CN117311330A - 一种整车控制器的控制方法、系统、存储介质及电子设备 - Google Patents
一种整车控制器的控制方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117311330A CN117311330A CN202311605409.1A CN202311605409A CN117311330A CN 117311330 A CN117311330 A CN 117311330A CN 202311605409 A CN202311605409 A CN 202311605409A CN 117311330 A CN117311330 A CN 117311330A
- Authority
- CN
- China
- Prior art keywords
- control
- fuzzy
- vehicle
- preset
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 190
- 238000010801 machine learning Methods 0.000 claims abstract description 30
- 238000009826 distribution Methods 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 22
- 239000000306 component Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000004606 Fillers/Extenders Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种整车控制器的控制方法、系统、存储介质及电子设备,方法包括:获取车辆控制信息,并根据车辆控制信息通过预设模糊逻辑算法生成整车控制器的控制指令,以使车辆的各个子系统根据控制指令实现对车辆的模糊控制;获取整车控制器的控制数据,并根据控制数据通过预设机器学习算法得到特征数据,特征数据为控制数据内各项数据之间的规律和特征;根据特征数据和预设模糊逻辑算法,通过预设机器学习算法生成优化模糊逻辑算法,并将优化模糊逻辑算法替换预设模糊逻辑算法,以用于下次整车模糊控制。本发明解决了现有技术中的整车控制器的控制方法无法根据车辆状态进行适应性调整,来对车辆进行控制,从而影响车辆的经济性和可靠性的问题。
Description
技术领域
本发明涉及汽车控制技术领域,特别涉及一种整车控制器的控制方法、系统、存储介质及电子设备。
背景技术
新能源汽车是指以新型动力系统为主要动力来源,或者以新型动力系统与传统动力系统相结合,具有节能、环保、安全等优点的汽车。新能源汽车的核心部件之一是VCU即整车控制器,它是负责协调和控制车辆各个子系统的工作状态,实现车辆的行驶控制、能量管理、故障诊断等功能的电子控制单元。整车控制器的控制方法是影响整车控制器的控制性能的关键因素,它决定了整车控制器如何根据驾驶员意图和车辆状态,对电机、电池、充电机等部件进行控制指令的生成和发送。整车控制器的控制方法的设计需要考虑多种因素,如车辆的动力性、安全性、经济性、可靠性等,以及车辆所处的不同工况、环境、故障等。然而整车控制器的控制方法的设计难度较大,因为车辆系统具有复杂的非线性、时变性、不确定性等特点,而且整车控制器需要处理大量的模糊信息和不精确数据。
因此,现有技术中通常采用基于模糊逻辑的整车控制器的控制方法,该方法利用模糊逻辑理论,将整车控制器的控制问题转化为模糊推理问题,通过定义模糊集合、模糊规则和模糊推理方法,实现对车辆的模糊控制。该策略可以处理不精确和不完整数据的问题,提高整车控制器的鲁棒性和适应性。
基于模糊逻辑的整车控制器的控制方法需要人为设定模糊集合、模糊规则等,这些设定往往是根据专家经验和数据挖掘等方法进行设计的。车辆生产加装上述控制方法后,在后续使用时会依照设定好的模糊逻辑算法对整车进行模糊控制。然而,后续使用时,车辆自身损耗和零件的更换,会使得车辆状态发生变化,但依旧按照原定的模糊逻辑算法对整车进行控制会使得车辆无法达到最佳控制效果,使得车辆的经济性和可靠性降低。
发明内容
基于此,本发明的目的是提供一种整车控制器的控制方法、系统、存储介质及电子设备,旨在解决现有技术中的整车控制器的控制方法无法根据车辆状态进行适应性调整,来对车辆进行控制,从而影响车辆的经济性和可靠性的问题。
根据本发明实施例的一种整车控制器的控制方法,所述方法包括:
获取车辆控制信息,并根据所述车辆控制信息通过预设模糊逻辑算法生成整车控制器的控制指令,以使所述车辆的各个子系统根据所述控制指令实现对所述车辆的模糊控制;
获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征;
根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制。
另外,根据本发明上述实施例的一种整车控制器的控制方法,还可以具有如下附加的技术特征:
进一步地,所述获取车辆控制信息,并根据所述车辆控制信息通过预设模糊逻辑算法生成整车控制器的控制指令,以所述车辆各个子系统根据所述控制指令实现对所述车辆的模糊控制的步骤包括:
根据车辆状态和驾驶员意图确定所述车辆控制信息;
根据所述车辆控制信息通过预设模糊集合生成模糊控制变量;
根据所述模糊控制变量通过预设模糊规则库生成模糊控制输出;
根据所述模糊控制输出通过预设去模糊化算法生成所述控制指令。
进一步地,所述车辆控制信息包括,所述整车控制器的控制目标和控制参数,所述控制数据至少包括,所述车辆状态、所述驾驶员意图、所述车辆控制信息、所述模糊控制变量和所述模糊控制输出。
进一步的,所述获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征的步骤包括:
根据所述控制参数和所述模糊控制输出,通过第一学习算法确定所述控制参数和所述模糊控制输出之间的关系;
根据所述控制参数和所述模糊控制变量,通过第二学习算法确定所述控制参数和所述模糊控制变量之间的分布特征;
根据所述控制参数和所述模糊控制输出之间的关系,通过第三学习算法确定所述控制参数和所述模糊控制输出之间的最优对应关系。
进一步的,所述根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制的步骤包括:
根据所述特征数据、所述车辆状态和所述驾驶员意图,通过所述第一学习算法确定最优模糊控制输出;
根据所述特征数据、所述控制参数和预设模糊集合,通过所述第二学习算法确定最优模糊集合;
根据所述特征数据、所述控制参数、所述最优模糊控制输出和预设模糊规则库,通过所述第三学习算法确定最优模糊规则库;
将所述最优模糊规则库和最优模糊集合替换所述预设模糊规则库和预设模糊集合,以用于下次整车模糊控制。
进一步的,所述根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制的步骤之后包括:
将所述优化模糊逻辑算法上传至云端服务器,以使所述云端服务器将所述优化模糊逻辑算法与之前所述车辆上传的优化模糊逻辑算法进行比较,判断预设数量且上传时间相邻的所述优化模糊逻辑算法的参数相互之间的变化率是否小于预设值,并生成判定信息。
进一步的,所述将所述优化模糊逻辑算法上传至云端服务器,以使所述云端服务器将所述优化模糊逻辑算法与之前所述车辆上传的优化模糊逻辑算法进行比较,判断预设数量且上传时间相邻的所述优化模糊逻辑算法的参数相互之间的变化率是否小于预设值的步骤之后包括:
获取所述判定信息,并根据所述判定信息确定后续预设天数内是否执行,所述获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征的步骤。
本发明地另一个目的在于整车控制器的控制系统,所述系统包括:
模糊控制模块,用于获取车辆控制信息,并根据所述车辆控制信息通过预设模糊逻辑算法生成整车控制器的控制指令,以所述车辆的各个子系统根据所述控制指令实现对所述车辆的模糊控制;
特征确定模块,用于获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征;
模糊算法优化模块,用于根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制。
本发明实施例的另一个目的是提供一种存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述的整车控制器的控制方法的步骤。
本发明实施例的另一个目的是提供一种电子设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的整车控制器的控制方法的步骤。
本发明,通过预设模糊逻辑算法对车辆控制信息进行处理得到控制指令,进而实现车辆的模糊控制,再根据车辆的控制数据通过预设的机器学习算法,确定控制数据内各项数据的特征与规律得到特征数据,然后根据特征数据和预设模糊逻辑算法通过机器学习算法进行优化得到,优化后的模糊逻辑算法,以用于下次车辆模糊控制。由于该优化模糊逻辑算法,是通过经由历史数据训练出来的机器学习算法根据实时的车辆控制数据对预设模糊逻辑算法进行优化得到的,因此该优化模糊逻辑算法与车辆最新状态时相互匹配的,通过优化模糊逻辑算法可以使得下次整车控制器对整车进行最佳的控制效果。通过该方法每次均根据车辆实时控制数据对模糊逻辑算法进行调整,以匹配车辆状态,实现最佳的控制效果,进而保证了车辆的经济性和可靠性。本发明解决了现有技术中的整车控制器的控制方法无法根据车辆状态进行适应性调整,来对车辆进行控制,从而影响车辆的经济性和可靠性的问题。
附图说明
图1为本发明第一实施例中的整车控制器的控制方法的流程图;
图2为本发明第二实施例中的抑制方向盘轴向抖动的系统的结果示意图;
图3为本发明第三实施例中的电子设备的结构示意图;
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,所示为本发明第一实施例中的整车控制器的控制方法,所述方法具体包括步骤S01-步骤S03。
步骤S01,获取车辆控制信息,并根据所述车辆控制信息通过预设模糊逻辑算法生成整车控制器的控制指令,以使所述车辆的各个子系统根据所述控制指令实现对所述车辆的模糊控制;
具体的,根据车辆状态和驾驶员意图确定车辆控制信息,再根据车辆控制信息通过预设模糊集合生成模糊控制变量,然后根据模糊控制变量通过预设模糊规则库生成模糊控制输出,最后根据模糊控制输出通过预设去模糊化算法生成控制指令。将车辆控制信息通过模糊集合转换为模糊推理问题,再通过模糊规则库生成模糊控制变量,然后对模糊控制变量进行解模糊,得到明确的控制指令。由于采用模糊逻辑的控制方法,使得整车控制器可以快速响应并输出控制指令。此外,解模糊可以采用重心法、平均最大值法、最大隶属度法等任何一种或者多种。
在具体实施时,收到控制指令后,运行模式决策系统会确定当前车辆的最优运行模式。扭矩管理系统,根据当前运行模式和驾驶需求扭矩,会分配各部件的输出扭矩。四驱控制系统,根据当前运行模式和前后轴载荷分配情况,会分配前后轴扭矩。电力管理系统,根据当前运行模式和电池状态,会控制高压上下电和功率限制。故障诊断功能系统,根据当前运行模式和各部件状态,会检测和处理各种故障。通过更新多次的与车辆最适配的模糊逻辑算法对车辆控制信息进行模糊处理,生成控制指令对车辆实施最佳的模糊控制,进而提高了车辆的经济性和稳定性。
示例而非限定的,在一些可选的实施例中,运行模式决策系统基于等效燃油消耗最小算法,根据电池SOC,即电池充电状态、驾驶需求扭矩、车速等因素,计算出纯电运行、串联增程、并联驱动三种运行模式下的能量消耗,并选择能量消耗最小的运行模式作为当前模式。运行模式决策系统还能根据车辆状态和驾驶员操作,实现平稳快速的模式切换控制。扭矩管理系统能够协调来自驾驶员、驾驶辅助功能的驱动和制动扭矩需求,并根据整车运行模式功能和模式切换功能的输出,协调发动机、增程器、前后驱动电机的转速和扭矩配合,实现准确响应各种来源的扭矩需求。四驱控制系统能够在平稳驾驶时使前后轴驱动电机工作在系统整体效率最优点,实现经济性分配;在加减速时通过前后轴扭矩智能分配充分利用地面最大附着力,实现动力性分配;在转向时通过前后轴扭矩调节车辆运动姿态,实现操纵稳定性分配。四驱控制系统还能够在车辆滑转或者脱困时进行防滑或者脱困控制。电力管理系统能够协调高压部件的上下电顺序和时间,保证高压系统的安全性;根据电池SOC、温度、电压等信息,计算出电池的最大允许充放电功率,并对各部件的功率进行限制,保证电池的可靠性;根据VCU发生复位的情况,实现动力自动恢复功能,保证车辆的连续性。故障诊断系统能够对VCU自身和与之通讯的各部件进行故障检测,如CAN通讯故障、电池故障、电机故障、增程器故障、离合器故障等,并根据故障等级和影响范围,采取相应的保护措施,如降功率、限速、停车等,并将故障信息存储在VCU中,以便进行故障诊断和维修。
步骤S02,获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征;
其中,车辆控制信息包括,整车控制器的控制目标和控制参数,控制数据至少包括,车辆状态、驾驶员意图、车辆控制信息、模糊控制变量和模糊控制输出。通过获取上次车辆控制的全程数据,进行数据分析,确定数据之间的关联性。
具体的,根据控制参数和所述模糊控制输出,通过第一学习算法确定控制参数和模糊控制输出之间的关系;根据控制参数和模糊控制变量,通过第二学习算法确定控制参数和模糊控制变量之间的分布特征;根据控制参数和模糊控制输出之间的关系,通过第三学习算法确定控制参数和模糊控制输出之间的最优对应关系。第一学习算法可以采用监督学习算法,监督学习算法可以根据输入的数据对,确定数据对之间的关系,进而生成一个预测或分类模型,根据新的数据对,该模型也会进一步优化。第二学习算法可以为无监督学习算法,无监督学习算法可以根据输入的数据,寻找出其中的内在结构或者模式,从而提取出控制参数和模糊控制变量之间的分布特征。第三学习算法可以为强化学习算法,强化学习算法可以根据已有的数据通过探索和试错的方式,学习出一个能够最大化奖励或者最小化代价的策略,并根据新输入的数据优化该策略,进而可以根据控制参数和模糊控制输出之间的关系,确定两者之间的最优关系。
步骤S03,根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制;
具体的,根据特征数据、车辆状态和驾驶员意图,通过第一学习算法确定最优模糊控制输出;根据特征数据、控制参数和预设模糊集合,通过第二学习算法确定最优模糊集合;根据特征数据、控制参数、最优模糊控制输出和预设模糊规则库,通过第三学习算法确定最优模糊规则库;将最优模糊规则库和最优模糊集合替换预设模糊规则库和预设模糊集合,以用于下次整车模糊控制。在具体实施时,监督学习算法中的模型,是根据历史数据训练好的,再根据新的输入数据对模型进行优化后,再通过优化后的模型根据特征数据、车辆状态和驾驶员意图预测最优模糊控制输出。无监督学习算法,根据历史数据确定,控制参数和模糊控制变量之间的分布特征,再根据输入的特征数据、控制参数和预设模糊集合,对分布特征进行进一步优化,根据新的分布特征和预设模糊集合确定最合适的模糊集合。强化学习算法,根据历史数据训练出最大化奖励或者最小化代价的策略,再根据监督学习算法得到的最优模糊控制输出和新的特征数据、控制参数、以及预设模糊规则库,确定最合理的模糊规则库。
在具体实施时,当车辆处于平稳驾驶时,该监督学习算法的模型可以根据电池SOC、车速等因素,预测出最佳的电机转速和扭矩,使车辆工作在系统整体效率最优点,实现经济性分配;当车辆处于加减速时,该模型可以根据驾驶需求扭矩、车速等因素,预测出最佳的电机转速和扭矩,使车辆充分利用地面最大附着力,实现动力性分配;当车辆处于转向时,该模型可以根据车辆运动姿态、车速等因素,预测出最佳的电机转速和扭矩,使车辆调节车辆运动姿态,实现操纵稳定性分配。根据该模型的预测结果,可以实现对VCU控制参数的自适应调节,使其与最佳的模糊控制输出相匹配,提高车辆的动力性、安全性和经济性。
在具体实施时,当VCU控制参数和模糊控制变量的分布呈现出高斯分布时,该无监督学习算法可以确定出以高斯函数为隶属度函数的模糊集合,使其能够更准确地反映VCU控制参数和模糊控制变量的模糊性质,提高模糊推理的精度和效率;当VCU控制参数和模糊控制变量的分布呈现出三角分布时,该算法可以确定出以三角函数为隶属度函数的模糊集合,使其能够更简单地反映VCU控制参数和模糊控制变量的模糊性质,提高模糊推理的速度和效率。根据该算法的确定结果,可以实现对模糊集合的自适应调节,使其与当前的VCU控制参数和模糊控制变量的分布特征相匹配,提高模糊推理的精度和效率。
在具体实施时,当VCU控制问题是一个多目标优化问题时,该强化学习算法的策略可以根据不同的目标函数,如能量消耗、车辆性能、驾驶舒适度等,设计出不同的奖励或者代价函数,从而使模糊规则库能够平衡各个目标的权重,实现多目标的优化;当VCU控制问题是一个动态变化的问题时,该策略可以根据不同的环境状态,如车辆状态、驾驶员意图、工况、环境等,设计出不同的奖励或者代价函数,从而使模糊规则库能够适应不同的环境变化,实现动态的调整。根据该策略的确定结果,可以实现对模糊规则库的自适应调节,使其与当前的VCU控制参数和模糊控制输出相匹配,提高模糊控制输出的可靠性和稳定性。
另外的,在逻辑算法优化后,将优化模糊逻辑算法上传至云端服务器,以使云端服务器将优化模糊逻辑算法与之前车辆上传的优化模糊逻辑算法进行比较,判断预设数量且上传时间相邻的优化模糊逻辑算法的参数相互之间的变化率是否小于预设值,并生成判定信息,获取判定信息,并根据判定信息确定后续预设天数内是否执行,获取整车控制器的控制数据,并根据控制数据通过预设机器学习算法得到特征数据,特征数据为控制数据内各项数据之间的规律和特征的步骤。由于模糊逻辑算法的优化需要耗费算力,占用车辆系统的运行内存,因此,当优化后的模糊逻辑算法,在连续多次具体参数变化较小可以忽略时,即判断一定时间内该模糊逻辑算法与该车辆状态完全适配,因此发送确认信息至车辆上,由驾驶员进行自主选择,是否依旧在后续继续进行优化,以节省进行优化时占据的系统资源。
示例而非限定的,在以下一些可选的实施例中,VCU控制参数是电池SOC,模糊控制变量是电机转速,模糊控制输出是电机扭矩。初始的模糊集合和模糊规则库如下:
模糊集合:
电池SOC的模糊集合为{低,中,高},分别对应三角形隶属度函数,其顶点分别为(0,1),(0.5,1),(1,1)。
电机转速的模糊集合为{慢,快},分别对应梯形隶属度函数,其顶点分别为(0,1),(1000,1),(2000,1),(3000,1)。
电机扭矩的模糊集合为{小,大},分别对应梯形隶属度函数,其顶点分别为(0,1),(50,1),(100,1),(150,1)。
模糊规则库:
如果电池SOC是低,那么电机转速是慢,电机扭矩是小。
如果电池SOC是中,那么电机转速是快,电机扭矩是小。
如果电池SOC是高,那么电机转速是快,电机扭矩是大。
第一学习算法是监督学习算法,第二学习算法是一种无监督学习算法,第一学习算法和第二学习分别发现了以下的分布特征和最佳模糊控制输出:
电池SOC的分布呈现出双峰分布,两个峰分别位于0.2和0.8,说明电池SOC的取值主要集中在两个区间,即[0,0.4]和[0.6,1]。
电机转速的分布呈现出正态分布,均值为2000,标准差为500,说明电机转速的取值主要集中在[1000,3000]的区间。
根据第一学习算法和第二学习算法的确定结果,可以实现对模糊集合的自适应调节,使其与当前的VCU控制参数和模糊控制变量的分布特征相匹配,提高模糊推理的精度和效率。调节后的模糊集合如下:
模糊集合:
电池SOC的模糊集合为{低,中低,中高,高},分别对应梯形隶属度函数,其顶点分别为(0,1),(0.2,1),(0.4,0),(0.4,0),(0.6,1),(0.8,1),(0.8,0),(1,1)。
电机转速的模糊集合为{慢,快},分别对应高斯隶属度函数,其均值和标准差分别为(1000,250),(3000,250)。
电机扭矩的模糊集合不变。
第三学习算法一种强化学习算法,他的策略的目标函数是最小化能量消耗,即最小化电池SOC的减少量。该策略通过不断的试验和反馈,学习出了以下的模糊规则库:
模糊规则库:
如果电池SOC是低,那么电机转速是慢,电机扭矩是小。
如果电池SOC是中低,那么电机转速是慢,电机扭矩是大。
如果电池SOC是中高,那么电机转速是快,电机扭矩是小。
如果电池SOC是高,那么电机转速是快,电机扭矩是大。
根据该策略的确定结果,可以实现对模糊规则库的自适应调节,使其与当前的VCU控制参数和模糊控制输出相匹配,提高模糊控制输出的可靠性和稳定性。
综上,本发明上述实施例中的整车控制器的控制方法,通过预设模糊逻辑算法对车辆控制信息进行处理得到控制指令,进而实现车辆的模糊控制,再根据车辆的控制数据通过预设的机器学习算法,确定控制数据内各项数据的特征与规律得到特征数据,然后根据特征数据和预设模糊逻辑算法通过机器学习算法进行优化得到,优化后的模糊逻辑算法,以用于下次车辆模糊控制。由于该优化模糊逻辑算法,是通过经由历史数据训练出来的机器学习算法根据实时的车辆控制数据对预设模糊逻辑算法进行优化得到的,因此该优化模糊逻辑算法与车辆最新状态时相互匹配的,通过优化模糊逻辑算法可以使得下次整车控制器对整车进行最佳的控制效果。通过该方法每次均根据车辆实时控制数据对模糊逻辑算法进行调整,以匹配车辆状态,实现最佳的控制效果,进而保证了车辆的经济性和可靠性。本发明解决了现有技术中的整车控制器的控制方法无法根据车辆状态进行适应性调整,来对车辆进行控制,从而影响车辆的经济性和可靠性的问题。
实施例二
请参阅图2,所示为本发明第二实施例当中提出的整车控制器的控制系统的结构框图,该汽车扭矩控制的系统200包括:模糊控制模块21、特征确定模块22以及模糊算法优化模块23,其中:
模糊控制模块21,用于获取车辆控制信息,并根据所述车辆控制信息通过预设模糊逻辑算法生成整车控制器的控制指令,以所述车辆的各个子系统根据所述控制指令实现对所述车辆的模糊控制;
特征确定模块22,用于获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征;
模糊算法优化模块23,用于根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制;
进一步的,在本发明其它实施例当中,所述整车控制器的控制系统200包括:
数据上传模块,用于将所述优化模糊逻辑算法上传至云端服务器,以使所述云端服务器将所述优化模糊逻辑算法与之前所述车辆上传的优化模糊逻辑算法进行比较,判断预设数量且上传时间相邻的所述优化模糊逻辑算法的参数相互之间的变化率是否小于预设值,并生成判定信息;
确定模块,用于获取所述判定信息,并根据所述判定信息确定后续预设天数内是否执行,所述获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征的步骤。
进一步的,所述模糊控制模块21包括:
控制信息确定单元,用于根据车辆状态和驾驶员意图确定所述车辆控制信息;
模糊控制变量确单元,用于根据所述车辆控制信息通过预设模糊集合生成模糊控制变量;
模糊控制输出确定单元,用于根据所述模糊控制变量通过预设模糊规则库生成模糊控制输出;
反模糊单元,用于根据所述模糊控制输出通过预设去模糊化算法生成所述控制指令。
进一步的,在本发明其它实施例当中,其中,所述车辆控制信息包括,所述整车控制器的控制目标和控制参数,所述控制数据至少包括,所述车辆状态、所述驾驶员意图、所述车辆控制信息、所述模糊控制变量和所述模糊控制输出,所述特征确定模块22包括:
第一特征单元,用于根据所述控制参数和所述模糊控制输出,通过第一学习算法确定所述控制参数和所述模糊控制输出之间的关系;
第二特征单元,用于根据所述控制参数和所述模糊控制变量,通过第二学习算法确定所述控制参数和所述模糊控制变量之间的分布特征;
第三特征单元,用于根据所述控制参数和所述模糊控制输出之间的关系,通过第三学习算法确定所述控制参数和所述模糊控制输出之间的最优对应关系。
进一步的,所述模糊算法优化模块23包括:
最优模糊控制输出确定单元,用于根据所述特征数据、所述车辆状态和所述驾驶员意图,通过所述第一学习算法确定最优模糊控制输出;
最优模糊集合确定单元,用于根据所述特征数据、所述控制参数和预设模糊集合,通过所述第二学习算法确定最优模糊集合;
最优模糊规则库确定单元,用于根据所述特征数据、所述控制参数、所述最优模糊控制输出和预设模糊规则库,通过所述第三学习算法确定最优模糊规则库;
替换单元,用于将所述最优模糊规则库和最优模糊集合替换所述预设模糊规则库和预设模糊集合,以用于下次整车模糊控制。
上述各模块被执行时所实现的功能或操作步骤与上述方法实施例大体相同,在此不再赘述。
实施例三
本发明另一方面还提出一种电子设备,请参阅图3,所示为本发明第三实施例当中的电子设备的示意图,包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30,所述处理器10执行所述计算机程序30时实现如上述的整车控制器的控制方法。
其中,处理器10在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行访问限制程序等。
其中,存储器20至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的硬盘。存储器20在另一些实施例中也可以是电子设备的外部存储装置,例如电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(FlashCard)等。进一步地,存储器20还可以既包括电子设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储电子设备的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是,图3示出的结构并不构成对电子设备的限定,在其它实施例当中,该电子设备可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
本发明实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的整车控制器的控制方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本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,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种整车控制器的控制方法,其特征在于,所述方法包括:
获取车辆控制信息,并根据所述车辆控制信息通过预设模糊逻辑算法生成整车控制器的控制指令,以使所述车辆的各个子系统根据所述控制指令实现对所述车辆的模糊控制;
获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征;
根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制;
所述获取车辆控制信息,并根据所述车辆控制信息通过预设模糊逻辑算法生成整车控制器的控制指令,以所述车辆各个子系统根据所述控制指令实现对所述车辆的模糊控制的步骤包括:
根据车辆状态和驾驶员意图确定所述车辆控制信息;
根据所述车辆控制信息通过预设模糊集合生成模糊控制变量;
根据所述模糊控制变量通过预设模糊规则库生成模糊控制输出;
根据所述模糊控制输出通过预设去模糊化算法生成所述控制指令。
2.根据权利要求1所述的整车控制器的控制方法,其特征在于,所述车辆控制信息包括,所述整车控制器的控制目标和控制参数,所述控制数据至少包括,所述车辆状态、所述驾驶员意图、所述车辆控制信息、所述模糊控制变量和所述模糊控制输出。
3.根据权利要求2所述的整车控制器的控制方法,其特征在于,所述获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征的步骤包括:
根据所述控制参数和所述模糊控制输出,通过第一学习算法确定所述控制参数和所述模糊控制输出之间的关系;
根据所述控制参数和所述模糊控制变量,通过第二学习算法确定所述控制参数和所述模糊控制变量之间的分布特征;
根据所述控制参数和所述模糊控制输出之间的关系,通过第三学习算法确定所述控制参数和所述模糊控制输出之间的最优对应关系。
4.根据权利要求3所述的整车控制器的控制方法,其特征在于,所述根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制的步骤包括:
根据所述特征数据、所述车辆状态和所述驾驶员意图,通过所述第一学习算法确定最优模糊控制输出;
根据所述特征数据、所述控制参数和预设模糊集合,通过所述第二学习算法确定最优模糊集合;
根据所述特征数据、所述控制参数、所述最优模糊控制输出和预设模糊规则库,通过所述第三学习算法确定最优模糊规则库;
将所述最优模糊规则库和最优模糊集合替换所述预设模糊规则库和预设模糊集合,以用于下次整车模糊控制。
5.根据权利要求1至4任一项所述的整车控制器的控制方法,其特征在于,所述根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制的步骤之后包括:
将所述优化模糊逻辑算法上传至云端服务器,以使所述云端服务器将所述优化模糊逻辑算法与之前所述车辆上传的优化模糊逻辑算法进行比较,判断预设数量且上传时间相邻的所述优化模糊逻辑算法的参数相互之间的变化率是否小于预设值,并生成判定信息。
6.根据权利要求5所述的整车控制器的控制方法,其特征在于,所述将所述优化模糊逻辑算法上传至云端服务器,以使所述云端服务器将所述优化模糊逻辑算法与之前所述车辆上传的优化模糊逻辑算法进行比较,判断预设数量且上传时间相邻的所述优化模糊逻辑算法的参数相互之间的变化率是否小于预设值的步骤之后包括:
获取所述判定信息,并根据所述判定信息确定后续预设天数内是否执行,所述获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征的步骤。
7.一种整车控制器的控制系统,其特征在于,用于实现如权利要求 1
至 6中任意一项所述的整车控制器的控制方法,所述系统包括:
模糊控制模块,用于获取车辆控制信息,并根据所述车辆控制信息通过预设模糊逻辑算法生成整车控制器的控制指令,以所述车辆的各个子系统根据所述控制指令实现对所述车辆的模糊控制;
特征确定模块,用于获取所述整车控制器的控制数据,并根据所述控制数据通过预设机器学习算法得到特征数据,所述特征数据为所述控制数据内各项数据之间的规律和特征;
模糊算法优化模块,用于根据所述特征数据和预设模糊逻辑算法,通过所述预设机器学习算法生成优化模糊逻辑算法,并将所述优化模糊逻辑算法替换所述预设模糊逻辑算法,以用于下次整车模糊控制。
8.一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,所述程序被处理器执行时实现如权利要求1至6中任意一项所述的整车控制器的控制方法的步骤。
9.一种电子设备,其特征在于,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-6任一所述的整车控制器的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605409.1A CN117311330B (zh) | 2023-11-29 | 2023-11-29 | 一种整车控制器的控制方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311605409.1A CN117311330B (zh) | 2023-11-29 | 2023-11-29 | 一种整车控制器的控制方法、系统、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117311330A true CN117311330A (zh) | 2023-12-29 |
CN117311330B CN117311330B (zh) | 2024-03-15 |
Family
ID=89255658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311605409.1A Active CN117311330B (zh) | 2023-11-29 | 2023-11-29 | 一种整车控制器的控制方法、系统、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117311330B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004025137A2 (en) * | 2002-09-13 | 2004-03-25 | Yamaha Motor Co., Ltd. | Fuzzy controller with a reduced number of sensors |
CN101947955A (zh) * | 2010-08-31 | 2011-01-19 | 重庆长安汽车股份有限公司 | 一种基于模糊系统的插电式混合动力车控制方法 |
CN105159294A (zh) * | 2015-09-01 | 2015-12-16 | 深圳力子机器人有限公司 | 针对叉车模糊逻辑运动控制器的设计方法 |
CN105882648A (zh) * | 2016-05-09 | 2016-08-24 | 上汽大众汽车有限公司 | 一种基于模糊逻辑算法的混合动力系统能量管理方法 |
CN107651010A (zh) * | 2017-09-19 | 2018-02-02 | 北京理工大学 | 基于驾驶员模型的速差转向车辆转向控制器及控制方法 |
CN107662601A (zh) * | 2016-07-29 | 2018-02-06 | 长城汽车股份有限公司 | 车辆的控制方法、装置及车辆 |
CN116494839A (zh) * | 2023-05-31 | 2023-07-28 | 北京理工大学 | 一种基于鲸鱼优化算法的燃料电池汽车能量管理方法 |
CN116991068A (zh) * | 2023-08-04 | 2023-11-03 | 深圳信息职业技术学院 | 基于分布式预设时间梯度下降法的电机控制方法及系统 |
-
2023
- 2023-11-29 CN CN202311605409.1A patent/CN117311330B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004025137A2 (en) * | 2002-09-13 | 2004-03-25 | Yamaha Motor Co., Ltd. | Fuzzy controller with a reduced number of sensors |
CN101947955A (zh) * | 2010-08-31 | 2011-01-19 | 重庆长安汽车股份有限公司 | 一种基于模糊系统的插电式混合动力车控制方法 |
CN105159294A (zh) * | 2015-09-01 | 2015-12-16 | 深圳力子机器人有限公司 | 针对叉车模糊逻辑运动控制器的设计方法 |
CN105882648A (zh) * | 2016-05-09 | 2016-08-24 | 上汽大众汽车有限公司 | 一种基于模糊逻辑算法的混合动力系统能量管理方法 |
CN107662601A (zh) * | 2016-07-29 | 2018-02-06 | 长城汽车股份有限公司 | 车辆的控制方法、装置及车辆 |
CN107651010A (zh) * | 2017-09-19 | 2018-02-02 | 北京理工大学 | 基于驾驶员模型的速差转向车辆转向控制器及控制方法 |
CN116494839A (zh) * | 2023-05-31 | 2023-07-28 | 北京理工大学 | 一种基于鲸鱼优化算法的燃料电池汽车能量管理方法 |
CN116991068A (zh) * | 2023-08-04 | 2023-11-03 | 深圳信息职业技术学院 | 基于分布式预设时间梯度下降法的电机控制方法及系统 |
Non-Patent Citations (4)
Title |
---|
吴海啸;张涌;叶进;: "混合动力汽车的控制策略优化研究", 轻型汽车技术, no. 03 * |
吴海啸;张涌;叶进;: "混合动力汽车的控制策略优化研究", 轻型汽车技术, no. 03, 15 March 2014 (2014-03-15) * |
周春国;刘宏昭;李欣;崔亚辉;: "用模糊控制实现混合动力电动汽车动力优化", 应用科学学报, no. 05 * |
周春国;刘宏昭;李欣;崔亚辉;: "用模糊控制实现混合动力电动汽车动力优化", 应用科学学报, no. 05, 15 September 2007 (2007-09-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117311330B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Continuous reinforcement learning of energy management with deep Q network for a power split hybrid electric bus | |
CN110281904B (zh) | 一种混合动力车辆的能量管理方法、装置及终端 | |
CN110126628B (zh) | 电动汽车电机的控制方法及控制装置 | |
CN102963353B (zh) | 基于神经网络的混合动力系统能量管理方法 | |
CN106167019B (zh) | 用于选择混合动力车辆的运行方式的方法 | |
CN111767896A (zh) | 一种清扫车底盘上装协同控制方法及感知识别实现装置 | |
WO2023020083A1 (en) | A method for adaptative real-time optimization of a power or torque split in a vehicle | |
CN112277927B (zh) | 一种基于强化学习的混合动力汽车能量管理方法 | |
CN104760591A (zh) | 混合动力综合控制系统 | |
CN111452781A (zh) | 一种改善加速舒适性的轮毂电机驱动电动汽车强鲁棒自适应驱动防滑控制方法 | |
CN105545503A (zh) | 发动机的节能控制方法及系统 | |
CN117311330B (zh) | 一种整车控制器的控制方法、系统、存储介质及电子设备 | |
CN113232645B (zh) | 车辆发电功率的控制方法、装置、存储介质和计算机设备 | |
Li et al. | Energy-efficient autonomous vehicle control using reinforcement learning and interactive traffic simulations | |
CN111376739A (zh) | 用于运行车辆的方法 | |
CN116176557A (zh) | 一种混合动力越野车的能量管理方法、装置及电子设备 | |
CN112440974B (zh) | 基于分布式深度确定性策略梯度的hev能量管理方法 | |
CN112406864B (zh) | 电动客车双源智能转向系统及转向协同控制方法 | |
CN115503558A (zh) | 燃料电池的能量管理方法、装置、车辆及计算机存储介质 | |
CN114935006A (zh) | 集装箱搬运车的变加速控制方法、装置、系统、设备 | |
CN117048365B (zh) | 一种汽车扭矩控制方法、系统、存储介质及设备 | |
CN112613229A (zh) | 混合动力设备的能量管理方法、模型训练方法及装置 | |
CN110884361A (zh) | 一种新能源汽车驱动电机的限速方法及其电机驱动器 | |
US20230036276A1 (en) | Electric drive system for an engine | |
Bala et al. | A fuzzy super twisting sliding mode control scheme for velocity regulation in autonomous 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 |