進階搜尋


下載電子全文  
系統識別號 U0026-1608201618333100
論文名稱(中文) 並聯皮帶起動式輕度油電混合車之最佳動力配置策略
論文名稱(英文) Optimal Power Allocation Strategy for BSG Mild HEV
校院名稱 成功大學
系所名稱(中) 機械工程學系
系所名稱(英) Department of Mechanical Engineering
學年度 104
學期 2
出版年 105
研究生(中文) 黃彥翔
研究生(英文) Yen-Hsiang Huang
學號 n16031647
學位類別 碩士
語文別 中文
論文頁數 259頁
口試委員 指導教授-蔡南全
口試委員-陳元方
口試委員-彭昭暐
中文關鍵字 油電混合車  即時線上控制策略  等效油耗最小策略  模糊邏輯 
英文關鍵字 Hybrid Electric Vehicle  Real-time Control Strategy  Equivalent Consumption Minimization Strategy  Fuzzy Logic 
學科別分類
中文摘要 混合動力車乃泛指使用兩種或多種以上動力來源之車輛,其中最為普遍的兩種動力來源分別為內燃機引擎(Internal Combustion Engine, ICE)與電動馬達(Electric Motor, EM),混合此兩種動力來源之車輛即為一般所稱的「油電混合車(Hybrid Electric Vehicle, HEV)」。
油電混合車的成敗關鍵之一在於其能量管理策略(Energy Management Strategy, EMS)。 利用馬達與內燃機引擎間的互補特性,可以改善汽車之油耗與排汙(Emission)狀況,然而,如何妥善利用此互補特性是一個重要課題。 本研究提出一針對裝載皮帶式馬達發電機(Belt-driven Starter Generator, BSG)之中度混合並聯式油電混合動力車(Mild Parallel HEV)之控制策略,其運用等效油耗最小策略(Equivalent Consumption Minimization Strategy, ECMS)搭配遺傳基因演算法(Genetic Algorithm, GA)最佳化搜尋內燃機引擎之操作點與無段自動變速箱(Continuously Variable Transmission, CVT)之齒比,同時維持系統之電池電量(State Of Charge, SOC)和控制離合器(Clutch)之開/合與引擎之開/關等,以達成線上最佳化燃油經濟性兼具滿足駕駛的駕馭需求。 此外,由於行車型態(Drive Cycle)對於油電混合車之燃油經濟性與排汙狀況有著重大的影響,故在這裡提出一基於學習向量量化(Learning Vector Quantization, LVQ)人工神經網路(Artificial Neural Network, ANN)之行車型態辨識(Driving Cycle Recognition, DCR)演算法,根據汽車所紀錄之歷史資訊,線上辨識出車輛目前處於哪一類型之行車型態,並藉由辨識結果調整等效油耗最小策略中之等效因子(Equivalent Factor)。 雖然行車型態辨識演算法能夠有效將電池維持在一定區間內,然而電池之電量變化幅度仍相當大,如此可能會減短電池的壽命,因此本研究額外導入一微調等效因子之機制-模糊邏輯控制器(Fuzzy Logic Controller, FLC),使整體控制策略極具強健性,能夠適應現實之駕駛狀況、穩定電池電量並進一步改善油耗。 為了驗證提出之能量管理策略,初步的驗證工作為利用車輛模擬軟體ADVISOR (ADvanced VehIcle SimulatOR)與MATLAB/Simulink建立出基於後視法(Backward-Facing Method)之油電車模型,並將能量管理策略整合至其中,同時進行模擬與分析以驗證其有效性。 另外,本研究額外建立一基於前視法(Forward-Facing Method)之BSG架構油電車模型並將控制策略導入其中,以進一步驗證提出之控制策略。 由於此模型具備了駕駛模型,因此模擬出之數值結果將更貼近於現實。 最後,為了評估本研究所提出之控制策略在實務面上的有效性,將設計出之控制策略寫入至嵌入式控制器(Embedded Controller)中,同時導入真實世界駕駛至其中以進行硬體迴路(Hardware-in-the-Loop, HIL)的實驗,在此實驗下所得出之結果將最貼近於現實狀況。
由初步的後視模型之電腦模擬結果得知,在屬於市區之行車型態下,油耗改善率最高可達40.39 %,而在十種行車型態下,相對於傳統汽油車,平均有高達27.97 %的油耗改善率,同時電池電量維持在一定區間內並能夠維持始末電量相近。 而由前視模型之模擬結果得知,除了HWFET行車型態外,其餘行車型態下,前視模型與後視模型之油耗模擬結果差異僅在5 %以內,和理想模型的模擬結果並無明顯差異。 最後,由硬體迴路實驗可知,其實驗結果與先前在電腦模擬的結果相當一致,驗證了本研究所提出之控制策略不管在理論面還是實務面皆有優越的成效,未來可將之實際應用於現行油電車輛上。
英文摘要 An innovative Energy Management Strategy (EMS) for mild-parallel-hybrid electric vehicles equipped with Belt-Driven Starter Generators (BSGs) is proposed by this thesis. On the basis of Equivalent Consumption Minimization Strategy (ECMS), the approaches by Genetic Algorithm (GA), Learning Vector Quantization (LVQ) Neural Network and Fuzzy Logic Control (FLC) are integrated to adjust/tune the power split ratio between ICE (Internal Combustion Engine) and BSG. HEV (Hybrid Electric Vehicle) model and its corresponding power allocation strategy are developed and verified by using vehicle simulator- ADVISOR (ADvanced VehIcle SimulatOR) and Simulink at the preliminary research stage. To be more practical, the proposed control strategy is converted into “C code” and burned onto the embedded micro-processor to conduct the necessary Hardware-In-the-Loop (HIL) experiments. According to the simulation results, the improvement degree of fuel economy is up to 40.39 % in terms of “MANHATTAN” drive cycle, a typical type of metropolitan road pattern, with respect to conventional pure ICE vehicles, in addition to the State Of Charge (SOC) can be retained within an appropriate range. On the other hand, the improvement degree of mean engine operation efficiency is up to 45.97 % in terms of “NYCC (New York City Cycle)” drive cycle with respect to conventional pure ICE vehicles. Finally and significantly, the experimental results of HIL are pretty close to the simulations undertaken earlier by Simulink. It implies that the proposed control strategy can be potentially applied to the real-world HEVs directly in the future.
論文目次 摘要 I
誌謝 X
目錄 XI
表目錄 XVII
圖目錄 XIX

第一章 緒論 1
1.1 前言 1
1.2 介紹 2
1.3 文獻回顧 4
1.3.1 架構最佳化 6
1.3.2 參數最佳化 6
1.3.3 控制策略最佳化 7
1.4 研究動機與目的 13
1.5 論文架構 15

第二章 車輛模型 17
2.1 BSG架構與48V電氣系統 18
2.2 車輛模擬軟體ADVISOR 20
2.3 基於混合式模擬法之BSG油電混合車模型 25
2.3.1 模型概述 28
2.3.2 行車型態模塊 30
2.3.3 車體模塊 34
2.3.4 輪子模塊 39
2.3.5 終端傳動模塊 43
2.3.6 離合器模塊 43
2.3.7 變速箱模塊 45
2.3.8 扭矩耦合模塊 46
2.3.9 機械周邊負載與電力周邊負載模塊 46
2.3.10 燃料轉換器模塊 48
2.3.11 馬達模塊 55
2.3.12 能量儲存系統 59
2.4 基於前視模擬法之BSG架構油電混合車模型 70

第三章 控制策略設計 76
3.1 控制架構 77
3.1.1 整體控制架構 77
3.1.2 控制策略架構 79
3.2 控制策略設計 81
3.2.1 問題闡述 81
3.2.2 等效油耗最小策略 83
3.2.3 皮帶式馬達發電機架構下之等效油耗最小策略 85
3.2.4 遺傳基因演算法 87
3.2.4.1 介紹 87
3.2.4.2 應用 88
3.2.4.3 小結 89
3.2.5 行車型態辨識演算法 92
3.2.5.1 介紹 93
3.2.5.2 應用 93
3.2.5.3 小結 99
3.2.6 模糊邏輯控制器 104
3.2.6.1 介紹與應用 105
3.2.6.2 小結 111
3.2.7 操作模式 111
3.3 電腦模擬結果 115
3.3.1 人機介面建立 115
3.3.2 比較基準 116
3.3.3 驗證控制策略所採用之行車型態 119
3.3.4 控制策略模擬結果(採用後視模擬法之模型) 120
3.3.5 控制策略模擬結果(採用前視模擬法之模型) 150

第四章 硬體迴路實驗與分析 158
4.1 硬體迴路介紹 158
4.2 實驗架構 161
4.3 實驗設備 167
4.3.1 數位訊號處理器 167
4.3.2 訊號擷取卡 170
4.3.3 邏輯位準轉換電路 172
4.3.4 數位類比轉換電路 175
4.3.5 油門踏板與煞車踏板 180
4.4 實驗結果 182
4.4.1 人機介面 184
4.4.2 硬體迴路實驗結果 185

第五章 結論與未來展望 204
5.1 結論 204
5.1.1 控制策略電腦模擬結論 204
5.1.2 硬體迴路實驗結論 206
5.1.3 總結 207
5.2 未來展望 208
5.2.1 控制策略電腦模擬未來展望 208
5.2.2 硬體迴路實驗未來展望 210

參考文獻 212

附錄A 遺傳基因演算法 218
附錄B 類神經網路 221
附錄C 學習向量量化類神經網路 223
附錄D 模糊邏輯 227
附錄E 各種行車型態下之模擬結果 230
附錄F 油電車之操作模式 254
附錄G 車載控制器之階層關係 258

自述 259
參考文獻 [1]Hurst, D. and J. Gartner, Global Forecasts for Light Duty Hybrid, Plug-in Hybrid, and Battery Electric Vehicles: 2013-2020. 2013, Navigant Research. p. 1-9.

[2]李淑蓮,電動車市場規模在2020年將逾500萬輛、市場規模可望達1兆5千億美金,北美智權報,2012。

[3]李玉茂,混合動力車概述,技術論壇Technical Talk,2013:中國。p. 66-69。

[4]Silvas, E., T. Hofman, and M. Steinbuch, Review of Optimal Design Strategies for Hybrid Electric Vehicles, in 2012 IFAC Workshop on Engine and Powertrain Control, Simulation and Modeling, P. Tona, Editor. 2012, International Federation of Automatic Control: IFP Energies nouvelles, France. p. 57-64.

[5]Gorbea, C., E. Fricke, and U. Lindemann, Pre-Selection of Hybrid Electric Vehicle Architectures During The Initial Design Phases, in 9th International DSM Conference, U.D. Lindemann, Maik; Deubzer, Frank; Maurer, Maik; Kreimeyer, Matthias, Editor. 2007: Munich, Germany. p. 225-234.

[6]Jianping, G., W. Yuehui, L. Zhennan, and Q. Hongbing. Matching and Optimization for Powertrain System of Parallel Hybrid Electric Vehicle. in Proceedings of the 2nd International Conference On Systems Engineering and Modeling (ICSEM-13). 2013. Beijing, China.

[7]Guzzella, L. and A. Sciarretta, Vehicle Propulsion Systems: Introduction to Modeling and Optimization. 2005, Germany: Springer-Verlag Berlin Heidelberg. 291.

[8]Brace, C.J., M. Deacon, N.D. Vaughan, and C.R. Burrows, Operating Point Optimiser for Integrated DieselCVT Powertrain, in Application of Powertrain and Fuel Technologies to Meet Emissions Standards for the 21st Century. 1996. p. 1-8.

[9]Shaohua, L., D. Changqing, Y. Fuwu, W. Jun, L. Zheng, and L. Yuan. A Rule-Based Energy Management Strategy for a New BSG Hybrid Electric Vehicle. in 2012 Third Global Congress on Intelligent Systems. 2012. Wuhan, China.

[10]Hu, X., Z. Wang, and L. Liao, Multi-Objective Optimization of HEV Fuel Economy and Emissions using Evolutionary Computation. 2004, SAE International. p. 1-13.

[11]Mustafa, R., M. Schulze, P. Eilts, and F. Küçükay, Intelligent Energy Management Strategy for a Parallel Hybrid Vehicle. 2014. 1: p. 1-12.

[12]Jun, W., Q. Wang, P. Wang, and B. Han, The Optimization of Control Parameters for Hybrid Electric Vehicles based on Genetic Algorithm. 2014. 1.

[13]Hsieh, F.-C., T.-W. Chou, Y.-C. Chen, Y.-D. Huang, Y.-W. Lin, and Y.-W. Peng, Development of Power Management Strategy using Dynamic Programming for BSG Mild HEV. 2014. 1.

[14]Park, J., Z. Chen, and Y.L. Murphey. Intelligent vehicle power management through neural learning. in The 2010 International Joint Conference on Neural Networks (IJCNN). 2010. Barcelona, Spain.

[15]Khayyam, H. and A. Bab-Hadiashar, Adaptive intelligent energy management system of plug-in hybrid electric vehicle. Energy, 2014. 69: p. 319-335.

[16]Rizzoni, G. and S. Onori, Energy Management of Hybrid Electric Vehicles: 15 years of development at the Ohio State University. Oil & Gas Science and Technology – Revue d’IFP Energies nouvelles, 2014. 70(1): p. 41-54.

[17]Musardo, C., G. Rizzoni, Y. Guezennec, and B. Staccia, A-ECMS: An Adaptive Algorithm for Hybrid Electric Vehicle Energy Management. European Journal of Control, 2005. 11(4-5): p. 509-524.

[18]Paganelli, G., M. Tateno, A. Brahma, G. Rizzoni, and Y. Guezennec. Control development for a hybrid-electric sport-utility vehicle: strategy, implementation and field test results. in American Control Conference, 2001. Proceedings of the 2001. 2001. Arlington, VA, USA.

[19]Onori, S. and L. Serrao, On Adaptive-ECMS strategies for hybrid electric vehicles, in International scientific conference on Hybrid and Electric Vehicles (RHEVE 2011). 2011: IFP Energies nouvelles, Rueil-Malmaison. p. 1-7.

[20]He, H., C. Sun, and X. Zhang, A Method for Identification of Driving Patterns in Hybrid Electric Vehicles Based on a LVQ Neural Network. Energies, 2012. 5(12): p. 3363-3380.

[21]Kessels, J.T.B.A., M.W.T. Koot, P.P.J.v.d. Bosch, and D.B. Kok, Online Energy Management for Hybrid Electric Vehicles. IEEE Transactions on Vehicular Technology, 2008. 57(6): p. 3428-3440.

[22]Murray, C., Can 48V Be the Auto Industry's Next Big Thing?, in DesignNews. 2013.

[23]謝明穎,48V車輛系統的發展與ECE法規考量,車輛研測資訊。2015:台灣。p. 14-15。

[24]曾小華與宮維鈞,ADVISOR 2002電動汽車仿真與再開發應用。2014,北京,中國:機械工業出版社。309。

[25]Brooker, A., K. Haraldsson, T. Hendricks, V. Johnson, K. Kelly, B. Kramer, et al. ADVISOR Documentation. 2013; Available from: http://adv-vehicle-sim.sourceforge.net/advisor_doc.html.

[26]雷霄、陳維榮、劉志祥、戴朝華、李奇與張雪霞,基於ADVISOR的燃料電池混合動力機車建模與仿真研究。2013,中國科技論文在線:中國。p. 1-8。

[27]Wang, J., Q.N. Wang, X.H. Zeng, P.Y. Wang, and J.N. Wang, Driving cycle recognition neural network algorithm based on the sliding time window for hybrid electric vehicles. International Journal of Automotive Technology, 2015. 16(4): p. 685-695.

[28]Paganelli, G., S. Delprat, T.M. Guerra, J. Rimaux, and J.J. Santin. Equivalent consumption minimization strategy for parallel hybrid powertrains. in Vehicular Technology Conference, 2002. VTC Spring 2002. IEEE 55th. 2002. Birmingham, AL, USA.

[29]林豐澤,演化式計算下篇:基因演算法以及三種應用實例,智慧科技與應用統計學報。2005。p. 29-56。

[30]蘇木春與張孝德,機器學習:類神經網路、模糊系統以及基因演算法則。2004,台灣:全華科技圖書股份有限公司。

[31]王進德,類神經網路與模糊控制理論入門與應用。2015,台灣:全華圖書股份有限公司。
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2019-07-22起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2020-07-22起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw