CN108506200B - 一种混合驱动汽车空调压缩机转矩的控制系统及方法 - Google Patents

Abstract

本发明公开一种混合驱动汽车空调压缩机转矩的控制系统及方法，控制器由压缩机转速计算模块、压缩机动态负载转矩T_压预测神经网络、直流无刷电机在压缩机端的负载T₂计算模块和直流无刷电机控制器依序串接组成，建立10个不同的BP弱预测器，获得压缩机动态负载转矩T_压预测神经网络，将空调压缩机转速、空调系统压力、空调压缩机开度这几个量作为预测BP神经网络的输入量，空调压缩机的动态转矩负载作为输出，有效降低传统BP神经容易陷入局部极小的影响，提高了空调压缩机转矩的预测精度，实现良好的混合驱动效果，保证发动机在空调压缩机端所承担负载的稳定性，提高发动机输出转矩的平稳性，保证了车辆运行的平稳性。

Description

一种混合驱动汽车空调压缩机转矩的控制系统及方法

技术领域

本发明涉及一种混合动力汽车空调压缩机驱动系统结构以及该结构基础上对汽车空调压缩机的转矩进行控制的控制方法。

背景技术

汽车空调压缩机是汽车空调系统的核心，传统的汽车空调压缩机都是通过皮带轮与发动机相连接，由发动机为空调压缩机提供动力。随着混合动力汽车的发展，由于混合动力汽车与传统汽车在动力源与结构等方面的差异，较之传统汽车，混合动力汽车的空调压缩机的可供选择类型增加，其驱动源也有多种可行方案，而不再是单纯由发动机直接驱动。现有的混合动力汽车空调压缩机驱动方案是采用发动机电机空调压缩机串联式，控制方法上主要是在发动机工作时采用发动机驱动空调压缩机，发动机不工作时空调压缩机由电机驱动，采用蓄电池作为空调压缩机动力源。目前这种发动机电机空调压缩机串联式结构上采用的控制方案主要存在以下不足：

1、在发动机工作时由发动机驱动空调压缩机的工况下，由于汽车空调系统状态的调节，造成发动机在驱动空调压缩机端的转矩负载会随着空调系统状态调节的调节而产生变化，从而使得发动机在驱动力输出端的输出转速和转矩的不稳定，导致车身震动，进而影响了驾驶人员的舒适性和驾驶的安全性。

2、现有控制方案下，只要发动机工作，空调压缩机就会由发动机来驱动，汽车行驶过程中发动机既要带动电机还要带动空调压缩机导致了行驶过程中发动机的负载过大，影响了发动机在动力端的输出功率。还经常会出现在电池组处于满电状态下发动机依然需要承担电机的负载而电机发电产生的电能却无法得到合理的利用。

3、现有的空调压缩机驱动方案中，空调压缩机主要是由发动机或者电机来驱动，也有一些方案考虑到混合驱动，但是没有控制方案对空调压缩机在混合驱动模式下提出具体的可以实现发动机和电机良好的混合驱动效果的控制方案。

发明内容

本发明的目的是为了解决上述控制方案存在的问题，提出一种混合驱动汽车空调压缩机转矩的控制系统及方法，使汽车空调压缩机在混合驱动模式下空调压缩机的负载合理地分配到电机和发动机，以达到合理利用能量以及保证发动机的平稳运行的目的。

本发明所述的一种混合驱动汽车空调压缩机转矩的控制系统采用的技术方案是：具有控制器，控制器由压缩机转速计算模块、压缩机动态负载转矩T_压预测神经网络、直流无刷电机在压缩机端的负载T₂计算模块和直流无刷电机控制器依序串接组成，发动机转速传感器的输出端连接压缩机转速计算模块的输入端，压缩机转速计算模块输出压缩机转速至压缩机动态负载转矩T_压预测神经网络和直流无刷电机控制器，压缩机开度传感器和空调系统空气压力传感器的输出端均连接压缩机动态负载转矩T_压预测神经网络的输入端，霍尔转子位置传感器的输出端连接直流无刷电机控制器的输入端，直流无刷电机控制器的输出端连接直流无刷电机驱动执行单元。

所述的一种混合驱动汽车空调压缩机转矩的控制系统的控制方法采用的技术方案是：包括以下步骤：

A、通过整车台架试验获得空调压缩机转速n、空调系统压力P、空调压缩机开度α％以及对应时刻的空调压缩机动态负载转矩T_压样本数据，对样本数据进行归一化处理得到转速、压力、开度向量x和转矩向量y；

B、建立10个不同的BP弱预测器，将x作为BP弱预测器的输入，y作为BP弱预测器的输出，得到强预测器函数y＝g_out(x)，获得压缩机动态负载转矩T_压预测神经网络；

C、压缩机动态负载转矩T_压预测神经网络接收空调系统空气压力传感器(10)检测的空调系统压力P、压缩机开度传感器检测的空调系统开度α％以及压缩机转速n，对转矩T_压进行预测得到空调压缩机的实时负载转矩T_压，；

D、直流无刷电机在压缩机端的负载T₂计算模块根据转矩T_压计算得到负载T₂，直流无刷电机控制器根据负载T₂、压缩机转速n和霍尔转子位置传感器检测的转子位置信号得到控制信号输出给直流无刷电机驱动执行单元。

本发明采用上述技术方案后突显的技术效果是：

1、本发明针对空调压缩机采用发动机电机空调压缩机串联式驱动结构，可以切换空调压缩机驱动模式，在电池组满电量下提出的混合驱动模式可以有效的对混合动力汽车的电池组电量进行合理的利用。

2、本发明通过对传统BP神经网络选取不同参数构成弱预测器序列，然后结合Adaboost(自适应增强迭代)算法构造出新的强预测器，在转矩分配过程中利用Adaboost算法改进的BP神经网络对空调压缩机的动态转矩负载T进行实时预测，由于空调压缩机的动态转矩负载与空调压缩机转速n、空调系统压力P、空调压缩机开度α％这几个因素有直接的关系，所以将这几个量作为预测BP神经网络的输入量，空调压缩机的动态转矩负载T作为输出，就有效降低了传统BP神经容易陷入局部极小的影响，提高了空调压缩机转矩的预测精度，实现良好的混合驱动效果。

3、由于空调压缩机的负载转矩得到准确的预测，再配合本发明的混合驱动方案，保证发动机在空调压缩机端所承担负载的稳定性，从而提高了发动机输出转矩的平稳性，保证了车辆运行的平稳性。

附图说明

图1为本发明所述的一种混合驱动汽车空调压缩机转矩的控制系统的安装结构示意图：

图2为图1中控制器的内部结构及其控制框图；

图中：1.发动机；2.皮带轮传动系统；3.空调压缩机；4.直流无刷电机；5.控制器；6.霍尔转子位置传感器；7.直流无刷电机驱动执行单元；8.发动机转速传感器；9.压缩机开度传感器；10.空气压力传感器；11.压缩机动态负载转矩T_压预测神经网络；12.压缩机转速计算模块；13.直流无刷电机在压缩机端的负载T₂计算模块；14.直流无刷电机控制器。

具体实施方式

如图1所示，安装在混合驱动汽车上的空调压缩机3，其主轴一端通过皮带轮传动系统2与发动机1相连，其主轴另一端直接与直流无刷电机4的主轴采用轴套连接。直流无刷电机4上安装霍尔转子位置传感器6，用于检测直流无刷电机4的转子位置信号。霍尔转子位置传感器6通过信号线连接控制器5，将转子位置信号传送给控制器5。安装在混合驱动汽车上的发动机转速传感器8、压缩机开度传感器9和空调系统空气压力传感器10分别通过信号线连接控制器5，分别检测发动机转速N信号、空调压缩机开度α％信号和空调系统压力P信号，并将这些信号传送给控制器5。控制器5的输出端通过控制线连接直流无刷电机驱动执行单元7，空调系统控制器5输出PWM控制信号控制直流无刷电机驱动执行单元7。

如图2所示，控制器5由压缩机转速计算模块12、压缩机动态负载转矩T_压预测神经网络11、直流无刷电机在压缩机端的负载T₂计算模块13和直流无刷电机控制器14依序串接组成。发动机转速传感器8的输出端连接压缩机转速计算模块12的输入端，压缩机开度传感器9和空调系统空气压力传感器10的输出端均连接压缩机动态负载转矩T_压预测神经网络11的输入端，霍尔转子位置传感器6的输出端连接直流无刷电机控制器14的输入端，将转子位置信号输入至直流无刷电机控制器14，直流无刷电机控制器14的输出端连接直流无刷电机驱动执行单元7，控制直流无刷电机驱动执行单元7的运行。

发动机转速传感器8接收车辆发动机转速N输入到压缩机转速计算模块12，压缩机转速计算模块12结合皮带轮传动比i₀，计算出压缩机转速n并将压缩机转速n分别输入至压缩机动态负载转矩T_压预测神经网络11以及直流无刷电机控制器14：

n＝N/i₀。

空调系统空气压力传感器10将空调系统压力P、压缩机开度传感器9将空调压缩机开度α％也输入压缩机动态负载转矩T_压预测神经网络11。压缩机动态负载转矩T_压预测神经网络11对输入的空调压缩机转速n、空调压缩机开度α％、空调系统压力P进行处理，得到实时空调压缩机转矩负载T_压，并将空调压缩机转矩负载T_压输入至直流无刷电机在压缩机端的负载T₂计算模块13，经计算得到空调压缩机端的负载T₂，将空调压缩机端的负载T₂输入至直流无刷电机控制器14，直流无刷电机控制器14根据输入的负载T₂、压缩机转速n、转子位置信号进行处理，输出PWM控制信号给直流无刷电机驱动执行单元7，实现对直流无刷电机4的转速和转矩的双闭环控制，使得直流无刷电机4输出的转速达到空调压缩机3的主轴转速n，转矩达到直流无刷电机4在空调压缩机3端的负载T₂。

由于空调压缩机3在任意压缩机转速n、空调系统压力P、压缩机开度α％下的空调压缩机转矩负载T_压是一个不断变化的值，且空调压缩机转矩负载T_压由发动机1和直流无刷电机4共同来承担，发动机1承担的转矩为T_1N(T_1N为台架实验中得到的空调压缩机的转矩负载在发动机转速为N时的最低值转矩)，直流无刷电机4承担的负载为T₂，直流无刷电机在空调压缩机端的负载T₂计算模块13根据式T₂＝T_压-T_1N计算得到直流无刷电机在空调压缩机端的负载T₂。

如图1、2所示，本发明的控制系统在工作时的具体控制步骤如下：

1、首先通过整车台架试验，获得包括空调压缩机转速n、空调系统压力P、空调压缩机开度α％以及对应时刻的空调压缩机动态负载转矩T_压的运转相关参数的样本数据，实验获取的样本数据为m组。对m组样本数据进行归一化处理。对空调压缩机3的运转相关参数进行归一化处理，得到转速、压力、开度的m组向量x和转矩的m组向量y：

其中i＝1,2,3···m；n_max,n_min分别为样本中转速的最大值和最小值，P_max,P_min分别为样本中压力的最大值和最小值；α_max,α_min分别为样本中开度的最大值和最小值；T_压max,T_压min分别为转矩T_压的最大值和最小值。

2、建立10个不同的BP弱预测器，将m组向量x作为BP弱预测器的输入，y作为BP弱预测器的输出。10个不同的BP弱预测器是选择了不同参数的BP预测器，不同参数主要包括：隐含层节点数、节点传递函数、训练函数、网络学习函数。其中隐含层节点数可选值为2-4的整数；节点传递函数主要包括硬限幅传递函数、对称硬限幅传递函数、线性传递函数、正切S型传递函数、对数S型传递函数；训练函数主要包括梯度下降BP算法训练函数、动态自适应学习率的BP算法训练函数、动态自适应学习率的BP算法训练函数、Levenberg-Marquardt BP算法训练函数、动量反传和动态自适应学习率的梯度下降BP算法训练函数；网络学习函数主要包括BP学习规则函数、带动量项的BP学习规则函数。具体选择可参见下表所示：

然后对每个BP弱预测器网络进行初始化，对所有样本数据权值进行初始化，第i个样本数据初始权值D₁(i)分布如下：

令初始误差率ε₁＝0，并对BP网络阈值Φ进行初始化设置，本发明中设置Φ＝0.5。

先令t＝1，t为弱预测器序号，将m组向量x、y分别作为BP弱预测器的输入与输出输入到10个不同的弱预测器t，得到BP弱预测器回归模型g_t(x)→y。

根据下式计算第t个弱预测器g_t(x)的误差率ε_t：

ε_t＝∑D_t(i)，其中i满足Φ为初始阈值，i为样本的序号。

再对样本数据权重进行调整更新，并计算下一个弱预测器的误差率ε_t，式中B_t为标准化因子：

上式中B_t为标准化因子，D_t+1(i)为更新后的第i个样本数据对应的权值。

如此，令t＝t+1进行循环，当t＞10终止，最终得到强预测器函数：

然后根据下式得到预测负载转矩T_压：

T_压＝y(T_压max-T_压min)，

即得到压缩机动态负载转矩T_压预测神经网络11，这也是基于Adaboost(自适应增强迭代)算法改进BP神经网络。

3、通过空调系统空气压力传感器10接收空调系统压力P，压缩机开度传感器9接收空调系统开度α％，将得到的空调压缩机转速n、空调系统压力P、空调压缩机开度α％输入压缩机动态负载转矩T_压预测神经网络11，对转矩T_压进行预测，得到实时空调压缩机的负载转矩T_压，并将负载转矩T_压输入至直流无刷电机在压缩机端的负载T₂计算模块13中。

4、直流无刷电机在压缩机端的负载T₂计算模块13根据公式T₂＝T_压-T_1N计算得到直流无刷电机在空调压缩机端的负载T₂，并将负载转矩T₂输入至直流无刷电机控制器14中。直流无刷电机控制器14根据空调压缩机端的负载T₂、空调压缩机转速计算模12块中计算得到的空调压缩机转速n、霍尔转子位置传感器6上获得转子位置信号，得到PWM控制信号输出给直流无刷电机驱动执行单元7，直流无刷电机驱动执行单元7对直流无刷电机4进行转速和转矩的双闭环控制，保证发动机1承担的空调压缩机负载T_1N为一个相对稳定的值，不会因为空调压缩机转速n、空调系统压力P、空调压缩机开度α％的变化而剧烈波动造成发动机1的输出不稳定，同时实现对混合动力汽车能量的合理利用。

Claims (6)

1.一种混合驱动汽车空调压缩机转矩的控制系统，具有控制器(5)，其特征是：控制器(5)由压缩机转速计算模块(12)、压缩机动态负载转矩T_压预测神经网络(11)、直流无刷电机在压缩机端的负载T₂计算模块(13)和直流无刷电机控制器(14)依序串接组成，发动机转速传感器(8)的输出端连接压缩机转速计算模块(12)的输入端，压缩机转速计算模块(12)输出压缩机转速n至压缩机动态负载转矩T_压预测神经网络(11)和直流无刷电机控制器(14)，压缩机开度传感器(9)和空调系统空气压力传感器(10)的输出端均连接压缩机动态负载转矩T_压预测神经网络(11)的输入端，霍尔转子位置传感器(6)的输出端连接直流无刷电机控制器(14)的输入端，直流无刷电机控制器(14)的输出端连接直流无刷电机驱动执行单元(7)。

2.根据权利要求1所述的控制系统的控制方法，其特征是包括以下步骤：

A、通过整车台架试验获得空调压缩机转速n、空调系统压力P、空调压缩机开度α％以及对应时刻的空调压缩机动态负载转矩T_压样本数据，对样本数据进行归一化处理得到转速、压力、开度向量x和转矩向量y；

B、建立10个不同的BP弱预测器，将x作为BP弱预测器的输入，y作为BP弱预测器的输出，得到强预测器函数y＝g_out(x)，获得压缩机动态负载转矩T_压预测神经网络(11)；

C、压缩机动态负载转矩T_压预测神经网络(11)接收空调系统空气压力传感器(10)检测的空调系统压力P、压缩机开度传感器(9)检测的空调系统开度α％以及压缩机转速n，对转矩T_压进行预测得到空调压缩机(3)的实时负载转矩T_压；

D、直流无刷电机在压缩机端的负载T₂计算模块(13)根据转矩T_压计算得到负载T₂，直流无刷电机控制器(14)根据负载T₂、压缩机转速n和霍尔转子位置传感器(6)检测的转子位置信号得到控制信号输出给直流无刷电机驱动执行单元(7)。

3.根据权利要求2所述的控制系统的控制方法，其特征是：步骤B中，10个不同的BP弱预测器是选择包括隐含层节点数、节点传递函数、训练函数、网络学习函数的不同参数的BP预测器，隐含层节点数选值为2-4的整数，节点传递函数包括硬限幅传递函数、对称硬限幅传递函数、线性传递函数、正切S型传递函数和对数S型传递函数；训练函数包括梯度下降BP算法训练函数、动态自适应学习率的BP算法训练函数、动态自适应学习率的BP算法训练函数、Levenberg-Marquardt BP算法训练函数、动量反传和动态自适应学习率的梯度下降BP算法训练函数；网络学习函数包括BP学习规则函数、带动量项的BP学习规则函数。

4.根据权利要求2所述的控制系统的控制方法，其特征是：步骤B中，先对每个BP弱预测器网络进行初始化，向量x、y分别作为BP弱预测器的输入与输出输入到10个不同的弱预测器，得到BP弱预测器回归模型g_t(x)→y，计算弱预测器回归模型gt(x)的误差率ε_t，最终得到强预测器函数：

5.根据权利要求2所述的控制系统的控制方法，其特征是：步骤C中，压缩机动态负载转矩T_压预测神经网络(11)根据式T_压＝y(T_压max-T_压min)得到空调压缩机的实时负载转矩T_压，T_压max,T_压min分别为转矩T_压的最大值和最小值。

6.根据权利要求2所述的控制系统的控制方法，其特征是：步骤D中，直流无刷电机在压缩机端的负载T₂计算模块(13)根据式T₂＝T_压-T_1N计算得到负载T₂，T_1N为台架试验得到的空调压缩机的转矩负载在发动机转速传感器(8)检测到发动机转速为N时的最低值转矩。