道路坡度識別的混合動力客車模式切換控制策略

楊 杰,高愛云,范衛峰,付主木,張 瑋

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

0 引言

混合動力汽車2個動力源(發動機和電機)之間的切換過程直接影響車輛的動力性和經濟性。國內外很多學者都針對混合動力驅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展,汽車的實際行駛環境也成為了關注的熱點。尹安東等[5]采用學習向量量化(LVQ)神經網絡識別車輛實時工況,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的燃油經濟性。陳飛等[6]利用智能交通系統(ITS)和專用短程通信技術(DSRC)獲取汽車行駛工況信息,提出了一種網聯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濟性。錢立軍等[7]為實現混合動力汽車的實時最優能量管理,提出一種基于智能網聯的分層能量管理控制方法,能夠實時提高汽車的燃油經濟性和動力性。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,國內外學者已經做了大量的研究,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劣,分別建立基于動力學、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。“主動”是指汽車在上坡行駛過程中混合動力系統未來時刻所需的轉矩是可以提前被計算的,對混合動力系統而言,針對模式狀態發生變化,尤其是針對發動機介入時的模式狀態變化時,整車提前發出模式切換指令,關鍵零部件提前進入準備狀態,如發動機、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,應用縱向動力學道路識別算法進行道路坡度識別,BP神經網絡算法對未來時域內行駛車速進行預測,在控制時域內利用汽車動力學公式求得預測時間內的需求轉矩,根據需求轉矩以及SOC值進行模式狀態確定,使汽車有模式狀態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生。

1 HEB系統建模和整車參數

HEB是一種為旅游而設計和裝備的客車。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如表1所示。

表1 整車和動力零部件參數

表2 基于BP神經網絡預測車速的均方根誤差

圖1 整車外形

2 道路工況預測

2.1 基于縱向動力學的道路坡度識別算法

車輛在實際行駛過程中需要考慮現實的道路環境等因素,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為動力源轉矩,ig為變速器速比,io為主減速器速比,ηt為系統動力傳遞的效率,r為車輪滾動半徑,m為汽車整備質量,CD為風阻系數,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。

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

(3)

因此,可以根據對ac和ar的關系進行比較,從而判斷出?和θ的關系,在每一個坡度識別時間內,通過比較ac和ar的關系,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。

根據仿真結果,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據進行仿真,在Carsim與Simulink中建立仿真模型,仿真結果如圖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測出車輛所處的實際道路坡度信息。

3 基于BP神經網絡的車速預測

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測,可以提前完成模式切換[12-15]。本文中選用BP神經網絡算法,根據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據進行訓練和測試,獲得控制時域內的未來行駛工況。

BP神經網絡是一個多層反饋神經網絡,具有3層或3層以上的結構,分別是輸入層(input layer)、一層或多層隱含層(hide layer)、輸出層(output layer),結構如圖3所示。

圖3 BP神經網絡結構示意圖

BP神經網絡模型建立過程為

模型的建立過程:

1) 輸入層設為

(5)

2) 隱含層各個神經元的輸入為

Nj=w1jx1+w2jx2+…+wnjxn

(6)

3) 隱含層各神經元單元的輸出為

(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為隱含層權值;θj為隱層單元的閾值;p為隱層單元的個數;Vjt為隱層到輸出層的連接權重;rt為輸出層單元閾值。

根據汽車的當前狀態和歷史車速信息,獲取汽車工況特征參數,組成BP神經網絡模型的輸入;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練數據及測試數據,對車輛運行車速進行分析,在進行樣本訓練和測試后,產生相應符合歷史樣本規律的車速輸出。

經過BP神經網絡訓練后,預測時間分別設定1、5 s。2種情況下未來車速的預測結果如圖4、5所示。

圖4 1 s預測結果

從圖4可以看出,當預測時域為1 s時,實際的車速曲線與預測曲線吻合度較高,預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,預測時域分別為5、10 s時,實際車速曲線與預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預測結果

圖6 10 s預測結果

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。傳統車輛上坡時,通過駕駛員踩加速踏板增大混合驅動系統需求轉矩,其模式才會發生變化,但對于上坡過程中的車輛,易產生模式切換時動力不足的問題。為此,在傳統模式切換的基礎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神經網絡算法對車速進行預測,然后根據汽車動力學公式(10)求得整車預測時間內的需求轉矩,再根據需求轉矩以及SOC閾值確定模式狀態。

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為汽車整備質量,?為道路坡度,CD為風阻系數,V為當前車速。

混合動力系統不僅需要確定需求轉矩,還需要考慮電池SOC的大小,當電池SOC過低,發動機進入工作模式狀態。因此,在利用汽車動力學公式求得車輛的目標需求轉矩后,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,根據車輛的需求轉矩和電池SOC閾值判斷混合動力系統的工作模式。

表3 混合動力汽車工作模式

根據混合動力汽車工作模式的劃分依據,發動機的目標轉矩與總的需求轉矩關系為

(11)

式中:Te_req為發動機的需求轉矩;Td_req為混合動力系統的需求轉矩;Te_min為發動機的最小轉矩;Te_ass為發動機的最佳燃油經濟區域轉矩;Te_max為發動機的最大轉矩。

確定發動機目標轉矩和總的需求轉矩關系之后,也可以得到電機的目標轉矩,即

(12)

式中:Tm_req為電機需求轉矩;Tm_min為電機最小轉矩;Te_max為電機最大轉矩。

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

圖8 純電動模式轉換為混合驅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,混合動力系統由電機單獨驅動,發動機關閉,離合器分離,電機的目標轉矩為:

Tm_req=Td_req

(13)

第二階段(預測階段):車輛識別前方有上坡時,基于縱向動力學識別算法識別坡度,BP神經網絡算法預測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):根據汽車動力學公式計算Tn+1時刻的需求轉矩,根據上文提到的工作模式確定條件確定混合動力系統的工作模式狀態。

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

第五階段:隨著下一時刻的到來,發動機的轉矩通過駕駛員調節節氣門開度控制,此時離合器處于滑膜狀態。

第六階段:離合器逐漸接合的過程階段,根據離合器主、從動盤轉速差于設定閾值的關系,若離合器主、從動盤轉速差小于設定的閾值,離合器迅速接合。離合器完全接合后,發動機、電機進入轉矩控制模式,模式切換流程完成。

5 仿真與結果分析

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,需求轉矩小于發動機最佳經濟轉矩曲線。從圖9和圖10可以看出,當坡度發生變化時,發動機和電機的轉矩發生了改變。在預測時間內預測到需求轉矩足以改變驅動模式。

圖9 坡度轉矩

圖10 車速轉矩

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,發動機與電機的輸出轉矩在所提出的主動模式切換控制策略比傳統模式切換提前了5 s左右。由圖13離合器狀態可得,汽車在上坡前,混合動力汽車離合器已經開始結合,發動機啟動。可以看出,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 發動機輸出轉矩

圖12 電機輸出轉矩

6 結論

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據,建立基于縱向動力學的道路坡度識別算法。

2) 建立的BP神經網絡算法車速預測模型,能基本滿足車速和轉矩預測需求。根據車速預測結果,在控制時域內求得下一時刻的需求轉矩;根據需求轉矩以及SOC值進行模式狀態確定,使汽車在上坡前完成模式切換。

3) 根據所提出的混合動力客車主動模式切換控制策略,混合動力系統在預測時域之前(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。