CN119502719A 一种前后轴双电机驱动纯电动商用车驱制动控制方法 （南京恒天领锐汽车有限公司）

一种前后轴双电机驱动纯电动商用车驱制前后轴双电机驱动纯电动商用车驱制动控制方电动汽车模型；建立基于截断三重Q网络和学习车辆前后轴扭矩的分配系数进行实时计算控制2S8、基于训练数据集，训练结合了车速预测模型2.根据权利要求1所述的前后轴双电机驱动纯电动商用车驱制动控制方法，其特征在3.根据权利要求1所述的前后轴双电机驱动纯电动商用车驱制动控制方法，其特征在4.根据权利要求1所述的前后轴双电机驱动纯电动商用车驱制动控制方法，其特征在DC_DC转换器用于将电池的高压电能转换为适合车辆其它第一电机和第二电机分别驱动前轴和后轴上的轮胎；两5.根据权利要求4所述的前后轴双电机驱动纯电动商用车驱制动控制方法，其特征在3对电机进行建模；电机在驱动状态和制动回收状态下的效率有差时通过量和动力电池组达到其寿命终点之前的等46.根据权利要求1所述的前后轴双电机驱动纯电动商用车驱制动控制方法，其特征在于，步骤S6中DDPG网络结构由当前Actor网络、目标Actor网络，当前Critic网络及目标由于目标网络的权重周期性地从当前网络进行更新，因此在训练过程中目标Q值可以va:QC(srar)是Critic网络对动作的价值评估7.根据权利要求6所述的前后轴双电机驱动纯电动商用车驱制动控制方法，其特征在式58.根据权利要求1所述的前后轴双电机驱动纯电动商用车驱制动控制方法，其特征在rt=-[p1ASOC(t)+PZASOH(t)]并且，定义学习过程中的边界如下：9.根据权利要求1所述的前后轴双电机驱动纯电动商用车驱制动控制方法，其特征在采用改进的DDPG算法的策略网络和价值网络进行训练，得到基于学习型在车辆实际行驶过程中，将车辆的短时域历史车速以及车辆当67法虽然能够实现对未来工况的预测和优化控制，但在面对长时间预测周期时计算复杂度8[0006]Wu,Changcheng等人提出了基于自注意力深度强化学习的双电机纯电动汽车能量管理策略。为了应对多工况和复杂路况的挑战，该技术方案采用了深度确定性策略梯度制系统对不确定环境的适应性，确保车辆在多变工况下的能量分配最优。该策略的主要优化目标包括降低电池的老化速率以及减少整车能耗。通过设定多目标优化指标，控制器能够实时调整前后轴电机的扭矩输出和能量消耗，确保在延长电池寿命的同时降低整体能耗。够提高双电机系统的能量效率，还能显著提升车辆在多工况条件下的适应性和运行稳定9[0055]Ea(c)=37100-370.3·c[0066]由于目标网络的权重周期性地从当前网络进行更新，因此在训练过程中目标Q值[0077]va:QC(srar)是Critic网络对动作的价值评估的梯度，衡量对at的小幅变化如何[0084]式中，LOU和分别表示不同网络参数or和oy下的Q输出；s'是下一状态，vkvkt1、vk+2、vk+3的车速信息输入到学习型预测控制的[0094]得到t时刻的最优动作ak后，利用k时刻的状态量[0114]本发明提供了一种基于学习型模型预测控制（Learning_basedModel动汽车的智能化能量分配和健康状态感知，从而提高系统的能量利用效率并延长系统寿[0115]本实施例的技术方案提出了一种基于学习型模型预测控制的双电机纯电动汽车健康状态SOH等观测量对车辆前后轴扭矩的分配系数进行实时计算，以实现高效的能量分[0130]接下来进行动力电池建模。动力电池的充放电过程是非常复杂的电化学反应过[0141]Ea(c)=37100-370.3·c(9)[0158](9)=E[QC(sr,ar)ar=uc(s)](15)[0162]va:QC(srar)是Critic网络对动作的价值评估的梯度，衡量对at的小幅变化如何[0171]式中，LOU和分别表示不同网络参数和toy下的Q输出；s'是下一状态，减小高估风险的同时避免低估问题对策略优化的负面影响。这种截断三重Q学习策略在保[0179]为了解决这些问题，本申请在强化学习算法中引入了学习率调度器（Learning[0180]具体而言，本申请采用周期性波动与峰值衰减的学习率调度器形式，如下图3所时考虑历史信息[xo,x1,…,xt-1,x]输入和未来信息[xt,xtr1,…,xtrn]。这种双向设计允许模循环神经网络和门控循环单元的特性，能够在处理时同时考虑数据的前向和后向信息流，积的特性扩展感受野，确保模型在捕捉历史信息时不丢失时间顺序。BiTCN通过双向信息[0217]得到t时刻的最优动作ak后，利用k时刻的状态量[0218]然后采用上述(10)~(14)进行对改进的DDPG算法的策略网络和