基于小波和粒子群算法的HEV行駛狀況辨識方法研究

郭海龍， 張永棟， 張勝賓

(1. 廣東交通職業(yè)技術學院汽車與工程機械學院， 廣東 廣州 510650；2. 華南理工大學機械與汽車工程學院， 廣東 廣州 510641)

基于小波和粒子群算法的HEV行駛狀況辨識方法研究

郭海龍1,2， 張永棟1,2， 張勝賓1

(1. 廣東交通職業(yè)技術學院汽車與工程機械學院， 廣東 廣州 510650；2. 華南理工大學機械與汽車工程學院， 廣東 廣州 510641)

針對混合動力汽車(HEV)行駛狀況(道路坡度和整車載荷)變化難以有效識別，導致驅(qū)動系統(tǒng)控制策略不能有效滿足駕駛員意圖問題，以混聯(lián)式HEV為研究對象，提出了基于小波濾波和粒子群算法的HEV行駛狀況辨識方法。首先建立了汽車行駛狀況辨識模型，采用最小二乘法確立了優(yōu)化目標函數(shù)，其次研究了基于小波濾波和粒子群算法的HEV行駛狀況辨識原理，最后進行了行駛狀況粒子群智能算法辨識試驗。在采集實車數(shù)據(jù)的基礎上，對實車數(shù)據(jù)進行小波濾波，并運用行駛狀況辨識方法對道路坡度和整車載荷進行了辨識，并對辨識結果進行小波濾波，結果表明，試驗工況下整車載荷辨識的相對誤差絕對平均值為2.71%，道路坡度辨識的相對誤差絕對平均值為3.85%,驗證了所提出方法的有效性。

混合動力汽車； 最小二乘法； 粒子群算法； 小波濾波； 辨識

混合動力電動汽車(HEV)整車動力性、經(jīng)濟性、續(xù)駛里程較傳統(tǒng)汽車和電動汽車都有很大優(yōu)勢[1-2]。整車驅(qū)動系統(tǒng)控制策略是HEV核心技術之一。當行駛狀況(如道路坡度和整車載荷等)發(fā)生改變時，整車速度和加速度將會發(fā)生相應變化，車輛行駛將會偏離駕駛員意圖，這會迫使駕駛員頻繁踩踏加速踏板，以期望HEV能夠在現(xiàn)有行駛狀況下遵循駕駛員意圖行駛。此過程HEV將會不斷加速、減速和制動，導致整車能耗增加、乘員舒適性下降。因此，有效辨識行駛狀況對于制定合適的整車控制策略、降低能耗、保證乘員舒適性具有很大意義。針對該問題國內(nèi)外學者也進行了大量理論和試驗研究，如新加坡學者Wilhelm Erik將福特輕型純電動貨車作為研究對象，研究了汽車質(zhì)量的實時估計方法[3]。同濟大學的余卓平等針對4個輪轂電機驅(qū)動的電動汽車質(zhì)量估算方法進行了研究[4]。相關研究主要集中在變速器換擋規(guī)律、車輛縱向控制、巡航控制、輔助制動和牽引控制等方面[5]。對于行駛狀況辨識的研究，主要集中在傳統(tǒng)重型汽車[6-7]，部分集中在純電動汽車方面[3-4]，鮮有研究出現(xiàn)在混合動力電動汽車方面；從研究目的來看，主要集中在自動變速器換擋策略、動力學控制、GPS導航方面，極少將其應用在HEV的駕駛?cè)诵枨笈ぞ匾鈭D辨識或驅(qū)動系統(tǒng)控制策略方面；從辨識方法來看，大多是車輛載荷[3-4,8-9]或道路坡度[6,10-11]獨立辨識，而沒有將二者有效結合起來。因此，本研究以混聯(lián)式HEV為研究對象，研究了HEV的坡度和載荷動態(tài)辨識方法，目的是在行駛狀況變化的情況下，通過該方法辨識出行駛狀況，為制定符合駕駛員意圖的驅(qū)動系統(tǒng)控制策略提供基礎，進而達到降低整車能耗、提高乘員舒適性的目的。

1 行駛狀況粒子群智能算法辨識機理研究

1.1 混聯(lián)式HEV的結構參數(shù)

本研究以混聯(lián)式HEV為研究對象，其動力總成結構見圖1。其中電動機MG2與齒圈相連接，發(fā)電機MG1與太陽輪連接，發(fā)動機與行星架連接。該動力耦合機構的動力輸出部件為齒圈，齒圈又進一步通過鏈傳動將動力傳遞到中間軸，中間軸通過主、從動齒輪將動力傳遞至主減速器，主減速器的主、從動齒輪將動力降速增扭后傳遞到差速器，差速器最終通過行星齒輪和半軸齒輪帶動左右驅(qū)動車輪。表1示出了該混聯(lián)式HEV整車及動力學相關主要參數(shù)。

1—電動機MG2； 2—行星齒輪齒圈； 3—行星架； 4—太陽輪； 5—傳動鏈主動輪； 6—傳動鏈從動輪； 7—發(fā)電機MG1； 8—發(fā)動機； 9—中間軸主動齒輪； 10—中間軸從動齒輪； 11—主減速器主動齒輪； 12—主減速器從動齒輪； 13—差速器； 14—半軸； 15—驅(qū)動輪圖1 行星齒輪式混聯(lián)HEV動力總成結構

空氣阻力系數(shù)CD0．3迎風面積A/m21．746旋轉(zhuǎn)質(zhì)量換算系數(shù)δ1．1車輪自由半徑r/m0．31車輪滾動半徑rr/m0．30整備質(zhì)量m/kg1300滾動阻力系數(shù)f0．0015

1.2 汽車行駛狀況辨識模型

由汽車行駛縱向動力學原理，可得當前t時刻汽車行駛微分方程為[12]

(1)

(2)

由式(1)可知，在驅(qū)動力、車速、加速度已知的前提下，該式存在兩個自由變量，即m和α，求解該變量有兩個方程即可，即可以利用t-1，t-2時刻的方程來求解m和α。

考慮汽車行駛過程中，若僅用兩個時刻的數(shù)據(jù)來計算m和α會出現(xiàn)較大誤差，因此，采用當前時刻以前的i個歷史時刻數(shù)據(jù)點來解m和α的計算方程，由此該問題便成為一個超定超越方程組的求解問題，方程組矩陣見式(3)：

(3)

(4)

根據(jù)最小二乘原理，對下式優(yōu)化目標函數(shù)進行最小尋優(yōu)：

(5)

2 小波優(yōu)化算法及行駛狀況粒子群求解原理

近年來，小波理論快速發(fā)展，而且由于其具備良好的時頻特性，因而實際應用也非常廣泛，應用小波進行濾波也獲得了非常好的效果。粒子群算法是一種基于模擬動物的社會行為和自適應特征的以種群為基礎的優(yōu)化方法[13]，由于其具有很高的效率，并且能夠在科學和工程領域中尋找全局最優(yōu)解，因此在科學和工程領域中的應用越來越受到人們的關注[13-15]，并形成了多種算法形式[16-19]。綜上所述，本研究選取小波濾波算法和經(jīng)典基本粒子群算法來進行整車載荷和道路坡度優(yōu)化求解。

2.1 小波濾波原理

車輛行駛過程中，由于路面不平造成汽車零部件之間的撞擊、振動以及車廂內(nèi)部乘員的活動等引起的噪聲都會直接干擾有效信號的測量，其中噪聲處于高頻段，有用信號處于低頻段。假設觀測到的一維信號有如下形式：

(6)

式中：s(t)表示真實信號；n(t)表示噪聲。

一般情況下，在含噪信號中，信號有較低的頻率和較穩(wěn)定的波形，而噪聲頻率較高且沒有規(guī)律。含噪信號中的噪聲會影響對信號的辨識和處理，加大辨識難度甚至影響處理結果，因而，濾波就顯得尤為重要。本研究使用軟閾值對所獲取的數(shù)據(jù)進行濾波處理。

(7)

結合車輛測試數(shù)據(jù)特點，可根據(jù)實際濾波效果確定分解層數(shù)，并選定啟發(fā)式閾值選擇原則。此外，由于汽車速度信號對小波基的對稱性要求不是很高，因此可以采用近似對稱的小波基，乘法門限調(diào)整有3種，分別是“one”，“sln”和“mln”，優(yōu)先使用“one”，效果不理想的情況下，可以用另外兩個參數(shù)優(yōu)化濾波結果。

2.2 小波濾波效果

基于小波濾波原理，本研究選擇道路坡度0.089 8 rad(5.145°)、實車質(zhì)量1 596 kg (載荷ml=296 kg)，乘員為5人進行濾波效果的試驗。車速數(shù)據(jù)濾波的效果對比見圖2。車輛驅(qū)動力數(shù)據(jù)濾波的效果對比見圖3。

圖2 車速數(shù)據(jù)濾波效果的對比

圖3 車輛驅(qū)動力數(shù)據(jù)濾波效果的對比

將圖2與圖3左右兩圖進行對比可以看出，經(jīng)過小波濾波之后，一方面，原始圖像中的絕大部分毛刺都已經(jīng)去掉，另一方面，原始圖像的走勢保留得比較完好，說明小波濾波可以達到較好的效果。兩者的小波濾波參數(shù)對比見表2。

表2 不同條件下的小波濾波參數(shù)對比

通過表2可以發(fā)現(xiàn)，針對車速和驅(qū)動力濾波，條件的選擇并不相同，不同的數(shù)據(jù)有其自身的特點，需針對不同的特點選擇合適的濾波方法，從而達到較好的濾波效果。

2.3 基本粒子群算法原理

基本PSO算法將每個個體看作是一個粒子，該粒子沒有體積和質(zhì)量，并在n維搜索空間中以一定速度飛行，飛行過程也就是尋優(yōu)的過程，其飛行速度由個體經(jīng)驗和群體經(jīng)驗進行動態(tài)調(diào)整[20]。

結合本研究中整車載荷m和道路坡度α尋優(yōu)需要，設Xi=(mi,αi)為微粒i的載荷和坡度當前優(yōu)化值；Vi=(vim,viα)為微粒i的載荷和坡度更新速度；Pi=(pim,piα)為微粒i的載荷和坡度最優(yōu)適應值的位置。

(8)

設尋優(yōu)群體中的粒子為s個，所有粒子的全局最優(yōu)位置為Pg(t)，則：

(9)

由上，基本PSO算法的進化方程可描述為

vim(t+1)=vim(t)+c1r1m(t)[pim(t)-mi(t)]+

c2r2m[pgm(t)-mi(t)]。

(10)

viα(t+1)=viα(t)+c1r1α(t)[piα(t)-αi(t)]+

c2r2α[pgα(t)-αi(t)]。

(11)

mi(t+1)=mi(t)+vim(t+1)αi(t+1)=

αi(t)+viα(t+1)。

(12)

式中：下標“m”表示微粒載荷維;下標“α”表示微粒坡度維;下標“i”表示微粒i；t表示第t代；c1，c2為變速常數(shù)，c1∈[0,2]，c2∈[0,2]；r1～U(0,1)，r2～U(0,1)為相互獨立的隨機函數(shù)。由此可知，c1可以改變微粒向自身載荷和坡度最優(yōu)位置移動的步長，c2可以改變微粒向全局載荷和坡度最優(yōu)位置移動的步長。為避免微粒飛離搜索空間，vim，viα通常限值如下：

vim∈[-vmmax,vmmax]，

viα∈[-vαmax,vαmax]。

由約束函數(shù)可知，本研究中載荷m和坡度α的搜索空間為

m∈[mmin,mmax]，α∈[αmin,αmax]。

因此，可設定：

基本PSO算法的初始化一般分三步：首先設定群體大小N；然后對任意微粒i在[mmin,mmax]和[αmin,αmax]搜索空間內(nèi)產(chǎn)生服從均勻分布的mi和αi；最后對任意微粒i在[-vmmax,vmmax]和[-vαmax,vαmax]限值范圍內(nèi)產(chǎn)生服從均勻分布的vim和viα。

3 行駛狀況粒子群智能算法辨識實車試驗

為了驗證上述道路坡度和整車載荷辨識方法的有效性，進行了行駛狀況粒子群智能算法辨識試驗。

3.1 試驗設備及方法

試驗設備包括混聯(lián)式HEV、專用數(shù)據(jù)流測試儀器IntelligentTester-Ⅱ、筆記本計算機、專用數(shù)據(jù)處理軟件IntelligentViewer、汽車軸重測量試驗臺、道路坡度測試數(shù)字全站儀。IntelligentTester-Ⅱ可以通過車輛診斷專用接口從整車CAN網(wǎng)絡獲取車輛數(shù)據(jù)，并將其記錄保存在存儲設備中，數(shù)據(jù)采樣周期約為51ms，可采集全車各個電控系統(tǒng)部件全部數(shù)據(jù)。

為檢驗行駛狀況粒子群智能辨識方法的效果，試驗中首先測定了試驗車的質(zhì)量、載荷的質(zhì)量以及道路的坡度，然后試驗車以不同載荷和不同加速踏板行程在試驗坡道上行駛，同時使用專用設備采集試驗數(shù)據(jù)，并對試驗數(shù)據(jù)進行小波濾波；利用濾波后的數(shù)據(jù)，運用粒子群辨識方法對試驗車的載荷和道路坡度進行辨識，并再次對辨識結果進行小波濾波，最終將濾波后的辨識值與真值進行對比，從而檢驗辨識方法的效果。因本研究的辨識需要車速等數(shù)據(jù)，所以需辨識車速大于0的行駛工況。

為充分對行駛狀況粒子群智能辨識方法進行驗證，設定了如表3所示的試驗工況，并針對不同的項目設定了如表4所示的小波濾波參數(shù)。

表3 行駛狀況辨識試驗設定的工況

表4 不同條件下的小波濾波參數(shù)

3.2 試驗結果分析

根據(jù)采集的實車試驗數(shù)據(jù)，如試驗工況車速、HEV動力系統(tǒng)轉(zhuǎn)速、扭矩等，運用粒子群智能算法對汽車載荷和試驗道路坡度進行辨識。

在工況試驗數(shù)據(jù)采集和行駛狀況辨識試驗的基礎上，對原始數(shù)據(jù)進行小波濾波之后對兩種試驗工況的結果進行分析(見圖4和圖5)。

由圖4和圖5可知，在兩種工況下，汽車總質(zhì)量辨識相對誤差最大值分別為4.19%和6.81%，相對誤差絕對平均值分別為2.17%和3.25%，道路坡度相對誤差最大值分別為19.28%和9.83%，相對誤差絕對平均值分別為2.92%和4.78%。取兩種工況平均值后，可知汽車總質(zhì)量辨識的相對誤差絕對平均值為2.71%，道路坡度辨識的相對誤差絕對平均值為3.85%。

圖4 工況1試驗結果

圖5 工況2試驗結果

4 結束語

本研究以某款混聯(lián)式HEV為研究對象，建立了汽車行駛狀況辨識模型，將實車采集的動力學參數(shù)進行小波濾波，在線構造超定超越方程組，運用最小二乘法建立了求解方程組的驅(qū)動力偏差最小目標函數(shù)。

實車驗證結果表明，運用基于小波和粒子群算法的HEV行駛狀況辨識方法辨識出HEV總質(zhì)量相對誤差絕對平均值為2.71%，道路坡度辨識的相對誤差絕對平均值為3.85%，辨識效果較為理想。采用基于小波濾波和粒子群算法的HEV行駛狀況識別方法，能夠有效識別行駛狀況，為制定滿足駕駛意圖的控制策略奠定基礎，進而達到降低整車能耗、提高成員舒適性的目的。

[1]ChenZ,XiongR,WangC,etal.Anon-linepredictiveenergymanagementstrategyforplug-inhybridelectricvehiclestocountertheuncertainpredictionofthedrivingcycle[J].AppliedEnergy,2016，185:1663-1672.

[2] 孫超.混合動力汽車預測能量管理研究[D].北京：北京理工大學,2016.

[3]Wilhelm,Erik,Rodgers,etal.Towardsreal-timeidentificationofelectricvehiclemass[C].UnitedStates:SAEConference,2013.

[4] 馮源,余卓平,熊璐.基于分段遞推最小二乘估計的汽車質(zhì)量辨識試驗[J].同濟大學學報(自然科學版),2012(11):1691-1697.

[5] 唐高強.并聯(lián)混合動力客車制動過程換擋規(guī)律研究[D].北京: 北京理工大學,2015.

[6]Sahlholm,Per,Johansson,etal.Segmentedroadgradeestimationforfuelefficientheavydutyvehicles[J].UnitedStates:IEEE,2010,58(8):1045-1050.

[7] 姚雪萍.載貨汽車危險狀態(tài)辨識及監(jiān)測預警研究[D].長春：吉林大學,2014.

[8]Rhode,Stephan,Gauterin,etal.Vehiclemassestima-tionusingleast-squaresapproach[J].IEEEConfIntellTransportSystProc,2012:1584-1589.

[9]Fathy,HosamK,Kang,etal.Onlinevehiclemassestimationusingrecursiveleastsquaresandsupervisorydataextraction[C]//AmericanControlConference.USA:IEEE,2008:1842-1848.

[10]Ganji,Behnam,Kouzani,etal.Alook-aheadroadgradedeterminationmethodforHEVs[J].Lect.NotesElectr.Engineering,2011,98(2):703-711.

[11]Ryan,Jonathan,Bevly,etal.Robustsideslipestima-tionusingGPSroadgradesensingtoreplaceapitchratesensor[C]//The2009IEEEInternationalConferenceonSystems,ManandCybermetics.USA:IEEE,2009:2026-2031.

[12] 余志生.汽車理論[M].北京:機械工業(yè)出版社,2006:77-79.

[13]ChenS,HungY,WuC,etal.Optimalenergymanagementofahybridelectricpowertrainsystemusingimprovedparticleswarmoptimization[J].AppliedEnergy,2015,160:132-145.

[14] 李衍達.小波濾波方法及應用[M].北京:清華大學出版社.2004.

[15]ClercM,KennedyJ.Theparticleswarm-explosion,stability,andconvergenceinamultidimensionalcomplexspace[J].IEEETransactiononEvolutionaryComputation,2002,6(1):58-73.

[16]HongYY,LinFJ,ChenSY,etal.Anoveladaptiveelite-basedparticleswarmoptimizationappliedtoVARoptimizationinelectricpowersystems[J].MathematicalProblemsEngineering，2014(4):1-14.

[17]WangY,LiB,WeiseT,etal.Self-adaptivelearningbasedparticleswarmoptimization[J].InformationSciences，2011，181(20):4515-4538.

[18]ShiY,LiuH,GaoL,etal.Cellularparticleswarmoptimization[J].InformationSciences，2011，181(20):4460-4493.

[19] Selvakumar A I,Thanushkodi K.A new particle sw-arm optimization solution to nonconvex economic dispatch problems[J].IEEE Transaction Power Systems,2007,22(1):42-51.

[20] 溫正.精通Matlab智能算法[M].北京: 清華大學出版社， 2015:106-108.

[編輯： 姜曉博]

Identification Method of HEV Driving Condition Based on Wavelet Filtering and PSO Algorithm

GUO Hailong1,2， ZHANG Yongdong1,2， ZHANG Shengbin1

(1. School of Automobile and construction machinery, Guangdong Communication Polytechnic, Guangzhou 510650, China; 2. School of Mechanical & Automobile Engineering, South China University of Technology, Guangzhou 510641, China)

The recognition method of driving condition for the parallel series HEV based on wavelet filtering and PSO algorithm was put forward to identify the real-time road slope and vehicle load changes effectively so that the driver could adjust his driving behavior in time through the control strategy of driving system. The identification model of vehicle driving condition was established and the optimization objective function was determined by the least square method. Then the recognition principle of driving condition based on wavelet filtering and PSO algorithm was studied. Finally, the recognition test of driving condition with the method was conducted. The wavelet filtering, the recognition of driving road slope and vehicle load and the wavelet re-filtering of vehicle test data were further conducted. The results show that the absolute average value of relative error for vehicle load and road slope is 2.71% and 3.85% respectively. Therefore, the proposed method is feasible.

hybrid electric vehicle(HEV)； least square method； particle swarm optimization (PSO) ； wavelet filtering； identification

2016-11-18；

2017-03-27

廣東省優(yōu)秀青年教師培養(yǎng)項目(YQ2013197)；廣東省高等學校高層次人才項目(2013-203)；廣東省交通運輸廳節(jié)能減排項目(節(jié)能-2014-06-002)

郭海龍(1981—)，男，副教授，博士，主要研究方向為新能源汽車技術；107289145@qq.com。

10.3969/j.issn.1001-2222.2017.02.011

U469.72

B

1001-2222(2017)02-0062-05