混合动力控制策略解析及模型化开发

作为新能源汽车的关键部分,插电式混合动力汽车在节能减排方面发挥着很大的作用,而控制策略是其核心技术之一。为了提高混动车辆的开发效率并满足系统性能要求,以某插电式混合动力系统为样本,首先通过实验及分析,对标解析出整车控制策略,包括模式切换条件、能量管理策略、换挡机制等控制策略;然后依据整车对标策略,基于MATLAB/Simulink搭建整车控制策略模型,并仿真得到其经济性指标;最后将仿真结果与实验对标结果对比,进一步验证了整车控制策略及模型的准确性及实用性,从而实现了竞品车的模型化开发。

城市道路下混合动力汽车双层能量管理策略

研究了联网场景下面向连续多路口的混合动力车辆节能速度规划问题,探讨了使用双层伪谱法优化城市交通中混合动力车辆能量管理策略的可行性。根据交通信号灯的时序信息,以保证车辆中途不停车顺利通过各路口为目标,使用伪普法规划最佳的车速轨迹。根据规划的车速,以车辆能耗最低为目标,实现发动机和动力电池间功率输出的经济性分配。仿真结果表明,与人工驾驶相比,所提方法可将燃油消耗量减少6.9%,实车试验结果进一步验证了所提策略的有效性。

车身控制器功能测试方法及改进

近年来,随着国内汽车市场的迅速发展,相关的汽车电子行业也得到极大的促进,使得汽车电控单元和传感器数量得到广泛应用。其中,车身控制器(BCM,Body Control Module)是目前汽车上最主要的三个控制器之一[1]。本文通过介绍传统测试方法、自动化测试方法及各自优缺点,提出相应的改进方法,并引入一种集成度极高的专用汽车电子功能测试台安捷伦TS5400。以测试时间为突破口,对原测试台的软硬件做出必要的改进,采用并行测试技术,优化测试流程来改进功能测试方法,提高测试效率。

汽车静态电流及其检测方法

在发动机熄火后,电子设备的静态电流同样会为蓄电池带来很大的负担,有时会导致蓄电池过度亏电,致使汽车不能启动。因此,对汽车静态电流的检测十分重要。

基于PREEvision的汽车电子电气架构工具链研究

目前运用PREEvision进行汽车电子电气架构设计已经成为发展趋势,本文主要介绍基于PREEvision的汽车电子电气架构工具链研究,以及运用工具链进行汽车电子电气架构设计的优点。

汽车低压线束导线选型设计

电线是传输电信号和电流的载体,导线选型涉及到车辆电器件的正常运行和安全,本文详细地对汽车低压线束导线选型进行说明,包括导线种类和线径的选取,熔断器型号和容量选取方法,熔断器和导线的匹配校核,导线的压降校核等,为整车线束前期开发提供支持。

汽车电源管理系统浅析

汽车电源管理系统负责对整车的电源系统状态进行监控,并对蓄电池、发电机的供电和负载在不同工况下的工作进行管理。当整车负载较大时,控制发电机输出功率增大,当发电机功能输出超出负载的需求及蓄电池的充电需求时,控制减少发电机的功率输出。当发电机不工作时,蓄电池电压降低到一定值,限制或禁止某些较大负载的功能,从而降低进一步的电流消耗,保证蓄电池下一次的起动性能。汽车电源管理系统的目的主要是为保证整车静态存放时间,防止蓄电池出现过充或过放,从而延长蓄电池使用寿命,提升车辆的起动性能。

汽车行驶工况特征参数优化研究

提出一种汽车工况特征参数优化方法,通过试验车采集某城市的行驶工况数据,将预处理后的工况数据划分为工况段并提取出14种特征参数,综合考虑各特征参数之间的相关性、各特征参数与油耗的相关性以及各参数的变化速率和变化程度进行特征参数的优化,最终提取出平均速度和巡航时间比两个代表性特征参数。采用MATLAB神经网络模式识别工具箱,分别运用7类特征参数的组合方式对一段行驶工况进行识别。对比分析结果表明,优化后的两个代表性特征参数能够很好地对行驶工况进行识别,识别精度高、速度快,具有实用价值。

汽车电子电气架构需求分析及优化研究

随着汽车行业的不断发展,人们对汽车安全性、娱乐性、经济性以及智能化的要求越来越高,进而造成汽车系统复杂且庞大。本文从电子电气架构需求分析角度出发,介绍了汽车电子电气架构开发需求分析方法和优化工具,以实现后续架构开发的要求。

基于智能网联汽车静态电流控制方法浅析

本文介绍智能网联汽车静态电流产生对整车的影响,以及如何通过系统性改进的方法来降低接KL30常电控制器模块的静态电流的控制方法,从而避免整车亏电现象的出现。

浅谈车身电子测试系统设计

车身的电子系统就好比人类的心脏,为了更好的了解系统的状态,可以使用模拟车身电子模块测试方法,来实现了解电子系统的具体状态,确保系统的稳定。实现这一过程主要依靠工控机与相关的数据采集卡以及CAN总线的智能接口,从而构建出一个集中式的车身电子测试试验台。

混合动力系统偏好强化学习能量管理策略研究

为实现混合动力系统在电池荷电状态(state of charge,SOC)平衡以及动力性约束下的经济性提升,提出了基于偏好强化学习的混合动力能量管理策略,该策略将能量管理问题建模为马尔科夫决策过程,采用深度神经网络建立输入状态值到最优动作控制输出的函数映射关系。与传统的强化学习控制算法相比,偏好强化学习算法无需设定回报函数,只需对多动作进行偏好判断即可实现网络训练收敛,克服了传统强化学习方法中回报函数加权归一化设计难题。通过仿真试验和硬件在环验证了所提出能量管理策略的有效性和可行性。结果表明,与传统强化学习能量管理策略相比,该策略能够在满足混合动力车辆SOC平衡和动力性约束下,提升经济性4.6%~10.6%。