تشخیص هوشمند وضعیت رانندگی

با توجه به آلودگی روزافزون هوا و محدودیت در سوختهای فسیلی، در سالهای اخیر در سراسر دنیا تلاشهایی صورت گرفته تا بتوانند وسایل نقلیه‌ای تولید کنند که صرفا از انرژی الکتریکی به جای سوخت استفاده کند (وسایل نقلیه الکتریکی[۱]) یا مقداری از انرژی مورد نیاز خود برای حرکت را از انرژی الکتریکی و مابقی را از سوخت‌های فسیلی تامین کند (وسایل نقلیه هیبریدی). وسایل نقلیه الکتریکی (EV) عمدتا از پنج قسمت تشکیل شده‌اند: سیستم کنترلی، موتور، باتری‌ها، بدنه و شارژر [۱]. در این میان سیستم کنترلی به عنوان مهمترین قسمت سیستم که عملکرد کلی وسیله نقلیه، عمر باتری‌ها و غیره را تعیین می‌کند از اهمیت بالایی برخوردار است [۲].

ورودی‌های که برای کنترل بهتر مصرف به سیستم کنترلی می‌دهند، می‌تواند بسیار متفاوت باشد. چنانچه این ورودی‌ها مناسب انتخاب شوند، می‌توانند مصرف وسیله نقلیه را تا حد مطلوبی کاهش دهند. یکی از ورودی‌هایی که می‌توانیم برای کنترل بهتر به سیستم کنترلی بدهیم، شرایط رانندگی[۲] است. شرایط رانندگی مشخص می‌کند که فرد در چه نوع جاده‌ای رانندگی می‌کند و سرعت او چگونه تغییر می‌کند.

می توان با اندازه‌گیری سرعت یا دور موتور وسیله نقلیه الکتریکی هیبریدی و استخراج ویژگی از آنها و استفاده از این ویژگیها در یک طبقه‌بندی کننده مثل SVM یا شبکه عصبی مصنوعی، شرایط رانندگی را مشخص کنیم. شرایط رانندگی به عنوان ورودی برای مدیریت و کنترل انرژی سیستم در کنترل کننده‌ای مثل PID مورد استفاده قرار می­گیرد.

[۱]Electric vehicle (EV)

[۲]Driving conditions

وسایل نقلیه الکتریکی هیبریدی[۱] با سیستمی که دارند قادرند با تامین مقداری از مصرف خود از طریق انرژی الکتریکی، مصرف سوخت فسیلی خود را کاهش دهند. تنظیم اینکه چه وقت و چگونه این انرژی الکتریکی تولید یا مصرف شود توسط سیستم کنترل‌کننده انجام می‌شود. با دادن ورودی‌هایی مثل شرایط جاده، لغزندگی جاده، سرعت وسیله نقلیه، دور موتور و… به این سیستم کنترلی، می‌توانیم مصرف سوخت را تا حد مطلوبی کاهش دهیم.

در این تحقیق هدف ما این است که با استفاده از اطلاعات سرعت-زمان و دور موتور در وسیله نقیله و استخراج ویژگی از سیکل‌های رانندگی مختلف، شرایط رانندگی را شناسایی کنیم. و با داشتن این اطلاعات سیستم کنترلی را به دقت تنظیم کنیم تا مصرف سوخت تا حد ممکن پایین بیاید.

[۱]Hybrid Electric Vehicle(HEV)

موتورهای الکتریکی در یک HEV از طریق باتری‌ها انرژی مورد نیاز خود را تامین می‌کنند. موتور الکتریکی در زمان شروع به حرکت اولیه به خاطر گشتاور بالایی که دارد می‌تواند با صرف انرژی کمتری نسبت به موتور بنزینی وسیله نقلیه را به سرعت بالا برساند. در هنگام حرکت در صورتی که انرژی بیشتری لازم شود، موتور احتراق داخلی هم برای ایجاد انرژی وارد مدار خواهد شد. در هنگامی که وسیله نقلیه حرکت نمی‌کند، مانند زمانی که پشت چراغ قرمز توقف کرده است، موتور احتراق داخلی و موتور الکتریکی به صورت اتوماتیک خاموش می‌شوند تا انرژی تلف نشود [۳].

مهمترین اصل در طراحی وسایل نقلیه الکتریکی هیبریدی، طراحی کنترلری است که بتواند تبدیلات انرژی (الکتریکی به حرکتی، شیمیایی به حرکتی، حرکتی به الکتریکی) را کنترل کند تا به صورت بهینه از بنزین و یا الکتریسیته استفاده کند. ارتباط مناسب بین بخش‌های مختلف وسایل نقلیه الکتریکی و هیبریدی نقش بسیار مهمی در کاهش میزان مصرف سوخت آن دارد. مساله‌ای که وجود دارد این است که طراحی این وسایل با مشخصات گوناگون به منظور بررسی عملکرد آن عملا غیرممکن است. برای حل این مشکل از مدلسازی استفاده می‌شود. با این کار می‌توان بی‌نهایت آزمایش با تغییر پارامترها انجام داد تا به نتیجه مطلوب برسیم. نرم‌افزارهای مختلفی برای این منظور طراحی شده است که قسمت‌های مختلف وسیله نقلیه را به صورت بلوک‌های قابل تغییر در کنار یکدیگر قرار داده‌اند و خروجی آنها با داده‌های تجربی کاملا مطابقت دارد [۴]. از جمله این نرم‌افزارها می‌توان به [۱]ADVISOR اشاره کرد که برای هر یک از بلوک‌های تشکیل دهنده آن یک برنامه قابل تغییر در نظر گرفته شده است [۵]. و یا نرم افزارهای مثل [۲]VTBوجود دارند که وسایل نقلیه الکتریکی را با استفاده از المان‌های پسیو مداری، مدل‌سازی کرده‌اند [۴].

تحققیقات نشان داده است که چنانچه استراتژی کنترل رانندگی برای شرایط رانندگی که در آن قرار داریم مناسب نباشد، نه‌تنها مصرف سوخت نسبت به وسایل نقلیه معمولی کمتر نمی‌شود که بیشتر هم می‌شود[۶,۷].

در حال حاضر هیچ روش استانداردی برای کلاس‌بندی شرایط رانندگی وجود ندارد و براساس کاربرد، کلاس‌بندی‌های مختلفی انجام شده است[۸]. اگر بخواهیم شرایط رانندگی را براساس نوع جاده انجام بدهیم، می‌توانیم کلاس‌بندی را به صورت بزرگ‌راه, مسیرهای شهری، و مسیرهای شهری شلوغ انجام دهیم [۹,۱۰]. همینطور می‌توانیم از میزان ازدحام برای طبقه‌بندی شرایط رانندگی استفاده کنیم [۱۱].

شرایط رانندگی را معمولا از روی نمودار سرعت زمان وسیله نقلیه و یا دور موتور آن در زمان‌های مختلف استخراج می‌کنند. مثلا برای رانندگی در جاده‌های شهری نیاز داریم تا سرعت را با فرکانس بالا کم یا زیاد کنیم و یا در بعضی شرایط مثلا پشت چراغ قرمز سرعت برای چند ثانیه سرعت به صفر می‌رسد. اما برای رانندگی در بزرگراه معمولا سرعت از ابتدا تا انتهای مسیر تقریبا ثابت نگه داشته می‌شود و تغییرات آن با فرکانس کمی صورت می‌گیرد. برای اینکه شرایط رانندگی به درستی مشخص شود باید تعدادی ویژگی مناسب استخراج کنیم. هر قدر تعداد این ویژگی‌ها کمتر باشد و بهتر بتوانند شرایط رانندگی را تشخیص بدهند، بهتر است زیرا سرعت محاسبات را با کمترین افت در دقت تشخیص افزایش می‌دهد. از جمله ویژگی‌هایی که می‌توان برای تشخیص شرایط رانندگی در نظر گرفت می‌توانیم به سرعت متوسط، درصد زمان ثابت ماندن اتومبیل به کل زمان رانندگی، حداکثر شتاب، انحراف معیار سرعت و شتاب و… اشاره کنیم. کارهای زیادی برای تشخیص بهترین ویژگی‌ها که به بهترین نحو شرایط جاده را مشخص می‌کنند انجام شده است؛ از جمله تحقیقات اریکسون [۳] که با استفاده از آنالیز فاکتوریال، ۶۲ ویژگی استخراج شده را به ۱۶ ویژگی مستقل برای شرایط رانندگی کاهش داد. همچنین در [۱۲] چهار ویژگی برجسته استخراج و با کارهای معمول قبلی مقایسه شدند. تمام این کارها بر این مبنا انجام شدند که ویژگی‌‌هایی را که از نظر آماری متمایز کننده هستند انتخاب کنند[۱۳].

الگوریتم های معمول طبقه‌بندی[۳] مورد استفاده در تشخیص شرایط رانندگی عمدتا SVM[4][14,15,16] یا شبکه عصبی مصنوعی[۵][۱۱,۱۷,۱۸] یا روش‌های مبتنی بر منطق فازی[۶][۱۹,۲۰] هستند. روش SVM در ابتدا برای تفکیک فقط دو کلاس اطلاعات طراحی شده است و اگر بخواهیم برای کلاس‌بندی بیش از دو کلاس از آن استفاده کنیم لازم است از روش‌هایی برای تعمیم آن استفاده کنیم. برای شبکه‌های عصبی مصنوعی، تعدادی داده با برچسب صحیح را به عنوان داده آموزش وارد طبقه‌بندی کننده می‌کنیم. در این صورت الگوریتم شبکه عصبی مصنوعی با یافتن یک رابطه منطقی بین داده‌های آموزش و کلاسی که به آن متعلق هستند می‌تواند کلاس داده‌های جدید(تست) را مشخص کند. در کلاس‌بندی کننده شبکه عصبی مصنوعی هیچگونه محدودیتی در تعداد کلاس‌های اطلاعات وجود ندارد.

پس از تعیین شرایط رانندگی، این اطلاعات به یک کنترل‌کننده [۱] [۷]PID، [۸]MPC [21,22] یا NMPC[9][23] داده می‌شود تا پروسه مدیریت انرژی انجام پذیرد.

[۱]Advanced VehIcle SimulatOR

[۲]Virtual Test Bed

[۳] classification

[۴]Support Vector Machine

[۵]Artificial Neural Network(ANN)

[۶]Fuzzy Logic

[۷]proportional-integral-derivative controller

[۸]Model Predictive Control

[۹]Non-linear Model Predictive Control