基于神经网络的转矩分配策略

混合动力汽车转矩分配控制策略在整车转矩分配过程中对整车的经济性与排放性起到非常重要的作用,根据当前发动机的状态及电池荷电状态(SOC)来实现发动机和电动机的有效工作,在保证整车动力性的前提下,达到节能减排的目的.目前,针对混合动力汽车转矩分配控制策略的研究较多.文献[1]应用最优控制方法实现插电式混合动力汽车的能量管理;文献[2]为延长电池使用寿命应用2级控制器(TSC)实现插电式混合动力汽车的转矩分配;文献[3]应用模糊逻辑控制策略实现并联混合动力汽车的转矩分配;文献[4]基于Pontryagin最小值(PMP)原理,应用最优控制方法实现混合动力汽车的转矩分配;文献[5]应用规则管理实现混合动力汽车的转矩分配;文献[6]应用模型预测控制方法对并联混合动力汽车的转矩分配控制策略进行研究.然而以上方法较少考虑驾驶员的操作意图对整车转矩分配的影响.能否准确识别驾驶员的操作意图会影响整车转矩分配控制策略的控制效果,进而影响到整车的经济性和排放性.

模糊控制具有在不需要被控对象精确数学模型的情况下,直接采用语言型控制规则,使得控制机理和策略易于接受与理解的优点,所以模糊控制被越来越多地应用于转矩分配,但其模糊规则通常依据专家经验确定,不同专家会有不同经验值,不能保证每个算法都处于最优状态;并且在整车行驶过程中,工况变化复杂,不同工况下需要不同的模糊规则来实现整车的转矩分配.小脑模型神经网络控制器(cerebellar model articulation controller,CMAC),简称小脑模型神经网络或CMAC神经网络,采用局部逼近法对复杂非线性函数进行学习,学习速度快,具有比一般神经网络更好的非线性逼近的优点,但是其输入空间划分方式、输入状态和联想单元之间的关系无法满足在线实时调整的要求.

笔者以提高发动机的燃油经济性和减少排放为目标,综合考虑当前实际行驶工况条件下的SOC剩余电量和驾驶员的操作意图实现整车的转矩分配.针对模糊控制及小脑模型(CMAC)神经网络的特点,进行PHEV(parallel hybrid electric vehicle)转矩分配时,将模糊控制与小脑模型(CMAC)神经网络相结合,运用CMAC神经网络来学习模糊规则,模糊规则通过CMAC神经网络进行优化,取代模糊规则库,采用高斯基模糊隶属函数作为实际映射函数,使输入空间划分方式以及联想单元的激活特性可以在线实时调整.并把当前转速下发动机最优转矩与整车需求转矩的差值、动力电池荷电状态和油门踏板变化率作为输入,把发动机转矩分配系数作为输出,提出一种针对变速箱前置式双轴转矩耦合并联式混合动力汽车的模糊小脑模型 (FCMAC) 神经网络的转矩分配控制策略.

1 并联式混合动力汽车建模

研究的并联式混合动力汽车的结构主要包括发动机、驱动电动机、启动/发电一体机(ISG电动机)、电子离合器、动力电池、变速器和主减速器,结构如图1所示.

图1 变速箱前置式双轴转矩耦合并联混合动力汽车结构图

1.1 整车需求转矩

整车在不同工况下行驶时,其需求转矩是由驾驶员操控下的油门踏板开度,当前转速所对应的发动机、ISG电动机和驱动电动机的输出转矩,挡位信号以及制动踏板对应的能量回馈转矩所决定.汽车动力学方程如下:

转矩方程为

式中: Td为整车需求转矩;Te为发动机输出转矩;Tg为ISG电动机驱动/发电转矩;Tm为驱动电动机输出转矩;Tb为能量回馈转矩;i1为自动变速器传动比;i2为单级变速器传动比.

转速方程为

式中: ne为发动机转速;ng为ISG电动机转速;v为车速;t为时间.

驱动电动机转速为

1.2 动力电池荷电状态

整车采用锂电池作为动力电池,在动力电池的管理中,SOC是至关重要的一个状态量,它表示动力电池的剩余电量,为整车转矩输出提供参考依据,同时通过监测SOC的变化来实时调整发动机和电动机的工作模式,并使SOC能够保持在合理区间内,延长动力电池使用寿命.将动力电池模型简化,忽略温度对电池的影响,则动力电池的荷电状态变化方程为

式中: SOC0为SOC初始值;I为电池内部电流;C为电池容量.

式中: V为动力电池电压;T为ISG电动机驱动/发电转矩;R为电池内阻;P为电池充放电功率.

单体锂离子电池充/放电特性曲线如图2所示.

图2 单体电池充/放电特性曲线

1.3 发动机最优转矩

混合动力汽车的动力源是由发动机和电动机2部分构成,发动机的最优工作点和最低排放点是根据发动机-电动机最佳能量组合所得的最优工作曲线决定[7].混合动力汽车行驶期间,由于整车当前状态的变化,发动机的输出转矩也在变化,为兼顾整

文章来源：《模糊系统与数学》 网址: http://www.mhxtysxzz.cn/qikandaodu/2021/0715/616.html