CN103661361A - 控制具有压燃式发动机的混合动力车辆的方法 - Google Patents

Abstract

提供了一种控制具有压燃式发动机的混合动力车辆（HEV）的方法，所述方法包括：基于发动机运转请求，使发动机运转；基于后处理程序的完成时间与使用驾驶模式而确定的预测的发动机运转时间的比较，执行排放后处理程序。HEV设置有具有后处理系统的压燃式发动机和控制器。所述控制器被配置成：（i）基于发动机运转请求，使发动机运转；（ii）基于后处理程序的完成时间与使用驾驶模式而确定的预测的发动机运转时间的比较，执行车辆的排放后处理程序。提供了一种具有表达通过控制器可执行以控制车辆的指令的存储数据的计算机可读介质，所述计算机可读介质具有：用于基于发动机运转请求而使发动机运转的指令；用于执行排放后处理程序的指令。

Description

控制具有压燃式发动机的混合动力车辆的方法

技术领域

各个实施例涉及一种诸如具有压燃式发动机的混合动力车辆的车辆以及一种控制车辆的排放后处理的方法。

背景技术

由于混合动力车辆可仅使用电力运转，所以在混合动力车辆（HEV）中的发动机运转明显与传统车辆中的发动机运转不同。在诸如插电式混合动力车辆（PHEV）的某些混合动力车辆中，可优先使用电池能量，而发动机在车辆运转循环期间或者从点火开关接通至点火开关断开期间可仅运转短时间段。

具有柴油发动机的HEV或PHEV需要排放控制装置和用于所述装置的相应的控制策略。柴油机后处理程序或需求可能会迫使发动机运转操作更加频繁和持续不断。后处理程序的示例包括：柴油机微粒过滤器（DPF）再生、催化剂起燃、柴油机氧化型催化器（DOC）加热、其他排放温度保持程序以及保持使用中监测性能率（IUMRP，in-use monitor performance ratio）。

在柴油机PHEV中的能量管理便于降低发动机运转时间或者使发动机运转时间最小化，以获得燃料经济效益。可能会对操纵性能有额外的关注或期望，就像当动力需求低以及车速低时PHEV的用户期望发动机关闭。需要在不会明显影响燃料经济性或操纵性的情况下完成后处理程序。

本公开的各个实施例提供了某些后处理程序的伺机计划（opportunisticscheduling），从而使这些计划在车辆的发动机运转窗口期间发生，因而使对燃料经济性和操纵性能期望的影响最小化。发动机运转条件可被诸如驱动动力请求或电池荷电状态（SOC）条件的事件触发。

发明内容

在一个实施例中，提供了一种控制具有压燃式发动机的混合动力车辆的方法。压燃式发动机基于发动机运转请求而操作。排放后处理程序基于后处理程序的完成时间与使用驾驶模式而确定的预测的发动机运转时间的比较而被执行。

驾驶风格是基于历史车辆使用的。

所述方法还包括使用驾驶模式识别方法来确定驾驶模式。

驾驶模式识别方法使用预测的旅程条件。

发动机是柴油机。

在另一个实施例中，提供了一种具有压燃式发动机和控制器的车辆，所述压燃式发动机具有排放后处理系统，所述控制器电连接到发动机。所述控制器被配置成：（i）基于发动机运转请求，使发动机运转；（ii）基于后处理程序的完成时间与使用驾驶模式而确定的预测的发动机运转时间的比较，执行车辆的排放后处理程序。

所述控制器被配置成使用涉及驾驶模式和相应的发动机运转时间百分比的数据库，所述数据库包含用于车辆运转状态的多个可能的驾驶模式，其中，控制器使用用于驾驶模式的相关的发动机运转时间百分比来确定发动机运转时间。

所述控制器被配置成使用驾驶模式识别方法和预测的旅程条件来确定驾驶模式。

所述车辆还包括连接到牵引电池的电机。

所述发动机使用上游离合器连接到所述电机，且所述电机使用下游离合器连接到变速器。

在又一实施例中，提供了一种具有表达通过控制器可执行以控制车辆的指令的存储数据的计算机可读介质，所述计算机可读介质包括：用于基于发动机运转请求而使发动机运转的指令；用于基于后处理程序的完成时间与使用驾驶模式而确定的预测的发动机运转时间的比较来执行车辆的排放后处理程序的指令。

根据本公开的各种实施例具有相关的优点。例如，公开的算法使用预测信息来智能地优化柴油机混合动力车辆中的后处理的发生，并且可显著地改善车辆的燃料经济性和排放两者。所述方法通过使用来自历史的真实驾驶条件和驾驶者风格以及预测的驾驶数据而建立用于各种驾驶模式的发动机运转时间百分比，从而进行发动机运转时间估计。模型或仿真的使用可尽可能地降低与实时车辆测试相关的时间和成本。此外，用于离线地创建表的仿真和测试的使用使得当车辆运转时由车辆控制器进行的实时计算减少。

附图说明

图1是根据实施例的具有后处理控制的混合动力车辆的示意性表达；

图2是用于图1的车辆的用于控制后处理的算法的流程图；

图3是根据实施例的图2的子步骤的流程图；

图4是根据实施例的图2的子步骤的流程图；

图5是根据实施例的图2的子步骤的流程图。

具体实施方式

根据要求，在此公开本公开的详细实施例；然而，应该理解，所公开的实施例仅仅是示例，并可以以各种和替代的形式实现。附图不一定按照比例绘制；可能会夸大或最小化一些特征，以示出具体部件的细节。因此，在此公开的具体结构和功能性细节不应该被解释为限制，而仅仅作为用于教导本领域的技术人员以各种方式采用所要求保护的主题的代表性基础。

因为发动机运转时间和发动机运转的不确定性，所以可能难以为柴油机混合动力车辆提供后处理程序。发动机运转与包括驾驶不确定性和/或意外的环境条件的车辆运转前景相关联。针对车辆循环具有发动机运转时间（EOT）或发动机运转百分比（Engine_on%，也被称为发动机运转时间百分比（EOT%））使得在保持燃料经济性和操纵性能的同时允许计划和进行伺机后处理程序。为了计算车辆的理论EOT%和EOT，预测车辆循环前景（速度轮廓和道路条件），这是因为EOT%取决于与驾驶循环对应的车辆运转条件。虽然所计划的车辆行程的精确的速度轮廓和道路条件将提供这种信息，但获得精确的速度轮廓和道路条件会难以实施。可使用模式预测（pattern prediction）法来估计EOT%，以便为柴油机混合动力车辆提供EOT，伺机计划后处理程序。

在附图中使用混合动力车辆（HEV）结构，并使用HEV结构来描述下面的各个实施例；然而，可预期，各个实施例可被用到具有其他推进装置或者具有在本领域中公知的推进装置的组合的车辆。HEV通常由电池驱动的电动机、发动机或其组合供应动力。某些HEV具有允许电池连接到外部电源以进行充电的插电式特征，这种HEV被称为插电式HEV（PHEV）。HEV和PHEV中的电动车辆模式（EV模式）允许车辆仅使用电动机运转，而不使用发动机，这可在这段运转期间提高乘坐舒适性、燃料经济性并且从车辆零排放而环境友好。

如在此描述的伺机后处理程序还可被用到传统的柴油发动机车辆，以防止在短期旅程（在该短期旅程期间不可能完成后处理程序）中启动后处理程序。通过在具有足够的时间来完成后处理程序的行程期间进行伺机后处理程序，可增加程序的成功率和燃料经济性。

在一个示例中，车辆是具有诸如柴油机的压燃式发动机的混合动力车辆（HEV），车辆还可能具有连接到外部电网的能力，例如在插电式混合动力车辆（PHEV）中。PHEV使用容量比标准混合动力车辆中的电池包容量大的电池包，且它还增加了有从外部电网给电池再充电的能力，所述外部电网向充电站处的电插插座供应能量，所述充电站在每个电池充电事件期间，电源插座从电网提供了被存储在电池中的额外的电能。这在电驱动模式中以及烃/电混合驱动模式中进一步提高了整体车辆系统运转效率。

虽然大多数传统的HEV运转以保持电池荷电状态（SOC）保持在恒定的水平左右，但PHEV在下一个电池充电事件之前尽可能多地使用预储存的电池电（电网）能量。在每个充电事件之后充分地利用电网所供应的成本相对低的电能，以进行推进和其他车辆功能。在荷电消耗事件期间电池SOC下降至低的保守水平之后，PHEV像传统的HEV那样恢复以在所谓的荷电维持（charge sustaining）模式运转，直到电池再充电为止。

图1示出了HEV10的动力系构造和控制系统。所示出的HEV构造仅仅出于示例性目的，并不意在限制，因为本公开可应用到任何何事架构的车辆，这些车辆包括HEV和PHEV。

图1示出了根据实施例的混合动力车辆10的示意性图。车辆10包括内燃发动机（ICE）12和电机，在图1中示出的实施例中，电机是作为牵引马达的电动发电机（motorgenerator,M/G）14。M/G14被配置成向发动机12或者向车轮46传递扭矩。发动机12可以是压燃式发动机，并可使用诸如柴油、生物燃料等的各种燃料源。发动机12具有排放物15，所述排放物15流动通过后处理系统16（诸如DPF和/或DOC等）至环境中。

在一个实施例中，后处理系统16是从发动机12的排放物流过滤诸如烟灰等的微粒物质的柴油机微粒过滤器（DPF）。随着微粒过滤器16积聚物质一段时间，这会使通过过滤器16的流动性降低。可利用更高温度的排放物来清洁过滤器16中的微粒。额外的燃料被喷射到发动机12中，且更高温度的排放物从过滤器16燃烧掉诸如烟尘的微粒。这种处理被称为DPF再生（DPFRegen）。用于后处理系统16的控制策略确定何时需要再生处理，然后修改燃料控制策略来增大排放物温度。例如，在传统的车辆中，这种处理会大概每300英里发生，且它可用时20分钟完成。如果DPF再生处理在完成之前被中断（例如，由于点火开关断开事件），则控制系统将随后进行另一个DPF再生。因为DPF再生利用额外的燃料，所以如果驾驶循环将不允许完成，则可能并不会太期望开始再生处理。燃料经济性在发生DPF再生的驾驶循环期间可能会变差。如果尝试进行DPF再生处理且DPF再生处理被打断而使得在第一次尝试期间未完成DPF再生处理，那么总体燃料经济性可能会进一步变差。

M/G14使用第一离合器18（也被称为分离式离合器或上游离合器）连接到发动机12。第二离合器22（也被称为起步离合器或下游离合器）将M/G14连接到变速器24，并且至变速器24的所有输入扭矩流过起步离合器22。起步离合器22可被控制，以将包括M/G14和发动机12的动力传动系统26与变速器24、差速器28和车辆驱动轮46隔离。虽然离合器18、22被描述和示出为液压式离合器，但是还可使用诸如机电式离合器的其他类型的离合器。在一个实施例中，离合器22由变矩器和旁通离合器来实现。

在一些实施例中，车辆10还包括通过（例如）带或齿轮传动装置而可操作地连接到发动机12的起动机（starter motor）（未示出）。起动机可用于在不添加来自M/G14的扭矩的情况下提供用于起动发动机12的扭矩。

M/G14与电池32连接。电池32可以是高压电池。M/G14可被配置成在再生模式下通过再生制动等对电池32充电，例如，当驾驶员需要负的车轮扭矩时。在一个示例中，（例如）对于具有从外部电网对电池再充电的能力的插电式混合动力车辆（PHEV）而言，电池32被配置成连接到外部电网，所述外部电网向充电站的电源插座供应能量。电池32在PHEV车辆10的构造中是使用插座34能够额外地进行再充电（如虚线所示）的，所述插座34连接到电网或其他的外部电源，并可能通过电池充电器/转换器36连接到电池32。

在实施例中，PHEV10优先使用电池32的能量从而对于整个驾驶循环而言可不运转发动机12。或者，发动机12可仅运转短的时间段。发动机12运转的方式可通过车辆10的使用模式以及从纯电动车辆（EV）中的整车动力系能力到可能需要发动机12运转的混合车辆动力系能力的各种动力系约束而被驱动，其中，对于混合车辆动力系，当车辆10以某车速以上的车速行驶时或者如果驾驶员需要的动力超过电池32限度时可能需要发动机12运转。PHEV可具有两个主要的运转模式：荷电消耗和荷电维持。在荷电消耗模式中，优先使用电池32的电能，以进行电池放电。一旦达到目标放电深度，PHEV便以荷电维持模式进行运转。在荷电维持模式中，PHEV使电池32的SOC保持在固定不变的水平左右。

车辆系统控制器（VSC）38在变速器控制单元（TCU）40和发动机控制单元（ECU）20之间传送数据，并且还与各种车辆传感器通信。用于车辆10的控制系统44可包括任何数量的控制器，并可被集成为单个控制器，或者可具有各种模块。一些或所有控制器可通过控制器局域网（CAN）或其他系统连接。控制系统44可被配置成在许多不同条件中的任意条件下控制变速器24、电动发电机总成35和发动机12各个组件的操作。

发动机12的曲轴或输出轴连接到分离式离合器18，而分离式离合器18又连接到M/G14的输入轴。M/G14的输出轴连接到起步离合器22，而起步离合器22又连接到变速器24。车辆10的动力传动系统26的组件彼此串联地依次布置。

车辆10所使用的方法或算法包括使用模式预测的伺机后处理计划，以改善柴油机PHEV中的能量管理和排放两者。基于模式的EOT预测器使用模式预测、车下模拟和/或车辆测试使用于柴油机PHEV的伺机后处理计划能够进行。

车辆10所使用的算法使用来自驾驶模式识别方法和场外模拟（或车辆测试）的模式预测，以为车辆提供EOT%估计。可通过交通速度、路况、交通拥堵水平和道路类型以及个人驾驶风格来定义和区分驾驶模式组。

所述算法确定在车辆10的驾驶路线期间的时间窗（time window），该时间窗允许完成一个或更多个指定的后处理程序而对燃料经济性和车辆操纵性能的影响较低。所述算法在驾驶路线期间于适当的时间计划指定的后处理程序。在各个驾驶循环期间用于后处理程序的“合适的时间窗”的确定可取决于在一段路线或循环期间所预测到的EOT%。可使用历史使用模式和/或未来预测信息（例如，输入到导航系统中的路线）、实时交通、车对车（V2V）系统或车对基础设施（V2I，vehicle to infrastructure）系统等来确定预测的EOT。

对未来的车速轮廓和道路条件的估计可能会较难且在成本或时间方面效率低。然而，尽管存在一些速度差或级别（grade）差，但是PHEV的EOT%在车辆10的每个驾驶模式内可能相当一致和稳定。

驾驶模式识别方法检测并识别各种驾驶条件作为标准驾驶模式组（包括，例如，城市、高速公路、市区、交通、低排放等）中的一种。在一个实施例中，算法是基于使用神经网络的机器学习的。在另一实施例中，算法是基于支持向量机、模糊逻辑等的。

所述算法选择“驾驶模式”的顺序来作为计算平均EOT%的基础，该“驾驶模式”序列最为有效和最高程度地表示行车速度、路况和驾驶风格。这能够避免在获得精确的未来速度轮廓和道路条件时的高成本和不确定性，而在估计PHEV的EOT中保持足够的精确性。所述算法可按顺序安排多个不同的驾驶模式，以表示车辆的所预测的路线中的各段。此外，每个驾驶模式可具有与车辆10将在由该驾驶模式表示的条件下运转相关的时间。

可使用驾驶模式和驾驶风格识别技术来发展所述算法，以从驾驶条件或驾驶激进性而自动检测和识别预定义的驾驶模式中的一种。对于驾驶模式识别方法，用于具体模式的EOT和EOT%与个人驾驶风格、道路类型和交通拥堵水平关联。已经开发了被称为指定场所循环（facility-specific cycle）的标准驾驶模式组，以表示乘用车和轻型卡车在市区中在宽广范围的设施和拥堵程度范围下运转。（例如，请见：Sierra Research,Development of Speed CorrectionCycles,Sierra Report No.SR97-04-01(1997)）在这些标准驾驶模式中也已经捕获到驾驶风格。例如，对于同样的道路类型和交通水平，不同的驾驶员可能倾向于不同的驾驶模式。已经开发了一种在线驾驶模式识别方法，该在线驾驶模式识别方法自动检测实际的驾驶条件和驾驶风格并将其认为是标准模式中的一种。（例如，请见：Jungme Park,ZhiHang Chen,Leonidas Kiliaris,MingKuang,Abul Masrur,Anthony Phillips,Yi L.Murphey,‘Intelligent Vehicle PowerControl based on Machine Learning of Optimal Control Parameters and Predictionof Road Type and Traffic Congestions’,IEEE Transactions on VehicularTechnology,November2009,Volume58,Issue9）这种在线驾驶模式方法是基于使用神经网络的机器学习的，并且已经通过模拟证实了其精确性。

路径、旅程或路线可由用户输入或指示，或者可使用电子水平仪（electronic horizon）来提供，所述电子水平仪基于车辆附近的道路、方向或车辆等计算路线可能性。例如，如果车辆行驶在高速公路上，则电子水平仪将使用高速公路的路径和距下一个出口的距离作为未来预测信息，然后切换至未知、未预测的未来。例如，对于在高速公路上行驶的车辆而言，EOT%的值可能相对较高，这意味着在车辆处于该驾驶模式内时发动机可能运转相对长的时间段。EOT可与模式内单个发动机启动相关联，或者可与模式内多个发动机启动相关联。发动机在模式内运转的总时间与该模式的长度进行比较来提供EOT%。

所述算法还可以是基于车辆仿真模型的，该车辆仿真模型表示具有内置控制器的实际车辆。例如，仿真可在由典型的驾驶循环所表达的任何驾驶模式下精确地计算PHEV的EOT%。为了精确性起见，可将这些仿真结果与车辆测试结果比较。

图2示出了用于具有柴油发动机的混合动力车辆的控制系统（例如，图1中的用于车辆10的控制系统44）所使用的算法50的实施例。算法50于52处开始，例如，在车辆点火开关接通事件之后开始。在54处，控制系统44确定是否存在请求强制运转发动机（FEPU）以进行后处理程序的强制后处理程序条件。如果在54处确定的结果是存在用以进行需要发动机12启动的后处理程序的紧急需要或激励，那么在56处启动发动机12并执行后处理程序。由于如下所述的伺机后处理策略，从而可降低强制性后处理程序条件的发生。

如果在54处不需要基于发动机运转状态的紧急或强制后处理，则算法前进至58，并监测任何发动机运转（或发动机启动）请求，所述发动机运转（或发动机启动）请求由诸如驾驶命令（即，总动力需求和车速请求）、SOC条件、温度、过压保护、天气请求等的车辆状态触发。当这样的发动机运转请求发生时，算法前进至60，并在假定在当前时间开始后处理程序的情况下估计完成一个或更多个指定的后处理程序的时间（Tc）。

用于给定的后处理程序的Tc可以是后处理条件的函数。例如，用于DPF再生的Tc可以从由ECU42发送并与在DPF上测量的背压差异关联的系统约束标准（restriction metric）而计算得到。类似地，用于DOC加热的Tc可从所测量的温度和平均发动机动力而估计得到。根据后处理装置16的状况或正在使用的哪个装置16，Tc可相应地变化。

在一个实施例中，在DPF过滤器作为后处理系统16的情况下，可使用系统约束标准来监测后处理条件，所述系统约束标准是由ECU42计算并与DPF两端测量的背压差异关联的信号。该标准本质上是归一化的压降并且是用于DPF状况的指示信号。该标准反映了在过滤器中微粒负荷随时间增加的累积效应。当该标准达到或超过预定值时，会请求再生循环。根据发动机12的运转工况，最终允许该请求。默认的“强制DPF再生”被包含在我们的策略中，并在下文中简要地描述。

在60处确定了Tc之后，算法60前进至在62处通过处理历史使用模式和预测信息（诸如被输入到导航系统中的路线）、实时交通、V2V/V2I信息等来确定EOT。步骤62包括三个子步骤64、66和68。在子步骤64中，（例如）在离线情况下，通过模型仿真或车辆测试来建立校准表或查找表。这些表被提供至子步骤66。在子步骤66中，检索并下载与具体的车辆、驾驶风格和环境条件对应的表，并提供匹配的EOT%表。在子步骤68中，算法使用来自子步骤66的EOT%表，以使用模式识别技术来计算用于每个驾驶模式的EOT%。车辆在能够完成后处理程序的时间期间以给定的驾驶模式运转达时间（Ti）。控制系统44读取预测路线信息，从预定义的驾驶模式中的一个驾驶模式识别驾驶循环，并使用修正函数，以进一步调节结果。下面描述步骤64、66和68的其他细节。算法使用EOT%和Ti，以在驾驶模式时间段Ti期间计算并预测EOT。注意，发动机12在给定的时间Ti和给定的时间Tc期间可运转一次或更多次，EOT表示在时间段Tc期间发动机运转的总时间。

步骤70使用EOT和Tc，以计算EOT和Tc之间的重叠百分比。例如，如果诸如将DOC加热至指定温度的后处理程序用时5分钟，发动机将保持运转三分钟，则重叠百分比EOT/Tc为60%。

步骤72使用重叠百分比并进行仲裁步骤，以确定这种重叠对于伺机后处理程序是否足够长。步骤72比较重叠百分比和阈值k。使用基于排放条件（即DPF值、催化剂或DOC温度等）的校准表格来确定k值。随着后处理程序的需求增大，k值减小。基于各种测试条件来校准k值，以平衡燃料经济性和排放要求之间的折衷。

如果重叠百分比小于k值，则在步骤72处，算法确定后处理将等待，并返回至步骤58。如果重叠百分比等于或大于k值，则可以发生伺机后处理程序，并前进至步骤74。在74处，执行后处理程序，然后算法返回至步骤54。

一旦进行伺机后处理程序，那么算法50便可设定“禁止发动机关闭”信号，直到后处理程序完成为止，从而发动机不能在后处理程序中途被关闭。在车辆中保持发动机运转状态直到后处理程序完成为止防止了后处理程序被打断，并增大了总燃料经济性。“禁止发动机关闭”信号可具有超越控制，诸如在驾驶循环结束时的车辆断开点火开关事件。

在步骤72的一个示例中，重叠百分比是60%。车辆10具有DPF，该DPF具有接近更高极限的约束标准，从而k值将被设定成小值，例如，k=20%。由于60%>20%，所以在那时能够激活伺机后处理程序。在另一示例中，重叠百分比是60%，且DPF的约束度量低，从而k=90%。由于60%<90%，所以伺机DPF再生被延迟至晚些时候。

图3示出了子步骤64的实施示例，该子步骤64用于（例如）在离线情况下通过模型仿真或车辆测试来建立校准表或查找表，以使车辆10中的实时计算最少化。步骤64通过执行模型仿真或运行真实的车辆测试来计算和存储用于每个驾驶模式的平均EOT%。可通过仿真（其中，EOT%=Sim(模型，Pattern_k)）或者通过车辆10的测量（其中，EOT%=Test(车辆，Pattern_k)）来获得用于给定驾驶模式的平均EOT%（Pattern_k）。仿真或车辆测试还可考虑诸如SOC、各种车重、轮胎压力等其他因素。表80被离线地创建，然而，应理解的是，也期望在车辆运转或在线时能够创建或更新该表。

如图3所示，在76处对仿真进行迭代，以涵盖（sweep）不同的驾驶风格、温度、车重、附加负载、SOC、轮胎压力和其他随时间变化的车辆状态。然后，这些参数可变成EOT%查找表的额外输入。在78处，通过计算用于每个驾驶模式的EOT%来进行仿真或测试。例如，可通过Engine_On%_k=SIM(模型，Pattern_k，SOC，车重，驾驶风格，附加负载，…),或者通过Engine_On%_k=Test(车辆，Pattern_k，SOC，车重，驾驶风格，附加负载，…)而获得用于第K种驾驶模式(Pattern_k)的平均EOT%。通过78处的测试或仿真获得的结果提供了80处的多维表格，该多维表格与驾驶模式和用于每个模式的平均EOT%关联。随着输入数量的增多，表80变得越大，这是由于它们具有用于确定驾驶模式的更多的维数。

为了产生一定程度的精确性同时保持表中维度的易处理程度，可选择所使用的输入的数量和类型。平均EOT%是与驾驶模式相关的值，对于不同的驾驶模式，可能存在不同的EOT%，从而发动机运转时间百分比受缚于驾驶条件。步骤64通过每个可能的驾驶模式执行迭代，以在80处提供将在车辆10上车载使用的校准表或查找表。需要平均EOT%各个数来计算EOT。

图4示出了子步骤66的实施示例，子步骤66用于检索并下载期望的查找表80。从传感器数据下载各种与路线无关的因素。在82处使用模式识别算法进行驾驶风格识别。驾驶风格可指示不同的激进程度，例如，冷静的、正常的和激进的。

在84处开始驾驶员识别。在86处，算法确定该驾驶员是否是已知的驾驶员，如果是，则在88处，从已知的驾驶员轮廓下载所存储的驾驶风格。如果该驾驶员不是已知的，则算法前进至90，并确定驾驶数据是否适用于该未知的驾驶员。如果驾驶数据不适用，则在92处，算法使用默认的驾驶风格。如果在90处驾驶数据适用，则算法前进至94，并从诸如历史车速、道路等级等的输入98提取出模式特征和参数96。在100处，基于车辆的历史数据使用模式特征和参数96来识别驾驶风格。驾驶员识别模块82从88、92和100中的一个中提供驾驶风格102。

驾驶风格102被提供至模块104，所述模块104从通过步骤64提供的多维表80的数据库中检索并下载适当的EOT%表，该EOT%表和与路线无关的因素对应。可利用各个驾驶模式将表80按组排列，其中，每组表均包含独立的表格。模块104可从各种源接收输入，以在确定该使用哪组表时使用。可通过与路线无关的因素来对表进行索引。为了获得与路线无关的信息，模块104在确定该使用哪个表时还使用传感器数据106。传感器数据106可包括诸如车重、轮胎压力、SOC等的数据108，这些数据使用车载车辆传感器测量得到。模块104提供匹配的一组EOT%表110。

图5示出了用于在给定的时间段Tc期间使用模式识别来计算EOT%以计算EOT的子步骤68或模块的示例。模块68在112处通过检索特定的路线信息而开始执行。特定的路线或依赖路线的信息可从包括导航系统、驾驶员输入、V2V/V2I（车对车/车对基础设施）、窝蜂网络、卫星网络等的多个源而得到。该模块使用来自112的依赖路线的信息，以提取出主导因素114。

主导因素114在补充其他的与路线相关的信息的交通模型116中使用。该交通模型在118处将预测的交通考量提供至120处的模式特征和参数提取函数。模式特征和参数提取函数120还接收第一组路线因素114。提取函数120收集并处理信息，并且提取模式特征和参数122。

这些因素可被划分成第一组和第二组。第一组因素可包括车辆或路线本身的信息或状态，并可包括来自道路负载、SOC、车速等的驾驶员命令或动力命令。第二组因素可包括随机负载，诸如，环境状态、气候条件、风以及诸如采暖通风与空调（HVAC）系统的其他车辆操作等。当然，可存在其他因素，这些因素可在两组因素之间互换。多组因素的使用可减少车辆10的计算时间。

模式参数提取函数120表示收集可适用的模式参数的过程，或者表示将可适用的信息转换成典型的驾驶模式参数的过程。函数120提取用于预测未来驾驶模式的模式参数。典型的模式参数包括：总驾驶距离、平均速度、最大速度、加速度的标准偏差（SD）、平均加速度、最大加速度、平均减速度、最大减速度、特定速度区间（interval）内的时间百分比以及位于特定减速度区间内的时间百分比。还可预期其他的参数。

这些参数影响EOT%，可用于区分驾驶模式，并且可从多个信息源观测、计算或估计得到这些参数。例如，“当前”驾驶条件的大多数模式参数从由控制系统44车载所记录的最近的速度轮廓被提取出来，并被处理成期望的格式。此外，利用导航系统、V2V/V2I（车对车/车对基础设施）和蜂窝网络以及其他网络和交通模型的可适用性，可收集未来信息，并将未来信息处理成典型的模式参数。

利用模式识别算法124来使用模式特征和参数122。模式识别算法124从一组标准驾驶模式中识别出用于车辆10的一个或更多个未来驾驶模式，并将预定义的驾驶模式分配至路线或子路线的每段，这产生时间段Tc期间的预测的驾驶模式126。车辆10的路线或子路线可具有一段或更多段。

步骤128使用用于时间Tc的预测的驾驶模式126和匹配的EOT%表110，以在130处提供用于时间Tc的预测模式的原始EOT%。步骤128查找用于被识别的驾驶模式的相应的平均EOT%。

例如，如果在124处Pattern_k被认为是当前驾驶模式，在表中可找到的用于Pattern_k的平均EOT%130为这样的形式，即，EOT%_Average_K=Average_EOT%_Table(Pattern_k，SOC，车重…)。类似地，如果未来模式被认为是Pattern_t、Pattern_t+i、…Pattern_t+Tend，那么步骤124针对每个预测的模式可计算到的一系列的平均EOT%130为：

EOT%_Average_t=Average_EOT%_Table(Pattern_t，SOC，车重…);

EOT%_Average_t+1=Average_EOT%_Table(Pattern_t+1，SOC，车重…);…EOT%_Average_t+Tend=Average_EOT%_Table(Pattern_t+Tend，SOC，车重…)。

各个平均EOT%130均被作为至修正器132的输入。修正器132通过考量第二组依赖路线的因素134来调节用于每个驾驶模式的原始的平均EOT%。第二组依赖路线的因素134包括“随机负载”，例如，诸如采暖通风与空气调节（HVAC）系统的使用、立体声系统、其他附件的使用、天气、风速和风向、环境温度或其他影响相对较小的环境状态。由修正器132进行的调节可通过一组比例系数完成。第二组因素134的影响可依赖于驾驶模式。可从第二组因素134对用于所识别的每个驾驶模式的EOT%130的影响来估计对总EOT的影响。算法132可通过使用包含第二组因素134和EOT%之间的关系的表来统计学地评估因素134并修正EOT%。修正器132中的比例系数或加权系数作为校准被存储，并可被调节成与实时车辆测试和/或模型仿真对应。

修正器132将用于时间Tc的预测的驾驶模式的被调节的EOT%提供到算法138中，所述算法138通过对用于每个驾驶模式的EOT求和来计算时间Tc期间的总EOT140，所述用于每个驾驶模式的EOT通过使用于驾驶模式的EOT%与用于驾驶模式Ti的时间长度相乘而计算得到。140处的总EOT被输入至图2中的步骤70。

可以以多种方式检测到在车辆中方法或算法的使用。例如，通过车辆仪表、车载诊断接口、简单的传感器、车辆测试等在车辆中可容易地获取任何后处理程序的发生以及发动机运转和关闭状态。被输入至算法的输入变量可包括路线类型、SOC、车速、车重、驾驶模式中的车辆平均EOT%等。输出变量是后处理程序的发生。可通过测试程序检测在车辆中使用的方法。

例如，可针对固定的驾驶模式来测试车辆，并可测量和记录各种输入变量。可由车辆输入支持已知的后处理程序的驾驶轮廓。如果后处理程序被触发，则该决定是基于假设的未来或预测的驾驶模式的。可对于多个驾驶模式进行测试，以增大算法使用的统计准确性。用于每个被测试的驾驶模式的后处理程序的发生以及发动机运转和关闭状态可通过图表而相关联。当在车辆中存在该算法时，在合格的旅程段期间将发生多个后处理程序。

根据本公开的各种实施例具有相关的优点。例如，公开的算法使用可预测的信息来智能地优化柴油机混合动力车辆中的后处理发生，并且可显著地改善车辆的燃料经济性和排放两者。所述方法通过使用来自历史和预测的驾驶数据的真实驾驶条件和驾驶者风格建立用于各种驾驶模式的发动机运转时间百分比，从而进行发动机运转时间估计。模型或仿真的使用可尽可能地降低与实时的车辆测试相关的时间和成本。此外，用于离线地创建表的仿真和测试的使用使得当车辆运转时车辆控制器的实时计算减少。

方法和算法不依赖于用于开发和/或实施所示出的控制逻辑的任何特定的编程语言、操作系统处理器或电路。同样，取决于特定和编程语言和处理策略，可基本上同时按所示出的顺序或按不同的顺序执行各个函数。在不脱离本发明的精神或范围的情况下，可修改或在某些情况下省略所示出的函数。

虽然上文描述了示例实施例，但是并不意味着这些实施例描述了本发明的所有可能的形式。相反，说明书中使用的词语为描述性词语而非限定，并且应理解在不脱离本发明的精神和范围的情况下可进行各种改变。此外，可组合多个执行实施例的特征以形成没有明确说明或描述的进一步的实施例。虽然已经对一个或多个希望的特征描述了提供优点的和/或优于其它实施例或现有技术的一个或多个实施例，本技术领域中的普通技术人员应理解可以可对多个特征进行折衷以实现期望的系统属性，该属性可取决于具体的应用或实施。这些属性包括但不限于：成本、强度、耐用性、生命周期成本、可销售性、外观、包装、尺寸、可维修性、重量、可制造性、装配的便利性等。这样，对于一个或多个特性描述的可取性低于其它实施例的实施例没有在所要求主题的范围之外。

Claims (10)

1.一种控制具有压燃式发动机的混合动力车辆的方法，所述方法包括：

基于发动机运转请求，运转压燃式发动机；

基于后处理程序的完成时间与使用驾驶模式而确定的预测的发动机运转时间的比较，执行排放后处理程序。

2.根据权利要求1所述的方法，其中，使用用于驾驶模式的相关发动机运转时间百分比来确定发动机运转时间。

3.根据权利要求2所述的方法，所述方法还包括：使用涉及驾驶模式和相应的发动机运转时间百分比的数据库，所述数据库包含用于车辆运转状态的多个可能的驾驶模式。

4.根据权利要求2所述的方法，所述方法还包括：如果预定的气候条件存在，则使用比例系数来调节发动机运转时间百分比。

5.根据权利要求1所述的方法，所述方法还包括：检测车辆的驾驶模式，其中，所述驾驶模式表示在完成时间期间预测到的车辆运转。

6.根据权利要求5所述的方法，所述方法还包括：在完成时间期间将驾驶模式分配至车辆的预测的路径。

7.根据权利要求6所述的方法，其中，预测的路径和驾驶模式是基于未来的路线信息的。

8.根据权利要求7所述的方法，所述方法还包括：从导航系统提供未来的路线信息。

9.根据权利要求7所述的方法，所述方法还包括：从交通系统提供未来的路线信息。

10.根据权利要求5所述的方法，其中，所述检测驾驶模式包括确定车辆的驾驶风格。

Images