CN109910863B - 一种基于插电式混合动力轿车专用变速器的控制方法 - Google Patents
一种基于插电式混合动力轿车专用变速器的控制方法 Download PDFInfo
- Publication number
- CN109910863B CN109910863B CN201910306974.5A CN201910306974A CN109910863B CN 109910863 B CN109910863 B CN 109910863B CN 201910306974 A CN201910306974 A CN 201910306974A CN 109910863 B CN109910863 B CN 109910863B
- Authority
- CN
- China
- Prior art keywords
- transmission
- output
- fuzzy
- speed
- vehicle
- 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.)
- Active
Links
Images
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
本发明公开一种基于插电式混合动力轿车专用变速器的控制方法,采集轿车行驶车况和路况,并基于BP神经网络确定变速器的工作模式,包括步骤一、按照采样周期,通过传感器测量车速、发动机转速、电动机转速、油门踏板开度、开度变化率、行驶路面坡度;步骤二、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5,x6};其中,x1为车速,x2为发动机转速,x3为电机转速,x4为油门踏板开度,x5为油门踏板开度变化率,x6为行驶路面坡度;步骤三、输入层向量映射到隐层,隐层的神经元为m个;步骤四、得到输出层神经元向量o={o1};其中,o1为变速器的工作模式,所述输出层神经元值为k为输出层神经元序列号,k={1},当ok为1时,此时变速器处于第一种工作模式,当ok为0时,此时变速器处于第二种工作模式。
Description
技术领域
本发明涉及变速器控制技术领域,更具体的是,本发明涉及一种基于插电式混合动力轿车专用变速器的控制方法。
背景技术
无级变速器(CVT)由于能实现连续的速比变化,在工作过程中可以使得发动机或电机等动力源能工作在最佳的工作区域,从而实现较高的燃油经济性或能量利用效率。
目前,无级变速器在整车变速控制中,缺乏准确的控制方法,难以根据实时驾驶情况选择准确的速比,从而使得发动机或电机等动力源变速后难以实现最优工作。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
目前缺乏准确的无级变速器控制方法,难以根据实时驾驶情况选择准确的速比,从而使得发动机或电动机等动力源和无级变速器组成的动力总成最优工作。
发明内容
本发明的目的之一是设计开发了一种基于插电式混合动力轿车专用变速器的控制方法,采集轿车行驶车况和路况,并基于BP神经网络确定变速器的工作模式,使得发动机和电动机等动力源和变速器组成的动力总成最优工作。
本发明的目的之二是当变速器进行车辆最佳动力性模式时,能够精确变速器控制动力总成的输出扭矩,使得车辆处于最佳动力性模式。
本发明的目的之三是当变速器进行车辆燃油最佳经济性模式时,基于模糊控制方法确定变速器控制动力总成的输出扭矩,使得车辆处于燃油最佳经济性模式。
本发明提供的技术方案为:
一种基于插电式混合动力轿车专用变速器的控制方法,采集轿车行驶车况和路况,并基于BP神经网络确定变速器的工作模式,具体包括如下步骤:
步骤一、按照采样周期,通过传感器测量车速、发动机转速、电动机转速、油门踏板开度、开度变化率、行驶路面坡度;
步骤二、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5,x6};其中,x1为车速,x2为发动机转速,x3为电机转速,x4为油门踏板开度,x5为油门踏板开度变化率,x6为行驶路面坡度;
步骤三、所述输入层向量映射到隐层,隐层的神经元为m个;
步骤四、得到输出层神经元向量o={o1};其中,o1为变速器的工作模式,所述输出层神经元值为k为输出层神经元序列号,k={1},当ok为1时,此时变速器处于第一种工作模式,当ok为0时,此时变速器处于第二种工作模式。
优选的是,所述第一种工作模式为车辆最佳动力性模式;所述第二种工作模式为车辆燃油最佳经济性模式。
优选的是,当变速器处于车辆最佳动力性模式时,变速器控制动力总成的输出扭矩为:
其中,T为变速器控制动力总成的输出扭矩,θ为车辆行驶方向和竖直向下方向之间的夹角,n1为发动机转速,n2为电动机转速,T1为发动机的输出转矩,n2为电动机的输出转矩,K为与车轮、主减速比相关的一个定值,η为变速器的传动效率,π为圆周率,τ为变速器速比,δ为主减速比,R为车轮半径。
优选的是,当变速器处于车辆燃油最佳经济性模式时,采用模糊控制器:
模糊控制器输出变速器控制动力总成的输出扭矩T,输出分为7个等级;
输入和输出的模糊集为{NB,NM,NS,0,PS,PM,PB}。
优选的是,还包括模糊PID控制器,
输入第i个控制过程的油门开度变化率ε和油门开度理想变化率的偏差、偏差变化率,输出PID的比例系数、比例积分系数和微分系数,比例系数、比例积分系数和微分系数输入PID控制器进行动力总成的输出扭矩T的误差补偿控制。
优选的是,
所述输出PID的比例系数的模糊论域为[-1,1],其量化因子为0.1;比例积分系数的模糊论域为[-1,1],其量化因子为0.1;微分系数的模糊论域为[-1,1],其量化因子为0.0001;
所述偏差e和偏差变化率ec分为7个等级;所述输出PID的比例系数、比例积分系数和微分系数分为7个等级;
所述模糊PID控制器的输入和输出的模糊集为{NB,NM,NS,0,PS,PM,PB}。
优选的是,所述隐层的神经元为6个。
优选的是,所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
优选的是,还包括对轿车行驶车况进行实时监测,在发动机工作异常时进行报警,所述工作异常包括:所述发动机转速低于450rpm,或者所述发动机转速高于2000rpm。
优选的是,还包括在电动机工作异常时进行报警,所述电动机工作异常为与所述电动机连接的蓄电池中的荷电状态低于50%。
本发明所述的有益效果:
本发明设计开发的基于插电式混合动力轿车专用变速器的控制方法,采集轿车行驶车况和路况,并基于BP神经网络确定变速器的工作模式,使得发动机和电动机等动力源和变速器组成的动力总成最优工作。当变速器进行车辆最佳动力性模式时,能够精确变速器控制动力总成的输出扭矩,使得车辆处于最佳动力性模式。当变速器进行车辆燃油最佳经济性模式时,基于模糊控制方法确定变速器控制动力总成的输出扭矩,使得车辆处于燃油最佳经济性模式。
附图说明
图1是本发明所述的模糊控制器和模糊PID控制器的控制示意图。
图3是本发明所述的模糊控制器的输入燃油消耗率ξ的隶属度函数图。
图4是本发明所述的模糊控制器的输出变速器控制动力总成的输出扭矩T的隶属度函数图。
图5是本发明所述的模糊PID控制器的输入偏差e的隶属度函数图。
图6是本发明所述的模糊PID控制器的输入偏差变化率ec的隶属度函数图。
图7是本发明所述的模糊PID控制器的输出比例系数Kp的隶属度函数图。
图8是本发明所述的模糊PID控制器的输出比例积分系数Ki的隶属度函数图。
图9是本发明所述的模糊PID控制器的输出微分系数Kd的隶属度函数图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供一种基于插电式混合动力轿车专用变速器的控制方法,采集轿车行驶车况和路况,并基于BP神经网络确定变速器的工作模式,具体包括如下步骤:
步骤一、建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为S型函数,即fj(x)=1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示车辆行驶过程的n个检测信号,这些信号参数由数据预处理模块给出;第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定;第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,...,xn)T
中间层向量:y=(y1,y2,...,ym)T
输出向量:o=(o1,o2,...,op)T
本发明中,输入层节点数为n=6,输出层节点数为p=1,隐藏层节点数m=6。
输入层6个参数分别表示为:x1为车速,x2为发动机转速,x3为电机转速,x4为油门踏板开度,x5为油门踏板开度变化率,x6为行驶路面坡度;
所述的第一种工作模式为车辆最佳动力性模式;所述的第二种工作模式为车辆燃油最佳经济性模式
步骤二、进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值,隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,为第n次计算时l层的j单元信息加权和,为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,为前一层(即l-1层,节点数为nl-1)的单元i送来的工作信号;i=0时,令为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络性能。
(1)当变速器处于车辆最佳动力性模式时,变速器控制动力总成(发动机和电动机等动力源和变速器组成动力总成)的输出扭矩为:
其中,T为变速器控制动力总成的输出扭矩,θ为车辆行驶方向和竖直向下方向之间的夹角,n1为发动机转速,n2为电动机转速,T1为发动机的输出转矩,n2为电动机的输出转矩,K为与车轮、主减速比相关的一个定值,η为变速器的传动效率,π为圆周率,τ为变速器速比,δ为主减速比,R为车轮半径。
(2)当变速器处于车辆燃油最佳经济性模式时,采用模糊控制器和模糊PID控制器,控制方法如图1所示,包括以下步骤:
步骤1:将油门踏板开度燃油消耗率ξ和变速器控制动力总成的输出扭矩T进行模糊处理;在无控时,油门踏板开度的模糊论域为[0,1],其量化因子为1;所述燃油消耗率ξ的模糊论域为[0,1],量化因子为1;输出变速器控制动力总成的输出扭矩T的模糊论域为[0,1],量化因子为4500;为了保证控制的精度,实现更好的控制,反复进行实验,确定了最佳的输入和输出等级,其中,所述油门踏板开度和燃油消耗率ξ分为7个等级;输出变速器控制动力总成的输出扭矩T,输出分为7个等级;输入和输出的模糊集均为{NB,NM,NS,0,PS,PM,PB}。其中,所述模糊控制器的控制规则为:
模糊控制的具体控制规则详见表一。
表一 动力总成的输出扭矩的模糊控制表
步骤2:模糊PID控制器
将第i个控制过程的油门开度变化率ε和油门开度理想变化率的偏差e、偏差变化率ec、输出PID的比例系数、比例积分系数和微分系数进行模糊处理,在无控时,偏差e的模糊论域为[-1,1],量化因子为0.2;偏差变化率ec的模糊论域为[-3,3],量化因子为0.1;PID的比例系数Kp的模糊论域为[-1,1],其量化因子为0.1;比例积分系数Ki的模糊论域为[-1,1],其量化因子为0.1;微分系数Kd的模糊论域为[-1,1],其定量化因子为0.0001。为了保证控制的精度,实现更好的控制,反复进行实验,确定了最佳的输入和输出等级,其中,所述模糊控制器中偏差e、偏差变化率ec分为7个等级;输出PID的比例系数、比例积分系数和微分系数分为7个等级;输入和输出的模糊集均为{NB,NM,NS,0,PS,PM,PB},输入和输出的隶属度函数均采用三角形隶属函数,详见图2-9。其模糊控制规则为:
1、当偏差e较大时,增大Kp的取值,从而使偏差快速减小,但同时产生了较大的偏差变化率,应取较小的Kd,通常取Ki=0;
2、当ec和e取值处于中等时,为避免超调,适当减小Kp的取值,使Ki较小,选择适当大小的Kd;
3、当偏差e较小时,增大KpKi的取值,为避免出现在系统稳态值附近震荡的不稳定现象,通常使当ec较大时,取较小的Kd;当ec较小时,取较大的Kd;具体的模糊控制规则详见表二、三和四。
表二PID的比例系数Kp的模糊控制表
表三PID的比例积分系数Ki的模糊控制表
表四PID的微分系数Kd的模糊控制表
输入第i个控制过程的油门开度变化率ε和油门开度理想变化率的偏差e、偏差变化率ec,输出PID的比例系数、比例积分系数和微分系数,比例系数、比例积分系数和微分系数用高度法进行解模糊化,输入PID控制器进行变速器控制动力总成的输出扭矩T的误差补偿控制,其控制算式为:
经实验反复确定,模糊PID控制器对变速器控制动力总成的输出扭矩T进行精确控制,变速器控制动力总成的输出扭矩T为模糊控制器的输出扭矩和PID控制器的输出扭矩误差补偿值的加和,使变速器控制动力总成的输出扭矩T得以精确控制,使其偏差小于0.1%。
在控制过程中还包括对轿车行驶车况进行实时监测,在发动机工作异常时进行报警,所述工作异常包括:所述发动机转速低于450rpm,或者所述发动机转速高于2000rpm。还包括在电动机工作异常时进行报警,电动机工作异常为与电动机连接的蓄电池中的荷电状态低于50%。
本发明设计开发的基于插电式混合动力轿车专用变速器的控制方法,采集轿车行驶车况和路况,并基于BP神经网络确定变速器的工作模式,使得发动机和电动机等动力源和变速器组成的动力总成最优工作。当变速器进行车辆最佳动力性模式时,能够精确变速器控制动力总成的输出扭矩,使得车辆处于最佳动力性模式。当变速器进行车辆燃油最佳经济性模式时,基于模糊控制方法确定变速器控制动力总成的输出扭矩,使得车辆处于燃油最佳经济性模式。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种基于插电式混合动力轿车专用变速器的控制方法,其特征在于,采集轿车行驶车况和路况,并基于BP神经网络确定变速器的工作模式,具体包括如下步骤:
步骤一、按照采样周期,通过传感器测量车速、发动机转速、电动机转速、油门踏板开度、开度变化率、行驶路面坡度;
步骤二、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5,x6};其中,x1为车速,x2为发动机转速,x3为电动机转速,x4为油门踏板开度,x5为油门踏板开度变化率,x6为行驶路面坡度;
步骤三、所述输入层神经元向量映射到隐层,隐层的神经元为m个;
2.如权利要求1所述的基于插电式混合动力轿车专用变速器的控制方法,其特征在于,所述第一种工作模式为车辆最佳动力性模式;所述第二种工作模式为车辆燃油最佳经济性模式。
4.如权利要求2所述的基于插电式混合动力轿车专用变速器的控制方法,其特征在于,当变速处于车辆燃油最佳经济性模式时,采用模糊控制器:
模糊控制器输出变速器控制动力总成的输出扭矩T,输出分为7个等级;
输入和输出的模糊集为{NB,NM,NS,0,PS,PM,PB};
其中,NB表示负大,NM表示负中,NS表示负小,ZR表示零,PS表示正小,PM表示正中,PB表示正大。
6.如权利要求5所述的基于插电式混合动力轿车专用变速器的控制方法,其特征在于,
所述输出PID的比例系数的模糊论域为[-1,1],其量化因子为0.1;比例积分系数的模糊论域为[-1,1],其量化因子为0.1;微分系数的模糊论域为[-1,1],其量化因子为0.0001;
所述偏差e和偏差变化率ec分为7个等级;所述输出PID的比例系数、比例积分系数和微分系数分为7个等级;
所述模糊PID控制器的输入和输出的模糊集为{NB,NM,NS,0,PS,PM,PB};
其中,NB表示负大,NM表示负中,NS表示负小,ZR表示零,PS表示正小,PM表示正中,PB表示正大。
7.如权利要求1-6中任意一项所述的基于插电式混合动力轿车专用变速器的控制方法,其特征在于,所述隐层的神经元为6个。
8.如权利要求7所述的基于插电式混合动力轿车专用变速器的控制方法,其特征在于,所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
9.如权利要求1-6中任意一项所述的基于插电式混合动力轿车专用变速器的控制方法,其特征在于,还包括对轿车行驶车况进行实时监测,在发动机工作异常时进行报警,所述工作异常包括:所述发动机转速低于450rpm,或者所述发动机转速高于2000rpm。
10.如权利要求9所述的基于插电式混合动力轿车专用变速器的控制方法,其特征在于,还包括在电动机工作异常时进行报警,所述电动机工作异常为与所述电动机连接的蓄电池中的荷电状态低于50%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910306974.5A CN109910863B (zh) | 2019-04-17 | 2019-04-17 | 一种基于插电式混合动力轿车专用变速器的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910306974.5A CN109910863B (zh) | 2019-04-17 | 2019-04-17 | 一种基于插电式混合动力轿车专用变速器的控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109910863A CN109910863A (zh) | 2019-06-21 |
CN109910863B true CN109910863B (zh) | 2020-07-31 |
Family
ID=66977548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910306974.5A Active CN109910863B (zh) | 2019-04-17 | 2019-04-17 | 一种基于插电式混合动力轿车专用变速器的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109910863B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11250648B2 (en) * | 2019-12-18 | 2022-02-15 | Micron Technology, Inc. | Predictive maintenance of automotive transmission |
CN110971169B (zh) * | 2019-12-20 | 2021-06-25 | 长安大学 | 基于模糊输出占空比的永磁同步电机直接转矩控制方法 |
CN111313789B (zh) * | 2020-02-12 | 2021-07-23 | 长安大学 | 一种基于双模糊控制的永磁同步电机直接转矩控制方法 |
CN113503360A (zh) * | 2021-07-08 | 2021-10-15 | 南京农业大学 | 一种基于pid的大功率拖拉机hmcvt变速控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0501763D0 (en) * | 2005-01-28 | 2005-03-02 | Torotrak Dev Ltd | Powertrain control method and system |
JP2012171598A (ja) * | 2011-02-24 | 2012-09-10 | Toyota Motor Corp | ハイブリッド車両の制御装置 |
CN104590262B (zh) * | 2013-10-30 | 2017-07-11 | 北汽福田汽车股份有限公司 | 用于汽车的混合动力系统、混合动力车及其控制方法 |
CN104071161B (zh) * | 2014-04-29 | 2016-06-01 | 福州大学 | 一种插电式混合动力汽车工况识别及能量管控的方法 |
CN103997266B (zh) * | 2014-05-28 | 2016-06-15 | 江苏大学 | 一种混合动力车bsg转矩波动补偿控制器及其构造方法 |
DE102014222779A1 (de) * | 2014-11-07 | 2016-05-12 | Schaeffler Technologies AG & Co. KG | Verfahren zur Schwingungsdämpfung eines Antriebsstrangs mittels einer Elektromaschine |
CN106763724A (zh) * | 2017-01-19 | 2017-05-31 | 西华大学 | 汽车有级自动变速器多性能综合最优挡位决策系统 |
CN107688343B (zh) * | 2017-08-01 | 2019-12-06 | 北京理工大学 | 一种混合动力车辆的能量控制方法 |
-
2019
- 2019-04-17 CN CN201910306974.5A patent/CN109910863B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109910863A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109910863B (zh) | 一种基于插电式混合动力轿车专用变速器的控制方法 | |
US11958365B2 (en) | Method for dual-motor control on electric vehicle based on adaptive dynamic programming | |
CN109703548B (zh) | 一种基于混合动力的汽车动力分配方法 | |
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
CN108733955B (zh) | 一种智能电动汽车纵向运动控制系统及方法 | |
CN111267831A (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
CN112668799A (zh) | 基于行驶大数据的phev的智能能量管理方法和存储介质 | |
WO2022257377A1 (zh) | 一种基于模糊神经网络的自动换挡控制方法 | |
CN113479186B (zh) | 一种混合动力汽车能量管理策略优化方法 | |
CN110733493A (zh) | 一种混合动力电动汽车的功率分配方法 | |
Chang et al. | Speed control of electric vehicle by using type-2 fuzzy neural network | |
CN116985646B (zh) | 车辆超级电容器控制方法、设备和介质 | |
Lian et al. | Plug-in HEV energy management strategy based on SOC trajectory | |
Kuo et al. | Neural-fuzzy fault diagnosis in a marine propulsion shaft system | |
Boehme et al. | Multi-objective optimal powertrain design of parallel hybrid vehicles with respect to fuel consumption and driving performance | |
Nguyen et al. | Torque distribution optimization for a dual-motor electric vehicle using adaptive network-based fuzzy inference system | |
CN116232132A (zh) | 一种电动汽车无刷直流电机的转速控制方法 | |
Abd-Elhaleem et al. | A new power management strategy for plug-in hybrid electric vehicles based on an intelligent controller integrated with CIGPSO algorithm | |
CN110594187B (zh) | 一种大型压缩机组仪表系统的安装调试方法 | |
Jennan et al. | Neural networks based on fast terminal sliding mode lateral control for autonomous vehicle | |
CN111301223A (zh) | 一种电动汽车电池管理系统及管理方法 | |
CN114889580A (zh) | 混合动力车辆能量管理控制方法、系统、装置及存储介质 | |
Nguyen et al. | Optimal Energy Management Strategy based on Driving Pattern Recognition for a Dual-Motor Dual-Source Electric Vehicle | |
Amiri et al. | Feed-forward modelling and fuzzy logic based control strategy for powertrain efficiency improvement in a parallel hybrid electric vehicle | |
CN110231820B (zh) | 一种基于物联网的车辆行驶控制方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A control method based on the special transmission of plug-in hybrid car Effective date of registration: 20220622 Granted publication date: 20200731 Pledgee: Mudu sub branch of Bank of Suzhou Co.,Ltd. Pledgor: SUZHOU HEXING NEW ENERGY AUTOMOBILE TECHNOLOGY Co.,Ltd. Registration number: Y2022320010270 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |