[发明专利]基于Matlab/Simulink飞行汽车工况识别系统

说明书

本发明公开了基于Matlab/Simulink飞行汽车工况识别系统，包括：利用传感器采集的飞行汽车工作状态信息和工作环境信息，生成离线数据集，离线训练应用改进遗传算法优化的BP神经网络模型，在飞行汽车行驶过程中根据飞行汽车的速度、海拔高度和升降舵角度判断出飞行汽车当前所处的运行工况。本发明完善了工况识别研究体系，为混合动力能量管理策略的制定提供依据；利用BP神经网络可以有效改善混合动力能量管理策略中基于瞬时优化计算量过大、基于全局优化与基于规则自适应能力缺失及基于强化学习要求大量训练数据等问题；应用改进遗传算法优化所构建的BP神经网络能有效解决BP神经网络收敛速度慢、易陷入局部极小值和鲁棒性较差等问题，提高了陆空工况识别的准确度。

技术领域

本发明属于汽车技术领域，具体涉及一种基于Matlab/Simulink飞行汽车工况识别系统。

背景技术

随着中国经济的飞速发展，汽车成为了人们出行必备的交通工具。混合动力飞行汽车的出现能很好的解决城市交通拥堵状况日益严重和排放污染严重等问题，且随着近几年国家低空政策的开放，混合动力飞行汽车前景广阔，全球很多国家均在飞行汽车上投入大量人力物力。研究混合动力飞行汽车能量管理策略可以增强飞行汽车的续航能力，减小噪声，降低排放。如今，混合动力能量管理领域最具挑战性的问题是车辆控制单元始终不知道行驶条件，这里的行驶条件可以解释为驾驶循环工况、不同的驾驶风格和意图、道路坡度及外温度等。如果没有这些信息，能量管理控制器就无法控制能量，在多种能源之间合理分配，从而造成燃料和能源的浪费。

因此，有必要提出一种基于Matlab/Simulink的混合动力飞行汽车陆空工况识别系统，无论是计算机仿真，还是实际运行，只需要通过实时采集飞行汽车的工作状态信息和工作环境信息，就可以通过建立的数学模型计算出工况相关的特征参数，与海拔高度和升降舵角度共同作为BP神经网络输入参数，识别运行工况。利用BP神经网络可以有效避免在制定混合动力能量管理策略时出现的基于瞬时优化计算量过大、基于全局优化与基于规则自适应能力缺失及基于强化学习要求大量训练数据等问题；应用改进遗传算法优化所构建的BP神经网络能有效解决BP神经网络收敛速度慢、易陷入局部极小值和鲁棒性较差等问题，提高了陆空工况识别的准确度。

发明内容

本发明的目的是为了解决采用不同能量管理策略的混合动力飞行汽车在行驶过程中，基于瞬时优化计算量过大、实时响应时间慢、基于全局优化与基于规则自适应能力缺失及基于强化学习要求大量训练数据等问题，而提出的一种基于Matlab/Simulink的混合动力汽车工况识别方法。该方法提高了工况特征参数的获取效率，对硬件要求较低，可以应用到混合动力飞行汽车能量管理策略中的基于规则、基于优化和基于人工智能的能量管理策略中，不仅能提高汽车控制单元的实时计算效率，还能帮助能量管理模块更合理的分配能源，提高燃油经济性。

本发明目的可以通过以下途径实现：

基于Matlab/Simulink的混合动力飞行汽车陆空工况识别系统，包括以下步骤：

1）利用Avl-Cruise软件中已有的地面行驶工况信息，并采集飞行汽车的飞行状态信息及飞行环境信息，生成离线数据集；所述的飞行状态信息为飞行汽车速度和升降舵角度，所述的飞行环境信息为飞行汽车海拔高度；

2）基于Simulink建立联合仿真模型，以离线数据集中的速度信号作为输入，经数学模型计算，输出工况相关特征参数，所得特征参数与飞行汽车的升降舵角度和海拔高度共同组成行驶工况训练样本，通过聚类方法将行驶工况分为七类；

3）初始化BP神经网络，利用训练样本训练BP神经网络工况识别模型；

4）基于改进的遗传算法优化BP神经网络工况识别模型，其中遗传算法的交叉概率随着迭代次数的增加而减小，使种群中优良个体的基因型得以保留延续；遗传算法的变异概率随着迭代次数的增加而增加，鼓励新个体的出现；

5）基于Simulink建立基于改进遗传算法优化的BP神经网络工况识别模型，并以混合动力飞行汽车的工作状态信息和工作环境信息作为输入，完成车辆的工况识别；