全文摘要
本发明公开了一种基于实际工况与驾驶风格双识别的混合动力汽车控制方法，包括：采集车辆行驶工况数据，根据采集的行驶工况数据提取特征参数；根据提取的特征参数聚类得到不同类型行驶工况；提取不同类型行驶工况下反应驾驶风格的特征参数，根据提取的驾驶风格特征参数对不同类型行驶工况下的短行程进行聚类分析，分类得到在不同类型行驶工况下的反映不同驾驶风格的工况；以整车能耗最小为优化目标，动力性为约束条件，根据得到的在不同类型行驶工况下反映驾驶风格的工况对车辆控制参数进行优化，得到最优控制参数。通过建立双识别模型识别当前交通及驾驶风格，并调用相应控制参数，使发动机工作在高效率区间，大大提高了燃油经济性。
主设计要求
1.一种基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，包括以下步骤：S01：采集车辆行驶工况数据，根据采集的行驶工况数据提取特征参数，所述特征参数包括平均车速、速度标准差和怠速比例；S02：根据提取的特征参数聚类得到不同类型行驶工况，所述类型包括拥堵、市区和市郊，并建立工况识别模型；S03：提取不同类型行驶工况的驾驶风格特征参数，所述驾驶风格特征参数包括平均加速度和加速度标准差，根据提取的驾驶风格特征参数对不同类型行驶工况的短行程进行聚类分析，分类得到在不同类型行驶工况下反映不同驾驶风格的工况，并建立驾驶员驾驶风格识别模型；S04：以整车能耗最小为优化目标，动力性为约束条件，根据得到的在不同类型行驶工况下反映不同驾驶风格的工况分别对车辆控制参数进行优化，得到多组最优控制参数。
设计方案
1.一种基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，包括以下步骤：
S01：采集车辆行驶工况数据，根据采集的行驶工况数据提取特征参数，所述特征参数包括平均车速、速度标准差和怠速比例；
S02：根据提取的特征参数聚类得到不同类型行驶工况，所述类型包括拥堵、市区和市郊，并建立工况识别模型；
S03：提取不同类型行驶工况的驾驶风格特征参数，所述驾驶风格特征参数包括平均加速度和加速度标准差，根据提取的驾驶风格特征参数对不同类型行驶工况的短行程进行聚类分析，分类得到在不同类型行驶工况下反映不同驾驶风格的工况，并建立驾驶员驾驶风格识别模型；
S04：以整车能耗最小为优化目标，动力性为约束条件，根据得到的在不同类型行驶工况下反映不同驾驶风格的工况分别对车辆控制参数进行优化，得到多组最优控制参数。
2.根据权利要求1所述的基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，所述步骤S01中，提取特征参数之前对根据采集的行驶工况数据进行短行程划分。
3.根据权利要求2所述的基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，所述步骤S02中还包括，对提取的特征参数进行主成分分析得到短行程片段的主成分值；
将短行程片段的工况数据所属的行驶工况类型进行编号；
构建LVQ神经网络，将主成分值作为LVQ神经网络输入层，将行驶工况类型编号作为LVQ神经网络输出层；
利用LVQ神经网络对短行程片段进行离线训练，得到基于LVQ神经网络的工况识别模型。
4.根据权利要求3所述的基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，所述步骤S03中还包括，将每类行驶工况片段的驾驶风格类型进行编号；
构建LVQ神经网络，将提取的不同类型行驶工况的驾驶风格的特征参数作为LVQ神经网络输入层，将驾驶风格类型编号作为LVQ神经网络输出层；
利用LVQ神经网络对短行程片段进行离线训练，得到基于LVQ神经网络的不同类型行驶工况下的驾驶风格识别模型。
5.根据权利要求2所述的基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，所述步骤S03中，对不同类型行驶工况的单个短行程片段与该类型行驶工况所有短行程片段构建成的工况数据进行相关性分析计算，得到相关系数，选取相关系数大的短行程片段构建得到反映不同类型行驶工况及驾驶风格的工况数据。
6.根据权利要求1所述的基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，所述步骤S04中，所述车辆控制参数包括发动机最优工作区间上下限和发动机介入车速。
7.一种基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，包括：
行驶工况数据采集提取模块，采集车辆行驶工况数据，根据采集的行驶工况数据提取特征参数，所述特征参数包括平均车速、速度标准差和怠速比例；
行驶工况构建与识别模块，根据提取的特征参数聚类得到不同类型行驶工况，所述类型包括拥堵、市区和市郊，并建立工况识别模型；
驾驶风格工况构建与识别模块，提取不同类型行驶工况的驾驶风格特征参数，所述驾驶风格特征参数包括平均加速度和加速度标准差，根据提取的驾驶风格特征参数对不同类型行驶工况的短行程进行聚类分析，分类得到在不同类型行驶工况下的反映不同驾驶风格的工况，并建立驾驶员驾驶风格识别模型；
控制优化模块，以整车能耗最小为优化目标，动力性为约束条件，根据得到的在不同类型行驶工况下反映不同驾驶风格的工况分别对车辆控制参数进行优化，得到多组最优控制参数。
8.根据权利要求7所述的基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，所述行驶工况构建与识别模块还包括工况识别模型训练模块，具体执行操作包括：
对提取的特征参数进行主成分分析得到短行程片段的主成分值；
将短行程片段的工况数据所属的行驶工况类型进行编号；
构建LVQ神经网络，将主成分值作为LVQ神经网络输入层，将行驶工况类型编号作为LVQ神经网络输出层；
利用LVQ神经网络对短行程片段进行离线训练，得到基于LVQ神经网络的工况识别模型。
9.根据权利要求7所述的基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，所述驾驶风格工况构建与识别模块还包括驾驶风格识别模型训练模块，具体执行操作包括：
将每类行驶工况片段的驾驶风格类型进行编号；
构建LVQ神经网络，将提取的不同类型行驶工况的驾驶风格的特征参数作为LVQ神经网络输入层，将驾驶风格类型编号作为LVQ神经网络输出层；
利用LVQ神经网络对短行程片段进行离线训练，得到基于LVQ神经网络的不同类型行驶工况下的驾驶风格识别模型。
10.根据权利要求7所述的基于实际工况与驾驶风格双识别的混合动力汽车控制方法，其特征在于，所述驾驶风格工况构建与识别模块中，对不同类型行驶工况的单个短行程片段与该类型行驶工况所有短行程片段构建成的工况数据进行相关性分析计算，得到相关系数，选取相关系数大的短行程片段构建得到反映不同类型行驶工况及不同驾驶风格特征的工况数据。
设计说明书
技术领域
本发明涉及混合动力汽车控制技术领域，具体地涉及一种基于实际工况与驾驶风格双识别的混合动力汽车控制方法。
背景技术
目前的混合动力汽车，发动机只能按照整车需求被动输出扭矩，不能根据汽车的实际运行状态自动调整输出扭矩，因此发动机会经常工作在低负荷状态下，而发动机工作在低负荷状态下时的排气温度较低，排气后处理系统不能充分分解排气中的氮氧化物，导致排气污染较大，不利于环境保护。
中国专利文献CN 106274884公开了一种混合动力汽车的动力控制方法，在混合动力汽车处于运行状态时，获取发动机的工况参数；根据工况参数判断发动机是运行在低负荷状态还是运行在高负荷状态；高负荷状态的发动机负荷高于低负荷状态的发动机负荷；如果发动机运行在低负荷状态，则调整电动\/发电一体机的工作状态，使发动机运行在高负荷状态或者使发动机停止工作。该方法仅仅考虑了工况，然而工况参数也是采用的标准的工况，但是混合动力汽车（HEV）的整车最佳控制参数受动态多变的行驶工况影响，并且当前混合动力汽车关键控制参数主要采用标准工况进行标定，但是随着汽车拥有量以及交通设施的剧烈变化，标准工况已经无法反应当前交通设施下的车辆行驶工况，另外不同的驾驶员对整车性能需求不同。本发明因此而来。
发明内容
为了解决上述存在的技术问题，本发明提供了一种基于实际工况与驾驶风格双识别的混合动力汽车控制方法，通过采用车辆实际循环行驶工况，并聚类得到不同类型行驶工况，以及在不同行驶工况基础上再次聚类得到不同驾驶风格工况，采用所得到的实际的不同循环工况对整车关键控制参数进行优化，并建立实际工况与驾驶风格双识别模型，从而解决标准工况及单一驾驶风格优化得到的控制参数难以适应当前实际交通及驾驶员特点问题，进而提高燃油经济性、降低排放。
本发明的技术方案是：
一种基于实际工况与驾驶风格双识别的混合动力汽车控制方法，包括以下步骤：
S01：采集车辆行驶工况数据，根据采集的行驶工况数据提取特征参数，所述特征参数包括平均车速、速度标准差和怠速比例；
S02：根据提取的特征参数聚类得到不同类型行驶工况，所述类型包括拥堵、市区和市郊，并建立工况识别模型；
S03：提取不同类型行驶工况的驾驶风格特征参数，所述驾驶风格特征参数包括平均加速度和加速度标准差，根据提取的驾驶风格特征参数对不同类型行驶工况的短行程进行聚类分析，分类得到在不同类型行驶工况下的反映不同驾驶风格的工况，并建立驾驶员驾驶风格识别模型；
S04：以整车能耗最小为优化目标，动力性为约束条件，根据得到的在不同类型行驶工况下反映不同驾驶风格的工况对车辆控制参数进行优化，得到多组最优控制参数。
优选的技术方案中，所述步骤S01中，提取特征参数之前对根据采集的行驶工况数据进行短行程划分。
优选的技术方案中，所述步骤S02中还包括，对提取的特征参数进行主成分分析得到短行程片段的主成分值；
将短行程片段的工况数据所属的行驶工况类型进行编号；
构建LVQ神经网络，将主成分值作为LVQ神经网络输入层，将行驶工况类型编号作为LVQ神经网络输出层；
利用LVQ神经网络对短行程片段进行离线训练，得到基于LVQ神经网络的工况识别模型。
优选的技术方案中，所述步骤S03中还包括，将每类行驶工况片段的驾驶风格类型进行编号；
构建LVQ神经网络，将提取的不同类型行驶工况的驾驶风格的特征参数作为LVQ神经网络输入层，将驾驶风格类型编号作为LVQ神经网络输出层；
利用LVQ神经网络对短行程片段进行离线训练，得到基于LVQ神经网络的不同类型行驶工况下的驾驶风格识别模型。
优选的技术方案中，所述步骤S03中，对不同类型行驶工况的单个短行程片段与该类型行驶工况所有短行程片段构建成的工况数据进行相关性分析计算，得到相关系数，选取相关系数大的短行程片段构建得到反映不同类型行驶工况及驾驶风格的工况数据。
优选的技术方案中，所述步骤S04中，所述车辆控制参数包括发动机最优工作区间上下限和发动机介入车速。
本发明还公开了一种基于实际工况与驾驶风格双识别的混合动力汽车控制装置，包括：
行驶工况数据采集提取模块，采集车辆行驶工况数据，根据采集的行驶工况数据提取特征参数，所述特征参数包括平均车速、速度标准差和怠速比例等；
行驶工况构建与识别模块，根据提取的特征参数聚类得到不同类型行驶工况，所述类型包括拥堵、市区和市郊，并建立工况识别模型；
驾驶风格工况构建与识别模块，提取不同类型行驶工况的驾驶风格特征参数，所述驾驶风格特征参数包括平均加速度和加速度标准差，根据提取的驾驶风格特征参数对不同类型行驶工况的短行程进行聚类分析，分类得到在不同类型行驶工况下的反应不同驾驶风格的工况，并建立驾驶员驾驶风格识别模型；
控制优化模块，以整车能耗最小为优化目标，动力性为约束条件，根据得到的在不同类型行驶工况下反应不同驾驶风格的工况对车辆控制参数进行优化，得到多组最优控制参数。
优选的技术方案中，所述行驶工况构建与识别模块还包括工况识别模型训练模块，具体执行操作包括：
对提取的特征参数进行主成分分析得到短行程片段的主成分值；
将短行程片段的工况数据所属的行驶工况类型进行编号；
构建LVQ神经网络，将主成分值作为LVQ神经网络输入层，将行驶工况类型编号作为LVQ神经网络输出层；
利用LVQ神经网络对短行程片段进行离线训练，得到基于LVQ神经网络的工况识别模型。
优选的技术方案中，所述驾驶风格工况构建与识别模块还包括驾驶风格识别模型训练模块，具体执行操作包括：
将每类行驶工况片段的驾驶风格类型进行编号；
构建LVQ神经网络，将提取的不同类型行驶工况的驾驶风格的特征参数作为LVQ神经网络输入层，将驾驶风格类型编号作为LVQ神经网络输出层；
利用LVQ神经网络对短行程片段进行离线训练，得到基于LVQ神经网络的不同类型行驶工况下的驾驶风格识别模型。
优选的技术方案中，所述驾驶风格工况构建与识别模块中，对不同类型行驶工况的单个短行程片段与该类型行驶工况所有短行程片段构建成的工况数据进行相关性分析计算，得到相关系数，选取相关系数大的短行程片段构建得到反映不同类型行驶工况及驾驶风格的工况数据。
与现有技术相比，本发明的优点是：
该方法采用实际采集的行驶工况数据，相比标准工况更能反映当前交通及驾驶的实际特点，并建立基于实际工况的不同工况类型与驾驶风格类型双识别模型，从而得到更优的车辆关键控制参数，可以更好地使发动机工作在高效率区间，并可进行实时调整，大大提高了燃油经济性。
利用LVQ神经网络对聚类得到的不同类型及驾驶风格工况进行训练，并建立工况与驾驶风格在线双识别模型。将得到的不同组的最优控制参数集成到整车控制策略当中，进而车辆行驶过程中识别当前工况的同时，调用相应控制参数，从而得到适应实际行驶工况及驾驶风格的控制策略。
附图说明
下面结合附图及实施例对本发明作进一步描述：
图1为本发明基于实际工况与驾驶风格双识别的混合动力汽车控制方法的流程图；
图2为本发明工况与驾驶风格在线双识别模型建立流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例：
下面结合附图，对本发明的较佳实施例作进一步说明。
如图1所示，本发明基于实际工况与驾驶风格双识别的混合动力汽车控制方法，包括以下步骤：
S01：采集车辆行驶工况数据，根据采集的行驶工况数据提取特征参数，所述特征参数包括平均车速、速度标准差和怠速比例等；
S02：根据提取的特征参数聚类得到不同类型行驶工况，所述类型包括拥堵、市区和市郊，并建立工况识别模型；
S03：提取不同类型行驶工况的驾驶风格特征参数，所述驾驶风格特征参数包括平均加速度和加速度标准差，根据提取的驾驶风格特征参数对不同类型行驶工况的短行程进行聚类分析，分类得到在不同类型行驶工况下的反映不同驾驶风格的工况，并建立驾驶员驾驶风格识别模型；
S04：以整车能耗最小为优化目标，动力性为约束条件，根据得到的反映不同类型行驶工况及驾驶风格的短行程构建的循环工况数据对车辆控制参数进行优化，得到不同组最优控制参数。
具体的：
通过车载终端设备采集车辆实际行驶工况数据，行驶工况数据可以为速度、加速度等等。
将采集的行驶工况数据进行短行程划分并提取特征参数，特征参数包括平均车速、速度标准差、怠速比例等。短行程划分依据短行程分析法将原始数据划分为很多短行程，然后对所有短行程进行筛选，剔除没有价值的短行程。
利用提取的循环行驶工况特征参数，采用主成分分析法及聚类分析得到不同类型行驶工况，不同类型行驶工况为拥堵、市区、市郊工况三种。
在不同类型工况基础上，利用反应驾驶员驾驶风格的特征参数，驾驶风格包括经济型驾驶员和动力型驾驶员，特征参数包括平均加速度、加速度标准差等，对不同类型行驶工况的短行程进行聚类分析，得到在不同类型行驶工况下经济型和运动型驾驶风格短行程工况片段，对不同类型行驶工况的单个短行程片段与该类型行驶工况所有短行程片段构建成的工况数据进行相关性分析计算，得到相关系数，选取相关系数大的短行程片段构建成得到反映不同工况及驾驶员驾驶风格类型的行驶工况。
以整车能耗最小为优化目标，动力性为约束条件，约束条件可以为百公里加速时间，工况跟踪误差和最大爬坡度等等，将所得到的反应不同类型及驾驶风格行驶工况作为整车控制参数优化的循环工况输入，分别对车辆关键控制参数进行优化，控制参数包括发动机最优工作区间上下限、发动机介入车速等，得到不同工况下的六组最优控制参数，从而更好地使发动机工作在高效率区间，从而达到在行驶工况优化控制参数层面就将驾驶员特点考虑在内，因此所得到的控制参数可以满足不同类型驾驶员。
利用LVQ神经网络对聚类得到的不同类型及驾驶风格工况进行训练，并建立工况与驾驶风格在线双识别模型。
如图2所示，采用循环工况类型特征的特征参数（平均车速、速度标准差、怠速比例等）进行主成分分析之后得到的短行程片段的主成分值作为神经网络输入层，将短行程工况片段所属的工况类型编号（例如拥堵:1、市区:2、市郊工况:3）作为神经网络输出层，利用LVQ神经网络对短行程片段进行离线训练，得到基于LVQ神经网络的工况识别模型。
分别对每类行驶工况片段，采用反应驾驶员驾驶风格（例如经济型、运动型驾驶员）的特征参数（平均加速度、加速度标准差等）作为神经网络输入层，将驾驶员驾驶风格类型编号（例如经济型:1、动力型:2）作为神经网络输出层，分别对不同类型行驶工况下的不同驾驶员驾驶风格工况进行离线训练，得到基于LVQ神经网络的不同工况下的驾驶风格识别模型。
将工况识别模型与驾驶员驾驶风格识别模型结合得到识别工况及驾驶风格特点的识别模型，从而该模型可识别六类（3*2）不同工况，包括拥堵工况经济型风格、拥堵工况动力性风格、市区工况经济型风格、市区工况动力性风格、市郊工况经济型风格、市郊工况动力性风格。将训练后得到的识别模型及采用不同类型及驾驶风格工况下所优化得到的不同组最优控制参数集成到整车控制策略当中，建立基于实际工况与驾驶风格双识别整车控制策略。
将建立的双识别控制策略生成代码并与控制器底层编译后下载到整车控制器中，进而在车辆行驶过程中识别当前工况的同时，调用相应最优控制参数，从而得到适应实际行驶工况及驾驶风格的控制策略，进而达到节能减排的目的。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
设计图
相关信息详情
申请码:申请号:CN201910567085.4
申请日:2019-06-27
公开号:CN110254417A
公开日:2019-09-20
国家:CN
国家/省市:32(江苏)
授权编号:授权时间:主分类号:B60W 20/00
专利分类号:B60W20/00;B60W40/09;B60W50/00
范畴分类:32B;37A;
申请人:清华大学苏州汽车研究院（吴江）
第一申请人:清华大学苏州汽车研究院（吴江）
申请人地址:215200 江苏省苏州市吴江区联杨路139号
发明人:高小杰;朱江
第一发明人:高小杰
当前权利人:清华大学苏州汽车研究院（吴江）
代理人:范晴;丁浩秋
代理机构:32103
代理机构编号:苏州创元专利商标事务所有限公司
优先权:关键词:当前状态:审核中
类型名称:外观设计