混合动力车辆及其执行温度控制的方法与流程

本公开涉及一种混合动力车辆及其执行温度控制的方法，并且更具体地，涉及一种能够通过预测混合动力车辆的停止而在寒冷天气中高效地执行加热的模式改变控制方法，以及执行该方法的混合动力车辆。

背景技术：

近年来，随着对提高车辆燃料效率的不断需求以及许多国家对车辆排放的严格规定，对环保型车辆的需求已经增加。作为这种环保型车辆的示例，已经开发了混合动力电动车辆(hev)和插电式混合动力电动车辆(phev)。

混合动力车辆使用包括发动机和电动机在内的两个动力源来行驶。在发动机和电动机协调运转的情况下，可以生成最佳的输出和扭矩。具体而言，在搭载有并联型或tmed型(安装有变速器的电动装置型)混合动力系统(在发动机与变速器之间安装有电动机和发动机离合器(ec))的混合动力车辆的情况下，发动机的输出和电动机的输出可以同时被传递到驱动轴。

通常，在加速的初始阶段，混合动力车辆使用电能行驶(即，ev模式)。然而，仅使用电能来提供驾驶员所需的功率存在限制，因此需要在某些时刻使用发动机作为主动力源(即，hev模式)。在这种情况下，当电动机的每分钟转数与发动机的每分钟转数之间的差值在预定范围内时，混合动力车辆操作使得发动机离合器接合，使得电动机和发动机一起旋转。

当然，即使在hev模式下，发动机也可能不用作主动力源。例如，在hev模式的并联模式中，发动机的动力用作驱动力。然而，在串联hev模式下，发动机在低负荷下被驱动，因此发动机的驱动力被用于发电。将参照图1描述并联hev模式和串联hev模式的驱动点和效率。

图1(相关技术)是表示根据一般混合动力车辆的hev模式的驱动点与效率的关系的图。

图1示出表示发动机效率的制动油耗率图(bsfc)，其中，横轴表示发动机rpm，纵轴表示车辆速度。效率朝向圆形iso效率曲线的中心逐渐增加。

如图1所示，并联驱动区域10被设定在相对高效率的区域中。相反，考虑到将发电的电动机(例如，混合起动发电机(hsg))的振动、噪音和输出，串联发动机驱动区域20通常被设定在低rpm区域1100至1300中。

另一方面，在最近发布的车辆中，全自动温度控制(fatc)单元负责执行温度控制。在混合动力车辆中，根据需要，fatc执行控制以使用由发动机的热量加热的发动机冷却剂来加热室内空气。更具体地，当在混合动力车辆中未安装正温度系数(ptc)加热器时，或者当安装了具有低容量的ptc加热器时，fatc可以确定利用发动机冷却剂。此时，当发动机冷却剂的温度低于加热所需的水温时，fatc请求混合控制单元(hcu)操作发动机。

然后，hcu操作发动机，并根据状况选择并联模式和串联模式中的任一种。然而，如上参考图1所述，由于在发动机效率方面并联模式比串联模式更优异，因此当并联模式是可能的时(当车辆以预定速度以上行驶时)，可以优先选择并联模式。

然而，当在并联模式下发生短暂停车，并且在停车时间期间基于发动机的驱动点将驱动模式改变为串联模式时，得到了低效的控制结果。这将参照图2来描述。

图2(相关技术)是示出在一般混合动力车辆中由于基于车辆速度的hev模式改变控制而产生的问题的图。

图2示出了上图和下图。这两个图的横轴表示时间，上图的纵轴表示车辆速度，下图的纵轴表示混合动力系统的行驶模式。即，在下图中，纵轴的最低点表示ev模式，中间点表示hev模式，最高点表示并联hev模式。

参考图2，当车辆在串联模式下停车的状态中出发后车辆速度达到能够进入并联模式的值时，车辆的行驶模式可以改变为并联模式。即使当车辆在并联模式下行驶期间因交通信号而停车相对较短的时间段时，如果因停车而不满足能够进入并联模式的车辆速度，则车辆的行驶模式暂时改变到串联模式。结果，由于改变到串联模式，发动机在停车时间期间在低效率驱动点处操作，并且由于发动机输出低，冷却剂温度升高不明显。

技术实现要素：

因此，本公开涉及混合动力车辆及其执行温度控制的方法。

本公开的目的是提供一种在寒冷天气中在混合动力车辆中高效地执行加热的方法以及用于执行该方法的车辆。

本公开的另一个目的是提供一种模式改变控制方法，其能够解决由于短暂停车而引起的冷却剂温度不增加和发动机效率劣化，以及用于执行该方法的车辆。

本公开的另外的优点、目的和特征的一部分将在下面的描述中阐述，并且一部分对于本领域技术人员而言在研究以下内容后将变得显而易见，或者可以从本公开的实践中学习。本公开的目的和其他优点可以通过在书面说明书和权利要求书以及附图中特别指出的结构来实现和获得。

为了实现这些目的和其他优点，并根据本公开的目的，如在此具体化和广泛描述的那样，一种控制混合动力车辆的模式改变的方法包括：由混合控制单元从全自动温度控制(fatc)单元接收发动机操作请求；由混合控制单元确定是否进入利用发动机动力作为驱动力的第一混合动力电动车辆(hev)模式；当进入第一hev模式是不可能的时，由混合控制单元确定预测的停车时间是否等于或小于预定时间；以及当预测的停车时间等于或小于预定时间时，混合控制单元不允许进入利用发动机动力进行发电的第二hev模式。

在本公开的另一方面，一种混合动力车辆包括：全自动温度控制(fatc)单元，用于控制温度控制功能；和混合控制单元，用于执行控制以：从fatc接收发动机操作请求；确定是否进入利用发动机动力作为驱动力的第一混合动力电动车辆(hev)模式；当进入第一hev模式是不可能的时，确定预测的停车时间是否等于或小于预定时间；当预测的停车时间等于或小于预定时间时，不允许进入利用发动机动力进行发电的第二hev模式。

在本公开的另一方面中，包含由处理器执行的程序指令的非暂时性计算机可读介质包括：从全自动温度控制(fatc)单元接收发动机操作请求的程序指令；确定是否进入利用发动机动力作为驱动力的第一混合动力电动车辆(hev)模式的程序指令；当进入第一hev模式是不可能的时，确定预测的停车时间是否等于或小于预定时间的程序指令；以及当预测的停车时间等于或小于预定时间时，不允许进入利用发动机动力进行发电的第二hev模式的程序指令。

应当理解的是，本公开的上述一般性描述和下面的详细描述都是示例性和解释性的，并且旨在提供对所要求保护的本公开的进一步解释。

附图说明

被包括以提供对本公开的进一步理解并且被并入和构成本申请的一部分的附图示出了本公开的实施例，并且与说明书一起用于说明本公开的原理。在附图中：

图1(相关技术)是表示根据一般混合动力车辆的hev模式的驱动点与效率的关系的图；

图2(相关技术)是示出在一般混合动力车辆中由于基于车辆速度的hev模式改变控制而产生的问题的图；

图3是示意性地示出根据本公开的实施例的混合动力车辆的控制系统的框图；

图4a和图4b示出了适用于本公开的实施例的预测驾驶员加速/减速意图的示例性过程；

图5示出根据本公开的实施例的使用近期(near-future)加速/减速预测模型确定停车特性的示例性逻辑；

图6是示出根据本公开的实施例的控制混合动力车辆中的模式改变的示例性方法的流程图；和

图7是示出根据本公开的实施例的模式改变方法的效果与图2比较的图。

具体实施方式

应当理解，在此使用的术语“车辆”或“车辆的”或者其他类似的术语包括一般机动车辆，例如客运汽车(包括运动型多功能车辆(suv))、公共汽车、卡车、各种商用车辆、水运工具(包括各种艇和船)、飞机等，并且包括混合动力车辆、电动车辆、插电式混合动力电动车辆、氢动力车辆和其他替代燃料车辆(例如，从石油以外的资源得到的燃料)。如在此提到的，混合动力车辆是具有两个或更多个动力源的车辆，例如，既有汽油动力又有电动力的车辆。

在此使用的术语只是出于描述特定实施例的目的，并非意图限制本发明。如在此使用的，单数形式“一”、“一个/一种”以及“该/所述”意在也包括复数形式，除非上下文另行清楚地指出。还应当理解，当在本说明书中使用时，术语“包括”和/或“包含”指明所叙述的特征、整数、步骤、操作、元素和/或部件的存在，但不排除存在或增加一个或多个其他特征、整数、步骤、操作、元素、部件和/或它们的群组。如在此使用的，术语“和/或”包括所列出的相关项目中的一个或多个的任何组合以及全部组合。在整个说明书中，除非明确地相反描述，否则词语“包括”及其变形例如“含有”或“包含”应理解为暗示包括所叙述的元素但不排除任何其他元素。此外，说明书中描述的术语“单元”、“器”、“件”和“模块”是指用于处理至少一个功能和操作的单元，并且能够通过硬件、软件或其组合来实现。

此外，本公开的控制逻辑可以被实施为计算机可读介质上的非暂时性计算机可读介质，其包含由处理器、控制器等执行的可执行程序指令。计算机可读介质的示例包括但不限于rom、ram、光盘(cd)-rom、磁带、软盘、闪存盘、智能卡和光学数据存储设备。计算机可读记录介质也可以分布在联网的计算机系统中，使得以分布式方式由例如远程服务器或控制器局域网络(can)存储和执行计算机可读介质。

现在将详细参考本公开的优选实施例，其示例在附图中示出。然而，将理解的是，本公开不应限于这些实施例，并且可以以各种方式进行修改。在附图中，为了清楚和简要地解释本公开，省略了与说明书没有关联的元件的图示，并且在整个说明书中相同或非常类似的元件由相同的附图标记表示。

在整个说明书中，当要素被提及为“包括”另一要素时，该要素不应该被理解为排除其他要素，只要没有特别的冲突描述，并且该要素可以包括至少一个其他要素元件。只要可能，在整个附图中将使用相同的附图标记来指代相同或相似的部分。

在本公开的实施例中，当混合动力车辆根据来自全自动温度控制(fatc)的发动机操作请求进入混合动力电动车辆(hev)模式时，预测将会发生短暂停车还是长期停车，在长期停车下允许串联模式，在短暂停车下允许并联模式。特别地，短暂停车意味着从当前时间起预测维持停车的时间(即，预测的停车时间)等于或小于阈值时间。如在此所提供的，阈值时间可以是预定的或者变化的。

为此，有必要确定是否发生停车、预测的停车时间，即车辆近期是否将出发。首先，将参照图5描述能够预测是否发生停车以及车辆近期是否将出发的车辆的结构。

图3是示意性地示出根据本公开的实施例的混合动力车辆的控制系统的框图。

参考图3，根据本公开的实施例的混合动力车辆的控制系统100包括驾驶信息检测器110、驾驶倾向确定单元120、驾驶员加速/减速预测器130、混合控制单元140以及fatc150。这种结构仅仅是说明性的，并且更多或更少数量的组件可以构成控制系统(例如，可以省略驾驶倾向确定单元)。

驾驶信息检测器110与车辆速度传感器11、加速器踏板位置传感器(aps)12、制动器踏板传感器(bps)13、高级驾驶辅助系统(adas)14和/或导航装置15中的至少一个连动地检测与车辆行驶有关的驾驶信息。

驾驶信息检测器110通过aps12检测驾驶员的加速器操作状态，并且通过bps13检测制动器操作状态。

驾驶信息检测器110通过车辆速度传感器11检测车辆速度，并且通过adas14的雷达传感器或(立体)相机检测关于车辆前方的举动(movement)的信息，包括与前方车辆的相对距离和加速状态。除了雷达传感器或相机之外，可以根据adas的配置采用例如使用超声波或激光的各种其他传感器。

驾驶信息检测器110通过导航装置15检测导航信息(道路环境信息)，例如基于gps/gis的车辆位置、道路类型、交通堵塞程度、限速、交叉路口、收费站、转弯和斜坡。特别地，导航装置15可以参考存储在其中的导航地图以及通过外部无线通信(例如，远程信息处理或tpeg)收集的交通信息，以便提供上述信息。

驾驶倾向确定单元120基于由驾驶员的驾驶操作引起的驾驶样式(pattern)(例如，平均车辆速度、加速器踏板位置传感器(aps)的变化量daps以及制动器踏板传感器(bps)的变化量dbps)来确定驾驶员的驾驶倾向。

例如，驾驶倾向确定单元120包括使用由驾驶信息检测器110检测到的因素(包括aps的变化量、bps的变化量、车辆速度和坡度)作为输入参数的模糊隶属函数，并计算短期驾驶倾向指数(si＝0至100％)。

驾驶倾向确定单元120可以将计算出的短期驾驶倾向指数(si＝0至100％)按根据驾驶倾向程度的预定基准百分比进行划分，从而能够将驾驶员的驾驶倾向确定为多个等级之一。

驾驶员加速/减速预测器130利用机器学习方法学习取决于驾驶倾向的加速/减速预测模型，并使用加速/减速预测模型来生成反映了车辆的行驶状况和驾驶倾向的驾驶员近期加速/减速意图的预测值。即，驾驶员加速/减速预测器130使用由驾驶信息检测器110检测到的车辆速度、雷达信息和导航信息、以及驾驶员的驾驶倾向作为输入参数，将较短时间单位表示的驾驶操作形式定量地数字化，从而确定驾驶员瞬时的加速/减速意图，并由此生成驾驶员近期加速/减速的预测值。该加速/减速预测值可以包括近期在预定时间单位下按压加速器踏板或制动器踏板的力和概率。

加速/减速预测器130的具体预测算法可以包括利用机器学习方法增补预先生成的预测模型的神经网络，这将在后面详细描述。

混合控制单元140控制根据本公开的实施例的用于切换混合动力车辆的行驶模式的组件的操作，并且用作整体控制通过网络与其连接的离合器控制单元、发动机控制单元和电动机控制单元的顶层控制单元。

特别地，当从fatc150接收到发动机操作请求时，混合控制单元140可以根据车辆速度与发动机效率之间的关系以及是否发生短暂停车来确定行驶模式。此时，可以通过从加减/减速预测器130获取近期加减/减速预测值，来预测停车发生与否以及停车时间。

混合控制单元140可以基于驾驶信息检测器110检测到的aps或bps的变化量来分析驾驶员当前所需的扭矩，并且可以将当前所需的扭矩传输到另一控制单元，例如变速器控制单元。

当然，在一些实施例中，加速/减速预测器130可以使用近期加速/减速预测值来预测近期所需的扭矩。

另外，变速器控制单元可以根据当前所需的扭矩来确定是否执行变速。

替换地，上述实施例可以被配置为使得驾驶倾向确定单元120被省略。在这种情况下，驾驶员加速/减速预测器130可以在没有与驾驶倾向有关的输入值的情况下执行加速/减速预测。

在下文中，将参照图4a和4b来描述使用驾驶员加速/减速预测器130来预测驾驶员加速/减速意图的方法。。

图4a和图4b示出了可应用于本公开的实施例的预测驾驶员加速/减速意图的示例性过程。

参考图4a，由驾驶员加速/减速预测器130执行的预测驾驶员加速/减速意图的过程可以包括以下三个步骤。首先，可以确定什么参数被用作预测的输入值(s41)。通过机器学习使用所确定的输入值来修改预测模型(s42)。通过输入值和修改模型确定加速或减速，并计算与近期状况有关的预测值(s43)。

确定输入值的步骤s41可以包括：1)提取输入值的候选值的步骤；2)通过对输入信号进行积分来预处理数据的步骤；以及3)使用预处理的候选值来选择最终参数的步骤。基于时间序列模型的方法或基于深度学习的方法可以用作机器学习方法。基于时间序列模型的方法的示例包括使用随机指标表示行为随时间的变化的自回归积分移动平均(arima)方法，以及使用非参数回归方法于通用逼近器的多层感知器(mlp)方法。基于深度学习的方法的示例包括通过降维使得输入和输出数据彼此相似的堆叠式自动编码器(sae)方法、作为用于处理顺序信息的神经网络算法的递归神经网络(rnn)方法、以及适合于长期依赖学习的长短期记忆(lstm)方法。在图4b中示出由驾驶员加速/减速预测器使用上述机器学习方法中的神经网络算法执行的预测驾驶员近期加速/减速意图的示例性过程。

参考图4b，根据本公开的实施例的驾驶员加速/减速预测器130包括神经网络，该神经网络利用机器学习方法基于驾驶员的驾驶倾向来学习加速/减速预测模型。

在驾驶员加速/减速预测器130中，利用神经网络，基于通过在车辆出售前测试驾驶累积的大数据，优选地预先存储用于驾驶倾向的近期加速/减速预测模型。

此外，驾驶员加速/减速预测器130可以将在车辆出售给驾驶员后从实际的驾驶员驾驶操作中学习的车辆举动数据添加到已经利用神经网络预先存储在其中的用于驾驶倾向的近期加速/减速预测模型，并且因此可以生成专门针对实际驾驶员的用于驾驶倾向的近期加速/减速预测模型。在这种情况下，根据实际的驾驶倾向的确定，驾驶员加速/减速预测器130可以将学习到的举动数据应用于与所确定的驾驶倾向对应的近期加速/减速预测模型。

驾驶员加速/减速预测器130可以基于包括根据车辆速度、雷达信息和导航信息所确定的行驶环境和驾驶员驾驶倾向在内的输入信息，来计算取决于驾驶员驾驶倾向的近期加速/减速意图预测值。特别地，如图4b所示，驾驶倾向可以被分类为多种类型，并且可以由平均车辆速度的数值、加速器踏板的变化量daps以及制动器踏板的变化量dbps来表示。

此外，驾驶员加速/减速预测器130可以在安装在车辆中的状态下通过机器学习方法实时地修改驾驶员加速/减速模型，或者可以仅用于预测，而不通过接收来自外部装置的修改模型进行学习。

也就是说，在通过外部装置修改模型的情况下，作为用于学习的输入值的参数被传输到远程信息处理中心或云服务器。因此，通过学习对模型进行修改是由外部装置执行的，并且只有最终模型被传输到车辆。

图5示出根据本公开的实施例的使用近期加速/减速预测模型确定停车特性的逻辑的示例。

参考图5，根据本公开的实施例的混合控制单元140根据驾驶员的aps或bps操纵来分析当前的驾驶要求，并计算所需的扭矩(s1)。混合控制单元140基于当前所需的扭矩和bps操纵来确定车辆的当前举动，例如车辆当前是否停止(s2)。

驾驶员加速/减速预测器130使用近期加速/减速预测模型来输出关于驾驶员加速/减速意图的预测信息，并且混合控制单元140可以通过预测近期扭矩(即，所需扭矩预测值)来预测车辆的举动(s3)。结果，当组合了车辆的当前举动和将在近期发生的车辆的举动时，可以根据车辆是否停止以及车辆是否将在近期出发来确定当前停车是否是短暂停车。

例如，当当前车辆速度小于第一阈值并且所需扭矩预测值大于第二阈值时，由于车辆当前正在停车，但是将在近期加速，因此可以确定短暂停车。作为另一示例，当车辆停在交叉路口时，可以从驾驶信息检测器110获取交通信号信息，以根据信号是否在近期改变来预测停车时间。作为又一示例，当在高速公路上的拥堵区间的距离短时，即离开拥堵区间所需的时间小于第三阈值时，或者当拥堵区间的剩余距离小于第四阈值时，可以预测短暂停车。

所需扭矩预测值可以由驾驶员加速/减速预测器130来计算，或者如上所述，可以由混合控制单元140来计算。尽管在附图中未示出，但是可以通过用于生成所需扭矩预测值的单独控制单元来计算所需扭矩预测值。

另一方面，将参考图6更详细地描述由混合动力车辆的上述控制系统100作为主要机构执行的、根据本公开的实施例的改变混合动力车辆的行驶模式的方法。

图6是示出根据本公开的实施例的控制混合动力车辆中的模式改变的示例性方法的流程图。

参照图6，当从fatc接收到发动机操作请求时(s610)，混合控制单元可以根据当前行驶状况和预定准则来确定是否进入并联模式(s620)。当进入并联模式是可能的时，混合控制单元可以根据fatc的请求控制传动系统，使得车辆以并联模式行驶。

当进入并联模式是不可能的时，混合控制单元可以基于通过加速/减速预测器和驾驶信息检测器获取的信息来确定当前状况是否对应于短暂停车(s640)。

在确定当前状况对应于短暂停车时，混合控制单元可以不允许进入串联模式。不允许进入串联模式可以意味着，混合控制单元将行驶模式改变为ev模式。与改变为ev模式一起地或分开地，混合控制单元可以在确定当前状况对应于短暂停车时，改变fatc的发动机操作请求基准值。

在确定当前状况不对应于短暂停车时，混合控制单元可以以串联模式控制传动系统(s660)。当车辆在长时间停车的情况下进入ev模式时，由于发动机关闭，因此冷却剂的温度不会长时间增加，因此加热被过度延迟。

图7是示出根据本公开的实施例的模式改变方法的效果与图2比较的图。

参考图7，车辆在第一加速区间进入并联模式与图2相同，但是在短暂停车区间中，该模式改变为ev模式而不是串联模式，由此抑制进入低效率的串联模式。

上述实施例已经被描述为被配置成使用机器学习方法来构建和修改驾驶员加速/减速意图预测模型，通过该机器学习方法，基于在车辆实际操作期间由车辆累积的数据来学习取决于当前行驶条件的驾驶员近期意图。然而，替换地，也可以配置成使用预定规则而不是上述预测模型而来确定近期加速/减速意图预测值。下面的表1中示出了这种规则的一个示例。

[表1]

尽管已经将上述实施例描述为通过近期预测来预测将来的所需扭矩，但是对于本领域技术人员将显而易见的是，将来的所需扭矩可以由其他类型的参数或信息代替，例如，由加速/减速预测单元预测的将来加速度预测值。

根据本公开的至少一个实施例的混合动力车辆可以在寒冷的天气中更高效地执行加热。

特别地，由于通过使用机器学习方法预测停车特性，来确定行驶模式，因此可以防止当需要加热时行驶模式进入低效的串联模式。

上述本公开可以通过计算机可读记录介质中的计算机可读代码来实现。计算机可读记录介质包括其中可以存储可由计算机系统读取的数据的各种记录设备。计算机可读记录介质的示例包括硬盘驱动器(hdd)、固态驱动器(ssd)、硅盘驱动器(sdd)、rom、ram，cd-rom、磁带、软盘、光学数据存储设备等。

对于本领域技术人员来说显而易见的是，在不脱离本公开的精神或范围的情况下，可以在本公开中进行各种修改和变化。因此，本公开旨在覆盖本公开的修改和变化，只要它们落入所附权利要求及其等同物的范围内。