CN109849895A - 一种基于神经网络观测器的混合动力汽车自适应e-h切换协调控制方法 - Google Patents
一种基于神经网络观测器的混合动力汽车自适应e-h切换协调控制方法 Download PDFInfo
- Publication number
- CN109849895A CN109849895A CN201910150816.5A CN201910150816A CN109849895A CN 109849895 A CN109849895 A CN 109849895A CN 201910150816 A CN201910150816 A CN 201910150816A CN 109849895 A CN109849895 A CN 109849895A
- Authority
- CN
- China
- Prior art keywords
- torque
- motor
- clutch
- engine
- speed
- 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
Links
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
本发明公开了一种基于神经网络观测器的混合动力汽车自适应E‑H切换协调控制方法,属于汽车动态控制领域。本发明针对混合动力汽车由E(Electric drive mode,纯电动模式)‑H(Hybrid drive mode,混合驱动模式)的模式切换过程中产生的纵向冲击问题及系统参数摄动现象,引入一种融合参数不确定性观测器的多动力源协调控制策略,通过实时监测系统参数变化,及时修正协调控制器参数,使得车辆始终自动地工作在最优或次最优的状态下。同时,由于协调控制器的自校正特性,可实现适用于不同路面、不同驾驶员的高水平切换控制。本发明可有效降低模式切换冲击,并使其协调控制策略具有一定的抗干扰性及自适应性。
Description
技术领域
本发明涉及一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制策略,属于汽车动态控制领域。
背景技术
众所周知,混合动力汽车具有多种行驶模式,并且可以根据不同的行驶工况选择合适的驱动/制动模式以实现良好的燃油经济性及动力性,这就不可避免地涉及到模式切换,相应的动力源需求转矩也会发生突变,如果不施加合理的控制,易造成明显冲击感,甚至会发生动力中断的现象。发动机、电机以及离合器作为主要的冲击来源,合理协调三者的输出响应有利于提升整车模式切换品质。当前混合动力汽车动态协调控制研究主要采用电机动态转矩补偿发动机转矩响应速度的不足,但极少考虑模型本身存在的不确定性及外界干扰,此外,由于车辆实际工作环境复杂多变,协调控制策略必须能适应各种状态变量的变化。
发明内容
为克服以上技术缺陷,本发明提出一种能适应各种状态变量变化的基于参数观测的混合动力汽车自适应E-H切换协调控制方法,其技术方案包括步骤:
一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制方法,包括以下步骤:
步骤1)混合动力汽车初始状态以纯电动模式行驶,此时,制动器CB1锁止,发动机关闭,电机MG2完全负担车辆驱动所需扭矩;同时,混合动力汽车上的车速传感器及加速踏板位置传感设备实时监测当前车速信息及加速踏板、制动踏板位置信号,并输入到车辆控制器VCU,根据已设定的切换车速阈值vthr,VCU判断是否进行模式切换;
步骤2)若车速v≥vthr时;
此时混合动力汽车满足模式切换条件,需要进行模式切换,VCU控制制动器CB1迅速断开,车辆由纯电动模式进入发动机拖转;发动机拖转阶段控制目标为:尽快增大离合器CR1压力,电机MG1需在短时间内通过离合器拖转发动机直至怠速转速widle,同时降低纵向冲击。考虑到该阶段控制目标及控制对象数量较多,设计了基于动态规划的最优协调控制器,通过离散化上述目标函数及变量范围,运用动态规划全局优化算法求解最优控制量(TMG1,TCR1,TMG2);其中,TCR1为离合器传递扭矩,TMG1和TMG2分别为电机MG1和MG2的输出转矩;
步骤3)当发动机的转速we≥widle时;
此时车辆进入转速同步阶段,发动机开始点火,同时最优协调控制器控制(Te,TMG1,TCR1,TMG2),其中,Te为发动机输出转矩,以保证离合器端速差|wcl-in-wcl-out|小于设定阈值ε0,实现转速同步;
步骤4)当|wcl-in-wcl-out|≤ε0时;此时认为离合器进入滑磨阶段,此阶段最优协调控制器控制目标为进一步降低端速差及滑磨功,该阶段目标函数及其变量限制条件同步骤3);
步骤5)当|wcl-in-wcl-out|≤ε1时;此时离合器端速差足够小,认为离合器完全接合,车辆进入混合驱动模式,电机MG1调速发动机于最优转速,整车由发动机与电机MG2共同驱动,多动力源最优转矩分配由能量管理策略确定,模式切换过程结束;
步骤6)混合动力汽车模式切换过程中,通过在Cruise模型中进行多组数据输入,采集相应输出,构建出容量为300的样本集。随后通过BP神经网络进行学习训练,构建出参数变化辨识预测模型,从而识别当前系统参数变化规律。
本发明的有益效果为:本发明通过BP神经网络的训练学习映射出系统扭矩输入与关键参数摄动之间的关系,从而辨识出系统参数的变化规律,达到实时观测模型不确定性的目的,据此可相应调整车辆模式切换过程协调控制器参数,进而获得平顺性较高,鲁棒性较好的模式切换品质。
附图说明
图1为本发明所述混合动力汽车动力系统布局图。
图2为本发明所述混合动力汽车E-H模式切换流程图。
图3为本发明所述的基于神经网络观测器的混合动力汽车自适应E-H切换协调控制策略的总体控制方案图。
图4为本发明所述系统不确定参数观测器设计架构图。
图5为神经网络结构图。
具体实施方式
以下结合附图及具体实施例对本发明做进一步说明。如图1所示为本专利研究的双行星排式混合动力系统,主要包括前排齿圈R1、前排行星架C1、前排太阳轮S1、后排齿圈R2、后排行星架C2、后排太阳轮S2。其中发动机通过离合器CR1和制动器CB1与前排行星架C1相连,电机MG1的转子轴通过制动器CB2与前排太阳轮S1相连,电机MG2的转子轴与后排太阳轮S2相连。另外前排行星架C1与后排齿圈R2相连,前排齿圈R1、后排行星架C2、输出轴三者相连。混合动力汽车初始以纯电动模式行驶,制动器CB1锁止,发动机关闭,电机MG2完全负担车辆驱动所需扭矩。同时,混合动力汽车上的车速传感器及加速踏板位置传感设备实时监测当前车速信息及加速踏板、制动踏板位置信号,并输入到车辆控制器(VCU),根据已设定的切换车速阈值vthr,VCU判断是否进行模式切换;
若v>vthr时,表明混合动力汽车满足模式切换条件,需要进行模式切换,VCU控制制动器CB1迅速断开,车辆由纯电动模式进入发动机拖转。发动机拖转阶段控制目标为:尽快增大离合器CR1压力,电机MG1需在0.5s内通过离合器拖转发动机直至怠速转速widle,同时降低纵向冲击。考虑到该阶段控制目标及控制对象数量较多,设计了基于动态规划的最优协调控制器。
目标函数
相应的变量限制条件为:
通过离散化上述目标函数及变量范围,运用动态规划全局优化算法求解最优控制量(TMG1,TCR1,TMG2)。由于发动机低速转动时存在显著的转矩波动,以及离合器传递扭矩过程存在的不连续性均会传递到驱动轴从而带来冲击,增设电机MG2转矩PID补偿模块抵消这部分转矩波动。
当we≥widle时,此时车辆进入转速同步阶段,发动机开始点火,同时最优协调控制器控制(Te,TMG1,TCR1,TMG2),以降低离合器端速差|wcl-in-wcl-out|,实现转速同步。同样,设计了电机MG2转矩补偿模块抵消发动机点火后的转矩波动。
相应目标函数为
受到的限制条件为
如图2所示,当|wcl-in-wcl-out|≤ε0时,此时离合器端速差低于设定阈值ε0(本文设定为0.1rad/s),认为离合器进入滑磨阶段,此阶段最优协调控制器控制目标为进一步降低端速差及滑磨功。该阶段目标函数及其变量限制条件同上。
当|wcl-in-wcl-out|≤ε1时,此时离合器端速差足够小,即ε1等于0,认为离合器完全接合,车辆进入混合驱动模式。电机MG1调速发动机于最优转速,整车由发动机与电机MG2共同驱动,多动力源最优转矩分配由能量管理策略确定,完成E-H模式切换过程。
整个切换过程涉及的协调控制策略的总体控制方案如图3所示。当混合动力汽车车速超过设定阈值vthr,车辆控制器接收到纯电动切换至混合驱动的模式切换信号,此时能量管理策略根据车辆行驶工况和燃油经济性要求确定出混合驱动模式稳态下发动机目标转矩Te-set、电机目标转矩Tm-set、离合器目标转矩Tc-set,于是发动机、离合器、电机的执行机构分别通过调整节气门开度、离合器接合压力、三相绕组电流来驱使各动力源过渡至目标转矩。为了减小由上述转矩突变带来的驱动轴冲击振动,设计了分阶段协调控制策略,通过最优控制和电机补偿综合求解整个切换过程中发动机、离合器、电机的需求转矩Te-dem、Tc-dem、Tm-dem,并考虑到执行器的实际操作限制,分别设计了扭矩限制模块和迟滞模块,其中发动机的扭矩限制模块为
Te-min(ω)≤Te(ω)≤Te-max(ω)
发动机迟滞模块为
Te(ω)根据发动机当前转速通过稳态查表模型获得,查表模型基于发动机台架实验数据建立,τe为发动机一阶惯性环节的时间常数。
相似地,离合器执行器的扭矩限制及迟滞模块为
TCR1-min≤TCR1≤TCR1-max
电机的扭矩限制和迟滞模块为
TM-min(ω)≤TM(ω)≤TM-max(ω)
τc、τm分别为离合器和电机的一阶惯性环节的时间常数。经过“实际化”后的发动机执行扭矩Te-in、离合器执行扭矩Tc-in、电机执行扭矩Tm-in输入至HEV整车模型中(即图1所示的系统架构),最终的输出扭矩真值信号Te-act、Tc-act、Tm-act经由传感器测量反馈至协调控制器中。传感器测量模块主要模拟其测量误差,相应地数学表达为
其中,Δe、Δc、Δm分别为发动机、离合器、电机的误差比例系数。值得注意的是,整个E-H模式切换过程相对动态,存在多种时变系统参数,如各部件转动惯量、电机内阻、发动机启动阻力矩、离合器摩擦系数等。由于系统参数时变易造成控制器效果恶化,基于此,设计相应的不确定性参数观测器,如图4所示,首先应用软件Cruise搭建了本专利所研究的如图1所示的双行星排式混合动力汽车的整车模型,该模型可较好地刻画车辆的瞬态动力学特性。随后通过在Cruise模型中进行多组数据输入,不确定性参数也可通过BP神经网络进行系统辨识。本专利采用3层前向BP网络完成4维到3维的映射。即这三层分别为输入层,隐含层,输出层,如图5所示。其中输入层节点m为4个,隐含层节点s为5个,输出层节点n为3个,x1,x2,...,xm为输入向量,y1,y2,...,yn为输出向量,隐含层神经元的输出为h1,h2,...,hi,...,hs,wij为第j个神经元与第i个神经元之间的连接权重,bi为第i个神经元的偏置。
则隐含层的第i个神经元的输入neti和输出hi分别为:
hi=f(neti)
输出层的第k个神经元的输入netk与输出yk分别为:
yk=g(netk)
其中,f(.)和g(.)为神经元的激活函数,均为sigmod函数。首先初始化所有的加权系数为最小的随机数,然后给定300组学习样本(x,y),y为实际输出,y’为相应的辨识输出,该预测模型的二次型误差函数为
根据梯度最速下降法,调整各权值系数使得输出总误差最小,其中隐含层的权重系数及偏置修改公式为
wij(d+1)=wij(d)+η1δihj
bi(d+1)=bi(d)+η2δi
输出层的权重系数修改公式为
wki(d+1)=wki(d)+η1δkhi
bk(d+1)=bk(d)+η2δk
δk=hk(1-hk)(yk-yk′)
其中,η1、η2为学习速率,分别设定为0.5和0.8,d为迭代次数。直至总误差J小于1%,训练结束,辨识预测模型搭建完成以实现电机内阻、离合器摩擦系数的摄动识别。
应用上述BP神经网络进行系统辨识即可建立输入-输出的控制间预测方程,通过采集足够的测量数据便可构建出参数变化预测模型,从而识别当前系统参数变化规律。
如图3所示,通过上述不确定性观测器识别,在系统参数摄动的状况下,可以同时进行最优协调控制器参数α、β、γ、λ和PID参数kp、kd、ki、kp′、kd′和ki′修正,从而使得系统始终自动地工作在最优或次最优的运行状态下。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制方法,其特征在于,包括以下步骤:
步骤1)混合动力汽车初始状态以纯电动模式行驶,此时,制动器CB1锁止,发动机关闭,电机MG2完全负担车辆驱动所需扭矩;同时,混合动力汽车上的车速传感器及加速踏板位置传感设备实时监测当前车速信息及加速踏板、制动踏板位置信号,并输入到车辆控制器VCU,根据已设定的切换车速阈值vthr,VCU判断是否进行模式切换;
步骤2)若车速v≥vthr时;
此时混合动力汽车满足模式切换条件,需要进行模式切换,VCU控制制动器CB1迅速断开,车辆由纯电动模式进入发动机拖转;发动机拖转阶段控制目标为:尽快增大离合器CR1压力,电机MG1需在短时间内通过离合器拖转发动机直至怠速转速widle,同时降低纵向冲击。考虑到该阶段控制目标及控制对象数量较多,设计了基于动态规划的最优协调控制器,通过离散化上述目标函数及变量范围,运用动态规划全局优化算法求解最优控制量(TMG1,TCR1,TMG2);其中,TCR1为离合器传递扭矩,TMG1和TMG2分别为电机MG1和MG2的输出转矩;
步骤3)当发动机的转速we≥widle时;
此时车辆进入转速同步阶段,发动机开始点火,同时最优协调控制器控制(Te,TMG1,TCR1,TMG2),其中,Te为发动机输出转矩,以保证离合器端速差|wcl-in-wcl-out|小于设定阈值ε0,实现转速同步;
步骤4)当|wcl-in-wcl-out|≤ε0时;此时认为离合器进入滑磨阶段,此阶段最优协调控制器控制目标为进一步降低端速差及滑磨功,该阶段目标函数及其变量限制条件同步骤3);
步骤5)当|wcl-in-wcl-out|≤ε1时;此时离合器端速差足够小,认为离合器完全接合,车辆进入混合驱动模式,电机MG1调速发动机于最优转速,整车由发动机与电机MG2共同驱动,多动力源最优转矩分配由能量管理策略确定,模式切换过程结束;
步骤6)混合动力汽车模式切换过程中,通过在Cruise模型中进行多组数据输入,采集相应输出,构建出容量为300的样本集。随后通过BP神经网络进行学习训练,构建出参数变化辨识预测模型,从而识别当前系统参数变化规律。
2.根据权利要求1所述的一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制方法,其特征在于,步骤2)中,基于动态规划的最优协调控制器运用动态规划全局优化算法求解最优控制量为:
该控制器的目标函数:
相应的变量限制条件为:
其中,t0和t1分别为制动器CB1完全断开,发动机转速等于怠速转速的瞬时时刻,j为车辆纵向冲击度,α和β分别为冲击度和发动机拖转时间的权重系数,ωe为发动机转速,TCR1为离合器传递扭矩,Tef为发动机启动阻力矩,TMG1和TMG2分别为电机MG1和MG2的输出转矩,TMG1-min和TMG1-max分别为电机MG1的输出最小转矩和最大转矩限制,同理,TMG2-min和TMG2-max为电机MG2的最小转矩和最大转矩。
3.根据权利要求1所述的一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制方法,其特征在于,步骤2)中,由于发动机低速转动时存在显著的转矩波动,以及离合器传递扭矩过程存在的不连续性均会传递到驱动轴从而带来冲击,增设电机MG2转矩PID补偿模块抵消这部分转矩波动。
4.根据权利要求1所述的一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制方法,其特征在于,步骤3)中,最优协调控制器控制的目标函数为:
受到的限制条件为
其中,Te-max为发动机输出转矩最大值,ωcl_in和ωcl_out分别为离合器主动盘,从动盘端转速,t2为离合器端速差等于ε0的瞬时时刻,γ和λ分别为离合器端速差和滑磨功的权重系数,TCR1-min和TCR1-max分别为离合器传递扭矩的最小值和最大值,同样,设计了电机MG2转矩PID补偿模块抵消发动机点火后的转矩波动。
5.根据权利要求1所述的一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制方法,其特征在于,步骤6的具体过程为:不确定性参数观测器通过BP神经网络进行系统辨识,系统的输入为发动机、离合器、电机转矩及电机工作温度,系统输出为离合器端速差、离合器摩擦系数、电机内阻,采用3层前向BP网络完成4维到3维的映射,即这三层分别为输入层,隐含层,输出层,其中输入层节点m为4个,隐含层节点s为5个,输出层节点n为3个,x1,x2,...,xm为输入向量,y1,y2,...,yn为输出向量,隐含层神经元的输出为h1,h2,...,hi,...,hs,wij为第j个神经元与第i个神经元之间的连接权重,bi为第i个神经元的偏置。
则隐含层的第i个神经元的输入neti和输出hi分别为:
hi=f(neti)
输出层的第k个神经元的输入netk与输出yk分别为:
yk=g(netk)
其中,f(.)和g(.)为神经元的激活函数,均为sigmod函数,首先初始化所有的加权系数为最小的随机数,然后给定300组学习样本(x,y),y为实际输出,y’为相应的辨识输出,该预测模型的二次型误差函数为
根据梯度最速下降法,调整各权值系数使得输出总误差最小,其中隐含层的权重系数及偏置修改公式为
wij(d+1)=wij(d)+η1δihj
bi(d+1)=bi(d)+η2δi
输出层的权重系数修改公式为
wki(d+1)=wki(d)+η1δkhi
bk(d+1)=bk(d)+η2δk
δk=hk(1-hk)(yk-y′k)
其中,η1、η2为学习速率,分别设定为0.5和0.8,d为迭代次数。训练结束,辨识预测模型搭建完成以实现电机内阻、离合器摩擦系数的摄动识别。
6.根据权利要求5所述的一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制方法,其特征在于,不确定性参数观测器的设计中应着重考虑电动机内阻、离合器摩擦系数、各构件转动惯量、传动轴等效刚度及阻尼的摄动,相应的Cruise模型数据输入为电动机内部工作温度、发动机、电机MG1和MG2的转矩。
7.根据权利要求3所述的一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制方法,其特征在于,电机MG2转矩PID补偿模块可由下式表达:
其中,kp、kd和ki为车速跟踪误差Δv的比例、微分及积分系数,k′p、k′d和k′i为加速度误差Δα的比例、微分及积分系数。通过调整车速跟踪误差Δv和加速度误差Δα的比例、积分及微分系数,输出当前时刻的电机MG2转矩补偿信号δT。
8.根据权利要求1所述的一种基于神经网络观测器的混合动力汽车自适应E-H切换协调控制方法,其特征在于,底层执行器在执行上层命令时不可避免地存在时滞与限制,通过引入合理的发动机、离合器、电机扭矩限制模块及迟滞模块,传感器测量干扰模块,使得协调控制器的设计更具合理性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150816.5A CN109849895B (zh) | 2019-02-28 | 2019-02-28 | 一种基于神经网络观测器的混合动力汽车自适应e-h切换协调控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910150816.5A CN109849895B (zh) | 2019-02-28 | 2019-02-28 | 一种基于神经网络观测器的混合动力汽车自适应e-h切换协调控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109849895A true CN109849895A (zh) | 2019-06-07 |
CN109849895B CN109849895B (zh) | 2020-11-03 |
Family
ID=66899281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910150816.5A Active CN109849895B (zh) | 2019-02-28 | 2019-02-28 | 一种基于神经网络观测器的混合动力汽车自适应e-h切换协调控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109849895B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110594317A (zh) * | 2019-08-01 | 2019-12-20 | 重庆大学 | 一种基于双离合器式自动变速器的起步控制策略 |
CN112644344A (zh) * | 2020-12-29 | 2021-04-13 | 武汉格罗夫氢能汽车有限公司 | 一种基于bp神经网络功率分配优化系统及优化方法 |
CN112711191A (zh) * | 2020-12-28 | 2021-04-27 | 北京理工大学 | 基于神经网络训练提高液粘调速离合器调速准确度的方法 |
CN113771827A (zh) * | 2021-08-30 | 2021-12-10 | 江苏大学 | 基于有限时间状态扩张观测器与时滞补偿控制器的混合动力汽车模式切换协调控制方法 |
CN114179778A (zh) * | 2021-12-30 | 2022-03-15 | 扬州大学 | 基于时滞预估的混合动力汽车e-h切换协调控制方法 |
CN114347972A (zh) * | 2022-01-07 | 2022-04-15 | 扬州大学 | 基于干扰补偿的混合动力汽车e-h切换协调控制方法 |
WO2024011846A1 (zh) * | 2022-07-15 | 2024-01-18 | 奇瑞商用车(安徽)有限公司 | 发动机扭矩补偿控制方法、装置、设备、系统及存储介质 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11884287B2 (en) | 2021-08-19 | 2024-01-30 | Ford Global Technologies, Llc | Enhanced vehicle operation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105644548A (zh) * | 2015-12-28 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 混合动力汽车的能量控制方法及装置 |
CN106080584A (zh) * | 2016-06-21 | 2016-11-09 | 江苏大学 | 一种基于模型预测控制算法的混合动力汽车模式切换协调控制方法 |
CN107539306A (zh) * | 2017-09-02 | 2018-01-05 | 上海埃维汽车技术股份有限公司 | 基于模糊小脑模型神经网络的汽车转矩分配控制方法 |
CN107539305A (zh) * | 2017-08-25 | 2018-01-05 | 吉林大学 | 一种行星式混联混合动力系统的动态扭矩协调控制方法 |
JP2018149952A (ja) * | 2017-03-14 | 2018-09-27 | 株式会社豊田中央研究所 | ハイブリッド車両の制御装置 |
-
2019
- 2019-02-28 CN CN201910150816.5A patent/CN109849895B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105644548A (zh) * | 2015-12-28 | 2016-06-08 | 中国科学院深圳先进技术研究院 | 混合动力汽车的能量控制方法及装置 |
CN106080584A (zh) * | 2016-06-21 | 2016-11-09 | 江苏大学 | 一种基于模型预测控制算法的混合动力汽车模式切换协调控制方法 |
JP2018149952A (ja) * | 2017-03-14 | 2018-09-27 | 株式会社豊田中央研究所 | ハイブリッド車両の制御装置 |
CN107539305A (zh) * | 2017-08-25 | 2018-01-05 | 吉林大学 | 一种行星式混联混合动力系统的动态扭矩协调控制方法 |
CN107539306A (zh) * | 2017-09-02 | 2018-01-05 | 上海埃维汽车技术股份有限公司 | 基于模糊小脑模型神经网络的汽车转矩分配控制方法 |
Non-Patent Citations (1)
Title |
---|
孔慧芳: "混合动力汽车E-H模式切换中扭矩协调控制策略研究", 《合肥工业大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110594317A (zh) * | 2019-08-01 | 2019-12-20 | 重庆大学 | 一种基于双离合器式自动变速器的起步控制策略 |
CN110594317B (zh) * | 2019-08-01 | 2020-11-17 | 重庆大学 | 一种基于双离合器式自动变速器的起步控制策略 |
CN112711191A (zh) * | 2020-12-28 | 2021-04-27 | 北京理工大学 | 基于神经网络训练提高液粘调速离合器调速准确度的方法 |
CN112711191B (zh) * | 2020-12-28 | 2022-03-08 | 北京理工大学 | 基于神经网络训练提高液粘调速离合器调速准确度的方法 |
CN112644344A (zh) * | 2020-12-29 | 2021-04-13 | 武汉格罗夫氢能汽车有限公司 | 一种基于bp神经网络功率分配优化系统及优化方法 |
CN113771827A (zh) * | 2021-08-30 | 2021-12-10 | 江苏大学 | 基于有限时间状态扩张观测器与时滞补偿控制器的混合动力汽车模式切换协调控制方法 |
CN114179778A (zh) * | 2021-12-30 | 2022-03-15 | 扬州大学 | 基于时滞预估的混合动力汽车e-h切换协调控制方法 |
CN114179778B (zh) * | 2021-12-30 | 2023-12-01 | 扬州大学 | 基于时滞预估的混合动力汽车e-h切换协调控制方法 |
CN114347972A (zh) * | 2022-01-07 | 2022-04-15 | 扬州大学 | 基于干扰补偿的混合动力汽车e-h切换协调控制方法 |
CN114347972B (zh) * | 2022-01-07 | 2023-11-10 | 扬州大学 | 基于干扰补偿的混合动力汽车e-h切换协调控制方法 |
WO2024011846A1 (zh) * | 2022-07-15 | 2024-01-18 | 奇瑞商用车(安徽)有限公司 | 发动机扭矩补偿控制方法、装置、设备、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109849895B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109849895A (zh) | 一种基于神经网络观测器的混合动力汽车自适应e-h切换协调控制方法 | |
CN109849896B (zh) | 一种基于参数观测的混合动力汽车自适应e-h切换协调控制方法 | |
CN101634362B (zh) | 用于海拔补偿的变速器换挡调度方法 | |
Liu et al. | Control optimization for a power-split hybrid vehicle | |
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
CN101445112B (zh) | 操作混合动力传动系统的方法 | |
US8494732B2 (en) | Method for determining a preferred engine operation in a hybrid powertrain system during blended braking | |
CN108819934B (zh) | 一种混合动力车辆的动力分配控制方法 | |
CN107097632A (zh) | 一种自动档混合动力环卫车取力结构及其控制方法 | |
CN101513875A (zh) | 预测混合动力系统速度输出的方法 | |
CN106800018A (zh) | 车辆动力总成控制方法及系统 | |
CN110103948A (zh) | 基于补偿滑模控制的功率分流式混合动力汽车模式切换协调控制方法 | |
CN103523005A (zh) | 混合动力车辆及关联的输出扭矩控制方法 | |
Wu et al. | Driving mode shift control for planetary gear based dual motor powertrain in electric vehicles | |
CN103696857A (zh) | 一种用于电动汽车增程器的电子节气门装置和控制方法 | |
CN114802180A (zh) | 混合动力汽车动力系统协调控制的模式预测系统及方法 | |
CN109555847A (zh) | 一种基于动态规划的混合动力公交车amt换挡方法 | |
CN116394914A (zh) | 一种考虑soc轨迹的混合动力汽车预测能量管理方法 | |
Fu et al. | Mode transition coordination control for PHEV based on cascade predictive method | |
CN113581163B (zh) | 基于lstm的多模phev模式切换优化与能量管理方法 | |
CN110435635B (zh) | 一种带湿式离合器的行星混动系统模式切换协调控制方法 | |
CN114771498B (zh) | 用于混合动力汽车模式切换的发动机转矩控制系统 | |
Yunlong et al. | Neural network and efficiency-based control for dual-mode hybrid electric vehicles | |
Zhang et al. | Energy management strategy design for plug-in hybrid electric vehicles with continuation/GMRES algorithm | |
Wang et al. | Hybrid powertrain control with a rapid prototyping research platform |
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 |