李 釗, 林慕義,2, 陳 勇,2

(1.北京信息科技大學(xué) 機(jī)電工程學(xué)院,北京 100192; 2.北京電動(dòng)車輛協(xié)同創(chuàng)新中心,北京 100192)

由于當(dāng)前環(huán)境形勢(shì)不斷惡化,節(jié)能減排需求愈加高漲,各種混合動(dòng)力車輛應(yīng)運(yùn)而生,而混合動(dòng)力技術(shù)在工程車輛方面的主要代表為復(fù)合儲(chǔ)能式裝載機(jī)。復(fù)合儲(chǔ)能式裝載機(jī)的混合動(dòng)力系統(tǒng)包括液壓系統(tǒng)、電驅(qū)動(dòng)系統(tǒng)和發(fā)動(dòng)機(jī)系統(tǒng)。該混合動(dòng)力系統(tǒng)構(gòu)造復(fù)雜,且工作負(fù)載變化頻繁,若控制策略選擇不當(dāng),將很難實(shí)現(xiàn)對(duì)裝載機(jī)的最優(yōu)控制,整車燃油經(jīng)濟(jì)性也難以得到提升。

模糊控制當(dāng)前在車輛的控制系統(tǒng)中應(yīng)用較多,同時(shí)針對(duì)模糊控制也存在許多改進(jìn)策略。文獻(xiàn)[1]基于模糊控制原理,建立了適用于液壓混合動(dòng)力車輛的制動(dòng)能量回收控制策略,仿真與試驗(yàn)結(jié)果表明,該策略大大提高了能量回收率;文獻(xiàn)[2]將模糊控制理論應(yīng)用于液壓混合動(dòng)力裝載機(jī)的驅(qū)動(dòng)和聯(lián)合制動(dòng)系統(tǒng),制定了合理有效的驅(qū)動(dòng)控制策略和再生制動(dòng)控制策略,有效降低了整車的燃油消耗率;文獻(xiàn)[3]使用粒子群算法對(duì)模糊控制器的控制規(guī)則進(jìn)行了最優(yōu)化設(shè)計(jì),并將優(yōu)化后的控制器運(yùn)用于液壓混合動(dòng)力裝載機(jī),使整車制動(dòng)能量回收率得到顯著提高;文獻(xiàn)[4]采用遺傳算法對(duì)裝載機(jī)復(fù)合儲(chǔ)能系統(tǒng)模糊控制策略的隸屬度函數(shù)進(jìn)行了優(yōu)化,使得參數(shù)設(shè)定更具有針對(duì)性,優(yōu)化后的整車燃油經(jīng)濟(jì)性得到顯著改善。

本文采用的自適應(yīng)神經(jīng)模糊推理系統(tǒng)(adaptive neuro-fuzzy inference system,ANFIS)是將神經(jīng)網(wǎng)絡(luò)與模糊推理結(jié)合在一起的混合系統(tǒng),因此ANFIS兼具上述2種理論的特點(diǎn),模糊推理在建立時(shí)不依賴于對(duì)象模型,同時(shí)擁有很強(qiáng)的自適應(yīng)和自學(xué)習(xí)能力[5-6]。

針對(duì)復(fù)合儲(chǔ)能式裝載機(jī)由于結(jié)構(gòu)復(fù)雜而不易控制的特點(diǎn),本文首先搭建了復(fù)合儲(chǔ)能式裝載機(jī)的Simulink仿真模型;然后采用自適應(yīng)神經(jīng)模糊控制策略對(duì)復(fù)合儲(chǔ)能式裝載機(jī)的傳統(tǒng)模糊控制器進(jìn)行優(yōu)化,并將優(yōu)化后得到的ANFIS控制器重新載入到裝載機(jī)整車仿真模型中,進(jìn)行優(yōu)化前、后的仿真分析與對(duì)比,以期提高整車控制性和燃油經(jīng)濟(jì)性;最后通過(guò)dSPACE進(jìn)行硬件在環(huán)試驗(yàn)，以驗(yàn)證控制效果的有效性。

1 復(fù)合儲(chǔ)能式裝載機(jī)結(jié)構(gòu)與原理

復(fù)合儲(chǔ)能式裝載機(jī)的結(jié)構(gòu)與原理示意圖如圖1所示。

1.電磁離合器1 2.電磁離合器2 3.電磁離合器3 4.鎖止機(jī)構(gòu) 5.行星齒輪機(jī)構(gòu) 6.電磁離合器4 7.電磁離合器5 8.二次元件 9.蓄能器

復(fù)合儲(chǔ)能式混合動(dòng)力裝載機(jī)由發(fā)動(dòng)機(jī)系統(tǒng)、電驅(qū)動(dòng)系統(tǒng)、液壓系統(tǒng)3個(gè)動(dòng)力源構(gòu)成。發(fā)動(dòng)機(jī)系統(tǒng)為裝載機(jī)的行駛、掘進(jìn)、舉升等工況提供最主要?jiǎng)恿?；電?qū)動(dòng)系統(tǒng)主要為裝載機(jī)的各輔助裝置如車燈、空調(diào)等提供動(dòng)力,同時(shí)也可以和發(fā)動(dòng)機(jī)系統(tǒng)一起為裝載機(jī)提供動(dòng)力；而液壓系統(tǒng)通過(guò)液壓蓄能器的液壓油壓力對(duì)裝載機(jī)進(jìn)行制動(dòng),此外還可以與發(fā)動(dòng)機(jī)和電動(dòng)機(jī)一起為裝載機(jī)提供動(dòng)力[7]。

2 復(fù)合儲(chǔ)能式裝載機(jī)仿真建模

本文搭建的復(fù)合儲(chǔ)能式混合動(dòng)力裝載機(jī)仿真模型包括外部環(huán)境、傳動(dòng)系統(tǒng)、液力變矩器、發(fā)動(dòng)機(jī)、工作裝置、發(fā)電/電動(dòng)機(jī)、動(dòng)力電池、液壓泵/馬達(dá)、液壓蓄能器、控制器等子系統(tǒng),首先依據(jù)有關(guān)公式完成各主要子系統(tǒng)的Simulink模型搭建。

2.1 發(fā)動(dòng)機(jī)模型

發(fā)動(dòng)機(jī)模型為:

(1)

其中:Me為發(fā)動(dòng)機(jī)轉(zhuǎn)矩;Mb為泵輪轉(zhuǎn)矩;My為泵/馬達(dá)轉(zhuǎn)矩;Je為發(fā)動(dòng)機(jī)轉(zhuǎn)動(dòng)慣量;Jb為泵輪轉(zhuǎn)動(dòng)慣量;ωe為發(fā)動(dòng)機(jī)旋轉(zhuǎn)角速度。

2.2 電動(dòng)機(jī)模型

電機(jī)功率為:

Pm=Tmnm/(9 550ηm)

(2)

其中:Tm為電動(dòng)機(jī)輸出轉(zhuǎn)矩;nm為電動(dòng)機(jī)轉(zhuǎn)速;ηm為電機(jī)效率。

2.3 動(dòng)力電池模型

蓄電池放電效率為:

(3)

蓄電池充電效率為:

(4)

其中:Pm為電機(jī)功率;R為蓄電池內(nèi)阻;U為蓄電池兩端電壓。

2.4 液壓泵/馬達(dá)模型

制動(dòng)時(shí)泵輪轉(zhuǎn)矩為:

TP/M=vgΔP/(2πηP/M)

(5)

驅(qū)動(dòng)時(shí)泵輪轉(zhuǎn)矩為:

TP/M=vgΔPηP/M/(2π)

(6)

其中:vg為液壓泵/馬達(dá)排量;ΔP為液壓泵/馬達(dá)出油口和進(jìn)油口的壓差;ηP/M為液壓泵/馬達(dá)機(jī)械效率。

2.5 液壓蓄能器模型

放液過(guò)程有：

(7)

充液過(guò)程有：

(8)

其中:p0為蓄能器充氣壓力;p1為蓄能器穩(wěn)定工作點(diǎn)的壓力[8];p2為蓄能器壓力上限;p為蓄能器出口壓力;V0為蓄能器的有效容積;充電V1為蓄能器穩(wěn)定工作點(diǎn)的容積;n為氣體多變指數(shù),絕熱過(guò)程取n=1.4。

2.6 搭建整車Simulink仿真模型

通過(guò)數(shù)學(xué)模型(1)～(8)式并結(jié)合其他有關(guān)模型公式,使用Simulink搭建裝載機(jī)各子系統(tǒng)的仿真模型,再將各子系統(tǒng)模型組合為整車仿真模型。搭建完成后的整車后向仿真Simulink模型如圖2所示。

圖2 整車后向仿真Simulink模型

3 自適應(yīng)神經(jīng)模糊控制系統(tǒng)設(shè)計(jì)

3.1 自適應(yīng)神經(jīng)模糊控制系統(tǒng)

本文采用的ANFIS控制策略是以樣本數(shù)據(jù)為基礎(chǔ),使用自適應(yīng)建模法建立模糊推理系統(tǒng),然后利用Hybrid法對(duì)模糊控制系統(tǒng)的控制規(guī)則和隸屬度函數(shù)進(jìn)行推算。該策略非常適用于特性不為人們所完全了解或特性非常復(fù)雜的系統(tǒng)問(wèn)題,且具有很好的控制效果[9-10]。

3.2 建立初始ANFIS

復(fù)合儲(chǔ)能式裝載機(jī)工作中常用工作形式有“V型”工況、“T型”工況、“I型”工況、“L型”工況4種。其中“V型”工況是最常用的工況且工作效率最高,因此最具代表性。本文從“V型”工況的實(shí)驗(yàn)數(shù)據(jù)中選取部分?jǐn)?shù)據(jù)作為樣本數(shù)據(jù),同時(shí)以此樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)對(duì)ANFIS控制器進(jìn)行訓(xùn)練。在樣本數(shù)據(jù)中以需求轉(zhuǎn)矩、蓄能器SOC和電池SOC作為輸入量,以發(fā)動(dòng)機(jī)轉(zhuǎn)矩作為輸出量。

訓(xùn)練前先用min-max法對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行數(shù)據(jù)值歸一化處理,以期降低神經(jīng)網(wǎng)絡(luò)訓(xùn)練難度的同時(shí)提高數(shù)據(jù)訓(xùn)練的精度,歸一化后的樣本數(shù)據(jù)值均在0～1之間。訓(xùn)練過(guò)程為調(diào)用Matlab中的自帶函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理,完成歸一化后的樣本數(shù)據(jù)則自動(dòng)保存在Matlab工作區(qū),而ANFIS工具箱則通過(guò)Matlab工作區(qū)對(duì)樣本數(shù)據(jù)進(jìn)行調(diào)用。

在Matlab中調(diào)出ANFIS的圖形界面工具anfisedit工具箱,利用FIS編輯器建立具有三輸入單輸出的Sugeno型模糊推理系統(tǒng)。然后進(jìn)行如下設(shè)置:And method選擇prod；Or method選擇probor；Defuzzification選擇wtaver。之后將歸一化處理完的訓(xùn)練數(shù)據(jù)加載至工具箱,如圖3所示。

圖3 加載樣本數(shù)據(jù)后的ANFIS編輯器界面

此處選擇Sub.clustering法作為FIS的生成方式,其參數(shù)設(shè)置保持默認(rèn)值,最后生成的ANFIS控制系統(tǒng)內(nèi)部結(jié)構(gòu)如圖4所示。

圖4 Sugeno型ANFIS系統(tǒng)結(jié)構(gòu)

由圖4可知,本文建立的ANFIS系統(tǒng)采用多層前向神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其每層的功能與向后續(xù)一層所傳遞的信息各異。

各層功能描述如下:

(1) 第1層為輸入層,表示3個(gè)輸入點(diǎn)分別對(duì)應(yīng)3個(gè)輸入量。

(2) 第2層為模糊化層,表示3個(gè)輸入量均分別由7個(gè)模糊子集覆蓋。

(3) 第3層為模糊規(guī)則層,表示3個(gè)輸入量的模糊子集互相交叉并生成7條模糊規(guī)則。

(4) 第4層為模糊推理層,表示根據(jù)7條模糊規(guī)則生成了對(duì)應(yīng)7個(gè)輸出量的7個(gè)輸出函數(shù)。

(5) 第5層為清晰化層,通過(guò)ANFIS控制系統(tǒng)輸出了清晰化處理后的輸出量。

輸入量的隸屬度函數(shù)類型均為ANFIS編輯器依據(jù)訓(xùn)練數(shù)據(jù)自動(dòng)選擇的高斯型,而輸出量對(duì)應(yīng)的函數(shù)類型為線性函數(shù)。

在初始FIS狀態(tài)下各輸入量對(duì)應(yīng)的隸屬度函數(shù)曲線如圖5所示,其中各輸入量的論域均為[0,1]。

由圖5可知,因?yàn)檩斎肓繛閷?shí)測(cè)數(shù)據(jù),所以各輸入量的隸屬函數(shù)劃分具有不均勻性。輸入的訓(xùn)練數(shù)據(jù)在經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的推算后得出7條一一對(duì)應(yīng)的模糊規(guī)則，具體描述如下:

(1) IF (Demandtorque is e1) and (AccumulatorSOC is f1) and (BatterySOC is r1) then (Enginetorque is u1)。

(2) IF (Demandtorque is e2) and (AccumulatorSOC is f2) and (BatterySOC is r2) then (Enginetorque is u2)。

(3) IF (Demandtorque is e3) and (AccumulatorSOC is f3) and (BatterySOC is r3) then (Enginetorque is u3)。

(4) IF (Demandtorque is e4) and (AccumulatorSOC is f4) and (BatterySOC is r4) then (Enginetorque is u4)。

(5) IF (Demandtorque is e5) and (AccumulatorSOC is f5) and (BatterySOC is r5) then (Enginetorque is u5)。

(6) IF (Demandtorque is e6) and (AccumulatorSOC is f6) and (BatterySOC is r6) then (Enginetorque is u6)。

(7) IF (Demandtorque is e7) and (AccumulatorSOC is f7) and (BatterySOC is r7) then (Enginetorque is u7)。

圖5 訓(xùn)練前ANFIS控制器隸屬度函數(shù)劃分

訓(xùn)練前發(fā)動(dòng)機(jī)轉(zhuǎn)矩的模糊規(guī)則輸出曲面如圖6所示。

由圖6可知,因?yàn)橛?xùn)練前使用的是普通模糊控制策略,所以發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩的波動(dòng)較為明顯,不能始終保持在最優(yōu)轉(zhuǎn)矩范圍。

圖6 訓(xùn)練前發(fā)動(dòng)機(jī)轉(zhuǎn)矩的模糊規(guī)則輸出曲面

3.3 初始ANFIS的訓(xùn)練

本文選擇反向傳播(back propagation,BP)算法與最小二乘法相結(jié)合的混合算法作為初始ANFIS的訓(xùn)練算法,訓(xùn)練次數(shù)設(shè)置為25次,訓(xùn)練誤差閾值為0。

完成初始ANFIS的訓(xùn)練后所得到的誤差-訓(xùn)練次數(shù)關(guān)系動(dòng)態(tài)曲線界面如圖7所示,其中橫坐標(biāo)表示訓(xùn)練次數(shù),縱坐標(biāo)表示誤差。

圖7 訓(xùn)練誤差變化曲線界面

由圖7可知,初始ANFIS訓(xùn)練誤差在訓(xùn)練次數(shù)接近25次時(shí)不再變化且最終值為0.005 035 9,說(shuō)明訓(xùn)練次數(shù)設(shè)定為25次較為合理。

3.4 訓(xùn)練后的ANFIS

訓(xùn)練后的ANFIS隸屬函數(shù)如圖8所示。

圖8 訓(xùn)練后ANFIS控制器隸屬度函數(shù)劃分

從圖8可以看出,在經(jīng)過(guò)ANFIS對(duì)訓(xùn)練數(shù)據(jù)的自學(xué)習(xí)后,依據(jù)訓(xùn)練數(shù)據(jù)中的最優(yōu)輸出值,各輸入量的隸屬度函數(shù)的模糊子集形狀均發(fā)生了顯著變化,即隸屬度函數(shù)被重新進(jìn)行了劃分。這表明訓(xùn)練后的ANFIS具有了自適應(yīng)性,且目標(biāo)性更強(qiáng),更易于實(shí)現(xiàn)最優(yōu)的控制效果。

訓(xùn)練后發(fā)動(dòng)機(jī)轉(zhuǎn)矩的模糊規(guī)則輸出曲面如圖9所示。由圖9可知,訓(xùn)練后的發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩變化更加平緩,始終保持在最優(yōu)轉(zhuǎn)矩范圍內(nèi),進(jìn)而為降低整車燃油消耗量提供了可能。

圖9 訓(xùn)練后發(fā)動(dòng)機(jī)轉(zhuǎn)矩的模糊規(guī)則輸出曲面

4 仿真分析

將經(jīng)過(guò)訓(xùn)練的ANFIS控制器載入到圖2所示的復(fù)合儲(chǔ)能式裝載機(jī)整車仿真Simulink模型中，并進(jìn)行相關(guān)仿真試驗(yàn)。

在運(yùn)行Simulink模型的同時(shí)，采集經(jīng)過(guò)ANFIS控制器優(yōu)化后的蓄能器SOC、電池SOC以及燃油消耗量的數(shù)值,并將之與優(yōu)化前的各對(duì)應(yīng)數(shù)值進(jìn)行對(duì)比,對(duì)比結(jié)果如圖10所示。

由圖10a、圖10b可知,復(fù)合儲(chǔ)能式裝載機(jī)在ANFIS控制器的控制下,蓄能器和電池的SOC值在工作過(guò)程中均有提高,尤其是電池SOC值的上升幅度十分顯著。這表明與普通模糊控制相比,基于自適應(yīng)神經(jīng)模糊控制的復(fù)合儲(chǔ)能式動(dòng)力裝載機(jī)的能量回收效率更高。

由圖10c可知,優(yōu)化后的裝載機(jī)燃油消耗量明顯下降。將優(yōu)化前、后“V型”工況下裝載機(jī)的平均燃油消耗量進(jìn)行對(duì)比,計(jì)算得節(jié)油率為9.27%,表明優(yōu)化后的整車經(jīng)濟(jì)性能更優(yōu)。節(jié)油率ρ的計(jì)算公式為:

(9)

其中:Q為優(yōu)化前的燃油消耗量;Q1為優(yōu)化后的燃油消耗量。

圖10 優(yōu)化前、后蓄能器SOC、電池SOC、燃油消耗量的對(duì)比

5 硬件在環(huán)試驗(yàn)

5.1 試驗(yàn)原理

dSPACE仿真試驗(yàn)系統(tǒng)如圖11所示。

圖11 dSPACE仿真試驗(yàn)系統(tǒng)

利用圖11所示的硬件在環(huán)試驗(yàn)臺(tái),將整車后向仿真Simulink模型中的液壓驅(qū)動(dòng)-制動(dòng)能量回收部分用相應(yīng)硬件實(shí)物代替,同時(shí),系統(tǒng)的其他部分仍然使用仿真模型,然后利用dSPACE仿真試驗(yàn)系統(tǒng)進(jìn)行硬件在環(huán)試驗(yàn),來(lái)驗(yàn)證ANFIS控制器的優(yōu)化效果。

5.2 試驗(yàn)結(jié)果分析

“V型”工況下仿真和試驗(yàn)的燃油消耗量對(duì)比如圖12所示。由圖12可知,因?yàn)橐簤候?qū)動(dòng)-制動(dòng)能量回收部分替換成硬件實(shí)物,所以試驗(yàn)曲線存在一定的波動(dòng),而試驗(yàn)系統(tǒng)的遲滯反應(yīng)也導(dǎo)致試驗(yàn)曲線與仿真曲線之間存在小幅偏差,但對(duì)試驗(yàn)結(jié)果基本不產(chǎn)生明顯影響,因此“V型”工況下燃油消耗量的試驗(yàn)曲線與仿真曲線基本一致。這表明基于自適應(yīng)神經(jīng)模糊控制的優(yōu)化效果切實(shí)有效。

圖12 “V型”工況下燃油消耗量的對(duì)比

6 結(jié) 論

(1) 相比于普通模糊控制策略,本文采用的ANFIS在制定隸屬度函數(shù)和模糊規(guī)則時(shí)具有自適應(yīng)性,避免了人工推算的過(guò)程,效率更高,且在輸出結(jié)果的尋優(yōu)過(guò)程中目標(biāo)性更強(qiáng),使得裝載機(jī)的發(fā)動(dòng)機(jī)始終工作在最優(yōu)轉(zhuǎn)矩范圍內(nèi),因此更易于實(shí)現(xiàn)最優(yōu)的整車控制效果。

(2) 仿真結(jié)果表明,采用ANFIS控制器后的裝載機(jī)整車燃油消耗量得到顯著降低,節(jié)油率達(dá)到9.27%,能量回收率以及整車燃油經(jīng)濟(jì)性也得到明顯改善,驗(yàn)證了ANFIS優(yōu)化效果的有效性。

(3) 通過(guò)硬件在環(huán)試驗(yàn)采集“V型”工況下的燃油消耗量曲線,并將之與同工況下對(duì)應(yīng)的仿真曲線進(jìn)行比較,驗(yàn)證了仿真結(jié)果的可靠性。這表明本文搭建的復(fù)合儲(chǔ)能式裝載機(jī)仿真模型以及采用本文ANFIS控制策略的正確性。

(4) 基于ANFIS的裝載機(jī)控制器達(dá)到了更優(yōu)的控制效果,有效提高了整車的控制性能和經(jīng)濟(jì)性能。本文研究為相關(guān)整車控制器的優(yōu)化設(shè)計(jì)提供了一定的參考。