樓狄明， 唐遠贄， 房 亮， 施雅風， 張允華， 仇 杰， 楊 芾

（1.同濟大學 汽車學院， 上海 201804；2.上汽集團 乘用車技術中心， 上海 201804）

混合動力汽車相比內(nèi)燃機車和純電動車具有顯著的油耗低、工作效率高、續(xù)航里程可靠的特點，在未來的幾十年中將依舊是新能源汽車的主流之一［1］。其中，并聯(lián)式混合動力汽車架構更加接近內(nèi)燃機汽車，包含發(fā)動機與電機2個動力輸出源。其工作模式極具多樣性，是近年來企業(yè)及研究機構的研發(fā)主流［2-3］。

并聯(lián)式混合動力汽車的動力扭矩輸出依賴于發(fā)動機與電機之間的扭矩配合，相比于轉矩變化時間常數(shù)在毫秒級的電機，發(fā)動機的瞬態(tài)進氣量、空燃比波動會導致發(fā)動機不穩(wěn)定燃燒，從而導致瞬態(tài)轉矩較大波動，再加上各缸供氣的不均勻性、廢氣再循環(huán)（exhaust gas recycling， EGR）率等影響，難以實現(xiàn)對發(fā)動機轉矩的精準控制［4］?，F(xiàn)有的量產(chǎn)發(fā)動機未配備轉矩傳感器，在傳統(tǒng)發(fā)動機ECU（electrical control unit）中僅設有發(fā)動機輸出轉矩預測模塊。因此，在混合動力汽車運行過程中，尤其是瞬態(tài)變化的過程中，較為準確的發(fā)動機的轉矩預測對并聯(lián)式混合動力汽車極其重要［5-6］。

查表法是工業(yè)界獲得實際運行中發(fā)動機轉矩的常用方法，所建立的查表脈譜（MAP）一般通過臺架試驗得到，建立起發(fā)動機轉矩和轉速、進氣量、進氣壓力之間的關系。使用時根據(jù)發(fā)動機在線測得的參數(shù)進行插值查表，得到發(fā)動機轉矩預測值，其缺點是瞬態(tài)過程的預測精度低［7］，且一旦涉及多參數(shù)，MAP的維度會激增，從而大幅增加標定工作量及存儲運算量。

模 型 預 測 控 制 法（model prediction control，MPC）也是轉矩預測研究的熱門方法［8-9］，使用發(fā)動機可獲取信息，例如利用爆震傳感器等信息，通過對缸內(nèi)燃燒、傳熱進行建模，從而對缸壓等信息進行預測，進一步完成轉矩預測［8，10-12］。該類方法近年來基本集中在簡化模型及優(yōu)化預測精準度方面，如Park等［13］提出了一種僅使用節(jié)氣門信息的端口空氣質量流量的估計方法，替代了以前研究中使用通過節(jié)氣門進入進氣歧管的空氣質量流量信息（稱為節(jié)氣門空氣質量流量）和進氣歧管中的空氣壓力信息來估計端口空氣質量流量。此外，在開環(huán)MPC 的基礎上，可以添加部分閉環(huán)反饋信息從而對預測信號進行進一步的處理。Kao 等［14］、Chauvin 等［15］對發(fā)動機轉速信號進行測量和處理，利用時變卡爾曼濾波器來預測瞬態(tài)轉矩。Lee 等［16］提出了2 種轉矩預測方法，其核心都是基于發(fā)動機轉速瞬時波動，即“隨機解析法”和“頻域解析法”，建立發(fā)動機轉矩與曲軸轉角、角速度和角加速度的函數(shù)關系，進而預測轉矩。

神經(jīng)網(wǎng)絡（artificial neural network， ANN）算法是近幾年來研究發(fā)動機相關問題的熱門方法。由于ANN 方法是建立在搭建且訓練完成的神經(jīng)網(wǎng)絡模型上，因此也作為MPC 方法的一種，可以針對發(fā)動機的特性及燃燒性能進行相應的優(yōu)化設計［17-18］。在轉矩預測領域ANN方法也同樣受到了關注，相比于傳統(tǒng)的物理化學類模型，ANN模型的變量更加多元化且輸入輸出幾乎不受相關性的要求限制，但是關于ANN 轉矩預測的研究基本集中在算法結構優(yōu)化和誤差優(yōu)化層面［19-20］，少有涉及到多種轉矩預測模式與ANN 方法的優(yōu)劣對比。與眾多模型控制方法類似，基于模型的瞬時轉矩預測為了保障其準確性，一般都需要建立足夠可靠的實時發(fā)動機閉環(huán)反饋，根據(jù)發(fā)動機可提供的實際信息進行轉矩預測修正。

針對實時轉矩預測的準確性及轉矩預測修正方式，童毅博士［4］在國內(nèi)首次提出“動態(tài)協(xié)調(diào)控制”的概念，針對并聯(lián)式混合動力模式切換的瞬態(tài)過程，提出“發(fā)動機轉矩開環(huán)控制+發(fā)動機轉矩在線預測+電機轉矩閉環(huán)補償”的控制策略。合理的轉矩預測方式配合動態(tài)協(xié)同控制，可以實現(xiàn)利用發(fā)動機前饋預測模型及當前狀態(tài)信息的反饋控制方式對預測得到的轉矩進行實時修正，從而進一步實現(xiàn)更精確的轉矩預測及多動力源的轉矩動態(tài)協(xié)調(diào)控制［21-23］。

目前將神經(jīng)網(wǎng)絡直接用于預測發(fā)動機轉矩并進行動態(tài)協(xié)調(diào)修正的研究較少，常規(guī)的修正算法均可以在轉矩預測及發(fā)動機動態(tài)協(xié)調(diào)控制的基礎上繼續(xù)實現(xiàn)，而本文主要聚焦于神經(jīng)網(wǎng)絡與MAP法在閉環(huán)控制中對穩(wěn)態(tài)及變化的發(fā)動機轉矩預測精準程度對比。利用Simulink及GT-Suite軟件搭建聯(lián)合仿真模型，建立基于發(fā)動機轉速、進氣量/增壓壓力等參數(shù)的轉矩預測ANN 神經(jīng)網(wǎng)絡模型，驗證對比多種穩(wěn)態(tài)、瞬態(tài)工況下MAP法預測的轉矩與發(fā)動機實際轉矩誤差。在實際應用過程中，隨著發(fā)動機參數(shù)維度的增加，ANN法將相比于MAP法更有優(yōu)勢，如果簡單參數(shù)下的ANN 預測比MAP 法更精準，這將對發(fā)動機（尤其是混合動力發(fā)動機）轉矩預測開發(fā)具有較大的指導意義和參考價值。

1 建模方法與設置

1.1 GT-Suite和Simulink聯(lián)合仿真模型

表1為聯(lián)合仿真模擬的混合動力發(fā)動機相關基本性能參數(shù)，其中包括進氣門開啟（intake valve opening, IVO）以及排氣門關閉（exhaust valve closing, EVC）曲軸轉角可調(diào)節(jié)范圍。

表1 發(fā)動機相關參數(shù)Tab.1 Engine parameters

基于GT-Suite及Simulink軟件的交互模型進行發(fā)動機時序性聯(lián)合仿真，具體原理如圖1 所示。Simulink 作為控制型號的發(fā)出端，在模型中發(fā)揮發(fā)動機上混合動力控制單元（hybrid control unit，HCU）的功能，而GT-Suite 模型用來模擬真實發(fā)動機的運行情況，并為控制端（simulink）提供時序性的發(fā)動機狀態(tài)參數(shù)，且這些參數(shù)均為發(fā)動機實際運行下的可獲取參數(shù)。

圖1 聯(lián)合仿真原理模型示意Fig.1 Schematic diagram of joint simulation model

搭建的GT-Suite 發(fā)動機模型需要根據(jù)發(fā)動機臺架的試驗數(shù)據(jù)進行標定，其標定的萬有工況分布如圖2所示。

圖2 萬有工況標定Fig.2 Calibration of working conditions

Simulink模型作為GT的控制端，信號交互如圖3所示，以狀態(tài)輸入量發(fā)動機轉速為固定值，控制信號分別有：節(jié)氣門開度、增壓壓力、進氣門正時（IVO信號）、排氣門正時（EVC信號）、空燃比；發(fā)動機反饋狀態(tài)信號有：發(fā)動機轉速、進氣質量流量、進氣溫度、進氣壓力、空燃比、點火提前角、有效轉矩、IMEP平均指示壓力、燃油循環(huán)噴射量、旁通閥開度。同理在GT-Power中也將各控制信號從交互模塊連接至執(zhí)行器、各狀態(tài)反饋信號從傳感器連接至交互模塊，如圖4所示。

圖3 GT & Simulink聯(lián)合仿真信號交互關系Fig.3 Signal interaction of joint simulation in GT&Simulink

圖4 GT-Suite聯(lián)合仿真模型Fig.4 GT-Suite joint simulation model

1.2 轉矩預測方法

轉矩預測同時使用MAP 法和ANN 法，這2 種方法都利用進氣量和發(fā)動機轉速這2個變量作為輸入?yún)?shù)，比較兩者在發(fā)動機穩(wěn)態(tài)及瞬態(tài)工況下轉矩預測及閉環(huán)修正控制的準確性。

MAP法是目前發(fā)動機上常用的方法，一般是通過臺架標定得到的MAP，在實際瞬態(tài)工況下進行插值等方式得到相應的轉矩，圖5是通過GT的萬有工況標定得到的進氣量、發(fā)動機轉速與IMEP 關系的MAP圖，通過IMEP可以直接計算得到指示轉矩。

圖5 IMEP預測MAP圖Fig.5 MAP of IMEP estimation

使用MATLAB 軟件中的Neural Fitting 工具箱對神經(jīng)網(wǎng)絡進行構建與訓練（見圖6）。創(chuàng)建了2 層前饋神經(jīng)網(wǎng)絡，其中一層為隱藏層，神經(jīng)元函數(shù)為Sigmoid，另一層為輸出層，神經(jīng)元為線性函數(shù)。采用了Levenberg-Marquardt 的誤差反向傳播（error back propagation， BP）的訓練算法對網(wǎng)絡進行訓練。對發(fā)動機全工況范圍內(nèi)總計840例試驗數(shù)據(jù)進行隨機分類，其中80%用于訓練網(wǎng)絡，10%用于驗證網(wǎng)絡，最后10%用于測試網(wǎng)絡精度。通過調(diào)整隱藏層神經(jīng)元節(jié)點數(shù)來獲得最優(yōu)的預測效果。

圖6 IMEP預測ANN模型Fig.6 ANN model of IMEP estimation

經(jīng)測試最終在隱藏層節(jié)點數(shù)為15 時得到神經(jīng)網(wǎng)絡的最優(yōu)預測效果。由于輸入?yún)?shù)量總體較少，總體回歸系數(shù)如圖7所示為0.999 93，表明具有較高的預測精度。

圖7 神經(jīng)網(wǎng)絡數(shù)據(jù)回歸分析Fig.7 Data regression analysis of ANN

考慮空燃比對轉矩的影響，2種轉矩預測算法均需再引入空燃比的修正，得到平均指示壓力IMEP的預測值，通過換算得到指示轉矩的大小?？杖急刃拚蜃邮腔? 000r·min-1、節(jié)氣門全開、旁通閥全開的工況，通過調(diào)節(jié)空燃比得到相應的指示轉矩，以當量燃燒時的轉矩為基準，其他空燃比下的轉矩除以當量燃燒的轉矩得到空燃比修正因子（φλ），如式（1）所示：

式中：λ為過量空氣系數(shù)；Tλ=i為任意空燃比下發(fā)動機指示轉矩，其中i為當前過量空氣系數(shù)值；Tλ=1為當量燃燒時的發(fā)動機指示轉矩。

在對比穩(wěn)態(tài)工況及瞬態(tài)工況下ANN和MAP法預測結果時使用瞬時的轉矩百分比偏差（δerror）來評估轉矩預測準確度，如式（2）所示：

式中：Te為預測轉矩；T為GT-Suite發(fā)動機輸出轉矩。

1.3 轉矩預測閉環(huán)控制方法

所述2種方法預測得出的轉矩均為估計指示轉矩，而發(fā)動機指示轉矩直接受缸內(nèi)燃燒放熱狀態(tài)所影響。有效輸出轉矩則為指示轉矩扣除附件消耗轉矩和機械摩擦損失轉矩后所得，為了能夠更精確地控制發(fā)動機燃燒放熱從而控制發(fā)動機的有效轉矩輸出，故將指示轉矩設為發(fā)動機控制系統(tǒng)的控制目標。

在混合動力發(fā)動機中，由于HCU給出的是發(fā)動機指示轉矩命令，而實際發(fā)動機有效轉矩包含了發(fā)動機當前機械損失轉矩、附件消耗轉矩等，因此，在閉環(huán)控制的情況下，需考慮不同工況的不同損失，根據(jù)目標有效轉矩和預測指示轉矩進行目標指示轉矩和預測有效轉矩的計算。指示轉矩、預測轉矩及各類轉矩損失間的關系在本模型中簡化為式（3）所示：

式中：Ti為指示轉矩；Te為有效轉矩；Tf為摩擦消耗轉矩；Ta為發(fā)動機附件消耗轉矩。

在根據(jù)發(fā)動機實際狀態(tài)完成轉矩估計的情況下，可以建立以預測轉矩為接口的發(fā)動機控制方法（見圖8）。由于發(fā)動機在不同工況下的各類損失情況不同，需要根據(jù)當前發(fā)動機狀態(tài)進行轉矩的協(xié)調(diào)計算，從而提高工況切換或者瞬態(tài)工況下的轉矩預測準確性。圖8中該轉矩協(xié)調(diào)計算模塊的主要功能有2個：①計算發(fā)動機當前機械損失轉矩、附件消耗轉矩；②根據(jù)目標有效轉矩和估計指示轉矩計算目標指示轉矩和估計有效轉矩。

圖8 轉矩協(xié)調(diào)計算模塊Fig.8 Schematic diagram of torque coordination calculation

對于機械摩擦和附件消耗轉矩可以依據(jù)萬有工況用發(fā)動機臺架測定并形成對應的標定MAP，其輸入量為當前發(fā)動機轉速及目標負荷。在模型計算邏輯中計算預測的有效轉矩時，當前查表MAP的目標負荷用控制目標指示轉矩代替，當反饋修正有效轉矩時，當前負荷則用預測指示轉矩替代。

此外，閉環(huán)的反饋信號需要與控制的前饋MAP信號整合疊加，從而形成發(fā)動機時序性的控制信號，與反饋邏輯類似。圖9為本模型方法對進氣部分的前饋控制。模型中利用發(fā)動機的DVVT系統(tǒng)建立了進氣門、排氣門、旁通閥及節(jié)氣門的前饋MAP，最終模型可以實現(xiàn)將發(fā)動機轉矩的預測值作為轉矩控制系統(tǒng)的反饋信號進而對進氣系統(tǒng)執(zhí)行器進行反饋控制。完整的進氣協(xié)同反饋控制流程圖如圖10所示。圖中的NA WOT 閾值設置為旁通閥及節(jié)氣門全開工況下的轉矩，可視作該發(fā)動機自然吸氣工況下的最大轉矩，是自然吸氣工況和渦輪增壓工況的分界轉矩。當目標轉矩小于90%分界轉矩時，節(jié)氣門閉環(huán)控制，旁通閥全開；當目標轉矩大于90%分界轉矩且小于100%分界轉矩時，節(jié)氣門開環(huán)控制，旁通閥閉環(huán)控制；當目標轉矩大于100%分界轉矩時，節(jié)氣門全開，旁通閥閉環(huán)控制。

圖9 前饋控制信號Fig.9 Feedforward control signals

圖10 進氣協(xié)同反饋控制流程Fig.10 Intake collaborative feedback control process

2 仿真結果及分析

2.1 穩(wěn)態(tài)工況轉矩預測及誤差分析

依據(jù)實際發(fā)動機工況，選取了低、中、高3 種不同轉速作為轉矩研究的典型轉速，分別為1 000 r·min-1， 2 000 r·min-1和3 000 r·min-1。

針對發(fā)動機的穩(wěn)態(tài)工況分別選取了50 N·m、100 N·m 以及150 N·m 作為目標轉矩的研究對象，模擬的時長設定為從發(fā)動機起動開始的10 s 時間段。圖11所示為模擬的10s時長、2 000 r·min-1轉速下的穩(wěn)態(tài)有效轉矩的跟隨性和穩(wěn)定性曲線。

圖11 穩(wěn)態(tài)工況有效轉矩曲線Fig.11 Break torque under steady working conditions 50 N·m, 100 N·m, and 150 N·m

圖11 中的曲線分別代表目標設定的有效轉矩（HCU轉矩命令）、GT-Suite模型模擬的發(fā)動機有效轉矩、ANN和MAP2種方法預測并計算得到的有效轉矩。可以看出從發(fā)動機起動開始，預測轉矩與實際曲線需要一定時間從零抬升至目標轉矩附近。圖11a中轉矩50N·m對應的曲線抬升階段波動幅度較小，這可能由于小轉矩工況下的發(fā)動機控制參數(shù)與信號更為穩(wěn)定性有關。

按照式（2）可計算預測的有效轉矩的誤差。為保證誤差計算的合理性，計算過程去除發(fā)動機起動第1 s 的轉矩不穩(wěn)定階段。分別通過對比GT-Suite模型運算得到的發(fā)動機實際轉矩，ANN 和MAP 法的計算誤差分析如圖12。

圖12 穩(wěn)態(tài)工況預測轉矩誤差Fig.12 Errors of estimated break torque under steady working conditions at 1 000r·min-1, 2 000r·min-1, and 3 000r·min-1

圖12包含了3種選區(qū)的不同轉速下的誤差計算分析。在穩(wěn)態(tài)轉矩模擬9種工況得到的誤差中，有7種工況條件下MAP法預測精度低于ANN法，因此，MAP法更適用于各類轉速的穩(wěn)態(tài)轉矩預測，各轉速條件下不同轉矩工況的累計誤差分別較ANN 法低1.31%、1.09%和1.52%。

2.2 躍變及階躍工況轉矩預測及誤差分析

在實際發(fā)動機運行過程中，維持長達數(shù)秒穩(wěn)態(tài)的轉矩的情況幾乎不存在，HCU給定的目標轉矩命令往往均以變化的形式出現(xiàn)。針對轉矩躍變及轉矩的階段模擬結果如圖13所示。

圖13 2 000 r·min-1轉速下躍變工況有效轉矩Fig.13 Break torque under torque jump working condition at 2 000 r·min-1

不同轉速下轉矩躍變誤差分析見圖14。在轉矩躍變瞬態(tài)工況下預測的各有效轉矩曲線較穩(wěn)態(tài)工況存在較為明顯的差別，隨著目標轉矩以一定的斜率升高，GT模型模擬得到的發(fā)動機轉矩及2種方法的預測有效轉矩曲線都存在明顯的時間延遲，這一現(xiàn)象也符合實際發(fā)動機的控制響應過程。從圖中可以看出，MAP法由于其原理是根據(jù)發(fā)動機狀態(tài)插值得到，因此預測得到的有效轉矩曲線較ANN 延遲更大，依據(jù)圖14的誤差分析結果也可以看這一點。在瞬態(tài)工況轉矩躍變條件下，ANN在各轉速的預測精度顯著高于MAP法，相比誤差累計降低了5.62%。

圖14 躍變工況預測轉矩誤差Fig.14 Errors of estimated break torque under torque jump working conditions

圖15 為不同轉速下轉矩階躍模擬結果。圖16為不同轉速下轉矩階躍工況模擬結果誤差分析。與躍變工況類似，轉矩階躍工況條件下發(fā)動機轉矩與預測轉矩也存在明顯延遲，但是不同轉矩提升幅度的階躍工況對不同轉矩預測方法的準確度幾乎沒有影響。從綜合誤差分析來看，ANN 法相比MAP 法在各轉速下相對精準，誤差相比MAP法低1.32%。

圖15 2 000 r·min-1轉速下階躍工況有效轉矩Fig.15 Break torque under torque step working condition at 2 000 r·min-1

圖16 階躍工況預測轉矩誤差Fig.16 Errors of estimated break torque under torque step working conditions

2.3 升降擋工況轉矩預測及誤差分析

除了轉矩的提升和下降以外，混合動力發(fā)動機瞬態(tài)工況常伴隨著變速器升、降擋位。其中升、降擋過程要求發(fā)動機快速增減轉矩，以達到良好的離合器結合控制；換擋完成后根據(jù)當前混合動力工作模式較為緩慢地調(diào)整輸出轉矩，實現(xiàn)較好的動力性和燃油經(jīng)濟性。

圖17 所示為模擬的升擋工況轉矩條件下的有效轉矩曲線，其中目標轉矩來源于發(fā)動機臺架實際換擋過程中的測量結果。在升擋過程中，隨著發(fā)動機起動，目標轉矩先緩慢增加到80 N·m，在0.1 s時間內(nèi)跌至30 N·m 并維持0.2 s，隨后在0.5 s 時間內(nèi)增加到140 N·m，之后繼續(xù)緩慢增加。在升擋過程中，由于模擬進程較快，在換擋前的轉矩緩慢上升階段發(fā)動機轉矩及預測轉矩的跟隨性較差，但在轉矩快速下降時刻響應速度較好，發(fā)動機轉矩及預測轉矩發(fā)生的主要延遲范圍表現(xiàn)在轉矩二次上升時刻。

圖17 2 000 r·min-1轉速下升擋工況有效轉矩Fig.17 Break torque under upshift working condition at 2 000 r·min-1

圖18 為升擋工況預測轉矩誤差。綜合來看ANN 法比MAP 法預測有效轉矩的誤差低1.93%。圖19為模擬降擋工況轉矩條件下的有效轉矩曲線。在模擬降擋工況下，所控制的目標轉矩先緩慢增加到110 N·m，在0.1s 時間內(nèi)跌至30 N·m 并維持了0.2 s，隨后在0.5 s 時間內(nèi)增加到140 N·m，之后繼續(xù)緩慢增加。降擋工況有效轉矩曲線與升擋有所不同，由于轉矩在大部分時間緩慢下降，因此發(fā)動機轉矩及預測轉矩對目標轉矩的跟隨性較好，可見的延遲發(fā)生在第1 次轉矩下降及短時間穩(wěn)定的階段。

圖18 升擋工況預測轉矩誤差Fig.18 Errors of estimated break torque under upshift working conditions

圖19 降擋工況有效轉矩曲線Fig.19 Break torque under downshift working condition at 2 000 r·min-1

圖20 降擋工況預測轉矩誤差Fig.20 Errors of estimated break torque under downshift working conditions

3 結論

基于搭建的GT-Suite 及Matlab/Simulink 聯(lián)合仿真模型研究了ANN 方法對發(fā)動機穩(wěn)態(tài)及瞬態(tài)轉矩預測可靠性，建立了基于進氣和發(fā)動機狀態(tài)參數(shù)的預測轉矩反饋協(xié)同控制模塊，并對比了MAP法在同樣條件下的結果誤差。

由于穩(wěn)態(tài)工況選取的轉矩更加接近標定MAP的試驗工況點，穩(wěn)態(tài)工況下的MAP 法預測較ANN法更為精準，低、中、高3 種發(fā)動機轉速下誤差低1.31%、1.09%和1.52%，轉矩預測波動范圍較小。

在瞬態(tài)工況的躍變及階躍的轉矩變化條件下，MAP 法的預測延遲較ANN 法更為明顯，相較于MAP 法的插值預測，更加密集的模型訓練集對ANN法在工況切換過程中的預測精度有明顯助益，ANN法預測所得到的有效轉矩誤差較MAP法分別低5.62%和1.32%。

在升擋工況及降擋工況下，ANN法的預測結果同樣也更為精準，較MAP 法的誤差分別低1.93%和0.84%。

穩(wěn)態(tài)的發(fā)動機轉矩預測利用標定好的MAP 進行插值更為適用，在瞬態(tài)工況下，ANN 法針對混合動力發(fā)動機的轉速預測及控制有非常顯著的潛在應用價值。

作者貢獻聲明：

樓狄明：項目/課題負責人，論文審閱與修改。

唐遠贄：模型搭建，模擬數(shù)據(jù)，論文撰寫與修改。

施雅風：概念提出，模型搭建，數(shù)據(jù)整理，論文撰寫。

房 亮：概念提出，論文審閱與修改。

張允華：論文審閱與修改。

仇 杰：項目負責人，模型與試驗數(shù)據(jù)提供。

楊 芾：項目/課題負責人，模型與試驗數(shù)據(jù)提供。