并聯(lián)式混合動(dòng)力發(fā)動(dòng)機(jī)神經(jīng)網(wǎng)絡(luò)法轉(zhuǎn)矩預(yù)測(cè)與閉環(huán)控制

樓狄明， 唐遠(yuǎn)贄， 房 亮， 施雅風(fēng)， 張?jiān)嗜A， 仇 杰， 楊 芾

（1.同濟(jì)大學(xué) 汽車學(xué)院， 上海 201804；2.上汽集團(tuán) 乘用車技術(shù)中心， 上海 201804）

混合動(dòng)力汽車相比內(nèi)燃機(jī)車和純電動(dòng)車具有顯著的油耗低、工作效率高、續(xù)航里程可靠的特點(diǎn)，在未來的幾十年中將依舊是新能源汽車的主流之一［1］。其中，并聯(lián)式混合動(dòng)力汽車架構(gòu)更加接近內(nèi)燃機(jī)汽車，包含發(fā)動(dòng)機(jī)與電機(jī)2個(gè)動(dòng)力輸出源。其工作模式極具多樣性，是近年來企業(yè)及研究機(jī)構(gòu)的研發(fā)主流［2-3］。

并聯(lián)式混合動(dòng)力汽車的動(dòng)力扭矩輸出依賴于發(fā)動(dòng)機(jī)與電機(jī)之間的扭矩配合，相比于轉(zhuǎn)矩變化時(shí)間常數(shù)在毫秒級(jí)的電機(jī)，發(fā)動(dòng)機(jī)的瞬態(tài)進(jìn)氣量、空燃比波動(dòng)會(huì)導(dǎo)致發(fā)動(dòng)機(jī)不穩(wěn)定燃燒，從而導(dǎo)致瞬態(tài)轉(zhuǎn)矩較大波動(dòng)，再加上各缸供氣的不均勻性、廢氣再循環(huán)（exhaust gas recycling， EGR）率等影響，難以實(shí)現(xiàn)對(duì)發(fā)動(dòng)機(jī)轉(zhuǎn)矩的精準(zhǔn)控制［4］?，F(xiàn)有的量產(chǎn)發(fā)動(dòng)機(jī)未配備轉(zhuǎn)矩傳感器，在傳統(tǒng)發(fā)動(dòng)機(jī)ECU（electrical control unit）中僅設(shè)有發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩預(yù)測(cè)模塊。因此，在混合動(dòng)力汽車運(yùn)行過程中，尤其是瞬態(tài)變化的過程中，較為準(zhǔn)確的發(fā)動(dòng)機(jī)的轉(zhuǎn)矩預(yù)測(cè)對(duì)并聯(lián)式混合動(dòng)力汽車極其重要［5-6］。

查表法是工業(yè)界獲得實(shí)際運(yùn)行中發(fā)動(dòng)機(jī)轉(zhuǎn)矩的常用方法，所建立的查表脈譜（MAP）一般通過臺(tái)架試驗(yàn)得到，建立起發(fā)動(dòng)機(jī)轉(zhuǎn)矩和轉(zhuǎn)速、進(jìn)氣量、進(jìn)氣壓力之間的關(guān)系。使用時(shí)根據(jù)發(fā)動(dòng)機(jī)在線測(cè)得的參數(shù)進(jìn)行插值查表，得到發(fā)動(dòng)機(jī)轉(zhuǎn)矩預(yù)測(cè)值，其缺點(diǎn)是瞬態(tài)過程的預(yù)測(cè)精度低［7］，且一旦涉及多參數(shù)，MAP的維度會(huì)激增，從而大幅增加標(biāo)定工作量及存儲(chǔ)運(yùn)算量。

模 型 預(yù) 測(cè) 控 制 法（model prediction control，MPC）也是轉(zhuǎn)矩預(yù)測(cè)研究的熱門方法［8-9］，使用發(fā)動(dòng)機(jī)可獲取信息，例如利用爆震傳感器等信息，通過對(duì)缸內(nèi)燃燒、傳熱進(jìn)行建模，從而對(duì)缸壓等信息進(jìn)行預(yù)測(cè)，進(jìn)一步完成轉(zhuǎn)矩預(yù)測(cè)［8，10-12］。該類方法近年來基本集中在簡(jiǎn)化模型及優(yōu)化預(yù)測(cè)精準(zhǔn)度方面，如Park等［13］提出了一種僅使用節(jié)氣門信息的端口空氣質(zhì)量流量的估計(jì)方法，替代了以前研究中使用通過節(jié)氣門進(jìn)入進(jìn)氣歧管的空氣質(zhì)量流量信息（稱為節(jié)氣門空氣質(zhì)量流量）和進(jìn)氣歧管中的空氣壓力信息來估計(jì)端口空氣質(zhì)量流量。此外，在開環(huán)MPC 的基礎(chǔ)上，可以添加部分閉環(huán)反饋信息從而對(duì)預(yù)測(cè)信號(hào)進(jìn)行進(jìn)一步的處理。Kao 等［14］、Chauvin 等［15］對(duì)發(fā)動(dòng)機(jī)轉(zhuǎn)速信號(hào)進(jìn)行測(cè)量和處理，利用時(shí)變卡爾曼濾波器來預(yù)測(cè)瞬態(tài)轉(zhuǎn)矩。Lee 等［16］提出了2 種轉(zhuǎn)矩預(yù)測(cè)方法，其核心都是基于發(fā)動(dòng)機(jī)轉(zhuǎn)速瞬時(shí)波動(dòng)，即“隨機(jī)解析法”和“頻域解析法”，建立發(fā)動(dòng)機(jī)轉(zhuǎn)矩與曲軸轉(zhuǎn)角、角速度和角加速度的函數(shù)關(guān)系，進(jìn)而預(yù)測(cè)轉(zhuǎn)矩。

神經(jīng)網(wǎng)絡(luò)（artificial neural network， ANN）算法是近幾年來研究發(fā)動(dòng)機(jī)相關(guān)問題的熱門方法。由于ANN 方法是建立在搭建且訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型上，因此也作為MPC 方法的一種，可以針對(duì)發(fā)動(dòng)機(jī)的特性及燃燒性能進(jìn)行相應(yīng)的優(yōu)化設(shè)計(jì)［17-18］。在轉(zhuǎn)矩預(yù)測(cè)領(lǐng)域ANN方法也同樣受到了關(guān)注，相比于傳統(tǒng)的物理化學(xué)類模型，ANN模型的變量更加多元化且輸入輸出幾乎不受相關(guān)性的要求限制，但是關(guān)于ANN 轉(zhuǎn)矩預(yù)測(cè)的研究基本集中在算法結(jié)構(gòu)優(yōu)化和誤差優(yōu)化層面［19-20］，少有涉及到多種轉(zhuǎn)矩預(yù)測(cè)模式與ANN 方法的優(yōu)劣對(duì)比。與眾多模型控制方法類似，基于模型的瞬時(shí)轉(zhuǎn)矩預(yù)測(cè)為了保障其準(zhǔn)確性，一般都需要建立足夠可靠的實(shí)時(shí)發(fā)動(dòng)機(jī)閉環(huán)反饋，根據(jù)發(fā)動(dòng)機(jī)可提供的實(shí)際信息進(jìn)行轉(zhuǎn)矩預(yù)測(cè)修正。

針對(duì)實(shí)時(shí)轉(zhuǎn)矩預(yù)測(cè)的準(zhǔn)確性及轉(zhuǎn)矩預(yù)測(cè)修正方式，童毅博士［4］在國(guó)內(nèi)首次提出“動(dòng)態(tài)協(xié)調(diào)控制”的概念，針對(duì)并聯(lián)式混合動(dòng)力模式切換的瞬態(tài)過程，提出“發(fā)動(dòng)機(jī)轉(zhuǎn)矩開環(huán)控制+發(fā)動(dòng)機(jī)轉(zhuǎn)矩在線預(yù)測(cè)+電機(jī)轉(zhuǎn)矩閉環(huán)補(bǔ)償”的控制策略。合理的轉(zhuǎn)矩預(yù)測(cè)方式配合動(dòng)態(tài)協(xié)同控制，可以實(shí)現(xiàn)利用發(fā)動(dòng)機(jī)前饋預(yù)測(cè)模型及當(dāng)前狀態(tài)信息的反饋控制方式對(duì)預(yù)測(cè)得到的轉(zhuǎn)矩進(jìn)行實(shí)時(shí)修正，從而進(jìn)一步實(shí)現(xiàn)更精確的轉(zhuǎn)矩預(yù)測(cè)及多動(dòng)力源的轉(zhuǎn)矩動(dòng)態(tài)協(xié)調(diào)控制［21-23］。

目前將神經(jīng)網(wǎng)絡(luò)直接用于預(yù)測(cè)發(fā)動(dòng)機(jī)轉(zhuǎn)矩并進(jìn)行動(dòng)態(tài)協(xié)調(diào)修正的研究較少，常規(guī)的修正算法均可以在轉(zhuǎn)矩預(yù)測(cè)及發(fā)動(dòng)機(jī)動(dòng)態(tài)協(xié)調(diào)控制的基礎(chǔ)上繼續(xù)實(shí)現(xiàn)，而本文主要聚焦于神經(jīng)網(wǎng)絡(luò)與MAP法在閉環(huán)控制中對(duì)穩(wěn)態(tài)及變化的發(fā)動(dòng)機(jī)轉(zhuǎn)矩預(yù)測(cè)精準(zhǔn)程度對(duì)比。利用Simulink及GT-Suite軟件搭建聯(lián)合仿真模型，建立基于發(fā)動(dòng)機(jī)轉(zhuǎn)速、進(jìn)氣量/增壓壓力等參數(shù)的轉(zhuǎn)矩預(yù)測(cè)ANN 神經(jīng)網(wǎng)絡(luò)模型，驗(yàn)證對(duì)比多種穩(wěn)態(tài)、瞬態(tài)工況下MAP法預(yù)測(cè)的轉(zhuǎn)矩與發(fā)動(dòng)機(jī)實(shí)際轉(zhuǎn)矩誤差。在實(shí)際應(yīng)用過程中，隨著發(fā)動(dòng)機(jī)參數(shù)維度的增加，ANN法將相比于MAP法更有優(yōu)勢(shì)，如果簡(jiǎn)單參數(shù)下的ANN 預(yù)測(cè)比MAP 法更精準(zhǔn)，這將對(duì)發(fā)動(dòng)機(jī)（尤其是混合動(dòng)力發(fā)動(dòng)機(jī)）轉(zhuǎn)矩預(yù)測(cè)開發(fā)具有較大的指導(dǎo)意義和參考價(jià)值。

1 建模方法與設(shè)置

1.1 GT-Suite和Simulink聯(lián)合仿真模型

表1為聯(lián)合仿真模擬的混合動(dòng)力發(fā)動(dòng)機(jī)相關(guān)基本性能參數(shù)，其中包括進(jìn)氣門開啟（intake valve opening, IVO）以及排氣門關(guān)閉（exhaust valve closing, EVC）曲軸轉(zhuǎn)角可調(diào)節(jié)范圍。

表1 發(fā)動(dòng)機(jī)相關(guān)參數(shù)Tab.1 Engine parameters

基于GT-Suite及Simulink軟件的交互模型進(jìn)行發(fā)動(dòng)機(jī)時(shí)序性聯(lián)合仿真，具體原理如圖1 所示。Simulink 作為控制型號(hào)的發(fā)出端，在模型中發(fā)揮發(fā)動(dòng)機(jī)上混合動(dòng)力控制單元（hybrid control unit，HCU）的功能，而GT-Suite 模型用來模擬真實(shí)發(fā)動(dòng)機(jī)的運(yùn)行情況，并為控制端（simulink）提供時(shí)序性的發(fā)動(dòng)機(jī)狀態(tài)參數(shù)，且這些參數(shù)均為發(fā)動(dòng)機(jī)實(shí)際運(yùn)行下的可獲取參數(shù)。

圖1 聯(lián)合仿真原理模型示意Fig.1 Schematic diagram of joint simulation model

搭建的GT-Suite 發(fā)動(dòng)機(jī)模型需要根據(jù)發(fā)動(dòng)機(jī)臺(tái)架的試驗(yàn)數(shù)據(jù)進(jìn)行標(biāo)定，其標(biāo)定的萬有工況分布如圖2所示。

圖2 萬有工況標(biāo)定Fig.2 Calibration of working conditions

Simulink模型作為GT的控制端，信號(hào)交互如圖3所示，以狀態(tài)輸入量發(fā)動(dòng)機(jī)轉(zhuǎn)速為固定值，控制信號(hào)分別有：節(jié)氣門開度、增壓壓力、進(jìn)氣門正時(shí)（IVO信號(hào)）、排氣門正時(shí)（EVC信號(hào)）、空燃比；發(fā)動(dòng)機(jī)反饋狀態(tài)信號(hào)有：發(fā)動(dòng)機(jī)轉(zhuǎn)速、進(jìn)氣質(zhì)量流量、進(jìn)氣溫度、進(jìn)氣壓力、空燃比、點(diǎn)火提前角、有效轉(zhuǎn)矩、IMEP平均指示壓力、燃油循環(huán)噴射量、旁通閥開度。同理在GT-Power中也將各控制信號(hào)從交互模塊連接至執(zhí)行器、各狀態(tài)反饋信號(hào)從傳感器連接至交互模塊，如圖4所示。

圖3 GT & Simulink聯(lián)合仿真信號(hào)交互關(guān)系Fig.3 Signal interaction of joint simulation in GT&Simulink

圖4 GT-Suite聯(lián)合仿真模型Fig.4 GT-Suite joint simulation model

1.2 轉(zhuǎn)矩預(yù)測(cè)方法

轉(zhuǎn)矩預(yù)測(cè)同時(shí)使用MAP 法和ANN 法，這2 種方法都利用進(jìn)氣量和發(fā)動(dòng)機(jī)轉(zhuǎn)速這2個(gè)變量作為輸入?yún)?shù)，比較兩者在發(fā)動(dòng)機(jī)穩(wěn)態(tài)及瞬態(tài)工況下轉(zhuǎn)矩預(yù)測(cè)及閉環(huán)修正控制的準(zhǔn)確性。

MAP法是目前發(fā)動(dòng)機(jī)上常用的方法，一般是通過臺(tái)架標(biāo)定得到的MAP，在實(shí)際瞬態(tài)工況下進(jìn)行插值等方式得到相應(yīng)的轉(zhuǎn)矩，圖5是通過GT的萬有工況標(biāo)定得到的進(jìn)氣量、發(fā)動(dòng)機(jī)轉(zhuǎn)速與IMEP 關(guān)系的MAP圖，通過IMEP可以直接計(jì)算得到指示轉(zhuǎn)矩。

圖5 IMEP預(yù)測(cè)MAP圖Fig.5 MAP of IMEP estimation

使用MATLAB 軟件中的Neural Fitting 工具箱對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)建與訓(xùn)練（見圖6）。創(chuàng)建了2 層前饋神經(jīng)網(wǎng)絡(luò)，其中一層為隱藏層，神經(jīng)元函數(shù)為Sigmoid，另一層為輸出層，神經(jīng)元為線性函數(shù)。采用了Levenberg-Marquardt 的誤差反向傳播（error back propagation， BP）的訓(xùn)練算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。對(duì)發(fā)動(dòng)機(jī)全工況范圍內(nèi)總計(jì)840例試驗(yàn)數(shù)據(jù)進(jìn)行隨機(jī)分類，其中80%用于訓(xùn)練網(wǎng)絡(luò)，10%用于驗(yàn)證網(wǎng)絡(luò)，最后10%用于測(cè)試網(wǎng)絡(luò)精度。通過調(diào)整隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)來獲得最優(yōu)的預(yù)測(cè)效果。

圖6 IMEP預(yù)測(cè)ANN模型Fig.6 ANN model of IMEP estimation

經(jīng)測(cè)試最終在隱藏層節(jié)點(diǎn)數(shù)為15 時(shí)得到神經(jīng)網(wǎng)絡(luò)的最優(yōu)預(yù)測(cè)效果。由于輸入?yún)?shù)量總體較少，總體回歸系數(shù)如圖7所示為0.999 93，表明具有較高的預(yù)測(cè)精度。

圖7 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)回歸分析Fig.7 Data regression analysis of ANN

考慮空燃比對(duì)轉(zhuǎn)矩的影響，2種轉(zhuǎn)矩預(yù)測(cè)算法均需再引入空燃比的修正，得到平均指示壓力IMEP的預(yù)測(cè)值，通過換算得到指示轉(zhuǎn)矩的大小?？杖急刃拚蜃邮腔? 000r·min-1、節(jié)氣門全開、旁通閥全開的工況，通過調(diào)節(jié)空燃比得到相應(yīng)的指示轉(zhuǎn)矩，以當(dāng)量燃燒時(shí)的轉(zhuǎn)矩為基準(zhǔn)，其他空燃比下的轉(zhuǎn)矩除以當(dāng)量燃燒的轉(zhuǎn)矩得到空燃比修正因子（φλ），如式（1）所示：

式中：λ為過量空氣系數(shù)；Tλ=i為任意空燃比下發(fā)動(dòng)機(jī)指示轉(zhuǎn)矩，其中i為當(dāng)前過量空氣系數(shù)值；Tλ=1為當(dāng)量燃燒時(shí)的發(fā)動(dòng)機(jī)指示轉(zhuǎn)矩。

在對(duì)比穩(wěn)態(tài)工況及瞬態(tài)工況下ANN和MAP法預(yù)測(cè)結(jié)果時(shí)使用瞬時(shí)的轉(zhuǎn)矩百分比偏差（δerror）來評(píng)估轉(zhuǎn)矩預(yù)測(cè)準(zhǔn)確度，如式（2）所示：

式中：Te為預(yù)測(cè)轉(zhuǎn)矩；T為GT-Suite發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩。

1.3 轉(zhuǎn)矩預(yù)測(cè)閉環(huán)控制方法

所述2種方法預(yù)測(cè)得出的轉(zhuǎn)矩均為估計(jì)指示轉(zhuǎn)矩，而發(fā)動(dòng)機(jī)指示轉(zhuǎn)矩直接受缸內(nèi)燃燒放熱狀態(tài)所影響。有效輸出轉(zhuǎn)矩則為指示轉(zhuǎn)矩扣除附件消耗轉(zhuǎn)矩和機(jī)械摩擦損失轉(zhuǎn)矩后所得，為了能夠更精確地控制發(fā)動(dòng)機(jī)燃燒放熱從而控制發(fā)動(dòng)機(jī)的有效轉(zhuǎn)矩輸出，故將指示轉(zhuǎn)矩設(shè)為發(fā)動(dòng)機(jī)控制系統(tǒng)的控制目標(biāo)。

在混合動(dòng)力發(fā)動(dòng)機(jī)中，由于HCU給出的是發(fā)動(dòng)機(jī)指示轉(zhuǎn)矩命令，而實(shí)際發(fā)動(dòng)機(jī)有效轉(zhuǎn)矩包含了發(fā)動(dòng)機(jī)當(dāng)前機(jī)械損失轉(zhuǎn)矩、附件消耗轉(zhuǎn)矩等，因此，在閉環(huán)控制的情況下，需考慮不同工況的不同損失，根據(jù)目標(biāo)有效轉(zhuǎn)矩和預(yù)測(cè)指示轉(zhuǎn)矩進(jìn)行目標(biāo)指示轉(zhuǎn)矩和預(yù)測(cè)有效轉(zhuǎn)矩的計(jì)算。指示轉(zhuǎn)矩、預(yù)測(cè)轉(zhuǎn)矩及各類轉(zhuǎn)矩?fù)p失間的關(guān)系在本模型中簡(jiǎn)化為式（3）所示：

式中：Ti為指示轉(zhuǎn)矩；Te為有效轉(zhuǎn)矩；Tf為摩擦消耗轉(zhuǎn)矩；Ta為發(fā)動(dòng)機(jī)附件消耗轉(zhuǎn)矩。

在根據(jù)發(fā)動(dòng)機(jī)實(shí)際狀態(tài)完成轉(zhuǎn)矩估計(jì)的情況下，可以建立以預(yù)測(cè)轉(zhuǎn)矩為接口的發(fā)動(dòng)機(jī)控制方法（見圖8）。由于發(fā)動(dòng)機(jī)在不同工況下的各類損失情況不同，需要根據(jù)當(dāng)前發(fā)動(dòng)機(jī)狀態(tài)進(jìn)行轉(zhuǎn)矩的協(xié)調(diào)計(jì)算，從而提高工況切換或者瞬態(tài)工況下的轉(zhuǎn)矩預(yù)測(cè)準(zhǔn)確性。圖8中該轉(zhuǎn)矩協(xié)調(diào)計(jì)算模塊的主要功能有2個(gè)：①計(jì)算發(fā)動(dòng)機(jī)當(dāng)前機(jī)械損失轉(zhuǎn)矩、附件消耗轉(zhuǎn)矩；②根據(jù)目標(biāo)有效轉(zhuǎn)矩和估計(jì)指示轉(zhuǎn)矩計(jì)算目標(biāo)指示轉(zhuǎn)矩和估計(jì)有效轉(zhuǎn)矩。

圖8 轉(zhuǎn)矩協(xié)調(diào)計(jì)算模塊Fig.8 Schematic diagram of torque coordination calculation

對(duì)于機(jī)械摩擦和附件消耗轉(zhuǎn)矩可以依據(jù)萬有工況用發(fā)動(dòng)機(jī)臺(tái)架測(cè)定并形成對(duì)應(yīng)的標(biāo)定MAP，其輸入量為當(dāng)前發(fā)動(dòng)機(jī)轉(zhuǎn)速及目標(biāo)負(fù)荷。在模型計(jì)算邏輯中計(jì)算預(yù)測(cè)的有效轉(zhuǎn)矩時(shí)，當(dāng)前查表MAP的目標(biāo)負(fù)荷用控制目標(biāo)指示轉(zhuǎn)矩代替，當(dāng)反饋修正有效轉(zhuǎn)矩時(shí)，當(dāng)前負(fù)荷則用預(yù)測(cè)指示轉(zhuǎn)矩替代。

此外，閉環(huán)的反饋信號(hào)需要與控制的前饋MAP信號(hào)整合疊加，從而形成發(fā)動(dòng)機(jī)時(shí)序性的控制信號(hào)，與反饋邏輯類似。圖9為本模型方法對(duì)進(jìn)氣部分的前饋控制。模型中利用發(fā)動(dòng)機(jī)的DVVT系統(tǒng)建立了進(jìn)氣門、排氣門、旁通閥及節(jié)氣門的前饋MAP，最終模型可以實(shí)現(xiàn)將發(fā)動(dòng)機(jī)轉(zhuǎn)矩的預(yù)測(cè)值作為轉(zhuǎn)矩控制系統(tǒng)的反饋信號(hào)進(jìn)而對(duì)進(jìn)氣系統(tǒng)執(zhí)行器進(jìn)行反饋控制。完整的進(jìn)氣協(xié)同反饋控制流程圖如圖10所示。圖中的NA WOT 閾值設(shè)置為旁通閥及節(jié)氣門全開工況下的轉(zhuǎn)矩，可視作該發(fā)動(dòng)機(jī)自然吸氣工況下的最大轉(zhuǎn)矩，是自然吸氣工況和渦輪增壓工況的分界轉(zhuǎn)矩。當(dāng)目標(biāo)轉(zhuǎn)矩小于90%分界轉(zhuǎn)矩時(shí)，節(jié)氣門閉環(huán)控制，旁通閥全開；當(dāng)目標(biāo)轉(zhuǎn)矩大于90%分界轉(zhuǎn)矩且小于100%分界轉(zhuǎn)矩時(shí)，節(jié)氣門開環(huán)控制，旁通閥閉環(huán)控制；當(dāng)目標(biāo)轉(zhuǎn)矩大于100%分界轉(zhuǎn)矩時(shí)，節(jié)氣門全開，旁通閥閉環(huán)控制。

圖9 前饋控制信號(hào)Fig.9 Feedforward control signals

圖10 進(jìn)氣協(xié)同反饋控制流程Fig.10 Intake collaborative feedback control process

2 仿真結(jié)果及分析

2.1 穩(wěn)態(tài)工況轉(zhuǎn)矩預(yù)測(cè)及誤差分析

依據(jù)實(shí)際發(fā)動(dòng)機(jī)工況，選取了低、中、高3 種不同轉(zhuǎn)速作為轉(zhuǎn)矩研究的典型轉(zhuǎn)速，分別為1 000 r·min-1， 2 000 r·min-1和3 000 r·min-1。

針對(duì)發(fā)動(dòng)機(jī)的穩(wěn)態(tài)工況分別選取了50 N·m、100 N·m 以及150 N·m 作為目標(biāo)轉(zhuǎn)矩的研究對(duì)象，模擬的時(shí)長(zhǎng)設(shè)定為從發(fā)動(dòng)機(jī)起動(dòng)開始的10 s 時(shí)間段。圖11所示為模擬的10s時(shí)長(zhǎng)、2 000 r·min-1轉(zhuǎn)速下的穩(wěn)態(tài)有效轉(zhuǎn)矩的跟隨性和穩(wěn)定性曲線。

圖11 穩(wěn)態(tài)工況有效轉(zhuǎn)矩曲線Fig.11 Break torque under steady working conditions 50 N·m, 100 N·m, and 150 N·m

圖11 中的曲線分別代表目標(biāo)設(shè)定的有效轉(zhuǎn)矩（HCU轉(zhuǎn)矩命令）、GT-Suite模型模擬的發(fā)動(dòng)機(jī)有效轉(zhuǎn)矩、ANN和MAP2種方法預(yù)測(cè)并計(jì)算得到的有效轉(zhuǎn)矩?？梢钥闯鰪陌l(fā)動(dòng)機(jī)起動(dòng)開始，預(yù)測(cè)轉(zhuǎn)矩與實(shí)際曲線需要一定時(shí)間從零抬升至目標(biāo)轉(zhuǎn)矩附近。圖11a中轉(zhuǎn)矩50N·m對(duì)應(yīng)的曲線抬升階段波動(dòng)幅度較小，這可能由于小轉(zhuǎn)矩工況下的發(fā)動(dòng)機(jī)控制參數(shù)與信號(hào)更為穩(wěn)定性有關(guān)。

按照式（2）可計(jì)算預(yù)測(cè)的有效轉(zhuǎn)矩的誤差。為保證誤差計(jì)算的合理性，計(jì)算過程去除發(fā)動(dòng)機(jī)起動(dòng)第1 s 的轉(zhuǎn)矩不穩(wěn)定階段。分別通過對(duì)比GT-Suite模型運(yùn)算得到的發(fā)動(dòng)機(jī)實(shí)際轉(zhuǎn)矩，ANN 和MAP 法的計(jì)算誤差分析如圖12。

圖12 穩(wěn)態(tài)工況預(yù)測(cè)轉(zhuǎn)矩誤差Fig.12 Errors of estimated break torque under steady working conditions at 1 000r·min-1, 2 000r·min-1, and 3 000r·min-1

圖12包含了3種選區(qū)的不同轉(zhuǎn)速下的誤差計(jì)算分析。在穩(wěn)態(tài)轉(zhuǎn)矩模擬9種工況得到的誤差中，有7種工況條件下MAP法預(yù)測(cè)精度低于ANN法，因此，MAP法更適用于各類轉(zhuǎn)速的穩(wěn)態(tài)轉(zhuǎn)矩預(yù)測(cè)，各轉(zhuǎn)速條件下不同轉(zhuǎn)矩工況的累計(jì)誤差分別較ANN 法低1.31%、1.09%和1.52%。

2.2 躍變及階躍工況轉(zhuǎn)矩預(yù)測(cè)及誤差分析

在實(shí)際發(fā)動(dòng)機(jī)運(yùn)行過程中，維持長(zhǎng)達(dá)數(shù)秒穩(wěn)態(tài)的轉(zhuǎn)矩的情況幾乎不存在，HCU給定的目標(biāo)轉(zhuǎn)矩命令往往均以變化的形式出現(xiàn)。針對(duì)轉(zhuǎn)矩躍變及轉(zhuǎn)矩的階段模擬結(jié)果如圖13所示。

圖13 2 000 r·min-1轉(zhuǎn)速下躍變工況有效轉(zhuǎn)矩Fig.13 Break torque under torque jump working condition at 2 000 r·min-1

不同轉(zhuǎn)速下轉(zhuǎn)矩躍變誤差分析見圖14。在轉(zhuǎn)矩躍變瞬態(tài)工況下預(yù)測(cè)的各有效轉(zhuǎn)矩曲線較穩(wěn)態(tài)工況存在較為明顯的差別，隨著目標(biāo)轉(zhuǎn)矩以一定的斜率升高，GT模型模擬得到的發(fā)動(dòng)機(jī)轉(zhuǎn)矩及2種方法的預(yù)測(cè)有效轉(zhuǎn)矩曲線都存在明顯的時(shí)間延遲，這一現(xiàn)象也符合實(shí)際發(fā)動(dòng)機(jī)的控制響應(yīng)過程。從圖中可以看出，MAP法由于其原理是根據(jù)發(fā)動(dòng)機(jī)狀態(tài)插值得到，因此預(yù)測(cè)得到的有效轉(zhuǎn)矩曲線較ANN 延遲更大，依據(jù)圖14的誤差分析結(jié)果也可以看這一點(diǎn)。在瞬態(tài)工況轉(zhuǎn)矩躍變條件下，ANN在各轉(zhuǎn)速的預(yù)測(cè)精度顯著高于MAP法，相比誤差累計(jì)降低了5.62%。

圖14 躍變工況預(yù)測(cè)轉(zhuǎn)矩誤差Fig.14 Errors of estimated break torque under torque jump working conditions

圖15 為不同轉(zhuǎn)速下轉(zhuǎn)矩階躍模擬結(jié)果。圖16為不同轉(zhuǎn)速下轉(zhuǎn)矩階躍工況模擬結(jié)果誤差分析。與躍變工況類似，轉(zhuǎn)矩階躍工況條件下發(fā)動(dòng)機(jī)轉(zhuǎn)矩與預(yù)測(cè)轉(zhuǎn)矩也存在明顯延遲，但是不同轉(zhuǎn)矩提升幅度的階躍工況對(duì)不同轉(zhuǎn)矩預(yù)測(cè)方法的準(zhǔn)確度幾乎沒有影響。從綜合誤差分析來看，ANN 法相比MAP 法在各轉(zhuǎn)速下相對(duì)精準(zhǔn)，誤差相比MAP法低1.32%。

圖15 2 000 r·min-1轉(zhuǎn)速下階躍工況有效轉(zhuǎn)矩Fig.15 Break torque under torque step working condition at 2 000 r·min-1

圖16 階躍工況預(yù)測(cè)轉(zhuǎn)矩誤差Fig.16 Errors of estimated break torque under torque step working conditions

2.3 升降擋工況轉(zhuǎn)矩預(yù)測(cè)及誤差分析

除了轉(zhuǎn)矩的提升和下降以外，混合動(dòng)力發(fā)動(dòng)機(jī)瞬態(tài)工況常伴隨著變速器升、降擋位。其中升、降擋過程要求發(fā)動(dòng)機(jī)快速增減轉(zhuǎn)矩，以達(dá)到良好的離合器結(jié)合控制；換擋完成后根據(jù)當(dāng)前混合動(dòng)力工作模式較為緩慢地調(diào)整輸出轉(zhuǎn)矩，實(shí)現(xiàn)較好的動(dòng)力性和燃油經(jīng)濟(jì)性。

圖17 所示為模擬的升擋工況轉(zhuǎn)矩條件下的有效轉(zhuǎn)矩曲線，其中目標(biāo)轉(zhuǎn)矩來源于發(fā)動(dòng)機(jī)臺(tái)架實(shí)際換擋過程中的測(cè)量結(jié)果。在升擋過程中，隨著發(fā)動(dòng)機(jī)起動(dòng)，目標(biāo)轉(zhuǎn)矩先緩慢增加到80 N·m，在0.1 s時(shí)間內(nèi)跌至30 N·m 并維持0.2 s，隨后在0.5 s 時(shí)間內(nèi)增加到140 N·m，之后繼續(xù)緩慢增加。在升擋過程中，由于模擬進(jìn)程較快，在換擋前的轉(zhuǎn)矩緩慢上升階段發(fā)動(dòng)機(jī)轉(zhuǎn)矩及預(yù)測(cè)轉(zhuǎn)矩的跟隨性較差，但在轉(zhuǎn)矩快速下降時(shí)刻響應(yīng)速度較好，發(fā)動(dòng)機(jī)轉(zhuǎn)矩及預(yù)測(cè)轉(zhuǎn)矩發(fā)生的主要延遲范圍表現(xiàn)在轉(zhuǎn)矩二次上升時(shí)刻。

圖17 2 000 r·min-1轉(zhuǎn)速下升擋工況有效轉(zhuǎn)矩Fig.17 Break torque under upshift working condition at 2 000 r·min-1

圖18 為升擋工況預(yù)測(cè)轉(zhuǎn)矩誤差。綜合來看ANN 法比MAP 法預(yù)測(cè)有效轉(zhuǎn)矩的誤差低1.93%。圖19為模擬降擋工況轉(zhuǎn)矩條件下的有效轉(zhuǎn)矩曲線。在模擬降擋工況下，所控制的目標(biāo)轉(zhuǎn)矩先緩慢增加到110 N·m，在0.1s 時(shí)間內(nèi)跌至30 N·m 并維持了0.2 s，隨后在0.5 s 時(shí)間內(nèi)增加到140 N·m，之后繼續(xù)緩慢增加。降擋工況有效轉(zhuǎn)矩曲線與升擋有所不同，由于轉(zhuǎn)矩在大部分時(shí)間緩慢下降，因此發(fā)動(dòng)機(jī)轉(zhuǎn)矩及預(yù)測(cè)轉(zhuǎn)矩對(duì)目標(biāo)轉(zhuǎn)矩的跟隨性較好，可見的延遲發(fā)生在第1 次轉(zhuǎn)矩下降及短時(shí)間穩(wěn)定的階段。

圖18 升擋工況預(yù)測(cè)轉(zhuǎn)矩誤差Fig.18 Errors of estimated break torque under upshift working conditions

圖19 降擋工況有效轉(zhuǎn)矩曲線Fig.19 Break torque under downshift working condition at 2 000 r·min-1

圖20 降擋工況預(yù)測(cè)轉(zhuǎn)矩誤差Fig.20 Errors of estimated break torque under downshift working conditions

3 結(jié)論

基于搭建的GT-Suite 及Matlab/Simulink 聯(lián)合仿真模型研究了ANN 方法對(duì)發(fā)動(dòng)機(jī)穩(wěn)態(tài)及瞬態(tài)轉(zhuǎn)矩預(yù)測(cè)可靠性，建立了基于進(jìn)氣和發(fā)動(dòng)機(jī)狀態(tài)參數(shù)的預(yù)測(cè)轉(zhuǎn)矩反饋協(xié)同控制模塊，并對(duì)比了MAP法在同樣條件下的結(jié)果誤差。

由于穩(wěn)態(tài)工況選取的轉(zhuǎn)矩更加接近標(biāo)定MAP的試驗(yàn)工況點(diǎn)，穩(wěn)態(tài)工況下的MAP 法預(yù)測(cè)較ANN法更為精準(zhǔn)，低、中、高3 種發(fā)動(dòng)機(jī)轉(zhuǎn)速下誤差低1.31%、1.09%和1.52%，轉(zhuǎn)矩預(yù)測(cè)波動(dòng)范圍較小。

在瞬態(tài)工況的躍變及階躍的轉(zhuǎn)矩變化條件下，MAP 法的預(yù)測(cè)延遲較ANN 法更為明顯，相較于MAP 法的插值預(yù)測(cè)，更加密集的模型訓(xùn)練集對(duì)ANN法在工況切換過程中的預(yù)測(cè)精度有明顯助益，ANN法預(yù)測(cè)所得到的有效轉(zhuǎn)矩誤差較MAP法分別低5.62%和1.32%。

在升擋工況及降擋工況下，ANN法的預(yù)測(cè)結(jié)果同樣也更為精準(zhǔn)，較MAP 法的誤差分別低1.93%和0.84%。

穩(wěn)態(tài)的發(fā)動(dòng)機(jī)轉(zhuǎn)矩預(yù)測(cè)利用標(biāo)定好的MAP 進(jìn)行插值更為適用，在瞬態(tài)工況下，ANN 法針對(duì)混合動(dòng)力發(fā)動(dòng)機(jī)的轉(zhuǎn)速預(yù)測(cè)及控制有非常顯著的潛在應(yīng)用價(jià)值。

作者貢獻(xiàn)聲明：

樓狄明：項(xiàng)目/課題負(fù)責(zé)人，論文審閱與修改。

唐遠(yuǎn)贄：模型搭建，模擬數(shù)據(jù)，論文撰寫與修改。

施雅風(fēng)：概念提出，模型搭建，數(shù)據(jù)整理，論文撰寫。

房 亮：概念提出，論文審閱與修改。

張?jiān)嗜A：論文審閱與修改。

仇 杰：項(xiàng)目負(fù)責(zé)人，模型與試驗(yàn)數(shù)據(jù)提供。

楊 芾：項(xiàng)目/課題負(fù)責(zé)人，模型與試驗(yàn)數(shù)據(jù)提供。