Entwicklung einer auf genetischen Algorithmen basierenden Steuerungsstrategie zur Optimierung des Kraftstoffverbrauchs in einem mild-hybridisierten Elektrofahrzeug-Antriebssystem

Zunehmend strengere Vorschriften zur Emission von Schadstoffen und die Nachfrage der Kunden nach einer hohen Kraftstoffeffizienz treiben die moderne Automobilindustrie dazu, hastig das Problem der Dekarbonisierung und der Effizienz von Antriebssträngen zu lösen, wodurch die Forschung und Entwicklung in Richtung alternativer Antriebsstranglösungen und Kraftstoffe gelenkt wird. Die Elektrifizierung spielt heute die größte Rolle in diesem Thema, wobei mild-hybridisierte Elektrofahrzeuge (MHEVs) die kosteneffektivsten Architekturen darstellen und in kleineren Märkten wie Brasilien dominieren. Eine der größten Herausforderungen für die Entwicklung von HEVs ist die Komplexität des hybriden Steuerungssystems, zu wissen, wann die elektrische Maschine betätigt werden soll, und die optimale Leistungsabgabe, zusätzlich wird der Schaltplan ein schwieriges Optimierungsproblem, das eine Schlüsselrolle für die Effizienz des Antriebsstrangs und die Kosteneinsparungen für den Kunden spielt. Dieses Papier schlägt die Implementierung eines genetischen Algorithmus (GA) als eine auf maschinellem Lernen basierende Steuerungsstrategie vor, um das Drehmomentverhältnis und den eingelegten Gang für jede Fahrsituation eines MHEV-Betriebs zu bestimmen, mit dem Ziel, den Kraftstoffverbrauch zu optimieren. Ein quasi-statisches Modell des Fahrzeugs wurde in Matlab/Simulink Version 2022b entwickelt, das virtuelle Fahrzeug wurde dann gemäß den Fahrzyklen FTP75 und HWFET getestet. Die Simulationsergebnisse zeigen, dass die Steuerungsentscheidungen, die vom GA getroffen wurden, qualitativ für alle Betriebsbedingungen kohärent sind und sogar in einigen Fällen quantitativ kohärent sind, und dass die Software das Potenzial hat, als Steuerungsstrategie außerhalb der Simulationsumgebung in zukünftigen Entwicklungsschritten eingesetzt zu werden.