商用车P2并联混合动力系统控制策略与实践

1. 商用车P2并联混合动力系统概述

在商用车领域，P2并联混合动力架构因其结构紧凑、成本效益比高而成为主流选择。这种架构将电机布置在发动机与变速箱之间，通过离合器实现动力耦合。我参与过多个主机厂的P2混动项目开发，发现这种布局特别适合城市配送车辆和中型货运卡车——这些车型频繁启停的工况恰好能充分发挥电机低速高扭矩的优势。

从工程实现角度看，P2架构的核心优势在于：

• 可复用传统动力总成80%以上的部件
• 仅需增加电机和动力电池两个主要新部件
• 系统复杂度低于P3或功率分流架构
• 改装现有车型平台的成本最低

但这也带来了独特的控制挑战：发动机与电机同轴布置时，扭矩叠加和模式切换的平顺性控制尤为关键。去年我们团队在开发6.5吨物流车项目时，就遇到过离合器接合冲击过大的问题，后来通过优化扭矩相位控制算法才解决。

2. P2控制器功能规范详解

2.1 动力源协调管理策略

在实际工程中，动力分配远不止简单的"起步用电机"这么简单。我们需要建立完整的扭矩分配矩阵，考虑以下关键参数：

• 驾驶员需求扭矩（来自油门踏板）
• 电池SOC状态（40%-80%为最佳工作区间）
• 发动机万有特性曲线
• 电机效率MAP图
• 变速箱当前档位

以我们开发的12米公交车型为例，其扭矩分配逻辑采用分层控制架构：

c复制// 伪代码示例 - 实际工程中使用MATLAB/Stateflow实现
void TorqueDistribution()
{
    float reqTorque = GetPedalPosition() * MaxTorque;
    float engineTorque = 0;
    float motorTorque = 0;
    
    // 纯电模式条件判断
    if(SOC > 30% && Speed < 50km/h && ReqTorque < MotorMaxTorque)
    {
        engineTorque = 0;
        motorTorque = reqTorque;
        DisengageClutch();
    }
    // 混合驱动模式
    else 
    {
        EngageClutch();
        engineTorque = CalculateOptimalEngineTorque(reqTorque, SOC);
        motorTorque = reqTorque - engineTorque;
        
        // 电机辅助补偿
        if(engineTorque < EngineMinEfficientTorque)
        {
            motorTorque += (EngineMinEfficientTorque - engineTorque);
            engineTorque = EngineMinEfficientTorque;
        }
    }
    
    SendTorqueCommands(engineTorque, motorTorque);
}

关键经验：在实车标定时我们发现，发动机最低高效扭矩点的确定至关重要。若设置过高会导致电机过载，过低则影响燃油经济性。经过200+小时的台架测试，最终确定柴油机高效工作区间为最大扭矩的25%-85%。

2.2 能量回收管理实现

商用车的能量回收需要特别考虑以下因素：

1. 整车质量大（6吨以上）
2. 制动安全性要求高
3. 频繁制动工况多

我们采用的制动力分配策略遵循ECE R13法规，具体实现如下表所示：

在代码实现时，需要加入滤波算法处理踏板信号抖动：

python复制def regenerative_braking(decel_req):
    # 一阶低通滤波，时间常数0.5s
    filtered_decel = 0.7 * decel_req + 0.3 * last_decel 
    
    if filtered_decel <= 0.3:
        return min(decel_req * vehicle_mass, motor_max_regen_torque)
    elif 0.3 < filtered_decel <= 1.5:
        regen_torque = 0.7 * filtered_decel * vehicle_mass
        return min(regen_torque, motor_max_regen_torque)
    else:
        return 0

3. HCU控制策略深度解析

3.1 基于动态规划的能量管理

在最新项目中，我们采用随机动态规划(SDP)来优化控制策略。这需要建立包含以下要素的状态空间模型：

• 状态变量：电池SOC、车速、需求功率
• 控制变量：发动机扭矩、离合器状态
• 成本函数：燃油消耗+电池衰减成本

具体算法流程：

1. 离散化状态空间（SOC每1%为一个区间）
2. 构建转移概率矩阵（基于典型工况统计数据）
3. 反向迭代求解Bellman方程
4. 生成最优策略查表

实际工程中需要做以下简化：

• 将8维状态空间降维到3个主要维度
• 采用Q-learning在线学习补偿模型误差
• 添加规则库处理极端工况

3.2 扭矩协调控制实践

在模式切换过程中，我们开发了"预同步-扭矩补偿-闭环修正"三阶段控制：

1. 预同步阶段（提前100ms）：
   • 预测目标转速
   • 电机提前调整到同步转速
2. 扭矩补偿阶段：

   c复制// 发动机扭矩上升斜率控制
   void RampUpEngineTorque()
   {
       static float rampRate = 50 Nm/100ms; // 标定值
       currentEngineTorque += min(rampRate, targetTorque - currentTorque);
   }
   

3. 闭环修正阶段：
   • 监测传动系扭振（>5Hz成分）
   • PID调节电机补偿扭矩

实测数据显示，这套算法将模式切换冲击度从23rad/s³降低到8rad/s³以内。

4. 模型搭建与验证

4.1 Simulink建模规范

我们建立的V型开发流程包含以下模型层级：

1. 功能模型（MIL）
   • 基于Stateflow的状态机
   • 理想执行器假设
2. 被控对象模型（PIL）
   • 包含发动机均值模型
   • 电池二阶RC等效电路
   • 传动系集中质量模型
3. 硬件接口模型（HIL）
   • 添加ECU I/O特性
   • 总线通信延迟

关键建模技巧：

• 采样时间设置：
  • 控制算法：10ms
  • 动力系统：1ms
  • 车辆动力学：5ms
• 使用Model Reference模块化设计
• 为每个子系统添加BIST（Built-in Self Test）

4.2 典型测试案例

我们在某物流车项目中设计了以下测试场景：

模型在环(MIL)测试中发现的典型问题包括：

• 发动机扭矩响应延迟导致SOC持续下降
• 制动能量回收时机械制动介入过早
• 低温环境下电池功率限制计算不准确

5. 工程实践中的挑战与解决方案

5.1 离合器磨损问题

在早期项目中，我们遇到离合器片异常磨损问题。通过数据分析发现：

• 城市工况下日均接合次数高达800+
• 滑磨能量集中在5-15kJ范围

改进措施：

1. 优化接合控制：
   • 将接合点从1200rpm降至800rpm
   • 增加转速差闭环控制
2. 材料升级：
   • 改用碳基摩擦材料
   • 增大热容量20%

5.2 寒区适应性提升

在-30℃环境测试中暴露的问题：

• 电池可用功率下降60%
• 液压系统响应延迟

我们实施的改进方案：

• 开发低温预热策略：

  python复制def cold_start_heating():
      if batt_temp < -20:
          motor_heat_power = min(5kW, batt_max_heat_power)
          pump_speed = max(2000rpm, normal_speed + 500)
      elif -20 <= batt_temp < 0:
          motor_heat_power = 2kW
          pump_speed = normal_speed + 200
  

• 添加寒区专用标定MAP
• 优化液压油路保温设计

经过这些优化，系统在-30℃下的冷启动时间从原来的8分钟缩短到3分钟。