4 结束语
基于点云的几何参数恢复是非接触式几何测量的重要方法㊂本文对点云数据的二次曲面拟合与测量进行了研究，构建了二次曲面几何量测的统一框架，用户首先交互选择得到需要测量的点云数据，然后对点云进行一般二次曲面方程拟合，再构造不同类型二次曲面的特定方程，通过两者相关系数的对比，得出待测点云数据的曲面几何参数㊂本方法切实可行，可作为模型的快速测量工具㊂
参考文献:
[1] P r a t tV.D i r e c tL e a s t‐s q u a r e sF i t t i n g o fA l g e b r a i c
S u r f a c e[J].C o m p u t e rG r a p h i c,1987,21(4):145‐
152.
[2] C h e n Y H,L i u C Y.Q u a d r i cS u r f a c eE x t r a c t i o n
U s i n g G e n e t i cA l g o r i t h m s[J].C o m p u t e r‐a i d e dD e-
s i g n,1999,31(2):101‐110.
[3] L u k a c sG,M a r t i nR R,M a r s h a l lD.F a i t h f u lL e a s t‐
s q u a r e s F i t t i n g o fS p h e r e s,C y l i n d e r s,C o n e s,a n d
T o r i f o rR e l i a b l eS e g m e n t a t i o n[C]//P r o c e e d i n g so f
t h e5t hE u r o p e a nC o n f e r e n c eo nC o m p u t e rV i s i o n.
L o n d o n:S p r i n g e r‐V e r l a g,1998:671‐686. [4] 单东日，柯映林.反求工程中点云数据的二次曲面
特征提取技术[J].计算机辅助设计和图形学学报,
2003,15(12):1497‐1501.
S h a nD o n g r i,K e Y i n g l i n.Q u a d r i cF e a t u r e E x t r a c-
t i o n f r o m P o i n t sC l o u d i nR e v e r s eE n g i n e e r i n g[J].
J o u r n a lo f C o m p u t e r A i d e d D e s i g n&C o m p u t e r
G r a p h i c s,2003,15(12):1497‐1501.
[5] 顾步云，周来水，刘胜兰，等.逆向工程中二次曲面
拟合方法的研究[J].机械制造与自动化,2004,33
(1):11‐14.
G uB u y u n,Z h o uL a i s h u i,L i uS h e n g l a n,e t a l.S t u d y
o nA l g o r i t h mo fQ u a d r i cS u r f a c eF i t t i n g i nR e v e r s e
E n g i n e e r i n g[J].M a c h i n eB u i l d i n g&A u t o m a t i o n,
2004,33(1):11‐14.
[6] 田怀文，郭仕章.反求建模中常见二次曲面拟合方
法[J].西南交通大学学报,2007,42(5):553‐557.
T i a n H u a i w e n,G u o S h i z h a n g.R e s e a r c h o n A l g o-
r i t h mo fQ u a d r i cS u r f a c eF i t t i n g i nR e v e r s e M o d e l-
i n g f o r M e c h a n i c a lP a r t s[J].J o u r n a lo fS o u t h w e s t
J i a o t o n g U n i v e r s i t y,2007,42(5):553‐557. [7] 曲学军，席平.使用T a b u搜索技术提取二次曲面
[J].中国机械工程,2004,15(15):1350‐1354.
Q u X u e j u n,X i P i n g.Q u a d r i c S u r f a c e E x t r a c t i o n
U s i n g T a b uA l g o r i t h m s[J].C h i n aM e c h a n i c a l E n g i-
n e e r i n g,2004,15(15):1350‐1354.
[8] 廖平.基于粒子算法和分割逼近法的复杂曲面轮
廓度误差计算[J].中国机械工程,2010,21(2): 201‐205.
L i a oP i n g.C a l c u l a t i o no fC o m p l e x S u r f a c e P r o f i l e
E r r o r sB a s e do n H y b r i dP a r t i c l eS w a r m O p t i m i z a-
t i o nA l g o r i t h m[J].C h i n a M e c h a n i c a lE n g i n e e r i n g, 2010,21(2):201‐205.
[9] 黄胜利，卜昆，程云勇，等.涡轮叶片密集点云数据
与C A D模型配准方法[J].中国机械工程,2011,22
(14):1699‐1703.
H u a n g S h e n g l i,P u K u n,C h e n g Y u n y o n g,e ta l.
R e g i s t r a t i o n f o rT u r b i n eB l a d e b e t w e e nD e n s eC l o u d
D a t aa n d C A D M o d e l[J].C h i n a M e c h a n i c a l
E n g i-
n e e r i n g,2011,22(14):1699‐1703. [10] 闫龙，赵正旭，周以齐.基于形态学算法的摄影测
量数据噪声滤波[J].中国机械工程,2008,19(1):
48‐51.
Y a nL o n g,Z h a oZ h e n g x u,Z h o u Y i q i.C l o u d D a t a
F i l t e rB a s e do n M o r p h o l o g i c a lO p e r a t o r i nP h o t o-
g r a mm e t r y[J].C h i n a M e c h a n i c a l E n g i n e e r i n g,
2008,19(1):48‐51.
[11] 梁新合，梁晋，郭成，等.基于自适应最优邻域的散
乱点云降噪技术研究[J].中国机械工程,2010,21
(6):639‐643.
L i a n g X i n h e,L i a n g J i n,G u oC h e n g,e t a l.S t u d y o n
S c a t t e rP o i n tC l o u d D e n o i s i n g T e c h n o l o g y B a s e d
o nS e l f‐a d a p t i v eO p t i m a lN e i g h b o r h o o d[J].C h i n a
M e c h a n i c a l E n g i n e e r i n g,2010,21(6):639‐643.
[12] 李林升，娄臣臣，林国湘，等.C‐V模型与工业C T
相结合的几何测量方法[J].计算机辅助设计与图
形学学报,2012,24(5):649‐655.
L i L i n s h e n g,L o uC h e n c h e n,L i nG u o x i a n g,e t a l.
G e o m e t r i c M e a s u r e m e n t M e t h o dI n t e g r a t i n g C‐V
M o d e l a n d I n d u s t r i a l C T[J].J o u r n a l o fC o m p u t e r‐
a i d e dD e s i g n&C o m p u t e rG r a p h i c s,2012,24(5):
649‐655.
[13] S c h n a b e lR,W a h lR,K l e i nR.E f f i c i e n tR A N S A C
f o rP o i n t‐c l o u d S h a p e D e t e c t i o n[J].C o m p u t e r
G r a p h i c sF o r u m,2007,26(2):214‐226.
[14] V a r a d y T,M a r t i nRR,C o x J.R e v e r s eE n g i n e e r i n g
o fG e o m e t r i cM o d e l s:a n I n t r o d u c t i o n[J].C o m p u t-
e r‐a i d e dD e s i g n,1997,29(4):255‐268.
[15] 徐士良.常用算法程序集[M].北京：清华大学出版
社,2009.(编辑 袁兴玲)
作者简介：郑红波，女,1977年生㊂浙江工业大学计算机学院讲师㊁博士㊂主要研究方向为计算机图形学㊁数字图像处理㊂张江雯，女,1990年生㊂浙江工业大学计算机学院硕士研究生㊂谭小俊，男,1987年生㊂浙江工业大学计算机学院硕士研究生㊂秦绪佳，男,1968年生㊂浙江工业大学计算机学院教授㊁博士研究生导师㊂陈嵩辉，男,1967年生㊂杭州航天电子技术有限公司研究员㊂
㊃9451㊃
点云数据的二次曲面几何测量方法 郑红波 张江雯 谭小俊等
Copyright©博看网. All Rights Reserved.
1.重庆大学机械传动国家重点实验室，重庆,400044
2.长安福特汽车有限公司，重庆,401120
3.重庆长安新能源汽车有限公司，重庆,401120
摘要：针对固定循环工况下所制定的混合动力汽车能量管理策略存在一定局限性问题，从A D V I -
S O R 软件中选取覆盖车辆实际行驶工况的20个典型循环工况,
以整车综合燃油消耗和动力电池寿命为综合优化目标，利用粒子算法对各工况下能量管理策略中所涉及的关键参数进行了优化，并将得到的优化结果建立数据库，提出了基于行驶工况识别的混合动力汽车动态能量管理策略㊂最后，通过选择
某个随机工况对所制定的能量管理策略进行仿真㊂结果表明：所制定的动态能量管理策略与未采用工况识别的能量管理策略相比，车辆综合燃油消耗下降10.70%，动力电池温升和平均有效工作电流分别下降2.46℃和1.63A ㊂
关键词：混合动力汽车；工况识别；随机工况；动态能量管理策略
中图分类号:U 469.7 D O I :10.3969/j
.i s s n .1004-132X.2014.11.024D y n a m i cE n e r g y M a n a g e m e n t S t r a t e g y o fH E VB a s e do nD r i v i n g P a t t e r nR e c o g
n i t i o n Q i nD a t o n g 1 P e n g Z h i y u a n 2 L i uY o n g g a n g 1 D u a nZ h i h u i 3 Y a n g Y a n g
1
1.S t a t eK e y L a b o r a t o r y o fM e c h a n i c a lT r a n s m i s s i o n ,C h o n g q i n g U n i v e r s i t y ,C h o n g q i n g
,4000442.C h a n g ’a nF o r dA u t o m o b i l eC o .,L t d .,C h o n g q i n g
,4011203.C h o n g q i n g C h a n g ’a nN e w E n e r g y V e h i c l eL t d .,C h o n g q i n g
,401120A b s t r a c t :E n e r g y m a n a g e m e n t s t r a t e g y o fH E V w h i c hw a s b u i l t i n i n v a r i a b l e c y c l e c o n d i t i o n e x i s -
t e d s o m e l i m i t a t i o n s .20t y p i c a l c y c l e c o n d i t i o n sw h i c h s t a n d e d f o r v e h i c l e r e a l d r i v i n g c o n d i t i o n sw e r e c h o s e n f r o m A D V I S O Rs o f t w a r e a n dk e y c o
n t r o l p a r a m e t e r so f e a c hd r i v i n g c y c l ew e r eo p t i m i z e db y u s i n gp a r t i c l e s w a r ma l g o r i t h ma s t h e c o m p r e h e n s i v e g o a l o f v e h i c l e t o t a l f u e l c o n s u m p
t i o n a n d p o w e r b a t t e r y l i f e ,r e l e v a n to p t i m i z e dr e s u l t sw e r es a v e di nd a t a b a s e ,a ne n e r g y m a n a g e m e n ts t r a t e g y o
f H E Vb a s e do nd r i v i n gp a t t e r n r e c o
g n i t i o nw a s p r o p o s e d .F i n a l l y ,s i m u l a t i o n f o r t
h e e n e r g y m a n a g e -m e n t s t r a t e g y w a s c a r r
i e do u t u n d e r a r a n d o md r i v i n g c
o n d i t i o n ,s i m u l a t i o n r e s u l t s s h o wt h a t v e h i c l e f u e l c o n s u m p t i o n i s c u t d o w n10.70%,t e m p e r a t u r e r i s ea n da v e r a g eo p e r a t i o nc u r r e n t a r e c u td o w n 2.46℃a n d 1.63Ar e s p e c t i v e l y b y u s i n g d y n a m i c e n e r g y m a n a g e m e n t s t r a t e g y c o m p a r e dw i t h e n e r g y m a n a g e m e n t s t r a t e g y w i t h o u t d r i v i n gp a t t e r n r e c o g
n i t i o n .K e y w
o r d s :h y b r i d e l e c t r i c v e h i c l e (H E V );d r i v i n g p a t t e r n r e c o g n i t i o n ;r a n d o md r i v i n g c o n d i t i o n ;d y n a m i c e n e r g y m a n a g e m e n t s t r a t e g y
收稿日期:2013 01 14
基金项目：国家自然科学基金资助项目(51305468
)；中央高校基本科研业务费专项资金资助项目(C D J Z R 12110005)
；机械传动国家重点实验室2012年度开放基金资助项目
0 引言
目前混合动力汽车能量管理策略主要有：基
于规则的逻辑门限控制策略[1]
㊁瞬时优化控制策
略[2]㊁全局最优化控制策略[3]
以及智能控制策
略[
4]
㊂但以上能量管理策略绝大部分都是在对固定循环工况进行分析的基础上获得的㊂车辆实际运行工况是一个随机的㊁不确定的过程，某一特定
循环工况下能量管理策略的优化效果在实际工况
的适应性方面存在一定局限性[5]
㊂因此，混合动
力汽车能量管理策略的设计必须在充分研究车辆实际行驶工况的基础上才能获得较好的控制
效果㊂
本文首先在A D V I S O R 软件中选取20个典
型循环工况，以整车燃油消耗和动力电池使用寿命联合最优为目标，利用粒子算法分别对20个典型循环工况下的能量管理策略中所涉及的关键参数进行优化并建立数据库，然后利用模式识别方法对某个随
机工况进行 模块化”识别，最后在MA T L A B /S i m u l i n k 环境下对所提出的基于行驶工况识别的混合动力汽车动态能量管理策略进
行仿真分析㊂
1 典型循环工况特征参数提取
由于车辆行驶道路包含了多种不同的交通特征，故对车辆实际行驶工况的调查与分析过程比较复杂㊂本文从A D V I S O R 软件中提取20种涵
㊃
0551㊃中国机械工程第25卷第11期2014年6月上半月
Copyright ©博看网. All Rights Reserved.
盖各种交通特征的典型循环工况(工况1为
J P N 1015㊁工况2为A R T E R I A L ㊁工况3为
C B
D 14㊁工况4为C B D T R U C K ㊁工况5为C OM -
MU T E R ㊁工况6为E C E _E U D C ㊁工况7为H L 07㊁工况8为L A 92㊁工况9为MA NH A T -
T A N ㊁工况10为N Y C C ㊁工况11为N Y C C OM P ㊁
工况12为N Y C T R U C K ㊁工况13为N u r e m b e r -g
R 36㊁工况14为R E P 05㊁工况15为S C 03㊁工况16为U D D S ㊁工况17为U D D S H D V ㊁工况18为
U S 06_HWY ㊁工况19为WV U C I T Y ㊁工况20为
WV U S U B )，综合考虑循环工况中车辆的运动特征，选取工况时间㊁行驶距离㊁最大车速㊁平均车速㊁最大加速度㊁最大减速度㊁平均加速度㊁平均减速度㊁停车时间以及停车次数共10个特征参数㊂
2 控制参数优化及数据库建立
文献[6]制定的工作模式切换规律和电池充放电系数是在固定工况下优化获得的㊂当车辆行驶
工况发生变化时，通过固定工况优化获得的相关控制参数，很难保证车辆综合油耗㊁电池使用寿命以及
电池S O C 维持等性能方面的优势㊂本文通过混合动力汽车动力传动系统效率优化得到驱动工况下工作模式的切换规律，如图1所示，可以看出，整车驱动工况下不同工作模式区域可由a ㊁b ㊁c ㊁d ㊁e ㊁f
6个状态点进行划分㊂针对车辆所处的不同行驶
工况，适时调整这6个状态点的位置以及镍氢动力电池充放电功率是整车能量管理策略动态优化的
关键㊂为此，针对前面选出的20个典型车辆行驶
工况，本文利用粒子优化算法分别对这20个典型循环工况条件下的整车能量管理策略中所涉及的关键控制参数进行优化，以期为该混合动力汽车动态能量管理策略的优化提供支持
㊂
图1 驱动工况下的H E V 工作模式切换规律
2.1 粒子优化算法
粒子优化算法首先初始化产生一随机粒子，然后迭代寻最优解㊂在每一次迭代中，粒子
通过跟踪两个极值来不断更新自己：一个是个体极值(p b e s t )；另一个就是全局最优解(g
b e s t )㊂粒子根据下列公式来更新速度和位置[
7
]:v (t +1)i j =ωv (t )i j +c 1r 1(p b e s t -x (t )i j )+c 2r 2(g b e s t -x (t
)i j
)(1)v (t +1)i j =v m a x v (t +1
)i j
>v m a x v (
t +1
)
i j
=-v m a x v (
t +1
)
i j
<-v }
m a x (2)x (
t +1)
i j =x (t )
i j +v (
t +1
)
i j
j =1,2, ,d (3)x (
t +1)
i j =x m a x x (
t +1
)
i j
长安福特汽车有限公司>x m a x x (t +1)
i j
=-x m i n x
(t +1)i j
<-x }
m i n
(4
)式中,v (t )i j ㊁x (t )i j
分别为粒子i 的第j 维分量在第t 代的速度和位置;c 1㊁c 2为学习因子，通常c 1=c 2=2;r 1㊁r 2为
0~1之间均匀分布的随机数;v m a x 为离子的最大速度;x m i n ㊁x m a x
分别为粒子的最小位置和最大位置;ω为惯性权重㊂
为了更好地平衡粒子算法的全局搜索能力和局部改良能力，本文采用非线性的动态惯性权重，即
ω=
ωm i n -(ωm a x -ωm i n )(f -f m i n )
(f a v g -f m i n ) f ≤f a v g
ωm a x
f >f a v {
g
(5
)式中,ωm i n ㊁ωm a x 分别为ω的最小值和最大值;f 为粒子当
前的目标函数值;f a v g ㊁f m i n 分别为当前所有微粒的平均目标值和最小目标值㊂
2.2 微粒编码
采用粒子算法优化混合动力汽车能量管理策略时，首先把整车优化中有关的控制变量集中起来进行编码，需要编码的变量如下:①图1中的
6个模式切换点a ~f 的坐标(包含12个变量)
;②调整后的镍氢动力电池充放电系数k c h a r ㊁k d i s c h (包含2个变量)㊂镍氢动力电池充放电系数k c h a r ㊁k d i s c h 的计算
公式为
k c h a r =P r e a l ‐c h a r /P o p
t ‐c h a r (6)k d i s c h =P r e a l ‐d i s c h /P o p
t ‐d i s c h (7
)式中,P r e a l ‐c h a r ㊁P r e a l ‐d i s c h 分别为镍氢动力电池的实际充放电功率;P o p t ‐c h a r ㊁P o p
t ‐d i s c h 分别为在固定循环工况下优化后的镍氢动力电池充放电功率㊂
因此，该混合动力汽车能量管理策略的优化变量总计14个㊂
2.3 适应度函数的选择
动力电池的使用寿命是混合动力汽车经济性最重要影响因素之一㊂对于镍氢动力电池而言，一般认为温度和工作电流是影响其使用寿命的两大主要因素，并用容量衰减率来量化它们对其寿
命的影响[8
]，表示为
C r =0.017I λ
b e x p (-ΔE K (T 0+ΔT b a t s ))(8)ΔT b a t s =
∫
t
0Q b a t s ‐g
e n -Q b a t s ‐c a s e m b a t s c b a t s ‐p
d t
(9
)㊃
1551㊃基于工况识别的混合动力汽车动态能量管理策略
秦大同 彭志远 刘永刚等Copyright ©博看网. All Rights Reserved.
I b ‐a v g =
∫t a l l
|
I b
|d t /t
a l l
(10)Q b a t s ‐c h a r =-0.547I b +3.6I 2
b
R b a t s Q b a t s ‐d i s c h =-5.334I b +3.6I 2
b
R b a t s Q b a t s ‐g
e n =Q b a t s ‐c h a r +Q b a t s ‐üþý
ïïïïd i s c h (11
)式中,λ为与电流有关的衰减系数[8]
(表1);ΔE 为激活能;K 为玻尔兹曼常数;T 0为动力电池初始温度;ΔT b a t s 为
动力电池温升[9]
;I b 为动力电池的工作电流,
考虑到混合动力汽车在行驶过程中动力电池的工作电流在不断变
化，引入混合动力汽车整个行驶工况内的动力电池平均
有效工作电流I b ‐a v g 来量化它对动力电池寿命的影响;Q b a t s ‐g
e n 为动力电池产生的总热量[9]
;Q b a t s ‐c a s e 为动力电池箱表面传递到冷却空气中的热量;m b a t s 为动力电池组总质量;c b a t s ‐p 为内部动力电池平均质量热容;
t a l l 为整个行驶时间;Q b a t s ‐c h a r ㊁Q b a t s ‐d i s c h 分别为动力电池充放电时产生的热量;R b a t s 为动力电池内阻㊂
表1 工作电流与动力电池容量衰减影响系数毸
电流(A )[0,20](20,60](60,100](100,120]充电时0.060.1
0.2
0.4
放电时
0.04
0.080.170.35 由式(8
)可以看出，当动力电池初始温度一定时，其温升的增加会导致其容量的衰减；同时动力电池容量也会随充放电电流的增加而衰减，导致其寿命下降㊂
由以上分析可知，动力电池温升和平均有效工作电流是影响动力电池容量衰减率的重要因素，动力电池温升的增加和工作电流的增加会使电池使用寿命下降，从而影响混合动力汽车的经济性㊂因此将整车综合燃油消耗Q f u e l 和动力电池容量衰减率C r 综合构成混合动力汽车新的优化
目标函数(即适应度函数)
:f (Q f u e l ,C r )=
ω1(
∫
t a l l
t 0
T e ωe b e +P b a t ηb a t b e ‐c y c ‐a v g 3.6×106
ρg a s d t )Q f u e l ‐a v g +ω2
C r
C r ‐a v g
ω1+ω2üþ
ýï
ïïïïï=
1(12
)式中,ω1㊁ω2分别为各优化目标的权重系数;P b a t 为电池的
工作功率;T e 为发动机转矩;ωe 为发动机曲轴角速度;b e 为发动机的实时油耗率;b e ‐c v c ‐a v g 为循环工况下的发动机平
均油耗率;ρg a s 为汽油密度;ηb a t 为电池工作效率;Q f u e l ‐a v g 为混合动力汽车综合燃油消耗平均值;C r ‐a v g 为动力电池容量衰减率平均值㊂
由式(12)可以看出，权重系数ω1㊁ω2分别表
示整车综合燃油消耗和动力电池容量衰减率在整个目标函数中的重要程度㊂本文综合考虑整车燃
油经济性和动力电池寿命因素，采用多因素经验
统计方法[10
]选取一组权重系数(ω1=0.7,ω2=
0.3)，保证各优化子目标达到预期效果㊂2.4 优化步骤与优化结果
利用粒子优化算法对典型循环行驶工况下混合动力汽车能量管理策略中14个变量进行优化的步骤如下:
(1)对14个优化变量进行编码，并确定粒子的搜索范围和最大速度;
(2)将图1中12个变量的位置以及动力电池
2个充放电变量系数(
初选为1)作为经验粒子加入到初始粒子中以加快搜索速度;
(3
)初始化每个粒子的速度;(4
)将当前各微粒的位置和适应值存储在各微粒的p b e s t 中，将所有p b e s t 中适应值最优个体的位置和适应值存储于g b e s t 中;
(5)由式(1)㊁式(2)更新粒子各维的速度，由式(3)㊁式(4)更新粒子各维的位置;(6)更新式(5
)中的非线性动态惯性权重;(7
)对每一个微粒进行解码，以数值查表的形式嵌入到混合动力汽车能量管理策略中，将整车的优化目标函数作为其适应度值，并根据适应度值确定是否用该粒子更新p b e s t 与g b e s t ;
(8)转到步骤(4)进行迭代，直到达到最大迭代次数或g b e s t 的改进步长小于指定阀值㊂将g b e s t 解码
作为单个典型循环工况下混合动力汽车能量管理策略的最优控制参数㊂
采用粒子优化算法得到了20个典型循环
工况下混合动力汽车的相关控制参数(表2
)㊂3 行驶工况识别
虽然车辆的实际运行工况是随机不确定的，但可以通过模式识别的方法到一个与车辆当前行驶工况最为接近的理论循环工况作为混合动力汽车能量管理策略动态优化的参考㊂
3.1 行驶工况的模式识别方法
行驶工况的模式识别需要两个条件：一是已知若干标准模式构成的标准模式库(本文由所选取的20个典型行驶工况组成)
；二是有待识别的对象，即车辆的实际运行工况㊂
本文选择运算方便㊁实用性较强的欧几里德
(E u c l i d
)贴近度来表示待识别样本与标准样本的接近程度[11
]㊂设A n (n =1,2, ,20)为标准模式库中的样本(即本文所选20个典型循环工况),B
为待识别的样本(即车辆实际行驶工况)，则A n 与
B 之间的E u c l i d 贴近度表示为(
为了消除各特征参数的量纲㊁数量大小以及变化幅度对贴近度比较的影响，采用 最大幅值为1”方法对各样本特㊃
2551㊃中国机械工程第25卷第11期2014年6月上半月
Copyright ©博看网. All Rights Reserved.
表2 20个典型循环工况下控制策略的关键控制参数优化数据
序号
a 点坐标
b 点坐标
c 点坐标
d 点坐标
e 点坐标
f 点坐标k c h a r
k d i s c h
1(0.47,53.9)(0.65,28.3)(0.48,92.6)(1.23,34.2)(0.43,137.8)(1.86,36.7)0.8980.9372(0.55,57.2)(0.63,32.5)(0.52,93.7)(1.27,33.6)(0.42,136.9)(1.73,34.3)0.8820.9293(0.37,53.6)(0.53,24.8)(0.61,93.2)(1.33,32.9)(0.37,138.5)(1.83,37.6)0.9080.9464(0.33,52.8)(0.41,23.4)(0.57,86.7)(1.31,29.2)(0.35,137.6)(1.72,33.9)0.8870.9315(0.44
,55.6)(0.56,28.7)(0.49,92.9)(1.26,37.1)(0.44,143.3)(1.
64,38.8)0.8960.9496(0.41,58.3)(0.67,26.5)(0.33,97.6)(1.22,33.7)(0.35,146.1)(1.83,33.2)0.8730.9437(0.37,53.9)(0.48,27.3)(0.64,96.5)(1.39,38.2)(0.33,144.6)(1.81,35.7)0.8780.9328(0.51,56.2)(0.68,35.6)(0.62,97.9)(1.34,37.8)(0.37,137.3)(1.83,37.1)0.8890.9369
(0.56,53.9)(0.65,33.7)(0.63,95.1)(1.29,38.3)(0.38,143.6)(1.72,35.8)0.8730.92510(0.58,55.6)(0.62,34.8)(0.62,88.3)(1.38,39.2)(0.41,143.9)(1.75,34.6)0.8790.94311(0.55,56.2)(0.57,38.7)(0.66,93.5)(1.36,37.9)(0.43,141.8)(1.89,33.2)0.9030.95212(0.53,53.7)(0.59,35.3)(0.64,85.2)(1.29,32.8)(0.37,144.6)(1.77,34.3)0.8910.93613(0.52,55.1)(0.75,34.9)(0.61,87.8)(1.27,35.6)(0.46,136.7)(1.82,33.5)0.9160.94814(0.56,53.8)(0.63,37.2)(0.63,95.6)(1.35,43.9)(0.44,146.2)(1.87,35.1)0.9130.96
215(0.48,55.6)(0.62,29.1)(0.58,92.7)(1.26,33.2)(0.43,141.6)(1.75,37.3)0.9020.95116(0.59,53.7)(0.67,28.8)(0.65,86.9)(1.28,30.3)(0.38,139.1)(1.76,34.8)0.8890.94317(0.57,52.9)(0.65,27.7)(0.58,85.1)(1.23,27.9)(0.37,143.5)(1.73,33.2)0.9070.93918(0.38,53.2)(0.48,28.6)(0.63,98.3)(1.27,44.8)(0.44,145.8)(1.85,38.9)0.9180.96719(0.46,55.1)(0.67,34.3)(0.57,84.9)(1.22,39.6)(0.36,136.2)(1.73,36.7)0.9080.94820(0.51,54.3
)(0.68,36.4
)(0.59,86.5
)(1.29,38.2)(0.39,139.6)(1.72,37.8
)0.895
0.962
征参数值进行标准化)
σ(A n ,B )=1-1m [∑m
k =1
(A n (k )-B (k ))2
]12(13
)式中,m 为标准循环工况特征参数数量(本文选取了10个特征参数)
㊂利用式(13)
计算出A n 与B 之间的贴近度㊂若存在:
σ(B ,A i )
=m a x (σ(B ,A 1),σ(B ,A 2), ,σ(B ,A n ))(14
)则认为B 的模式识别结果属于模式A i ㊂
3.2 行驶工况的模式识别结果
本文随机地选取了包含城市㊁郊区和高速公
路共5种不同循环工况(分别是1015_6P R I U S ㊁
C S HV R ㊁N E
D C ㊁HW F
E T ㊁U N I
F 01)，并且这5种工况按照随机顺序首尾相接(即前一个循环工况的结束时刻点作为后一个循环工况的起始时刻点)，由排列组合原理可知，共有C 15C 14C 13C 12C
11=120种组合㊂本文从120种行驶工况组合中随机选取一种组合(U N I F 01+1015_6P R I U S +HW F E T+N E D C+C S HV R )作为车辆的实际行驶工况㊂
由于选出的新工况是一种包含城市㊁郊区和高速公路的综合工况，若对整个工况直接进行模式识别，其结果并不能真实地反映车辆的行驶工况，因此本文将该工况划分成相同的 时间块”(时间长度为300s
)，对每个 时间块”单独进行模式识别㊂由此可以得到每个 时间块”与20个标准
循环工况的贴近度，将贴近度最大的标准循环工
况作为当前 时间块”的识别结果，如图2所示㊂
图2 随机工况的模式识别结果
4 动态能量管理策略及仿真分析
图3为混合动力汽车动态能量管理策略示意
图，其核心思想是通过提取不同典型工况的相关特征参数，然后利用工况识别方法对当前车辆的行驶工况进行辨识，从典型工况优化数据库中选出最相似的一类工况，将优化所得控制参数与工况驾驶需求作为整车动态能量管理策略制定的依据㊂
图3 混合动力汽车动态能量管理策略示意图
㊃
3551㊃基于工况识别的混合动力汽车动态能量管理策略
秦大同 彭志远 刘永刚等Copyright ©博看网. All Rights Reserved.
发布评论