CN114019799A - 基于多目标遗传算法优化拖拉机燃油经济及动力性的方法 - Google Patents

Abstract

本发明提出了一种基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，包括第一步：选取拖拉机，根据选取的拖拉机结构以及基本参数，分析选取的拖拉机模型建立方法，建立发动机数学模型、传动系统数学模型以及行驶阻力数学模型；第二步：给出拖拉机整车动力性以及燃油经济性模拟计算模型，并以HST和变速箱输入轴转速作为约束条件，以车速、负载作为决策向量；第三步：定义多目标遗传算法NSGA－II的基本要素；第四步：通过多目标遗传算法NSGA－II得到动力性和燃油经济性的最佳匹配，借此，本发明具有可以达到在满足整车动力性能的前提条件下，以减少燃油消耗，提高行驶效率并改善排放特性，实现拖拉机动力传动系统参数的最佳匹配的优点。

Description

基于多目标遗传算法优化拖拉机燃油经济及动力性的方法

技术领域

本发明属于拖拉机控制技术领域，特别涉及一种基于多目标遗传算法优化拖拉机燃油经济及动力性的方法。

背景技术

现在普遍使用的拖拉机因为具有功能多样性的特点，即可以运载货物、也可以挂载各种各样的机具进行田间作业。所以对农业来说使用频率较高。但是传统的轮式拖拉机中拖拉机作业时的负载以及作业时的速度和拖拉机的燃油经济性以及动力性，这两方面没有获得最佳匹配，带来对燃油的浪费和动力损耗。

而为了获得最佳匹配，就要求拖拉机能够根据车速以及负载的情况自动选择最佳的挡位，目前国外先进的拖拉机都采用电子控制的自动换挡技术。而现在国内的轮式拖拉机在变速箱换挡技术方面，其特点表现承载大、挡位多、速比范围宽。这就造成了在拖拉机作业复杂的情况下，对拖拉机换挡极易造成误换挡，造成对拖拉机燃油经济性、动力性产生极大的差异。

为了解决上述问题，本发明提出了一种基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，使用多目标遗传算法和模糊PID智能控制算法控制变速箱的输入轴转速，在负载一定的情况，能够使得车速和拖拉机燃油经济性以及动力性保持最佳匹配。

发明内容

本发明提出一种基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，解决了现有技术中的问题。

本发明的技术方案是这样实现的：一种基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，包括：

第一步：选取拖拉机，根据选取的拖拉机结构以及基本参数，分析选取的拖拉机模型建立方法，建立发动机数学模型、传动系统数学模型以及行驶阻力数学模型；

第二步：给出拖拉机整车动力性以及燃油经济性模拟计算模型，并以HST和变速箱输入轴转速作为约束条件，以车速、负载作为决策向量；

第三步：定义多目标遗传算法NSGA-II的基本要素；

第四步：通过多目标遗传算法NSGA-II得到动力性和燃油经济性的最佳匹配，然后得到相应的车速，最后使用模糊PID算法控制电推杆达到相应的车速。

作为一种优选的实施方式，所述第一步中行驶阻力数学模型又分为：运输状态的数学模型以及工作状态的数学模型。

作为一种优选的实施方式，所述拖拉机行驶阻力模型的函数包括：

运输状态函数：

作为一种优选的实施方式，所述拖拉机行驶阻力模型的函数包括：

运输状态函数：

其中，f'为道路滚动阻力系数，T_ed为拖拉机额定转矩，i_n为n档的总传动比，γ_q为驱动轮动力半径，G_n为拖拉机质量，g为重力加速度，F_q为牵引力。

工作状态函数：

其中，H'为工作在地里事的滚动阻力系数，z为耕地的犁铧数，b为单个犁铧的宽度，h为犁铧耕地时的深度，k为每个犁铧耕地时的阻力。

传动系统数学模型函数为：

其中，P_n为传动系输入功率，P_T为传动系各部件在摩擦中损失的功率，η_t为传动系功率效率。

发动机数学模型函数为：

其中，g_e为发动机燃油消耗率，A为函数中待定系数，T_λ为发动机转矩，n_e为发动机转速，s为模型阶数。

作为一种优选的实施方式，所述拖拉机发动机转速函数公式为：

其中，r为驱动轮半径，i₀为主减速器传动比，i_gn为第n档变速器传动比，u_ai为拖拉机行驶速度。

所述燃油经济性函数公式为：

其中，ρ为燃油密度，g为重力加速度，P_e1为发动机功率，g_e为燃油消耗率，T为拖拉机行驶时间，Q_t为等速行驶时间内拖拉机燃油消耗量。

作为一种优选的实施方式，所述第三步中定义多目标遗传算法NSGA-II的基本要素的方法包括：

S1：以实数编码和二进制编码构造解向量作为个体X，由n个个体构成种群P，P＝[X₁,X₂,.........X_n]；Y做为适应度函数的值，表述前述多个目标，并定义多个算子；

S2：通过非支配排序方式计算种群P中的个体虚拟适应值，根据非支配排序的定义，对于寻求最小化的多个目标：

F(x)＝(F₁(x),F₂(x),.....F_m(x))^T；

初始种群中的个体x_i,x_j，如果对于所有的q＝1，2，……m，都存F_q(x_i)≤F_q(x_j)，则称x_i非支配于x_j；

S3：计算同一支配层中的拥挤度系数为i_d，对于每一级非支配解层，根据个体的目标值大小进行升序，对于每个个体计算最近邻居作为顶点的长方体周长作为拥挤度系数

其中，m为目标函数数量；i_d表示i点的拥挤度，分别表示i+1点以及i-1点的第j个目标函数值。边界个体的拥挤度系数被指定为无穷大值，即0_d＝I_d＝∞；

S4：通过以上多目标遗传算法，得出拖拉机在挂载特定负载的情况下，速度和动力性以及燃油经济性关系曲线。然后在基于模糊PID算法的基础上，使用Matlab中的Simulink工具建立相关的模型，通过仿真得出合适的模糊规则库，以及初始的K_p,K_i,K_d三个参数；

S5：将初始的K_p,K_i,K_d三个参数传入PID调节器中，然后控制变速箱输入轴，保持车速和拖拉机整车动力性以及燃油经济性能够达到最佳匹配的状态。

作为一种优选的实施方式，所述S1中定义的算子为选择算子、交叉算子和变异算子。

作为一种优选的实施方式，所述S3中的算法流程为：

首先将第t代产生的新种群Q_t与父代P_t合并组成R_t，种群大小为为2N；

然后R_t进行非支配排序，产生一系列非支配集Z_i并计算拥挤度；由于子代和父代个体都包含在R_t中，则经过非支配排序以后的非支配集Z₁中包含的个体是R_t中最好的，所以先将放Z_i入新的父代种群P_t+1中，如果P_t+1的大小小于N，则继续向P_t+1中填充下一级非支配集Z₂，直到添加Z₃时，种群的大小超N，对Z₃中的个体使用拥挤度比较算子，取前{num(Z₃)-(num(P_t+1)-N)}个体，使个体数量达到N，然后通过遗传算子(选择、交叉、变异)产生新的子代种群Q_t+1。

采用了上述技术方案后，本发明的有益效果是：

通过使用遗传算法达到快速整定PID参数的目的，然后使用参数整定完成的PID控制算法，控制车身液压系统实时调节车身姿态以保持车身水平，相比于不能调节车身姿态的拖拉机而言，具有该智能控制算法的拖拉机能够更好的适应多种复杂的作业环境，节省人力，增大了拖拉机能够作业的地形。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中多目标遗传算法NSGA-II的流程示意图；

图2为本发明的模糊PID算法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1~图2所示，一种基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，包括：

第一步：选取拖拉机，根据选取的拖拉机结构以及基本参数，分析选取的拖拉机模型建立方法，建立发动机数学模型、传动系统数学模型以及行驶阻力数学模型；

第二步：给出拖拉机整车动力性以及燃油经济性模拟计算模型，并以HST和变速箱输入轴转速作为约束条件，以车速、负载作为决策向量；

第三步：定义多目标遗传算法NSGA-II的基本要素；

第四步：通过多目标遗传算法NSGA-II得到动力性和燃油经济性的最佳匹配，然后得到相应的车速，最后使用模糊PID算法控制电推杆达到相应的车速。

所述第一步中行驶阻力数学模型又分为：运输状态的数学模型以及工作状态的数学模型。

所述拖拉机行驶阻力模型的函数包括：

运输状态函数：

其中，f'为道路滚动阻力系数，T_ed为拖拉机额定转矩，i_n为n档的总传动比，γ_q为驱动轮动力半径，G_n为拖拉机质量，g为重力加速度，F_q为牵引力。

工作状态函数：

其中，H'为工作在地里事的滚动阻力系数，z为耕地的犁铧数，b为单个犁铧的宽度，h为犁铧耕地时的深度，k为每个犁铧耕地时的阻力。

传动系统数学模型函数为：

其中，P_n为传动系输入功率，P_T为传动系各部件在摩擦中损失的功率，η_t为传动系功率效率。

发动机数学模型函数为：

其中，g_e为发动机燃油消耗率，A为函数中待定系数，T_λ为发动机转矩，n_e为发动机转速，s为模型阶数。

所述拖拉机发动机转速函数公式为：

其中，r为驱动轮半径，i₀为主减速器传动比，i_gn为第n档变速器传动比，u_ai为拖拉机行驶速度。

所述燃油经济性函数公式为：

其中，ρ为燃油密度，g为重力加速度，P_e1为发动机功率，g_e为燃油消耗率，T为拖拉机行驶时间，Q_t为等速行驶时间内拖拉机燃油消耗量。

所述第三步中定义多目标遗传算法NSGA-II的基本要素的方法包括：

S1：以实数编码和二进制编码构造解向量作为个体X，由n个个体构成种群P，P＝[X₁,X₂,.........X_n]；Y做为适应度函数的值，表述前述多个目标，并定义多个算子；

S2：通过非支配排序方式计算种群P中的个体虚拟适应值，根据非支配排序的定义，对于寻求最小化的多个目标：

F(x)＝(F₁(x),F₂(x),.....F_m(x))^T；

初始种群中的个体x_i,x_j，如果对于所有的q＝1，2，……m，都存F_q(x_i)≤F_q(x_j)，则称x_i非支配于x_j；

S3：计算同一支配层中的拥挤度系数为i_d，对于每一级非支配解层，根据个体的目标值大小进行升序，对于每个个体计算最近邻居作为顶点的长方体周长作为拥挤度系数

其中，m为目标函数数量；i_d表示i点的拥挤度，分别表示i+1点以及i-1点的第j个目标函数值。边界个体的拥挤度系数被指定为无穷大值，即0_d＝I_d＝∞；

S4：通过以上多目标遗传算法，得出拖拉机在挂载特定负载的情况下，速度和动力性以及燃油经济性关系曲线。然后在基于模糊PID算法的基础上，使用Matlab中的Simulink工具建立相关的模型，通过仿真得出合适的模糊规则库，以及初始的K_p,K_i,K_d三个参数；

S5：将初始的K_p,K_i,K_d三个参数传入PID调节器中，然后控制变速箱输入轴，保持车速和拖拉机整车动力性以及燃油经济性能够达到最佳匹配的状态。

定义的算子为选择算子：根据适应值Y把个体按比例进行淘汰，从而提高群体的适应值；交叉算子：种群中随机选择两个个体，交换染色体部分编码，产生两个新的子代个体；变异算子：以一定概率随机改变染色体上的某个基因来增加群体多样性。

所述S3中的算法流程为：

首先将第t代产生的新种群Q_t与父代P_t合并组成R_t，种群大小为为2N；

然后R_t进行非支配排序，产生一系列非支配集Z_i并计算拥挤度；由于子代和父代个体都包含在R_t中，则经过非支配排序以后的非支配集Z₁中包含的个体是R_t中最好的，所以先将放Z_i入新的父代种群P_t+1中，如果P_t+1的大小小于N，则继续向P_t+1中填充下一级非支配集Z₂，直到添加Z₃时，种群的大小超N，对Z₃中的个体使用拥挤度比较算子，取前{num(Z₃)-(num(P_t+1)-N)}个体，使个体数量达到N，然后通过遗传算子(选择、交叉、变异)产生新的子代种群Q_t+1。

发明设计了基于模糊PID遗传智能控制算法车身调平系统，通过使用遗传算法达到快速整定PID参数的目的。然后使用参数整定完成的PID控制算法，选取两输入三输出的的模糊控制器。将速度偏差e以及速度偏差增量ec作为模糊控制器的输入，而将控制器输出PID控制器的三个参数K_p,K_i,K_d偏量值控制车身液压系统实时调节车身姿态以保持车身水平。相比于不能调节车身姿态的拖拉机而言，具有该智能控制算法的拖拉机能够更好的适应多种复杂的作业环境，节省人力，增大了拖拉机能够作业的地形。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，其特征在于，包括：

第一步：选取拖拉机，根据选取的拖拉机结构以及基本参数，分析选取的拖拉机模型建立方法，建立发动机数学模型、传动系统数学模型以及行驶阻力数学模型；

第二步：给出拖拉机整车动力性以及燃油经济性模拟计算模型，并以HST和变速箱输入轴转速作为约束条件，以车速、负载作为决策向量；

第三步：定义多目标遗传算法NSGA－II的基本要素；

第四步：通过多目标遗传算法NSGA－II得到动力性和燃油经济性的最佳匹配，然后得到相应的车速，最后使用模糊PID算法控制电推杆达到相应的车速。

2.根据权利要求1所述的基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，其特征在于，所述第一步中行驶阻力数学模型又分为：运输状态的数学模型以及工作状态的数学模型。

3.根据权利要求1所述的基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，其特征在于，所述拖拉机行驶阻力模型的函数包括：

运输状态函数：

其中，f'为道路滚动阻力系数，T_ed为拖拉机额定转矩，i_n为n档的总传动比，γ_q为驱动轮动力半径，G_n为拖拉机质量，g为重力加速度，F_q为牵引力。

工作状态函数：

其中，H'为工作在地里事的滚动阻力系数，z为耕地的犁铧数，b为单个犁铧的宽度，h为犁铧耕地时的深度，k为每个犁铧耕地时的阻力。

传动系统数学模型函数为：

其中，P_n为传动系输入功率，P_T为传动系各部件在摩擦中损失的功率，η_t为传动系功率效率。

发动机数学模型函数为：

其中，g_e为发动机燃油消耗率，A为函数中待定系数，T_λ为发动机转矩，n_e为发动机转速，s为模型阶数。

4.根据权利要求1所述的基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，其特征在于，所述拖拉机发动机转速函数公式为：

其中，r为驱动轮半径，i₀为主减速器传动比，i_gn为第n档变速器传动比，u_ai为拖拉机行驶速度。

所述燃油经济性函数公式为：

其中，ρ为燃油密度，g为重力加速度，P_e1为发动机功率，g_e为燃油消耗率，T为拖拉机行驶时间，Q_t为等速行驶时间内拖拉机燃油消耗量。

5.根据权利要求1所述的基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，其特征在于，所述第三步中定义多目标遗传算法NSGA－II的基本要素的方法包括：

S1：以实数编码和二进制编码构造解向量作为个体X，由n个个体构成种群P，P＝[X₁,X₂,.........X_n]；Y做为适应度函数的值，表述前述多个目标，并定义多个算子；

S2：通过非支配排序方式计算种群P中的个体虚拟适应值，根据非支配排序的定义，对于寻求最小化的多个目标：

F(x)＝(F₁(x),F₂(x),.....F_m(x))^T；

初始种群中的个体x_i,x_j，如果对于所有的q＝1，2，……m，都存F_q(x_i)≤F_q(x_j)，则称x_i非支配于x_j；

S3：计算同一支配层中的拥挤度系数为i_d，对于每一级非支配解层，根据个体的目标值大小进行升序，对于每个个体计算最近邻居作为顶点的长方体周长作为拥挤度系数

其中，m为目标函数数量；i_d表示i点的拥挤度，分别表示i+1点以及i－1点的第j个目标函数值。边界个体的拥挤度系数被指定为无穷大值，即0_d＝I_d＝∞；

S4：通过以上多目标遗传算法，得出拖拉机在挂载特定负载的情况下，速度和动力性以及燃油经济性关系曲线。然后在基于模糊PID算法的基础上，使用Matlab中的Simulink工具建立相关的模型，通过仿真得出合适的模糊规则库，以及初始的K_p,K_i,K_d三个参数；

S5：将初始的K_p,K_i,K_d三个参数传入PID调节器中，然后控制变速箱输入轴，保持车速和拖拉机整车动力性以及燃油经济性能够达到最佳匹配的状态。

6.根据权利要求5所述的基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，其特征在于，所述S1中定义的算子为选择算子、交叉算子和变异算子。

7.根据权利要求5所述的基于多目标遗传算法优化拖拉机燃油经济及动力性的方法，其特征在于，所述S3中的算法流程为：

首先将第t代产生的新种群Q_t与父代P_t合并组成R_t，种群大小为为2N；

然后R_t进行非支配排序，产生一系列非支配集Z_i并计算拥挤度；由于子代和父代个体都包含在R_t中，则经过非支配排序以后的非支配集Z₁中包含的个体是R_t中最好的，所以先将放Z_i入新的父代种群P_t+1中，如果P_t+1的大小小于N，则继续向P_t+1中填充下一级非支配集Z₂，直到添加Z₃时，种群的大小超N，对Z₃中的个体使用拥挤度比较算子，取前{num(Z₃)-(num(P_t+1)-N)}个体，使个体数量达到N，然后通过遗传算子(选择、交叉、变异)产生新的子代种群Q_t+1。

Images