CN116442970B - 一种车辆制动控制方法及装置 - Google Patents
一种车辆制动控制方法及装置 Download PDFInfo
- Publication number
- CN116442970B CN116442970B CN202310730963.6A CN202310730963A CN116442970B CN 116442970 B CN116442970 B CN 116442970B CN 202310730963 A CN202310730963 A CN 202310730963A CN 116442970 B CN116442970 B CN 116442970B
- Authority
- CN
- China
- Prior art keywords
- braking
- vehicle
- composite
- sample set
- target
- 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 74
- 239000002131 composite material Substances 0.000 claims abstract description 82
- 238000011217 control strategy Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 42
- 238000005070 sampling Methods 0.000 claims description 39
- 238000005457 optimization Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000011084 recovery Methods 0.000 abstract description 10
- 230000001172 regenerating effect Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 208000019901 Anxiety disease Diseases 0.000 description 5
- 230000036506 anxiety Effects 0.000 description 5
- 150000001875 compounds Chemical class 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T13/00—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems
- B60T13/10—Transmitting braking action from initiating means to ultimate brake actuator with power assistance or drive; Brake systems incorporating such transmitting means, e.g. air-pressure brake systems with fluid assistance, drive, or release
- B60T13/58—Combined or convertible systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L7/00—Electrodynamic brake systems for vehicles in general
- B60L7/10—Dynamic electric regenerative braking
- B60L7/18—Controlling the braking effect
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2270/00—Further aspects of brake control systems not otherwise provided for
- B60T2270/60—Regenerative braking
-
- 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)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Power Engineering (AREA)
- Regulating Braking Force (AREA)
Abstract
本申请提供一种车辆制动控制方法及装置,该方法包括:构建目标车辆对应的制动工况数据空间;根据制动工况数据空间获取训练样本集合;构建原始RBF神经网络模型;通过训练样本集合,对原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型;将复合制动控制策略模型发送至目标车辆的车端控制器,以使车端控制器根据复合制动控制策略模型对目标车辆进行复合制动系统的协调控制。可见,该方法及装置能够对复合制动系统进行协调控制,从而提高制动能量回收率,并提升经济性,进而有利于提升用户使用体验度。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种车辆制动控制方法及装置。
背景技术
电动汽车是一种成本更低且能量转换效率更高的新能源汽车。纯电动汽车制动力由再生制动系统和液压制动系统共同提供,二者共同构成了纯电动汽车的复合制动系统。在时间中发现,由于复合制动系统结构形式的限制,再生制动系统与液压制定系统缺乏协调控制,总制动力大于驾驶员的制动需求,且现有技术中,为防止驱动轮过早抱死,再生制动力在很大程度上被限制,从而导致制动能量回收率较低,经济性差。可见,现有方法中,复合制动系统缺乏协调控制,从而导致制动能量回收率较低,经济性差,降低了用户使用体验度。
发明内容
本申请实施例的目的在于提供一种车辆制动控制方法及装置,能够对复合制动系统进行协调控制,从而提高制动能量回收率,并提升经济性,进而有利于提升用户使用体验度。
本申请实施例第一方面提供了一种车辆制动控制方法,应用于云端服务器,包括:
构建目标车辆对应的制动工况数据空间;
根据所述制动工况数据空间获取训练样本集合;
构建原始RBF神经网络模型;
通过所述训练样本集合,对所述原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型;
将所述复合制动控制策略模型发送至所述目标车辆的车端控制器,以使所述车端控制器根据所述复合制动控制策略模型对所述目标车辆进行复合制动系统的协调控制。
在上述实现过程中,该方法可以优先构建目标车辆对应的制动工况数据空间;然后根据制动工况数据空间获取训练样本集合,并构建原始RBF神经网络模型;此时,通过训练样本集合,对原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型;最后,再将复合制动控制策略模型发送至目标车辆的车端控制器,以使车端控制器根据复合制动控制策略模型对目标车辆进行复合制动系统的协调控制。可见,该方法能够对复合制动系统进行协调控制,从而提高制动能量回收率,并提升经济性,进而有利于提升用户使用体验度。
进一步地,所述构建目标车辆对应的制动工况数据空间,包括:
获取目标车辆通过车端控制器上传的车辆制动数据;其中,所述车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度;
根据所述车辆制动数据构建制动工况数据空间。
进一步地,所述根据所述制动工况数据空间获取训练样本集合,包括:
对所述制动工况数据空间进行试验设计样本采集,得到采样点集合;
为所述采样点集合中每个采样点分配经济性权重因子和制动稳定性权重因子,得到目标样本集合;
构建基于制动稳定性与经济性的多目标优化模型;
通过所述多目标优化模型和所述目标样本集合,计算所述目标样本集合中每个采样点对应的最优结果对;
汇总所述采样点集合和所述最优结果对,得到训练样本集合。
进一步地,所述通过所述训练样本集合,对所述原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型,包括:
以所述训练样本集合中的采样点为所述原始RBF神经网络模型的输入,以及以所述最优结果对为所述原始RBF神经网络模型的输出,对所述原始RBF神经网络模型进行训练,得到复合制动控制策略模型。
本申请实施例第二方面提供了一种车辆制动控制方法,应用于车端控制器,包括:
获取目标车辆的车辆制动数据;其中,所述车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度;
将所述车辆制动数据上传至云端服务器;
接收所述云端服务器根据所述车辆制动数据构建的复合制动控制策略模型;
根据所述复合制动控制策略模型确定车辆制动控制策略;
根据所述车辆制动控制策略对所述目标车辆进行复合制动系统的协调控制。
在上述实现过程中,该方法可以优先获取目标车辆包括车辆制动时的电池电量、车辆制动时的车速和制动强度的车辆制动数据;然后,将车辆制动数据上传至云端服务器,并接收云端服务器根据车辆制动数据构建的复合制动控制策略模型;再后,根据复合制动控制策略模型确定车辆制动控制策略;最后,再根据车辆制动控制策略对目标车辆进行复合制动系统的协调控制。可见,该方法能够对复合制动系统进行协调控制,从而提高制动能量回收率,并提升经济性,进而有利于提升用户使用体验度。
本申请实施例第三方面提供了一种车辆制动控制装置,所述车辆制动控制装置应用于云端服务器,所述车辆制动控制装置包括:
第一构建单元,用于构建目标车辆对应的制动工况数据空间;
获取单元,用于根据所述制动工况数据空间获取训练样本集合;
第二构建单元,用于构建原始RBF神经网络模型;
训练单元,用于通过所述训练样本集合,对所述原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型;
发送单元,用于将所述复合制动控制策略模型发送至所述目标车辆的车端控制器,以使所述车端控制器根据所述复合制动控制策略模型对所述目标车辆进行复合制动系统的协调控制。
在上述实现过程中,该装置可以通过第一构建单元构建目标车辆对应的制动工况数据空间;通过获取单元来根据制动工况数据空间获取训练样本集合;通过第二构建单元构建原始RBF神经网络模型;通过训练单元来通过训练样本集合,对原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型;再通过发送单元将复合制动控制策略模型发送至目标车辆的车端控制器,以使车端控制器根据复合制动控制策略模型对目标车辆进行复合制动系统的协调控制。可见,该装置能够对复合制动系统进行协调控制,从而提高制动能量回收率,并提升经济性,进而有利于提升用户使用体验度。
进一步地,所述第一构建单元包括:
获取子单元,用于获取目标车辆通过车端控制器上传的车辆制动数据;其中,所述车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度;
第一构建子单元,用于根据所述车辆制动数据构建制动工况数据空间。
进一步地,所述获取单元包括:
采集子单元,用于通过拉丁超立方法对所述制动工况数据空间进行试验设计样本采集,得到采样点集合;
分配子单元,用于为所述采样点集合中每个采样点分配经济性权重因子和制动稳定性权重因子,得到目标样本集合;
第二构建子单元,用于构建基于制动稳定性与经济性的多目标优化模型;
计算子单元,用于通过所述多目标优化模型和所述目标样本集合,计算所述目标样本集合中每个采样点对应的最优结果对;
汇总子单元,用于汇总所述采样点集合和所述最优结果对,得到训练样本集合。
进一步地,所述训练单元,具体用于以所述训练样本集合中的采样点为所述原始RBF神经网络模型的输入,以及以所述最优结果对为所述原始RBF神经网络模型的输出,对所述原始RBF神经网络模型进行训练,得到复合制动控制策略模型。
本申请实施例第四方面提供了一种车辆制动控制装置,所述车辆制动控制装置应用于车端控制器,包括:
获取单元,用于获取目标车辆的车辆制动数据;其中,所述车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度;
上传单元,用于将所述车辆制动数据上传至云端服务器;
接收单元,用于接收所述云端服务器根据所述车辆制动数据构建的复合制动控制策略模型;
确定单元,用于根据所述复合制动控制策略模型确定车辆制动控制策略;
控制单元,用于根据所述车辆制动控制策略对所述目标车辆进行复合制动系统的协调控制。
在上述实现过程中,该装置可以通过获取单元获取目标车辆的包括车辆制动时的电池电量、车辆制动时的车速和制动强度的车辆制动数据;通过上传单元将车辆制动数据上传至云端服务器;通过接收单元接收云端服务器根据车辆制动数据构建的复合制动控制策略模型;通过确定单元来根据复合制动控制策略模型确定车辆制动控制策略;再通过控制单元来根据车辆制动控制策略对目标车辆进行复合制动系统的协调控制。可见,该装置能够对复合制动系统进行协调控制,从而提高制动能量回收率,并提升经济性,进而有利于提升用户使用体验度。
本申请实施例第五方面提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的车辆制动控制方法。
本申请实施例第六方面提供了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本申请实施例第一方面中任一项所述的车辆制动控制方法。
本申请的有益效果为:该车辆制动控制方法及装置能够对复合制动系统进行协调控制,从而提高制动能量回收率,并提升经济性,进而有利于提升用户使用体验度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的一种车辆制动控制方法的流程示意图;
图2为本申请实施例提供的另一种车辆制动控制方法的流程示意图;
图3为本申请实施例提供的又一种车辆制动控制方法的流程示意图;
图4为本申请实施例提供的一种车辆制动控制装置的结构示意图;
图5为本申请实施例提供的另一种车辆制动控制装置的结构示意图;
图6为本申请实施例提供的又一种车辆制动控制装置的结构示意图;
图7为本申请实施例提供的一种车辆制动控制方法的应用框架图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
请参看图1,图1为本实施例提供了一种车辆制动控制方法的流程示意图。其中,该车辆制动控制方法应用于云端服务器,该方法包括:
S101、构建目标车辆对应的制动工况数据空间。
S102、根据制动工况数据空间获取训练样本集合。
S103、构建原始RBF神经网络模型。
S104、通过训练样本集合,对原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型。
S105、将复合制动控制策略模型发送至目标车辆的车端控制器,以使车端控制器根据复合制动控制策略模型对目标车辆进行复合制动系统的协调控制。
本实施例中,该方法利用多目标优化方法,对用户日常行驶时的制动工况空间进行试验设计样本采集。同时,搭建基于经济型与制动稳定性的多目标优化模型,利用单纯形模拟退火算法对采样数据进行寻优,得到最优的再生制动力和前后轮的液压制动力。最后,该方法以采样数据为输入,寻优结果为输出,训练RBF神经网络模型,即为优化的复合制动控制策略模型,最后由云端服务器发送至车端控制器,保证用户在制动过程中既可以更多的回收能量,又能更稳定的对车辆进行制动。
本实施例中,该方法的执行主体可以为计算机、服务器等计算装置,对此本实施例中不作任何限定。
在本实施例中,该方法的执行主体还可以为智能手机、平板电脑等智能设备,对此本实施例中不作任何限定。
可见,实施本实施例所描述的车辆制动控制方法,能够通过多目标优化复合制动策略,使得车辆可以在不同的道路情况下保证前后轮同时抱死,从而提升制动稳定性。同时,还能够在保证总制动力不变的前提下,尽可能多的分配再生制动力,以此提升经济性,从而在同样的能量下能够行驶更远的距离,减少用户的里程焦虑。
实施例2
请参看图2,图2为本实施例提供了一种车辆制动控制方法的流程示意图。其中,该车辆制动控制方法应用于云端服务器,该方法包括:
S201、获取目标车辆通过车端控制器上传的车辆制动数据。
本实施例中,车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度。
S202、根据车辆制动数据构建制动工况数据空间。
本实施例中,车端控制器可以将车辆制动时的SOC、车速v和制动强度z发送到云端服务器,构建制动工况数据空间。
本实施例中,SOC是state-of-charge的简称,SOC指的是汽车电池剩余电量。
S203、对制动工况数据空间进行试验设计样本采集,得到采样点集合。
本实施例中,该方法可以根据拉丁超立方法对制动工况数据空间进行试验设计样本采集,以生成n个样本点(SOC,v,z)。
S204、为采样点集合中每个采样点分配经济性权重因子和制动稳定性权重因子,得到目标样本集合。
本实施例中,该方法可以针对每个样本点分配经济性权重因子和制动稳定性权重因子/>。
在本实施例中,当需求制动扭矩较小且远远小于轮胎抱死所需的扭矩时,可以仅由再生制动扭矩来完成制动过程,由此带来的对制动稳定性的影响可以忽略,此时、。
在本实施例中,当需求制动扭矩适中时,再生制动系统和液压制动系统同时工作,此时车轮依然不易抱死,因此应尽可能优先考虑经济性目标,此时。
在本实施例中,当需求制动扭矩较大时,应更多的关注制动稳定性,在保证制动安全的前提下适当的提高制动能量回收率,此时。
S205、构建基于制动稳定性与经济性的多目标优化模型。
本实施例中,该方法可以搭建基于制动稳定性与经济性的多目标优化模型。
在本实施例中,制动稳定性目标定义为制动力分配系数与I曲线的差值,经济性目标定义为再生制动力矩与理想再生制动力矩的差值。对两个目标进行无量纲化处理后,该优化问题可定义为:
式中,和/>分别表示再生制动力矩与后轮液压制动力矩,在此问题中为优化目标前轮液压制动力由总制动力减去二者可计算得出;
和/>分别表示制动稳定性和经济性目标函数;
和/>分别表示制动稳定性和经济性权重因子;
表示制动力分配系数;/>表示理想的制动力分配系数(即按照I曲线计算出的最优制动力分配系数);
表示理想再生制动扭矩,即复合制动系统当前状态下所能提供的最大再生制动扭矩;
表示主驱动电机所能提供的最大扭矩;
表示液压制动系统能提供的最大液压制动力矩;
Thf表示前轴的液压制动力矩;
s.t.表示约束条件,即subject to(使得…满足…)的含义。
本实施例中,该方法可以结合单纯形模拟退化算法对上述问题进行寻优,从而得到每个采样点对应的最优和/>。
S206、通过多目标优化模型和目标样本集合,计算目标样本集合中每个采样点对应的最优结果对。
S207、汇总采样点集合和最优结果对,得到训练样本集合。
S208、构建原始RBF神经网络模型。
S209、以训练样本集合中的采样点为原始RBF神经网络模型的输入,以及以最优结果对为原始RBF神经网络模型的输出,对原始RBF神经网络模型进行训练,得到复合制动控制策略模型。
S210、将复合制动控制策略模型发送至目标车辆的车端控制器,以使车端控制器根据复合制动控制策略模型对目标车辆进行复合制动系统的协调控制。
本实施例中,以n个采样点(SOC,v,z)为输入,寻优结果(,/>)为输出,训练RBF神经网络模型,即为优化的复合制动控制策略模型。然后,再由云端服务器发送至车端控制器。
实施这种实施方式,用户可使用云端优化的复合制动策略进行车辆制动的控制,从而能够在保证制动稳定性的同时提升经济性的同时,更多的回收能量,提升用车体验。
本实施例中,该方法的执行主体可以为计算机、服务器等计算装置,对此本实施例中不作任何限定。
在本实施例中,该方法的执行主体还可以为智能手机、平板电脑等智能设备,对此本实施例中不作任何限定。
可见,实施本实施例所描述的车辆制动控制方法,能够通过多目标优化复合制动策略,使得车辆可以在不同的道路情况下保证前后轮同时抱死,从而提升制动稳定性。同时,还能够在保证总制动力不变的前提下,尽可能多的分配再生制动力,以此提升经济性,从而在同样的能量下能够行驶更远的距离,减少用户的里程焦虑。
实施例3
请参看图3,图3为本实施例提供了一种车辆制动控制方法的流程示意图。其中,该车辆制动控制方法应用于车端控制器,该方法包括:
S301、获取目标车辆的车辆制动数据。
本实施例中,车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度。
S302、将车辆制动数据上传至云端服务器。
S303、接收云端服务器根据车辆制动数据构建的复合制动控制策略模型。
S304、根据复合制动控制策略模型确定车辆制动控制策略。
S305、根据车辆制动控制策略对目标车辆进行复合制动系统的协调控制。
举例来说,请参看图7示出的车辆制动控制方法的应用框架图。
本实施例中,该方法的执行主体可以为计算机、服务器等计算装置,对此本实施例中不作任何限定。
在本实施例中,该方法的执行主体还可以为智能手机、平板电脑等智能设备,对此本实施例中不作任何限定。
可见,实施本实施例所描述的车辆制动控制方法,能够通过多目标优化复合制动策略,使得车辆可以在不同的道路情况下保证前后轮同时抱死,从而提升制动稳定性。同时,还能够在保证总制动力不变的前提下,尽可能多的分配再生制动力,以此提升经济性,从而在同样的能量下能够行驶更远的距离,减少用户的里程焦虑。
实施例4
请参看图4,图4为本实施例提供的一种车辆制动控制装置的结构示意图。如图4所示,该车辆制动控制装置应用于云端服务器,该车辆制动控制装置包括:
第一构建单元410,用于构建目标车辆对应的制动工况数据空间;
获取单元420,用于根据制动工况数据空间获取训练样本集合;
第二构建单元430,用于构建原始RBF神经网络模型;
训练单元440,用于通过训练样本集合,对原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型;
发送单元450,用于将复合制动控制策略模型发送至目标车辆的车端控制器,以使车端控制器根据复合制动控制策略模型对目标车辆进行复合制动系统的协调控制。
作为一种可选的实施方式,第一构建单元410包括:
获取子单元411,用于获取目标车辆通过车端控制器上传的车辆制动数据;其中,车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度;
第一构建子单元412,用于根据车辆制动数据构建制动工况数据空间。
作为一种可选的实施方式,获取单元420包括:
采集子单元421,用于通过拉丁超立方法对制动工况数据空间进行试验设计样本采集,得到采样点集合;
分配子单元422,用于为采样点集合中每个采样点分配经济性权重因子和制动稳定性权重因子,得到目标样本集合;
第二构建子单元423,用于构建基于制动稳定性与经济性的多目标优化模型;
计算子单元424,用于通过多目标优化模型和目标样本集合,计算目标样本集合中每个采样点对应的最优结果对;
汇总子单元425,用于汇总采样点集合和最优结果对,得到训练样本集合。
作为一种可选的实施方式,训练单元440,具体用于以训练样本集合中的采样点为原始RBF神经网络模型的输入,以及以最优结果对为原始RBF神经网络模型的输出,对原始RBF神经网络模型进行训练,得到复合制动控制策略模型。
本实施例中,对于车辆制动控制装置的解释说明可以参照实施例1或实施例2中的描述,对此本实施例中不再多加赘述。
可见,实施本实施例所描述的车辆制动控制装置,能够通过多目标优化复合制动策略,使得车辆可以在不同的道路情况下保证前后轮同时抱死,从而提升制动稳定性。同时,还能够在保证总制动力不变的前提下,尽可能多的分配再生制动力,以此提升经济性,从而在同样的能量下能够行驶更远的距离,减少用户的里程焦虑。
实施例5
请参看图5,图5为本实施例提供的一种车辆制动控制装置的结构示意图。如图5所示,该车辆制动控制装置应用于车端控制器,该车辆制动控制装置包括:
获取单元420,用于获取目标车辆的车辆制动数据;其中,车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度;
上传单元460,用于将车辆制动数据上传至云端服务器;
接收单元470,用于接收云端服务器根据车辆制动数据构建的复合制动控制策略模型;
确定单元480,用于根据复合制动控制策略模型确定车辆制动控制策略;
控制单元490,用于根据车辆制动控制策略对目标车辆进行复合制动系统的协调控制。
本实施例中,对于车辆制动控制装置的解释说明可以参照实施例3中的描述,对此本实施例中不再多加赘述。
请参照图6,图6示出了车辆制动控制装置总的结构示意图。
在本实施例中,图6示出的车辆制动控制装置可以应用于云端服务器或车端控制器。即,该车辆制动控制装置具有应用于云端服务器或车端控制器的能力。在实际使用当中,该车辆制动控制装置可以为多个,并分别应用于云端服务器和车端控制器中。除此之外,该车辆制动控制装置还可以单独使用或者组合成多个(大于两个)进行使用。对此,本实施例中不做任何限定。
可见,实施本实施例所描述的车辆制动控制装置,能够通过多目标优化复合制动策略,使得车辆可以在不同的道路情况下保证前后轮同时抱死,从而提升制动稳定性。同时,还能够在保证总制动力不变的前提下,尽可能多的分配再生制动力,以此提升经济性,从而在同样的能量下能够行驶更远的距离,减少用户的里程焦虑。
本申请实施例提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1、实施例2或实施例3中的车辆制动控制方法。
本申请实施例提供了一种计算机可读存储介质,其存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行本申请实施例1、实施例2或实施例3中的车辆制动控制方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (5)
1.一种车辆制动控制方法,其特征在于,应用于云端服务器,包括:
构建目标车辆对应的制动工况数据空间;
根据所述制动工况数据空间获取训练样本集合;
构建原始RBF神经网络模型;
通过所述训练样本集合,对所述原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型;
将所述复合制动控制策略模型发送至所述目标车辆的车端控制器,以使所述车端控制器根据所述复合制动控制策略模型对所述目标车辆进行复合制动系统的协调控制;
其中,所述构建目标车辆对应的制动工况数据空间,包括:
获取目标车辆通过车端控制器上传的车辆制动数据;其中,所述车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度;
根据所述车辆制动数据构建制动工况数据空间;
其中,所述根据所述制动工况数据空间获取训练样本集合,包括:
对所述制动工况数据空间进行试验设计样本采集,得到采样点集合;
为所述采样点集合中每个采样点分配经济性权重因子和制动稳定性权重因子,得到目标样本集合;
构建基于制动稳定性与经济性的多目标优化模型;
通过所述多目标优化模型和所述目标样本集合,计算所述目标样本集合中每个采样点对应的最优结果对;
汇总所述采样点集合和所述最优结果对,得到训练样本集合;
其中,所述通过所述训练样本集合,对所述原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型,包括:
以所述训练样本集合中的采样点为所述原始RBF神经网络模型的输入,以及以所述最优结果对为所述原始RBF神经网络模型的输出,对所述原始RBF神经网络模型进行训练,得到复合制动控制策略模型。
2.一种车辆制动控制方法,其特征在于,应用于车端控制器,包括:
获取目标车辆的车辆制动数据;其中,所述车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度;
将所述车辆制动数据上传至云端服务器;
接收所述云端服务器执行权利要求1所述的车辆制动控制方法发送的复合制动控制策略模型;
根据所述复合制动控制策略模型确定车辆制动控制策略;
根据所述车辆制动控制策略对所述目标车辆进行复合制动系统的协调控制。
3.一种车辆制动控制装置,其特征在于,所述车辆制动控制装置应用于云端服务器,包括:
第一构建单元,用于构建目标车辆对应的制动工况数据空间;
获取单元,用于根据所述制动工况数据空间获取训练样本集合;
第二构建单元,用于构建原始RBF神经网络模型;
训练单元,用于通过所述训练样本集合,对所述原始RBF神经网络模型进行训练处理,得到复合制动控制策略模型;
发送单元,用于将所述复合制动控制策略模型发送至所述目标车辆的车端控制器,以使所述车端控制器根据所述复合制动控制策略模型对所述目标车辆进行复合制动系统的协调控制;
其中,所述第一构建单元包括:
获取子单元,用于获取目标车辆通过车端控制器上传的车辆制动数据;其中,所述车辆制动数据包括车辆制动时的电池电量、车辆制动时的车速和制动强度;
第一构建子单元,用于根据所述车辆制动数据构建制动工况数据空间;
其中,所述获取单元包括:
采集子单元,用于通过拉丁超立方法对所述制动工况数据空间进行试验设计样本采集,得到采样点集合;
分配子单元,用于为所述采样点集合中每个采样点分配经济性权重因子和制动稳定性权重因子,得到目标样本集合;
第二构建子单元,用于构建基于制动稳定性与经济性的多目标优化模型;
计算子单元,用于通过所述多目标优化模型和所述目标样本集合,计算所述目标样本集合中每个采样点对应的最优结果对;
汇总子单元,用于汇总所述采样点集合和所述最优结果对,得到训练样本集合;
其中,所述训练单元,具体用于以所述训练样本集合中的采样点为所述原始RBF神经网络模型的输入,以及以所述最优结果对为所述原始RBF神经网络模型的输出,对所述原始RBF神经网络模型进行训练,得到复合制动控制策略模型。
4.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1或2任一项所述的车辆制动控制方法。
5.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行权利要求1或2任一项所述的车辆制动控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730963.6A CN116442970B (zh) | 2023-06-20 | 2023-06-20 | 一种车辆制动控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730963.6A CN116442970B (zh) | 2023-06-20 | 2023-06-20 | 一种车辆制动控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116442970A CN116442970A (zh) | 2023-07-18 |
CN116442970B true CN116442970B (zh) | 2023-08-15 |
Family
ID=87136017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310730963.6A Active CN116442970B (zh) | 2023-06-20 | 2023-06-20 | 一种车辆制动控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116442970B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1998993A1 (de) * | 2006-03-21 | 2008-12-10 | Robert Bosch GmbH | Bremsstrategie für einen hybridantrieb eines fahrzeugs |
CN105691212A (zh) * | 2016-04-11 | 2016-06-22 | 江苏理工学院 | 混合动力汽车复合电源的再生制动控制策略及汽车 |
CN109591811A (zh) * | 2017-09-28 | 2019-04-09 | 华为技术有限公司 | 车辆制动方法、装置及存储介质 |
CN110262491A (zh) * | 2019-06-25 | 2019-09-20 | 南京航空航天大学 | 一种基于混合学习方式的车辆制动意图预测的方法及系统 |
JP2021050681A (ja) * | 2019-09-26 | 2021-04-01 | いすゞ自動車株式会社 | 車両用制御装置及び車両用制御方法 |
CN114154227A (zh) * | 2021-10-18 | 2022-03-08 | 瑞立集团瑞安汽车零部件有限公司 | 一种重型挂车制动过程自适应学习方法 |
-
2023
- 2023-06-20 CN CN202310730963.6A patent/CN116442970B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1998993A1 (de) * | 2006-03-21 | 2008-12-10 | Robert Bosch GmbH | Bremsstrategie für einen hybridantrieb eines fahrzeugs |
CN105691212A (zh) * | 2016-04-11 | 2016-06-22 | 江苏理工学院 | 混合动力汽车复合电源的再生制动控制策略及汽车 |
CN109591811A (zh) * | 2017-09-28 | 2019-04-09 | 华为技术有限公司 | 车辆制动方法、装置及存储介质 |
CN110262491A (zh) * | 2019-06-25 | 2019-09-20 | 南京航空航天大学 | 一种基于混合学习方式的车辆制动意图预测的方法及系统 |
JP2021050681A (ja) * | 2019-09-26 | 2021-04-01 | いすゞ自動車株式会社 | 車両用制御装置及び車両用制御方法 |
CN114154227A (zh) * | 2021-10-18 | 2022-03-08 | 瑞立集团瑞安汽车零部件有限公司 | 一种重型挂车制动过程自适应学习方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116442970A (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105083270B (zh) | 用于控制车辆的再生制动的方法和装置 | |
CN105034817B (zh) | 一种基于多约束条件下的电动汽车再生制动控制方法 | |
CN108909719B (zh) | 电动汽车的驾驶习惯识别方法、系统、设备以及存储介质 | |
CN111143940B (zh) | 车辆滑行能量回收的触发方法、装置、电子设备及存储介质 | |
CN105564250B (zh) | 用于环境友好型车辆的制动控制方法和系统 | |
CN103991384A (zh) | 一种电动车辆的复合制动系统及其复合制动方法 | |
CN111546903B (zh) | 滑行扭矩的确定方法、装置、设备及存储介质 | |
Shi et al. | Multi-objective tradeoff optimization of predictive adaptive cruising control for autonomous electric buses: A cyber-physical-energy system approach | |
CN103802682A (zh) | 用于控制绿色车辆的辅助制动器的方法和装置 | |
Sun et al. | An integrated control strategy for the composite braking system of an electric vehicle with independently driven axles | |
CN109460853A (zh) | 一种电动汽车充电负荷需求确定方法及系统 | |
DE102018106112A1 (de) | Laden von elektrofahrzeugen | |
CN107609310A (zh) | 一种用于仿真的未知电机Map的生成方法 | |
CN112078371A (zh) | 复合电源电动汽车的能量回收方法、能量回收装置 | |
CN110936947A (zh) | 一种混合动力汽车的控制方法、装置、设备及介质 | |
CN116442970B (zh) | 一种车辆制动控制方法及装置 | |
CN115471044A (zh) | 含光储的配电台区电动汽车调度方法、系统及存储介质 | |
Wei et al. | Braking force control strategy for electric vehicles with load variation and wheel slip considerations | |
CN112918443B (zh) | 制动控制方法、装置、设备及存储介质 | |
CN110015159B (zh) | 具有可充电储能单元的电气装置的范围的选择 | |
CN107298035A (zh) | 整车驱动扭矩计算方法 | |
CN114643904B (zh) | 一种能量管理方法、装置、汽车及存储介质 | |
EP2670643A1 (en) | Method for determination of a braking location for regenerative braking of a vehicle, a device, a brake system and a vehicle | |
CN112428834B (zh) | 一种基于蒙特卡洛方法的电动车智能充电优化方法和系统 | |
Wang et al. | A research for brake strategy based on fuzzy control in pure electric vehicles |
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 |