基于BP神經(jīng)網(wǎng)絡(luò)的復(fù)合儲(chǔ)能式裝載機(jī)工況識(shí)別及控制器匹配

2 曹海岐 陳 勇2

(1.北京信息科技大學(xué) 機(jī)電工程學(xué)院， 北京 100192； 2.北京電動(dòng)車輛協(xié)同創(chuàng)新中心， 北京 100192)

引言

工程車輛具有低速重載、頻繁啟動(dòng)制動(dòng)的工作特點(diǎn)，因而其排放性能較差。隨著能源問題日益嚴(yán)重及排放要求愈加嚴(yán)格，提升工程車輛的排放性能與經(jīng)濟(jì)性能成為必然趨勢[1-2]。混合動(dòng)力汽車因具有較好的的燃油經(jīng)濟(jì)性和環(huán)保性，成為當(dāng)下汽車發(fā)展的熱門方向之一。其中，復(fù)合儲(chǔ)能式混合動(dòng)力系統(tǒng)可以使車輛實(shí)現(xiàn)短時(shí)間內(nèi)的能量快速充放，且通過蓄能器回收制動(dòng)能量并將其用于再生制動(dòng)或再生驅(qū)動(dòng)，因此該系統(tǒng)被廣泛應(yīng)用于工程車輛[3]。

目前國內(nèi)外存在很多針對復(fù)合儲(chǔ)能式混合動(dòng)力系統(tǒng)的研究。DOUGAL R A等[4]通過仿真驗(yàn)證了以電池組與超級電容并聯(lián)的復(fù)合儲(chǔ)能裝置不僅可以提供較大的峰值功率，且在瞬時(shí)大功率充放電時(shí)對電池的損耗更低。DIXON S等[5]通過合理選用控制算法來對復(fù)合儲(chǔ)能系統(tǒng)的控制策略進(jìn)行優(yōu)化，有效降低了整車能量損失率。趙麗萍等[6]針對復(fù)合儲(chǔ)能系統(tǒng)設(shè)計(jì)了經(jīng)過改進(jìn)的邏輯門限控制策略，大幅降低了大電流對電池的沖擊。宋子由等[7]采用動(dòng)態(tài)規(guī)劃法對電動(dòng)客車復(fù)合儲(chǔ)能系統(tǒng)進(jìn)行優(yōu)化，并通過仿真與試驗(yàn)驗(yàn)證了控制策略的有效性。

王連新等[8]開發(fā)出一種復(fù)合儲(chǔ)能式混合動(dòng)力系統(tǒng)，并對其關(guān)鍵元件進(jìn)行了選型、參數(shù)匹配等工作。但該混合動(dòng)力系統(tǒng)不能根據(jù)具體工況實(shí)時(shí)選擇最優(yōu)控制器，導(dǎo)致其控制性能和經(jīng)濟(jì)性能并未達(dá)到最優(yōu)。本研究在此基礎(chǔ)上利用MATLAB創(chuàng)建適用于裝載機(jī)的BP神經(jīng)網(wǎng)絡(luò)工況識(shí)別及控制器匹配模塊，并結(jié)合曹海琦等針對不同工況優(yōu)化后的模糊控制器[9]，一并接入整車后向仿真模型中進(jìn)行仿真，且在仿真基礎(chǔ)上通過dSPACE硬件在環(huán)試驗(yàn)，來驗(yàn)證基于BP神經(jīng)網(wǎng)絡(luò)的工況識(shí)別及控制器匹配模塊的優(yōu)化效果，以期在不損失裝載機(jī)動(dòng)力性前提下提升其控制性能和經(jīng)濟(jì)性能。

1 基于BP神經(jīng)網(wǎng)絡(luò)的工況識(shí)別

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Networks)為一種采用誤差反向傳播訓(xùn)練算法的多層前饋網(wǎng)絡(luò)，由輸入層(Input layer)、隱含層(Hidden layer)與輸出層(Output layer)3個(gè)神經(jīng)元層組成[10]。作為典型的模式識(shí)別方法，BP神經(jīng)網(wǎng)絡(luò)可在數(shù)據(jù)中提取信息并進(jìn)行分析判斷，故可用于對裝載機(jī)進(jìn)行工況識(shí)別。

1.2 復(fù)合儲(chǔ)能式裝載機(jī)工況類型

裝載機(jī)在作業(yè)時(shí)常用工況有4種，亦為本研究所需識(shí)別的工況，即“I”形工況、“L”形工況、“T”形工況與“V”形工況[11]，如圖1～圖4所示。

1.3 影響工況的重要因素分析及其量化處理

在實(shí)際作業(yè)中，不同工況與裝載機(jī)對駕駛行為起到關(guān)鍵影響的主因子有關(guān)，而對工況影響最多的主因子為：工作裝置的活塞桿力、活塞位移、活塞速度、發(fā)動(dòng)機(jī)轉(zhuǎn)矩、車速。

根據(jù)數(shù)據(jù)搜集以及專家經(jīng)驗(yàn)，對各主因子進(jìn)行指標(biāo)評價(jià)，得出綜合考慮工況的主因子評價(jià)指標(biāo)：xi(i=1,2,…,n)，并對其進(jìn)行量化處理。同時(shí)， 以專家經(jīng)驗(yàn)為依據(jù)來確定5個(gè)主因子互相之間的對比判斷矩陣A=(aij)k×k，式中aij表示對比函數(shù)，其取值標(biāo)準(zhǔn)見表1。

圖1 “I”形工況

圖2 “L”形工況

圖3 “T”形工況

圖4 “V”形工況

裝載機(jī)的作業(yè)工作分為3個(gè)主要工作步驟：鏟裝步驟一、鏟裝步驟二和卸載步驟三。根據(jù)專家經(jīng)驗(yàn)以及裝載機(jī)實(shí)際工作需求，對上述工作步驟的形成主因子利用乘積方根法進(jìn)行指標(biāo)評價(jià)，即對其各個(gè)指標(biāo)進(jìn)行數(shù)字量化[12]。在此只列出針對步驟一的權(quán)重分析，另外兩個(gè)工作步驟的分析過程與之相同。

根據(jù)表1中所列取值標(biāo)準(zhǔn)，并以不同因子間的重要度為依據(jù)，構(gòu)造步驟一需進(jìn)行權(quán)重分析的5個(gè)主因子的兩兩對比表，如表2所示。

表1 分級比例標(biāo)度范圍表

表2 鏟裝步驟一主因子分級比例標(biāo)度表

1.4 搭建用于工況識(shí)別的BP神經(jīng)網(wǎng)絡(luò)

根據(jù)影響駕駛行為的5個(gè)主因子，選擇輸入層節(jié)點(diǎn)數(shù)ni=5，依據(jù)需識(shí)別的裝載機(jī)的3個(gè)工作步驟，選擇輸出層節(jié)點(diǎn)數(shù)n0=3，而隱含層節(jié)點(diǎn)數(shù)根據(jù)以下公式來確定。

(1)

取常數(shù)a=7，由公式取整得隱含層節(jié)點(diǎn)數(shù)n=10。

由于訓(xùn)練樣本經(jīng)歸一化處理后其范圍均在[0-1]之間，故傳遞函數(shù)選擇單極性S函數(shù)。在編寫m文件時(shí)插入并調(diào)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱內(nèi)的newff函數(shù)，以搭建上述已確定好結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型。在MATLAB中默認(rèn)輸入層不為單獨(dú)一層，故不需獨(dú)立表示，而隱含層節(jié)點(diǎn)數(shù)為10，輸出層節(jié)點(diǎn)數(shù)為3，各層之間的傳遞函數(shù)為logsig函數(shù)，訓(xùn)練函數(shù)為traingd，輸入樣本為P。

1.5 用于工況識(shí)別的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)各項(xiàng)功能需經(jīng)過具體學(xué)習(xí)與多次訓(xùn)練才能達(dá)到預(yù)想要求，利用BP神經(jīng)網(wǎng)絡(luò)的標(biāo)準(zhǔn)算法，在學(xué)習(xí)訓(xùn)練過程中不斷修正每層之間的權(quán)值和偏差，使最終的實(shí)際輸出數(shù)據(jù)盡可能的逼近理想數(shù)據(jù)，從而保證識(shí)別精度。利用MATLAB軟件編寫m文件，將經(jīng)過擴(kuò)展的初始學(xué)習(xí)樣本批量讀入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，訓(xùn)練樣本每一個(gè)步驟擴(kuò)展至31個(gè)，共計(jì)93個(gè)學(xué)習(xí)樣本，表3為學(xué)習(xí)樣本節(jié)選。

表3 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)節(jié)選

訓(xùn)練樣本中的輸入向量P中的數(shù)據(jù)分別對應(yīng)5個(gè)主因子，輸出向量T中的數(shù)據(jù)分別對應(yīng)3個(gè)工作步驟，其中對應(yīng)位置數(shù)值為1時(shí)表示經(jīng)識(shí)別后的辨識(shí)結(jié)果即為此位置所代表的工作步驟。為使所編寫程序運(yùn)行的更有效率，需對其中的誤差目標(biāo)和訓(xùn)練次數(shù)加以合理設(shè)定，在此程序中將誤差目標(biāo)設(shè)定為0.0001。為避免精度過高而導(dǎo)致效率下降，在此將訓(xùn)練次數(shù)設(shè)定為5000，即程序運(yùn)行時(shí)的最大誤差收斂次數(shù)為5000次，以此保證運(yùn)算時(shí)效性。

輸入層與隱含層之間的權(quán)值為iw1，偏差為b1。隱含層與輸出層之間的權(quán)值為iw2，偏差為b2。經(jīng)訓(xùn)練后輸出的識(shí)別結(jié)果為：

(2)

雖然訓(xùn)練結(jié)果中并未出現(xiàn)理想狀態(tài)下對應(yīng)位置為1的識(shí)別結(jié)果，但識(shí)別出的狀態(tài)所對應(yīng)的數(shù)值與期望值之間的誤差均在設(shè)定范圍之內(nèi)，故滿足研究要求。上述結(jié)果表明此BP神經(jīng)網(wǎng)絡(luò)模型經(jīng)訓(xùn)練后已具備識(shí)別裝載機(jī)具體工作步驟的能力。

1.6 創(chuàng)建與整車模型結(jié)合的BP神經(jīng)網(wǎng)絡(luò)模塊

通過調(diào)用gensim函數(shù)將經(jīng)過學(xué)習(xí)訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)的m文件轉(zhuǎn)換為可以與整車后向仿真模型進(jìn)行結(jié)合的Simulink模塊[14]。由于各工況的數(shù)據(jù)參數(shù)不在同一范圍內(nèi)，需要先將上述5個(gè)主因子的數(shù)據(jù)進(jìn)行歸一化處理。

通過MATLAB來編寫m文件以調(diào)用mapminmax函數(shù)，進(jìn)而將影響工況的5個(gè)主因子的數(shù)據(jù)進(jìn)行歸一化處理[15]，利用Simulink中的FromWorkspace模塊對歸一化處理后的數(shù)據(jù)進(jìn)行讀取并作為BP神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)Simulink模塊

利用MATLAB/Simulink軟件建立復(fù)合儲(chǔ)能式混合動(dòng)力裝載機(jī)的整車仿真模型，模型中包括柴油發(fā)動(dòng)機(jī)部分、液力變矩器部分、傳動(dòng)系統(tǒng)部分、電機(jī)部分、動(dòng)力電池部分、液壓泵/馬達(dá)部分、液壓蓄能器及電液蓄能器等部分。將BP神經(jīng)網(wǎng)絡(luò)Simulink模塊與裝載機(jī)的整車仿真模型進(jìn)行結(jié)合，如圖6所示。

圖6 整車后向仿真模型

2 工況識(shí)別結(jié)果及控制器匹配

經(jīng)過BP神經(jīng)網(wǎng)絡(luò)識(shí)別的信號(hào)為裝載機(jī)的3個(gè)最主要的工作步驟，根據(jù)發(fā)生時(shí)間的不同將其與4種作業(yè)工況進(jìn)行一一對應(yīng)。

圖7～圖10為BP神經(jīng)網(wǎng)絡(luò)對各工況進(jìn)行識(shí)別后的結(jié)果，其中橫坐標(biāo)為識(shí)別時(shí)間，單位t/s，縱坐標(biāo)為歸一化處理后的各工況數(shù)據(jù)參數(shù)，為無量綱：曲線1代表鏟裝步驟一，曲線2代表鏟裝步驟二，曲線3代表卸載步驟三。

同時(shí)由圖7～圖10可見，BP神經(jīng)網(wǎng)絡(luò)針對不同工況的識(shí)別結(jié)果的曲線均不同，具體識(shí)別過程為：5個(gè)主因子數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)后，經(jīng)內(nèi)部迭代訓(xùn)練得到三組輸出數(shù)據(jù)，這三組數(shù)據(jù)分別對應(yīng)所需識(shí)別的裝載機(jī)的3個(gè)工作步驟。因?yàn)楦鞴ぷ鞑襟E發(fā)生時(shí)是在一個(gè)很短的時(shí)間段內(nèi)，故可認(rèn)為是一個(gè)時(shí)間點(diǎn)發(fā)生的動(dòng)作， 所以具體識(shí)別結(jié)果為在整個(gè)工況循環(huán)中曲線的最大值為具體步驟的發(fā)生時(shí)間。不同工況循環(huán)執(zhí)行作業(yè)的步驟順序不同，所以各步驟發(fā)生時(shí)間也就不同，通過判斷識(shí)別結(jié)果的發(fā)生時(shí)間，便可對不同工況進(jìn)行區(qū)分。

圖7 BP神經(jīng)網(wǎng)絡(luò)對“I”工況的識(shí)別結(jié)果

圖8 BP神經(jīng)網(wǎng)絡(luò)對“L”工況的識(shí)別結(jié)果

圖9 BP神經(jīng)網(wǎng)絡(luò)對“T”工況的識(shí)別結(jié)果

圖10 BP神經(jīng)網(wǎng)絡(luò)對“V”工況的識(shí)別結(jié)果

完成工況識(shí)別后，通過3個(gè)MATLAB Function模塊和1個(gè)Multiport Switch模塊來搭建控制器匹配模塊。具體為：將BP神經(jīng)網(wǎng)絡(luò)識(shí)別后的數(shù)據(jù)與時(shí)鐘模塊作為MATLAB Function模塊的輸入，用if語句編寫m文件進(jìn)行相應(yīng)控制器的選擇，并將指令輸入Multiport Switch模塊，觸發(fā)相應(yīng)位置的開關(guān)保持為通路狀態(tài)，使所選用的控制器為對應(yīng)工況的模糊控制器，以實(shí)現(xiàn)最優(yōu)的控制效果，如圖11所示。

圖11 BP神經(jīng)網(wǎng)絡(luò)識(shí)別后對模糊控制器的選擇

3 仿真及結(jié)果分析

對結(jié)合了工況識(shí)別及控制器匹配模塊后的整車后向仿真模型進(jìn)行仿真測試，結(jié)果如圖12所示。其中，縱坐標(biāo)為燃油消耗量Q，單位g，橫坐標(biāo)為時(shí)間t，單位s。

由圖12可知，基于BP神經(jīng)網(wǎng)絡(luò)的工況識(shí)別及控制器匹配模塊，在實(shí)現(xiàn)工況識(shí)別的同時(shí)亦選擇了與之對應(yīng)的最優(yōu)控制器，使得優(yōu)化后的各工況燃油消耗量均大幅下降，整車經(jīng)濟(jì)性能得到明顯提升，表明基于BP神經(jīng)網(wǎng)絡(luò)的裝載機(jī)控制性能和經(jīng)濟(jì)性能良好。

由圖13可知，在經(jīng)過BP神經(jīng)網(wǎng)絡(luò)工況識(shí)別及模糊控制器實(shí)時(shí)選擇后，4種作業(yè)工況下的平均燃油消耗量均有下降。優(yōu)化后的平均油耗基本持平，說明不論在何種工況下，發(fā)動(dòng)機(jī)都能夠工作在最優(yōu)轉(zhuǎn)矩區(qū)間，實(shí)現(xiàn)了節(jié)能減排的目的。

4 硬件在環(huán)仿真試驗(yàn)

4.1 硬件在環(huán)試驗(yàn)臺(tái)架基本原理

根據(jù)硬件在環(huán)試驗(yàn)的特性， 將整車仿真模型中的液壓驅(qū)動(dòng)-制動(dòng)能量回收部分替換為相應(yīng)實(shí)物，而其他部分仍然采用仿真模型。利用 MATLAB將已經(jīng)通過測試且完成實(shí)物替換的整車模型編譯為擴(kuò)展板能夠識(shí)別的合法代碼，并在編譯時(shí)依據(jù)擴(kuò)展板的實(shí)際要求對模型進(jìn)行進(jìn)一步完善。利用dSPACE仿真試驗(yàn)臺(tái)進(jìn)行各個(gè)工況下裝載機(jī)的硬件在環(huán)試驗(yàn)，以對優(yōu)化結(jié)果進(jìn)行驗(yàn)證。

圖12 優(yōu)化前后各工況燃油消耗量仿真對比圖

圖13 各工況平均油耗對比

圖14 dSPACE仿真試驗(yàn)臺(tái)

4.2 試驗(yàn)結(jié)果分析

從圖15可見，由于蓄能器模型被替換為實(shí)物，因此在開始階段存在一定波動(dòng)，試驗(yàn)數(shù)據(jù)與仿真數(shù)據(jù)之間存在小幅偏差，但對試驗(yàn)結(jié)果的影響可忽略不計(jì)。當(dāng)設(shè)備工作穩(wěn)定后可見，硬件在環(huán)試驗(yàn)與仿真試驗(yàn)各自所得的燃油消耗量的曲線變化趨勢基本一致，證明基于BP神經(jīng)網(wǎng)絡(luò)的工況識(shí)別與控制器匹配模塊對復(fù)合儲(chǔ)能式混合動(dòng)力裝載機(jī)控制部分的優(yōu)化性能切實(shí)有效。

5 結(jié)論

本研究基于BP神經(jīng)網(wǎng)絡(luò)搭建工況識(shí)別模塊，依據(jù)同工況下不同工作步驟的特性值的不同來辨別不同的工作步驟，并利用不同工況下各工作步驟的發(fā)生時(shí)間的不同來對工況進(jìn)行區(qū)分，以此完成對裝載機(jī)不同作業(yè)工況的識(shí)別。同時(shí)利用Simulink搭建控制器匹配模塊，依據(jù)BP神經(jīng)網(wǎng)絡(luò)識(shí)別后的數(shù)據(jù)進(jìn)行相應(yīng)工況的模糊控制器的選擇，以實(shí)現(xiàn)最優(yōu)的控制效果。

圖15 四種工況燃油消耗量仿真試驗(yàn)對比圖

將工況識(shí)別及控制器匹配模塊與整車后向仿真模型進(jìn)行結(jié)合，仿真與硬件在環(huán)試驗(yàn)的結(jié)果表明，工況識(shí)別與控制器匹配模塊對整車性能的優(yōu)化效果顯著，各工況下的整車燃油消耗量均明顯降低。因此優(yōu)化后的整車控制性能和經(jīng)濟(jì)性能均得到大幅提升，從而為相關(guān)整車控制器的設(shè)計(jì)優(yōu)化提供了參考。