KR100384282B1 - Multimode driving control method for parallel type hybrid vehicle - Google Patents
Multimode driving control method for parallel type hybrid vehicle Download PDFInfo
- Publication number
- KR100384282B1 KR100384282B1 KR10-2000-0065284A KR20000065284A KR100384282B1 KR 100384282 B1 KR100384282 B1 KR 100384282B1 KR 20000065284 A KR20000065284 A KR 20000065284A KR 100384282 B1 KR100384282 B1 KR 100384282B1
- Authority
- KR
- South Korea
- Prior art keywords
- driving
- pattern
- predetermined
- driving pattern
- representative
- Prior art date
Links
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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/10—Conjoint control of vehicle sub-units of different type or different function including control of change-speed gearings
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
- B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2200/00—Type of vehicle
- B60Y2200/90—Vehicles comprising electric prime movers
- B60Y2200/92—Hybrid vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
본 발명은 병렬형 하이브리드 차량의 다중모드 주행제어방법에 관한 것으로, 미국의 FTP-75(Federal Test Procedure-75)모드와 같은 특정한 모드에서 고연비 저공해 특성을 향상시키도록 하는 방법이 주로 이용되었으나, 경사가 포함되는 실제 주행조건 및 다양한 주행모드에서는 성능을 보장할 수 없고, 또한 고연비, 저공해를 목적으로 하는 하이브리드 차량의 경우에 있어서는 기존 내연기관에 비해 주행모드 및 운전자의 습관에 대한 차량 성능의 민감도가 높아 제어방법이 부적절한 경우에는 연비 및 배기가스 결과가 내연기관에 비해 장점을 갖지 못하는 문제점이 발생할 수 있다. 따라서, 본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위하여 창안한 것으로, 소정의 주행패턴을 선정한 후 주행패턴 특성 파라미터를 이용하여 상기 주행패턴들을 신경회로망(Hamming Network)에 학습시키는 제1 단계와; 상기 제1 단계의 수행이 완료되면 각 주행패턴에서 연비 및 배기가스와 관련된 주행제어 파라미터를 소정의 가상실험을 통해 최적화시키는 제2 단계와; 상기 제1,2 단계를 통해 얻은 주행패턴과 각 주행패턴과 관련한 주행제어 파라미터를 저장하는 제3 단계와; 실제주행 중 센서를 통해 소정의 데이터(속도, 가속도 및 경사신호 등)를 일정간격으로 측정하여 저장하는 제4 단계와; 소정시간 간격으로 상기 제4 단계에서 저장한 데이터를 통계처리하여 주행패턴 특성 파라미터를 추출한 후, 신경회로망에 입력하여 상기 제1 단계에서 학습한 주행팬턴들 중 현재의 주행에 맞는 주행패턴을 선정하는 제5 단계와; 상기 제5 단계를 통해 선정한 주행패턴에 맞게주행제어 파라미터를 선택하여 차량의 주행을 제어하는 제6 단계로 이루어진 방법을 제공함으로써, 경사가 포함되는 실제 주행조건 및 다양한 주행모드에의 성능을 보장할 수 있으며, 또한 대표 주행패턴 중 3개의 도심 주행패턴을 임의로 조합하여 만든 패턴으로 연비 및 배기가스 시뮬레이션을 수행한 결과 다중 모드 주행제어를 사용하는 하이브리드 차량이 단일 모드 주행제어를 사용하는 하이브리드 차량에 비해 연비 및 배기가스 평가지표(JICV) 값이 32% 향상되었으며, 기존의 내연기관 차량에 비해서는 43% 향상되는 등의 효과가 있다.The present invention relates to a multi-mode driving control method of a parallel hybrid vehicle, the method for improving the high fuel economy low pollution characteristics in a particular mode, such as the Federal Test Procedure-75 (FTP-75) mode of the United States was mainly used, but the slope In the case of hybrid vehicles aimed at high fuel efficiency and low pollution, the sensitivity of vehicle performance to driving mode and driver's habits is higher than that of the existing internal combustion engine. If the control method is not high enough, the fuel economy and exhaust gas results may not have the advantage over the internal combustion engine. Accordingly, the present invention has been made to solve the problems of the prior art, the first step of selecting a predetermined driving pattern and learning the driving patterns in the Hamming Network using the driving pattern characteristic parameters Wow; A second step of optimizing the running control parameters related to fuel economy and exhaust gas in each driving pattern through a predetermined virtual experiment when the first step is completed; A third step of storing driving patterns obtained through the first and second steps and driving control parameters associated with each driving pattern; A fourth step of measuring and storing predetermined data (velocity, acceleration, tilt signal, etc.) at a predetermined interval through a sensor during actual driving; Statistically processing the data stored in the fourth step at predetermined time intervals, extracting the driving pattern characteristic parameter, and inputting it to a neural network to select a driving pattern suitable for the current driving among the driving pantones learned in the first step. A fifth step; By providing a method comprising a sixth step of controlling the driving of the vehicle by selecting the driving control parameters according to the driving pattern selected in the fifth step, to ensure the performance of the actual driving conditions including the slope and the various driving modes In addition, as a result of simulating fuel economy and exhaust gas with a pattern made by arbitrarily combining three urban driving patterns among representative driving patterns, a hybrid vehicle using multi-mode driving control is compared with a hybrid vehicle using single-mode driving control. The fuel efficiency and emissions assessment index (J ICV ) has been improved by 32%, compared with the existing internal combustion engine vehicles by 43%.
Description
본 발명은 병렬형 하이브리드 차량의 다중모드 주행제어방법에 관한 것으로, 특히 이중 동력 공급시스템을 이용하는 병렬형 하이브리드 차량의 고연비/저공해 특성을 극대화시키기 위해 주행패턴 인식 알고리즘을 사용하는 신경회로망(Hamming Network)을 이용하여 실시간으로 주행패턴을 인식한 후, 그에 따라 주행하는 패턴에 적합하도록 주행제어방법을 변환시키는 병렬형 하이브리드 차량의 다중모드 주행제어방법에 관한 것이다.BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a multi-mode driving control method for a parallel hybrid vehicle. In particular, a neural network using a driving pattern recognition algorithm for maximizing high fuel efficiency / low pollution characteristics of a parallel hybrid vehicle using a dual power supply system is provided. The present invention relates to a multi-mode driving control method of a parallel hybrid vehicle that recognizes a driving pattern in real time and converts the driving control method to be suitable for the driving pattern according to the driving pattern.
종래에 있어서 하이브리드 차량과 같은 이중 동력 공급시스템의 가장 큰 잇점은 두 동력원들 간의 동력분배에 대해 유연성(flexiblity)을 부여할 수 있다는 것으로서, 이러한 융통성은 목표 차량의 동력 전달계에 대하여 그 특성들을 최적화할 수 있도록 하였다.A major advantage of a dual power supply system, such as a hybrid vehicle in the past, is that it allows flexibility in power distribution between two power sources, which gives the flexibility to optimize the characteristics of the target vehicle's power train. To make it possible.
도 1은 종래 자동화 변속기 장착 병렬형 하이브리드 차량의 구조를 보인 예시도로서, 이에 도시한 바와 같이 동력원으로써 기존의 엔진과, 배터리로 구동되는 전동기를 동시에 사용하며, 변속 장치로는 공압을 이용한 자동화변속기를 적용하였다.1 is an exemplary view showing the structure of a conventional hybrid hybrid vehicle equipped with an automatic transmission, and as shown in FIG. 1, an existing engine and a battery-powered electric motor are simultaneously used as power sources, and an automatic transmission using pneumatic transmission is shown. Was applied.
하이브리드 동력전달계의 각 요소들과 연결되어 있는 하이브리드 전자제어기(Hybrid Electric Control Unit, 이하 'HECU'라 함)는 고성능 디지털신호처리기(DSP)칩을 사용하여 인버터 제어 이외에 자동화 변속기에 장착된 공압 솔레노이드 밸브와 엔진 부하량 제어기를 직접 제어하게 된다. 따라서 HECU는 궁극적으로 차량 주행상태와 운전자의 명령에 대하여 차량 전체를 최적의 성능과 효율을 나타나게끔 통합적으로 제어한다.The Hybrid Electric Control Unit (HECU), which is connected to each element of the hybrid power train, uses a high-performance digital signal processor (DSP) chip to control pneumatic solenoid valves mounted on an automatic transmission in addition to inverter control. And directly control the engine load controller. Therefore, the HECU ultimately controls the vehicle as a whole for optimal performance and efficiency with respect to driving conditions and driver commands.
대부분의 자동차 회사에서 제시하는 연비와 실제 주행 시의 연비가 많은 차이를 나타내는데, 이는 연료소비와 배기가스 배출량을 비롯한 차량성능이 주행모드 및 운전자의 운전습관에 따라 심한 편차를 내기 때문이다.The fuel economy suggested by most automakers differs greatly from the actual driving performance, because vehicle performance, including fuel consumption and exhaust emissions, varies greatly depending on driving mode and driver's driving habits.
그러므로, 각 주행모드에 적합한 제어방법의 수립이 필수적이다. 자동차 회사에서 주로 사용하는 미국의 FTP-75(Federal Test Procedure-75)모드와 같은 특정한 모드에서 고연비 저공해 특성을 향상시키고자 하는 방법은, 경사가 포함되는 실제 주행조건 및 다양한 주행모드에서는 성능을 보장할 수 없고, 또한 고연비, 저공해를 목적으로 하는 하이브리드 차량의 경우에 있어서는 기존 내연기관에 비해 주행모드 및 운전자의 습관에 대한 차량 성능의 민감도가 높아 제어방법이 부적절한 경우에는 연비 및 배기가스 결과가 내연기관에 비해 장점을 갖지 못하는 문제점이 발생할 수 있다.Therefore, it is essential to establish a control method suitable for each driving mode. In order to improve high fuel economy and low pollution in certain modes, such as the US-based Federal Test Procedure-75 (FTP-75) mode, which is commonly used by automobile companies, the performance is guaranteed under actual driving conditions including slopes and various driving modes. In the case of a hybrid vehicle for high fuel efficiency and low pollution, the vehicle performance is more sensitive to the driving mode and the driver's habits than the existing internal combustion engine, and the fuel consumption and exhaust gas results are low when the control method is inappropriate. Problems may arise that do not have advantages over organs.
따라서, 본 발명은 상기와 같은 종래 기술의 문제점을 해결하기 위하여 창안한 것으로, 주행환경에 대해 대표성을 갖는 주행패턴(예를 들어 도심 주행패턴, 지방도로 주행패턴 및 고속도로 주행패턴 등)을 선정하여 신경회로망에 학습시킨 후, 실시간으로 주행패턴을 인식하도록 하여 그에 따라 주행하는 패턴에 적합하도록 주행제어방법을 변환시키는 방법을 제공하는데 그 목적이 있다.Therefore, the present invention was devised to solve the above problems of the prior art, by selecting a driving pattern (for example, urban driving pattern, rural road driving pattern and highway driving pattern, etc.) having a representative driving environment. It is an object of the present invention to provide a method for recognizing a driving pattern in real time after learning to a neural network and converting the driving control method according to the driving pattern accordingly.
도 1은 종래 자동화 변속기 장착 병렬형 하이브리드 차량의 구조를 보인 예시도.Figure 1 is an exemplary view showing a structure of a conventional hybrid hybrid vehicle equipped with an automatic transmission.
도 2는 본 발명의 동작 흐름을 보인 예시도.2 is an exemplary view showing an operation flow of the present invention.
도 3은 본 발명에 적용되는 6개의 대표 주행패턴을 보인 예시도.3 is an exemplary view showing six representative driving patterns applied to the present invention.
도 4는 본 발명에 적용되는 주행패턴 특성 파라미터의 정의를 나타내는 표.4 is a table showing the definition of a driving pattern characteristic parameter applied to the present invention.
도 5는 본 발명에 적용되는 6개의 대표 주행패턴의 특성을, 주요한 주행패턴 특성 파라미터의 상대적인 값으로 표현한 예시도.FIG. 5 is an exemplary diagram in which the characteristics of six representative driving patterns applied to the present invention are expressed by relative values of main driving pattern characteristic parameters. FIG.
도 6은 본 발명에 적용되는 6개의 대표 주행패턴을, 24개의 주행패턴 특성 파라미터의 일실시예로 보인 표.6 is a table showing six representative driving patterns applied to the present invention as one embodiment of 24 driving pattern characteristic parameters.
도 7은 본 발명에서 주행패턴을 인식하기 위해 사용되는 신경회로망의 구조도.7 is a structural diagram of a neural network used to recognize a driving pattern in the present invention.
도 8은 본 발명에서 6개의 대표 주행패턴의 통계분석에 의한 백터변환 기준을 보인 예시도.8 is an exemplary view showing a vector conversion criteria by statistical analysis of six representative driving patterns in the present invention.
도 9는 본 발명에서 SOC 제어방법을 보인 예시도.9 is an exemplary view showing a SOC control method in the present invention.
도 10은 본 발명에서 6개의 대표 주행패턴의 시뮬레이션을 통해 추출한 최적주행제어 파라미터를 보인 표.10 is a table showing the optimum driving control parameters extracted through the simulation of the six representative driving patterns in the present invention.
도 11은 본 발명에 적용되는 대표 주행패턴 중 3개의 도심 주행패턴을 임의로 조합하여 만든 패턴을 보인 예시도.11 is an exemplary view showing a pattern made by arbitrarily combining three urban driving patterns of the representative driving pattern applied to the present invention.
도 12는 도 9에서 연비 및 배기가스 시뮬레이션 결과를 보인 표.12 is a table showing the fuel consumption and exhaust gas simulation results in FIG.
이와 같은 목적을 달성하기 위한 본 발명 병렬형 하이브리드 차량의 다중모드 주행제어방법은, 소정의 주행패턴을 선정한 후 주행패턴 특성 파라미터를 이용하여 상기 주행패턴들을 신경회로망(Hamming Network)에 학습시키는 제1 단계와; 상기 제1 단계의 수행이 완료되면 각 주행패턴에서 연비 및 배기가스와 관련된 주행제어 파라미터를 소정의 가상실험을 통해 최적화시키는 제2 단계와; 상기 제1,2 단계를 통해 얻은 주행패턴과 각 주행패턴과 관련한 주행제어 파라미터를 저장하는 제3 단계와; 실제주행 중 센서를 통해 소정의 데이터(속도, 가속도 및 경사신호 등)를 일정간격으로 측정하여 저장하는 제4 단계와; 소정시간 간격으로 상기 제4 단계에서 저장한 데이터를 통계처리하여 주행패턴 특성 파라미터를 추출한 후, 신경회로망에 입력하여 상기 제1 단계에서 학습한 주행팬턴들 중 현재의 주행에 맞는 주행패턴을 선정하는 제5 단계와; 상기 제5 단계를 통해 선정한 주행패턴에 맞게 주행제어 파라미터를 선택하여 차량의 주행을 제어하는 제6 단계로 이루어진 것을 특징으로 한다.In order to achieve the above object, a multi-mode driving control method of a parallel hybrid vehicle according to the present invention includes selecting a predetermined driving pattern and then training the driving patterns to a neural network using a driving pattern characteristic parameter. Steps; A second step of optimizing the running control parameters related to fuel economy and exhaust gas in each driving pattern through a predetermined virtual experiment when the first step is completed; A third step of storing driving patterns obtained through the first and second steps and driving control parameters associated with each driving pattern; A fourth step of measuring and storing predetermined data (velocity, acceleration, tilt signal, etc.) at a predetermined interval through a sensor during actual driving; Statistically processing the data stored in the fourth step at predetermined time intervals, extracting the driving pattern characteristic parameter, and inputting it to a neural network to select a driving pattern suitable for the current driving among the driving pantones learned in the first step. A fifth step; And a sixth step of controlling driving of the vehicle by selecting a driving control parameter according to the driving pattern selected through the fifth step.
이하, 본 발명에 따른 일실시예의 동작 과정을 첨부한 도면을 참조하여 상세히 설명하면 다음과 같다.Hereinafter, an operation process of an embodiment according to the present invention will be described in detail with reference to the accompanying drawings.
도 2는 본 발명의 동작 흐름을 보인 예시도로서, 이에 도시한 바와 같이 먼저, 일반적인 주행환경에 대표성을 갖는 도심 주행패턴, 지방도로 주행패턴 및 고속도로 주행패턴으로 구성한 대표 주행패턴을 선정하는데, 도 3에 도시한 바와 같이 모두 경사도를 포함시킨 3개의 도심 주행패턴, 2개의 지방도로 주행패턴 및 1개의 고속도로 주행패턴을 선정하였으며, 이들의 상대적인 특징은 도 5에 나타내었다. 도 4에서 정의한 주행패턴 특성 파라미터(C1 ~ C24)를 이용하여 추출한 도 6과 같은 상기 6 개의 주행패턴들의 특성 파라미터 값을, 도 7에 도시한 신경회로망(Hamming Network)에 학습시키는데, C1 ~ C24에 해당하는 파라미터는 초기에, 예를 들어 30Km/hr, 경사도 10도, 0.5m/s^2의 가속도 등의 실제값을 신경회로망에 그대로 적용하면 큰 어느 하나의 파라미터 값에 의해서 주행패턴 인식이 왜곡될 수 있으므로, 이를 방지하고자 모든 파라미터(C1 ~ C24)의 값을 일정한 통계처리에 의한 기준에 의해 1과 -1로 구성된 백터로 변환하며, 상기에서 일정한 통계처리라 함은, 도 8에 도시한 바와 같이, 예를 들어 C1의 경우, 대표주행패턴이 6개이므로, 6개의 값이 연산되는데, 이 값들의 평균(m)과 표쥰편차(std)를 구한뒤 경계가 되는 3개의 값(m+α*std, m, m-α*std)을 구하여 파라미터에 해당하는 실제값이 이 경계의 어디에 속하는 가에 따라 {1,1,1}, {1,1,-1}, {1,-1,-1}, {-1,-1,-1}를 부여한다. 즉 m보다 크고 m+α*std보다 작을 경우 {1,1,-1}을 할당한다.FIG. 2 is an exemplary view illustrating an operation flow of the present invention. As shown in the drawing, first, a representative driving pattern including a city driving pattern, a local road driving pattern, and a highway driving pattern representative of a general driving environment is selected. As shown in FIG. 3, three urban driving patterns including two inclinations, two rural road driving patterns, and one highway driving pattern were selected and their relative characteristics are shown in FIG. 5. The characteristic parameter values of the six driving patterns as shown in FIG. 6 extracted by using the driving pattern characteristic parameters C1 to C24 defined in FIG. 4 are trained to a hamming network shown in FIG. 7. The parameter corresponding to is initially applied to the neural network by applying actual values such as 30 km / hr, 10 degrees of inclination, and acceleration of 0.5 m / s ^ 2 to the neural network. Since it may be distorted, in order to prevent this, the values of all parameters C1 to C24 are converted into vectors consisting of 1 and -1 based on a constant statistical process, and the constant statistical process is shown in FIG. As described above, for example, in the case of C1, since there are six representative driving patterns, six values are calculated. The average value of these values (m) and the standard deviation (std) are calculated, and then three values (m) are bounded. + α * std, m, m-α * std) {1,1,1}, {1,1, -1}, {1, -1, -1}, {-1, -1, -1} depending on where the actual value falls Grant. In other words, if it is larger than m and smaller than m + α * std, {1,1, -1} is allocated.
이후, 각 주행패턴에서 연비 및 배기가스와 관련된 주행제어 파라미터를 시뮬레이션이나 다이나모 실험을 통해 최적화시키는데, 주행제어 파라미터로는 엔진과 모터의 동력분배와 관련된 가중치들(연료소비, 배기가스(NOx, CO, HC), 모터효율, 엔진파워를 각각라 한다), 배터리 잔존용량(State Of Charge, 이하 'SOC'라 함) 제어방법, SOC 사용구간, 엔진발진속도 및 변속 알고리즘 등이 있으며, 상기 배터리 잔존용량(State Of Charge, 이하 'SOC'라 함) 제어방법은 도 9에 도시한 바와 같이 SOC가 0.5 이하가 된 이후에 엔진동력을 이용하여 충전을 수행하는 Control1과, 차량요구동력을 충족시키고 남은 여분의 엔진동력을 이용해서 수시로 배터리를 충전하는 Control2의 방법이 있다.Then, the driving control parameters related to fuel economy and exhaust gas are optimized through simulation or dynamo experiment in each driving pattern. The driving control parameters include weights related to power distribution of engine and motor (fuel consumption, exhaust gas (NOx, CO)). , HC), motor efficiency and engine power ), A method of controlling a battery remaining state (hereinafter referred to as 'SOC'), an SOC usage section, an engine oscillation speed and a shifting algorithm, and the like. In the control method, as shown in FIG. 9, after the SOC becomes 0.5 or less, the control1 performs charging using the engine power, and the battery is frequently charged using the remaining engine power after satisfying the vehicle required driving power. There is a way of Control2.
그러나, 이중 실례로 엔진과 모터의 동력분배와 관련된 가중치들과 SOC 제어방법을 주행제어 파라미터로 사용하여 시뮬레이션을 통해 도 10과 같은 결과를 얻었다.However, as a double example, the results shown in FIG. 10 are obtained through simulations using weights and SOC control method related to power distribution of the engine and the motor as driving control parameters.
이후, 상기에서 얻은 주행패턴과 각 주행패턴과 관련한 주행제어 파라미터를 차량 주행 제어기(미도시)에 저장한 다음 실제주행 중 센서(미도시)를 통해 속도, 가속도 및 경사신호를 일정간격(예를 들어 1초)으로 측정하여 저장하는데, 상기 주행 제어기에 탑재되어 있는 도 7에 도시한 신경회로망의 Weight matrix1에는 이미 6개의 대표 주행패턴들의 특성 파라미터(C1 ~ C24)들이 1과 -1로 변환된 백터 형태로 저장되어 있고, 센서를 통해 들어온 신호도 마찬가지로 1과 -1로 변환되어 Weight matrix1과 내적을 수행하게 되며, 내적 결과는 6개의 요소를 가지는 백터가 되어 순환영역(Recurrent Layer)에서 내적값이 가장 큰 요소를 경쟁을 통해 찾는다. 상기에서 Weight matrix1는 6*72 행렬인데, 여기서 6은 대표주행패턴 수를 나타내며, 72는 24개의 특성 파라미터에 1과 -1로 구성되는 3개의 요소를 곱한 수이다.Thereafter, the driving pattern obtained above and driving control parameters related to each driving pattern are stored in a vehicle driving controller (not shown), and then a speed, acceleration, and inclination signal are set at predetermined intervals through a sensor (not shown) during actual driving. For example, 1 second) is measured and stored. In the weight matrix 1 of the neural network shown in FIG. 7 mounted on the driving controller, characteristic parameters C1 to C24 of six representative driving patterns are converted into 1 and -1. It is stored in the form of a vector, and the signal from the sensor is also converted into 1 and -1 to perform the dot product with the weight matrix 1, and the dot product results in the vector with the six elements, the dot product in the recurrent layer. Find this biggest factor through competition. The weight matrix 1 is a 6 * 72 matrix, where 6 represents the number of representative driving patterns, and 72 is a number obtained by multiplying 24 characteristic parameters by 3 elements consisting of 1 and -1.
소정시간 간격(예를 들어 300초) 마다 상기에서 저장한 신호를 통계처리하여 주행패턴 특성 파라미터를 추출한 후, 상기 신경회로망에 입력하여 학습한 주행패턴들 중 현재의 주행에 맞는 주행패턴을 선정하는 동작을 반복적으로 수행하며, 상기 수행을 통해 선정한 주행패턴에 맞게 주행제어 파라미터를 선택하여 차량의 주행을 제어한다.After extracting the driving pattern characteristic parameter by statistically processing the stored signal at predetermined time intervals (for example, 300 seconds), the driving pattern suitable for the current driving is selected from the driving patterns inputted to the neural network. The operation is repeatedly performed, and the driving control parameter is selected according to the selected driving pattern to control the driving of the vehicle.
또한, 도 1에 도시한 자동화 변속기 장착 병렬형 하이브리드 차량뿐만 아니라, 무단변속기 장착 병렬형 하이브리드 차량에도 적용 가능하며, 이때는 주행제어 파라미터로, 배터리 충전량과 방전량과 관련된 인자, 변속비 제어와 관련된 인자, 차량의 초기 출발 시 모터로만 작동하는 구간을 결정하는 인자 등이 사용된다.In addition, not only the parallel hybrid vehicle with the automatic transmission shown in FIG. 1 but also the parallel hybrid vehicle with the continuously variable transmission, in this case, as a driving control parameter, factors related to battery charge and discharge amount, factors related to transmission ratio control, At the initial start of the vehicle, factors that determine the motor-driven section are used.
이상에서 설명한 바와 같이 본 발명 병렬형 하이브리드 차량의 다중모드 주행제어방법은 경사가 포함되는 실제 주행조건 및 다양한 주행모드에의 성능을 보장할 수 있으며, 또한 도 11에 도시한 바와 같이 대표 주행패턴 중 3개의 도심 주행패턴을 임의로 조합하여 만든 패턴으로 연비 및 배기가스 시뮬레이션을 수행한 결과 도 12에 도시한 바와 같이 다중 모드 주행제어를 사용하는 하이브리드 차량(HEV_MM)이 단일 모드 주행제어를 사용하는 하이브리드 차량(HEV_SM)에 비해 연비 및 배기가스 평가지표(JICV) 값이 32% 향상되었으며, 기존의 내연기관 차량(ICV)에 비해서는 43% 향상되는 등의 효과가 있다.As described above, the multi-mode driving control method of the parallel hybrid vehicle according to the present invention can guarantee the actual driving conditions including the inclination and the performance in various driving modes, and as shown in FIG. As a result of performing fuel economy and exhaust gas simulation with a pattern made by arbitrarily combining three urban driving patterns, as shown in FIG. 12, the hybrid vehicle (HEV_MM) using multi-mode driving control uses a single mode driving control as shown in FIG. 12. Compared with (HEV_SM), the fuel efficiency and exhaust gas evaluation index (J ICV ) value is improved by 32%, and compared with the existing internal combustion engine vehicle (ICV) by 43%.
Claims (4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2000-0065284A KR100384282B1 (en) | 2000-11-03 | 2000-11-03 | Multimode driving control method for parallel type hybrid vehicle |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2000-0065284A KR100384282B1 (en) | 2000-11-03 | 2000-11-03 | Multimode driving control method for parallel type hybrid vehicle |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20020034767A KR20020034767A (en) | 2002-05-09 |
| KR100384282B1 true KR100384282B1 (en) | 2003-05-16 |
Family
ID=19697183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR10-2000-0065284A KR100384282B1 (en) | 2000-11-03 | 2000-11-03 | Multimode driving control method for parallel type hybrid vehicle |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100384282B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100941189B1 (en) | 2009-06-24 | 2010-02-10 | (주)비에프시스템 | Device and method for fuel reduction |
| KR101251502B1 (en) * | 2010-12-01 | 2013-04-05 | 현대자동차주식회사 | System for learning driver's propensity to drive of hybrid vehicle and method thereof |
| US8874334B2 (en) | 2010-07-29 | 2014-10-28 | Hyundai Motor Company | Shift control system of hybrid vehicle with automatic transmission and method thereof |
| KR101470120B1 (en) * | 2013-02-01 | 2014-12-05 | 현대 파워텍 주식회사 | Method for maching driver's propensity to drive |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100901580B1 (en) * | 2006-12-13 | 2009-06-08 | 현대자동차주식회사 | Method for control power generating device for HEV |
| KR100878969B1 (en) * | 2006-12-15 | 2009-01-19 | 현대자동차주식회사 | Generation control method for idle charging of hybrid electric vehicle |
| KR101481283B1 (en) | 2013-06-28 | 2015-01-09 | 현대자동차주식회사 | Driving control method for hybrid vehicle |
| KR101798519B1 (en) | 2015-12-15 | 2017-11-16 | 현대자동차주식회사 | Emergency braking system and method for controlling the same |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10105202A (en) * | 1996-09-27 | 1998-04-24 | Yamaha Motor Co Ltd | Evolutionary control system |
| KR19980018256A (en) * | 1996-08-02 | 1998-06-05 | 요시노 히로유키 | Hybrid Vehicle Control |
| JPH10285707A (en) * | 1997-04-01 | 1998-10-23 | Toyota Motor Corp | Drive control apparatus for electric vehicle |
-
2000
- 2000-11-03 KR KR10-2000-0065284A patent/KR100384282B1/en not_active IP Right Cessation
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR19980018256A (en) * | 1996-08-02 | 1998-06-05 | 요시노 히로유키 | Hybrid Vehicle Control |
| JPH10105202A (en) * | 1996-09-27 | 1998-04-24 | Yamaha Motor Co Ltd | Evolutionary control system |
| JPH10285707A (en) * | 1997-04-01 | 1998-10-23 | Toyota Motor Corp | Drive control apparatus for electric vehicle |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100941189B1 (en) | 2009-06-24 | 2010-02-10 | (주)비에프시스템 | Device and method for fuel reduction |
| US8874334B2 (en) | 2010-07-29 | 2014-10-28 | Hyundai Motor Company | Shift control system of hybrid vehicle with automatic transmission and method thereof |
| KR101251502B1 (en) * | 2010-12-01 | 2013-04-05 | 현대자동차주식회사 | System for learning driver's propensity to drive of hybrid vehicle and method thereof |
| KR101470120B1 (en) * | 2013-02-01 | 2014-12-05 | 현대 파워텍 주식회사 | Method for maching driver's propensity to drive |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20020034767A (en) | 2002-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10759298B2 (en) | Electric-drive motor vehicles, systems, and control logic for predictive charge planning and powertrain control | |
| CN110936949B (en) | Energy control method, equipment, storage medium and device based on driving condition | |
| CA1179062A (en) | Adaptive strategy to control internal combustion engine | |
| Yang et al. | Driving-style-oriented adaptive equivalent consumption minimization strategies for HEVs | |
| EP1347887B1 (en) | Hybrid power sources distribution management | |
| US6553301B1 (en) | System and method of providing optimal fuel economy for automobiles | |
| CN109733248A (en) | Pure electric automobile remaining mileage model prediction method based on routing information | |
| CN103434509B (en) | A kind of control system of hybrid-power bus and power-control method thereof | |
| CN109895758A (en) | A kind of hybrid electric vehicle engine torque control method, system and vehicle | |
| Lei et al. | Dynamic energy management for a novel hybrid electric system based on driving pattern recognition | |
| CN110543098B (en) | Method for selecting configuration of plug-in hybrid power system | |
| CN102975713A (en) | Hybrid electric vehicle control method based on model prediction control | |
| CN110450641B (en) | Automobile braking energy recovery method and device and electric automobile | |
| CN108549779A (en) | Performance simulation computational methods, terminal device and the storage medium of hybrid vehicle | |
| CN101478172A (en) | Method for determining optimal operation point with respect to state of charge in hybrid electric vehicle | |
| CN113103971B (en) | Method for generating vehicle control data, vehicle control device, vehicle control system, and vehicle learning device | |
| Ganji et al. | A study on look-ahead control and energy management strategies in hybrid electric vehicles | |
| Baek et al. | Runtime power management of battery electric vehicles for extended range with consideration of driving time | |
| CN109733378A (en) | Optimize the torque distribution method predicted on line under a kind of line | |
| CN113006951B (en) | Method for generating vehicle control data, vehicle control device, vehicle control system, and vehicle learning device | |
| Saini et al. | Genetic algorithm based gear shift optimization for electric vehicles | |
| KR100384282B1 (en) | Multimode driving control method for parallel type hybrid vehicle | |
| CN110154783A (en) | Based on opening four kinds of dynamic mode entire car controllers of fertile automobile | |
| Murphey | Intelligent vehicle power management: An overview | |
| Hmidi et al. | Analysis of rule-based parameterized control strategy for a HEV Hybrid Electric Vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20090430 Year of fee payment: 7 |
|
| LAPS | Lapse due to unpaid annual fee |