基于ANFIS的复合储能式装载机控制研究

李 钊, 林慕义,2, 陈 勇,2

(1.北京信息科技大学 机电工程学院,北京 100192; 2.北京电动车辆协同创新中心,北京 100192)

由于当前环境形势不断恶化,节能减排需求愈加高涨,各种混合动力车辆应运而生,而混合动力技术在工程车辆方面的主要代表为复合储能式装载机。复合储能式装载机的混合动力系统包括液压系统、电驱动系统和发动机系统。该混合动力系统构造复杂,且工作负载变化频繁,若控制策略选择不当,将很难实现对装载机的最优控制,整车燃油经济性也难以得到提升。

模糊控制当前在车辆的控制系统中应用较多,同时针对模糊控制也存在许多改进策略。文献[1]基于模糊控制原理,建立了适用于液压混合动力车辆的制动能量回收控制策略,仿真与试验结果表明,该策略大大提高了能量回收率;文献[2]将模糊控制理论应用于液压混合动力装载机的驱动和联合制动系统,制定了合理有效的驱动控制策略和再生制动控制策略,有效降低了整车的燃油消耗率;文献[3]使用粒子群算法对模糊控制器的控制规则进行了最优化设计,并将优化后的控制器运用于液压混合动力装载机,使整车制动能量回收率得到显著提高;文献[4]采用遗传算法对装载机复合储能系统模糊控制策略的隶属度函数进行了优化,使得参数设定更具有针对性,优化后的整车燃油经济性得到显著改善。

本文采用的自适应神经模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)是将神经网络与模糊推理结合在一起的混合系统,因此ANFIS兼具上述2种理论的特点,模糊推理在建立时不依赖于对象模型,同时拥有很强的自适应和自学习能力[5-6]。

针对复合储能式装载机由于结构复杂而不易控制的特点,本文首先搭建了复合储能式装载机的Simulink仿真模型;然后采用自适应神经模糊控制策略对复合储能式装载机的传统模糊控制器进行优化,并将优化后得到的ANFIS控制器重新载入到装载机整车仿真模型中,进行优化前、后的仿真分析与对比,以期提高整车控制性和燃油经济性;最后通过dSPACE进行硬件在环试验，以验证控制效果的有效性。

1 复合储能式装载机结构与原理

复合储能式装载机的结构与原理示意图如图1所示。

1.电磁离合器1 2.电磁离合器2 3.电磁离合器3 4.锁止机构 5.行星齿轮机构 6.电磁离合器4 7.电磁离合器5 8.二次元件 9.蓄能器

复合储能式混合动力装载机由发动机系统、电驱动系统、液压系统3个动力源构成。发动机系统为装载机的行驶、掘进、举升等工况提供最主要动力；电驱动系统主要为装载机的各辅助装置如车灯、空调等提供动力,同时也可以和发动机系统一起为装载机提供动力；而液压系统通过液压蓄能器的液压油压力对装载机进行制动,此外还可以与发动机和电动机一起为装载机提供动力[7]。

2 复合储能式装载机仿真建模

本文搭建的复合储能式混合动力装载机仿真模型包括外部环境、传动系统、液力变矩器、发动机、工作装置、发电/电动机、动力电池、液压泵/马达、液压蓄能器、控制器等子系统,首先依据有关公式完成各主要子系统的Simulink模型搭建。

2.1 发动机模型

发动机模型为:

(1)

其中:Me为发动机转矩;Mb为泵轮转矩;My为泵/马达转矩;Je为发动机转动惯量;Jb为泵轮转动惯量;ωe为发动机旋转角速度。

2.2 电动机模型

电机功率为:

Pm=Tmnm/(9 550ηm)

(2)

其中:Tm为电动机输出转矩;nm为电动机转速;ηm为电机效率。

2.3 动力电池模型

蓄电池放电效率为:

(3)

蓄电池充电效率为:

(4)

其中:Pm为电机功率;R为蓄电池内阻;U为蓄电池两端电压。

2.4 液压泵/马达模型

制动时泵轮转矩为:

TP/M=vgΔP/(2πηP/M)

(5)

驱动时泵轮转矩为:

TP/M=vgΔPηP/M/(2π)

(6)

其中:vg为液压泵/马达排量;ΔP为液压泵/马达出油口和进油口的压差;ηP/M为液压泵/马达机械效率。

2.5 液压蓄能器模型

放液过程有：

(7)

充液过程有：

(8)

其中:p0为蓄能器充气压力;p1为蓄能器稳定工作点的压力[8];p2为蓄能器压力上限;p为蓄能器出口压力;V0为蓄能器的有效容积;充电V1为蓄能器稳定工作点的容积;n为气体多变指数,绝热过程取n=1.4。

2.6 搭建整车Simulink仿真模型

通过数学模型(1)～(8)式并结合其他有关模型公式,使用Simulink搭建装载机各子系统的仿真模型,再将各子系统模型组合为整车仿真模型。搭建完成后的整车后向仿真Simulink模型如图2所示。

图2 整车后向仿真Simulink模型

3 自适应神经模糊控制系统设计

3.1 自适应神经模糊控制系统

本文采用的ANFIS控制策略是以样本数据为基础,使用自适应建模法建立模糊推理系统,然后利用Hybrid法对模糊控制系统的控制规则和隶属度函数进行推算。该策略非常适用于特性不为人们所完全了解或特性非常复杂的系统问题,且具有很好的控制效果[9-10]。

3.2 建立初始ANFIS

复合储能式装载机工作中常用工作形式有“V型”工况、“T型”工况、“I型”工况、“L型”工况4种。其中“V型”工况是最常用的工况且工作效率最高,因此最具代表性。本文从“V型”工况的实验数据中选取部分数据作为样本数据,同时以此样本数据作为训练数据对ANFIS控制器进行训练。在样本数据中以需求转矩、蓄能器SOC和电池SOC作为输入量,以发动机转矩作为输出量。

训练前先用min-max法对训练数据进行数据值归一化处理,以期降低神经网络训练难度的同时提高数据训练的精度,归一化后的样本数据值均在0～1之间。训练过程为调用Matlab中的自带函数对样本数据进行归一化处理,完成归一化后的样本数据则自动保存在Matlab工作区,而ANFIS工具箱则通过Matlab工作区对样本数据进行调用。

在Matlab中调出ANFIS的图形界面工具anfisedit工具箱,利用FIS编辑器建立具有三输入单输出的Sugeno型模糊推理系统。然后进行如下设置:And method选择prod；Or method选择probor；Defuzzification选择wtaver。之后将归一化处理完的训练数据加载至工具箱,如图3所示。

图3 加载样本数据后的ANFIS编辑器界面

此处选择Sub.clustering法作为FIS的生成方式,其参数设置保持默认值,最后生成的ANFIS控制系统内部结构如图4所示。

图4 Sugeno型ANFIS系统结构

由图4可知,本文建立的ANFIS系统采用多层前向神经网络结构,其每层的功能与向后续一层所传递的信息各异。

各层功能描述如下:

(1) 第1层为输入层,表示3个输入点分别对应3个输入量。

(2) 第2层为模糊化层,表示3个输入量均分别由7个模糊子集覆盖。

(3) 第3层为模糊规则层,表示3个输入量的模糊子集互相交叉并生成7条模糊规则。

(4) 第4层为模糊推理层,表示根据7条模糊规则生成了对应7个输出量的7个输出函数。

(5) 第5层为清晰化层,通过ANFIS控制系统输出了清晰化处理后的输出量。

输入量的隶属度函数类型均为ANFIS编辑器依据训练数据自动选择的高斯型,而输出量对应的函数类型为线性函数。

在初始FIS状态下各输入量对应的隶属度函数曲线如图5所示,其中各输入量的论域均为[0,1]。

由图5可知,因为输入量为实测数据,所以各输入量的隶属函数划分具有不均匀性。输入的训练数据在经过神经网络的推算后得出7条一一对应的模糊规则，具体描述如下:

(1) IF (Demandtorque is e1) and (AccumulatorSOC is f1) and (BatterySOC is r1) then (Enginetorque is u1)。

(2) IF (Demandtorque is e2) and (AccumulatorSOC is f2) and (BatterySOC is r2) then (Enginetorque is u2)。

(3) IF (Demandtorque is e3) and (AccumulatorSOC is f3) and (BatterySOC is r3) then (Enginetorque is u3)。

(4) IF (Demandtorque is e4) and (AccumulatorSOC is f4) and (BatterySOC is r4) then (Enginetorque is u4)。

(5) IF (Demandtorque is e5) and (AccumulatorSOC is f5) and (BatterySOC is r5) then (Enginetorque is u5)。

(6) IF (Demandtorque is e6) and (AccumulatorSOC is f6) and (BatterySOC is r6) then (Enginetorque is u6)。

(7) IF (Demandtorque is e7) and (AccumulatorSOC is f7) and (BatterySOC is r7) then (Enginetorque is u7)。

图5 训练前ANFIS控制器隶属度函数划分

训练前发动机转矩的模糊规则输出曲面如图6所示。

由图6可知,因为训练前使用的是普通模糊控制策略,所以发动机输出转矩的波动较为明显,不能始终保持在最优转矩范围。

图6 训练前发动机转矩的模糊规则输出曲面

3.3 初始ANFIS的训练

本文选择反向传播(back propagation,BP)算法与最小二乘法相结合的混合算法作为初始ANFIS的训练算法,训练次数设置为25次,训练误差阈值为0。

完成初始ANFIS的训练后所得到的误差-训练次数关系动态曲线界面如图7所示,其中横坐标表示训练次数,纵坐标表示误差。

图7 训练误差变化曲线界面

由图7可知,初始ANFIS训练误差在训练次数接近25次时不再变化且最终值为0.005 035 9,说明训练次数设定为25次较为合理。

3.4 训练后的ANFIS

训练后的ANFIS隶属函数如图8所示。

图8 训练后ANFIS控制器隶属度函数划分

从图8可以看出,在经过ANFIS对训练数据的自学习后,依据训练数据中的最优输出值,各输入量的隶属度函数的模糊子集形状均发生了显著变化,即隶属度函数被重新进行了划分。这表明训练后的ANFIS具有了自适应性,且目标性更强,更易于实现最优的控制效果。

训练后发动机转矩的模糊规则输出曲面如图9所示。由图9可知,训练后的发动机输出转矩变化更加平缓,始终保持在最优转矩范围内,进而为降低整车燃油消耗量提供了可能。

图9 训练后发动机转矩的模糊规则输出曲面

4 仿真分析

将经过训练的ANFIS控制器载入到图2所示的复合储能式装载机整车仿真Simulink模型中，并进行相关仿真试验。

在运行Simulink模型的同时，采集经过ANFIS控制器优化后的蓄能器SOC、电池SOC以及燃油消耗量的数值,并将之与优化前的各对应数值进行对比,对比结果如图10所示。

由图10a、图10b可知,复合储能式装载机在ANFIS控制器的控制下,蓄能器和电池的SOC值在工作过程中均有提高,尤其是电池SOC值的上升幅度十分显著。这表明与普通模糊控制相比,基于自适应神经模糊控制的复合储能式动力装载机的能量回收效率更高。

由图10c可知,优化后的装载机燃油消耗量明显下降。将优化前、后“V型”工况下装载机的平均燃油消耗量进行对比,计算得节油率为9.27%,表明优化后的整车经济性能更优。节油率ρ的计算公式为:

(9)

其中:Q为优化前的燃油消耗量;Q1为优化后的燃油消耗量。

图10 优化前、后蓄能器SOC、电池SOC、燃油消耗量的对比

5 硬件在环试验

5.1 试验原理

dSPACE仿真试验系统如图11所示。

图11 dSPACE仿真试验系统

利用图11所示的硬件在环试验台,将整车后向仿真Simulink模型中的液压驱动-制动能量回收部分用相应硬件实物代替,同时,系统的其他部分仍然使用仿真模型,然后利用dSPACE仿真试验系统进行硬件在环试验,来验证ANFIS控制器的优化效果。

5.2 试验结果分析

“V型”工况下仿真和试验的燃油消耗量对比如图12所示。由图12可知,因为液压驱动-制动能量回收部分替换成硬件实物,所以试验曲线存在一定的波动,而试验系统的迟滞反应也导致试验曲线与仿真曲线之间存在小幅偏差,但对试验结果基本不产生明显影响,因此“V型”工况下燃油消耗量的试验曲线与仿真曲线基本一致。这表明基于自适应神经模糊控制的优化效果切实有效。

图12 “V型”工况下燃油消耗量的对比

6 结 论

(1) 相比于普通模糊控制策略,本文采用的ANFIS在制定隶属度函数和模糊规则时具有自适应性,避免了人工推算的过程,效率更高,且在输出结果的寻优过程中目标性更强,使得装载机的发动机始终工作在最优转矩范围内,因此更易于实现最优的整车控制效果。

(2) 仿真结果表明,采用ANFIS控制器后的装载机整车燃油消耗量得到显著降低,节油率达到9.27%,能量回收率以及整车燃油经济性也得到明显改善,验证了ANFIS优化效果的有效性。

(3) 通过硬件在环试验采集“V型”工况下的燃油消耗量曲线,并将之与同工况下对应的仿真曲线进行比较,验证了仿真结果的可靠性。这表明本文搭建的复合储能式装载机仿真模型以及采用本文ANFIS控制策略的正确性。

(4) 基于ANFIS的装载机控制器达到了更优的控制效果,有效提高了整车的控制性能和经济性能。本文研究为相关整车控制器的优化设计提供了一定的参考。