CN113022558A - 混合动力***控制的方法 - Google Patents

Abstract

混合动力***控制的方法。本文提供了使用预定或实时传送的路线数据信息来优化混合动力***效率的方法。例如，提供了用于车辆的一个或多个电池组内的能量回收的方法。在其它实施方式中，提供了自动实现车辆的空挡模式的方法。在进一步实施方式中，提供了在必要时对电池组的充电状态进行预加载的方法。

Description

混合动力***控制的方法

技术领域

本公开涉及混合动力内燃机动力(power)单元与电气化动力单元的优化。具体而言，本公开涉及在混合动力单元中的预测性道路测绘与能量回收的使用。

背景技术

车辆的电气化是节省燃料成本并提供“更清洁的”行驶及其它益处的普遍方式。许多电气化车辆并不是纯电动的，而是包括利用电气***或电池组以及内燃机动力的混合动力***。由于商用车辆的重负荷以及大多数商用车辆行驶的距离长，所以将电气化应用于商用车辆证明是更加困难的。例如，电池电量、车辆的重量以及为此类车辆提供供电的电动机相比于轿车的电气化具有更大的挑战。因此，混合动力***继续在商用车辆的电气化中起至关重要的作用。

期望大型商用车辆的混合动力***的优化。例如，以有效的方式对一个或多个电池组内的能量进行回收可以节省燃料消耗、节省电池成本并降低制动器硬件成本。另外，在必要时对电池组的充电状态进行预加载可以提高运输效率并减少行程时间。此类应用也可以提供给轿车和其它车辆。

发明内容

本文提供了使用预定或实时传送的路线数据信息来优化混合动力***效率的方法。例如，提供了用于车辆的一个或多个电池组内的能量回收的方法。在其它实施方式中，提供了自动实现车辆的空挡模式的方法。在进一步实施方式中，提供了在必要时对电池组的充电状态进行预加载的方法。

根据本公开的示例性实施方式，公开了一种估计制动事件的方法。该方法包括：向车辆的路线数据处理器提供与路线有关的信息；根据与路线有关的信息识别即将到来的上坡事件或即将到来的下坡事件；根据以下至少一项来估计在所述即将到来的上坡事件或所述即将到来的下坡事件期间所述车辆在任意给定时间的速度：所述车辆的当前速度、所述即将到来的上坡事件的坡度或所述即将到来的下坡事件的坡度、所述即将到来的上坡事件的长度或所述即将到来的下坡事件的长度、以及所述车辆的机器质量估计值；将所述估计的车辆速度与预定速度阈值进行比较；以及估计制动事件的发生。

可以使用智能滑行管理处理器来执行该方法。预定速度阈值可以是强行施加的路线速度限制。预定速度阈值可以是车辆的巡航控制器上设定的速度。当估计的车辆速度低于预定速度阈值时，可能不会发生制动事件。该方法可以进一步包括：向车辆的变速器控制单元发出将车辆转换到空挡模式的命令。当估计的车辆速度高于预定速度阈值时，制动事件可以被估计为通过车辆的发动机制动器执行。当估计的车辆速度高于预定速度阈值时，制动事件可以被估计通过车辆的车轮制动器执行。该方法可以进一步包括：在实际发生制动事件之前，进行车辆的至少一个电池组的能量回收，以便增加至少一个电池组的充电状态。该方法可以进一步包括：在制动事件的估计发生之前，接合车辆的发动机制动器。给至少一个电池组充电的步骤可以在地形事件发生之前开始。与路线有关的信息可以由全球定位***提供给路线数据处理器。

根据本公开的另一示例性实施方式，公开了一种管理车辆速度的方法。该方法包括：向车辆的路线数据处理器提供与路线有关的信息；识别预定速度阈值；根据与路线有关的信息识别即将到来的地形事件；根据以下至少一项来估计在即将到来的地形事件期间车辆在任意给定时间的速度：车辆的当前速度、即将到来的地形事件的坡度、即将到来的地形事件的长度以及车辆的机器质量估计值；将估计的车辆速度与预定速度阈值进行比较；以及通过回收能量给车辆的至少一个电池组充电，从而降低车辆的速度。

给至少一个电池组充电的步骤可以在地形事件发生之前开始。与路线有关的信息可以由全球定位***提供给路线数据处理器。与路线有关的信息可以由控制器提供给路线数据处理器。地形事件可能是上坡事件。可以通过使用车辆巡航控制器设定期望的速度值来确定预定速度阈值。该方法可以进一步包括：识别上坡事件的驾驶性状态。该方法可以进一步包括：将至少一个电池组的充电状态与充电状态值的预定阈值进行比较。估计速度可以小于预定速度阈值。该方法可以进一步包括：确定车辆是处于节能模式、动力模式还是平衡模式。当车辆处于平衡模式时，估计速度可以小于预定速度阈值与至少一个电池组的校准值之间的差。地形事件可能是下坡事件。该方法可以进一步包括：当估计的车辆速度大于预定速度阈值时，使用预测性巡航控制处理器将车辆的速度降低预定量至第二速度。该方法可以进一步包括：将第二速度与预定速度阈值进行比较，其中，给车辆的至少一个电池组充电将车辆的第二速度降低至车辆的第三速度。该方法可以进一步包括：接合车辆的发动机制动器以降低车辆的速度。给至少一个电池组充电的步骤可以在地形事件期间发生。

根据本公开的又一实施方式，公开了一种管理车辆速度的方法。该方法包括：向车辆的路线数据处理器提供与路线有关的信息；识别预定速度阈值；根据与路线有关的信息识别即将到来的下坡事件；根据以下至少一项来估计在即将到来的下坡事件期间车辆在任意给定时间的速度：车辆的当前速度、即将到来的下坡事件的坡度、即将到来的下坡事件的长度以及车辆的机器质量估计值；将估计的车辆速度与预定速度阈值进行比较；以及选择性地向车辆的变速器控制单元发出使车辆进入空挡模式的空挡命令，其中，估计的车辆速度小于预定速度阈值。

与路线有关的信息可以由全球定位***提供给路线数据处理器。与路线有关的信息可以由控制器提供给路线数据处理器。可以在下坡事件期间发出空挡命令。

在考虑到以下例示了目前所知的本公开的示例性实施方式的详细描述之后，本公开的其它特征和优点对于本领域技术人员将变得显而易见。

附图说明

通过结合附图参考对示例性实施方式的以下描述，本公开的上述及其它特征和优点、以及获得这些特征和优点的方式将变得更加明显且更好理解，其中：

图1是示出本公开的第一示例性方法和本公开的第二示例性方法的流程图，第一示例性方法用于在下坡事件期间利用本公开的智能滑行管理处理器来控制车辆速度和混合动力***内的能量回收，第二示例性方法用于在下坡事件期间利用本公开的预测性巡航控制处理器来控制车辆速度；

图2是图1的第一示例性方法的图示，其中，在下坡事件期间使用空挡模式来控制车辆速度；

图3是图1的第一示例性方法或图1的第二示例性方法的图示，其中，通过接合车辆的发动机制动器、通过能量的回收、或者通过利用本公开的预测性巡航控制处理器来使车辆减速；

图4是图1的第一示例性方法或图1的第二示例性方法的图示，其中，在下坡事件开始之前，最初通过接合车辆的发动机制动器、通过能量的回收、或者通过利用本公开的预测性巡航控制处理器来使车辆减速；

图5是示出本公开的示例性方法的流程图，该示例性方法用于在上坡事件开始之前对具有混合动力***的车辆的一个或多个电池组进行预加载；

图6是图5的示例性方法的图示，其中，在上坡事件开始之前，对车辆的一个或多个电池组进行预加载；

图7是利用预测性能量回收的车辆与利用制动能量回收的车辆之间的车辆操作的若干方面的差异的比较图示；

图8A是利用制动能量回收的车辆的图示，并且具体地是车辆在下坡事件期间充电、制动和发动机驱动(motoring)所花费的相对时间量的图示；

图8B是利用预测性能量回收的车辆的图示，并且具体地是车辆在下坡事件期间充电、制动和发动机驱动所花费的相对时间量的图示；

图9是使用预测性能量回收的车辆的充电状态与使用制动能量回收的车辆的充电状态相比的比较图示；以及

图10是在使用预测性能量回收的车辆与使用制动能量回收的车辆之间的燃料消耗改善的比较图示。

在若干视图中，对应附图标记表示对应部分。尽管附图示出根据本公开的各种特征和组件的实施方式，但是附图不必须按比例绘制，并且某些特征可能被放大以便更好地说明和解释本公开。本文阐述的示例说明了本发明的实施方式，并且该示例不应以任何方式诠释为限制本发明的范围。

具体实施方式

现在参考下面描述的在附图中示出的实施方式，以促进对本公开的原理的理解。本文公开的示例性实施方式并非旨在是详尽的或将本公开限制为以下详细描述中公开的确切形式。而是选择并描述了这些示例性实施方式，使得本领域的其它技术人员可以利用这些示例性实施方式的教导。

在针对短途驾驶和长途驾驶的车辆的操作期间，普遍使用全球定位***(“GPS”)。在许多车辆中，已将GPS处理器集成到车辆操作***中。GPS可以根据使用者或驾驶员输入的路线帮助预测即将到来的道路状况。例如，使用者或驾驶员可以输入开始位置和结束位置，并允许GPS自动填充最适合使用者需求的路线，和/或为使用者或驾驶员提供多个可选路线。例如，使用者可以在最快路线、最短路线、由主要高速公路组成的路线、没有主要高速公路的路线、包括收费公路的路线、不包括收费公路的路线等之间进行选择。在一些实施方式中，GPS可以无需使用者或驾驶员手动输入即可检测车辆的位置。使用者或驾驶员可以利用具有或不具有预定路线的GPS帮助预测即将到来的道路状况。道路状况可以包括但不限于上坡事件、下坡事件、曲线事件、转弯事件、交通事件(包括事故、失速车辆、应急车辆等)、以及拥堵交通或不拥堵交通的存在。此类操作可以包括预测性道路测绘。车辆***可以利用预测性道路测绘来优化车辆的操作效率。在本文中进一步公开这样的方法。在其它实施方式中，可以利用路线参数管理器框，该路线参数管理器框将地图数据与GPS传感器集成在一起。

而且，许多商用车辆由于行驶相同路线或环线而经常重复地循环驾驶，有时一天重复若干次。这样的商用车辆可以包括运输车辆和配送车辆。例如，运输公交车可以具有固定驾驶循环(该驾驶循环包括确切路线或重复以形成路线的确切环线)以及由负责的交通部门发布的时间表设定的停车时间。因此，可以通过将这些路线特征与已知路线识别参考(例如特定路线编号)相关联来定义无数驾驶循环的路线特征或统计数据。路线识别参考可用于参考信息，诸如路线的单个环线的距离、每天或其它时间单位的路线的环线数量、每个环线中电池增压充电的机会的数量、每个环线中的计划停靠点的数量、到停靠点以及停靠点之间的距离、车辆完成单个环线所需的标称总能量、高度(elevation)范围、路线表面等级、路线表面类型、最大速度限制、最小速度限制、最大路线出行时间、交通状况和其它统计数据。

对于混合动力车辆***，可以将这些路线特征中的许多路线特征提供给混合动力控制器并存储在该混合动力控制器中。利用相对最小计算机内存负担，可以将诸如此类的路线特征统计数据预先编程到混合动力控制器中，以便使调整本文中进一步识别和讨论的决策所需的所有操作都是例如通过操作员界面或经由控制器来输入当前路线识别参考。关于路线特征和路线识别的存储的更多信息可以在2017年11月15日提交的Books等人的题为“HYBRID VEHICLE DRIVE CYCLE OPTIMIZATION BASED ON ROUTE IDENTIFICATION(基于路线识别的混合动力车辆驾驶循环优化)”的美国专利申请公开文本No.2018/0134275A1中找到，其公开内容通过引用被整体并入本文。

如图1所示，示出了使用智能滑行管理来确定针对即将到来的下坡事件的车辆操作的方法100。对于即将到来的下坡事件，GPS处理器102和/或控制器104将与车辆路线有关的信息传送到车辆的路线数据处理器106，该路线数据处理器106基于从GPS处理器102和/或控制器104接收的信息来识别即将到来的下坡事件114。路线数据处理器106进一步经由从GPS处理器102和/或控制器104接收的信息来识别路线的速度限制126，以确保如本文进一步所述的车辆的平顺性(compliance)。

另外，在车辆的操作期间，计算机器质量估计值108或车辆质量以确定操作中的车辆的车辆总重110。车辆总重可能包括车辆底盘、车身、车辆发动机、车辆发动机防冻液、车辆燃料、车辆配件、车辆驾驶员、车辆的其它零件以及车辆承载的任何货物(包括但不限于物品、设备、乘客或任何附加到车辆或由车辆支撑的事物)的重量。车辆中还包括内部制动器或发动机制动器112。

路线数据处理器106向智能滑行管理处理器116传送与即将到来的下坡事件114和路线的速度限制126有关的信息。在一个实施方式中，速度限制126可以是由本地、州、地区或联邦法律强制实行的速度限制。在另一个实施方式中，速度限制126也可以是针对行驶安全或任何其它目标设定的预定限制。由路线数据处理器106传送的关于即将到来的下坡事件114的其它信息可以包括路线坡度、坡道事件长度或与下坡事件114有关的任何其它信息。智能滑行管理处理器116还接收根据机器质量估计值108计算的车辆的车辆总重110、与发动机制动器112的效率有关的数据、和/或由于使用发动机制动器112而导致的任何潜在车辆速度变化速率。在进行智能滑行管理时，处理器116被配置为根据从路线数据处理器106、机器质量估计值108和发动机制动器112中的每个接收的信息完成处理，以确定车辆在下坡事件114期间进入空挡滑行模式、发动机制动模式、或车轮制动模式以达到期望速度的需求。

仍参考图1的方法100，智能滑行管理处理器116可以实施车辆速度模型以估计整个下坡事件114中的车辆速度。例如，智能滑行管理处理器116可以使用由车辆的当前速度、路线坡度、重力、车辆质量和发动机驱动(即，当下坡运动受重力控制但发动机仍在操作时由发动机产生的摩擦)组成的计算，来计算在即将到来的下坡事件114期间车辆在任意给定时间的估计速度。将该估计速度传送到框138，以与智能滑行管理预测控制器一起使用，如本文中进一步讨论的那样。

车辆的使用者或驾驶员可以选择是否实施智能滑行管理。例如，如图1所示，智能滑行管理处理器116与变速器控制单元128通信，使得变速器控制单元128可以在从智能滑行管理处理器116接收到空挡命令130时将车辆转换到空挡模式。在实施空挡命令130之前，智能滑行管理处理器116确定是否需要空挡模式。如果空挡模式为零，如框132所示，则车辆的使用者或驾驶员已经禁用了空挡模式，并且方法100在框122处结束。如果在框132处没有禁用空挡模式，即，如果空挡模式不等于零，则智能滑行管理处理器116在框136处确定智能滑行管理预测控制器的模式。例如，如果未估计出超速事件，则方法100在框122处结束。

如果估计出超速事件，则在框138处使用车辆速度模型，以在框134处将车辆在下坡事件114期间的估计速度与由路线数据处理器106传送的速度限制126进行比较，以确定车辆在下坡事件114期间的估计速度是否将超过速度限制126。如果估计速度小于速度限制，则智能滑行管理处理器116向变速器控制单元128发出空挡命令130。变速器控制单元128将车辆转换到空挡模式，并且方法100在框124处结束。如果估计速度大于或等于速度限制126，则在框144处启用能量回收，以对车辆内的一个或多个电池组进行充电，如框146所示，这也会开始使车辆减速。在动力回收开始之后，智能滑行管理处理器可以根据车辆的速度执行附加车辆速度估计和比较。如果执行了新的估计并且新的估计速度大于或等于速度限制126，则智能滑行管理处理器116还接合发动机制动器112以在框140处将车辆速度降低预定量(例如，约1km/h、约3km/h、约5km/h或其它量)。如果未执行新估计，则智能滑行管理处理器116还接合发动机制动器112以在框140处使车辆速度降低预定量，相应地在框144处启用能量回收。

然后，智能滑行管理处理器116可以根据降低的车辆速度来计算车辆的另一估计速度。然后在框142处将新的估计车辆速度与速度限制126进行比较。如果新的估计车辆速度仍然高于速度限制126，则在框144处继续能量回收，并且预期由使用者或驾驶员发起的车轮制动事件以使车辆在下坡事件114期间减速。如果新的估计的车辆速度小于速度限制126，则方法100在框150处结束。能量回收可以继续或可以不继续。

仍然参考图1，还公开了一种使用预测性巡航控制器来确定针对即将到来的下坡事件的车辆操作的方法200。与方法100相似，GPS处理器102和/或控制器104向车辆的路线数据处理器106传送与车辆路线有关的信息，路线数据处理器106基于从GPS处理器102和/或控制器104接收的信息来识别路线的地形事件。路线数据处理器106还经由从GPS处理器102和/或控制器104接收的信息来识别路线的速度限制126，以确保车辆的平顺性。另外，如上所述，在车辆的操作期间，计算机器质量估计值108以确定操作中的车辆的车辆总重110。

路线数据处理器106向预测性巡航控制处理器118传送与路线的即将到来的地形事件和路线的速度限制126有关的信息，这与上述方法100中的向智能滑行管理处理器116的传送类似。由路线数据处理器106传送的关于即将到来的地形事件的信息可以包括对基本平坦的地形、坡前事件、上坡事件、下坡前事件或下坡事件的识别。进一步传送的信息可以包括路线坡度、坡道事件长度或任何其它信息。预测性巡航控制处理器118还接收根据机器质量估计值108计算的车辆的车辆总重110。预测性巡航控制处理器118还从车辆的巡航控制器148接收车辆的当前设定速度。

预测性巡航控制处理器118被配置为根据预测性巡航控制的五个不同模式进行操作。当车辆沿着基本平坦的地形操作时，预测性巡航控制处理器118处于模式A配置。当车辆处于上坡前位置时，例如，当路线数据处理器106识别出车辆路线上接近的上坡事件时，预测性巡航控制处理器118处于模式B配置。当车辆处于上坡事件位置时，预测性巡航控制处理器118处于模式C配置。当车辆处于下坡前位置时，例如，当路线数据处理器106识别出车辆路线上接近的下坡事件时，预测性巡航控制处理器118处于模式D配置。当车辆处于下坡事件位置时，预测性巡航控制处理器118处于模式E配置。

参考图1的方法200，如上所述，当路线数据处理器106识别出即将到来的下坡事件时，预测性巡航控制处理器118进入模式D配置，如框127所示。在模式D配置中，预测性巡航控制处理器118可以实施车辆速度模型，以估计整个下坡事件114中的车辆速度，如框129所示。例如，预测性巡航控制处理器118可以使用由巡航控制器148设定的速度、路线坡度、重力、车辆质量和发动机驱动(即，当下坡运动由重力控制但发动机仍在运转时由发动机产生的摩擦)组成的计算，来计算在即将到来的下坡事件114期间车辆在任意给定时间的估计速度。

然后，在框131处，预测性巡航控制处理器118将车辆在下坡事件114期间的估计速度与路线数据处理器106传送的速度限制126进行比较，以确定车辆在下坡事件114期间的估计速度是否将超过速度限制126。如果车辆在下坡事件114期间的估计速度将超过速度限制126，则在框140处，预测性巡航控制处理器118将巡航控制器148的设定速度改变预定量(例如，约1km/h、约3km/h、约5km/h或其它量)。然后，预测性巡航控制处理器118可以根据降低的车辆速度来计算车辆的新的估计速度。然后在框142处，将新的估计车辆速度再次与速度限制126进行比较。如果新的估计车辆速度仍然高于速度限制126，则在框144处启用能量回收以对车辆内的一个或多个电池组充电，如框146所示，并且还在预期到由使用者或驾驶员发起的发动机制动事件或车轮制动事件时使车辆减速，从而在下坡事件114期间使车辆减速。如果估计的车辆速度小于速度限制126，则方法200在框150处结束。

现在参考图2至图4，示出了方法100和方法200中描述的能量回收的预测性控制。具体参考图2，由地形轮廓225示出了示例性下坡事件。卫星***或GPS 227与车辆231的控制器229通信，描述即将到来的下坡事件。在一个实施方式中，控制器229可以经由与GPS处理器102(图1)类似的GPS处理器来接收GPS信息。在另一实施方式中，控制器229可以包括GPS处理器。在又一实施方式中，控制器229可以在不使用GPS 227的情况下从存储器识别即将到来的下坡事件。线233示出了接合车辆231的发动机制动器的预定速度和/或车辆231的速度限制126(图1)。线235示出了当车辆231沿着地形轮廓225挂挡滑行时的车辆231的速度。线237示出了当车辆231在空挡模式下沿着地形轮廓225滑行时的车辆231的速度。

例如，仍然参考图2，根据方法100(图1)，路线数据处理器106(图1)识别由地形轮廓225所示的即将到来的下坡事件并将向智能滑行管理处理器116(图1)传送该下坡事件。如果智能滑行管理处理器116(图1)是工作的并且空挡模式被启用，则智能滑行管理处理器116(图1)可以确定车辆231将不会以高于由233所示的速度限制126(图1)的速度行驶，并且通过向变速器控制单元128(图1)发送空挡命令130(图1)使车辆231进入空挡模式。通过将线233与线235进行比较可以看出，在处于空挡滑行模式时，车辆231在没有达到或超过速度限制233的情况下完成地形轮廓225。

现在参考图3，示出了与下坡事件相关联的另一示例性地形轮廓250。如以上关于图2所描述的，卫星***或GPS 227与车辆231的控制器229通信，描述即将到来的下坡事件。在一个实施方式中，控制器229可以经由与GPS处理器102(图1)类似的GPS处理器来接收GPS信息。在另一实施方式中，控制器229可以包括GPS处理器。在又一实施方式中，控制器229可以在不使用GPS 227的情况下从存储器识别即将到来的下坡事件。线252示出了车辆231的发动机制动器被接合的预定速度和/或车辆231的速度限制126(图1)。线254示出了当车辆231沿着地形轮廓250挂挡滑行而不进行预测性能量回收时车辆231的速度。线256示出了当车辆231沿着地形轮廓250挂挡滑行并进行预测性能量回收时车辆231的速度。

例如，仍然参考图3，根据方法100(图1)，路线数据处理器106(图1)识别由地形轮廓250示出的即将到来的下坡事件并向智能滑行管理处理器116(图1)传送该下坡事件。如果智能滑行管理处理器116(图1)是工作的并且接合智能滑行管理预测控制器134(图1)，则智能滑行管理处理器116(图1)可以确定车辆231将达到比线252所示的发动机制动器限制速度更高的速度。智能滑行管理处理器116(图1)还可以确定与地形的坡度相结合的发动机制动器的速率仅要求在车辆达到这样的速度时启动发动机制动器。在这种情况下，智能滑行管理处理器116(图1)在发动机制动器限制线252处启用能量回收以使车辆231减速，并且相应地接合发动机制动器112(图1)以进一步使车辆减速。通过将线256与线252进行比较可见，车辆231在处于能量回收模式时，在未达到或超过速度限制252的情况下完成地形轮廓250。

根据方法200(图1)，路线数据处理器106(图1)可以向预测性巡航控制处理器118(图1)传送由地形轮廓250所示的即将到来的下坡事件。如果巡航控制器148(图1)保持当前设定，则预测性巡航控制处理器118(图1)可以确定车辆231将达到比线252所示的发动机制动器限制速度更高的速度。在这种情况下，预测性巡航控制处理器118(图1)可以改变车辆231的巡航控制器设定，以在下坡事件期间使车辆减速以防止超速，同时还启用能量回收模式。

现在参考图4，示出了与下坡事件相关联的另一示例性地形轮廓275。如以上关于图2至图3所述，卫星***或GPS 227与车辆231的控制器229通信，描述即将到来的下坡事件。在一个实施方式中，控制器229可以经由与GPS处理器102(图1)类似的GPS处理器来接收GPS信息。在另一实施方式中，控制器229可以包括GPS处理器。在又一实施方式中，控制器229可以在不使用GPS 227的情况下从存储器中识别即将到来的下坡事件。线277示出了车辆231的发动机制动器被接合的预定速度和/或车辆231的速度限制126(图1)。线279示出了车辆231的车轮制动器限制，或者预测驾驶员接合车轮制动器以成功地完成下坡事件时的速度。线281示出了当车辆231沿着地形轮廓275挂挡滑行而不进行预测性能量回收时的车辆231的速度。线283示出了当车辆231沿着地形轮廓275挂挡滑行并进行预测性能量回收时的车辆231的速度。

例如，仍然参考图4，根据方法100(图1)，路线数据处理器106(图1)识别由地形轮廓275所示的即将到来的下坡事件并向智能滑行管理处理器116(图1)传送该下坡事件。如果智能滑行管理处理器116(图1)是工作的并且接合智能滑行管理预测控制器134(图1)，则智能滑行管理处理器可以确定车辆231将达到比线277所示的发动机制动器限制速度更高的速度。智能滑行管理处理器116(图1)还可以确定与地形的坡度相结合的发动机制动器的速率要求早期发动机制动事件，并在发动机制动器限制线252处启用能量回收以在下坡事件开始之前使车辆231减速，并且对应地接合发动机制动器112(图1)以进一步使车辆减速。通过将线281与线283进行比较可以看出，车辆231在处于能量回收模式时，在不达到或超过速度限制277的情况下完成地形轮廓275；在没有预测性控制或早期回收模式的情况下，驾驶员或使用者将必须接合车轮制动器以成功完成下坡事件(如线281所示)，同时仍然忽视(bypass)速度限制277。

根据方法200(图1)，路线数据处理器106(图1)还可以向预测性巡航控制处理器118(图1)传送由地形轮廓275所示的即将到来的下坡事件。如果巡航控制器148(图1)保持当前设定，则预测性巡航控制处理器118(图1)可以确定车辆231将达到比由线277所示的发动机制动器限制速度更高的速度。在这种情况下，预测性巡航控制处理器118(图1)可以改变车辆231的巡航控制器设定，以在下坡事件发生之前使车辆减速从而防止超速，同时还启用能量回收模式。

现在参考图5，公开了一种使用预测性巡航控制器确定针对即将到来的上坡事件的车辆操作的方法500。类似于上述讨论的图1的方法200，GPS处理器502和/或控制器504向车辆的路线数据处理器50传送与车辆路线有关的信息，路线数据处理器506识别路线的地形事件558并向预测性巡航控制处理器518传送路线信息。另外，在车辆的操作期间，计算机器质量估计值508以确定操作中的车辆的车辆总重510，并且向预测性巡航控制处理器518传送机器质量估计值508。预测性巡航控制处理器518还从车辆的巡航控制器548接收车辆的当前设定速度。

可以在上面关于图1的方法100和方法200的讨论中找到与车辆的GPS处理器502、控制器504、预测性巡航控制器518、机器质量估计值508、车辆总重510和速度限制526有关的更多信息。即，GPS处理器102(图1)、控制器104(图1)、预测性巡航控制器118(图1)、机器质量估计值108(图1)、车辆总重110(图1)和速度限制126(图1)包括与本文讨论的车辆的GPS处理器502、控制器504、预测性巡航控制器518、机器质量估计值508、车辆总重510和速度限制526相同的功能和特征。

当路线数据处理器506识别出即将到来的坡道事件558时，在框552处，预测性巡航控制处理器518识别其当前模式配置。如果预测性巡航控制处理器518处于模式A，即，如果车辆沿着大致平坦的地形行驶，则预测性巡航控制处理器移动到框554。如果预测性巡航控制处理器518不处于模式A，则方法500在框556处结束。在框554处，预测性巡航控制处理器518使用路线数据处理器506所识别的信息来确定预测性巡航控制处理器518是否将进入模式B，即，车辆是否正在进入上坡前范围。如果预测性巡航控制处理器518将不进入模式B，那么方法500在框556处结束。如果预测性巡航控制处理器518将在上坡前事件期间进入模式B，则将由预测性巡航控制处理器518分析即将到来的上坡事件558的驾驶性(drivability)。

预测性巡航控制处理器518可以使用由巡航控制器548设定的速度、路线坡度、重力、车辆质量以及其它因素组成的计算，来计算在即将到来的上坡事件558期间车辆在任意给定时间的估计速度。然后，预测性巡航控制处理器518确定车辆是否能够在整个上坡事件558中维持巡航控制器548设定的速度，而无需附加动力。如果车辆在上坡事件558期间的估计速度低，即，如果车辆在上坡事件558期间的估计速度低于巡航控制器548设定的速度，则在框560处，预测性巡航控制处理器118识别出：对于即将到来的上坡事件558，车辆驾驶性状态为低。

在框562处，将车辆的电池组的充电状态与阈值或预定值进行比较。如果电池组的充电状态等于或大于该阈值，则方法500在框556处结束。如果电池组的充电状态小于阈值，则在框564处，预测性巡航控制处理器518确定驾驶员选择的车辆状态。例如，车辆的使用者或驾驶员可以在节能模式状态566、平衡模式状态568和动力模式状态570之间选择性地进行选择。如果车辆的使用者或驾驶员已经将车辆置于节能模式状态566，则方法500在框572处结束。如果车辆的使用者或驾驶员已经将车辆置于平衡模式状态568或动力模式状态570下，则在框573处，预测性巡航控制处理器518启用估计的车辆速度，以确定预加载回收事件是否应该发生。

例如，如果车辆的使用者或驾驶员已经将车辆置于动力模式状态570，则在框582处，预测性巡航控制处理器518将车辆在整个上坡事件558中的估计速度与巡航控制器548设定的速度进行比较。如果估计速度小于巡航控制器548设定的速度，则在框576处启用能量回收，以在框578处对车辆的电池组进行预加载或预充电。如果估计速度等于或大于由巡航控制器548设定的速度，则方法500在框577处结束。如果车辆的使用者或驾驶员已将车辆置于平衡模式状态568，则在框580处，预测性巡航控制处理器518将车辆在整个上坡事件558中的估计速度与巡航控制器548设定的速度进行比较，同时还考虑车辆的电池组的校准值。如果估计速度小于巡航控制器548设定的速度与电池组的校准值之间的差值，则在框576处启用能量回收，以在框578处对车辆的电池组进行预加载或预充电。如果估计速度等于或大于巡航控制器548设定的速度，则方法500在框575处结束。

现在参考图6，示出了针对上坡事件的方法500的预测性控制。由地形轮廓600示出了示例性的上坡事件。卫星***或GPS 602与车辆606的控制器604通信，描述即将到来的下坡事件。在一个实施方式中，控制器604可以经由与GPS处理器502(图5)类似的GPS处理器来接收GPS信息。在另一实施方式中，控制器604可以包括GPS处理器。在又一实施方式中，控制器604可以在不使用GPS 602的情况下从存储器识别即将到来的上坡事件。线608a示出了在不使用预充电控制的情况下车辆606在上坡事件600期间的速度。线608b示出了在使用预充电控制的情况下车辆606上坡事件600期间的速度。线610a示出了在不使用预充电控制的情况下车辆606的电池组在上坡事件606期间的充电状态。线610b示出了在使用预充电控制的情况下的车辆606的电池组的充电状态。线612a示出了在不使用预充电控制的情况下的车辆606的发动机功率。线612b示出了在使用预充电控制的情况下的车辆606的发动机功率。

例如，仍然参考图6，根据方法500(图5)，路线数据处理器506(图5)识别地形轮廓600所示的即将到来的上坡事件并向预测性巡航控制处理器518(图5)传送该上坡事件。如果预测性巡航控制处理器518(图5)确定对于即将到来的上坡事件600，车辆驾驶性状态为低并且电池组的充电状态低于阈值量，则预测性巡航控制处理器518(图5)确定要启用驾驶员选择的车辆606的哪一种状态。

在图6所示的一个实施方式中，已经选择了节能模式状态566(图5)，因此没有利用预充电控制。在其它实施方式中，由于驾驶员或使用者已选择了不启用预测性巡航控制，或者因为预测性巡航控制已失效或无法使用，所以车辆606可能不利用该功能。在此类实施方式中，车辆606在整个上坡事件600中根据线608a、610a和612a进行操作。

在图6所示的另一个实施方式中，已经选择了平衡模式状态568(图5)或动力模式状态570(图5)。在这样的实施方式中，预测性巡航控制处理器518(图5)在上坡事件600发生之前启用能量回收。如线610b所示，在上坡事件600发生之前增加电池组的充电状态，从而向车辆606提供潜在动力以顺利地完成上坡事件600而没有多个变速事件。此外，由线608a与线608b的比较所示，利用预充电控制使速度在整个上坡事件600中更为一致。

示例1

参照图7，示出了预测性能量回收和制动能量回收的比较。图表300示出了车辆在下坡事件期间的高度(elevation)，其中，x轴的位置4.4与位置5.2之间表示车辆的位置，并且y轴表示以米为单位的高度。线302表示根据车辆位置的车辆高度。图表310示出了由图表300中的高度表示的车辆在下坡事件期间的速度，其中，x轴的位置4.4与位置5.2之间表示车辆的位置，并且y轴表示以公里每小时(km/h)为单位的车辆的速度。线312表示根据车辆位置的车辆的实际速度。线314表示根据车辆位置的车辆的设定速度或优选速度。线316表示本文进一步详述的使用预测性能量回收的车辆的速度。图表320示出了由图表300中的高度表示的车辆在下坡事件期间的智能滑行管理模式，其中，x轴的位置4.4与位置5.2之间表示车辆的位置，并且y轴表示智能滑行管理***的四种模式。智能滑行管理***被配置为选择性地处于四种模式之一：即，关闭(“OFF”)、请求(“REQ”)、确认(“ACK”)和实现(“ACT”)。线322表示根据车辆位置的智能滑行管理***的模式。

仍参考图7，图表330示出了由图表300中的高度所示的车辆在下坡事件期间的电动发电机功率，其中，x轴的位置4.4与位置5.2之间表示车辆的位置，并且y轴表示以千瓦(“kw”)为单位的电动发电机功率。线332表示根据车辆位置的电动发电机功率。图表340示出了由图表300中的高度表示的车辆的电池组在下坡事件期间的充电状态，其中，x轴的位置4.4与位置5.2之间表示车辆的位置，y轴表示电池电量的百分率。线342表示根据车辆位置的电池组的充电状态。图表350示出了由图表300中的高度表示的车辆在下坡事件期间的制动事件，其中，x轴的位置4.4与位置5.2之间表示车辆的位置，y轴表示制动器接合事件。线352表示车轮制动器根据车辆位置的接合。线354表示发动机制动器根据车辆位置的接合。

图表300、310、320、330、340和350分别显示了在由图表300中的高度示出的下坡事件期间在不使用预测性能量回收的情况下在车辆内测量的高度、车辆速度、智能滑行管理***模式、电动发电机功率、电池组的充电状态和制动事件。在此类示例中，通过比较在图表340和图表350的4.6与位置4.7之间的车辆位置处的充电状态指示线342与发动机制动器线354可以看出，直到出现制动事件，才开始能量回收。然后，使用预测性能量回收来进行相同的测量，如本文进一步讨论的那样。

当车辆利用预测性能量回收时，通过以上关于图1讨论的方法100和方法200来估计制动事件。例如，智能滑行管理处理器116(图1)和/或预测性巡航控制处理器118(图1)估计在下坡事件期间的任何需要的制动事件，并相应地控制车辆操作，例如，在实际发生制动事件之前开始能量回收。图表335是图表330的复制，其中增加了线337，该线337表示由图表300的高度表示的下坡事件期间使用预测性能量回收的车辆的电动发电机功率。图表345是图表340的复制，其中增加了线347，该线347表示由图表300中的高度表示的下坡事件期间使用预测性能量回收的车辆的电池组的充电状态。图表355是图表350的复制，其中增加了线357和线359，该线357表示由图表300中的高度表示的下坡事件期间使用预测性能量回收的车辆的发动机制动事件，该线359表示在图表300中的高度表示的下坡事件期间使用预测性能量回收的车辆中的车轮制动事件或没有发生制动事件。

通过比较图表335中的线332和线337可以看出，相较于不使用预测性能量回收的车辆，贯穿几乎整个下坡事件，使用预测性能量回收的车辆的电动发电机使用更少的功率。类似地，比较图表345中的线342和线347，相较于不使用预测性能量回收的车辆，使用预测性能量回收的车辆中的电池组会更早开始回收能量。如图表345中的线347所示，在下坡事件结束时，使用预测性能量回收的车辆中的电池组的充电状态要高得多，从而允许该车辆在该车辆的使用过程中具有更高的潜在能量。

仍参考图7，特别是图表355，使用预测性能量回收的车辆不需要利用车轮制动器来成功地完成下坡事件，如通过比较线359和线352所示。例如，线352表示在不使用预测性能量回收的车辆处于位置4.6与位置5之间时发生的车轮制动事件；然而，贯穿对于使用预测性能量回收的车辆的整个下坡事件，线359始终保持在y轴0处。此外，通过将图表345与图表355进行比较所示，使用预测性能量回收的车辆在能量回收开始之前不需要等待制动事件发生。作为代替，预测性能量回收允许车辆在车辆位置4.6之前开始回收能量(线347)，尽管直到大约4.65才发生发动机制动事件(线357)。比较而言，在不利用预测性能量回收的车辆中，直到发生制动事件时才开始能量回收，如通过比较线342和线354所看到的那样。通过比较线357和线354，在使用预测性能量回收的车辆中进一步利用发动机制动器来将车辆维持在设定速度314(如图表310的线316所示)，而不是要求驾驶员或使用者接合车轮制动器。通过在发生任何制动事件之前开始能量回收，车辆在下坡事件期间会进一步减速，从而仅依靠发动机制动器就足以成功地完成下坡事件，因此不需要车轮制动器。

示例2

现在参考图8A至图10，示出了车辆的比较使用的进一步结果。对于图8A至图10中的每个，将不使用预测性能量回收的车辆完成下坡事件与使用预测性能量回收的车辆完成下坡事件进行比较。例如，图8A的图表400示出了车辆在能量回收模式402、制动模式404和发动机驱动模式406下所花费的相对时间量。图表400的车辆不利用预测性能量回收***，并且在下坡事件期间花费约79.13％的时间在能量回收模式402下、在下坡事件期间花费约11.11％的时间在制动模式404下、以及在下坡事件期间花费约9.76％的时间在发动机驱动模式406下。

相比之下，图8B的图表410示出了车辆在能量回收模式412、制动模式414和发动机驱动模式416下所花费的相对时间量。图表410的车辆利用预测性能量回收***，并且在下坡事件期间花费约80.45％的时间在能量回收模式412下、在下坡事件期间花费约10.07％的时间在制动模式下、以及在下坡事件期间花费约9.48％的时间在发动机驱动模式416下。通过比较图8A的图表400与图8B的图表410可以得出结论：在下坡事件期间，使用预测性能量回收的车辆花费更少的时间制动，并且花费更多的时间对车辆的电池组进行充电。

在图9中可以看到每种模式下所花费的相对时间之间的这种差异的影响。图9的图表420比较地示出了完成下坡事件的各个车辆的电池组的充电状态。y轴表示电池组的充电状态的水平，而x轴表示下坡事件期间车辆的位置。线422表示未利用预测性能量回收的车辆在车辆的任意给定位置处的电池组的充电状态。线424表示利用预测性能量回收的车辆的电池组在车辆的任意给定位置处的充电状态。将线422与线424进行比较可以看出，利用预测性能量回收的车辆比不利用预测性能量回收的车辆更早开始对车辆的电池组内的能量进行回收。结果是，利用预测性能量回收的车辆在更长时间段内保持在能量回收模式，从而使得在下坡事件期间电池组具有较高的充电状态。这允许车辆依靠电池组在较长时间段内提供动力，从而降低了燃料消耗。

图10示出了利用预测性能量回收的车辆与不利用预测性能量回收的车辆之间的比较燃料消耗。例如，在轻度混合动力48V***中，当不使用预测性能量回收时，车辆燃料消耗改善率约为4.59％，而当使用预测性能量回收时，车辆燃料消耗改善率约为4.91％。这样，与不使用预测性能量回收的轻度混合动力48V***相比，使用预测性能量回收的轻度混合动力48V***的燃料消耗有0.32％的改善。更强的混合动力汽车可能有更高的性能改善。

虽然已经将本发明描述为具有示例性设计，但是可以在本公开的精神和范围内对本发明进行进一步修改。因此，本申请旨在涵盖使用其一般原理的本发明的任何变型、用途或适应。此外，本申请旨在覆盖本发明所属领域中的已知或常规实践内的与本公开的偏离。

Claims (10)

1.一种估计制动事件的方法，所述方法包括以下步骤：

向车辆的路线数据处理器提供与路线有关的信息；

根据与所述路线有关的信息识别即将到来的上坡事件或即将到来的下坡事件；

根据以下至少一项来估计在所述即将到来的上坡事件或所述即将到来的下坡事件期间所述车辆在任意给定时间的速度：所述车辆的当前速度、所述即将到来的上坡事件的坡度或所述即将到来的下坡事件的坡度、所述即将到来的上坡事件的长度或所述即将到来的下坡事件的长度、以及所述车辆的机器质量估计值；

将估计的车辆速度与预定速度阈值进行比较；以及

估计制动事件的发生。

2.根据权利要求1所述的方法，其中，使用智能滑行管理处理器来执行所述方法。

3.根据权利要求1所述的方法，其中，所述预定速度阈值是强行施加的路线速度限制。

4.根据权利要求1所述的方法，其中，所述预定速度阈值是所述车辆的巡航控制器上设定的速度。

5.根据权利要求1所述的方法，其中，当所述估计的车辆速度低于所述预定速度阈值时，不发生所述制动事件。

6.根据权利要求5所述的方法，所述方法还包括以下步骤：向所述车辆的变速器控制单元发出将所述车辆转换到空挡模式的命令。

7.根据权利要求1所述的方法，其中，当所述估计的车辆速度高于所述预定速度阈值时，所述制动事件被估计为通过所述车辆的发动机制动器来执行。

8.根据权利要求1所述的方法，其中，当所述估计的车辆速度高于所述预定速度阈值时，所述制动事件被估计为通过所述车辆的车轮制动器来执行。

9.根据权利要求1所述的方法，所述方法还包括以下步骤：在实际发生所述制动事件之前，进行所述车辆的至少一个电池组的能量回收，以使所述至少一个电池组的充电状态增加。

10.根据权利要求1所述的方法，所述方法还包括：在制动事件的估计发生之前，接合所述车辆的发动机制动器。

Images