买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜重庆交通大学申请的专利基于DQN算法的混合动力汽车再生制动控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114643963B 。

龙图腾网通过国家知识产权局官网在2025-03-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210376157.9，技术领域涉及：B60T8/17；该发明授权基于DQN算法的混合动力汽车再生制动控制方法是由尹燕莉;张鑫新;马什鹏;黄学江;王福振设计研发完成，并于2022-04-11向国家知识产权局提交的专利申请。

本基于DQN算法的混合动力汽车再生制动控制方法在说明书摘要公布了：本发明提供的一种基于DQN算法的混合动力汽车再生制动控制方法，包括：S1.确定混合动力汽车的制动分配系数；S2.构建基于深度Q学习的再生制动控制的多目标优化模型；S3.确定混合动力汽车的状态参数以及动作参数；S4.将混合动力汽车的状态参数及动作参数输入至深度Q学习网络中进行离线训练；S5.再实时采集混合动力汽车的状态参数输入至完成训练的深度Q学习网络中在线优化，然后深度Q学习网络输出优化后的前轴制动力矩比例系数β和电机制动力矩比例系数α；能够使得混合动力汽车的再生制动分配合理，从而有效提升混合动力汽车能量回收效率以及制动的稳定性。

本发明授权基于DQN算法的混合动力汽车再生制动控制方法在权利要求书中公布了：1.一种基于DQN算法的混合动力汽车再生制动控制方法，其特征在于：包括以下步骤：S1.确定混合动力汽车的制动分配系数，包括前轴制动力矩比例系数β和电机制动力矩比例系数α；S2.构建基于深度Q学习的再生制动控制的多目标优化模型；S3.确定混合动力汽车的状态参数以及动作参数；其中，状态参数包括制动需求功率以及电池SOC值，动作参数包括前轴制动力矩比例系数β、电机制动力矩比例系数α、制动能量回收效率权重系数ω1、前轮制动稳定性权重系数ω2以及后轮制动稳定性权重系数ω3；S4.将混合动力汽车的状态参数及动作参数输入至深度Q学习网络中进行离线训练；S5.再实时采集混合动力汽车的状态参数输入至完成训练的深度Q学习网络中在线优化，然后深度Q学习网络输出优化后的前轴制动力矩比例系数β和电机制动力矩比例系数α；步骤S1中，前轴制动力矩比例系数β和电机制动力矩比例系数α通过如下方法确定： 其中：Tf为前轴总的制动力矩，Tr为后轴总的制动力矩，Tre为电机制动力矩；步骤S2中，深度Q学习的再生制动控制的多目标优化模型具体为：目标函数为： 其中，Qs,a为最优的状态-动作函数，γt为折扣因子且γt∈[0,1]，rst,at为在状态为st且动作为at时的回报函数，t表示时刻；其中，回报函数具体表达式为： 其中：ω1为制动能量回收效率权重系数，ω2为前轮制动稳定性权重系数，ω3为后轮制动稳定性权重系数，φf为前轴利用附着系数，φr为后轴利用附着系数，z为制动强度；能量回收评价指数K通过如下方法确定： 其中，Tm为电机的转矩，nm为电机的转速，ηm为电机的效率，m为整车质量，v0为车辆制动初速度，vt为车辆制动中速度，f为滚动阻尼系数，CD为空气阻尼系数，A为车辆的迎风面积，v为车辆的速度，g为重力加速度；且目标函数和回报函数的约束条件如下： 其中，La为整车重心与前轴的距离，Lb为整车重心与后轴的距离，hg为整车重心的高度，L表示混合动力汽车的轴距；Tm_max为电机的最大转矩，Tm为电机的转矩，Pchg_max为电池的最大充电功率，nm为电机的转速，ηm为电机的效率；对深度Q学习网络进行训练具体包括：S41.确定随机样本数量nb，迭代次数n、折扣因子γt以及探索率ε，并初始化深度Q学习网络的权重值θ；S42.将车辆制动过程中的需求功率Preq和电池SOC值作为状态变量，将前轴制动力矩比例系数β、电机制动力矩比例系数α、制动能量回收效率权重系数ω1、前轮制动稳定性权重系数ω2以及后轮制动稳定性权重系数ω3作为动作变量；S43.选取动作变量样本，并采用ε-greedy策略确定深度Q学习网络的最优Q值所对应的动作，计算回报值，并储存当前状态st下的动作at、回报值以及下一时刻的状态st+1至经验池et，其中：et＝st,at,rt,st+1；确定最优Q值所对应的动作具体为： 其中，πa|s为最优Q值所对应的动作策略，ε为探索率，As表示当前状态s下可行动作的总个数；S44.当经验池et的样本存储量达到设定值，从经验池中选取nb个样本对深度Q学习网络进行训练；S45.构建损失函数：Lθ＝E{[r+γtminQst+1,at+1；θ--Qst,at；θ]2}；利用梯度下降法反向更新深度Q学习网络中的权重值θ；S46.每个设定步长C将评价网络参数中的评价网络参数复制给深度Q学习网络的目标网络；S47.判断循环迭代次数是否达到最大值，如是，则进入步骤S48，如否，则重复步骤S43-S46直至迭代次数达到最大值；S48.判断相邻迭代次数的累计预测Q值之间的差值是否小于设定阈值，如是，则迭代结束，并将此时Q值对应的动作作为最优动作，如否，则返回步骤S43。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆交通大学，其通讯地址为：402247 重庆市江津区双福新区福星大道1号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。