本發(fā)明屬于電驅(qū)商用車，具體涉及到一種考慮制動意圖的電驅(qū)商用車制動能量回收方法。

背景技術(shù)：

1、商用車電驅(qū)橋作為新能源系統(tǒng)的核心部件，是推動新能源商用車技術(shù)升級與市場發(fā)展的關(guān)鍵技術(shù)。制動能量回收技術(shù)作為一種提高電動車輛行駛里程的有效手段，研究電動商用車復(fù)合制動系統(tǒng)對完善商用車電驅(qū)橋技術(shù)具有重要意義。

2、現(xiàn)有商用車制動能量回收技術(shù)的研究集中在符合制動力矩的協(xié)調(diào)分配，在中國專利申請?zhí)朿n201811570181.6中，提出一種新能源商用車制動能量回收系統(tǒng)及控制方法，通過新穎的結(jié)構(gòu)方案，使能量回收系統(tǒng)能夠在不改變制動系統(tǒng)的基礎(chǔ)上實現(xiàn)與abs系統(tǒng)的兼容；在中國專利申請?zhí)朿n201910765142.x中，提出一種電動商用車制動能量回收系統(tǒng)及方法，根據(jù)車輛狀態(tài)和制動踏板信息制動控制器制定制動策略。然而上述專利申請的兩種電動商用車制動能量回收方法，均沒有考慮駕駛員制動意圖以及執(zhí)行機構(gòu)之間的響應(yīng)差異。車輛制動過程是一個動態(tài)時變的非線性過程，現(xiàn)有制動意圖識別方法，如馬爾可夫鏈、模糊理論等都是基于狀態(tài)變化概率固定、規(guī)則正確、獨立分布的假設(shè)，上述方法在識別精度和實時性方面存在不足，并且處理駕駛員制動意圖識別過程中不確定信息的能力有待提升。

3、商用車線控底盤技術(shù)在車輛的操控性能和安全性具有一定的優(yōu)勢，同時利用再生制動系統(tǒng)能夠有效提升商用車續(xù)航能力。然而駕駛員制動意圖對制動力矩分配上有較大影響，如何精準識別駕駛員制動意圖，同時考慮駕駛員制動意圖和執(zhí)行機構(gòu)工作特性進行制動力矩分配，對商用車制動能量回收與制動舒適性方面有較大改善空間。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明的主要目的在于設(shè)計一種考慮制動意圖的電驅(qū)商用車制動能量回收方法，解決現(xiàn)有電動商用車制動能量回收方法沒有充分考慮駕駛員制動意圖與執(zhí)行機構(gòu)響應(yīng)存在差異，導致制動能量回收效率不高以及降低制動舒適性、安全性能的問題。

2、為了實現(xiàn)上述目的本發(fā)明采用如下技術(shù)方案：

3、一種考慮制動意圖的電驅(qū)商用車制動能量回收方法，該方法是基于隱藏馬爾可夫-區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的駕駛員制動意圖的能量回收方法，包括：隱藏馬爾可夫-區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的制動意圖識別過程，以及基于駕駛員制動意圖的制動能量回收過程；

4、該方法包括如下步驟：

5、步驟1：建立駕駛員制動意圖隱藏馬爾可夫模型，并對隱藏馬爾可夫模型的參數(shù)進行優(yōu)化后，基于采集到的制動踏板數(shù)據(jù)，得到最大似然估計數(shù)組；

6、步驟2：基于最大似然估計數(shù)組進行處理后作為輸入，建立區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)，區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)輸出為制動意圖，并將區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)輸入進行模糊化；

7、步驟3：基于步驟2輸入變量的模糊化，進行區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)模糊推理；

8、步驟4：區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)模糊降型；

9、步驟5：區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)輸出；

10、步驟6：基于隱藏馬爾可夫-區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)對駕駛員制動意圖進行識別，并對駕駛員制動意圖進行判斷，制動意圖包括輕微制動、中度制動、緊急制動；

11、判斷駕駛員制動意圖是否為輕微制動，若是，則進入步驟7，若否，則進一步判斷駕駛員制動意圖是否為中度制動，若是，則進入步驟8，若否，則為緊急制動，進入步驟9；

12、步驟7：駕駛員制動意圖為輕微制動時，計算商用車電驅(qū)橋所搭載電機的最大再生制動力矩，得到再生制動力矩與摩擦制動力矩后進入步驟10；

13、步驟8：駕駛員制動意圖為中度制動時，計算商用車電驅(qū)橋所搭載電機的最大再生制動力矩和后輪制動力矩，得到再生制動力矩與摩擦制動力矩后進入步驟10；

14、步驟9：駕駛員制動意圖為緊急制動時，計算商用車電驅(qū)橋所搭載電機的最大再生制動力矩和防抱死需求制動力矩，得到再生制動力矩與摩擦制動力矩后進入步驟10；

15、步驟10：將得到的摩擦制動力矩利用再生制動系統(tǒng)進行制動力矩補償；

16、步驟11：整車控制器根據(jù)再生制動力矩與摩擦制動力矩的大小控制再生制動系統(tǒng)與摩擦制動系統(tǒng)實施對應(yīng)的制動力矩，直至車速降低為零。

17、作為本發(fā)明進一步的描述，所述步驟1中，建立駕駛員制動意圖隱藏馬爾可夫模型包括如下步驟：

18、s11：根據(jù)駕駛員制動操作以及車輛系統(tǒng)狀態(tài)，確定駕駛員制動意圖隱藏馬爾可夫模型的輸入，其觀測序列向量為：

19、

20、其中，ot為隱藏馬爾可夫模型觀測序列向量，d(t)代表制動踏板位移，代表制動踏板速度，t為時間；

21、s12：基于制動踏板傳感器采集到的踏板位移d(t)、制動踏板速度信號采用baum-welch算法對駕駛員制動意圖隱藏馬爾可夫模型參數(shù)進行識別，所述駕駛員制動意圖隱藏馬爾可夫模型參數(shù)為：

22、λ＝(π,a,b)；

23、其中，λ為駛員制動意圖隱藏馬爾可夫模型，π為初始概率向量，a為轉(zhuǎn)移概率矩陣，b為觀測概率密度函數(shù)；

24、觀測概率密度函數(shù)表達式為：

25、

26、其中，n(o,μij,σij)表示狀態(tài)p的q維高斯密度函數(shù)，ωpq表示狀態(tài)p下第q個混合函數(shù)權(quán)重系數(shù)，μpq表示狀態(tài)p下第q個混合高斯函數(shù)的矢量均值，σ混合函數(shù)的協(xié)方差矩陣；

27、s13：若εt(p,q)為狀態(tài)p觀測序列在t時刻第q個混合高斯函數(shù)的概率，則狀態(tài)p在t時刻和狀態(tài)q在t+1時刻的馬爾可夫鏈概率為：

28、

29、其中，p[o,μpq,σpq]為在狀態(tài)p第q維高斯密度函數(shù)，αt(p)為狀態(tài)p的前向概率，βt(p)為狀態(tài)p的后向概率，σpq為狀態(tài)p下第q個混合函數(shù)的協(xié)方差矩陣；

30、對隱藏馬爾可夫模型參數(shù)進行優(yōu)化后，基于采集到的制動踏板數(shù)據(jù)，利用基于前向-后向算法計算與多維隱藏馬爾可夫模型的匹配度，得到最大似然估計數(shù)組。

31、作為本發(fā)明進一步的描述，所述步驟2中，建立區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)的過程包括如下步驟：

32、s21：確定區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)輸入與輸出；

33、對得到最大似然估計數(shù)組進行歸一化處理，得到三種制動意圖下的馬可夫模型狀態(tài)累積概率向量，并將其作為輸入xi；

34、

35、其中，i＝1，2，3；1代表輕微制動，2代表中度制動，3代表緊急制動；ω0為初始權(quán)重，wk，σk分別為第k個神經(jīng)元的徑向基函數(shù)中心和寬度；

36、s22：區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)輸入模糊化；

37、輸入層神經(jīng)元x1的區(qū)間二型模糊集合為輸入層神經(jīng)元x2的二型模糊集合輸入層神經(jīng)元x3的二型模糊集合

38、其中，nb表示負大，ns表示負小，ze表示零，ps表示正小，pb表示正大；

39、因此，隱藏層神經(jīng)元個數(shù)為15，各個神經(jīng)元的激活度函數(shù)，即隸屬度函數(shù)為：

40、

41、其中，為第j個隸屬度函數(shù)層神經(jīng)元輸出值上界，uij(xi)為第j個隸屬度函數(shù)層神經(jīng)元輸出值下界，cij為第j個隸屬度函數(shù)層神經(jīng)元隸屬度函數(shù)中心值下界，為第j個隸屬度函數(shù)層神經(jīng)元隸屬度函數(shù)中心值上界，σij為第j個隸屬度函數(shù)層神經(jīng)元隸屬度函數(shù)寬度，j＝1，2，……，15。

42、作為本發(fā)明進一步的描述，所述步驟3中，區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)模糊推理包括如下：

43、區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)的輸入變量，經(jīng)過隸屬度函數(shù)模糊化后得到變量的隸屬度區(qū)間激勵層中每個節(jié)點代表一條模糊規(guī)則，每條規(guī)則激活度區(qū)間fj(x1,x2,x3)，表達式為：

44、

45、其中，fj為第j條規(guī)則的激活度下界，為第j條規(guī)則的激活度上界。

46、作為本發(fā)明進一步的描述，所述步驟4中，區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)模糊降型包括如下：

47、降型方法采用enhanced?karnic-mendel(ekm)算法，該層的輸出表達式為：

48、

49、其中，j為模糊規(guī)則數(shù)量，yil為網(wǎng)絡(luò)降型輸出左端點，yir為網(wǎng)絡(luò)降型輸出右端點，l為ekm算法左轉(zhuǎn)折點，r為ekm算法右轉(zhuǎn)折點。

50、作為本發(fā)明進一步的描述，所述步驟5中，區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)輸出包括如下：

51、區(qū)間二型模糊神經(jīng)制動意圖識別網(wǎng)絡(luò)的第五層為輸出層，其節(jié)點表示整個網(wǎng)絡(luò)的輸出，網(wǎng)絡(luò)的輸出表達式為：

52、

53、采用誤差反向傳播算法，利用梯度下降法對神經(jīng)網(wǎng)絡(luò)進行訓練學習，定義性能指標為：

54、

55、上述網(wǎng)絡(luò)中需要學習的參數(shù)包括二型高斯隸屬度函數(shù)的不確定中心cj和規(guī)則后件參數(shù)wi和wi，參數(shù)修正公式表達式為：

56、

57、

58、其中，τw為規(guī)則后件參數(shù)wj和的學習率，τc為不確定中心cj和的學習率。

59、作為本發(fā)明進一步的描述，所述步驟7中，計算商用車電驅(qū)橋所搭載電機的最大再生制動力矩tr_max，包括如下步驟：

60、s71：判斷電機的最大再生制動力矩tr_max是否大于需求制動力矩tb_i；

61、若是，則車輛制動力矩tb為：

62、tb＝tr；

63、若否，則車輛制動力矩tb為：

64、

65、其中，tb_f為前軸制動力矩，tb_r為后軸制動力矩，tr為再生制動力矩，tm為摩擦制動力矩；

66、s72：得到再生制動力矩tr與摩擦制動力矩tm后進入步驟10。

67、作為本發(fā)明進一步的描述，所述步驟8中，計算商用車電驅(qū)橋所搭載電機的最大再生制動力矩tr_max和后輪制動力tb_r，包括如下步驟：

68、s81：判斷電機的最大再生制動力矩tr_max是否大于需求制動力矩tb_r；

69、若是，則車輛制動力矩tb為：

70、

71、若否，則車輛制動力矩tb為：

72、

73、其中，tb_f為前軸制動力矩，tb_r為后軸制動力矩，tr為再生制動力矩，tm為摩擦制動力矩；

74、s82：得到再生制動力矩tr與摩擦制動力矩tm后進入步驟10。

75、作為本發(fā)明進一步的描述，所述步驟9中，商用車電驅(qū)橋搭載電機的最大再生制動力矩tr_max和防抱死需求制動力矩tb_λ，包括如下步驟：

76、s91：判斷電機的最大再生制動力矩tr_max是否大于防抱死需求制動力矩tb_λ；

77、若是，則車輛制動力矩tb為：

78、tb＝tm+tr；

79、若否，則車輛制動力矩tb為：

80、tb＝tr；

81、其中，tr為再生制動力矩，tm為摩擦制動力矩；

82、s92：得到再生制動力矩tr與摩擦制動力矩tm后進入步驟10。

83、作為本發(fā)明進一步的描述，所述步驟10中，再生制動補償力矩，表達式為：

84、

85、其中，tr為再生制動力矩，tm為摩擦制動力矩，為實際摩擦制動制動力矩。

86、相對于現(xiàn)有技術(shù)，本發(fā)明的技術(shù)效果為：

87、本發(fā)明提供了一種考慮制動意圖的電驅(qū)商用車制動能量回收方法，其中基于隱藏馬爾可夫-區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的駕駛員制動意圖識別過程，能夠有效處理駕駛員與制動系統(tǒng)制動過程中的不確定信息，顯著提升駕駛員制動意圖識別精度；基于駕駛員制動意圖的制動能量回收過程，充分考慮駕駛員制動意圖進行制動力矩分配，同時利用再生制動系統(tǒng)響應(yīng)迅速的優(yōu)勢，彌補商用車摩擦制動過程的響應(yīng)緩慢問題，充分保障制動安全性和改善制動舒適性。