基于ANFIS的復合儲能式裝載機控制研究

李 釗, 林慕義,2, 陳 勇,2

(1.北京信息科技大學 機電工程學院,北京 100192; 2.北京電動車輛協同創新中心,北京 100192)

由于當前環境形勢不斷惡化,節能減排需求愈加高漲,各種混合動力車輛應運而生,而混合動力技術在工程車輛方面的主要代表為復合儲能式裝載機。復合儲能式裝載機的混合動力系統包括液壓系統、電驅動系統和發動機系統。該混合動力系統構造復雜,且工作負載變化頻繁,若控制策略選擇不當,將很難實現對裝載機的最優控制,整車燃油經濟性也難以得到提升。

模糊控制當前在車輛的控制系統中應用較多,同時針對模糊控制也存在許多改進策略。文獻[1]基于模糊控制原理,建立了適用于液壓混合動力車輛的制動能量回收控制策略,仿真與試驗結果表明,該策略大大提高了能量回收率;文獻[2]將模糊控制理論應用于液壓混合動力裝載機的驅動和聯合制動系統,制定了合理有效的驅動控制策略和再生制動控制策略,有效降低了整車的燃油消耗率;文獻[3]使用粒子群算法對模糊控制器的控制規則進行了最優化設計,并將優化后的控制器運用于液壓混合動力裝載機,使整車制動能量回收率得到顯著提高;文獻[4]采用遺傳算法對裝載機復合儲能系統模糊控制策略的隸屬度函數進行了優化,使得參數設定更具有針對性,優化后的整車燃油經濟性得到顯著改善。

本文采用的自適應神經模糊推理系統(adaptive neuro-fuzzy inference system,ANFIS)是將神經網絡與模糊推理結合在一起的混合系統,因此ANFIS兼具上述2種理論的特點,模糊推理在建立時不依賴于對象模型,同時擁有很強的自適應和自學習能力[5-6]。

針對復合儲能式裝載機由于結構復雜而不易控制的特點,本文首先搭建了復合儲能式裝載機的Simulink仿真模型;然后采用自適應神經模糊控制策略對復合儲能式裝載機的傳統模糊控制器進行優化,并將優化后得到的ANFIS控制器重新載入到裝載機整車仿真模型中,進行優化前、后的仿真分析與對比,以期提高整車控制性和燃油經濟性;最后通過dSPACE進行硬件在環試驗，以驗證控制效果的有效性。

1 復合儲能式裝載機結構與原理

復合儲能式裝載機的結構與原理示意圖如圖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.鎖止機構 5.行星齒輪機構 6.電磁離合器4 7.電磁離合器5 8.二次元件 9.蓄能器

復合儲能式混合動力裝載機由發動機系統、電驅動系統、液壓系統3個動力源構成。發動機系統為裝載機的行駛、掘進、舉升等工況提供最主要動力；電驅動系統主要為裝載機的各輔助裝置如車燈、空調等提供動力,同時也可以和發動機系統一起為裝載機提供動力；而液壓系統通過液壓蓄能器的液壓油壓力對裝載機進行制動,此外還可以與發動機和電動機一起為裝載機提供動力[7]。

2 復合儲能式裝載機仿真建模

本文搭建的復合儲能式混合動力裝載機仿真模型包括外部環境、傳動系統、液力變矩器、發動機、工作裝置、發電/電動機、動力電池、液壓泵/馬達、液壓蓄能器、控制器等子系統,首先依據有關公式完成各主要子系統的Simulink模型搭建。

2.1 發動機模型

發動機模型為:

(1)

其中:Me為發動機轉矩;Mb為泵輪轉矩;My為泵/馬達轉矩;Je為發動機轉動慣量;Jb為泵輪轉動慣量;ωe為發動機旋轉角速度。

2.2 電動機模型

電機功率為:

Pm=Tmnm/(9 550ηm)

(2)

其中:Tm為電動機輸出轉矩;nm為電動機轉速;ηm為電機效率。

2.3 動力電池模型

蓄電池放電效率為:

(3)

蓄電池充電效率為:

(4)

其中:Pm為電機功率;R為蓄電池內阻;U為蓄電池兩端電壓。

2.4 液壓泵/馬達模型

制動時泵輪轉矩為:

TP/M=vgΔP/(2πηP/M)

(5)

驅動時泵輪轉矩為:

TP/M=vgΔPηP/M/(2π)

(6)

其中:vg為液壓泵/馬達排量;ΔP為液壓泵/馬達出油口和進油口的壓差;ηP/M為液壓泵/馬達機械效率。

2.5 液壓蓄能器模型

放液過程有：

(7)

充液過程有：

(8)

其中:p0為蓄能器充氣壓力;p1為蓄能器穩定工作點的壓力[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為蓄能器穩定工作點的容積;n為氣體多變指數,絕熱過程取n=1.4。

2.6 搭建整車Simulink仿真模型

通過數學模型(1)～(8)式并結合其他有關模型公式,使用Simulink搭建裝載機各子系統的仿真模型,再將各子系統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 自適應神經模糊控制系統設計

3.1 自適應神經模糊控制系統

本文采用的ANFIS控制策略是以樣本數據為基礎,使用自適應建模法建立模糊推理系統,然后利用Hybrid法對模糊控制系統的控制規則和隸屬度函數進行推算。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雜的系統問題,且具有很好的控制效果[9-10]。

3.2 建立初始ANFIS

復合儲能式裝載機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”工況的實驗數據中選取部分數據作為樣本數據,同時以此樣本數據作為訓練數據對ANFIS控制器進行訓練。在樣本數據中以需求轉矩、蓄能器SOC和電池SOC作為輸入量,以發動機轉矩作為輸出量。

訓練前先用min-max法對訓練數據進行數據值歸一化處理,以期降低神經網絡訓練難度的同時提高數據訓練的精度,歸一化后的樣本數據值均在0～1之間。訓練過程為調用Matlab中的自帶函數對樣本數據進行歸一化處理,完成歸一化后的樣本數據則自動保存在Matlab工作區,而ANFIS工具箱則通過Matlab工作區對樣本數據進行調用。

在Matlab中調出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。然后進行如下設置: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練數據加載至工具箱,如圖3所示。

圖3 加載樣本數據后的ANFIS編輯器界面

此處選擇Sub.clustering法作為FIS的生成方式,其參數設置保持默認值,最后生成的ANFIS控制系統內部結構如圖4所示。

圖4 Sugeno型ANFIS系統結構

由圖4可知,本文建立的ANFIS系統采用多層前向神經網絡結構,其每層的功能與向后續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個輸入點分別對應3個輸入量。

(2) 第2層為模糊化層,表示3個輸入量均分別由7個模糊子集覆蓋。

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

(4) 第4層為模糊推理層,表示根據7條模糊規則生成了對應7個輸出量的7個輸出函數。

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

輸入量的隸屬度函數類型均為ANFIS編輯器依據訓練數據自動選擇的高斯型,而輸出量對應的函數類型為線性函數。

在初始FIS狀態下各輸入量對應的隸屬度函數曲線如圖5所示,其中各輸入量的論域均為[0,1]。

由圖5可知,因為輸入量為實測數據,所以各輸入量的隸屬函數劃分具有不均勻性。輸入的訓練數據在經過神經網絡的推算后得出7條一一對應的模糊規則，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 訓練前ANFIS控制器隸屬度函數劃分

訓練前發動機轉矩的模糊規則輸出曲面如圖6所示。

由圖6可知,因為訓練前使用的是普通模糊控制策略,所以發動機輸出轉矩的波動較為明顯,不能始終保持在最優轉矩范圍。

圖6 訓練前發動機轉矩的模糊規則輸出曲面

3.3 初始ANFIS的訓練

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

完成初始ANFIS的訓練后所得到的誤差-訓練次數關系動態曲線界面如圖7所示,其中橫坐標表示訓練次數,縱坐標表示誤差。

圖7 訓練誤差變化曲線界面

由圖7可知,初始ANFIS訓練誤差在訓練次數接近25次時不再變化且最終值為0.005 035 9,說明訓練次數設定為25次較為合理。

3.4 訓練后的ANFIS

訓練后的ANFIS隸屬函數如圖8所示。

圖8 訓練后ANFIS控制器隸屬度函數劃分

從圖8可以看出,在經過ANFIS對訓練數據的自學習后,依據訓練數據中的最優輸出值,各輸入量的隸屬度函數的模糊子集形狀均發生了顯著變化,即隸屬度函數被重新進行了劃分。這表明訓練后的ANFIS具有了自適應性,且目標性更強,更易于實現最優的控制效果。

訓練后發動機轉矩的模糊規則輸出曲面如圖9所示。由圖9可知,訓練后的發動機輸出轉矩變化更加平緩,始終保持在最優轉矩范圍內,進而為降低整車燃油消耗量提供了可能。

圖9 訓練后發動機轉矩的模糊規則輸出曲面

4 仿真分析

將經過訓練的ANFIS控制器載入到圖2所示的復合儲能式裝載機整車仿真Simulink模型中，并進行相關仿真試驗。

在運行Simulink模型的同時，采集經過ANFIS控制器優化后的蓄能器SOC、電池SOC以及燃油消耗量的數值,并將之與優化前的各對應數值進行對比,對比結果如圖10所示。

由圖10a、圖10b可知,復合儲能式裝載機在ANFIS控制器的控制下,蓄能器和電池的SOC值在工作過程中均有提高,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,基于自適應神經模糊控制的復合儲能式動力裝載機的能量回收效率更高。

由圖10c可知,優化后的裝載機燃油消耗量明顯下降。將優化前、后“V型”工況下裝載機的平均燃油消耗量進行對比,計算得節油率為9.27%,表明優化后的整車經濟性能更優。節油率ρ的計算公式為:

(9)

其中:Q為優化前的燃油消耗量;Q1為優化后的燃油消耗量。

圖10 優化前、后蓄能器SOC、電池SOC、燃油消耗量的對比

5 硬件在環試驗

5.1 試驗原理

dSPACE仿真試驗系統如圖11所示。

圖11 dSPACE仿真試驗系統

利用圖11所示的硬件在環試驗臺,將整車后向仿真Simulink模型中的液壓驅動-制動能量回收部分用相應硬件實物代替,同時,系統的其他部分仍然使用仿真模型,然后利用dSPACE仿真試驗系統進行硬件在環試驗,來驗證ANFIS控制器的優化效果。

5.2 試驗結果分析

“V型”工況下仿真和試驗的燃油消耗量對比如圖12所示。由圖12可知,因為液壓驅動-制動能量回收部分替換成硬件實物,所以試驗曲線存在一定的波動,而試驗系統的遲滯反應也導致試驗曲線與仿真曲線之間存在小幅偏差,但對試驗結果基本不產生明顯影響,因此“V型”工況下燃油消耗量的試驗曲線與仿真曲線基本一致。這表明基于自適應神經模糊控制的優化效果切實有效。

圖12 “V型”工況下燃油消耗量的對比

6 結 論

(1) 相比于普通模糊控制策略,本文采用的ANFIS在制定隸屬度函數和模糊規則時具有自適應性,避免了人工推算的過程,效率更高,且在輸出結果的尋優過程中目標性更強,使得裝載機的發動機始終工作在最優轉矩范圍內,因此更易于實現最優的整車控制效果。

(2) 仿真結果表明,采用ANFIS控制器后的裝載機整車燃油消耗量得到顯著降低,節油率達到9.27%,能量回收率以及整車燃油經濟性也得到明顯改善,驗證了ANFIS優化效果的有效性。

(3) 通過硬件在環試驗采集“V型”工況下的燃油消耗量曲線,并將之與同工況下對應的仿真曲線進行比較,驗證了仿真結果的可靠性。這表明本文搭建的復合儲能式裝載機仿真模型以及采用本文ANFIS控制策略的正確性。

(4) 基于ANFIS的裝載機控制器達到了更優的控制效果,有效提高了整車的控制性能和經濟性能。本文研究為相關整車控制器的優化設計提供了一定的參考。