混聯式混合動力客車整車控制系統的開發*

王 磊，張 勇，殷承良

(上海交通大學，汽車電子控制技術國家工程實驗室，上海 200240)

前言

混合動力汽車(hybrid electric vehicle，HEV)技術已成為解決能源短缺和降低溫室氣體排放的有效手段［1-2］。對于高油耗的大型車而言，如城市公交客車，其應用混合動力技術所節省的燃油要遠高于小型車。因此，開展混合動力城市客車的研究具有現實意義。整車控制系統(hybrid control unit，HCU)的開發是 HEV節能技術的關鍵。要實現HEV的高性能運行，須對其動力系統進行優化控制，即由HCU實時監控車輛的運行狀態，按照特定的控制策略，實現車輛工作模式的轉換和能量的優化分配，并對部件進行實時保護，使各部件能夠協調、可靠地工作。

HCU的開發包括能量管理策略(energy management strategy，EMS)和控制器硬件的設計開發［1-4］。由于混聯式混合動力系統的結構和控制功能復雜，應用優化算法的EMS可使動力系統能量流動的控制和整車燃油消耗的優化更加靈活，因此基于優化算法的EMS開發成為HEV控制系統開發的研究熱點，包括實時優化算法和全局最優算法［1-2，5］。由于HEV控制功能的增多和為滿足復雜算法實時控制的精度要求，對HEV控制系統CPU的存儲容量和運算速度的要求也日益提高，使得基于PowerPC架構的 32 位處理器被逐步應用［1-4，6］。

本文中針對某型混聯式混合動力客車，設計開發了基于PowerPC的混合動力總成控制器，同時以最小燃油消耗為目標，提出了基于迭代動態規劃優化算法和Elman動態神經網絡的實時優化能量管理策略，并對設計開發的HCU進行了硬件在環驗證。目前，應用全局優化算法進行HEV EMS設計的研究通常采用基于動態規劃優化結果的規則提取法，其計算量大且結果處理方式復雜。而本文中采用的迭代動態規劃算法可減小優化計算量且有利于提高計算精度，同時Elman動態神經網絡可以高精度逼近任何非線性過程，獲得較好的實時控制效果。所設計的HCU采用32位單片機MPC5554作為控制器CPU，相對于16位單片機，其具有浮點運算單元，不僅能提高控制器系統質量，且有利于新型復雜算法的研究和實施。

1 混合動力總成及其控制系統

混合動力客車動力系統結構見圖1。其驅動系統由6缸柴油發動機、起動發電一體化電機(integrated starter generator，ISG)、驅動電機、電控離合器和磷酸鐵鋰電池等部件組成。ISG電機轉子與發動機曲軸直接相連，驅動電機空套在自動離合器的輸出軸上，其輸出與電機減速器的輸入齒輪連接，并通過減速器的輸出齒輪與發動機的輸出相耦合。整個動力系統的動力由自動離合器輸出軸傳出。

HEV整車控制系統采用基于控制器局域網(controller area network，CAN)總線的分布式控制系統方案，其具有層次化、模塊化和可靠性高等優點，便于整車控制系統的開發。HCU通過CAN總線與發動機控制器、電池管理系統、離合器執行機構和ISG/驅動電機控制器通信?；旌蟿恿ο到y控制原理如圖2所示。在HEV的行駛過程中，HCU實時動態采集駕駛員指令信號和動力系統各部件的狀態參數信號，根據預先開發的EMS來進行信號流和能量流的處理和分配，并通過CAN總線向各部件ECU和執行器發出控制信號，使動力系統各部件間相互協調工作，實現車輛工作模式的切換。在保證期望動力輸出的條件下，實現較低的燃油消耗和維持電池荷電狀態(state-of-charge，SOC)的平衡。

2 HCU控制軟件設計

HCU控制軟件部分主要包括驅動軟件模塊和應用軟件模塊［1，4，7-8］。驅動軟件模塊用于實現硬件驅動和整車及部件工作狀態信號的采集與處理;應用軟件模塊通過獲取的狀態信號和當前各部件參數確定車輛行駛的工作模式，并根據能量管理算法，在各個工作模式下合理分配能量，以達到經濟性和動力性的要求。這里主要介紹應用層軟件，即整車EMS的開發。

整車EMS的設計目標是在特定的循環工況下，滿足混合動力客車整車駕駛性能和維持電池SOC平衡的同時獲得最優的燃油經濟性。因此整車EMS設計的最優控制問題相當于在有限的時間段內，滿足所有狀態變量和控制變量的約束條件下，尋求使選定目標函數最小的控制策略:

式中:J為燃油消耗量的代價函數，U(t)為控制向量，X(t)為狀態向量，tf為給定循環工況時間，Γ為最終狀態懲罰函數，Lfuel為瞬時燃油消耗量，x0為狀態向量初始值，φ為狀態向量和控制向量約束。由于動態規劃算法易于解決動態系統的多約束和非線性問題，且能得到全局最優解［1-2，9］，可用于求解HEV在特定循環工況下的最佳性能。鑒于城市公交車的行駛線路固定，因此動態規劃算法可用于混合動力客車EMS的設計［1］。對于給定的循環工況，車輛的行駛速度和驅動轉矩需求為已知，根據圖1所示的HEV動力系統結構和圖2所示的混合動力控制系統原理，定義HEV最小燃油消耗最優控制的狀態向量和控制向量為

同時，為維持電池SOC平衡，避免行駛過程中發動機頻繁起停和離合器的頻繁操縱，將HEV最小燃油消耗最優控制的目標函數定義為

式中:R為離合器分離行程，Ten為發動機轉矩，TTM為驅動電機轉矩，Rcl為離合器操縱指令，Rcl=0為接合指令，Rcl=1為分離指令，P為循環工況離散的時間段數，Esw為發動機開關信號，α、β、γ分別為加權系數，k為階段數。

為解決傳統動態規劃算法采用較細的控制變量和狀態變量網格所產生的計算負荷大以及采用線性插值方法產生的計算精度不高的問題［1，9］，本文中采用迭代動態規劃(iterative dynamic programming，IDP)算法進行混合動力客車EMS的設計。給定循環工況下，應用IDP求解HEV最小燃油消耗最優控制問題的計算方法如下:

IDP采用較為稀疏的控制變量和狀態變量網格。當計算出的狀態變量為非網格點時，取距離最近網格點上的控制變量為最優控制策略［9］:

當每步迭代計算完成之后，分別將得到的最優狀態變量和控制變量作為下一步迭代計算的狀態變量網格和控制變量網格的中點:

同時縮小狀態變量網格和控制變量網格的大小:

式中:J*、X*和U*為每步迭代時的最優計算結果;r、s分別為狀態變量和控制變量的許可范圍，h為迭代步數，ε為縮減因子，M為控制變量數目，N為狀態變量數目，Xg為網格點上的變量。通過一定步數的迭代，控制變量網格和狀態變量網格將會變細并可求得全局最優解。圖3為中國公交客車典型循環工況(CTBDC)。圖4為所設計的混合動力客車在CTBDC循環工況下，初始SOC為0.53時，經18步迭代計算得到的最優控制策略。

由圖4可見，通過IDP算法得到的給定循環工況下的最優控制策略為時間和狀態的變量，因而不能直接用于實時控制，且HEV最小燃油消耗最優控制的計算是基于車輛能準確跟蹤預定循環工況的假設。在車輛實際行駛過程中，HCU根據動力系統部件當前工作狀態和駕駛員加速踏板和制動踏板操作來協調動力系統輸出，以滿足預定循環工況的車速要求，因此HCU對混合動力系統的控制不在預定循環工況的確定時間點產生，且在行駛過程中，循環工況的速度軌跡不能完全精確跟蹤，因此采用Elman動態神經網絡，將IDP最優控制策略應用于實時控制。圖5為Elman實時控制神經網絡結構圖，它采用3層Elman動態神經網絡，輸入為該段時間步長和前段時間步長的狀態變量，即電池SOC、車速、離合器分離行程和驅動功率需求，輸出為該段時間步長的控制變量，即離合器操縱指令、發動機轉矩和驅動電機轉矩。為了獲得較高的充放電效率，電池SOC的工作范圍限定為0.45～0.65，因此采用3組不同SOC初始值 (SOC=0.65，0.55，0.45)時的最優控制向量為神經網絡訓練樣本，采用兩組不同SOC初始值(SOC=0.6，0.5)時的最優控制向量為神經網絡驗證樣本［10］。

采用Levenberg-Marquardt對ELman神經網絡進行訓練，訓練結果如圖6和圖7所示。神經網絡的訓練誤差為0.001，且神經網絡對于最優控制變量的預測值與IDP最優控制策略之間的誤差較小，因此訓練后的Elman神經網絡應用于HCU可以得到較為優化的實時控制性能。

3 HCU硬件設計

控制系統硬件是提供實現控制策略和算法的硬件平臺，同時還要完成如傳感器數據采集、濾波和CAN數據收發等功能，控制系統硬件主要包括外圍接口電路與信號處理部分和CPU。通過對整車動力系統結構和整車能量管理策略的分析，HCU的輸入輸出信號主要包括CAN總線信號和車輛傳感器信號，且HCU的能量管理策略采用基于IDP最優控制的Elman神經網絡控制，因此要求控制器有較大的存儲容量和浮點運算能力。設計的HCU采用Freescale 32位單片機MPC5554作為控制器CPU，其整合了1個64位浮點運算單元，最高工作頻率為132MHz，片內集成了 32kB RAM，64kB SRAM 和2MB Flash存儲器，包含2個CAN收發寄存器和3個CAN總線接口，2個32通道時間處理單元(TPU)，1個12位40通道A/D轉換器，1個12位1通道D/A轉換器，4個DSPI接口，2個SCI接口和1個24通道的模塊化I/O系統，其為控制軟件的設計和執行提供了豐富的資源和強大的平臺，適用于需要復雜算法的實時控制。根據整車動力系統結構和整車能量管理策略，混聯式混合動力客車HCU硬件系統框圖如圖8所示。

混合動力客車HCU的控制輸入信號包括模擬信號、開關量信號和CAN信號?？刂破鞯哪M量輸入為制動踏板傳感器信號和加速踏板傳感器信號，其輸出電壓范圍為0～5V，表示0～100%的踏板行程，模擬量信號接口電路用于對傳感器信號進行濾波和跟隨及過壓保護，制動踏板傳感器和加速踏板傳感器信號經模擬量信號接口電路輸入HCU用以進行駕駛員駕駛意圖的識別和驅動/制動轉矩需求的計算?？刂破鞯拈_關量信號輸入主要包括車輛的狀態信號，如點火鑰匙位置、倒擋開關、制動開關等，其輸出電壓為0/24V，開關量信號接口電路用于對開關量輸入信號進行光電隔離和整形，并將0/24V的輸入信號轉換為0/5V的電壓輸出，從而能被HCU讀取進行車輛狀態信息的判斷。CPU通過CAN信號驅動器82C250實現CAN信號的收發。HCU通過CAN總線與發動機ECU、ISG/驅動電機控制器和電池管理系統進行雙向通信，接收電池SOC、電池充放電電壓及電流、發動機轉速、電機溫度、轉速和轉矩等信息，并根據整車EMS發送電機和發動機的控制信息，且通過HCU的CAN通信模塊進行基于CCP協議的在線標定。HCU的開關量輸出信號包括發動機斷油控制、診斷指示和離合器操縱指令等信號，開關量驅動電路用于對輸入信號進行光電隔離，并將0/5V的輸入信號轉換為0/24V的電壓輸出到各執行機構。HCU的模擬量輸出信號為發動機節氣門控制信號，其輸出電壓范圍為0～5V，模擬量信號驅動電路用于對信號進行電壓跟隨，可實現對發動機輸出轉矩的控制。HCU的串口調理電路采用MAX232芯片，通過HCU的串口通信模塊可進行控制系統的診斷。

4 試驗驗證與結果分析

以ETAS PT-LABCAR為平臺，建立混合動力客車HCU硬件在環仿真試驗系統，以驗證HCU控制策略的實時控制功能和硬件系統的可靠性，如圖9所示。HCU硬件在環仿真試驗系統由上位機、HCU和PT-LABCAR硬件(包括RTPC和I/O接口)組成。系統通過上位機的MATLAB/Simulink環境建立混合動力客車前向仿真模型，包括駕駛員、循環工況和整車模型，且在硬件在環試驗時，通過上位機可進行參數測量和在線標定。PT-LABCAR的I/O接口將HEV模型計算出的電池SOC、車速、加速/制動踏板位置等信息轉化為HCU可接收的電信號，并將HCU發送的發動機轉矩、電動機轉矩和離合器操作指令等控制信號傳遞給HEV模型，用以實現HEV模型和HCU之間的雙向通信。

混合動力客車HCU硬件在環仿真試驗在CTBDC循環工況下進行，HEV在滿載(17000kg)時的實際運行工況如圖10所示。由圖可見，HCU可根據設計的EMS調節混合動力系統的輸出，使HEV獲得滿足CTBDC工況需求的驅動功率，車輛的實際運行工況同目標工況相符，且車輛不同工作模式之間的切換過渡平穩，表明HCU控制策略的能量分配較為合理并能滿足混合動力客車的實時控制要求。

對于混合動力客車，電荷消耗量直接影響了車輛的循環油耗。當電池電力充足時，車輛可以消耗較多的電能，電機長時間處于電動工作模式，有利于節省燃油;而當電池電力不足時，發動機在驅動車輛的同時必須帶動ISG發電，為電池補充能量。文中采用電池SOC平衡(ΔSOC=0)時的油耗表征混合動力客車的燃油經濟性?；旌蟿恿蛙嚺c原型車滿載時的CTBDC工況經濟性試驗結果如表1所示。HEV電池SOC變化曲線及電荷平衡時發動機、ISG電機和驅動電機工作點分布如圖11～圖14所示。

表1 混合動力客車經濟性試驗結果

根據表1中的試驗結果，采用基于IDP最優控制和Elman神經網絡實時控制算法的混合動力客車的燃油經濟性相對于傳統柴油發動機原型客車提高了24.60%。從圖11可以看出，HCU在獲得較高燃油經濟性的同時，可有效地將電池SOC控制在低內阻的工作范圍(0.45～0.65)之內，從而實現較高的充放電效率，且電池淺充淺放，有利于提高電池組的壽命和可靠性。在圖12中，1區為發動機串聯發電區，2區為發動機并聯工作區或發動機單獨驅動工作區。圖13中的1區為ISG電機串聯發電區(對應于圖12的1區)。由圖12和圖13可以看出，發動機避開了怠速工作區，且在串聯和并聯驅動模式時，發動機均能較好地被控制在高效區，因此極大地提高了HEV的燃油經濟性;而ISG電機的工作點大部分位于發電區，主要用于串聯發電維持電池SOC，且發電工作點位于電機的高效區，有利于提高發動機-ISG發電機組的能量轉換效率，由于急加速工況占CTBDC工況的比例較低，因此只有少部分ISG電機工作點位于電動區域，其主要用于快速起動發動機工況。由圖14可見，由于驅動電機的效率較高，相對于ISG電機和發動機，其工作點的分布范圍較廣，主要用于低速純電動驅動、制動能量回收和調節發動機負荷，從而提高車輛的燃油經濟性。

5 結論

(1)針對某型混聯式混合動力客車，以Freescale MPC5554為CPU，設計開發了混合動力客車整車控制系統，完成了HCU的硬件系統和軟件系統設計，并建立了基于ETAS PT-LABCAR的混合動力客車HCU硬件在環仿真試驗系統，進行了CTBDC工況下的HCU硬件在環仿真試驗。結果表明，設計開發的HCU運行穩定、可靠，且能有效完成預定的循環工況，車輛不同工作模式之間的切換過渡平穩。

(2)以整車燃油消耗最小化為目標，設計開發了基于迭代動態規劃全局優化算法和Elman動態神經網絡的實時優化能量管理策略。HCU硬件在環仿真試驗結果表明，所制定的優化能量管理策略能有效滿足混合動力客車實時控制的要求，且行駛過程中的能量分配合理，其燃油經濟性比原型車提高了24.60%，實現了混合動力客車的優化控制。

［1］Lino Guzzella，Antonio Sciarretta.Vehicle Propulsion System［M］.Springer Berlin Heidelberg，2007.

［2］Dong Suk Kum.Modeling and Optimal Control of Parallel HEVs and Plug-in HEVs for Multiple Objectives［D］.The University of Michigan，2010.

［3］Fathy Hosam K，Filipi Zoran S，Hagena Jonathan，et al.Review of Hardware-in-the-Loop Simulation and Its Prospects in the Automotive Area［C］.Proceedings of SPIE，The International Society for Optical Engineering，FL，USA，2006，62280E.1-20.

［4］王偉華，曾小華，劉志茹.混合動力客車多能源動力總成控制器［J］.農業機械學報，2006，37(11):5-8.

［5］Lin Chan Chiao，Peng Huei，Grizzle Jessy W.Power Management Strategy for a Parallel Hybrid Electric Truck［J］.IEEE Transctions on Control Systems Technology，2003，6(11):839-849.

［6］George Saikalis，Shigeru Oho，Andrew Wabnitz.Hardware-in-theloop Real-time Optimization of Electronic Controllers［C］.SAE Paper 2005-01-1317.

［7］朱磊，袁銀南，張彤.并聯混合動力集成式多能源電控管理系統開發［J］.內燃機學報，2008，26(6):519-524.

［8］羅禹貢，楊殿閣，金達鋒.輕度混合動力電動汽車多能源動力總成控制器的開發［J］.機械工程學報，2006，42(7):98-102.

［9］Rein Luus.Optimal Control by Dynamic Programming Using Systematic Reduction in Grid Size［J］.International Journal of Control，1990，51(5):995-1013.

［10］Sartori Michael A，Antsaklis Panos J.A Simple Method to Derive Bounds on the Size and to Train Multilayer Neural Networks［J］.IEEE Transaction on Neural Network Industrial Electronics，1991，2(4):467-471.