CN115782788B - 一种整车内部需求扭矩协调控制方法及系统 - Google Patents
一种整车内部需求扭矩协调控制方法及系统 Download PDFInfo
- Publication number
- CN115782788B CN115782788B CN202211587011.5A CN202211587011A CN115782788B CN 115782788 B CN115782788 B CN 115782788B CN 202211587011 A CN202211587011 A CN 202211587011A CN 115782788 B CN115782788 B CN 115782788B
- Authority
- CN
- China
- Prior art keywords
- torque
- required torque
- training
- wheel end
- internal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 108
- 238000004364 calculation method Methods 0.000 claims abstract description 55
- 230000007935 neutral effect Effects 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000011065 in-situ storage Methods 0.000 claims abstract description 17
- 239000000446 fuel Substances 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims description 41
- 230000001133 acceleration Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 10
- FXNSVEQMUYPYJS-UHFFFAOYSA-N 4-(2-aminoethyl)benzenesulfonamide Chemical compound NCCC1=CC=C(S(N)(=O)=O)C=C1 FXNSVEQMUYPYJS-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Control Of Transmission Device (AREA)
Abstract
本发明提供一种整车内部需求扭矩协调控制方法及系统，涉及汽车扭矩控制技术领域，利用神经网络对驾驶意图进行预测，在不同驾驶意图下进行油耗最优计算输出驾驶员节油训练需求扭矩、训练后油门以及训练后刹车；当驾驶员轮端需求扭矩、故障轮端需求扭矩、驾驶员节油训练轮端需求扭矩、轮端限制扭矩取小之后得到原始轮端需求扭矩，然后将原始轮端需求扭矩与附件轮端需求扭矩相加得到轮端需求扭矩，最后将轮端需求扭矩除整车速比得到内部扭矩原始值。本发明增加驾驶员节油训练需求扭矩计算模块，解决驾驶员下意识误操作车辆问题，提高整车节油效果；增加空挡需求扭矩计算模块，解决原地车辆驱动部件空转问题，保护发动机。
Description
技术领域
本发明涉及汽车扭矩控制技术领域，尤其涉及一种整车内部需求扭矩协调控制方法及系统。
背景技术
行驶在湿滑路面时，一旦车轮打滑，轮速传感器识别到异常，ESP控制发动机或刹车以减少动力输出，降低扭矩，防止打滑。实现上述效果，现有技术中如专利号CN109878345 A提供了一种车辆扭矩协调控制方法、装置及汽车，该车辆扭矩协调控制方法应用于分布式驱动车辆的整车控制器，该分布式驱动车辆上配置有预先紧急制动系统AEBS，首先确定驾驶员需求扭矩，根据AEBS上传的状态信息及驾驶员需求扭矩，确定车辆纵向总需求扭矩；然后获取车轮对应的电机间的扭矩分配系数，根据扭矩分配系数及车辆纵向总需求扭矩确定各个电机对应的最初需求扭矩；最后计算各个电机对应的维持车辆稳定性需求的补偿扭矩，根据补偿扭矩和最初需求扭矩，确定最终需求扭矩。
该方案仅仅是通过配置ESP系统，来保证车辆主动安全要求，实现的是操纵稳定性和驾驶性能的要求。该方案是冲减少零部件费用的角度降低车辆成本；未考虑驾驶员下意识误操作车辆问题，未考虑误操作加速行驶工况、误操作减速行驶工况，未考虑驾驶员节油训练；该方案还未考虑原地车辆驱动部件空转问题，导致驱动部件空转问题。
现有技术中整车内部需求扭矩计算时首先需要协调驾驶员需求轮端扭矩、故障轮端扭矩、巡航轮端扭矩转换为内部扭矩，然后进行驾驶工况协调。目前技术的驾驶工况是按照油门、刹车原始信号来实现判断的，存在驾驶员误操作导致扭矩突变燃油消耗高问题，也存在原地空挡踩油门导致驱动部件空转问题。
发明内容
为解决上述问题本发明提供一种整车内部需求扭矩协调控制方法，方法增加驾驶员节油训练需求扭矩计算模块，解决驾驶员下意识误操作车辆问题，提高整车节油效果；增加空挡需求扭矩计算模块，解决原地车辆驱动部件空转问题，保护发动机。
方法包括：
S1、利用神经网络对驾驶意图进行预测；
S2、在驾驶意图下进行节油训练；
S3、当驾驶员轮端需求扭矩、故障轮端需求扭矩、驾驶员节油训练轮端需求扭矩、轮端限制扭矩取小之后得到原始轮端需求扭矩，然后将原始轮端需求扭矩与附件轮端需求扭矩相加得到轮端需求扭矩，最后将轮端需求扭矩除整车速比得到内部扭矩原始值；
S4、在选择空挡需求扭矩状态下，计算空挡需求扭矩，实现内部需求扭矩计算。
进一步需要说明的是，步骤S1还包括：
S11：根据影响驾驶意图的因素，设计人工神经网络模型；
S12：采集训练样本，对人工神经网络模型进行训练；
S13：重新采集影响驾驶意图的所有数据，并将所述数据输入训练好的人工神经网络模型中，利用人工神经网络模型计算出驾驶意图。
进一步需要说明的是，驾驶工况划分为：减速行驶、加速行驶、匀速行驶、误操作加速行驶、误操作减速行驶；
影响驾驶意图的因素包括：油门、刹车、坡度、实际挡位、环境温度、车重、大气压力。
进一步需要说明的是，S12中采集油门、刹车、坡度、实际挡位、环境温度、车重、大气压力、车速、加速度作为人工神经网络的训练样本；采集多组训练样本，制作出样本集Xp，其中，下标p＝1，2，3，...，N；
利用样本集Xp对人工神经网络模型进行训练，训练包括前向学习计算，具体包括如下步骤：
①从神经网络模型的输入层向隐含层计算：
隐含层第j个节点来自输入层的总输入为：
其中i表示输入层的节点编号，j表示隐含层的节点编号，xi依次对应输入层的8个输入参数的具体数值，Wij为输入层第i个节点到隐含层第j个节点的权值；
隐含层第j个节点的输出为：
vj＝f(hj)
其中为sigmoid函数；
②从神经网络模型的隐含层向输出层计算：
输出层来自隐含层的总输入为：
其中Wjk为隐含层到输出层的权值，k为输出层节点个数1；
输出层的输出为：
进一步需要说明的是，还包括：误差反向计算，具体包括如下步骤：
①首先定义该人工神经网络模型误差：
其中δ为人工神经网络输出和输出层样本信号的差的平方，Ti为给出的学习样本中车速加速度判断的减速行驶、加速行驶、匀速行驶、误操作加速行驶工况、误操作减速行驶，yk为输出层的输出；
②定义该模型反向学习效率β，该模型训练完成后允许的模型最小误差为γ；
当δ大于等于γ时，则利用β调整初始权值Wij、Wjk，并开始重新进行前向学习过程；一直至δ小于γ满足时，则认为该误差满足要求，停止训练学习，即模型训练完成；
其中，调整初始权值Wij、Wjk采用梯度下降法：
其中为误差函数δ对Wij的负偏导，/>为误差函数δ对Wjk的负偏导；
③权值更新计算
wijn＝Wijn-1+ΔWij
Wjkn＝Wjkn-1+ΔWjk
其中Wijn为权值Wij本次计算结果，Wijn-1为权值Wij上次计算结果；Wjkn为权值Wjk本次计算结果，Wjkn-1为权值Wjk上次计算结果。
进一步需要说明的是，S2还包括：
a)选取车辆运行工况，收集油门、刹车原始值输入训练好的神经网络进行驾驶员意图分类；
b)驾驶员节油训练需求扭矩＝驾驶员轮端需求扭矩原始值×需求扭矩修正系数得到；
c)对需求扭矩修正系数离散化；
d)依次轮询需求扭矩修正系数范围，针对每个修正系数离散点轮询车辆运行工况；
e)在每个工况点进行驾驶员节油训练需求扭矩计算；根据驾驶员节油训练需求扭矩及发动机转速查万有特性表得到当前工况点瞬时油耗；根据实际车速与驾驶工况车速得到实际车速与目标车速的差；
f)当前工况点瞬时油耗在整个车辆运行工况相加得到总油耗；当前工况点实际车速与目标车速的差在整个车辆运行工况相加得到总车速差；
g)当前驾驶工况点是否轮询完，如是则转至h)；如否则返回e)；
h)当前需求扭矩修正系数范围是否轮询完，如是转至i)；如否返回d)；
i)选取总油耗最小、总车速差最小组合的需求扭矩修正系数为最优需求扭矩修正系数；
j)根据驾驶员节油训练需求扭矩＝驾驶员轮端需求扭矩原始值×需求扭矩最优修正系数进行驾驶员节油训练需求扭矩计算；
k)根据驾驶员节油训练需求扭矩进行训练后油门、训练后刹车计算；
按照如下计算：
训练后油门原始值＝油门×需求扭矩修正系数；训练后油门＝max(0,训练后油门原始值)；
训练后刹车原始值＝刹车×需求扭矩修正系数；训练后刹车＝max(0,训练后刹车原始值)。
进一步需要说明的是，步骤b)还包括：
确定需求扭矩修正系数范围；
减速行驶工况、加速行驶工况、匀速行驶工况的需求扭矩修正系数范围在[0.5,1.5]之间；
误操作加速行驶工况、误操作减速行驶工况的需求扭矩修正系数范围在[-1,2]之间。
进一步需要说明的是，S4中的空挡需求扭矩计算步骤如下：
1)判断整车模式是否处于原地状态；如处于原地状态时转步骤2)；否则转6)；
2)判断整车模式是否处于驻车充电模式，如是空挡需求扭矩选择驻车充电模式需求扭矩，如否转3)；
3)判断整车模式是否处于PTO模式，如是空挡需求扭矩选择PTO模式需求扭矩，如否转4)；
4)判断整车模式是否处于原地部件测试模式，如是空挡需求扭矩选择内部需求扭矩原始值，如否转1)；
5)判断整车模式是否处于行车换挡过程中空挡状态，如是空挡需求扭矩选择0，如否转1)。
进一步需要说明的是，步骤S4还包括：当未选择空挡需求扭矩状态，内部需求扭矩则选择内部扭矩原始值。
本发明还提供一种整车内部需求扭矩协调控制系统，系统包括：节油训练需求扭矩计算模块、内部扭矩计算模块、空挡需求扭矩计算模块以及内部扭矩协调模块；
节油训练需求扭矩计算模块用于利用神经网络对驾驶意图进行预测，然后在不同驾驶意图下进行油耗最优计算输出驾驶员节油训练需求扭矩、训练后油门以及训练后刹车；
内部扭矩计算模块用于在驾驶意图下进行节油训练；
空挡需求扭矩计算模块用于当驾驶员轮端需求扭矩、故障轮端需求扭矩、驾驶员节油训练轮端需求扭矩、轮端限制扭矩取小之后得到原始轮端需求扭矩，然后将原始轮端需求扭矩与附件轮端需求扭矩相加得到轮端需求扭矩，最后将轮端需求扭矩除整车速比得到内部扭矩原始值；
内部扭矩协调模块用于在选择空挡需求扭矩状态下，计算空挡需求扭矩，实现内部需求扭矩计算；当未选择空挡需求扭矩状态，则选择内部扭矩原始值。
从以上技术方案可以看出，本发明具有以下优点：
本发明首先在云端进行驾驶员节油训练需求扭矩计算模块计算驾驶员节油训练轮端需求扭矩，然后在车端控制器中内部扭矩计算模块计算内部扭矩原始值，在空挡需求扭矩计算模块计算空挡需求扭矩及选择空挡需求扭矩状态，最后在内部扭矩协调模块实现内部需求扭矩计算。本发明中增加驾驶员节油训练需求扭矩计算模块，解决驾驶员下意识误操作车辆问题，提高整车节油效果；增加空挡需求扭矩计算模块，解决原地车辆驱动部件空转问题，保护发动机。
附图说明
为了更清楚地说明本发明的技术方案，下面将对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的前提下，还可以根据这些附图获得其他的附图。
图1为整车内部需求扭矩协调控制方法流程图；
图2为整车内部需求扭矩协调控制方法实施例示例图。
具体实施方式
本发明提供的整车内部需求扭矩协调控制方法可以基于人工智能技术对关联的数据进行获取和处理。其中，需求扭矩协调控制方法利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
整车内部需求扭矩协调控制方法中既有硬件层面的技术也有软件层面的技术。本发明方法的硬件层面包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。本发明方法的软件技术主要包括计算机视角技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等。
本发明涉及的整车内部需求扭矩协调控制方法利用机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。通过建立相关训练模型，利用油门、刹车、坡度、实际挡位、环境温度、车重、大气压力等数据，实现整车内部需求扭矩协调控制，进而解决驾驶员下意识误操作车辆问题，提高整车节油效果。
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做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。
请参阅图1至2所示是一具体实施例中整车内部需求扭矩协调控制方法的流程图，方法包括：
S1、利用神经网络对驾驶意图进行预测；
这里可以利用云端来进行对驾驶意图进行预测。
利用神经网络对驾驶意图进行预测策略步骤如下：
S11：根据影响驾驶意图的因素，设计人工神经网络模型。
本发明中驾驶工况划分为：减速行驶、加速行驶、匀速行驶、误操作加速行驶、误操作减速行驶。
本发明中影响驾驶工况因素有：油门、刹车、坡度、实际挡位、环境温度、车重、大气压力；因此神经网络输入层节点数为7个；隐含层数1个，隐含层节点数为2个，分别为；车速、加速度；输出层节点个数为5个，分别对应驾驶工况：减速行驶、加速行驶、匀速行驶、误操作加速行驶、误操作减速行驶。
S12：采集训练样本，对人工神经网络模型进行训练。
采集油门、刹车、坡度、实际挡位、环境温度、车重、大气压力、车速、加速度作为人工神经网络的训练样本。
采集多组训练样本，制作出样本集Xp，其中，下标p＝1，2，3，…，N。
利用该样本集Xp对人工神经网络模型进行训练包括：
(1)前向学习；
①从神经网络模型的输入层向隐含层计算：
隐含层第j个节点来自输入层的总输入为
其中i表示输入层的节点编号，j表示隐含层的节点编号，xi依次对应输入层的8个输入参数的具体数值，Wij为输入层第i个节点到隐含层第j个节点的权值。
隐含层第j个节点的输出为
vj＝f(hj)
其中为sigmoid函数。
②从神经网络模型的隐含层向输出层计算：
输出层来自隐含层的总输入为：
其中Wjk为隐含层到输出层的权值，k为输出层节点个数1。
输出层的输出为：
(2)误差反向计算
①首先定义该人工神经网络模型误差：
其中δ为人工神经网络输出和输出层样本信号的差的平方，Ti为给出的学习样本中车速加速度判断的减速行驶、加速行驶、匀速行驶、误操作加速行驶工况、误操作减速行驶，yk为输出层的输出。
本发明中驾驶工况判断规则如下：
减速行驶工况通过一段时间内车速降低、加速度小于减速行驶工况阈值来判断。
加速行驶工况通过一段时间内车速增加、加速度大于加速行驶工况阈值来判断。
匀速行驶工况通过一段时间内车速在匀速行驶车速阈值范围内、加速度在匀速行驶加速度阈值范围内来判断。
误操作加速行驶工况通过一段时间内来处于减速行驶工况或者匀速行驶工况时出现了短暂加速行驶工况情况来判断。
误操作减速行驶工况通过一段时间内来处于加速行驶工况或者匀速行驶工况时出现了短暂减速行驶工况情况来判断。
②定义该模型反向学习效率β，该模型训练完成后允许的模型最小误差为γ。
当δ大于等于γ时，则利用β调整初始权值Wij、Wjk，并开始重新进行前向学习过程；一直至δ小于γ满足时，则认为该误差满足要求，停止训练学习，即模型训练完成。
其中调整初始权值Wij、Wjk采用梯度下降法：
其中为误差函数δ对Wij的负偏导，/>为误差函数δ对Wjk的负偏导。
③权值更新计算
Wijn＝Wijn-1+ΔWij
Wjkn＝Wjkn-1+ΔWjk
其中Wijn为权值Wij本次计算结果，Wijn-1为权值Wij上次计算结果；Wjkn为权值Wjk本次计算结果，Wjkn-1为权值Wjk上次计算结果。每次训练学习，均会调整权值。
S13：重新采集影响驾驶意图的所有数据，并将该数据输入训练好的人工神经网络模型中，利用人工神经网络模型计算出驾驶意图。
S2、在驾驶意图下进行节油训练；
在云端进行驾驶员节油训练需求扭矩的计算。
a)选取车辆运行工况，收集油门、刹车原始值输入训练好的神经网络进行驾驶员意图分类。
b)驾驶员节油训练需求扭矩＝驾驶员轮端需求扭矩原始值×需求扭矩修正系数得到。
首先确定需求扭矩修正系数范围；为简化运算时间，减速行驶工况、加速行驶工况、匀速行驶工况时需求扭矩修正系数范围为[0.5,1.5]之间；误操作加速行驶工况、误操作减速行驶工况时需求扭矩修正系数范围为[-1,2]之间；
c)对需求扭矩修正系数离散化，比如减速行驶工况、加速行驶工况、匀速行驶工况时需求扭矩修正系数范围离散为每隔0.05进行离散，误操作加速行驶工况、误操作减速行驶工况时需求扭矩修正系数为每隔0.01进行离散。
d)依次轮询需求扭矩修正系数范围，针对每个修正系数离散点轮询车辆运行工况。
e)在每个工况点进行驾驶员节油训练需求扭矩计算；根据驾驶员节油训练需求扭矩及发动机转速查万有特性表得到当前工况点瞬时油耗；根据实际车速与驾驶工况车速得到实际车速与目标车速的差。
f)当前工况点瞬时油耗在整个车辆运行工况相加得到总油耗；当前工况点实际车速与目标车速的差在整个车辆运行工况相加得到总车速差。
g)当前驾驶工况点是否轮询完，如是则转至h)；如否则返回e)。
h)当前需求扭矩修正系数范围是否轮询完，如是转至i)；如否返回d)。
i)选取总油耗最小、总车速差最小组合的需求扭矩修正系数为最优需求扭矩修正系数。
j)根据驾驶员节油训练需求扭矩＝驾驶员轮端需求扭矩原始值×需求扭矩最优修正系数进行驾驶员节油训练需求扭矩计算。
k)根据驾驶员节油训练需求扭矩进行训练后油门、训练后刹车计算。
按照如下计算：
训练后油门原始值＝油门×需求扭矩修正系数；训练后油门＝max(0,训练后油门原始值)；
训练后刹车原始值＝刹车×需求扭矩修正系数；训练后刹车＝max(0,训练后刹车原始值)。
S3、当驾驶员轮端需求扭矩、故障轮端需求扭矩、驾驶员节油训练轮端需求扭矩、轮端限制扭矩取小之后得到原始轮端需求扭矩，然后将原始轮端需求扭矩与附件轮端需求扭矩相加得到轮端需求扭矩，最后将轮端需求扭矩除整车速比得到内部扭矩原始值；
本发明中在空挡时整车速比为1，这样在低挡位时会出现计算得到的内部扭矩原始值在空挡过程中会出现扭矩突变情况。
S4、在选择空挡需求扭矩状态下，计算空挡需求扭矩，实现内部需求扭矩计算。
当未选择空挡需求扭矩状态，内部需求扭矩则选择内部扭矩原始值。
空挡需求扭矩计算模块策略步骤如下：
1)判断整车模式是否处于原地状态；如处于原地状态时转步骤2)；否则转6)；
2)判断整车模式是否处于驻车充电模式，如是空挡需求扭矩选择驻车充电模式需求扭矩，如否转3)；
3)判断整车模式是否处于PTO模式，如是空挡需求扭矩选择PTO模式需求扭矩，如否转4)；
4)判断整车模式是否处于原地部件测试模式，如是空挡需求扭矩选择内部需求扭矩原始值，如否转1)；
5)判断整车模式是否处于行车换挡过程中空挡状态，如是空挡需求扭矩选择0，如否转1)；
本发明中原地部件测试模式判断条件为同时满足：车速小于车速静止阈值、实际挡位处于空挡、油门百分比大于油门踩下阈值、原地部件测试计数未超过本驾驶循环测试阈值。
本发明中车速静止阈值为0.5km/h；油门踩下阈值为3％、本驾驶循环原地部件测试阈值为3。
驻车充电模式判断、PTO模式判断、驻车充电模式需求扭矩、PTO模式需求扭矩为现有技术，不再赘述。
基于上述步骤，本发明解决现有技术传统柴油车为了满足驾驶员部件测试习惯，空挡时内部扭矩仍能一直输出扭矩，造成驱动部件空转情况的问题。
以下是本公开实施例提供的整车内部需求扭矩协调控制系统的实施例，该系统与上述各实施例的整车内部需求扭矩协调控制方法属于同一个发明构思，在整车内部需求扭矩协调控制系统的实施例中未详尽描述的细节内容，可以参考上述整车内部需求扭矩协调控制方法的实施例。
系统包括：节油训练需求扭矩计算模块、内部扭矩计算模块、空挡需求扭矩计算模块以及内部扭矩协调模块；
节油训练需求扭矩计算模块用于利用神经网络对驾驶意图进行预测，然后在不同驾驶意图下进行油耗最优计算输出驾驶员节油训练需求扭矩、训练后油门以及训练后刹车；
内部扭矩计算模块用于在驾驶意图下进行节油训练；
空挡需求扭矩计算模块用于当驾驶员轮端需求扭矩、故障轮端需求扭矩、驾驶员节油训练轮端需求扭矩、轮端限制扭矩取小之后得到原始轮端需求扭矩，然后将原始轮端需求扭矩与附件轮端需求扭矩相加得到轮端需求扭矩，最后将轮端需求扭矩除整车速比得到内部扭矩原始值；
内部扭矩协调模块用于在选择空挡需求扭矩状态下，计算空挡需求扭矩，实现内部需求扭矩计算；当未选择空挡需求扭矩状态，则选择内部扭矩原始值。
本发明涉及的整车内部需求扭矩协调控制方法及系统中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本发明涉及的整车内部需求扭矩协调控制方法及系统中，可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或电力服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(示例性的讲利用因特网服务提供商来通过因特网连接)。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种整车内部需求扭矩协调控制方法，其特征在于，方法包括：
S1、利用神经网络对驾驶意图进行预测；
S2、在驾驶意图下进行节油训练；
a)选取车辆运行工况，收集油门、刹车原始值输入训练好的神经网络进行驾驶员意图分类；
b)驾驶员节油训练需求扭矩＝驾驶员轮端需求扭矩原始值×需求扭矩修正系数得到；
c)对需求扭矩修正系数离散化；
d)依次轮询需求扭矩修正系数范围，针对每个修正系数离散点轮询车辆运行工况；
e)在每个工况点进行驾驶员节油训练需求扭矩计算；根据驾驶员节油训练需求扭矩及发动机转速查万有特性表得到当前工况点瞬时油耗；根据实际车速与驾驶工况车速得到实际车速与目标车速的差；
f)当前工况点瞬时油耗在整个车辆运行工况相加得到总油耗；当前工况点实际车速与目标车速的差在整个车辆运行工况相加得到总车速差；
g)当前驾驶工况点是否轮询完，如是则转至h)；如否则返回e)；
h)当前需求扭矩修正系数范围是否轮询完，如是转至i)；如否返回d)；
i)选取总油耗最小、总车速差最小组合的需求扭矩修正系数为最优需求扭矩修正系数；
j)根据驾驶员节油训练需求扭矩＝驾驶员轮端需求扭矩原始值×最优需求扭矩修正系数进行驾驶员节油训练需求扭矩计算；
k)根据驾驶员节油训练需求扭矩进行训练后油门、训练后刹车计算；
按照如下计算：
训练后油门原始值＝油门×需求扭矩修正系数；训练后油门＝max(0,训练后油门原始值)；
训练后刹车原始值＝刹车×需求扭矩修正系数；训练后刹车＝max(0,训练后刹车原始值)；
S3、当驾驶员轮端需求扭矩、故障轮端需求扭矩、驾驶员节油训练需求扭矩、轮端限制扭矩取小之后得到原始轮端需求扭矩，然后将原始轮端需求扭矩与附件轮端需求扭矩相加得到轮端需求扭矩，最后将轮端需求扭矩除整车速比得到内部扭矩原始值；
S4、在选择空挡需求扭矩状态下，计算空挡需求扭矩，实现内部需求扭矩计算；
空挡需求扭矩计算步骤如下：
1)判断整车模式是否处于原地状态；如处于原地状态时转步骤2)；否则转6)；
2)判断整车模式是否处于驻车充电模式，如是空挡需求扭矩选择驻车充电模式需求扭矩，如否转3)；
3)判断整车模式是否处于PTO模式，如是空挡需求扭矩选择PTO模式需求扭矩，如否转4)；
4)判断整车模式是否处于原地部件测试模式，如是空挡需求扭矩选择内部需求扭矩原始值，如否转1)；
5)判断整车模式是否处于行车换挡过程中空挡状态，如是空挡需求扭矩选择0，如否转1)。
2.根据权利要求1所述的整车内部需求扭矩协调控制方法，其特征在于，
步骤S1还包括：
S11：根据影响驾驶意图的因素，设计人工神经网络模型；
S12：采集训练样本，对人工神经网络模型进行训练；
S13：重新采集影响驾驶意图的所有数据，并将所述数据输入训练好的人工神经网络模型中，利用人工神经网络模型计算出驾驶意图。
3.根据权利要求2所述的整车内部需求扭矩协调控制方法，其特征在于，
驾驶工况划分为：减速行驶、加速行驶、匀速行驶、误操作加速行驶、误操作减速行驶；
影响驾驶意图的因素包括：油门、刹车、坡度、实际挡位、环境温度、车重、大气压力。
4.根据权利要求3所述的整车内部需求扭矩协调控制方法，其特征在于，
S12中采集油门、刹车、坡度、实际挡位、环境温度、车重、大气压力、车速、加速度作为人工神经网络的训练样本；采集多组训练样本，制作出样本集Xp，其中，下标p＝1，2，3，…，N；
利用样本集Xp对人工神经网络模型进行训练，训练包括前向学习计算，具体包括如下步骤：
①从神经网络模型的输入层向隐含层计算：
隐含层第j个节点来自输入层的总输入为：
其中i表示输入层的节点编号，j表示隐含层的节点编号，xi依次对应输入层的8个输入参数的具体数值，Wij为输入层第i个节点到隐含层第j个节点的权值；
隐含层第j个节点的输出为：
vj＝f(hj)
其中为sigmoid函数；
②从神经网络模型的隐含层向输出层计算：
输出层来自隐含层的总输入为：
其中Wjk为隐含层到输出层的权值，k为输出层节点个数1；
输出层的输出为：
5.根据权利要求4所述的整车内部需求扭矩协调控制方法，其特征在于，
还包括：误差反向计算，具体包括如下步骤：
①首先定义该人工神经网络模型误差：
其中δ为人工神经网络输出和输出层样本信号的差的平方，Ti为给出的学习样本中车速加速度判断的减速行驶、加速行驶、匀速行驶、误操作加速行驶工况、误操作减速行驶，yk为输出层的输出；
②定义该模型反向学习效率β，该模型训练完成后允许的模型最小误差为γ；
当δ大于等于γ时，则利用β调整初始权值Wij、Wjk，并开始重新进行前向学习过程；一直至δ小于γ满足时，则认为该误差满足要求，停止训练学习，即模型训练完成；
其中，调整初始权值Wij、Wjk采用梯度下降法：
其中为误差函数δ对Wij的负偏导，/>为误差函数δ对Wjk的负偏导；
③权值更新计算
Wijn＝Wijn-1+ΔWij
Wjkn＝Wjkn-1+ΔWjk
其中Wijn为权值Wij本次计算结果，Wijn-1为权值Wij上次计算结果；Wjkn为权值Wjk本次计算结果，Wjkn-1为权值Wjk上次计算结果。
6.根据权利要求1所述的整车内部需求扭矩协调控制方法，其特征在于，
步骤b)还包括：
确定需求扭矩修正系数范围；
减速行驶工况、加速行驶工况、匀速行驶工况的需求扭矩修正系数范围在[0.5，1.5]之间；
误操作加速行驶工况、误操作减速行驶工况的需求扭矩修正系数范围在[-1，2]之间。
7.根据权利要求1所述的整车内部需求扭矩协调控制方法，其特征在于，
步骤S4还包括：当未选择空挡需求扭矩状态，内部需求扭矩则选择内部扭矩原始值。
8.一种整车内部需求扭矩协调控制系统，其特征在于，系统采用如权利要求1至7任意一项所述的整车内部需求扭矩协调控制方法；系统包括：节油训练需求扭矩计算模块、内部扭矩计算模块、空挡需求扭矩计算模块以及内部扭矩协调模块；
节油训练需求扭矩计算模块用于利用神经网络对驾驶意图进行预测，然后在不同驾驶意图下进行油耗最优计算输出驾驶员节油训练需求扭矩、训练后油门以及训练后刹车；
内部扭矩计算模块用于在驾驶意图下进行节油训练；
空挡需求扭矩计算模块用于当驾驶员轮端需求扭矩、故障轮端需求扭矩、驾驶员节油训练需求扭矩、轮端限制扭矩取小之后得到原始轮端需求扭矩，然后将原始轮端需求扭矩与附件轮端需求扭矩相加得到轮端需求扭矩，最后将轮端需求扭矩除整车速比得到内部扭矩原始值；
内部扭矩协调模块用于在选择空挡需求扭矩状态下，计算空挡需求扭矩，实现内部需求扭矩计算；当未选择空挡需求扭矩状态，则选择内部扭矩原始值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211587011.5A CN115782788B (zh) | 2022-12-11 | 2022-12-11 | 一种整车内部需求扭矩协调控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211587011.5A CN115782788B (zh) | 2022-12-11 | 2022-12-11 | 一种整车内部需求扭矩协调控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115782788A CN115782788A (zh) | 2023-03-14 |
| CN115782788B true CN115782788B (zh) | 2024-04-12 |
Family
ID=85418583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211587011.5A Active CN115782788B (zh) | 2022-12-11 | 2022-12-11 | 一种整车内部需求扭矩协调控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115782788B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118277755B (zh) * | 2024-05-31 | 2024-09-10 | 中环汽研(北京)低碳科技有限公司 | 一种车辆发动机燃油类别识别方法、装置和设备 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002221059A (ja) * | 2001-01-26 | 2002-08-09 | Denso Corp | エンジン制御装置 |
| JP2003278573A (ja) * | 2002-03-22 | 2003-10-02 | Miyama Kk | 車両運転状態評価システム |
| EP1378647A1 (fr) * | 2002-07-04 | 2004-01-07 | Peugeot Citroen Automobiles S.A. | Régulation du couple en décélération d'un moteur thermique de véhicule comportant un dispositif de transmission continue de puissance (CVT) |
| WO2010013617A1 (ja) * | 2008-07-31 | 2010-02-04 | 富士通テン株式会社 | 省燃費運転診断装置、省燃費運転診断システム、電気駆動装置の制御装置、省燃費運転採点装置及び省燃費運転診断方法 |
| CN102686466A (zh) * | 2009-10-14 | 2012-09-19 | 日产自动车株式会社 | 混合动力车辆的控制装置 |
| KR20130134560A (ko) * | 2012-05-31 | 2013-12-10 | 쌍용자동차 주식회사 | 차량의 자동 차량 홀드 작동 시 연료절감방법 |
| JP2014156140A (ja) * | 2013-02-14 | 2014-08-28 | Fuji Heavy Ind Ltd | アクセルペダルの誤操作制御装置 |
| CN104254469A (zh) * | 2012-04-27 | 2014-12-31 | 奥迪股份公司 | 用于运行具有空转动力装置关闭功能的机动车驱动传动系的方法、控制器以及机动车 |
| CN107433947A (zh) * | 2016-05-25 | 2017-12-05 | 比亚迪股份有限公司 | 车辆爆胎时的控制方法、车辆控制系统和车辆 |
| US10166988B1 (en) * | 2017-12-04 | 2019-01-01 | GM Global Technology Operations LLC | Method and apparatus for controlling an internal combustion engine |
| CN109849916A (zh) * | 2018-12-19 | 2019-06-07 | 李克 | 车辆行驶状态监控方法及装置 |
| CN109878345A (zh) * | 2019-03-13 | 2019-06-14 | 浙江吉利新能源商用车集团有限公司 | 车辆扭矩协调控制方法、装置及汽车 |
| CN110486017A (zh) * | 2019-08-30 | 2019-11-22 | 西安建筑科技大学 | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 |
| WO2020253676A1 (zh) * | 2019-06-20 | 2020-12-24 | 长城汽车股份有限公司 | 车速控制方法和系统 |
| CN112693298A (zh) * | 2021-01-29 | 2021-04-23 | 中国重汽集团济南动力有限公司 | 一种双电机可分离2挡amt电驱桥总成控制系统及方法 |
| CN113276858A (zh) * | 2021-05-13 | 2021-08-20 | 际络科技(上海)有限公司 | 一种节油驾驶控制方法及装置、计算设备和存储介质 |
| GB202208921D0 (en) * | 2022-06-17 | 2022-08-10 | Jaguar Land Rover Ltd | Control of hybrid vehicle engine idling torque |
| CN115158037A (zh) * | 2022-09-06 | 2022-10-11 | 中国重汽集团济南动力有限公司 | 一种电动汽车四轮驱动电机扭矩分配方法及系统 |
| CN115230715A (zh) * | 2022-07-29 | 2022-10-25 | 中国第一汽车股份有限公司 | 变道预测方法、装置、非易失性存储介质及计算机设备 |
| CN115257749A (zh) * | 2022-07-22 | 2022-11-01 | 联陆智能交通科技(上海)有限公司 | 动力车辆起步及模式切换动态过程的协调控制方法和系统 |
| CN115257750A (zh) * | 2022-07-25 | 2022-11-01 | 联陆智能交通科技(上海)有限公司 | 插电式混合动力车辆起步控制方法及系统 |
| CN217761948U (zh) * | 2022-08-09 | 2022-11-08 | 中国重汽集团济南动力有限公司 | 一种带摩擦片的活塞推动式差速器锁止结构 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5783976B2 (ja) * | 2012-08-30 | 2015-09-24 | 本田技研工業株式会社 | 内燃機関の制御装置 |
| US11845464B2 (en) * | 2020-11-12 | 2023-12-19 | Honda Motor Co., Ltd. | Driver behavior risk assessment and pedestrian awareness |
| EP4101705A1 (en) * | 2021-06-08 | 2022-12-14 | Volvo Truck Corporation | Energy management system for a motor vehicle and method for managing energy in a motor vehicle |
-
2022
- 2022-12-11 CN CN202211587011.5A patent/CN115782788B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002221059A (ja) * | 2001-01-26 | 2002-08-09 | Denso Corp | エンジン制御装置 |
| JP2003278573A (ja) * | 2002-03-22 | 2003-10-02 | Miyama Kk | 車両運転状態評価システム |
| EP1378647A1 (fr) * | 2002-07-04 | 2004-01-07 | Peugeot Citroen Automobiles S.A. | Régulation du couple en décélération d'un moteur thermique de véhicule comportant un dispositif de transmission continue de puissance (CVT) |
| WO2010013617A1 (ja) * | 2008-07-31 | 2010-02-04 | 富士通テン株式会社 | 省燃費運転診断装置、省燃費運転診断システム、電気駆動装置の制御装置、省燃費運転採点装置及び省燃費運転診断方法 |
| CN102686466A (zh) * | 2009-10-14 | 2012-09-19 | 日产自动车株式会社 | 混合动力车辆的控制装置 |
| CN104254469A (zh) * | 2012-04-27 | 2014-12-31 | 奥迪股份公司 | 用于运行具有空转动力装置关闭功能的机动车驱动传动系的方法、控制器以及机动车 |
| KR20130134560A (ko) * | 2012-05-31 | 2013-12-10 | 쌍용자동차 주식회사 | 차량의 자동 차량 홀드 작동 시 연료절감방법 |
| JP2014156140A (ja) * | 2013-02-14 | 2014-08-28 | Fuji Heavy Ind Ltd | アクセルペダルの誤操作制御装置 |
| CN107433947A (zh) * | 2016-05-25 | 2017-12-05 | 比亚迪股份有限公司 | 车辆爆胎时的控制方法、车辆控制系统和车辆 |
| US10166988B1 (en) * | 2017-12-04 | 2019-01-01 | GM Global Technology Operations LLC | Method and apparatus for controlling an internal combustion engine |
| CN109849916A (zh) * | 2018-12-19 | 2019-06-07 | 李克 | 车辆行驶状态监控方法及装置 |
| CN109878345A (zh) * | 2019-03-13 | 2019-06-14 | 浙江吉利新能源商用车集团有限公司 | 车辆扭矩协调控制方法、装置及汽车 |
| WO2020253676A1 (zh) * | 2019-06-20 | 2020-12-24 | 长城汽车股份有限公司 | 车速控制方法和系统 |
| CN110486017A (zh) * | 2019-08-30 | 2019-11-22 | 西安建筑科技大学 | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 |
| CN112693298A (zh) * | 2021-01-29 | 2021-04-23 | 中国重汽集团济南动力有限公司 | 一种双电机可分离2挡amt电驱桥总成控制系统及方法 |
| CN113276858A (zh) * | 2021-05-13 | 2021-08-20 | 际络科技(上海)有限公司 | 一种节油驾驶控制方法及装置、计算设备和存储介质 |
| GB202208921D0 (en) * | 2022-06-17 | 2022-08-10 | Jaguar Land Rover Ltd | Control of hybrid vehicle engine idling torque |
| CN115257749A (zh) * | 2022-07-22 | 2022-11-01 | 联陆智能交通科技(上海)有限公司 | 动力车辆起步及模式切换动态过程的协调控制方法和系统 |
| CN115257750A (zh) * | 2022-07-25 | 2022-11-01 | 联陆智能交通科技(上海)有限公司 | 插电式混合动力车辆起步控制方法及系统 |
| CN115230715A (zh) * | 2022-07-29 | 2022-10-25 | 中国第一汽车股份有限公司 | 变道预测方法、装置、非易失性存储介质及计算机设备 |
| CN217761948U (zh) * | 2022-08-09 | 2022-11-08 | 中国重汽集团济南动力有限公司 | 一种带摩擦片的活塞推动式差速器锁止结构 |
| CN115158037A (zh) * | 2022-09-06 | 2022-10-11 | 中国重汽集团济南动力有限公司 | 一种电动汽车四轮驱动电机扭矩分配方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 基于神经网络的驾驶行为与油耗相关性分析;高涛;王钊;丁伟东;倪策;赵祥模;;计算机与数字工程;20170520(第05期);第17-20+74页 * |
| 基于驾驶意图识别的DCT模糊换挡控制策略研究;丁华;徐聪;;机电工程;20180620(第06期);第60-64页 * |
| 基于驾驶意图识别的混合动力汽车控制策略;王庆年;唐先智;王鹏宇;孙磊;;吉林大学学报(工学版);20120715(第04期);第6-12页 * |
| 增程式电动汽车复合式蓄能系统能量管理策略研究;刘耕辰;张建武;;青岛科技大学学报(自然科学版);20160615(第03期);第90-96页 * |
| 速比离散型车辆加速-滑行式节油巡航策略;徐少兵;刘学冬;李升波;杜雪瑾;林庆峰;成波;;机械工程学报;20170720(第14期);第63-72页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115782788A (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111439260B (zh) | 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 | |
| US11710356B2 (en) | Systems and methods for a virtual refuse vehicle | |
| CN107300863B (zh) | 一种基于map图和在线标定的纵向加速度控制方法 | |
| US11107002B2 (en) | Reinforcement learning based ground vehicle control techniques | |
| JP2974440B2 (ja) | 自動車総合制御装置 | |
| CN113085858A (zh) | 车辆速度跟踪控制方法、装置、设备及存储介质 | |
| CN101630144B (zh) | 电子节气门的自学习逆模型控制方法 | |
| Kang et al. | Coordinated vehicle traction control based on engine torque and brake pressure under complicated road conditions | |
| CN115782788B (zh) | 一种整车内部需求扭矩协调控制方法及系统 | |
| CN104144836B (zh) | 用于提供驾驶员反馈的方法和装置 | |
| CN107203134A (zh) | 一种基于深度卷积神经网络的前车跟随方法 | |
| CN113103972B (zh) | 车辆用控制数据的生成方法及装置、车辆用控制装置及系统和存储介质 | |
| CN112693458B (zh) | 一种巡航控制方法、装置、车辆及存储介质 | |
| CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
| CN111597750A (zh) | 一种基于bp神经网络的混合动力汽车能量管理方法 | |
| Wei | Modeling and control of a hybrid electric drivetrain for optimum fuel economy, performance and driveability | |
| CN113044037A (zh) | 智能汽车的控制方法、装置和控制系统 | |
| CN113006951A (zh) | 车辆用控制数据的生成方法、车辆用控制装置、车辆用控制系统以及车辆用学习装置 | |
| CN110162910A (zh) | 一种基于物联网技术的坡起优化方法 | |
| JP2021116781A (ja) | 車両制御方法、車両用制御装置及びサーバ | |
| JP2021127070A (ja) | 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置 | |
| JP2009129366A (ja) | 車両の感性推定システム | |
| Park et al. | Deep reinforcement learning based dynamic proportional-integral (PI) gain auto-tuning method for a robot driver system | |
| Khoudari et al. | Reducing detailed vehicle energy dynamics to physics-like models | |
| CN113034911A (zh) | 一种兼具参数与结构异质性的车辆队列控制方法和系统 |
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 |