商用車預期巡航魯棒性控制
研究了基于學習功能的預期巡航控制系統,并研究該項技術給商用車燃油經濟性帶來的改善。經驗表明,傳統的巡航控制方法在車輛爬坡過程中為了維持恒定速度會消耗較多的燃油,而本文介紹的預期巡航控制系統PCC(Predictive Cruise Control)能夠預測路段情況并做出最少燃油消耗的控制計算,進而控制執行機構。
目前,基于模型的控制器得到了廣泛的應用,但是其不能完全適應包括環境及車輛復雜的動態變化。提出一個新方法,即將一個學習算法集成到已經成熟的模型控制器中以改善控制器的性能。具體實現過程使用了人工神經網絡預測誤差,并采取措施縮小誤差范圍。在應用神經網絡方法進行學習時,比較了不同的神經網絡訓練方法對最終結果的影響(網絡訓練方法影響到神經網絡的參數值,進而影響控制效果)。集成式網絡訓練方法(Integrated training)會得到較好的控制結果,因為訓練數據和測試數據很接近,分散式網絡訓練方法(Segregated training)卻對不同的輸入信號有較好的魯棒性,選用何種網絡訓練方法是由商用車行駛的地形決定的。
試驗結果表明,PCC方法相比傳統巡航控制方法的燃油利用率提高60%。
刊名:International Journal of General Systems(英)
刊期:2013年第3期
作者:Jaime Junell et al
編譯:趙帥