基于模式識別的純電動汽車驅(qū)動控制策略

羅 潤，牛志剛

（太原理工大學(xué)機(jī)械工程學(xué)院，山西 太原 003024）

1 引言

純電動汽車由于低污染、零排放、能量利用率高等優(yōu)勢，成為現(xiàn)階段汽車產(chǎn)業(yè)發(fā)展的主攻方向。優(yōu)秀的整車控制策略能縮短開發(fā)周期，降低開發(fā)成本，提高資源利用效率，因此整車控制策略的研究是提高純電動汽車性能很重要的一步。上汽竇國偉提出加速踏板開度與電機(jī)轉(zhuǎn)矩成線性負(fù)荷關(guān)系，控制策略簡單[1-2]；日產(chǎn)聆風(fēng)等車型為了滿足不同工況駕駛需求，提出通過手動操作切換不同驅(qū)動模式[3]；文獻(xiàn)[4-5]將整車驅(qū)動模式分為經(jīng)濟(jì)模式、一般模式和動力模式；文獻(xiàn)[6-7]以加速踏板開度及其變化率為輸入變量，通過模糊控制一定轉(zhuǎn)矩補(bǔ)償，但是未考慮在復(fù)雜環(huán)境工況下的自適應(yīng)能力。針對以上問題，以線性驅(qū)動控制策略為基礎(chǔ)，模糊控制自動識別驅(qū)動模式，不同驅(qū)動模式選擇不同基礎(chǔ)MAP 轉(zhuǎn)矩，基于模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行自適應(yīng)轉(zhuǎn)矩補(bǔ)償，從而得到理想電機(jī)轉(zhuǎn)矩作為電機(jī)負(fù)荷控制的輸入?yún)?shù)。針對以上問題，以線性驅(qū)動控制策略為基礎(chǔ)，模糊控制自動識別驅(qū)動模式，不同驅(qū)動模式選擇不同基礎(chǔ)MAP 轉(zhuǎn)矩，基于模糊神經(jīng)網(wǎng)絡(luò)模型進(jìn)行自適應(yīng)轉(zhuǎn)矩補(bǔ)償，從而得到理想電機(jī)轉(zhuǎn)矩作為電機(jī)負(fù)荷控制的輸入?yún)?shù)，兼顧動力性及經(jīng)濟(jì)性需求。

2 模式識別策略

在駕駛過程中，準(zhǔn)確的數(shù)學(xué)模型難以具體表達(dá)駕駛員駕駛意圖，因此利用模糊控制更好識別駕駛員駕駛意圖。綜合考慮動力性和經(jīng)濟(jì)性，采用單一模式難以滿足不同駕駛需求，因此設(shè)置動力模式和經(jīng)濟(jì)模式兩種驅(qū)動工作模式。將模式識別控制策略嵌入驅(qū)動控制策略，識別駕駛員操作進(jìn)行自動選擇驅(qū)動工作模式。驅(qū)動模式模糊識別框圖，如圖1 所示。

車速、加速度可以直接反映駕駛員的加速意圖，相較于踏板開度及其變化率，車速、加速度相對比較穩(wěn)定。車速越高、加速度越大，駕駛員其加速意圖越強(qiáng)則更傾向于動力模式，反之則更傾向于經(jīng)濟(jì)模式。由于電池SOC 值直接影響整車動力性能，因此SOC 值也應(yīng)作為驅(qū)動模式判別的輸入?yún)?shù)，電池SOC 值越高，其工作模式更偏于動力模式。

圖1 驅(qū)動模式識別框圖Fig.1 Block Diagram of Driving Mode Recognition

圖2 輸入變量隸屬度函數(shù)Fig.2 Membership Function of Input Variables

在模糊控制模型中制定各個輸入輸出的語言變量。SOC 狀態(tài)低于0.1 時車輛會進(jìn)入非正常驅(qū)動跛行驅(qū)動模式，因此SOC 狀態(tài)論域范圍為［0.1，1］，模糊語言變量為：低（N）、中（Z）、高（P）；車速（Velocity）論域范圍為［0，120］，模糊語言變量為：低（N）、中（Z）、高（P）；加速度（Acceleration）論域范圍為［-1.5，1.5］，模糊語言變量為：很?。∟B）、?。∟S）中（ZO）、大（PS）、很大（PB）；驅(qū)動模式語言變量為：動力模式（P）、經(jīng)濟(jì)模式（E），論域?yàn)椋?，1］。輸入變量的隸屬度函數(shù)，如圖2 所示。模糊推理的模糊規(guī)則，如表1 所示。

表1 驅(qū)動模式識別模糊規(guī)則Tab.1 Fuzzy Rule of Driving Mode Recognition

3 驅(qū)動控制策略

基于動力模式和經(jīng)濟(jì)模式的控制目標(biāo)需求，提出基礎(chǔ)轉(zhuǎn)矩MAP 加轉(zhuǎn)矩補(bǔ)償?shù)霓D(zhuǎn)矩控制架構(gòu)，如圖3 所示。轉(zhuǎn)矩控制策略采用駕駛員輸入與整車狀態(tài)參數(shù)反饋相結(jié)合的閉環(huán)控制策略，既可以反映駕駛員的實(shí)際駕駛意圖，又可以考慮當(dāng)前整車系統(tǒng)狀態(tài)?；A(chǔ)MAP 轉(zhuǎn)矩體現(xiàn)了駕駛員穩(wěn)態(tài)轉(zhuǎn)矩需求，由電機(jī)轉(zhuǎn)速和加速踏板開度決定。轉(zhuǎn)矩補(bǔ)償反映駕駛員瞬時加速需求，以加速度踏板變化率和車速為輸入，給與不同的轉(zhuǎn)矩補(bǔ)償值?；A(chǔ)MAP 轉(zhuǎn)矩和補(bǔ)償轉(zhuǎn)矩相疊加作為電機(jī)目標(biāo)輸入轉(zhuǎn)矩。

圖3 轉(zhuǎn)矩控制架構(gòu)框圖Fig.3 Block Diagram of Torque Control Structure

3.1 基礎(chǔ)轉(zhuǎn)矩MAP

通過轉(zhuǎn)矩MAP 控制電機(jī)轉(zhuǎn)矩是目前主流的純電動汽車控制器開發(fā)方案，其主要是將有限多個輸入和輸出指令以n 維數(shù)據(jù)表的形式嵌入到控制策略中，在輸入指令時，通過線性插值查詢MAP 數(shù)據(jù)表從而得到目標(biāo)輸出以及指令。動力模式采用較高的轉(zhuǎn)矩負(fù)荷系數(shù)，轉(zhuǎn)矩主要集中于低踏板開度，低負(fù)荷轉(zhuǎn)矩靈敏度較高、響應(yīng)性好；反之，經(jīng)濟(jì)模式采用偏軟的轉(zhuǎn)矩負(fù)荷關(guān)系。基礎(chǔ)轉(zhuǎn)矩MAP 圖，如圖4 所示。

圖4 基礎(chǔ)轉(zhuǎn)矩MAP 圖Fig.4 MAP Diagram Basic Torque

3.2 基于模糊神經(jīng)網(wǎng)絡(luò)控制補(bǔ)償轉(zhuǎn)矩

車輛行駛受到復(fù)雜環(huán)境和路況的影響，單純的模糊控制難以適應(yīng)復(fù)雜環(huán)境，因此模糊神經(jīng)網(wǎng)絡(luò)（ANFIS）通過自辨識控制可以更好適應(yīng)復(fù)雜路況的轉(zhuǎn)矩需求。ANFIS 訓(xùn)練方法采用混合學(xué)習(xí)算法，訓(xùn)練過程包括前向傳播過程和反向傳播過程。前向傳播將樣本特征提取輸入到網(wǎng)格中，經(jīng)過逐層變化分類計(jì)算傳遞到輸出層。后向傳播主要是誤差的反向反饋和權(quán)值的更新計(jì)算。ANFIS的訓(xùn)練方式主要有在線訓(xùn)練和離線訓(xùn)練兩種。通過車輛不同工況下路試，得到一定數(shù)量的基本駕駛樣本，將采樣數(shù)據(jù)進(jìn)行處理后得到1000 組樣本數(shù)據(jù)，選取500 組為Training 數(shù)據(jù)，選取300 組數(shù)據(jù)為Testing 數(shù)據(jù)，余下200 組數(shù)據(jù)為Checking 數(shù)據(jù)。

選取車速Velocity 與加速踏板開度變化率Accpedal_rate 作為ANFIS 控制器的輸入?yún)?shù)。根據(jù)純電動汽車車速變化范圍，選取車速的論域范圍為［0，120］，模糊語言變量為：較低（NB）低（NS）、中（ZO）、高（PS）、較高（PB），車速隸屬度函數(shù)選用gauss 函數(shù)?？紤]加速踏板開度變化率特性及駕駛員操縱實(shí)際情況，選取加速踏板開度變化率的論域范圍為［-1.5，1.5］，模糊語言變量設(shè)為：較?。∟B）?。∟S）、中（ZO）、大（PS）、較大（PB），踏板開度變化率隸屬度函數(shù)選用gauss 函數(shù)。根據(jù)實(shí)際駕駛操作意圖傾向，當(dāng)車速較低、加速度踏板開度變化率較大時，體現(xiàn)出駕駛員有較高動力性駕駛需求，給與相對較高補(bǔ)償轉(zhuǎn)矩；當(dāng)車速較高、加速度踏板變化率較小時，駕駛員動力需求相對較低，補(bǔ)償轉(zhuǎn)矩較小。以車速Velocity 與加速踏板開度變化率Accpedal_rate 作為模糊輸入，電機(jī)補(bǔ)償轉(zhuǎn)矩作為模糊輸出，制定補(bǔ)償轉(zhuǎn)矩模糊規(guī)則，如表2 所示。

表2 補(bǔ)償轉(zhuǎn)矩模糊規(guī)則Tab.2 Fuzzy Rule of Compensation Torque

通過ANFIS 控制器加載轉(zhuǎn)矩補(bǔ)償.fis 文件，并分別加載Training、Testing、Checking 數(shù)據(jù)，選擇 Hybrid 混合學(xué)習(xí)算法，Error Tolerance 設(shè)置為 0，Epochs 設(shè)為 100，進(jìn)行訓(xùn)練 FIS 模型。訓(xùn)練前、后隸屬度函數(shù)，如圖5 所示。

圖5 車速與加速度踏板變化率隸屬度函數(shù)圖Fig.5 Membership Function of Speed and Acceleration Pedal Change Rate

訓(xùn)練前、后補(bǔ)償轉(zhuǎn)矩模糊推理規(guī)則曲面，如圖6 所示。通過訓(xùn)練前、后補(bǔ)償轉(zhuǎn)矩模糊推理規(guī)則曲面可以看出，基于ANFIS 控制補(bǔ)償轉(zhuǎn)矩更加平順、合理。

圖6 模糊推理規(guī)則曲面Fig.6 Surface of Fuzzy Reasoning Rule

4 建模與仿真分析

4.1 搭建模型

圖7 Simulink 控制策略模型Fig.7 Simulink Control Strategy Model

采用Cruise 和Simulink 聯(lián)合仿真，在Simulink 中搭建控制策略模型，在RTW 環(huán)境中生成Cruise 可加載支持的.dll 文件和.dbf 文件，實(shí)現(xiàn)通Crusie 調(diào)用Simulink 控制策略進(jìn)行仿真計(jì)算。Simulink 控制策略模型，如圖7 所示。在Cruise 中搭建純電動汽車整車模型，主要模塊包括電池、電機(jī)、減速器、差速器、車輪、駕駛室、控制策略（Matlab dll）以及整車參數(shù)模塊。根據(jù)目標(biāo)車型輸入相應(yīng)的車輛參數(shù)，進(jìn)行機(jī)械連接以及電器信號連接。

4.2 仿真分析

建立NEDC 循環(huán)工況進(jìn)行經(jīng)濟(jì)性能仿真，建立Full Load Acceleration 工況和Climbing Performance 工況進(jìn)行動力性能仿真，以desired torque 為電機(jī)負(fù)荷輸入，設(shè)置合適的仿真步長和精度進(jìn)行仿真計(jì)算。

4.2.1 NEDC 循環(huán)工況

建立NEDC 循環(huán)工況并順利運(yùn)行，查看分析仿真結(jié)果。轉(zhuǎn)矩、車速及路程隨時間變化關(guān)系，如圖8 所示?？梢钥闯鲆钥刂撇呗詃esired torque 為電機(jī)負(fù)荷控制的情況下，仿真車速變化與NEDC 工況下理想車速基本相符合，車速整體跟隨性良好。在整個循環(huán)工況中，減速過程中扭矩出現(xiàn)負(fù)值，即存在有制動能量回收過程，該過程與simulink 模型中控制策略相一致，即車速越高，減速度越大，制動能量回收越大。

圖8 電機(jī)轉(zhuǎn)矩、轉(zhuǎn)速圖Fig.8 Diagram of Motor Torque and Speed

NEDC 循環(huán)工況含有控制策略模型與不含控制策略模型SOC 值及電量消耗隨路程變化曲線，如圖9 所示。

圖9 SOC 及電量消耗曲線Fig.9 Curve of SOC and Electrical Consumption

根據(jù)Cruise 軟件result 報(bào)告可以得到，不含控制策略模型電機(jī)能量消耗耗為16.23［kWh/100km］，含有控制策略模型電機(jī)能量消耗為13.46［kWh/100km］，節(jié)電率為17%。經(jīng)過11km NEDC循環(huán)工況，無控制策略模型電量消耗為1.78kWh，電池SOC 值由90%變?yōu)?7%，大致計(jì)算其續(xù)航里程為370km；含控制策略模型電量消耗為1.48 kWh，電池SOC 值由90 變?yōu)?0%，可大致推算其續(xù)航里程為440 km，續(xù)航里程提升約18%。

4.2.2 Full Load Acceleration 工況

建立全負(fù)荷加速工況并順利運(yùn)行，查看result 報(bào)告可以看到，該純電動汽車最高車速為130km/h，全負(fù)荷加速工況（0～100）km/h所需時間為約14s，如圖10 所示。仿真結(jié)果與實(shí)際駕駛情況基本相符合。

圖10 全負(fù)荷工況車速曲線Fig.10 Velocity Curve of Full Load Acceleration

4.2.3 Climbing Performance 工況

建立爬坡性能工況并順利運(yùn)行，根據(jù)result 報(bào)告結(jié)果可以得到1 擋最大爬坡度為22%，最大爬坡度下最高車速35km/h，如圖11 所示。仿真結(jié)果與實(shí)際駕駛情況基本相符合，滿足純電動汽車動力性要求。

圖11 最大爬坡度曲線Fig.11 Curve of Maximum Inclination

5 結(jié)論

以某純電動汽車為例，為了提高其動力性能，對傳統(tǒng)線性負(fù)荷系數(shù)轉(zhuǎn)矩控制策略進(jìn)行優(yōu)化，提出自動識別驅(qū)動工作模式，不同的驅(qū)動模式得到不同的基礎(chǔ)MAP 轉(zhuǎn)矩；基于自適應(yīng)模糊神經(jīng)系統(tǒng)（ANFIS）構(gòu)建轉(zhuǎn)矩補(bǔ)償模型，對基礎(chǔ)MAP 進(jìn)行不同程度的轉(zhuǎn)矩補(bǔ)償。通過Simulink/Cruise 進(jìn)行聯(lián)合仿真計(jì)算，通過相同模型在不同工況下與相同工況下不同模型的仿真計(jì)算，可以得到含有VCU 控制策略模型與不含VCU控制策略模型在整車動力性能及經(jīng)濟(jì)性能的差異，從而驗(yàn)證控制策略的可行性、合理性，給整車功能設(shè)計(jì)和性能開發(fā)提供了理論依據(jù)。