進(jìn)行設(shè)置，選取第4種工況作為標(biāo)準(zhǔn)工況，運(yùn)用公式

分別計(jì)算另外3種工況與第4種工況的每一個(gè)指標(biāo)的相似度.

依照上面的滿足條件用C#語言編寫迭代程序，每組進(jìn)行3次試驗(yàn)計(jì)算出相似系數(shù)，最終可以確定指標(biāo)權(quán)向量為

[0.44 0.34 0.10 0.09 0.03].

③ 模糊識(shí)別矩陣.

將5個(gè)樣本根據(jù)m指標(biāo)特征值，按照4個(gè)類別進(jìn)行模糊識(shí)別，其模糊識(shí)別矩陣為

(7)

式中：uij為樣本j歸屬于h類的相對(duì)隸屬度，h=1～4.

由式(4)(5)及指標(biāo)權(quán)重向量，可得

(8)

通過式(8)可計(jì)算出識(shí)別矩陣.

④ 工況類型的確定.

根據(jù)待識(shí)別矩陣應(yīng)用類別特征值公式(9)得到所識(shí)別的樣本歸屬的相對(duì)類別特征值H(x)，由H(x)便可得到所識(shí)別的行駛工況歸屬的工況類別.

(9)

式中:μh(x)為樣本x對(duì)類別h(h=1～4)的相對(duì)隸屬度．

2 自適應(yīng)控制策略

2.1 實(shí)時(shí)優(yōu)化控制

2.1.1 發(fā)動(dòng)機(jī)燃油消耗

根據(jù)發(fā)動(dòng)機(jī)轉(zhuǎn)速和發(fā)動(dòng)機(jī)轉(zhuǎn)矩兩個(gè)控制參數(shù)由發(fā)動(dòng)機(jī)MAP圖插值即可求得發(fā)動(dòng)機(jī)每一瞬時(shí)的燃油消耗，又因?yàn)閷?duì)于給定的發(fā)動(dòng)機(jī)轉(zhuǎn)速nice、發(fā)動(dòng)機(jī)轉(zhuǎn)矩Tice，發(fā)動(dòng)機(jī)的輸出功率為

Pice(t)=nice(t)Tice(t)，

因此發(fā)動(dòng)機(jī)每一瞬時(shí)的燃油消耗率可表示為

(10)

發(fā)動(dòng)機(jī)MAP圖如圖2所示.

2.1.2 電池電能等效燃油消耗

對(duì)于電量維持型混合動(dòng)力汽車，在每一瞬時(shí)向電機(jī)提供轉(zhuǎn)矩所消耗電池電量(不包括制動(dòng)回收部分的電能)需要在車輛未來行駛過程中消耗一定量的燃油進(jìn)行補(bǔ)償，因此需要建立電池消耗電量與補(bǔ)償這些電量所消耗燃油量的對(duì)應(yīng)關(guān)系.在計(jì)算時(shí)引入等效因子feq_dis，feq_chg，此時(shí)電池電能的等效油耗可以表示為

(11)

式中：Pem(t)為電機(jī)的瞬時(shí)功率，Pem(t)>0表示電機(jī)處于放電狀態(tài)，Pem(t)<0表示電機(jī)處于發(fā)電狀態(tài)；feq_dis、feq_chg分別對(duì)應(yīng)電池放電和充電時(shí)的等效因子；Qlbv為燃油低熱值；ηchg(Pem)、ηdis(Pem)分別為電池的充電和放電效率，ηem(Pem)為電機(jī)的效率.

(12)

在對(duì)電池電量進(jìn)行燃油轉(zhuǎn)換計(jì)算時(shí)必需將制動(dòng)系統(tǒng)回收的能量考慮在內(nèi)，由于車輛在行駛過程中制動(dòng)回收的能量不斷變化，計(jì)算單位時(shí)間內(nèi)的制動(dòng)回收能量時(shí)取一定行駛循環(huán)內(nèi)的平均制動(dòng)回收能量進(jìn)行計(jì)算，即

(13)

式中n為采樣數(shù)據(jù)量.為了簡(jiǎn)化計(jì)算，取一定行駛循環(huán)的仿真結(jié)果進(jìn)行初步估算.

由式(11)(13)可得電池電能的瞬時(shí)等效燃油消耗為

(14)

則總的瞬時(shí)燃油消耗可以表示為

(15)

(16)

2.1.3 求解瞬時(shí)輸出功率

當(dāng)車輛運(yùn)行時(shí)，首先根據(jù)行駛工況每一瞬時(shí)的車速求得發(fā)動(dòng)機(jī)轉(zhuǎn)速及相應(yīng)的整車需求功率，選取電機(jī)輸出功率為控制變量，則由約束公式(16)可求得滿足需求功率的所有發(fā)動(dòng)機(jī)和電機(jī)工作點(diǎn)，并根據(jù)上述公式求得相應(yīng)的燃油消耗率，通過優(yōu)化計(jì)算求取使瞬時(shí)燃油消耗總量最小的發(fā)動(dòng)機(jī)和電機(jī)工作點(diǎn)作為當(dāng)前時(shí)刻滿足行駛需求的功率輸出，對(duì)混合動(dòng)力客車進(jìn)行控制.

2.2 電池電量平衡控制策略

基于最小等效燃油消耗的瞬時(shí)優(yōu)化控制策略在對(duì)驅(qū)動(dòng)功率進(jìn)行分配時(shí)未考慮能否將電池SOC值維持在合理范圍內(nèi)，因此在控制時(shí)引入了電池電量維持策略.這里引入Paganell等[12]提出的懲罰函數(shù)的概念計(jì)算電池SOC值懲罰系數(shù)KSOC，根據(jù)當(dāng)前行駛狀態(tài)下電池電量使用情況對(duì)SOC進(jìn)行修正.設(shè)電池SOC值的上限值、下限值分別為BSOC_hi、BSOC_lo，實(shí)時(shí)獲取的電池電量狀態(tài)為BSOC(t).本文采用的懲罰函數(shù)是由3次曲線和4次曲線函數(shù)擬合而成的S形函數(shù)，可以通過修改系數(shù)對(duì)曲線形狀進(jìn)行調(diào)整，從而將電池SOC維持在合理范圍內(nèi)，具體表達(dá)形式為

(17)

上述獲得的電池SOC懲罰系數(shù)KSOC通過與電機(jī)瞬時(shí)等效燃油消耗等式相乘后取目標(biāo)函數(shù)的最低值時(shí)發(fā)揮作用，因此電池SOC修正后，電機(jī)的等效燃油消耗最終可以表示為

(18)

2.3 自適應(yīng)控制策略

選取不同的電池充放電等效因子feq_chg、feq_dis數(shù)值對(duì)驗(yàn)證參數(shù)變化對(duì)所構(gòu)建的4種循環(huán)工況燃油經(jīng)濟(jì)性的影響，可以得到對(duì)應(yīng)于4種循環(huán)工況最佳燃油經(jīng)濟(jì)性的4組電池等效因子feq_chg、feq_dis數(shù)據(jù)點(diǎn)，如表1所示，將離線優(yōu)化所得4組控制參數(shù)存儲(chǔ)于混合動(dòng)力客車控制器中為車輛運(yùn)行時(shí)在線識(shí)別工況及自適應(yīng)控制調(diào)整控制參數(shù)做準(zhǔn)備.

表1 標(biāo)準(zhǔn)工況控制參數(shù)優(yōu)化結(jié)果

當(dāng)車輛實(shí)際運(yùn)行于某一時(shí)刻時(shí)首先根據(jù)車輛行駛特征參數(shù)由行駛工況在線模糊識(shí)別系統(tǒng)辨別出當(dāng)前工況屬于構(gòu)建的4種典型工況中的哪一類，然后調(diào)用存儲(chǔ)在控制器中相應(yīng)工況的最優(yōu)控制參數(shù)，以車輛運(yùn)行瞬時(shí)總?cè)加拖牧孔钚閮?yōu)化目標(biāo)函數(shù)對(duì)發(fā)動(dòng)機(jī)和電池的控制參數(shù)進(jìn)行實(shí)時(shí)優(yōu)化計(jì)算.當(dāng)車輛運(yùn)行于下一時(shí)刻時(shí)重復(fù)上述參數(shù)自適應(yīng)調(diào)整過程，實(shí)現(xiàn)車輛運(yùn)行中在線實(shí)時(shí)地根據(jù)行駛工況自適應(yīng)調(diào)整控制參數(shù)，達(dá)到整車燃油經(jīng)濟(jì)性最佳的優(yōu)化控制目標(biāo).

3 仿真實(shí)驗(yàn)分析

3.1 基于模糊算法的工況識(shí)別驗(yàn)證

基于離線構(gòu)建的大連市循環(huán)工況對(duì)模糊識(shí)別理論工況識(shí)別方法進(jìn)行驗(yàn)證，識(shí)別結(jié)果如圖3所示.其中class 1表示市中心區(qū)工況；class 2表示市內(nèi)較通暢區(qū)工況；class 3表示近郊區(qū)工況；class 4表示遠(yuǎn)郊區(qū)工況.由圖3可以看出除了個(gè)別重合區(qū)域跳動(dòng)比較大存在誤差之外，該方法能夠?qū)π旭傃h(huán)工況每一時(shí)刻所屬工況類型進(jìn)行準(zhǔn)確識(shí)別，由此可以驗(yàn)證基于模糊識(shí)別理論的工況識(shí)別方法的可行性.4種典型工況所占比例的大小分別為：class 1情況為24%，class 2和class 3為4%和24%，Class 4為48%，符合大連地區(qū)實(shí)際行駛路況條件.

3.2 自適應(yīng)控制仿真結(jié)果

針對(duì)基于模糊在線識(shí)別的自適應(yīng)控制方法搭建仿真模型并將其導(dǎo)入Advisor仿真軟件整車控制模型的控制策略模塊，選用某并聯(lián)式混合動(dòng)力城市客車，以BSOC(t)=0.7為初始值進(jìn)行燃油經(jīng)濟(jì)性仿真計(jì)算，控制過程中應(yīng)用電池電量平衡控制策略與未應(yīng)用此控制策略時(shí)的電池SOC變化對(duì)比曲線分別如圖4中實(shí)線和虛線所示.

由此可知應(yīng)用電池電量維持策略后整個(gè)行駛過程中，在仿真開始即混合動(dòng)力客車起步時(shí)電池SOC基本呈下降趨勢(shì)，整車控制系統(tǒng)趨于使用電機(jī)控制車輛起步，此后電池SOC一直維持在0.7附近上下波動(dòng)，并且仿真結(jié)束時(shí)SOC值與起初的SOC基本相等，從而證明了前面所述電池電量維持策略的有效性；而未加入電池平衡策略時(shí)的電池電量卻基本處于下降狀態(tài)，行車過程趨于使用電池能量為車輛提供行駛動(dòng)力，雖然在一定程度有利于節(jié)省燃油消耗，但卻不利于維持整個(gè)過程中電池電量的穩(wěn)定和提高電池壽命.

與此對(duì)應(yīng)的整個(gè)循環(huán)工況過程中混合動(dòng)力客車的發(fā)動(dòng)機(jī)和電機(jī)的實(shí)時(shí)輸出功率運(yùn)行結(jié)果分別如圖5、圖6所示，總?cè)加拖牧孔兓壽E曲線如圖7所示.通過計(jì)算比較可得，基于模糊在線識(shí)別的自適應(yīng)控制策略在大連市循環(huán)工況下的油耗仿真結(jié)果與混合動(dòng)力客車實(shí)際油耗30 L/100 km相比，提高了21%.實(shí)驗(yàn)結(jié)果表明在滿足車輛需求功率和電池SOC維持在有效工作區(qū)間內(nèi)的前提下能夠較好完成發(fā)動(dòng)機(jī)和電機(jī)的最優(yōu)功率分配，并能顯著提高整車的燃油經(jīng)濟(jì)性.

為進(jìn)一步驗(yàn)證基于模糊在線識(shí)別的自適應(yīng)控制策略在節(jié)油潛力方面的有效性及可行性，以上述控制方法原理為基礎(chǔ)針對(duì)大連工況、美國(guó)城市循環(huán)行駛工況UDDS、新歐洲NEDC行駛循環(huán)、以及日本10～15模式道路循環(huán)標(biāo)準(zhǔn)為車輛的目標(biāo)行駛工況分別進(jìn)行仿真實(shí)驗(yàn)，各行駛循環(huán)的百公里燃油消耗量對(duì)比結(jié)果如圖8所示.

由圖可以看出，與邏輯門限控制方法相比，本文所提出的自適應(yīng)控制策略的燃油經(jīng)濟(jì)性在以上4種標(biāo)準(zhǔn)道路循環(huán)工況下燃油經(jīng)濟(jì)性分別改善了21.0%，16.7%，17.2%，17.0%；與實(shí)時(shí)優(yōu)化控制策略相比百公里油耗在上述工況下分別降低了8.8%，7.0%，6.6%，10.1%.由此可以看出，基于模糊在線識(shí)別的自適應(yīng)控制策略可以有效降低并聯(lián)混合動(dòng)力客車運(yùn)行于各個(gè)行駛循環(huán)工況時(shí)的燃油消耗量，提高整車燃油經(jīng)濟(jì)性.

4 結(jié) 論

基于課題組自主研發(fā)的混合動(dòng)力車數(shù)據(jù)采集監(jiān)控系統(tǒng)對(duì)并聯(lián)式混合動(dòng)力客車控制策略進(jìn)行了深入研究，提出了基于模糊在線識(shí)別的自適應(yīng)控制策略.根據(jù)長(zhǎng)時(shí)間采集的混合動(dòng)力客車數(shù)據(jù)采用主成分分析技術(shù)和聚類技術(shù)構(gòu)建了符合實(shí)際道路工況的4種典型行駛工況；設(shè)計(jì)了一種模糊識(shí)別方法對(duì)車輛運(yùn)行工況進(jìn)行在線識(shí)別；調(diào)用并實(shí)時(shí)更新與車輛當(dāng)前行駛工況相對(duì)應(yīng)的最優(yōu)控制參數(shù)用于實(shí)時(shí)優(yōu)化計(jì)算，進(jìn)而得到發(fā)動(dòng)機(jī)和電機(jī)控制參數(shù).實(shí)驗(yàn)結(jié)果表明，文中所設(shè)計(jì)的模糊識(shí)別算法能夠?qū)π旭偣r進(jìn)行準(zhǔn)確識(shí)別，以此為基礎(chǔ)所制定的自適應(yīng)控制策略優(yōu)化方法能夠在維持電池電量平衡的前提下顯著提高工況適應(yīng)性和燃油經(jīng)濟(jì)性等綜合性能，具有廣闊的應(yīng)用前景.

[1] Hui S.Multi-objective optimization for hydraulic hybrid vehicle based on adaptive simulated annealing genetic algorithm[J].Engineering Applications of Artificial Intelligence，2010，23(1):27-33.

[2] 張昕，宋建峰，田毅，等.基于多目標(biāo)遺傳算法的混合動(dòng)力電動(dòng)汽車控制策略優(yōu)化[J].機(jī)械工程學(xué)報(bào)，2009，45(2):36-40.

Zhang Xin，Song Jianfeng，Tian Yi，et al.Multi-objective optimization of hybrid electric vehicle control strategy with genetic algorithm[J].Chinese Journal of Mechanical Engineering，2009，45(2):36-40.(in Chinese)

[3] Sundstr?m O，Ambühl D，Guzzella L.On implemen-tation of dynamic programming for optimal control problems with final state constraints[J].Oil &Gas Science and Technology-Revue de l’Institut Fran?ais du Pétrole，2010，65(1):91-102.

[4] G?kce K，Ozdemir A.An instantaneous optimization strategy based on efficiency maps for internal combustion engine/battery hybrid vehicles[J].Energy Conversion and Management，2014，81:255-269.

[5] Lian J，Han H，Li L，et al.Research on optimal control method of hybrid electric vehicles[J].Simulation，2013，89(9):1137-1146.

[6] Huang Y J，Yin C L，Zhang J W.Design of an energy management strategy for parallel hybrid electric vehicles using a logic threshold and instantaneous optimization method[J].International Journal of Automotive Technology，2009，10(4):513-521.

[7] Serrao L，Onori S，Rizzoni G.ECMS as a realization of Pontryagin’s minimum principle for HEV control[C]∥Proceedings of the 2009 Conference on American Control Conference.[S.l.]：IEEE，2009:3964-3969.

[8] Zhang Y，Lin W C，Chin Y K S.A pattern-recognition approach for driving skill characterization[J].IEEE Transactions on Intelligent Transportation Systems，2010，11(4):905-916.

[9] Gurkaynak Y，Khaligh A，Emadi A.Neural adaptive control strategy for hybrid electric vehicles with parallel powertrain[C]∥Proceedings of Vehicle Power and Propulsion Conference (VPPC).[S.l.]：IEEE，2010:1-6.

[10] Lian J，Zhou Y，Ma T，et al.Research on data monitoring system of hybrid electric vehicle[J].Sensor Letters，2011，9(5):2012-2016.

[11] Zimmermann H J.Fuzzy set theory and its applications[M].Boston: Kluwer Academic Publishers，2011.

[12] Paganelli G，Ercole G，Brahma A，et al.General supervisory control policy for the energy optimization of charge-sustaining hybrid electric vehicles[J].J SAE Review，2001，22(4):511-518.

(責(zé)任編輯：孫竹鳳)

Adaptive Control Strategy Based on Online Fuzzy Recognition for Parallel Hybrid Electric Vehicle

LIAN Jing，CHANG Jing，LI Lin-hui，ZHOU Ya-fu，Lü Ren-zhi，HUANG Hai-yang，ZHENG Ning-an

(School of Automotive Engineering，F(xiàn)aculty of Vehicle Engineering and Mechanics，State Key Laboratory of Structural Analysis for Industrial Equipment，Dalian University of Technology，Dalian，Liaoning，116024，China)

An adaptive control strategy based on online fuzzy recognition was put forward for a parallel hybrid vehicle.A typical driving cycle in line with the local actual vehicle driving road conditions was constructed based on the independent research and development of the hybrid data acquisition and monitoring system.And then a fuzzy recognition algorithm was designed to carry on the on-line identification of the vehicle real driving cycle type, some corresponding optimal control parameters were taken for the real-time optimization calculation of the motor and battery power allocation based on the minimal equivalent fuel consumption control algorithm and the battery balance control method, combining with the results of condition recognition to realize the control of the whole vehicle finally.The experiment results show that the designed fuzzy recognition method can fulfill the recognition of the working condition type well, and the proposed adaptive control strategy based on this method can complete the optimal power allocation between the engine and the battery under the premise of meeting the demand of vehicle power and battery SOC maintaining within the effective working range, and can significantly improve the fuel economy of the vehicle.

parallel hybrid electric vehicle;driving cycle;fuzzy recognition;control strategy

2014-05-15

國(guó)家自然科學(xué)基金資助項(xiàng)目(51107006，61203171，61473057)；博士后科學(xué)基金資助項(xiàng)目(2012M510799，2013T60278)；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(DUT15LK13)

連靜(1980—)，女，副教授，E-mail：lianjing80@126.com.

李琳輝(1981—)，男，副教授，E-mail：40301213@qq.com.

U 469.72

A

1001-0645(2016)03-0264-07

10.15918/j.tbit1001-0645.2016.03.009