商用车预期巡航鲁棒性控制

商用车预期巡航鲁棒性控制

研究了基于学习功能的预期巡航控制系统，并研究该项技术给商用车燃油经济性带来的改善。经验表明，传统的巡航控制方法在车辆爬坡过程中为了维持恒定速度会消耗较多的燃油，而本文介绍的预期巡航控制系统PCC（Predictive Cruise Control）能够预测路段情况并做出最少燃油消耗的控制计算，进而控制执行机构。

目前，基于模型的控制器得到了广泛的应用，但是其不能完全适应包括环境及车辆复杂的动态变化。提出一个新方法，即将一个学习算法集成到已经成熟的模型控制器中以改善控制器的性能。具体实现过程使用了人工神经网络预测误差，并采取措施缩小误差范围。在应用神经网络方法进行学习时，比较了不同的神经网络训练方法对最终结果的影响（网络训练方法影响到神经网络的参数值，进而影响控制效果）。集成式网络训练方法（Integrated training）会得到较好的控制结果，因为训练数据和测试数据很接近，分散式网络训练方法（Segregated training）却对不同的输入信号有较好的鲁棒性，选用何种网络训练方法是由商用车行驶的地形决定的。

试验结果表明，PCC方法相比传统巡航控制方法的燃油利用率提高60%。

刊名：International Journal of General Systems（英）

刊期：2013年第3期

作者：Jaime Junell et al

编译：赵帅