论文部分内容阅读
混合动力汽车动力传动系统的研发作为混合动力汽车研究领域的一项关键技术,一直受到广泛关注。采用行星排作为动力耦合机构的电控无级变速系统(Electric Variable Transmission,EVT)由于结构紧凑,工作效率高被广泛研究,产出了大量研究成果。目前对于EVT混合动力系统的设计研究大多结合图形学和数学理论,采用穷举或者枚举方案的方式,效率较低且考虑因素不全面。本文根据现有的EVT混合动力系统图论研究内容,引入机器学习算法,融入工况信息,开展了不同特征工况下的单行星排EVT混合动力系统的建模与方案评价与寻优,具体研究内容阐述如下:(1)以已有EVT混合动力系统图论分层图画模型和邻接矩阵模型为基础,从中提取关键元素,组成EVT混合动力系统图论矩阵模型;在EVT混合动力系统图论分层图画模型中直接进行动力学分析,建立了EVT混合动力系统图论分层图画动力学模型;(2)采用基于遗传算法(Generic Algorithm,GA)和模拟退火算法(Simulated Annealing,SA)优化的模糊C均值聚类对标准工况进行了聚类分析,提取了三类特征工况,并计算了三类特征工况的特征参数;(3)对包括整车、发动机、电机及电池等系统部件进行建模,并利用动态规划算法(Dynamic Programming,DP)对样本空间中的方案进行仿真获取其多特征工况下的油耗值,建立EVT系统多特征工况下的油耗样本空间;(4)从EVT混合动力系统邻接矩阵模型中提取图论矩阵模型并将其标准化,再将特征工况参数进行标准化,并将两种数据进行拼接作为神经网络输入,分别输入BP、RBF和GRNN三种神经网络进行参数调优,搭建了不同特征工况下的EVT混合动力系统油耗模型,并最终选用准确率最高的GRNN神经网络作为油耗模型;(5)对样本空间中的全部传动方案进行同构分析,并利用同构方案对油耗模型训练样本进行了扩增,对油耗模型进行重新训练;(6)采用遗传算法(Generic Algorithm,GA)对EVT混合动力系统进行方案寻优,同时,在寻优过程中,加入不可行方案筛选条件,对于可直接判定不可行的方案在寻优过程中直接剔除。