日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

    梁  玲：江西理工大學

    1  引言

    機械式自動變速器（Automated Mechanical Transmission，AMT）是汽車行業十分關注的汽車電子高新技術產品，在自動變速領域具有強大的競爭力和廣闊的應用前景，而換檔控制是汽車自動變速技術中的重要部分。

    換檔過程是發動機、離合器以及變速箱綜合控制的過程，要求三者協調動作來減少沖擊、降低噪聲和保證離合器使用壽命，從而提高換檔品質。

    利用神經網絡(neural network，NN)控制工程車輛自動變速器換檔，主要是利用駕駛員的經驗及其它專家知識形成的換檔規律，使換檔在其決策過程中考慮更多的因素和指標，力求使自動變速器的檔位選擇與人的操縱過程相似。利用神經網絡建模，只要用測得的過程輸入輸出數據對神經網絡進行訓練，就可獲得其輸入―輸出特性與實際過程等價的神經網絡模型，不必對過程或對象內部進行分析，這對于未知過程的系統建模是非常方便的。神經網絡控制自動換檔在實時學習和自動模式識別方面有極強的優勢。但是神經網絡的使用需要有樣本數據作為先決條件，因此控制的效果完全取決于樣本數據的質量。

    本文擬用神經網絡處理自動變速器換檔的建模問題，并以此為基礎實現離合器接合的控制，從而設計了一種自動變速器換檔控制系統。

    2  自動變速器換檔的建模

    汽車是個具有多輸入、多輸出，不確定性多干擾源的復雜非線性系統。由于輸入和干擾因素對輸出的關系相當復雜，又是高階非線性系統，加之內部和外部參數的不確定性，致使為車輛系統進行合適的建模方式是一件十分困難的事。人工神經網絡為非線性系統的建模和控制開辟了新的途徑。

    應用神經網絡處理自動變速器換檔的建模問題，主要用到神經網絡的非線性映射能力，一般采用多層前向神經網絡。其中誤差反向傳播算法（back-propagation，BP算法）因其簡單易行、計算量小、并行性強，成為多層前向神經網絡訓練的首選算法。

    2.1 換檔規律的制定

    換檔規律是自動變速系統實現最佳動力性能和最佳經濟性換檔的基礎，也是自動變速系統控制的核心。換檔規律是指兩排檔間自動換檔時刻隨控制參數變化的規律，按照控制參數的不同可有單參數、兩參數和三參數換檔規律。單參數，多為車速；兩參數，多為車速與油門開度；三參數，多為車速、油門開度和加速度。雖然使用的控制參數越多越能達到較好的自動換檔效果，但會使換檔系統變復雜，因而成本較高。本系統采用兩參數控制。

    (1)  最佳動力性換檔

    最佳動力性換檔規律是使汽車的牽引力得到最充分的利用，發動機功率獲得最大的發揮來進行換檔的規律。為了不損失動力性，在換檔點應該保證車速和加速度相同。在不同油門開度下各檔加速度與車速的關系曲線中，某一油門開度下相鄰檔的曲線交點就是確保最佳動力性的換檔點。如果在高油門或較低油門時兩曲線沒有交點，這時采用低檔該油門下的最高車速為換檔點。把各油門開度下的最佳換檔點連接起來，便得到最佳換檔動力特性曲線。圖1所示為汽車前進檔牽引特性圖。圖中A點就是1檔和2檔某一油門開度下的最佳動力換檔點。

圖1 前進檔牽引力特性圖

     (2)   最佳經濟性換檔

    經濟性換檔規律力求滿足最低的百公里油耗要求，保證汽車總是以使發動機的燃油消耗率最小的檔位行駛。車輛的最佳經濟性換檔規律通過車輛的燃油經濟性曲線求得，假設換檔時間很短，可認為換檔時車速不變，為保證汽車具有良好的動力性和乘坐舒適性，換檔前后牽引力不變，由等牽引力換檔條件，換檔時油門開度應自動調節，并與此相適應。設換檔牽引力為某一常數，在牽引力特性上表示為一水平直線。根據它和相鄰兩檔不同油門開度的牽引力特性曲線交點，求出對應的某檔某油門開度的車速，由Qt=f(Va)曲線可用得到該車速下相應檔位和油門開度的油耗。根據車速和油耗可得到相鄰兩檔的油耗曲線，其交點就是最佳燃料消耗的換檔點，以此類推可以求出給定不同牽引力常數的相鄰兩檔的換檔點，其換檔點的連線就是相鄰兩檔的最低燃料消耗量。換檔曲線根據換檔點對應的車速和牽引力，可分析換檔規律對汽車牽引特性的影響，根據對應油門開度和車速可得到經濟性換檔律。

圖2 經濟性換檔點求法圖

    圖2表示相鄰兩個檔位的油耗特性曲線,A點為兩檔油耗特性曲線的交點。A點處兩檔的油耗相同，為最佳經濟性換檔點。

    最佳動力性和最佳經濟性換檔規律是兩種理想的換檔規律，本系統利用神經網絡對兩種換檔規律進行學習。車輛實際運行過程中采用的換檔規律，綜合考慮車輛的動力性、經濟性，以及駕駛員操縱意圖、道路環境條件等諸多因素，通過設定開關來選擇換檔模式，是經濟性換檔還是動力性換檔。

    2.2 自動變速器最佳檔位判定

    反映發動機和車輛工作狀況的主要參數有發動機轉速、油門開度和車速等。發動機轉速盡管很容易被檢測，但在換檔過渡過程中其值處于變動之中，所以不適合作為換檔控制參數，而車速在換檔過程中由于車輛自身的慣性，基本上保持不變，所以可以作為反映車輛狀態的換檔控制參數，油門開度反映了司機對車輛行駛功率的要求。理論分析可以得出車速和油門開度與最佳檔位間的關系是分段非線性函數。

    BP網絡采用離線訓練方式，并將油門開度a，車速v和目標檔位i作為輸人/輸出樣本，由Matlab/Toolbox函數進行網絡的訓練計算，然后將訓練好的前、后檔網絡權值、閾值存入相應的控制器。

    神經網絡解決非凸域問題，必須用兩個隱層[6]。通過實驗比較，最后確定網絡的各層神經元數為2－3－5－5，選取迭代收斂目標為0.01，選取最大收斂步數為500，用隨機數初始化權值和閾值，訓練67次即達到要求。訓練算法用LM算法，其收斂速度快。部分樣本數據如表1所示。

    表1 神經網絡換檔用部分試驗數據

    其中k為樣本號；a，v（單位分別為百分度和km/h）分別為油門開度和車速值；G1～G5分別對應檔位輸出的理想值。用這些數據樣本歸一化后對網絡進行訓練。訓練后用數據進行檢驗，結果表明判斷檔位的作用顯著。訓練結果如圖3所示。訓練后返回神經網絡的權值、偏置值。網絡訓練過程的誤差曲線如圖3所示。

圖3 換檔神經網絡訓練圖

    圖4給出了一個最佳檔位判別及換檔控制邏輯圖。神經網絡部分用于存儲換檔規律，在使用前由輸入參數與最佳檔位對應關系的數據對其進行訓練；在線應用時，輸入參數由傳感器測取，歸一化后輸入網絡中。輸出Gi中取值最大者對應的檔位就是最佳檔，如果G2最大，則最佳檔為2檔，這時應把變速箱置為這個檔。換檔控制邏輯部分綜合網絡輸出G1,G2,