張允侯麗華畢銘軒梁春輝

（1.長春工程學院；2.吉林大學 汽車仿真與控制國家重點實驗室；3.吉林省地方水電局）

基于混沌神經網絡的混合動力汽車狀態(tài)切換協(xié)調控制策略研究＊

張允1,2侯麗華1畢銘軒3梁春輝1

（1.長春工程學院；2.吉林大學 汽車仿真與控制國家重點實驗室；3.吉林省地方水電局）

針對并聯混合動力汽車在發(fā)動機和電動機工作狀態(tài)切換過程中非線性動力耦合系統(tǒng)工作狀態(tài)所具有的混沌特征，提出了基于混沌神經網絡的混合動力汽車狀態(tài)切換協(xié)調控制策略。建立了協(xié)調控制總體模型構架，設計了混沌神經網絡工作狀態(tài)識別器，并通過試驗對該識別器的準確性進行了驗證。在此基礎上搭建了協(xié)調控制系統(tǒng)整車控制模型，針對協(xié)調控制策略進行了仿真試驗。結果表明，采用該控制策略能夠有效提高整車動力性、燃油經濟性與SOC平衡性，實現了對狀態(tài)切換過程的協(xié)調控制。

1 前言

并聯混合動力汽車在發(fā)動機和電動機工作過程中，需要根據路況進行能量分配和工作狀態(tài)的切換[1]。在狀態(tài)切換過程中，由于并聯混合動力汽車多動力源之間存在復雜的耦合模式，且動力耦合系統(tǒng)狀態(tài)具有混沌的特征，傳統(tǒng)的控制方法難以實現對此類具有高度復雜性、非線性的動力耦合系統(tǒng)的控制。而基于混沌神經網絡理論的優(yōu)化是一種新型的直接搜索優(yōu)化算法，它即繼承了人工神經網絡學習、并行處理和聯想的特點，又能夠直接采用混沌變量在允許空間進行搜索，搜索過程按混沌運動自身規(guī)律進行，更容易跳出局部最優(yōu)解，其不僅搜索效率高[2,3]，且對于變量較多、約束復雜的優(yōu)化問題算法簡單、實現方便，可以充分利用對問題的某些先驗知識，具有較強的適應性。因而，本文將混沌神經網絡理論應用于混合動力汽車的狀態(tài)切換協(xié)調控制中，以期在保證SOC值在規(guī)定范圍內變化的同時，有效地提高整車動力性與經濟性，從而實現對狀態(tài)切換過程的協(xié)調控制，達到節(jié)能、環(huán)保與安全的目的。

2 混合動力汽車運行狀態(tài)分析

混合動力汽車的實際運行工況主要包括起步、加速、減速、巡航、上坡、下坡、制動、停車、倒車等[4]。與傳統(tǒng)內燃機汽車不同，混合動力汽車包括發(fā)動機和電機兩套動力源，且兩套動力系統(tǒng)分別具有不同的高效工作區(qū)。為了充分發(fā)揮并聯式混合動力汽車的優(yōu)勢，其在不同的運行工況下應具有多種不同的工作狀態(tài)，在此基礎上進行轉矩的合理分配及車輛的協(xié)調控制，以充分提高車輛整體性能。根據不同的工況要求和能量分配方案，可將混合動力汽車分為純電動狀態(tài)（AB段）、純發(fā)動機狀態(tài)（BC段）、混合驅動狀態(tài)（DE段）、行車充電狀態(tài)（CD段）、再生制動能量回饋狀態(tài)（EF段）和怠速/停車狀態(tài)（OA段）等6種基本工作狀態(tài)[5,6]，如圖1所示。

3 混合動力汽車協(xié)調控制策略總體模型構架

如何根據工況變化實現運行狀態(tài)的切換、保證電池SOC平衡性且同時提高整車動力需求及降低燃油消耗是混合動力汽車協(xié)調控制策略的控制目標。圖2為混合動力汽車協(xié)調控制策略總體構架，主要包括控制信號輸入和輸出模塊、工作狀態(tài)判別模塊與混合動力汽車協(xié)調控制模塊。

輸入模塊和輸出模塊為控制策略的輸入信號和輸出信號部分，在實車中輸入信號由傳感器或執(zhí)行部件通過CAN總線提供給整車控制器（HCU），輸出信號經HCU中的控制策略計算得到，由CAN總線傳遞到各執(zhí)行部件控制器；工作狀態(tài)判別模塊主要根據駕駛員加速踏板開度、制動踏板開度、擋位、車速等實時判斷車輛工作狀態(tài)；協(xié)調控制模塊主要依據車輛工作狀態(tài)判別結果對混合動力汽車進行協(xié)調控制。

4 混沌神經網絡工作狀態(tài)識別器

4.1 工作狀態(tài)識別原理

要對混合動力汽車進行協(xié)調控制，首先應實時預測識別出車輛當前的工作狀態(tài)，在此基礎上，針對具體工作狀態(tài)調整控制參數，進而實現協(xié)調控制的功能。

本文將混沌優(yōu)化算法（Chaotic Optimization algo?rithm）同BP神經網絡（Back Propagation Neural Network，BPNN）相結合,采用混沌優(yōu)化BP神經網絡（COBPNN）建立工作狀態(tài)識別與預測模型，在采集的實測工作狀態(tài)數據基礎上，依據工況特征對各工作狀態(tài)進行識別，并將識別出的工作狀態(tài)作為混沌神經網絡的訓練樣本對網絡進行訓練，構建混沌神經網絡工作狀態(tài)識別器，然后對未知的工作狀態(tài)進行在線識別與預測。與傳統(tǒng)BPNN相比，該COBPNN充分利用混沌優(yōu)化算法優(yōu)化神經網絡的權值和閾值，提高了網絡訓練的速度和精度，進而提高了模式識別結果的準確性。圖3為工作狀態(tài)識別原理圖。

工作狀態(tài)識別步驟如下。

a.選擇工作狀態(tài)特征參數。由于反映工作狀態(tài)的特征參數很多，因而會使工作狀態(tài)的識別變得復雜。為此選取最大車速Vm、平均車速V、平均加速度Va、平均減速度Vd、最大需求功率Pm-req、平均功率P作為工作狀態(tài)識別的6個特征參數。

b.構建工作狀態(tài)參數評分器。該評分器的功能是計算待識別工作狀態(tài)的歸屬分值，歸屬分值計算式為：

式中，qi為某工作狀態(tài)歸屬于第i種典型工作狀態(tài)的得分，i=1，2，…，6；ki為歸屬權重，用來調整不同特征參數對評分影響的比例；fi(·)為歸屬分值計算函數。

c.將待識別運行工況依據時間順序進行分段，分別計算各工作狀態(tài)的6個特征參數，并帶入特征參數評分器，進一步求得各工作狀態(tài)歸屬值，按照最大歸屬值原則最終確定該運行工況屬于哪種典型工作狀態(tài)，并對其進行標記。標記值1對應“怠速/停車狀態(tài)”，2對應“純電動狀態(tài)”，3對應“純發(fā)動機狀態(tài)”，4對應“行車充電狀態(tài)”，5對應“混合驅動狀態(tài)”，6對應“減速/制動能量回饋狀態(tài)”。

d.選取50組實測工況，采用工作狀態(tài)識別器進行識別，并將已識別工作狀態(tài)作為訓練樣本，利用神經網絡進行訓練，構建出符合6種工作狀態(tài)的神經網絡識別器，用于新工況下工作狀態(tài)的識別與預測。

4.2 識別器結構

將6種工作狀態(tài)下的特征參數作為COBPNN預先指定工作狀態(tài)的訓練樣本，給定初始權值與學習率，構建COBPNN工作狀態(tài)識別器，對未知工作狀態(tài)進行在線識別。該COBPNN與BP網絡同屬前向型網絡，但訓練算法與BP算法不同，它是以混沌優(yōu)化方法為網絡訓練時的權值、閾值修改算法，而混沌優(yōu)化的自身遍歷特性有效避免了BP算法存在的初值敏感性、收斂速度慢及局部極小等問題[7,8]。COBPNN工作狀態(tài)識別器如圖4所示。

圖4中，網絡的第1層為輸入層，輸入向量X=[x1,x2,…,x6]，輸入層的6個輸入節(jié)點分別對應行駛工況的6個特征參數。第2層為隱含層，隱含層節(jié)點個數為l，其激活函數為sigmoid函數，該層任一節(jié)點j輸出為：

式中，xp為輸入向量；νpj為輸入層與隱含層之間連接權值；θνj為隱含層閾值。

第3層為輸出層，輸出層有6個神經元，分別對應（0001,0010,0011,0100，0101,0110）6種工作狀態(tài)，其第i個節(jié)點輸出為：

式中，wji為隱含層與輸出層之間連接權值；θwi為輸出層閾值。

4.3 選擇混沌變量尋優(yōu)

目前，混沌優(yōu)化搜索的主要手段是載波，采用適當的載波方式可使混沌變量充分遍歷以求得最優(yōu)解。本文先用混沌優(yōu)化算法對BP神經網絡的初始權值進行一次載波，再將載波后的權值帶入BP算法快速收斂到局部最優(yōu)，然后再利用混沌優(yōu)化算法對局部最優(yōu)進行二次載波，即對其進行一次小擾動，從而跳出局部最優(yōu)解，最終收斂到全局最優(yōu)。這種方法既提高了尋找全局最優(yōu)的速度，也提高了算法的收斂精度，在很大程度上克服了BP算法的缺陷，實現了優(yōu)勢互補。

設網絡的權值與閾值矩陣分別為V、W、θν、θw，對應的載波矩陣為RV、RW、Rθν、Rθw，下面將說明如何通過載波混沌矩陣xn得到網絡的權值和閾值的載波矩陣。

a.網絡初始化。在[0,1]區(qū)間取具有微小差異的隨機數，并按公式得到一系列的混沌變量,形成初始混沌序列。其中，xn∈[0,1]，n為迭代次數，λ為控制參數，初始混沌序列記為

b.給出訓練樣本。提供學習樣本，分別給出訓練樣本集每個模式對的輸入向量和希望輸出向量

c.粗搜索階段。用一次載波方程（4）將混沌變量映射到[-1,+1]區(qū)間上：

式中，α1∈[0,1]為絕對誤差調解指數；α2∈[0,1]為相對誤差調解指數，且

在訓練初期主要通過絕對誤差調整權值，在訓練后期主要通過相對誤差進行權值的修正。

在粗搜索階段，為獲得良好的遍歷性，近而得到較滿意的解，需將設置的迭代次數M取為M≥200，同時設置計算精度ε，不斷地進行優(yōu)化學習，當滿足學習代數n=M，或經過若干次迭代搜索后計算精度E仍保持不變時，轉至細搜索階段，否則繼續(xù)迭代搜索。

d.細搜索階段。當經過若干次迭代搜索E仍保持不變時，需按式（6）進行二次載波，生成新的權值、閾值向量。

式中，δ為可調節(jié)參數；xnew*為當前最優(yōu)解。

重新計算當前E值，若E＜E*，則更新最優(yōu)值，即

設置新的迭代次數N（N≥M），重復優(yōu)化學習過程，當滿足學習代數n=N，或計算精度E＜ε時，輸出最終的最優(yōu)解，否則繼續(xù)迭代搜索。

COBPNN訓練流程如圖5所示。

4.4 COBPNN工作狀態(tài)預測模型實時預測結果及分析

為驗證COBPNN優(yōu)化模型的泛化能力與預測能力，首先選取50組標準工作狀態(tài)樣本進行學習，建立工作狀態(tài)識別器模型，再隨機選取另外50組樣本代入模型進行測試。表1為部分學習樣本的輸入與期望輸出的工作狀態(tài)識別結果。表2為部分測試樣本的輸入與對應的期望輸出、BPNN實際輸出和優(yōu)化后的COBPNN實際輸出的工作狀態(tài)識別結果。通過對測試樣本的實際輸出與期望輸出的比較可知，所建立的COBPNN工作狀態(tài)識別器模型的泛化和預測能力較強，工作狀態(tài)識別效果較好。

表1 工作模式識別器部分學習樣本及期望輸出數據

表2 工作模式識別器部分檢測樣本及實際輸出與期望輸出數據

針對我國城市交通日益龐大的車流量及在上下班高峰時期交通特點，選取對于城市循環(huán)工況具有一定代表性的美國城市循環(huán)工況（UDDS）作為測試工況，利用統(tǒng)計學原理對采集的工況數據進行分析處理，獲得了連續(xù)兩次從加速到制動循環(huán)測試工況下發(fā)動機轉速、電動機轉速和車速的實時變化軌跡，如圖6所示。

由圖6a可看出，在5～105 s和132～155 s兩段區(qū)間內加速踏板有效；在105～120 s和155～165 s兩段區(qū)間內制動踏板有效。在0～10 s區(qū)間內，混合動力汽車處于從停車到起步階段，此時電機單獨工作，驅動車輛起步；在第10 s時發(fā)動機起動，發(fā)動機轉速由0開始逐步上升；在第18 s和第28 s時分別經歷了兩次升擋，進而發(fā)動機轉速下降；在第42～50 s區(qū)間內，電動機轉矩為0，此時發(fā)動機單獨驅動；在50～100 s之間，發(fā)動機與電機同時工作，發(fā)動機轉速與電機轉速穩(wěn)步上升，此時系統(tǒng)處于功率輔助狀態(tài)；在105～120 s之間制動踏板有效，整車進入制動能量回饋狀態(tài)，發(fā)動機轉速與電機轉速逐步下降至0，系統(tǒng)停車。同理，在第2個運行周期內，當加速踏板有效時系統(tǒng)運行狀態(tài)依次從純電動驅動狀態(tài)經歷發(fā)動機起動狀態(tài)切換至發(fā)動機驅動狀態(tài)，繼而進入功率輔助狀態(tài)；當制動踏板有效后，系統(tǒng)運行狀態(tài)經歷發(fā)動機停機狀態(tài)和能量回饋狀態(tài)直至最終的滑行停機狀態(tài)。由圖6b的對比結果可看出，該COBPNN模型能夠對工作模式進行準確預測。

5 混沌神經網絡工作狀態(tài)協(xié)調控制策略研究

5.1 協(xié)調控制系統(tǒng)整車模型的建立

基于混沌神經網絡工作狀態(tài)識別模型建立混合動力汽車協(xié)調控制動力優(yōu)化系統(tǒng)整車控制模型，如圖7所示。

圖7中，工作狀態(tài)數據處理模塊的功能是對仿真工況數據進行預處理，如異常點去除、去毛刺等，然后對工作狀態(tài)數據進行預緩沖，針對實測工作狀態(tài)設定采樣時間段，計算該采樣時間段內工作狀態(tài)的特征參數值，并與該時間段內的工作狀態(tài)數據共同輸出給COBPNN工作狀態(tài)識別模塊。COBPNN工作狀態(tài)識別模塊依據工作狀態(tài)的特征參數數據，以采樣時間段為區(qū)間對接下來的工作狀態(tài)進行連續(xù)預測識別，實時判斷有無工作狀態(tài)切換發(fā)生。協(xié)調控制模塊首先判斷狀態(tài)切換過程是否需要動態(tài)協(xié)調控制，若需要則結合協(xié)調控制策略計算發(fā)動機油門開度、電機輸出轉矩等控制信號給整車動力學模型，完成車輛的動態(tài)仿真，將狀態(tài)變量輸送回所需模塊，完成閉環(huán)仿真。

5.2 協(xié)調控制算法研究

首先根據采集到的電動機、發(fā)電機、電池特征參數的運行數據進行初始狀態(tài)識別并判斷混合動力汽車是否滿足狀態(tài)切換的條件，如果不滿足則直接根據當前混合動力汽車運行狀態(tài)確定發(fā)動機和電動機的目標轉矩；如果滿足則進一步判斷該狀態(tài)切換過程是否需要進行協(xié)調控制。若需要協(xié)調控制，則向動態(tài)協(xié)調控制算法發(fā)出狀態(tài)切換協(xié)調控制請求，進入協(xié)調控制子程序，實時預測識別出所切換至的狀態(tài)，并確定發(fā)動機和電動機的目標轉矩；否則不進行動態(tài)協(xié)調控制。工作狀態(tài)協(xié)調控制算法流程如圖8所示。

5.3 混沌神經網絡協(xié)調控制前、后試驗結果對比

利用所建立的基于混沌神經網絡工作狀態(tài)識別器的HEV整車控制模型對所研究的協(xié)調控制算法進行測試和驗證。

5.3.1 協(xié)調控制前、后整車動力性試驗結果對比

當混合動力汽車的工作狀態(tài)發(fā)生改變時，發(fā)動機和電機的工作狀態(tài)也隨之改變。但發(fā)動機的動態(tài)響應慢，造成其轉矩輸出不能實時跟蹤工況轉矩需求，為此需利用電動機良好的轉矩動態(tài)響應特性，通過其對發(fā)動機的轉矩輸出誤差進行轉矩實時動態(tài)修正，從而將駕駛員需求轉矩在發(fā)動機與電動機之間進行合理分配，以保證工作模式切換過程中動力傳遞的平順性。圖9與圖10分別為協(xié)調控制前、后需求轉矩分配結果。

可以看出，與協(xié)調控制前相比，協(xié)調控制后發(fā)動機的輸出轉矩變化減小，而電動機輸出轉矩變化相對加大，即系統(tǒng)借助于電動機的快速響應特性補償了發(fā)動機轉矩輸出時間常數大、響應速度慢的缺陷。由圖10可看出，當車速較低時（位置1），發(fā)動機關閉，輸出轉矩為0，整車由電動機單獨驅動；當車速較高、轉矩需求較高時（位置2），電動機轉矩接近0，整車主要由發(fā)動機驅動；當轉矩需求較低時（位置3），發(fā)動機轉矩接近0，整車主要由電動機單獨驅動；當變速器換擋時（位置4），發(fā)動機轉矩發(fā)生突變；當轉矩需求為負時（位置5），發(fā)動機關閉，系統(tǒng)由電動機回收制動能量。通過對仿真結果的分析可知，由電動機轉矩進行補償以調節(jié)發(fā)動機轉矩的控制方法合理有效，保證了工況轉換過程中整車的平順性。

為進一步考察汽車在連續(xù)換擋過程中加入協(xié)調控制策略后對整車動力性的影響，采用連續(xù)換擋（從1擋→空擋→2擋→空擋→3擋→空擋→2擋→空擋→1擋）的方式進行試驗，且升擋時空擋時間相對較長，降擋時空擋時間相對較短。圖11為汽車由驅動模式到制動模式不斷切換時，加入協(xié)調控制策略前、后各轉矩變化曲線。

由圖11可看出，協(xié)調控制前，無論空擋還是在擋，電動機轉矩均未對發(fā)動機轉矩進行補償，從而導致了總驅動轉矩與需求驅動轉矩之間始終存在較大差異；加入協(xié)調控制后，雖然升擋時由于換擋時間長引起動力中斷造成實際總驅動轉矩與需求轉矩之間差異較大，但當汽車在擋時由于加入了協(xié)調控制策略，使得電動機轉矩補償了發(fā)動機轉矩與需求驅動轉矩之間的差值，進而使總驅動轉矩能夠更好地跟隨需求驅動轉矩，總驅動轉矩與需求驅動轉矩曲線的吻合度明顯提高，整車動力性得到改善。

5.3.2 協(xié)調控制前、后發(fā)動機工作點分布對比

圖12為協(xié)調控制前、后發(fā)動機工作點分布對比結果，圖13為協(xié)調控制前、后發(fā)動機效率對比結果?？梢钥闯?，協(xié)調控制后發(fā)動機工作點向高效區(qū)移動，發(fā)動機效率得到了有效提升。

為驗證混合動力汽車協(xié)調控制前、后的燃油經濟性，在輕載順暢、中載略堵、重載擁堵3種典型工況下進行了試驗測試，所測得的各典型工況下協(xié)調控制前、后油耗對比結果見表3。可知協(xié)調控制后整車燃油經濟性得到有效改善。

表3 各種典型工況下油耗數據 L/100 km

5.3.3 協(xié)調控制前、后電池SOC值對比

本文將SOC實測值與平衡值之差的均值ΔSOCm作為衡量SOC值變化的標準，ΔSOCm越小說明SOC值波動越小，平衡性越好。試驗中設定SOC平衡值為0.6，要求SOC值在一個工作循環(huán)內能夠重新平衡在設定值附近，且ΔSOCm的變化范圍不超過5%。圖14為協(xié)調控制前、后SOC值對比結果。從仿真結果可看出，經協(xié)調控制后SOC從平衡值到設定值所需時間明顯縮短，且ΔSOCm從協(xié)調控制前的6%降至目前的3%，在允許的范圍內?？梢娊泤f(xié)調控制后，電池SOC值被更快速地維持在一個合理的范圍內，動力電池亦具有較高的充放電效率，有利于延長電池壽命。

1 李孟海.基于模型匹配控制的PHEV動態(tài)協(xié)調控制方法.汽車工程，2007,29(3)：203～219..

2 SunMing,XuYaoqun,DaiXuefeng,et al.Noise-Tuning-Based Hysteretic Noisy Chaotic Neural Network for Broadcast Scheduling Problem in Wireless Multihop Networks，IEEE Transactions on Neural Network and Learning Systems，23 (12),2012，pp:1905～1918.

3 Xu Yaoqun,He Shaoping.Fourier chaotic neural network with application in optimization.IEEE International Confer?ence on CCC,Kunming，2008,729～733.

4 何成立.并聯式混合動力公交車及其冷卻系統(tǒng)性能仿真研究：[學位論文].濟南：山東大學，2012.

5 王保華.混合動力城市客車控制策略與試驗研究：[學位論文].上海：上海交通大學，2008.

6 殷承良,浦金歡,張建武.并聯混合動力汽車的模糊轉矩控制策略.上海交通大學學報,2006,40(1):157～162.

7 Ning,Bo，Wu,Jiutao,Peng,Hui,Zhao,Jianye.Using chaotic neural network to forecast stock index.IEEE International Conference on neural network Wuhan,2009,870～876.

8 Zhao,Yu-Hong,Xiao,Jin-Feng.Application of chaotic neural network in power system load forecasting.IEEE Internation? al Conference on Mechatronic Science,Electric Engineering and Computer，Jilin，2011，1629-1632.

（責任編輯文 楫）

修改稿收到日期為2015年2月1日。

表3 CFD結果

4 集成式SCR系統(tǒng)臺架結晶試驗

通過仿真驗證M1符合設計目標，樣件制作完成后在濰柴動力有限公司技術中心的發(fā)動機臺架上進行試驗驗證。

為了驗證結晶情況，分成兩部分進行40 h的結晶試驗：第1部分為10 h內60個ESC循環(huán)，第2部分為30 h內60個ETC循環(huán)。試驗結束后，SCR箱體內未發(fā)現明顯的結晶現象，如圖13所示。

排放試驗結果如表4所列。

表4 排放試驗結果

從表4中可以看出，ETC、ESC試驗時NOx排放量小于3.5 g/（kW·h），ETC下NH3泄漏量為15×10-6，小于25×10-6，說明這種集成式結構能滿足國IV排放標準。

5 結束語

a.首先采用CFD仿真確認具體結構，并通過樣件試驗相結合的方式進行新型結構的設計開發(fā)，最終證明該方案可行。

b.雙層套管式進口設計雖然使得進口段的壓降比較大，基本上占到系統(tǒng)壓降的1/2，但是其有助于增加運動路徑，增強液滴粒子的蒸發(fā)效果，并減少結晶風險。

c.通過結晶試驗和排放試驗驗證了新結構的可行性，整個系統(tǒng)滿足國IV標準。

d.該集成式SCR系統(tǒng)的設計相比分體式結構更能滿足安裝空間的要求，降低結晶風險，減少維修費用，提高轉化效率，并且能達到車廠各項技術要求。

參考文獻

1 李鵬.滿足國V排放的重型柴油機排放后處理技術.車用發(fā)動機，2010（8）：1～5.

2 ANSYS Inc.Fluent 6.3 User’s Guide.2006.

3 Birkhold F,Meingast U,Wassermann P,etal.Modeling and simulation of the injection of urea-water-solution for auto?motive SCR DeNOx-systems.Appl Catal B Environ，2007, 70:119～127.

4 董星濤.基于Fluent低壓旋流噴嘴下游流場數值模擬及分析.輕工機械，2012（10）：25～28.

5 Zheng G,Sampath M,Alcini W,etal.Design Improvements of Urea SCR Mixing for Medium-Duty Trucks.SAE Techni?cal paper,2013-01-1074.

（責任編輯晨 曦）

修改稿收到日期為2015年5月1日。

Research on Hybrid Electric Vehicle State Switch Coordinated Control Strategy Based on Chaotic Neural Network

Zhang Yun1,2,Hou Lihua1,Bi Mingxuan3,Liang Chunhui1
（1.Changchun Institute of Technology;2.State Key Laboratory of Automobile Simulation&Control,Jilin University; 3.The Local Water and Electricity Bureau of Jilin）

In view of the chaos characteristics of nonlinear dynamic coupling system during the working state switching process of parallel hybrid electric vehicle(HEV)engine and electric motor,the HEV’s state switching coordinated control strategy based on chaotic neural network is proposed.The overall coordinated control model architecture is established,the chaotic neural network working state recognizer is designed,and the accuracy of the recognizer is verified through experiments.On this basis,the vehicle control platform of coordinated control system is constructed,and the simulated test is carried out for the coordinated control strategy.The results show that vehicle dynamic performance, fuel economy and batterySOCbalance are effectively improved with this control strategy,the coordinated control of the working state switching is realized.

Hybrid Electric Vehicle,Chaotic Neural Network，State Switch，Coordinated Control

混合動力汽車 混沌神經網絡 狀態(tài)切換 協(xié)調控制

U467.1+3

A

1000-3703（2015）10-0024-08

吉林省科技廳基金（201205046）；國家自然科學基金（51276079）。