FKFS和IFS氢能车辆驱动系统研究(英文)

本文介绍氢气在交通运输领域的相关应用,以氢气直喷(H2-DI)内燃机的开发过程为例,阐述斯图加特汽车工程与车辆发动机研究所(FKFS)和斯图加特大学汽车工程学院(IFS)的研究工作。在单缸乘用车发动机试验台上研究氢气高压直喷特性(FVV项目),目标是实现氢气发动机在当量混合条件下稳定运行,从而以较低的增压需求输出较大功率。当发动机在高负荷条件下工作时,当量混合比更容易导致爆震现象。为了防止末端气体发生预反应,喷射氢气将在点火上止点(TDCF)前不久开始,随后由火花塞点燃。喷射持续时间以及喷射的最大质量流量都将在不同程度上影响燃烧的持续时间。此外,本研究还探讨了氢气燃烧过程中所存在的问题,如较高的氮氧化合物排放量,以及未燃氢气进入排气系统等。

基于ISO 26262安全要求的汽车电子电气架构优化模型

在开发汽车电子电气(E/E)架构时,考虑安全要求是实现未来技术(如自动驾驶)的先决条件之一。按照ISO 26262标准,安全分析必须在产品开发生命周期的早期阶段进行,以检测设计缺陷并采取行动改善设计。本文提出了一种基于模型的方法,在汽车E/E架构的设计阶段解决符合ISO 26262的安全要求;同时,基于这些要求,提取了一组与安全相关的约束条件,并通过整数线性规划(ILP)模型将这些约束用于E/E架构的优化。

基于电阻器耦合的电动汽车感应充电定位

目前,市场上出现越来越多的以电池为动力的电动汽车,其中大多数电动汽车必须通过有线充电装置进行充电。与之相对应的感应式无线充电系统,可以让充电过程更加舒适。无线充电系统一般由初级线圈和次级线圈组成,其中初级线圈可以建立在停车场,将电能转化为场能;次级线圈安装在车辆中,接收初级线圈能量并转化为电能,为车辆电池充电。为保证充电过程安全有效,初级线圈和次级线圈必须充分耦合,这可通过将车辆准确定位在初级线圈上方来实现。本文提出了一种简单而经济的方法来验证线圈之间的耦合是否足以满足充电条件。通过安装在次级线圈侧的电阻,来模拟在确定工作条件下无线充电系统的电池负载;电阻两端电压可以用来估计线圈之间的耦合度,以反映车辆与初级线圈的相对位置。本文在数学和物理原理的基础上解释了这个概念,并在一个真实的无线电传输线路上进行了试验评估。

一种自动驾驶电动汽车线束布局优化方法

近年来,随着汽车自动驾驶、数字化、电动化技术的不断发展,汽车的功能不断增加,车辆内部线束也随之增加。由于过多的线束导致车辆自重增加的问题日益突出。为了实现能源的高效利用和出行方式的可持续性,开发人员需要通过优化线束布置来尽可能多的减轻车辆自重,同时降低成本。由于与线束相连的车辆零件位置固定,因此需要一个算法在车辆零件位置为限制条件下,优化车辆线束布局。之前的研究方法通常只考虑线束设计的部分限制因素,且没有考虑线束三维结构。在本文研究中,开发了一种新型的优化线束布局的方法,该方法考虑了与包装,温度负载以及装配难易相关的各种限制因素。该方法可以根据设计需求来控制线束布置方法,如在沿着车辆纵轴方向布置更多线束,以避免在车辆外围布置线束。通过该方法,可以高效地计算出线束长度、直径,以及精确的布线路径。

电动汽车悬架运动学优化方法

电池电动汽车(BEV)的主要挑战之一是续航里程是否足够,因此在任何最近的车辆概念中,最大化的电池体积是合乎需要的。悬架作为最大的电动汽车子系统之一,对这一点有着重要的影响。本研究目的是使用自动化方法进行悬架开发,主要是引入一种新的可转向后悬架概念与电力推进系统,即从配备内燃机(ICE)的传统汽车开始,开发一种悬架,以满足纯电动汽车的新装配要求,同时保持有关驾驶动力学的典型要求。悬架概念是为具有大电池尺寸的高级汽车而优化的,此外还考虑了先进的主动系统,如空气弹簧和大转向角的主动后轮转向。该概念还提出了一种具有良好调整运动学性能的封装解决方案,符合原始设备制造商的调整理念。为解决由此产生的高复杂性,使用了新开发的方法,即运动学优化是用一种创新的方法完成的,该方法根据给定的要求自动提出新的硬点。在设计中,使用简化模型来表示复杂零件的形状,因此可以从包装的角度自动判断运动学概念是否可行。结果表明,新的悬架概念可以处理具有挑战性的装配问题和复杂的运动学要求。

基于MPSoC平台的自动驾驶车辆故障运行控制

在德国联邦研发项目UNICARagil中,开发了一个ECU,作为UNICARagil新颖的大脑架构的一部分。应用所谓的脑干部件,通过面向服务的架构,对全自动驾驶车辆进行安全关键的实时控制。本文介绍了该设备的硬件架构和基本软件架构,并列举了一些安全措施。重点是MPSoC和OS配置、ECU的更新过程和启动过程。回退实例系统可以保护它免受引导加载程序、内核或根文件系统以及开发过程中和应用现场中的严重错误的影响。最后,列举了设备在车辆环境中的功能。在众多的科学内容出版物和社交媒体上,笔者展示了以使用脑干为核心部件的车辆通过试验场的测试情况。

真实驾驶循环中的发动机电基合成燃料评估

电基合成燃料(E-Fuels)是实现环境和气候目标的一个重要组成部分。其中C1含氧化合物因其具备清洁燃烧的特性而备受关注,包括氧化亚甲基醚(OME)、碳酸二甲酯(DMC)和甲酸甲酯(MeFo)。为探索新型燃料在内燃机中的潜力,对汽油和柴油燃烧、排放模型进行了优化和扩展。在成功验证和标定模型后,对虚拟测试车辆进行了研究,重点关注燃料的效率潜力、排放水平和经济性。首先,基于现代汽油、柴油和天然气发动机,开发了不同概念的OME和DMC/MeFo发动机;其次,在真实驾驶循环(RDE)中对这些发动机概念在E级乘用车和40 t卡车上的应用进行了评估。结果表明,通过调整喷射策略和匹配废气再循环,OME发动机能实现最佳的热效率和极低的排放;混合燃料DMC/MeFo由于高抗爆性,结合先进的发动机技术,能达到接近柴油机的热效率,且发动机复杂性大大降低,这使得DMC/MeFo燃料在重型卡车应用中具有广阔的前景。

基于卷积神经网络感知功能的极端场景生成方法

近年来,基于卷积神经网络深度学习的感知算法在自动驾驶车辆环境感知系统中发挥着越来越重要的作用。由于在神经网络训练过程中,训练数据无法覆盖所有极端场景,因此如何保证基于深度学习的感知算法在极端场景下的安全性和可靠性,仍是一个亟待解决的问题。传统的基于真实行驶里程的验证方法,在获取极端场景数据上危险性高,经济性差,因此很难检验驾驶功能在极端场景下的性能。基于虚拟场景的仿真验证方法,虽然可以通过设置场景参数来生成大量测试场景,但是通过简单的参数组合并不能有效的生成极端场景。本文展示了一种在虚拟环境中生成极端场景的方法,用于训练和测试基于深度卷积神经网络的车道线识别算法。首先将场景特征用参数进行表示,然后使用deep Q-learning强化学习的方法,来生成极端场景的参数组合。通过与随机组合以及成对组合场景参数的方法进行对比,可以看出该基于强化学习的场景生成方法可以更有效地生成极端场景,因此可提高自动驾驶感知功能的测试效率,同时可为卷积神经网络提供更多的极端场景训练数据。

基于横向磁通电机的派生能量收集研究

为了监测汽车电机的工作情况需要应用各类传感器,其中的挑战之一是为在旋转部件上布置的传感器提供电能。通过使用能量收集器,可以将电机中的寄生能量如电磁能和动能收集、转化为电能并储存,存储的电能可用来操作传感器。因此,本文以电机转子为重点,对一台横向磁通机进行研究,其中能量收集器用于收集足够的能量,并为一个温度传感器以及低功耗蓝牙非接触数据传输供电。为此,本文计算了当能量收集器被放置在横向磁通电机转子上时,在运行和生产过程中可望收集到的能量值。

带燃料电池增程器的插电式混合动力电动车(英文)

由于日益严格的立法和公司面临的巨大社会压力,城市配送运输车队的电气化变得越来越重要。本文介绍了一款最大总重为7.5 t的3.5 t改装轻型车。该车有一个串行混合电动动力系统,最大电力牵引功率为150 kW,还有一个60 kW的燃料电池增程器。该车使用一个46 kW·h的电池,平均电压水平为400 V,从而使全电动范围达到120 km。电力驱动由一个感应电机和一个锂锰铁磷酸盐(LMFP)电池以及一个2速变速箱实现。燃料电池系统有一个容量为95 L的燃料箱,压力水平为70 bar,这使得车辆的总里程达400 km。一个质子交换膜(PEM)用于直接使用氢气,其额定功率为1.0 W/cm^(2)。质子交换膜被集成在一个60 kW的燃料电池系统中,用于车辆的车载能源生产。对于空气通道,燃料电池系统有一个电动辅助涡轮增压器,以利用废气的热能。吸入空气的加湿是通过一个水喷射器实现的,该喷射器使用来自排气除湿的水。氢气路径是通过一个喷射器电路和一个用于处理氮气的清洗阀实现的。在下文中,将介绍燃料电池系统的设计和控制。最后,介绍了燃料电池系统运行过程中最重要的影响。