CN112861362B - 一种基于整车油耗的动力总成性能参数优化方法和装置 - Google Patents

一种基于整车油耗的动力总成性能参数优化方法和装置 Download PDF

Info

Publication number
CN112861362B
CN112861362B CN202110196987.9A CN202110196987A CN112861362B CN 112861362 B CN112861362 B CN 112861362B CN 202110196987 A CN202110196987 A CN 202110196987A CN 112861362 B CN112861362 B CN 112861362B
Authority
CN
China
Prior art keywords
oil consumption
parameter
optimization
value
speed ratio
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
Application number
CN202110196987.9A
Other languages
English (en)
Other versions
CN112861362A (zh
Inventor
谢飞
郭平
史彦博
刘会神
廖庚华
李振雷
石正发
迟君
韩晓东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Jiefang Automotive Co Ltd
Original Assignee
FAW Jiefang Automotive Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Jiefang Automotive Co Ltd filed Critical FAW Jiefang Automotive Co Ltd
Priority to CN202110196987.9A priority Critical patent/CN112861362B/zh
Publication of CN112861362A publication Critical patent/CN112861362A/zh
Application granted granted Critical
Publication of CN112861362B publication Critical patent/CN112861362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)

Abstract

本申请涉及一种基于整车油耗的动力总成性能参数优化方法、装置、计算机设备和存储介质。所述方法包括：构建参数建立油耗优化模型；确定目标车辆在实际行驶过程中同步产生的节能参数，将节能参数作为第一约束参数，确定与第一约束参数相适应的第一约束范围；将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并确定与第二约束参数相适应的第二约束范围；在第一、二约束范围的约束作用下，分别对所述油耗优化模型进行第一、二油耗最小值的寻优计算，并确定与第一、二油耗最小值分别相适应的第一、二目标速比，当确定第一目标速比等于第二目标速比时，输出对应的目标性能参数。采用本方法能够提高整车性能优化精度。

Description

一种基于整车油耗的动力总成性能参数优化方法和装置
技术领域
本申请涉及电力系统技术领域，特别是涉及一种基于整车油耗的动力总成性能参数优化方法和装置。
背景技术
随着日益严苟的油耗法规和逐步激烈的市场竞争，提升车辆的燃油经济性成为重型商用车研发的主要目标。在产品设计阶段，如何针对发动机动力总成的性能参数进行优化，是整车性能设计过程中的主要问题。为解决这一问题，各大商用车厂家先后已开展对相关性能参数的定义工作。然而，现有的重型商用车的油耗目标优化还处于理论研究阶段，且，搭建的目标优化模型并没有考虑实际用户的工况条件，存在优化精度低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高整车性能优化精度的基于整车油耗的动力总成性能参数优化方法和装置。
一种基于整车油耗的动力总成性能参数优化方法，所述方法包括：
获取多个模型构建参数，并根据所述模型构建参数建立油耗优化模型；所述模型构建参数包括发动机扭矩参数、发动 机转速参数、发动机的单位油耗参数以及速比参数；其中，所述发动机的单位油耗参数为目标优化参数；
确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定所述目标车辆在实际行驶过程中同步产生的节能参数，以及所述节能参数对应的参数取值；所述节能参数包括发动机扭矩参数和发动 机转速参数；
将所述节能参数作为第一约束参数，并根据所述节能参数的第一参数取值分布范围，确定与所述第一约束参数相适应的第一约束范围；
将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与所述第二约束参数相适应的第二约束范围；所述目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速；
在所述第一约束范围的约束作用下，对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比，以及，在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算，并确定与所述第二油耗最小值相适应的第二目标速比；
当确定所述第一目标速比等于所述第二目标速比时，将当前用于约束所述第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到所述在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
在其中一个实施例中，所述油耗优化模型包括对应等速行驶工况的第一油耗优化子模型和多个分别对应不同瞬态工况的第二油耗优化子模型；
所述发动机的单位油耗值包括与所述第一油耗优化子模型相适应的，在整车等速行驶时，发动机消耗的第一单位油耗值，以及与所述第二油耗优化子模型相适应的，在各瞬态工况下，发动机消耗的第二单位油耗值；
所述模型构建参数还包括用于构建第一油耗优化子模型的等速行驶车速参数、以及等车行驶时的发动机功率参数；
所述模型构建参数还包括用于构建第二油耗优化子模型的发动机滞后校正扭矩参数；
所述速比参数包括用于构建第二油耗优化子模型的瞬时档位速比参数和驱动桥速比参数。
在其中一个实施例中，所述在所述第一约束范围的约束作用下，对所述油耗优化模型进行第一油耗最小值的寻优计算之前，所述方法还包括：
基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型；
通过所述扭矩校正模型对所述发动机滞后校正扭矩参数进行校正处理，并基于校正后的发动机滞后校正扭矩参数，对各个所述第二油耗优化子模型进行更新。
在其中一个实施例中，所述基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型，包括：
根据下述公式建立扭矩校正模型：
Figure BDA0002947271460000031
其中，Tθi为各工况的发动机扭矩滞后补偿；ai、bi、ci、di、ei为预设的多个补偿系数，ua为需校正的工况瞬时车速，Tv为整车阻力校正基准值。
在其中一个实施例中，所述在所述第一约束范围的约束作用下，对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比，包括：
采用模拟退火粒子群算法对所述油耗优化模型进行第一油耗最小值的寻优计算,并确定与所述第一油耗最小值相适应的第一目标速比。
在其中一个实施例中，所述采用模拟退火粒子群算法对所述油耗优化模型进行第一油耗最小值的寻优计算,并确定与所述第一油耗最小值相适应的第一目标速比，包括：
获取前次迭代中基于前次的中间速比所更新的粒子位置和粒子速度；
基于更新的所述粒子位置和粒子速度，对所述油耗优化模型进行第一油耗最小值的寻优计算，得到对应的中间速比；
基于得到的中间速比对所述油耗优化模型中的粒子位置和粒子速度进行更新，并将更新后的粒子位置和粒子速度作为下一次迭代中，待进行寻优计算的粒子位置和粒子速度，返回所述基于所述粒子位置和粒子速度，对所述油耗优化模型进行第一油耗最小值的寻优计算的步骤并继续执行，直至达到预设迭代次数时停止，将最后一次迭代得到的中间速比作为与所述第一油耗最小值相适应的第一目标速比。
在其中一个实施例中，所述当确定所述第一目标速比等于所述第二目标速比时，将当前用于约束所述第二目标速比的目标性能参数作为优化结果，进行输出之前，所述方法还包括：
获取所述第一目标速比对应的实际取值；
将所述第一目标速比作为理论取值，并根据所述实际取值对所述理论取值的大小进行调节，使得所述理论取值与所述实际取值的大小保持一致。
一种基于整车油耗的动力总成性能参数优化装置，所述装置包括：
第一构建模块，用于获取多个模型构建参数，并根据所述模型构建参数建立油耗优化模型；所述模型构建参数包括发动机扭矩参数、发动 机转速参数、发动机的单位油耗参数以及速比参数；其中，所述发动机的单位油耗参数为目标优化参数；
统计模块，用于确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定所述目标车辆在实际行驶过程中同步产生的节能参数，以及所述节能参数对应的参数取值；所述节能参数包括发动机扭矩参数和发动 机转速参数；
第二构建模块，用于将所述节能参数作为第一约束参数，并根据所述节能参数的第一参数取值分布范围，确定与所述第一约束参数相适应的第一约束范围；
第三构建模块，用于将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与所述第二约束参数相适应的第二约束范围；所述目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速；
优化模块，用于在所述第一约束范围的约束作用下，对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比，以及，在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算，并确定与所述第二油耗最小值相适应的第二目标速比；
输出模块，用于当确定所述第一目标速比等于所述第二目标速比时，将当前用于约束所述第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到所述在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取多个模型构建参数，并根据所述模型构建参数建立油耗优化模型；所述模型构建参数包括发动机扭矩参数、发动 机转速参数、发动机的单位油耗参数以及速比参数；其中，所述发动机的单位油耗参数为目标优化参数；
确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定所述目标车辆在实际行驶过程中同步产生的节能参数，以及所述节能参数对应的参数取值；所述节能参数包括发动机扭矩参数和发动 机转速参数；
将所述节能参数作为第一约束参数，并根据所述节能参数的第一参数取值分布范围，确定与所述第一约束参数相适应的第一约束范围；
将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与所述第二约束参数相适应的第二约束范围；所述目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速；
在所述第一约束范围的约束作用下，对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比，以及，在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算，并确定与所述第二油耗最小值相适应的第二目标速比；
当确定所述第一目标速比等于所述第二目标速比时，将当前用于约束所述第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到所述在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取多个模型构建参数，并根据所述模型构建参数建立油耗优化模型；所述模型构建参数包括发动机扭矩参数、发动 机转速参数、发动机的单位油耗参数以及速比参数；其中，所述发动机的单位油耗参数为目标优化参数；
确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定所述目标车辆在实际行驶过程中同步产生的节能参数，以及所述节能参数对应的参数取值；所述节能参数包括发动机扭矩参数和发动 机转速参数；
将所述节能参数作为第一约束参数，并根据所述节能参数的第一参数取值分布范围，确定与所述第一约束参数相适应的第一约束范围；
将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与所述第二约束参数相适应的第二约束范围；所述目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速；
在所述第一约束范围的约束作用下，对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比，以及，在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算，并确定与所述第二油耗最小值相适应的第二目标速比；
当确定所述第一目标速比等于所述第二目标速比时，将当前用于约束所述第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到所述在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
上述基于整车油耗的动力总成性能参数优化方法和装置，针对先前建立好的油耗优化模型，在基于不同车辆在行驶过程中对应的单位油耗值，定位到单位油耗值低于预设的油耗阈值的目标车辆时，根据目标车辆在实际行驶过程中同步产生的节能参数以及节能参数对应的参数取值，进行油耗优化模型的第一约束参数以及第一约束范围的构建，得以保证最终优化输出的动力总成性能参数更加贴合实际工程应用。将在第一约束范围的约束作用下寻优得到的第一目标速比，以及在第二约束范围的约束作用下寻优得到的第二目标速比进行对比分析，直到两者相接近时，输出相应的优化结果，实现了在产品设计阶段完成动力总成部件性能参数的正向定义，并进一步指导了产品的高效、以及精准开发，提高了整车性能的优化精度。
附图说明
图1为一个实施例中基于整车油耗的动力总成性能参数优化方法的应用环境图；
图2为一个实施例中基于整车油耗的动力总成性能参数优化方法的流程示意图；
图3为另一个实施例中基于整车油耗的动力总成性能参数优化方法的流程示意图；
图4为一个实施例中发动机滞后校正扭矩参数校正后的结果示意图；
图5为确定与所述第一油耗最小值相适应的第一目标速比的步骤；
图6为一个实施例中基于整车油耗的动力总成性能参数优化方法的整体框架示意图；
图7为一个实施例中基于整车油耗的动力总成性能参数优化装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于整车油耗的动力总成性能参数优化方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。由服务器104获取由终端102输入的多个模型构建参数，并根据模型构建参数建立油耗优化模型；由服务器104确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定目标车辆在实际行驶过程中同步产生的节能参数，以及节能参数对应的参数取值；由服务器 104将节能参数作为第一约束参数，并根据节能参数的第一参数取值分布范围，确定与第一约束参数相适应的第一约束范围；由服务器104将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与第二约束参数相适应的第二约束范围；由服务器104在第一约束范围的约束作用下，对油耗优化模型进行第一油耗最小值的寻优计算，并确定与第一油耗最小值相适应的第一目标速比，以及，在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算，并确定与第二油耗最小值相适应的第二目标速比；由服务器104当确定第一目标速比等于第二目标速比时，将当前用于约束第二目标速比的目标性能参数作为优化结果，并将优化结果输出到终端102；否则，返回到在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至将优化结果输出到终端102。
其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种基于整车油耗的动力总成性能参数优化方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，获取多个模型构建参数，并根据模型构建参数建立油耗优化模型；模型构建参数包括发动机扭矩参数、发动 机转速参数、发动机的单位油耗参数以及速比参数；其中，发动机的单位油耗参数为目标优化参数。
其中，发动机扭矩参数指的是发动机加速能力的具体指标。发动 机转速参数的取值高低，关系到单位时间内作功次数的多少或发动机有效功率的大小，即发动机的有效功率随转速的不同而改变。速比参数指的是汽车传动比，是指汽车传动系中变速装置前后两传动机构转速的比值。
具体地，油耗优化模型包括对应等速行驶工况的第一油耗优化子模型和多个分别对应不同瞬态工况的第二油耗优化子模型；发动机的单位油耗值包括与第一油耗优化子模型相适应的，在整车等速行驶时，发动机消耗的第一单位油耗值，以及与第二油耗优化子模型相适应的，在各瞬态工况下，发动机消耗的第二单位油耗值；模型构建参数还包括用于构建第一油耗优化子模型的等速行驶车速参数、以及等车行驶时的发动机功率参数；模型构建参数还包括用于构建第二油耗优化子模型的发动机滞后校正扭矩参数；速比参数包括用于构建第二油耗优化子模型的瞬时档位速比参数和驱动桥速比参数中的至少一种。
在其中一个实施例中，由服务器根据以下公式进行油耗优化模型的构建：
Figure BDA0002947271460000091
式(1)中，λ0为第一油耗优化子模型的权重；λi为第i个第二油耗优化子模型的权重，i＝1,...,n，n为第二油耗优化子模型的总数量。ge(ne1,Te1)为整车等速行驶时发动机的单位油耗值，ge(ne,Te)为对应不同瞬态工况的发动机的瞬时单位油耗值。 pe为整车等速行驶时的发动机功率参数，ua为整车等速行驶时的车速参数，ρ为燃油密度。g为重力加速度，ne为对应不同瞬态工况的发动 机转速参数，k为油耗计算单位转换系数。
Figure BDA0002947271460000092
为对应不同瞬态工况的发动机扭矩参数，Ffi为对应不同瞬态工况的瞬时滚动阻力，Fwi为对应不同瞬态工况的瞬时空气阻力，Fji为对应不同瞬态工况的瞬时加速阻力，Fii为对应不同瞬态工况的瞬时坡度阻力，ig、i0分别为瞬时档位速比参数和驱动桥速比参数，ηt1、ηt2、ηt3分别为瞬时变速器效率、中驱动桥效率、后驱动桥效率，r为轮胎的滚动半径， Tθi为发动机滞后校正扭矩。
上述实施例中，能够根据整车等速油耗和多个瞬态工况油耗进行整车油耗目标的优化和动力总成性能参数的定义，实现整车设计阶段动力总成部件性能参数的正向定义，可实现缩短开发周期、以及改善整车性能。
步骤S204，确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定目标车辆在实际行驶过程中同步产生的节能参数，以及节能参数对应的参数取值；节能参数包括发动机扭矩参数和发动 机转速参数。
具体的，首先，由服务器确定不同车辆在行驶过程中对应的单位油耗值，并将所得的各项单位油耗值与预设的油耗阈值进行比较。其次，再由服务器将低于预设的油耗阈值的车辆作为目标车辆，并确定目标车辆在实际行驶过程中同步产生的节能参数，以及节能参数对应的参数取值。
在其中一个实施例中，首先，由服务器基于大数据采集技术，对不同车辆在行驶过程中对应的单位油耗值进行采集。其次，再由服务器对采集得到的各项单位油耗值进行统计，并将单位油耗值低于预设的油耗阈值的车辆作为目标车辆。其次，再由服务器进一步确定目标车辆在实际行驶过程中同步产生的节能参数，以及节能参数对应的参数取值(即确定高效节能域)；最后，可选择由服务器基于节能参数对应的参数取值分布范围，确定节能参数的上限值以及下限值。
上述实施例中，通过大数据提取的“高效节能域”分布为仿真约束条件进行多目标寻优计算，得以保证最终优化输出的动力总成性能参数更加贴合实际工程应用。
步骤S206，将节能参数作为第一约束参数，并根据节能参数的第一参数取值分布范围，确定与第一约束参数相适应的第一约束范围。
其中，当由服务器基于节能参数对应的参数取值分布范围，在确定节能参数的上限值以及下限值时，则根据当前已确定的节能参数的上限值以及下限值，确定与第一约束参数相适应的第一约束范围。例如，根据当前已确定的发动机转速的下限值N0，以及发动机转速的上限值N1，可以确定以发动机转速为第一约束参数所对应的第一约束范围为[N0,N1]；根据当前已确定的发动机扭矩的下限值T0，以及发动机扭矩的上限值T1，可以确定以发动机扭矩为第一约束参数所对应的第一约束范围为[T0,T1]。
步骤S208，将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与第二约束参数相适应的第二约束范围；目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速。
其中，首先，由服务器基于目标性能参数对应的参数取值分布范围，确定目标性能参数的上限值以及下限值。其次，再由服务器根据当前已确定的目标性能参数的上限值以及下限值，确定与第二约束参数相适应的第二约束范围。例如，根据当前已确定的发动机怠速转速的下限值Nidle0，以及发动机怠速转速的上限值Nidle1，可以确定以发动机怠速转速为第二约束参数所对应的第二约束范围为[Nidle0,Nidle1]。需要说明的是，目标性能参数可以包括但不限于是：发动机最大扭矩、发动机怠速转速以及发动机额定转速，目标性能参数还可以包括怠速转速扭矩、最大扭矩转速范围、额定扭矩、最低燃油消耗率、最低燃油消耗率位置(转速、扭矩)中的至少一种。
步骤S210，在第一约束范围的约束作用下，对油耗优化模型进行第一油耗最小值的寻优计算，并确定与第一油耗最小值相适应的第一目标速比，以及，在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算，并确定与第二油耗最小值相适应的第二目标速比。
具体地，在第一约束范围的约束作用下，对油耗优化模型进行第一油耗最小值的寻优计算，并确定与第一油耗最小值相适应的第一目标速比，包括：采用模拟退火粒子群算法对油耗优化模型进行第一油耗最小值的寻优计算,并确定与第一油耗最小值相适应的第一目标速比。
在其中一个实施例中，采用模拟退火粒子群算法对油耗优化模型进行第一油耗最小值或第二油耗最小值的寻优计算实际上就是：首先，由服务器将油耗优化模型参数优化的目标函数定义为f(x)；其次，再由服务器进行minf(x)的求解。需要说明的是，在模拟退火粒子群算法中，一个粒子对应着目标函数的一个解；例如，目标函数的一个解为(a,b,c,d)，定义的粒子群为X＝(X1,X2,X3,X4)，其中， X1对应参数a，X2对应参数b，X3对应参数c，X4对应参数d。另外，输出的第一目标速比或第二目标速比即代表目标函数取最小值时的最优解，当前用于约束第二目标速比的多个目标性能参数，即为等速形式以及多行驶工况下油耗最低时所需输出的最优性能参数。
步骤S212，当确定第一目标速比等于第二目标速比时，将当前用于约束第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
具体地，当确定第一目标速比等于第二目标速比时，将当前用于约束第二目标速比的目标性能参数作为优化结果，进行输出之前，方法还包括：获取第一目标速比对应的实际取值；将第一目标速比作为理论取值，并根据实际取值对理论取值的大小进行调节，使得理论取值与实际取值的大小保持一致。
在其中一个实施例中，由服务器将获取第一目标速比与其对应的实际取值进行比较，根据实际取值对理论取值的大小进行调节，使得优化所得的理论优能够根据实际工程应用需求进行及时调整，克服了混合动力汽车控制参数在设置过程中的经验化以及不能获得最优解的问题。最终，由服务器将当前用于约束第二目标速比的多个目标性能参数作为最优性能参数，进行输出。
在其中一个实施例中，由服务器将获取到的第一目标速比与第二目标速比进行对比分析，并在两者的接近程度较高时，将用于约束第二目标速比的目标性能参数作为最优判定结果进行输出，基于当前得到的最优判定结果能够实现在产品设计阶段的动力总成部件性能参数的正向定义，提高了整车性能的优化精度，指导了产品的高效开发。
上述基于整车油耗的动力总成性能参数优化方法中，针对先前建立好的油耗优化模型，在基于不同车辆在行驶过程中对应的单位油耗值，定位到单位油耗值低于预设的油耗阈值的目标车辆时，根据目标车辆在实际行驶过程中同步产生的节能参数以及节能参数对应的参数取值，进行油耗优化模型的第一约束参数以及第一约束范围的构建，得以保证最终优化输出的动力总成性能参数更加贴合实际工程应用。将在第一约束范围的约束作用下寻优得到的第一目标速比，以及在第二约束范围的约束作用下寻优得到的第二目标速比进行对比分析，直到两者相接近时，输出相应的优化结果，实现了在产品设计阶段完成动力总成部件性能参数的正向定义，并进一步指导了产品的高效、以及精准开发，提高了整车性能的优化精度。
在一个实施例中，如图3所示，在第一约束范围的约束作用下，对油耗优化模型进行第一油耗最小值的寻优计算之前，该方法还包括：
步骤S302，基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型。
具体的，由服务器基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型。
在其中一个实施例中，基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型，包括：根据下述公式建立扭矩校正模型：
Figure BDA0002947271460000131
式(2)中，Tθi为各工况的发动机扭矩滞后补偿；ai、bi、ci、di、ei为预设的多个补偿系数，ua为需校正的工况瞬时车速，Tv为整车阻力校正基准值。
上述实施例中，通过建立的扭矩校正模型对发动机滞后校正扭矩参数进行校正处理，使得最终优化输出的动力总成性能参数能够达到工程应用精度。
步骤S304，通过扭矩校正模型对发动机滞后校正扭矩参数进行校正处理，并基于校正后的发动机滞后校正扭矩参数，对各个第二油耗优化子模型进行更新。
其中，由服务器通过上述步骤建立的扭矩校正模型对发动机滞后校正扭矩参数Tθi进行校正处理，使得先前建立的油耗优化模型能够达到工程应用精度。相应的校正处理实施效果请参考图4，基于图4可知，按公式(2)对整车发动机扭矩的校正效果良好，且，与试验结果(即试验扭矩)的吻合程度较高。
在一个实施例中，如图5所示，确定与第一油耗最小值相适应的第一目标速比的步骤，包括：
步骤S502，获取前次迭代中基于前次的中间速比所更新的粒子位置和粒子速度。
具体的，由服务器基于前次迭代中计算得到的中间速比p'i,j(t)(即局部最优解)、粒子速度vi,j(t)、全局最优解pi,j(t)、以及粒子位置xi,j(t)，进行当前迭代中的粒子位置xi,j(t+1)更新和粒子速度vi,j(t+1)更新。
在其中一个实施例中，由服务器通过下述公式对当前迭代中的粒子位置 xi，j(t+1)以及粒子速度vi，j(t+1)进行更新：
vi，j(t+1)＝λ[vi，j(t)+c1r1(pi，j(t)-xi，j(t))+c2r2(p′i，j(t)-xi，j(t))]； (3)
xi，j(t+1)＝xi，j(t)+vi，j(t+1)(j＝1，...，n)； (4)
式(3)中，
Figure BDA0002947271460000141
为压缩因子，C＝c1+c2；c1、c2均是学习因子，且为非负常数；r1、r2均为相互独立的伪随机数，且服从[0，1]上的均匀分布；j为粒子的总个数。
上述实施例中，粒子的位置和速度并不是任意赋值的，而是在相应的约束参数的取值范围内进行取值，基于上述赋值方式，有利于减少粒子群的进化代数，加快粒子群的收敛速度。
步骤S504，基于更新的粒子位置和粒子速度，对油耗优化模型进行第一油耗最小值的寻优计算，得到对应的中间速比。
具体的，由服务器基于粒子i迭代到第t+1代时所处的第一粒子位置xi(t+1)、粒子i迭代到第t代时所处的第二粒子位置pi(t)、根据第一粒子位置xi(t+1)所确定的第一目标函数值f(xi(t+1))、以及根据第二粒子位置pi(t)所确定的第二目标函数值f(pi(t))，计算得到对应的中间速比pi(t+1)。
在其中一个实施例中，中间速比可通过以下公式确定：
Figure BDA0002947271460000142
式(5)中，Xi(t+1)为微粒i迭代到第t+1代时的最优粒子位置。
步骤S506，基于得到的中间速比对油耗优化模型中的粒子位置和粒子速度进行更新，并将更新后的粒子位置和粒子速度作为下一次迭代中，待进行寻优计算的粒子位置和粒子速度，返回基于粒子位置和粒子速度，对油耗优化模型进行第一油耗最小值的寻优计算的步骤并继续执行，直至达到预设迭代次数时停止，将最后一次迭代得到的中间速比作为与第一油耗最小值相适应的第一目标速比。
其中，由服务器基于得到的中间速比对油耗优化模型中的粒子位置和粒子速度进行更新，具体的更新公式可以参开上述的公式(3)-(4)。以及在达到预设的迭代次数，将当前输出的中间速比作为目标函数取最小值(即取到第一油耗最小值)时的最优解。
请参考图6，一个实施例中基于整车油耗的动力总成性能参数优化方法的整体框架示意图，包括以下执行步骤：
S1、开始执行动力总成性能参数优化算法。
S2、建立油耗目标模型，并按照整车的设计目标，为等速油耗模型和各工况油耗模型的分配相应的权重。其中，还包括以下子步骤：
S20、建立稳态等速油耗模型；
S21～S2n、建立相应的瞬态工况油耗模型；
S201～S2n1、通过先前构建好的发动机扭矩滞后校正模型，对建立的稳态等速油耗模型以及各个瞬态工况油耗模型进行校正；
S2111、基于校正后的稳态等速油耗模型以及各个瞬态工况油耗模，建立油耗多目标模型，并对当前建立的油耗多目标模型进行确认。
S3、对发动机目标参数区间进行提取，其中，还包括以下子步骤：
S31、根据发动机目标参数区间确定油耗多目标模型的初始约束条件。
S4、对油耗多目标模型设置初始化条件，并在初始约束条件的约束范围内，随机设置粒子的分布位置以及速度；其中，还包括以下子步骤：
S41、将初始设置的粒子位置代入油耗多目标模型中，进行最小油耗值的计算，并得到相应的目标函数值；
S42、针对得到的目标函数值进行极小值求解，找到当前迭代所需输出的最优解；
S43、基于步骤S42输出的最优解对粒子的位置和速度状态进行更新，使得粒子能够不断靠近该最优解；
S44、将更新后的粒子位置代入油耗多目标模型中，进行最小油耗值的计算，并得到相应的目标函数值；
S45、针对当前得到的目标函数值进行极小值求解，判断是否有新的最优解生成；
S46、判定当前输出的最优解是否满足终止条件；若否，则执行步骤S42；若是，则执行步骤S47；
S47、输出理论最优结果；
S48、根据实际调节对理论最优结果进行调整，使得理论最优结果与实际最优结果保持一致。
S5、对需要优化的发动机性能参数完成初始分类的定义；其中，还包括以下子步骤：
S51、对需要优化的发动机性能参数进行分解；
S52、根据分解得到的发动机性能参数，建立目标函数的二次约束条件；
S53～S510、基于模拟退火算法优化的粒子群算法，寻优过程同步骤S4-S47 一致对应。
S6、将步骤S48输出的调整后理论最优结果和步骤S510输出的当前发动机性能参数边界条件的最优解进行对比判断，以及，通过控制变量法调整发动机性能参数与理论最优结果进行对比分析，直至两者接近程度较高时，则输出当前判定的结果；其中，还包括以下子步骤：
S61、将步骤S510输出的性能参数优化结果作为优化后的判定结果，即当前状态的发动机性能参数多目标寻优结果值。
应该理解的是，虽然图2-4、图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4、图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种基于整车油耗的动力总成性能参数优化装置700，包括：第一构建模块701、统计模块702、第二构建模块703、第三构建模块704、优化模块705和输出模块706，其中：
第一构建模块701，用于获取多个模型构建参数，并根据模型构建参数建立油耗优化模型；模型构建参数包括发动机扭矩参数、发动 机转速参数、发动机的单位油耗参数以及速比参数；其中，发动机的单位油耗参数为目标优化参数。
统计模块702，用于确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定目标车辆在实际行驶过程中同步产生的节能参数，以及节能参数对应的参数取值；节能参数包括发动机扭矩参数和发动 机转速参数。
第二构建模块703，用于将节能参数作为第一约束参数，并根据节能参数的第一参数取值分布范围，确定与第一约束参数相适应的第一约束范围。
第三构建模块704，用于将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与第二约束参数相适应的第二约束范围；目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速。
优化模块705，用于在第一约束范围的约束作用下，对油耗优化模型进行第一油耗最小值的寻优计算，并确定与第一油耗最小值相适应的第一目标速比，以及，在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算，并确定与第二油耗最小值相适应的第二目标速比。
输出模块706，用于当确定第一目标速比等于第二目标速比时，将当前用于约束第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
在一个实施例中，该装置还包括第一校正模块，其中：
第一校正模块，用于基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型；通过扭矩校正模型对发动机滞后校正扭矩参数进行校正处理，并基于校正后的发动机滞后校正扭矩参数，对各个第二油耗优化子模型进行更新。
在一个实施例中，第一校正模块还用于根据下述公式建立扭矩校正模型：
Figure BDA0002947271460000181
其中，Tθi为各工况的发动机扭矩滞后补偿；ai、bi、ci、di、ei为预设的多个补偿系数，ua为需校正的工况瞬时车速，Tv为整车阻力校正基准值。
在一个实施例中，优化模块705，还用于采用模拟退火粒子群算法对油耗优化模型进行第一油耗最小值的寻优计算，并确定与第一油耗最小值相适应的第一目标速比。
在一个实施例中，优化模块705，还用于获取前次迭代中基于前次的中间速比所更新的粒子位置和粒子速度；基于更新的粒子位置和粒子速度，对油耗优化模型进行第一油耗最小值的寻优计算，得到对应的中间速比；基于得到的中间速比对油耗优化模型中的粒子位置和粒子速度进行更新，并将更新后的粒子位置和粒子速度作为下一次迭代中，待进行寻优计算的粒子位置和粒子速度，返回基于粒子位置和粒子速度，对油耗优化模型进行第一油耗最小值的寻优计算的步骤并继续执行，直至达到预设迭代次数时停止，将最后一次迭代得到的中间速比作为与第一油耗最小值相适应的第一目标速比。
在一个实施例中，该装置还包括第二校正模块，其中：
第二校正模块，用于获取第一目标速比对应的实际取值；将第一目标速比作为理论取值，并根据实际取值对理论取值的大小进行调节，使得理论取值与实际取值的大小保持一致。
上述基于整车油耗的动力总成性能参数优化装置，针对先前建立好的油耗优化模型，在基于不同车辆在行驶过程中对应的单位油耗值，定位到单位油耗值低于预设的油耗阈值的目标车辆时，根据目标车辆在实际行驶过程中同步产生的节能参数以及节能参数对应的参数取值，进行油耗优化模型的第一约束参数以及第一约束范围的构建，得以保证最终优化输出的动力总成性能参数更加贴合实际工程应用。将在第一约束范围的约束作用下寻优得到的第一目标速比，以及在第二约束范围的约束作用下寻优得到的第二目标速比进行对比分析，直到两者相接近时，输出相应的优化结果，实现了在产品设计阶段完成动力总成部件性能参数的正向定义，并进一步指导了产品的高效、以及精准开发，提高了整车性能的优化精度。
关于基于整车油耗的动力总成性能参数优化装置的具体限定可以参见上文中对于基于整车油耗的动力总成性能参数优化方法的限定，在此不再赘述。上述基于整车油耗的动力总成性能参数优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于整车油耗的动力总成性能参数优化方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取多个模型构建参数，并根据模型构建参数建立油耗优化模型；模型构建参数包括发动机扭矩参数、发动 机转速参数、发动机的单位油耗参数以及速比参数；其中，发动机的单位油耗参数为目标优化参数；确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定目标车辆在实际行驶过程中同步产生的节能参数，以及节能参数对应的参数取值；节能参数包括发动机扭矩参数和发动 机转速参数；将节能参数作为第一约束参数，并根据节能参数的第一参数取值分布范围，确定与第一约束参数相适应的第一约束范围；将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与第二约束参数相适应的第二约束范围；目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速；在第一约束范围的约束作用下，对油耗优化模型进行第一油耗最小值的寻优计算，并确定与第一油耗最小值相适应的第一目标速比，以及，在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算，并确定与第二油耗最小值相适应的第二目标速比；当确定第一目标速比等于第二目标速比时，将当前用于约束第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型；通过扭矩校正模型对发动机滞后校正扭矩参数进行校正处理，并基于校正后的发动机滞后校正扭矩参数，对各个第二油耗优化子模型进行更新。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据下述公式建立扭矩校正模型：
Figure BDA0002947271460000201
其中，Tθi为各工况的发动机扭矩滞后补偿；ai、bi、ci、di、ei为预设的多个补偿系数，ua为需校正的工况瞬时车速，Tv为整车阻力校正基准值
在一个实施例中，处理器执行计算机程序时还实现以下步骤：采用模拟退火粒子群算法对油耗优化模型进行第一油耗最小值的寻优计算，并确定与第一油耗最小值相适应的第一目标速比。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取前次迭代中基于前次的中间速比所更新的粒子位置和粒子速度；基于更新的粒子位置和粒子速度，对油耗优化模型进行第一油耗最小值的寻优计算，得到对应的中间速比；基于得到的中间速比对油耗优化模型中的粒子位置和粒子速度进行更新，并将更新后的粒子位置和粒子速度作为下一次迭代中，待进行寻优计算的粒子位置和粒子速度，返回基于粒子位置和粒子速度，对油耗优化模型进行第一油耗最小值的寻优计算的步骤并继续执行，直至达到预设迭代次数时停止，将最后一次迭代得到的中间速比作为与第一油耗最小值相适应的第一目标速比。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取第一目标速比对应的实际取值；将第一目标速比作为理论取值，并根据实际取值对理论取值的大小进行调节，使得理论取值与实际取值的大小保持一致。
上述计算机设备，针对先前建立好的油耗优化模型，在基于不同车辆在行驶过程中对应的单位油耗值，定位到单位油耗值低于预设的油耗阈值的目标车辆时，根据目标车辆在实际行驶过程中同步产生的节能参数以及节能参数对应的参数取值，进行油耗优化模型的第一约束参数以及第一约束范围的构建，得以保证最终优化输出的动力总成性能参数更加贴合实际工程应用。将在第一约束范围的约束作用下寻优得到的第一目标速比，以及在第二约束范围的约束作用下寻优得到的第二目标速比进行对比分析，直到两者相接近时，输出相应的优化结果，实现了在产品设计阶段完成动力总成部件性能参数的正向定义，并进一步指导了产品的高效、以及精准开发，提高了整车性能的优化精度。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取多个模型构建参数，并根据模型构建参数建立油耗优化模型；模型构建参数包括发动机扭矩参数、发送机转速参数、发动机的单位油耗参数以及速比参数；其中，发动机的单位油耗参数为目标优化参数；确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定目标车辆在实际行驶过程中同步产生的节能参数，以及节能参数对应的参数取值；节能参数包括发动机扭矩参数和发动 机转速参数；将节能参数作为第一约束参数，并根据节能参数的第一参数取值分布范围，确定与第一约束参数相适应的第一约束范围；将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与第二约束参数相适应的第二约束范围；目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速；在第一约束范围的约束作用下，对油耗优化模型进行第一油耗最小值的寻优计算，并确定与第一油耗最小值相适应的第一目标速比，以及，在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算，并确定与第二油耗最小值相适应的第二目标速比；当确定第一目标速比等于第二目标速比时，将当前用于约束第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到在第二约束范围的约束作用下，对油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型；通过扭矩校正模型对发动机滞后校正扭矩参数进行校正处理，并基于校正后的发动机滞后校正扭矩参数，对各个第二油耗优化子模型进行更新。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据下述公式建立扭矩校正模型：
Figure BDA0002947271460000221
其中，Tθi为各工况的发动机扭矩滞后补偿；ai、bi、ci、di、ei为预设的多个补偿系数，ua为需校正的工况瞬时车速，Tv为整车阻力校正基准值
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：采用模拟退火粒子群算法对油耗优化模型进行第一油耗最小值的寻优计算，并确定与第一油耗最小值相适应的第一目标速比。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取前次迭代中基于前次的中间速比所更新的粒子位置和粒子速度；基于更新的粒子位置和粒子速度，对油耗优化模型进行第一油耗最小值的寻优计算，得到对应的中间速比；基于得到的中间速比对油耗优化模型中的粒子位置和粒子速度进行更新，并将更新后的粒子位置和粒子速度作为下一次迭代中，待进行寻优计算的粒子位置和粒子速度，返回基于粒子位置和粒子速度，对油耗优化模型进行第一油耗最小值的寻优计算的步骤并继续执行，直至达到预设迭代次数时停止，将最后一次迭代得到的中间速比作为与第一油耗最小值相适应的第一目标速比。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取第一目标速比对应的实际取值；将第一目标速比作为理论取值，并根据实际取值对理论取值的大小进行调节，使得理论取值与实际取值的大小保持一致。
上述存储介质，针对先前建立好的油耗优化模型，在基于不同车辆在行驶过程中对应的单位油耗值，定位到单位油耗值低于预设的油耗阈值的目标车辆时，根据目标车辆在实际行驶过程中同步产生的节能参数以及节能参数对应的参数取值，进行油耗优化模型的第一约束参数以及第一约束范围的构建，得以保证最终优化输出的动力总成性能参数更加贴合实际工程应用。将在第一约束范围的约束作用下寻优得到的第一目标速比，以及在第二约束范围的约束作用下寻优得到的第二目标速比进行对比分析，直到两者相接近时，输出相应的优化结果，实现了在产品设计阶段完成动力总成部件性能参数的正向定义，并进一步指导了产品的高效、以及精准开发，提高了整车性能的优化精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory， SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于整车油耗的动力总成性能参数优化方法，其特征在于，所述方法包括：
获取多个模型构建参数，并根据所述模型构建参数建立油耗优化模型；所述模型构建参数包括发动机扭矩参数、发动 机转速参数、发动机的单位油耗参数以及速比参数；其中，所述发动机的单位油耗参数为目标优化参数；所述油耗优化模型包括对应等速行驶工况的第一油耗优化子模型和多个分别对应不同瞬态工况的第二油耗优化子模型；所述发动机的单位油耗值包括与所述第一油耗优化子模型相适应的，在整车等速行驶时，发动机消耗的第一单位油耗值，以及与所述第二油耗优化子模型相适应的，在各瞬态工况下，发动机消耗的第二单位油耗值；所述模型构建参数还包括用于构建所述第一油耗优化子模型的等速行驶车速参数、以及等车行驶时的发动机功率参数；所述模型构建参数还包括用于构建所述第二油耗优化子模型的发动机滞后校正扭矩参数；所述速比参数包括用于构建所述第二油耗优化子模型的瞬时档位速比参数和驱动桥速比参数；
确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定所述目标车辆在实际行驶过程中同步产生的节能参数，以及所述节能参数对应的参数取值；所述节能参数包括发动机扭矩参数和发动 机转速参数；
将所述节能参数作为第一约束参数，并根据所述节能参数的第一参数取值分布范围，确定与所述第一约束参数相适应的第一约束范围；
将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与所述第二约束参数相适应的第二约束范围；所述目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速；
基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型；通过所述扭矩校正模型对所述发动机滞后校正扭矩参数进行校正处理，并基于校正后的发动机滞后校正扭矩参数，对各个所述第二油耗优化子模型进行更新；所述基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型，包括：根据下述公式建立扭矩校正模型：
Figure FDA0003700654480000021
其中，Tθi为各工况的发动机扭矩滞后补偿；ai、bi、ci、di、ei为预设的多个补偿系数，ua为需校正的工况瞬时车速，Tv为整车阻力校正基准值；
在所述第一约束范围的约束作用下，对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比，以及，在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算，并确定与所述第二油耗最小值相适应的第二目标速比；
当确定所述第一目标速比等于所述第二目标速比时，将当前用于约束所述第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到所述在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
2.根据权利要求1所述的方法，其特征在于，所述在所述第一约束范围的约束作用下，对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比，包括：
采用模拟退火粒子群算法对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比。
3.根据权利要求2所述的方法，其特征在于，所述采用模拟退火粒子群算法对所述油耗优化模型进行第一油耗最小值的寻优计算,并确定与所述第一油耗最小值相适应的第一目标速比，包括：
获取前次迭代中基于前次的中间速比所更新的粒子位置和粒子速度；
基于更新的所述粒子位置和粒子速度，对所述油耗优化模型进行第一油耗最小值的寻优计算，得到对应的中间速比；
基于得到的中间速比对所述油耗优化模型中的粒子位置和粒子速度进行更新，并将更新后的粒子位置和粒子速度作为下一次迭代中，待进行寻优计算的粒子位置和粒子速度，返回所述基于所述粒子位置和粒子速度，对所述油耗优化模型进行第一油耗最小值的寻优计算的步骤并继续执行，直至达到预设迭代次数时停止，将最后一次迭代得到的中间速比作为与所述第一油耗最小值相适应的第一目标速比。
4.根据权利要求1-3任意一项所述的方法，其特征在于，所述当确定所述第一目标速比等于所述第二目标速比时，将当前用于约束所述第二目标速比的目标性能参数作为优化结果，进行输出之前，所述方法还包括：
获取所述第一目标速比对应的实际取值；
将所述第一目标速比作为理论取值，并根据所述实际取值对所述理论取值的大小进行调节，使得所述理论取值与所述实际取值的大小保持一致。
5.一种基于整车油耗的动力总成性能参数优化装置，其特征在于，所述装置包括：
第一构建模块，用于获取多个模型构建参数，并根据所述模型构建参数建立油耗优化模型；所述模型构建参数包括发动机扭矩参数、发动 机转速参数、发动机的单位油耗参数以及速比参数；其中，所述发动机的单位油耗参数为目标优化参数；所述油耗优化模型包括对应等速行驶工况的第一油耗优化子模型和多个分别对应不同瞬态工况的第二油耗优化子模型；所述发动机的单位油耗值包括与所述第一油耗优化子模型相适应的，在整车等速行驶时，发动机消耗的第一单位油耗值，以及与所述第二油耗优化子模型相适应的，在各瞬态工况下，发动机消耗的第二单位油耗值；所述模型构建参数还包括用于构建所述第一油耗优化子模型的等速行驶车速参数、以及等车行驶时的发动机功率参数；所述模型构建参数还包括用于构建所述第二油耗优化子模型的发动机滞后校正扭矩参数；所述速比参数包括用于构建所述第二油耗优化子模型的瞬时档位速比参数和驱动桥速比参数；
统计模块，用于确定不同车辆在行驶过程中对应的单位油耗值，将单位油耗值低于预设的油耗阈值的车辆作为目标车辆，并确定所述目标车辆在实际行驶过程中同步产生的节能参数，以及所述节能参数对应的参数取值；所述节能参数包括发动机扭矩参数和发动 机转速参数；
第二构建模块，用于将所述节能参数作为第一约束参数，并根据所述节能参数的第一参数取值分布范围，确定与所述第一约束参数相适应的第一约束范围；
第三构建模块，用于将从预设的动力总成性能参数集合中筛选得到的多个目标性能参数作为第二约束参数，并基于预设的第二参数取值分布范围，确定与所述第二约束参数相适应的第二约束范围；所述目标性能参数包括发动机最大扭矩、发动机怠速转速以及发动机额定转速；
第一校正模块，用于基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型；通过所述扭矩校正模型对所述发动机滞后校正扭矩参数进行校正处理，并基于校正后的发动机滞后校正扭矩参数，对各个所述第二油耗优化子模型进行更新；所述基于预设的多个补偿系数以及整车阻力校正基准值建立扭矩校正模型，包括：根据下述公式建立扭矩校正模型：
Figure FDA0003700654480000041
其中，Tθi为各工况的发动机扭矩滞后补偿；ai、bi、ci、di、ei为预设的多个补偿系数，ua为需校正的工况瞬时车速，Tv为整车阻力校正基准值；
优化模块，用于在所述第一约束范围的约束作用下，对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比，以及，在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算，并确定与所述第二油耗最小值相适应的第二目标速比；
输出模块，用于当确定所述第一目标速比等于所述第二目标速比时，将当前用于约束所述第二目标速比的目标性能参数作为优化结果，进行输出；否则，返回到所述在所述第二约束范围的约束作用下，对所述油耗优化模型进行第二油耗最小值的寻优计算的步骤，直至输出优化结果。
6.根据权利要求5所述的装置，其特征在于，所述优化模块还用于采用模拟退火粒子群算法对所述油耗优化模型进行第一油耗最小值的寻优计算，并确定与所述第一油耗最小值相适应的第一目标速比。
7.根据权利要求6所述的装置，其特征在于，所述优化模块还用于获取前次迭代中基于前次的中间速比所更新的粒子位置和粒子速度；基于更新的所述粒子位置和粒子速度，对所述油耗优化模型进行第一油耗最小值的寻优计算，得到对应的中间速比；基于得到的中间速比对所述油耗优化模型中的粒子位置和粒子速度进行更新，并将更新后的粒子位置和粒子速度作为下一次迭代中，待进行寻优计算的粒子位置和粒子速度，返回所述基于所述粒子位置和粒子速度，对所述油耗优化模型进行第一油耗最小值的寻优计算的步骤并继续执行，直至达到预设迭代次数时停止，将最后一次迭代得到的中间速比作为与所述第一油耗最小值相适应的第一目标速比。
8.根据权利要求5-7任意一项所述的装置，其特征在于，所述基于整车油耗的动力总成性能参数优化装置还包括第二校正模块，所述第二校正模块用于获取所述第一目标速比对应的实际取值；将所述第一目标速比作为理论取值，并根据所述实际取值对所述理论取值的大小进行调节，使得所述理论取值与所述实际取值的大小保持一致。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202110196987.9A 2021-02-22 2021-02-22 一种基于整车油耗的动力总成性能参数优化方法和装置 Active CN112861362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110196987.9A CN112861362B (zh) 2021-02-22 2021-02-22 一种基于整车油耗的动力总成性能参数优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110196987.9A CN112861362B (zh) 2021-02-22 2021-02-22 一种基于整车油耗的动力总成性能参数优化方法和装置

Publications (2)

Publication Number Publication Date
CN112861362A CN112861362A (zh) 2021-05-28
CN112861362B true CN112861362B (zh) 2022-09-16

Family

ID=75988583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110196987.9A Active CN112861362B (zh) 2021-02-22 2021-02-22 一种基于整车油耗的动力总成性能参数优化方法和装置

Country Status (1)

Country Link
CN (1) CN112861362B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113250836B (zh) * 2021-06-07 2022-10-14 一汽解放汽车有限公司 发动机控制方法、装置、计算机设备和存储介质
CN114426025B (zh) * 2022-03-17 2023-11-14 一汽解放汽车有限公司 驾驶辅助方法、装置、计算机设备和存储介质
CN116976531B (zh) * 2023-09-25 2024-02-20 华夏天信智能物联股份有限公司 用于井下电控设备的集成管理方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104354696A (zh) * 2014-11-07 2015-02-18 奇瑞汽车股份有限公司 乘用车油耗控制方法
FR3021352A1 (fr) * 2014-05-20 2015-11-27 Peugeot Citroen Automobiles Sa Procede de maintenance d'une huile d'un moteur a combustion interne.
CN108482358A (zh) * 2018-03-27 2018-09-04 吉利汽车研究院（宁波）有限公司 混合动力汽车扭矩分配方法、装置及电子设备
CN108595853A (zh) * 2018-04-28 2018-09-28 吉林大学 一种基于遗传算法的并联混合动力汽车参数优化设计方法
CN109975027A (zh) * 2019-04-15 2019-07-05 一汽解放汽车有限公司 基于模拟用户道路工况的发动机机油消耗测试方法
CN110667566A (zh) * 2019-10-17 2020-01-10 清华大学苏州汽车研究院（吴江） 混合动力汽车匹配参数及控制策略协同组合优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3021352A1 (fr) * 2014-05-20 2015-11-27 Peugeot Citroen Automobiles Sa Procede de maintenance d'une huile d'un moteur a combustion interne.
CN104354696A (zh) * 2014-11-07 2015-02-18 奇瑞汽车股份有限公司 乘用车油耗控制方法
CN108482358A (zh) * 2018-03-27 2018-09-04 吉利汽车研究院（宁波）有限公司 混合动力汽车扭矩分配方法、装置及电子设备
CN108595853A (zh) * 2018-04-28 2018-09-28 吉林大学 一种基于遗传算法的并联混合动力汽车参数优化设计方法
CN109975027A (zh) * 2019-04-15 2019-07-05 一汽解放汽车有限公司 基于模拟用户道路工况的发动机机油消耗测试方法
CN110667566A (zh) * 2019-10-17 2020-01-10 清华大学苏州汽车研究院（吴江） 混合动力汽车匹配参数及控制策略协同组合优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
S.M.Lukic.Effects of drivetrain hybridization on fuel economy and dynamic performance of parallel hybrid electric vehicles.《IEEE Transactions on Vehicular Technology》.2004,第53卷(第2期), *
杜常清等.基于混合粒子群算法的双离合变速器参数优化设计.《https://kns.cnki.net/kcms/detail/22.1341.T.20191107.1759.007.html 》.2019, *

Also Published As

Publication number Publication date
CN112861362A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112861362B (zh) 一种基于整车油耗的动力总成性能参数优化方法和装置
US20160011571A1 (en) Method for Designing a Non-Linear Controller for Non-Linear Processes
CN113479186B (zh) 一种混合动力汽车能量管理策略优化方法
CN112990420A (zh) 一种用于卷积神经网络模型的剪枝方法
CN114064280A (zh) 一种多约束下的端边协同推断方法
CN115098960A (zh) 设备剩余使用寿命预测方法和装置
CN115879369A (zh) 一种基于优化LightGBM算法的磨煤机故障预警方法
CN115275983A (zh) 一种基于分布式资源聚类的光伏功率波动平抑控制方法
CN115759317A (zh) 一种电力负荷调控方法、装置、电子设备及存储介质
CN107451694A (zh) 一种用于移动系统中上下文感知与自适应的应用预测方法
CN114186671A (zh) 一种大批量的去中心化分布式图像分类器训练方法和系统
CN116643547B (zh) 生产系统的调控方法、生产系统、电子设备及存储介质
CN112488399A (zh) 电力负荷预测方法及装置
CN112329995B (zh) 分布式储能集群的优化调度方法、装置和计算机设备
CN114020418A (zh) 一种包含轮盘赌算法的粒子群优化的虚拟机放置方法
CN114545928A (zh) 一种基于自触发分布式预测控制的异构车辆队列控制方法
CN111859780A (zh) 一种微电网运行优化方法和系统
CN111461282A (zh) 一种基于改进量子行为粒子群算法的模型辨识方法
CN117435308B (zh) 一种基于并行计算算法的Modelica模型仿真方法及系统
CN111898752B (zh) 执行lstm神经网络运算的装置和方法
CN114889580B (zh) 混合动力车辆能量管理控制方法、系统、装置及存储介质
CN114336696B (zh) 一种兆瓦级氢储能电站容量配置方法及系统
CN115270515B (zh) 基于边界面模型的土体状态数据预测方法、装置和设备
CN114662904A (zh) 基于功率指令特征时段提取的电池储能调节性能评价方法
CN111898752A (zh) 执行lstm神经网络运算的装置和方法

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