面向个性化需求的网联商用柴油车巡航行驶优化控制系统技术方案

一种面向个性化需求的网联商用柴油车巡航行驶优化控制系统，属于智能网联商用柴油汽车控制技术领域。本发明专利技术的目的是根据驾驶用户的个性化行驶需求，对车辆的巡航行驶策略进行调整和切换，找到个性化目标需求下最优的行驶速度轨迹和跟车距离，实现整车燃油经济性、排放性等性能提升的面向个性化需求的网联商用柴油车巡航行驶优化控制系统。本发明专利技术步骤是：建立智能网联信息采集模块、建立前车加速度、车速预测模块、建立柴油车辆的动力总成及后处理一体化模型、建立安全约束模块、设立了四种个性化驾驶模式等。本发明专利技术实现整车燃油经济性、排放性等性能的提升。提升了柴油车在编队行驶过程中的舒适性、经济性、排放性等性能。应用于各类商用柴油车的建模及优化控制。

【技术实现步骤摘要】
面向个性化需求的网联商用柴油车巡航行驶优化控制系统
本专利技术属于智能网联商用柴油汽车控制

技术介绍
商用柴油车是我国物流运输领域快速发展的一个重要载体。商用柴油车体积大、风阻大，将多个大型车辆进行编队并保持合适的车距行驶，可以减小车辆受到的风阻，从而达到个体车辆的节能与减排。在编队行驶过程中，队伍中多个驾驶员的加速、制动等操作需要保持协调一致，从而实现后车对前车的紧密跟随。而这种紧密编排的行驶队列对于驾驶员的注意力有着极其严格的要求，并且编队的安全性能随着车速的增大和车辆间距的减小存在不可小觑的隐患。随着汽车网联化和行驶自动化进程(L2级以上)的逐步加深，商用柴油汽车可以实现编队条件下的自适应巡航行驶。利用先进车载传感(雷达、摄像头等)以及合车-车(V2V)、车-交通(V2I,V2X)等网联通讯，将前方道路坡度、前车车速、信号灯状态等重要交通信息传递给高级驾驶辅助系统(AdvanceDrivingAssistantSystem,ADAS)，在保证安全性能的前提下，根据不同的行驶场景对巡航行驶策略做出即时的优化调整，可以进一步本文档来自技高网...

【技术保护点】
1.一种面向个性化需求的网联商用柴油车巡航行驶优化控制系统，/n步骤一：建立智能网联信息采集模块，/n其特征在于：/n步骤二：建立前车加速度、车速预测模块：/n训练的神经网络包含一个隐含层、一个输入层及一个输出层，由于需要预测未来N

【技术特征摘要】
1.一种面向个性化需求的网联商用柴油车巡航行驶优化控制系统，
步骤一：建立智能网联信息采集模块，
其特征在于：
步骤二：建立前车加速度、车速预测模块：
训练的神经网络包含一个隐含层、一个输入层及一个输出层，由于需要预测未来Np个时刻的前车加速度，本发明中的神经网络输出层包含神经元个数为Np；假设输入层包含神经元个数为Ni，隐含层神经元个数为M，则需要选取k时刻之前Np个时刻的加速度信息作为训练集输出Ao，k-Np时刻之前Ni个时刻的加速度信息作为训练集输入Ai，即



训练得到神经网络预测模型之后，便选取k时刻之前Ni个时刻的加速度信息作为预测输入通过训练得到神经网络，预测k时刻之后Np个时刻的加速度即



其中alead(k+j|k),j＝1,2,…,Np表示在k时刻预测得到的k+j时刻前车加速度；为隐含层中第m神经元的输入，为输出层中第l个神经元的输入，均由上一层的输出、权重及阈值计算得到，即






其中为输入层第n个神经元到隐含层第m个神经元的权重值，为隐含层第m个神经元到输出层第l个神经元的权重值；为隐含层第m个神经元的阈值，为输出层第l个神经元的阈值；为隐含层第m个神经元的激活函数输出,为隐含层第l个神经元的激活函数输出，即为整个神经网络的第l个输出






其中f为神经网络中的激活函数，选取sigmoid函数作为激活函数，其表达式为



假设W[1]为输入层到隐含层的权重矩阵，W[2]为隐含层到输出层的权重矩阵，即



则隐含层的神经元输入矩阵表示为



隐含层激活函数输出矩阵表示为



输出层的神经元输入矩阵表示为



输出层的激活函数输出矩阵表示为



神经网络的输出，即k时刻之后Np个时刻的加速度表示为



其中权重矩阵W[1]及W[2]、阈值矩阵B[1]及B[1]为模型参数，由历史加速度数据训练得到；
利用预测得到的前车未来加速度，计算k时刻之后Np个时刻的车速



写成矩阵的形式即为



步骤三：建立柴油车辆的动力总成及后处理一体化模型：
步骤3.1建立车辆的纵向动力学行驶模型
将被控车辆的位置sveh和车速vveh作为系统状态量，加速度aveh作为系统输入量，建立被控车辆的二阶纵向动力学方程



将其离散化，则得到k时刻的车辆纵向动力学模型



其中T为系统离散采样时间；
将前车状态也引入此方程中，定义被控车辆与前车的相对距离dveh(k)＝sveh(k)-slead(k)，其中slead为前车的位置，由于在巡航过程中被控车辆一般保持在前车之后，因此一般情况下dveh为负数，且|dveh|＞llead，其中llead为前车的车辆长度；使用dveh(k)+slead(k)代替sveh(k)，则纵向动力学模型变为



由于前车k+1时刻的位置slead(k+1)＝slead(k)+Tvlead(k)+0.5T2alead(k)，因此纵向动力学模型可化简为
x(k+1)＝Ax(k)+Buu(k)+Bww(k)(19)
其中系统状态量x、输入量u及参考输入量w分别为



模型参数分别为



状态量为辆车相对距离dveh和被控车辆车速vveh，状态量初值通过行驶前采集得到，w可通过步骤一、二采集、预测得到；
车辆行驶所需驱动力Ft使用牛顿第二定律对车辆进行分析有
Ft＝Mvehaveh+frr+fair(22)
其中驱动力Ft，Mveh为车辆重量，aveh为车辆加速度，frr为车辆滚动阻力，fair为车辆的空气阻力；
车辆滚动阻力frr的表达式为：
frr＝CRMvehg(23)
其中g为重力加速度，CR的表达式为：



其中θ为道路坡度；vveh为车辆行驶速度，CR0与CR1分别是两个车轮阻力系数，与道路类型和车轮的性能有关；
车辆的空气阻力fair的表达式为：



其中ρair为空气密度，Af为车辆正面区域面积，Cd为空气阻力系数；
将式带入式便可得到车辆的驱动力Ft：



车辆驱动力为输入量车辆加速度aveh和状态量车速vveh的函数；
步骤3.2建立车辆的档位优化模块以及变速箱模型
挡位优化模块中的当前挡位及变速比Ig是由车速vveh和加速度aveh优化得到，即
Ig＝f(vveh,aveh)(27)
其中Ig＝[0.811.21.51.92.433.74.657]，即有11个档位及对应变速比；
由当前的档位Ig、车速vveh和加速度aveh得到发动机的运行状态，即所需要达到的转速Ne和扭矩Te






其中r为车轮半径，If为车辆的差速比；发动机转速Ne，发动机扭矩Te；
步骤3.3建立柴油机发动机模型
发动机的燃油消耗率NO...

【专利技术属性】
技术研发人员：孙萌鸽，宫洵，张辉，刘迪，胡云峰，陈虹，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22