منبع مقاله درباره حل مسئله

مدل خودرو[13]
مدل خودرو بصورت یک نقطه جرمی بصورت رابطه(39-1) مدل می شود :
که Vvسرعت خودرو، Twh گشتاور خالص چرخها که از خط رانشی و ترمز هیدرولیکی ناشی می شود. Rd شعاع دینامیکی چرخها، Bwh ضریب اصطکاک ویسکوزیته، Fr و Fa نیروهای مقاومتی غلطشی و آیرودینامیک می باشد. Mr=Mv+Jr/rd2 جرم موثر خودرو و Jr مقدار اینرسی معادل اجزاء چرخشی خودرو می باشد.
2-3-1)بهینه سازی براساس برنامه ریزی پویا[13و12و11]
برنامه ریزی دینامیکی به عنوان ابزاری قوی برای حل مسائل بهینه سازی دینامیکی کلی می باشد. مزیت مهم آن در نظر گرفتن قیدها و غیر خطی ها در حل مسئله و بدست آوردن یک جواب بهینه سراسری می باشد. برنامه ریزی پویا براساس قائده بهینگی بلمن می باشد[14 و 15و 16]
براساس قائده بهینگی بلمن ، مسئله کنترل بهینه برای یک مرحله از مسئله برنامه ریزی دینامیکی، ابتدا حل می شود. بنابراین ابتدا مسئله بهینه سازی کلی به مجموعه ای از مسائل بهینه سازی ساده تقسیم می شود که بصورت روابط (40-1) و (41-1) می باشد:
در مرحله N-1 :
(40-1)
برای 0?k1 باشد و مربوط به ناحیه گشتاور پایین است. در حالت گشتاور متوسط ، PSR=1 و مد عملکردی مربوط به ناحیه عملکردی موتور احتراقی می باشد. در ناحیه گشتاور بالا، PSR<1 مد عملکردی هایبرید می باشد. براساس استراتژی کنترل فوق هیچ گونه تضمینی برای ثابت نگهداشتن شارژ باتری وجود ندارد. بنابراین از یک استراتژی برای ثابت نگهداشتن شارژ باتری استفاده می شود. دراین حالت از یک فرآیند تصحیح خطی حالت شارژ باتری برای محاسبه مصرف سوخت و آلودگی استفاده می شود. نتایج حاصل از شبیه سازی در جدول(3-1) نشان داده شده است. همانطور که مشاهده می شود، پیشرفت قابل توجهی نسبت به استراتژیهای مبتنی بر قانون که بر اساس سعی و خطا بدست آمده، وجود دارد. جدول(3-1) مقایسه نتایج حاصل از شبیه سازی برای استراتژی های کنترلی مختلف 4-3-1)شناسایی الگوی رانشی16 در این قسمت به بررسی کنترل رانشی چند حالته براساس تکنیک شناسایی الگوی رانشی پرداخته می شود. ایده اصلی این قضیه براساس مرجع [18] می باشد. بصورت خلاصه، این الگوریتم فرض می کند که از چندین الگوی رانشی منتخب به عنوان قالب اساسی برای نمایش همه شرایط حرکتی استفاده شده است. سپس با سوئیچینگ بین قوانین کنترلی بهینه برای هریک از الگوهای رانشی منتخب، مزیتهای مشخص حاصل می شود. استراتژی سوئیچینگ بوسیله الگوریتم شناسایی الگوی رانشی تعیین می شود که یکی از موقعیتهای رانشی فعلی را انتخاب می کند. الگوریتم کنترلی فرض می کند که شرایط حرکتی در طول یک پنجره زمانی محدود در شرایط بعدی نیز ادامه خواهد داشت. شکل(28-1) مفاهیم استراتژی کنترل چند حالته را نشان می دهد. شکل(28-1) ساختار کلی استراتژی کنترل براساس شناسایی الگوی رانشی همانطور که مشاهده می شود افق کنترلی آینده که محدود است (NT) ، کوچکتر از زمان نهایی (fT) هر یک از الگوهای رانشی منتخب می باشد. در اینجا T زمان نمونه برداری و pT اندازه زمانی است که براساس آن الگوی رانشی توسط الگوریتم شناسایی الگو شناسایی می شود. براساس این استراتژی چهار پارامتر، توان درخواستی و استراتژی کنترل را تحت تاثیر می گذارد. توان میانگین مثبت درخواستی (Pdem_mean) که مربوط به نقاط کار موتور احتراقی و موتور الکتریکی در حال کار می باشد. پارامتر بعدی انحراف استاندارد توان میانگین مثبت درخواستی (Pdem_std) در طول رانش می باشد که نمایانگر تغییرات توان در خواستی مثبت می باشد و از شرایط ترافیک و رفتارهای راننده تاثیر می پذیرد. پارامترهای بعدی میانگین توان منفی درخواستی و نسبت زمان توقف به زمان نهایی می باشد. برای الگوریتم شناسایی الگوی حرکتی از دو پارامتر مستقل (Pdem_mean) و (Pdem_std) استفاده می شود. براساس متغیر های انتخاب شده ، کار بعدی انتخاب قالبهای الگوهای رانشی منتخب که براساس سیکلهای رانشی تعریف شده یا ساخته شده براساس عملیات ریاضی ، انتخاب می شود. براینکه پارامترهای عملیاتی به آسانی مقیاس بندی گردند، از روش دوم استفاده شده است. فلوچارت و متغیرهایی که برای تعریف مجازی الگوهای رانشی منتخب با در نظر گرفتن (Pdem_mean) و (Pdem_std) دلخواه استفاده شده است، شکل(29-1) نشان داده شده است. شکل(29-1) فلوچارت و متغیرهایی که برای تعریف مجازی الگوهای رانشی منتخب بکار می رود. قانونهای اساسی برای این فرآیند بصورت زیر می باشد: قانون1) ابتدا توان میانگین مثبت درخواستی دلخواه (Pdem_mean_des) و انحراف استاندارد توان میانگین مثبت درخواستی (Pdem_std_des) تعیین می شود. قانون2) علامت توان در خواستی بصورت رندوم انتخاب می شود. انتخاب رندوم برای مطمئن شدن از اینکه سیکل حرکتی تعریف شده توانمند می باشد، در نظر گرفته می شود. قانون3) با مشخص کردن علامت توان ، زمان محدود Tmin_pos یا Tmin_neg مشخص می شود. Tmin_pos در زمان 4 ثانیه ثابت نگه داشته می شود. Tmin_neg بصورت رندوم برای چهار مقدار 2،4،6 و 8 ثانیه انتخاب می شود. قانون4) مجموع توان کلی ممکن به نقاط شبکه ای تقسیم می شود. توانی که برای محاسبه سرعت بعدی خودرو انتخاب می شود ، براساس مقادیر Pdem_mean_des و Pdem_std_des انتخاب می شود. برای نمونه اگر P>0 باشد، اگر P14 نقطه شبکه ای نزدیک Pdem_mean_des باشد و اگر Pdem_std_des کوچک باشد، یک نقطه در ناحیه 1 (P14 و دو نقطه مجاور همسایه ) بصورت رندوم انتخاب می شود.
قانون 5) اگر توان منفی باشد یک نقطه بین تمام نقاط شبکه انتخاب می شود.
در اینجا فرض براین است که تنها یک عدد کوچک از الگوهای رانشی منتخب برای آموزش الگوریتم شناسایی الگوی حرکتی انتخاب می شود. شش الگوی رانشی منتخب که براساس فرآیند فوق بدست آمده اند، در جدول (4-1) جمع بندی شده است.
جدول(4-1) شش الگوی منتخب که براساس فرآیند شناسایی الگوی رانشی بدست آمده است
شکل (30-1) الگوی رانشی با میانگین توان پایین و تغییراستاندارد بالا و شکل (31-1) الگوی رانشی با میانگین توان بالا و تغییر استاندارد پایین را نشان می دهد.
شکل (30-1) الگوی رانشی با میانگین توان پایین و تغییراستاندارد بالا
شکل (31-1) الگوی رانشی با میانگین توان بالا و تغییراستاندارد پایین
مفاهیم مربوط به استراتژی کنترل چند حالته در شکل (32-1) نشان داده می شود.
شکل(32-1) ساختار کلی استراتژی کنترل چند حالته
ابتدا مقادیر گذشته درخواست توان راننده در یک بافر با اندازه زمانی pT ثانیه ذخیره می شود. در هر NT ثانیه ، پرسسور شناسایی الگوهای رانشی مقادیر درخواست توان ذخیره شده را دریافت کرده و میانگین و انحراف از استاندارد را محاسبه کرده و سپس الگوی رانشی را در یکی شش از الگوهای رانشی موجود در جدول (4-1) طبقه بندی می کند. سپس قوانین کنترلی زیر بهینه برای سوئیچینگ براساس انتخاب شناسایی الگوهای رانشی در مدول کنترل چند حالته ذخیره می شود.
جدول (5-1) نتایج شبیه سازی ، وقتی قانون کنترل زیر بهینه برای هر الگوی حرکتی منتخب اعمال می شود را نشان می دهد.
جدول(5-1) نتایج شبیه سازی حاصل از قانون کنترل زیر بهینه برای هر الگوی حرکتی منتخب
جدول(6-1) نتایج شبیه سازی برای حالت کنترل تک حالته ، چند حالته و مقایسه با نتایج حاصل از برنامه ریزی پویا را روی سیکلهای رانشی مختلف نشان می دهد.
جدول(6-1) مقایسه مشخصه عملکردی حاصل از کنترل تک حالته و چند حالته وکنترل بهینه
به عنوان یک نتیجه گیری از بحث فوق، می توان اظهار نمود اگرچه استراتژی کنترل بهینه مبتنی به شناسایی الگوهای رانشی، ما را بسمت یک جواب زیر بهینه سوق می دهد ولی با توجه به اینکه این روش فقط برپایه شش سیکل رانشی انتخاب شده استوار می باشد، مسئله تقسیم بهینه توان فقط به این شش سیکل محدود شده و توانایی برخورد با سیکلهای رانشی دیگر را ندارد.
4-1) استراتژی کنترل مبتنی بر مدلسازی دینامیکی
خودرو هایبرید مجموعه ای از سیستمهای پیچیده غیر خطی می باشد. سیستم محرکه رانشی خودرو هایبرید شامل مجموعه ای از سیستمهای ترمودینامیکی، الکتریکی ، الکتروشیمیایی و …. نظیر واحد تولید و ذخیره سازی انرژی الکتریکی، سیستم انتقال قدرت ، خط انتقال گشتاور ، …. می باشد. علاوه بر زیر سیستمهای فوق ، سیستمهای جانبی دیگری نظیر سیستم فرمان، ترمز، تهویه….، به سیستم نیرو محرکه رانشی افزوده می گردد. بر این اساس سیستم نیرو محرکه خودرو هایبرید باید توان لازم جهت حرکت خودرو را فراهم سازد تا معیار هایی نظیر قابلیت رانشی ، راحتی ، آلایندگی و…. را برآورده سازد.
مدل کلی سیستم انتقال قدرت یک خودرو هایبرید برقی شامل مدل دینامیکی مجموعه ای از سیستمهای الکترومکانیکی است که شامل اجزاء زیر می باشد:
موتور الکتریکی کششی و درایو الکتریکی مربوط به آن، موتور احتراق داخلی و کنترل کننده آن، سیستم باتری و ذخیره ساز انرژی الکتریکی و کنترل کننده مربوطه، سیستم انتقال و کنترل کننده آن، دینامیک خودرو، سیستم ترمز و کنترل کننده آن، کلاچ و ………
چنین ترکیباتی از اجزاء با توجه به ماهیّت پیچیده غیر خطی و بعضاً متغیّر بازمان آنها ، باعث می شود که کنترل سیستم محرکه رانشی خودرو هایبرید بسیار پیچیده شود و مشکل کنترل دینامیکی را ایجاد نماید. اینک به بررسی کارهای انجام شده در این زمینه پرداخته می شود.
در مرجع[19] به توصیف ریاضی و دینامیکی یک خودرو هایبرید موازی پرداخته شده است. دراین حالت هر کدام از زیر سیستمها به همراه کنترل کننده مربوط به خودش در نظر گرفته شده است. در این حالت فرمانهای مربوط به حالت موتوری ، ترمزی و تنظیم دریچه سوخت برای موتور احتراقی ، بر پایه حالت شارژ باتری ، سرعت موتور الکتریکی ، موقعیّت دنده ، موقعیت پدال شتاب دهنده ، گشتاور موتور احتراقی و موتور الکتریکی تخمین زده شده ، صورت می گیرد. در مرجع[19] توصیف دقیقی از مدلهای مورد استفاده و ساختار کنترل کننده ارائه نشده است. ساختار خودرو هایبرید مورد نظر بصورت شکل(33-1) می باشد:
شکل(33-1) ساختار خودرو هایبرید با کنترل کننده دینامیکی
نتایج شبیه سازی شکل(34-1) نشان می دهد، که در آغاز حرکت موتور الکتریکی به تنهایی در رانش خودرو نقش دارد. در طول اولین جابجایی دنده، هنگامیکه خودرو شروع به شتابگیری می نماید، موتور احتراقی در حالت بی باری و دریچه سوخت باز می باشد. به جابجایی دنده به دنده دوم، دریچه سوخت از حالت باز به 70 درجه می رسد.در این حالت سرعت موتور احتراقی از سرعت بی باری به سرعت 4000 دور بر دقیقه رسیده و گشتاور سیستم انتقال نیز افزایش پیدا کرده است.
همانطور که در شکل مشاهده می شود ، در حالت کاهش سرعت خودرو، گشتاور منفی ناشیاز بازیافت انرژی ترمز به موتور اعمال می گردد. در انتهای دنده چهارم و با کاهش سرعت خودرو ، گشتاور موتور صفر می گردد. در این مرجع شبیه سازی دینامیکی خودور به عنوان ابزاری مفید برای پیشبرد استراتژی عملکردی خودرو معرفی شده است. بسیاری از حالتهای مصالحه را می توان با استفاده از استراتژیهای عملکردی مختلف روی خودرو هایبرید برقی اجرا کرد[19].
شکل(34-1) نتایج حاصل از شبیه سازی استراتژی کنترل دینامیکی
در مرجع[20] به ارائه ساختار دینامیکی خودرو هایبرید و طراحی چند متغیرّه برای سیستم نیرومحرکه رانشی آن پرداخته شده است. در این مرجع مدل غیر خطی موتور احتراقی، ژنراتور سنکرون و موتور القایی توصیف شده است. براساس مدل توسعه داده شده برای سیستم نیرو محرکه خودرو ، سیستم مدیریت انرژی بهینه براساس تئوری پایداری لیاپانوف طراحی شده است.
با توجه به مدلهای هر یک از زیر سیستمهای خودرو هایبرید، معادله دینامیکی غیر خطی مربوط به این ساختار پیچیده بصورت (42-1) می باشد:
(42-1)
که x?X?R23 بردار متغیّرهای حالت سیستم، u?U?R7 بردار ورودیهای سیستم که بصورت معادله (43-1) می باشد. این بردار شامل ورودیهای کنترلی دیزل(?n? ، زاویه پریود باز مربوط به nozzle ) ، ماشینهای الکتریکی(ولتاژ ترمینال موتور الکتریکی و ولتاژ تحریک ژنراتور سنکرون) و زاویه فرمان چرخهای جلو (?s) می باشد:
(43-1)
بردار خروجی نیز بصورت رابطه (44-1) می باشد:
(44-1)
هدف اصلی، طراحی استراتژی مدیریت بهینه انرژی برپایه تئوری پایداری لیاپانوف می باشد. در این حالت محدودیت مربوط به کرانه دار بودن ورودیها نیز باید در نظر گرفته شود. به توجه به این محدودیتها، فرم تابع کنترلی کراندار براساس مراجع [21] و [22] بصورت رابطه (45-1) می باشد:
(45-1)
که در آن G?Rc?c یک ماتریس معین مثبت می باشد.
براساس تئوری پایداری لیاپانوف، کنترل کننده کراندار معادله (45-1) شرط پایداری برای سیستم
(42-1) را تضمین می کند ، اگر تابع معین مثبت V(x) موجود باشد ، بطوریکه :
(46-1)
با توجه به مباحث فوق، تابع لیاپانوف برای مدل دینامیکی غیر خطی خودرو برقی هایبرید سری بصورت رابطه (47-1) می باشد[20]:
(47-1)
که درآن Kxi(.)?Rc?c و ?=0,1,2,… و ?=0,1,2,…. می باشد.
نتایج حاصل از شبیه سازی در شکل (35-1) نشان داده شده است. نتایج بدست آمده ، نشان می دهد که کنترل کننده مذکور توانسته است پایداری سیستم را حفظ نماید.
شکل(35-1) نتایج حاصل از شبیه سازی براساس استراتژی کنترل لیاپانوف
در مرجع[23] از یک ساختار کنترل غیر متمرکز تطبیقی برای کنترل چهار کنترل کننده جامع استفاده شده است. چهار کنترل کننده تطبیقی برای کنترل سرعت خودرو ، کنترل کننده چرخهای خودرو به منظور تعقیب فرمانهای کنترلی ناشی از فرمان، کنترل کننده Yaw برای تنظیم میزان لغزش عرضی خودرو و کنترل کننده ای برای مدیریت انرژی خودرو استفاده شده است. کنترل کننده فوق برای برآورده کردن فرمانهای کنترل گشتاور وسرعت مورد نیاز راننده و مینیمم نمودن انرژی مصرفی و ثابت نگهداشتن سطح شارژ باتری طراحی شده است. با توجه به نامعیّنی بار و ناشناخته بودن لغزش چرخها و دینامیک تایر از دو ساختار کنترل تطبیقی متمایز بصورت زیر استفاده شده است.
الف) کنترلر عصبی تطبیقی ب) کنترلر مبتنی بر برنامه ریزی دینامیکی تطبیقی17
این دو ساختار برای سیستمهای چند متغیّره خطی و غیر خطی با دینامیکهای نامشخص قابل استفاده می باشند. ساختار هر دو بر پایه خطای بین مقادیر مطلوب و مقادیر دلخواه استوار است و نیاز به فرآیندهای شناسایی ندارد. کنترل کننده عصبی تطبیقی یک کنترل کننده غیر خطی می باشد و به اطلاعّات کمی از سیستم نیاز دارد تا در حالت زمان واقعی عملکرد خودرو را در ناحیه مطلوب نگه دارد و بصورت اتوماتیک تغییراتی که در دینامیک سیستم ناشی از عیبهای خارجی رخ می دهد را جبران می کند. ساختار کنترل کننده عصبی تطبیقی در شکل(36-1) نشان داده شده است.
شکل(36-1) ساختار کنترل عصبی تطبیقی
کنترل کننده مبتنی بر برنامه ریزی دینامیکی تطبیقی روشی است برای حل مسئله پیچیده تئوری کنترل بهینه کلاسیک که برای محاسبه قانون کنترل بهینه باید تابع هزینه بهینه محاسبه گردد. برنامه ریزی دینامیکی برای حل این گونه مسائل از معادله بهینگی بلمن استفاده می کند. روش حل برنامه ریزی دینامیکی تطبیقی برای آموزش روی خط تابع هزینه بهینه و قوانین کنترل بهینه طراحی می شود. در هر پله زمانی، کنترل

مطلب مرتبط :   منبع پایان نامه دربارهthe، of، and

دیدگاهتان را بنویسید