频繁的模式切换的具体表现之一就是车辆的工作模式中出现了持续时间很短的模式。针对这种情况, 从模式持续的时长方面采用下述两种解决方案:

(1)采用计时模块滤除持续时间较短的模式

根据模型调试和实车运行的数据确定一个合适的时间阈值来进行短时行驶模式的滤除。当依据能量分配算法得到的行驶模式持续的时间小于给定的阈值时, 忽略当前能量分配策略给出的行驶模式, 而维持上一时刻的行驶模式; 当依据能量分配策略计算得到的行驶模式持续的时间大于给定的阈值时, 切换到当前能量分配策略得到的行车模式。如 图3 所示, 图3 (a)为根据能量分配策略得到的工作模式, 图3 (b)为滤除持续短时的工作模式后的车辆行车模式。

图3

Fig.3

	Figure Option View Download New Window
	图3 采用基于模式持续时长的方法处理前后的工作模式 Fig.3 Mode before and after duration based processing

(2)对车辆行驶模式的最短时间进行限制

上述方法能够有效滤除持续时间小于给定阈值的行驶模式, 但是当行驶模式持续的时长稍微大于给定的时间阈值时, 仍然会出现持续时间很短的行驶模式。这会使得车辆还没有达到当前模式下的稳态工作状态就切换到了下一个模式, 影响车辆的控制品质。因此这里对车辆在各个模式下行驶的最短时长进行限制:一旦车辆进入某一个行车模式时即开始计时, 当计时时间小于给定值时, 不允许车辆退出该模式; 只有当在该模式下持续的时间超过给定的最短时长后才允许车辆根据当前的能量分配需求切换到其他模式。如 图4 所示, 图4 (a)为滤除短时工作模式后得到的工作模式, 图4 (b)为对各个模式最短行驶时间进行限制后得到的车辆行车模式。

图4

Fig.4

	Figure Option View Download New Window
	图4 对模式最短时间限制前后的模式 Fig.4 Mode before and after minimum duration limitation based processing

频繁的模式切换还可能表现在车辆的工作模式随着加速踏板信号、制动踏板信号等与模式切换直接相关的信号的频繁波动而波动。为保证车辆良好的动力响应特性, 不能直接将这些信号的波动去除, 但是却可以将用于模式切换的这些关键信号进行滤波处理, 去除不必要的信号尖峰, 达到抑制模式频繁切换的目的。

以加速踏板信号为例, 如 图5 所示, 将加速踏板进行滤波, 然后将滤波后的加速踏板信号用于混合动力汽车工作模式的选择。同时, 各个模式下的动力源控制仍采用未经滤波的加速踏板信号。

图5

Fig.5

	Figure Option View Download New Window
	图5 加速踏板信号基于滤波的处理方案 Fig.5 Filter based processing for accelerator pedal signal

本文采用一阶延时滤波对加速踏板信号进行滤波处理, 其表达式为:

y ( k ) = ( 1 - Q ) y ( k - 1 ) + Qx ( k ) ( 1 )

式中: y ( k )为本次滤波输出值; y ( k- 1)为上次滤波输出值; x ( k )为本次采样值; Q 为滤波系数, 满足 Q=T/ ( T+τ ), 其中 T 为采样周期, τ 为数字滤波器的时间常数。

取一段时长的加速踏板信号如 图6 (a)所示, 对其进行一阶延时滤波后该加速踏板信号如 图6 (b)所示。

图6

Fig.6

	Figure Option View Download New Window
	图6 加速踏板信号滤波 Fig.6 Filtering of accelerator pedal signal

由 图6 可知, 经过一阶延时滤波后, 滤除了加速踏板信号的部分尖峰, 使得加速踏板信号变得平滑。因此, 采用滤波后的信号进行模式选择可有效避免信号尖峰导致的短时、频繁的模式切换。滤波后再进行模式选择会使得模式的切换存在一定的滞后, 但是, 由于这里各个模式下动力源控制仍然采用不滤波的加速踏板信号, 因此, 不会对车辆的动力响应产生显著影响, 只会使得动力源的工作点分布发生变化。

当车速、SOC等缓变信号在模式切换门限值附近小范围波动时, 也会造成模式的频繁切换, 这时采用滞回的方法可以有效地避免这种情况。

滞回与逻辑运算中的“ ≥ ” 和“ ≤ ” 相对应。如 图7 所示, 逻辑运算中“ ≥ ” 对应的滞回的基本逻辑为:当信号大于上限时状态变为1, 直到小于下限时才变为0; 逻辑运算中“ ≤ ” 对应的滞回的基本逻辑为:当信号大于上限时状态变为0, 直到小于下限时才变为1; 信号值经过“ ≥ ” 和“ ≤ ” 对应的滞回判断后的信号状态分别如 图8 (a)和 图8 (b)所示。

图7

Fig.7

	Figure Option View Download New Window
	图7 滞回原理图 Fig.7 Schematic diagram of hysteresis

图8

Fig.8

	Figure Option View Download New Window
	图8 基于滞回的信号状态 Fig.8 Hysteresis based signal status

滞回上下限之间的距离决定了滞回的效果。一般情况下难以根据现有的数据得到确定的滞回上下限之间的距离, 只能知道影响该滞回带宽的变量和该变量对带宽的影响。例如, 车速的滞回与车速的大小以及加速踏板信号的大小相关。车速大、加速踏板开度大时, 为了避免车速信号的波动导致工作模式的频繁切换, 滞回带宽应该较大。因此, 这里采用模糊逻辑的方法来求取滞回带的宽度。首先, 对车速信号和加速踏板信号进行模糊化, 然后依据 表1 中的模糊规则进行模糊推理, 最终将得到的滞回带宽系数进行逆模糊化, 如 图9 所示。

表1

Table 1

表1(Table 1)

表1 模糊规则表 Table 1 Linguistic rules table 加速踏板 开度 车速 较小 中等 较大 较小 较小 中等 较大 中等 中等 较大 很大 较大 较大 很大 很大

表1 模糊规则表 Table 1 Linguistic rules table

图9

Fig.9

	Figure Option View Download New Window
	图9 用于滞回带宽系数求解的模糊逻辑示意图 Fig.9 Fuzzy logic sketch map for obtaining hysteresis bandwidth coefficient

采用 图9 中的模糊逻辑得到的模糊逻辑响应曲面如 图1 0所示。

图1 0

Fig.1 0

	Figure Option View Download New Window
	图1 0 模糊逻辑响应曲面 Fig.1 0 Response surface of fuzzy logic

求解滞回带宽时, 首先, 根据信号的特点制定一个基准的带宽和最大带宽, 然后将求得的滞回带宽系数乘以最大带宽与基准带宽的差值, 最后再加上基准带宽即得到滞回带宽, 如 图1 1所示。

图1 1

Fig.1 1

	Figure Option View Download New Window
	图1 1 滞回带宽求解示意图 Fig.1 1 Sketch map for obtaining hysteresis bandwidth

采用结合模糊逻辑的滞回时, 滞回上限(或下限)采用门限值或者其他的信号值(如发动机转矩上限、下限、底限等), 而相应的下限(或上限)即为下限值(或上限)加去(或减去)滞回带宽。

分别从模式持续时长分布和模式切换次数两方面定量分析模式切换频繁程度。仅采用简单逻辑门限值的控制策略在NEDC工况下的模式如 图1 2(a)所示, 而采用了本文提出的解决方案后, 对应的模式如 图1 2(b)所示。

图1 2

Fig.1 2

	Figure Option View Download New Window
	图1 2 NEDC工况下的工作模式 Fig.1 2 Working modes under NEDC

由 图1 2可知, 与原控制策略相比, 采用本文提出的解决方案后, 大量短时的、频繁的模式被滤除掉了。经统计, 处理前, 车辆的工作模式发生了424次变化, 而处理后车辆的工作模式仅发生了82次变化, 模式切换的次数有了大幅度的减小。对处理前后模式持续的时间进行统计, 结果如 图1 3和 图1 4所示。处理前, 车辆有57%的模式持续的时间小于0.5 s, 85%的模式持续的时间小于4 s; 而处理后, 车辆没有持续时间低于0.5 s的模式, 仅有3%的模式持续的时间小于4 s。因此, 模式切换频繁问题得到了有效的解决。

图1 3

Fig.1 3

	Figure Option View Download New Window
	图1 3 处理前的工作模式时长分布 Fig.1 3 Distribution of mode duration before processing

图1 4

Fig.1 4

	Figure Option View Download New Window
	图1 4 处理后的工作模式时长分布 Fig.1 4 Distribution of mode duration after processing

如 图1 5(a)所示, 处理前后实际车速都很好地跟随着期望车速。如 图1 5(b)所示, 处理前后电池电量的变化相差也基本相同。本文控制方案在解决模式切换频繁问题的同时, 并没有对车速的跟随和电池SOC的平衡造成显著影响。

图1 5

Fig.1 5

	Figure Option View Download New Window
	图1 5 NEDC工况下的车速和SOC Fig.1 5 Velocity and SOC under NEDC

由于在全负荷加速以及爬坡工况中并不存在频繁的模式切换和短时工作模式, 因此, 处理前后车辆的各项动力性指标不变, 如 表2 所示。

表2

Table 2

表2(Table 2)

表2 车辆动力性表现 Table 2 Power performance of HEV 项目 纯电动 混合动力模式 最高车速/(km· h -1 ) 123 170 0~100 km/h加速时间/s 14.84 14.78 最大爬坡度/% 31 64 注:最大爬坡度在5 km/h下计算得到。

表2 车辆动力性表现 Table 2 Power performance of HEV

由于处理后滤除了短时的工作模式, 减少了发动机、电机等动力源在模式切换时非稳态工作状态下的工作时间, 车辆的经济性较处理前有了提高。处理前仿真得到NEDC工况下的综合油耗为6.4 L/100 km, 处理后仿真得到NEDC工况下的综合油耗为5.8 L/100 km, 经济性提高了9.4%。

由于本文并没有研究模式切换时的动态协调问题, 这里仅考虑模式处理前后冲击度的相对大小, 采用归一化的方法比较处理前后的当量冲击度, 如 图1 6所示。

图1 6

Fig.1 6

	Figure Option View Download New Window
	图1 6 NEDC工况下的当量冲击度 Fig.1 6 Equivalent jerk under NEDC

对 图1 6中的当量冲击度进行统计, 如 表3 所示。对比可知, 修改前后, 当量冲击度的最大值减小了42.0%, 平均值减小了61.4%, 因此, 处理后车辆的平顺性得到了提高。

表3

Table 3

表3(Table 3)

表3 处理前后的当量冲击度比较 Table 3 Comparison of equivalent jerk before and after processing 最大值 平均值 处理前 1 1.44× 10 -3 处理后 0.58 5.56× 10 -4 改善程度/% 42.0 61.4

表3 处理前后的当量冲击度比较 Table 3 Comparison of equivalent jerk before and after processing