基于Q学习的纯电动重型商用车智能换挡控制策略研究

为了同时兼顾换挡策略的全局最优性与在线实时性,提出了基于Q学习算法的智能综合换挡策略。根据马尔科夫理论,构建需求功率转移概率模型。以电能消耗与加速度量纲归一化最大为加权目标,建立综合性能换挡策略优化模型。运用Q学习算法,得到不同车速下的需求功率、SOC、速比三者关系的MAP图,从而制定出整车智能综合换挡策略。基于AVL/Cruise仿真平台,选取C-WTVC为循环工况,进行综合性能仿真分析。结果表明:与传统综合换挡策略相比,基于Q学习算法的智能综合换挡策略,整车0~50 km/h的加速时间缩短了4.6%,整车的能量消耗率降低了5.3%,说明该换挡控制策略能够有效地改善整车的动力性与经济性。

基于深度残差网络的智能换挡控制策略

针对传统自动变速器挡位决策系统人机交互较差的问题,提出了一种基于深度残差网络的智能换挡控制策略。将节气门开度、车速及加速度输入多个自编码器对神经网络的权重进行无监督地预训练,重组自编码器的隐藏层并加入残差连接建立起深度残差网络。利用实车数据对深度残差网络进行微调,建立起基于深度残差网络的智能换挡控制策略。实验结果表明,相比基于传统人工神经网络的方法,该策略在实车工况下挡位识别率更高,为99.4%。