基于模糊邏輯并聯(lián)混合動力汽車控制策略研究

張志文， 張 碩， 李天宇

(1. 中北大學(xué) 能源與動力工程學(xué)院， 山西 太原 030051； 2. 重慶大學(xué) 汽車工程學(xué)院， 重慶 400044；3. 吉林大學(xué) 機械科學(xué)與工程學(xué)院， 吉林 長春 130022)

0 引 言

截至2017年年底， 我國機動車輛保有量已達3.10億輛， 年燃油需求量大于2.53億噸， 機動車產(chǎn)生的尾氣排放量高達5 002.3萬噸， 我國汽車的排放已經(jīng)成為最大的污染源， 汽車尾氣污染物是形成霧霾、 大氣污染及溫室效應(yīng)的主要原因， 對人們賴以生存的環(huán)境產(chǎn)生了惡劣的影響[1-2]. 在能源危機和環(huán)境污染的雙重壓力下， 清潔能源汽車的研究成為當(dāng)下緊要的任務(wù).

純電動汽車理論上可以實現(xiàn)零排放， 但其推廣仍受能源結(jié)構(gòu)、 續(xù)駛里程、 快速充電、 電池循環(huán)壽命、 安全性、 價格等因素的制約[3]. 混合動力汽車(HEV)由于結(jié)合傳統(tǒng)汽車與純電動汽車兩者的優(yōu)點， 是目前良好的過渡產(chǎn)品， 通過不同能源的優(yōu)化互補， 有效地緩解了純電動汽車的技術(shù)瓶頸[4]. 并聯(lián)式HEV結(jié)構(gòu)簡單， 便于改裝， 有效降低汽車自重和制造成本， 發(fā)展前景非常廣闊.

并聯(lián)式HEV的工作模式復(fù)雜， 對控制策略提出更高的要求[5-6]. 常見的能量管理策略主要包括兩大類：機械式自動控制策略與思維式智能控制策略， 前者控制思路清晰， 結(jié)構(gòu)簡單， 工作可靠， 應(yīng)用廣泛， 但由于其門限參數(shù)是相對固定的， 很難滿足所有動態(tài)工況的變化， 無法保證整車的最優(yōu)工作效率與最佳燃油經(jīng)濟性. 全局優(yōu)化控制與模糊邏輯控制是混合動力汽車常用的智能控制策略， 全局優(yōu)化控制思路能夠?qū)崿F(xiàn)最優(yōu)化控制， 但是需要對工況預(yù)知[7-9]， 適合于試驗臺測試、 控制策略評價等領(lǐng)域. 模糊邏輯控制策略能夠提高系統(tǒng)的魯棒性， 適合于解決非線性系統(tǒng)的控制問題[10].

Vural 等人于2014年采用遺傳算法建立隸屬度函數(shù)和模糊集， 實現(xiàn)混合動力系統(tǒng)轉(zhuǎn)矩分配[11]； Moghbeli 等人于2014提出了一種基于動態(tài)規(guī)劃模糊能量管理策略來解決混合動力系統(tǒng)能量分配的問題[12]； Mustafa 等人于2015年基于雙模糊控制器控制電機與電池的工作模式. 由于模糊控制還不能實現(xiàn)全局最優(yōu)控制[13]， 很多科研工作者運用遺傳算法、 粒子群算法、 二次規(guī)劃等優(yōu)化算法對控制策略進行優(yōu)化. ABDELSALAM 等[14]以車速、 驅(qū)動力矩、 電池SOC等參數(shù)建立優(yōu)化模型， 尋求全局最優(yōu)解， 并驗證了其有效性. 本文結(jié)合并聯(lián)式HEV自身特點， 采用模糊邏輯研究其智能控制策略， 通過在線實時感知負載載荷大小與動力電池的SOC值， 控制發(fā)動機工作點與電機轉(zhuǎn)矩， 實現(xiàn)節(jié)能減排.

1 HEV系統(tǒng)結(jié)構(gòu)及工作模式

1.1 并聯(lián)式HEV動力系統(tǒng)結(jié)構(gòu)

并聯(lián)式HEV的系統(tǒng)結(jié)構(gòu)主要包括：發(fā)動機、 電機、 動力電池、 傳動系統(tǒng)等. 發(fā)動機與電機有多種組合方式， 選擇雙軸轉(zhuǎn)矩耦合式結(jié)構(gòu)方案， 圖 1 為系統(tǒng)結(jié)構(gòu)框圖.

圖 1 并聯(lián)式HEV動力系統(tǒng)結(jié)構(gòu)框圖Fig.1 Power system structure diagram of the parallel HEV(hybrid electric vehicle)

轉(zhuǎn)矩耦合器將發(fā)動機與電機輸出的扭矩進行分配， 實現(xiàn)系統(tǒng)不同的工作模式. 發(fā)動機通過離合器將動力輸入變速器系統(tǒng)中， 輸出的動力直接驅(qū)動行走系統(tǒng)， 或者將多余的能量通過轉(zhuǎn)矩耦合器供電動機發(fā)電， 將電能儲存到動力電池中； 電機單獨驅(qū)動行走系統(tǒng)， 或者與發(fā)動機共同驅(qū)動行走系統(tǒng)； 制動過程通過控制轉(zhuǎn)矩耦合器與電動機的工作模式實現(xiàn)能量回收， 將回收的電能儲存到電池組中.

1.2 并聯(lián)式HEV的工作模式

根據(jù)并聯(lián)式HEV動力系統(tǒng)結(jié)構(gòu)特點分析其工作模式， 主要包括發(fā)動機單獨驅(qū)動、 電動機單獨驅(qū)動、 復(fù)合驅(qū)動和再生制動能量回收四種模式[7,15]. 車輛在輕載、 起步、 低速等工況下， 動力電池SOC值較高， 為了提高能源利用率， 一般采用電機單獨驅(qū)動模式； 隨著車速逐漸升高或者在重載工況下， 負載需求功率偏大， 一般采用發(fā)動機單獨驅(qū)動模式； 在急加速、 爬陡坡等大負荷工況下， 車輛采用發(fā)動機和電動機復(fù)合驅(qū)動模式； 車輛在制動過程時， 控制器將電動機切換成發(fā)電機模式進行制動能量回收， 將回收的電能儲存到動力電池中.

2 整車模型的建立

2.1 整車動力學(xué)模型建立

汽車在運行過程中， 驅(qū)動力與助力構(gòu)成力平衡模型. 根據(jù)模型受力分析， 阻力主要包括加速度阻力、 滾動阻力、 空氣阻力和爬坡阻力. 采用經(jīng)驗?zāi)Ｐ蛯⑵嚱Y(jié)構(gòu)進行簡化， 將整車簡化為一個質(zhì)量模塊來分析汽車的整車模型[16]， 受力分析如圖 2 所示.

圖 2 整車受力分析圖Fig.2 Analysis diagram of the force for the vehicle

根據(jù)牛頓第二定律， 列出平衡方程式

Ft=Ff+Fw+Fi+Fj,(1)

式中：Ft為驅(qū)動力；Ff為滾動阻力；Fw為空氣阻力；Fi為坡度阻力；Fj為加速度阻力.

將式(1)進行分解， 整車動力學(xué)方程[17]為

(2)

式中：Ttq為動力系統(tǒng)輸出的總扭矩；ig為變速箱對應(yīng)檔位傳動比；i0為主減速傳動比；ηT為傳動系統(tǒng)的總效率；r為對應(yīng)車輪半徑；G為汽車總重 力；f為整車滾動阻力系數(shù)；CD為對應(yīng)的空氣阻力系數(shù)；A為整車的迎風(fēng)面積；u為汽車與空氣的相對速度；i為對應(yīng)的坡度；δ為汽車質(zhì)量換算系數(shù)；m為汽車總質(zhì)量； du/dt為整車加速度.

推導(dǎo)出汽車在改定車速的情況下動力系統(tǒng)需要提供的扭矩為

(3)

在仿真軟件中， 以循環(huán)工況已知參數(shù)作為輸入變量， 根據(jù)整車動力學(xué)方程建立傳動系統(tǒng)動力學(xué)模型， 實現(xiàn)系統(tǒng)仿真過程.

2.2 車輛主要參數(shù)

以某小型轎車為設(shè)計原型， 設(shè)計并聯(lián)式HEV滿足其所有性能需求， 主要參數(shù)如表 1 所示.

表 1 車輛主要仿真參數(shù)

2.3 整車模型的建立

根據(jù)所研究的并聯(lián)式HEV動力系統(tǒng)結(jié)構(gòu)， 基于MATLAB/Simulink平臺， 利用ADVISOR 軟件搭建整車仿真模型[18]， 如圖 3 所示.

圖 3 并聯(lián)式HEV整車仿真模型Fig.3 Simulation model of the parallel hybrid electric vehicle

3 整車模糊邏輯控制策略

3.1 控制目標(biāo)

模糊邏輯控制策略的目標(biāo)是：在保證系統(tǒng)正常工作的前提下， 動力電池SOC值達到動態(tài)平衡并實現(xiàn)整車最佳燃油性. 要求發(fā)動機平穩(wěn)工作在燃油效率較高和經(jīng)濟性較好區(qū)域， 在一定工況下， SOC值的變化在設(shè)定范圍內(nèi)， 以延長電池使用壽命長、 提高充放電效率. 確定發(fā)動機最佳工作區(qū)域有兩種控制模式：一種是基于燃油消耗的控制模式， 根據(jù)發(fā)動機萬有特性圖， 計算瞬時油耗并以此限制其工作點； 另一種是基于效率的控制模式， 控制發(fā)動機工作在其峰值效率區(qū)域內(nèi). 采用第二種控制模式， 在滿足工況轉(zhuǎn)矩要求的前提下尋求HEV的最小發(fā)動機裝機功率與最佳燃油區(qū)域.

3.2 模糊控制原理

通過模糊推理系統(tǒng)(FIS)來解決汽車行駛過程中高度非線性和時變特性的問題. 將動力電池的SOC值作為FIS的第一個輸入量， 將動力總成需求扭矩Treq作為FIS第二個輸入量， 將發(fā)動機轉(zhuǎn)矩作為輸出量. 為了實現(xiàn)模糊推理系統(tǒng)的通用性， 變量在輸入模糊推理系統(tǒng)之前， 將輸入變量量化到通用論域內(nèi)， 由模糊推理系統(tǒng)經(jīng)過模糊化、 模糊推理、 去模糊化等過程輸出發(fā)動機轉(zhuǎn)矩參量， 通過輸出變量還原系統(tǒng)工作模式， 得到發(fā)動機轉(zhuǎn)矩， 根據(jù)整車負載需求轉(zhuǎn)矩計算電動機工作轉(zhuǎn)矩， 圖 4 為原理圖.

圖 4 模糊控制能量管理策略原理圖Fig.4 Schematic diagram of fuzzy control energy management strategy

電動機轉(zhuǎn)矩可以用式(4)來確定[11]

TEM=Tload-Tout,(4)

式中：Tload為動力總成需求扭矩；Tout為發(fā)動機需求轉(zhuǎn)矩.

3.3 變量論域的確定

3.3.1 輸入變量論域

動力總成需求轉(zhuǎn)矩Treq的論域確定為[0，Tmax]， 當(dāng)Treq>Tmax時， 控制發(fā)動機工作于最大轉(zhuǎn)矩曲線上， 當(dāng)Treq=0時， 發(fā)動機給電池充電或關(guān)閉. 現(xiàn)將論域[0，Tmax]量化到通用論域[1,7]， “1”表示最小轉(zhuǎn)矩， “4”表示最大效率曲線所對應(yīng)的轉(zhuǎn)矩Ttarget， “7”表示最大轉(zhuǎn)矩. 圖 5 是Geo 1.0 L (41 kW) SI型發(fā)動機萬有曲線圖， 根據(jù)圖 5 繪制出發(fā)動機最大轉(zhuǎn)矩曲線和最大效率曲線如圖 6.

圖 5 發(fā)動機萬有特性曲線圖Fig.5 Universal characteristics curve of engine

圖 6 發(fā)動機最大轉(zhuǎn)矩曲線和最大效率曲線圖Fig.6 Maximum torque curve and maximum efficiency curve of the engine

基于圖 6 制定輸入變量量化原則：

當(dāng)輸入變量Treq≤Ttarget時，Treq論域為[1，4]， 將[0，Ttarget]用式(5)量化到區(qū)間[1，4].

(5)

當(dāng)輸入變量Treq>Ttarget時， 論域為[4,7]， 將[Ttarget,Tmax]用式(6)量化到區(qū)間[4,7].

(6)

輸入變量SOC的論域為[0,1]， 為了控制方便， 用式(7)量化到區(qū)間[1,7]：

(7)

式中：u為實際輸入的SOC值；SOChigh為設(shè)定上限SOC值；SOClow為設(shè)定下限SOC值.

根據(jù)上述論域制定原則， 建立輸入變量量化系統(tǒng)Simulink模型如圖 7 所示.

圖 7 輸入變量量化系統(tǒng)的Simulink模型Fig.7 Simulink model of the input variable quantization system

3.3.2 輸出變量論域

發(fā)動機工作轉(zhuǎn)矩Tout是模糊邏輯控制器的輸出變量， 其論域區(qū)間為[1,7]， 精確化發(fā)動機需求轉(zhuǎn)矩的過程如下.

(8)

(9)

輸出變量還原系統(tǒng)Simulink模型如圖 8 所示.

圖 8 輸出參數(shù)還原系統(tǒng)Simulink模型Fig.8 Simulink model of the output parameters restoration system

3.4 控制變量模糊子集的確定

表 2 和表 3 是根據(jù)變量論域確定變量模糊參量的過程.

確定控制變量的模糊子集， 輸入變量Treq和輸出變量Tout的模糊子集為{VS，SE，S，M，B，BE，VB}； 電池SOC的模糊子集為{very low，lower，low，normal，high，higher，very high}.

表2輸入變量Treq和輸出變量Tout模糊參量

Tab.2Fuzzy parameter ofTreqandTout

級別1234567模糊語言非常小較小小適中大較大非常大VSSESMBBEVB

表3動力電池SOC的模糊參量

Tab.3Fuzzy parameter ofSOC

級別1234567模糊語言非常低較低低適中高較高非常高very lowlowerlownormalhighhighervery high

3.5 控制變量的隸屬函數(shù)設(shè)計

隸屬度函數(shù)的形狀決定了控制器的靈敏度， 輸入變量和輸出變量均采用較為典型的三角形隸屬函數(shù)， 輸入變量Treq和輸出變量Tout隸屬函數(shù)曲線如圖 9 所示， 圖 10 為動力電池SOC值的隸屬函數(shù)曲線.

圖 9 輸入變量Treq和輸出變量Tout隸屬函數(shù)曲線Fig.9 Membership function curve of Treq and Tout

圖 10 輸入變量SOC的隸屬函數(shù)曲線Fig.10 Membership function curve of SOC

3.6 模糊邏輯控制規(guī)則設(shè)計

圖 11 為模糊邏輯控制流程圖， 在進行模糊邏輯控制過程中， 將動力電池的SOC值設(shè)置為第一參考量， 當(dāng)動力電池的SOC很高時， 且負載需求扭矩不是非常大， 發(fā)動機不工作， 汽車處于純電動工作狀態(tài)； 當(dāng)動力電池的SOC值在適中狀態(tài)時， 汽車需求扭矩較大， 控制策略模塊輸出較大的需求扭矩， 汽車處于發(fā)動機和電動機聯(lián)合驅(qū)動狀態(tài)； 當(dāng)動力電池SOC小于某閾值時(設(shè)定為0.5)， 為保證充放電性能和使用壽命， 電池將進入休眠或者充電狀態(tài).

圖 11 模糊邏輯控制流程圖Fig.11 Flow chart of the fuzzy logic control strategy

根據(jù)上述控制方案制定的模糊邏輯控制規(guī)則如表 4 所示.

制定出模糊規(guī)則之后， 經(jīng)過模糊推理器得出模糊輸出量， 使用Mamdani模糊推理方法計算輸出結(jié)果， 然后采用重心法進行反模糊化， 得到精確控制量對控制對象進行控制.

表 4 模糊邏輯控制規(guī)則表

3.7 模糊邏輯控制策略Simulink建模

基于MATLAB模糊邏輯工具箱設(shè)計模糊推理系統(tǒng)， 如圖 12 所示， 通過MATLAB/Simulink對模糊邏輯控制策略建模.

圖 12 模糊邏輯控制策略Simulink模型Fig.12 Simulink model of the fuzzy logic control strategy

4 控制策略仿真結(jié)果及分析

4.1 行駛工況的選擇

本文所研究并聯(lián)混合動力汽車主要針對的是城市路況， 選擇美國工況標(biāo)準(zhǔn)中的UDDS行駛工況進行整車的仿真實驗[19]. 圖 13 所示為曲線圖， 工況循環(huán)持續(xù)的時間是1 369 s， 行駛路程11.99 km， 最高車速91.25 km/h， 平均車速31.51 km/h， 停歇時間259 s， 停車次數(shù)為17次.

利用ADVISOR二次開發(fā)將控制策略嵌入整車模型中進行仿真實驗[20]. 為驗證模糊邏輯控制策略的優(yōu)越性， 在UDDS道路循環(huán)工況下進行對比仿真實驗， 分別對模糊控制和邏輯門限能量管理策略進行仿真. 設(shè)定電池初始SOC值為0.8， 最低SOC值為0.5， 選擇0～100 km/h加速所用時間、 最高加速度、 最高車速等參數(shù)作為車輛動力性能輸出結(jié)果.

圖 13 UDDS工況循環(huán)圖Fig.13 Diagram of UDDS operating cycle

4.2 發(fā)動機工作效率對比分析

圖 14 為兩種控制策略下發(fā)動機工作點的分布圖. 通過對比發(fā)現(xiàn)， 模糊邏輯控制策略下的發(fā)動機工作點分布較為集中， 且主要集中在最大效率轉(zhuǎn)矩曲線附近， 而邏輯門限能量管理策略下的發(fā)動機工作點分布相對分散， 通過計算：模糊邏輯控制策略下的發(fā)動機工作效率為26.50%， 邏輯門限能量管理策略下的發(fā)動機工作效率為25.66%， 模糊邏輯控制策略在一定程度上提高了發(fā)動機的工作效率.

×—模糊邏輯能量管理策略控制下的發(fā)動機工作點； ○—邏輯門限能量管理策略控制下的發(fā)動機工作點圖 14 發(fā)動機工作點分布圖Fig.14 Engine operating points on efficiency map

4.3 動力電池SOC值變化曲線對比分析

圖 15 與圖 16 為兩種策略下電池SOC值變化曲線. 從圖中可以看出， 兩種控制策略都能保證電池的SOC值保持在0.6左右， 且都處于淺循環(huán)狀態(tài)， 證明兩種能量管理策略都可以實現(xiàn)了動力電池組動態(tài)平衡， 實現(xiàn)了預(yù)期設(shè)計效果. 圖中的變化曲線均出現(xiàn)了波動現(xiàn)象， 原因是在工況循環(huán)中， 在路況需求轉(zhuǎn)矩較大， 使得SOC值下降迅速.

圖 16 模糊邏輯控制下電池SOC值變化曲線Fig.16 Changing curve of SOC under fuzzy logic control

模糊邏輯能量管理策略控制下的電池SOC值曲線在下降階段較為平穩(wěn). 仿真實驗結(jié)果表明， 在同一設(shè)置范圍內(nèi)， 模糊邏輯控制策略能更好地滿足設(shè)計要求.

4.4 動力性能及傳動系統(tǒng)工作效率對比分析

表 5 為兩種控制對比仿真數(shù)據(jù)結(jié)果. 車輛的燃油經(jīng)濟性能與動力性能是兩個不可兼得的指標(biāo)， 模糊邏輯控制下的車輛的動力性能與邏輯門限控制相比有所下降， 但下降程度很小， 模糊邏輯控制策略旨在提高燃油效率和燃油經(jīng)濟性， 動力性能下降符合預(yù)期設(shè)想. 但是， 對傳動系統(tǒng)的總效率而言， 模糊邏輯控制策略優(yōu)于邏輯門限能量管理策略， 說明模糊邏輯控制策略對提高傳動部件的工作效率有一定的作用.

表 5 動力性能及傳動系統(tǒng)工作效率仿真結(jié)果

4.5 排放性能和燃油經(jīng)濟性對比分析

表 6 為兩種控制策略排放性與燃油經(jīng)濟性仿真對比數(shù)據(jù)， 仿真結(jié)果表明邏輯門限能量管理策略下車輛百公里油耗為7.15 L， 模糊邏輯控制策略下車輛百公里油耗為6.47 L， 很大程度上改善了車輛的燃油經(jīng)濟性能. 但就排放結(jié)果而言， 模糊邏輯控制策略控制下的一氧化碳的排放量明顯減少， 但氮氧化合物的排放量減少并不是特別明顯， 碳氫化合物的排放量反而有少量的增加.

表 6 排放性能與燃油經(jīng)濟性仿真結(jié)果

5 基于多目標(biāo)的控制策略優(yōu)化

5.1 優(yōu)化目標(biāo)

仿真結(jié)果發(fā)明， 所設(shè)計的模糊邏輯能量管理策略雖然能夠有效減少燃油消耗， 但從全局角度考慮， 控制策略還需進一步優(yōu)化， 同時車輛排放性能的控制結(jié)果并不理想， 因此， 還需根據(jù)多目標(biāo)優(yōu)化的思想對所設(shè)計的控制策略進行優(yōu)化， 在保證發(fā)動機工作效率的基礎(chǔ)上， 使得廢氣排放量最小.

5.2 優(yōu)化思想

典型的多目標(biāo)問題由一組目標(biāo)向量、 一組等式約束向量、 一組不等式約束向量以及n維決策變量組成[21-22], 其數(shù)學(xué)模型描述為

minf(x)=(f1(x),f2(x),…,fm(x))

s.t.gj(x)≤0j=1,2,…,J,

hk(x)=0k=1,2,…,K,(10)

式中：x為n維決策變量;f為m維目標(biāo)向量;gj為j維不等式約束向量;hk為k維等式約束向量.

在ADVISOR軟件系統(tǒng)中， 各種排放污染物的數(shù)值是通過實驗測定的， 采用二維插值函數(shù)確定各函數(shù)之間的關(guān)系曲線， 發(fā)動機轉(zhuǎn)矩為已知條件， 通過函數(shù)關(guān)系確定對應(yīng)的發(fā)動機工作效率及各污染物的排放特性.

5.3 優(yōu)化模型

優(yōu)化函數(shù)用如下公式表示

minf(x)=ηe(x)W0+HC(x)W1+…

…CO(x)W2+NOx(x)W3,

s.t. 0≤x≤Tmax,(11)

式中： 優(yōu)化函數(shù)f(x)是關(guān)于發(fā)動機轉(zhuǎn)矩的函數(shù)，f(x)最小值所對應(yīng)的轉(zhuǎn)矩就是所求的優(yōu)化轉(zhuǎn)矩；ηe(x)為發(fā)動機工作效率函數(shù)；W0為效率權(quán)重； HC(x)為碳氫化合物排放函數(shù)；W1為碳氫化合物排放權(quán)重； CO(x)為一氧化碳排放函數(shù)；W2為一氧化碳排放權(quán)重； NOx(x)為氮氧化合物排放函數(shù)；W3為氮氧化合物排放權(quán)重. 各權(quán)重的值設(shè)計如表 7 所示.

表 7 權(quán)重取值表

5.4 優(yōu)化結(jié)果對比

將模糊控制策略優(yōu)化前后的輸出結(jié)果進行對比， 結(jié)果如表 8 和表 9 所示.

表 8 排放性能與燃油經(jīng)濟性優(yōu)化結(jié)果

表 9 優(yōu)化后動力性能及傳動系統(tǒng)工作效率仿真結(jié)果

從表中的數(shù)據(jù)看出， 與優(yōu)化前相比， 碳氫化合物的排放量減少了8.2%， 一氧化碳的排放量減少了13.2%， 氮氧化物的排放量減少了4.6%， 燃油消耗也降低了3.1%. 優(yōu)化后的發(fā)動機功率為27.21%， 相對于優(yōu)化之前提高了2.8%， 反映了發(fā)動機的工作效率與排放性能的內(nèi)在關(guān)聯(lián)性. 優(yōu)化之后的加速時間有所增加， 但仍能滿足行駛需求， 最高車速下降并不明顯， 最大加速度和傳動系統(tǒng)的工作效率沒有發(fā)生變化.

6 結(jié) 論

基于某型并聯(lián)式HEV， 在UDDS道路循環(huán)條件下對模糊邏輯控制策略進行了模擬仿真， 根據(jù)仿真結(jié)果得出以下結(jié)論：在相同的工況條件下， 與邏輯門限能量管理策略相比， 發(fā)動機效率由原來的25.66%提高到26.50%， 油耗減少了0.68 L/100 km， 傳動系統(tǒng)的總效率由原來的93.45%提高到了93.75%. 因此， 所研究的模糊邏輯控制策略提高了發(fā)動機的工作效率， 在兼顧動力性能的同時， 減少了油耗， 并在一定程度上提高了傳動系統(tǒng)的效率， 但在排放性能控制方面效果并不突出， 反映了模糊邏輯能量管理策略不能實現(xiàn)全局最優(yōu)的不足. 針對這一問題， 基于多目標(biāo)優(yōu)化算法對仿真結(jié)果進行了進一步的優(yōu)化， 經(jīng)過優(yōu)化之后， HC減少了0.012 g/km， CO減少了0.061 g/km， NOx減少了0.008 g/km， 證明了優(yōu)化方法的有效性.

由于模糊邏輯控制策略需要大量的實驗和經(jīng)驗結(jié)果為基礎(chǔ)來建立隸屬函數(shù)， 文中設(shè)計的控制策略參數(shù)只是建立在大量的仿真實驗基礎(chǔ)上， 因此在一定程度上限制了控制策略優(yōu)勢的發(fā)揮.