CN103573434A - 发动机怠速启停控制方法与控制系统 - Google Patents

Abstract

本发明提供一种发动机怠速启停控制方法与控制系统，其中方法包括：预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值；N为正整数；在机动车第N次怠速停车时，调用第N次怠速停车时长预测值；根据所述第N次怠速停车时长预测值和预设控制策略，判断是否执行发动机停机操作，得到判断结果；根据判断结果，控制机动车发动机的启停。本发明的技术方案可有效提高发动机怠速启停控制的智能化，减少不必要的停机操作，有效提高机动车的燃油经济性，减少尾气排放。

Description

发动机怠速启停控制方法与控制系统

技术领域

本发明涉及发动机怠速启停控制技术领域，尤其涉及一种发动机怠速启停控制方法与控制系统。

背景技术

发动机怠速启停控制技术是一种十分有效的节能减排技术，可有效避免发动机怠速时的燃油消耗和排放。

现有技术通常基于行驶车辆的车速、发动机转速、发动机水温、电池电量、加速踏板位置、制动踏板位置、档位位置等车况信息，进行车辆的怠速启停控制，适时关闭发动机，从而达到节能减排的目的。

发明人经过实践与研究发现：

现有的发动机怠速启停控制技术，只考虑具有确定数据的车况信息，对发动机进行怠速启停控制，而并未考虑一些随机信息如车辆驾驶过程中出现的一些情况，也可被用于发动机怠速启停控制，以进一步提高发动机怠速启停控制的智能化。

发明内容

本发明提供一种发动机怠速启停控制方法与控制系统，解决现有技术存在的发动机怠速启停控制智能化有待进一步提高的技术问题。

本发明中，发动机怠速启停控制方法，包括：

预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值；N为正整数；

在所述机动车第N次怠速停车时，调用第N次怠速停车时长预测值；

根据所述第N次怠速停车时长预测值和预设控制策略，判断是否执行发动机停机操作，得到判断结果；

根据所述判断结果，控制所述机动车发动机的启停。

优选地，所述预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值包括：

预设神经网络模型，且预设所述神经网络模型的输入包括：机动车车况信息、第N-1次实际怠速停车时长；若N＝1，则所述第N-1次实际怠速停车时长为预设初始值；

利用所述神经网络模型，得到所述神经网络模型的输出层神经元为所述第N次怠速停车时长预测值。

优选地，所述预测机动车的第N次怠速停车时长之前，该方法还包括：

初始化所述神经网络模型。

优选地，所述预测机动车的第N次怠速停车时长之前，该方法还包括：

计算第N次起步到第N次怠速停车时间段内的平均车速；

所述车况信息包括：所述平均车速、第N次起步的加速度、第N次怠速停车的加速度。

优选地，所述预测机动车的第N次怠速停车时长之前，该方法还包括：

存储第N-1次实际怠速停车时长，且存储第N-1次怠速停车时长预测值；若N＝1，则所述第N-1次怠速停车时长预测值为预设初值；

计算所述第N-1次实际怠速停车时长与所述第N-1次怠速停车时长预测值之间的差值；

所述输入还包括：修正项，为所述差值。

优选地，记所述平均车速为r₁，记所述第N次起步的加速度为r₂、记所述第N次怠速停车的加速度为r₃、记所述第N-1次实际怠速停车时长为r₄、记所述修正项为r₅；

设所述神经网络模型隐层神经元为8个，记所述隐层神经元输出量为：

z_Nk，k＝1，2，...，8；

设所述神经网络采用的输出层网络权值矩阵为：

W_y＝[w_y1 w_y2 ... w_y8]；

设所述神经网络的隐层网络权值矩阵为：

$W_z=\left[\begin{array}{cccc}{w}_{z11}& w_{z12}& ...& w_{z15}\\ w_{z21}& w_{z22}& ...& w_{z25}\\ ...& ...& ...& ...\\ w_{z81}& w_{z82}& ...& w_{z85}\end{array}\right]$

设所述神经网络模型中输出层与隐层之间的转移函数为双极性S形函数：

$f\left(s\right)=\frac{2}{1+e^{-\mathrm{\λs}}}-1;$

其中，s为自变量；λ为幂指数系数；

所述利用所述神经网络模型，得到所述神经网络模型的输出层神经元为所述第N次怠速停车时长预测值包括：

计算隐层神经元净输入量S_zk为：

$S_{\mathrm{zk}}=\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{w}_{\mathrm{zki}}{r}_i,k=\mathrm{1,2},...,8;$

计算所述z_Nk为：

z_Nk＝f_z(S_zk)，k＝1，2，...，8；

计算输出层神经元净输入量S_y为：

$S_y=\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{w}_{\mathrm{yk}}{z}_{\mathrm{Nk}};$

计算所述第N次怠速停车时长预测值为：

y_N＝f_y(S_y)。

优选地，所述预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值后，该方法还包括：

计算偏微分

$\frac{\∂y_N}{\∂w_{\mathrm{zki}}}=f_y^{\′}\left(S_y\right)w_{\mathrm{yk}}{f}_z^{\′}\left(S_{\mathrm{zk}}\right)r_i,k=\mathrm{1,2}...8;i=\mathrm{1,2}...5;$

计算偏微分

$\frac{\∂y_N}{\∂w_{\mathrm{yk}}}=f_y^{\′}\left(S_y\right)z_{\mathrm{Nk}},k=\mathrm{1,2},...,8;$

利用

修正隐层网络权值w_zki，得到更新后的隐层网络权值：

$w_{\mathrm{zki}}\←w_{\mathrm{zki}}+{\mathrm{\η}}_N\frac{\∂y_N}{\∂w_{\mathrm{zki}}}{r}_5,k=\mathrm{1,2}...8;i=\mathrm{1,2}...5;$

利用修正输出层网络权值w_yk，得到更新后的输出层网络权值：

$w_{\mathrm{yk}}\←w_{\mathrm{yk}}+{\mathrm{\η}}_N\frac{\∂y_N}{\∂w_{\mathrm{yk}}}{r}_5,k=\mathrm{1,2},...,8;$

存储更新后的输出层网络权值w_zki与更新后的输出层网络权值w_yk，用于计算第N+1次怠速停车时长预测值。

优选地，所述预设控制策略包括：将所述第N次怠速停车时长预测值与预设阈值做比较，根据比较结果，判断是否执行发动机停机操作；

所述根据所述第N次怠速停车时长预测值和预设控制策略，判断是否执行发动机停机操作，得到判断结果包括：

若所述第N次怠速停车时长预测值大于所述预设阈值，则需要执行发动机停机操作；否则，不需要执行发动机停机操作。

本发明中，一种发动机怠速启停控制系统，包括：停车时长预测模块、主循环模块、怠速启停执行模块；其中，

所述停车时长预测模块，用于预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值；N为正整数；

所述主循环模块，用于在所述机动车第N次怠速停车时，调用停车时长预测模块，获取所述第N次怠速停车时长预测值，且根据所述第N次怠速停车时长预测值和预设控制策略，判断是否向所述怠速启停执行模块发送停机控制指示；

所述怠速启停执行模块，用于在收到所述停机控制指示时，关闭所述机动车的发动机。

优选地，所述停车时长预测模块包括：获取模块、存储模块、第一计算模块和输出模块；

所述获取模块，用于获取预设神经网络模型的输入值；

所述存储模块，用于存储第N-1次实际怠速停车时长；若N＝1，则所述第N-1次实际怠速停车时长为预设初始值；

所述神经网络模型的输入包括：机动车车况信息、第N-1次实际怠速停车时长；

所述第一计算模块，用于利用所述获取模块获取的输入值、所述存储模块存储的第N-1次实际怠速停车时长和所述神经网络模型，计算所述神经网络模型的输出层神经元的输出值；所述输出层神经元的输出值为所述第N次怠速停车时长预测值；

所述输出模块，用于输出所述输出值；

所述存储模块，还用于存储输出模块输出的第N次怠速停车时长预测值。

优选地，所述系统还包括：

初始化模块，用于初始化所述神经网络模型。

优选地，所述车况信息包括：所述平均车速、第N次起步的加速度、第N次怠速停车的加速度；所述停车时长预测模块还包括：第二计算模块；

所述获取模块，用于获取第N次起步的加速度值、第N次怠速停车的加速度值，还用于获取第N次起步到第N次怠速停车时间段的时长值，以及第N次起步到第N次怠速停车时间段内的行车距离；

所述第二计算模块，用于根据所述获取模块获取的所述时长值与所述行车距离，计算第N次起步到第N次怠速停车时间段内的平均车速。

优选地，所述第二计算单元，还用于计算所述第N-1次实际怠速停车时长与所述第N-1次怠速停车时长预测值之间的差值；

存储模块，还用于存储第N-1次怠速停车时长预测值；若N＝1，则所述第N-1次怠速停车时长预测值为预设初值；

所述输入还包括：修正项，为所述差值；

优选地，记所述平均车速为r₁，记所述第N次起步的加速度为r₂、记所述第N次怠速停车的加速度为r₃、记所述第N-1次实际怠速停车时长为r₄、记所述修正项为r₅；

设所述神经网络模型隐层神经元为8个，记所述隐层神经元输出量为：

z_Nk，k＝1，2，...，8；

设所述神经网络采用的输出层网络权值矩阵为：

W_y＝[w_y1 w_y2 ...w_y8]；

设所述神经网络的隐层网络权值矩阵为：

$W_z=\left[\begin{array}{cccc}{w}_{z11}& w_{z12}& ...& w_{z15}\\ w_{z21}& w_{z22}& ...& w_{z25}\\ ...& ...& ...& ...\\ w_{z81}& w_{z82}& ...& w_{z85}\end{array}\right]$

设所述神经网络模型中输出层与隐层之间的转移函数为双极性S形函数：

$f\left(s\right)=\frac{2}{1+e^{-\mathrm{\λs}}}-1;$

其中，s为自变量；λ为幂指数系数；

所述第一计算模块具体用于：

计算隐层神经元净输入量S_zk为：

$S_{\mathrm{zk}}=\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{w}_{\mathrm{zki}}{r}_i,k=\mathrm{1,2},...,8;$

计算所述z_Nk为：

z_Nk＝f_z(S_zk)，k＝1，2，...，8；

计算输出层神经元净输入量S_y为：

$S_y=\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{w}_{\mathrm{yk}}{z}_{\mathrm{Nk}};$

计算所述第N次怠速停车时长预测值为：

y_N＝f_y(S_y)。

优选地，所述第一计算模块还用于：

计算偏微分

$\frac{\∂y_N}{\∂w_{\mathrm{zki}}}=f_y^{\′}\left(S_y\right)w_{\mathrm{yk}}{f}_z^{\′}\left(S_{\mathrm{zk}}\right)r_i,k=\mathrm{1,2}...8;i=\mathrm{1,2}...5;$

计算偏微分

$\frac{\∂y_N}{\∂w_{\mathrm{yk}}}=f_y^{\′}\left(S_y\right)z_{\mathrm{Nk}},k=\mathrm{1,2},...,8;$

利用修正隐层网络权值w_zki，得到更新后的隐层网络权值：

$w_{\mathrm{zki}}\←w_{\mathrm{zki}}+{\mathrm{\η}}_N\frac{\∂y_N}{\∂w_{\mathrm{zki}}}{r}_5,k=\mathrm{1,2}...8;i=\mathrm{1,2}...5;$

利用

修正输出层网络权值w_yk，得到更新后的输出层网络权值：

$w_{\mathrm{yk}}\←w_{\mathrm{yk}}+{\mathrm{\η}}_N\frac{\∂y_N}{\∂w_{\mathrm{yk}}}{r}_5,k=\mathrm{1,2},...,8;$

所述存储模块，还用于存储所述更新后的输出层网络权值w_zki与所述更新后的输出层网络权值w_yk，其中，w_zki与w_yk用于计算第N+1次怠速停车时长预测值。

优选地，所述预设控制策略包括：将所述第N次怠速停车时长预测值与预设阈值做比较，根据比较结果，判断是否执行发动机停机操作；

所述主循环模块，具体用于比较第N次怠速停车时长预测值与预设阈值的大小，若第N次怠速停车时长预测值大于预设阈值，则向所述怠速启停执行模块发送停机控制指示；否则，不向怠速启停执行模块发送所述停机控制指示。

本发明提供的发动机怠速启停控制方法与控制系统，将怠速停车时长考虑为控制发动机停机的因素，从而可综合考虑车况、驾驶员需求及路况信息，实现对发动机的直接启停控制，进一步提高发动机怠速启停控制的智能化，减少不必要的停机操作，避免对发动机电子控制单元(ECU)频繁的通断电操作，及因频繁起动造成的发动机燃油消耗率和排放性能的不良影响，有效提高机动车的燃油经济性，减少尾气排放。

附图说明

图1表示本发明中发动机怠速启停控制方法流程图；

图2表示本发明中发动机怠速启停控制系统结构示意图之一；

图3表示本发明的实施例中停车时长预测模块201的结构示意图；

图4表示本发明中发动机怠速启停控制系统结构示意图之二；

图5表示本发明的实施例中神经网络模型的结构示意图；

图6表示本发明可适用的机动车怠速启停控制系统硬件结构示意图；

图7表示本发明中预测机动车怠速停车时长流程图；

图8表示本发明在实际应用场景中发动机怠速启停控制流程图。

具体实施方式

下面结合附图详细说明本发明的具体实现。

参见图1，图1是本发明中发动机怠速启停控制方法流程图，该流程可包括以下步骤：

步骤101、预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值；N为正整数。

本发明所指怠速停车即，车速为零，但驾驶员未关闭机动车的打火设施。

本发明的实施例中，利用神经网络模型预测机动车怠速停车时长。具体地，预设神经网络模型，并初始化该神经网络模型，且预设神经网络模型的输入包括：机动车车况信息、第N-1次实际怠速停车时长；若N＝1，则第N-1次实际怠速停车时长为预设初始值；之后，利用神经网络模型，得到神经网络模型的输出层神经元为第N次怠速停车时长预测值。

其中，机动车车况信息可包括：第N次起步到第N次怠速停车时间段内的平均车速r₁、第N次起步的加速度r₂、第N次怠速停车的加速度r₃、第N-1次实际怠速停车时长r₄；实际应用中，也可考虑其他因素对怠速停车时长的影响，将其他因素用作神经网络模型的输入。其中，平均车速r₁可由计算获得。

为提高预测值的准确度，本发明的实施例中，输入还可包括：

修正项r₅，为第N-1次实际怠速停车时长与第N-1次怠速停车时长预测值之间的差值；若N＝1，则第N-1次怠速停车时长预测值为预设初值。该修正项也通过计算获得。

步骤102、在机动车第N次怠速停车时，调用第N次怠速停车时长预测值。

步骤103、根据第N次怠速停车时长预测值和预设控制策略，判断是否执行发动机停机操作，得到判断结果。

预设控制策略包括：将第N次怠速停车时长预测值与预设阈值做比较，根据比较结果，来判断是否执行发动机停机操作。

列举控制策略如：若第N次怠速停车时长预测值大于预设阈值，则执行发动机停机操作；否则，保持发动机怠速状态。

步骤104、根据判断结果，控制机动车发动机的启停。

参见图2，图2是本发明中发动机怠速启停控制系统结构示意图之一，图2所示控制系统可包括：停车时长预测模块201、主循环模块202、怠速启停执行模块203；其中，

停车时长预测模块201，用于预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值；N为正整数；

主循环模块202，用于在机动车第N次怠速停车时，调用停车时长预测模块201，获取第N次怠速停车时长预测值，且根据第N次怠速停车时长预测值和预设控制策略，判断是否向怠速启停执行模块203发送停机控制指示；

怠速启停执行模块203，用于在收到停机控制指示时，关闭机动车发动机。

参见图3，图3是本发明的实施例中停车时长预测模块201的结构示意图，图3中，停车时长预测模块201可包括：获取模块301、存储模块302、第一计算模块303和输出模块304；

获取模块301，用于获取预设神经网络模型的输入值；

存储模块302，用于存储第N-1次实际怠速停车时长；若N＝1，则第N-1次实际怠速停车时长为预设初始值；

神经网络模型的输入可包括：机动车车况信息、第N-1次实际怠速停车时长；

第一计算模块303，用于利用获取模块301获取的输入值、存储模块302存储的第N-1次实际怠速停车时长和预设的神经网络模型，计算神经网络模型的输出层神经元的输出值；该输出值即为第N次怠速停车时长预测值；

输出模块304，用于输出第N次怠速停车时长预测值；

存储模块302，还用于存储输出模块304输出的第N次怠速停车时长预测值。

参见图4，图4是本发明中发动机怠速启停控制系统结构示意图之二。图4中所示系统还包括：初始化模块401和数据通信模块402；其中，

初始化模块401，用于初始化神经网络模型，设置控制算法参数初值，还用于对通信端口进行初始化处理；

数据通信模块403，用于进行硬件端口的输入输出，主循环模块202在需要时调用该数据通信模块402。

并且，图4所示系统中，停车时长预测模块201还包括：第二计算模块403；其中，获取模块301，用于获取第N次起步的加速度值、第N次怠速停车的加速度值，还用于获取第N次起步到第N次怠速停车时间段的时长值，以及第N次起步到第N次怠速停车时间段内的行车距离；

第二计算模块403，用于根据获取模块301获取的所述时长值与所述行车距离，计算第N次起步到第N次怠速停车时间段内的平均车速。

第二计算单元403，还用于计算修正项，即第N-1次实际怠速停车时长与第N-1次怠速停车时长预测值之间的差值；

存储模块302，还用于存储第N-1次怠速停车时长预测值；若N＝1，则第N-1次怠速停车时长预测值为预设初值；

主循环模块202，具体用于比较第N次怠速停车时长预测值与预设阈值的大小，若第N次怠速停车时长预测值大于预设阈值，则向怠速启停执行模块203发送停机控制指示；若第N次怠速停车时长预测值小于预设阈值，则不向怠速启停执行模块203发送停机控制指示。

下面详细说明本发明的具体实现中，利用神经网络模型预测机动车怠速停车时长的过程。参见图5，图5是本发明的实施例中神经网络模型的结构示意图，该实施例中神经网络模型为反向传播(BP)单隐层前馈型神经网络。图5中神经网络模型输入分别为上述5个元素r₁至r₅，输出量y_N即为要求的预测值；设神经网络模型隐层神经元为8个，记该隐层神经元输出量为：

z_Nk，k＝1，2，...，8；

设神经网络采用的输出层网络权值矩阵为：

W_y＝[w_y1 w_y2 ... w_y8]；

设神经网络的隐层网络权值矩阵为：

$W_z=\left[\begin{array}{cccc}{w}_{z11}& w_{z12}& ...& w_{z15}\\ w_{z21}& w_{z22}& ...& w_{z25}\\ ...& ...& ...& ...\\ w_{z81}& w_{z82}& ...& w_{z85}\end{array}\right]$

设神经网络模型中输出层与隐层之间的转移函数为双极性S形函数：

$f\left(s\right)=\frac{2}{1+e^{-\mathrm{\λs}}}-1;---\left(1\right)$

其中，s为自变量；λ为幂指数系数；

则第一计算模块303的计算操作主要包括：

计算隐层神经元净输入量S_zk为：

$S_{\mathrm{zk}}=\underset{i=1}{\overset{5}{\mathrm{\Σ}}}{w}_{\mathrm{zki}}{r}_i,k=\mathrm{1,2},...,8;---\left(2\right)$

计算z_Nk为：

z_Nk＝f_z(S_zk)，k＝1，2，...，8；             (3)

计算输出层神经元净输入量S_y为：

$S_y=\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{w}_{\mathrm{yk}}{z}_{\mathrm{Nk}};---\left(4\right)$

计算第N次怠速停车时长预测值为：

y_N＝f_y(S_y)。                                (5)

利用上述式(1)至式(5)，可算出第N次怠速停车时长预测值y_N，为更新网络权值、提高预测精度，可继续：

计算偏微分

$\frac{\∂y_N}{\∂w_{\mathrm{yk}}}=f_y^{\′}\left(S_y\right)z_{\mathrm{Nk}},k=\mathrm{1,2},...,8;$

计算偏微分

$\frac{\∂y_N}{\∂w_{\mathrm{zki}}}=f_y^{\′}\left(S_y\right)w_{\mathrm{yk}}{f}_z^{\′}\left(S_{\mathrm{zk}}\right)r_i,k=\mathrm{1,2}...8;i=\mathrm{1,2}...5;$

利用

修正隐层网络权值w_zki，得到更新后的隐层网络权值：

$w_{\mathrm{zki}}=w_{\mathrm{zki}}+{\mathrm{\η}}_N\frac{\∂y_N}{\∂w_{\mathrm{zki}}}{r}_5,k=\mathrm{1,2}...8;i=\mathrm{1,2}...5;$

利用

修正输出层网络权值w_yk，得到更新后的输出层网络权值：

$w_{\mathrm{yk}}=w_{\mathrm{yk}}+{\mathrm{\η}}_N\frac{\∂y_N}{\∂w_{\mathrm{yk}}}{r}_5,k=\mathrm{1,2},...,8;$

存储模块302，还用于存储更新后的输出层网络权值w_zki与更新后的输出层网络权值w_yk。之后，当需要计算第N+1次怠速停车时长预测值时，可将更新后的输出层网络权值w_zki与更新后的输出层网络权值w_yk，分别代入式(2)和式(4)，同时N替换为N+1，以获得第N+1次怠速停车时长预测值的计算结果y_N+1。w_zki与w_yk的初始值在进行神经网络模型的初始化时被赋值。

本发明的上述实施例中，列举了预测机动车怠速停车时长时，所采用的神经网络模型的具体形式，实际应用中，可根据需要设置具体的神经网络模型。

本发明提供的技术方案通常应用于机动车上，参见图6，图6是本发明可适用的机动车怠速启停控制系统硬件结构示意图。实际应用中，本申请提供的发动机怠速启停控制系统可设置于图6所示MC9S08DZ60型号的中央处理器内。神经网络模型的一些输入的输入值，可由获取模块301从图6所示处理模块中获取。具体地，获取模块301从图6所示模拟信号输入处理模块获取加速度r2和r3，从数字信号输入处理模块获取第N次起步到第N次怠速停车时间段的时长值，以及第N次起步到第N次怠速停车时间段内的行车距离。

图6所示其他硬件模块及其功能，可参考相关资料，本申请不作赘述。

参见图7，图7是本发明中预测机动车怠速停车时长流程图，该流程可包括以下步骤：

步骤701、初始化图5所示神经网络模型。

该步骤701包括初始化神经网络模型算法的各参数，如上述输出层网络权值w_zki与输出层网络权值w_yk。

步骤702、计算第N次起步到第N次怠速停车时间段内的平均车速。

步骤703、计算修正项，即第N-1次实际怠速停车时长与第N-1次怠速停车时长预测值之间的差值。

步骤704、对图5所示神经网络模型的各输入进行赋值，并利用该神经网络模型，算出第N次怠速停车时长预测值，存储该预测值。

步骤705、计算并存储更新后的输出层网络权值w_zki与更新后的输出层网络权值w_yk，计算过程结束。

上述图2及图4所示发动机怠速启停控制系统中采用了本发明提供的怠速启停控制方案。实际应用中，发动机怠速启停控制系统还结合其他启停控制方案，控制发动机的怠速启停。

参见图8，图8是本发明在实际应用场景中发动机怠速启停控制流程图，该流程可包括以下步骤：

步骤801、主循环模块调用数据通信模块，获取传感器数据，根据获取到的数据，对发动机怠速启停执行单元的工作状态、驾驶员操控情况和车辆工作状态进行诊断检测；若检测到发动机处于停机状态，且诊断结果满足发动机启动条件，执行步骤802；若检测到机动车处于怠速停车状态，执行步骤803。

实际应用中，主循环模块还可能检测到发动机怠速执行单元正在执行停机操作，或正在执行启动操作，这些情况下，主循环模块将继续进行正常的工作。

另，驾驶员操控情况和车辆工作状态可包括：刹车踏板位置、油门开度、档位、发动机水温、发动机转速、车速、电池荷电状态等。

步骤802、主循环模块调用怠速启停执行模块与数据通信模块，执行发动机启动操作。

步骤803、主循环模块调用停车时长预测模块，获取本次停车时长预测值。

步骤804、比较本次停车时长预测值与预设阈值的大小，若本次停车时长预测值大于预设阈值，执行步骤805；否则，返回执行步骤801。

步骤805、主循环模块调用怠速启停执行模块，数据通信模块，执行发动机停机操作。

后续，当主循环模块检测到发动机满足启停条件后，快速启动发动机。

所需说明的是，图8所示流程主要体现本发明提供的怠速启停控制方案在正常怠速启停控制系统中的应用情况，其中，主循环模块如何进行诊断检测，以及怠速启停执行模块如何执行启停操作，等不作为本申请的重点，在此不作详细说明。

综上，本发明提供的技术方案，将怠速停车时长考虑为控制发动机停机的因素，从而可综合考虑车况、驾驶员需求及路况信息，实现对发动机的直接启停控制，从而进一步提高发动机怠速启停控制的智能化，减少不必要的停机操作，避免对发动机电子控制单元(ECU)频繁的通断电操作，及因频繁起动造成的发动机燃油消耗率和排放性能的不良影响，有效提高机动车的燃油经济性，减少尾气排放。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (16)

1.一种发动机怠速启停控制方法，其特征在于，包括：

预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值；N为正整数；

在所述机动车第N次怠速停车时，调用第N次怠速停车时长预测值；

根据所述第N次怠速停车时长预测值和预设控制策略，判断是否执行发动机停机操作，得到判断结果；

根据所述判断结果，控制所述机动车发动机的启停。

2.如权利要求1所述的发动机怠速启停控制方法，其特征在于，所述预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值包括：

预设神经网络模型，且预设所述神经网络模型的输入包括：机动车车况信息、第N-1次实际怠速停车时长；若N＝1，则所述第N-1次实际怠速停车时长为预设初始值；

利用所述神经网络模型，得到所述神经网络模型的输出层神经元为所述第N次怠速停车时长预测值。

3.如权利要求2所述的发动机怠速启停控制方法，其特征在于，所述预测机动车的第N次怠速停车时长之前，该方法还包括：

初始化所述神经网络模型。

4.如权利要求3所述的发动机怠速启停控制方法，其特征在于，所述预测机动车的第N次怠速停车时长之前，该方法还包括：

计算第N次起步到第N次怠速停车时间段内的平均车速；

所述车况信息包括：所述平均车速、第N次起步的加速度、第N次怠速停车的加速度。

5.如权利要求4所述的发动机怠速启停控制方法，其特征在于，所述预测机动车的第N次怠速停车时长之前，该方法还包括：

存储第N-1次实际怠速停车时长，且存储第N-1次怠速停车时长预测值；若N＝1，则所述第N-1次怠速停车时长预测值为预设初值；

计算所述第N-1次实际怠速停车时长与所述第N-1次怠速停车时长预 测值之间的差值；

所述输入还包括：修正项，为所述差值。

6.如权利要求5所述的发动机怠速启停控制方法，其特征在于，记所述平均车速为r₁，记所述第N次起步的加速度为r₂、记所述第N次怠速停车的加速度为r₃、记所述第N-1次实际怠速停车时长为r₄、记所述修正项为r₅；

设所述神经网络模型隐层神经元为8个，记所述隐层神经元输出量为：

z_Nk，k＝1，2，...，8；

设所述神经网络采用的输出层网络权值矩阵为：

W_y＝[w_y1 w_y2 ... w_y8]；

设所述神经网络的隐层网络权值矩阵为：

设所述神经网络模型中输出层与隐层之间的转移函数为双极性S形函数：

其中，s为自变量；λ为幂指数系数；

所述利用所述神经网络模型，得到所述神经网络模型的输出层神经元为所述第N次怠速停车时长预测值包括：

计算隐层神经元净输入量S_zk为：

计算所述z_Nk为：

z_Nk＝f_z(S_zk)，k＝1，2，...，8；

计算输出层神经元净输入量S_y为：

计算所述第N次怠速停车时长预测值为：

y_N＝f_y(S_y)。 

7.如权利要求6所述的发动机怠速启停控制方法，其特征在于，所述预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值后，该方法还包括：

计算偏微分 

计算偏微分 

利用 

修正隐层网络权值w_zki，得到更新后的隐层网络权值：

利用 修正输出层网络权值w_yk，得到更新后的输出层网络权值：

存储更新后的输出层网络权值w_zki与更新后的输出层网络权值w_yk，用于计算第N+1次怠速停车时长预测值。

8.如权利要求1至7任一项所述的发动机怠速启停控制方法，其特征在于，所述预设控制策略包括：将所述第N次怠速停车时长预测值与预设阈值做比较，根据比较结果，判断是否执行发动机停机操作；

所述根据所述第N次怠速停车时长预测值和预设控制策略，判断是否执行发动机停机操作，得到判断结果包括：

若所述第N次怠速停车时长预测值大于所述预设阈值，则需要执行发动机停机操作；否则，不需要执行发动机停机操作。

9.一种发动机怠速启停控制系统，其特征在于，包括：停车时长预测模 块、主循环模块、怠速启停执行模块；其中，

所述停车时长预测模块，用于预测机动车的第N次怠速停车时长，得到第N次怠速停车时长预测值；N为正整数；

所述主循环模块，用于在所述机动车第N次怠速停车时，调用停车时长预测模块，获取所述第N次怠速停车时长预测值，且根据所述第N次怠速停车时长预测值和预设控制策略，判断是否向所述怠速启停执行模块发送停机控制指示；

所述怠速启停执行模块，用于在收到所述停机控制指示时，关闭所述机动车的发动机。

10.如权利要求9所述的发动机怠速启停控制系统，其特征在于，所述停车时长预测模块包括：获取模块、存储模块、第一计算模块和输出模块；

所述获取模块，用于获取预设神经网络模型的输入值；

所述存储模块，用于存储第N-1次实际怠速停车时长；若N＝1，则所述第N-1次实际怠速停车时长为预设初始值；

所述神经网络模型的输入包括：机动车车况信息、第N-1次实际怠速停车时长；

所述第一计算模块，用于利用所述获取模块获取的输入值、所述存储模块存储的第N-1次实际怠速停车时长和所述神经网络模型，计算所述神经网络模型的输出层神经元的输出值；所述输出层神经元的输出值为所述第N次怠速停车时长预测值；

所述输出模块，用于输出所述输出值；

所述存储模块，还用于存储输出模块输出的第N次怠速停车时长预测值。

11.如权利要求10所述的发动机怠速启停控制系统，其特征在于，所述系统还包括：

初始化模块，用于初始化所述神经网络模型。

12.如权利要求11所述的发动机怠速启停控制系统，其特征在于，所述车况信息包括：所述平均车速、第N次起步的加速度、第N次怠速停车的加速度；所述停车时长预测模块还包括：第二计算模块；

所述获取模块，用于获取第N次起步的加速度值、第N次怠速停车的加 速度值，还用于获取第N次起步到第N次怠速停车时间段的时长值，以及第N次起步到第N次怠速停车时间段内的行车距离；

所述第二计算模块，用于根据所述获取模块获取的所述时长值与所述行车距离，计算第N次起步到第N次怠速停车时间段内的平均车速。

13.如权利要求12所述的发动机怠速启停控制系统，其特征在于，

所述第二计算单元，还用于计算所述第N-1次实际怠速停车时长与所述第N-1次怠速停车时长预测值之间的差值；

存储模块，还用于存储第N-1次怠速停车时长预测值；若N＝1，则所述第N-1次怠速停车时长预测值为预设初值；

所述输入还包括：修正项，为所述差值。

14.如权利要求13所述的发动机怠速启停控制系统，其特征在于，记所述平均车速为r₁，记所述第N次起步的加速度为r₂、记所述第N次怠速停车的加速度为r₃、记所述第N-1次实际怠速停车时长为r₄、记所述修正项为r₅；

设所述神经网络模型隐层神经元为8个，记所述隐层神经元输出量为：

z_Nk，k＝1，2，...，8；

设所述神经网络采用的输出层网络权值矩阵为：

W_y＝[w_y1 w_y2 ... w_y8]；

设所述神经网络的隐层网络权值矩阵为：

设所述神经网络模型中输出层与隐层之间的转移函数为双极性S形函数：

其中，s为自变量；λ为幂指数系数；

所述第一计算模块具体用于：

计算隐层神经元净输入量S_zk为：

计算所述z_Nk为：

z_Nk＝f_z(S_zk)，k＝1，2，...，8；

计算输出层神经元净输入量S_y为：

计算所述第N次怠速停车时长预测值为：

y_N＝f_y(S_y)。

15.如权利要求14所述的发动机怠速启停控制系统，其特征在于，所述第一计算模块还用于：

计算偏微分 

计算偏微分 

利用 

修正隐层网络权值w_zki，得到更新后的隐层网络权值：

利用 

修正输出层网络权值w_yk，得到更新后的输出层网络权值：

所述存储模块，还用于存储所述更新后的输出层网络权值w_zki与所述更新后的输出层网络权值w_yk，其中，w_zki与w_yk用于计算第N+1次怠速停车时长预测值。

16.如权利要求9至15任一项所述的发动机怠速启停控制系统，其特征 在于，所述预设控制策略包括：将所述第N次怠速停车时长预测值与预设阈值做比较，根据比较结果，判断是否执行发动机停机操作；

所述主循环模块，具体用于比较第N次怠速停车时长预测值与预设阈值的大小，若第N次怠速停车时长预测值大于预设阈值，则向所述怠速启停执行模块发送停机控制指示；否则，不向怠速启停执行模块发送所述停机控制指示。 

Images