CN112389204A - 被配置为选择性地增加能量回收阈值的电动化车辆 - Google Patents

Abstract

本公开提供了“被配置为选择性地增加能量回收阈值的电动化车辆”。本公开涉及一种被配置为基于摩擦预测选择性地增加能量回收阈值的电动化车辆和相应方法。特别地，一种示例性电动化车辆包括能量回收机构，所述能量回收机构被配置为施加负车轮扭矩直至负车轮扭矩阈值。所述电动化车辆还包括控制器，所述控制器被配置为基于电动化车辆的轮胎与路面之间的预测的摩擦系数来选择性地增加负车轮扭矩阈值。

Description

被配置为选择性地增加能量回收阈值的电动化车辆

技术领域

本公开涉及一种被配置为基于摩擦预测选择性地增加能量回收阈值的电动化车辆和相应方法。

背景技术

通常，使用一个或多个电池供电的电机选择性地驱动电动化车辆。电机可以代替内燃发动机或作为内燃发动机的补充来驱动电动化车辆。示例性电动化车辆包括纯电动车辆、混合动力电动车辆(HEV)、插电式混合动力车辆(PHEV)、燃料电池车辆和电池电动车辆(BEV)。一些电动化车辆使用能量回收机构(诸如再生制动系统)来回收能量。回收的能量通常储存在电池内，直到该能量被用于给电机供电。

发明内容

根据本公开的示例性方面的一种电动化车辆尤其包括：能量回收机构，其被配置为施加负车轮扭矩直至负车轮扭矩阈值；以及控制器，其被配置为基于所述电动化车辆的轮胎与路面之间的预测的摩擦系数来选择性地增加所述负车轮扭矩阈值。

在前述电动化车辆的另外的非限制性实施例中，所述控制器被配置为当所述轮胎与所述路面之间的预测的摩擦系数超过预定义值时增加由所述能量回收机构施加的所述负车轮扭矩。

在任一前述电动化车辆的另外的非限制性实施例中，所述控制器与神经网络进行电子通信，所述神经网络被配置为预测所述轮胎与所述路面之间的所述摩擦系数。

在任一前述电动化车辆的另外的非限制性实施例中，所述神经网络被配置为提供对应于所述轮胎与所述路面之间的所述预测的摩擦系数的置信因子。

在任一前述电动化车辆的另外的非限制性实施例中，所述神经网络在所述电动化车辆的本地或远离所述电动化车辆。

在任一前述电动化车辆的另外的非限制性实施例中，所述神经网络被配置为基于以下各项中的至少一者来预测所述轮胎与所述路面之间的所述摩擦系数：(1)最近的车轮控制数据，(2)天气预测数据，(3)扭矩数据与加速度数据的比较，以及(4)环境状况数据。

在任一前述电动化车辆的另外的非限制性实施例中，所述环境状况包括测量的在所述电动化车辆周围的外部温度。

在任一前述电动化车辆的另外的非限制性实施例中，当所述轮胎与所述路面之间的所述预测的摩擦系数超过所述预定义值时，所述控制器被配置为与所述置信因子成比例地增加所述负车轮扭矩阈值。

在任一前述电动化车辆的另外的非限制性实施例中，所述置信因子是介于0和1之间的数值，并且当所述轮胎与所述路面之间的所述预测的摩擦系数超过所述预定义值时，所述控制器配置为将所述负车轮扭矩阈值增加等于最大增加量与所述置信因子相乘的量。

在任一前述电动化车辆的另外的非限制性实施例中，所述能量回收机构被配置为向所述电动化车辆的至少一个车轮施加负扭矩。

在任一前述电动化车辆的另外的非限制性实施例中，所述能量回收机构是再生制动系统，所述再生制动系统被配置为选择性地抵抗所述电动化车辆的至少一个车轮的旋转。

在任一前述电动化车辆的另外的非限制性实施例中，所述车辆还包括电池组。所述控制器被配置为将电力从所述能量回收机构选择性地引导至所述电池组。

在任一前述电动化车辆的另外的非限制性实施例中，所述电动化车辆是混合动力电动车辆。

根据本公开的示例性方面的一种方法尤其包括将来自能量回收机构的负车轮扭矩以一定水平施加至电动化车辆的至少一个车轮直至负车轮扭矩阈值；以及基于所述电动化车辆的轮胎与路面之间的预测的摩擦系数来增加所述负车轮扭矩阈值。

在前述方法的另外的非限制性实施例中，所述方法包括生成对应于所述预测的摩擦系数的置信因子。

在任一前述方法的另外的非限制性实施例中，神经网络预测所述摩擦系数并生成所述置信因子。

在任一前述方法的另外的非限制性实施例中，所述增加步骤包括将所述负车轮扭矩阈值增加与所述置信因子成比例的量。

在任一前述方法的另外的非限制性实施例中，所述置信因子是介于0和1之间的数值，并且所述增加步骤包括将所述负车轮扭矩阈值增加等于最大增加量与所述置信因子相乘的量。

在任一前述方法的另外的非限制性实施例中，所述电动化车辆是混合动力电动车辆。

附图说明

图1示意性地示出了电动车辆的示例性动力传动系统。

图2示出了在路面上行驶并且特别是沿斜坡下坡时的电动化车辆。

图3是表示本公开的示例性方法的流程图。

具体实施方式

本公开涉及一种被配置为基于摩擦预测选择性地增加能量回收阈值的电动化车辆和相应方法。特别地，示例性电动化车辆包括能量回收机构，该能量回收机构被配置为施加负车轮扭矩直至负车轮扭矩阈值。电动化车辆还包括控制器，该控制器被配置为基于电动化车辆的轮胎与路面之间的预测的摩擦系数来选择性地增加负车轮扭矩阈值。本公开具有许多其他益处，根据以下描述将理解这些其他益处。其中，本公开增加了再生制动的可用性，这减少了车辆的摩擦制动器的劣化，同时保持了稳定性并且不会引起噪声和/或振动的不适当增加。本公开还可改善燃料经济性。

图1示意性地示出了用于电动化车辆12(“车辆12”)的示例性动力传动系统10，在这个示例中，该车辆是混合动力电动车辆(HEV)。动力传动系统10可以被称为混合动力变速器。尽管被描述为HEV，但是应理解，本文描述的概念不限于HEV，并且可以扩展到其他电动化车辆，包括但不限于插电式混合动力电动车辆(PHEV)、电池电动车辆(BEV)和燃料电池车辆(FCV)。本公开还扩展到各种类型的混合动力车辆，包括全混合动力、并联混合动力、串联混合动力、轻度混合动力、微型混合动力和插电式混合动力。此外，在图1中示意性地描绘了车辆12，但是应理解，本公开不限于任何特定类型的车辆，并且扩展到汽车、卡车、运动型多用途车(SUV)、厢式货车等。

继续参考图1，电池组14(有时称为车辆电池或简称为电池)和内燃发动机18选择性地利用动力传动系统10进行操作。电池组14包括可再充电电池单元的阵列20。在本公开中，对电池组14的任何引用在适当时还包括电池单元的阵列20。动力传动系统10包括马达22和发电机24，两者都是电机的类型。马达22和发电机24可以是分开的或具有组合式马达-发电机的形式。

在图1的实施例中，动力传动系统10是采用第一驱动系统和第二驱动系统的动力分流式变速器。第一驱动系统和第二驱动系统产生产生扭矩以驱动一组或多组车辆驱动轮28，车辆驱动轮28包括被配置为直接接触路面R的轮胎T(图2)。尽管在图1中示出了两个车辆驱动轮28，但是本公开不限于具有两个车轮的车辆，并且扩展至具有两个或更多车轮的车辆，其中一些或全部可以是驱动轮。第一驱动系统包括发动机18和发电机24的组合。第二驱动系统至少包括马达22、发电机24和电池组14。马达22和发电机24是动力传动系统10的电驱动系统的部分。

发动机18和发电机24可以通过诸如行星齿轮组的动力传递单元30连接。当然，包括其他齿轮组和变速器的其他类型的动力传递单元可以用于将发动机18连接到发电机24。在一个非限制性实施例中，动力传递单元30是行星齿轮组，所述行星齿轮组包括环形齿轮32、中心齿轮34和齿轮架总成36。

发电机24可由发动机18通过动力传递单元30驱动，以将动能转换成电能。发电机24可替代地用作马达，以将电能转换成动能，从而向连接到动力传递单元30的轴38输出扭矩。

动力传递单元30的环形齿轮32连接到轴40，该轴通过第二动力传递单元44连接到车辆驱动轮28。第二动力传递单元44可以包括具有多个齿轮46的齿轮组。在其他示例中可以使用其他动力传递单元。

齿轮46将扭矩从发动机18传递到例如差速器48，以最终向车辆驱动轮28提供牵引力。差速器48可以包括多个齿轮，该多个齿轮使能够将扭矩传递到车辆驱动轮28。在这个示例中，第二动力传递单元44通过差速器48机械地联接到车桥50，以将扭矩分配给车辆驱动轮28。马达22可以被选择性地用于通过将扭矩输出到同样连接到第二动力传递单元44的轴54而驱动车辆驱动轮28。

此外，在这个实施例中，马达22和发电机24协作作为能量回收机构49的一部分，在这个示例中，能量回收机构49是再生制动系统，其中马达22和发电机24两者都可以用作马达来输出扭矩。例如，马达22和发电机24各自可以输出电力以对电池组14的电池单元再充电。

车辆12可以另外包括计算系统C或者与计算系统C进行电子通信。在这个示例中，计算系统C包括控制器56和神经网络58。控制器56被配置监测和/或控制动力传动系统10和相关联的车辆12的各个方面。例如，控制器56可以与电驱动系统、动力传递单元30、44和/或其他传感器和部件通信，以监测车辆12的各种状况，控制车辆12，或两者兼有。控制器56包括电子器件、软件或两者，以执行操作车辆12所需的控制功能。在一个非限制性实施例中，控制器56是组合式车辆系统控制器和动力传动系统控制模块(VSC/PCM)。尽管控制器56被示为单个装置，但是它可以包括呈多个硬件装置形式的多个控制器，或者一个或多个硬件装置内的多个软件控制器。示意性示出的控制器局域网(CAN)59允许控制器56与车辆12的各种部件通信。

计算系统C还包括神经网络58。在一个示例中，神经网络远离车辆12，并且与控制器56进行电子通信。特别地，神经网络58可以是基于云的计算工具。然而，在另一个示例中，神经网络58可以在车辆12的本地。神经网络58被配置为直接从与车辆相关联的传感器、从控制器56或从其他来源接收指示车辆12的各种状况的输入I₁至I₄。尽管在图1中示出了四个输入I₁至I₄，但是神经网络58可以接收一个或多个输入。神经网络58被配置为处理信息，即来自输入I₁至I₄的信息，并且生成预测并将这些预测发送至控制器56，控制器56被配置为向车辆12的各个部件发出与预测相对应的命令。神经网络58可以随时间进行自我训练，并使用收集的数据进行未来的预测。虽然在图1中示出了神经网络58，但是本公开不限于神经网络，并且包括其他学习工具，诸如用于进行推断或预测的概率模型。在另一个实施例中，使用查找表或算法来代替神经网络。

示例性车辆12是具有动力传动系统(诸如动力传动系统10)的混合动力电动车辆。在另一特定示例中，车辆12是包含再生制动系统的纯电动车辆。在又其他示例中，车辆可以是包含除了再生制动系统之外的能量回收机构的车辆。

如上所述，马达22和发电机24协作作为再生制动系统的一部分。再生制动系统也是一种能量回收机构49。再生制动系统可用于降低或维持车辆的速度，同时回收能量并产生动力以供车辆12使用。

通常，由再生制动系统回收的能量存储在电池组14中。再生制动系统例如用于向车轮28施加负扭矩，以维持速度，使车辆12减速或限制车辆12下坡时的加速度。依据各种条件，诸如期望的车辆速度、斜坡的陡度等，车辆12可以改变由能量回收机构49施加到车轮的负扭矩的水平。在本公开中，特别要考虑的条件是轮胎T与路面R之间的摩擦系数，这将在下面讨论。通常，所施加的负扭矩的水平与再生制动系统生存的动力成比例。

为了防止车辆12的不想要的行为，例如振动、噪声等，由能量回收机构49施加到车轮28的负扭矩的水平被限制到能量回收阈值，即负车轮扭矩阈值。负车轮扭矩阈值是这样的负车轮扭矩的水平：低于该水平，能量回收机构49将不会导致车辆12表现出不想要的行为，诸如不适当的振动和/或噪声。在这个意义上，负车轮扭矩阈值可以被认为是容量或上限。负车轮扭矩阈值直接或成比例地对应于最大再生制动阈值。负车轮扭矩阈值也直接或成比例地对应于车辆12的预定义的最大期望减速率。

负车轮扭矩阈值最初可以是存储在控制器56中的预定义值，并且由车辆12的制造商设置。特定地，制造商可以最初基于车辆12的设计质量和其他因素(包括在使用车辆12期间轮胎T和路面R之间的预测的摩擦系数)设置负车轮扭矩阈值。众所周知，摩擦系数是一个无单位数，它决定了接触材料(在这种情况下为轮胎T和路面R)之间的摩擦量。

在本公开中，控制器56被配置为基于车辆12的轮胎T与路面R之间的预测的摩擦系数来选择性地增加负车轮扭矩阈值(图2)。在此，路面R是车辆12正在其上行驶的道路的表面，或者在预测的情况下，是被预测为要在其上行驶的道路的表面，并且其直接与轮胎T接触或者被预测要与轮胎T接触。术语路面R是指在车辆12使用期间接触轮胎T的所有表面，包括砾石表面、地面、停车场、桥梁、混凝土表面、沥青表面等，并且，虽然包括传统道路，但该术语并不严格限于“道路”。

在一些情况下，能量回收机构49可以施加超过最初的制造商设置的负车轮扭矩阈值的负车轮扭矩，同时保持稳定性，并且车辆12不会经历不想要的车辆行为，诸如增加的噪声和/或振动。这样的条件包括当轮胎T与路面R之间的摩擦系数被预测为高于预定义阈值时。

图2表示示例性状况，其中车辆12可能能够施加超过最初的制造商设置的负车轮扭矩阈值的负车轮扭矩。特别地，在图2中，车辆12正在沿相对陡峭的斜坡下坡。图2还表示不下雨、路面R干燥、外面相对温暖的状况，并且另外预测路面R与轮胎T之间的摩擦系数高于预定义值，该预定义值是可以例如由车辆12的制造商设置的预定义阈值。这样，随着再生制动和负车轮扭矩水平的增加，车辆12将能够抵抗不想要的车辆行为。在这种情况下，控制器56被配置为动态地并且实时地增加负车轮扭矩阈值。

控制器56可以在除了图2所示的状况之外的状况下选择性地增加车轮负扭矩。例如，车辆12不需要沿斜坡下坡。其他示例状况包括车辆12在相对平坦的斜坡上从相对较高的速度滑行或减速。本公开扩展到可能发生再生制动的其他状况。

图3是表示本公开的使用的示例性方法100的流程图。现在将参考图3并继续参考图1和2来描述车辆12的各个方面，包括计算系统C的示例性控制逻辑。

方法100在102处以计算系统C预测轮胎T与路面R之间的摩擦系数开始。在特定示例中，神经网络58被配置为预测轮胎T与路面R之间的摩擦系数，并生成对应于轮胎T和路面R之间的预测的摩擦系数相的置信因子。

在一个示例中，神经网络58基于各种输入I₁至I₄进行预测并提供置信因子。示例性输入包括以下各项中的至少一者：(1)最近的车轮控制数据、(2)天气预测数据、(3)扭矩数据与加速度数据的比较、以及(4)环境状况数据。关于最近的车轮控制数据，神经网络58可以接收指示最近的车轮事件(诸如轮胎打滑或牵引控制事件)的输入。例如，如果轮胎最近已经打滑或牵引力控制最近被激活，则神经网络58可以预测相对较低的摩擦系数和/或生产较低的置信因子。关于天气预测数据，神经网络58与服务通信，该服务被配置为例如基于预期目的地和旅行计划提供车辆12的位置和/或车辆12的预期位置的天气报告。如果天气报告指示车辆12将在温暖、阳光充足的状况下行驶，则神经网络58可以预测相对较高的摩擦系数和/或提供较高的置信因子。例如，当进行预测和/或提供置信因子时，神经网络58还考虑最近的天气事件，诸如在特定位置最近是否下雨或下雪。关于扭矩数据与加速度数据的比较，神经网络58被配置为在进行预测和/或提供置信因子时考虑轮胎T的实时牵引力。例如，如果扭矩数据与加速度数据的比较指示牵引力水平相对较高，则神经网络58可以预测相对较高的摩擦系数和/或提供相对较高的置信因子。关于环境状况件，神经网络58可以考虑来自车辆12的本地的传感器的信息，例如，以确定紧邻车辆12周围的各种外部环境状况，诸如温度、压力、湿度、风等。神经网络58可以考虑其他输入，诸如来自其他车辆传感器的输入，诸如激光雷达(LIDAR)和雷达(RADAR)传感器(如果存在)。神经网络58还可以考虑挡风玻璃刮水器状态、雨量传感器数据等。

在102处，神经网络58例如使用模糊逻辑来考虑每个输入并预测轮胎T与路面R之间的摩擦系数。预测的摩擦系数是数值。如果预测的摩擦系数高于预定义值，则控制器56可以增加负车轮扭矩阈值。预定义值可以表示在轮胎T和路面R之间的大多数条件下预期的基线摩擦系数。本公开利用摩擦系数高于基线水平的条件来提供更多的再生制动。

在102处，神经网络58还生成对应于预测的摩擦系数的置信因子并将其提供给控制器56。在一个示例中，置信因子是介于0和1之间的数值，其中0指示最小置信水平，而1指示最大置信水平。置信因子本质上是介于0和100％之间的百分比。置信因子取决于输入I₁至I₄的性质。如果所有输入I₁至I₄都指向很可能轮胎T与路面R之间的摩擦系数超过预定义值，则置信因子将接近于1(如果不是1的话)。另一方面，例如，如果输入I₁至I₄中的三个指向很可能摩擦系数超过预定义值，而一个输入指向与该摩擦系数超过预定义值相背而驰，则置信度将小于1。

在104处，控制器56考虑神经网络58的结果，或者如果不存在神经网络58，则考虑查找表或算法等，并且确定预测的摩擦系数是否大于预定义值。如果是，则在106处，控制器56增加负车轮扭矩阈值。在一个示例中，控制器56将负车轮扭矩阈值增加由神经网络58指示的量。在一个示例中，该量与置信因子成比例。在特定示例中，当神经网络58预测摩擦系数高于预定义值时，控制器56被配置为将由能量回收机构施加的负车轮扭矩增加等于最大增加量于置信因子相乘的量。例如，最大增加量是超过制造商设置的负车轮扭矩阈值的量。在106处，如果置信因子为1，则控制器56会将负车轮扭矩阈值增加到最大增加量。如果置信因子小于1，则控制器56会将负车轮扭矩阈值增加到小于最大增加量。

在108处，在负车轮扭矩阈值升高的情况下，控制器56将各种指令发送至车辆12的动力传动系统10，以允许能量回收机构49将负车轮扭矩施加至车轮28，直至在步骤106中设定的增加的负车轮扭矩阈值设置为止。特别地，控制器56发送指令以允许再生制动直至增加的负车轮扭矩阈值。方法100继续，基于预测的摩擦系数的变化，根据需要调整负车轮扭矩阈值。

应理解，诸如“大致”、“基本上”和“约”的术语并不意图是无边界术语，并且应当被解释为与本领域技术人员将解释那些术语的方式一致。

尽管不同示例具有在图示中示出的特定部件，但是本公开的实施例不限于那些特定的组合。可以将来自示例中的一个的部件或特征中的一些与来自示例中的另一个的特征或部件组合使用。另外，随附于本公开的各个附图不一定按比例绘制，并且一些特征可能被放大或最小化以示出特定部件或布置的某些细节。

本领域普通技术人员将理解，上述实施例是示例性且非限制性的。也就是说，对本公开的修改将落入权利要求的范围内。因此，应研习随附权利要求来确定其真实范围和内容。

Claims (15)

1.一种电动化车辆，其包括：

能量回收机构，其被配置为施加负车轮扭矩直至负车轮扭矩阈值；以及

控制器，其被配置为基于所述电动化车辆的轮胎与路面之间的预测的摩擦系数来选择性地增加所述负车轮扭矩阈值。

2.如权利要求1所述的电动化车辆，其中所述控制器被配置为当所述轮胎与所述路面之间的预测的摩擦系数超过预定义值时增加由所述能量回收机构施加的所述负车轮扭矩。

3.如权利要求2所述的电动化车辆，其中所述控制器与神经网络进行电子通信，所述神经网络被配置为预测所述轮胎与所述路面之间的所述摩擦系数。

4.如权利要求3所述的电动化车辆，其中所述神经网络被配置为提供对应于所述轮胎与所述路面之间的所述预测的摩擦系数的置信因子。

5.如权利要求3所述的电动化车辆，其中所述神经网络在所述电动化车辆的本地或远离所述电动化车辆。

6.如权利要求4所述的电动化车辆，其中所述神经网络被配置为基于以下各项中的至少一者来预测所述轮胎与所述路面之间的所述摩擦系数：(1)最近的车轮控制数据、(2)天气预测数据、(3)扭矩数据与加速度数据的比较、以及(4)环境状况数据。

7.如权利要求6所述的电动化车辆，其中所述环境状况包括测量的在所述电动化车辆周围的外部温度。

8.如权利要求4所述的电动化车辆，其中当所述轮胎与所述路面之间的所述预测的摩擦系数超过所述预定义值时，所述控制器被配置为与所述置信因子成比例地增加所述负车轮扭矩阈值。

9.如权利要求8所述的电动化车辆，其中：

所述置信因子是介于0和1之间的数值，并且

当所述轮胎与所述路面之间的所述预测的摩擦系数超过所述预定义值时，所述控制器配置为将所述负车轮扭矩阈值增加等于最大增加量与所述置信因子相乘的量。

10.如权利要求1所述的电动化车辆，其中所述能量回收机构被配置为向所述电动化车辆的至少一个车轮施加负扭矩。

11.如权利要求10所述的电动化车辆，其中所述能量回收机构是再生制动系统，所述再生制动系统被配置为选择性地抵抗所述电动化车辆的至少一个车轮的旋转。

12.如权利要求1所述的电动化车辆，其还包括电池组，其中所述控制器被配置为将电力从所述能量回收机构选择性地引导至所述电池组，并且其中任选地，所述电动化车辆是混合动力电动车辆。

13.一种方法，其包括：

将来自能量回收机构的负车轮扭矩以一定水平施加至电动化车辆的至少一个车轮直至负车轮扭矩阈值；以及

基于所述电动化车辆的轮胎与路面之间的预测的摩擦系数来增加所述负车轮扭矩阈值。

14.如权利要求13所述的方法，其还包括：

生成对应于所述预测的摩擦系数的置信因子，并且任选地，其中神经网络预测所述摩擦系数并生成所述置信因子。

15.如权利要求14所述的方法，其中所述增加步骤包括将所述负车轮扭矩阈值增加与所述置信因子成比例的量，并且任选地，其中所述置信因子是介于0和1之间的数值，并且所述增加步骤包括将所述负车轮扭矩阈值增加等于最大增加量与所述置信因子相乘的量。

Images