混联式混合动力客车整车控制系统的开发*

王 磊，张 勇，殷承良

(上海交通大学，汽车电子控制技术国家工程实验室，上海 200240)

前言

混合动力汽车(hybrid electric vehicle，HEV)技术已成为解决能源短缺和降低温室气体排放的有效手段［1-2］。对于高油耗的大型车而言，如城市公交客车，其应用混合动力技术所节省的燃油要远高于小型车。因此，开展混合动力城市客车的研究具有现实意义。整车控制系统(hybrid control unit，HCU)的开发是 HEV节能技术的关键。要实现HEV的高性能运行，须对其动力系统进行优化控制，即由HCU实时监控车辆的运行状态，按照特定的控制策略，实现车辆工作模式的转换和能量的优化分配，并对部件进行实时保护，使各部件能够协调、可靠地工作。

HCU的开发包括能量管理策略(energy management strategy，EMS)和控制器硬件的设计开发［1-4］。由于混联式混合动力系统的结构和控制功能复杂，应用优化算法的EMS可使动力系统能量流动的控制和整车燃油消耗的优化更加灵活，因此基于优化算法的EMS开发成为HEV控制系统开发的研究热点，包括实时优化算法和全局最优算法［1-2，5］。由于HEV控制功能的增多和为满足复杂算法实时控制的精度要求，对HEV控制系统CPU的存储容量和运算速度的要求也日益提高，使得基于PowerPC架构的 32 位处理器被逐步应用［1-4，6］。

本文中针对某型混联式混合动力客车，设计开发了基于PowerPC的混合动力总成控制器，同时以最小燃油消耗为目标，提出了基于迭代动态规划优化算法和Elman动态神经网络的实时优化能量管理策略，并对设计开发的HCU进行了硬件在环验证。目前，应用全局优化算法进行HEV EMS设计的研究通常采用基于动态规划优化结果的规则提取法，其计算量大且结果处理方式复杂。而本文中采用的迭代动态规划算法可减小优化计算量且有利于提高计算精度，同时Elman动态神经网络可以高精度逼近任何非线性过程，获得较好的实时控制效果。所设计的HCU采用32位单片机MPC5554作为控制器CPU，相对于16位单片机，其具有浮点运算单元，不仅能提高控制器系统质量，且有利于新型复杂算法的研究和实施。

1 混合动力总成及其控制系统

混合动力客车动力系统结构见图1。其驱动系统由6缸柴油发动机、起动发电一体化电机(integrated starter generator，ISG)、驱动电机、电控离合器和磷酸铁锂电池等部件组成。ISG电机转子与发动机曲轴直接相连，驱动电机空套在自动离合器的输出轴上，其输出与电机减速器的输入齿轮连接，并通过减速器的输出齿轮与发动机的输出相耦合。整个动力系统的动力由自动离合器输出轴传出。

HEV整车控制系统采用基于控制器局域网(controller area network，CAN)总线的分布式控制系统方案，其具有层次化、模块化和可靠性高等优点，便于整车控制系统的开发。HCU通过CAN总线与发动机控制器、电池管理系统、离合器执行机构和ISG/驱动电机控制器通信。混合动力系统控制原理如图2所示。在HEV的行驶过程中，HCU实时动态采集驾驶员指令信号和动力系统各部件的状态参数信号，根据预先开发的EMS来进行信号流和能量流的处理和分配，并通过CAN总线向各部件ECU和执行器发出控制信号，使动力系统各部件间相互协调工作，实现车辆工作模式的切换。在保证期望动力输出的条件下，实现较低的燃油消耗和维持电池荷电状态(state-of-charge，SOC)的平衡。

2 HCU控制软件设计

HCU控制软件部分主要包括驱动软件模块和应用软件模块［1，4，7-8］。驱动软件模块用于实现硬件驱动和整车及部件工作状态信号的采集与处理;应用软件模块通过获取的状态信号和当前各部件参数确定车辆行驶的工作模式，并根据能量管理算法，在各个工作模式下合理分配能量，以达到经济性和动力性的要求。这里主要介绍应用层软件，即整车EMS的开发。

整车EMS的设计目标是在特定的循环工况下，满足混合动力客车整车驾驶性能和维持电池SOC平衡的同时获得最优的燃油经济性。因此整车EMS设计的最优控制问题相当于在有限的时间段内，满足所有状态变量和控制变量的约束条件下，寻求使选定目标函数最小的控制策略:

式中:J为燃油消耗量的代价函数，U(t)为控制向量，X(t)为状态向量，tf为给定循环工况时间，Γ为最终状态惩罚函数，Lfuel为瞬时燃油消耗量，x0为状态向量初始值，φ为状态向量和控制向量约束。由于动态规划算法易于解决动态系统的多约束和非线性问题，且能得到全局最优解［1-2，9］，可用于求解HEV在特定循环工况下的最佳性能。鉴于城市公交车的行驶线路固定，因此动态规划算法可用于混合动力客车EMS的设计［1］。对于给定的循环工况，车辆的行驶速度和驱动转矩需求为已知，根据图1所示的HEV动力系统结构和图2所示的混合动力控制系统原理，定义HEV最小燃油消耗最优控制的状态向量和控制向量为

同时，为维持电池SOC平衡，避免行驶过程中发动机频繁起停和离合器的频繁操纵，将HEV最小燃油消耗最优控制的目标函数定义为

式中:R为离合器分离行程，Ten为发动机转矩，TTM为驱动电机转矩，Rcl为离合器操纵指令，Rcl=0为接合指令，Rcl=1为分离指令，P为循环工况离散的时间段数，Esw为发动机开关信号，α、β、γ分别为加权系数，k为阶段数。

为解决传统动态规划算法采用较细的控制变量和状态变量网格所产生的计算负荷大以及采用线性插值方法产生的计算精度不高的问题［1，9］，本文中采用迭代动态规划(iterative dynamic programming，IDP)算法进行混合动力客车EMS的设计。给定循环工况下，应用IDP求解HEV最小燃油消耗最优控制问题的计算方法如下:

IDP采用较为稀疏的控制变量和状态变量网格。当计算出的状态变量为非网格点时，取距离最近网格点上的控制变量为最优控制策略［9］:

当每步迭代计算完成之后，分别将得到的最优状态变量和控制变量作为下一步迭代计算的状态变量网格和控制变量网格的中点:

同时缩小状态变量网格和控制变量网格的大小:

式中:J*、X*和U*为每步迭代时的最优计算结果;r、s分别为状态变量和控制变量的许可范围，h为迭代步数，ε为缩减因子，M为控制变量数目，N为状态变量数目，Xg为网格点上的变量。通过一定步数的迭代，控制变量网格和状态变量网格将会变细并可求得全局最优解。图3为中国公交客车典型循环工况(CTBDC)。图4为所设计的混合动力客车在CTBDC循环工况下，初始SOC为0.53时，经18步迭代计算得到的最优控制策略。

由图4可见，通过IDP算法得到的给定循环工况下的最优控制策略为时间和状态的变量，因而不能直接用于实时控制，且HEV最小燃油消耗最优控制的计算是基于车辆能准确跟踪预定循环工况的假设。在车辆实际行驶过程中，HCU根据动力系统部件当前工作状态和驾驶员加速踏板和制动踏板操作来协调动力系统输出，以满足预定循环工况的车速要求，因此HCU对混合动力系统的控制不在预定循环工况的确定时间点产生，且在行驶过程中，循环工况的速度轨迹不能完全精确跟踪，因此采用Elman动态神经网络，将IDP最优控制策略应用于实时控制。图5为Elman实时控制神经网络结构图，它采用3层Elman动态神经网络，输入为该段时间步长和前段时间步长的状态变量，即电池SOC、车速、离合器分离行程和驱动功率需求，输出为该段时间步长的控制变量，即离合器操纵指令、发动机转矩和驱动电机转矩。为了获得较高的充放电效率，电池SOC的工作范围限定为0.45～0.65，因此采用3组不同SOC初始值 (SOC=0.65，0.55，0.45)时的最优控制向量为神经网络训练样本，采用两组不同SOC初始值(SOC=0.6，0.5)时的最优控制向量为神经网络验证样本［10］。

采用Levenberg-Marquardt对ELman神经网络进行训练，训练结果如图6和图7所示。神经网络的训练误差为0.001，且神经网络对于最优控制变量的预测值与IDP最优控制策略之间的误差较小，因此训练后的Elman神经网络应用于HCU可以得到较为优化的实时控制性能。

3 HCU硬件设计

控制系统硬件是提供实现控制策略和算法的硬件平台，同时还要完成如传感器数据采集、滤波和CAN数据收发等功能，控制系统硬件主要包括外围接口电路与信号处理部分和CPU。通过对整车动力系统结构和整车能量管理策略的分析，HCU的输入输出信号主要包括CAN总线信号和车辆传感器信号，且HCU的能量管理策略采用基于IDP最优控制的Elman神经网络控制，因此要求控制器有较大的存储容量和浮点运算能力。设计的HCU采用Freescale 32位单片机MPC5554作为控制器CPU，其整合了1个64位浮点运算单元，最高工作频率为132MHz，片内集成了 32kB RAM，64kB SRAM 和2MB Flash存储器，包含2个CAN收发寄存器和3个CAN总线接口，2个32通道时间处理单元(TPU)，1个12位40通道A/D转换器，1个12位1通道D/A转换器，4个DSPI接口，2个SCI接口和1个24通道的模块化I/O系统，其为控制软件的设计和执行提供了丰富的资源和强大的平台，适用于需要复杂算法的实时控制。根据整车动力系统结构和整车能量管理策略，混联式混合动力客车HCU硬件系统框图如图8所示。

混合动力客车HCU的控制输入信号包括模拟信号、开关量信号和CAN信号。控制器的模拟量输入为制动踏板传感器信号和加速踏板传感器信号，其输出电压范围为0～5V，表示0～100%的踏板行程，模拟量信号接口电路用于对传感器信号进行滤波和跟随及过压保护，制动踏板传感器和加速踏板传感器信号经模拟量信号接口电路输入HCU用以进行驾驶员驾驶意图的识别和驱动/制动转矩需求的计算。控制器的开关量信号输入主要包括车辆的状态信号，如点火钥匙位置、倒挡开关、制动开关等，其输出电压为0/24V，开关量信号接口电路用于对开关量输入信号进行光电隔离和整形，并将0/24V的输入信号转换为0/5V的电压输出，从而能被HCU读取进行车辆状态信息的判断。CPU通过CAN信号驱动器82C250实现CAN信号的收发。HCU通过CAN总线与发动机ECU、ISG/驱动电机控制器和电池管理系统进行双向通信，接收电池SOC、电池充放电电压及电流、发动机转速、电机温度、转速和转矩等信息，并根据整车EMS发送电机和发动机的控制信息，且通过HCU的CAN通信模块进行基于CCP协议的在线标定。HCU的开关量输出信号包括发动机断油控制、诊断指示和离合器操纵指令等信号，开关量驱动电路用于对输入信号进行光电隔离，并将0/5V的输入信号转换为0/24V的电压输出到各执行机构。HCU的模拟量输出信号为发动机节气门控制信号，其输出电压范围为0～5V，模拟量信号驱动电路用于对信号进行电压跟随，可实现对发动机输出转矩的控制。HCU的串口调理电路采用MAX232芯片，通过HCU的串口通信模块可进行控制系统的诊断。

4 试验验证与结果分析

以ETAS PT-LABCAR为平台，建立混合动力客车HCU硬件在环仿真试验系统，以验证HCU控制策略的实时控制功能和硬件系统的可靠性，如图9所示。HCU硬件在环仿真试验系统由上位机、HCU和PT-LABCAR硬件(包括RTPC和I/O接口)组成。系统通过上位机的MATLAB/Simulink环境建立混合动力客车前向仿真模型，包括驾驶员、循环工况和整车模型，且在硬件在环试验时，通过上位机可进行参数测量和在线标定。PT-LABCAR的I/O接口将HEV模型计算出的电池SOC、车速、加速/制动踏板位置等信息转化为HCU可接收的电信号，并将HCU发送的发动机转矩、电动机转矩和离合器操作指令等控制信号传递给HEV模型，用以实现HEV模型和HCU之间的双向通信。

混合动力客车HCU硬件在环仿真试验在CTBDC循环工况下进行，HEV在满载(17000kg)时的实际运行工况如图10所示。由图可见，HCU可根据设计的EMS调节混合动力系统的输出，使HEV获得满足CTBDC工况需求的驱动功率，车辆的实际运行工况同目标工况相符，且车辆不同工作模式之间的切换过渡平稳，表明HCU控制策略的能量分配较为合理并能满足混合动力客车的实时控制要求。

对于混合动力客车，电荷消耗量直接影响了车辆的循环油耗。当电池电力充足时，车辆可以消耗较多的电能，电机长时间处于电动工作模式，有利于节省燃油;而当电池电力不足时，发动机在驱动车辆的同时必须带动ISG发电，为电池补充能量。文中采用电池SOC平衡(ΔSOC=0)时的油耗表征混合动力客车的燃油经济性。混合动力客车与原型车满载时的CTBDC工况经济性试验结果如表1所示。HEV电池SOC变化曲线及电荷平衡时发动机、ISG电机和驱动电机工作点分布如图11～图14所示。

表1 混合动力客车经济性试验结果

根据表1中的试验结果，采用基于IDP最优控制和Elman神经网络实时控制算法的混合动力客车的燃油经济性相对于传统柴油发动机原型客车提高了24.60%。从图11可以看出，HCU在获得较高燃油经济性的同时，可有效地将电池SOC控制在低内阻的工作范围(0.45～0.65)之内，从而实现较高的充放电效率，且电池浅充浅放，有利于提高电池组的寿命和可靠性。在图12中，1区为发动机串联发电区，2区为发动机并联工作区或发动机单独驱动工作区。图13中的1区为ISG电机串联发电区(对应于图12的1区)。由图12和图13可以看出，发动机避开了怠速工作区，且在串联和并联驱动模式时，发动机均能较好地被控制在高效区，因此极大地提高了HEV的燃油经济性;而ISG电机的工作点大部分位于发电区，主要用于串联发电维持电池SOC，且发电工作点位于电机的高效区，有利于提高发动机-ISG发电机组的能量转换效率，由于急加速工况占CTBDC工况的比例较低，因此只有少部分ISG电机工作点位于电动区域，其主要用于快速起动发动机工况。由图14可见，由于驱动电机的效率较高，相对于ISG电机和发动机，其工作点的分布范围较广，主要用于低速纯电动驱动、制动能量回收和调节发动机负荷，从而提高车辆的燃油经济性。

5 结论

(1)针对某型混联式混合动力客车，以Freescale MPC5554为CPU，设计开发了混合动力客车整车控制系统，完成了HCU的硬件系统和软件系统设计，并建立了基于ETAS PT-LABCAR的混合动力客车HCU硬件在环仿真试验系统，进行了CTBDC工况下的HCU硬件在环仿真试验。结果表明，设计开发的HCU运行稳定、可靠，且能有效完成预定的循环工况，车辆不同工作模式之间的切换过渡平稳。

(2)以整车燃油消耗最小化为目标，设计开发了基于迭代动态规划全局优化算法和Elman动态神经网络的实时优化能量管理策略。HCU硬件在环仿真试验结果表明，所制定的优化能量管理策略能有效满足混合动力客车实时控制的要求，且行驶过程中的能量分配合理，其燃油经济性比原型车提高了24.60%，实现了混合动力客车的优化控制。

［1］Lino Guzzella，Antonio Sciarretta.Vehicle Propulsion System［M］.Springer Berlin Heidelberg，2007.

［2］Dong Suk Kum.Modeling and Optimal Control of Parallel HEVs and Plug-in HEVs for Multiple Objectives［D］.The University of Michigan，2010.

［3］Fathy Hosam K，Filipi Zoran S，Hagena Jonathan，et al.Review of Hardware-in-the-Loop Simulation and Its Prospects in the Automotive Area［C］.Proceedings of SPIE，The International Society for Optical Engineering，FL，USA，2006，62280E.1-20.

［4］王伟华，曾小华，刘志茹.混合动力客车多能源动力总成控制器［J］.农业机械学报，2006，37(11):5-8.

［5］Lin Chan Chiao，Peng Huei，Grizzle Jessy W.Power Management Strategy for a Parallel Hybrid Electric Truck［J］.IEEE Transctions on Control Systems Technology，2003，6(11):839-849.

［6］George Saikalis，Shigeru Oho，Andrew Wabnitz.Hardware-in-theloop Real-time Optimization of Electronic Controllers［C］.SAE Paper 2005-01-1317.

［7］朱磊，袁银南，张彤.并联混合动力集成式多能源电控管理系统开发［J］.内燃机学报，2008，26(6):519-524.

［8］罗禹贡，杨殿阁，金达锋.轻度混合动力电动汽车多能源动力总成控制器的开发［J］.机械工程学报，2006，42(7):98-102.

［9］Rein Luus.Optimal Control by Dynamic Programming Using Systematic Reduction in Grid Size［J］.International Journal of Control，1990，51(5):995-1013.

［10］Sartori Michael A，Antsaklis Panos J.A Simple Method to Derive Bounds on the Size and to Train Multilayer Neural Networks［J］.IEEE Transaction on Neural Network Industrial Electronics，1991，2(4):467-471.