电液混合动力系统关键技术及能量管理研究综述

刘桓龙

doi:10.3969/j.issn.0258-2724.20211011

电液混合动力系统关键技术及能量管理研究综述

doi: 10.3969/j.issn.0258-2724.20211011

刘桓龙^{1, 2,}

1.
西南交通大学先进驱动节能技术教育部工程研究中心，四川成都 610031
2.
西南交通大学机械工程学院，四川成都 610031

基金项目: 四川省科技厅重点研发项目（2018GZ0450）

详细信息

作者简介:
刘桓龙（1977—），男，副教授，研究方向为流体及混合动力技术，E-mail：lhl_swjtu@163.com

中图分类号: TH137；U267.1
计量
- 文章访问数: 652
- HTML全文浏览量: 337
- PDF下载量: 104
- 被引次数: 3
出版历程
- 收稿日期: 2021-12-14
- 修回日期: 2022-04-19
- 网络出版日期: 2023-05-13
- 刊出日期: 2022-05-11

Summary of Research on Key Technologies and Energy Management of Electro-Hydraulic Hybrid Powertrain

LIU Huanlong^{1, 2
,}

1.
Engineering Research Center of Advanced Drive Energy Saving Technologies, Ministry of Education, Southwest Jiaotong University, Chengdu 610031, China
2.
School of Mechanical Engineering, Southwest Jiaotong University, Chengdu 610031, China

摘要

摘要:
现有混合动力驱动技术以油电、油液混合动力为主，旨在提高传统燃油车辆的能量利用率、降低油耗和排放. 基于液压技术的大功率密度及能量再生优势，电液混合动力系统可在全速工况范围内实现能量高效利用，提高纯电驱系统的功率密度，有效改善电动车辆续驶里程及蓄电池循环使用寿命. 本文对电液混合动力系统构型、能量回收技术、能量释放模式及控制策略等相关研究成果的进展、现状及发展趋势进行综述，分析了利用电液混合动力构型与先进能量管理策略提升纯电动车辆动力性能与能量利用率的可行性技术方案与应用前景. 根据已有研究成果，装备电液混合动力系统后车辆最大可降低约40%的能量消耗，在能量高效利用方面具有显著优势. 对于电液混合动力系统而言，液压能再生、耦合与释放等与行驶场景及电机工况点密切相关，研究重点应解决动力耦合、再生制动与能量管理等关键技术，从而提升动力系统的综合性能特别是功率密度与节能特性.
- 电液混合动力系统 /
- 动力混合 /
- 再生制动 /
- 高效利用 /
- 能量管理策略
Abstract:
The existing hybrid drive technology is mainly based on the hybrid power of oil electricity or liquid, and it aims to improve the energy utilization rate of conventional fuel vehicles and reduce fuel consumption and emissions. Based on the high power density and energy regeneration advantages of hydraulic technology, the electro-hydraulic hybrid powertrain can achieve efficient energy utilization within the full-speed operating range, increase the power density of pure electric drive system, and effectively improve the driving range of electric vehicles and cycling life of batteries. This paper summarizes the progress, current situation, and development trend of research on electro-hydraulic hybrid powertrain configuration, energy recovery technology, energy release mode, and control strategy and analyzes the feasibility and application prospect of using electro-hydraulic hybrid configuration and advanced energy management strategy to improve the power performance and energy utilization rate of pure electric vehicles. According to the existing research results, the vehicle equipped with an electro-hydraulic hybrid powertrain can reduce energy consumption by about 40% at most, which has significant advantages in efficient energy utilization. For an electro-hydraulic hybrid powertrain, hydraulic energy regeneration, coupling, and release are closely related to driving scenarios and motor operating conditions. The research should focus on solving key technologies such as power coupling, regenerative braking, and energy management, so as to improve the overall performance of the powertrain, especially the power density and energy-saving characteristics.
- electro-hydraulic hybrid powertrain /
- power hybrid /
- regenerative braking /
- efficient utilization /
- energy management strategy

HTML全文

现代大型桥梁和结构构造组成复杂，对结构安全性要求高，采用基于概率的结构可靠度理论进行安全评估已渐成共识. 然而，由于结构本身及随机影响因素的复杂性，传统的一阶（FORM）和二阶（SORM）可靠度计算方法^[1]在处理复杂非线性功能函数时精度较差，适用性有限. 尤其是对于一些重要结构，如核电站保护壳和生命线工程等，其失效概率计算精度要求较高，传统方法已较难满足相应要求. 为解决这一问题，基于抽样模拟技术的Monte Carlo法由于其独特优势而获得了长足发展.

Monte Carlo法以大数定律为理论基础，通过数值抽样来估计结构失效概率，并以抽样模拟频率代替失效概率，具有对随机变量维数不敏感的优势. 然而，面对小失效概率问题时，为确保计算精度，需要增加抽样次数，这是当前Monte Carlo法主要面临的挑战. 为解决这个问题，许多学者提出了各种抽样方差缩减技术.

Melchers^[2]基于Kahn的重要抽样思想，以设计验算点为重心，使用n维独立正态分布密度函数作为重要抽样密度进行抽样估计，以获取结构的失效概率，但对重要抽样密度函数参数的确定未进行深入研究. Geyer等^[3]基于Rubinstein的交叉熵方法对重要抽样密度函数进行优化探讨，取得了良好进展. 线抽样方法是另一类有效的高效抽样方法，由Koutsourelakis等^[4-5]提出，通过适当变换结构失效概率估计函数并沿重要方向进行抽样，结合逐步计算策略，进一步提升算法的方差缩减程度，具有较好的估计精度和适用性，但是算法同样也存在一些问题. 吕震宙等^[1,6]提出解决方案并取得了良好效果. 不同于上述方法，Au 等^[7-8]提出一种新的子集抽样法，通过定义一系列中间失效事件并结合Markov chain Monte Carlo （MCMC）方法，将一个小失效概率问题转化为多个较大条件失效概率的乘积来缩减抽样方差. 这一思想被Katafygiotis等^[9]借鉴，研发了一种球层子集抽样模拟方法. 该方法将标准正态空间划分为若干互斥的球层子区域，在引入各球层内锥形失效域空间由外向内逐渐递减的假定基础上，将各子区域失效概率结果转化为多个参数（每一参数相当于一个中间失效事件）的乘积，并通过MCMC条件抽样方法对各层锥形失效域进行抽样搜索以估计相应参数，实现结构失效概率的高效模拟. Katafygiotis等^[10]进一步优化球层子区域的选取，提高了算法效率. 研究表明，其提出的方法具有出色的方差缩减能力和估计精度，适用于小失效概率等问题. 然而，该方法主要针对一般失效域问题，并对失效域形态提出了一定要求，对于多失效域等复杂可靠度问题，其所采用的Markov链搜索方法可能存在困难，并且MCMC方法具有样本相关性高等缺陷. 因此，需要进一步研究改进，以解决复杂情形的可靠度问题.

总体而言，上述代表性抽样方法均具有较高的计算效率和估计精度，尤其在处理复杂高维、小失效概率问题时展现出独特优势和较好适用性，推动了Monte Carlo方法的发展. 但是对于多设计验算点（多重要失效域）问题，由于这些方法均具有一定的方向侧重性，可能较难解决这一问题. 因此，本文提出一种新的结构失效概率估计的球层抽样方法. 首先，对多维随机向量进行重新构造变换，保证其标准正态性与相互独立性不变；然后，将标准正态空间外围区域划分为多个同心球层，并通过重点对这些球层进行均匀无方向抽样，来缩减抽样方差并提升精度效率. 这种方法具有良好的估计性能，且由于抽样的均匀无方向性，可有效解决前述多设计验算点问题，更适用于复杂小失效概率和体系可靠度等问题的求解.

1. 抽样向量的构造及其正态性与独立性研究

1.1 抽样向量构造

针对结构随机变量，通常可以通过正态化和线性变换将其转化至标准正态空间中进行分析^[11]. 经处理后，可以得到标准正态空间的n维基本向量X=[X₁X₂… X_n]. 为构建后续球层抽样方法，在这个空间中，借鉴Katafygiotis等^[9]的做法，对抽样向量进行改写构造.

在标准正态空间中，随机向量X的参考坐标系为直角坐标系，因此，可以使用一般形式描述随机抽样点x，也可以使用其与原点的距离R及单位方向向量α进行描述^[1]，如式（1）所示. 这种向量描述形式对于后续抽样方法的建立具有较多方便之处. 二维向量示意如图1所示.

图 1 标准正态空间中样本点

Figure 1. Sampling point in standard normal space

下载: 全尺寸图片幻灯片

${\boldsymbol{x}}{\text{ = }}R{\boldsymbol{\alpha}} {\text{ = }}\left\| {\boldsymbol{x}} \right\|\left(\frac{{{x_1}}}{{\left\| {\boldsymbol{x}} \right\|}},\frac{{{x_2}}}{{\left\| {\boldsymbol{x}} \right\|}}, \cdot \cdot \cdot ,\frac{{{x_n}}}{{\left\| {\boldsymbol{x}} \right\|}}\right),$

(1)

$R{\text{ = }}\left\| {\boldsymbol{x}} \right\| = \sqrt {x_1^2 + x_2^2 + \cdot \cdot \cdot + x_n^2},$

(2)

${\boldsymbol{\alpha}} {\text{ = (}}{{{x_1}} / {\left\| {\boldsymbol{x}} \right\|}}{\text{, }}{{{x_2}} / {\left\| {\boldsymbol{x }}\right\|}}, \cdot \cdot \cdot {\text{, }}{{{x_n}} / {\left\| {\boldsymbol{x}} \right\|}}{\text{)}} ,$

(3)

式中：x= (x₁, x₂,…, x_n).

根据上述描述，结构随机向量可仿照式（1）～（3）进行构造.

对于距离R，定义随机变量L为

$L{\text{ = }}Q_1^2 + Q_2^2 + \cdots + Q_i^2 \cdots + Q_n^2{\text{ }},$

(4)

式中：Q_i～N(0, 1)，L服从χ²(n)分布^[12].

对于单位方向向量α，定义随机向量ξ为

${\boldsymbol{ \xi }}{\text{ = (}}{{{X_1}} / {\left\| {\boldsymbol{X}} \right\|}}{\text{, }}{{{X_2}} / {\left\| {\boldsymbol{X}} \right\|}}, \cdot \cdot \cdot {\text{, }}{{{X_n}} / {\left\| {\boldsymbol{X}} \right\|}}{\text{) ,}}$

(5)

式中：X_i～N(0, 1).

由于引入了归一化约束，因而ξ自由度降为n−1维，ξ服从n−1维球面上的均匀分布.

将随机变量L开方并与 $\boldsymbol{\xi}$ 相乘，以引入表征距离影响的随机因素，可得新构造向量Z为

$\begin{split} & {\boldsymbol{Z}} = \sqrt L {\boldsymbol{\xi}} {\text{ = (}}{{\sqrt L {X_1}} / {\left\| {\boldsymbol{X}} \right\|}}{\text{, }}{{\sqrt L {X_2}} / {\left\| {\boldsymbol{X}} \right\|}}, \cdots {\text{, }}\\ &\quad {{\sqrt L {X_n}} / {\left\| {\boldsymbol{X}} \right\|}}{\text{) }}{\text{.}} \end{split}$

(6)

由式（6）可以看出，该向量除ξ外，新增加了一维随机变量L. 因而，其维度与n维标准正态空间维度相等，且Z中各分量Z_i= ${{\sqrt L {X_i}} \mathord{\left/ {\vphantom {{\sqrt L {X_i}} {\left\| X \right\|}}} \right. } {\left\| {\boldsymbol{X}} \right\|}}$ 保持同分布. 其抽样频率分布与标准正态分布对比如图2所示，图中，n=100，抽样次数为10⁵次. 可以发现，Z_i分布特性与标准正态分布概率密度高度一致.

图 2 Z_i抽样频率密度与标准正态分布概率密度对比

Figure 2. Fig. 2 Comparison of probability density between Z_i sampling and standard normal distribution

下载: 全尺寸图片幻灯片

Katafygiotis等^[9]指出向量Z服从n维独立的标准正态分布，但并未给出严格证明，而这是后续算法研究的重要基础. 因此，有必要对其特性进行验证. 下面将对随机向量Z的标准正态性与相互独立性进行验证.

1.2 向量标准正态性验证

由式（6）定义可知，随机向量Z为 $\sqrt L$ 与 ${\boldsymbol{\xi}}$ 的乘积，且二者相互独立. 由于 ${\boldsymbol{\xi}}$ 服从n−1维自由度球面上的均匀分布，因此其分布域实质上是一个以原点为中心、半径为1的多维球面 $S_1^{(n-1)}$ ，如图3所示. 球面上各点概率密度h(ξ)（式（7））相同.

图 3 n维标准正态空间中n−1维球面均匀分布

Figure 3. Spherical uniform distribution of n−1 dimensions in standard normal space

下载: 全尺寸图片幻灯片

$h({\boldsymbol{\xi}} ){\text{ = }}\frac{1}{{\displaystyle\int_{S_1^{(n - 1)}} {{\text{ }}{\mathrm{d}}{A_1}} }}.$

(7)

对式（7）进行变形，考虑标准正态随机向量旋转不变性，则

$\begin{split} & h({\boldsymbol{\xi}} )\text=\frac{\phi ({\boldsymbol{x}}|{\boldsymbol{x}}\in {S}_{r}^{(n-1)})}{{\displaystyle {\int }_{{\boldsymbol{\xi}} \in {S}_{1}^{(n-1)}}\phi ({\boldsymbol{x}}|{\boldsymbol{x}}\in {S}_{r}^{(n-1)}){\mathrm{d}}{A}_{1}}}=\\ &\quad \left\{\begin{array}{l}\dfrac{\phi ({\boldsymbol{x}})}{{\displaystyle {\int }_{{\boldsymbol{\xi}} \in {S}_{1}^{(n-1)}}\phi ({\boldsymbol{x}}){\mathrm{d}}{A}_{1}}}\text{, }\quad \Vert {\boldsymbol{x}}\Vert =r,\\ \text{ }0\text{ , }\quad 其他\text{,}\end{array}\right.\\ \end{split}$

(8)

式中：ϕ(•)为标准正态分布概率密度函数， S_r⁽ⁿ⁻¹⁾为n维标准正态空间中半径为r的多维球面（r可取大于0的任意值）.

由于h(ξ)仅在||x||=r上取值非0，因此，仅对式（8）中||x||=r进行分析，通过对半径r遍历即可覆盖整个标准正态空间. 结合式（5）可得

$\begin{split} & h({\boldsymbol{\xi}} ) = \frac{{\phi ({\boldsymbol{x}})}}{{\displaystyle\int_{r{\boldsymbol{\xi}} \in S_r^{(n - 1)}} {\phi ({\boldsymbol{x}})/{r^{n - 1}}{\mathrm{d}}{A_r}} }} = \frac{{\phi ({\boldsymbol{x}})}}{{\displaystyle\int_{{\boldsymbol{x}} \in S_r^{(n - 1)}} {\phi ({\boldsymbol{x}})/{r^{n - 1}}{\mathrm{d}}{A_r}} }} = \\ &\quad \frac{{\phi ({\boldsymbol{x}})}}{{P({r^2} \leqslant {{\boldsymbol{x}}^2} \leqslant {r^2} + {\mathrm{d}}{r^2})/({r^{n - 1}}{\mathrm{d}}r)}}{\text{ = }} \\ &\quad \frac{{\phi ({\boldsymbol{x}})}}{{{\mathrm{d}}F({r^2})/({r^{n - 1}}{\mathrm{d}}r)}} = \frac{{\phi ({\boldsymbol{x}})}}{{2rf({r^2}) /{r^{n - 1}}}} , \end{split}$

(9)

式中：F(•)和f(•)分别为χ²(n)分布的累积分布函数和概率密度函数.

整理式（9）可得

$\phi ({\boldsymbol{x}})= 2rh(\xi )f({r^2})/{r^{n - 1}}{\text{ .}}$

(10)

对式（10）两边进行积分，则

$\begin{split} & \int_V {\phi ({\boldsymbol{x}}){\mathrm{d}}{\boldsymbol{x}}} {\text{ = }}\int_{S_r^{(n - 1)}} {h({\boldsymbol{\xi}} )/{r^{n - 1}}} {\mathrm{d}}{A_r}\int_r {2rf({r^2})} {\mathrm{d}}r{\text{ = }} \\ &\quad \int_{S_1^{(n - 1)}} {h({\boldsymbol{\xi}} )} {\mathrm{d}}{A_1}\int_l {f(l){\mathrm{d}}l} , \end{split}$

(11)

式中：l为L～χ²(n)的抽样样本点，V为标准正态空间；右侧两项分别对应于随机向量ξ以及变量L.

对比式（6）、（11）可以看出，向量Z= $\sqrt L$ ξ概率密度分布与n维标准正态随机向量相同，其标准正态性由此得证.

事实上，向量Z的标准正态性亦可通过其矩信息来反映^[13]. 由于Z中各变量Z_i与Z_j （i≠j）始终保持同分布，因此，只需对其中任一变量Z_i进行分析即可. 考虑到理论计算的难度与复杂性，采用数值抽样方法分别计算不同维度n下Z_i的前四阶矩（均值、方差、偏度、峰度），其结果如图4所示.

图 4 不同维度下Z_i前四阶矩抽样结果

Figure 4. Sampling results of first four-order moments of Z_i in different dimensions

下载: 全尺寸图片幻灯片

由图4可以看出，各阶矩抽样结果与标准正态分布理论结果符合良好，其抽样值均收敛至精确值，这从另一方面也说明了向量Z的标准正态性.

1.3 变量独立性验证

在构造的向量Z中，为确保抽样的正确性，除需验证向量的标准正态性之外，还需要确认向量中各个变量的独立性.

由于Z服从标准正态分布，根据正态分布特性可知，检验其独立性可转化为检验变量间相关性^[13]. 若变量线性不相关，即等价于其相互独立，由此，计算变量间相关系数为

$\begin{split} & \rho ({Z_i},{\text{ }}{Z_j}) = \frac{{{\text{cov}}({Z_i},{\text{ }}{Z_j})}}{{\sqrt {D({Z_i})} \sqrt {D({Z_j})} }} = {\text{cov}}({Z_i},{\text{ }}{Z_j})=\\ &\quad E({Z_i}{Z_j}) - E({Z_i})E({Z_j}){\text{ = }}E({Z_i}{Z_j}) = \\ &\quad E(L{{{X_i}{X_j}} / {{{\left\| {\boldsymbol{X}} \right\|}^2}}}) = E(L)E({{{X_i}{X_j}} / {{{\left\| {\boldsymbol{X}} \right\|}^2}}}), \end{split}$

(12)

式中：D（•）为方差.

X_i和X_j独立同分布，且均服从N(0, 1)，则由对称性可知

$E({{{X_i}{X_j}} / {{{\left\| {\boldsymbol{X}} \right\|}^2}}}){\text{ = }}0{\text{ }}.$

(13)

将式（13）代入式（12），则

$\rho ({Z_i},{\text{ }}{Z_j}){\text{ = cov}}({Z_i},{\text{ }}{Z_j}) = 0{\text{ }}.$

(14)

根据这一结果，对于向量Z中任意不同变量，可证其相关系数ρ=0，即各变量均相互独立.

结合前述正态性验证结果可知，向量Z= $\sqrt L$ ξ为标准正态向量，且变量间相互独立. 由这一特性，Z与基本向量X在标准正态空间中实质为等价向量. 但与向量X相比，对Z进行抽样操作更加灵活，其组成变量L控制了样本点相对原点之间的距离，而ξ控制了样本点相对原点的角度方位，二者因素相互剥离. 这为后续抽样方法的构造提供了基础.

2. 球层抽样算法

2.1 抽样方法原理及策略

在标准正态空间中，结构的一阶可靠度指标β_form定义了结构失效域相对原点最近的距离^[11]. 因此，对于各种极限状态方程形式，以β_form为半径的多维球形空间均包含于结构的可靠域内，且为可靠域的空间下限^[14]，如图5所示. 图中，g(X)为功能函数.

图 5 可靠域中多维球形空间

Figure 5. Mlti-dimensional spherical space in reliable domain

下载: 全尺寸图片幻灯片

对于半径大于β_form的正态空间，其空间特点使其成为重点关注区域. 针对这部分空间，借鉴Gong等^[15]方法的思想，对其进行分层处理. 通过将半径大于β_form外正态空间按球形逐层划分，可以得到若干同心球层区域，如图6所示. 此时，每个球层中的部分区域都会落入失效域，且相对各球层子空间，这些区域的条件失效概率会显著增加. 这一特点为缩减抽样方差、克服小失效概率抽样效率低的问题提供了解决思路. 根据这一思路，结构失效概率可表达为

图 6 标准正态空间按球层划分

Figure 6. Spherical layer division in standard normal space

下载: 全尺寸图片幻灯片

$\begin{split} & {P_{\text{f}}}{\text{ = }}P(g({\boldsymbol{X}}) < 0){\text{ = }} \\ &\quad P(g({\boldsymbol{X}}) < 0|{{\boldsymbol{X}}^2} \leqslant \beta _{{\text{form}}}^2) P({{\boldsymbol{X}}^2} \leqslant \beta _{{\text{form}}}^2) + \\ &\quad \sum_k {P(g({\boldsymbol{X}}) < 0|\eta _k^2 \leqslant {{\boldsymbol{X}}^2} \leqslant \eta _{k + 1}^2) P(\eta _k^2 \leqslant {{\boldsymbol{X}}^2} \leqslant \eta _{k + 1}^2)}= \\ &\quad \sum_k {P(g({\boldsymbol{X}}) < 0|\eta _k^2 \leqslant {{\boldsymbol{X}}^2} \leqslant \eta _{k + 1}^2) P(\eta _k^2 \leqslant {{\boldsymbol{X}}^2} \leqslant \eta _{k + 1}^2)} , \end{split}$

(15)

式中：P(•)为概率；η_k为球层k与球层k−1的交界半径，k=1, 2, …, K；X²服从χ²(n)分布.

故式（15）可化为

${P_{\text{f}}}{\text{ = }}\sum_k {P(g({\boldsymbol{X}}) < 0|\eta _k^2 \leqslant {{\boldsymbol{X}}^2} \leqslant \eta _{k + 1}^2) [F(\eta _{k + 1}^2) - F(\eta _k^2)]}.$

(16)

式（16）中g(X)<0| $\eta_k^2$ ≤X²≤ $\eta_{k+1}^2$ 区域并非一定是一个连续锥形区域，这一点对于多失效域可靠度问题尤为重要.

根据第1节向量构造与验证结果可知，所构造向量Z与基本向量X在标准正态空间中分布等价. 因此，将Z= $\sqrt L$ ξ = $\sqrt L$ X/||X||代替X代入式（16）中，结果如式（17）所示.

$\begin{split} & P_{\mathrm{f}}= \sum_k P\left(g(\boldsymbol{Z})<0 \mid \eta_k^2 \leqslant L \leqslant \eta_{k + 1}^2\right) \left(F\left(\eta_{k + 1}^2\right)- F\left(\eta_k^2\right)\right)= \sum_k \iint I(g(\sqrt{l} \boldsymbol{x} /\|\boldsymbol{x}\|)) \phi(\boldsymbol{x}) f\left(l \mid \eta_k^2 \leqslant l \leqslant \eta_{k + 1}^2\right) {\mathrm{d}} \boldsymbol{x} {\mathrm{d}} l \;\times \\ &\quad \left(F\left(\eta_{k + 1}^2\right)-F\left(\eta_k^2\right)\right)= \sum_k E\left(I(g(\sqrt{l} \boldsymbol{x} /\|\boldsymbol{x}\|)) \mid \eta_k^2 \leqslant l \leqslant \eta_{k + 1}^2\right) \left(F\left(\eta_{k + 1}^2\right)-F\left(\eta_k^2\right)\right), \end{split}$

(17)

式中：I(g(z))为示性函数，如式（18）所示， ${\boldsymbol{z}} = \sqrt{l}{\boldsymbol{x}}/||{\boldsymbol{x}}||$ .

$I(g({\boldsymbol{z}})) = \left\{ \begin{gathered} 1，{\text{ }}g({\boldsymbol{z}}) < 0 , \\ 0，{\text{ }}g({\boldsymbol{z}}) \geqslant 0. \\ \end{gathered} \right.$

(18)

由此，失效概率P_f可通过抽样估计为^[10]

$\begin{split} & P_{\mathrm{f}} \approx P_{\text {estimate }}= \sum_k\left[F\left(\eta_{k + 1}^2\right)-F\left(\eta_k^2\right)\right]\times \\ &\quad \sum_m \frac{I\left(\sqrt{l^{(m)}} \boldsymbol{x}^{(m)} \Big/\left\|\boldsymbol{x}^{(m)}\right\| \in \boldsymbol{F}^* \Big| \eta_k^2 \leqslant l \leqslant \eta_{k + 1}^2\right)}{N_k}, \end{split}$

(19)

式中：P_estimate为失效概率P_f的抽样估计结果，F^*为功能函数g(z)对应的失效域，l^(m)和x^(m)分别为l和x的第m个抽样样本，m=1, 2, …, N_k.

式（19）即为结构失效概率的抽样理论公式. 可以看出，所建立抽样方法的一项前提在于如何将抽样点按所服从分布均匀控制在所要求半径η_k≤R≤η_k+1的球层中，而这正是前述构造向量Z= $\sqrt L$ X/||X||的目的所在. 通过对基本向量Z的重构，可将表征距离的变量L和表征方向的向量X/||X||分离开来，从而实现基于特定球层的分析处理.

对球层[η_k, η_{k + 1}]空间内样本获取采用如下方法：对L在概率区间[F( $\eta_k^2$ ), F( $\eta_{k+1}^2$ )]内抽样，生成随机样本l，在此基础上随机抽取标准正态分布样本x，构造方向向量x/||x||^[10]，得到球层内随机抽样点z= $\sqrt{l}$ x/||x||. 该样本即为式（19）估计结构失效概率P_f的随机抽样点，如图7所示.

图 7 各球层内随机样本点生成

Figure 7. Generation of random sample points in each spherical layer

下载: 全尺寸图片幻灯片

对于球层的划分，由于半径R = β_form的多维球形空间是结构可靠域的空间下限，因此，仅需对R> β_form的空间进行划分. 这种方式相比其他方法^[15]既可以确保不遗漏失效域，又能有效降低抽样工作量. 此时可按照等概率原则合理确定各球层，该原则相对于部分研究中所建议的预抽样反复迭代半径^[9]等算法，效率已能够满足要求. 考虑到变量 ${X^2} = \displaystyle\sum\limits_{i = 1}^n {X_i^2}$ ～χ²(n)，各球层（等概率划分为K层）的半径下限η_k为

${\eta _k} = \sqrt {{F^{ - 1}}\left(F(\beta _{{\text{form}}}^2) + \frac{{1 - F(\beta _{{\text{form}}}^2)}}{k} (k - 1)\right)},$

(20)

式中：F⁻¹(•)为χ²(n)累积分布的逆函数.

根据上述分析结果，结构失效概率的无偏估计可以通过球层抽样来实现. 在确定R > β_form的外部正态空间球层划分的基础上，通过控制L的抽样概率区间，在各球层空间内分别进行结构随机抽样并计算相应球层的条件失效概率. 在此基础上，利用式（19）将各层抽样结果进行叠加，最终可得到结构失效概率的估计值. 与其他算法相比，所提出方法避开了结构可靠概率最高的R ≤ β_form的球形区域（这些区域的概率可知且无效），并将抽样重点分层转移到结构失效域邻近的区域. 这有效改善了小失效概率事件的抽样效率低下的问题. 同时，由于抽样的无方向侧重性和均匀性，算法极大地提升了对于多设计验算点和多重要失效域问题的适用性.

2.2 算法步骤

在获取结构一阶可靠度指标β_form的基础上，对抽样向量Z分析构造，并结合标准正态空间球层划分以及逐层抽样策略，最终可得到结构失效概率的估计值. 基于上述思路，所构造抽样方法的主要步骤总结如下：

步骤1　根据所分析问题，确定结构基本向量X及其所对应标准正态空间维度n.

步骤2　对R > β_form外的标准正态空间，以原点为中心进行球层划分，可以按照等概率原则或其他合理原则划分为k层；当采用等概率原则时，各球层半径下限η_k按式（20）确定.

步骤3　在第k层空间内（半径为[η_k，η_k+1]）对变量L和X分别进行抽样，并生成样本点l和x；其中，L服从截尾的χ²(n)分布，截尾上、下限分别为 $\eta_k^2$ 和 $\eta_{k+1}^2$ ，X服从n维独立的标准正态分布；对样本l和x进行组合，获取抽样点z = $\sqrt l$ x/||x||，并判断此时g(z)是否小于0.

步骤4　重复抽样N_k次，检验每次样本点z是否落入失效域F^*（g(z)<0），并据此估计空间第k层球层内结构的条件失效概率.

步骤5　k=k + 1，重复步骤3～4，直至对所有球层均完成抽样，按式（19）将各层条件失效概率进行叠加组合，计算结构整体失效概率的估计值，抽样计算完毕.

在获取结构失效概率后，即可对其失效行为特点进行分析，评估结构的可靠性.

3. 算法验证及算例分析

为验证所提出算法的计算精度、效率以及适用性，分别采用所提出算法对3个典型算例进行失效概率抽样估计. 在此基础上，将计算结果与其他典型算法进行分析对比，以检验算法针对复杂结构可靠度问题的解决能力.

3.1 算例1

某一结构的功能函数^[16-17]为g(Z) = 5−Z₂−0.5 × (Z₁−0.1)²，计算结构的失效概率，式中，Z₁和Z₂均服从标准正态分布N(0, 1)，且二者之间相互独立.

首先，利用Hasofer Lind- Rackwitz Fiessler （HL-RF）算法^[18]对结构进行分析，经试算发现，结构共有2个设计验算点，分别为 ${\boldsymbol{z}}_1^*$ （−2.7409, 0.9648）和 ${\boldsymbol{z}}_2^*$ （2.9159, 1.0355），算例为多设计验算点问题，其极限状态曲面如所示. 图中， ${{\beta }_{\text{form}1}}$ 、 ${{\beta }_{\text{form}2}}$ 分别为 ${\boldsymbol{z}}_1^*$ 、 ${\boldsymbol{z}}_2^*$ 距原点的距离.

图 8 算例1极限状态曲面及球层划分

Figure 8. Limit state surface and spherical layer division in standard normal space for case 1

下载: 全尺寸图片幻灯片

由图8可以看出，β_form1= 2.9057，β_form2=3.0943. 根据结构一阶可靠度指标定义可得β_form= 2.9057，其所对应设计验算点为（−2.7409, 0.9648）. 利用上述信息，分别采用不同抽样方法对结构失效概率进行计算，其结果如表1所示. 表中，MCS为Monte Carlo仿真.

表 1 算例1不同方法计算结果对比

Table 1. Comparison of calculation results with different sampling methods for case 1

计算方法	抽样数/次	P_f/×10⁻³	β_form	相对误差/%	变异系数
HL-RF		1.832	2.9057	38.3
重要抽样	1000	2.090	2.8642	29.6	0.360
线抽样	1000	1.957	2.8850	34.1	0.004
球层抽样	1000	2.998	2.7480	0.9	0.062
MCS	1×10⁶	2.970	2.7511
注：各算法变异系数结果为重复100次计算得到，后续算例同.

下载: 导出CSV

| 显示表格

对比表1计算结果可以发现，由于算例具有2个设计验算点且可靠域为双侧有界区域，因此，其极限状态曲面极为复杂，采用传统线抽样及重要抽样方法均会产生过大误差，从而导致计算失败，即使增加抽样次数，其估计结果也难以有效改善. 这一现象主要是由于二者算法的抽样方向或区域的局部侧重性所导致的. 而所提出的球层抽样算法由于抽样原理的无方向性，因而可有效避免上述问题的产生，并具有较高的计算效率，在重复1000次后即可得到失效概率P_f的可靠估计值，其结果相对于Monte Carlo解，误差仅为0.9%，表明算法具有良好的适用性和计算精度.

进一步分析算法的抽样效率，可得P_f估计值变异系数随抽样次数的变化规律如图9所示. 由图可以看出，算法具有良好的收敛性，在抽样超过2000次后，其变异系数已不足4%，结构失效概率基本达到收敛. 这一结果表明，算法具有良好的抽样估计效率，在解决复杂可靠度问题时，其计算工作量将大为降低.

图 9 算例1球层抽样失效概率变异系数随抽样次数变化

Figure 9. Coefficient of variation in failure probability of spherical layer sampling with sampling times for case 1

下载: 全尺寸图片幻灯片

3.2 算例2

某一屋架结构^[19]如所示，屋架上弦杆和其他压杆采用钢筋混凝土构件，下弦杆和其他拉杆采用钢构件. 设屋架承受均布荷载q（kN/m）作用，经简化并由结构受力分析可得，屋顶点C竖直方向的挠度 ${\varDelta _{{C}}}{\text{ = }}\dfrac{{q{l_{\mathrm{s}}^2}}}{2}\left( {\dfrac{{3.81}}{{{E_{\text{c}}}{A_{\text{c}}}}} + \dfrac{{1.13}}{{{E_{\text{s}}}{A_{\text{s}}}}}} \right)$ ，其中，A_c、E_c、A_s、E_s和l_s分别为混凝土和钢杆件的截面积、弹性模量和长度. 以点C挠度不超过3 cm为约束条件，构造结构的功能函数g=0.03−Δ_C. 设结构中所有变量均服从正态分布且相互独立，其变量分布参数如表2所示，计算结构的失效概率.

图 10 算例2屋架结构示意

Figure 10. Illustration of case 2 truss structure

下载: 全尺寸图片幻灯片

表 2 算例2随机变量的分布参数

Table 2. Distribution parameters of random variables for case 2

项目	q/ （kN•m⁻¹）	l_s/m	A_s/m²	A_c/m²	E_s/ GPa	E_c/ GPa
均值	20	12	9.82 × 10^-4	0.04	100	20
变异系数	0.07	0.01	0.06	0.12	0.06	0.06

下载: 导出CSV

| 显示表格

算例2为一单榀桁架结构，针对这一结构的功能函数，首先采用HL-RF算法进行分析，可得结构一阶可靠度指标及相应设计验算点分别为β_form=2.4287及z^*（1.5063, 0.4735, −0.9533, −0.4334, −1.0744, −1.0744）. 基于上述结果，分别采用不同典型抽样方法对其失效概率进行估计分析，并对比相应结果，其结果如表3所示.

表 3 算例2不同方法计算结果对比

Table 3. Comparison of calculation results with different sampling methods for case 2

计算方法	抽样数/次	P_f/×10⁻³	β_form	相对误差/%	变异系数
HL-RF		7.577	2.4287	19.0
子集抽样^[19]	1500	9.317	2.3528	0.4	0.242
球层抽样	1500	9.396	2.3496	0.5	0.148
MCS^[19]	5 × 10⁷	9.352	2.3514

下载: 导出CSV

| 显示表格

对比表3计算结果发现，采用子集抽样算法与所提出球层抽样算法均可实现对算例2结构失效概率的准确估计，二者误差较小且十分接近. 但分析其变异系数可以看出，当抽样次数为1500次时，球层抽样算法P_f变异系数仅为0.148，与子集抽样算法相比减小39%. 这一结果表明，所提出球层抽样算法具有更加优良的抽样效率与收敛性，当抽样次数超过4500次后，其变异系数已不足0.090，结构失效概率收敛迅速，而采用子集抽样算法则需要更多的抽样次数方能收敛，其速度略慢. 由上述对比结果可知，所提出算法计算精度及抽样效率均较为优良.

3.3 算例3

某施工中钢斜拉桥结构如图11所示，其施工期最大单悬臂状态是一个潜在的控制工况. 此时结构主要承受恒荷载和施工临时荷载作用. 结构功能函数为g=R(k_m, k_f, k_q)−S_D−S_Q. 其中：R(k_m, k_f, k_q)为结构的抗力函数，k_m、k_f和k_q分别为其材料强度不定性变量、几何尺寸不定性变量以及计算模式不定性变量，S_D和S_Q分别为结构的恒载效应和施工临时荷载效应. 结构抗力和荷载变量服从正态分布，结构抗力分布参数如表4所示，表中，t为钢材厚度. 施工临时荷载变量分布参数如表5所示（结构自重比例系数均值为1.0237、变异系数为0.0400^[17]），计算结构的失效概率.

图 11 算例3钢斜拉桥最大单悬臂施工工况示意（单位：m）

Figure 11. Illustration of case 3 steel cable-stayed bridge in longest single cantilever construction phase （unit: m）

下载: 全尺寸图片幻灯片

表 4 算例3抗力不确定性变量分布参数

Table 4. Distribution parameters of resistance random variables for case 3

项目	k_m				k_f	k_p
项目	t≤16 mm	16 mm<t≤25 mm	25 mm<t≤38 mm	38 mm<t≤50 mm	k_f	k_p
偏差系数	1.1511	1.1228	1.0991	1.2074	1.0000	1.0890
变异系数	0.0656	0.0670	0.0843	0.0917	0.0200	0.1080

下载: 导出CSV

| 显示表格

表 5 算例3荷载变量分布参数

Table 5. Distribution parameters of temporary load random variables during construction for case 3

项目	桥面吊机和焊接设备	焊接平台	张拉平台
均值/kN	2402	150	399
变异系数	0.0500	0.0500	0.0500

下载: 导出CSV

| 显示表格

根据结构描述，算例3为一悬臂施工钢斜拉桥结构，其构造组成十分复杂，因而可有效检验所提出算法在实际结构中的适用性. 针对这一结构，首先计算其一阶可靠度指标，可得β_form=6.9533. 利用上述信息，采用所提出方法对结构失效概率进行求解计算，可得其结果如表6所示.

表 6 算例3不同方法计算结果对比

Table 6. Comparison of calculation results with different sampling methods for case 3

计算方法	抽样数/ 次	P_f/× 10⁻¹²	β_form	相对误差%
HL-RF		1.784	6.9533	43.1
球层抽样	1×10⁴	3.048	6.8774	2.8
改进 MCS^[17]	1×10⁵	3.137	6.8733

下载: 导出CSV

| 显示表格

由表6计算结果可以看出，算例3结构失效概率相对前2个算例更小，应用传统Monte Carlo法将极大增加抽样工作量. 而采用所提出的球层抽样方法可有效降低抽样计算量，其结果吻合较好，误差满足工程精度要求，算法具有良好的抽样效率与估计性能. 由这一结果，在针对复杂结构失效问题分析时，算法同样具有良好的适用性.

综合上述分析结果可以看出，算法在所有算例中均展现出良好的计算精度与性能，其正确性得到有效验证. 进一步地总结分析各算法特点，可以发现：

1）球层抽样算法针对结构多设计验算点等复杂体系可靠度问题，具有更好的求解性能与适用性. 除β_form数值外，算法无需其他额外信息. 而线抽样等估计方法除需对算法进行改进与修正^[17]外，尚需较多额外设计验算点信息，这在实际很多情况下（判断并识别出所有设计验算点信息）较难实现，因而其求解面临较多困难. 所提出球层抽样算法具有更广泛的适用性与优良求解性能.

2）与重要抽样、子集抽样等目前流行算法相比，所提出球层抽样算法具有更小的P_f估计变异系数与波动性，其抽样方差缩减能力相对更加优良，从而可有效实现结构失效概率的快速稳健收敛. 在解决复杂结构、小失效概率问题时，算法具有优势.

由上述对比分析，所提出球层抽样算法具有良好的抽样效率与问题适用性，其应用前景良好广阔.

4. 结　语

1）针对标准正态空间随机向量，基于距离与角度参量分离思想，对其进行了重构说明，并验证所构造向量的标准正态性与相互独立性，为结构随机样本的灵活抽取与方法建立提供了理论基础.

2）基于所构造向量并结合半径R>β_form外正态空间球形分层抽样策略，提出一种计算结构失效概率的球层抽样算法，该算法具有良好的无方向侧重性，可有效改善小失效概率事件抽样效率低下的问题，其性能较为优良.

3）相对其他传统抽样方法，所提出球层抽样算法具有更好的抽样效率与适用性. 算例对比结果表明：相同抽样次数条件下，球层抽样算法P_f估计变异系数较小，且可有效解决结构多设计验算点等复杂可靠度问题，更适用于小失效概率以及体系可靠度等问题的求解.

4）由算法解决复杂结构可靠度问题的独特优势所决定，结合实际工程结构，开展大跨度钢斜拉桥等复杂结构体系可靠度规律的探讨，是下一步研究的重点.

图 1 串联式电液混合动力系统

Figure 1. Series electro-hydraulic hybrid powertrain

下载: 全尺寸图片幻灯片

图 2 并联式电液混合动力系统

Figure 2. Parallel electro-hydraulic hybrid powertrain

下载: 全尺寸图片幻灯片

图 3 混联式电液混合动力系统

Figure 3. Electro-hydrostatic hydraulic hybrid powertrain

下载: 全尺寸图片幻灯片

图 4 液压再生制动

Figure 4. Hydraulic regenerative braking

下载: 全尺寸图片幻灯片

图 5 液压无摩擦制动

Figure 5. Hydraulic frictionless braking

下载: 全尺寸图片幻灯片

图 6 不同放液型式的油液流向

Figure 6. Oil flow direction of different dispensing forms

下载: 全尺寸图片幻灯片

图 7 不同耦合型式的电功率消耗

Figure 7. Electric power consumption of different coupling forms

下载: 全尺寸图片幻灯片

图 8 不同电机启动方式下的蓄电池输出电流

Figure 8. The battery output current of different motor starting methods

下载: 全尺寸图片幻灯片

表 1 不同动力混合型式的比较

Table 1. Comparison of different power hybrid types

类别	优势	劣势
串联电液混合动力	电机与机械负载解耦并无级调速、保护蓄电池、布局灵活	能量多次转化导致利用率低、系统惯性负载大
并联电液混合动力	能量损失小、驱动效率高、结构简单	电机工作环境难以调节、控制复杂
混联电液混合动力	能量利用率高、动力性能好、布局灵活、有效保护蓄电池	结构复杂、控制难度大

下载: 导出CSV

表 2 不同控制策略的优缺点对比及其应用

Table 2. Comparison of the advantages and disadvantages of different control strategies and their applications

类别	优势	劣势	应用
基于确定规则控制	结构简单、控制响应快速	控制参数选取依赖经验	各种混合动力车辆
基于模糊规则控制	具有较强适应性，易于应用	需人为优化，适用范围小	部分混合动力车辆
瞬时优化控制	易获近似最优解，性能好	计算量较大，控制复杂	部分混合动力试验车
全局优化控制	易获理论最优解，无需校正	需预知大量行驶信息，计算量大	多用于引导简单控制策略的制定

下载: 导出CSV

参考文献(84)

[1]	KWON H, IVANTYSYNOV A M. Experimental and the oretical studies on energy characteristics of hydraulic hybrids for thermal management[J]. Energy, 2021, 223: 120033.1-120033.13.
[2]	OSMAN M, MEHREZ M W, DAOUD M A, et al. A generic multi-sensor fusion scheme for localization of autonomous platforms using moving horizon estimation[J]. Transactions of the Institute of Measurement and Control, 2021, 43(15): 3413-3427. doi: 10.1177/01423312211011454
[3]	ZHU Y Y. The key technologies for powertrain system of intelligent vehicles based on switched reluctance motors[M]. Singapore: Springer, 2022.
[4]	LI Y Y, WANG S Q, DUAN X B, et al. Multi-objective energy management for Atkinson cycle engine and series hybrid electric vehicle based on evolutionary NSGA-II algorithm using digital twins[J]. Energy Conversion and Management, 2021, 230: 113788.1-113788.19.
[5]	TAN W, XIE S H, CAI Y D, et al. Transformation of highly stable Pt single sites on defect engineered ceria into robust Pt clusters for vehicle emission control[J]. Environmental Science & Technology, 2021, 55(18): 12607-12618.
[6]	MA M, MENG W D, LI Y Y, et al. Impact of dual credit policy on new energy vehicles technology innovation with information asymmetry[J]. Applied Energy, 2023, 332(15): 120524.1-120524.14.
[7]	ZHOU H C, XU Z P, LIU L, et al. Design and validation of a novel hydraulic hybrid vehicle with wheel motors[J]. Science Progress, 2020, 103(1): 36850419878024.1-36850419878024.11.
[8]	LI C S, CHEN L, WANG X, et al. Energy-saving system of secondary balance for the hybrid power of the pumping unit[J]. The Journal of Engineering, 2019, 2019(13): 190-195. doi: 10.1049/joe.2018.9013
[9]	QI C Y, ZHU Y W, SONG C X, et al. Self-supervised reinforcement learning-based energy management for a hybrid electric vehicle[J]. Journal of Power Sources, 2021, 514: 230584.1-230584.10.
[10]	CHEN J X, SHU H, TANG X L, et al. Deep reinforcement learning-based multi-objective control of hybrid power system combined with road recognition under time-varying environment[J]. Energy, 2022, 239: 122123.1-122123.15.
[11]	JUFRI F H, ARYANI D R, GARNIWA I, et al. Optimal battery energy storage dispatch strategy for small-scale isolated hybrid renewable energy system with different load profile patterns[J]. Energies, 2021, 14(11): 3139.1-3139.19.
[12]	AKPOLAT A N, DURSUN E, SIANO P. Inverter-based modeling and energy efficiency analysis of off-grid hybrid power system in distributed generation[J]. Computers & Electrical Engineering, 2021, 96: 107476.1-107476.13.
[13]	LI C S, WANG X, WANG J Y, et al. Research on variable pressure characteristics of step variable hydraulic hybrid system based on cartridge value group[J]. The Journal of Engineering, 2019, 2019(13): 415-420. doi: 10.1049/joe.2018.9333
[14]	MENG Z W, ZHANG H X, YANG J, et al. Research on matching of power transmission system of electro-hydraulic hybrid electric vehicle[J]. IOP Conference Series: Earth and Environmental Science, 2021, 632(3): 032007.1-032007.9.
[15]	URISHEV B, BEYTULLAYEVA R, UMIROV А, et al. Hydraulic energy storage of wind power plants[J]. E3S Web of Conferences, 2021, 264: 04053.1-04053.9. doi: 10.1051/e3sconf/202126404053
[16]	刘昕晖,李春爽,陈琳,等. 游梁式抽油机节能技术综述[J]. 吉林大学学报(工学版),2021,51(1): 1-26. doi: 10.13229/j.cnki.jdxbgxb20190951 LIU Xinhui, LI Chunshuang, CHEN Lin, et al. Review of energy saving technologies for beam pumping units[J]. Journal of Jilin University (Engineering and Technology Edition), 2021, 51(1): 1-26. doi: 10.13229/j.cnki.jdxbgxb20190951
[17]	WANG C Y, ZHAO W Z, LI W K, et al. Multi-objective optimisation of electro-hydraulic braking system based on MOEA/D algorithm[J]. IET Intelligent Transport Systems, 2019, 13(1): 183-193. doi: 10.1049/iet-its.2018.5090
[18]	LE SOLLIEC G, CHASSE A, VAN-FRANK J, et al. Dual mode vehicle with in-wheel motor: regenerative braking optimization[J]. Oil & Gas Science and Technology-Revue d’IFP Energies Nouvelles, 2013, 68(1): 95-108.
[19]	SHI B F, XIONG L, YU Z P. Pressure estimation of the electro-hydraulic brake system based on signal fusion[J]. Actuators, 2021, 10(9): 240.1-240.19.
[20]	SHI B F, XIONG L, YU Z P. Pressure estimation based on vehicle dynamics considering the evolution of the brake linings’ coefficient of friction[J]. Actuators, 2021, 10(4): 76.1-76.20.
[21]	HU J Y, LI J Q, HU Z Y, et al. Power distribution strategy of a dual-engine system for heavy-duty hybrid electric vehicles using dynamic programming[J]. Energy, 2021, 215: 118851.1-118851.15.
[22]	曾小华,崔臣,张轩铭,等. 液压轮毂马达辅助驱动系统控制策略实车验证[J]. 哈尔滨工业大学学报,2020,52(1): 50-55. doi: 10.11918/201810050 ZENG Xiaohua, CUI Chen, ZHANG Xuanming, et al. Verification of control strategy of hydraulic hub-motor auxiliary system on actual vehicle[J]. Journal of Harbin Institute of Technology, 2020, 52(1): 50-55. doi: 10.11918/201810050
[23]	BARAKAT A A, DIAB J H, BADAWI N S, et al. Combined cycle gas turbine system optimization for extended range electric vehicles[J]. Energy Conversion and Management, 2020, 226: 113538.1-113538.18.
[24]	XU H, YUAN Y B, WANG H W. Plug-in hybrid electric vehicle utility factor in China cities: influencing factors, empirical research, and energy and environmental application[J]. eTransportation, 2021, 10: 100138.1-100138.14.
[25]	CHOUDHARI V G, DHOBLE A S, PANCHAL S. Numerical investigation on thermal behaviour of 5 × 5 cell configured battery pack using phase change material and fin structure layout[J]. Journal of Energy Storage, 2021, 43: 103234.1-103234.15.
[26]	ZHANG B, ZHANG J Y, Shen T L. Optimal control design for comfortable-driving of hybrid electric vehicles in acceleration mode[J]. Applied Energy, 2022, 305: 117885.1-117885.17.
[27]	LIU H L, JIANG Y, LI S. Design and downhill speed control of an electric-hydrostatic hydraulic hybrid powertrain in battery-powered rail vehicles[J]. Energy, 2019, 187: 115957.1-115957.12.
[28]	BAER K, ERICSON L, KRUS P. Framework for simulation-based simultaneous system optimization for a series hydraulic hybrid vehicle[J]. International Journal of Fluid Power, 2018: 1-13.
[29]	冯磊,刘桓龙. 轨道车的电液混合功率迁移与耦合特性[J]. 液压与气动,2018(6): 88-93. doi: 10.11832/j.issn.1000-4858.2018.06.017 FENG Lei, LIU Huanlong. Electro-hydraulic hybrid power transfer and coupling characteristics of rail vehicle[J]. Chinese Hydraulics & Pneumatics, 2018(6): 88-93. doi: 10.11832/j.issn.1000-4858.2018.06.017
[30]	HE Y P, FAN A L, WANG Z, et al. Two-phase energy efficiency optimisation for ships using parallel hybrid electric propulsion system[J]. Ocean Engineering, 2021, 238: 109733.1-109733.12.
[31]	孙魁. 基于测功机加载的液压混合动力模拟试验台[D]. 长春: 吉林大学, 2019.
[32]	董兵兵. CVT并联混合动力汽车能量优化与模式切换协调控制研究[D]. 长春: 吉林大学, 2019.
[33]	丁静. 重载工程车辆并联式液压混合动力系统设计与控制研究[D]. 杭州: 浙江大学, 2019.
[34]	孟凡涛. 并联液压混合动力汽车城市循环工况能量回收特性研究[D]. 秦皇岛: 燕山大学, 2019.
[35]	张浩翔. 功率分流型液压变速器特性及系统应用方法研究[D]. 杭州: 浙江大学, 2019.
[36]	CHEN G P, LIU H L. Design and energy utilization of electro-hydrostatic hydraulic hybrid system for battery bus[J]. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2021, 235(2/3): 759-772.
[37]	王炳超. 液压混合动力垃圾车的动力系统设计与仿真研究[D]. 青岛: 青岛大学, 2017.
[38]	洪健. 多级串联复合电源再生制动系统设计与仿真研究[D]. 镇江: 江苏大学, 2020.
[39]	方桂花,王鹤川,曾标,等. 电机发电特性优化再生制动控制策略的方法[J]. 机械设计与制造,2021(1): 134-137. doi: 10.3969/j.issn.1001-3997.2021.01.031 FANG Guihua, WANG Hechuan, ZENG Biao, et al. Method of optimizing regenerative braking control strategy for motor generation characteristics[J]. Machinery Design & Manufacture, 2021(1): 134-137. doi: 10.3969/j.issn.1001-3997.2021.01.031
[40]	王茹洁,武志斐,邹纯. 纯电动物流车最优制动能量回收控制策略研究[J]. 机械设计与制造,2020(4): 301-304. doi: 10.3969/j.issn.1001-3997.2020.04.073 WANG Rujie, WU Zhifei, ZOU Chun. Study on optimal braking energy recovery control strategy of pure electric logistics vehicle[J]. Machinery Design & Manufacture, 2020(4): 301-304. doi: 10.3969/j.issn.1001-3997.2020.04.073
[41]	LIU H L, CHEN G P, LI D F, et al. Energy active adjustment and bidirectional transfer management strategy of the electro-hydrostatic hydraulic hybrid powertrain for battery bus[J]. Energy, 2021, 230: 120794.1-120794.14.
[42]	ZHOU S L, PAUL W, ZHANG N. Parametric design and regenerative braking control of a parallel hydraulic hybrid vehicle[J]. Mechanism and Machine Theory, 2020, 146: 103714.1-103714.15.
[43]	WU W, LIU H, ZHOU J J, et al. Energy efficiency of hydraulic regenerative braking for an automobile hydraulic hybrid propulsion method[J]. International Journal of Green Energy, 2019, 16(13): 1046-1053. doi: 10.1080/15435075.2019.1653875
[44]	马家启. 前置式液压混合动力车辆制动转矩控制的研究[D]. 长春: 吉林大学, 2019.
[45]	王波. 复合蓄能器液压混合动力系统匹配方法及控制策略研究[D]. 秦皇岛: 燕山大学, 2019.
[46]	张涛,何晓晖,王强,等. 轮边驱动液压混合动力车辆能量回收系统性能研究[J]. 液压与气动,2019(10): 90-96. doi: 10.11832/j.issn.1000-4858.2019.10.015 ZHANG Tao, HE Xiaohui, WANG Qiang, et al. Research on energy recovery system of wheel drive hydraulic hybrid vehicle[J]. Chinese Hydraulics & Pneumatics, 2019(10): 90-96. doi: 10.11832/j.issn.1000-4858.2019.10.015
[47]	李柏林. 混合动力汽车再生制动与防抱死系统协调控制研究[D]. 重庆: 重庆大学, 2019.
[48]	李光政. 搭载制动电子助力器的四驱混合动力汽车电液复合制动系统研究[D]. 重庆: 重庆大学, 2019.
[49]	刘延旭. 液压混合动力式半挂汽车列车稳定性研究[D]. 济南: 齐鲁工业大学, 2019.
[50]	曾小华,李广含,宋大凤,等. 重型车辆液压再生制动能量回收率的研究[J]. 汽车工程,2017,39(7): 729-735. doi: 10.19562/j.chinasae.qcgc.2017.07.001 ZENG Xiaohua, LI Guanghan, SONG Dafeng, et al. A research on the energy recovery rate of hydraulic regenerative braking for heavy vehicle[J]. Automotive Engineering, 2017, 39(7): 729-735. doi: 10.19562/j.chinasae.qcgc.2017.07.001
[51]	蒋越. 蓄电池液压混合动力轨道工程车的再生和复合制动特性研究[D]. 成都: 西南交通大学, 2019.
[52]	WALDEMAR L. A new type of hydrokinetic accumulator and its simulation in hydraulic lift with energy recovery system[J]. Energy, 2018, 153: 836-848. doi: 10.1016/j.energy.2018.04.040
[53]	李顺,刘桓龙,陈冠鹏. 不同液压能耦合模式下蓄电池轨道工程车的加速功率特性[J]. 中国机械工程,2020,31(12): 1452-1460. LI Shun, LIU Huanlong, CHEN Guanpeng. Acceleration power characteristics of battery track engineering vehicles under different hydraulic energy coupling modes[J]. China Mechanical Engineering, 2020, 31(12): 1452-1460.
[54]	刘桓龙,李顺,谢迟新. 基于液压泵/马达逆向驱动的电机启动电流控制方法[J]. 西南交通大学学报,2021,56(4): 720-729. LIU Huanlong, LI Shun, XIE Chixin. A method of motor starting current control based on hydraulic pump/motor reverse driving[J]. Journal of Southwest Jiaotong University, 2021, 56(4): 720-729.
[55]	LEI Z Z, QIN D T, LIU Y G, et al. Dynamic energy management for a novel hybrid electric system based on driving pattern recognition[J]. Applied Mathematical Modelling, 2017, 45: 940-954. doi: 10.1016/j.apm.2017.01.036
[56]	ZHOU Y, RAVEY A, PéRA M-C. Multi-mode predictive energy management for fuel cell hybrid electric vehicles using Markov driving pattern recognizer[J]. Applied Energy, 2020, 258: 114057.1-114057.17.
[57]	RUAN J G, SONG Q, YANG W W. The application of hybrid energy storage system with electrified continuously variable transmission in battery electric vehicle[J]. Energy, 2019, 183: 315-330. doi: 10.1016/j.energy.2019.06.095
[58]	LIN X Y, FENG Q G, MO L P, et al. Optimal adaptation equivalent factor of energy management strategy for plug-in CVT HEV[J]. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2019, 233(4): 877-889. doi: 10.1177/0954407018755612
[59]	GAO J P, XU Z H, GAO X J. Control strategy for PHEB based on actual driving cycle with driving style characteristic[J]. Journal of Control Science and Engineering, 2019, 2019: 1-14.
[60]	DU Z K, CHEONG K L, LI P Y. Energy management strategy for a power-split hydraulic hybrid vehicle based on Lagrange multiplier and its modifications[J]. Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering, 2019, 233(5): 511-523. doi: 10.1177/0959651818801416
[61]	RANA L B, SHRESTHA A, PHUYAL S, et al. Design and performance evaluation of series hybrid electric vehicle using backward model[J]. The Journal of Engineering, 2020, 2020(11): 1095-1102. doi: 10.1049/joe.2019.1314
[62]	LIU H L, CHEN G P, XIE C X, et al. Research on energy-saving characteristics of battery-powered electric-hydrostatic hydraulic hybrid rail vehicles[J]. Energy, 2020, 205: 118079.1-118079.13.
[63]	CHEN Y Q, LIU X H, WANG X, et al. Control strategies and optimization analyses of front-mounted parallel system[J]. Cluster Computing, 2019, 22(3): 5151-5163.
[64]	余忠云. 基于复合蓄能器的液压混合动力汽车节能机理分析[D]. 秦皇岛: 燕山大学, 2019.
[65]	ZHOU H C, XU Z P, LIU L, et al. A rule-based energy management strategy based on dynamic programming for hydraulic hybrid vehicles[J]. Mathematical Problems in Engineering, 2018: 1-10.
[66]	刘桓龙,蒋越,李志伟. 基于模糊PID的轨道工程车下坡缓速控制[J]. 液压与气动,2020(2): 78-85. doi: 10.11832/j.issn.1000-4858.2020.02.012 LIU Huanlong, JIANG Yue, LI Zhiwei. Downhill speed control of the railway engineering vehicles based on fuzzy PID[J]. Chinese Hydraulics & Pneumatics, 2020(2): 78-85. doi: 10.11832/j.issn.1000-4858.2020.02.012
[67]	傅必升. 基于双蓄能器的液压再生制动能量回收系统研究和优化[D]. 杭州: 浙江工业大学, 2019.
[68]	ZHOU H, ZHAO P Y, CHEN Y L. Fuzzy logic control for a hydraulic hybrid excavator based on torque prediction and genetic algorithm optimization[J]. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering, 2018, 232(8): 983-994. doi: 10.1177/0954407017724590
[69]	YANG Y, ZHANG Y T, TIAN J Y, et al. Adaptive real-time optimal energy management strategy for extender range electric vehicle[J]. Energy, 2020, 197: 117237.1-117237.14.
[70]	杨业,张幽彤,张彪,等. 基于等效因子优化的插电式混合动力客车自适应能量管理策略[J]. 汽车工程,2020,42(3): 292-298,306. doi: 10.19562/j.chinasae.qcgc.2020.03.003 YANG Ye, ZHANG Youtong, ZHANG Biao, et al. Adaptive energy management strategy for plug-in hybrid ElectricBus based on equivalent factor optimization[J]. Automotive Engineering, 2020, 42(3): 292-298,306. doi: 10.19562/j.chinasae.qcgc.2020.03.003
[71]	DONATEO T, DE PASCALIS C L, FICARELLA A. An application of the ECMS strategy to a wankel hybrid electric UAV[J]. MATEC Web of Conferences, 2019, 304: 03010.1-03010.8.
[72]	LI X M, HAN L J, LIU H, et al. Real-time optimal energy management strategy for a dual-mode power-split hybrid electric vehicle based on an explicit model predictive control algorithm[J]. Energy, 2019, 172: 1161-1178. doi: 10.1016/j.energy.2019.01.052
[73]	孙可华. 双行星排混联式液压混合动力汽车的能量优化与协调控制[D]. 长春: 吉林大学, 2019.
[74]	WILLIAMS K, IVANTYSYNOVA M. Approximate stochastic differential dynamic programming for hybrid vehicle energy management[J]. Journal of Dynamic Systems, Measurement, and Control, 2019, 141(5): 051003.1-051003.9.
[75]	刘洋,林慕义,陈勇. 液压混合动力工程车辆联合制动系统优化与仿真[J]. 机床与液压,2019,47(1): 104-108. doi: 10.3969/j.issn.1001-3881.2019.01.024 LIU Yang, LIN Muyi, CHEN Yong. Optimization and simulation for combined braking system of hydraulic hybrid electric vehicle[J]. Machine Tool & Hydraulics, 2019, 47(1): 104-108. doi: 10.3969/j.issn.1001-3881.2019.01.024
[76]	陈有权. 前置并联式液压混合动力起重机制动能量管理及控制策略研究[D]. 长春: 吉林大学, 2018.
[77]	SPRENGEL M, IVANTYSYNOVA M. Neural network based power management of hydraulic hybrid vehicles[J]. International Journal of Fluid Power, 2017, 18(2): 79-91. doi: 10.1080/14399776.2016.1232117
[78]	樊伟,刘天琦. 采用动态规划算法优化的液压混合动力车辆能源消耗仿真研究[J]. 中国工程机械学报,2018,16(6): 526-530. doi: 10.15999/j.cnki.311926.2018.06.011 FAN Wei, LIU Tianqi. Simulation study on energy consumption of hydraulic hybrid vehicle optimized by dynamic programming algorithm[J]. Chinese Journal of Construction Machinery, 2018, 16(6): 526-530. doi: 10.15999/j.cnki.311926.2018.06.011
[79]	李洪亮,朱灯林,李洪璠. 液压混合动力矿用卡车系统参数多目标优化研究[J]. 液压与气动,2018(10): 70-77. doi: 10.11832/j.issn.1000-4858.2018.10.012 LI Hongliang, ZHU Denglin, LI Hongfan. Multi-objective optimization of hydraulic hybrid mining truck system parameters[J]. Chinese Hydraulics & Pneumatics, 2018(10): 70-77. doi: 10.11832/j.issn.1000-4858.2018.10.012
[80]	ZHAO W Z, LUAN Z K, WANG C Y. Parametric optimization of novel electric-hydraulic hybrid steering system based on a shuffled particle swarm optimization algorithm[J]. Journal of Cleaner Production, 2018, 186: 865-876. doi: 10.1016/j.jclepro.2018.03.180
[81]	尹晨辉. 商用车混合动力电控转向系统性能研究与优化设计[D]. 镇江: 江苏大学, 2019.
[82]	郭斌,李金成,陈虹,等. 基于改进全局优化算法的轮毂液压动力系统能量管理策略[J]. 中国公路学报,2020,33(8): 23-30. doi: 10.19721/j.cnki.1001-7372.2020.08.003 GUO Bin, LI Jincheng, CHEN Hong, et al. Energy management strategy of hydraulic hub-motor hybrid system based on improved global optimization algorithm[J]. China Journal of Highway and Transport, 2020, 33(8): 23-30. doi: 10.19721/j.cnki.1001-7372.2020.08.003
[83]	高锋阳,张浩然,王文祥,等. 规则控制与行驶工况相结合的现代有轨电车能量管理策略[J]. 机械工程学报,2023,59(4): 221-231. GAO Fengyang, ZHANG Haoran, WANG Wenxiang, et al. Modern tram energy management strategy combining rule control and driving conditions[J]. Chinese Journal of Mechanical Engineering, 2023, 59(4): 221-231.
[84]	曾晓帆,胡明辉,徐磊. 基于实车试验大数据分析的插电式混合动力汽车能量管理策略解析[J]. 重庆大学学报,2023,46(2): 11-29,42. ZENG Xiaofan, HU Minghui, XU Lei. Analysis of plug-in hybrid electric vehicle energy management strategy based on big data analysis of real vehicle test[J]. Journal of Chongqing University, 2023, 46(2): 11-29,42.

施引文献

期刊类型引用(1)
1. 吴昊，王翔宇，权龙. 高能效电液混合驱动装载机行走系统特性分析. 机床与液压. 2024(23): 77-82 . 百度学术
其他类型引用(2)

附加材料(0)

访问统计

点击查看大图

图(8) / 表(2)

计量

文章访问数: 652
HTML全文浏览量: 337
PDF下载量: 104
被引次数: 3

1. 抽样向量的构造及其正态性与独立性研究
1.1 抽样向量构造
1.2 向量标准正态性验证
1.3 变量独立性验证
2. 球层抽样算法
2.1 抽样方法原理及策略
2.2 算法步骤
3. 算法验证及算例分析
3.1 算例1
3.2 算例2
3.3 算例3
4. 结　语

电液混合动力系统关键技术及能量管理研究综述

doi: 10.3969/j.issn.0258-2724.20211011

作者简介: 刘桓龙（1977—），男，副教授，研究方向为流体及混合动力技术，E-mail：lhl_swjtu@163.com

计量

出版历程

Summary of Research on Key Technologies and Energy Management of Electro-Hydraulic Hybrid Powertrain

1. 抽样向量的构造及其正态性与独立性研究

1.1 抽样向量构造

1.2 向量标准正态性验证

1.3 变量独立性验证

2. 球层抽样算法

2.1 抽样方法原理及策略

2.2 算法步骤

3. 算法验证及算例分析

3.1 算例1

3.2 算例2

3.3 算例3

4. 结 语

期刊类型引用(1)

其他类型引用(2)

计量

出版历程

目录

1. 抽样向量的构造及其正态性与独立性研究

1.1 抽样向量构造

1.2 向量标准正态性验证

1.3 变量独立性验证

2. 球层抽样算法

2.1 抽样方法原理及策略

2.2 算法步骤

3. 算法验证及算例分析

3.1 算例1

3.2 算例2

3.3 算例3

4. 结 语

作者简介:
刘桓龙（1977—），男，副教授，研究方向为流体及混合动力技术，E-mail：lhl_swjtu@163.com

4. 结　语

4. 结　语