Nichtlineare modellprädiktive Regelung von Mild-Hybridantrieben mit elektrischer Zusatzaufladung

• Nonlinear model predictive control of mild hybrid powertrains with electric supercharging

Griefnow, Philip; Andert, Jakob Lukas (Thesis advisor); Abel, Dirk (Thesis advisor)

Aachen : RWTH Aachen University (2021)
Doktorarbeit

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021

Kurzfassung

Im Umfeld einer stark zunehmenden 48V-Elektrifizierung greift die vorliegende Arbeit die besonderen Herausforderungen für das Antriebsmanagement von 48V-Mild-Hybrid-Antrieben mit einer elektrischen Zusatzaufladung auf und stellt ein modellprädiktives Regelungskonzept vor, das in der Lage ist, das Ansprechverhalten und den Kraftstoffverbrauch gegenüber heuristischen Verfahren nach Stand der Technik zu verbessern.48V-Mild-Hybrid-Antriebe mit einem elektrifizierten Luftpfad zeichnen sich durch eine starke Interaktion zwischen Antrieb und elektrischem System aus, die sich maßgeblich auf die Freiheitsgrade und Komplexität des Antriebsmanagements auswirkt. Nicht zuletzt wegen der zunehmenden 48V-Elektrifizierung in den diversen Fahrzeugdomänen sowie einer begrenzten elektrischen Energie und Leistungsfähigkeit ist eine intelligente Energie- und Leistungsverteilung entscheidend, um die begrenzten Ressourcen konkurrenzfähig ausgelegter 48V-Systeme bestmöglich einzusetzen. Das im Rahmen dieser Arbeit entwickelte modellprädiktive Antriebsmanagement ermöglicht eine optimierungsbasierte Regelung des Riemenstartergenerators sowie des elektrifizierten Luftpfads über die Stellglieder der Drosselklappe, des Wastegates und des elektrischen Verdichters. Es basiert auf einer nichtlinearen modellprädiktiven Regelung (englisch: Nonlinear Model Predictive Control, NMPC), die neben dem Antriebsmoment den Energieverbrauch unter Berücksichtigung des Batterieladezustands optimiert. Schwerpunkt der Arbeit bildet die Konzeption, Entwicklung und simulative Untersuchung des optimierungsbasierten Regelungskonzeptes. Fokus der Untersuchung ist neben einer Analyse des Reglerverhaltens in exemplarischen Fahrsituationen, die Bewertung des Ansprechverhaltens und Kraftstoffverbrauchs in dynamischen Fahrzyklussimulationen. Die implementierte NMPC basiert auf einem nichtlinearen Differential-Algebraischen-Gleichungssystem zur Beschreibung der Systemdynamik. Das dynamische Optimierungsproblem wird über ein Multiple-Shooting-Verfahren diskretisiert und über eine sequentielle quadratische Programmierung (SQP) mit einem generalisierten Gauss-Newton-Verfahren gelöst. Die Implementierung erfolgt über die MATLAB-basierte Softwareumgebung ACADO (englisch: Automatic Control And Dynamic Optimization). Mit einer Zeitschrittweite von 40 ms und einem Prädiktionshorizont von 720 ms kann die NMPC in Verbindung mit einer Begrenzung der SQP-Iterationen auf dem PC echtzeitfähig implementiert werden. Die Regelung ist in der Lage die Antriebsfreiheitsgrade über den gesamten Betriebsbereich auch unter hohem Störgrößeneinfluss stabil zu regeln. Sie ermöglicht darüber hinaus einen zielgerichteten und Kraftstoffverbrauch senkenden Einsatz des 48V-Systems ohne die Fahrdynamik nachteilig zu beeinflussen. In dem vorgestellten Antriebskonzept können unter idealen Voraussetzungen Verbrauchseinsparungen von bis zu 10,3% im Realfahrzyklus gegenüber einem regelbasierten Antriebsmanagement nach Stand der Technik erzielt werden. Prinzipiell steigt das Potential mit zunehmender Kenntnis über den zukünftigen Fahrverlauf und abnehmendem Fahrereinfluss. Die Gewichtung der NMPC ermöglicht indessen eine Verschiebung zwischen effizientem und dynamischem Fahrverhalten. Insgesamt stellt das vorgestellte modellprädiktive Antriebsmanagement eine aussichtsreiche Methode dar, Hybridantriebe mit elektrifizierten Aufladungskonzepten im Hinblick auf die Fahrdynamik und den Kraftstoffverbrauch effektiv zu regeln. Da es im Gegensatz zu heuristischen Verfahren ohne anwendungs- und situationsspezifische Regelwerke auskommt, lässt sich der Ansatz auf gleichartige Antriebskonzepte übertragen und ist somit geeignet den Entwicklungs-, Anpassungs- und Kalibrieraufwand perspektivisch zu verringern.