王君琦 李勇滔 鄭偉光 張彥會 陳子郵 許恩永 李育方 王善超

摘 要： 為改善商用車空氣處理系統(tǒng)的燃油經(jīng)濟(jì)性，提出一種以基于電磁閥控制的電控空氣處理單元（APU）控制策略，進(jìn)行了Simulink 系統(tǒng)仿真實驗。該策略具有基礎(chǔ)、低壓和高壓等3 種工作模式；基于發(fā)動機(jī)工況識別和預(yù)測方法；利用Matlab/Simulink 搭建車輛模型和空氣處理系統(tǒng)模型；并構(gòu)建了神經(jīng)網(wǎng)絡(luò)模式識別和Markov 鏈預(yù)測控制模型對發(fā)動機(jī)的運行工況進(jìn)行識別分類和需求扭矩百分比預(yù)測。結(jié)果表明：仿真實驗驗證了工況分類和電磁閥控制策略的有效性。在中國重型商用車瞬態(tài)工況（C-WTVC）下，與相同儲氣筒初始?xì)鈮簵l件的機(jī)械A(chǔ)PU 相比較，應(yīng)用該控制策略的電控APU 的功率消耗下降480 Wh，下降比率34.7%，燃油經(jīng)濟(jì)性顯著改善。

關(guān)鍵詞： 商用車；燃油經(jīng)濟(jì)性；空氣處理單元（APU）；電磁閥控制；控制策略；模式識別；Markov 鏈

中圖分類號： U 463.55 ；TP 212 文獻(xiàn)標(biāo)識碼： A DOI： 10.3969/j.issn.1674-8484.2023.05.009

使用電子控制并優(yōu)化其控制策略從而提升商用車輛的燃油經(jīng)濟(jì)性、安全性和駕駛體驗成為了不可阻擋的趨勢[1-3]。因為電子控制的汽車零部件有著更加智能化、精確化和響應(yīng)快等優(yōu)勢[4]，且合理的車輛電子電氣架構(gòu)可以實現(xiàn)車輛信息共享、滿足功能分配、滿足成本控制等特點[5]，對機(jī)械零部件實現(xiàn)電子控制或?qū)F(xiàn)有的機(jī)械零部件更換為電子控制的零部件是滿足提升燃油經(jīng)濟(jì)性的有效方法。

空氣處理單元（air processing unit，APU）是商用車空氣處理系統(tǒng)中處理干燥壓縮空氣的重要部件，其主要作用是干燥和清潔空氣壓縮機(jī)輸入的壓縮空氣。因空氣處理系統(tǒng)涉及的空氣壓縮機(jī)對燃油消耗存在一定影響，近年來該系統(tǒng)的性能優(yōu)化問題受到了國內(nèi)外學(xué)者的高度重視。

楊長偉[6-7] 等人明確了空氣壓縮機(jī)的占空比和實際工作時間為評價APU 性能的重要指標(biāo)，并提出了更改空氣處理系統(tǒng)零件的機(jī)械結(jié)構(gòu)以實現(xiàn)減少能量消耗的方法。項小雷[8] 等人將鍵合圖理論用于分析空氣處理系統(tǒng)，以提升系統(tǒng)的響應(yīng)性能。傳統(tǒng)APU 由于采用的是氣壓控制的調(diào)壓閥，固定的氣壓值控制調(diào)壓閥換向只能為APU 提供單一的工作模式，未能滿足日益復(fù)雜的行駛工況和駕駛需求。電子控制的汽車零部件能夠?qū)崿F(xiàn)更高的控制精度和更復(fù)雜的控制任務(wù)，不僅可以通過合適的模式工作閾值和合理的模式切換策略，兼顧不同的駕駛工況，以達(dá)到節(jié)省燃油和提高動力性的需求[9]，還可利用先進(jìn)的控制算法對車輛或發(fā)動機(jī)的運行工況進(jìn)行預(yù)判斷，使其工作狀態(tài)更加安全穩(wěn)定[10-12]。電子控制的APU 能夠通過不同的工作模式匹配對應(yīng)的工況形式，相比于傳統(tǒng)的機(jī)械式APU，其在燃油經(jīng)濟(jì)性、零部件使用壽命方面具有一定的提升[13-14]。

為此，本文以電控空氣處理單元APU 的占空比和能量消耗為研究對象，基于發(fā)動機(jī)工況識別和預(yù)測，提出的一種具有多工作模式的商用車APU 控制策略。將利用Matlab/Simulink 搭建駕駛員、車輛和APU 的仿真模型。通過對實車行駛數(shù)據(jù)進(jìn)行訓(xùn)練，由神經(jīng)網(wǎng)絡(luò)完成發(fā)動機(jī)工況的分類識別，并使用Markov 鏈預(yù)測未來短時間內(nèi)的發(fā)動機(jī)需求扭矩輔助工況識別，根據(jù)識別分類和預(yù)測發(fā)動機(jī)工況對APU 的模式進(jìn)行控制?？赏M(jìn)一步優(yōu)化模式識別和預(yù)測算法，提升商用車空氣處理系統(tǒng)的能耗表現(xiàn)。

1 商用車電控APU 模式

1.1 電控APU 工作模式

空氣處理單元APU. 包含空氣壓縮機(jī)、干燥罐和儲氣筒等主要零部件。電控APU 可以控制入口壓力，從而控制空氣壓縮機(jī)的功率消耗。在對電控APU 工作模式設(shè)計時，應(yīng)考慮車輛的發(fā)動機(jī)運行工況，并將發(fā)動機(jī)運行工況和APU 工作模式進(jìn)行匹配。在應(yīng)對加速或爬坡等對發(fā)動機(jī)功率需求較大的工況時，空氣壓縮機(jī)應(yīng)減少對發(fā)動機(jī)的功率和扭矩消耗；而應(yīng)對減速或下坡等工況時，車輪可以對發(fā)動機(jī)進(jìn)行反拖，空氣壓縮機(jī)應(yīng)充分利用反拖能量進(jìn)行泵氣。通過分析上述發(fā)動機(jī)工況并對各運行工況進(jìn)行匹配，設(shè)計基礎(chǔ)模式、低壓模式和高壓模式3 種APU 工作模式。

商用車電控APU 的3 種工作模式主要特點如下：基礎(chǔ)模式，儲氣筒的氣壓適中，空氣壓縮機(jī)負(fù)荷適中，發(fā)動機(jī)做功直接帶動空氣壓縮機(jī)，有一定的燃油消耗；低壓模式，儲氣筒的氣壓較低，空氣壓縮機(jī)負(fù)荷低，發(fā)動機(jī)在進(jìn)入該模式一段時間內(nèi)不帶動空氣壓縮機(jī)，空氣壓縮機(jī)不消耗發(fā)動機(jī)功率；高壓模式，儲氣筒的氣壓較高，空氣壓縮機(jī)負(fù)荷較高，燃油消耗大，若發(fā)動機(jī)靠車輛滑行或下坡反拖的能量對空氣壓縮機(jī)做功，可以減少燃油消耗。

在基礎(chǔ)模式、低壓模式和高壓模式下，轉(zhuǎn)入泵氣狀態(tài)的切進(jìn)壓力分別為pnci、plci、phci ；轉(zhuǎn)入卸荷模式的切斷壓力分別為pnco、plco、phco。其中，最低壓plci 應(yīng)滿足國標(biāo)[15] 最低額定工作氣壓1.0 MPa ；最大壓力phco應(yīng)不超過儲氣筒允許的最大壓力和空氣壓縮機(jī)的最大排壓限制，最大壓力限制為1.3 MPa。為滿足降低功率消耗和燃油消耗的要求，各壓力值區(qū)間還應(yīng)滿足以下條件：

電控空氣處理單元APU 各模式壓力區(qū)間示意圖如圖1 所示。

1.2 基于神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)工況模式識別

神經(jīng)網(wǎng)絡(luò)模式識別在發(fā)動機(jī)運行工況識別分類中應(yīng)用廣泛[16-17]。在對發(fā)動機(jī)運行工況分類時，通常以車輛的車速信息或加速度信息描述車輛的運動狀態(tài)，無法判斷發(fā)動機(jī)當(dāng)前或未來一段時間內(nèi)的功率或扭矩需求。為描述車輛行駛過程中對發(fā)動機(jī)的扭矩需求，根據(jù)運動學(xué)狀態(tài)將車輛運行工況分為怠速工況、勻速工況、加速工況和減速工況，其中，空擋滑行狀態(tài)下發(fā)動機(jī)仍需做功維持運轉(zhuǎn)和附件正常運行，同樣定義為發(fā)動機(jī)怠速工況。從轉(zhuǎn)轂試驗中采集的商用車行駛狀態(tài)信息中，抽取各運動學(xué)片段的典型車輛加速度a 和發(fā)動機(jī)扭矩需求Treq 的百分比γ（Treq），如圖2 所示。

綜合考量工況分類所需的車輛傳感器信號[18-19] 和電控空氣處理單元APU 控制要求，在采集并分類的車輛運行工況中選取平均車速vave、最大車速vmax、平均加速度aave、最大加速度amax、平均扭矩百分比γ（Treq ave）和最大扭矩百分比γ（Treq max）作為APU 控制系統(tǒng)的車輛工況識別特征參數(shù)，各典型工況的特征參數(shù)如表1所示。

根據(jù)已采集的行車數(shù)據(jù)信息，使用統(tǒng)計狀態(tài)轉(zhuǎn)移矩陣計算方法，得到的商用牽引車帶掛行駛功率轉(zhuǎn)移概率如圖3 所示。

當(dāng)需求扭矩百分比狀態(tài)處于γi （Treq） 時，根據(jù)狀態(tài)轉(zhuǎn)移概率矩陣P，選擇P （ i ， ： ） 中需求扭矩概率最大的扭矩值作為下一時刻的預(yù)測值。通過這一方法，可以根據(jù)狀態(tài)轉(zhuǎn)移概率Pij 的k 階概率確定未來k 步的加速度狀態(tài)。若車輛在同一工況下，車輛需求扭矩百分比狀態(tài)分布概率穩(wěn)定，可按照上述Markov 預(yù)測方法獲得理想的預(yù)測結(jié)果，為防止概率矩陣隨車輛運行數(shù)據(jù)更新或駕駛員駕駛風(fēng)格不同而發(fā)生變化，導(dǎo)致預(yù)測結(jié)果出現(xiàn)誤差，還應(yīng)對狀態(tài)轉(zhuǎn)移矩陣進(jìn)行實時更新，其更新過程如圖4 所示。

2 車輛關(guān)鍵部件參數(shù)及其建模

2.1 車輛關(guān)鍵參數(shù)

某商用車整車參數(shù)如表3 所示，其余參數(shù)將根據(jù)GB/T 27840-2021 設(shè)定。

2.2 車輛及其APU 數(shù)學(xué)模型的建立

數(shù)學(xué)模型設(shè)計時，考慮使用工況車速作為輸入，空氣處理單元APU 電磁閥狀態(tài)量作為輸出。因此，需要建立的數(shù)學(xué)模型包含模擬油門和剎車踏板開度的駕駛員模型、車輛傳動模型、空氣處理系統(tǒng)氣壓模型、電磁閥控制模型。

駕駛員模型使用比例—積分（proportional integral，PI）控制，較比例—積分— 微分（proportional integralderivative，PID）控制方便簡潔，控制效果穩(wěn)定可靠。駕駛員模型以目標(biāo)車速和實際車速之差為輸入信號，輸出表示油門踏板開度和剎車踏板開度的比例信號。油門踏板開度可以聯(lián)合發(fā)動機(jī)模型中的車速和擋位信息進(jìn)一步獲得發(fā)動機(jī)的需求扭矩輸出。良好的車速跟隨可以保證仿真結(jié)果的準(zhǔn)確性。

設(shè)某時刻目標(biāo)車速為vref，同一時刻實際車速為vact，則該時刻目標(biāo)車速和實際車速之差為Δv = vref - vact。

根據(jù)PI 控制，踏板開度信號為

2.3 控制系統(tǒng)Simulink 模型建立空氣處理單元APU 系統(tǒng)仿真模型主要由整車模型、控制器模型和儲氣筒氣壓模型組成。為快速構(gòu)建APU 系統(tǒng)仿真模型，降低模型搭建難度和模型階次，本文建立的系統(tǒng)模型將基于以下假設(shè)：

發(fā)動機(jī)扭矩計算忽略加速阻力和坡道阻力；儲氣筒內(nèi)壓縮空氣視為理想氣體，其壓縮因子Z = 1；儲氣筒內(nèi)壓縮空氣消耗視為勻速消耗，其總消耗量由同等質(zhì)量條件的轉(zhuǎn)轂實驗得出。

根據(jù)式（8）—式（16）， 建立某商用牽引車輛及其空氣處理系統(tǒng)仿真模型，系統(tǒng)仿真模型如圖5 所示。

在APU 模型中，電磁閥決策模塊使用并行狀態(tài)機(jī)實現(xiàn)，APU 的狀態(tài)切換和APU 的模式切換2 個子模塊都處于活動狀態(tài)。其中，APU 狀態(tài)子模塊中的氣壓工作區(qū)間由APU 模式子模塊決定并發(fā)送至APU 狀態(tài)子模塊。該模型以發(fā)動機(jī)轉(zhuǎn)速為輸入，以電磁閥狀態(tài)xv1和xv2、空氣壓縮機(jī)負(fù)載時間tdur、儲氣筒氣壓值p 為輸出。

3 結(jié)果及分析

3.1 模式識別和預(yù)測分類結(jié)果

為驗證模式識別和預(yù)測分類方法的有效性，在中國重型商用車瞬態(tài)工況（China World Transient VehicleCycle，C-WTVC）的車速輸入下，分別對加速度分類、神經(jīng)網(wǎng)絡(luò)識別分類、神經(jīng)網(wǎng)絡(luò)識別和Markov 鏈預(yù)測分類的工況分類方法進(jìn)行仿真，輸出電控空氣處理單元APU 的工作模式，仿真輸出C-WTVC 工況車速下的電控APU 工作模式分類結(jié)果如圖6 所示，其中，“模式1”表示低壓模式，“模式2”表示基礎(chǔ)模式，“模式3”表示高壓模式。

通過與加速度分類和模式識別分類方法進(jìn)行對比，基于神經(jīng)網(wǎng)絡(luò)識別和Markov 鏈預(yù)測的電控APU 控制方法模式切換頻次較其他方法明顯降；另外，通過觀察分類結(jié)果和車速可以發(fā)現(xiàn)，該方法對細(xì)微的車輛狀態(tài)變化判斷更加準(zhǔn)確、避免了APU 工作模式頻繁切換。相比于加速度分類方法，該方法使得APU 工作模式可以穩(wěn)定應(yīng)對突然變化的速度需求和發(fā)動機(jī)扭矩需求，具有較好的魯棒性。

3.2 電控APU 仿真結(jié)果及分析

采用C-WTVC 車速作為輸入，在儲氣筒初始?xì)鈮褐翟O(shè)定為1.0 MPa、車輛牽引質(zhì)量30 t 條件下，對單一工作模式的機(jī)械式空氣處理單元APU 和加速度分類、神經(jīng)網(wǎng)絡(luò)識別分類、神經(jīng)網(wǎng)絡(luò)識別和Markov 鏈預(yù)測分類的工況分類方法分別進(jìn)行仿真。APU 各模式仿真切斷閥狀態(tài)結(jié)果如圖7 所示，其中“狀態(tài)1”表示切斷電磁閥xv1 通電，此時空氣壓縮機(jī)不工作；“狀態(tài)0”表示切斷電磁閥xv1 不通電，空氣壓縮機(jī)工作?；谏窠?jīng)網(wǎng)絡(luò)識別和Markov 鏈預(yù)測控制以及基于調(diào)壓閥控制的APU，空氣壓縮機(jī)的瞬時功率Pins 曲線如圖8 所示。

記錄機(jī)械式APU 仿真實驗結(jié)果和多模式電控APU 各工作模式仿真數(shù)值結(jié)果，以機(jī)械式APU 臺架實驗數(shù)值結(jié)果作為對照，APU 各工作模式實驗數(shù)值結(jié)果如表5 所示。其中： tdur 為空氣壓縮機(jī)工作時間，γ（tdur）為空氣壓縮機(jī)占空比，Pcom 為空氣壓縮機(jī)功耗，nv1 為切斷（電磁）閥換向次數(shù)。表5 中，機(jī)械式APU 臺架實驗結(jié)果為機(jī)械式APU 在3 輪C-WTVC 工況下的實驗結(jié)果平均值。仿真實驗與臺架實驗的空氣壓縮機(jī)占空比絕對誤差約為3%?？紤]到臺架實驗中空氣壓縮機(jī)轉(zhuǎn)速值獲取過程包含車輛換檔時的動力銜接和行駛阻力等因素，認(rèn)為該仿真實驗結(jié)果具有參考意義。

由表5 可知：在C-WTVC 工況下，通過對駕駛工況識別和分類的APU 控制策略相較于機(jī)械式APU 的氣壓控制方法可以顯著降低空氣壓縮機(jī)的工作時間，占空比下降約12%；在空氣壓縮機(jī)功耗方面，電控APU 控制策略使空氣壓縮機(jī)功耗下降約480 kWh，功率消耗下降約34.7% ；基于神經(jīng)網(wǎng)絡(luò)識別和Markov 鏈預(yù)測分類的APU 控制策略較其他2 種控制策略在能耗方面優(yōu)勢不明顯，但較其他2 種控制方法降低了電磁閥的換向次數(shù)，減少了電磁閥的工作強度，起到了節(jié)能和增加電磁閥使用壽命的效果。

4 結(jié) 論

本文基于發(fā)動機(jī)工況識別和預(yù)測，提出的一種具有3 種工作模式的商用車空氣處理單元APU 控制策略，建立了該車輛和空氣處理系統(tǒng)的Matlab/Simulink 系統(tǒng)仿真模型。

在中國重型商用車瞬態(tài)工況（C-WTVC） 工況下，該電控APU 相較單一模式的APU 減少了12% 的空氣壓縮機(jī)工作時間，降低了空氣壓縮機(jī)的能量消耗約34.7%。

該電控APU 能夠?qū)Σ煌ぞ匦枨蟀俜直人幍墓r進(jìn)行識別和分類，使控制單元準(zhǔn)確控制APU 工作模式。在車輛應(yīng)對爬坡和超車等復(fù)雜工況時，該控制策略的應(yīng)用降低了發(fā)動機(jī)附件的功率消耗，燃油經(jīng)濟(jì)性得到了顯著改善。

參考文獻(xiàn) （ References）

[1] LIU Dahui， Eksioglu B， Schmid M J， et al. Optimizingenergy savings for a fleet of commercial autonomoustrucks [C]// IEEE Trans Intel Transp Syst， 2022， 23（7）：7570-7586.

[2] 李耀華， 何杰， 范吉康. 基于多MAP 圖的商用車電動助力轉(zhuǎn)向控制策略[J]. 汽車安全與節(jié)能學(xué)報， 2022， 13（1）：86-94.

LI Yaohua， HE Jie， FAN jikang. Control strategy ofelectric power steering for commercial vehicle based onMulti-MAP [J]. J Autom Safe Energ， 2022， 13（1）： 86-94.（in Chinese）

[3] 楊凡， 顧杰， 黃凡， 等. 商用車氣壓電子駐車系統(tǒng)坡道輔助控制方法[J]. 液壓與氣動， 2021， 45（8）： 145-153.

YANG Fan， GU Jie， HUANG Fan， et al. Hill startassistance control method of commercial vehicle withelectronic air parking brake system [J]. Chin HydrauPneumatics， 2021， 45（8）： 145-153. （in Chinese）

[4] 同曉雅， 杜彬， 任靜媛， 等. 基于商用車的電子駐車制動控制系統(tǒng)研究[J]. 汽車電器， 2022（10）： 65-66+69.

TONG Xiaoya， DU Bin， REN Jingyuan， et al. Researchon electronic parking brake control system based oncommercial vehicle [J]. Auto Electric Parts， 2022（10）： 65-66+69. （in Chinese）

[5] 張文斌， 王濤， 丁萬興， 等. 重型商用車電子電氣架構(gòu)的規(guī)劃[J]. 汽車電器， 2021（1）： 30-34. ZHANG Wenbin，

WANG Tao， DING Wanxing， et al. Planning of electronicand electrical architecture of heavy commercial vehicle [J].Auto Electric Parts， 2021（1）： 30-34. （in Chinese）

[6] 楊長偉. 商用車制動系空氣管理系統(tǒng)研究仿真[D]. 吉林：吉林大學(xué)， 2018.

YANG Changwei. Research and simulation of airmanagement system of commercial vehicle brake system[D]. Jilin： Jilin University. 2018. （in Chinese）

[7] Park W K， Mun S D， Lee H K， et al. Optimization ofdrying performance considering driving conditions [J].Int.J Automot. Technol. 12， 705 （2011）.

[8] 項小雷， 李松松. 鍵合圖理論在商用車氣制動系統(tǒng)空氣干燥器響應(yīng)特性分析中的應(yīng)用[J]. 汽車技術(shù)， 2012（10）： 32-35+61.

XIANG Xiaolei， LI Songsong. Application of bond graph theory on air dryer response characteristic analysis of theair brake system for commercial vehicles [J]. Auto Tech，2012（10）： 32-35+61. （in Chinese）

[9] 張旗， 嚴(yán)天一， 趙燕樂. 具有多工作模式的電機(jī)式主動橫向穩(wěn)定器控制策略研究[J]. 機(jī)械科學(xué)與技術(shù)， 2023，42（5）： 793-801.

ZHANG Qi， YAN Tianyi， ZHAO Yanle. Research oncontrol strategy of a motor-type active anti-roll stabilizerwith multiple operating modes [J]， Mech Sci Tech AerospEngi， 2023， 42（5）： 793-801. （in Chinese）

[10] 李耀華， 劉洋， 馮乾隆， 等. 基于最優(yōu)預(yù)瞄和模型預(yù)測的智能商用車路徑跟蹤控制[J]. 汽車安全與節(jié)能學(xué)報，2020， 11（4）： 462-469.

LI Yaohua， LIU Yang， FENG Qianlong， et al. Pathtracking control for an intelligent commercial vehiclebased on optimal preview and model predictive [J]. JAutom Safe Energ， 2020， 11（4）： 462-469. （in Chinese）

[11] 史培龍， 趙軒， 陳子童， 等. 基于道路行駛工況辨識的重型載貨汽車排氣制動系統(tǒng)主動控制研究[J]. 汽車工程，2023， 45（1）： 104-111+146.

SHI Peilong， ZHAO Xuan， CHEN Zitong， et al. Studyon active control of exhaust brake system for heavydutytruck based on road driving condition recognition[J]. Autom Engineering， 2023， 45（1）： 104-111+146. （inChinese）

[12] 蔡偉. 基于車速預(yù)測的電動商用汽車能量管理策略研究[D]. 成都： 西華大學(xué)， 2022.

CAI Wei. Research on energy management strategy ofelectric commercial vehicles based on condition prediction[D]. Chengdu： Xihua University， 2022. （in Chinese）

[13] 郇浪浪， 田雪毅， 趙鵬昌， 等. 空氣處理單元的原理及實現(xiàn)方式研究[J]. 汽車實用技術(shù)， 2021， 46（11）： 196-198.

HUAN Langlang， TIAN Xueyi， ZHAO Pengchang， etal. Study on the Principle and Implementation of AirTreatment Unit [J]， Auto Appl Tech， 2021， 46（11）： 196-198.（in Chinese）

[14] 呂征， 李法兵， 陳首剛. 商用車電控空氣干燥器性能研究及應(yīng)用[J]. 汽車實用技術(shù)， 2018（20）： 159-162.

L? Zheng， LI Fabing， CHEN Shougang. Propertiesand application of electronic controlled air dryer forcommercial vehicles [J]， Auto Appl Tech， 2018（20）： 159-162. （in Chinese）

[15] 中華人民共和國工業(yè)和信息化部. 重型商用車輛燃料消耗量測量方法： GB/T 27840-2021 [S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2021.

Ministry of Industry and Information Technology ofthe Peoples Republic of China. Fuel consumption testmethods for heavy-duty commercial vehicles： GB/T27840-2021 [S]. Beijing： Standards Press of China， 2021.（in Chinese）

[16] JIE Xing， HAN Xuefeng， YE Hui， et al. Driving cyclerecognition for hybrid electric vehicle [C]// ITEC Asia-Pacific， 2014： 1-6.

[17] 劉靈芝， 張冰戰(zhàn)， 蔣通. 基于工況自適應(yīng)的PHEV 等效燃油最小策略[J]. 汽車安全與節(jié)能學(xué)報， 2020， 11（3）： 371-378.

LIU Lingzhi， Zhang Bingzhan， JIANG Tong. Equivalentconsumption minimization strategy for PHEV based ondriving condition adaptation [J]. J Autom Safe Energ，2020， 11（3）： 371-378. （in Chinese）

[18] FENG Lei， LIU Wenjia， CHEN Bo. Driving patternrecognition for adaptive hybrid vehicle control [J]. SAEInt J Alt Power， 2012， 1（1）： 169-179.

[19] Ericsson E. Independent driving pattern factors and theirinfluence on fuel-use and exhaust emission factors [J].Transp Res Part D： Transp Environ， 2001， 6（5）： 325-345.

[20] 吳迪. ISG 混合動力汽車能量優(yōu)化管理策略研究[D]. 合肥： 合肥工業(yè)大學(xué)， 2013： 75-88.

WU Di. Research on energy optimal management controlstrategy for ISG hybrid electric vehicle [D]. Hefei： HefeiUniversity of Technology， 2013： 75-88. （in Chinese）

[21] 尹燕莉， 馬永娟， 周亞偉， 等. Markov 鏈與Q-Learning算法的超輕度混動汽車模型預(yù)測控制[J]. 汽車安全與節(jié)能學(xué)報， 2021， 12（4）： 557-569.

YING Yanli， MA Yongjuan， ZHOU Yawei， et al. Modelpredictive control of super-mild hybrid electric vehiclebased on Markov chain and Q-Learning [J]. J Autom SafeEnerg， 2021， 12（4）： 557-569. （in Chinese）

[22] 付翔， 鐵鑫， 劉會康. 基于需求功率預(yù)測的混合動力越野車能量管理[J]. 江蘇大學(xué)學(xué)報（ 自然科學(xué)版）， 2021，42（1）： 67-76.

FU Xiang， TIE Xin， LIU Huikang. Energy managementof hybrid off road vehicles based on demand powerprediction [J]. J Jiangsu Univ （Nat Sci Ed）， 2021， 42（1）：67-76. （in Chinese）