梁曉華， 孫虎兒， 武 超

(中北大學(xué) 機械工程學(xué)院， 山西 太原 030051)

0 引 言

國內(nèi)外對純電動汽車機械式自動變速器(AMT)換擋規(guī)律、 換擋策略和換擋品質(zhì)進行了廣泛研究[1]， 當AMT采用經(jīng)濟性換擋規(guī)律時， 換擋前后車輪驅(qū)動力有較大波動， 嚴重影響駕駛者對車輛舒適性的體驗， 減弱整車動力性能.

目前， 國內(nèi)外學(xué)者對兩擋ATM換擋策略進行了相關(guān)研究， 并且在機械式兩擋變速器換擋過程的控制方面做了大量的工作[2]. 但是對于純電動汽車電機轉(zhuǎn)矩估測和經(jīng)濟性換擋規(guī)律造成的驅(qū)動力波動研究較少. 文獻[2]僅從ATM換擋過程進行了分析. 文獻[3]以機械式兩擋變速器為研究對象， 分別對動力性換擋規(guī)律和經(jīng)濟性換擋規(guī)律展開研究， 利用模糊控制原理使車輛能夠?qū)ぷ髂Ｊ阶詣幼R別， 使車輛兼顧了動力性與經(jīng)濟性的換擋規(guī)律. 文獻[4]對經(jīng)濟性換擋規(guī)律進行研究， 在靜態(tài)經(jīng)濟性換擋規(guī)律的基礎(chǔ)上進行修正， 同時驗證了靜態(tài)的修正方法. 文獻[5]提出了支持向量機的純電動汽車經(jīng)濟性換擋控制， 并對控制策略的可行性進行了驗證.

為了消除換擋前后的驅(qū)動力波動， 本文針對經(jīng)濟性換擋規(guī)律制定了驅(qū)動力補償策略. 通過預(yù)測驅(qū)動電機輸出轉(zhuǎn)矩， 得到整車驅(qū)動力大小， 分析出消除驅(qū)動力波動的補償轉(zhuǎn)矩. 由于電機電流與電機輸出轉(zhuǎn)矩具有較強的關(guān)聯(lián)度， 設(shè)計出基于徑向基神經(jīng)網(wǎng)的驅(qū)動電機輸出轉(zhuǎn)矩估測模型， 通過電機電流預(yù)測轉(zhuǎn)矩， 解決了純電動汽車電機轉(zhuǎn)矩不便測量的問題. 驅(qū)動力波動控制策略極大地減弱了經(jīng)濟性換擋規(guī)律造成的機械式變速器換擋前后驅(qū)動力波動的影響.

1 經(jīng)濟性換擋規(guī)律波動分析

電機具有恒轉(zhuǎn)矩和恒功率區(qū)， 為保證車輛具有連續(xù)的驅(qū)動力輸出， 應(yīng)該使變速器在一擋和二擋下的輸出轉(zhuǎn)矩特性曲線至少有一個交點[6]. 車速與驅(qū)動力曲線形成的純電動汽車驅(qū)動特性曲線如圖 1 所示，ve1為一擋時驅(qū)動電機額定轉(zhuǎn)速下的車速，ve2為二擋時驅(qū)動電機額定轉(zhuǎn)速下的車速.

為使驅(qū)動電機在高效率區(qū)間工作， 當驅(qū)動電機分別以一擋和二擋運行時， 在不同油門踏板開度下， 隨著車速的變化電機效率值不同， 可以擬合出電機效率曲線， 由于兩擋位效率曲線存在相同點， 則可擬合出經(jīng)濟性換擋規(guī)律， 但是經(jīng)濟性換擋規(guī)律會造成整車動力性能差.

如圖 1 所示， 當車速ve2≥vN≥ve1， 進行一擋換二擋時， 驅(qū)動力由A點跳躍至B點， 隨后延BC方向變化， 圖中ABC區(qū)域無法利用驅(qū)動特性， 影響了車輛駕駛的舒適性和整車動力性. 當車速ve2≥vN≥ve1時， 換擋車速越小， 驅(qū)動力波動越大， 換擋前后驅(qū)動力波動越明顯. 同樣， 二擋切換一擋時， 降擋后整車驅(qū)動力由D點升至E點， 換擋前后驅(qū)動力也會出現(xiàn)明顯波動.

圖 1 某油門開度下驅(qū)動力曲線Fig.1 Tractive effort curve for the opening of a certain throttle

2 估測驅(qū)動電機轉(zhuǎn)矩與驅(qū)動力

2.1 轉(zhuǎn)矩估測模型

電機的電流在一定程度上可以反映驅(qū)動電機的轉(zhuǎn)矩， 但由于電機的功率因素等復(fù)雜條件的影響， 電機的轉(zhuǎn)矩與電流存在非線性的關(guān)系.

設(shè)非線性關(guān)系模型為[7]

y(k+1)=f[y(k),y(k-1),…,y(k-n),

u(k),…,u(k-m)]+ω(k+1).(1)

在實際應(yīng)用中將模型表示為

f(x)=f0,i(x)+Δfi(x),(2)

式中：i∈{1,2,…,N}，f0,i(x)為第i個工況下的粗略估計； Δfi(x)為未知函數(shù)， 即轉(zhuǎn)矩估計的不確定項.

根據(jù)純電動汽車的動力學(xué)可得， 在第i個工況下利用電流估測轉(zhuǎn)矩f0,i(x)的粗略估計為

(3)

式中：k為系數(shù)；U為電池實際電壓；u為車速；r為車輪半徑；y為傳動比.

2.2 轉(zhuǎn)矩估測不確定項逼近

由于神經(jīng)網(wǎng)絡(luò)具有任意精度逼近任意非線性函數(shù)的特點， 本文采用神經(jīng)網(wǎng)絡(luò)逼近轉(zhuǎn)矩估測的不確定項[8].

(4)

高斯基函數(shù)選擇[9]

(5)

式中：ci為第i個高斯基函數(shù)的中心；σi為高斯基函數(shù)的寬度.

2.3 網(wǎng)絡(luò)學(xué)習(xí)算法

2.3.1 中心調(diào)整算法

中心調(diào)整算法以最小距離為指標， 具體步驟如下：

1) 初始化中心ch(0)， 1≤h≤H， 給出初始學(xué)習(xí)率α(0).

2) 計算第k步的最小距離

lh(k)=‖x(k)-Ch(k-1)‖,

1≤h≤H,h≠q.(6)

3) 求最小距離結(jié)點

q=arg[minlh(k),1≤h≤H],(7)

式中： arg[]表示取結(jié)點號.

4) 更新中心

Ch(k-1), 1≤h≤H,h≠q,(8)

Cq(k)=Cq(k-1)+α(k)[x(k)-Cq(k-1)].(9)

5) 重新計算第q結(jié)點的距離

lq(k)=‖x(k)-Cq(k)‖.(10)

6) 修正學(xué)習(xí)率

(11)

2.3.2 網(wǎng)絡(luò)權(quán)值調(diào)整算法

權(quán)值視為一個向量,

Wj(k)=[W1j(k),W2j(k),…,Wij(k)]T,(12)

式中： 1≤j≤N.

設(shè)在第k步時中間層的輸出向量為

φ(k)=[φ1(l1(k),ρ),…,φH(lH(k),ρ)]T.(13)

第k步， 第j個估計輸出為

(14)

根據(jù)遞推最小二乘法， 網(wǎng)絡(luò)權(quán)值的調(diào)整算法為

Wj(k+1)=Wj(k)+P(k)·φ(k)·ηi(k),(15)

式中：P為誤差方差陣；λ為遺忘因子.

2.4 整車驅(qū)動力計算

純電動汽車的整車質(zhì)量和車型保持一定時， 可以通過驅(qū)動電機輸出轉(zhuǎn)矩T推算出整車驅(qū)動力F， 即

(17)

式中：η為傳動效率；yi為i擋位傳動比；r為車輪半徑.

2.5 仿真實驗

根據(jù)文獻[11]， 應(yīng)用車輛仿真軟件AMESim建立純電動汽車整車動力系統(tǒng)仿真模型， 如圖 2 所示. 動力系統(tǒng)仿真模型包括： 車輛動力學(xué)模型、 蓄電池模型、 整車控制器、 驅(qū)動電機模型和兩擋機械式變速器模型[11-13]. 純電動汽車及變速器仿真模型基本參數(shù)如表 1 所示.

表 1 純電動汽車仿真模型基本參數(shù)

獲取AMESim仿真模擬數(shù)據(jù)中的電機電流和驅(qū)動電機的輸出轉(zhuǎn)矩， 經(jīng)過大量數(shù)據(jù)訓(xùn)練后[14]， 利用MATLAB進行神經(jīng)網(wǎng)絡(luò)估測驅(qū)動電機轉(zhuǎn)矩.

仿真模擬純電動汽車在復(fù)雜路面以一擋和二擋時的運行， 并分別獲取其以一擋和二擋運行時驅(qū)動電機的電流和實際驅(qū)動電機的輸出轉(zhuǎn)矩， 得出實際轉(zhuǎn)矩和估測轉(zhuǎn)矩曲線， 如圖 3 和圖 4 所示.

圖 2 純電動汽車整車動力系統(tǒng)的仿真模型Fig.2 Simulation model of the power system of pure electric vehicle

圖 3 一擋時復(fù)雜路面運行估測轉(zhuǎn)矩和實際轉(zhuǎn)矩Fig.3 Estimation of torque and torque for complex pavement in 1 gear

圖 4 二擋時復(fù)雜路面運行估測轉(zhuǎn)矩和實際轉(zhuǎn)矩Fig.4 Estimation of torque and torque for complex pavement in 2 gear

通過對估測得到的轉(zhuǎn)矩與實際驅(qū)動電機轉(zhuǎn)矩進行比較可知， 估測轉(zhuǎn)矩的最大偏差為4.662 N·m， 誤差率為0.086， 且對驅(qū)動電機電流為 10 A 以上的轉(zhuǎn)矩進行估測， 其估測誤差率小于 0.09.

3 驅(qū)動力波動控制策略

3.1 驅(qū)動力波動控制流程

純電動汽車以經(jīng)濟性換擋規(guī)律模式運行時， 驅(qū)動力波動控制流程如圖 5 所示.

圖 5 驅(qū)動力波動控制流程圖Fig.5 Flow chart of tractive effort fluctuation control

3.2 升擋驅(qū)動力波動控制

如圖 1 所示， 當車輛在車速滿足ve2≥vN≥ve1進行升擋時， 會產(chǎn)生驅(qū)動力波動. 為使升擋后的驅(qū)動力從A點連續(xù)變化到B點， 減弱驅(qū)動力波動[15]， 則需要補償?shù)尿?qū)動力為

FcA=Ft_A-ft_B,(18)

式中：Ft_A,Ft_B分別表示車速為uup時一擋和二擋的驅(qū)動力.

二擋時， 驅(qū)動電機的轉(zhuǎn)速nc_B為

(19)

式中：s為系數(shù).

于是驅(qū)動電機轉(zhuǎn)速為nc_B時的補償轉(zhuǎn)矩為

(20)

3.3 降擋驅(qū)動力波動控制

當二擋降一擋時， 如圖 1 所示， 整車驅(qū)動力由D點上升至E點， 造成驅(qū)動力沖擊波動. 為避免大的沖擊現(xiàn)象， 在油門踏板開度一定的情況下， 驅(qū)動力隨車速能夠緩慢連續(xù)變化到E點， 可以減弱換擋的動力沖擊， 車輛需要補償?shù)尿?qū)動力為

Fc_E=Ft_E-Ft_D,(21)

式中：Ft_E為車速在udown時一擋的驅(qū)動力；Ft_D為車速在udown時二擋的驅(qū)動力.

二擋時， 車速udown對應(yīng)的電機轉(zhuǎn)速nc_E為

(22)

可以得到在當前油門踏板開度情況下， 電機轉(zhuǎn)速為nc_E時的補償轉(zhuǎn)矩為

(23)

綜上所述， 驅(qū)動轉(zhuǎn)矩的補償策略就是對變速器擋位為二擋時的基本驅(qū)動策略進行補償. 補償后驅(qū)動電機總的輸出轉(zhuǎn)矩Tafter為

Tafter=Tb+Tc,(24)

式中：Tb為基本驅(qū)動策略的電機轉(zhuǎn)矩；Tc為轉(zhuǎn)矩補償策略確定的補償轉(zhuǎn)矩.

當驅(qū)動電機的最大轉(zhuǎn)矩Tmax

Tc=Tmax-Tb.(25)

通過以上分析， 可得到補償后的驅(qū)動控制策略圖， 如圖 6 所示. 由于驅(qū)動電機最大功率的限制， 導(dǎo)致補償轉(zhuǎn)矩隨油門踏板開度的增大而減小.

圖 6 補償后的驅(qū)動控制策略圖Fig.6 Drive control strategy after compensation

4 仿真驗證

通過系統(tǒng)仿真模型對驅(qū)動力波動控制策略的性能進行測試， 油門踏板開度為40%且坡度為0%時的升擋仿真結(jié)果如圖 7 所示. 通過對比使用驅(qū)動力波動控制策略前后的升擋車速曲線[16]， 發(fā)現(xiàn)在換擋時， 由于驅(qū)動力波動控制策略能夠消除升擋前后的驅(qū)動力波動， 所以圖 7 中補償后的車速曲線變化更平滑， 整車舒適性和動力性都有所改善.

圖 8 所示的起步和減速仿真模擬情況為： 車輛以油門踏板開度為30%起步， 在車速為30 km/h 時升擋， 車速加速到60 km/h， 當遇到10%的坡度時， 車速降低， 在車速為35 km/h時降擋. 在驅(qū)動力波動控制策略作用下， 圖 8 中補償后的車速曲線變化更平滑， 通過使用驅(qū)動力波動控制策略， 整車舒適性和動力性都有所改善.

圖 7 升擋控制仿真模擬Fig.7 Simulation of up-shift

圖 8 起步和減速仿真模擬Fig.8 Simulation of start and deceleration

5 結(jié) 論

針對經(jīng)濟性換擋規(guī)律造成純電動汽車換擋前后驅(qū)動力波動現(xiàn)象的分析， 提出了驅(qū)動力波動控制策略. 利用驅(qū)動電機轉(zhuǎn)矩估測算法求得電機當前驅(qū)動轉(zhuǎn)矩， 對純電動汽車的驅(qū)動力進行計算. 然后利用純電動汽車的驅(qū)動力波動控制策略， 對二擋的基本驅(qū)動控制策略進行轉(zhuǎn)矩補償， 以此來消除或抑制換擋前后的驅(qū)動力波動.

利用AMESim軟件建立純電動汽車動力系統(tǒng)仿真模型， 通過仿真實驗， 得到驅(qū)動電機電流和輸出轉(zhuǎn)矩數(shù)據(jù)， 通過大量的數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)估測驅(qū)動電機轉(zhuǎn)矩算法， 并與實驗得到的驅(qū)動電機的轉(zhuǎn)矩進行比較, 電機電流在10 A以上得到的估測轉(zhuǎn)矩誤差率小于0.09. 然后利用純電動汽車的動力系統(tǒng)模型， 對驅(qū)動力波動控制策略進行驗證， 結(jié)果表明， 通過使用驅(qū)動力波動控制策略， 能夠減小換擋前后車輪驅(qū)動力的波動， 使換擋前后的車速平滑過渡， 整車動力性和駕駛舒適性得到了改善.

參考文獻：

[1] 葉杰， 趙克剛， 黃向東， 等. 純電動汽車無動力中斷二速變速器的電機協(xié)調(diào)換擋控制[J]. 汽車工程， 2016, 38(8)： 989-995.

Ye Jie， Zhao Kegang， Huang Xiangdong， et al. Motor coordinated shift control for a two-speed uninterrupted shift transmission of pure electric vehicle[J]. Automotive Engineering， 2016， 38(8)： 989-995. (in Chinese)

[2] Liu H， Lei Y， Li Z， et al. Gear-shift strategy for a clutchless automated manual transmission in battery electric vehicles [J]. SAE International， 2012， 5(1)： 57-62.

[3] 孫冰， 熊會元， 于麗敏， 等. 兩擋AMT換擋模式對電動汽車性能影響的研究[J]. 機械傳動， 2015， 39(10)： 43-47.

Sun Bing， Xiong Huiyuan， Yu limin， et al. Research of the effect of two-speed AMT shift mode on electric vehicle performance[J]. Journal of Mechanical Transmission， 2015， 39(10)： 43-47. (in Chinese)

[4] 江昊， 趙韓， 黃康， 等. 純電動汽車經(jīng)濟性換擋規(guī)律仿真研究[J]. 汽車工程 ， 2015， 39(10)： 43-47.

Jiao Hao， Zhao Han， Huang Kang， et al. A simulation study on the shift schedule of electric vehicle aiming at fuel economy[J]. Automotive Engineering， 2015， 39(10)： 43-47. (in Chinese)

[5] 晏偉清， 趙韓. 基于支持向量機的純電動汽車經(jīng)濟性換擋控制[J]. 合肥工業(yè)大學(xué)學(xué)報， 2016， 39(4)： 451-456.

Yan Weiqing， Zhao Han. Economic shift strategy of pure electric vehicle based on SVM[J]. Journal of Hefei University of Technology， 2016， 39(4)： 451-456. (in Chinese)

[6] 周云山， 楊克鋒. 兩擋純電動汽車傳動系換擋規(guī)律及速比優(yōu)化研究[J]. 機械傳動， 2015， 39(12)： 12-16.

Zhou Yunshan， Yang Kefeng. Research of the shift schedule and ratio optimization for the transmission system of a two-speed electric vehicle[J]. Journal of Mechanical Transmission， 2015， 39(12)： 12-16. (in Chinese)

[7] Liu D， Yang G H. Neural network-based event-triggered MFAC for nonlinear discrete-time processes[J]. Neurocomputing， 2018， 272： 356-364.

[8] Alexandridis A， Chondrodima E， Giannopoulos N， et al. A fast and efficient method for training categorical radial basis function networks[J]. Transactions on Neural Networdks and Learning Systems， 2017， 28(11)： 2831-2836.

[9] Jing Y H， Yang G H. Neural-network-based adaptive fault-tolerant tracking control of uncertain nonlinear time-delay systems under output constraints and infinite number of actuator faults[J]. Neurocomputing， 2018， 272： 343-355.

[10] Talkhoncheh M K， Shahrokhi M， Askari M R. Observer-based adaptive neural network controller foruncertain nonlinear systems with unknown control directions subject to input time delay and saturation[J]. Information Sciences， 2017， 418： 717-737.

[11] Sorniotti A， Holdstock T， Pilone G L， et al. Analysis and simulation of the gearshift methodology for a novel two-speed transmission system for electric powertrains with a central motor[J]. Automobile Engineering， 2012， 226(7)： 915-929.

[12] Tseng C Y， Yu C H. Advanced shifting control of synchronizer mechanisms for clutchless automatic manual transmission in an electric vehicle[J]. Mechanism and Machine Theory， 2015， 84： 37-56.

[13] Hu J J， Ran H L， Pang T. Parameter design and performance analysis of shift actuator for a two-speed automatic mechanical transmission for pure electric vehicles[J]. Advances in Mechanical Engineering， 2016， 8(8)： 1-15

[14] 陳清洪， 秦大同， 葉心. AMT汽車動態(tài)模糊神經(jīng)網(wǎng)絡(luò)三參數(shù)換擋策略研究[J]. 汽車工程， 2010， 32(6)： 506-509.

Chen Qinghong， Qin Datong， Ye Xin. A study on the three parameter shift schedule of AMT vehicle based on dynamic fuzzy neural network[J]. Automotive Engineering， 2010， 32(6)： 506-509. (in Chinese)

[15] 傅洪， 王艷靜， 馮超， 等. 一種純電動汽車的電機-變速器動力系統(tǒng)[J]. 汽車工程， 2016， 38(8)： 996-1000.

Fu Hong， Wang Yanjing， Feng Chao， et al. A motor transmission power train for pure electric vehicles[J]. Automotive Engineering， 2016， 38(8)： 996-1000. (in Chinese)

[16] Kouroussis G， Dehombreux P， Verlinden O. Vehicle and powertrain dynamics analysis with an automatic gearbox[J]. Mechanis and Machine Theory， 2015， 8： 109-124.