近年来,我国的经济逐年迅猛发展对基础建设需求也逐步增加,对工程车辆的各项性能要求也越来越高。但是由于工程车辆低速重载、频繁启动制动的工作特点,其排放性能的表现差强人意,尤其是随着能源问题的出现与排放要求的日益严格,提升工程车辆的经济性能成为其发展的必然趋势。混合动力技术在普通乘用车上已经广泛应用,并表现出良好的节能减排效果,因此项目组成员以装载机为例,已经开发出一种复合存储能量的混合动力系统,其中包括三个能量存储部分,发动机、电池和液压蓄能器。并对其关键元件进行了选型、参数匹配等工作,还对其中的各个子系统的关键参数进行了协同优化。但是复合储能式装载机混合动力系统在运行时不能根据工作工况选择最优的控制策略,导致其控制性能并未达到最优状态。所以需要在项目组成员的研究基础上对工况进行识别,并对控制策略针对不同的工况进行优化,最终实现在装载机动力不损失的情况下尽可能高的提升其经济性能。本文具体研究内容如下:(1)通过分析装载机的通用工作模式及其动力系统结构,按照参数要求建立数学理论模型,并依据此理论模型采用MATLAB/Simulink软件对复合储能式装载机的整车后向仿真模型进行搭建。(2)对构成工况的主要因素进行分析,得出3个需识別工况的初始决策向量,并利用MATLAB软件创建出适用于装载机工况识别的BP神经网络,通过选用适当的算法与训练函数对其进行训练。(3)以发动机燃油消耗量为优化目标,采用遗传算法针对不同工况下装载机复合储能系统模糊控制策略的隶属度函数划分进行优化,消除隶属度函数设定时的主观盲目性缺陷,使得参数设定更具目标性。(4)将通过m文件生成的BP神经网络Simulink模型及针对不同工况优化后的模糊控制器接入整车后向仿真模型中,对其控制性能进行仿真分析,结果表明此BP神经网络模型可以实现工况自动识别且模糊控制器经过优化后整车燃油经济性明显提高。(5)通过实验室内的dSPACE试验台进行试验,对硬件在环试验所得结果与仿真结果进行对比,试验数据与仿真数据基本吻合,验证了基于BP神经网络的工况识别模块与基于遗传算法对模糊控制器的优化切实有效,为整车控制器的设计提供了参考。