CN107539306A

CN107539306A - 基于模糊小脑模型神经网络的汽车转矩分配控制方法

Info

Publication number: CN107539306A
Application number: CN201710781849.0A
Authority: CN
Inventors: 张庆才; 郭庆松; 陈亮
Original assignee: Shanghai Avi Automotive Technology Ltd By Share Ltd
Current assignee: Shanghai Avi Automotive Technology Ltd By Share Ltd
Priority date: 2017-09-02
Filing date: 2017-09-02
Publication date: 2018-01-05

Abstract

本发明公开了基于模糊小脑模型神经网络的混合动力汽车整车转矩分配方法，本发明考虑驾驶员驾驶意图的同时将模糊控制与小脑模型(CMAC)神经网络相结合，将CMAC神经网络控制器嵌于模糊控制器之中构成FCMAC神经网络控制器，FCMAC神经网络控制器通过CMAC神经网络来学习模糊规则，以高斯基模糊隶属函数作为实际映射函数，使输入空间划分方式以及联想单元的激活特性可以在线实时调整，通过输出的权值调整来修正发动机需求转矩分配系数，最后经过解模糊化计算出发动机需求转矩值，实现混合动力汽车在混合驱动条件下的转矩分配。

Description

基于模糊小脑模型神经网络的汽车转矩分配控制方法

技术领域

本发明涉及混合动力汽车控制领域，特别涉及一种基于模糊小脑模型神经网络的混合动力汽车整车转矩分配控制方法。

背景技术

混合动力汽车在实际运行时可有纯电动模式、混合驱动模式、发动机驱动模式、能量回馈等多种工作模式，转矩分配控制策略依据需求转矩的大小、动力电池荷电状态(SOC)的剩余电量等整车状态信息实现了纯电动、混合驱动和发动机驱动等多种模式的自由切换，使其具备了传统汽车和纯电动汽车的优点，其中混合驱动模式下，混合动力汽车转矩分配控制策略在整车转矩分配过程中既保证整车动力性的同时又能有效降低整车的燃油消耗，减少污染物排放，有着其他电动汽车不可比拟的优势。目前混合动力汽车的转矩分配方法主要有基于规则的逻辑门限控制策略、全局最优控制策略、瞬时优化能量管理策略、智能控制策略四种方式，四种控制策略都可以有效改善混合动力汽车的燃油消耗性能及排放性能。

智能控制的基本出发点事模仿人的智能，根据复杂被控动态过程中的定性信息和定量信息，进行定性定量综合集成推理决策，以实现对难以建模的非线性复杂系统的控制，所以非常适合与混合动力汽车动力总成的控制。

模糊控制具有在不需要被控对象数学模型的情况下，有效且便捷的实现人的控制策略和经验的优点，所以模糊控制被越来越多的应用于转矩分配，但是其模糊规则通常依据专家经验确定，不同专家会有不同经验值，不能保证每个算法都处于最优状态；并且在整车行驶过程中，工况变化复杂，不同工况下需要不同的模糊规则来实现整车的转矩分配。

小脑模型(CMAC)神经网络采用局部逼近法对复杂非线性函数进行学习，学习速度快，具有比一般神经网络更好的非线性逼近的优点，但是其输入空间划分方式、输入状态和联想单元之间的关系无法满足在线实时调整的要求。

为了达到能精准地确定驾驶员对整车转矩的需求，进而预测下一步应该如何调整转矩分配的目的，模糊小脑模型(FCMAC)神经网络结合模糊控制及小脑模型(CMAC)神经网络的特点，模糊规则不再只依据专家经验，而是通过CMAC神经网络进行规则优化，取代模糊规则库，并以高斯基模糊隶属度函数作为FCMAC神经网络的实际映射函数，其学习精度优于CMAC神经网络，因此本发明中采用模糊小脑模型(FCMAC)神经网络的转矩分配控制方法实现发动机与电机间的转矩分配，从而提高整车燃油经济性和减少排放。

发明内容

本发明为解决上述技术问题而采用的技术方案是提供一种基于模糊小脑模型神经网络的汽车转矩分配控制方法，其中，具体技术方案为：

为了解决基于模糊控制的混合动力汽车整车转矩控制系统存在的模糊规则需要依据专家经验确定，但不同专家会有不同经验值，不能保证每个算法都处于最优状态，并且整车在复杂行驶工况的环境下需要不同的模糊规则来实现整车的转矩分配的技术问题，本发明提供了一种基于模糊小脑模型(FCMAC)神经网络的混合动力汽车整车转矩分配控制方法，其综合考虑当前实际行驶工况条件下的SOC剩余电量和驾驶员的操作意图，使用输入空间划分方式及联想单元的激活特性可以在线实时调整且学习精度由于CMAC神经网络的FCMAC神经网络来优化模糊规则，有效的改善了模糊控制中模糊规则只依据专家经验而确定的问题，并且模糊推理系统对油门踏板变化率的识别可以较好的判断驾驶员操作意图，从而优化转矩分配控制策略，提高了发动机的燃油经济性并减少了排放，同时使SOC能够保持在合理区间内，延长动力电池使用寿命。

本发明解决技术问题所采取的技术方案如下：基于模糊小脑模型神经网络的混合动力汽车整车转矩分配控制方法，包括以下步骤：

步骤1、在混合动力试验台架上搭载实车，通过混合动力试验台架自控与模拟系统中的整车和驾驶员模拟系统来控制档位、油门踏板和制动踏板执行器替代驾驶员对实车进行操纵，并通过混合动力试验台架中的测功机系统控制混合动力试验台架中的测功机，以特制的半轴适配器直接连接到实车轮毂上，然后以转矩形式给实车进行道路负荷加载，在台架上模拟汽车行驶阻力；

步骤2、在整车控制器中设置整车需求转矩模块、发动机最优转矩模块、动力电池荷电状态校验模块、油门踏板变化率模块和FCMAC神经网络转矩分配控制器模块；

步骤3、所述整车控制器从数字量、模拟量和CAN通讯端口读入发动机当前转速、驱动电机当前转速、变速器当前挡位和油门踏板开度；

步骤4、所述整车需求转矩模块通过整车控制器模拟量端口读入的油门踏板开度获得整车需求转矩Treq；

步骤5、所述发动机最优转矩模块通过整车控制器CAN通讯端口读入的发动机当前时刻转速，应用查表法求出发动机当前转速下的最优转矩Topt；

步骤6、所述动力电池荷电状态(SOC)校验模块通过对整车控制器CAN通讯端口读入的动力电池管理(BMS)系统发送的当前动力电池剩余电量SOC值，以及CAN总线电压、动力电池电流进行校验，其中，当前动力电池剩余电量SOC值为SOC校验值；

步骤7、所述油门踏板变化率模块通过对整车控制器模拟量端口读入的油门踏板开度进行一阶导数计算求出油门踏板变化率ā；

步骤8、所述FCMAC神经网络转矩分配控制器将步骤4中得到的整车需求转矩Treq与步骤5中得到的当前转速下发动机最优转矩Topt做差运算得到的差值ΔT＝Treq-Topt、步骤6中得到的SOC和步骤7中得到的油门踏板变化率ā作为输入，采用FCMAC神经网络的整车转矩分配控制方法求得发动机需求转矩Te，并通过步骤4中求得的整车需求转矩Treq与求得的发动机需求转矩Te做差运算，根据Treq-Te＝Tm求得驱动电机需求转矩Tm；

步骤9、整车控制器将步骤8中求得的发动机需求转矩Te和驱动电机需求转矩Tm通过CAN总线分别发送给实车中的发动机ECU和驱动电机MCU，驱动混合动力试验台架上的实车运行；

步骤10、通过混合动力试验台架中的燃油消耗及排放检测系统实时监测实车中发动机的燃油消耗及排放、自控与模拟系统及数据采集系统实时监测发动机工作点、发动机输出转矩、驱动电机输出转矩和动力电池SOC的变化。

所述步骤4中，所述整车需求转矩模块通过整车控制器模拟量端口读入的油门踏板开度获得整车需求转矩Treq的方法如下：

T_req＝α(T_e+T_m)×i₁ (1)

式中，Treq为整车需求转矩；α为油门踏板开度信号，取值范围0～1；Te为发动机最大输出转矩；Tm为驱动电机最大输出转矩；i1为自动变速器传动比。

所述步骤6中，所述SOC校验模块的校验过程如下：

1)使用最小二乘递推算法在线估算当前动力电池开路电压和平均充放电内阻，并结合动力电池开路电压曲线和充放电内阻曲线反推SOC值；

2)根据动力电池BMS发送的SOC值，结合动力电池开路电压曲线和充放电内阻曲线，推算出动力电池开路电压和平均充放电内阻；

3)根据步骤2)中推算得到的开路电压、平均充放电内阻、以及动力电池管理系统发送的SOC值，计算相对于步骤1)中估算得到的开路电压、平均充放电内阻、以及SOC值的相对误差；

4)如果三种参数取值的相对误差均小于5％，则动力电池荷电状态校验模块判定动力电池BMS发送的SOC值可信，否则动力电池荷电状态校验模块采用步骤1)中得到的SOC估算值代替动力电池BMS发送的SOC值。

所述步骤8中，所述FCMAC神经网络转矩分配控制器将步骤4中得到的整车需求转矩Treq与步骤5中得到的当前转速下发动机最优转矩Topt做差运算得到的差值ΔT＝Treq-Topt、步骤6中得到的SOC和步骤7中得到的油门踏板变化率ā作为输入，采用FCMAC神经网络的整车转矩分配控制方法如下：

1)输入变量及变量模糊化：

FCMAC神经网络控制器的输入量为ΔT＝Treq-Topt、SOC和ā，Treq为整车需求转矩，Topt为当前转速下发动机最优转矩，SOC为动力电池剩余电量，ā为油门踏板变化率。变量模糊化为输入变量通过量化因子计算后的输出，将ΔT、SOC和ā的模糊集均表示为[NB，NS，ZE，PS，PB]，其中NB、NS、ZE、PS、PB分别代表负大、负小、零、正小、正大；ΔT、SOC和ā的论域均为[-2，1，0，1，2]；

将ΔT、SOC和ā分别通过量化因子KSOC、KΔT和Kā离散化后进行模糊分割，模糊化变量均选择高斯隶属度函数：

式中，ci是第i个隶属度函数的中心点；σi，i＝1,2,…,5为方差；x为输入的离散量。得出隶属度函数的向量为uj＝[u1j，u2j，…，unj]T，其中，j＝1,2,3，n＝1,2,…,5；

2)模糊隶属度至输入空间U：

把模糊隶属度函数的向量引入输入空间U，将输入空间U划分为15个存储单元，每个单元对应一个向量，从空间划分的存储单元中找到对应于该向量的地址；

3)输入空间U至概念存储器Ac的概念映射：

将输入空间U中的15个模糊隶属度函数进行模糊规则划分后得53个状态，把每个状态作为一个指针映射至概念存储器Ac的c个存储单元中，并找到对应于该状态的地址：

4)概念存储器Ac至实际存储器Ap的实际映射：

将概念映射后的c个单元，采用杂散编码技术中的除留余数法，在被激活单元的地址值加上j后，除以一个较大的质数N，(N<m，m为杂凑表的长度)，所得的余数加1作为Ap中的存储地址，从而映射到实际存储器Ap的c个单元中，即

式中，ad(j)为实际存储器Ap中的存储地址；aj为被激活单元的地址；j为概念映射后的单元；MOD为取余的Matlab函数。

5)输出变量：

FCMAC神经网络控制器的输出为：

式中，Te为发动机需求转矩；ak为高斯基隶属度函数映射的乘积；ωk为相应的权值；Topt为当前转速下发动机最优转矩。

6)权值调整：

将发动机需求转矩Te与当前转速下发动机最优转矩Topt相比较，求得偏差E作为执行信号。定义误差函数为：

E＝[T_opt(t)-T_e(t)]²/2 (9)

基于δ学习规则对FCMAC神经网络输出的权值进行调整，算法为：

联想强度的迭代公式为：

ω_j(t)＝ω_j(t-1)+Δω_j(t)+θ(ω_j(t-1)+ω_j(t-2)) (11)

式中，β∈(0,1]为学习速率；e为误差；θ为惯性系数；j＝ad(i)，i＝1,2,…,c。FCMAC神经网络转矩分配控制器初始运行时，权值ω＝0，Te(t)＝0，Topt(t)＝Te(t)。随着输入的数据样本在FCMAC控制器中的执行，不断进行权值调整，一直到输出满足要求为止，从而实现对联想强度进行在线调整。

本发明相对于现有技术具有如下有益效果：

1)本发明采用高斯基模糊隶属度函数作为FCMAC神经网络的实际映射函数，实现了FCMAC神经网络的输入空间划分方式及联想单元的激活特性可以在线实时调整的要求，有效避免了CMAC神经网络的输入空间划分方式及联想单元的激活特性无法在线实时调整的现象。

2)本发明采用FCMAC神经网络进行模糊规则优化，模糊规则不再只依据专家经验，从而取代模糊规则库，可确保每个算法都处于最优，解决了实车在不同工况下需要不同的模糊规则来实现整车转矩分配的问题。

3)本发明采用FCMAC神经网络的模糊推理系统通过监测SOC的变化来实时调整发动机和电机的工作模式，从而使SOC能够保持在合理区间内，通过对油门踏板变化率ā的识别可以较好的判断驾驶员操作意图，从而优化转矩分配控制策略

4)本发明采用的FCMAC神经网络通过网络权值调整来修正发动机输出转矩，使发动机工作点基本运行于最优点，在整车控制中提高了转矩输出的准确性与快速性，实现了在混合驱动模式下发动机与驱动电机的转矩合理分配。

5)使用本发明的混合动力汽车已在混合动力试验台架上成功进行了运行，FCMAC神经网络转矩分配控制策略使发动机工作点往高效区域移动，促使整车降低油耗和减少排放，同时动力电池剩余电量SOC也保持在较高位置。

附图说明

图1为单轴并联式混合动力汽车转矩分配测试系统的结构示意图；

图2为本发明所设计FCMAC神经网络控制器结构示意图；

图3为SOC对比图；

图4为基于逻辑门限值控制策略，发动机工作点分布；

图5为基于FCMAC神经网络控制策略，发动机工作点分布；

图6为燃油消耗对比图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

下面结合附图和具体实施例对本发明作进一步详细说明：

本发明实施例所述方法的研究对象为实车，即真实的单轴并联式混合动力汽车，该系统无需转矩耦合装置，结构简单，且可以实现不同工作模式间的切换。如图1所示，图1为单轴并联式混合动力汽车转矩分配测试系统的结构示意图，其由发动机、干式离合器、电机、AMT变速器、动力电池，混合动力试验台架等组成，动力总成各部件同轴连接，电机置于离合器和变速器之间。

如图1所示，在混合动力试验台架上搭载实车，通过混合动力试验台架自控与模拟系统中的整车和驾驶员模拟系统来控制油门踏板和制动踏板执行器替代驾驶员对实车进行操纵，并通过混合动力试验台架中的测功机系统控制混合动力试验台架中的测功机，以特制的半轴适配器直接连接到实车轮毂上，然后以转矩形式给实车进行道路负荷加载，在台架上模拟汽车行驶阻力。本发明的整车控制器中包括整车需求转矩模块、发动机最优转矩模块、动力电池荷电状态校验模块、油门踏板变化率模块和FCMAC神经网络转矩分配控制器模块；还具备数字量端口、模拟量端口和CAN通讯端口等接口。图示中SOC、总线电压、动力电池电流等信号，由实车上动力电池中的动力电池管理系统BMS(Battery ManagementSystem)测量、计算后，发送到控制器局域网CAN(Controller Area Network)总线上；其他动力总成部件状态信息由各个部件控制器(电机控制器MCU、发动机控制器ECU、变速器控制器TCU等)测量、计算后，发送到CAN总线上。

本发明基于模糊小脑模型神经网络的混合动力汽车整车转矩分配控制方法包括以下步骤：

1、数据读入

整车控制器从数字量、模拟量和CAN通讯端口读入发动机当前转速、驱动电机当前转速、变速器当前挡位和油门踏板开度；

2、整车需求转矩

通过整车控制器模拟量端口读入的油门踏板开度获得整车需求转矩Treq，方法如下：

T_req＝α(T_e+T_m)×i₁ (1)

3、发动机最优转矩

发动机最优转矩模块通过整车控制器CAN通讯端口读入的发动机当前时刻转速，应用查表法求出发动机当前转速下的最优转矩Topt；

4、动力电池荷电状态(SOC)校验

通过对整车控制器CAN通讯端口读入的动力电池管理(BMS)系统发送的当前动力电池剩余电量SOC值，以及CAN总线电压、动力电池电流进行校验，其中，当前动力电池剩余电量SOC值为SOC校验值，SOC校验模块的校验过程如下：

5、油门踏板变化率ā

通过对整车控制器模拟量端口读入的油门踏板开度进行一阶导数计算求出油门踏板变化率ā；

6、FCMAC神经网络的整车转矩分配控制方法

如图2所示，在混合驱动模式下，FCMAC神经网络的整车转矩分配控制方法如下：

1)输入变量及变量模糊化：

2)模糊隶属度至输入空间U：

3)输入空间U至概念存储器Ac的概念映射：

4)概念存储器Ac至实际存储器Ap的实际映射：

5)输出变量：

FCMAC神经网络控制器的输出为：

6)权值调整：

E＝[To_pt(t)-T_e(t)]²/2 (9)

联想强度的迭代公式为：

ω_j(t)＝ω_j(t-1)+Δω_j(t)+θ(ω_j(t-1)+ω_j(t-2)) (11)

将整车需求转矩Treq与发动机需求转矩Te做差运算，根据Treq-Te＝Tm求得驱动电机需求转矩Tm。

7、驱动电机需求转矩Tm

如图1所示，整车控制器将求得的发动机需求转矩Te、驱动电机需求转矩Tm通过CAN总线分别发送给实车中的发动机ECU和驱动电机MCU，驱动混合动力试验台架上的实车运行。

通过混合动力试验台架中的燃油消耗及排放检测系统实时监测实车中发动机的燃油消耗及排放、自控与模拟系统及数据采集系统实时监测发动机工作点、发动机输出转矩、驱动电机输出转矩和动力电池SOC的变化。将相关数据通过混合动力试验台架中的自控与模拟系统及数据采集系统提取出来，对比分析FCMAC神经网络控制策略与逻辑门限值控制策略的SOC、发动机工作区间和燃油消耗。

分析图3、4、5、6可知，基于FCMAC神经网络的混合动力汽车整车转矩分配控制策略使动力电池SOC保持在较高位置，使发动机需求转矩向最优转矩靠近且发动机工作点在低转速下明显移向燃油效率较高的区域，促使整车的燃油消耗明显降低。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims

1.一种基于模糊小脑模型神经网络的汽车转矩分配控制方法，其特征在于：

包括以下步骤：

2.如权利要求1所述的基于模糊小脑模型神经网络的汽车转矩分配控制方法，其特征在于：所述步骤4中，所述整车需求转矩模块通过整车控制器模拟量端口读入的油门踏板开度获得整车需求转矩T_req的方法如下：

T_req＝α(T_e+T_m)×i₁

式中，T_req为整车需求转矩；α为油门踏板开度信号，取值范围0～1；T_e为发动机最大输出转矩；T_m为驱动电机最大输出转矩；i₁为自动变速器传动比。

3.如权利要求2所述的基于模糊小脑模型神经网络的汽车转矩分配控制方法，其特征在于：所述步骤6中，所述SOC校验模块的校验过程如下：

3)根据步骤②中推算得到的开路电压、平均充放电内阻、以及动力电池管理系统发送的SOC值，计算相对于步骤1)中估算得到的开路电压、平均充放电内阻、以及SOC值的相对误差；

4.如权利要求3所述的基于模糊小脑模型神经网络的汽车转矩分配控制方法，其特征在于：所述步骤8中，所述FCMAC神经网络转矩分配控制器将步骤4中得到的整车需求转矩T_req与步骤5中得到的当前转速下发动机最优转矩T_opt做差运算得到的差值ΔT＝T_req-T_opt、步骤6中得到的SOC和步骤7中得到的油门踏板变化率ā作为输入，采用FCMAC神经网络的整车转矩分配控制方法如下：

1)输入变量及变量模糊化：

FCMAC神经网络控制器的输入量为ΔT＝T_req-T_opt、SOC和ā，T_req为整车需求转矩，T_opt为当前转速下发动机最优转矩，SOC为动力电池剩余电量，ā为油门踏板变化率。变量模糊化为输入变量通过量化因子计算后的输出，将ΔT、SOC和ā的模糊集均表示为[NB，NS，ZE，PS，PB]，其中NB、NS、ZE、PS、PB分别代表负大、负小、零、正小、正大；ΔT、SOC和ā的论域均为[-2，1，0，1，2]；

将ΔT、SOC和ā分别通过量化因子K_SOC、K_ΔT和K_ā离散化后进行模糊分割，模糊化变量均选择高斯隶属度函数：

<mrow> <msub> <mi>u</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mo>&lsqb;</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <mi>x</mi> <mo>-</mo> <msub> <mi>c</mi> <mi>i</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> <msub> <mi>&sigma;</mi> <mi>i</mi> </msub> </mfrac> <mo>&rsqb;</mo> </mrow>

式中，c_i是第i个隶属度函数的中心点；σ_i，i＝1,2,…,5为方差；x为输入的离散量。得出隶属度函数的向量为u_j＝[u_1j，u_2j，…，u_nj]^T，其中，j＝1,2,3，n＝1,2,…,5；

2)模糊隶属度至输入空间U：

3)输入空间U至概念存储器Ac的概念映射：

将输入空间U中的15个模糊隶属度函数进行模糊规则划分后得5³个状态，把每个状态作为一个指针映射至概念存储器Ac的c个存储单元中，并找到对应于该状态的地址：

4)概念存储器Ac至实际存储器Ap的实际映射：

式中，ad(j)为实际存储器Ap中的存储地址；a_j为被激活单元的地址；j为概念映射后的单元；MOD为取余的Matlab函数；

5)输出变量：

FCMAC神经网络控制器的输出为：

<mrow> <msub> <mi>T</mi> <mi>e</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>c</mi> </munderover> <msub> <mi>&omega;</mi> <mi>k</mi> </msub> <msub> <mi>a</mi> <mi>k</mi> </msub> <msub> <mi>T</mi> <mrow> <mi>o</mi> <mi>p</mi> <mi>t</mi> </mrow> </msub> </mrow>

式中，T_e为发动机需求转矩；a_k为高斯基隶属度函数映射的乘积；ω_k为相应的权值；T_opt为当前转速下发动机最优转矩；

6)权值调整：

将发动机需求转矩T_e与当前转速下发动机最优转矩T_opt相比较，求得偏差E作为执行信号。定义误差函数为：

E＝[T_opt(t)-T_e(t)]²/2

联想强度的迭代公式为：

ω_j(t)＝ω_j(t-1)+Δω_j(t)+θ(ω_j(t-1)+ω_j(t-2)))

式中，β∈(0,1]为学习速率；e为误差；θ为惯性系数；j＝ad(i)，i＝1,2,…,c。FCMAC神经网络转矩分配控制器初始运行时，权值ω＝0，T_e(t)＝0，T_opt(t)＝T_e(t)。随着输入的数据样本在FCMAC控制器中的执行，不断进行权值调整，一直到输出满足要求为止，从而实现对联想强度进行在线调整。