解慶波 劉永剛 彭靖宇 李杰

（1.比亞迪汽車工業(yè)有限公司，深圳 518118；2.重慶大學，重慶 400044）

主題詞：混合動力汽車 驅動意圖識別 轉矩補償 控制策略

1 前言

混合動力汽車（Hybrid Electric Vehicle，HEV）的動力系統(tǒng)由多個動力源組成，不同的行駛工況與驅動意圖會影響其動力性與經(jīng)濟性[1-2]，因此，在制定混合動力汽車轉矩分配策略時應充分考慮行駛工況與驅動意圖的影響。相關學者利用某種參數(shù)對行駛工況類型或驅動意圖進行了識別[3-7]，然而，車輛在行駛過程中，由于發(fā)動機本身固有的轉矩響應遲滯特性，實際轉矩跟隨不上目標轉矩，駕駛員需求的動力性能會減弱，尤其在急加速時發(fā)動機不能及時響應，導致加速緩慢。因此，有人提出利用電機的快速響應特性隨時補償發(fā)動機的遲滯轉矩[8]，也有人提出利用電機實時補償發(fā)動機輸出轉矩與需求轉矩的差值策略[9]，以及利用電機轉矩補償發(fā)動機的轉矩協(xié)調控制策略[10-11]。然而車輛即使在勻速行駛過程中，同樣會頻繁出現(xiàn)發(fā)動機實際轉矩小于目標轉矩的現(xiàn)象，同時電機全部實時補償發(fā)動機輸出的遲滯轉矩會增加電池電量的消耗。

針對上述問題，本文首先通過車體沖擊度對驅動意圖進行識別，并結合車輛加速度提出了基于模糊控制的車輛驅動轉矩補償系數(shù)求解方法，在滿足駕駛員需求的條件下，利用轉矩補償系數(shù)對電機補償發(fā)動機遲滯的轉矩進行優(yōu)化，建立了基于工況的混合動力汽車驅動意圖識別轉矩補償策略。在同等油耗下，所制定的補償策略與沒有加入驅動意圖識別的補償策略相比，電池SOC同比增加2.1%。

2 HEV基于規(guī)則的控制策略

2.1 動力系統(tǒng)結構與參數(shù)

以某ISG型混合動力電動汽車為例，其結構如圖1所示，動力系統(tǒng)參數(shù)如表1所列。

圖1 ISG型混合動力電動汽車結構示意

表1 ISG型混合動力電動汽車整車主要參數(shù)

2.2 整車基本邏輯門限控制策略

整車基本能量管理策略及其方案如圖2和表2所示，表2中各參數(shù)含義如表3所列。

圖2 整車基本能量管理策略

3 驅動意圖的識別方法

不同的行駛工況會對駕駛員的操縱產(chǎn)生影響[12-13]，因此，在行駛工況的基礎上進行驅動意圖的識別才能更準確。

3.1 行駛工況的識別方法

典型的行駛工況包括市區(qū)擁堵工況（工況1）、城市郊區(qū)工況（工況2）及高速公路道路工況（工況3）等3種，如圖3所示。本文進行工況識別時，分別選取120 s和5 s作為歷史工況提取時間和工況預測時間，選取最高車速、平均車速、最大加速度、最大減速度、平均加速度、平均減速度、怠速時間比例作為工況識別的特征參數(shù)。利用BP神經(jīng)網(wǎng)絡對行駛工況類型進行識別，以圖3所示3種工況作為工況識別的訓練樣本。

表2 能量管理策略方案

表3 控制策略各參數(shù)含義

圖3 3種典型工況

3.2 驅動意圖識別系數(shù)的確定

根據(jù)參考文獻[7]計算方法，利用車體沖擊度計算驅動意圖識別系數(shù)。車體沖擊度J(t)及驅動意圖識別系數(shù)R計算式為：

式中，SDJ為沖擊度的標準差；v(t)為車速；為平均沖擊度。

式（1）和式（2）中，設定9 s為驅動意圖識別周期，6 s為識別結果更新周期，通過計算，得到3種典型工況的平均沖擊度如表4所列。

表4 3種典型工況的平均沖擊度

4 驅動意圖下的轉矩補償

通過駕駛意圖識別系數(shù)來判斷駕駛員踩下油門或踏板的程度，可反映出駕駛員對車輛運行時驅動或制動需求緊急程度的不同。本文通過對驅動意圖識別系數(shù)與車輛加速度的分析，利用模糊控制方法確定驅動轉矩補償系數(shù)，在滿足駕駛員需求的同時，盡量降低因電機補償發(fā)動機遲滯轉矩所消耗的電量。

4.1 驅動意圖轉矩補償系數(shù)的確定

為滿足駕駛員的轉矩需求，需要利用電機的快速響應特性補償發(fā)動機的響應遲滯。本文利用車輛加速度，結合整車實時識別的驅動意圖識別系數(shù)R，利用模糊控制方法確定驅動意圖轉矩補償系數(shù)。利用驅動意圖轉矩補償系數(shù)與發(fā)動機遲滯轉矩得到電機最終補償發(fā)動機的轉矩，在發(fā)動機單獨驅動模式、混合驅動模式以及行車發(fā)電模式下對發(fā)動機遲滯轉矩進行補償。

加速度α驅動意圖識別系數(shù)R以及轉矩補償系數(shù)的模糊控制規(guī)則如表5所列，其隸屬度函數(shù)如圖4所示。

表5 驅動意圖模糊特征

圖4 隸屬度函數(shù)

加速度α的語言變量為：{小（S），中（M），大（B），很大（VB）}，論域為0到3。驅動意圖識別系數(shù)R的語言變量為：{小（S），中（M），大（B），很大（VB）}，論域為0到4。轉矩補償系數(shù)β的語言變量為：{很?。╒S），小（S），中（M），大（B），很大（VB）}，論域為0到1。

驅動意圖識別修正系數(shù)模糊控制的主要思路是：如果識別出的駕駛意圖識別系數(shù)與工況加速度都較大，表示駕駛員急需加速，利用電機的快速響應瞬態(tài)特性彌補發(fā)動機的響應遲滯，以此來滿足車輛的加速意圖；如果識別出的駕駛意圖識別系數(shù)與加速度都較適中，表示駕駛員是比較標準地驅動車輛行駛，可以相對減少發(fā)動機的轉矩補償；如果識別出的駕駛意圖識別系數(shù)與加速度都較小，表示駕駛員加速緩慢，可利用電機補償部分轉矩或不補償發(fā)動機的轉矩遲滯。這樣，即可實現(xiàn)更為合理的轉矩補償，也可在滿足駕駛員需求的同時降低電量消耗。

4.2 驅動意圖轉矩補償系數(shù)的確定

在需求轉矩為正時，利用驅動意圖轉矩補償系數(shù)對車輛行駛過程中的發(fā)動機遲滯轉矩進行補償，轉矩補償表達式為：

式中，Treal為發(fā)動機實際輸出轉矩；Tv為車輛需求扭矩；Tm為ISG電機提供的轉矩；β為轉矩補償系數(shù)；Te為發(fā)動機提供的轉矩。

由式（3）可知，修正后的電機目標轉矩（Tm+β（Te-Treal））為根據(jù)基本控制策略所計算的轉矩Tm與轉矩補償系數(shù)β乘以發(fā)動機遲滯轉矩（Te-Treal）之和，根據(jù)基本策略計算的發(fā)動機目標驅動轉矩不變。

5 仿真分析

5.1 轉矩補償策略

為在滿足車輛動力性的同時盡量減少因電機全部實時補償發(fā)動機轉矩遲滯所造成的電量消耗，采取電機根據(jù)轉矩補償系數(shù)確定補償發(fā)動機遲滯轉矩的方法，制定了基于工況的驅動意圖識別轉矩補償策略，如圖5所示。

圖5 轉矩補償控制策略

5.2 仿真及結果分析

利用MATLAB/Stateflow搭建控制策略模型，模型包括正常扭矩分配策略模塊、工況識別算法策略模塊、模糊控制算法模塊以及最終電機需求目標扭矩計算模塊，配置模型并自動生成代碼，利用嵌入式工具把代碼寫入控制器。在HIL平臺上驗證采用基于駕駛意圖識別的轉矩補償策略與采用電機全部補償發(fā)動機轉矩遲滯策略所帶來的電量消耗差異。該混合動力汽車的動力系統(tǒng)參數(shù)參照表1，初始SOC設置為0.5，選取NEDC工況作為測試工況。

NEDC工況的識別結果如圖6所示，驅動意圖識別系數(shù)結果如圖7所示，在NEDC工況下的驅動意圖轉矩補償系數(shù)如圖8所示。圖8表明，在發(fā)動機單獨驅動模式、混合動力模式以及行車發(fā)電模式下，驅動轉矩補償系數(shù)不為0，可進行驅動轉矩補償系數(shù)的計算；而在純電動模式及制動回饋模式下驅動轉矩補償系數(shù)為0，不進行驅動轉矩補償系數(shù)的計算，即驅動轉矩補償系數(shù)可根據(jù)制定的策略進行計算。

圖6 NEDC工況識別結果

圖7 驅動意圖識別系數(shù)

圖8 驅動轉矩補償系數(shù)

仿真結果如圖9和表6所示。

圖9 仿真結果對比

表6 仿真結果對比

由圖9a可看出，所采用的驅動轉矩補償能量管理策略能夠很好地跟隨目標工況，使車輛具有很好的動力性。由圖9b和圖9c可看出，發(fā)動機在勻速及加速過程中均會頻繁出現(xiàn)發(fā)動機實際轉矩小于目標轉矩的現(xiàn)象，這時需要電機進行補償，而不同的驅動意圖補償轉矩是不同的。由圖9d和表6可知，加入驅動轉矩補償系數(shù)后，相對于采用電機全部補償發(fā)動機轉矩遲滯轉矩策略，在百公里油耗均為5.86 L的情況下，電池SOC在NEDC工況開始至結束整個過程的變化量分別為0.072與0.093，動力電池SOC同比升高2.1%?？梢?，加入驅動轉矩補償修正系數(shù)后，駕駛員在驅動過程中消耗的電量有所降低，電池SOC更容易維持。

6 結束語

通過車輛行駛過程中的車體沖擊度分析，將整車行駛工況的加速度與整車實時識別的驅動意圖識別系數(shù)相結合，利用模糊控制方法制定了驅動意圖轉矩補償系數(shù)計算方法。利用MATLAB/Stateflow搭建了控制策略模型并利用HIL平臺進行仿真，結果表明，所制定的基于工況的驅動意圖識別轉矩補償控制策略相對于電機全部補償發(fā)動機遲滯轉矩策略，在油耗相當?shù)那闆r下，電池SOC同比提升2.1%，驗證了所提出策略的有效性。