基于混沌神经网络的混合动力汽车状态切换协调控制策略研究＊

张允侯丽华毕铭轩梁春辉

（1.长春工程学院；2.吉林大学 汽车仿真与控制国家重点实验室；3.吉林省地方水电局）

基于混沌神经网络的混合动力汽车状态切换协调控制策略研究＊

张允1,2侯丽华1毕铭轩3梁春辉1

（1.长春工程学院；2.吉林大学 汽车仿真与控制国家重点实验室；3.吉林省地方水电局）

针对并联混合动力汽车在发动机和电动机工作状态切换过程中非线性动力耦合系统工作状态所具有的混沌特征，提出了基于混沌神经网络的混合动力汽车状态切换协调控制策略。建立了协调控制总体模型构架，设计了混沌神经网络工作状态识别器，并通过试验对该识别器的准确性进行了验证。在此基础上搭建了协调控制系统整车控制模型，针对协调控制策略进行了仿真试验。结果表明，采用该控制策略能够有效提高整车动力性、燃油经济性与SOC平衡性，实现了对状态切换过程的协调控制。

1 前言

并联混合动力汽车在发动机和电动机工作过程中，需要根据路况进行能量分配和工作状态的切换[1]。在状态切换过程中，由于并联混合动力汽车多动力源之间存在复杂的耦合模式，且动力耦合系统状态具有混沌的特征，传统的控制方法难以实现对此类具有高度复杂性、非线性的动力耦合系统的控制。而基于混沌神经网络理论的优化是一种新型的直接搜索优化算法，它即继承了人工神经网络学习、并行处理和联想的特点，又能够直接采用混沌变量在允许空间进行搜索，搜索过程按混沌运动自身规律进行，更容易跳出局部最优解，其不仅搜索效率高[2,3]，且对于变量较多、约束复杂的优化问题算法简单、实现方便，可以充分利用对问题的某些先验知识，具有较强的适应性。因而，本文将混沌神经网络理论应用于混合动力汽车的状态切换协调控制中，以期在保证SOC值在规定范围内变化的同时，有效地提高整车动力性与经济性，从而实现对状态切换过程的协调控制，达到节能、环保与安全的目的。

2 混合动力汽车运行状态分析

混合动力汽车的实际运行工况主要包括起步、加速、减速、巡航、上坡、下坡、制动、停车、倒车等[4]。与传统内燃机汽车不同，混合动力汽车包括发动机和电机两套动力源，且两套动力系统分别具有不同的高效工作区。为了充分发挥并联式混合动力汽车的优势，其在不同的运行工况下应具有多种不同的工作状态，在此基础上进行转矩的合理分配及车辆的协调控制，以充分提高车辆整体性能。根据不同的工况要求和能量分配方案，可将混合动力汽车分为纯电动状态（AB段）、纯发动机状态（BC段）、混合驱动状态（DE段）、行车充电状态（CD段）、再生制动能量回馈状态（EF段）和怠速/停车状态（OA段）等6种基本工作状态[5,6]，如图1所示。

3 混合动力汽车协调控制策略总体模型构架

如何根据工况变化实现运行状态的切换、保证电池SOC平衡性且同时提高整车动力需求及降低燃油消耗是混合动力汽车协调控制策略的控制目标。图2为混合动力汽车协调控制策略总体构架，主要包括控制信号输入和输出模块、工作状态判别模块与混合动力汽车协调控制模块。

输入模块和输出模块为控制策略的输入信号和输出信号部分，在实车中输入信号由传感器或执行部件通过CAN总线提供给整车控制器（HCU），输出信号经HCU中的控制策略计算得到，由CAN总线传递到各执行部件控制器；工作状态判别模块主要根据驾驶员加速踏板开度、制动踏板开度、挡位、车速等实时判断车辆工作状态；协调控制模块主要依据车辆工作状态判别结果对混合动力汽车进行协调控制。

4 混沌神经网络工作状态识别器

4.1 工作状态识别原理

要对混合动力汽车进行协调控制，首先应实时预测识别出车辆当前的工作状态，在此基础上，针对具体工作状态调整控制参数，进而实现协调控制的功能。

本文将混沌优化算法（Chaotic Optimization algo⁃rithm）同BP神经网络（Back Propagation Neural Network，BPNN）相结合,采用混沌优化BP神经网络（COBPNN）建立工作状态识别与预测模型，在采集的实测工作状态数据基础上，依据工况特征对各工作状态进行识别，并将识别出的工作状态作为混沌神经网络的训练样本对网络进行训练，构建混沌神经网络工作状态识别器，然后对未知的工作状态进行在线识别与预测。与传统BPNN相比，该COBPNN充分利用混沌优化算法优化神经网络的权值和阈值，提高了网络训练的速度和精度，进而提高了模式识别结果的准确性。图3为工作状态识别原理图。

工作状态识别步骤如下。

a.选择工作状态特征参数。由于反映工作状态的特征参数很多，因而会使工作状态的识别变得复杂。为此选取最大车速Vm、平均车速V、平均加速度Va、平均减速度Vd、最大需求功率Pm-req、平均功率P作为工作状态识别的6个特征参数。

b.构建工作状态参数评分器。该评分器的功能是计算待识别工作状态的归属分值，归属分值计算式为：

式中，qi为某工作状态归属于第i种典型工作状态的得分，i=1，2，…，6；ki为归属权重，用来调整不同特征参数对评分影响的比例；fi(·)为归属分值计算函数。

c.将待识别运行工况依据时间顺序进行分段，分别计算各工作状态的6个特征参数，并带入特征参数评分器，进一步求得各工作状态归属值，按照最大归属值原则最终确定该运行工况属于哪种典型工作状态，并对其进行标记。标记值1对应“怠速/停车状态”，2对应“纯电动状态”，3对应“纯发动机状态”，4对应“行车充电状态”，5对应“混合驱动状态”，6对应“减速/制动能量回馈状态”。

d.选取50组实测工况，采用工作状态识别器进行识别，并将已识别工作状态作为训练样本，利用神经网络进行训练，构建出符合6种工作状态的神经网络识别器，用于新工况下工作状态的识别与预测。

4.2 识别器结构

将6种工作状态下的特征参数作为COBPNN预先指定工作状态的训练样本，给定初始权值与学习率，构建COBPNN工作状态识别器，对未知工作状态进行在线识别。该COBPNN与BP网络同属前向型网络，但训练算法与BP算法不同，它是以混沌优化方法为网络训练时的权值、阈值修改算法，而混沌优化的自身遍历特性有效避免了BP算法存在的初值敏感性、收敛速度慢及局部极小等问题[7,8]。COBPNN工作状态识别器如图4所示。

图4中，网络的第1层为输入层，输入向量X=[x1,x2,…,x6]，输入层的6个输入节点分别对应行驶工况的6个特征参数。第2层为隐含层，隐含层节点个数为l，其激活函数为sigmoid函数，该层任一节点j输出为：

式中，xp为输入向量；νpj为输入层与隐含层之间连接权值；θνj为隐含层阈值。

第3层为输出层，输出层有6个神经元，分别对应（0001,0010,0011,0100，0101,0110）6种工作状态，其第i个节点输出为：

式中，wji为隐含层与输出层之间连接权值；θwi为输出层阈值。

4.3 选择混沌变量寻优

目前，混沌优化搜索的主要手段是载波，采用适当的载波方式可使混沌变量充分遍历以求得最优解。本文先用混沌优化算法对BP神经网络的初始权值进行一次载波，再将载波后的权值带入BP算法快速收敛到局部最优，然后再利用混沌优化算法对局部最优进行二次载波，即对其进行一次小扰动，从而跳出局部最优解，最终收敛到全局最优。这种方法既提高了寻找全局最优的速度，也提高了算法的收敛精度，在很大程度上克服了BP算法的缺陷，实现了优势互补。

设网络的权值与阈值矩阵分别为V、W、θν、θw，对应的载波矩阵为RV、RW、Rθν、Rθw，下面将说明如何通过载波混沌矩阵xn得到网络的权值和阈值的载波矩阵。

a.网络初始化。在[0,1]区间取具有微小差异的随机数，并按公式得到一系列的混沌变量,形成初始混沌序列。其中，xn∈[0,1]，n为迭代次数，λ为控制参数，初始混沌序列记为

b.给出训练样本。提供学习样本，分别给出训练样本集每个模式对的输入向量和希望输出向量

c.粗搜索阶段。用一次载波方程（4）将混沌变量映射到[-1,+1]区间上：

式中，α1∈[0,1]为绝对误差调解指数；α2∈[0,1]为相对误差调解指数，且

在训练初期主要通过绝对误差调整权值，在训练后期主要通过相对误差进行权值的修正。

在粗搜索阶段，为获得良好的遍历性，近而得到较满意的解，需将设置的迭代次数M取为M≥200，同时设置计算精度ε，不断地进行优化学习，当满足学习代数n=M，或经过若干次迭代搜索后计算精度E仍保持不变时，转至细搜索阶段，否则继续迭代搜索。

d.细搜索阶段。当经过若干次迭代搜索E仍保持不变时，需按式（6）进行二次载波，生成新的权值、阈值向量。

式中，δ为可调节参数；xnew*为当前最优解。

重新计算当前E值，若E＜E*，则更新最优值，即

设置新的迭代次数N（N≥M），重复优化学习过程，当满足学习代数n=N，或计算精度E＜ε时，输出最终的最优解，否则继续迭代搜索。

COBPNN训练流程如图5所示。

4.4 COBPNN工作状态预测模型实时预测结果及分析

为验证COBPNN优化模型的泛化能力与预测能力，首先选取50组标准工作状态样本进行学习，建立工作状态识别器模型，再随机选取另外50组样本代入模型进行测试。表1为部分学习样本的输入与期望输出的工作状态识别结果。表2为部分测试样本的输入与对应的期望输出、BPNN实际输出和优化后的COBPNN实际输出的工作状态识别结果。通过对测试样本的实际输出与期望输出的比较可知，所建立的COBPNN工作状态识别器模型的泛化和预测能力较强，工作状态识别效果较好。

表1 工作模式识别器部分学习样本及期望输出数据

表2 工作模式识别器部分检测样本及实际输出与期望输出数据

针对我国城市交通日益庞大的车流量及在上下班高峰时期交通特点，选取对于城市循环工况具有一定代表性的美国城市循环工况（UDDS）作为测试工况，利用统计学原理对采集的工况数据进行分析处理，获得了连续两次从加速到制动循环测试工况下发动机转速、电动机转速和车速的实时变化轨迹，如图6所示。

由图6a可看出，在5～105 s和132～155 s两段区间内加速踏板有效；在105～120 s和155～165 s两段区间内制动踏板有效。在0～10 s区间内，混合动力汽车处于从停车到起步阶段，此时电机单独工作，驱动车辆起步；在第10 s时发动机起动，发动机转速由0开始逐步上升；在第18 s和第28 s时分别经历了两次升挡，进而发动机转速下降；在第42～50 s区间内，电动机转矩为0，此时发动机单独驱动；在50～100 s之间，发动机与电机同时工作，发动机转速与电机转速稳步上升，此时系统处于功率辅助状态；在105～120 s之间制动踏板有效，整车进入制动能量回馈状态，发动机转速与电机转速逐步下降至0，系统停车。同理，在第2个运行周期内，当加速踏板有效时系统运行状态依次从纯电动驱动状态经历发动机起动状态切换至发动机驱动状态，继而进入功率辅助状态；当制动踏板有效后，系统运行状态经历发动机停机状态和能量回馈状态直至最终的滑行停机状态。由图6b的对比结果可看出，该COBPNN模型能够对工作模式进行准确预测。

5 混沌神经网络工作状态协调控制策略研究

5.1 协调控制系统整车模型的建立

基于混沌神经网络工作状态识别模型建立混合动力汽车协调控制动力优化系统整车控制模型，如图7所示。

图7中，工作状态数据处理模块的功能是对仿真工况数据进行预处理，如异常点去除、去毛刺等，然后对工作状态数据进行预缓冲，针对实测工作状态设定采样时间段，计算该采样时间段内工作状态的特征参数值，并与该时间段内的工作状态数据共同输出给COBPNN工作状态识别模块。COBPNN工作状态识别模块依据工作状态的特征参数数据，以采样时间段为区间对接下来的工作状态进行连续预测识别，实时判断有无工作状态切换发生。协调控制模块首先判断状态切换过程是否需要动态协调控制，若需要则结合协调控制策略计算发动机油门开度、电机输出转矩等控制信号给整车动力学模型，完成车辆的动态仿真，将状态变量输送回所需模块，完成闭环仿真。

5.2 协调控制算法研究

首先根据采集到的电动机、发电机、电池特征参数的运行数据进行初始状态识别并判断混合动力汽车是否满足状态切换的条件，如果不满足则直接根据当前混合动力汽车运行状态确定发动机和电动机的目标转矩；如果满足则进一步判断该状态切换过程是否需要进行协调控制。若需要协调控制，则向动态协调控制算法发出状态切换协调控制请求，进入协调控制子程序，实时预测识别出所切换至的状态，并确定发动机和电动机的目标转矩；否则不进行动态协调控制。工作状态协调控制算法流程如图8所示。

5.3 混沌神经网络协调控制前、后试验结果对比

利用所建立的基于混沌神经网络工作状态识别器的HEV整车控制模型对所研究的协调控制算法进行测试和验证。

5.3.1 协调控制前、后整车动力性试验结果对比

当混合动力汽车的工作状态发生改变时，发动机和电机的工作状态也随之改变。但发动机的动态响应慢，造成其转矩输出不能实时跟踪工况转矩需求，为此需利用电动机良好的转矩动态响应特性，通过其对发动机的转矩输出误差进行转矩实时动态修正，从而将驾驶员需求转矩在发动机与电动机之间进行合理分配，以保证工作模式切换过程中动力传递的平顺性。图9与图10分别为协调控制前、后需求转矩分配结果。

可以看出，与协调控制前相比，协调控制后发动机的输出转矩变化减小，而电动机输出转矩变化相对加大，即系统借助于电动机的快速响应特性补偿了发动机转矩输出时间常数大、响应速度慢的缺陷。由图10可看出，当车速较低时（位置1），发动机关闭，输出转矩为0，整车由电动机单独驱动；当车速较高、转矩需求较高时（位置2），电动机转矩接近0，整车主要由发动机驱动；当转矩需求较低时（位置3），发动机转矩接近0，整车主要由电动机单独驱动；当变速器换挡时（位置4），发动机转矩发生突变；当转矩需求为负时（位置5），发动机关闭，系统由电动机回收制动能量。通过对仿真结果的分析可知，由电动机转矩进行补偿以调节发动机转矩的控制方法合理有效，保证了工况转换过程中整车的平顺性。

为进一步考察汽车在连续换挡过程中加入协调控制策略后对整车动力性的影响，采用连续换挡（从1挡→空挡→2挡→空挡→3挡→空挡→2挡→空挡→1挡）的方式进行试验，且升挡时空挡时间相对较长，降挡时空挡时间相对较短。图11为汽车由驱动模式到制动模式不断切换时，加入协调控制策略前、后各转矩变化曲线。

由图11可看出，协调控制前，无论空挡还是在挡，电动机转矩均未对发动机转矩进行补偿，从而导致了总驱动转矩与需求驱动转矩之间始终存在较大差异；加入协调控制后，虽然升挡时由于换挡时间长引起动力中断造成实际总驱动转矩与需求转矩之间差异较大，但当汽车在挡时由于加入了协调控制策略，使得电动机转矩补偿了发动机转矩与需求驱动转矩之间的差值，进而使总驱动转矩能够更好地跟随需求驱动转矩，总驱动转矩与需求驱动转矩曲线的吻合度明显提高，整车动力性得到改善。

5.3.2 协调控制前、后发动机工作点分布对比

图12为协调控制前、后发动机工作点分布对比结果，图13为协调控制前、后发动机效率对比结果。可以看出，协调控制后发动机工作点向高效区移动，发动机效率得到了有效提升。

为验证混合动力汽车协调控制前、后的燃油经济性，在轻载顺畅、中载略堵、重载拥堵3种典型工况下进行了试验测试，所测得的各典型工况下协调控制前、后油耗对比结果见表3。可知协调控制后整车燃油经济性得到有效改善。

表3 各种典型工况下油耗数据 L/100 km

5.3.3 协调控制前、后电池SOC值对比

本文将SOC实测值与平衡值之差的均值ΔSOCm作为衡量SOC值变化的标准，ΔSOCm越小说明SOC值波动越小，平衡性越好。试验中设定SOC平衡值为0.6，要求SOC值在一个工作循环内能够重新平衡在设定值附近，且ΔSOCm的变化范围不超过5%。图14为协调控制前、后SOC值对比结果。从仿真结果可看出，经协调控制后SOC从平衡值到设定值所需时间明显缩短，且ΔSOCm从协调控制前的6%降至目前的3%，在允许的范围内。可见经协调控制后，电池SOC值被更快速地维持在一个合理的范围内，动力电池亦具有较高的充放电效率，有利于延长电池寿命。

1 李孟海.基于模型匹配控制的PHEV动态协调控制方法.汽车工程，2007,29(3)：203～219..

2 SunMing,XuYaoqun,DaiXuefeng,et al.Noise-Tuning-Based Hysteretic Noisy Chaotic Neural Network for Broadcast Scheduling Problem in Wireless Multihop Networks，IEEE Transactions on Neural Network and Learning Systems，23 (12),2012，pp:1905～1918.

3 Xu Yaoqun,He Shaoping.Fourier chaotic neural network with application in optimization.IEEE International Confer⁃ence on CCC,Kunming，2008,729～733.

4 何成立.并联式混合动力公交车及其冷却系统性能仿真研究：[学位论文].济南：山东大学，2012.

5 王保华.混合动力城市客车控制策略与试验研究：[学位论文].上海：上海交通大学，2008.

6 殷承良,浦金欢,张建武.并联混合动力汽车的模糊转矩控制策略.上海交通大学学报,2006,40(1):157～162.

7 Ning,Bo，Wu,Jiutao,Peng,Hui,Zhao,Jianye.Using chaotic neural network to forecast stock index.IEEE International Conference on neural network Wuhan,2009,870～876.

8 Zhao,Yu-Hong,Xiao,Jin-Feng.Application of chaotic neural network in power system load forecasting.IEEE Internation⁃ al Conference on Mechatronic Science,Electric Engineering and Computer，Jilin，2011，1629-1632.

（责任编辑文 楫）

修改稿收到日期为2015年2月1日。

表3 CFD结果

4 集成式SCR系统台架结晶试验

通过仿真验证M1符合设计目标，样件制作完成后在潍柴动力有限公司技术中心的发动机台架上进行试验验证。

为了验证结晶情况，分成两部分进行40 h的结晶试验：第1部分为10 h内60个ESC循环，第2部分为30 h内60个ETC循环。试验结束后，SCR箱体内未发现明显的结晶现象，如图13所示。

排放试验结果如表4所列。

表4 排放试验结果

从表4中可以看出，ETC、ESC试验时NOx排放量小于3.5 g/（kW·h），ETC下NH3泄漏量为15×10-6，小于25×10-6，说明这种集成式结构能满足国IV排放标准。

5 结束语

a.首先采用CFD仿真确认具体结构，并通过样件试验相结合的方式进行新型结构的设计开发，最终证明该方案可行。

b.双层套管式进口设计虽然使得进口段的压降比较大，基本上占到系统压降的1/2，但是其有助于增加运动路径，增强液滴粒子的蒸发效果，并减少结晶风险。

c.通过结晶试验和排放试验验证了新结构的可行性，整个系统满足国IV标准。

d.该集成式SCR系统的设计相比分体式结构更能满足安装空间的要求，降低结晶风险，减少维修费用，提高转化效率，并且能达到车厂各项技术要求。

参考文献

1 李鹏.满足国V排放的重型柴油机排放后处理技术.车用发动机，2010（8）：1～5.

2 ANSYS Inc.Fluent 6.3 User’s Guide.2006.

3 Birkhold F,Meingast U,Wassermann P,etal.Modeling and simulation of the injection of urea-water-solution for auto⁃motive SCR DeNOx-systems.Appl Catal B Environ，2007, 70:119～127.

4 董星涛.基于Fluent低压旋流喷嘴下游流场数值模拟及分析.轻工机械，2012（10）：25～28.

5 Zheng G,Sampath M,Alcini W,etal.Design Improvements of Urea SCR Mixing for Medium-Duty Trucks.SAE Techni⁃cal paper,2013-01-1074.

（责任编辑晨 曦）

修改稿收到日期为2015年5月1日。

Research on Hybrid Electric Vehicle State Switch Coordinated Control Strategy Based on Chaotic Neural Network

Zhang Yun1,2,Hou Lihua1,Bi Mingxuan3,Liang Chunhui1
（1.Changchun Institute of Technology;2.State Key Laboratory of Automobile Simulation&Control,Jilin University; 3.The Local Water and Electricity Bureau of Jilin）

In view of the chaos characteristics of nonlinear dynamic coupling system during the working state switching process of parallel hybrid electric vehicle(HEV)engine and electric motor,the HEV’s state switching coordinated control strategy based on chaotic neural network is proposed.The overall coordinated control model architecture is established,the chaotic neural network working state recognizer is designed,and the accuracy of the recognizer is verified through experiments.On this basis,the vehicle control platform of coordinated control system is constructed,and the simulated test is carried out for the coordinated control strategy.The results show that vehicle dynamic performance, fuel economy and batterySOCbalance are effectively improved with this control strategy,the coordinated control of the working state switching is realized.

Hybrid Electric Vehicle,Chaotic Neural Network，State Switch，Coordinated Control

混合动力汽车 混沌神经网络 状态切换 协调控制

U467.1+3

A

1000-3703（2015）10-0024-08

吉林省科技厅基金（201205046）；国家自然科学基金（51276079）。