一种多目标优化的增程器NVH控制方法

技术领域

本发明涉及一种多目标优化的增程器控制策略，属于汽车NVH技术开发领域。

背景技术

作为一种由内燃机向电动车转型的过渡车型，增程式汽车可有效消除纯电动车受电池容量限制而导致行驶里程短的缺陷，是当前解决节能与环保问题最具有现实意义的途径，尤其在商用车领域。然而，现阶段的研发工作仅专注于系统集成控制及其关键部件，而忽视振动与噪声问题的解决，致使市场出现了对现有车辆的NVH性能的严重不满。因此，噪声和振动是影响增程式汽车乘坐舒适性的首要因素，减振降噪是增程器的开发和应用中最大的挑战之一。

增程式电动汽车的两个动力源(增程器和动力蓄电池)使其具备混合动力汽车和纯电动车的综合特征，较传统内燃机汽车和纯电车的NVH特性更加复杂。同时，以燃油经济性为优化目标的增程式汽车控制策略，往往极大程度上牺牲了整车的NVH性能。因此，基于市场对NVH要求的逐渐严苛，亟待开发一种多目标、多参数优化下的整车NVH性能控制策略，综合考虑油耗、可靠性及整车的振动噪声等因素，在保证关键旋转部件运行可靠性的基础上，实现尽可能少的油耗增加而尽可能大的NVH特性提升，以同时满足用户的NVH需求以及燃油经济性需求。

发明内容

本发明目的在于提供一种多目标优化的增程器NVH控制方法，建立一种多目标、多参数优化下的整车NVH性能控制策略，综合考虑油耗、可靠性及整车的振动噪声等因素，实现尽可能少的油耗增加而尽可能大的NVH特性提升，以满足用户的NVH需求。

为了解决现有技术存在的上述问题，本发明所采用的技术方案为：

一种多目标优化的增程器NVH控制方法，包括以下步骤：

步骤1，通过台架实验获取增程器在不同转速n

步骤2，将振动加速度信号转化为增程器振动烈度V

步骤3，通过CAE分析获取增程器中关键旋转部件的动应力分布，通过疲劳分析得到旋转部件不同扭矩和转速下的动应力循环次数N

步骤4，通过径向基神经网络分别构建油耗B

步骤5，通过实车测试得到驾驶室主驾位实际行驶过程中综合噪声A计权声压级L

步骤6，根据噪声的掩蔽效应，以主驾位综合噪声L

步骤7，通过自适应粒子群算法获得到不同工况下，增程器的最优工作区间。

进一步的，所述步骤1中依据发动机的等值油耗特性曲线，按照燃油经济性原则选定油耗率最高值，并根据实际工作区间，选定增程器测试工况点转速范围和扭矩范围。

进一步的，所述步骤1中依据台架实验中测得的转矩和转速信息，获得增程器的燃油消耗B

式中，B为油耗仪测得燃料消耗量，T

进一步的，所述步骤1中通过台架实验获取增程器三个方的向振动加速度信号、1m处包络面的声压信号。

进一步的，所述步骤2中将步骤1中获得的振动加速度信号在时域积分转化为振动速度，再将振动速度转化为增程器振动烈度V

其中，V

进一步的，所述步骤2中，将步骤1测得的声压信号通过隔声量分析转化为驾驶室主驾位的声压级L

进一步的，所述步骤2中，将步骤1测得的声压信号转化为A计权声压级L

其中，t

进一步的，所述步骤4中，通过径向基神经网络分别构建油耗B

进一步的，所述步骤4中，按照神经网络拟合结果绘制增程器油耗B

进一步的，所述步骤5中，驾驶室主驾位综合噪声随车速的非线性关系：

L

进一步的，步骤6中的三个区间的多目标优化函数：

进一步的，所述步骤7自适应粒子群具体算法如下：

步骤71：随机初始化种群各粒子的位置和速度；

步骤72：评价每个粒子的自适应度将粒子的位置和适应值存储在粒子的个体极值p

步骤73：更新粒子位移和速度：

x

v

其中，ω为惯性权重，r

步骤74：更新权重：

其中，f表示粒子实时的目标函数值；f

步骤75：将每个粒子的适应值与粒子的最好位置相比较，若近似，则将当前值作为最好位置；若不近似，则返回步骤72；

步骤76：一旦算法达到停滞条件时，则停止搜索输出最优解。

本发明的有益效果为：本发明所制定的增程器工作区间，综合考虑油耗、可靠性及整车的振动噪声等因素，在保证关键旋转部件运行可靠性的基础上，实现尽可能少的油耗增加而尽可能大的NVH特性提升，以同时满足用户的NVH需求以及燃油经济性需求；考虑噪声的掩蔽效应，在风噪和路噪较低时提高增程器振动和噪声的优化权重，在风噪和路噪较高时降低增程器振动和噪声的优化权重，使整车始终在燃油经济性最优和NVH性能最优的工作区间内工作。

附图说明

图1为本发明优选实例中RBF神经网络结构图；

图2为本发明优选实例中所述的粒子群算法流程图。

具体实施方式

下面结合附图及附图标记对本发明作进一步阐述。

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

实施例1：

如图1和2所示，一种多目标优化的增程器NVH控制方法，包括以下步骤：

步骤1，通过台架实验获取增程器在不同转速n

步骤2，将振动加速度信号转化为增程器振动烈度V

步骤3，通过CAE分析获取增程器中关键旋转部件的动应力分布，通过疲劳分析得到旋转部件不同扭矩和转速下的动应力循环次数N

步骤4，通过径向基神经网络分别构建油耗B

步骤5，通过实车测试得到驾驶室主驾位实际行驶过程中综合噪声A计权声压级L

步骤6，根据噪声的掩蔽效应，以主驾位综合噪声L

步骤7，通过自适应粒子群算法获得到不同工况下，增程器的最优工作区间。

实施例2：

如图1和2所示，一种多目标优化的增程器NVH控制方法，包括以下步骤：

步骤1，通过台架实验获取增程器在不同转速n

所述步骤1中依据发动机的等值油耗特性曲线，按照燃油经济性原则选定油耗率最高值，并根据实际工作区间，选定增程器测试工况点转速范围和扭矩范围。

所述步骤1中依据台架实验中测得的转矩和转速信息，获得增程器的燃油消耗B

式中，B为油耗仪测得燃料消耗量，T

所述步骤1中通过台架实验获取增程器三个方的向振动加速度信号、1m处包络面的声压信号。

步骤2，将振动加速度信号转化为增程器振动烈度V

所述步骤2中将获得的振动加速度信号在时域积分转化为振动速度，再将振动速度转化为增程器振动烈度V

其中，V

所述步骤2中，将测得的声压信号通过隔声量分析转化为驾驶室主驾位的声压级L

所述步骤2中，将测得的声压信号转化为A计权声压级L

其中，t

步骤3，通过CAE分析获取增程器中关键旋转部件的动应力分布，通过疲劳分析得到旋转部件不同扭矩和转速下的动应力循环次数N

步骤4，通过径向基神经网络分别构建油耗B

所述步骤4中，通过径向基神经网络分别构建油耗B

所述步骤4中，按照神经网络拟合结果绘制增程器油耗B

步骤5，通过实车测试得到驾驶室主驾位实际行驶过程中综合噪声A计权声压级L

步骤6，根据噪声的掩蔽效应，以主驾位综合噪声L

步骤7，通过自适应粒子群算法获得到不同工况下，增程器的最优工作区间。

步骤71：随机初始化种群各粒子的位置和速度；

步骤72：评价每个粒子的自适应度将粒子的位置和适应值存储在粒子的个体极值p

步骤73：更新粒子位移和速度：

x

v

其中，ω为惯性权重，r

步骤74：更新权重：

其中，f表示粒子实时的目标函数值；f

步骤75：将每个粒子的适应值与粒子的最好位置相比较，若近似，则将当前值作为最好位置；若不近似，则返回步骤72；先画定合理区间，将每个粒子的适应值与粒子的最好位置做差，若结果处于合理区间内，则为近似；若结果不在合理区间内，则不近似，合理区间可以根据需求由研究人员自己设定。

步骤76：一旦算法达到停滞条件时，则停止搜索输出最优解。

本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。