CN110985651A - 一种基于预测的自动变速器多参数融合换挡策略 - Google Patents

Abstract

一种基于预测的自动变速器多参数融合换挡策略，包括如下步骤：基于车辆行驶工况的历史信息，通过所建立的深度神经网络算法模型(DNN)，对未来短时域工况进行预测，基于模型预测架构(MPC)，根据预测的行驶工况信息，通过动态规划滚动优化算法，对预测时域进行挡位寻优，得到使得在预测时域内代价函数最小的变速箱挡位控制序列；将动态规划滚动优化算法寻得的优化控制序列发送至各个低层控制器，控制变速箱以及电机等整车部件进行响应。实现驾驶员‑车辆‑环境闭环系统的智能化换挡，在保证动力性的前提下，实现车辆的经济性换挡。

Description

一种基于预测的自动变速器多参数融合换挡策略

技术领域

本发明涉及汽车自动变速器技术领域，具体地说是一种基于预测的多参数融合电动汽车机械式自动变速器换挡策略。

背景技术

在优化的换挡策略指引下，电控机械式自动变速器(AMT)能够使车辆根据自身状态及工况需求，通过挡位切换提高车辆的动力、经济等性能，并降低车辆对动力电池以及驱动电机等部件的性能需求，更好地发挥出纯电动的优越性。如何建立优化的换挡策略，从而使车辆具备足够的动力性能，并尽可能使驱动电机处于高效工作区，最大限度地延长车辆的续驶里程，是配备自动变速器电动车辆研究的关键技术之一。

综合换挡策略当前的发展状况以及未来的发展趋势，传统的换挡策略都只是从车辆以及常规驾驶员的角度出发进行设计，并未对道路环境进行考虑，因此在遇到弯道或者坡道等特殊的行驶工况，或者在制动或者超车等特殊的驾驶员意图时，仍按照传统的换挡策略会导致自动变速器选择的挡位与最佳挡位出现偏差，在一些情况下会出现车辆动力不足的现象，甚至有时出现意外换挡的情况。为使车辆获得良好的动力性，经济性，乘坐舒适性以及环境适应性，考虑到车辆行驶过程中是一个由驾驶员-车辆-环境组成的闭环系统，需要对车辆质量、驾驶员意图、道路坡度等参数进行辨识，并将它们作为智能换挡策略的设计基础。在制定智能换挡策略时，如何将动力性能与经济性能进行有效融合会影响车辆的驾驶性能，也一直是换挡策略研究的热点与难点。

考虑到换挡过程为一个动态响应的过程，驾驶员的反应、操纵以及车辆目标挡位响应都需要一定时间，造成实际换到的目标挡位与当前状况下的最优目标挡位有所偏差，因此如何实现预测换挡，对车辆行驶工况，包括车速以及道路坡度进行预测，并在预测时域内进行挡位寻优，是值得研究与探讨的问题。

发明内容

为解决上述问题，本发明提出一种基于预测的自动变速器多参数融合换挡策略，在参数辨识以及工况预测的基础上，根据车辆的状态反馈，在预测时域内进行挡位寻优，对多参数进行融合，实现驾驶员-车辆 -环境闭环系统的智能化换挡，在保证动力性的前提下，实现车辆的经济性换挡。

本发明提出一种基于模型预测架构的换挡策略。与传统规则换挡策略相比，换挡时机的选择不是单纯基于驾驶员控制的油门信号及实时车速来决定的，而是通过工况预测模型计算出的未来一段时域范围内的车辆未来车速及坡度、负载信息的变化情况，利用最优控制方法计算得到的。其中未来车速信息是通过基于深度神经网络所构建的未来车速预测模型实时预测计算得到的。坡度和负载信息是通过基于容积卡尔曼滤波算法(CKF)构建的参数辨识模型计算得到的。

基于预测得到的未来工况信息利用全局最优寻优方法对挡位控制序列进行优化计算，并将首步优化结果作用于底层控制器，实现自动变速箱的挡位实时优化控制。

由于考虑了未来工况信息以及采用了最优控制方法对控制序列进行计算，本发明相较于常规换挡控制策略而言具有动态优化效果好的优点。在预测时域内采用动态规划来获得最优控制序列，可解决离线动态规划算法的实时应用问题，可兼顾挡位序列的动态优化和实时控制。在确保车辆动力性能的前提下，有效提升整车燃油经济性。

附图说明

图1为本发明的整体流程图

图2位本发明基于CKF算法的道路坡度与车辆质量辨识流程图

图3为本发明基于CKF算法的车辆质量辨识结果图

图4为本发明基于CKF算法的道路坡度辨识结果图

图5为本发明深度神经网络的结构图

图6为本发明基于DNN算法的车速预测结果图

图7为本发明基于DNN算法的道路坡度预测结果图

图8为本发明MPC算法的滚动优化示意图

具体实施方式

为达到上述发明目的，本发明一种机械式自动变速器换挡方法包括如下步骤：

步骤1：根据车辆状态信号的输入，通过所建立的容积卡尔曼滤波算法模型(CKF)，对车辆负载以及道路坡度进行实时参数辨识；所述状态信号的输入包括车速u，车辆质量m以及道路坡度α；

步骤2：基于车辆行驶工况的历史信息，通过所建立的深度神经网络算法模型(DNN)，对未来短时域工况进行预测，所述未来短时域工况包括预测车速和预测道路坡度两种工况信息，其中当前车速信息通过变速箱输出轴转速计算，当前道路坡度信息通过参数辨识得到；

步骤3：基于模型预测架构(MPC)，根据预测的未来短时域工况，通过动态规划滚动优化算法，对预测时域进行挡位寻优，得到使得在预测时域内代价函数最小的变速箱挡位控制序列；

步骤4：将动态规划滚动优化算法寻得的优化控制序列发送至各个底层控制器，包括挡位，电机转矩，电机转速等，控制器执行相应的命令，控制变速箱以及电机等整车部件进行响应。

对所述步骤1所述的车辆负载与道路坡度参数辨识，按照如下方法进行：

步骤1.1：构建系统状态方程与测量方程：

行驶过程中，车辆的行驶方程如下：

F_t＝F_f+F_w+F_i+F_j (1)

其中，F_t是车辆的驱动力，F_f，F_w，F_i和F_j分别为车辆的滚动阻力、空气阻力、坡道阻力以及加速阻力。对上式进行进一步整理：

式中，T_tq为电机的输出转矩；i_g和i₀分别为变速箱变速比以及减速箱的主减速比；η_t为传动系效率； r为轮胎滚动半径；m、A、u_a以及

分别为车辆质量、迎风面积、行驶速度(km/h)以及加速度(m/s²)； g为重力加速度；f为滚动阻力系数；α为道路坡度角；C_D为空气阻力系数；ρ为空气密度；万为旋转质量换算系数。

假设系统的过程噪声向量为W_k，测量噪声向量为V_k，两者是相互独立的高斯白噪声，均值为零，且均为加性噪声，则可以对状态量x_k以及输出量y_k建立非线性离散的空间状态模型：

在行驶过程中，车辆负载以及道路坡度变化较为缓慢，它们对于时间的导数可近似为0。以车速u，车辆质量m以及道路坡度α为状态变量，建立系统的状态方程和测量方程；

则系统的状态向量为：

x(t)＝(u(t)，m(t)，α(t)) (4)

根据式(2)，可得系统的微分方程：

则系统的状态方程为：

系统的测量方程为：

其中z_k为量测量值；

步骤1.2：CKF时间更新：

根据所构建的车辆CKF观测器的状态方程以及观测方程，进行CKF观测器参数辨识算法的时间更新。

进行系统状态变量的初始化，以及估计误差协方差初值设置，为计算整车动力系统状态变量的容积 (Cubature)点，得到状态变量的预测值，对P_k-1|k-1进行矩阵三角分解，得到k-1时刻估计误差协方差的平方根矩阵S_k-1|k-1，从而计算容积点：

式中，ξ_i为

的第i序列；n为状态变量维数，即容积点总数。

为状态变量预测值，X_i，k-1|k-1为k-1时刻状态变量的第i个Cubature点。

计算通过状态方程传播的容积点的预测值，

得到状态预测方程如下，实现对状态变量进行预测，得到状态变量的预报值

因此，协方差预测方程如下，得到预测误差协方差值Pk_|k-1 ；

步骤1.3：CKF量测更新：

根据所构建的车辆CKF观测器的状态方程以及观测方程，进行CKF观测器参数辨识算法的量测更新。

得到整车动力系统车速、整车质量、道路坡度这些状态变量的预报值

和预测误差协方差P_k|k-1值之后，需要利用量测量对状态变量的预报值进行滤波处理，滤波处理需要使用量测方程对状态变量的预报值进行变换。因此，对状态变量的预测误差协方差进行矩阵三角分解，求得状态变量预测误差协方差的平方根矩阵，并计算容积点：

式中P_k|k-1为状态变量的方差预测值，S_k|k-1为方差预测值的矩阵三角分解结果，X_i，k|k-1是系统状态变量，ξ_i为容积点，

为状态变量的预报值。

计算通过观测方程传播的容积点：

Z_l，k|k-1＝h(X_i，k|k-1) (13)

由此可以计算量测的预报误差方差P_zz，k|k-1、状态变量预报值和量测量的预测值之 间的互协方差矩阵P_xz，k|k-1以及增益方程K_k：

式中

为由观测方程计算得到的状态量。

利用k时刻量测量的测量值z_k与预测值

之间的差值，通过卡尔曼滤波增益即可完成状态变量预报值的滤波，得到k时刻状态变量的预报值

也是k时刻状态变量的估计值

因此，协方差更新方程为

完成k时刻状态变量的估计

及估计误差协方差P_k|k，返回状态变量的预测值。输入下一刻从车速传感器或估计器反馈的当前车速u_k|k、电机控制器反馈的电机输出轴转矩T_{tq k|k}、变速箱反馈的变速箱速比i_{g k|k}，以及车辆滚动摩擦因数f等其它车辆参数，即可进行下一次的迭代计算。

步骤1.4：车辆负载以及道路坡度辨识：

在MATLAB/Simulink平台上建立纯电动车整车动力学模型，重复步骤1.1～1.3便可对车辆负载以及道路坡度进行在线辨识。

对所述步骤2所述的车速和道路坡度工况预测，按照如下方法进行：

步骤2.1：数据集采集，对于车辆换挡控制的工况预测主要包括道路坡度预测与车辆速度预测两部分，其中当前道路坡度数据根据步骤1中的CKF估计算法辨识得出，车辆当前速度数据通过CAN总线中变速箱输出轴转速计算求得。设定数据集的采集间隔为1s，神经网络迁移模型的输入向量为：

式中H_k为输入序列的维度。

步骤2.2：构建神经网络迁移模型，其中输入层为采集的车速与道路坡度数据序列，X＝h⁰，输出层为预测的未来时域车速与道路坡度数据序列，该网络包含L个隐含层，则隐含层的激活值计算公式如下：

a^k＝w^kh^k-1+b^k(1≤k≤L+1) (18)

h^k＝f_k(a^k)(1≤k≤L) (19)

Y＝h^L (20)

式中w^k表示第k层网络的权重，b^k表示第k层网络的偏置值，h^k表示第k层网络的输出值，h^k要通过非线性激活函数f_k进行计算。

步骤2.3：采用监督学习对该深度神经网络进行自上而下的分层训练，得到网络中各个隐含层以及输出层的权重和偏置值参数；

步骤2.4：对深度神经网络的输出结果进行反归一化，得到预测的未来时域车速与道路坡度数据序列。并根据预测值以及真实值计算预测误差。

对于步骤3所述的基于MPC的预测换挡策略，步骤如下：

步骤3.1：获取车辆当前各状态量，具体包括油门开度、车辆当前加速度以及动力电池SOC。

步骤3.2：根据步骤1中提出的基于容积卡尔曼(CKF)滤波算法的参数辨识方法，计算得到的车辆实际负载和坡度信息；

步骤3.3：根据步骤2中基于深度神经网络构建的工况预测模型，对未来一定时域内的车速，道路坡度的变化情况进行预测，获得未来控制时域车辆运行的工况信息。

步骤3.4：基于动态规划算法，基于步骤3.2中辨识得到的车辆实际负载、道路坡度等参数，对预测时域范围内的档位变化序列进行寻优，以输出最优的档位控制序列。

当前时刻为k时，在当前预测时域内所建立的优化问题的优化目标以及约束条件分别如式(21)和(22) 所示：

式中J_k为预测时域[k，k+t_p]内的代价函数；t_p表示预测时域的长度；L为预测时域中每个时刻的瞬时代价函数，x(t)和u(t)分别表示t时刻的寻优状态量与寻优控制量。

在本发明中，寻优状态量指的是车辆的当前档位以及SOC，寻优控制量指的是车辆档位的变化量，实际上对应的是升档操作或降档操作或档位保持。

根据式(21)，在预测时域[k，k+t_p]内，将状态量SOC在约束范围内进行离散化，状态量SOC的约束范围指的是在预测时域范围内SOC所允许达到的最大值和最小值，该数值与动力电池组SOC所允许的工作值范围相对应，即SOC上限值为动力电池组所允许的充电达到的SOC上限值，SOC下限值为动力电池组所允许的放电达到的SOC下限值。通过逆向求解计算每一阶段以及状态量SOC在每一离散状态下的最优控制量，根据式(22)计算被控系统在当前时刻与状态下的最优控制。

式中

表示当前时刻与状态下，整个预测时域内的最优代价函数，其中

所对应的

即为该代价函数下预测时域中的最优控制量。SOC_k表示k时刻的 SOC值；i_g，k表示k时刻车辆变速箱的档位；u_k表示k时刻车辆档位的变化值，是一个3值量，分别表示升档、降档或者保持当前档位。L(SOC_k，i_g，k，u_k)为每一步的代价函数。具体表达式如下：

L(SOC_k，i_g，k，u_k)＝(SOC_k-SOC_k-1)+λ_k|u_k| (24)

第一项为SOC的变化量，对应于整车能耗。第二项为换挡惩罚，λ_k为换挡惩罚因子系数

计算控制时域内的最优档位参考序列。考虑到对于状态量的预测存在一定的误差，因此所计算的最优控制序列也存在一定误差，并且随着时间的推移累计误差会逐步增大。因此采用滚动优化的方式，对于每一次预测获取的最优控制序列，只采取第一个控制量作用于被控对象，再根据下一次预测求取下一个控制量。

步骤3.5：滚动优化模块根据优化目标，计算出最优换挡操作控制序列u(k)＝[u(k+1)，…，u(k+j)]，并将得的优化控制序列发送至各个底层控制器，控制序列包括挡位，电机转矩，电机转速等参数。

步骤3.6：重复步骤3.1～3.3，完成整个循环工况的挡位优化控制。

重复上述步骤，便可完成车辆的全工况基于预测的自动变速器多参数融合换挡控制。

下面结合附图，以某4挡电控机械式自动变速器的纯电动客车为具体实施例，对本发明作进一步说明。

参阅附图1，按照如下过程进行，首先根据车辆的状态参数，基于CKF算法进行车辆负载和道路坡度的辨识，然后根据车辆的历史车速，以及通过CKF算法辨识的道路坡度等工况信息，通过DNN预测模型进行未来时域的车速、道路坡度预测，获得未来控制时域车辆运行的工况信息。基于预测的工况信息，通过动态规划的滚动优化算法，对预测时域进行挡位寻优，得到优化控制序列。根据动态规划滚动优化算法寻得的优化控制序列，包括挡位，电机转矩，电机转速等发送至各个底层控制器，控制器执行相应的命令，控制变速箱以及电机等整车部件进行响应，直至完成整个行程。

本实施例中车辆基本参数如表1所示。

表1 车辆参数

根据表中数据，参阅附图2所示的计算流程，基于MATLAB/Simulink模型构造了CKF算法的 S-function函数，对车辆质量和道路坡度进行在线辨识。输入轮胎半径、迎风面积、滚动摩擦系数等常数，以及当前车速、电机控制器反馈的电机输出轴转矩以及变速箱反馈的变速箱速比等时变参数，经过时间更新与量测更新，对每一步的车辆质量与道路坡度两个状态量进行参数辨识。

其中，系统状态变量中，车辆速度初值取为1，车辆质量初值取为空载质量，道路坡度初值取为0，则k＝1时刻系统的状态变量初值

P_1|1＝diag(10^-10 10^-1010^-10)为估计误差协方差初值设置，为计算整车动力系统状态变量的Cubature点，得到状态变量的预测值，对P_k-1|k-1进行Cholesky 分解，得到k-1时刻估计误差协方差的平方根矩阵S_k-1|k-1，从而根据下式计算容积点：

式中n为状态变量维数，即容积点总数。使用3阶容积原则，容积点总数是状态维数的2倍，系统有 3个状态变量，因此，容积点状态取值n＝6；

为状态变量预测值，X_i，k-1|k-1为k-1时刻状态变量的第 i个Cubature点。

附图3所示CKF算法的车辆质量辨识结果，实线是车辆的实际质量，虚线是CKF算法辨识结果，车辆质量在空载与满载变化的过程中，车辆质量辨识结果效果良好，初始化之后，辨识最大误差为2.8％，辨识结果稳定性，满足辨识需求。附图4所示CKF算法的道路坡度辨识结果，实线是道路实际坡度，虚线是CKF算法辨识结果，道路坡度在0～15％不断变化的过程中，辨识结果效果良好，辨识最大误差为3.2％，道路坡度估计值与实际值基本吻合。综合所提出的CKF算法在Simulink中的仿真结果，车辆质量与道路坡度可以进行有效且稳定的辨识，满足辨识需求。

附图5所示为包含3个隐含层的深度神经网络模型，不同的网络层数对于训练效果以及收敛速度会有不同的影响，同时损失函数用于估量神经网络模型预测值与真实值不一致的程度，损失函数越小，说明模型的预测值与真实值越接近，模型的准确性越好。常用的损失函数有平方损失函数，对数损失函数以及交叉熵损失函数。不同的激活函数与损失函数相互搭配会对预测结果产生不同的效果，因此本文对不同激活函数与损失函数的组合预测进行研究。其中最常用的是均方差(Mean Square Error，MSE)损失函数和交叉熵(CrossEntropy，CE)损失函数。

为了对比不同的隐含层数，神经元个数、激活函数以及损失函数对于预测结果的影响，对不同参数的深度神经网络进行训练。本文选取了一系列典型运行工况作为训练和测试的数据。数据集包括US06，UDDS， WVUCTY，JN1015，WVUSUB和HWEFT。将CTBDC作为测试集，其他工况作为训练集。

表2 不同参数DNN模型的对比预测误差

根据上表可以看到，隐含层的增加对模型预测精度的提升有一定的好处，但是随着层数的逐渐增加，参数也逐渐增加，导致网络收敛的困难程度也逐渐增加。同样地，神经元个数的增加有利于增加模型的预测精度，达到一定程度后，继续增加神经元，会导致预测精度的降低，同时激活函数与损失函数的搭配也会对预测结果产生明显的影响。经过对神经网络不同层数隐含层、不同神经元个数、不同激活函数以及惩罚函数的测试，5个隐含层数，40个神经元，PReLU激活函数和MSE惩罚函数具有最优的预测结果，并且具有良好的鲁棒性。

附图6所示为用最优训练参数的DNN模型进行的对CTBDC工况的车速预测10s结果，可以看出，预测曲线与实际工况的贴合度很高。同时，由于道路坡度变化速率较小，对其预测的误差较小。附图7为该模型进行附图4所示的道路坡度预测的结果，其中虚线表示实际的坡度，实线表示DNN算法的坡度预测结果，左侧为全局坡度预测结果，其中线框部分的局部放大图如右侧图所示，可以看到坡度预测的精度更高，具有理想的预测效果。

附图8所示为车辆基于MPC的滚动优化示意图，在完成工况预测后，在预测时域中，进行挡位寻优，得到使代价函数在控制时域中最小的目标挡位序列。MPC挡位寻优算法的电池系统能耗模型如下：

式中x，u，d和y分别是状态变量，控制变量，短期预测车速和道路坡度序列。x＝gear，u＝[-1，0，1]， d＝[V_predict，α_predict]^T。能耗计算为：

通过上述模型预测控制算法，进行控制时域内的的滚动优化，每次预测完成后，纯电动车执行在预测时域内计算的最优控制序列中第一个控制决策，直至行程结束，使得车辆行驶过程中在保证动力性能的前提下获得较好的经济性能。

换挡策略的寻优问题其实是带有约束条件的优化问题，在工况已知的情况下，动态规划算法为全局最佳的寻优算法。因此本文首先对基于动态规划算法的换挡策略进行计算，探索4挡AMT纯电动客车换挡策略的节能潜力，并以此为基准对其它换挡策略的性能进行评价。

在附图6所示CTUDC车速工况以及附图3所示质量工况下运行3000s，在CTUDC车速循环工况下运行3000s，对于分别搭载了按照车辆空载、满载计算的多参数融合策略以及通过ARLS参数辨识结果进行质量跟随的多参数换挡策略进行测试，实验结果如表3所示。

表3 质量变化仿真结果

从表3可以看出，在车辆质量工况不断变化时，采用按照不同质量计算的换挡策略会对车辆行驶的经济性产生一定影响，搭载车辆质量按照ARLS算法辨识结果跟随的多参数融合换挡策略相较于搭载按照满载计算的换挡策略，百公里油耗节省了1.95kWh，经济性能提升了1.13％，具有最佳的经济性，。

按照图4所示的坡度工况，在15km/h等速工况下运行2000s，实验结果如表4所示。

表4 坡度变化仿真结果

从表4可以看出，在道路坡度工况不断变化时，采用按照不同坡度计算的换挡策略会对车辆行驶的经济性产生一定影响，搭载道路坡度按照ARLS算法辨识结果跟随的多参数融合换挡策略相较于搭载按照无坡度计算的换挡策略节省了1.09kWh，经济性能提升了2.79％，具有最佳的经济性。

换挡策略的寻优问题其实是带有约束条件的优化问题，在工况已知的情况下，动态规划算法为全局最佳的寻优算法。因此本文首先对基于动态规划算法的换挡策略进行计算，探索4挡AMT纯电动客车换挡策略的节能潜力，并以此为基准对其它换挡策略的性能进行评价。对基于DP算法、基于MPC算法以及多参数融合换挡策略进行测试，表5列出了这三种算法在整个工况循环的能耗。

表5 典型中国城市循环工况测试

根据图5-8以及表5可以发现，基于DP算法的换挡策略具有最佳的经济性，纯电动客车的百公里油耗仅为68.92kWh，传统双参数经济性的百公里耗电量为78.21kWh，基于MPC算法的换挡策略百公里耗电量为72.62kWh，达到基于DP算法换挡策略94.91％的水平，相比于传统双参数经济性策略节能4.22kWh，经济性能提升了5.33％。

综上所述，所提出的基于ARLS的参数辨识算法，可对车辆质量与道路坡度进行联合辨识，辨识结果对真实值实现了很好的跟随，辨识最大误差为3.2％，辨识效果稳定，可以进行有效且稳定的辨识，满足辨识需求。所提出的基于DNN算法可对工况进行有效预测，包括车速以及道路坡度的预测，预测曲线与实际工况的贴合度最高，是理想的工况预测算法。所提出的基于MPC架构的预测换挡策略充分利用了电机的功率特性，达到基于DP算法换挡策略94.91％的水平，相比于传统双参数经济性策略节能4.22kWh，经济性能提升了5.33％，实现驾驶员-车辆-环境闭环系统的智能化换挡，在保证动力性的前提下，实现车辆的经济性换挡，是理想的换挡策略。

Claims (7)

1.一种基于预测的自动变速器多参数融合换挡策略，其特征在于包括如下步骤：

步骤1：根据车辆状态信号的输入，通过所建立的容积卡尔曼滤波算法模型(CKF)，对车辆负载以及道路坡度进行实时参数辨识；所述状态信号的输入包括车速u，车辆质量m以及道路坡度α；

步骤2：基于车辆行驶工况的历史信息，通过所建立的深度神经网络算法模型(DNN)，预测未来短时域工况，所述预测未来短时域工况包括预测车速和预测道路坡度两种工况信息，其中步骤2中的当前道路坡度数据根据步骤1中的CKF估计算法辨识得出，步骤2中的车速通过变速箱输出轴转速计算求得；

步骤3：基于模型预测架构(MPC)，根据预测的所述未来短时域工况，通过动态规划滚动优化算法，对预测时域进行挡位寻优，得到使得在预测时域内代价函数最小的优化控制序列，所述优化控制序列包括变速箱挡位控制序列；

步骤4：将动态规划滚动优化算法寻得的所述优化控制序列发送至各个底层控制器，控制器控制变速箱以及电机。

2.根据权利要求1所述的方法，其特征在于：所述步骤1包括如下步骤：

a建立车辆行驶的动力学模型，并以车速u，车辆质量m以及道路坡度α为状态变量，构建的车辆CKF观测器的状态方程以及观测方程；

以车速u，车辆质量m以及道路坡度α为状态变量，建立系统状态空间方程，则系统的状态向量为：

x(t)＝(u(t),m(t),α(t)) (1)

系统的微分方程：

式中，T_tq为电机的输出转矩；i_g和i₀分别为变速箱变速比以及减速箱的主减速比；η_t为传动系效率；r为轮胎滚动半径；m、A、u_a以及

分别为车辆质量、迎风面积、行驶速度(km/h)以及加速度(m/s²)；g为重力加速度；f为滚动阻力系数；α为道路坡度角；C_D为空气阻力系数；ρ为空气密度；

假设系统的过程噪声向量为W_k，测量噪声向量为V_k

则系统的状态方程为：

系统的测量方程为：

其中z_k为量测量值；则根据所构建的车辆CKF观测器的状态方程以及观测方程，进行CKF观测器参数辨识算法的时间更新及量测更新；

b进行CKF观测器参数辨识算法的时间更新，根据状态变量个数进行容积点的确定，初始化完成后，对各容积点进行计算，计算通过状态方程传播的容积点的预测值，得到状态预测方程，实现对状态变量进行预测，得到状态变量的预报值

进而对预测误差协方差值进行更新；

c进行CKF观测器参数辨识算法的量测更新，使用量测方程对所述状态变量的预报值进行变换，求得状态变量预测误差协方差的平方根矩阵，并计算量测的预报误差方差、状态变量预报值

和量测量预测值之间的互协方差矩阵以及增益方程，利用当前时刻量测量的测量值与状态变量预报值

之间的差值，通过卡尔曼滤波增益完成状态变量预报值

的滤波，得到k时刻状态变量预报值

及所述k时刻状态变量预报值

的估计误差协方差；

d返回k时刻状态变量预报值

及其所述估计误差协方差，输入当前车速、电机输出轴转矩以及变速箱变速比，进行下一次的迭代计算，完成对车辆负载以及道路坡度进行在线辨识。

3.根据权利要求1所述的方法，其特征在于：所述步骤2包括如下步骤：

构建神经网络迁移模型，其中输入层为采集的车速与道路坡度数据序列，输出层为预测的未来时域车速与道路坡度数据序列，并选取隐含层的激活函数；采用有监督学习对该深度神经网络进行自上而下的分层训练，得到网络中各个隐含层以及输出层的权重和偏置值参数；对深度神经网络的输出结果进行反归一化，得到未来时域车速与道路坡度数据序列的预测值。

4.根据权利要求1所述的方法，其特征在于：所述步骤2包括如下步骤：

神经网络迁移模型的输入向量为：

式中H_k为输入序列的维度；X＝h⁰；

输出层为预测车速和预测道路坡度数据序列，该网络包含L个隐含层，则隐含层的激活值计算公式如下：

a^k＝w^kh^k-1+b^k(1≤k≤L+1) (6)

h^k＝f_k(a^k)(1≤k≤L) (7)

Y＝h^L (8)

式中w^k表示第k层网络的权重，b^k表示第k层网络的偏置值，h^k表示第k层网络的输出值，h^k通过非线性激活函数f_k进行计算；

采用监督学习对该深度神经网络进行自上而下的分层训练，得到网络中各个隐含层以及输出层的权重和偏置值参数，对深度神经网络的输出结果进行反归一化，得到预测车速和预测道路坡度数据序列；并根据车速和道路坡度的预测值以及真实值计算预测误差。

5.根据权利要求1所述的方法，其特征在于：所述步骤3包括：

获取油门开度、车辆当前加速度以及动力电池SOC；

根据步骤1中提出的基于容积卡尔曼(CKF)滤波算法的参数辨识方法，计算车辆质量m以及道路坡度α；

根据步骤2获得预测车速和预测道路坡度；

基于动态规划全局最优算法，基于辨识得到的上述车辆质量m以及道路坡度α，在预测时域范围内的档位变化序列进行寻优，以输出最优的档位控制序列。

6.根据权利要求5所述的方法，其特征在于：采用滚动优化的方式，对于每一次预测获取的最优的档位控制序列，只采取第一个控制量作用于被控对象，再根据下一次最优的档位控制序列求取下一个控制量。

7.根据权利要求5所述的方法，其特征在于：所述在预测时域范围内的档位变化序列进行寻优，以输出最优的档位控制序列包括：

当前时刻为k时，在当前预测时域的优化目标以及约束条件分别如式(9)和(10)所示：

式中J_k为预测时域[k,k+t_p]内的代价函数，t_p表示预测时域的长度；L为预测时域中每个时刻的瞬时代价函数，x(t)和u(t)分别表示t时刻的寻优状态量与寻优控制量；

根据式(10)，在预测时域[k,k+t_p]内，将寻优状态量SOC在约束范围内进行离散化，通过逆向求解计算每一阶段以及寻优状态量SOC在每一离散状态下的最优控制量；所述寻优状态量是车辆的当前档位以及SOC，所述寻优控制量是车辆档位的变化量，实际上对应的是升档操作或降档操作或档位保持；

根据式(11)计算被控系统在当前时刻与状态下的最优控制；

式中

表示当前时刻与状态下，整个预测时域内的最优代价函数，其中

所对应的

即为该代价函数下载预测时域中的最优控制量；

计算控制时域内的最优的档位控制序列。

Images