使用基于深度学习的MRAC评估汽车的燃油经济性

科学领域:

• 汽车工程 汽车工程
• 控制系统 控制系统
• 可再生能源系统可再生能源系统

背景情况:

• 由于涉及燃料电池和电池的混合动力系统,车需要复杂的电机控制.
• 传统的控制方法可能无法完全优化这些复杂的混合动力发动机的性能.
• 深度学习为先进的控制策略开发提供了机会.

研究的目的:

• 评估和比较气汽车的三种动力控制策略的性能:PI控制,模型参考适应控制 (MRAC) 和基于深度学习的MRAC (DL-MRAC).
• 评估这些控制策略对燃油经济的影响,考虑到电池的充电状态.
• 确定最有效的控制策略,以优化汽车电机的性能.

主要方法:

• 开发了一个全面的汽车系统模型,集成燃料电池系统,电池,直流-直流转换器,3相逆变器和电机.
• 分析了MRAC和DL-MRAC的性能,使用车辆速度参考的步进输入.
• 在各种系统干扰下评估PI控制,MRAC和DL-MRAC.

主要成果:

• 基于深度学习的MRAC (DL-MRAC) 与PI控制和标准MRAC相比,显示出优越的燃油经济性质.
• 性能差异在参考跟踪和干扰排斥场景下进行了评估.
• 虽然DL-MRAC目前的燃油经济优势是微不足道的,但随着进一步的模型培训,预计它将增加.

结论:

• DL-MRAC是一个有前途的控制策略,用于提高混合动力车的燃油经济性.
• 深度学习的高级优化能力非常适合复杂的混合动力汽车动力系统.
• 建议对DL-MRAC算法进行持续开发和培训,以最大限度地提高效率.