混联式混合动力汽车再生制动控制理论与试验方案【附数据】“

✨ 长期致力于混合动力汽车、再生制动、模糊PID、制动仿真、试验平台研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1模糊PID再生制动控制器设计基于混联式混合动力系统发动机ISG电机驱动电机提出再生制动与摩擦制动协调控制策略。以制动踏板行程和电池SOC作为输入需求制动力作为输出设计二维模糊PID控制器。模糊规则表共25条例如踏板大且SOC低时再生制动比例高踏板小且SOC高时摩擦制动为主。PID参数Kp, Ki, Kd在线调整ΔKp f1(e, ec)ΔKi f2(e, ec)ΔKd f3(e, ec)其中e为制动力误差ec为误差变化率。在典型城市工况UDDS中模糊PID控制的制动能量回收效率达到62%比传统PID提高11个百分点。在紧急制动工况初速80km/h减速度-0.6g再生制动贡献约28%的制动力电池SOC提升2.3%。2AVL CRUISE与MATLAB联合仿真平台建立整车参数化模型CRUISE包含发动机、电机、电池、变速箱、制动系统。将模糊PID控制策略模型Simulink通过API接口与CRUISE耦合进行联合仿真。在NEDC工况下对比不同控制策略无再生制动时油耗6.8L/100km简单再生制动恒定比例油耗5.7L/100km模糊PID再生制动油耗5.1L/100km节油率25%。同时电池SOC波动幅度小从0.55到0.62避免了过充。仿真结果还显示在连续下坡路段坡度6%长度5km再生制动提供平均35%的制动力摩擦制动温升从280°C降到195°C。3基于底盘测功机的硬件在环试验平台研制的试验平台包括dSPACE MicroAutobox实时控制器、底盘测功机吸收功率最大150kW、数据采集系统VCX车辆通信模块。真实制动系统带ABS集成到台架。在中等制动强度减速度0.3g下测试不同初始车速30、50、70km/h。再生制动能量回收率30km/h时约18%50km/h时约22%70km/h时约25%。滑行工况无制动踏板仅再生拖滞能量回收率高达60%。将模糊PID控制策略下载到MicroAutobox实测制动感觉平顺再生与摩擦制动切换冲击度小于0.5g/s优于国家标准。该平台已用于某混动客车开发实车路试验证节能效果与台架误差在7%以内。import numpy as np import skfuzzy as fuzz from skfuzzy import control as ctrl class FuzzyPIDBrake: def __init__(self): # define fuzzy variables self.pedal ctrl.Antecedent(np.arange(0, 101, 1), pedal) self.soc ctrl.Antecedent(np.arange(0, 101, 1), soc) self.kp_out ctrl.Consequent(np.arange(0, 1.1, 0.01), kp) self.ki_out ctrl.Consequent(np.arange(0, 0.5, 0.005), ki) self.kd_out ctrl.Consequent(np.arange(0, 0.2, 0.002), kd) # membership functions self.pedal[low] fuzz.trimf(self.pedal.universe, [0,0,40]) self.pedal[mid] fuzz.trimf(self.pedal.universe, [30,50,70]) self.pedal[high] fuzz.trimf(self.pedal.universe, [60,100,100]) self.soc[low] fuzz.trimf(self.soc.universe, [0,0,40]) self.soc[mid] fuzz.trimf(self.soc.universe, [30,50,70]) self.soc[high] fuzz.trimf(self.soc.universe, [60,100,100]) # rules rule1 ctrl.Rule(self.pedal[low] self.soc[low], self.kp_out[high]) rule2 ctrl.Rule(self.pedal[high] self.soc[high], self.kp_out[low]) # ... more rules self.regeneration_ctrl ctrl.ControlSystem([rule1, rule2]) self.sim ctrl.ControlSystemSimulation(self.regeneration_ctrl) def compute(self, pedal_val, soc_val): self.sim.input[pedal] pedal_val self.sim.input[soc] soc_val self.sim.compute() return self.sim.output[kp], self.sim.output[ki], self.sim.output[kd] class RegenerationSimulator: def __init__(self, vehicle_mass1500, motor_power50e3): self.mass vehicle_mass self.motor_power motor_power def regenerate_energy(self, speed_initial, speed_final, decel_rate): # kinetic energy loss KE_loss 0.5 * self.mass * (speed_initial**2 - speed_final**2) # motor efficiency map efficiency 0.85 if decel_rate 0.2 else 0.78 energy_recovered KE_loss * efficiency return energy_recovered class HIL_TestPlatform: def __init__(self, dspace_handle, dyno_handle): self.dspace dspace_handle self.dyno dyno_handle def run_test(self, test_cycle, controller): # log data for step in test_cycle: pedal step[pedal] speed step[speed] regen_torque controller.compute_regen(pedal, speed) self.dyno.load(regen_torque) # measurement recovered_energy self.dyno.measure_energy() self.dspace.log(recovered_energy) return