CN107662503A - 基于加速与制动踏板状态的电动汽车制动意图辨识方法 - Google Patents

基于加速与制动踏板状态的电动汽车制动意图辨识方法 Download PDF

Info

Publication number
CN107662503A
CN107662503A CN201710820006.7A CN201710820006A CN107662503A CN 107662503 A CN107662503 A CN 107662503A CN 201710820006 A CN201710820006 A CN 201710820006A CN 107662503 A CN107662503 A CN 107662503A
Authority
CN
China
Prior art keywords
braking
brake
pedal
brake pedal
displacement
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710820006.7A
Other languages
English (en)
Other versions
CN107662503B (zh
Inventor
宋士刚
林勇
郭远晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhijiang College of ZJUT
Original Assignee
Zhijiang College of ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhijiang College of ZJUT filed Critical Zhijiang College of ZJUT
Priority to CN201710820006.7A priority Critical patent/CN107662503B/zh
Publication of CN107662503A publication Critical patent/CN107662503A/zh
Application granted granted Critical
Publication of CN107662503B publication Critical patent/CN107662503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L7/00—Electrodynamic brake systems for vehicles in general
    • B60L7/10—Dynamic electric regenerative braking
    • B60L7/18—Controlling the braking effect
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L7/00—Electrodynamic brake systems for vehicles in general
    • B60L7/24—Electrodynamic brake systems for vehicles in general with additional mechanical or electromagnetic braking
    • B60L7/26—Controlling the braking effect
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Regulating Braking Force (AREA)

Abstract

本发明涉及一种基于加速与制动踏板状态的电动汽车制动意图辨识方法，包括：分别采集制动踏板和加速踏板的位移及速度，并实时获得车速及电池荷电状态SOC参数值；建立包括加速模式、滑行模式、再生制动模式和紧急制动模式在内的制动意图识别模型；定义加速踏板的位移门限值A1，加速踏板的位移大于A1时进入加速模式，加速踏板的位移小于A1时进入再生制动模式；加速踏板和制动踏板的位移及速度均为零，进入滑行模式；定义制动踏板的制动强度，制动强度小于0.7进入再生制动模式，反之进入紧急制动模式；对制动踏板的行程信号进行Hilbert‑Huang 变换后提取其特征向量，采用聚类识别算法对再生制动意图进行识别。

Description

基于加速与制动踏板状态的电动汽车制动意图辨识方法
技术领域：
本发明涉及一种电动汽车制动意图识别技术领域，具体涉及一种基于加速与制动踏板状态的电动汽车制动意图辨识方法。
背景技术：
电动汽车和内燃机车辆最大的区别在于动力源由内燃机变为电机，电机不仅能够工作在驱动状态，也能工作在再生制动状态，回收一部分车辆动能并延长续驶里程。随着电动汽车性能的提高并逐步迈向产业化的过程中，提高电能的利用效率及延长续驶里程是亟待解决的问题，而再生制动技术已作为促使电动汽车发展的关键技术越来越受到重视。
当前电动汽车制动能量的回收主要集中在踩下制动踏板阶段，很少涉及收起加速踏板阶段和滑行阶段的能量回收。然而，在城市道路工况下，电动汽车需要频繁加速、减速和滑行，而加速踏板具有定义驱动力矩和制动力矩的双重作用，即当驾驶员踩下加速踏板时，电机输出驱动力矩；放松加速踏板时，可以利用电机回馈制动以模拟传统内燃机汽车的发动机制动而回收制动能量。基于制动踏板的制动能量回收是根据驾驶员操作制动踏板的意图进行的；而放松加速踏板是驾驶员进行制动时的动作前奏，基于加速踏板作为制动意图识别参数，则制动更为迅速，能量回收更多。制动意图是驾驶意图的一部分，是驾驶员对车辆进行减速操作的一种意图。车辆在行驶过程中，可以看成是由驾驶员、车辆和行驶环境组成的一个闭环系统，这里驾驶员起闭环系统控制器的作用。驾驶员制动意图对制动系统进行的操作是相互关联的，通常都是通过选取制动系统中的适宜参数，作为制动意图识别的依据。目前，关于制动意图的识别主要基于制动踏板行程及其变化率等时域参量，很少综合考虑加速踏板信息。由此可见，综合考虑制动踏板和加速踏板状态，准确识别再生制动意图是实现电动汽车制动能量高效回收的关键。
发明内容：
基于上述现有技术存在的不足，本发明主要解决的技术问题是提供一种基于加速与制动踏板状态的电动汽车制动意图辩识方法，针对电动汽车再生制动的特点，基于驱动与制动信息的融合，分别建立驾驶员收起加速踏板阶段和踩下制动踏板阶段的制动意图识别模型，并采用聚类识别方法对制动意图进行准确高效的辩识，提高制动能量回收率，延长续驶里程。
为了实现上述目的，本发明所采用的技术方案为：
基于加速与制动踏板状态的电动汽车制动意图辨识方法，包括如下内容：
(1)采集制动踏板的位移和速度、加速踏板的位移和速度作为识别参数，并实时获得车速及电池荷电状态SOC参数值；
(2)建立制动意图识别模型，该模型包括加速模式、滑行模式、再生制动模式和紧急制动模式，再生制动模式中包括平缓制动模式和中等制动模式；
(3)基于加速踏板的制动意图识别：定义加速踏板的位移门限值A1，当加速踏板的位移大于A1时，电机输出驱动力矩无需制动；当加速踏板的位移小于A1时，电机输出回馈制动力矩并进入再生制动模式；
(4)当加速踏板和制动踏板的位移及速度均为零时，进入滑行模式；
(5)定义制动踏板的制动强度，当制动强度小于0.7时进入再生制动模式，反之则进入紧急制动模式；
(6)对基于制动踏板的制动意图识别：对制动踏板的行程信号进行Hilbert-Huang变换后提取其特征向量，采用聚类识别算法对再生制动意图进行识别。
所述内容(1)中通过在加速踏板和制动踏板上分别安装位移传感器来获取加速踏板和制动踏板的线位移，将线位移转换为角位移，再对角位移进行微分即获得相应踏板的行程以及变化率。
所述内容(1)中对电池的SOC参数设置阈值上限，即SOCmax＝0.9，当电池的SOC参数大于等于0.9时不进行再生制动。
所述内容(5)中进入再生制动模式后，当平缓制动模式时，采用纯电机制动；当中等制动模式时，采用电机和液压复合制动，优先采用电机制动，不足部分由液压制动进行补充；对于紧急制动模式，采用纯液压制动。
所述内容(6)中制动踏板特征向量的提取方式为：将制动踏板的电压信号的平方值作为信号能量，对该信号能量进行Hilbert-Huang变换，便可得到Hilbert-Huang能量谱H2(ω,t)；使H2(ω,t)对时间进行积分，可得制动踏板信号的Hilbert边际能量谱E(ω)；求出制动踏板行程的每个固有模态函数(IMF)分量的Hilbert能量谱，再对时间进行积分可得到每个IMF分量的Hilbert边际能量谱，即踏板信号的Hilbert局部边际能量谱Ei(ω)；使Ei(ω)对频率进行积分，得到局部特征能量，由此可得制动踏板行程信号的特征向量。
所述内容(6)中进行Hilbert-Huang变换时，从EMD方法分解信号时的等价滤波器模型角度出发，利用小波变换来进行预处理，将信号中导致模态混叠的间断信号滤除掉。
所述内容(6)中进行Hilbert-Huang变换时，采用直接拟合均值曲线的方法求取均值曲线。
所述内容(6)中进行Hilbert-Huang变换时，采用极值镜像延拓法来克服端点效应。
所述内容(6)中进行Hilbert-Huang变换时，采用快速傅立叶变换对本征模态函数进行变换得到其频谱，然后对其负频率成分进行共轭运算并整理得到解析信号的频谱，利用快速傅立叶变换对其做傅立叶逆变换得到该本征模态函数的解析函数。
所述内容(6)中采用聚类算法进行识别时，基于所提取到的特征向量，利用密度值和马氏距离度量函数的优化方法，建立基于FCM算法的制动意图识别模式，将基于密度值确定初始聚类中心和基于马氏距离的样本相似性计算方法相结合的方式来优化FCM算法。
与现有技术相比，本发明针对电动汽车再生制动特点，综合考虑驱动及制动信息，构建加速踏板与制动踏板意图解析模型，并应用Hilbert-Huang变换(HHT)的方法提取踏板信号的特征向量，提高了制动意图辩识的精度和准确率。该方法通过正确识别驾驶员的制动意图，基于制动安全性的前提下优先采用再生制动，在保证良好驾驶感觉的同时，增加了再生制动能量回收率。
以下通过附图和具体实施方式对本发明做进一步阐述。
附图说明：
图1是本发明的制动意图辩识方法的流程图；
图2是本发明制动意图识别模式的示意图；
图3是本发明实施例的电机力矩与加速踏板位移关系曲线；
图4是本发明实施例的制动力与制动强度关系曲线。
具体实施方式：
本发明基于加速与制动踏板状态的电动汽车制动意图辩识方法的流程如图1所示，以下结合附图和实施例对本发明做进一步的详细说明。
电动汽车行驶过程中，驾驶员通过加速踏板和制动踏板直接操纵车辆，同时从加速踏板和制动踏板上获得位移和速度等信号的反馈。分别在加速踏板和制动踏板处安装位移传感器，位移传感器所获得的测点处线位移数据在后处理中按照实际踏板机构尺寸转换为驾驶员踩踏踏板的角位移，对踏板位移微分即为踏板行程变化率。由此，得到加速踏板行程、加速踏板变化率、制动踏板行程和制动踏板变化率等参数。
通过电动汽车仪表信息实时采集车速及电池荷电状态(SOC)参数值。车速反映当前的车辆状态，车速低时制动功率小，车速高时制动功率大。SOC反映电池的剩余容量，为了防止电池处于极限工作条件对电池寿命产生较坏的影响，设置电池SOC的阈值上限SOCmax＝0.9，即SOCmax≥0.9时不进行再生制动。
根据驾驶员操纵的踏板信息，进入不同的制动意图识别模式。当驾驶员收起加速踏板时，进入基于加速踏板的制动意图识别模型；当驾驶员踩下制动踏板时，进入基于制动踏板的制动意图识别模型；当驾驶员完全松开加速踏板和制动踏板时，进入滑行阶段，如图2所示。
①基于加速踏板信息，当踩下加速踏板时，进入加速模式，不存在制动需求。当收起加速踏板时，加速踏板位移反映驾驶员需求制动强度，加速踏板速度反映驾驶员对踏板的操纵。踏板速度大于0表示加速踏板正在加速，踏板速度小于0表示收起加速踏板正在减速，踏板速度的大小反映驾驶员制动强度大小。加速踏板具有定义驱动力矩和回馈制动力矩的双重作用。为获得电机力矩与加速踏板位移的关系，制定图3所示的关系曲线。驾驶员首次踩下加速踏板，随着踏板位移增大，电机驱动力矩逐渐增大；在驾驶员收起加速踏板过程中，电机驱动力矩逐渐减小，当加速踏板位移小于门限值A1时，电机开始再生制动并输出回馈制动力矩，并随着踏板位移减小而增大；当加速踏板位移大于门限值A1时，电机输出驱动力矩，无制动。
②制动踏板位移反映当前车速，速度反映驾驶员操纵踏板的紧急程度。基于制动踏板信息，判断是否进入再生制动模式或紧急制动模式，当制动强度小于0.7时可采用再生制动模式，否则进入紧急制动模式，如图4所示。再生制动模式下制动减速度小于1.6m/s2，制动踏板行程小于全行程的30％时进入平缓制动模式，此时采用纯电机制动，回收尽可能多的制动能量；再生制动模式下制动减速度介于1.6m/s2～3m/s2，制动踏板行程介于全行程的30％～60％时进入中等制动模式，此时采用电机液压复合制动，优先采用电机制动，不足部分由液压制动给予补充。在紧急制动模式下，为了确保制动的安全性，采用纯液压制动模式。
制动意图识别主要是以制动踏板位移及其变化率等时域参量为识别参数，通过逻辑推理识别驾驶员的制动意图。这种识别方法在制动踏板操作特征比较明显时平均识别率较高，但在辩识操作特征不明显的再生制动时，若直接用制动踏板行程及其变化率等时域参数表征制动意图，则临界状态不易区分，识别准确率较低。因此，采用HHT对制动踏板行程信号在时频域内进行数据挖掘，得到制动踏板行程信号在时频域的特征，然后采用聚类识别算法对再生制动意图进行识别，从而进一步提高制动意图识别的分辨率和准确率。
③当驾驶员完全松开加速踏板和制动踏板时，进入滑行阶段，此时电机制动力矩保持退出时刻的值，即Trega＝Trega,t、Tregb＝Tregb,t，其中，Trega,t为收起加速踏板阶段结束时刻的电机再生制动力矩，Tregb,t为收起制动踏板阶段结束时刻电机再生制动力矩。
通过对不同制动踏板行程信号的Hilbert-Huang变换，进一步挖掘信号的时频域特征。从信号能量的角度，对制动踏板行程信号的特征进行提取。由于踏板行程信号为电压信号，因此可以把踏板行程信号的平方值当作信号的能量，对它进行Hilbert-Huang变换，便可以得到Hilbert-Huang能量谱H2(ω,t)。使H2(ω,t)对时间进行积分，可得踏板信号的Hilbert边际能量谱E(ω)。同理，求出踏板行程的每个固有模态函数(IMF)分量的Hilbert能量谱，对时间进行积分可得到每个IMF分量的Hilbert边际能量谱，即踏板信号的Hilbert局部边际能量谱Ei(ω)。使Ei(ω)对频率进行积分，得到局部特征能量，由此可得踏板行程信号的特征向量。
对于踏板行程这样的非平稳数据信号，直接进行Hilbert变换得到的结果很大程度上失去了原有的物理意义。在经验模态分解(EMD)方法中，得到具有真实物理意义IMF的能力取决于信号极值点的存在以及极值点的分布间隔。如果信号中没有足够的极值点时，分解将停止；如果信号中极值点分布间隔不均匀，会产生极值点上、下包络线的拟合误差，从而产生模式混叠现象。因此，从EMD方法分解信号时的等价滤波器模型角度出发，利用小波变换来进行预处理，将信号中导致模态混叠的间断信号滤除掉，得到具有物理意义的分解结果。
针对制动意图识别具有较高的实时性要求，对Hilbert-Huang变换方法从均值曲线拟合、端点效应处理等方面对其进行算法改进，使得在保证性能不变的情况下，极大的减少Hilbert-Huang变换算法的运算量。
①采用直接拟合均值曲线的方法求取均值曲线，首先估计出各个极值点所在位置的均值点，然后对这些均值点使用三次样条插值方法拟合出均值曲线，极值点位置上均值点利用该位置处的极值和与其临近的两个或多个极值加权获得，此方法大大减少运算量，而且只进行一次样条拟合可减小拟合过程中过冲与欠冲的影响。
②采用极值镜像延拓法来克服端点效应。将踏板信号两端附近的极值点在信号两端根据设置的镜像极值点的个数，以端点为对称点以向外镜像端点附近的极值点的方式添加极值点，同时结合具体信号的波形考虑是否将端点作为极值点加入极值点序列以及是作为极大值点还是极小值点加入极值点序列。该方法实现简单，执行效率高。
③计算Hilbert谱的核心问题是构造本征模态函数的解析信号，而解析信号一般是利用Hilbert变换得到的，而直接计算Hilbert变换会有较大的运算量，有必要对该方法进行改进。采用快速傅立叶变换对本征模态函数进行变换得到其频谱，然后对其负频率成分进行共轭运算并整理得到解析信号的频谱，利用快速傅立叶变换对其做傅立叶逆变换得到该本征模态函数的解析函数，以此提高计算Hilbert-Huang变换方法的效率。
基于提取的特征信息，利用密度值和马氏距离度量函数的优化方法，建立基于优化模糊C均值(FCM)算法的制动意图识别模型，进一步提高对再生制动意图的分辩能力。由于FCM算法的聚类效果对于初始聚类中心的选择以及距离度量函数的要求较高，因此，将基于密度值确定初始聚类中心和基于马氏距离的样本相似性计算方法相结合的方式来优化FCM算法，并进行再生制动意图的识别。
FCM算法中，初始的聚类中心直接影响到最终的聚类结果。实际上，最终聚类中心的一个比较显著的特点就是在聚类中心附近数据对象比较稠密，即聚类的中心点密度较高，因此，在初始聚类中心点选择的时候，将对象的密度作为一个重要的标准来考量，尽量将初始中心点限制在对象密度比较大的区域。其基本方法是首先根据各个对象的密度计算数据集的平均密度，再根据核心对象的定义，确定数据集中的核心对象，然后在核心点区域内，根据贪心算法寻求初始聚类中心。优化模糊C均值聚类算法主要是找到样本的聚类中心，使样本到聚类中心的加权距离平方和最小。利用密度和距离的两种优化方法相结合得到基于优化模糊C均值聚类的再生制动意图识别模型，建立目标函数为：
其中，U为初始隶属度矩阵；Z为聚类中心；C为制动意图的分类数，表示将样本集分为C类制动意图；μij为第j个样本隶属于第i类制动意图的程度；dij为样本点xj到第i类制动意图的马氏距离。
基于加速与制动踏板状态的电动汽车制动意图辩识方法具有较好的实时性，该方法可实时对制动意图进行准确的在线识别，并大大提高了电动汽车再生制动意图的分辨能力。
以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围中。

Claims (10)

1.基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：包括如下内容：
(1)采集制动踏板的位移和速度、加速踏板的位移和速度作为识别参数，并实时获得车速及电池荷电状态SOC参数值；
(2)建立制动意图识别模型，该模型包括加速模式、滑行模式、再生制动模式和紧急制动模式，再生制动模式中包括平缓制动模式和中等制动模式；
(3)基于加速踏板的制动意图识别：定义加速踏板的位移门限值A1，当加速踏板的位移大于A1时，电机输出驱动力矩无需制动；当加速踏板的位移小于A1时，电机输出回馈制动力矩并进入再生制动模式；
(4)当加速踏板和制动踏板的位移及速度均为零时，进入滑行模式；
(5)定义制动踏板的制动强度，当制动强度小于0.7时进入再生制动模式，反之则进入紧急制动模式；
(6)对基于制动踏板的制动意图识别：对制动踏板的行程信号进行Hilbert-Huang变换后提取其特征向量，采用聚类识别算法对再生制动意图进行识别。
2.根据权利要求1所述的基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：所述内容(1)中通过在加速踏板和制动踏板上分别安装位移传感器来获取加速踏板和制动踏板的线位移，将线位移转换为角位移，再对角位移进行微分即获得相应踏板的行程以及变化率。
3.根据权利要求1所述的基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：所述内容(1)中对电池的SOC参数设置阈值上限，即SOCmax＝0.9，当电池的SOC参数大于等于0.9时不进行再生制动。
4.根据权利要求1所述的基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：所述内容(5)中进入再生制动模式后，当平缓制动模式时，采用纯电机制动；当中等制动模式时，采用电机和液压复合制动，优先采用电机制动，不足部分由液压制动进行补充；对于紧急制动模式，采用纯液压制动。
5.根据权利要求1所述的基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：所述内容(6)中制动踏板特征向量的提取方式为：将制动踏板的电压信号的平方值作为信号能量，对该信号能量进行Hilbert-Huang变换，便可得到Hilbert-Huang能量谱H2(ω,t)；使H2(ω,t)对时间进行积分，可得制动踏板信号的Hilbert边际能量谱E(ω)；求出制动踏板行程的每个固有模态函数(IMF)分量的Hilbert能量谱，再对时间进行积分可得到每个IMF分量的Hilbert边际能量谱，即踏板信号的Hilbert局部边际能量谱Ei(ω)；使Ei(ω)对频率进行积分，得到局部特征能量，由此可得制动踏板行程信号的特征向量。
6.根据权利要求1所述的基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：所述内容(6)中进行Hilbert-Huang变换时，从EMD方法分解信号时的等价滤波器模型角度出发，利用小波变换来进行预处理，将信号中导致模态混叠的间断信号滤除掉。
7.根据权利要求1所述的基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：所述内容(6)中进行Hilbert-Huang变换时，采用直接拟合均值曲线的方法求取均值曲线。
8.根据权利要求1所述的基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：所述内容(6)中进行Hilbert-Huang变换时，采用极值镜像延拓法来克服端点效应。
9.根据权利要求1所述的基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：所述内容(6)中进行Hilbert-Huang变换时，采用快速傅立叶变换对本征模态函数进行变换得到其频谱，然后对其负频率成分进行共轭运算并整理得到解析信号的频谱，利用快速傅立叶变换对其做傅立叶逆变换得到该本征模态函数的解析函数。
10.根据权利要求1所述的基于加速与制动踏板状态的电动汽车制动意图辨识方法，其特征在于：所述内容(6)中采用聚类算法进行识别时，基于所提取到的特征向量，利用密度值和马氏距离度量函数的优化方法，建立基于FCM算法的制动意图识别模式，将基于密度值确定初始聚类中心和基于马氏距离的样本相似性计算方法相结合的方式来优化FCM算法。
CN201710820006.7A 2017-09-13 2017-09-13 基于加速与制动踏板状态的电动汽车制动意图辨识方法 Active CN107662503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710820006.7A CN107662503B (zh) 2017-09-13 2017-09-13 基于加速与制动踏板状态的电动汽车制动意图辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710820006.7A CN107662503B (zh) 2017-09-13 2017-09-13 基于加速与制动踏板状态的电动汽车制动意图辨识方法

Publications (2)

Publication Number Publication Date
CN107662503A true CN107662503A (zh) 2018-02-06
CN107662503B CN107662503B (zh) 2021-03-30

Family

ID=61098337

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710820006.7A Active CN107662503B (zh) 2017-09-13 2017-09-13 基于加速与制动踏板状态的电动汽车制动意图辨识方法

Country Status (1)

Country Link
CN (1) CN107662503B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108394390A (zh) * 2018-02-08 2018-08-14 智车优行科技（上海）有限公司 制动能量回收方法和装置
CN108545071A (zh) * 2018-04-03 2018-09-18 中机生产力促进中心 一种液压制动与电制动协同控制的再生制动控制方法
CN109050500A (zh) * 2018-10-16 2018-12-21 杭叉集团股份有限公司 一种叉车制动控制系统及方法
CN109205516A (zh) * 2018-08-29 2019-01-15 广州市广韬教学设备有限公司 一种叉车制动系统及其制动方法
CN109305153A (zh) * 2018-09-28 2019-02-05 上汽通用五菱汽车股份有限公司 具有制动控制系统的电动车
CN109774485A (zh) * 2018-12-27 2019-05-21 奇瑞汽车股份有限公司 一种电动汽车并联式能量回收分档控制系统及方法
CN110262491A (zh) * 2019-06-25 2019-09-20 南京航空航天大学 一种基于混合学习方式的车辆制动意图预测的方法及系统
CN110395117A (zh) * 2019-08-09 2019-11-01 厦门金龙联合汽车工业有限公司 抑制电动客车驱动系统振动的制动能量回收控制方法
CN110481552A (zh) * 2019-09-05 2019-11-22 南京汽车集团有限公司 一种基于电动货车制动再生的控制方法
CN110533262A (zh) * 2019-09-09 2019-12-03 合肥工业大学 一种多维度的工况滚动识别方法
CN111340074A (zh) * 2020-02-13 2020-06-26 南京航空航天大学 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN112721939A (zh) * 2021-01-15 2021-04-30 南京航空航天大学 一种基于多传感器融合的驾驶员制动意图识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2578852A1 (en) * 2010-05-31 2013-04-10 Nissan Motor Co., Ltd Power generation control device and power generation control method for vehicle
CN104175891A (zh) * 2014-08-07 2014-12-03 吉林大学 纯电动汽车能量回收再生制动控制方法
CN104228591B (zh) * 2014-10-10 2016-10-05 北京现代汽车有限公司 一种再生制动能量回收控制方法及装置
CN106840637A (zh) * 2017-03-24 2017-06-13 国网山东省电力公司莱芜供电公司 基于改进hht算法的gis机械振动信号时频分析方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2578852A1 (en) * 2010-05-31 2013-04-10 Nissan Motor Co., Ltd Power generation control device and power generation control method for vehicle
CN104175891A (zh) * 2014-08-07 2014-12-03 吉林大学 纯电动汽车能量回收再生制动控制方法
CN104228591B (zh) * 2014-10-10 2016-10-05 北京现代汽车有限公司 一种再生制动能量回收控制方法及装置
CN106840637A (zh) * 2017-03-24 2017-06-13 国网山东省电力公司莱芜供电公司 基于改进hht算法的gis机械振动信号时频分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
唐先智，王波，杨树军，马雷: "基于Hilbert-Huang变换的制动意图聚类识别", 《汽车工程》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108394390A (zh) * 2018-02-08 2018-08-14 智车优行科技（上海）有限公司 制动能量回收方法和装置
CN108545071B (zh) * 2018-04-03 2020-07-03 中机生产力促进中心 一种液压制动与电制动协同控制的再生制动控制方法
CN108545071A (zh) * 2018-04-03 2018-09-18 中机生产力促进中心 一种液压制动与电制动协同控制的再生制动控制方法
CN109205516A (zh) * 2018-08-29 2019-01-15 广州市广韬教学设备有限公司 一种叉车制动系统及其制动方法
CN109305153A (zh) * 2018-09-28 2019-02-05 上汽通用五菱汽车股份有限公司 具有制动控制系统的电动车
CN109050500A (zh) * 2018-10-16 2018-12-21 杭叉集团股份有限公司 一种叉车制动控制系统及方法
CN109774485A (zh) * 2018-12-27 2019-05-21 奇瑞汽车股份有限公司 一种电动汽车并联式能量回收分档控制系统及方法
CN109774485B (zh) * 2018-12-27 2022-05-03 奇瑞汽车股份有限公司 一种电动汽车并联式能量回收分档控制系统及方法
CN110262491A (zh) * 2019-06-25 2019-09-20 南京航空航天大学 一种基于混合学习方式的车辆制动意图预测的方法及系统
CN110262491B (zh) * 2019-06-25 2021-12-14 南京航空航天大学 一种基于混合学习方式的车辆制动意图预测的方法及系统
CN110395117B (zh) * 2019-08-09 2020-12-11 厦门金龙联合汽车工业有限公司 抑制电动客车驱动系统振动的制动能量回收控制方法
CN110395117A (zh) * 2019-08-09 2019-11-01 厦门金龙联合汽车工业有限公司 抑制电动客车驱动系统振动的制动能量回收控制方法
CN110481552A (zh) * 2019-09-05 2019-11-22 南京汽车集团有限公司 一种基于电动货车制动再生的控制方法
CN110533262A (zh) * 2019-09-09 2019-12-03 合肥工业大学 一种多维度的工况滚动识别方法
CN111340074A (zh) * 2020-02-13 2020-06-26 南京航空航天大学 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN112721939A (zh) * 2021-01-15 2021-04-30 南京航空航天大学 一种基于多传感器融合的驾驶员制动意图识别方法

Also Published As

Publication number Publication date
CN107662503B (zh) 2021-03-30

Similar Documents

Publication Publication Date Title
CN107662503A (zh) 基于加速与制动踏板状态的电动汽车制动意图辨识方法
CN104071161B (zh) 一种插电式混合动力汽车工况识别及能量管控的方法
CN102923016B (zh) 用于电动车的经济运行系统及其控制方法
CN111775925B (zh) 一种功率分流混合动力汽车的工作模式决策方法和装置
CN113788021B (zh) 一种结合前车速度预测的自适应跟车巡航控制方法
CN110929920A (zh) 一种基于工况识别的混合动力列车能量管理方法
CN103287362A (zh) 一种车载语音控制系统、方法和电动汽车
CN206749792U (zh) 一种纯电动汽车行驶工况判别装置
CN107264293A (zh) 一种基于模糊控制的并联式混合动力车的能量回收方法
CN110348063A (zh) 一种混合动力汽车控制策略的联合仿真方法
CN111196164B (zh) 一种分布式电动汽车制动系统控制方法
Hou et al. Machine learning and whale optimization algorithm based design of energy management strategy for plug‐in hybrid electric vehicle
CN111459995A (zh) 一种基于驾驶数据的多模态车速预测方法
CN109910625A (zh) 一种混合动力汽车能量回收系统及回收方法
CN107161012A (zh) 用于电动车辆的控制再生制动协作的方法
CN107097789A (zh) 一种纯电动汽车行驶工况判别系统
CN101323304A (zh) 一种混合动力电动汽车的行驶状态智能识别系统
CN108482131A (zh) 一种48v bsg弱混合动力能量回收控制系统策略
CN112124224B (zh) 电动车辆控制系统及其控制方法、存储介质及电动车辆
Gao et al. Control strategy for PHEB based on actual driving cycle with driving style characteristic
CN115492928A (zh) 一种经济性、动力性和安全性综合最优换挡规律优化方法
Li et al. Research on construction method of urban driving cycle of pure electric vehicle
CN111483396B (zh) 一种不合理油耗实时报警方法及其obd车载终端
CN109733347B (zh) 一种人机耦合的纵向避撞控制方法
Wang et al. A braking intention identification method based on data mining for electric vehicles

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant