CN112429005A - 考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用 - Google Patents
考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用 Download PDFInfo
- Publication number
- CN112429005A CN112429005A CN202011400759.0A CN202011400759A CN112429005A CN 112429005 A CN112429005 A CN 112429005A CN 202011400759 A CN202011400759 A CN 202011400759A CN 112429005 A CN112429005 A CN 112429005A
- Authority
- CN
- China
- Prior art keywords
- gear
- motor
- transmission
- accelerator pedal
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 72
- 238000012360 testing method Methods 0.000 claims description 70
- 238000003062 neural network model Methods 0.000 claims description 38
- 239000002245 particle Substances 0.000 claims description 37
- 230000001133 acceleration Effects 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 23
- 238000002474 experimental method Methods 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 89
- 210000002569 neuron Anatomy 0.000 description 26
- 239000003921 oil Substances 0.000 description 18
- 239000003638 chemical reducing agent Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000010687 lubricating oil Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/19—Improvement of gear change, e.g. by synchronisation or smoothing gear shift
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Transportation (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明所述考虑传动效率的纯电动汽车个性化换挡规律优化方法,利用不同工况下电机效率和变速器效率数据建立动力传动***效率模型(包括电机效率模型和变速器效率模型);然后结合个性化需求和动力性分目标函数及经济性分目标函数构造综合评价函数,以加速踏板强度、车速为换挡控制参数,通过最小化综合评价函数,实现对纯电动汽车个性化换挡规律的优化。本发明将所得到的纯电动汽车个性化换挡规律在汽车行驶过程的换挡控制中进行应用,能够使纯电动自动变速汽车更加准确地实现汽车动力性和经济性在内的综合性能最优。
Description
技术领域
本发明属于新能源汽车换挡技术领域,涉及纯电动汽车个性化换挡规律的优化方法。
背景技术
换挡规律是指相邻两挡间自动换挡时刻随控制参数变化的规律,是汽车有级自动变速器的核心控制技术,直接影响整车的动力性和经济性等性能。换挡规律制定的一般方法是先确定控制参数,再以经济性最优或者动力性最优构造目标函数,之后以某种算法实现换挡规律的计算。
专利公开号为CN110550034A的申请文件公开了一种纯电动汽车两挡AMT综合换挡方法,首先根据纯电动汽车的整车性能需求,提出最佳动力性换挡规律和最佳经济性换挡规律;在两种最佳换挡规律的基础上,以换挡点车速及换挡延迟量为优化变量,以整车能耗和换挡点加速度差值为目标函数,建立兼顾经济性和动力性的综合性能换挡规律优化模型;最后利用NSGA-II遗传算法对上述优化模型进行求解,得到综合性能换挡规律。然而该换挡方法中,在制定换挡规律时将传动***的效率视为定值,没有考虑到变速器各挡位传动效率变化对换挡规律的影响。而实际上在不同的行驶工况下变速器的效率会发生变化,传动***的效率会随着工况变化而变化。因此,该方法换挡规律制定过程中将传动效率视为定值导致制定的换挡规律并不能达到理想的单一性能最佳或综合性能最优。
发明内容
本发明的目的在于针对现有技术中的不足,提供一种纯电动汽车个性化换挡规律优化方法,考虑车辆实际行驶中动力传动***在不同工况下的动力传动***效率(包括电机效率和变速器效率)变化对换挡规律的影响,同时兼顾驾驶者换挡性能要求,确定出变速器的综合性能最优目标挡位,从而使纯电动汽车的动力性和经济性在体现驾驶意图的前提下达到综合最优。
本发明提供的考虑传动效率的纯电动汽车个性化换挡规律优化方法,首先利用不同工况下电机效率和变速器效率数据建立动力传动***效率模型(包括电机效率模型和变速器效率模型);然后以动力性分目标函数和经济性分目标函数构造综合评价函数,以加速踏板强度、车速为换挡控制参数,通过最小化综合评价函数,实现对纯电动汽车个性化换挡规律的优化,所述综合评价函数为:
式中,u表示汽车车速;wd、we分别为给定的动力性权值和经济性权值,用以体现驾驶员的性能期望,wd+we=1;fd'(u)、fe'(u)分别为经过归一化后的动力性分目标函数和经济性分目标函数;fd *、fe *分别为经过归一化后的最佳动力性分目标函数值和最佳经济性分目标函数值。
所述整车及传动***参数包括整车质量、变速器各挡位传动比、主减速器传动比、车轮半径、旋转质量换算系数、迎风面积、风阻系数、滚动阻力系数。
本发明按照以下公式对数据进行归一化处理:
其中x′为归一化后的值,x为样本值,xmax为样本最大值,xmin为样本最小值。
反归一化处理即时上述归一化处理的逆过程,依据归一化后的值x′按照上述公式计算得到x。
本发明所述考虑传动效率的纯电动汽车个性化换挡规律优化方法,包括以下步骤:
S1分别建立电机效率模型和变速器效率模型;
S2将加速踏板强度从0~100%分为若干等分,以同一加速踏板强度下相邻两挡位中的高挡位的最小车速和低挡位的最大车速构建同一加速踏板强度下相邻两挡位的换挡车速范围;
同一加速踏板强度下相邻两挡位中的高挡位的最小车速和低挡位的最大车速确定方法为:首先确定同一加速踏板强度下相邻两挡位中的高挡位和低挡位不同行驶车速对应的电机转速和汽车加速度;再依据高挡位不同行驶车速对应的电机转速和汽车加速度,找出高挡位中汽车加速度大于0且电机当前转速大于电机最小转速的最小车速,即为高挡位的最小车速;再依据低挡位不同行驶车速对应的电机转速和汽车加速度,找出低挡位中汽车加速度大于0且电机当前转速小于电机最大转速的最大车速,即为低挡位的最大车速;
同一加速踏板强度下相邻两挡位中的高挡位或低挡位不同行驶车速对应的电机转速和汽车加速度按照以下分步骤得到:
S21导入整车及传动***参数;
S22获取不同行驶车速对应的电机转速;
S23通过电机转矩模型获取不同行驶车速对应的电机转矩;
S24以电机转速和电机转矩作为输入数据,通过电机效率模型获取不同行驶车速对应的电机效率;
S25以变速器输入转速、变速器输入转矩和给定变速器油温作为输入数据,通过变速器效率模型获取不同行驶车速对应的变速器效率;
S26依据电机转矩、电机效率和变速器效率,确定不同行驶车速对应的汽车加速度;
S3建立不同加速踏板强度下相邻两挡的换挡车速约束条件;
S4给定不同的动力性权值和经济性权值,遍历各加速踏板强度,结合相邻两挡的换挡车速范围及约束条件,通过优化算法求解得到使综合评价函数最小的换挡车速,进而得到不同动力性权值和经济性权值下的升挡曲线和降挡曲线,即纯电动汽车个性化换挡规律。
上述纯电动汽车个性化换挡规律优化方法,步骤S1中,分别通过电机和变速器台架效率实验,测试电机与变速器在不同工况下的效率。在电机台架效率实验中,采集电机全工况范围内不同工况点对应输入端电压、电流、电机转速、电机转矩,并在数据处理基础上计算各测试工况点对应的电机效率。在变速器台架效率实验中,采集变速器各挡位在全工况范围内不同工况点对应输入转速、输入转矩、输出转速、输出转矩,并在数据处理基础上计算各挡位各测试工况点对应的变速器效率。再利用BP神经网络建立电机效率模型和变速器各挡位效率模型。
电机效率模型的建立过程包括以下分步骤:
S11利用电机效率实验采集的不同工况下的输入端电压、电流、电机转速和电机转矩数据计算电机输入功率和输出功率,以电机输出功率与输入功率的比值作为各对应工况下电机效率值;
S12利用不同工况下的电机转速、电机转矩和步骤S11得到的电机效率值构建电机数据总集,并从电机数据总集选取电机效率模型训练集和测试集;
S13利用步骤S12构建的电机效率模型训练集和测试集数据对神经网络模型进行训练和测试得到电机效率模型。
步骤S11中,按照以下公式计算得到电机效率值:
其中,ηm为电机效率;pom为电机输出功率;pim为电机输入功率;Tm为电机的输出转矩;nm为电机的输出转速。
其中,u(n)为更新周期内采集的电压信号数据(瞬时数据),i(n)为更新周期内采集的电流信号数据(瞬时数据),Nm为采样点数,Px为某相功率(x取A、B、C)。
步骤S12中,训练集数据量和测试集数据量分别占电机数据总集的70%和30%;训练集和测试集应覆盖电机各种工况下的效率数据。为此,本发明中采用的具体实现方式为:将电机转速划分为nq等分区间,将电机转矩划分为np等分区间,形成nq×np个电机数据集合,遍历所有电机数据集合,每个集合中随机选取10%的数据构成交叉集、在剩下的数据中随机选取(该集合中总数据的)20%的数据作为不交叉测试集、未被选取数据作为不交叉训练集,由交叉集和不交叉训练集构成训练集,由交叉集和不交叉测试集构成测试集。
步骤S13中,利用构建的电机效率模型训练集和测试集数据对BP神经网络模型训练和测试过程中,以电机转速、电机转矩作为模型输入数据P1,模型的输出Y1为电机效率预测值,以步骤S11得到的电机效率ηm为T1,以T1与Y1的偏差e1(即绝对误差,e1=|T1-Y1|)作为网络的学习信号,通过误差反向传播,使用Levenberg-Marquardt学习算法对BP神经网络模型的权值和阈值进行迭代调整,使训练和测试的相对误差(即e1′=|T1-Y1|/T1)均满足精度要求,以完成电机效率模型的建立。
本发明中变速器效率模型是与变速器挡位相对应的,即不同挡位采用不同的神经网络模型,但不同挡位的变速器效率模型建立方法完全相同。某个挡位变速器效率模型的建立过程包括以下分步骤:
S14利用变速器效率实验采集的变速器某个挡位不同工况下的输入转速、输入转矩、输出转速和输出转矩,计算变速器某个挡位的输入功率和输出功率,以变速器某个挡位输出功率与输入功率的比值作为对应工况下变速器某个挡位的效率值;
S15利用变速器某个挡位不同工况下的变速器输入转速、变速器输入转矩、变速器油温(即变速器润滑油温度)和步骤S14得到的变速器某个挡位效率值构建变速器该挡位数据总集,从变速器该挡位数据总集选取变速器效率模型训练集和测试集;
S16利用步骤S15构建的变速器效率模型训练集和测试集数据对神经网络模型进行训练和测试得到变速器某个挡位的效率模型。
步骤S14中,按照以下公式计算出纯电动汽车变速器效率:
其中,ηt为变速器效率;pot为变速器输出端的功率;pit为变速器输入端功率;Tit为变速器输入端转矩;nit变速器输入端转速;Tot为变速器输出端转矩;not为变速器输出端转速。
步骤S15中,训练集数据量和测试集数据量分别占变速器数据总集的70%和30%;训练集和测试集应覆盖变速器各种工况下的效率数据。为此,本发明中采用的具体实现方式为:将输入转速划分为ns等分区间,输入转矩划分为nt等分区间,油温划分为noil等分区间,形成ns×nt×noil个变速器数据集合,遍历所有变速器数据集合,每个集合中,随机选取10%的数据构成交叉集、在剩下的数据中随机选取(该集合总数据的)20%的数据作为不交叉测试集、未被选取数据作为不交叉训练集,由交叉集和不交叉训练集构成训练集,由交叉集和不交叉测试集构成测试集。
步骤S16中,利用构建的变速器效率模型训练集和测试集数据对BP神经网络模型训练和测试过程中,以变速器输入转速、变速器输入转矩和变速器油温作为模型输入数据P2,模型的输出Y2为变速器效率预测值,以步骤S14得到的变速器效率ηt为T2,以T2与Y2的偏差e2(即绝对误差,e2=|T2-Y2|)作为网络的学习信号,通过误差反向传播,使用Levenberg-Marquardt学习算法对BP神经网络模型的权值和阈值进行迭代调整,使训练和测试的相对误差(即e2′=|T2-Y2|/T2)均满足精度要求,以完成变速器效率模型的建立。
上述步骤S13和步骤S16中,构建电机效率模型或变速器效率模型过程中,使用的网络模型为BP神经网络模型。在优选实现方式中,所使用的BP神经网络隐层层数为两层,每个隐层中神经元个数的下限和上限分别为Mmin和Mmax,利用训练集和测试集数据对BP神经网络模型训练和测试方法按照以下步骤进行:
A1数据归一化处理,对训练集和测试集中模型输入数据进行归一化处理;
A2神经网络参数初始化,包括隐层层数、隐层神经元个数初始值以及隐层神经元个数初始下限Mmin和初始上限Mmax,设置隐层层数L为1,该隐层神经元个数的初始值为Mmin;
A3使用归一化处理后的训练集中数据训练BP神经网络模型;
A4步骤A3训练完成后,使用归一化处理后的测试集中数据测试BP神经网络模型;
A5将步骤A3和A4中BP神经网络模型输出值进行反归一化处理;
A6判断步骤A5中得到的BP神经网络模型输出值与训练集和测试集中数据对应的效率值的相对误差最大值是否小于等于5%;若是,则进入步骤A16;否则,该隐层神经元个数增加1后进入步骤A7;
A7判断该隐层神经元个数是否小于等于神经元个数的上限Mmax;若是,则返回步骤A3;否则进入A8;
A8将隐层层数设置为L=2,并将各层神经元个数设置为初始值Mmin,然后进入步骤A9;
A9使用归一化处理后的训练集中数据训练BP神经网络模型;
A10步骤A9训练完成后,使用归一化处理后的测试集中数据测试BP神经网络模型;
A11将步骤A9和A10中BP神经网络模型输出值进行反归一化处理;
A12判断步骤A11中得到的BP神经网络模型输出值与训练集和测试集中数据对应的实测值的相对误差最大值是否小于等于5%;若是,则进入步骤A16;否则,第二隐层神经元个数增加1后进入步骤A13;
A13判断第二隐层神经元个数是否小于等于神经元个数的上限Mmax;若是,则返回步骤A9;否则将第一隐层神经元个数增加1,第二隐层神经元个数设置为初始值Mmin,进入A14;
A14判断第一隐层神经元个数是否小于等于神经元个数的上限Mmax;若是,则返回步骤A9;否则,进入A15;
A15将各隐层神经元个数的上限Mmax增加10、下限不变,并将隐层层数设置为L=1,该隐层神经元个数设置为初始值Mmin,然后返回步骤A3;
A16保存训练好的BP神经网络模型参数。
上述纯电动汽车个性化换挡规律优化方法,步骤S2中,所述电机转速nm按照以下公式计算得到:
所述电机转矩模型是指给定加速踏板强度下建立的电机转矩与转速关系图谱或表格。一般电机转矩模型中100%加速踏板强度下的电机转矩与转速关系曲线,可以通过本领域常规的电机实验获取得到。其它加速踏板强度下的电机转矩与转速的关系,可以依据100%加速踏板强度下的电机转矩与转速关系曲线,根据需要来设定。通过电机转矩模型,可以找出与电机转速对应的电机转矩。
其中,Tm为电机转矩;ig为变速器传动比;i0为主减速器传动比;ηg为主减速器效率;ηt为变速器效率;m为整车质量;r为车轮半径;f滚动阻力系数;Cd为风阻系数;A为迎风面积;u为车速;δ为汽车旋转质量换算系数。
上述变速器传动比ig、主减速器传动比i0、主减速器效率ηg、整车质量m、车轮半径r、滚动阻力系数f、风阻系数Cd、迎风面积A、汽车旋转质量换算系数δ属于整车及传动***参数,可以由本领域常规手段得到。其中,变速器传动比ig、主减速器传动比i0、主减速器效率ηg、整车质量m、滚动阻力系数f、风阻系数Cd和迎风面积A均为给定值。汽车旋转质量换算系数δ由下式计算得到:
其中,IW为车轮转动惯量;Im为电机转动惯量;η为传动***效率,其值为变速器效率和主减速器效率的乘积;r为轮胎半径。IW和Im为给定值。
电机转矩Tm、电机效率ηm和变速器效率ηt按照前面步骤S21~S25得到。
上述纯电动汽车个性化换挡规律优化方法,步骤S3中,相邻两挡的换挡车速ua的约束条件为:
g2(ua)=ua-umin≥0;
g3(ua)=umax-ua≥0;
其中,umin为给定加速踏板强度下高挡位的最小车速;umax为给定加速踏板强度下低挡位的最大车速。
上述纯电动汽车个性化换挡规律优化方法,步骤S4中,给定不同的动力性权值和经济性权值,遍历各加速踏板强度,结合相邻两挡的换挡车速约束条件,采用粒子群优化算法(Particle swarm optimization,PSO)或遗传算法(Genetic Algorithm,GA)得到使综合评价函数最小的换挡车速。采用粒子群优化算法(PSO)得到使综合评价函数最小的换挡车速的过程包括以下步骤:
S41确定综合评价函数;
S42在给定动力性权值、经济性权值和加速踏板强度下,以综合评价函数作为适应度函数,调用粒子群优化算法,得到给定动力性权值、经济性权值和加速踏板强度下的升挡车速;
S43遍历所确定的各加速踏板强度,重复步骤S42,得到给定动力性权值、经济性权值下不同加速踏板强度的升挡车速uaup,形成给定动力性权值、经济性权值下的升挡曲线;
S44按照以下公式计算得到不同加速踏板强度下的降挡车速uadown,形成给定动力性权值、经济性权值下的降挡曲线:
uadown=uaup*(1-A);
式中,A为给定系数;当加速踏板强度<30%时,A=0.4;加速踏板强度≥30%时,A=0.15;
S45对于给定的不同给定动力性权值和经济性权值,重复上述步骤S42~S44,得到不同给定动力性权值和经济性权值下的升挡曲线和降挡曲线。
上述步骤S41中,根据前面给出的综合评价函数,只要确定其中的fd'(u)、fe'(u)、fd *和fe *,将fd'(u)、fe'(u)、fd *和fe *代入,便可确定综合评价函数。
归一化后的动力性分目标函数fd'(u)和经济性分目标函数fe'(u)获取方式为:以纯电动汽车变速器相邻两个挡位同一加速踏板强度下加速度差的绝对值作为动力性分目标函数;以纯电动汽车变速器各相邻挡位同一加速踏板强度下单位里程能耗差的绝对值作为经济性分目标函数;依据不同加速踏板强度下相邻两挡的换挡车速范围的上下限,分别得到动力性分目标函数和经济性分目标函数的最大值和最小值;然后对动力性分目标函数和经济性分目标函数进行归一化处理,即得到归一化后的动力性分目标函数fd'(u)和经济性分目标函数fe'(u)。
相邻两个挡位的各自加速度按照前面给出的汽车加速度公式计算得到。
相邻两个挡位的各自单位里程能耗E由下式计算得到:
其中,ηm为电机效率;ηc为电机控制器效率。电机控制器效率由实验得出。
归一化后的最佳动力性分目标函数值fd *和最佳经济性分目标函数值fe *获取方式为:先将综合评价函数中的fd *值取0,fe *值取0,令wd=1,we=0,使用优化算法求解各个加速踏板强度下动力性分目标函数的最小值fd,对各个加速踏板强度下的动力性分目标函数最小值做归一化处理,可得各个踏板强度下归一化后的最佳动力性分目标函数值fd *;令wd=0,we=1,使用优化算法求解各个加速踏板强度下经济性分目标函数的最小值fe,对各个加速踏板强度下的经济性分目标函数值做归一化处理,可得各个踏板强度下归一化后的最佳经济性分目标函数值fe *。
本发明进一步提供了上述优化方法得到的纯电动汽车个性换挡规律在汽车行驶过程换挡中的应用,通过上述优化方法得到的纯电动汽车个性换挡规律可以以数据表的形式存储在换挡规律数据库中。在应用时,先根据现有技术(参见申请号为201911247447.8公开的申请文件)确定出动力性期望值(即动力性权值)和经济性期望值(即经济性权值),再从存储在换挡规律数据库中选出与当前动力性期望和经济性期望匹配的换挡规律(即综合性能最优个性化换挡规律),再根据车速、加速踏板强度,通过选出的换挡规律确定目标挡位。之后再使用现有技术通过换挡控制***,使汽车实现与驾驶员性能期望相符的考虑动力传动***工况效率的综合性能最优换挡操作。
与现有技术相比,本发明提供的考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用具有以下有益效果:
(1)本发明将传动效率随着工况的变化考虑在内,依据动力传动***效率模型确定精确的电机效率和变速器效率,再基于精确的电机效率和变速器效率,计算纯电动有级自动变速汽车整车动力性及经济性指标,并确定换挡车速范围及约束条件,最终通过优化综合评价函数得到精确的换挡速度,由此制定的换挡规律使纯电动自动变速汽车能够更加准确地实现汽车动力性和经济性在内的综合性能最优。
(2)本发明利用BP神经网络对电机效率和变速器效率实验数据进行学习,建立的电机效率模型和变速器效率模型,能够随着工况变化获得准确的电机效率和变速器效率,从而为制定综合性能最优的换挡规律奠定基础。
(3)本发明以动力性分目标函数和经济性分目标函数为基础构建综合评价函数,同时兼顾汽车动力性能和经济性能、并体现驾驶员的性能需求,通过粒子群优化算法或遗传算法等优化方法求解使综合评价函数最小的换挡点,进而使获得的换挡规律能够使整车性能达到个性化综合最优。
附图说明
图1为本发明所述考虑传动效率的纯电动汽车个性化换挡规律优化方法的流程示意图;
图2为BP神经网络建模原理示意图;
图3为BP神经网络模型训练和测试方法流程示意图;
图4为本发明实施例中用BP神经网络模型训练和测试结果绘制的电机效率曲面;
图5为本发明实施例中用BP神经网络模型训练和测试结果绘制的变速器1挡效率曲面;
图6为本发明实施例中用BP神经网络模型训练和测试结果绘制的变速器2挡效率曲面;
图7为给定加速踏板强度下1挡最大车速和2挡最小车速的确定方法流程示意图;
图8为本发明实施例中电机转矩模型所对应的电机转矩与转速关系图谱;
图9为采用粒子群优化算法(PSO)得到换挡车速的流程示意图;
图10为本发明实施例所确定的不同动力性权值、经济性权值下的升挡曲线和降挡曲线(即个性化换挡规律);
图11为采用本发明实施例确定的个性化换挡规律实现换挡的原理框图。
具体实施方式
以下将通过实施例并结合附图对本发明的技术方案进行清楚、完整的描述,显然,所描述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
实施例
本实施例针对的是配置两个挡位(1挡和2挡)的机械自动变速器(AutomatedManualTransmission,AMT)的纯电动汽车。本发明提供的考虑传动效率的纯电动汽车个性化换挡规律优化方法同样适用于具有两个以上挡位的纯电动汽车,这里所给出的换档规律是指相邻两个挡位之间的换挡规律。
本实施例提供的考虑传动效率的纯电动汽车个性化换挡规律优化方法,所使用的综合评价函数动力性分目标函数和经济性分目标函数构造,两分目标函数定义如下:
1)动力性分目标函数:同一踏板强度下,1挡和2挡加速度差的绝对值,即
其中,Tm为电机转矩;ig为变速器传动比;i0为主减速器传动比;ηg为主减速器效率;ηt为变速器效率;m为整车质量;r为轮胎半径;f滚动阻力系数;Cd为风阻系数;A为迎风面积;u为车速;δ为汽车旋转质量换算系数。
汽车旋转质量换算系数δ由下式计算得到:
2)经济性分目标函数:同一踏板强度下,1挡和2挡单位里程能耗差的绝对值,即
fe(u)=|E1-E2| (5);
其中,E1为以车速u行驶时1挡单位里程能耗;E2为以车速u行驶时2挡单位里程能耗。单位里程能耗E由下式计算
其中,ηm为电机效率;ηc为电机控制器效率(本实施中为0.95)。
本实施例采用平方加权和理想点法构造综合评价函数。首先分别以动力性分目标函数和经济性分目标函数为优化目标,计算最佳动力性和最佳经济性换挡规律;然后分别计算各加速踏板强度下的换挡点对应的动力性分目标函数值和经济性分目标函数值,并分别进行归一化处理,求得各加速踏板强度下归一化之后的最佳动力性分目标函数值fd *和最佳经济性分目标函数值fe *。再按下式构造综合评价函数
式中,u表示汽车车速;wd、we分别为给定的动力性权值和经济性权值,用以体现驾驶员的性能期望,wd+we=1;fd'(u)、fe'(u)分别为经过归一化后的动力性分目标函数和经济性分目标函数;fd *、fe *分别为经过归一化后的最佳动力性分目标函数值和最佳经济性分目标函数值。然后以综合评价函数最小为目标,形成优化问题。
基于上述分析,本实施例提供的考虑传动效率的纯电动汽车个性化换挡规律优化方法,如图1所示,包括以下步骤:
S1分别建立电机效率模型和变速器效率模型
本步骤中,分别通过电机和变速器台架效率实验,测试电机与变速器在不同工况下的效率。在电机台架效率实验中,采集电机全工况范围内不同工况点对应输入端电压、电流、电机转速、电机转矩,并在数据处理基础上计算各测试工况点对应的电机效率。在变速器台架效率实验中,采集变速器各挡位在全工况范围内不同工况点对应输入转速、输入转矩、输出转速、输出转矩,并在数据处理基础上计算各挡位各测试工况点对应的变速器效率。再利用BP神经网络建立电机效率模型和变速器各挡位效率模型。
如图2所示,针对电机效率模型,以电机转速、电机转矩作为模型输入数据P1,模型的输出Y1为电机效率预测值,以计算得到的电机效率为T1,以T1与Y1的偏差e1(即绝对误差,e1=|T1-Y1|)作为网络的学习信号,通过误差反向传播,使用Levenberg-Marquardt学习算法对BP神经网络模型的权值和阈值进行迭代调整,使训练和测试的相对误差(即e1′=|T1-Y1|/T1)均满足精度要求,以完成电机效率模型的建立。
因此,电机效率模型的建立过程包括以下分步骤:
S11利用采集的不同工况下电机对应的输入端电压、电流、电机转速和电机转矩样本数据得到电机输入功率和输出功率,然后以电机输出功率与输入功率的比值作为电机效率实测值;
本步骤中,按照以下公式计算得到电机效率:
其中,ηm为电机效率;pom为电机输出功率;pim为电机输入功率;Tm为电机的输出转矩;nm为电机的输出转速。
其中,u(n)为更新周期内采集的电压信号数据(瞬时数据),i(n)为更新周期内采集的电流信号数据(瞬时数据),Nm为采样点数,Px为某相功率(x取A、B、C)。
S12利用不同工况下的电机转速、电机转矩和步骤S11得到的电机效率实测值样本数据构建电机数据总集,并从电机数据总集选取电机效率模型训练集和测试集;训练集数据和测试集数据分别占电机数据总集的70%和30%。具体地,将电机转速划分为20等分区间,将电机转矩划分为10等分区间,形成20×10个电机数据集合,遍历所有电机数据集合,每个集合中随机选取10%的数据构成交叉集、在剩下的数据中随机选取(该集合中总数据的)20%的数据作为不交叉测试集、未被选取数据作为不交叉训练集,由交叉集和不交叉训练集构成训练集,由交叉集和不交叉测试集构成测试集。
S13利用获取的电机效率模型训练集和测试集数据对BP神经网络模型进行训练和测试得到电机效率模型。
如图2所示,变速器效率模型是与变速器挡位相对应的,针对某个挡位变速器效率模型,以变速器输入转速、变速器输入转矩和变速器油温作为模型输入数据P2,模型的输出Y2为变速器效率预测值,以计算得到的变速器效率为T2,以T2与Y2的偏差e2(即绝对误差,e2=|T2-Y2|)作为网络的学习信号,通过误差反向传播,使用Levenberg-Marquardt学习算法对BP神经网络模型的权值和阈值进行迭代调整,使训练和测试的相对误差(即e2′=|T2-Y2|/T2)均满足精度要求,以完成变速器效率模型的建立。
因此,某个挡位变速器效率模型的建立过程包括以下分步骤:
S14利用变速器效率实验采集的变速器某个挡位不同工况下的输入转速、输入转矩、输出转速和输出转矩,计算变速器某个挡位的输入功率和输出功率,以变速器某个挡位输出功率与输入功率的比值作为对应工况下变速器某个挡位的效率值;
本步骤中,按照以下公式计算出纯电动汽车变速器效率:
其中,ηt为变速器效率;pot为变速器输出端的功率;pit为变速器输入端功率;Tit为变速器输入端转矩;nit变速器输入端转速;Tot为变速器输出端转矩;not为变速器输出端转速。
S15利用变速器某个挡位不同工况下的变速器输入转速、变速器输入转矩、变速器油温(即变速器润滑油温度)和步骤S14得到的变速器某个挡位效率值构建变速器该挡位数据总集,从变速器该挡位数据总集选取变速器效率模型训练集和测试集;训练集数据和测试集数据分别占变速器数据总集的70%和30%。具体地,将输入轴转速划分为20等分区间,输入转矩划分为10等分区间,油温划分为10等分区间,形成20×10×10个变速器数据集合,遍历所有变速器数据集合,每个集合中,随机选取10%的数据构成交叉集、在剩下的数据中随机选取(该集合总数据的)20%的数据作为不交叉测试集、未被选取数据作为不交叉训练集,由交叉集和不交叉训练集构成训练集,由交叉集和不交叉测试集构成测试集。
S16利用步骤S15构建的变速器效率模型训练集和测试集数据对神经网络模型进行训练和测试得到变速器某个挡位的效率模型。
构建电机效率和变速器效率过程中,所使用的BP神经网络训练过程类似。所使用的BP神经网络隐层层数均为两层,每个隐层中神经元个数的下限和上限分别为Mmin和Mmax,学***方的平均值)训练精度设为0.001;最大训练次数设为1000。
利用训练集和测试集数据对BP神经网络模型训练和测试的方法,如图3所示,按照以下步骤进行:
A1数据归一化处理,对训练集和测试集中模型输入数据进行归一化处理;
A2神经网络参数初始化,包括隐层层数、隐层神经元个数nH1初始值以及隐层神经元个数初始下限Mmin=3和初始上限Mmax=15,设置隐层层数L为1,该隐层神经元个数nH1的初始值为Mmin=3;
A3使用归一化处理后的训练集中数据训练BP神经网络模型;
A4步骤A3训练完成后,使用归一化处理后的测试集中数据测试BP神经网络模型;
A5将步骤A3和A4中BP神经网络模型输出值进行反归一化处理;
A6判断步骤A5中得到的BP神经网络模型输出值与训练集和测试集中数据对应的效率值的相对误差最大值是否小于等于5%;若是,则进入步骤A16;否则,该隐层神经元个数增加1后进入步骤A7;
A7判断该隐层神经元个数nH1是否小于等于神经元个数的上限Mmax;若是,则返回步骤A3;否则进入A8;
A8将隐层层数设置为L=2,并将各层神经元个数设置为初始值Mmin,然后进入步骤A9;
A9使用归一化处理后的训练集中数据训练BP神经网络模型;
A10步骤A9训练完成后,使用归一化处理后的测试集中数据测试BP神经网络模型;
A11将步骤A9和A10中BP神经网络模型输出值进行反归一化处理;
A12判断步骤A11中得到的BP神经网络模型输出值与训练集和测试集中数据对应的实测值的相对误差最大值是否小于等于5%;若是,则进入步骤A16;否则,第二隐层神经元个数nH2增加1后进入步骤A13;
A13判断第二隐层神经元个数nH2是否小于等于神经元个数的上限Mmax;若是,则返回步骤A9;否则将第一隐层神经元个数nH1增加1,第二隐层神经元个数nH2设置为初始值Mmin,进入A14;
A14判断第一隐层神经元个数nH1是否小于等于神经元个数的上限Mmax;若是,则返回步骤A9;否则,进入A15;
A15将各隐层神经元个数的上限Mmax增加10、下限不变,并将隐层层数设置为L=1,该隐层神经元个数设置为初始值Mmin,然后返回步骤A3;
A16保存训练好的BP神经网络模型参数。
针对配置2挡机械自动变速器(AMT)的纯电动汽车,按照步骤S1建立了动力传动***的效率模型:按照上述步骤S11-S13建立的电机效率模型的拓扑结构为2×6×1,隐层层数为1,隐层神经元个数为6;步骤S14-S16建立的1挡变速器效率模型的拓扑结构为3×6×4×1,隐层层数为2,第一隐层神经元个数为6,第二隐层神经元个数为4;2挡变速器效率模型的拓扑结构为3×3×1×1,隐层层数为2,第一隐层神经元个数为3,第二隐层神经元个数为1。
利用建立的动力传动***的电机效率模型,绘制的电机效率曲面如图4所示。
利用建立的动力传动***的1挡变速器效率模型和2挡变速器效率模型,绘制的1挡变速器效率和2挡变速器效率曲面如图5和图6所示。
从图4、图5和图6可以看出,电机效率和变速器效率在不同的工况下均会产生较大的变化,这将影响纯电动汽车的换挡车速,从而对整车动力性和经济性产生较大影响。
S2将加速踏板强度从0~100%分为若干等分,以同一加速踏板强度下的高挡位的最小车速和低挡位的最大车速构建同一加速踏板强度下相邻两挡位的换挡车速范围。
这里高挡位指的是2挡,低挡位指的是1挡,以i表示挡位,则i=1,2。将加速踏板强度从0~100%分为h=20等分,第j个加速踏板强度下,以2挡的最小车速和1挡的最大车速构建1挡和2挡的换挡车速范围,即:
umin(2,j)≤ua(j)≤umax(1,j) (11)
式中,ua(j)表示第j个加速踏板强度下的换挡速度;umin(2,j)表示第j个加速踏板强度下的2挡最小车速;umax(1,j)表示第j个加速踏板强度下的1挡最大车速。
各加速踏板强度下的1挡最大车速、2挡最小车速的确定方法,如图7所示,包括以下以下步骤:
S21导入整车与传动***参数,并令i=1。
这里采用的是实验车的整车与传动***参数,包括整车质量m=1250kg、1挡传动比i1=1、2挡传动比i2=2.27、主减速器传动比io=5.29、车轮半径r=0.316m、迎风面积A=2m2、风阻系数Cd=0.32、滚动阻力系数f=0.015。
S22获取第i挡不同行驶车速对应的电机转速,并令j=1。
电机转速按照以下公式计算得到:
S23通过电机转矩模型获取不同行驶车速对应的电机转矩。
本实施例所使用的电机转矩模型如图8所示,通过电机实验得到100%加速踏板强度下的电机转矩与转速关系曲线;通过将加速踏板强度20等分,各加速踏板强度下的电机转矩取该加速踏板强度值与100%加速踏板强度下的电机转矩的乘积,可获得其它加速踏板强度下的电机转矩与转速的关系曲线。
从图8中可以看出,在给定加速踏板强度下,根据步骤S22计算得到的电机转速,可以从转矩-转速关系图谱中找到与电机转速对应的电机转矩。
S24以电机转速和电机转矩作为输入数据,通过前面得到的电机效率模型获取不同行驶车速对应的电机效率。
将电机转速和电机转矩输入到步骤S1建立的电机效率模型中,便可得到当前加速踏板强度下、不同行驶车速对应的电机效率。
S25以变速器输入转速、变速器输入转矩和给定变速器油温作为输入数据,通过前面得到的变速器效率模型获取不同行驶车速对应的变速器效率。
将变速器输入转速、变速器输入转矩和给定变速器油温输入到步骤S1建立的变速器效率模型中,便可得到当前加速踏板强度下、不同行驶车速对应的变速器效率。
S26依据电机转矩、电机效率和变速器效率,确定不同行驶车速对应的汽车加速度。
将步骤S23得到的电机转矩、步骤S24得到的电机效率和步骤S25得到的变速器效率,代入到公式(3)中,便可得到给定当前加速踏板强度下、不同行驶车速对应的汽车加速度。
S27依据i=1挡不同行驶车速对应的电机转速和汽车加速度,找出1挡中加速度大于0且当前转速小于最大电机转速的最大车速,即为1挡在第j个加速踏板强度下的最大车速;
或者依据i=2挡不同行驶车速对应的电机转速和汽车加速度,找出2挡中加速度大于0且当前转速大于最小电机转速的最小车速,即为2挡在第j个加速踏板强度下的最小车速;
S28判断是否满足j=h,若是则进入步骤S28,否则在j基础上增加1,返回步骤S22;
S29判断是否满足i=2,若是则各加速踏板强度下的1挡最大车速和2挡最小车速的确定完毕,该流程结束,否则在i基础上增加1,返回步骤S21。
通过上述步骤S21~S29便可得到各个加速踏板强度(h=1~20)下的1挡和2挡两挡位的换挡车速范围。
S3建立不同加速踏板强度下相邻两挡的换挡车速约束条件。
本实施例中,在给定踏板强度下,1挡和2挡的换挡车速ua受以下条件约束:
g2(ua)=ua-umin(2)≥0 (14);
g3(ua)=umax(1)-ua≥0 (15);
其中,umin(2)为给定踏板强度下2挡最低车速;umax(1)为给定踏板强度下1挡最高车速。
由此,形成的优化问题表示如下:
minU(u)=min{wd[fd'(u)-fd *]2+we[fe'(u)-fe *]2}
S4给定不同的动力性权值和经济性权值,遍历各加速踏板强度,结合相邻两挡的换挡车速范围及约束条件,通过优化算法求解得到使综合评价函数最小的换挡车速,进而得到给定变速器油温、不同动力性权值和经济性权值下的升挡曲线和降挡曲线,即纯电动汽车个性化换挡规律。
本实施例中采用粒子群优化算法(PSO)得到使综合评价函数最小的换挡车速。
由于变速器油温对变速器效率有较大影响,因此需要先给定变速器油温,然后确定该变速器油温下的个性化换挡规律。
因为本实施例所用变速器在冷车起动进入正常工作状态后,油温基本维持在90℃左右,所以本实施例对变速器油温为90℃时的两挡纯电动汽车个性化换挡规律进行优化,在涉及变速器效率计算时,将变速器效率模型的输入温度设定为90℃;对于其它变速器油温下的换挡规律,只需改变变速器效率模型的输入温度,按同样的方法进行优化即可。
采用粒子群优化算法(PSO)得到使综合评价函数最小的换挡车速的过程,如图9所示,包括以下步骤:
S41确定综合评价函数
根据步骤S2已经获得了不同加速踏板强度下1挡和2挡的换挡车速范围。这里依据不同加速踏板强度下1挡和2挡换挡车速范围的上下限,通过公式(2)、(3)、(5)和(6),便可得到动力性分目标函数和经济性分目标函数的最大值和最小值,然后通过公式(1)便可分别对动力性目标函数和经济性目标函数进行归一化处理得到归一化后的动力性分目标函数fd'(u)和经济性分目标函数fe'(u)。
归一化后的最佳动力性分目标函数值fd *和最佳经济性分目标函数值fe *获取方式为:先将综合评价函数中的fd *值取0,fe *值取0,令wd=1,we=0,使用粒子群优化算法(PSO)算法求解各个加速踏板强度下动力性分目标函数的最小值fd,对各个加速踏板强度下的动力性分目标函数最小值做归一化处理,可得归一化后的最佳动力性分目标函数值fd *;令wd=0,we=1,使用优化算法求解各个加速踏板强度下经济性分目标函数的最小值fe,对各个加速踏板强度下的经济性分目标函数值做归一化处理,可得归一化后的最佳经济性分目标函数值fe *。
再并将上述fd'(u)、fe'(u)、fd *和fe *代入综合评价函数,便可得到只包含速度变量的综合评价函数。
S42对于给定动力性权值、经济性权值和加速踏板强度下,以综合评价函数作为适应度函数,调用粒子群优化算法,得到给定动力性权值、经济性权值和加速踏板强度下的升挡车速。
本实施例中,给出的动力性权值和经济性权值如表1所示。
表1权值组合表
本步骤是给定动力性权值、经济性权值和加速踏板强度下,调用粒子群优化算法,得到1挡和2挡的升挡车速。
本步骤中,以综合评价函数作为适应度函数,以车速作为粒子位置,以换挡车速范围[umin(2,j),umax(1,j)](其中,umin(2,j)为2挡的最小车速;umax(1,j)为1挡的最大车速)作为粒子位置搜索范围;则给定动力性权值、经济性权值和加速踏板强度下的升挡车速具体获取过程包括以下分步骤:
S421粒子种群初始化,设置加速常数c1=2、c2=2;设置最大迭代次数M=100;设置种群规模N=80;设置惯性权重的最大值wmax=0.9、最小值wmin=0.4。
S422对所有粒子的位置和速度赋初值,第l个粒子的初始位置pl 0在[umin(2,j),umax(1,j)]内随机取值(l=1,…,N);第l个粒子的初始速度vl 0在[0,0.9]内随机取值(l=1,…,N)。根据步骤S41得到的综合评价函数(函数中的车速取粒子位置),计算各粒子初始位置对应的适应度;分别取当前粒子位置及对应的适应度为局部最优粒子位置pbestl和局部最优值pbestFitnessl;分别取所有粒子适应度最小值及与该值对应的粒子位置为全局最优值gbestFitness和全局最优粒子位置gbest。
S423对于每个粒子,从k=1开始,至k=M结束迭代寻优。对第k次迭代,按以下分步骤进行:
S4231计算惯性权重w
S4232对种群中的每个粒子,重复以下步骤:
S4232a在[0,1]范围内取随机值r1、r2。
S4232b更新粒子的速度和位置
vl k=wvl k-1+c1r1(pbestl-pl k-1)+c2r2(gbest-pl k-1) (18);
其中,vl k为第k次迭代粒子l的速度;vl k-1为第k-1次迭代粒子l的速度;pl k-1为第k-1次迭代粒子l的位置。
pl k=pl k-1+vl k-1 (19);
其中,pl k为第k次迭代粒子l的位置。
S4232c结合换挡车速约束条件,对粒子位置越界进行处理:若pl k<umin(2,j),令pl k=umin(2,j);若pl k>umax(1,j),令pl k=umax(1,j)。
S4232d根据步骤S41得到的综合评价函数,计算粒子l的适应度pbestFitnessl k。
S4232e若pbestFitnessl k<pbestFitnessl,则pbestFitnessl=pbestFitnessl k,pbestl=pl k,否则pbestFitnessl和pbestl保持不变。
S4232f若pbestFitnessl<gbestFitness,则gbestFitness=pbestFitnessl,gbest=pbestl。
S424确定升挡车速,所有粒子按照步骤S423寻优结束后,以全局最优值gbestFitness对应的全局最优粒子位置gbest作为给定动力性权值、经济性权值和加速踏板强度下的升挡车速,即uaup(j)=gbest。
S43遍历所确定的各加速踏板强度(j=1~h),重复步骤S42,确定给定动力性权值、经济性权值下,不同加速踏板强度的升挡车速uaup,形成给定动力性权值、经济性权值下的升挡曲线。
前面已经将加速踏板强度从0~100%(分别对应松开加速踏板和加速踏板踩到底的位置)均分为h=20等份,令加速踏板强度从小道大取值,对应序号为j=1开始,重复步骤S42,直至j=h结束循环,得到不同加速踏板强度的升挡车速uaup,形成给定动力性权值、经济性权值下的升挡曲线。
S44按照以下公式计算得到不同加速踏板强度下的降挡车速uadown,形成给定动力性权值、经济性权值下的降挡曲线:
uadown=uaup*(1-A) (20);
式中,A为给定系数;当加速踏板强度<30%时,A=0.4;加速踏板强度≥30%时,A=0.15。
S45按照表1,对于给定的不同动力性权值和经济性权值,重复上述步骤S42~S44,得到不同给定动力性权值和经济性权值下的升挡曲线和降挡曲线,如图10所示。图10中,每条曲线分别对应一个动力性权值和经济性权值组合的升挡曲线或降挡曲线。
按照本实施例提供的考虑传动效率的优化方法获得的纯电动汽车个性化换挡规律个性化换挡规律,可以以数据表的形式存储在换挡规律数据库中。
应用例
本应用例采用实施例所得到的纯电动汽车个性换挡规律——图10所示不同给定动力性权值和经济性权值下的升挡曲线和降挡曲线实现汽车行驶过程中的换挡控制。如图11所示,在使用时,先由变速器控制单元(Transmission Control Unit,TCU)实时采集车速和加速踏板强度信号,再依据采集的车速和加速踏板强度信号得到动力性权值(即动力性期望值)和经济性权值(即经济性期望值)。根据动力性权值和经济性权值,从存储在TCU中的换挡规律候库中,选出与当前动力性权值和经济性权值匹配的换挡规律(即综合性能最优个性化换挡规律),再根据车速、加速踏板强度,通过选出的换挡规律确定目标挡位。之后再使用现有技术通过换挡控制***,使汽车实现与驾驶员性能期望相符的考虑动力传动***工况效率的综合性能最优换挡操作。
例如,在确定动力性权值为0.8(经济性权值为0.2)时,便可从图10中,确定出动力性权值为0.8(经济性权值为0.2)的升挡曲线和动力性权值为0.8(经济性权值为0.2)的降挡曲线。汽车行驶过程中,当车速和加速踏板强度对应的点从升挡曲线的左侧穿越升挡曲线时,应升入高挡;当车速和加速踏板强度对应的点从降挡曲线的右侧穿越降挡曲线时,则应降入低挡。对应本实施例,假设加速踏板强度不变,若车速上升且从升挡曲线左侧穿越升挡曲线时,将升入2挡;若车速下降且从降挡曲线右侧降到降挡曲线左侧时,则将降入1挡。
上述驾驶员动力性期望值和经济性期望值获取方式可以通过现有技术实现,例如在《一种汽车动力性和经济性期望量化方法》(申请号201911247447.8)就能连续量化驾驶员对汽车动力性和经济性的期望。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种考虑传动效率的纯电动汽车个性化换挡规律优化方法,其特征在于包括以下步骤:
S1分别建立电机效率模型和变速器效率模型;
S2将加速踏板强度从0~100%分为若干等分,以同一加速踏板强度下相邻两挡位中的高挡位的最小车速和低挡位的最大车速构建同一加速踏板强度下相邻两挡位的换挡车速范围;
同一加速踏板强度下相邻两挡位中的高挡位的最小车速和低挡位的最大车速确定方法为:首先确定同一加速踏板强度下相邻两挡位中的高挡位和低挡位不同行驶车速对应的电机转速和汽车加速度;再依据高挡位不同行驶车速对应的电机转速和汽车加速度,找出高挡位中汽车加速度大于0且电机当前转速大于电机最小转速的最小车速,即为高挡位的最小车速;再依据低挡位不同行驶车速对应的电机转速和汽车加速度,找出低挡位中汽车加速度大于0且电机当前转速小于电机最大转速的最大车速,即为低挡位的最大车速;
同一加速踏板强度下相邻两挡位中的高挡位或低挡位不同行驶车速对应的电机转速和汽车加速度按照以下分步骤得到:
S21导入整车及传动***参数;
S22获取不同行驶车速对应的电机转速;
S23通过电机转矩模型获取不同行驶车速对应的电机转矩;
S24以电机转速和电机转矩作为输入数据,通过电机效率模型获取不同行驶车速对应的电机效率;
S25以变速器输入转速、变速器输入转矩和给定变速器油温作为输入数据,通过变速器效率模型获取不同行驶车速对应的变速器效率;
S26依据电机转矩、电机效率和变速器效率,确定不同行驶车速对应的汽车加速度;
S3建立不同加速踏板强度下相邻两挡的换挡车速约束条件;
S4给定不同的动力性权值和经济性权值,遍历各加速踏板强度,结合相邻两挡的换挡车速范围及约束条件,通过优化算法求解得到使综合评价函数最小的换挡车速,进而得到不同动力性权值和经济性权值下的升挡曲线和降挡曲线,即纯电动汽车个性化换挡规律。
2.根据权利要求1所述考虑传动效率的纯电动汽车个性化换挡规律优化方法,其特征在于步骤S1中,电机效率模型的建立过程包括以下分步骤:
S11利用电机效率实验采集的不同工况下的输入端电压、电流、电机转速和电机转矩数据计算电机输入功率和输出功率,以电机输出功率与输入功率的比值作为各对应工况下电机效率值;
S12利用不同工况下的电机转速、电机转矩和步骤S11得到的电机效率值构建电机数据总集,并从电机数据总集选取电机效率模型训练集和测试集;
S13利用步骤S12构建的电机效率模型训练集和测试集数据对神经网络模型进行训练和测试得到电机效率模型。
3.根据权利要求1所述考虑传动效率的纯电动汽车个性化换挡规律优化方法,其特征在于步骤S1中,变速器效率模型是与变速器挡位相对应的,变速器某个挡位效率模型的建立过程包括以下分步骤:
S14利用变速器效率实验采集的变速器某个挡位不同工况下的输入转速、输入转矩、输出转速和输出转矩,计算变速器某个挡位的输入功率和输出功率,以变速器某个挡位输出功率与输入功率的比值作为对应工况下变速器某个挡位的效率值;
S15利用变速器某个挡位不同工况下的变速器输入转速、变速器输入转矩、变速器油温和步骤S14得到的变速器某个挡位效率值构建变速器该挡位数据总集,从变速器该挡位数据总集选取变速器效率模型训练集和测试集;
S16利用步骤S15构建的变速器效率模型训练集和测试集数据对神经网络模型进行训练和测试得到变速器某个挡位的效率模型。
5.根据权利要求1至4任一项权利要求所述考虑传动效率的纯电动汽车个性化换挡规律优化方法,其特征在于步骤S4中,给定不同的动力性权值和经济性权值,遍历各加速踏板强度,结合相邻两挡的换挡车速约束条件,采用粒子群优化算法或遗传算法得到使综合评价函数最小的换挡车速。
6.根据权利要求5所述考虑传动效率的纯电动汽车个性化换挡规律优化方法,其特征在于采用粒子群优化算法得到使综合评价函数最小的换挡车速的过程包括以下步骤:
S41确定综合评价函数;
S42在给定动力性权值、经济性权值和加速踏板强度下,以综合评价函数作为适应度函数,调用粒子群优化算法,得到给定动力性权值、经济性权值和加速踏板强度下的升挡车速;
S43遍历所确定的各加速踏板强度,重复步骤S42,得到给定动力性权值、经济性权值下不同加速踏板强度的升挡车速uaup,形成给定动力性权值、经济性权值下的升挡曲线;
S44按照以下公式计算得到不同加速踏板强度下的降挡车速uadown,形成给定动力性权值、经济性权值下的降挡曲线:
uadown=uaup*(1-A);
式中,A为给定系数;当加速踏板强度<30%时,A=0.4;加速踏板强度≥30%时,A=0.15;
S45对于给定的不同给定动力性权值和经济性权值,重复上述步骤S42~S44,得到不同给定动力性权值和经济性权值下的升挡曲线和降挡曲线。
8.根据权利要求7所述考虑传动效率的纯电动汽车个性化换挡规律优化方法,其特征在于归一化后的动力性分目标函数fd'(u)和经济性分目标函数fe'(u)获取方式为:以纯电动汽车变速器相邻两个挡位同一加速踏板强度下加速度差的绝对值作为动力性分目标函数;以纯电动汽车变速器各相邻挡位同一加速踏板强度下单位里程能耗差的绝对值作为经济性分目标函数;依据不同加速踏板强度下相邻两挡的换挡车速范围的上下限,分别得到动力性分目标函数和经济性分目标函数的最大值和最小值;然后对动力性分目标函数和经济性分模板函数进行归一化处理,即得到归一化后的动力性分目标函数fd'(u)和经济性分目标函数fe'(u)。
9.根据权利要求7所述考虑传动效率的纯电动汽车个性化换挡规律优化方法,其特征在于归一化后的最佳动力性分目标函数值fd *和最佳经济性分目标函数值fe *获取方式为:先将综合评价函数中的fd *值取0,fe *值取0,令wd=1,we=0,使用优化算法求解各个加速踏板强度下动力性分目标函数的最小值fd,对各个加速踏板强度下的动力性分目标函数最小值做归一化处理,可得各个踏板强度下归一化后的最佳动力性分目标函数值fd *;令wd=0,we=1,使用优化算法求解各个加速踏板强度下经济性分目标函数的最小值fe,对各个加速踏板强度下的经济性分目标函数值做归一化处理,可得各个踏板强度下归一化后的最佳经济性分目标函数值fe *。
10.权利要求1至9中任一权利要求所述优化方法得到的纯电动汽车个性化换挡规律在汽车行驶过程换挡控制中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400759.0A CN112429005B (zh) | 2020-12-02 | 2020-12-02 | 考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400759.0A CN112429005B (zh) | 2020-12-02 | 2020-12-02 | 考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112429005A true CN112429005A (zh) | 2021-03-02 |
CN112429005B CN112429005B (zh) | 2022-04-22 |
Family
ID=74692126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011400759.0A Active CN112429005B (zh) | 2020-12-02 | 2020-12-02 | 考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112429005B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113339499A (zh) * | 2021-07-04 | 2021-09-03 | 聊城大学 | 一种基于Q-Learning强化学习算法的智能换挡规律控制方法 |
CN113339497A (zh) * | 2021-06-28 | 2021-09-03 | 潍柴动力股份有限公司 | 自动变速箱的换挡规律的确定方法、相关装置及存储介质 |
CN114861332A (zh) * | 2022-07-05 | 2022-08-05 | 清华大学 | 双电机变速器电驱动***拓扑结构和参数分层优化方法 |
CN115045997A (zh) * | 2022-06-13 | 2022-09-13 | 吉林大学 | 前后轴独立驱动电动汽车的能效最优换挡控制方法 |
CN115492928A (zh) * | 2022-08-29 | 2022-12-20 | 西华大学 | 一种经济性、动力性和安全性综合最优换挡规律优化方法 |
CN115539626A (zh) * | 2022-11-30 | 2022-12-30 | 中国重汽集团济南动力有限公司 | 变速器经济性挡位选择方法、装置、换挡推荐方法、*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082764A1 (en) * | 2000-12-26 | 2002-06-27 | Nissian Motor Co., Ltd. | Cruise control device for vehicle |
CN106828500A (zh) * | 2017-01-19 | 2017-06-13 | 西华大学 | 电动汽车有级自动变速器换挡规律优化方法 |
CN110550034A (zh) * | 2019-08-28 | 2019-12-10 | 河北师范大学 | 一种纯电动汽车两档amt综合换挡方法 |
-
2020
- 2020-12-02 CN CN202011400759.0A patent/CN112429005B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020082764A1 (en) * | 2000-12-26 | 2002-06-27 | Nissian Motor Co., Ltd. | Cruise control device for vehicle |
CN106828500A (zh) * | 2017-01-19 | 2017-06-13 | 西华大学 | 电动汽车有级自动变速器换挡规律优化方法 |
CN110550034A (zh) * | 2019-08-28 | 2019-12-10 | 河北师范大学 | 一种纯电动汽车两档amt综合换挡方法 |
Non-Patent Citations (2)
Title |
---|
李伟: "基于电机效率的电动汽车AMT换挡规律优化", 《中国优秀硕士学位论文全文数据库工程科技II辑 C035-68》 * |
胡东坡: "纯电动汽车两挡机械变速器效率分析及考虑工况和变速器效率的换挡策略", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑 C035-87》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113339497A (zh) * | 2021-06-28 | 2021-09-03 | 潍柴动力股份有限公司 | 自动变速箱的换挡规律的确定方法、相关装置及存储介质 |
CN113339499A (zh) * | 2021-07-04 | 2021-09-03 | 聊城大学 | 一种基于Q-Learning强化学习算法的智能换挡规律控制方法 |
CN115045997A (zh) * | 2022-06-13 | 2022-09-13 | 吉林大学 | 前后轴独立驱动电动汽车的能效最优换挡控制方法 |
CN114861332A (zh) * | 2022-07-05 | 2022-08-05 | 清华大学 | 双电机变速器电驱动***拓扑结构和参数分层优化方法 |
CN115492928A (zh) * | 2022-08-29 | 2022-12-20 | 西华大学 | 一种经济性、动力性和安全性综合最优换挡规律优化方法 |
CN115492928B (zh) * | 2022-08-29 | 2023-08-01 | 西华大学 | 一种经济性、动力性和安全性综合最优换挡规律优化方法 |
CN115539626A (zh) * | 2022-11-30 | 2022-12-30 | 中国重汽集团济南动力有限公司 | 变速器经济性挡位选择方法、装置、换挡推荐方法、*** |
CN115539626B (zh) * | 2022-11-30 | 2023-03-14 | 中国重汽集团济南动力有限公司 | 变速器经济性挡位选择方法、装置、换挡推荐方法、*** |
Also Published As
Publication number | Publication date |
---|---|
CN112429005B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112429005B (zh) | 考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用 | |
CN108087541B (zh) | 汽车有级自动变速器多性能综合最优挡位决策*** | |
CN110341690B (zh) | 一种基于确定性策略梯度学习的phev能量管理方法 | |
CN105035079B (zh) | 一种带发动机转矩观测器的同轴并联混合动力汽车动力切换协调控制方法 | |
US11958365B2 (en) | Method for dual-motor control on electric vehicle based on adaptive dynamic programming | |
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
CN110550034A (zh) | 一种纯电动汽车两档amt综合换挡方法 | |
CN111267831A (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
CN108333921B (zh) | 基于动态规划算法的汽车换挡规律优化方法 | |
CN108791270A (zh) | 一种混合动力车辆基于工况预测的动力部件工作点调控方法 | |
CN104696504B (zh) | 一种车辆换档控制方法及装置 | |
CN113525396B (zh) | 一种融合深度强化学习的混动汽车分层预测能量管理方法 | |
CN111923897B (zh) | 一种插电式混合动力汽车能量智能管理方法 | |
CN115492928B (zh) | 一种经济性、动力性和安全性综合最优换挡规律优化方法 | |
CN108819934A (zh) | 一种混合动力车辆的动力分配控制方法 | |
Zhao et al. | Torque coordinating robust control of shifting process for dry dual clutch transmission equipped in a hybrid car | |
CN106114492A (zh) | 新能源汽车自动变速器动力换挡控制***及控制方法 | |
WO2022257377A1 (zh) | 一种基于模糊神经网络的自动换挡控制方法 | |
CN109910863B (zh) | 一种基于插电式混合动力轿车专用变速器的控制方法 | |
Lin et al. | An online driver behavior adaptive shift strategy for two-speed AMT electric vehicle based on dynamic corrected factor | |
CN112009456A (zh) | 一种网联混合动力汽车能量管理方法 | |
Jeoung et al. | Automatic transmission shift strategy based on greedy algorithm using predicted velocity | |
CN113479187B (zh) | 一种插电式混合动力汽车分层异步长能量管理方法 | |
CN110469661B (zh) | 一种基于cvt效率的动力性速比优化方法及*** | |
CN110641470B (zh) | 一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |