基于遗传算法的轻度混合动力汽车动力传动系参数优化
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于遗传算法的轻度混合动力汽车动力传动系参数优化范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要：在研究某ISG型轻度混合动力汽车（Mild Hybrid Electric Vehicle，MHV）控制策略的基础上，选择对动力性和经济性有较大影响的主减速器传动比、变速器各挡传动比以及变速器换挡规律为优化参数，以加速时间和等效燃油消耗为优化目标，通过GT-SUITEMP建立整车仿真模型。采用带精英策略的快速非支配排序遗传算法（NSGA-II），基于mode FRONTIER（MF）建立了多目标优化模型。通过联合仿真分析，得到了Pareto最优解，与优化前相比，加速时间减少了3.5%，等效燃油消耗降低了9.4%。
关键词：轻度混合动力汽车（MHV）；动力传动系；遗传算法；多目标优化
中图分类号：U464.3文献标文献标识码：A文献标DOI：10.3969/j.issn.2095-1469.2013.06.07
混合动力汽车（Hybrid Electric Vehicle，HEV）配备了两套动力系统，采用电力储能-电机驱动技术与传统的内燃机驱动相结合。理论和实践证明，通过合理设计和精确控制，HEV能够在保证动力性的基础上，大幅度提高燃油经济性和降低排放。由于HEV是一个结构复杂、影响参数较多的非线性系统，对所有参数进行优化并不现实。汽车动力传动系参数，对汽车的动力性和燃油经济性有较大的影响[1]。本文选择MHV的动力传动系参数作为优化对象。
随着计算机辅助技术的发展，越来越多地应用计算机建模仿真辅助进行汽车传动系统的设计。国内外学者就传动系参数匹配优化提出了许多有效方法。目前，研究HEV的动力传动系参数优化的方法主要有智能优化方法和多目标优化方法等。汽车的动力性和经济性是互相牵制的，所以动力传动系参数的优化是一个多目标优化问题。由于目标之间的无法比较和矛盾现象，导致不一定存在所有的目标上都有最优的解。因此，多目标优化问题通常存在一个解的集合，它们之间不能简单地进行优劣比较[2]。对于这种解来说，要同时使多个子目标一起达到最优值是不可能的，使各个子目标都尽可能地达到最优，这种解被称作非支配解或Pareto最优解。
传统的多目标优化方法都是通过某种数学变换将多目标优化转化为单目标优化问题进行求解，属于先决策后搜索的寻优模式，其结果受人为因素影响较大，且可比性差。本文选择的遗传算法具有随机性大规模并行搜索特性，利用遗传算法求出多目标优化问题的Pareto解集，通过决策获得最优解，实现先寻优后决策的多目标优化问题求解模式。
文献[3]采用遗传算法对HEV的控制策略参数进行优化，取得了理想的优化效果。文献[4]将模拟退火原则引入遗传算法，对HEV的控制参数进行优化设计。
本文利用GT-SUITEMP建立MHV整车仿真模型。以加速时间和等效燃油消耗量为优化目标，运用mode FRONTIER（MF）软件的遗传算法优化功能和GT-SUITEMP联合仿真，对MHV动力传动系参数进行多目标优化。这种优化方法为今后的MHV传动系参数设计和匹配优化提供了参考。
1 MHV动力系统设计与建模
1.1 MHV动力系统结构设计
HEV根据组成部件、控制策略以及布置方式的不同，形成了各种不同的结构形式。通常可以分为串联、并联和混联等形式。这些结构的全混合动力汽车，通过发动机运行的优化，以及采取有效的再生制动，能显著降低油耗。但是高功率的电动机需要配置重型的能量储存装置，增加能量损耗。而且从传统驱动系统变为全混合动力的驱动系统，需要投入大量的时间和资金[5]。
轻度混合动力驱动系统易于由传统动力系统转化。在发动机后端安装一个小功率一体化启动机/发电机（Integrated Starter/ Generator，ISG）作为汽车的辅助动力源。ISG能够在高功率需求时，向驱动系统提供辅助功率，并能够将部分制动能量回收，转化为电能。
轻度混合动力系统如图1所示。ISG安装在发动机和电控机械式自动变速器之间。在单电动机牵引模式、再生制动模式和变速器换挡期间，离合器断开，使发动机与变速器分离。由于电动机能方便地控制其转速和转矩，电动机与变速器之间不需要离合器来分离。发动机、ISG以及其它各个部件的运行，通过驱动系统控制器，电动机控制器和相应的部件控制器予以控制。
1.2 MHV的控制策略和运行模式
MHV的控制策略通常是根据加速踏板位置、制动踏板位置、电池的SOC、发动机转速以及车速信号，按照一定的规则控制摩擦制动器的制动力矩，以及发动机和ISG输出相应的功率（或转矩），以满足相应行驶状况的要求。
在实际运行中，根据汽车行驶状况的功率需求、汽车速度和蓄电池的SOC，MHV的驱动系有以下几种运行模式。
（1）单ISG牵引模式：ISG作为电动机单独驱动汽车，该模式中，发动机关闭，离合器断开。如遇红灯时，ISG可以作为电动机在短时间内完成起步任务。这一模式也可以适用于车速很低的场合。
（2）单发动机牵引模式：发动机单独驱动汽车，该模式中，ISG是去激励的。当蓄电池SOC处于高电平区域，且发动机能够单独满足功率需求的场合适用于该模式。
（3）混合牵引模式：ISG和发动机同时提供牵引功率。ISG作为电动机运行以提供峰值功率。这一模式适用于发动机不能满足功率需求的加速、爬坡等大负荷场合。
（4）电池组充电模式：ISG作为发电机运行，发动机的富裕功率向蓄电池充电。这一模式适用于当蓄电池SOC处于低电平区域，且汽车行驶状况处于中、低功率需求的场合。
（5）制动模式：ISG作为发电机运行，对驱动系统产生一个制动力矩，将汽车的部分动能转化为电能，并存储于蓄电池。该模式中，离合器断开，发动机关闭，再生制动和摩擦制动器共同提供汽车所需的制动功率需求。为保证汽车的制动效能，在紧急制动时，仅由摩擦制动器来提供制动功率。
1.3 基于GT-SUITEMP的MHV模型
根据MHV的结构特点，基于GT-SUITEMP下建立整车仿真模型。本研究中，针对不同的分析任务，分别建立了静力学模型、动力学模型和运动学模型。
其中运动学模型如图2所示。该模型包括发动机模块、离合器模块、ISG模块、蓄电池模块、变速器模块、车身模块、驾驶员模块和各控制模块。各个模块之间通过机械连接和信号连接相互传递数据。
汽车整备质量为1 375 kg，迎风面积为2.28 m2，空气阻力系数为0.32。发动机额定功率为65.8 kW，ISG额定功率为7 kW。
本仿真模型中选用新欧洲驾驶循环（New European Driving Cycle，NEDC）工况对该MHV的经济性能进行计算。该循环工况由4次重复的市区运转循环工况和1次市郊循环工况构成，行驶时间1 180 s，行驶里程为11.007 km。NEDC循环工况能够较好地体现汽车的常用工况。为实现预定的行驶工况，仿真模型中加入了循环工况控制模块，采用PID控制，保证汽车达到预期的行驶速度。
2.1 优化参数
HEV设计参数众多，对所有参数都进行优化，将会比较困难。选择对整车性能有重大影响的参数进行优化，能达到事半功倍的效果。主减速器和变速器的传动比均对整车的动力性和经济性有较大影响。自动变速器的换挡控制策略对整车性能，尤其是燃油经济性有较大影响[6]。
因此本文确定传动系优化参数为
。
式中，i0为主减速器传动比；ig1、ig2、ig3、ig4和ig5分别为自动变速器1、2、3、4挡和5挡传动比；Su为自动变速器升挡时发动机转速；Sd为自动变速器降挡时的发动机转速。
选取的动力传动系优化参数的上下界限及其步长见表1。
2.2 优化目标
HEV动力传动系统的参数优化的目标就是在满足汽车其它各项性能的基础上，尽可能使HEV的动力性和经济性有比较大的改善。本文选择以0-100 km/h加速时间作为汽车动力性优化目标，以基于NEDC综合循环工况的等效百公里燃油消耗量为汽车燃油经济性目标，进行多目标优化。
加速时间的数学表达式为
。
式中，Time（X）为原地起步连续换挡加速到100 km/h的加速时间；T0为原地起步时间；uamin为起步过程结束时汽车的最低车速；Ft、 Ff 和Fw分别为驱动力、滚动阻力和空气阻力；δ为汽车旋转质量换算系数；G为整车重力；ua为汽车速度。
循环工况的等效百公里燃油消耗量为
。
式中，Fuel（X）为等效燃油消耗量；ΣQ为由等速、等加速、等减速和怠速停车等行驶工况组成的NEDC循环工况的油耗量之和；s为整个循环的行驶距离。
综上所述，优化目标函数可以用如下公式表示。
。
2.3 优化约束
（1）在水平良好的路面上MHV能达到的最高车速大于160 km/h的要求。
（2）要适应汽车在各种地区的各种道路上行驶的要求，必须满足最大爬坡度大于30%的要求。
（3）变速器的各挡利用率差别很大，汽车行驶时主要用较高挡位，所以使较高挡位相邻两挡之间的传动比的间隔小一些，这样能提高较高挡位的利用率。各挡传动比应满足下面的关系分布。
。
3 基于GA的传动系统参数优化设计实现
3.1 多目标遗传算法的选择
遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法，在求解复杂优化问题方面拥有巨大的潜力，已经广泛应用于各个领域。在解决多目标优化问题方面，遗传算法是寻找Pareto最优解集的一个有效手段。
基于GA的多目标优化算法有很多类型，如第1代非支配排序遗传算法（Non-dominated Sorting Generic Algorithm，NSGA）和多目标遗传算法（Multi-Objective Generic Algorithm，MOGA）等。NSGA可以得到均匀分布的Pareto最优解，但是其计算复杂度偏高，缺乏精英策略且需要人为指定共享参数。MOGA的运算速度快，但是Pareto最优解的分布不理想。基于上述方法的这些缺陷，由Kalyanmoy Ded、Amrit Pratap等人于2000年在NSGA的基础上提出的带精英策略的快速非支配排序遗传算法[7]（Fast and Elitist Non-Dominated Sorting Generic Algorithm，NSGA-II）在解决多目标优化问题方面有很强的优越性。NSGA-II算法计算流程如图3所示。图中Gen为计算过程中的进化代数，G为算法设定需要的进化代数。
NSGA-II算法使用快速非支配排序算法，降低了计算的复杂性；引进了精英策略，可以有效防止某些比较优良的种群在进化过程中被丢失；采用拥挤距离计算和拥挤距离排序的方法，选择接近Pareto前沿的个体，增强了Pareto前沿的前进能力，同时使优良个体种群能够均匀地遍布整个Pareto区域，能够保证解集的多样性。
本文选择NSGA-II算法作为多目标优化算法，利用MF软件建立NSGA-II多目标优化模型。
3.2 基于MF的优化模型
MF是一款通用多目标优化设计平台，可以轻松实现集成CAE和设计过程自动化、得到折中优化解功能。一旦模型建立，可以对数以百计，甚至数千计的设计方案进行自动评估。能够自动完成“计算―评估―参数修改―再计算”的反复迭代过程。
按照本文的计算要求，通过MF的DOE功能，生成36个原始种群，使用NSGA-II为优化算法，设定进化代数为30代，基于MF的多目标优化模型如图4所示。
MF首先由DOE生成优化参数的原始种群，通过调用GT-SUITEMP的模型修改输入参数，并且进行所定制的动力性和经济性的计算。根据NSGA-II算法的基本思想，在目标空间中对群体进行快速非支配排序，通过选择、交叉和变异生成第1代子代种群。将父代种群和子代种群合并，根据优化目标，按照Pareto最优关系将群体中的个体进行比较，选择排名靠前的个体组成新的父代种群。反复调用GT-SUITEMP运算，以此类推，直至达到规定的进化代数。
3.3 基于NSGA-II算法的优化结果
利用NSGA-II算法，通过MF和GT-SUITEMP的联合仿真，一共得到个体1 080个，其中违反约束条件的个体有262个，可行解一共有818个。以等效燃油消耗量为横轴，0-100 km/h加速时间为纵轴，生成可行解的离散点图，如图5所示。随着计算过程的推进，Pareto最优解逐步向前进化，其中绿色标记的散点为最终的Pareto最优解。
在综合考虑汽车动力性和经济性的基础上，从最终的Pareto最优解中，选出3个较优的方案（933号方案、994号方案和1030号方案），优化后参数与优化前参数对比情况见表2。
优化前后目标函数值的柱形图，如图6所示。优化前，原始方案汽车的0-100 km/h加速时间为11.55 s，等效燃油消耗量为7.56 L/100 km。933号方案汽车的0-100 km/h加速时间为11.62 s，等效燃油消耗量为6.48 L/100 km。994号方案汽车的0-100 km/h加速时间为11.15 s，等效燃油消耗量为6.85 L/100 km。1030号方案汽车的0-100 km/h加速时间为10.81 s，等效燃油消耗量为7.49 L/100 km。
将所选择方案的整车动力性和经济性指标与原始设计方案对比，933号方案动力性降低0.6%，经济性提高14.3%；994号方案动力性提高9.4%，经济性提高3.5%；1030号方案动力性提高0.93%，经济性提高6.4%。综合考虑动力性和经济性，选取994号方案为最终方案。
4 结论
（1）在研究ISG型MHV控制策略的基础之上，应用GT-SUITEMP软件，建立了整车动力性和经济性仿真模型，为建立多目标优化模型奠定了基础。
（2）选择在多目标优化领域有很大优势的NSGA-II算法为优化算法，基于MF建立了动力性经济性模型，通过联合仿真，得到的最终优化方案与原始设计方案对比，动力性提高了3.5%，经济性提高了9.4%，取得了令人满意的优化效果。
（3）本文论证了NSGA-II算法在混合动力汽车动力传动系参数优化方面的可行性及优越性，这种参数优化方法为新车型开发阶段的众多参数的多目标优化提供一种新的选择。