CN111332125B - 改进车辆制动能量回收控制方法、装置、车辆及存储介质 - Google Patents
改进车辆制动能量回收控制方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN111332125B CN111332125B CN201911307566.8A CN201911307566A CN111332125B CN 111332125 B CN111332125 B CN 111332125B CN 201911307566 A CN201911307566 A CN 201911307566A CN 111332125 B CN111332125 B CN 111332125B
- Authority
- CN
- China
- Prior art keywords
- control
- braking
- vehicle
- energy recovery
- motor
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L7/00—Electrodynamic brake systems for vehicles in general
- B60L7/10—Dynamic electric regenerative braking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
Abstract
本发明提供一种改进车辆制动能量回收控制方法、装置、车辆及存储介质,该方法包括当整车控制器接收到制动信号时,根据车辆当前状态计算车辆所需制动力得到三个控制变量,基于预测模型的改进遗传算法计算所述三个控制变量;在所述模型预测控制框架下执行遗传算法;采用多种群组合迭代和平均分布法;根据车辆历史信息计算最优控制序列的所述三个控制变量值,生成基于输入集的多维点阵,车辆制动时通过选择点阵中离当前状态最近点的控制变量;根据所述最优控制变量的电机再生制动力矩,所述整车控制器向电机及其控制器发送控制信号用于控制电机输出相应制动力矩。本发明实现在紧急制动工况下保证整车安全性,且在常规制动工况下,提升制动回收能量。
Description
技术领域
本发明涉及车辆制动能量回收控制方法,特别是装备同轴并联机电耦合系统与电控气压机械制动系统的混合动力客车的制动能量回收控制方法。
背景技术
近年来,随着汽车保有量的持续增长,环境污染和能源短缺问题日益加剧,车辆电动化成为汽车工业发展的必然趋势。混合动力汽车作为汽车电动化的代表性技术,已逐渐成为汽车行业竞相研究的热点。制动能量回收技术作为混合动力汽车实现节能的关键技术之一,能够将制动过程中的动能转化为电能,从而大幅度提升整车的燃油经济性。目前,混合动力汽车的制动系统主要分为两种构型,一种是并联构型,该构型对汽车原有的机械系统不做改动,只是将制动能量回收力矩附加于原有系统提供的机械制动力之上共同完成制动功能。另一种是串联构型,该构型中制动踏板与原有机械制动系统已经解耦,总的制动力由机械制动系统与制动能量回收系统依照控制方法分配完成,例如Liang Li,YuanboZhang,ChaoYang,et al.ModelPredictive Control-basedEfficientEnergyRecoveryControl Strategy for Regenerative Braking System of Hybrid Electric Bus[J].Energy ConversionandManagement,2016,111:299-314的文章所述。当电机介入制动系统时,如何在多种复杂市区、郊区甚至极限工况下,通过对整车需求制动力矩在制动能量回收系统和机械制动系统之间的合理分配保证整车稳定性和经济性均衡最优,成为亟待解决的难题。
针对电动汽车,李亮等人提出了基于滑模控制理论的电机补偿制动控制方法,利用电机响应速度快的特点,在ABS系统触发的情况下,通过电机力矩快速补偿驱动轮的液压机械制动力矩变化需求,提升了系统的稳定性(LI Liang,LI Xujian,WANG Xiangyu etal.Transient switching control strategy from regenerative braking to anti-lock braking with a semi-brake-by-wire system[J].Veh Syst Dyn.2016,54(2):231-257)。
针对混合动力汽车,杨阳等人设计了一种基于防抱死控制系统硬件的制动能量回收与液压制动协调控制系统,并通过仿真验证了该方案的有效性和可行性。针对电动汽车,TKBera提出了基于滑膜控制理论的防抱死制动系统和制动能量回收系统协调控制器,在紧急刹车制动时,保证了车轮滑移率保持在其最优滑移率;针对前轮驱动电动汽车的制动控制问题,Kanarachos设计了基于状态Riccati方程的集成控制方法。
基于装备轮毂电机的电动汽车,王俊敏提出了非线性模型预测制动能量回收控制方法。基于电动汽车的混合制动系统,基于不确定性模型预测控制理论,刘威等也提出一种不确定性模型预测混合制动控制方法,提升了整车的经济性和鲁棒性。
为了在满足整车稳定性的同时尽可能的提高制动回收能量,Kim运用基于常规遗传算法的优化控制方法来求取制动能量回收力与液压机械制动力之间力矩分配的最优问题,设计了制动能量回收控制方法并验证了其有效性。
基于上述调研,针对装备同轴并联机电耦合系统与电控气压机械制动系统的客车,如Yang C,Jiao X,Li L,et al.A robust H∞control-based hierarchical modetransition control system for plug-in hybrid electric vehicle[J].MechanicalSystems and Signal Processing,2018,99:326-344所述,在多种复杂市区、郊区甚至极限工况下,综合考虑电机、电池、机械制动系统的力矩与功率约束,以保证整车制动安全性为前提,基于改进遗传算法的高效制动能量回收预测控制方法仍为空白。
发明内容
本发明解决的问题是,针对装备同轴并联机电耦合系统与电控气压机械制动系统的客车,如何在多种复杂市区、郊区甚至极限工况下,综合考虑电机、电池、机械制动系统的转矩与功率约束,基于改进遗传算法高效进行制动能量回收预测,以保证整车制动安全性。
为解决上述问题,第一方面,本发明提出了一种改进车辆制动能量回收控制方法,包括空气压缩机、气缸和制动阀组成的线控气压机械制动系统,和整车控制器、电机及其控制器、变速箱、电池及其管理单元、加速踏板位置传感器、制动踏板位置传感器、车速传感器组成的制动能量回收控制系统,所述线控气压机械制动系统中针对每个车轮都装有气压调节阀,所述线控气压机械制动系统用于单独调节控制每个车轮的轮缸压力,
当所述整车控制器接收到制动信号时,根据车辆当前状态计算车辆所需制动力,所述车辆所需制动力分配至前后轴的三个控制变量,所述三个控制变量为前轮摩擦制动力矩、后轮摩擦制动力矩和电机再生制动力矩,采用基于预测模型的改进遗传算法对所述三个控制变量进行计算;
在所述模型预测控制的框架下执行遗传算法,即通过对当前时刻的有限时域内的最优问题的求解得到最优控制序列的所述三个控制变量的值;
采用多种群组合迭代和平均分布方法来提升计算效率并防止其收敛于局部最优解;
根据车辆历史信息按照如上所述步骤,计算历史情况下的所述最优控制序列的所述三个控制变量的值,生成基于输入集的多维点阵,然后车辆制动时通过选择点阵中距离当前状态最近的点的控制变量;
根据所述最优控制变量的所述电机再生制动力矩,所述整车控制器向所述电机及其控制器发送控制信号,使得所述电机及其控制器控制电机输出相应制动力矩。
进一步地,所述改进车辆制动能量回收控制方法还包括:
采用所述模型预测控制的控制架构,在每一时刻基于车辆当前状态的所述三个控制变量和所述车辆历史信息,采用所述遗传算法计算在有限预测时域和控制时域内的所述最优控制序列,得出当前时刻最优的控制变量;
将所述三个控制变量放在不同子种群,预测计算时,所述不同子种群的个体进行组合,然后以每个个体在其所有组合中的最大的适应度作为其适应度值,最后所述不同子种群的个体分别进行迭代更新;
然后采用初始种群均匀分布的方法,对所述不同子种群中的每一个种群,将满足约束条件的可用区域被分为了几个平均的部分,并选择所述几个平均的部分的边界点作为所述不同子种群的个体值。
进一步地,所述改进车辆制动能量回收控制方法还包括:
在所述约束条件范围内,依照均值分布的方法产生所述三个控制变量的所述不同子种群;
对所述三个控制变量的所述不同子种群中的个体进行排列组合;
利用所述预测模型对组合后的控制变量序列进行结果预测,并基于适应度函数,计算每一个个体的适应度;
当达到结束条件时,计算结束并输出最优控制组合中所述三个控制变量的第一个控制周期的值;
当没有达到所述结束条件时,在依照所述遗传算法的选择过程对所述不同子种群进行选择,并在所述约束条件下对选择的个体进行交叉和变异迭代,生成下一代种群个体。
进一步地,所述遗传算法的基本算子包括选择算子,所述选择算子为:
将所述不同子种群中的个体依据其所述适应度值平均分为第一级、第二级、第三级和第四级,每次选择时,所述第一级中所述个体的选择概率为0.4,所述第二级中所述个体的选择概率为0.3,所述第三级中所述个体的选择概率为0.2,所述第四级中所述个体的选择概率为0.1,所述每次选择用于在选择父体和母体时更倾向于选择较优的所述个体。
进一步地,所述遗传算法的所述基本算子包括交叉算子,所述交叉算子为:
当所述父体和所述母体确定后,需要根据其基因生成下一代个体,根据第一公式和第二公式确定所述交叉算子;
所述第一公式为:
ui,j(t+1)=P1uik(t)+P2uih(t);
所述第二公式为:
ui,j+1(t+1)=P2uik(t)+P1uih(t);
其中,P1为随机生成的0到1之间的数值,P2为1与P1的差值,uik(t)和uih(t)为在t代选择的父体,ui,j(t+1)和ui,j+1(t+1)为在t+1代经过交叉遗传之后的子体,i表示子种群数,j代表在i种群中的第j个个体。
进一步地,所述遗传算法的所述基本算子还包括变异算子,所述变异算子为:
在生成下一代新个体的过程中,同时随机生成一个介于0和10之间的随机数,如果所述随机数小于8,则所述个体不进行变异;如果所述随机数大于或等于8,则所述个体进行变异,其所携带的值为在所述约束范围内随机生成。
进一步地,所述改进车辆制动能量回收控制方法还包括:
在迭代计算过程中,采取了保持最优的方法,即将上一代种群中的最优个体保留到下一代种群中,该个体适应度优良,保留其基因有助于计算更快更有效的收敛。
进一步地,所述改进车辆制动能量回收控制方法还包括:
进行离线运算,生成所述基于输入集的多维点阵,所述基于输入集的多维点阵用于简化输入集,所述基于输入集的多维点阵不再输入上一时刻的气压制动力矩,即不再在点阵中考虑气压制动力矩变化率,而是将所述气压制动力矩变化率放于所述多维点阵后作为输出上下限硬性约束,根据第一公式、第二公式和第三公式确定简化后所述输入集Wv以及所述多维点阵各维度内点之间的间隔Δw;
所述第一公式为:
W=[v,ω1,ω2,vref,z]T∈R5;
所述第二公式为:
Wv=[0,vdefine-10,vdefine-10,vdefine-10Ts,0.1]T≤w≤[90,vdefine+1,vdefine+1,vdefine+Ts,0.9]T;
所述第三公式为:
Δw=[1,1,1,Ts,0.1]T;
其中,前后轮转速的数值为其乘以轮胎半径之后的等效值,W为所述输入集,Wv为简化后所述输入集,w为点阵中的内点,Δw为各维度内点之间的间隔。v为车速,ω1为前轴转速,ω2为后轴轮胎转速,vref为期望车速,z为估测的路面附着系数,Ts为设定的控制周期,R为实数符号,R5代表五维的实数空间,vdefine为当前变量组的车速。
第二方面,本发明还提出了一种改进车辆制动能量回收控制装置包括:
计算单元,用于当整车控制器接收到制动信号时,根据车辆当前状态计算车辆所需制动力,所述车辆所需制动力分配至前后轴的三个控制变量,所述三个控制变量为前轮摩擦制动力矩、后轮摩擦制动力矩和电机再生制动力矩,采用基于预测模型的改进遗传算法对所述三个控制变量进行计算;
执行单元,用于在所述模型预测控制的框架下执行遗传算法,即通过对当前时刻的有限时域内的最优问题的求解得到最优控制序列的所述三个控制变量的值;
优化单元,用于采用多种群组合迭代和平均分布方法来提升计算效率并防止其收敛于局部最优解;
选择单元,用于根据车辆历史信息按照如上所述步骤,计算历史情况下的所述最优控制序列的所述三个控制变量的值,生成基于输入集的多维点阵,然后车辆制动时通过选择点阵中距离当前状态最近的点的控制变量;
发送单元,用于根据所述最优控制变量的所述电机再生制动力矩,所述整车控制器向所述电机及其控制器发送控制信号,使得所述电机及其控制器控制电机输出相应制动力矩。
第三方面,本发明还提供了一种车辆,包括空气压缩机、气缸和制动阀组成的线控气压机械制动系统,和整车控制器、电机及其控制器、变速箱、电池及其管理单元、加速踏板位置传感器、制动踏板位置传感器、车速传感器组成的制动能量回收控制系统,所述线控气压机械制动系统中针对每个车轮都装有气压调节阀,所述线控气压机械制动系统用于单独调节控制每个车轮的轮缸压力,还包括存储有计算机程序的计算机可读存储介质和处理器,当所述计算机程序被所述处理器读取并运行时,实现如上所述改进车辆制动能量回收控制方法。
第四方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器读取并运行时,实现如上所述改进车辆制动能量回收控制方法。
实验结果显示,所提出的控制方法在紧急制动工况下可以保证整车的安全性,同时在常规制动工况下,与现在同轴并联混合动力客车中通用的基于规则的制动能量回收控制方法相比,能够提升15%的制动回收能量。
附图说明
图1是本发明实施例中同轴并联客车驱制动系统构型示意图。
图2是本发明实施例中电机效率MAP图。
图3是本发明实施例中气压制动系统特性图。
图4是本发明实施例中制动能量回收控制方法框架步骤图。
图5是本发明实施例中砂石路面仿真实验结果。
图6是本发明实施例中标准工况下本发明制动能量回收控制方法实验结果。
图7是本发明实施例中标准工况下规则式制动能量回收控制方法对比实验结果。
图8是本发明实施例中制动能量回收控制方法硬件在环实验结果。
附图标记说明:
1-空气压缩机,2-干燥器,3-储气缸,4-四回路开关阀,5-气缸,6-制动踏板,7-制动踏板行程模拟器,8-制动阀,9-气压调节阀,10-发动机,11-离合器,12-ISG电机,13-逆变器,14-电池组,15-中间传动机构,16-制动轮缸,17-制动器,18-车轮。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
需要说明的是,在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明,其本身没有特定的意义。20因此,“模块”、“部件”或“单元”可以混合地使用。
本发明实施例的一种改进车辆制动能量回收控制方法,首先结合客车制动系统机械结构与动力学特性,搭建面向混合动力客车制动过程的7自由度纵向动力学模型;然后结合制动系统轮胎在临界稳定领域的高度非线性以及制动过程中稳定性、经济性等性能要求的多目标特性,选择遗传算法对有限时域内的前后轴机械制动力矩及电机制动力矩的最优分配问题进行预测求解,并采取了对控制周期滚动优化的方式实现整个制动过程的最优控制,同时为了防止收敛于局部最优解,对遗传算法进行了针对性的改进;最后基于多维表格和最近点的方法对该控制方法进行了实时化处理。
整车模型
针对一款装备同轴并联机电耦合系统的客车,提出了一种基于改进遗传算法的制动能量回收控制方法。客车驱制动系统构型如图1所示。
驱动系统由发动机,离合器,电机等部件构成,制动系统则分为两部分,一部分是电机,变速箱,电池等部件所组成的制动能量回收系统,一部分是空气压缩机,气缸和制动阀等所组成的线控气压机械制动系统。线控气压机械制动系统中针对每个车轮都装有气压调节阀,可以单独调节控制每个车轮的轮缸压力。
建立七自由度整车纵向动力学模型,其中制动系统涉及的主要部分描述如下。
整车动力学模型
考虑悬架特性,建立了汽车动力学模型,标识前代表汽车的前进方向,即OX方向,汽车质点设为O,汽车垂向运动方向由OZ表示,横向运动方向由OY表示,该模型主要考虑汽车的纵向与垂向运动特性。
模型中具体公式如下:
纵向运动公式:
式中m代表客车质量(kg);ms代表客车的簧上部分质量(kg);Fx1,Fx2分别代表地面对前后轮提供的驱制动力(N);Fresist代表阻力(N);D0代表质心到汽车俯仰运动中心轴线的距离(m),式中阻力表达如下:
Fresist=Ff+Fw+mgi
式中Ff代表滚动阻力(N);Fw代表空气阻力(N);Fi代表坡度阻力;f1,f2代表滚动阻力系数;CD代表空气阻力系数;A则代表汽车行驶过程中的迎风面积(m2),i代表坡度。
汽车垂向运动公式:
式中Fs1,Fs2分别代表前后轴悬架对客车簧上部分的弹性力(N)。
俯仰运动公式:
式中Jy代表汽车俯仰运动的转动惯量(kg·m2);a,b为汽车质心到前后轴轴心的纵向距离(m);l代表前后轴之间的纵向距离(m)。
轮胎运动公式:
Fz1=msgb/2l+m1g-Kb1Z1
Fz2=msga/2l+m2g-Kb2Z2
式中Z1、Z2分别代表前后轮的垂向位移(m);m1、m2分别代表前后轮的车轮质量(kg);Kb1、Kb2分别代表前后轮的垂向刚度(N/m);J1、J2分别代表前后轮的转动惯量(kg·m2);R1、R2分别代表前后轮车轮半径(m);Tb1,Tb2分别代表前后轮上所受到的机械制动力矩(Nm);Treb代表电机提供的制动能量回收力矩(Nm)。Fz1,Fz2分别代表前后轮对地面的垂直载荷(N)。ω1,ω2分别为前后轮的角速度。
悬架运动公式如下
式中C1、C2分别代表前后轴悬架的阻尼;K1、K2分别代表前后轴悬架的刚度(N/m)。
结合上述公式可得,该模型主要考虑了汽车纵向速度、悬架以上部分车身垂向位移及俯仰角,前后轮的垂向位移以及转动角速度7个自由度。
轮胎模型
轮胎的建模方案有很多,本发明选择了常用的魔术公式来模拟轮胎特性,具体公式如下:
μi=σDsin(Ctan-1{BSxi-E[BSxi-tan-1(BSxi)]})
Fxi=μiFZi,i∈{1,2}
式中,μ代表摩擦系数,s代表轮胎的滑移率,σ代表地面附着系数,B,C,D和E是魔术公式中的相关参数,其具体意义为B:刚度因子;C:曲线形状因子,决定曲线的形状特性;D:峰值因子,表示曲线的最大值;E:曲线曲率因子,决定曲线最大值附近的形状。
电池模型
对于电池模型,本发明采用了简单的电池内阻模型。锂电池的容量参数设为80Ah,具体公式如下:
I2×Rint-Voc×I+P=0
式中Rint为内阻(Ω);I为电流(A);Voc为电池开端电压(V);P为负载功率(kw)。
式中Q为额定电量(C);SOC0为初始SOC。
电机模型
选择的ISG电机能够输出的最大力矩为750Nm,电机额定功率与峰值功率分别为92Kw和121Kw。如图2所示,电机效率主要通过标定的电机效率MAP图得到。
气压机械制动系统模型
气压制动系统的结构如图1所示。系统由空气压缩机提供压力,而制动轮缸的压力可以由各轮上的调节阀进行控制。在实际中,气压制动系统的响应曲线可以进行适当的简化,如图3所示。其中百分比(20%,50%,100%)代表了调节伺服阀的开启程度。当控制器给出压力指令时,气压制动系统首先会有一个短暂的制动器起作用的时间,然后实际制动气体压力会呈现近似线性的上升,最终到达目标压力pt。制动气压的变化率因调节阀特性的不同而各有不同。到达目标压力的响应特性可以表示如下:
式中,pt表示目标制动压力,ux表示制动压力的变化率,τ0表示气压制动系统的起作用时间。
制动气压和气压制动力矩的关系如下式所示:
Tb=kpbp
其中,Tb表示作用于车轮上的气压制动力矩,p表示制动轮缸的气体压力,系数kpb可以通过气压制动系统的反复试验进行标定。
在模型中用到的参数如表1所示。
表1仿真模型中的部分参数
制动能量回收控制方法
制动系统中车轮等部件在临界失稳区域具有高度非线性特性,遗传算法可以直接利用与实际切合度更高的非线性方程求解适应度,通过不断优化迭代选择所有历史个体中适应度最优的个体,所以采用遗传算法求解最优控制序列。为了提升算法的有效性和可靠性,对该算法进行了针对性改进,首先将该算法放于模型预测控制的框架下,即通过对当前时刻的有限时域内的最优问题的求解得到最优控制序列,输出该序列后在下一时刻根据其车辆状态重新计算最优问题,实现整个制动过程中的滚动优化,其次采用了多种群组合迭代和平均分布等方法来提升算法计算效率并防止其收敛于局部最优解。遗传算法计算量极大,难以满足实时需求,针对该缺陷,根据遗传算法输入制作了多维表格,用最近点的方法对其进行了实时化处理。
在制动过程中需要考虑经济性,安全性等多个目标,本发明旨在保证汽车制动安全的前提下,尽可能跟随驾驶意图并最大程度的回收制动能量,从而在其他指标允许范围内提升整车经济性。为了提升遗传算法的有效性,本发明其进行了改进。如图7所示,本发明的改进遗传算法的制动能量回收控制方法的过程共分为5步。具体过程如表2所示:
表2控制方法流程
计算模型
为了简化计算,在遗传算法中不再使用7自由度动力学模型,而是采用3自由度模型预测不同控制序列下的汽车行驶状态。相对于7自由度动力学模型,3自由度模型中不再考虑悬架系统对整车行驶状态的影响。在制动能量回收控制方法中,选择3自由度的整车动力学模型作为预测模型对汽车未来状态进行预测。具体公式如下所示:
ma1(k)=Fx1(k)+Fx2(k)-Fresist(k)
α1(k)=(Tb1(k)-R1Fx1(k))/J1
ω1(k+1)=ω1(k)+α1(k)Ts
α2(k)=(Tb2(k)+Treb-R2Fx2(k))/J2
ω2(k+1)=ω2(k)+α2(k)Ts
在上述公式中用到的变量可通过下式计算:
Fresist(k)=Ff(k)+Fw(k)
Ff(k)=mg(f1+f2v(k))
S1(k)=(ω1(k)R1-v(k))/v(k)
S2(k)=(ω2(k)R2-v(k))/v(k)
μ1(k)=σDsin[Ctan-1(BS1(k)-E{BS1(k)-tan-1[BS1(k)]})]
μ2(k)=σDsin[Ctan-1(BS2(k)-E{BS2(k)-tan-1[BS2(k)]})]
Fx1(k)=Fz1(k)μ1(k)
Fx2(k)=Fz2(k)μ2(k)
式中k为时间步数;v为汽车车速;Ts为控制周期;a1为加速度;α1和α2分别为前后轮的角加速度。
约束
结合系统特性,设定制动能量回收力矩的约束条件如下:第一,结合电机MAP图,通过对当前电机转速查表求得状态下电机所能输出的最大力矩;第二,结合电池状态,得到当前电池所能输出的最大功率,再结合转化后的功率与转速得到最大的制动能量回收力矩;第三,基于设定的最大制动能量回收力矩变化率限制以及上一时刻的制动能量回收力矩,得到当前的制动能量回收力矩限制。由于系统能够提供的气压制动力矩较大,所以对气压制动力矩的约束主要考虑系统设定的最大力矩变化率限制,具体描述公式如下:
Trebωmηmotor≤Pbatt_lim
|Tb2(k+1)-Tb2(k)|≤Tpchange,max·Ts
|Tb1(k+1)-Tb1(k)|≤Tpchange,max·Ts
式中Pbatt_lim为制动能量回收系统中电池在当前状态下的最大充电功率限制;Treb,max为电机在当前状态下的最大力矩限制;Trechange,max为制动能量回收力矩的最大变化率限制;Tpchange,max为气压制动力矩在当前时刻的最大变化率限制。
不同的子种群的约束条件不一样,代表电机再生制动力矩的子种群的约束条件主要是当前转速下电机最大制动力矩与电池最大充电功率的约束,代表前后轴机械摩擦制动力矩的约束条件主要是制动转矩的变化率。
适应度函数
在制动过程中,首先要保证制动稳定性,其次应实现上层的驾驶意图,最后在上述前提下尽可能的提高经济性。本发明通过综合权衡上述性能,基于滑移率将制动状态分为一般控制模式和防抱死制动模式。
一般控制模式
一般控制模式启动的条件是在制动过程中前后车轮的滑移率均不超过设定值L1。该情况下由于滑移率较低,所以主要考虑的性能为实现驾驶意图和提高经济性。另外需要说明的是,随着滑移率变大,应通过调整前后轮的制动力分配比例,尽可能的不触发防抱死控制模式。其适应度函数如下:
式中:
ei(k)=vref(k+i|k)-v(k+i|k),i=1,...,hp
ηi=ηtransηmotor,i=1,...,hp
式中vref是基于驾驶意图的期望车速。ei是期望车速与通过计算的预测车速之间的偏差。hc表示模型预测算法框架下的控制域。hp表示模型预测算法框架下的预测域。ηi是制动时制动能量回收系统的效率。ηtrans是电机到车轮之间传动系统的效率。J是适应度。wx、wy和wz分别为驾驶意图,经济性和制动稳定性的权重因子,且wz在前后轮的最大滑移率小于L2时为零,即此时由于滑移率低,不再考虑滑移率对稳定性的影响,等滑移率大于L2后为了尽可能不触发防抱死控制模式,该权重因子随着滑移率的增加而快速增大。
防抱死(ABS)控制模式
防抱死控制模式启动的条件是任何一个车轮的滑移率超过设定值L1。该模式中由于滑移率较大,存在车轮抱死从而导致车身运动处于不稳定区域的危险,所以该模式中主要考虑的是车身稳定性。其适应度函数如下:
式中Sxrefer是车轮期望滑移率。
结束条件
遗传算法的结束条件一般是迭代代数或者性能达到某个程度,本方法的结束条件设为一定的迭代代数,达到迭代代数后算法结束。
模型预测控制架构下遗传算法改进
综合考虑整车稳定性和经济性,采用基于预测模型的新型改进遗传算法对制动过程中的制动力矩分配问题进行求解,具体描述如下:
首先,采用模型预测控制的控制架构,在每一时刻基于车辆的当前状态变量和以前的历史信息,采用遗传算法计算在有限预测时域和控制时域内的最优控制序列,然后输出当前时刻最优的控制量,在以后的每一次控制时间节点重复该过程,最后实现整个制动过程的滚动优化控制。
其次,在有限迭代次数的遗传算法中,如果把所有控制变量都放在同一个种群中,可能会造成不同控制变量之间的相互干扰,影响算法的求优效率。为了解决该问题,本发明将三个控制变量放在不同的子种群,预测时,不同子种群的个体进行组合,然后以每个个体在其所有组合中的最好的适应度作为其适应度值,最后子种群的个体分别进行迭代更新。
然后采用初始种群均匀分布的方法,对每一个种群,将满足约束条件的可用区域被分为了几个平均的部分,并选择每个部分的边界点作为初始种群的个体值。
继而根据优化问题的具体情况,对遗传算法过程中的基本算子,包括选择算子、交叉算子和变异算子,设置如下:
选择算子:将种群中的个体依据其适应度值平均分为四级,每次选择时,第一级中个体选择概率为0.4,第二级为0.3,第三级为0.2,最后一级为0.1,这样在选择父体和母体时更倾向于选择较优的个体。
交叉算子:当父体和母体确定后,需要根据其基因生成下一代个体,交叉算子的方程如下所示,随机生成0到1之间的数值P1,P2为1与P1的差值。
ui,j(t+1)=P1uik(t)+P2uih(t)
ui,j+1(t+1)=P2uik(t)+P1uih(t)
其中:uik(t)和uih(t)为在t代选择的父体,ui,j(t+1)和ui,j+1(t+1)为在t+1代经过交叉遗传之后的子体,i表示子种群数。
变异算子:在生成下一代新个体的过程中,同时随机生成一个介于0和10之间的数字。如果该随机数小于8,则该个体不进行变异;如果该随机数大于或等于8,则该个体进行变异,其所携带的值为在约束范围内随机生成。
最后,在遗传算法迭代过程中,采取了保持最优的方法,即将上一代种群中的最优个体保留到下一代种群中,该个体适应度优良,保留其基因有助于算法更快更有效的收敛。
实时化方法
基于遗传算法的制动能量回收控制方法的计算量较大,从而计算效率较低,针对该问题,设计提出控制方法的等效控制方法,首先基于输入量制作了多维表格,然后车辆制动时通过选择表格中距离当前状态最近的点的控制量的方法来实现策略的实时性。
用上述基于改进遗传算法的控制方法进行离线运算,生成基于输入集的多维表格。由于实际控制器存储空间限制,对输入集进行了简化,不再需要输入上一时刻的气压制动力矩,即不再在表格中考虑气压制动力矩变化率,而是将该限制放于多维表格后面作为输出上下限硬性约束。简化后输入集Wv以及表格各维度内点之间的间隔Δw如下所示,其中前后轮转速的数值为其乘以轮胎半径之后的等效值。
W=[v,ω1,ω2,vref,z]T∈R5
Wv=[0,vdefine-10,vdefine-10,vdefine-10Ts,0.1]T≤w≤[90,vdefine+1,vdefine+1,vdefine+Ts,0.9]T
Δw=[1,1,1,Ts,0.1]T
式中W为所述输入集,Wv为简化后所述输入集,w为点阵中的内点,Δw为各维度内点之间的间隔。v为车速,ω1为前轴转速,ω2为后轴轮胎转速,vref为期望车速,z为估测的路面附着系数,Ts为设定的控制周期,R为实数符号,R5代表五维的实数空间,vdefine为当前变量组的车速(说明:该点阵的划分为先确定车速的分布,即从0到90之间生成间隔为1的车速分布,然后基于车速再进行剩下变量的分布,vdefine为该分布中先确定的车速)。
本发明的方法所需输入包括有:历史信息主要用于车辆的车速预测,如果不将车速预测模块包含在算法中的话,即未来一段时间的车速算作其它控制器给的已知量(比如现在无人驾驶技术,就会进行未来一段时间的车速规划),那么历史信息由期望车速代替;车辆状态主要包括各个车轮轮速,车速,前后轮的摩擦制动力矩以及再生制动力矩,和路面附着系数。前后轮的摩擦制动力矩以及再生制动力矩主要用于计算最优控制序列时的约束,因为考虑到系统振动及执行器的机械特性,算法对力矩变化率进行了约束。
本发明的控制序列是指算法计算的控制变量在控制域内的最优控制序列,本发明的制动力分配方法主要涉及三个控制变量:前轮的摩擦制动力矩,后轮的摩擦制动力矩,再生制动力矩。假如控制域为5个控制周期,则控制序列为一个3*5的矩阵,即三个控制变量在每个控制周期的输出值组合成为控制序列,控制时只输出控制序列的第一排,即只输出在第一个控制周期的输出值,等到了下个控制周期,系统会重新计算相应的最优控制序列,从而进行滚动优化。
实验验证
为了验证所提出控制方法及其实时化等效策略的制动安全性以及能量回收效率,本发明分别进行了仿真和硬件在环实验。验证由三部分组成:(1)汽车制动稳定性验证;(2)汽车制动能量回收能力验证;(3)硬件在环实验。
汽车制动稳定性验证
制动安全性的仿真工况设定如下:初始车速为80Km/h,期望制动减速度为-0.7g,在砂石路面上进行模拟仿真,附着系数设为0.6。
首先在砂石路面上验证汽车安全性。其仿真结果如图5所示。为触发ABS模式,期望减速度设为0.7g,而路面附着系数设为0.6,所以在图5(a)中,实际车速并未完全跟随期望车速,但可以看出,在充分利用砂石路面的附着力之后其制动减速度也近似0.6g。如图5(b)所示,由于触发ABS模式之后,为防止车轮抱死,制动过程将不再换挡,档位锁定在高档,传动比较小,所以相对于机械制动力矩来说,电机提供的制动能量回收力矩较小,但是经过计算之后可得,电机已经输出了其最大制动力矩,而需求制动力矩与制动能量回收力矩之间的差值由机械制动力矩补偿。在图5(c)中,可以看到滑移率在0.15附近,整个制动过程车轮未曾抱死,整车安全性得到保障。如图5(d)所示,制动过程中回收的制动能量为kJ,由于紧急制动过程时间较短,且该过程的主要目标是保证制动安全性,所以制动能量回收效率较低。
制动能量回收能力验证
制动能量回收效率的仿真工况设置为中国国家标准工况,驱动过程采取的是常用的基于规则式策略,制动过程中作为对比的基准策略同样为基于规则的控制方法,该策略简单描述如下:在制动踏板低于门限值C时,需求制动力矩全部由电机提供,当其高于门限值C时,需求制动力矩在前后轴进行成比例分配(随制动踏板的增大,驱动轴分配的制动力矩比例逐渐减小,最后前后轴趋向于其负载比例),其中后轴上分配的制动力矩优先由电机提供,若电机不能满足时,由气压机械制动力矩补偿,前轴上分配的制动力矩则全部由气压机械制动力矩提供。
仿真结果如图6,7所示,在图(a)中可以看出,两种策略的车速跟随效果都很好,实际车速和期望车速几乎重合。如图(b)所示,提出策略相对于对比策略,在制动过程中的电机力矩更大一些,由于制动减速度较小,制动能量回收力矩不足以满足需求时,剩余的制动力矩几乎全部由后轮机械制动力矩进行补偿,此处不再列出。如图(c)所示,由于整个工况没有紧急制动情况,所以车轮滑移率在0.1以内,符合预定的要求。最后如图(d)所示,相对于对比策略,本发明所提出的制动能量回收控制方法在工况中回收的制动能量大幅度提高。
硬件在环实验
硬件在环系统主要包括DSPACE及其上位机,控制器及其上位机等。DSPACE上位机中具有除控制系统以外的整车模型,其通过DSPACE专用线与DSPACE实现通讯。而在控制器上位机中,控制方法模型通过自动代码生成技术生成核心控制程序,然后该程序与外围的一些底层通讯程序等结合,形成完整的控制器程序,上位机2与控制器通过CAN线进行通讯,可以方便的向控制器烧录程序。进行硬件在环实验时,DSPACE中虚拟模拟整车和环境,控制器为实际控制器,DSPACE与实际控制器之间通过CAN通讯实现硬件在环仿真。
硬件在环实验的工况设定为砂石路面上的紧急制动工况,与制动安全性验证的仿真实验相同。实验结果如图8所示,曲线与图5基本近似,但由于等效策略中控制序列是根据车身状态查表得出,数据变化较大,所以曲线中存在一定波动,总体控制效果稍差,回收的制动能量也较小。但从图8(c)中可以看出,该策略同样保障了车轮滑移率在安全范围内。
表3详细给出验证试验的数据对比,如表所示,在紧急制动工况中,在砂石路面上的模型在环结果较好,最大滑移率为0.19,在硬件在环实验中,由于采取等效策略,控制效果不如模型在环实验,最大滑移率为0.3055,所有试验中车轮均未抱死,说明所提出的控制方法能够保证汽车在制动过程中的安全性。在国家标准工况下,基于规则式的控制方法回收制动能量为4686.2kJ,而本发明所提出的基于遗传算法的制动能量回收控制方法回收制动能量为5397.8kJ,相对于规则式控制方法提升15.19%,回收能量在总制动能量的占比达到60.27%,从而验证了本发明的制动能量回收效率。
表3本发明控制方法与基准方法仿真结果对比
在本发明另一实施例中,一种改进车辆制动能量回收控制装置包括:
计算单元,用于当整车控制器接收到制动信号时,根据车辆当前状态计算车辆所需制动力,所述车辆所需制动力分配至前后轴的三个控制变量,所述三个控制变量为前轮摩擦制动力矩、后轮摩擦制动力矩和电机再生制动力矩,采用基于预测模型的改进遗传算法对所述三个控制变量进行计算;
执行单元,用于在所述模型预测控制的框架下执行遗传算法,即通过对当前时刻的有限时域内的最优问题的求解得到最优控制序列的所述三个控制变量的值;
优化单元,用于采用多种群组合迭代和平均分布方法来提升计算效率并防止其收敛于局部最优解;
选择单元,用于根据车辆历史信息按照如上所述步骤,计算历史情况下的所述最优控制序列的所述三个控制变量的值,生成基于输入集的多维点阵,然后车辆制动时通过选择点阵中距离当前状态最近的点的控制变量;
发送单元,用于根据所述最优控制变量的所述电机再生制动力矩,所述整车控制器向所述电机及其控制器发送控制信号,使得所述电机及其控制器控制电机输出相应制动力矩。
在本发明另一实施例中,一种车辆包括空气压缩机、气缸和制动阀组成的线控气压机械制动系统,和整车控制器、电机及其控制器、变速箱、电池及其管理单元、加速踏板位置传感器、制动踏板位置传感器、车速传感器组成的制动能量回收控制系统,所述线控气压机械制动系统中针对每个车轮都装有气压调节阀,所述线控气压机械制动系统用于单独调节控制每个车轮的轮缸压力,还包括存储有计算机程序的计算机可读存储介质和处理器,当所述计算机程序被所述处理器读取并运行时,实现如上所述的车辆制动能量回收控制方法。
在本发明另一实施例中一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器读取并运行时,实现如上所述的制动能量回收控制方法。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (9)
1.一种改进车辆制动能量回收控制方法,包括空气压缩机、气缸和制动阀组成的线控气压机械制动系统,和整车控制器、电机及其控制器、变速箱、电池及其管理单元、加速踏板位置传感器、制动踏板位置传感器、车速传感器组成的制动能量回收控制系统,所述线控气压机械制动系统中针对每个车轮都装有气压调节阀,所述线控气压机械制动系统用于单独调节控制每个车轮的轮缸压力,其特征在于,包括如下步骤:
a.当所述整车控制器接收到制动信号时,根据车辆当前状态计算车辆所需制动力,所述车辆所需制动力分配至前后轴的三个控制变量,所述三个控制变量为前轮摩擦制动力矩、后轮摩擦制动力矩和电机再生制动力矩,采用基于预测模型的改进遗传算法对所述三个控制变量进行计算,所述预测模型是选择三自由度的整车动力学模型作为预测模型对汽车未来状态进行预测,所述预测模型的三个自由度分别为两个前后轴车轮轮速和整车车速;所述遗传算法的改进方式如下:首先采用了模型预测控制的控制架构,即在每一时刻基于车辆的当前状态变量和以前的历史信息,采用遗传算法计算在有限预测时域和控制时域内的最优控制序列,输出当前时刻最优的控制量,在以后的每一次控制时间节点重复该过程,直到实现整个制动过程的滚动优化控制;其次采用了多种群组合迭代和初始种群平均分布的方法;最后在迭代过程中加入了变异算子和保持最优个体的方法;
b.在所述模型预测控制的框架下执行遗传算法,即通过对当前时刻的有限时域内的最优问题的求解得到最优控制序列的所述三个控制变量的值,所述算法具体流程如下:在约束条件范围内,依照均值分布的方法产生所述三个控制变量的不同子种群;对所述三个控制变量的所述不同子种群中的个体进行排列组合;利用所述预测模型对组合后的控制变量序列进行结果预测,并基于适应度函数,计算每一个个体的适应度;当达到结束条件时,计算结束并输出最优控制组合中所述三个控制变量的第一个控制周期的值;当没有达到所述结束条件时,在依照所述遗传算法的选择过程对所述不同子种群进行选择,并在所述约束条件下对选择的个体进行交叉和变异迭代,生成下一代种群个体;
所述约束说明如下:结合系统特性,设定制动能量回收力矩的约束条件如下:第一,结合电机MAP图,通过对当前电机转速查表求得状态下电机所能输出的最大力矩;第二,结合电池状态,得到当前电池所能输出的最大功率,再结合转化后的功率与转速得到最大的制动能量回收力矩;第三,基于设定的最大制动能量回收力矩变化率限制以及上一时刻的制动能量回收力矩,得到当前的制动能量回收力矩限制;由于系统能够提供的气压制动力矩较大,所以对气压制动力矩的约束主要考虑系统设定的最大力矩变化率限制,具体描述公式如下:
|Tb2(k+1)-Tb2(k)|≤Tpchange,max·Ts (3)
|Tb1(k+1)-Tb1(k)|≤Tpchange,max·Ts (4)
式中Treb为电机制动能量回收力矩;ωm为电机转速;ηmotor为电机效率;Pbatt_lim为制动能量回收系统中电池在当前状态下的最大充电功率限制;Treb(k),Tb1(k),Tb2(k)分别为在k时刻的电机制动能量回收力矩,前轮摩擦制动力矩、后轮摩擦制动力矩;Treb(k+1),Tb1(k+1),Tb2(k+1)分别为在k+1时刻的电机制动能量回收力矩,前轮摩擦制动力矩、后轮摩擦制动力矩;Treb,max为电机在当前状态下的最大力矩限制;Ts为控制周期;Trechange,max为制动能量回收力矩的最大变化率限制;Tpchange,max为气压制动力矩在当前时刻的最大变化率限制;
c.采用多种群平均分布和组合迭代方法来提升计算效率并防止其收敛于局部最优解,所述平均分布是对每一个种群,将满足约束条件的可用区域被分为了几个平均的部分,并选择每个部分的边界点作为初始种群的个体值;所述组合迭代是将三个控制变量放在不同的子种群,预测时,不同子种群的个体进行组合计算,然后以每个个体在其所有组合中的最好的适应度作为其适应度值,最后子种群的个体分别进行迭代更新;
d.根据车辆历史信息按照如上所述步骤a-c,计算历史情况下的所述最优控制序列的所述三个控制变量的值,生成基于输入集的多维点阵,所述基于输入集的多维点阵用于简化输入集,所述输入集主要包括当前车速、期望车速、前轮轮速、后轮轮速以及路面附着系数五个维度,所述对输入集的简化是不再需要输入上一时刻的气压制动转矩,即不再在表格中考虑气压制动转矩变化率,而是将该限制放于多维表格后面作为输出上下限硬性约束;所述多维点阵的输出集为三个控制变量,即前轮摩擦制动力矩、后轮摩擦制动力矩和电机再生制动力矩,然后车辆制动时通过选择点阵中距离当前状态最近的点的控制变量;
e.根据所述最近的点的控制变量的所述电机再生制动力矩,所述整车控制器向所述电机及其控制器发送控制信号,使得所述电机及其控制器控制电机输出相应制动力矩。
2.根据权利要求1所述改进车辆制动能量回收控制方法,其特征在于,所述遗传算法的基本算子包括选择算子,所述选择算子为:
将不同子种群中的个体依据其适应度值平均分为第一级、第二级、第三级和第四级,每次选择时,所述第一级中所述个体的选择概率为0.4,所述第二级中所述个体的选择概率为0.3,所述第三级中所述个体的选择概率为0.2,所述第四级中所述个体的选择概率为0.1,所述每次选择用于在选择父体和母体时更倾向于选择较优的所述个体。
3.根据权利要求2所述改进车辆制动能量回收控制方法,其特征在于,所述遗传算法的所述基本算子包括交叉算子,所述交叉算子为:
当所述父体和所述母体确定后,需要根据其基因生成下一代个体,根据第一公式和第二公式确定所述交叉算子;
所述第一公式为:
ui,j(t+1)=P1uik(t)+P2uih(t) (5)
所述第二公式为:
ui,j+1(t+1)=P2uik(t)+P1uih(t) (6)
其中,P1为随机生成的0到1之间的数值,P2为1与P1的差值,uik(t)和uih(t)为在t代选择的父体,ui,j(t+1)和ui,j+1(t+1)为在t+1代经过交叉遗传之后的子体,i表示子种群数,j代表在i种群中的第j个个体。
4.根据权利要求3所述改进车辆制动能量回收控制方法,其特征在于,所述遗传算法的所述基本算子还包括变异算子,所述变异算子为:
在生成下一代新个体的过程中,同时随机生成一个介于0和10之间的随机数,如果所述随机数小于8,则所述个体不进行变异;如果所述随机数大于或等于8,则所述个体进行变异,其所携带的值为在约束范围内随机生成。
5.根据权利要求4所述改进车辆制动能量回收控制方法,其特征在于,还包括:
在迭代计算过程中,采取了保持最优的方法,即将上一代种群中的最优个体保留到下一代种群中,该个体适应度优良,保留其基因有助于计算更快更有效的收敛。
6.根据权利要求5所述改进车辆制动能量回收控制方法,其特征在于,还包括:
进行离线运算,生成所述基于输入集的多维点阵,所述基于输入集的多维点阵不再输入上一时刻的气压制动力矩,即不再在点阵中考虑气压制动力矩变化率,而是将所述气压制动力矩变化率放于所述多维点阵后作为输出上下限硬性约束,根据第三公式、第四公式和第五公式确定简化后所述输入集Wv以及所述多维点阵各维度内点之间的间隔Δw;
所述第三公式为:
W=[v,ω1,ω2,vref,z]T∈R5 (7)
所述第四公式为:
Wv=[0,vdefine-10,vdefine-10,vdefine-10Ts,0.1]T≤w≤[90,vdefine+1,vdefine+1,vdefine+Ts,0.9]T (8)
所述第五公式为:
Δw=[1,1,1,Ts,0.1]T (9)
其中,前后轮转速的数值为其乘以轮胎半径之后的等效值,W为所述输入集,Wv为简化后所述输入集,w为点阵中的内点,Δw为各维度内点之间的间隔,v为车速,ω1为前轴转速,ω2为后轴轮胎转速,vref为期望车速,z为估测的路面附着系数,Ts为设定的控制周期,R为实数符号,R5代表五维的实数空间,vdefine为当前变量组的车速。
7.一种改进车辆制动能量回收控制装置,用于实现权利要求1-6任一项所述的改进车辆制动能量回收的控制方法,其特征在于,包括:
计算单元,用于当整车控制器接收到制动信号时,根据车辆当前状态计算车辆所需制动力,所述车辆所需制动力分配至前后轴的三个控制变量,所述三个控制变量为前轮摩擦制动力矩、后轮摩擦制动力矩和电机再生制动力矩,采用基于预测模型的改进遗传算法对所述三个控制变量进行计算;
执行单元,用于在所述模型预测控制的框架下执行遗传算法,即通过对当前时刻的有限时域内的最优问题的求解得到最优控制序列的所述三个控制变量的值;
优化单元,用于采用多种群组合迭代和平均分布方法来提升计算效率并防止其收敛于局部最优解;
选择单元,用于根据车辆历史信息按照如上计算单元、执行单元和优化单元的工作步骤,计算历史情况下的所述最优控制序列的所述三个控制变量的值,生成基于输入集的多维点阵,所述基于输入集的多维点阵用于简化输入集,然后车辆制动时通过选择点阵中距离当前状态最近的点的控制变量;
发送单元,用于根据所述最近的点的控制变量的所述电机再生制动力矩,所述整车控制器向电机及其控制器发送控制信号,使得所述电机及其控制器控制电机输出相应制动力矩;
其中,采用所述模型预测控制的控制架构,在每一时刻基于车辆当前状态的所述三个控制变量和所述车辆历史信息,采用所述遗传算法计算在有限预测时域和控制时域内的所述最优控制序列,得出当前时刻最优的控制变量;
将所述三个控制变量放在不同子种群,预测计算时,所述不同子种群的个体进行组合,然后以每个个体在其所有组合中的最大的适应度作为其适应度值,最后所述不同子种群的个体分别进行迭代更新;
然后采用初始种群均匀分布的方法,对所述不同子种群中的每一个种群,将满足约束条件的可用区域被分为了几个平均的部分,并选择所述几个平均的部分的边界点作为所述不同子种群的个体值。
8.一种车辆,包括空气压缩机、气缸和制动阀组成的线控气压机械制动系统,和整车控制器、电机及其控制器、变速箱、电池及其管理单元、加速踏板位置传感器、制动踏板位置传感器、车速传感器组成的制动能量回收控制系统,所述线控气压机械制动系统中针对每个车轮都装有气压调节阀,所述线控气压机械制动系统用于单独调节控制每个车轮的轮缸压力,其特征在于,还包括存储有计算机程序的计算机可读存储介质和处理器,当所述计算机程序被所述处理器读取并运行时,实现如权利要求1-6任一所述改进车辆制动能量回收控制方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器读取并运行时,实现如权利要求1-6任一所述改进车辆制动能量回收控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911307566.8A CN111332125B (zh) | 2019-12-18 | 2019-12-18 | 改进车辆制动能量回收控制方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911307566.8A CN111332125B (zh) | 2019-12-18 | 2019-12-18 | 改进车辆制动能量回收控制方法、装置、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111332125A CN111332125A (zh) | 2020-06-26 |
CN111332125B true CN111332125B (zh) | 2021-10-29 |
Family
ID=71175668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911307566.8A Active CN111332125B (zh) | 2019-12-18 | 2019-12-18 | 改进车辆制动能量回收控制方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111332125B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112776610A (zh) * | 2021-02-25 | 2021-05-11 | 北京工业大学 | 一种电动汽车再生制动系统的控制方法 |
CN113276813B (zh) * | 2021-07-20 | 2021-09-17 | 天津所托瑞安汽车科技有限公司 | 车轮滑移率的修正方法、装置、电子设备及介质 |
CN114179781B (zh) * | 2021-12-22 | 2022-11-18 | 北京理工大学 | 一种插电式混合动力汽车实时控制优化方法及系统 |
CN116853256B (zh) * | 2023-08-07 | 2024-03-22 | 广州汽车集团股份有限公司 | 车辆控制方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5093319B2 (ja) * | 2010-09-17 | 2012-12-12 | トヨタ自動車株式会社 | ハイブリッド自動車 |
CN102495934B (zh) * | 2011-12-15 | 2014-12-24 | 南京理工大学 | 基于粒子群算法的轨道交通牵引功率平衡运行图设计方法 |
CN108510127B (zh) * | 2018-04-11 | 2021-05-18 | 北京交通大学 | 基于再生能利用的城轨列车运行过程优化方法 |
CN110539647B (zh) * | 2019-08-09 | 2022-09-23 | 东南大学 | 一种面向直线行驶工况的四轮独立驱动电动汽车转矩实时优化分配控制方法 |
-
2019
- 2019-12-18 CN CN201911307566.8A patent/CN111332125B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111332125A (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111332125B (zh) | 改进车辆制动能量回收控制方法、装置、车辆及存储介质 | |
CN111332126B (zh) | 车辆制动能量回收控制方法、装置、车辆及存储介质 | |
Li et al. | Model predictive control-based efficient energy recovery control strategy for regenerative braking system of hybrid electric bus | |
CN103991384B (zh) | 一种电动车辆的复合制动系统及其复合制动方法 | |
CN109703375B (zh) | 电动汽车再生制动能量协调回收控制方法 | |
Bera et al. | Bond graph model-based evaluation of a sliding mode controller for a combined regenerative and antilock braking system | |
Xu et al. | Velocity optimization for braking energy management of in-wheel motor electric vehicles | |
CN113635879B (zh) | 一种车辆制动力分配方法 | |
CN104175891B (zh) | 纯电动汽车能量回收再生制动控制方法 | |
Xue et al. | An improved energy management strategy for 24t heavy-duty hybrid emergency rescue vehicle with dual-motor torque increasing | |
Li et al. | Hydraulic regenerative braking system studies based on a nonlinear dynamic model of a full vehicle | |
Diba et al. | Development of hybrid electric heavy-duty truck with self-propelled trailer | |
Wicaksono et al. | Optimal control system design for electric vehicle | |
CN116661296B (zh) | 面向增程式电动矿卡的能耗管理平台、方法、系统及存储介质 | |
Li et al. | Study on Braking Energy Recovery Control Strategy for Four-Axle Battery Electric Heavy-Duty Trucks | |
Zhang et al. | Power-Following Control Strategy of a Wheel-Drive Hydraulic Hybrid Vehicle. | |
Zhou et al. | Energy optimization for intelligent hybrid electric vehicles based on hybrid system approach in a car‐following process | |
Jansen et al. | Adaptive regenerative braking for electric vehicles with an electric motor at the front axle using the state dependent riccati equation control technique | |
Sun et al. | NFTSM control of direct yaw moment for autonomous electric vehicles with consideration of tire nonlinear mechanical properties | |
Zhang et al. | Adaptive fuzzy controller for hybrid traction control system based on automatic road identification | |
Diba et al. | Components sizing optimisation of hybrid electric heavy duty truck using multi-objective genetic algorithm | |
Zhou et al. | In-wheel Motor Electric Vehicle Based on Fuzzy Neural Network Yaw Stability Optimization Control. | |
Paldan et al. | Fusion of vehicle hybrid electric power conversion with optimization of wheel power distribution | |
Jalalmaab | Stochastic power management strategy for in-wheel motor electric vehicles | |
Mihály et al. | Reconfiguration control of in-wheel electric vehicle based on battery state of charge |
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 |