混合动力拖拉机功率分配控制方法

1.本发明涉及车辆控制技术领域，尤其涉及一种混合动力拖拉机功率分配控制方法。


背景技术：

2.智能制造技术推动了第二产业的发展，农业产业也急需智能化、数字化与自动化的作业机器，实现资源有效利用、提高农业生产效率，促进农业增产增效，改变农民收种。
3.目前对于农业机械装备的智能化控制策略较少，其中以拖拉机为例，无法根据其行驶状态进行预测改变供能的模式，使得拖拉机行驶时的功率较大。


技术实现要素：

4.本发明的目的在于提供一种混合动力拖拉机功率分配控制方法，旨在解决拖拉机无法根据行驶状态进行预测改变供能的模式的问题。
5.为实现上述目的，本发明提供了一种混合动力拖拉机功率分配控制方法，包括以下步骤：
6.获取混合动力拖拉机的历史行走数据和作业数据；
7.构建灰色神经网络行驶速度预测模型；
8.通过所述灰色神经网络行驶速度预测模型，基于所述历史行走数据和所述作业数据，对所述混合动力拖拉机的当前行驶工况进行预测，得到预测速度；
9.构建归一化多目标优化函数；
10.通过所述归一化多目标优化函数使用离散随机动态规划算法对所述混合动力拖拉机作业时的行走功率与作业功率进行分配；同时，基于所述预测速度通过所述归一化多目标优化函数使用离散随机动态规划算法对所述混合动力拖拉机的发动机与电机的转矩、转速、挡位和气门开度进行调整。
11.其中，所述获取混合动力拖拉机的历史行走数据和作业数据的具体方式为：
12.基于历史工况和经验工况查找map图；
13.基于所述map图获取混合动力拖拉机的历史行走数据和作业数据。
14.其中，所述历史行走数据包括所述拖拉机历史的行驶速度、车轮需求转矩、加速踏板开度、制动踏板开度、挡位和整车需求功率。
15.其中，所述构建灰色神经网络行驶速度预测模型的具体方式为：
16.建立灰色预测模型和算法数学模型；
17.基于所述灰色预测模型和所述算法数学模型建立灰色神经网络行驶速度预测模型。
18.其中，所述通过所述灰色神经网络行驶速度预测模型，基于所述历史行走数据和所述作业数据，对所述混合动力拖拉机的当前行驶工况进行预测，得到预测速度的具体方式为：
19.将所述历史行走数据按照等维递推进行分组，得到输入数据和验证数据；
20.分别使用所述输入数据和对所述验证数据所述灰色神经网络行驶速度预测模型进行训练和验证，得到最优预测模型；
21.将所述作业数据输入所述最优预测模型；
22.所述最优预测模块基于所述作业数据对所述混合动力拖拉机的当前行驶工况进行预测，得到预测速度。
23.本发明的一种混合动力拖拉机功率分配控制方法，通过获取混合动力拖拉机的历史行走数据和作业数据；构建灰色神经网络行驶速度模型预测模型；通过所述灰色神经网络行驶速度模型基于所述历史行走数据和所述作业数据对混合动力拖拉机的当前行驶工况进行预测，得到预测速度；通过所述归一化多目标优化函数使用离散随机动态规划算法对所述混合动力拖拉机作业时的行走功率与作业功率进行分配，以实现优化行驶时电耗、油耗的综合经济性；同时，基于所述预测速度通过所述归一化多目标优化函数使用离散随机动态规划算法对所述混合动力拖拉机的发动机与电机的转矩、转速、挡位和气门开度进行调整，解决了拖拉机无法根据行驶状态进行预测改变供能的模式的问题。
附图说明
24.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
25.图1是本发明提供的一种混合动力拖拉机功率分配控制方法的流程图。
26.图2是获取混合动力拖拉机的历史行走数据和作业数据的流程图。
27.图3是构建灰色神经网络行驶速度预测模型的流程图。
28.图4是所述灰色神经网络行驶速度预测模型，基于所述历史行走数据和所述作业数据，对所述混合动力拖拉机的当前行驶工况进行预测，得到预测速度的流程图。
29.图5是灰色神经网络拓扑结构图。
具体实施方式
30.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
31.请参阅图1至图5，本发明提供一种混合动力拖拉机功率分配控制方法，包括以下步骤：
32.s1获取混合动力拖拉机的历史行走数据和作业数据；
33.具体方式为：
34.s11基于历史工况和经验工况查找map图；
35.s12基于所述map图获取混合动力拖拉机的历史行走数据和作业数据。
36.具体的，所述历史行走数据包括所述拖拉机历史的行驶速度、车轮需求转矩、加速踏板开度、制动踏板开度、挡位和整车需求功率。
37.s2构建灰色神经网络行驶速度预测模型；
38.具体方式为：
39.s21建立灰色预测模型gm(greymodel)和算法数学模型；
40.具体的，所述灰色预测模型可以确定未来的发展趋势，为做出决策提供依据。其原理是通过序列生成算子生成一系列函数，这些函数是建模和预测的基础。算子可以强化离散过程中的不确定性，弱化其不确定性。
41.神经网络是一种分布式并行信息处理的算法数学模型，可以处理各节点的关系，达到处理信息的目的，具有极强的学习能力与适应能力。
42.使用灰色神经网络(gnn)行驶速度预测模型对已有工况数据进行训练，并可以预测出未来5个时刻的行驶速度，在拖拉机行驶的过程中实时更新历史数据并重新训练，可以得到在线实时预测行驶数据。
43.建立灰色预测模型一阶单变量gm(1,1)模型
44.假设时间序列长度为n，时间间隔δt为1s，历史实际速度的初始时间序列x
(0)
，
45.x
(0)
＝(x
(0)
(1)，x
(0)
(1)，...，x
(0)
(n))；
46.为弱化时间序列x
(0)
数据简的随机性与波动性进行一次累加，生成新的时间序列x
(1)
，
47.x
(1)
＝(x
(1)
(1)，x
(1)
(1)，...，x
(1)
(n))
48.ꢀꢀꢀ
＝(x
(1)
(1)，x
(1)
(1)+x
(0)
(2)，...，x
(1)
(n-1)+x
(0)
(n))；
49.对关于时间序列x
(1)
的gm(1,1)模型建立微分方程：
[0050][0051]
其中，α表示发展灰数，u表示内生控制灰数。
[0052]
其中，采用最小二乘法对参数
[0053]
微分方程为：可得到
[0054]
其中，
[0055]
将带入微分方程得到预测序列
[0056][0057]
初始时间序列x
(0)
的预测序列为对进行一次累减得到预测序列
[0058]
[0059]
s22基于所述灰色预测模型和所述算法数学模型建立灰色神经网络行驶速度预测模型。
[0060]
灰色模型与神经网络模型结合为灰色神经网络(gnn)模型，
[0061][0062]
a为微分方程系数，w＝(w1,w2,...,wq)
t
是可变的权值矩阵；
[0063]
预测序列表达式为：
[0064][0065]
如图5所示，构建灰色神经网络拓扑结构，并每层做出解释。
[0066]
对a，wi，l
21
,l
22
,...,l
2n l
31
,l
32
,...,l
3n
初始化得到u及节点阈值；
[0067]
每层输出公式：
[0068]
la层：a＝l
11
t；
[0069]
lb层：
[0070]
lc层：c1＝bl
21
,c2＝x1(t)bl
22
,...,cn＝x
n-1
(t)bl
2n
；
[0071]
ld层：d＝l
31
c1+l
32
c2+...+w
3ncn-θx
(1)
(0)；
[0072]
在lc层节点的第2-5个节点输入4个历史行驶速度，输出1个预测行驶速度。
[0073]
通过以上模型获取拖拉机预测行驶速度。
[0074]
s3通过所述灰色神经网络行驶速度预测模型，基于所述历史行走数据和所述作业数据，对所述混合动力拖拉机的当前行驶工况进行预测，得到预测速度；
[0075]
具体方式为：
[0076]
s31将所述历史行走数据按照等维递推进行分组，得到输入数据和验证数据；
[0077]
需要先将拖拉机历史行走数据进行处理，选取间隔1s的30个离散行驶速度数据，依照表1行驶速度的提取方式，按照等维递推进行分组，选取5个为一组，得到20组数据。每组前5个作为输入数据，记为i，后5个作为验证数据记作o，可以用于验证此模型的准确度。
[0078]
且此模型在使用时是以拖拉机60s的行驶速度，作为历史数据库作为训练，预测未来5个时刻的拖拉机行驶速度，并可以做到在行驶过程中实时更新历史数据，进行重新训练，使其具有在线实时预测功能。
[0079]
表1行驶速度的提取方式
[0080][0081][0082]
s32分别使用所述输入数据和对所述验证数据所述灰色神经网络行驶速度预测模
型进行训练和验证，得到最优预测模型；
[0083]
s33将所述作业数据输入所述最优预测模型；
[0084]
s34所述最优预测模块基于所述作业数据对所述混合动力拖拉机的当前行驶工况进行预测，得到预测速度。
[0085]
s4构建归一化多目标优化函数；
[0086]
对多目标进行归一化处理，
[0087]
能量管理方法策略目标函数：
[0088][0089]
l(x)＝qd+qy[0090]
其中，gi是权重系数，i＝1,2,3,4，q
ya
,q
da
,q
xa
,q
za
表示离散随机性动态规划后的油耗、电耗、行走功率、作业功率，qy(r
p
,h
p
),qd(r
p
,h
p
),q
x
(r
p
,h
p
),qz(r
p
,h
p
)表示p时刻的油耗、电耗、行走功率、作业功率，l(x)为电耗与油耗的总成本,j表示最佳燃油经济性以及最优功率分分配值。
[0091]
获取犁铧个数、犁铧宽度、土壤比阻与耕深，进而获得驱动力、牵引阻力和滚动阻力、确保拖拉机能够正常作业；考虑其附着重量、驱动装置结构以及土壤条件，基于农机作业情况为其设计作业环境，利用离散随机性动态规划对功率分配进行优化分析，并且使得行走耗能与作业耗能达到最优，使用归一算法对多目标函数进行求解，得到全局最优控制策略，在满足作业要求的同时对其经济燃油性进行改善。
[0092]
s5通过所述归一化多目标优化函数使用离散随机动态规划算法对所述混合动力拖拉机作业时的行走功率与作业功率进行分配；同时，基于所述预测速度通过所述归一化多目标优化函数使用离散随机动态规划算法对所述混合动力拖拉机的发动机与电机的转矩、转速、挡位和气门开度进行调整；
[0093]
具体的，获取拖拉机的需求功率，
[0094]
拖拉机的牵引平衡方程为：f＝fq+fz；
[0095]
其中，f表示驱动力，fq表示牵引力，fz表示滚动阻力。
[0096]
牵引力fq可以表示为：fq＝mbyδ；
[0097]
其中，m表示犁铧个数，b表示单个犁铧宽度，y表示耕地深度，δ表示土壤比阻。
[0098]
拖拉机正常工作的需求功率：
[0099]
其中，p
req
表示拖拉机正常需求功率，f表示拖拉机驱动力，vi表示当前拖拉机行驶速度，η
t
表示机械效率。
[0100]
基于实时预测行驶速度以及拖拉机的需求功率对电机的转矩、转速、挡位以及节气门开度进行调整，以获得最佳燃油经济性；
[0101]
以0.1s为时间间隔；
[0102]
决策函数h(p)＝f(te,ig)；
[0103]
其中，h(p)为决策函数，p表示p时刻，te表示发动机的扭矩，ig表示变速器的速比，te、ig为控制变量。
[0104]
将寻优过程离散成n个阶段，则状态转移函数为，
[0105]
其中，f表示为系统状态转移函数、r(0)表示soc的初始值，r(p)表示p时刻的soc状态，h(p)表示p时刻的控制量。
[0106]
限制条件为：
[0107][0108]
其中，ig代表挡位，te、tm分别代表发动机的转矩，ne、nm是发动机与电机的转速。
[0109]
综上，本发明的一种混合动力智能拖拉机功率分配控制方法，通过获取拖拉机历史的行驶速度、车轮需求转矩、加速踏板开度、制动踏板开度、挡位和整车需求功率，得到历史行走数据；基于所述历史行走数据构建灰色神经网络行驶速度预测模型对所述拖拉机当前的行驶工况进行识别以及预测，得到预测数据；基于所述预测行驶数据使用离散随机动态规划算法对拖拉机的发动机与电机的转矩、转速、挡位和气门开度进行调整；基于所得到的发动机与电机的转矩、转速、挡位和气门开度对拖拉机行走耗能与作业部分耗能进行归一化处理，达到多目标优化。解决了现有农业机械行驶与作业时无法匹配最优燃油经济性。
[0110]
以上所揭露的仅为本发明一种混合动力拖拉机功率分配控制方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。