Control strategy and predictive methods for performance and component lifetime enhancement in vehicle powertrain

Abstract

(Enlish) In the past years, battery electric vehicles have been gaining market share. These vehicles are progressively seen as a viable option by customers of all kind. However, although manufacturers and research institutions are putting their effort on improving the capacity of the battery, the reduced kilometric range of the vehicle is the main drawback and what maintains nowadays customers hesitant. To solve this issue, research is trying to innovate on materials to be used on batteries and components, as well as trying to reduce the weight of the vehicle to increase the range. Another way of improving the performance of these vehicles is via software optimization. By having a software operation strategy, the vehicle can improve its performance without any change of hardware, which is a great benefit for both the manufacturer and the customer. This thesis addresses the topic of software operation strategy which, with the hardware already available in a vehicle, has the ability of optimizing several parameters, such as cooling power. Previous research has shown that Dynamic Programming provides an optimal solution but requires high computational performance and is not real-time feasible. In this thesis, the availability of a power boost function will be discussed and enhanced with a software operation strategy. This function allows the vehicle to deliver a temporary power boost when required. The main issue with this function and the reason why it cannot be delivered at all times is the temperature control. Temperature greatly affects the behavior of the components, reduces their lifetime and must be monitored. To deal with this issue, this thesis proposes prediction of the velocity of the driving cycle using Artificial Neural Networks (ANNs). The main idea is to predict the complete driving cycle in order to have a previous knowledge of all the parameters before driving. As a result of this approach, the vehicle is able to condition the system to deliver the power boost at the precise moment that it will be required, since complete knowledge of the trip environment is known. This optimizes the energy consumption of the cooling system and the availability of the Power Boost function is enhanced. To ensure correct working of the function, the machine learning algorithm that predicts the driving velocity is combined with an online algorithm. The online algorithm will work real-time on the vehicle and is in charge of acquiring data from the individual driver to perform a so-called fine tuning of the ML model. Because of individualization, the speed forecasting will not be generic, but tuned to each driver or vehicle, depending if the vehicle counts with driver recognition or not. Parallel to the predictor, an optimizer uses the information of the predicted speed and the slope of the driving cycle to maintain the battery and the EM always below the derating temperature. If the temperature of a component is lower than its derating temperature, maximum power delivery and safe operation can be ensured, thus delivering the so-called Power Boost function. Moreover, the optimizer ensures that the minimum cooling level is selected in order to bring an efficiency benefit simultaneously. The methods have been tested on a the cooling system of the electric motor, by operating the coolant pump, as well as on the tempering system of the battery, by actuating both the chiller and the PTC heater. The results of the optimization performed have shown a reduced cooling/heating energy and, consequently, an increased kilometric range.

(Català) En els darrers anys, els vehicles elèctrics han anat incrementant la seva quota de mercat. Aquests vehicles són vistos progressivament com una opció viable per clients de diversos perfils. Tot i això, encara que els fabricants i institucions de recerca s'esforcen per millorar la capacitat de la bateria, la reduïda autonomia quilomètrica del vehicle és el principal inconvenient i el que preocupa els clients actualment. Per resoldre aquest problema, la investigació està intentant innovar en els materials que s'utilitzaran a les bateries i els components, així com tractant de reduir el pes del vehicle per augmentar l'autonomia. Una altra manera de millorar el rendiment daquests vehicles és mitjançant l'optimització del software. Tenint una estratègia d'operació de software, el vehicle pot millorar la seva operació sense cap canvi de hardware, cosa que és un gran benefici tant per al fabricant com per al client. Aquesta tesi tracta el tema de l'estratègia d'operació de software que, amb el hardware ja disponible en un vehicle, té la capacitat d'optimitzar diversos paràmetres com la potència de refrigeració. Investigacions anteriors han demostrat que la Programació Dinàmica proporciona una solució òptima, però requereix un alt rendiment computacional i no és factible en temps real. En aquest projecte, es proporcionarà una funció d'augment de potència (Power Boost). Aquesta funció permet que el vehicle lliuri un augment de potència temporal quan sigui requerida. El principal problema amb aquesta funció i la raó per la qual no es pot lliurar en tot moment és el control de temperatura. La temperatura afecta en gran mesura el comportament dels components, en redueix la vida útil i s'ha de controlar. Per fer front a aquest problema, aquesta tesi proposa la predicció de la velocitat del cicle de conducció utilitzant xarxes neuronals artificials (ANN). La idea principal és predir el cicle de conducció complet per tenir un coneixement previ de tots els paràmetres abans de començar la conducció. Com a resultat d'aquest enfocament, el vehicle pot condicionar el sistema per lliurar l'augment de potència en el moment precís en què es requereixi, ja que es disposa d'un coneixement complet de l'entorn. Això optimitza el consum d'energia del sistema de refrigeració i millora la disponibilitat de la funció Power Boost. Per garantir el funcionament correcte de la funció, l'algorisme d'aprenentatge automàtic que prediu la velocitat de conducció es combina amb un algorisme en línia. Aquest, funciona en temps real al vehicle i està a càrrec d'adquirir dades del conductor per realitzar l'anomenat fine-tuning del model Machine Learning (ML). A causa de la individualització, la predicció de velocitat no serà genèrica, sinó ajustada a cada conductor o vehicle, depenent de si el vehicle compta amb reconeixement de conductor o no. Paral·lelament al predictor, l'optimitzador utilitza la informació de la velocitat prevista i el pendent del cicle de conducció per mantenir la bateria i el motor sempre per sota de la temperatura de reducció de potència. Si la temperatura d'un component és més baixa que la temperatura de reducció de potència, es pot garantir el màxim lliurament de potència i un funcionament segur, proporcionant així l'anomenada funció Power Boost. A més, l'optimitzador garanteix que es seleccioni el nivell mínim de refredament per lliurar més eficiència de forma simultània. Els mètodes s'han provat en un vehicle Cupra Born, tant al sistema de refrigeració del motor elèctric, accionant la bomba de refrigeració, com al sistema de temperat de la bateria, accionant tant el refredador com l'escalfador de coeficient positiu de temperatura. Els resultats de la optimització realitzada han mostrat una energia de temperat reduïda i, en conseqüència, una autonomia quilomètrica augmentada.