CN114734980A - 用于运行车辆的方法 - Google Patents

用于运行车辆的方法 Download PDF

Info

Publication number
CN114734980A
CN114734980A CN202110022532.5A CN202110022532A CN114734980A CN 114734980 A CN114734980 A CN 114734980A CN 202110022532 A CN202110022532 A CN 202110022532A CN 114734980 A CN114734980 A CN 114734980A
Authority
CN
China
Prior art keywords
neural network
drive train
artificial neural
drive
vehicle
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.)
Pending
Application number
CN202110022532.5A
Other languages
English (en)
Inventor
J·吉拉德
K·豪尔
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Priority to CN202110022532.5A priority Critical patent/CN114734980A/zh
Publication of CN114734980A publication Critical patent/CN114734980A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/08—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of electric propulsion units, e.g. motors or generators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/06—Combustion engines, Gas turbines
    • B60W2710/0666—Engine torque
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/08—Electric propulsion units
    • B60W2710/083—Torque
    • 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
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

本发明涉及用于运行车辆的方法，所述车辆具有传动系，所述传动系具有多个驱动单元，所述多个驱动单元中的至少一个驱动单元构造为电机，并且所述车辆具有针对构造为电机的驱动单元的储能系统，其中借助人工神经网络（200），测定针对传动系的运行策略（B），在所述人工神经网络中，至少部分地设置有可塑节点（230），并且其中所述传动系（101）根据所述运行策略来运行。

Description

用于运行车辆的方法
技术领域
本发明涉及一种用于运行车辆的方法，所述车辆具有构造为电机的驱动单元，以及涉及用于执行所述方法的一种计算单元、一种车辆和一种计算机程序。
背景技术
除了仅具有内燃机的机动车之外，也越来越多地存在除了内燃机之外还具有一个或者多个电驱动单元的机动车。那么，这种车辆被称作所谓的混合动力车辆。同样，存在仅具有电驱动装置的车辆。
在具有多个驱动单元的车辆中，值得期望的是，找到尽可能最优的运行策略，用于在这些驱动单元之间分配要求的转矩或要求的功率。这典型地要以优化能量效率为目标来进行，为此通常也要考虑储能系统。在具有仅一个电驱动单元但是例如具有多个储能单元的纯电动运行的车辆中，储能系统也可能是关系重大的。
发明内容
根据本发明，建议了具有独立权利要求的特征的一种用于运行车辆的方法以及用于执行所述方法的一种计算单元和一种计算机程序。有利的构建方案是从属权利要求以及随后的描述的主题。
本发明研究具有传动系的车辆的运行，所述传动系具有多个驱动单元，所述多个驱动单元中的至少一个驱动单元构造为电机，并且所述车辆具有针对构造为电机的驱动单元的储能系统。
作为车辆，例如考虑具有多个（也就是至少两个）电驱动单元或电机的纯电动运行的车辆。但是，同样也考虑具有内燃机和一个或者也为多个电机作为驱动单元的混合动力车辆。有些变型方案的其他细节或者限制到确定的车辆应参考还跟在后面的实施方案。在这种情况下，混合动力车辆的具体拓扑也首先并不关系重大，也就是一个或者多个电机可以布置在变速器的上游和/或下游，和/或也可以布置在轴上和/或在一个或者多个车轮上。
驱动单元在这种情况下尤其是要理解为，以此为了驱动车辆的至少一个车轮可以将转矩传递到该车轮上。就此而言，在电机的情况下，考虑如下这种电机：所述电机可以以电动机方式运行。但是合乎目的的是，那么这种电机也可以以发电机方式运行，尤其是用于制动能的再生。
储能系统尤其是具有一个或者多个如电池组（Batterien）之类的储能单元，如这些储能单元典型地针对车辆被使用的那样，以便暂存电能和再次调用电能。同样，这种储能系统（尤其是在纯电动运行的车辆中）可以具有燃料电池或者仅设置用于借助发电机产生电能的内燃机（所谓的增程器（Range-Extender））作为储能单元，借助所述储能单元，可以给电机和/或另外的电池组馈送电能。
尤其是在所提及的混合动力车辆中，如果要求的转矩要被分布到这些驱动单元上，则存在可能被考虑的多个自由度，在所述混合动力车辆中，储能系统的充电状态（在那里那么因此尤其是电池组的充电状态）可以变化。尤其是由于充电状态或其改变的自由度，可以减小排放、尤其是二氧化碳的排放。例如，鉴于低排放，内燃机可以运行在尽可能最优的负荷点中。为了在由内燃机提供的转矩与请求的转矩之间进行平衡，电机可以视情形而定地以发电机方式或者以电动机方式运行，也就是给电池组充电，或者使电池组放电。
为了在该方面始终尽可能高效地设计车辆的运行，可以使用如下物理模型：在所述物理模型中，描绘了传动系并且必要时描绘了储能系统。借助例如代价函数，那么可以测定针对传动系的最高效的运行策略，所述传动系具有相应的驱动单元作为部件。在这种代价函数中，例如可以将可由如下电池组提供的功率与可由内燃机提供的功率联系起来：所述电池组具有确定的或者多个充电状态和/或同一充电状态的确定的改变，其中可以适当地加权。
这种物理模型是特别精确的，这也允许对最优运行策略的解析计算。但是，为此需要高计算能力，并且常常需要长的计算持续时间。利用数值近似，失去精度。针对实时的计算，这因此是不利的，特别随着自由度的数目的增加，该模型（并且以此该计算）越来越复杂，而车辆中的计算能力通常强烈受限。与改变的系统特性的适配通常是不可能的。
也可设想的是使用不同的地图，在所述地图中，寄存有不同的场景和情形，使得此后可以选出尽可能好的运行策略。但是此处，在进行实施的计算单元上必需（恰好随着复杂度的增加）特别高的存储需求。与改变的系统特性的适配此处通常也是不可能的。
其他可能性是使用基于人工智能的方法、如例如（人工）神经网络或者所谓的高斯过程模型。这种基于人工智能的方法或者模型典型地不要求复杂的数值求解方法，但是可以学习，也就是也与改变的系统特性相适配或被适配。但是，在这种方法中，存在如下困难：常常没有满足或者没有正确地满足模型的严格界限或界限值和临界系统要求。这种界限例如要理解为针对电机的转矩的技术上引起的界限。同样，有时可能难以在严格的界限与仅值得期望的（但是并不一定在技术上必要的）请求之间进行区分。
再者，这种方法相对于新情形具有低稳健性的缺点。如果例如出现影响运行策略（但是所述运行策略未被人工神经网络或所基于的数据检测到或者描绘）的行驶情形，则可能获得难以置信的结果，所述难以置信的结果部分甚至可能在物理上或在技术上是不可实现的。
也可能得出高复杂性，因为附加的自由度意味着，到人工神经网络中的输入的数目也极大地取决于车辆拓扑和自由度的数目。这会也在车辆运行期间要求对神经网络的计算特别密集的训练，这通常利用车辆中的典型存在的计算能力不能达到。
在本发明的范围内现在建议，借助人工神经网络来测定如下运行策略：根据所述运行策略，传动系以及必要时储能系统运行，在所述人工神经网络中，至少部分地设置有可塑（plastische）节点（也称作神经元）。具有可塑节点的这种人工神经网络尤其是具有如下优点，在运行中，也还可以利用典型地在车辆中存在的计算能力进一步教会该人工神经网络，并且这样，该人工神经网络也可以对被改变的或新的情形作出反应。
这尤其是在优化传动系和储能系统的能量效率的情况下或以优化传动系和储能系统的能量效率为目标来进行，这尤其是也包括例如二氧化碳和/或另外的有害物质的尽可能低的排放。传动系的运行尤其是包括驱动单元的相对应的操控（Ansteuerung）。运行策略在此尤其是包括要求的转矩到驱动单元上（必要时也到储能系统上）的确定的分配，所述储能系统接着例如可以被充电。此外，在此在考虑针对要使用的驱动单元的运行界限的情况下，并且在考虑储能系统的充电状态（在这下面那么尤其是要理解为储能系统的一个或者多个电池组的充电状态）和/或充电状态的（必要时所期望的）改变的情况下，可以测定运行策略，以便简化计算和一开始就已排除可能的难以置信的结果。
针对用于测定所谓的P2混合拓扑（也就是具有电驱动单元和内燃机的拓扑）的力矩的这种分配的这种神经网络的实例（如本发明可基于的那样）是如下神经网络：所述神经网络具有针对驱动单元的要求的转矩、充电状态和转速的输入，并且具有针对电机的最优转矩的输出以及具有所测定的代价。输入和输出经由相对应的节点或神经元链接。
（人工）神经网络（如在本发明的范围内所使用的那样）是所谓的可塑神经网络，或神经网络具有所谓的可塑性。该神经网络在此优选地通过如下方式来创建：首先，基于涉及传动系和/或储能单元的能量效率的过去的运行策略和/或运行数据，训练人工神经网络，其中人工神经网络紧接着被扩展了可塑节点或所谓的可塑性项。
这可以基于所谓的Hebb规则来进行，以便使人工智能的系统与系统和/或环境中的改变适配。其中可以补充可塑性的那些神经元连接可以例如根据下列式子来测定：
Figure DEST_PATH_IMAGE001
，
其中σ是任意的激活函数、如例如双曲正切函数。输出函数xj(t)可以被分成两个分量，即总和中的神经网络的常规部分wi,jxi(t)和总和中的Hebb部分αi,jHebbi,j(t)xi(t)。在此，适用：
Figure 361172DEST_PATH_IMAGE002
。
常规分量包括权重wi,j，所述权重wi,j必须被训练。Hebb分量取决于两个参数，所述参数控制新情形的影响。参数αi,j是被训练并且可以被解释为元学习率（Meta-Lernrate）的参数，所述元学习率调整，可以多快速地操作新情形。参数η说明了与历史的或变化过程值（Verlaufswerten）的相关性的大小，所述历史的或变化过程值应被包括到结果中。因而，η说明了动态，或详细说明了该动态。
Hebb方案的应用（如果也有另外的种类的应用）例如在T. Miconi、J. Clune和K.O. Stanley的“Differentiable plasticity: training plastic neural networks withbackpropagation”（arXiv preprint arXiv：1804.02464, 2018年）中予以描述。关于可塑神经网络的其他信息也能在D. O. Hebb的“The organization of behavior; aneuropsycholocigal theory.”（A Wiley Book in Clinical Psychology，第62-78页，1949年）”和S. J. Martin、P. D. Grimwood和R. G. Morris的“Synaptic plasticity andmemory: an evaluation of the hypothesis”（Annual review of neuroscience，第23卷，第1期，第649-711页，2000年）”中找到。
以这种方式，因此此外还可以使用如下（人工）神经网络：该（人工）神经网络在测定或计算最优运行策略中具有优点，通过设置可塑性，对于神经网络的最优使用所需的计算能力可是被保持在界限中，使得可能简单和毫无问题地应用到车辆中的（典型地配备有有限的计算能力的）计算单元上。那么，即至少鉴于可塑节点，基于过去的运行策略和/或运行数据，可以训练或适配该人工神经网络，更确切而言尤其是在车辆的运行期间或在其中存在的计算单元上可以训练或适配该人工神经网络。这基于，可塑节点或神经元在其使用期间或在使用神经网络期间（可能）改变。
特别优选的是，除了人工神经网络之外，也借助物理模型来测定针对传动系的运行策略，在所述物理模型中描绘传动系。以此，车辆或其传动系的物理模型与基于人工智能的方法（也就是神经网络）组合。在通过物理模型可以特别简单和快速地预先给定或适配物理界限期间，（基于此并且在该界限之内）可以借助神经网络找到尽可能好的或者至少一个尽可能良好的运行策略，其中此处那么没有或者至少几乎没有在物理上不可能的状态出现。
在此，在传动系根据借助人工神经网络所测定的运行策略运行之前，尤其是可以借助物理模型来适配针对传动系的该运行策略。这意味着，使用物理模型，以便如果（此外）不要遵守某些界限，则相对应地适配或优化运行策略，或者以便必要时也解除临界情形。
替选地或者附加地，优选的是，借助物理模型并且尤其是基于针对传动系所请求的转矩（所述转矩例如可以由驾驶员和/或驾驶员辅助系统来要求或预先给定），测定已提及的运行界限，所述运行界限那么在使用人工神经网络时被注意。那么，要使用的驱动单元要被理解为应集聚到运行中的那些驱动单元。因此，不必使用所有存在的驱动单元。也可以使用仅仅一个驱动单元。
物理模型在此尤其是描绘在各个驱动单元之间的在构造上引起的耦合（例如如果两个驱动单元经由变速器和/或轴彼此耦合）、必要时存在的离合器、各个驱动单元的分别最大可供支配的转矩和也为最小可供支配的转矩，并且（如果存在）也描绘在具有相对应的挡位和其传动比的传动系中的变速器。由于由此例如尤其是在电机中可以影响针对可供支配的转矩的界限或者尤其是得出其他界限，因此储能系统的也许发生的考虑可能是关系重大的，所述其他界限可能偏离电机本身的技术上引起的界限。同样，在这种物理模型中，也与挡位结合，可以考虑驱动单元的转速和/或车辆的速度。
以此要测定的针对要使用的驱动单元（这里尤其是电机）的运行界限尤其是针对转矩的这种上限和下限，所述上限和下限能够实现，在考虑必要时存在的内燃机的可能的转矩的情况下，提供所请求的转矩。
特别优选地，如已提及的那样，使用具有传动系的车辆，其中多个驱动单元之一构造为内燃机。在这种情况下，那么尤其是涉及混合动力车辆，如开头已提及的那样。在这种混合动力车辆中，利用选择运行策略、尤其是利用将转矩分配到驱动单元上，可以特别有效地实现节约或减小排放。例如，内燃机可以鉴于低排放而在尽可能最优的负荷点中运行。为了在由内燃机提供的转矩与所请求的转矩之间进行平衡，电机可以视情形而定地以发电机方式或者以电动机方式运行，也就是给电池组充电，或者使电池组放电。
在这种情况下，那么也合乎目的的是，借助人工神经网络，此外在考虑内燃机的当前转速的情况下，测定针对传动系的运行策略，因为接着可能特别简单地与最优负荷点适配。
根据本发明的计算单元（例如机动车的控制设备）尤其是以编程技术设立为，执行根据本发明的方法。
以用于执行所有方法步骤的计算机程序或者具有程序代码的计算机程序产品的形式来实施根据本发明的方法也是有利的，因为这造成特别低的成本，尤其是当进行实施的控制设备还被用于其他任务并且因而本来就存在时如此。用于提供计算机程序的合适的数据载体尤其是磁性的、光的和电的存储器，如例如是硬盘、闪存存储器、EEPROM、DVD以及其他等等。也可能经由计算机网络（互联网、内联网等）下载程序。
本发明的其他优点和构建方案从说明书和附上的附图中得出。
附图说明
依据附图中的实施例，示意性地图示出了本发明，并且在下文参照附图来描述本发明。
图1示意性地示出了车辆，在所述车辆中可执行根据本发明的方法。
图2示意性地示出了用于在本发明的范围内使用的人工神经网络。
图3示意性地示出了在优选的实施形式中的根据本发明的方法的流程。
具体实施方式
在图1中，示意性地图示出了在优选的实施形式中的根据本发明的车辆100，在所述车辆100中，可执行根据本发明的方法。
车辆100具有两个轴110和120，其中轴120作为（具有相对应可驱动的车轮的）可驱动的轴与传动系101连接。车辆100或传动系101具有构造为内燃机的驱动单元130和构造为电机的驱动单元140，所述驱动单元130和140借助离合器131以传递转矩的方式是可连接的。
此外，设置有构造为电池组或具有电池组的储能系统150，所述储能系统150与电机140电连接。在传动系101中，此外设置有变速器160，借助该变速器160可以调节或可选择不同的挡位。
此外，设置有构造为控制设备的计算单元180，借助该计算单元180可操控驱动单元、离合器，并且必要时可操控变速器。应理解的是，为此也可以设置有多个（那么相互进行通信的）计算单元。
车辆100因此是混合动力车辆。对此应示例性地阐述本发明。应理解的是，如开头所提及的那样，也可以使用另外的种类的车辆或拓扑。
在图2中，示意性地示出了人工神经网络200，如该人工神经网络200可以在本发明的范围内或在根据本发明的方法中使用的那样。针对神经网络200的输入量210此处示例性地包括（例如由驾驶员）所请求的功率Pdem、内燃机的转速n以及所谓的等效因子s，所述等效因子s建立在电系统（那就是说传动系或储能系统的电部件）的效率与内燃机的那个效率之间的关系。在考虑转速的情况下，所请求的功率也可以被换算成转矩。
那么，神经网络200具有一系列节点220、230，所述节点最后作为输出量240提供针对（电）总系统的最优功率PHEV,opt、针对混合行驶的代价PHEV,Eq和针对（纯）电动行驶的代价PEV,Eq，其中这些代价已经是彼此可比较的。基于代价PHEV,Eq和PEV,Eq，那么可以判断，使用何种运行策略。在神经网络200的所示出的实例中，画阴影线的节点230是如下那些节点：所述节点是可塑的，或已通过扩展了可塑性来获得，并且因此在（没有（外部）训练的）使用期间，所述节点可以改变或适配。
在图3中，示意性地图示了在优选的实施形式中的根据本发明的方法的流程。在这种情况下，图示出了带有内燃机和电机的传动系（如在图1中示例性地示出的那样）的物理模型ModPhys。
在该物理模型ModPhys中，示例性地通过电机的最小的在技术上可能的转矩Mmin,EM、所属的最大转矩Mmax,EM、内燃机的最小的在技术上可能的转矩Mmin,ICE、所属的最大转矩Mmax,ICE以及所请求的转矩Mdem，描绘或图示传动系。所提到的最大值和最小值例如由结构种类决定地得出，并且可以被设置为参数。所述最大值和最小值在该模型中尤其是作为限制起作用。可设想的是，如开始已提及的那样，由于由此已可能改变针对尤其是电机的转矩的界限，因此也一同考虑储能系统。
依据所述物理模型ModPhys（该物理模型ModPhys也可以特别简单和快速地与车辆的另外的传动系或拓扑适配），那么针对所请求的转矩Mdem，可以测定针对要使用的驱动单元的运行界限。在所示出的实例中，运行界限是电机的最小转矩M'min,EM以及所属的最大转矩M'max,EM，基于所述最小转矩M'min,EM和所述最大转矩M'max,EM，在考虑内燃机的转矩的界限的情况下（还）可以满足所请求的转矩Mdem。
例如，最小转矩M'min,EM作为在所请求的转矩Mdem与最大转矩Mmax,ICE之间的差而得出，其中所述差被限制到在电机的最小可能的转矩Mmin,EM与电机的最大转矩Mmax,EM之间的值上。
例如，针对所请求的正转矩Mdem，最大转矩M'max,EM作为在所请求的转矩Mdem与最小转矩Mmin,ICE之间的差而得出，其中所述差被限制到在电机的最小可能的转矩Mmin,EM与电机的最大转矩Mmax,EM之间的值上。
进一步地例如，针对所请求的负转矩Mdem，最大转矩M'max,EM作为所请求的转矩Mdem而得出，所述所请求的转矩Mdem被限制到在电机的最小可能的转矩Mmin,EM与电机的最大转矩Mmax,EM之间的值上。
在这种情况下，可设想的是，也考虑储能系统的可能的充电状态和/或同一储能系统的可能的改变，因为该充电状态也可能对由电机可输出的转矩有影响。而对于内燃机，典型地适用的是针对转矩的技术上引起的界限。
那么，借助人工神经网络200（如在图2中已示出和在上文已更详细地被阐述的那样），可以处理或考虑运行界限M'min,EM和M'max,EM以及储能系统的充电状态的（所期望的和/或实际上的）改变ΔSOC、内燃机的（当前）转速n和所请求的转矩Mdem，以便获得尽可能最优的运行策略B，如这在开头同样已经更详细地被阐述的那样。
借助该物理模型，因此可以给人工神经网络200预先给定（受限制的）求解空间，使得可能的物理上或技术上不可满足的解已经一开始就被排除或者至少变得更不可能。
这样测定的或获得的运行策略B在此尤其是包括所请求的转矩Mdem到电机和内燃机上的分配。在此也可设想的是，总共例如产生比所请求的转矩更高的转矩，但是过剩的转矩被用于给储能系统或相对应的电池组充电。
随后，要再次概括所建议的行为方式，以及要阐述进行深入化的方面。基于电机和内燃机的不同的应用场景的燃料效率结果，尤其是也针对不同的行驶循环，可以训练该方法的具有人工智能的部分（也就是人工神经网络200）。那么，具有训练数据的人工神经网络200被扩展了可塑节点230或被扩展了所谓的可塑性，使得接着特别简单和高效地在车辆运行期间可以确定在电机与内燃机之间的最优的转矩分配。
由物理模型和基于人工智能的模型构成的组合式方法可以被使用，以便覆盖所有场景。物理模型要被使用，以便确定系统中的（多个）电机的最大和最小可能的转矩或相对应的功率，以便满足行驶要求。

Claims (13)

1.一种用于运行车辆（100）的方法，所述车辆（100）具有传动系（101），所述传动系（101）具有多个驱动单元（130，140），所述多个驱动单元（130，140）中的至少一个驱动单元构造为电机，并且所述车辆（100）具有针对构造为电机的所述驱动单元（140）的储能系统（150），
其中借助人工神经网络（200），测定针对所述传动系（101）的运行策略（B），在所述人工神经网络（200）中，至少部分地设置有可塑节点（230），和
其中所述传动系（101）根据所述运行策略（B）运行。
2.根据权利要求1所述的方法，其中，至少鉴于所述可塑节点（230），基于过去的运行策略和/或运行数据来训练所述人工神经网络（200）。
3.根据权利要求1或者2所述的方法，其中，借助所述人工神经网络（200），在优化传动系（101）和储能单元（150）的能量效率的情况下，测定针对所述传动系的所述运行策略（B）。
4.根据上述权利要求中任一项所述的方法，其中，借助所述人工神经网络（200），并且此外还借助物理模型（ModPhys），测定针对所述传动系（101）的所述运行策略（B），在所述物理模型（ModPhys）中，描绘所述传动系（101）。
5.根据权利要求4所述的方法，其中，在所述传动系（101）根据借助所述人工神经网络（200）所测定的运行策略（B）运行之前，借助所述物理模型（ModPhys）适配针对所述传动系的所述借助所述人工神经网络（200）所测定的运行策略（B）。
6.根据权利要求4或者5所述的方法，其中，借助所述人工神经网络（200），并且在考虑针对要使用的所述驱动单元的运行界限的情况下，和在考虑所述储能系统（150）的充电状态和/或所述充电状态的改变（ΔSOC）的情况下，测定针对所述传动系（101）的所述运行策略（B），所述运行界限借助所述物理模型（ModPhys）并且尤其是基于针对所述传动系（101）所请求的转矩（Mdem）来测定。
7.根据上述权利要求中任一项所述的方法，其中，所述多个驱动单元之一构造为内燃机。
8.根据上述权利要求中任一项所述的方法，其中，所述借助所述人工神经网络（200）所测定的运行策略（B）包括转矩到所述多个驱动单元上的分配。
9.一种用于创建人工神经网络（200）或者计算单元（180）的方法，所述人工神经网络（200）用于使用在根据上述权利要求中任一项所述的方法中，所述计算单元（180）用于执行根据上述权利要求中任一项所述的方法，
其中，首先，基于涉及传动系（101）和/或储能单元（150）的能量效率的过去的运行策略和/或运行数据，训练人工神经网络（200），和
其中，所述人工神经网络（200）紧接着被扩展了可塑节点（230）。
10.一种计算单元（180），其设立为，执行根据上述权利要求中任一项所述的方法的所有方法步骤。
11.一种车辆（100），其具有传动系，所述传动系具有多个驱动单元（130，140），所述多个驱动单元（130，140）中的至少一个驱动单元构造为电机，并且所述车辆（100）具有针对构造为电机的所述驱动单元的储能系统（150）和具有根据权利要求10所述的计算单元（180）。
12.一种计算机程序，当在计算单元（180）上实施所述计算机程序时，所述计算机程序促使所述计算单元（180）执行根据权利要求1至9中任一项所述的方法的所有方法步骤。
13.一种机器可读的存储介质，其具有存储在其上的根据权利要求12所述的计算机程序。
CN202110022532.5A 2021-01-08 2021-01-08 用于运行车辆的方法 Pending CN114734980A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110022532.5A CN114734980A (zh) 2021-01-08 2021-01-08 用于运行车辆的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110022532.5A CN114734980A (zh) 2021-01-08 2021-01-08 用于运行车辆的方法

Publications (1)

Publication Number Publication Date
CN114734980A true CN114734980A (zh) 2022-07-12

Family

ID=82274011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110022532.5A Pending CN114734980A (zh) 2021-01-08 2021-01-08 用于运行车辆的方法

Country Status (1)

Country Link
CN (1) CN114734980A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111376739A (zh) * 2018-12-27 2020-07-07 罗伯特·博世有限公司 用于运行车辆的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111376739A (zh) * 2018-12-27 2020-07-07 罗伯特·博世有限公司 用于运行车辆的方法

Similar Documents

Publication Publication Date Title
Liu et al. Optimal power management based on Q-learning and neuro-dynamic programming for plug-in hybrid electric vehicles
Liu et al. Online energy management for multimode plug-in hybrid electric vehicles
Tian et al. An ANFIS-based ECMS for energy optimization of parallel hybrid electric bus
Liessner et al. Deep reinforcement learning for advanced energy management of hybrid electric vehicles.
Sinoquet et al. Design optimization and optimal control for hybrid vehicles
Murphey et al. Intelligent hybrid vehicle power control—Part II: Online intelligent energy management
Xiang et al. MPC-based energy management with adaptive Markov-chain prediction for a dual-mode hybrid electric vehicle
Li et al. Power management for a plug-in hybrid electric vehicle based on reinforcement learning with continuous state and action spaces
Guo et al. Model predictive iterative learning control for energy management of plug-in hybrid electric vehicle
CN113479186B (zh) 一种混合动力汽车能量管理策略优化方法
JP2012502832A (ja) 自動車内の原動機駆動装置の設定方法
CN112498334B (zh) 智能网联混合动力汽车的鲁棒能量管理方法及系统
Josevski et al. Energy management of parallel hybrid electric vehicles based on stochastic model predictive control
Park et al. Intelligent energy management and optimization in a hybridized all-terrain vehicle with simple on–off control of the internal combustion engine
Saiteja et al. Critical review on optimal regenerative braking control system architecture, calibration parameters and development challenges for EVs
WO2022013416A1 (de) Verfahren zum betreiben eines fahrzeugs
Rahmeh et al. Fuzzy logic vs equivalent consumption minimization strategy for energy management in P2 hybrid electric vehicles
Joševski et al. Gear shifting and engine on/off optimal control in hybrid electric vehicles using partial outer convexification
CN114734980A (zh) 用于运行车辆的方法
Lange et al. A new, systematic approach to determine the global energy optimum of a hybrid vehicle
Sampathnarayanan et al. Model predictive control as an energy management strategy for hybrid electric vehicles
CN111376739A (zh) 用于运行车辆的方法
US20220258723A1 (en) Motion and torque control architecture for mobile platform having distributed torque actuators
Schmitt et al. Real-time nonlinear model predictive control for the energy management of hybrid electric vehicles in a hierarchical framework
CN112519778B (zh) 汽车驾驶控制方法、汽车驾驶控制设备及存储介质

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