楊 杰,高愛云,范衛(wèi)峰,付主木,張 瑋

(1.河南科技大學(xué) 車輛與交通工程學(xué)院, 河南 洛陽 471003;2.河南科技大學(xué) 信息工程學(xué)院, 河南 洛陽 471023)

0 引言

混合動力汽車2個動力源(發(fā)動機和電機)之間的切換過程直接影響車輛的動力性和經(jīng)濟性。國內(nèi)外很多學(xué)者都針對混合動力驅(qū)動模式控制進行了大量的研究[1-4]。然而,隨著汽車智能化的深入發(fā)展,汽車的實際行駛環(huán)境也成為了關(guān)注的熱點。尹安東等[5]采用學(xué)習(xí)向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)識別車輛實時工況,制定一種基于工況識別的整車控制策略,通過對實時工況的識別有效提高了HEV的燃油經(jīng)濟性。陳飛等[6]利用智能交通系統(tǒng)(ITS)和專用短程通信技術(shù)(DSRC)獲取汽車行駛工況信息,提出了一種網(wǎng)聯(lián)混合動力汽車分層能量控制方法,大大提高了整車的燃油經(jīng)濟性。錢立軍等[7]為實現(xiàn)混合動力汽車的實時最優(yōu)能量管理,提出一種基于智能網(wǎng)聯(lián)的分層能量管理控制方法,能夠?qū)崟r提高汽車的燃油經(jīng)濟性和動力性。上述針對HEV的研究都是基于平坦路面上的行駛工況,而在實際行駛道路中,坡度是真實存在的,也是不可忽略的,同時道路坡度對車輛的動力性造成的影響也是不容忽視的。

目前,道路坡度的實時識別也成為研究中的難點之一[8]。針對道路實時坡度識別的問題,國內(nèi)外學(xué)者已經(jīng)做了大量的研究,Jo 等[9-10]提出了一種利用GPS與車載傳感器信息融合、與EKF算法結(jié)合的道路坡度車輛位置估算算法,但對道路坡度的識別精度有待提高。付翔等[11]分析目前不同坡度識別算法的優(yōu)劣,分別建立基于動力學(xué)、考慮加速度傳感信息坡度識別模型、基于GPS的坡度識別模型,并將3種模型進行聯(lián)合濾波估計,大大提高了車輛坡道識別的精度和魯棒性。

綜上所述,針對實際的道路坡度對汽車動力性的影響,尤其是汽車在上坡行駛過程可能存在動力不足的問題,提出一種基于道路坡度識別的混合動力客車(HEB)主動模式切換控制策略。只考慮汽車上坡過程中的模式切換控制,不考慮下坡過程?！爸鲃印笔侵钙囋谏掀滦旭傔^程中混合動力系統(tǒng)未來時刻所需的轉(zhuǎn)矩是可以提前被計算的,對混合動力系統(tǒng)而言,針對模式狀態(tài)發(fā)生變化,尤其是針對發(fā)動機介入時的模式狀態(tài)變化時,整車提前發(fā)出模式切換指令,關(guān)鍵零部件提前進入準備狀態(tài),如發(fā)動機、離合器、電機等。以洛陽市某一旅游客車特定山路旅游路線為例,應(yīng)用縱向動力學(xué)道路識別算法進行道路坡度識別,BP神經(jīng)網(wǎng)絡(luò)算法對未來時域內(nèi)行駛車速進行預(yù)測,在控制時域內(nèi)利用汽車動力學(xué)公式求得預(yù)測時間內(nèi)的需求轉(zhuǎn)矩,根據(jù)需求轉(zhuǎn)矩以及SOC值進行模式狀態(tài)確定,使汽車有模式狀態(tài)變化時提前完成模式切換,避免汽車在上坡過程中動力不足問題的發(fā)生。

1 HEB系統(tǒng)建模和整車參數(shù)

HEB是一種為旅游而設(shè)計和裝備的客車。這種車輛的行駛工況比較特殊,每天都要在特定旅游路線往返,經(jīng)常上下坡,以洛陽市某一旅游客車為例,其外形如圖1所示,其整車和動力零部件參數(shù)如表1所示。

表1 整車和動力零部件參數(shù)

表2 基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測車速的均方根誤差

圖1 整車外形

2 道路工況預(yù)測

2.1 基于縱向動力學(xué)的道路坡度識別算法

車輛在實際行駛過程中需要考慮現(xiàn)實的道路環(huán)境等因素,這就使得實際坡度與識別坡度存在相對較大的誤差。因此擬采用一種基于縱向動力學(xué)的坡度識別算法。

(1)

式中:ac為識別加速度,V為當前車速,Tm為動力源轉(zhuǎn)矩,ig為變速器速比,io為主減速器速比,ηt為系統(tǒng)動力傳遞的效率,r為車輪滾動半徑,m為汽車整備質(zhì)量,CD為風阻系數(shù),A為迎風面積,?為坡度識別算法中的識別坡度。

車輛的實際加速度為

(2)

式中:ar為實際加速度,vk和vk-1分別為當前時刻和上一時刻的速度,Δt為時間,θ為道路的實際坡度。

根據(jù)式(3)不同加速度關(guān)系對應(yīng)不同的坡度關(guān)系,由?和θ根據(jù)式(1)和式(2)分別計算識別加速度ac和實際加速度ar

(3)

因此,可以根據(jù)對ac和ar的關(guān)系進行比較,從而判斷出?和θ的關(guān)系,在每一個坡度識別時間內(nèi),通過比較ac和ar的關(guān)系,對識別坡度進行歸正,得

(4)

式中:?ck和?ck-1分別為當前時刻和上一時刻的識別坡度,Δ?為修正系數(shù)。

根據(jù)仿真結(jié)果,Δ?取1.7°,識別坡度與實際坡度的誤差為最小。

2.2 道路坡度算法仿真分析

通過車載GPS信息獲取,可以計算得到該路段的實際道路坡度信息。以GPS獲取的實際行駛的道路坡度為數(shù)據(jù)進行仿真,在Carsim與Simulink中建立仿真模型,仿真結(jié)果如圖2所示。

圖2 識別坡度與實際坡度

從圖2可以看出:識別坡度與實際坡度曲線軌跡趨勢一致,表明該坡度識別算法可以較為準確地預(yù)測出車輛所處的實際道路坡度信息。

3 基于BP神經(jīng)網(wǎng)絡(luò)的車速預(yù)測

車輛在實際行駛過程中,準確獲取實時的汽車行駛工況信息是相當有難度的。但通過汽車歷史行駛工況信息對未來時域的行駛工況信息進行合理預(yù)測,可以提前完成模式切換[12-15]。本文中選用BP神經(jīng)網(wǎng)絡(luò)算法,根據(jù)汽車歷史行駛工況信息,以及對客車在坡道行駛的實際運行數(shù)據(jù)進行訓(xùn)練和測試,獲得控制時域內(nèi)的未來行駛工況。

BP神經(jīng)網(wǎng)絡(luò)是一個多層反饋神經(jīng)網(wǎng)絡(luò),具有3層或3層以上的結(jié)構(gòu),分別是輸入層(input layer)、一層或多層隱含層(hide layer)、輸出層(output layer),結(jié)構(gòu)如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

BP神經(jīng)網(wǎng)絡(luò)模型建立過程為

模型的建立過程:

1) 輸入層設(shè)為

(5)

2) 隱含層各個神經(jīng)元的輸入為

Nj=w1jx1+w2jx2+…+wnjxn

(6)

3) 隱含層各神經(jīng)元單元的輸出為

(7)

4) 輸出層單元的輸入為

(8)

輸出層單元的輸出為

Nout=vk+1,vk+2,…,vk+p

(9)

式中:Wnj為隱含層權(quán)值;θj為隱層單元的閾值;p為隱層單元的個數(shù);Vjt為隱層到輸出層的連接權(quán)重;rt為輸出層單元閾值。

根據(jù)汽車的當前狀態(tài)和歷史車速信息,獲取汽車工況特征參數(shù),組成BP神經(jīng)網(wǎng)絡(luò)模型的輸入;以洛陽市某混合動力客車在坡道行駛時實車運行車速作為訓(xùn)練數(shù)據(jù)及測試數(shù)據(jù),對車輛運行車速進行分析,在進行樣本訓(xùn)練和測試后,產(chǎn)生相應(yīng)符合歷史樣本規(guī)律的車速輸出。

經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練后,預(yù)測時間分別設(shè)定1、5 s。2種情況下未來車速的預(yù)測結(jié)果如圖4、5所示。

圖4 1 s預(yù)測結(jié)果

從圖4可以看出,當預(yù)測時域為1 s時,實際的車速曲線與預(yù)測曲線吻合度較高,預(yù)測值可以較為準確地跟隨實際行駛工況趨勢。從圖5、6可以看出,預(yù)測時域分別為5、10 s時,實際車速曲線與預(yù)測車速曲線的吻合度逐漸減小,但總體趨勢依然一致。

圖5 5 s預(yù)測結(jié)果

圖6 10 s預(yù)測結(jié)果

4 HEB主動模式切換

基于以上分析,本文中提出基于道路坡度識別的HEB主動模式切換控制策略。傳統(tǒng)車輛上坡時,通過駕駛員踩加速踏板增大混合驅(qū)動系統(tǒng)需求轉(zhuǎn)矩,其模式才會發(fā)生變化,但對于上坡過程中的車輛,易產(chǎn)生模式切換時動力不足的問題。為此,在傳統(tǒng)模式切換的基礎(chǔ)上提出了基于道路坡度識別的主動模式切換。

混合動力系統(tǒng)模式切換控制流程如圖7所示。當車輛行駛過程中識別到前方有上坡時,應(yīng)用縱向道路坡度識別算法對道路坡度進行識別以及BP神經(jīng)網(wǎng)絡(luò)算法對車速進行預(yù)測,然后根據(jù)汽車動力學(xué)公式(10)求得整車預(yù)測時間內(nèi)的需求轉(zhuǎn)矩,再根據(jù)需求轉(zhuǎn)矩以及SOC閾值確定模式狀態(tài)。

圖7 主動模式切換控制流程

(10)

式中:Ff為滾動阻力;Fw為空氣阻力;Fi為坡度阻力;m為汽車整備質(zhì)量,?為道路坡度,CD為風阻系數(shù),V為當前車速。

混合動力系統(tǒng)不僅需要確定需求轉(zhuǎn)矩,還需要考慮電池SOC的大小,當電池SOC過低,發(fā)動機進入工作模式狀態(tài)。因此,在利用汽車動力學(xué)公式求得車輛的目標需求轉(zhuǎn)矩后,同時還需要考慮電池SOC的閾值范圍。表3是混合動力汽車的各個模式的運行條件,根據(jù)車輛的需求轉(zhuǎn)矩和電池SOC閾值判斷混合動力系統(tǒng)的工作模式。

表3 混合動力汽車工作模式

根據(jù)混合動力汽車工作模式的劃分依據(jù),發(fā)動機的目標轉(zhuǎn)矩與總的需求轉(zhuǎn)矩關(guān)系為

(11)

式中:Te_req為發(fā)動機的需求轉(zhuǎn)矩;Td_req為混合動力系統(tǒng)的需求轉(zhuǎn)矩;Te_min為發(fā)動機的最小轉(zhuǎn)矩;Te_ass為發(fā)動機的最佳燃油經(jīng)濟區(qū)域轉(zhuǎn)矩;Te_max為發(fā)動機的最大轉(zhuǎn)矩。

確定發(fā)動機目標轉(zhuǎn)矩和總的需求轉(zhuǎn)矩關(guān)系之后,也可以得到電機的目標轉(zhuǎn)矩,即

(12)

式中:Tm_req為電機需求轉(zhuǎn)矩;Tm_min為電機最小轉(zhuǎn)矩;Te_max為電機最大轉(zhuǎn)矩。

根據(jù)以上得出的模式切換種類,為使被動切換變?yōu)橹鲃?涉及發(fā)動機介入的模式時保證發(fā)動機及時的進入工作狀態(tài),本文中以純電動模式向混合驅(qū)動模式為研究對象,控制策略流程如圖8所示。

圖8 純電動模式轉(zhuǎn)換為混合驅(qū)動模式的主動模式切換流程

第一階段,在Tn時刻,汽車在平直路面上行駛,混合動力系統(tǒng)由電機單獨驅(qū)動,發(fā)動機關(guān)閉,離合器分離,電機的目標轉(zhuǎn)矩為:

Tm_req=Td_req

(13)

第二階段(預(yù)測階段):車輛識別前方有上坡時,基于縱向動力學(xué)識別算法識別坡度,BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測Tn+1時刻的車速。此階段的動力源仍為電機。

第三階段(模式確定階段):根據(jù)汽車動力學(xué)公式計算Tn+1時刻的需求轉(zhuǎn)矩,根據(jù)上文提到的工作模式確定條件確定混合動力系統(tǒng)的工作模式狀態(tài)。

第四階段(模式切換):當預(yù)測的Tn+1時刻的需求轉(zhuǎn)矩大于電機的最大轉(zhuǎn)矩,汽車上坡過程中需要加速,若車輛的需求轉(zhuǎn)矩增大至電機與發(fā)動機混合驅(qū)動才能滿足整車的需求轉(zhuǎn)矩時,此時混合動力系統(tǒng)由純電動模式切換至混合驅(qū)動模式。整車控制器發(fā)出模式切換指令,關(guān)鍵零部件離合器、變速器等進入工作狀態(tài),進行模式切換。此過程在當前Tn時刻,發(fā)動機先啟動,逐步進行接合離合器,使發(fā)動機轉(zhuǎn)速與電機盡快同步。

第五階段:隨著下一時刻的到來,發(fā)動機的轉(zhuǎn)矩通過駕駛員調(diào)節(jié)節(jié)氣門開度控制,此時離合器處于滑膜狀態(tài)。

第六階段:離合器逐漸接合的過程階段,根據(jù)離合器主、從動盤轉(zhuǎn)速差于設(shè)定閾值的關(guān)系,若離合器主、從動盤轉(zhuǎn)速差小于設(shè)定的閾值,離合器迅速接合。離合器完全接合后,發(fā)動機、電機進入轉(zhuǎn)矩控制模式,模式切換流程完成。

5 仿真與結(jié)果分析

針對提出的混合動力總成,通過Matlab/Simulink建立仿真模型,以驗證所提出的主動模式切換控制方法的有效性。對客車由平緩路段上坡進行模擬仿真。

在汽車上坡前,只考慮上坡過程,不考慮下坡,需求轉(zhuǎn)矩小于發(fā)動機最佳經(jīng)濟轉(zhuǎn)矩曲線。從圖9和圖10可以看出,當坡度發(fā)生變化時,發(fā)動機和電機的轉(zhuǎn)矩發(fā)生了改變。在預(yù)測時間內(nèi)預(yù)測到需求轉(zhuǎn)矩足以改變驅(qū)動模式。

圖9 坡度轉(zhuǎn)矩

圖10 車速轉(zhuǎn)矩

車輛起步開始行駛階段是以純電動模式,整車的動力來源于電機,而且僅由電機來提供。在9 s時開始進行模式切換,由圖11和圖12可得出,發(fā)動機與電機的輸出轉(zhuǎn)矩在所提出的主動模式切換控制策略比傳統(tǒng)模式切換提前了5 s左右。由圖13離合器狀態(tài)可得,汽車在上坡前,混合動力汽車離合器已經(jīng)開始結(jié)合,發(fā)動機啟動?？梢钥闯?汽車提前5 s左右完成模式切換過程,可以有效避免上坡動力不足的問題。

圖11 發(fā)動機輸出轉(zhuǎn)矩

圖12 電機輸出轉(zhuǎn)矩

6 結(jié)論

針對混合動力客車上坡時模式切換可能會造成動力不足的問題,提出了基于道路坡度識別的HEB主動模式切換控制策略,建立了Matlab/Simulink仿真模型。

1) 針對洛陽市某旅游路線的混合動力客車在坡道運行數(shù)據(jù),建立基于縱向動力學(xué)的道路坡度識別算法。

2) 建立的BP神經(jīng)網(wǎng)絡(luò)算法車速預(yù)測模型,能基本滿足車速和轉(zhuǎn)矩預(yù)測需求。根據(jù)車速預(yù)測結(jié)果,在控制時域內(nèi)求得下一時刻的需求轉(zhuǎn)矩;根據(jù)需求轉(zhuǎn)矩以及SOC值進行模式狀態(tài)確定,使汽車在上坡前完成模式切換。

3) 根據(jù)所提出的混合動力客車主動模式切換控制策略,混合動力系統(tǒng)在預(yù)測時域之前(即將爬坡)進行模式切換,避免了客車在上坡過程中動力不足。