CN110329258A - 智能驾驶汽车节能减排协调控制方法 - Google Patents
智能驾驶汽车节能减排协调控制方法 Download PDFInfo
- Publication number
- CN110329258A CN110329258A CN201910665709.6A CN201910665709A CN110329258A CN 110329258 A CN110329258 A CN 110329258A CN 201910665709 A CN201910665709 A CN 201910665709A CN 110329258 A CN110329258 A CN 110329258A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- emission
- energy
- main vehicle
- saving
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000033001 locomotion Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 26
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 20
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 20
- 239000001301 oxygen Substances 0.000 claims description 20
- 229910052760 oxygen Inorganic materials 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 10
- 239000007789 gas Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 13
- 238000004134 energy conservation Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 4
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 238000002485 combustion reaction Methods 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 13
- 239000000446 fuel Substances 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- -1 nitrogen oxide compound Chemical class 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/143—Speed control
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
Abstract
本发明提供了一种智能驾驶汽车节能减排协调控制方法，所述方法首先采集前方车距及相对速度信号，通过高精度地图信息的采集获取未来路段的道路信息，综合利用上述信息以节能为目标对智能巡航驾驶车辆进行速度规划，实现对车辆的驱动转矩的控制，并以减少排放为目标，利用节能目标下的动力需求转矩对节气门开度、EGR开度及点火提前角进行控制，实现最小的氮氧化合物的排放效果，最终实现智能驾驶下汽车的预测节能减排协调控制。本发明融合了汽车工业的传统节能减排技术和智能化所带来的多源信息，通过合理匹配车辆的动力传动系统、车辆运动与道路条件之间的关系，在满足自适应巡航驾驶的同时达到节能与减排的目的。
Description
技术领域
本发明属于汽车节能减排控制技术领域，具体涉及一种智能驾驶汽车节能减排协调控制方法。
背景技术
据统计，2017年石油消耗占到世界总能耗34.2％，其中，交通运输占石油消耗的一半以上。我国作为石油进口大国，城市人口密集、城市能耗与污染问题突出。交通运输中的汽车不仅消耗着大量的石油资源，汽车尾气中的二氧化碳、氮氧化物以及颗粒物也严重影响着城市空气质量，如何有效提高能源利用率、降低能源消耗、减少尾气排放是国家和行业所面临的巨大挑战。
在节能方面，随着电气化的快速发展，人们将节能研究对象更多地转向电动车辆，而逐渐放弃传统内燃机汽车节能潜力的发掘。但是，由于电动车辆存在续航里程短、充电耗时长、充电桩的建设不完全等突出问题，与传统内燃机汽车相比，其研究还要经历漫长的尝试过程。此外，在未来很长一段时间，内燃机车辆仍然占据主要市场，所以，对传统内燃机汽车的节能技术研究仍然非常必要。传统内燃机汽车的节能技术主要包括对发动机设计、整车设计以及交通管理优化。其中，在汽车发动机设计过程中，喷油率整形、燃烧室优化及变气门定时等单纯的动力系统挖掘潜力十分有限；在整车设计中，变速箱技术和其他零部件轻量化管理是节能的研究重点；在交通管理优化中，智能化的交通管理，如电子收费、导航等均表现出极大的节能潜力。如果考虑利用交通环境信息来整合最优的发动机输出特性，可能实现更大程度的节油效果。
在减排方面，现有的排放控制研究主要依赖于传感器监控及尾气后处理，但是，因为传感器设备的延迟性，很难实现排放的实时监测及控制。现今智能网联技术的发展与普及，似乎与排放控制的联系并不紧密。
在现有技术中，对节能减排的控制存在诸多不足，其一：研究者一般只单独从节能或者减排的层面进行控制，而缺少整车能耗和排放优化的协调控制；其二：汽车发动机或传动系统往往被封闭成一个系统被研究，且研究的对象也往往是其内部机理组成，而很少从驾驶状态下的整车协同控制出发进行研究，并且研究过程也排除了驾驶员人为干预，智能驾驶汽车在完成汽车速度曲线规划的同时实现对整车能耗和排放协同控制的任务也存在困难；其三：对于理想的速度规划曲线，实时的节能减排的控制也只能是片面的改善控制模型，无法充分利用道路交通信息来对下一个状态进行预测，不适用于长时间的智能辅助驾驶节能减排的要求。
发明内容
针对上述现有技术中存在的缺陷，本发明提供了一种智能驾驶汽车节能减排协调控制方法，本发明融合了汽车工业的传统节能减排技术和智能化所带来的多源信息，通过合理匹配车辆的动力传动系统、车辆运动与道路条件之间的关系，在满足自适应巡航驾驶的同时达到节能与减排协同控制的目的。结合说明书附图，本发明的技术方案如下：
一种智能驾驶汽车节能减排协调控制方法：
步骤一：通过信息采集处理模块对主车前方包括高精度地图信息和交通信息在内的交通环境信息进行采集和处理；
步骤二：在驾驶场景划分模块中，基于主车与前车的相互关系及其在车道上的位置进行场景分析，根据跟车时距以及主车与前车之间的相对速度，把复杂的交通场景简化，并得到巡航驾驶场景、跟车驾驶场景或紧急制动场景；
步骤三：在节能目标实现模块中，根据驾驶场景划分模块获得的驾驶场景及需要跟踪的目标，以节能为目的，结合未来地图信息完成速度规划、档位选取及驱动的预测控制，获取期望的主车驱动转矩；
步骤四：在排放目标实现模块中，以节能目标实现模块获得的期望主车驱动转矩及法规限制排放值作为参考，对车辆的氮氧化物排放进行优化，获得排放优化下的发动机节气门开度、EGR开度以及点火提前角信号；
步骤五：通过底层执行模块将车辆规划速度、目标挡位、节气门开度、EGR开度和点火提前角信号作用在被控车辆上，从而实现自适应巡航下的预测节能减排控制。
所述信息采集处理模块中：所述高精度地图信息包括道路坡度值、道路限速和道路曲率，高精度地图信息的采集与处理过程为：通过智能网联技术获取未来路段的道路坡度值、道路限速和道路曲率；
所述交通信息为主车所处交通流周边信息，包括主车摄像头所能识别到的主车前方车辆数目、主车与前车的相对距离以及主车与前车相对速度，交通信息的采集与处理过程为：通过安装在主车上的雷达与摄像头对主车周围的车辆、行人和小型交通工具进行识别，获取主车车道内前方最多六个车辆的运动信息，所述运动信息为主车与主车车道内前方车辆之间的相对速度和相对距离。
所述节能目标实现模块中，获取期望的主车驱动转矩的具体过程如下：
3.1设定控制目标：在保证速度跟踪的同时实现油耗最小，进而进行在线优化求解设定优化目标；
3.2确定控制问题约束条件：考虑车辆纵向动力学方程及车辆转矩及转速限制条件，设定为控制约束条件；
3.3构建与控制相关的哈密顿方程：定义哈密顿函数并基于庞德亚金极小值原理确定最优性必要性条件；
3.4求取协态变量：设定迭代终止条件，并通过二分法迭代求解最优协态变量求解后，即得到节能目标下的最优车辆驱动转矩。
所述排放目标实现模块中，获得排放优化下的发动机节气门开度,EGR开度和点火提前角的具体过程如下：
4.1辨识发动机排放模型：将选取的输入及输出激励数据作用于发动机模型上，并断开其自带的控制器，获得激励输出数据，并构造Hankel矩阵，通过对最小二乘问题的求解得到预测矩阵，实现初步辨识发动机模型，得到排放预测模型；
4.2对预测模型中的变量进行分离处理：针对数据激励中的控制量，分离出不对应执行机构的氧气浓度值作为测量量，将输出量、NOx排放量、转矩、进气歧管压力和排气歧管的压力分别进行表示，为预测方程表示为准备；
4.3数据驱动MPC控制器设计：完成采用增量形式的预测方程的表达，假设在预测时域内未来时刻的氧气浓度与当前时刻的氧气浓度相等，得到下一时刻的NOx排放量、转矩、进气歧管和排气歧管的压力，构建排放优化控制的代价函数表达形式，利用MATLAB求解带约束二次规划问题的工具箱来求解期望的控制输入，即排放优化下的节气门开度,EGR开度和点火提前角信号。
与现有技术相比，本发明的有益效果在于：
1、本发明所述智能驾驶汽车节能减排协调控制方法同时从节能与减排两个层面的控制入手，将减少整车能耗与车辆排放优化协调进行控制，使控制过程更加精准，节能减排的综合控制效果更好。
2、本发明所述智能驾驶汽车节能减排协调控制方法实时采集车辆运行状态信息以及车辆所处的交通环境信息，将传统节能减排技术和智能化所带来的多源信息进行融合，实现了车辆动力及传动系统和车辆运动与道路条件之间的合理匹配。
3、本发明所述智能驾驶汽车节能减排协调控制方法通过车载传感器采集前方车距及相对速度信号，对自适应巡航驾驶车辆进行速度规划，实现转矩的控制，并以动力需求为目标对发动机喷油量、EGR开度及曲轴转角进行控制，实现最小的氮氧化合物的排放控制，最终实现智能驾驶下汽车的预测节能减排协调控制。
4、本发明所述智能驾驶汽车节能减排协调控制方法合理的划分了交通场景，更大程度地发挥了预测节能的空间，发挥了发动机节能的潜力。
5、本发明所述智能驾驶汽车节能减排协调控制方法避免了复杂燃烧反应下，各个影响因素之间的耦合关系，而是以期望转矩，期望排放为参考进行外部控制，摆脱了燃烧反应中不定因素对排放及转矩输出结果的影响。
6、本发明所述智能驾驶汽车节能减排协调控制方法通过数据驱动的方式对发动机排放模型进行了辨识，排除了内部耦合的复杂关系。
7、本发明所述智能驾驶汽车节能减排协调控制方法分离了预测模型中的氧气浓度这一测量量，降低了计算维度，并提高了预测模型的准确度。
8、本发明所述智能驾驶汽车节能减排协调控制方法通过节能目标确定期望的发动机转矩，排放优化中的参考转矩具备实时性的同时将节能目标一并考虑，节能与减排协同更紧密。
附图说明
图1为本发明所述智能驾驶汽车节能减排协调控制方法的流程框图；
图2为本发明所述智能驾驶汽车节能减排协调控制方法中，交通环境简化分类示意图。
具体实施方式
为进一步清楚、完整的描述本发明的技术方案，结合说明书附图，本发明的具体实施方式如下：
本发明公开了一种智能驾驶汽车节能减排协调控制方法，通过车载传感器采集前方车距及相对速度信号，对自适应巡航驾驶车辆进行速度规划，实现对车辆的转矩的控制，并以车辆的动力需求为目标对发动机喷油量、EGR开度及曲轴转角进行控制，实现最小的氮氧化合物的排放控制，最终实现智能驾驶下汽车的预测节能减排协调控制。如图1所示，本发明所述智能驾驶汽车节能减排协调控制方法具体如下：
信息采集处理模块:
信息采集处理是指对主车的前方交通环境信息进行采集处理，所述主车前方交通环境信息包含两部分，分别为：高精度地图信息和交通信息，其中，所述高精度地图信息包括道路坡度值、道路限速和道路曲率，所述交通信息为主车所处交通流周边信息，包括主车摄像头所能识别到的主车前方车辆数目、主车与前车的相对距离以及主车与前车相对速度；
高精度地图信息的采集与处理过程为：通过智能网联技术获取未来路段的道路坡度值、道路限速和道路曲率；
交通信息的采集与处理过程为：通过安装在主车上的雷达与摄像头对主车周围的车辆、行人和小型交通工具(如自行车或摩托车等)进行识别，经过数据融合技术获取主车车道内前方最多六个车辆的运动信息，所述运动信息为主车与主车车道内前方车辆之间的相对速度和相对距离；
驾驶场景划分模块:
如图2所示，基于主车与前车的相互关系及其在车道上的位置进行场景分析，主要包括跟车时距以及主车与前车之间的相对速度，把复杂的交通场景简化，最终得到三类驾驶场景，分别为：巡航驾驶场景、跟车驾驶场景以及紧急制动场景；
所述巡航驾驶场景适用于一般认为主车不会与前车发生碰撞危险，当前车与主车的相对距离大于设定值时，主车与前方没有碰撞危险，判断为巡航驾驶场景；
需要说明的是，前车与主车相对距离的设定值由主车车速和跟车时距共同决定，前车与主车相对距离等于主车车速和跟车时距的乘积，不同主车车速下对应设定合适的跟车时距，由此产生不同车速下不同的巡航驾驶场景的界限，这样既保证了行驶的安全性，也充分适应实际的驾驶需求；
所述跟车驾驶场景适用于在主车前方车道内或者主车前进方向上，主车跟踪前车进行自动驾驶；巡航驾驶场景以外的场景不仅与主车和前车的相对距离有关，而且与主车和前车的相对速度有关，例如：相对距离较近，但相对速度并未达到紧急制动的要求时，车辆仍可进行跟车驾驶场景。
所述紧急制动场景适用于车辆突然切入主车前方车道或者前进方向，或者是前车做紧急制动的情况；
所述驾驶场景根据主车车速、主车与前车的相对车速以及主车与前车的相对距离进行判断，判断过程具体如下：
如图2所示，纵轴表示实时跟车时距，横轴表示前车与主车的相对速度是Δv(即Δv＝v前车-v主车)，当相对速度小于Δv1时，自适应巡航车辆将触发AEB(自动刹车辅助系统)，不属于本系统涉及范围，且推荐Δv1值为-40Km/h；当相对速度大于Δv5，优选Δv5＝4Km/h时，即前车速度大于本车速度，只要实时跟车时距THx大于最小跟车时距TH1，即不会发生碰撞危险，属于跟车驾驶场景；当实时跟车时距THx大于巡航跟车时距TH3时，主车处于巡航驾驶场景，当实施跟车时距THx小于制动时最小跟车时距TH1时，主车必定处于紧急制动场景，上述两种情况均不需要考虑主车与前车的相对速度。
TH2为制动开始时跟车时距，当实时跟车时距THx小于制动开始时跟车时距TH2且主车与前车的相对速度Δv处于制动跟车相对速度临界值Δv2和零值Δv3之间时，主车处于紧急制动场景；当主车与前车的相对速度Δv小于制动跟车相对速度临界值Δv2时，驾驶场景需要根据实时跟车时距THx与巡航跟车时距TH3及制动开始时距TH2之间的相互关系确定，如图2中线段a所示，且图中数值TH3、TH2、Δv2需要根据实车试验进行标定。
图2中线段a、b、c在场景划分上具备了重要意义。线段a由实车标定得到，它反映了前车速度小于本车速度时，跟车时距及相对速度确定的紧急制动和跟车驾驶场景的一个边界，比如在相对速度较小(前车速度比本车速度要小得多)的情况下，当跟车时距较大时仍然可以维持跟车驾驶场景；线段b主要基于制动开始时的跟车时距TH2考虑，即当跟车时距较小(意味着在本车车速下相对距离已经足够近)，需要紧急制动场景及时切换。而当跟车时距大于TH2时，就可以将相对速度一并考虑进来(即线段a)；线段c表示了对紧急制动转换条件的放松，因为一般情况下，当相对速度大于零值Δv3时，车辆应转换到紧急制动场景。但车辆相对速度小于Δv4而且跟车时距大于最小跟车时距TH1时，前车速度大于本车速度，紧急制动和跟车驾驶场景的边界可以有一部分的拓展，这样并不影响安全性，Δv4优选值为2Km/h.综上所述，界定的驾驶场景如下：
1、当满足下述条件时，主车处于巡航驾驶场景：
1)实时跟车时距THx大于巡航跟车时距TH3时；
2、当满足下述条件之一时，主车处于跟车驾驶场景：
1)主车与前车的相对速度Δv大于-40km/h且小于制动跟车相对速度临界值Δv2，且实时跟车时距THx小于巡航跟车时距TH3且大于实时相对速度下线段a对应跟车时距；
所述线段a是坐标(-40km/h，TH3)和坐标(Δv2，TH2)之间的直线段；
其中，TH2为制动开始时跟车时距；
2)主车与前车的相对速度Δv大于制动跟车相对速度临界值Δv2且小于零值Δv3，且实时跟车时距THx大于制动开始时跟车时距TH2且小于巡航跟车时距TH3；
3)主车与前车的相对速度Δv大于零值Δv3且小于2km/h,且实时跟车时距THx小于巡航跟车时距TH3且大于实时相对速度下线段c对应跟车时距；
所述线段c是坐标(Δv3，TH2)和坐标(2km/h，TH1)之间的直线段；
其中，TH1为制动时最小跟车时距；
4)主车与前车的相对速度Δv大于2km/h且小于4km/h，且实时跟车时距THx大于制动时最小跟车时距TH1且小于巡航跟车时距TH3；
3、当满足下述条件之一时，主车处于紧急制动场景：
1)实时跟车时距THx小于制动时最小跟车时距TH1；
2)实时跟车时距THx小于制动开始时跟车时距TH2且主车与前车的相对速度Δv大于制动跟车相对速度临界值Δv2且小于零值Δv3；
3)主车与前车的相对速度Δv大于-40km/h且小于制动跟车相对速度临界值Δv2，且实时跟车时距THx小于实时相对速度下线段a对应跟车时距；
所述线段a是坐标(-40km/h，TH3)和坐标(Δv2，TH2)之间的直线段；
其中，TH2为制动开始时跟车时距；TH3为巡航跟车时距；
4)主车与前车的相对速度Δv大于零值Δv3且小于2km/h,且实时跟车时距THx小于实时相对速度下线段c对应跟车时距；
所述线段c是坐标(Δv3，TH2)和坐标(2km/h，TH1)之间的直线段；
其中，TH1为制动时最小跟车时距；TH2为制动开始时跟车时距；
上述三种驾驶场景中，紧急制动场景的引入仅仅是为了保证车辆自动驾驶时的安全性，巡航驾驶场景和跟车驾驶场景则是更多的利用预测控制的思想进行节能优化。图2中，线段a、b、c的标定不仅能够改善车辆的安全性、舒适性，更能够合理地增加预测控制场景所占比例，发掘节能潜力。
节能目标实现模块:
根据驾驶场景划分模块给出的驾驶场景及需要跟踪的目标，以节能为目的，结合未来地图信息完成速度规划、档位选取及驱动的预测控制，获取期望的主车驱动转矩，具体步骤详细说明如下：
1、在这一模块计划达到的是在保证速度跟踪的同时实现油耗最小，进而进行在线优化求解，设定的优化目标：
其中：
为实现对期望速度vr的跟踪权重系数；
v(Np+1)是进行模型预测控制的预测步长Np时的速度值；
期望速度vr＝min(vlim_road，vlim_cur，vref，Vmax_th)；
vlim_road为道路的限速信息，道路的限速信息通过高精度地图信息获得，包括道路的行驶限速和路口的限速；
vlim_cur为考虑道路曲率对应的限速值(不同的道路曲率对应不同的限速值)；
vref为驾驶员设定的巡航车速，即驾驶员的期望巡航速度；
Vmax_th为保证车辆跟车时前后车的安全速度限值，目的是保证车辆从本车速度变化到期望速度时避免与前车相撞，即：
Vmax_thTH+(vh+Vmax_th)tf/2＝sp(Np+1)+sp0；
其中：
TH是时距(距离与速度的商)；
tf是预测时域，预测时域和预测的步长关系为tf＝NpΔt，Np是进行模型预测控制的预测步长，Δt是预测模型的离散步长；
sp0是初始的安全距离；
为发动机瞬时燃油消耗率，瞬时燃油消耗率可以通过发动机转速和转矩的拟合来实现，即εi，j对应的是i行j列数据对应的系数，
2、上述优化问题，需要满足如下车辆纵向动力学方程：
其中：
s(k+1)、v(k+1)是主车在k+1时刻的位移和车速；
s(k)、v(k)是主车在k时刻的位移和车速；
为发动机力矩驱动下的驱动加速度；
M0为整车质量、ηt为传动效率、rw为车轮半径、Ig(k)为从发动机到车轮的总变速比(包括变速器速比和主减速比)；
通常情况下，变速器的变速比Ig(k)取决于挡位的位置ng(k)，而下一时刻的挡位的位置可以用当前挡位的位置和换挡命令ug(k)决定，即ng(k+1)＝ng(k)+ug(k)，考虑实际换挡策略，一般ug(k)∈{-1，0，1}；
上述车辆纵向动力学方程中，为风阻带来的减速度，cd，Af，ρ分别为风阻系数、车辆有效迎风面积和空气密度，gf cosβ(k)为滚动阻力带来的减速度，g，f，β分别为重力加速度、滚动阻力系数和坡度，其中，坡度β是会随着距离变化的量，g sinβ(k)为坡度阻力带来的减速度，Te，min(k)为发动机最小转矩，Te，max(k)为发动机最大转矩，Ne，min为发动机最小转速，Ne，max为发动机最大转速；
3、针对以上分析，可以把这部分节能优化的问题描述为：找到最优控制量u＝{Te，ug}使得上述优化目标最小，且满足车辆动力学方程，定义哈密顿函数：
H(x(k)，u(k))＝L(x(k)，u(k))+λf1(k)+μf2(k)，
其中εi，j是系数；
最优必要性条件为x(k)代表状态量，且x＝{v，s}，λ和μ为最优协态变量；该函数不显性包含状态变量s(k)，则μ＝0，则对于终端条件，可以获知最优控制变量满足如下关系：
H(u0(k)，λ0(k))≤H(u(k)，λ0(k))
4、那么状态量、协态变量和控制量之间的关系是可知的，则可以重新构建与控制量相关的哈密顿方程，经整理为：
其中：
5、在节油控制中，我们假设在一个k时刻挡位是确定的，那么根据上式可以获知，对于确定的初始协态变量下推导的终端结果将满足终端最优性约束，对应的最优控制变量和状态变量都满足最优必要条件，因此求最优的问题就转化成了求取协态变量λ的问题，这里参考用二分法迭代求解，迭代终止条件：其中ε为迭代终止参数；
最优协态变量求解后，便得到节能目标下的最优车辆驱动转矩及目标档位，其中，在车辆纵向动力学方程中，道路坡度对车辆加速度数值有影响，通过模型预测控制思想，我们便利用前方智能网联信号设备获取的前方道路坡度信息，对整体优化目标进行滚动优化。
排放目标实现模块：
本模块中结合节能目标实现模块中节能控制的主车驱动转矩需求，对氮氧化合物NOx的排放进行优化；
在燃烧室内部，发生着各种复杂的化学反应，利用扩展的捷里多维奇机制，可以建立NOx生成的化学反应方程式及平衡状态下的NO的生成物质的量速率：
对于以上可逆的化学反应,他们对应的化学反应速率常数ki/k-i其中(i＝1，2，3,“+”代表正反应方向,“-”代表负反应方向)，并且另外，(X)代表物质X的物质的量浓度。
从上式可以看出,燃烧反应的化学反应速率常数及各个组分的物质的量浓度对于氮氧化合物NOx的生成起着非常重要的作用。而燃烧中内部化学反应是复杂的，各个影响因素之间也是相互耦合的，对于一个控制器而言，我们无法直接控制燃烧区的温度来改变化学反应速率常数，也很难直接控制反应平衡状态下的物质的量浓度。
汽油发动机是“量”调节式发动机，气缸的进气量决定了喷油量，内燃机产生的扭矩是关于气缸进气量和点火提前角的函数。另外，改变进气质量分数(通过控制节气门开度xth,EGR开度xegr，废气中的氧气浓度来实现)可以影响参与化学反应的物质的量，并且加上对点火时刻(点火提前角θSA)的控制可以影响化学反应的温度，进而改变NOx的排放。
扭矩是关于发动机转速和气缸进气量的函数，节气门开度直接决定进气量；随着EGR阀开度的增加，曲轴输出扭矩变小。增大EGR阀的开度，降低了气缸中的燃烧温度及氧气的浓度，这导致燃油燃烧放出能量减低，从而导致了曲轴输出扭矩的减少。NOx的排放随着EGR阀的增加而减低。这是因为NOx的生成条件是富氧、高温，而EGR的引入减低了气缸温度及缸内氧气浓度；点火时刻提前，则燃油的燃烧将会变得更加充分，缸内的温度也将升高，从而提高发动机的动力性能。但是，随着缸内温度的升高缸内NOx的生成量也将会随之增加。
即NOx的排放与节气门开度xth,EGR开度xegr，排气中氧气浓度和点火提前角θSA有关：
排放目标实现模块分成以下步骤：
1、发动机排放模型辨识
在节能目标实现模块中已经求得了节能目标下的期望转矩，在此目标下我们对排放进行优化。针对数据驱动预测控制而言，为在接下来的工作中跟踪期望的NOx排放值及目标转矩Te，选取节气门开度xth,EGR开度xegr，排气中的氧浓度和点火提前角θSA作为输入数据。同时选取排气歧管压强Pem，进气歧管压力pin作为激励输出。
之后，将激励数据其作用于发动机模型上，并断开其自带的控制器，获得激励输出数据。将激励输入输出数据构造如下所示的Hankel矩阵：
其中控制量u(k)(k∈{0,1,2,...,2i+j-2})的每个值都是一个包含四个元素(xth,xegr，θSA)的列向量，同样的，每一个输出量y(k)也是包含四个元素(Pem,pin,Te,)的列向量。构造系统的预测方程如下：
其中p、f表示过去和将来的变量，Yf是将来的输出，Uf是将来的输入，Lw和Lu分别是系统过去I/O数据对应系统矩阵、未来输入数据对应的系数矩阵；Up和Yp分别是过去的输入和输出。
于是获得最小二乘问题，通过正交投影法对其求解，得到预测矩阵Lw和Lu：
这样就有了发动机的排放预测模型
其中预测方程需要用到过去的输入up及输出yp，以及将来的输入uf，
且有预测输出及控制量u(k)为：
2、对预测模型中的变量进行分离处理
上一个步骤已经得到了一个能够对被控对象准确描述的预测方程，预测方程能准确预测下一时刻因进气量、排气歧管中的氧浓度及点火时刻的变化而变化的NOx排放量、转矩以及进气和排气压力。其中废气中氧气的浓度无法通过执行机构去改变，所以考虑将其作为一个测量量处理，所以原有的控制量转化为控制量和测量量，令：
其中uu(k)是我们需要加以控制的量xth、xegr及θSA。
进而排放预测模型可以改写成控制量及测量量的两部分结构：
其中，Lwu是系统过去数据控制量的系统矩阵，Luu是未来输入数据对应的控制量系数矩阵，并且yp和utp分别是过去的输出和输入，和分别是对应测量量的系数矩阵，dp和df对应过去和将来的测量输入。
即，
Lwu＝[Lw(：，4Np)，Lw(：，4Np+1)，Lw(：，4Np+2)，Lw(：，4Np+3)，Lw(：，4Np+5)，Lw(：，4Np+6)，Lw(：，4Np+7)...Lw(：，8Np-2)，Lw(：，8Np-1)]
Luu＝[Lu(：，1)，Lu(：，2)，Lu(：，3)，Lu(：，5)，Lu(：，6)，Lu(：，7)...Lu(：，4Np-2)，Lu(：，4Np-1)，]
通过对控制量和测量量的分离，可以借助排气歧管中的氧传感器实现对排气中氧气浓度的测量，既简化了运算的维数，也提高了对输出的预测效果。
将输出量带入中可得：
NOx排放量和转矩：
进气歧管和排气歧管的压力：
其中，系数矩阵的变换由分离矩阵E1、E2、E3和E4完成：
且，
3、数据驱动MPC控制器设计：
采用增量形式的预测方程：
对输出量分别列写成：
将上述预测方程写成
其中，
氧气浓度作为系统中的测量量，假设在预测时域内未来时刻的氧气浓度与当前时刻的氧气浓度相等。即，则k+1时刻的NOx排放量、转矩、进气歧管和排气歧管的压力可以表示为：
在排放控制模块中，需要使最终的NOx排放量满足排放法规的要求，转矩跟踪上节能目标提出的期望转矩，进气歧管和排气歧管的压力差值在一定范围内来维持气缸前后压差，避免爆震。所以提出的代价函数表达形式如下：
另外，考虑系统输入u及输入变化量Δu的约束为：
umin≤u(k)≤umax
Δumin≤Δu(k)≤Δumax
其中，rm(k+j)为满足排放法规的NOx排放值，re(k+j)为节能目标下提出的期望转矩值。利用数学软件MATLAB中自带的求解带约束二次规划问题的工具箱来求解期望的控制输入，即排放优化下的节气门开度xth,EGR开度xegr和点火提前角θSA信号；
最后，通过底层执行模块将车辆规划速度、目标挡位、节气门开度xth,EGR开度xegr和点火提前角θSA信号作用在被控车辆上，从而实现自适应巡航下的预测节能减排控制。
Claims (4)
1.一种智能驾驶汽车节能减排协调控制方法，其特征在于：
步骤一：通过信息采集处理模块对主车前方包括高精度地图信息和交通信息在内的交通环境信息进行采集和处理；
步骤二：在驾驶场景划分模块中，基于主车与前车的相互关系及其在车道上的位置进行场景分析，根据跟车时距以及主车与前车之间的相对速度，把复杂的交通场景简化，并得到巡航驾驶场景、跟车驾驶场景或紧急制动场景；
步骤三：在节能目标实现模块中，根据驾驶场景划分模块获得的驾驶场景及需要跟踪的目标，以节能为目的，结合未来地图信息完成速度规划、档位选取及驱动的预测控制，获取期望的主车驱动转矩；
步骤四：在排放目标实现模块中，以节能目标实现模块获得的期望主车驱动转矩及法规限制排放值作为参考，对车辆的氮氧化物排放进行优化，获得排放优化下的发动机节气门开度、EGR开度以及点火提前角信号；
步骤五：通过底层执行模块将车辆规划速度、目标挡位、节气门开度、EGR开度和点火提前角信号作用在被控车辆上，从而实现自适应巡航下的预测节能减排控制。
2.如权利要求1所述一种智能驾驶汽车节能减排协调控制方法，其特征在于：
所述信息采集处理模块中：所述高精度地图信息包括道路坡度值、道路限速和道路曲率，高精度地图信息的采集与处理过程为：通过智能网联技术获取未来路段的道路坡度值、道路限速和道路曲率；
所述交通信息为主车所处交通流周边信息，包括主车摄像头所能识别到的主车前方车辆数目、主车与前车的相对距离以及主车与前车相对速度，交通信息的采集与处理过程为：通过安装在主车上的雷达与摄像头对主车周围的车辆、行人和小型交通工具进行识别，获取主车车道内前方最多六个车辆的运动信息，所述运动信息为主车与主车车道内前方车辆之间的相对速度和相对距离。
3.如权利要求1所述一种智能驾驶汽车节能减排协调控制方法，其特征在于：
所述节能目标实现模块中，获取期望的主车驱动转矩的具体过程如下：
3.1设定控制目标：在保证速度跟踪的同时实现油耗最小，进而进行在线优化求解设定优化目标；
3.2确定控制问题约束条件：考虑车辆纵向动力学方程及车辆转矩及转速限制条件，设定为控制约束条件；
3.3构建与控制相关的哈密顿方程：定义哈密顿函数并基于庞德亚金极小值原理确定最优性必要性条件；
3.4求取协态变量：设定迭代终止条件，并通过二分法迭代求解最优协态变量求解后，即得到节能目标下的最优车辆驱动转矩。
4.如权利要求1所述一种智能驾驶汽车节能减排协调控制方法，其特征在于：
所述排放目标实现模块中，获得排放优化下的发动机节气门开度,EGR开度和点火提前角的具体过程如下：
4.1辨识发动机排放模型：将选取的输入及输出激励数据作用于发动机模型上，并断开其自带的控制器，获得激励输出数据，并构造Hankel矩阵，通过对最小二乘问题的求解得到预测矩阵，实现初步辨识发动机模型，得到排放预测模型；
4.2对预测模型中的变量进行分离处理：针对数据激励中的控制量，分离出不对应执行机构的氧气浓度值作为测量量，将输出量、NOx排放量、转矩、进气歧管压力和排气歧管的压力分别进行表示，为预测方程表示为准备；
4.3数据驱动MPC控制器设计：完成采用增量形式的预测方程的表达，假设在预测时域内未来时刻的氧气浓度与当前时刻的氧气浓度相等，得到下一个时刻的NOx排放量、转矩、进气歧管和排气歧管的压力，构建排放优化控制的代价函数表达形式，利用MATLAB求解带约束二次规划问题的工具箱来求解期望的控制输入，即排放优化下的节气门开度,EGR开度和点火提前角信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910665709.6A CN110329258B (zh) | 2019-07-23 | 2019-07-23 | 智能驾驶汽车节能减排协调控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910665709.6A CN110329258B (zh) | 2019-07-23 | 2019-07-23 | 智能驾驶汽车节能减排协调控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110329258A true CN110329258A (zh) | 2019-10-15 |
| CN110329258B CN110329258B (zh) | 2021-04-30 |
Family
ID=68147111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910665709.6A Active CN110329258B (zh) | 2019-07-23 | 2019-07-23 | 智能驾驶汽车节能减排协调控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110329258B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111634280A (zh) * | 2020-06-11 | 2020-09-08 | 清华大学 | 面向节能巡航驾驶应用的云控平台及预测巡航控制系统 |
| CN112406863A (zh) * | 2020-10-13 | 2021-02-26 | 厦门蓝斯通信股份有限公司 | 一种车辆节能处理方法及系统 |
| CN112861266A (zh) * | 2021-03-05 | 2021-05-28 | 腾讯科技（深圳）有限公司 | 设备驱动模式的控制方法、装置、介质及电子设备 |
| CN112977450A (zh) * | 2021-03-16 | 2021-06-18 | 北京理工大学 | 一种用于电动车辆自适应巡航的能量管理方法 |
| CN113359779A (zh) * | 2021-07-22 | 2021-09-07 | 长沙理工大学 | 一种考虑节能减排的自动驾驶车辆速度控制方法 |
| CN113408214A (zh) * | 2021-06-16 | 2021-09-17 | 吉林大学 | 油耗与排放一体化优化的商用车队列合并方法 |
| CN113459829A (zh) * | 2021-07-29 | 2021-10-01 | 南昌智能新能源汽车研究院 | 一种基于路况预测的双电机电动汽车智能能量管理方法 |
| CN113547930A (zh) * | 2021-07-30 | 2021-10-26 | 重庆长安新能源汽车科技有限公司 | 一种纯电动汽车跟车行驶的智能节能控制方法、装置及汽车 |
| WO2022007110A1 (zh) * | 2020-07-10 | 2022-01-13 | 厦门雅迅网络股份有限公司 | 一种预测性egr控制方法、终端设备及存储介质 |
| CN114475605A (zh) * | 2022-02-16 | 2022-05-13 | 东风商用车有限公司 | 一种基于网联信息下重型卡车节能的双层预测控制方法 |
| CN114781871A (zh) * | 2022-04-22 | 2022-07-22 | 岚图汽车科技有限公司 | 一种跟车经济性的评价方法及系统 |
| CN115352442A (zh) * | 2022-08-08 | 2022-11-18 | 东风商用车有限公司 | 融合挡位优化的商用车预见性节能巡航分层控制方法 |
| CN116861199A (zh) * | 2023-09-04 | 2023-10-10 | 中汽研汽车检验中心（天津）有限公司 | 一种燃油清净增效剂的减排测评方法、设备和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102619636A (zh) * | 2012-04-01 | 2012-08-01 | 重庆长安汽车股份有限公司 | 一种汽油机节能减排燃烧方法 |
| CN103863318A (zh) * | 2014-03-25 | 2014-06-18 | 河南理工大学 | 一种基于跟车模型的混合动力汽车节能预测控制方法 |
| CN107117170A (zh) * | 2017-04-28 | 2017-09-01 | 吉林大学 | 一种基于经济性驾驶的实时预测巡航控制系统 |
| CN107269408A (zh) * | 2017-05-15 | 2017-10-20 | 吉林大学 | 柴油机优化燃烧控制器及对仿真模型控制方法 |
| WO2018050409A2 (de) * | 2016-09-16 | 2018-03-22 | Robert Bosch Gmbh | Hybridsystem für eine brennkraftmaschine |
-
2019
- 2019-07-23 CN CN201910665709.6A patent/CN110329258B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102619636A (zh) * | 2012-04-01 | 2012-08-01 | 重庆长安汽车股份有限公司 | 一种汽油机节能减排燃烧方法 |
| CN103863318A (zh) * | 2014-03-25 | 2014-06-18 | 河南理工大学 | 一种基于跟车模型的混合动力汽车节能预测控制方法 |
| WO2018050409A2 (de) * | 2016-09-16 | 2018-03-22 | Robert Bosch Gmbh | Hybridsystem für eine brennkraftmaschine |
| CN107117170A (zh) * | 2017-04-28 | 2017-09-01 | 吉林大学 | 一种基于经济性驾驶的实时预测巡航控制系统 |
| CN107269408A (zh) * | 2017-05-15 | 2017-10-20 | 吉林大学 | 柴油机优化燃烧控制器及对仿真模型控制方法 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111634280A (zh) * | 2020-06-11 | 2020-09-08 | 清华大学 | 面向节能巡航驾驶应用的云控平台及预测巡航控制系统 |
| WO2022007110A1 (zh) * | 2020-07-10 | 2022-01-13 | 厦门雅迅网络股份有限公司 | 一种预测性egr控制方法、终端设备及存储介质 |
| EP4180646A4 (en) * | 2020-07-10 | 2024-07-31 | Xiamen Yaxon Networks Co Ltd | PREDICTIVE EGR CONTROL METHOD, TERMINAL DEVICE AND STORAGE MEDIUM |
| CN112406863A (zh) * | 2020-10-13 | 2021-02-26 | 厦门蓝斯通信股份有限公司 | 一种车辆节能处理方法及系统 |
| CN112861266A (zh) * | 2021-03-05 | 2021-05-28 | 腾讯科技（深圳）有限公司 | 设备驱动模式的控制方法、装置、介质及电子设备 |
| CN112977450A (zh) * | 2021-03-16 | 2021-06-18 | 北京理工大学 | 一种用于电动车辆自适应巡航的能量管理方法 |
| CN113408214A (zh) * | 2021-06-16 | 2021-09-17 | 吉林大学 | 油耗与排放一体化优化的商用车队列合并方法 |
| CN113408214B (zh) * | 2021-06-16 | 2022-06-10 | 吉林大学 | 油耗与排放一体化优化的商用车队列合并方法 |
| CN113359779A (zh) * | 2021-07-22 | 2021-09-07 | 长沙理工大学 | 一种考虑节能减排的自动驾驶车辆速度控制方法 |
| CN113459829B (zh) * | 2021-07-29 | 2023-02-21 | 南昌智能新能源汽车研究院 | 一种基于路况预测的双电机电动汽车智能能量管理方法 |
| CN113459829A (zh) * | 2021-07-29 | 2021-10-01 | 南昌智能新能源汽车研究院 | 一种基于路况预测的双电机电动汽车智能能量管理方法 |
| CN113547930A (zh) * | 2021-07-30 | 2021-10-26 | 重庆长安新能源汽车科技有限公司 | 一种纯电动汽车跟车行驶的智能节能控制方法、装置及汽车 |
| CN114475605A (zh) * | 2022-02-16 | 2022-05-13 | 东风商用车有限公司 | 一种基于网联信息下重型卡车节能的双层预测控制方法 |
| CN114475605B (zh) * | 2022-02-16 | 2024-01-19 | 东风商用车有限公司 | 一种基于网联信息下重型卡车节能的双层预测控制方法 |
| CN114781871A (zh) * | 2022-04-22 | 2022-07-22 | 岚图汽车科技有限公司 | 一种跟车经济性的评价方法及系统 |
| CN115352442A (zh) * | 2022-08-08 | 2022-11-18 | 东风商用车有限公司 | 融合挡位优化的商用车预见性节能巡航分层控制方法 |
| CN116861199A (zh) * | 2023-09-04 | 2023-10-10 | 中汽研汽车检验中心（天津）有限公司 | 一种燃油清净增效剂的减排测评方法、设备和存储介质 |
| CN116861199B (zh) * | 2023-09-04 | 2024-01-02 | 中汽研汽车检验中心（天津）有限公司 | 一种燃油清净增效剂的减排测评方法、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110329258B (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110329258B (zh) | 智能驾驶汽车节能减排协调控制方法 | |
| CN107628029B (zh) | 一种网联汽车队列的节能型稳定性运动控制方法 | |
| CN111439260B (zh) | 面向个性化需求的网联商用柴油车巡航行驶优化控制系统 | |
| CN113276848B (zh) | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 | |
| Xu et al. | Instantaneous feedback control for a fuel-prioritized vehicle cruising system on highways with a varying slope | |
| CN110696816B (zh) | 基于工况分类的动态协调混合动力汽车能量管理方法 | |
| CN109733378A (zh) | 一种线下优化线上预测的转矩分配方法 | |
| CN101417655A (zh) | 一种车辆多目标协调式自适应巡航控制方法 | |
| CN112580251B (zh) | 基于交通信息和模型预测控制的混动汽车能量管理方法 | |
| CN113264032B (zh) | 一种混合动力车的能量管理方法、装置和系统 | |
| CN111923896B (zh) | 基于滚动动态规划的hev车辆能量管理方法 | |
| Maamria et al. | Optimal eco-driving for conventional vehicles: Simulation and experiment | |
| Li et al. | Predictive cruise control for heavy trucks based on slope information under cloud control system | |
| D'Amato et al. | Development of a cruise controller based on current road load information with integrated control of variable velocity set-point and gear shifting | |
| CN105882658B (zh) | 两交叉口间加速‑匀速‑减速三段式驾驶模式的节能方法 | |
| Wu et al. | Research on lane-change strategy with real-time obstacle avoidance function | |
| CN115571108A (zh) | 一种节油控制方法 | |
| Dong et al. | A hierarchical strategy for velocity optimization of connected vehicles with the existence of multiple traffic lights | |
| Boyle et al. | Comparison of input shaping and predictive reference generator techniques for ic engine setpoints commands | |
| CN112124299B (zh) | 一种智能网联新能源汽车分层式能耗优化方法 | |
| Liu et al. | Research on Vehicle Lane Change Based on Vehicle Speed Planning | |
| CN116001786B (zh) | 一种基于惯性触发机制的自适应巡航控制多目标优化方法 | |
| Manzie et al. | A comparison of fuel consumption between hybrid and intelligent vehicles during urban driving | |
| Ren et al. | LQR-based Predictive Energy-saving Control for Commercial Vehicles Based On Slope Information | |
| Qian et al. | Research on the fuel consumption conservation potential of ADAS on passenger cars |
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 |