严格的机动车排放法规和高油价加剧了对节能型汽车的需求。与此同时，消费者继续期望汽车的性能与燃油价格较低时相同。这些相互冲突的需求给汽车制造商提出了优化的挑战:如何最小化油耗和CO2在不牺牲性能的情况下排放?
在遥远的过去，汽车制造商通过分别优化每个动力系统部件的功率效率来解决这个问题。在20世纪70年代的燃料危机期间，大型汽车制造商开始开发内部计算机模拟模型，以实现最佳的系统级性能。尽管朝着系统级优化的方向发展，但在一些新兴市场中，优化单个组件仍然很常见。这种零碎的方法错过了通过协调各部件的操作点来减少车辆燃料消耗的大好机会。
基于模型的MATLAB设计®和仿真软金宝app件®使所有汽车厂商和供应商都能获得曾经为少数大型汽车厂商保留的优化结果，并拥有开发大型内部仿真模型和优化方案的资源。通过使用集成了发动机、变速器、轴比、驾驶员和车辆的系统模型，工程师可以精确匹配动力总成部件，同时优化轴比等硬件变量和换挡计划等校准参数。他们不再粗略估计昂贵的替代技术对燃油经济性的影响，而是根据关键的硬件选择决策制定硬性指标。
例如，假设我们想优化一款经济型汽车的动力系统，该经济型汽车采用五速双离合变速器(DCT)和2升涡轮增压，4缸发动机(表1)。目标是在联邦测试程序(FTP75)的驱动周期中使用尽可能少的燃料，同时在0-100公里/小时加速时间(从静止开始达到100公里/小时所需的时间)中保持10秒的最低性能阈值。
| 引擎 | 2.0L 4缸I4 SI涡轮增压发动机，双vvt |
| 汽车类(质量) | 小型至中型(1600公斤) |
| 传输 | 5档DCT |
| 阻力系数Cd | 0．4 |
| 驱动周期 | FTP75(燃油经济性) 0-100 KPH加速(性能) |
表1。车辆的特征。
为了找到满足这些要求的换挡计划校准和轴比的组合，我们测试了一系列轴比。对于每个比率，我们使用数值优化来找到FTP75循环中最省油的换挡计划校准，以及一个单独的换挡计划校准，以最大限度地缩短0-100公里/小时的加速时间。按照目前的做法，生产动力系统控制器根据驾驶者通过油门踏板发出的扭矩需求大小，选择两种最佳换挡计划中的哪一种。每个轴比对应的燃料成本和0-100 km / h加速时间被绘制在一起，形成一个燃油经济性和性能与轴比的权衡图(图1)。
我们不再使用昂贵且耗时的车轴硬件改变和换班计划重新校准的车内测试，这可能会由于测量噪音而产生不确定的结果，我们现在有了一个明确的结果:在10秒的0-100公里/小时的设计约束下，3.0轴比结合最佳换挡计划校准提供了最佳的燃油效率。
为什么DCT ?
DCT结合了自动变速器的便利性和手动变速器的燃油效率。它有两个独立的离合器，一个用于奇数齿轮组，一个用于偶数齿轮组(图2)，消除了扭矩变换器的需要。为了确保顺畅的换挡和最佳的效率，dct需要复杂的控制器，能够预先选择下一个档位，并在需要时精确地接合适当的离合器。
dct的燃油效率比手动变速器高3-5%，而手动变速器的燃油效率又比自动变速器高5-10%。这种效率的提高促进了DCT市场的近期增长，特别是在欧洲和中国。
开发系统级模型
在Simulink中，金宝app我们构建了一个系统级模型，其中包括一个精确的引擎模型，该引擎模型来源于引擎映射数据、DCT(包括它的控制器)、车辆和一个自动驾驶组件，以便在特定的驱动周期中驱动仿真(图3)。
发动机建模与标定
由于发动机是传统动力系统的核心，并且直接消耗燃料，因此一个准确的发动机燃料消耗和扭矩产生模型至关重要。为了得到最准确的结果，我们必须根据测量数据创建这个模型。使用基于模型的校准工具箱™我们将统计模型应用于引擎测功器的引擎测试数据，并将这些模型自动导出到Simulink中(图4)。金宝app
使用基于模型的校准工具箱中的校准生成(CAGE)工具，我们生成用于整体仿真的发动机控制器模型的发动机校准表。这些表格捕捉了最佳火花提前、空燃比、进气凸轮相位和排气相位作为发动机转速和负载的函数(图5)。
变速器与车辆建模
我们使用执行器，狗离合器，齿轮和轴块从SimDriveline建模DCT™(如图3中的Simulink系统模金宝app型所示)。变速器控制器，包括燃油经济性和性能换挡计划，使用Simulink和statflow建模®．
我们还使用SimDriveline为车辆动力学子系统建模，该子系统集成了车辆的质量和道路负载特性。
驱动周期和自动驾驶实现
为了完成系统级模型，我们添加了FTP75驱动循环和自动驾驶子系统。FTP75区块包含了代表标准联邦测试程序75 (Federal Test Procedure 75)驾驶周期的车辆速度轨迹，包括低速和中速驾驶，通常用于燃油经济性和排放认证测试。autodriver将FTP75块中的车速命令和实际车速作为输入。它使用比例积分(PI)控制器产生扭矩需求信号，控制引擎扭矩，使实际车速与FTP75驾驶周期中所要求的车速相匹配。
仿真和优化
一旦我们有了一个完整的系统级模型，我们就可以对任何我们想要测试的换班计划和轴比进行模拟。总油耗和0-100公里的时间可以通过模拟计算。
我们将测试七个轴比，范围从1.75到4.25，并确定每个最佳换挡计划。模拟所有可能的换班计划的搜索是不可行的，因为换班计划包含32个不同的参数(图6)。假设每个换班计划校准值可以在+/-10英里/小时的范围内变化，工程分辨率为1英里/小时(不考虑约束)，彻底搜索需要2.05 x 10的调查42（2132)可能的轮班计划模拟。
我们将使用全局优化工具箱中的模式搜索优化算法，而不是这种强力方法，从而将所需的模拟次数减少到15400次(在本例中)。
单独模拟FTP75周期只需要250秒，大约是实时的5倍。然而，需要在单个处理器上运行15400次模拟的优化需要44天以上才能得到结果。这个计算密集型问题很适合并行计算，因为模拟可以在单独的处理器上独立运行。
我们建立了一个有16台四核pc的计算集群，共64位工作人员。为了进一步加速搜索，我们使用Simulink中的Rapid Accelerator模式构建了一个独立的可执行目标，以在运行之间保持完整的仿真模型参数独立性。金宝app
我们通过设置优化参数开始优化过程(图7)。接下来，在全局优化工具箱中的模式搜索算法使用模式搜索的2N优化方法识别要模拟的参数变化。在这个例子中，有两个轮班计划，每个都有16个可变点(N=32)。这意味着模式搜索一次将运行64 (2N)个模拟，完全匹配可用的工作者数量。在集群中的不同处理器上模拟当前轴比的每个变化。如果搜索空间分辨率或网格大小没有低于预定的阈值，那么将生成一组新的参数变化，并重复此过程。当搜索空间筛孔尺寸在低于阈值时，算法找到了0-100 KPH时间的全局最小油耗，并给出了结果。
将这个进程分布在一个64个工作人员的集群上，可以将总计算时间从超过44天减少到大约26小时。
在进行完整的轴扫描并找到每个轴比的最佳换挡计划后，我们生成了如图1所示的性能和燃油经济性权衡图。结果表明，当轴比为2.6左右时，燃油消耗最低。然而，这一比例导致0-100公里每小时的行驶时间超过10秒，超过了我们为目标市场设计的10秒性能阈值。低于我们期望的性能阈值的最佳轴比是3.0。
图8。仿真结果显示最佳轴比为0-100公里的时间小于10秒。
在进行优化之前，我们估计了最优的换挡计划和轴比。这个基线配置,主传动比为3.8,导致汽车每加仑31.85英里的燃油效率和8.03秒的0 - 100公里/小时的时间(表2)。在运行优化后找到最节能换挡规律对于这个主传动比,我们增加了5.8%的燃油效率。通过将轴比降低到3.0，我们可以权衡性能(0-100 km / h的时间从8.03增加到9.54)，以实现比基准提高12.5%的燃油效率。
如果我们在不重新优化换挡计划的情况下，通过手动方式将轴比调整为3.0，我们将无法实现最大可能的油耗降低，因为手动调整所有32个换挡点很难或不可能实现相同的结果。
| 换挡规律 | 基地 | 选择3.8 | 选择3.0 |
| 轴比 | 3．8 | 3．8 | 3．0 |
| 英里/加仑 | 31.85 | ↑5.8% | ↑12.5% |
| 性能 时间0 - 100kph (s) |
8.03 | 8.03 | 9.54 |
结论
精确的车辆仿真模型使工程师能够定量地确定车辆性能和燃油经济性之间的矛盾需求之间的最佳权衡，给定一组可用的硬件选择。
通过使用本文中描述的方法，工程师可以继续响应不断变化的市场需求，改变传动系统的轴比，以选择一种符合客户对给定车型期望的折衷方案。
