CN111439260A - 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 - Google Patents

Abstract

一种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，属于智能网联商用柴油汽车控制技术领域。本发明的目的是根据驾驶用户的个性化行驶需求，对车辆的巡航行驶策略进行调整和切换，找到个性化目标需求下最优的行驶速度轨迹和跟车距离，实现整车燃油经济性、排放性等性能提升的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。本发明步骤是：建立智能网联信息采集模块、建立前车加速度、车速预测模块、建立柴油车辆的动力总成及后处理一体化模型、建立安全约束模块、设立了四种个性化驾驶模式等。本发明实现整车燃油经济性、排放性等性能的提升。提升了柴油车在编队行驶过程中的舒适性、经济性、排放性等性能。应用于各类商用柴油车的建模及优化控制。

Description

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

技术领域

本发明属于智能网联商用柴油汽车控制技术领域。

背景技术

商用柴油车是我国物流运输领域快速发展的一个重要载体。商用柴油车体积大、风阻大，将多个大型车辆进行编队并保持合适的车距行驶，可以减小车辆受到的风阻，从而达到个体车辆的节能与减排。在编队行驶过程中，队伍中多个驾驶员的加速、制动等操作需要保持协调一致，从而实现后车对前车的紧密跟随。而这种紧密编排的行驶队列对于驾驶员的注意力有着极其严格的要求，并且编队的安全性能随着车速的增大和车辆间距的减小存在不可小觑的隐患。

随着汽车网联化和行驶自动化进程(L2级以上)的逐步加深，商用柴油汽车可以实现编队条件下的自适应巡航行驶。利用先进车载传感(雷达、摄像头等)以及合车-车(V2V)、车-交通(V2I,V2X)等网联通讯，将前方道路坡度、前车车速、信号灯状态等重要交通信息传递给高级驾驶辅助系统(Advance Driving Assistant System,ADAS)，在保证安全性能的前提下，根据不同的行驶场景对巡航行驶策略做出即时的优化调整，可以进一步提升编队中各个车辆巡航行驶过程中的燃油经济性与排放性。

专利CN107117170A面向汽油发动机驱动的车辆公开了一种基于经济性驾驶的实时预测巡航控制系统。该发明采集当前车辆和前方车辆行驶状态信息以及预测距离内道路交通速度限制信息；将采集的信息传递给车辆动力学模型建立模块；建立控制问题，确定优化的目标和所满足的约束条件；基于车辆动力学模型建立模块提出的控制问题和约束条件，通过庞德里亚金极小值原理和二分法相结合的方法，优化得到最优挡位序列、最优汽油发动机转矩及制动力的显示解。但是该发明仅将汽油车辆经济驾驶作为控制目标，由于柴油车辆瞬态行驶下油耗和NO_x(氮氧化物)排放性能指标的协调存在矛盾，因此该发明在柴油车辆的应用以及NO_x排放限制上具有一定局限性。

专利CN107128307A公开了一种车辆巡航控制方法。该发明获取目标车辆的车速；根据所述目标车辆的车速，确定当前车辆的巡航模式；根据所述巡航模式，进行当前车辆的巡航控制。本发明实施例，该发明保证了当前车辆与目标车辆速度的匹配，使得当前车辆可以依据当前的交通状况进行速度的调整。但是该发明只提出了根据获取到的不同信息确定不同巡航模式的框架，而未从车辆及发动机层面对行驶进行具体优化。

专利CN107628029A公开了一种网联汽车队列的节能型稳定性运动控制方法。该方法建立网联汽车队列中单个车辆动力学模型，计算各车辆分别处于加速阶段和滑行阶段的加速度；通过建立跟车子系统模型，确定跟车子系统的四种行驶模式；针对前车加速或滑行两种情况，分别得到自车Δv-ΔR状态平面分区图，确定各区间的自车加速度；最后将前车加速和滑行分别得到的自车状态平面分区图合成，得到自车的切换控制图及控制律，实现网联汽车队列各车辆的节能型运动控制。本发明对车辆位置控制精度要求低，有高效节油减排的效果。该发明最终得到车辆的控制量(加速度)，却未具体从发动机层面对油耗和排放进行优化。

专利CN108915827A公开了一种基于SCR化学动力学模型来估算发动机NO_x排放量的计算方法，该发明采集SCR催化器上下游的两个温度传感器和下游的NO_x传感器和排气流量传感器的测量值，通过搭建的SCR催化器化学反应数学模型计算出催化器上游NO_x体积浓度，进而计算出所需的还原剂尿素的喷射量。此计算方法可以将SCR系统作为一个独立系统进行控制，可以一定程度提高SCR的NO_x转化效率，然而在减排时只考虑下层后处理系统的效率而舍弃上层车辆动力学和发动机的运转，得到的优化结果必定不是最优。

目前，已公开的专利中的柴油汽车优化系统中，缺乏对V-V、V-I等网联信息的实时应用，并且主要侧重于对单一性能指标的优化，即在牺牲其它性能指标的前提下使单一性能指标达到最优，而在柴油汽车行驶过程中，各项性能指标都需要得到考虑。商用汽车在行驶过程中，柴油发动机的瞬态特性使得车辆的舒适性、燃油经济性和排放性等性能之间存在相互制约关系，各个性能指标无法同时达到最优。

然而，开发面向个性化需求的智能网联商用柴油汽车行驶优化控制系统设计又面临一系列挑战：首先，商用柴油汽车纵向动力学包含柴油发动机扭矩输出、排放以及尾气后处理系统等诸多耦合严重的子系统动态，系统动力学的高阶次给行驶优化控制系统设计及优化问题的求解带来了难题；其次，针对行驶优化问题的低成本计算，适合表征舒适度、能耗以及排放等一系列个性化性能指标的数学描述亟待探索；此外，网联环境下利用多源预瞄信息，设计高效的实时优化行驶优化控制系统是又一亟待解决的难题。

发明内容

本发明的目的是根据驾驶用户的个性化行驶需求，对车辆的巡航行驶策略进行调整和切换，找到个性化目标需求下最优的行驶速度轨迹和跟车距离，实现整车燃油经济性、排放性等性能提升的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。

本发明步骤是：

步骤一：建立智能网联信息采集模块，

步骤二：建立前车加速度、车速预测模块：

训练的神经网络包含一个隐含层、一个输入层及一个输出层，由于需要预测未来N_p个时刻的前车加速度，本发明中的神经网络输出层包含神经元个数为N_p；假设输入层包含神经元个数为N_i，隐含层神经元个数为M，则需要选取k时刻之前N_p个时刻的加速度信息作为训练集输出A_o，k-N_p时刻之前N_i个时刻的加速度信息作为训练集输入A_i，即

训练得到神经网络预测模型之后，便选取k时刻之前N_i个时刻的加速度信息作为预测输入

通过训练得到神经网络，预测k时刻之后N_p个时刻的加速度

即

其中a_lead(k+j|k),j＝1,2,…,N_p表示在k时刻预测得到的k+j时刻前车加速度；

为隐含层中第m神经元的输入，

为输出层中第l个神经元的输入，均由上一层的输出、权重及阈值计算得到，即

其中

为输入层第n个神经元到隐含层第m个神经元的权重值，

为隐含层第m个神经元到输出层第l个神经元的权重值；

为隐含层第m个神经元的阈值，

为输出层第l个神经元的阈值；

为隐含层第m个神经元的激活函数输出,

为隐含层第l个神经元的激活函数输出，即为整个神经网络的第l个输出

其中f为神经网络中的激活函数，选取sigmoid函数作为激活函数，其表达式为

假设W^[1]为输入层到隐含层的权重矩阵，W^[2]为隐含层到输出层的权重矩阵，即

则隐含层的神经元输入矩阵表示为

隐含层激活函数输出矩阵表示为

输出层的神经元输入矩阵表示为

输出层的激活函数输出矩阵表示为

神经网络的输出，即k时刻之后N_p个时刻的加速度

表示为

其中权重矩阵W^[1]及W^[2]、阈值矩阵B^[1]及B^[1]为模型参数，由历史加速度数据训练得到；

利用预测得到的前车未来加速度，计算k时刻之后N_p个时刻的车速

写成矩阵的形式即为

步骤三：建立柴油车辆的动力总成及后处理一体化模型：

步骤3.1建立车辆的纵向动力学行驶模型

将被控车辆的位置s_veh和车速v_veh作为系统状态量，加速度a_veh作为系统输入量，建立被控车辆的二阶纵向动力学方程

将其离散化，则得到k时刻的车辆纵向动力学模型

其中T为系统离散采样时间；

将前车状态也引入此方程中，定义被控车辆与前车的相对距离d_veh(k)＝s_veh(k)-s_lead(k)，其中s_lead为前车的位置，由于在巡航过程中被控车辆一般保持在前车之后，因此一般情况下d_veh为负数，且|d_veh|＞l_lead，其中l_lead为前车的车辆长度；使用d_veh(k)+s_lead(k)代替s_veh(k)，则纵向动力学模型变为

由于前车k+1时刻的位置s_lead(k+1)＝s_lead(k)+Tv_lead(k)+0.5T²a_lead(k)，因此纵向动力学模型可化简为

x(k+1)＝Ax(k)+B_uu(k)+B_ww(k) (19)

其中系统状态量x、输入量u及参考输入量w分别为

模型参数分别为

状态量为辆车相对距离d_veh和被控车辆车速v_veh，状态量初值

通过行驶前采集得到，w可通过步骤一、二采集、预测得到；

车辆行驶所需驱动力F_t使用牛顿第二定律对车辆进行分析有

F_t＝M_veha_veh+f_rr+f_air (22)

其中驱动力F_t，M_veh为车辆重量，a_veh为车辆加速度，f_rr为车辆滚动阻力，f_air为车辆的空气阻力；

车辆滚动阻力f_rr的表达式为：

f_rr＝C_RM_vehg (23)

其中g为重力加速度，C_R的表达式为：

其中θ为道路坡度；v_veh为车辆行驶速度，C_R0与C_R1分别是两个车轮阻力系数，与道路类型和车轮的性能有关；

车辆的空气阻力f_air的表达式为：

其中ρ_air为空气密度，A_f为车辆正面区域面积，C_d为空气阻力系数；

将式带入式便可得到车辆的驱动力F_t：

车辆驱动力为输入量车辆加速度a_veh和状态量车速v_veh的函数；

步骤3.2建立车辆的档位优化模块以及变速箱模型

挡位优化模块中的当前挡位及变速比I_g是由车速v_veh和加速度a_veh优化得到，即

I_g＝f(v_veh,a_veh) (27)

其中I_g＝[0.8 1 1.2 1.5 1.9 2.4 3 3.7 4.6 5 7]，即有11个档位及对应变速比；

由当前的档位I_g、车速v_veh和加速度a_veh得到发动机的运行状态，即所需要达到的转速N_e和扭矩T_e

其中r为车轮半径，I_f为车辆的差速比；发动机转速N_e，发动机扭矩T_e；

步骤3.3建立柴油机发动机模型

发动机的燃油消耗率

NO_x排放量

和排气温度T_TB通过发动机的转速N_e及扭矩T_e查表得到，即

燃油消耗率

NO_x排放量

和排气温度T_TB关于发动机的转速N_e及扭矩T_e；

步骤3.4建立SCR后处理模型

通过热力学模型得到SCR中的催化剂温度T_g,SCR，用惯性环节代替热力学模型，即

其中T_i为标定系数；

由SCR中的催化剂温度T_g,SCR和发动机NO_x排放量

得到后处理之后的NO_x排放量

步骤四：建立安全约束模块

对控制系统输入量车辆加速度的约束为a_veh,min≤a_veh(k)≤a_veh,max (33)

其中a_veh,min与a_veh,max与车辆自身性能允许的最大加速度有关；

对巡航优化控制系统中状态量为后车车速v_veh和两车相对距离d_veh约束为0≤v_veh(k)≤v_veh,max(k) (34)

d_veh,min(k)≤d_veh(k)≤d_veh,max(k) (35)

其中，对于车速最大值v_veh,max(k)；

需要保证两车距离大于允许的安全距离，安全距离的静态部分即为前车长度l_L，动态部分即为车头时距与车速的乘机，

d_veh,min(k)＝l_lead+Δt_lv_l(k) (36)

对相对距离的最大值约束为

步骤五：设立了以下四种个性化驾驶模式：舒适驾驶模型；节能驾驶模式；减排驾驶模式；用户自定义模式

控制问题描述为

四个子代价函数的表达式如下：

J₃(k)＝P_veh(k) (41)

个性化驾驶模式一：舒适驾驶模式

使用子代价函数J₁中的车辆加速度大小来表征车辆行驶过程中的舒适度，通过设置ω₁为1、其余权值为0，使车辆进入舒适驾驶模式；

个性化驾驶模式二：节能驾驶模式

对应子代价函数为J₂和J₃，实际操作中设置ω₂或ω₃为1、其余权值为0，J₂和J₃分别使用车辆燃油消耗率

和车辆输出功率P_veh来表征车辆能耗，其中

对于普通商用柴油车，车辆燃油消耗率

和车辆输出功率P_veh呈线性相关，因此子代价函数J₂和J₃都可用于表征能耗；混合动力化柴油车辆，使用子代价函数J₃，从功率输出的角度表征车辆能耗；

个性化驾驶模式三：减排驾驶模式对应的子代价函数为J₄，实际操作中设置ω₄为1、其余权值为0；

个性化驾驶模式四：自定义驾驶模式

在实际驾驶过程中，用户通过客户端调节每个子代价函数的控制权重ω_i，综合多个驾驶模式对柴油车辆行驶过程进行优化；

步骤六：优化问题求解

在k时刻，在步骤四给出的相应约束条件下，对步骤五根据个性化驾驶需求构建的优化代价函数进行求解，得到k时刻之后N_u个时刻的最优加速度序列，并取序列的第一个值作为下一时刻k的系统控制量；

控制系统控制输入量、状态量及输出量分别为

由步骤二预测得到未来N_p个时刻的前车车速、加速度信息之后，根据未来N_u个时刻的控制输入量u(k+j|k),j＝1,2,…,N_u，通过步骤三中的车辆行驶纵向动力学模型得到未来N_p个时刻的状态量x(k+j|k),j＝1,2,…,N_p；

步骤五中使用四个物理量表征三个车辆性能指标，并分别给出了对应的子代价函数，求解优化问题时需要将控制时域N_u内的各子代价函数进行加和，即

s.t.x(k+1)＝Ax(k)+B_uu(k)+B_ww(k) (46)

u_min≤u(k)≤u_max (47)

x_min(k)≤x(k)≤x_max(k) (48)

其中子代价函数J₁使用加速度大小表征车辆行驶过程的舒适度

为了便于MPC的求解，需要将发动机油耗静态MAP拟合成为分段仿射函数，即

其中

为拟合函数，将燃油消耗率

拟合成为了优化系统输入量a_veh和状态量v_veh的函数进行求解；

子代价函数J₃使用车辆输出功率P_veh表征车辆能耗，即

子代价函数J₄使用车辆NO_x排放

表征车辆的排放性能，在对NO_x建模的过程中，与燃油消耗率

类似，同样使用了静态MAP的方法，因此同样将其拟合为分段仿射函数，即

其中

为NOx排放

的拟合函数；

则代价函数写为

其中Γ_u与Γ_y分别为输入和输出的加权矩阵

Γ_u＝[ω₁] (54)

Γ_y＝[ω₂ ω₃ ω₄] (55)

通过改变Γ_u与Γ_y改变各子代价函数的控制权值，便可实现不同个性化驾驶模式之间的切换；假设求解得到最优加速度控制序列为

其中u^*(k+j|k)表示在k时刻求解得出的k+j时刻最优序列，将求解得到的第一个值u^*(k+1|k)作为下一时刻的加速度控制输入；

步骤七：速度、加速度跟踪模块由优化问题求解得出最优车速轨迹之后，需要将车速轨迹通过步骤三的纵向行驶动力学模型和变速箱模型转化得到发动机扭矩、变速箱档位等执行变量；

步骤八：优化系统性能预估

柴油汽车行驶实时优化控制系统中，前车的车速、加速度信息由神经网络模型预测得到，并且控制时域与预测时域有限，因此得到的优化结果为局部最优结果。

本发明考虑智能网联商用柴油汽车巡航过程中的行驶优化系统设计，开发了一种新颖的面向个性化需求的行驶优化控制系统。该系统适用于网联环境下的商用柴油汽车巡航行驶工况，目标是根据驾驶用户的个性化行驶需求，对车辆的巡航行驶策略进行调整和切换，找到个性化目标需求下最优的行驶速度轨迹和跟车距离，实现整车燃油经济性、排放性等性能的提升。为实现这个目标，首先本发明应用数据-机理混合的方法，建立了面向个性化行驶优化的商用柴油汽车动力总成与后处理系统一体化降阶模型，为实现低成本计算的优化系统设计奠定了基础；然后针对不同的个性化模式，分别提出用来表征优化目标的数学描述，即在“舒适驾驶”模式、“节能驾驶”模式以及“减排驾驶”模式下分别提出了用来表征舒适度、能耗以及NO_x排放的数学描述；进而，利用多源网联预瞄信息，提出了基于滚动时域优化的车辆巡航实时控制算法及优化控制系统设计流程。

附图说明

图1是本发明运行流程图；

图2是本发明中的商用柴油车巡航行驶优化控制系统示意图；

图3是本发明中控制框图；

图4是前车加速度、车速预测模块神经网络结构示意图；

图5是本发明中动力总成与后处理系统一体化面向控制模型结构图；

图6是本发明中柴油发动机机模型的燃油消耗率静态MAP图；

图7是本发明中柴油发动机机模型的NO_x排放静态MAP图；

图8是本发明中柴油发动机机模型的排气温度静态MAP图；

图9是本发明中SCR的NO_x转化效率随温度变化的示意图；

图10是模拟UDDS工况且前车预瞄信息准确已知情况下，选择不同个性化驾驶模式得到的车速优化控制结果；其中(a)是选择“舒适驾驶”模式，以车辆舒适度为优化目标，并用加速度表征车辆舒适度得到的速度对比图；(b)是选择“节能驾驶”模式，以车辆能耗为优化目标，并用车辆燃油消耗率表征车辆能耗得到的速度对比图；(c)是选择“节能驾驶”模式，以车辆能耗为优化目标，并用车辆输出功率表征车辆能耗得到的速度对比图；(d)是选择“减排驾驶”模式，以车辆排放性为优化目标，并用单位时间内的NOx排放量表征车辆排放性得到的速度对比图；

图11是模拟UDDS工况且前车预瞄信息准确已知情况下，选择不同个性化驾驶模式获得的车辆个性能提升潜力评估结果。

具体实施方式

以下对本发明对本发明做进一步详细描述：

步骤一：建立智能网联信息采集模块。采集前方道路信息(如道路坡度等)、交通状况信息(如交通信号灯等)，为商用柴油车的行驶优化提供数据支撑；采集当前k时刻及之前本车、前车行驶状态(加速度、车速、位置)，为前车车速、以便于预测未来前车加速度、车速。其中道路信息和交通状况信息可以通过V-I、V-X中高精地图等方式获取；车速、加速度可通过V-V网联信息获取，或者通过雷达、摄像头等传感器获取。

步骤二：建立前车加速度、车速预测模块。假设控制系统设定的预测时域为N_p，利用k时刻采集得到的前车历史加速度，通过神经网络训练出前车加速度预测模型，预测得到未来N_p个时刻的前车加速度及车速。

本发明所训练的神经网络包含一个隐含层、一个输入层及一个输出层。由于需要预测未来N_p个时刻的前车加速度，本发明中的神经网络输出层包含神经元个数为N_p。假设输入层包含神经元个数为N_i，隐含层神经元个数为M，则需要选取k时刻之前N_p个时刻的加速度信息作为训练集输出A_o，k-N_p时刻之前N_i个时刻的加速度信息作为训练集输入A_i，即

训练得到神经网络预测模型之后，便选取k时刻之前N_i个时刻的加速度信息作为预测输入

通过训练得到神经网络，预测k时刻之后N_p个时刻的加速度

即

其中a_lead(k+j|k),j＝1,2,…,N_p表示在k时刻预测得到的k+j时刻前车加速度。

训练得到的神经网络结构如图4所示。

为隐含层中第m神经元的输入，

为输出层中第l个神经元的输入，均由上一层的输出、权重及阈值计算得到，即

其中

为输入层第n个神经元到隐含层第m个神经元的权重值，

为隐含层第m个神经元到输出层第l个神经元的权重值；

为隐含层第m个神经元的阈值，

为输出层第l个神经元的阈值；

为隐含层第m个神经元的激活函数输出,

为隐含层第l个神经元的激活函数输出，即为整个神经网络的第l个输出。

其中f为神经网络中的激活函数，本发明中选取sigmoid函数作为激活函数，其表达式为

假设W^[1]为输入层到隐含层的权重矩阵，W^[2]为隐含层到输出层的权重矩阵，即

则隐含层的神经元输入矩阵可表示为

则隐含层激活函数输出矩阵可表示为

同理可得，输出层的神经元输入矩阵可表示为

输出层的激活函数输出矩阵可表示为

则神经网络的输出，即k时刻之后N_p个时刻的加速度

可表示为

式(13)即为本发明用神经网络构建的前车未来加速度预测方程。其中权重矩阵W^[1]及W^[2]、阈值矩阵B^[1]及B^[1]为模型参数，由历史加速度数据训练得到。

利用预测得到的前车未来加速度，便可通过式计算k时刻之后N_p个时刻的车速。

写成矩阵的形式即为

值得注意的是，由于预测k时刻未来前车加速度、车速时，需要用到k时刻之前N_i+N_p个时刻的前车信息，因此在前车启动时间达到T(N_i+N_p)时，才可进行前车加速度、车速预测。其中T为控制系统的采样步长，本发明中为0.1s。

步骤三：建立柴油车辆的动力总成及后处理一体化模型。模型输入为商用柴油汽车的运行状态(车辆行驶的加速度和速度)及采集得到的部分智能网联信息(道路坡度及前车加速度、车速)，模型输出为柴油车的燃油消耗率和NO_x排放速率。该模型由车辆行驶纵向动力学模型、变速箱模型、发动机模型以及SCR后处理模型四部分组成。由于柴油车辆纵向动力学模型中的部分子系统阶次高，较为复杂，为了后续优化问题的求解简便，本发明中对其进行了降阶处理；而柴油发动机以及后处理部分中进行的反应十分复杂，且后处理中温度量变化缓慢，难以建模，本发明中使用了静态方程和MAP表形式对其进行建模。建模的具体过程如下：

步骤3.1建立车辆的纵向动力学行驶模型。假设一个商用柴油车的编队由N辆柴油车组成，则整个巡航系统可分为N-1个巡航子系统，每一个单独的巡航子系统由前车和后车(被控车辆)组成。道路的坡度信息通过步骤一采集得到，前车的加速度、车速通过步骤一、二预测得到，作为参考输入传递到车辆纵向动力学行驶模型。首先将被控车辆的位置s_veh和车速v_veh作为系统状态量，加速度a_veh作为系统输入量，建立被控车辆的二阶纵向动力学方程

将其离散化，则得到k时刻的车辆纵向动力学模型

其中T为系统离散采样时间。

为了利用智能交通信息对被控车辆进行更好的控制，并对使对被控车辆的状态约束变得更加简便，在本发明中将前车状态也引入此方程中，定义被控车辆与前车的相对距离d_veh(k)＝s_veh(k)-s_lead(k)，其中s_lead为前车的位置，由于在巡航过程中被控车辆一般保持在前车之后，因此一般情况下d_veh为负数，且|d_veh|＞l_lead，其中l_lead为前车的车辆长度。使用d_veh(k)+s_lead(k)代替s_veh(k)，则纵向动力学模型变为

由于前车k+1时刻的位置s_lead(k+1)＝s_lead(k)+Tv_lead(k)+0.5T²a_lead(k)，因此纵向动力学模型可化简为

x(k+1)＝Ax(k)+B_uu(k)+B_ww(k) (19)

其中系统状态量x、输入量u及参考输入量w分别为

模型参数分别为

以上即为巡航系统的纵向动力学方程。其为二阶系统，状态量为辆车相对距离d_veh和被控车辆车速v_veh，状态量初值

通过行驶前采集得到。w可通过步骤一、二采集、预测得到。

车辆纵向动力学行驶模型的输出量除车速v_veh，还包括车辆行驶所需驱动力F_t。此处使用牛顿第二定律对车辆进行分析有

F_t＝M_veha_veh+f_rr+f_air (22)

其中驱动力F_t单位为N；M_veh为车辆重量，单位kg；a_veh为车辆加速度，单位m/s²；f_rr为车辆滚动阻力，单位N；f_air为车辆的空气阻力，单位N。

车辆滚动阻力f_rr的表达式为：

f_rr＝C_RM_vehg (23)

其中g为重力加速度，单位m/s²；C_R的表达式为：

其中θ为道路坡度；v_veh为车辆行驶速度，单位m/s；C_R0与C_R1分别是两个车轮阻力系数，与道路类型和车轮的性能有关。对于相同类型的商用柴油车和相同道路类型的路段，可视其为常数。

车辆的空气阻力f_air的表达式为：

其中ρ_air为空气密度，单位kg/m³；A_f为车辆正面区域面积，单位m²；C_d为空气阻力系数。将式带入式便可得到车辆的驱动力F_t：

可见车辆驱动力为输入量车辆加速度a_veh和状态量车速v_veh的函数。

步骤3.2建立车辆的档位优化模块以及变速箱模型。挡位优化模块中的当前挡位及变速比I_g是由车速v_veh和加速度a_veh优化得到，即

I_g＝f(v_veh,a_veh) (27)

其中I_g＝[0.8 1 1.2 1.5 1.9 2.4 3 3.7 4.6 5 7]，即有11个档位及对应变速比。在相同车速状态下，要实现越大的加速度，则需要的档位越低，对应的变速比越大，符合日常换挡规则。

再由当前的档位I_g、车速v_veh和加速度a_veh得到发动机的运行状态，即所需要达到的转速N_e和扭矩T_e。

其中r为车轮半径，单位m；I_f为车辆的差速比；发动机转速N_e单位为RPM；发动机扭矩T_e单位为Nm。

步骤3.3建立柴油机发动机模型。由于发动机内部的燃烧十分复杂，用机理难以对柴油机进行精确建模，因此本发明中的柴油机模型使用了数据驱动的方法建立，即发动机的燃油消耗率

NO_x排放量

和排气温度T_TB通过发动机的转速N_e及扭矩T_e查表得到，即

燃油消耗率

NO_x排放量

和排气温度T_TB关于发动机的转速N_e及扭矩T_e的MAP图如图6、7、8所示。

步骤3.4建立SCR后处理模型。柴油机中燃烧产生的NO_x还要经过SCR中的转化作用降低，而SCR中进行反应的反应速率与其反应催化剂的温度有很大关系，因此需要对SCR中的催化剂温度进行建模。根据步骤3.3得到的排气温度，通过热力学模型得到SCR中的催化剂温度T_g,SCR。由于车辆后处理系统中气体是相通的，因此在本发明中用一个惯性环节代替热力学模型，即

其中T_i为标定系数。SCR中的NO_x转化效率η_SCR跟SCR中的催化剂温度有关，转化效率图如图9所示。因此通过SCR效率模型，可由SCR中的催化剂温度T_g,SCR和发动机NO_x排放量

得到后处理之后的NO_x排放量

步骤四：建立安全约束模块

在商用柴油车巡航优化控制系统中，约束条件的建立是车辆安全行驶的前提。首先，对控制系统输入量车辆加速度的约束为

a_veh,min≤a_veh(k)≤a_veh,max (33)

其中a_veh,min与a_veh,max与车辆自身性能允许的最大加速度有关，本发明中取值为-5m/s²和5m/s²。

本发明中巡航优化控制系统中状态量为后车车速v_veh和两车相对距离d_veh，对状态量的约束是保证车辆安全性能的关键。因此本发明对其约束为

0≤v_veh(k)≤v_veh,max(k) (34)

d_veh,min(k)≤d_veh(k)≤d_veh,max(k) (35)

其中，对于车速最大值v_veh,max(k)，本发明中设定为40m/s，在实际操作中应综合考虑k时刻车辆所在的道路法规限定最大车速与车辆自身性能允许的最大车速。对于两车相对距离的约束，首先需要保证两车距离大于允许的安全距离，而此安全距离的静态部分即为前车长度l_L，此项即为保证辆车不会相撞；动态部分即为车头时距与车速的乘机，此项是为了保证在前车有刹车动作时，后车有足够的反应时间。

d_veh,min(k)＝l_lead+Δt_lv_l(k) (36)

由于本发明的针对对象为风阻较大的商用柴油车，在行驶过程中为了一定程度上减小车辆受到的风阻作用，需要保证两车相隔距离不是太远，则对相对距离的最大值约束为

其中l₁和l₂在本文中的取值分别为15s以及5s。

步骤五：针对不同个性化优化需求，建立优化问题的数学描述。针对驾驶过程中对舒适性、经济性以及排放性的优化需求，本发明设立了以下四种个性化驾驶模式：1)“舒适驾驶”模型；2)“节能驾驶”模式；3)“减排驾驶”模式；4)用户自定义模式。在驾驶过程中，用户可针对不同的交通场景和不同的优化需求，切换不同的驾驶模式，车辆控制器则通过更改优化问题的数学描述而适当地调整驾驶策略。本发明控制问题的数学描述为

为了实现个性化优化，本发明在控制问题的数学描述中使用了四个表征不同优化指标的子代价函数组成了可变的代价函数，通过改变各个子代价函数的权值ω_i便可实现不同优化指标的切换。四个子代价函数的表达式如下：

J₃(k)＝P_veh(k) (41)

个性化驾驶模式一：“舒适驾驶”模式。本发明使用子代价函数J₁中的车辆加速度大小来表征车辆行驶过程中的舒适度。可通过设置ω₁为1、其余权值为0，使车辆进入“舒适驾驶”模式，使车辆加速度在约束条件内达到最小，从而使被控车辆的速度曲线更平缓，减少不必要的急刹车和急加速，满足舒适性需求。

个性化驾驶模式二：“节能驾驶”模式。本发明中对应子代价函数为J₂和J₃，实际操作中设置ω₂或ω₃为1、其余权值为0。J₂和J₃分别使用车辆燃油消耗率

和车辆输出功率P_veh来表征车辆能耗，其单位分别为kg/s与kW。其中

对于普通商用柴油车，由于燃油是车辆唯一动力来源，车辆燃油消耗率

和车辆输出功率P_veh一定程度上呈线性相关，因此子代价函数J₂和J₃都可用于表征能耗。然而，考虑到近年来柴油车辆逐步的混合动力化，燃油消耗率无法完全表征车辆的能耗，因此针对混合动力柴油车的“节能驾驶”模式，可使用子代价函数J₃，从功率输出的角度表征车辆能耗。

个性化驾驶模式三：“减排”驾驶模式。对应的子代价函数为J₄，实际操作中设置ω₄为1、其余权值为0。将柴油车辆动力总成及后处理一体化模型中的NOx排放输出量写入代价函数，在行驶过程中使NO_x排放尽可能达到最小。

个性化驾驶模式四：自定义驾驶模式。在实际驾驶过程中，用户通过客户端调节每个子代价函数的控制权重ω_i，综合多个驾驶模式对柴油车辆行驶过程进行优化。既实现了用户自定义的驾驶模式，同时又综合优化了柴油车辆行驶过程中的舒适性、经济性和排放性。

步骤六：优化问题求解。由于此优化问题存在多约束条件、并且需要实时优化，因此本发明采用模型预测控制(Model Predictive Control,MPC)对本发明的优化问题进行滚动时域优化。在k时刻，在步骤四给出的相应约束条件下，对步骤五根据个性化驾驶需求构建的优化代价函数进行求解，得到k时刻之后N_u个时刻的最优加速度序列，并取序列的第一个值作为下一时刻k的系统控制量。

本发明的控制系统控制输入量、状态量及输出量分别为

由步骤二预测得到未来N_p个时刻的前车车速、加速度信息之后，便可根据未来N_u个时刻的控制输入量u(k+j|k),j＝1,2,…,N_u(假设未来N_u之后的时刻控制量不变)，通过步骤三中的车辆行驶纵向动力学模型得到未来N_p个时刻的状态量x(k+j|k),j＝1,2,…,N_p。

步骤五中使用四个物理量表征三个车辆性能指标，并分别给出了对应的子代价函数，求解优化问题时需要将控制时域N_u内的各子代价函数进行加和，即

s.t.x(k+1)＝Ax(k)+B_uu(k)+B_ww(k) (46)

u_min≤u(k)≤u_max (47)

x_min(k)≤x(k)≤x_max(k) (48)

其中子代价函数J₁使用加速度大小表征车辆行驶过程的舒适度

子代价函数J₂使用汽车行驶过程的燃油消耗率

表征车辆能耗，由于在

建模过程中使用了静态MAP的方法，因此为了便于MPC的求解，需要将其拟合成为分段仿射函数，即

其中

为拟合函数，将燃油消耗率

拟合成为了优化系统输入量a_veh和状态量v_veh的函数进行求解。

子代价函数J₃使用车辆输出功率P_veh表征车辆能耗，即

子代价函数J₄使用车辆NO_x排放

表征车辆的排放性能，在对NO_x建模的过程中，与燃油消耗率

类似，同样使用了静态MAP的方法，因此同样将其拟合为分段仿射函数，即

其中

为NOx排放

的拟合函数。

则代价函数可写为

其中Γ_u与Γ_y分别为输入和输出的加权矩阵

Γ_u＝[ω₁] (54)

Γ_y＝[ω₂ ω₃ ω₄] (55)

只需通过改变Γ_u与Γ_y改变各子代价函数的控制权值，便可实现不同个性化驾驶模式之间的切换。

使用Matlab中的二次规划工具箱quadprog可对以上问题进行求解。假设求解得到最优加速度控制序列为

其中u^*(k+j|k)表示在k时刻求解得出的k+j时刻最优序列。将求解得到的第一个值u^*(k+1|k)作为下一时刻的加速度控制输入。

步骤七：速度、加速度跟踪模块。由优化问题求解得出最优车速轨迹之后，需要将车速轨迹通过步骤三的纵向行驶动力学模型和变速箱模型转化得到发动机扭矩、变速箱档位等执行变量。

步骤八：巡航优化控制系统性能预估。整个柴油车行驶优化控制系统建立之后，为了验证此优化控制系统的可行性并对其优化性能做出预估，还需要进行以下验证过程：

(1)设定巡航优化控制系统中前车的车速轨迹及道路状况。本发明验证过程中设定前车车速轨迹遵循城市道路循环工况(Urban Dynamometer Driving Schedule,UDDS)车速，并且道路坡度为0，将车速轨迹及道路坡度作为本发明中动力总成与后处理一体化模型的输入，得到行驶全程的油耗曲线及NO_x排放曲线，进而计算出行驶过程中车辆的总油耗及NO_x总排放。

(2)设置巡航优化控制系统的预测时域，在各个个性化驾驶模式下对后车巡航过程进行优化控制。本发明验证过程中假定巡航优化控制系统的预测时域足够长，并且预测时域内得到的前车车速准确已知，在“舒适驾驶”、“节能驾驶”及“减排驾驶”三种驾驶模式下对后车巡航过程进行优化控制，

(3)将巡航优化控制系统优化得到的后车车速轨迹作为本发明中动力总成与后处理一体化模型的输入，得到后车行驶全程的油耗曲线及NO_x排放曲线，并计算出行驶过程中车辆的总油耗及NO_x总排放。将后车的车速轨迹、总油耗及NO_x总排放与前车作对比，分析各个性化驾驶模式下后车舒适性能、经济性能及排放性能在前车基础上的改善程度。本发明验证过程中后车优化得到的车速轨迹与前车的对比结果如图10所示，后车优化得到的总油耗、NO_x总排放量与前车对比如图11所示。从图中可以看出，在“舒适驾驶”模式下，后车优化后的车速曲线跟前车相比十分平缓，一定程度上减少了车辆频繁的加减速行为，满足了对车辆舒适性的优化需求，油耗与NO_x排放也分别减少了6％与27％；在“节能驾驶”模式下，总油耗降低了9％，满足了对车辆经济性的优化需求；在“减排驾驶”模式下，NO_x总排放降低了30％，满足了对车辆排放性的优化需求。

通过此验证过程得到的结果为全局最优结果，实际操作中的优化性能还需依赖于对前车车速预测的准确性，然而由于车辆行驶过程中，对车距的要求比较严格，因此实际操作中巡航优化控制系统的优化性能并不会在此全局最优结果的基础上有过多降低。

图1为本发明中面向个性化需求的智能网联商用柴油汽车行驶优化控制系统运行流程图。

1.建立被控车辆的动力总成与后处理系统一体化面向控制模型；

2.确认用户选择的个性化驾驶模式；

3.确认车辆启动时间达到预测前车信息所需的时间阈值T(N_i+N_p)(本发明中为12s)；

4.采集当前时刻及之前的道路信息、交通状态信息、本车及前车行驶状态(车辆加速度、车速、位置等)信息；

5.利用采集得到的前车数据，训练得到神经网络模型，以此预测前车未来N_p个时刻的车辆加速度、车速；

6.利用采集得到的交通状况信息、预测得到的前车信息建立车辆安全约束模块，对车辆的加速度、车速、与前车间隔距离做出约束；

7.根据用户选择的个性化驾驶模式，建立与优化性能指标相对应的代价函数；

8.使用MPC对代价函数进行求解，将求解得到的最优加速度序列作为车辆下一时刻的加速度输入；

9.通过加速度跟踪模块将求解得到的加速度转化为发动机扭矩输出、变速箱档位、制动力等执行变量，输入给车辆；

10.当前时刻加1，重复2—10步骤，直到巡航结束。

图3为本发明中面向个性化需求的智能网联商用柴油汽车巡航行驶优化控制系统控制框图。整个优化控制系统主要有四个部分组成：(1)驾驶员(2)智能网联信息获取模块(3)商用柴油车行驶控制器(3)被控车辆。

1.驾驶员根据周围的交通环境信息，选择个性化驾驶模式；

2.商用柴油车行驶控制器通过交通法规、道路状况及前车、本车的行驶状态等信息，给出安全行驶约束条件；

3.在安全行驶约束条件下，使用MPC求解器对驾驶员选择的个性化驾驶模式对应的代价函数进行求解，得到车辆最优加速度序列；

4.通过加速度跟踪模块，将最优加速度序列转化为被控车辆的各执行变量(发动机输出扭矩、变速箱档位、制动力等)，将其输入给被控车辆，驱动车辆行驶。

图5为本发明中动力总成与后处理系统一体化面向控制模型结构图。

1.建立车辆的纵向动力学模型。通过车辆的加速度a_veh、道路坡度θ以及前车加速度a_lead、车速v_lead，推算出车辆的车速v_veh和所需的牵引力F_t。

2.建立车辆的档位优化模块以及变速箱模型。由车速v_veh和加速度a_veh得到车辆的当前变速比I_g。再由当前的档位I_g、车速v_veh和加速度a_veh得到发动机的运行状态，即所需达到的转速N_e和扭矩T_e。

3.建立发动机模型。根据发动机的转速N_e、扭矩T_e和燃油消耗率

NO_x排放量

和排气温度T_TB的关系，通过查表的方式，建立发动机静态模型。

4.建立热力学模型及SCR效率模型。根据步骤三得到的排气温度，通过热力学模型得到SCR中的气体温度T_g,SCR。由于SCR中的NO_x转化效率跟SCR中的气体温度有关，因此通过SCR效率模型，可由SCR中的气体温度T_g,SCR和发动机NO_x排放量

得到后处理之后的NO_x排放量

图11为模拟UDDS工况且前车预瞄信息准确已知情况下，选择不同个性化驾驶模式获得的车辆个性能提升潜力评估结果。可以看出预测信息足够精确的情况下，本发明设计的商用柴油车行驶优化控制系统在“节能驾驶”模式下，油耗可降低9％；在“减排驾驶”模式下，NO_x排放可降低30％。在商用柴油车辆编排队列的基础上，使车辆的经济性、排放性得到了大幅提升。

表1为商用柴油车行驶优化控制系统所含变量统计表

表2为商用柴油车行驶优化控制系统所含参数统计表

1)本发明在对商用柴油车建模时，采用车辆的动力总成系统及后处理系统集成式建模方法，对部分子系统进行了降阶处理，使用数据-机理混合的方法建立了面向优化控制的商用柴油汽车一体化模型，为后续的整车优化控制提供了必要的支持；整个模型框架具有很大的延展性，可以应用于各类商用柴油车的建模及优化控制。

2)本发明针对驾驶员对柴油车个性化巡航的需求，提出了一种智能网联柴油车的个性化巡航优化控制系统，驾驶员可以根据不同的驾驶场景切换不同的个性化驾驶模式，获得不同模式下对应性能指标的最佳行驶策略，进一步提升了柴油车在编队行驶过程中的舒适性、经济性、排放性等性能。

3)本发明提出了基于MPC的个性化车辆巡航优化控制算法，能够有机结合网联预瞄信息，通过对个性化优化控制问题的滚动时域求解，在保证约束条件的情况下使柴油车辆对应性能指标达到最优。

4)本发明提出的面向个性化需求的智能网联商用柴油汽车巡航行驶优化控制系统，可以在巡航场景下有效利用智能网联信息，通过用户选择个性化行驶模式，对柴油车辆进行个性化优化控制，仿真结果证明，本发明的优化控制系统可使车辆行驶过程中的舒适性、经济性及排放性得到大幅度提升。

Claims (1)

1.一种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，

步骤一：建立智能网联信息采集模块，

其特征在于：

步骤二：建立前车加速度、车速预测模块：

训练的神经网络包含一个隐含层、一个输入层及一个输出层，由于需要预测未来N_p个时刻的前车加速度，本发明中的神经网络输出层包含神经元个数为N_p；假设输入层包含神经元个数为N_i，隐含层神经元个数为M，则需要选取k时刻之前N_p个时刻的加速度信息作为训练集输出A_o，k-N_p时刻之前N_i个时刻的加速度信息作为训练集输入A_i，即

训练得到神经网络预测模型之后，便选取k时刻之前N_i个时刻的加速度信息作为预测输入

通过训练得到神经网络，预测k时刻之后N_p个时刻的加速度

即

其中a_lead(k+j|k),j＝1,2,…,N_p表示在k时刻预测得到的k+j时刻前车加速度；

为隐含层中第m神经元的输入，

为输出层中第l个神经元的输入，均由上一层的输出、权重及阈值计算得到，即

其中

为输入层第n个神经元到隐含层第m个神经元的权重值，

为隐含层第m个神经元到输出层第l个神经元的权重值；

为隐含层第m个神经元的阈值，

为输出层第l个神经元的阈值；

为隐含层第m个神经元的激活函数输出,

为隐含层第l个神经元的激活函数输出，即为整个神经网络的第l个输出

其中f为神经网络中的激活函数，选取sigmoid函数作为激活函数，其表达式为

假设W^[1]为输入层到隐含层的权重矩阵，W^[2]为隐含层到输出层的权重矩阵，即

则隐含层的神经元输入矩阵表示为

隐含层激活函数输出矩阵表示为

输出层的神经元输入矩阵表示为

输出层的激活函数输出矩阵表示为

神经网络的输出，即k时刻之后N_p个时刻的加速度

表示为

其中权重矩阵W^[1]及W^[2]、阈值矩阵B^[1]及B^[1]为模型参数，由历史加速度数据训练得到；

利用预测得到的前车未来加速度，计算k时刻之后N_p个时刻的车速

写成矩阵的形式即为

步骤三：建立柴油车辆的动力总成及后处理一体化模型：

步骤3.1建立车辆的纵向动力学行驶模型

将被控车辆的位置s_veh和车速v_veh作为系统状态量，加速度a_veh作为系统输入量，建立被控车辆的二阶纵向动力学方程

将其离散化，则得到k时刻的车辆纵向动力学模型

其中T为系统离散采样时间；

将前车状态也引入此方程中，定义被控车辆与前车的相对距离d_veh(k)＝s_veh(k)-s_lead(k)，其中s_lead为前车的位置，由于在巡航过程中被控车辆一般保持在前车之后，因此一般情况下d_veh为负数，且|d_veh|＞l_lead，其中l_lead为前车的车辆长度；使用d_veh(k)+s_lead(k)代替s_veh(k)，则纵向动力学模型变为

由于前车k+1时刻的位置s_lead(k+1)＝s_lead(k)+Tv_lead(k)+0.5T²a_lead(k)，因此纵向动力学模型可化简为

x(k+1)＝Ax(k)+B_uu(k)+B_ww(k) (19)

其中系统状态量x、输入量u及参考输入量w分别为

模型参数分别为

状态量为辆车相对距离d_veh和被控车辆车速v_veh，状态量初值

通过行驶前采集得到，w可通过步骤一、二采集、预测得到；

车辆行驶所需驱动力F_t使用牛顿第二定律对车辆进行分析有

F_t＝M_veha_veh+f_rr+f_air (22)

其中驱动力F_t，M_veh为车辆重量，a_veh为车辆加速度，f_rr为车辆滚动阻力，f_air为车辆的空气阻力；

车辆滚动阻力f_rr的表达式为：

f_rr＝C_RM_vehg (23)

其中g为重力加速度，C_R的表达式为：

其中θ为道路坡度；v_veh为车辆行驶速度，C_R0与C_R1分别是两个车轮阻力系数，与道路类型和车轮的性能有关；

车辆的空气阻力f_air的表达式为：

其中ρ_air为空气密度，A_f为车辆正面区域面积，C_d为空气阻力系数；

将式带入式便可得到车辆的驱动力F_t：

车辆驱动力为输入量车辆加速度a_veh和状态量车速v_veh的函数；

步骤3.2建立车辆的档位优化模块以及变速箱模型

挡位优化模块中的当前挡位及变速比I_g是由车速v_veh和加速度a_veh优化得到，即

I_g＝f(v_veh,a_veh) (27)

其中I_g＝[0.8 1 1.2 1.5 1.9 2.4 3 3.7 4.6 5 7]，即有11个档位及对应变速比；

由当前的档位I_g、车速v_veh和加速度a_veh得到发动机的运行状态，即所需要达到的转速N_e和扭矩T_e

其中r为车轮半径，I_f为车辆的差速比；发动机转速N_e，发动机扭矩T_e；

步骤3.3建立柴油机发动机模型

发动机的燃油消耗率

NO_x排放量

和排气温度T_TB通过发动机的转速N_e及扭矩T_e查表得到，即

燃油消耗率

NO_x排放量

和排气温度T_TB关于发动机的转速N_e及扭矩T_e；

步骤3.4建立SCR后处理模型

通过热力学模型得到SCR中的催化剂温度T_g,SCR，用惯性环节代替热力学模型，即

其中T_i为标定系数；

由SCR中的催化剂温度T_g,SCR和发动机NO_x排放量

得到后处理之后的NO_x排放量

步骤四：建立安全约束模块

对控制系统输入量车辆加速度的约束为

a_veh,min≤a_veh(k)≤a_veh,max (33)

其中a_veh,min与a_veh,max与车辆自身性能允许的最大加速度有关；

对巡航优化控制系统中状态量为后车车速v_veh和两车相对距离d_veh约束为

0≤v_veh(k)≤v_veh,max(k) (34)

d_veh,min(k)≤d_veh(k)≤d_veh,max(k) (35)

其中，对于车速最大值v_veh,max(k)；

需要保证两车距离大于允许的安全距离，安全距离的静态部分即为前车长度l_L，动态部分即为车头时距与车速的乘机，

d_veh,min(k)＝l_lead+Δt_lv_l(k) (36)

对相对距离的最大值约束为

步骤五：设立了以下四种个性化驾驶模式：舒适驾驶模型；节能驾驶模式；减排驾驶模式；用户自定义模式

控制问题描述为

四个子代价函数的表达式如下：

J₃(k)＝P_veh(k) (41)

个性化驾驶模式一：舒适驾驶模式

使用子代价函数J₁中的车辆加速度大小来表征车辆行驶过程中的舒适度，通过设置ω₁为1、其余权值为0，使车辆进入舒适驾驶模式；

个性化驾驶模式二：节能驾驶模式

对应子代价函数为J₂和J₃，实际操作中设置ω₂或ω₃为1、其余权值为0，J₂和J₃分别使用车辆燃油消耗率

和车辆输出功率P_veh来表征车辆能耗，其中

对于普通商用柴油车，车辆燃油消耗率

和车辆输出功率P_veh呈线性相关，因此子代价函数J₂和J₃都可用于表征能耗；混合动力化柴油车辆，使用子代价函数J₃，从功率输出的角度表征车辆能耗；

个性化驾驶模式三：减排驾驶模式

对应的子代价函数为J₄，实际操作中设置ω₄为1、其余权值为0；

个性化驾驶模式四：自定义驾驶模式

在实际驾驶过程中，用户通过客户端调节每个子代价函数的控制权重ω_i，综合多个驾驶模式对柴油车辆行驶过程进行优化；

步骤六：优化问题求解

在k时刻，在步骤四给出的相应约束条件下，对步骤五根据个性化驾驶需求构建的优化代价函数进行求解，得到k时刻之后N_u个时刻的最优加速度序列，并取序列的第一个值作为下一时刻k的系统控制量；

控制系统控制输入量、状态量及输出量分别为

由步骤二预测得到未来N_p个时刻的前车车速、加速度信息之后，根据未来N_u个时刻的控制输入量u(k+j|k),j＝1,2,…,N_u，通过步骤三中的车辆行驶纵向动力学模型得到未来N_p个时刻的状态量x(k+j|k),j＝1,2,…,N_p；

步骤五中使用四个物理量表征三个车辆性能指标，并分别给出了对应的子代价函数，求解优化问题时需要将控制时域N_u内的各子代价函数进行加和，即

s.t.x(k+1)＝Ax(k)+B_uu(k)+B_ww(k) (46)

u_min≤u(k)≤u_max (47)

x_min(k)≤x(k)≤x_max(k) (48)

其中子代价函数J₁使用加速度大小表征车辆行驶过程的舒适度

为了便于MPC的求解，需要将发动机油耗静态MAP拟合成为分段仿射函数，即

其中

为拟合函数，将燃油消耗率

拟合成为了优化系统输入量a_veh和状态量v_veh的函数进行求解；

子代价函数J₃使用车辆输出功率P_veh表征车辆能耗，即

子代价函数J₄使用车辆NO_x排放

表征车辆的排放性能，在对NO_x建模的过程中，与燃油消耗率

类似，同样使用了静态MAP的方法，因此同样将其拟合为分段仿射函数，即

其中

为NOx排放

的拟合函数；

则代价函数写为

其中Γ_u与Γ_y分别为输入和输出的加权矩阵

Γ_u＝[ω₁] (54)

Γ_y＝[ω₂ ω₃ ω₄] (55)

通过改变Γ_u与Γ_y改变各子代价函数的控制权值，便可实现不同个性化驾驶模式之间的切换；假设求解得到最优加速度控制序列为

其中u^*(k+j|k)表示在k时刻求解得出的k+j时刻最优序列，将求解得到的第一个值u^*(k+1|k)作为下一时刻的加速度控制输入；

步骤七：速度、加速度跟踪模块

由优化问题求解得出最优车速轨迹之后，需要将车速轨迹通过步骤三的纵向行驶动力学模型和变速箱模型转化得到发动机扭矩、变速箱档位等执行变量；

步骤八：优化系统性能预估

柴油汽车行驶实时优化控制系统中，前车的车速、加速度信息由神经网络模型预测得到，并且控制时域与预测时域有限，因此得到的优化结果为局部最优结果。

Images