Оптимизација функционалних и управљачких параметара хибридног погонског система возила јавног градског превоза

Abstract

Погонски системи савремених возила предмет су истраживања великог броја научника широм света. Основни циљ истраживања огледа се у задовољавању све сложенијих и оштријих законских одредби у погледу токсичне издувне емисије и смањења потрошње горива, уз задржавање повољних перформанси возила. Хибридни погонски системи који, поред мотора са унутрашњим сагоревањем, обухватају и додатну погонску машину и алтернативни акумулатор енергије, нуде велике могућности у погледу уштеде горива. Од пресудне важности за остваривање потенцијалних уштеда јесу оптимизација функционалних и управљачких параметара система. Предмет ове дисертације јесте експериментално и теоријско истраживање у области оптимизације хидрауличног хибридног погонског система намењеног погону возила јавног градског превоза путника. Важна одлика таквих система огледа се у употреби хидро-пнеуматских акумулатора које карактеришу ниске вредности специфичне енергије. Управо зато, јавља се потреба да се пажљивим избором параметара акумулатора омогући максимално прикупљање енергије кочења у фазама возног циклуса када ће и резултујуће уштеде у потрошњи бити највеће. Формирањем детаљног симулационог модела хидрауличног хибридног погонског система, извршено је одређивање утицаја масе еластомерне пене, притиска преднапрезања и радне запремине хидро-пнеуматског акумулатора на степен корисности погонског система у целини. Такође, испитана је могућност примене метода заснованих на неуронским мрежама у процесу извођења и примене оптималног управљачког алгоритма. На основу снимљених возних циклуса, формиран је оптималан алгоритам управљања употребом референтне методе динамичког програмирања који је потом употребљен као улазни скуп података за тренирање вештачких неуронских мрежа различитих конфигурација. Применом функционалне оптимизације и предложене методе управљања, постигнуто је смањење потрошње горива од 23,9% у смеру кретања 1 и 25,5% у смеру кретања 2 и степен оптималности управљачког алгоритма од 83,7% и 79,8%, респективно.

Great scientific and engineering effoorts are being invested in improving the fuel economy and emission performance standards of powertrain systems amid ever-increasing legislative pressure. Hybrid powertrain systems, comprising a conventional internal combustion engine and an additional prime mover and its corresponding energy storage system, offeffoer great opportunities for fuel economy improvements. However, functional and control parameters optimization is of crucial importance in order to achieve the full extent of potential improvements. The subject of this dissertation is experimental and theoretical investigation into the ficeld of optimization of a hydraulic hybrid powertrain system intended for the propulsion of a transit bus. TheTheese hybrid propulsion solutions employ hydro-pneumatic accumulators for energy storage, which are characterized by low specific energy values. Because of this, it is of crucial importance to carefully choose the accumulator parameters in order to harness the maximum amount of regenerative braking energy during the deceleration phases that will yield the greatest fuel economy improvement. A comprehensive simulation model of a hydraulic hybrid powertrain system has been devised, which has allowed for the determination of the influfluuence of elastomeric foam mass, preload pressure and accumulator capacity on the resulting powertrain system efficfficciency and the potential fuel savings. For maximizing the achievable fuel savings, a neural network-based control algorithm trained using the optimal control trajectories derived using Dynamic Programming has been investigated. By applying the functional and optimal control optimizations presented in this dissertation, average fuel savings of 23.9% have been achieved in direction 1 of the transit bus driving cycle and 25.5% in direction 2. TheTheese ficgures represent 83.7% and 79.8% of the fuel economy improvements obtained using the unimplementable Dynamic Programming algorithm, respectively.