Abstract

The fuel consumption of heavy-duty vehicles can be reduced by using information about the upcoming road section when controlling the vehicles. Most manufacturers of heavy-duty vehicles today offer such look-ahead controllers for highway driving, where the information consists of the road grade and the velocity only has small variations. This thesis considers look-ahead control for applications where the velocity of the vehicle has large variations, such as distribution vehicles or vehicles in mining applications. In such conditions, other look-ahead information is important, for instance legal speed limits and curvature. Fuel-efficient control is found by formulating and solving the driving missions as optimal control problems. First, it is shown how look-ahead information can be used to set constraints in the optimal control problems. A velocity reference from a driving cycle is modified to create an upper and a lower bound for the allowed velocity, denoted the velocity corridor. In order to prevent the solution of the optimal control problem from deviating too much from a normal way of the driving, statistics derived from data collected during live truck operation are used when formulating the constraints. It is also shown how curvature and speed limits can be used together with actuator limitations and driveability considerations to create the velocity corridor. Second, a vehicle model based on forces is used to find energy-efficient velocity control. The problem is first solved using Pontryagin's maximum principle to find the energy savings for different settings of the velocity corridor. The problem is then solved in a receding horizon fashion using a model predictive controller to investigate the influence of the control horizon on the energy consumption. The phasing and timing of traffic lights are then added to the available information to derive optimal control when driving in the presence of traffic lights. Third, the vehicle model is extended to include powertrain components in two different approaches. In a first approach, a Boolean variable is added to represent open or closed powertrain. This enables the vehicle to freewheel, in order to save fuel by reducing the losses due to engine drag. The problem is formulated as a mixed integer quadratic program. In a second approach, the full powertrain is modeled including a fuel map and a model of the gearbox losses, both based on measurements on real components. The problem is solved using dynamic programming, with transitions between states including gear shifts, freewheeling, and coasting in gear. Forth, the optimal control framework is used to implement an optimal control-based powertrain controller in a real Scania truck. The problem is first solved offline resulting in trajectories for velocity and freewheeling. These are used online in the vehicle as references to the existing controllers for torque and gear demands. Experiments are performed with fuel measurements, resulting in 16% fuel savings, compared to 18% savings by solving the optimal control problem. Bränsleförbrukningen för tunga fordon kan sänkas genom att använda information om framtida vägförhållanden för att styra fordonen. De flesta fordonstillverkare erbjuder idag prediktiva farthållare för motorvägskörning, där information består av data för väglutning och fordonets hastighet endast har små variationer. Denna avhandling behandlar körfall där hastighetsvariationerna är stora, som för t.ex. fordon i distributionsdrift eller gruvfordon. För sådana fordon är andra typer av information viktiga, som t.ex. hastighetsbegränsningar och kurvatur. Genom att formulera köruppdraget som ett optimalt styrproblem, tas bränsleeffektiv styrning fram. För det första visas hur framförhållningsinformation kan användas för att sätta bivillkor i det optimala styrproblemet. Utifrån en hastighetsreferens från en körcykel skapas en hastighetskorridor, vilken består av en övre och en undre gräns för den tillåtna hastigheten. För att förhindra att hastigheten i lösning avviker för mycket från ett normalt körsätt används data från verklig lastbilskörning när bivillkoren sätts. Här visas också hur kurvatur och hastighetsbegränsningar kan användas tillsammans med begränsningar på fordonets aktuatorer och anpassning för körbarhet när hastighetskorridoren skapas. För det andra används en fordonsmodell baserad på krafter för att hitta energiminimerande hastighetsstyrning. Styrproblemet löses med hjälp av Pontryagins maximum princip för att undersöka energibesparingarna för olika inställningar på hastighetskorridoren. Problemet formuleras sedan på receding-horizon form och en modellprediktiv regulator används för att undersöka horisontlängdens inverkan på energiförbrukningen. Tid och fas för trafikljus läggs sedan till den tillgängliga informationen för att hitta den optimala körstrategin vid körning bland trafikljus. För det tredje utökas fordonsmodellen till att innehålla drivlinekomponenter via två olika ansatser. I den första ansatsen används en Boleansk variabel för att representera huruvida drivlinan är öppen eller stängd. Detta gör att fordonet kan frirulla, vilket sparar bränsle genom att minska släpförlusterna i motorn. Problemet formuleras som ett blandat kvadratiskt heltalsproblem. I den andra ansatsen modelleras hela drivlinan, med en bränslemussla för motorn och förlustmodell för växellådan baserade på tidigare mätningar. Problemet löses genom dynamisk programmering med övergångar mellan tillstånd genom växlingar, frirullning och släpning. För det fjärde används optimal styrning för att implementera en regulator för drivlinestyrning i en Scania-lastbil. Problemet löses först offline, vilket ger trajektorier för hastighet och frirullning. Dessa används sedan online i fordonet som referens till befintliga regulatorer för momentstyrning och växelval. Experiment med bränslemätning ger 16% uppmätt bränslebesparing mot 18% besparing från lösningen till det optimala styrproblemet.

QC 20200518

Original document

The different versions of the original document can be found in:

Back to Top

Document information

Published on 01/01/2020

Volume 2020, 2020
Licence: CC BY-NC-SA license

Document Score

0

Views 9
Recommendations 0

Share this document

claim authorship

Are you one of the authors of this document?