CN103967963A - 基于神经网络预测的dct湿式离合器温度的测量方法 - Google Patents

Abstract

本发明公开了一种基于神经网络预测的DCT湿式离合器温度的测量方法。它包括离合器1、2活塞单位面积上的作用压力、离合器出油口甩出油温度、变速箱输入轴转速、离合器1和2从动盘转速的获取，其步骤1，离线建立DCT湿式离合器实际温度的预测模型；步骤2，在线预测DCT离合器滑摩过程中湿式离合器的实际温度，具体为在线获得DCT离合器滑摩过程中离合器的相关数据后，先计算得出离合器传递的扭矩和离合器滑摩功率，再对当前及其过去时刻的离合器出油口甩出油温度和离合器滑摩功率进行处理后，输入至预先离线建立的湿式离合器实际温度预测模型进行预测，得到湿式离合器实际温度的预测值。它可准确地预测DCT湿式离合器的实际温度，具有广泛的应用前景。

Description

基于神经网络预测的DCT湿式离合器温度的测量方法

技术领域

本发明涉及一种DCT湿式离合器温度的测量方法，尤其是一种基于神经网络预测的DCT湿式离合器温度的测量方法。

背景技术

目前，广泛地应用于传统机动车辆中的变速装置有两种类型。第一种是由不同齿比的齿轮组构成的手动变速器，它通过驾驶员拨动变速杆切换不同的齿轮组实现齿比的变换，并结合左、右脚控制离合器踏板和加速踏板，达到变速的目的；其操作较为繁琐，对驾驶员的技术要求较高，易出现动力传动中断现象，不适于交通灯繁多的市区环境。第二种是自动变速器，可自动根据车辆状态进行换挡变速，无需驾驶员拨动变速杆，操作简单，可以适应各种行驶路况和驾驶风格。迄今为止，自动挡车辆在交通拥堵的地区已成主流，它也将成为车辆发展的一种必然趋势。

汽车自动变速器可分为液力自动变速器(AT)、电控机械式自动变速器(AMT)、机械式无级自动变速器(CVT)和双离合变速器(DCT)，其中的DCT集手自动变速器优势于一体，是当前各大车企研究的热点之一。DCT中的双离合器分别控制奇数挡和偶数挡实现无动力中断换挡，与较早的AT、AMT自动变速器比较，其换挡的舒适性高且时间更短，能同时满足消费者对驾驶的运动性和经济性的双重要求，具有较好的发展前景。

DCT中双离合器部分根据类型不同可分为干式双离合器与湿式双离合器两大类。干式双离合器虽具有传递扭矩高效性、燃油经济性等特点，但由于本身仅靠风冷散热而没有强制冷却装置，因而其热容量较低，不适用于长时间滑摩工况，尤为市区路况下，车辆的离合器始终处于半离合滑摩状态，极易使离合器的内部温度增高，很快达到离合器的热容上限，导致离合器寿命缩短。湿式双离合器的两组离合器片均密封于油槽中，在运行中通过浸泡着离合器片的变速器油强制冷却，与干式双离合器比较而言，不受产生的总热量的限制，能在较长时间的滑摩状态下进行滑摩传递扭矩，压力分布均匀、磨损小且均匀、传递扭矩容量大，是当前DCT的首选配置。

但是，湿式双离合器受产生热量的速度限制，其摩擦副在频繁的结合分离过程中常由于结合分离的时间较短，摩擦面冷却不充分而易造成局部高温点的产生。过高的温度将导致摩擦系数、所传输的摩擦力矩、摩擦副接触表面积的大小以及磨损量等因素发生较大变化而影响车辆起步行驶性能以及换挡特性，甚至出现摩擦片的烧蚀、裂纹、胶合、翘沿和疲劳损坏等现象，造成离合器工作的可靠性降低、使用寿命减短、失效乃至影响整个传动系统的工作以及车辆使用的寿命；因此，对湿式双离合器进行温度监控是一项重要的工作内容。考虑到装配工艺和成本的因素，目前对湿式双离合器温度的测量通常为使用离合器油温传感器检测双离合器冷却油出油口的甩出油温度作为双离合器温度。由于油温传感器为具有较大滞后性的热敏电阻传感器，即当前温度需经一段时间后才能由传感器准确反映，通常的滞后时间大于0.5s，极易造成对湿式离合器的冷却不及时、不充分，从而损坏摩擦片。目前，人们在已获取的湿式双离合器运行参数的基础上，试图通过建立有限元分析模型来进行相关的热分析和温度模型研究，并从物理结构、材料上对离合器的可能失效进行预防改进，以此来改善这一问题。可是，至今也未见能有效地克服此难题的相关报道。

发明内容

本发明要解决的技术问题为针对现有技术中油温传感器采集的湿式离合器出油口甩出油温度存在延迟的不足，提供一种能获取湿式离合器实际温度的基于神经网络预测的DCT湿式离合器温度的测量方法。

为解决本发明的技术问题，所采用的技术方案为：基于神经网络预测的DCT湿式离合器温度的测量方法包括离合器1活塞单位面积上的作用压力、离合器2活塞单位面积上的作用压力、离合器出油口甩出油温度、变速箱输入轴转速、离合器1从动盘转速和离合器2从动盘转速的获取，特别是实现步骤如下：

步骤1，离线建立DCT湿式离合器实际温度的预测模型，其过程为，

步骤1.1，选择湿式离合器滑摩过程中的当前时刻及其≥前4个步长的离合器出油口甩出油温度采样值和离合器滑摩功率作为输入变量组，输出变量为湿式离合器滑摩过程中的实际温度；

步骤1.2，先将已有的指定时段的离合器1活塞单位面积上的作用压力、离合器2活塞单位面积上的作用压力、变速箱输入轴转速、离合器1从动盘转速、离合器2从动盘转速的数据，换算成相应时段的离合器滑摩功率，再结合相应时段的离合器出油口甩出油温度，构建按时间排列的输入变量组矩阵In和输出变量矩阵Out的数据样本集，

之后，将数据样本集分为由输入变量组矩阵InTR和输出变量矩阵OutTR组成的湿式离合器实际温度预测模型的训练样本集，以及由输入变量组矩阵InTE和输出变量矩阵OutTE组成的测试湿式离合器实际温度预测模型的测试样本集；

步骤1.3，进行≥三层的BP神经网络训练测试，构建湿式离合器实际温度的预测模型，过程为，

(1)将数据样本集中的离合器滑摩功率和离合器出油口甩出油温度两类数据分别进行归一化处理，得到归一化的数据样本集，并将其分为输入变量组矩阵InTR_1、InTE_1和输出变量矩阵OutTR_1、OutTE_1，其中InTR_1、OutTR_1分别对应于训练样本集输入变量组矩阵InTR和输出变量矩阵OutTR，InTE_1、OutTE_1分别对应于测试样本集输入变量组矩阵InTE和输出变量矩阵OutTE，

(2)确定隐含层层数及隐含层神经元节点数，选取隐含层和输出层的传递函数，建立≥三层的神经网络，

(3)将经归一化处理后的训练样本集的输入变量组矩阵InTR_1和输出变量矩阵OutTR_1作为神经网络输入输出矩阵，按以下过程进行训练：1)初始化BP网络，2)设置训练参数，即设定训练次数、训练目标、学习率和训练函数，3)训练网络，

(4)使用经归一化后的测试样本集的输入变量组矩阵InTE_1，对训练好的BP神经网络进行测试，得到神经网络测试输出矩阵BPTE_1，

(5)对得到的神经网络测试输出矩阵BPTE_1进行反归一化处理，得到湿式离合器实际温度预测值矩阵BPTE，

(6)比较湿式离合器实际温度预测值矩阵BPTE与测试样本集中对应时刻的输出变量矩阵OutTE数据，若两者误差满足既定要求，则储存该湿式离合器实际温度预测模型，若误差不满足既定要求，则重复步骤1.3中的过程(2)～(6)，直至满足既定要求，并存储该湿式离合器实际温度预测模型；

步骤2，在线预测DCT离合器滑摩过程中湿式离合器的实际温度，其过程为，

步骤2.1，在线获得DCT离合器滑摩过程中离合器1活塞单位面积上的作用压力、离合器2活塞单位面积上的作用压力、离合器出油口甩出油温度、变速箱输入轴转速、离合器1从动盘转速和离合器2从动盘转速后，先计算得出离合器传递的扭矩和离合器滑摩功率，再由当前及其过去时刻的离合器出油口甩出油温度和离合器滑摩功率构建预测模块输入变量组InP，其分别由当前时刻及其≥前4个步长的离合器出油口甩出油温度值和离合器滑摩功率值组成；

步骤2.2，先对预测模块输入变量组InP进行归一化处理，得到归一化处理后的输入变量组InP_1，再将归一化后的输入变量组InP_1输入至预先离线建立的湿式离合器实际温度预测模型，输出湿式离合器实际温度的归一化预测值，之后，对湿式离合器实际温度的归一化预测值进行反归一化处理，得到湿式离合器实际温度的预测值。

作为基于神经网络预测的DCT湿式离合器温度的测量方法的进一步改进：

优选地，步骤1.1和步骤2.1中的步长均为前4个；已能满足预测的精度要求。

优选地，步骤1.1和步骤2.1中的步长均为10ms。

优选地，步骤1.3和步骤2.2中的进行归一化处理的公式均为y＝2×(x-x_min)/(x_max-x_min)-1，式中的x为输入参量数据、x_min为输入参量数据中的最小值、x_max为输入参量数据中的最大值、y为输入参量数据归一化处理后的值。

优选地，步骤1.3中的神经网络为三层，建立的过程为先使用参考公式式中的n1为隐含层节点数，n为输入节点数、m为输出节点数、a为[1,10]之间的常数，取n＝10、m＝1，计算得n₁＝[4,13]，再使用试错法由小到大改变n₁，并综合考虑输出误差及迭代次数，最终选定隐含层节点数为12。

优选地，步骤1.3中的隐含层和输出层的传递函数为S型正切函数 $f=\frac{2}{(1+\exp (-2x))}-1.$

优选地，步骤1.3中的训练参数的设置为，设定训练次数为1000，训练目标误差为1e-3，学习率为0.01、训练函数为量化共轭梯度法。

优选地，步骤1.3和步骤2.2中的进行反归一化处理的公式均为x＝x_min+(y+1)×(x_max-x_min)/2，式中的x为反归一化后的神经网络预测模型输出值、y为神经网络预测模型输出值、x_max、x_min均为归一化时的配置值。

相对于现有技术的有益效果是：

经在台架环境下使用驻有实现本发明的程序的自动变速器电子控制单元(TCU)对DCT湿式离合器的实际温度进行的预测，证实了本测量方法简单、科学、高效，不仅克服了现有技术中油温传感器采集的湿式离合器出油口甩出油温度存在延迟的不足，实现了准确地预测DCT湿式离合器的实际温度；还有着在不需增加硬件成本的条件下，就可实现准确地预测之优点；更有着为优化DCT控制、控制离合器的温升，延长其寿命并提升DCT车辆的工作性能奠定了良好基础的特点；使其可广泛地应用于使用湿式离合器DCT的车辆。

附图说明

图1是本发明的一种基本结构示意图。

图2是本发明述及的离线建立DCT湿式离合器实际温度预测模型方法的流程图。

图3是本发明述及的三层BP神经网络训练流程图。

图4是本发明述及的DCT湿式离合器温度预测三层BP神经网络拓扑结构示意图。

图5是对DCT湿式离合器的温度使用本发明进行预测后的结果图。其中，图5a为预测温度和实际温度的对比图，图5b为温度预测的误差图。

具体实施方式

下面结合附图对本发明的优选方式作进一步详细的描述，通过参考附图描述的优选方式是示例性的，仅用于解释本发明，而不能作为对本发明的限制。

参见图1、图2、图3、图4和图5，基于神经网络预测的DCT湿式离合器温度的测量方法包括离合器1活塞单位面积上的作用压力、离合器2活塞单位面积上的作用压力、离合器出油口甩出油温度、变速箱输入轴转速、离合器1从动盘转速和离合器2从动盘转速的获取，其由两大步骤组成：

步骤1，离线建立DCT湿式离合器实际温度的预测模型，其过程为，

步骤1.1，输入输出变量的选择

确定神经网络模型的输入变量组和输出变量，其中，输入变量组为10项，分别为湿式离合器滑摩过程中的当前时刻及其前4个步长的离合器出油口甩出油温度采样值和离合器滑摩功率，输出变量为湿式离合器滑摩过程中的实际温度，即当前时刻的未来第60个步长的离合器出油口甩出油温度，其中步长为10ms。

步骤1.2，样本数据的预处理

(1)先由选择指定时段的离合器1活塞单位面积上的作用压力、离合器2活塞单位面积上的作用压力、离合器出油口甩出油温度、变速箱输入轴转速、离合器1从动盘转速和离合器2从动盘转速的采样数据，经公式得出离合器传递的扭矩，式中的Δω_cr为变速箱输入轴与离合器从动盘的转速差、 $\mathrm{sign}\left(\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cr}}\right)=\left\{\begin{array}{cc}1,& \mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cr}}>0\\ -1,& \mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cr}}\≤0\end{array}\right.$ (其为符号函数)、μ_d为离合器摩擦片的动摩擦系数、S为离合器活塞的作用面积、P_n为离合器活塞单位面积上的作用压力、Z为离合器摩擦副数、R₀、R₁分别为离合器摩擦片的外径、内径；再由公式 $P_w=|{\mathrm{Tq}}_{c1}\·\frac{2\mathrm{\π}}{60}(n_{\mathrm{In}}-n_{c1})|+|+{\mathrm{Tq}}_{c2}\·\frac{2\mathrm{\π}}{60}(n_{\mathrm{In}}-n_{c2})|$ 得出相应时段采样点的离合器滑摩功率，式中的Tq_c1、Tq_c2为滑摩状态下离合器1、离合器2传递的扭矩、n_In、n_c1和n_c2分别为变速箱输入轴转速、离合器1从动盘转速和离合器2从动盘转速。

(2)令A矩阵为湿式离合器滑摩过程中的当前时刻及其前4个步长的离合器出油口甩出油温度的矩阵排列，B矩阵为湿式离合器滑摩过程中的当前时刻及其前4个步长的离合器滑摩功率的矩阵排列，则输入变量组矩阵In＝[A B]^T，具体的排列方式为：

$\mathrm{In}=\left[\begin{array}{ccccccccc}{a}_1& a_2& a_3& a_4& a_5& \·\·\·& a_{n-4}& \·\·\·& a_{1995}\\ a_2& a_3& a_4& a_5& a_6& \·\·\·& a_{n-3}& \·\·\·& a_{1996}\\ \·& \·& \·& \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·& \·& \·& \·\\ a_5& a_6& a_7& a_8& a_9& \·\·\·& a_n& \·\·\·& a_{1999}\\ b_1& b_2& b_3& b_4& b_5& \·\·\·& b_{n-4}& \·\·\·& b_{1995}\\ b_2& b_3& b_4& b_5& b_6& \·\·\·& b_{n-3}& \·\·\·& b_{1996}\\ \·& \·& \·& \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·& \·& \·& \·& \·\\ b_5& b_6& b_7& b_8& b_9& \·\·\·& b_n& \·\·\·& b_{1999}\end{array}\right],$ 式中的a_n为第n时刻的离合器出油口甩出油温度、b_n为第n时刻的离合器滑摩功率，

则相应的输出变量矩阵 $\mathrm{Out}=\left[\begin{array}{ccccccccc}{a}_{65}& a_{66}& a_{67}& a_{68}& a_{79}& \·\·\·& a_{n+60}& \·\·\·& a_{2059}\end{array}\right],$ 输入变量组矩阵In和输出变量矩阵Out构成数据样本集。

(3)分别从输入变量组矩阵In和输出变量矩阵Out中随机抽取对应的1495列，建立湿式离合器实际温度预测模型的训练样本集，其为输入变量组矩阵InTR和输出变量矩阵OutTR，剩余的500列作为测试湿式离合器实际温度预测模型的测试样本集，其为输入变量组矩阵InTE和输出变量矩阵OutTE。

步骤1.3，进行三层BP神经网络训练测试，构建湿式离合器实际温度的预测模型，过程为，

(1)样本数据的归一化处理

使用归一化公式y＝2×(x-x_min)/(x_max-x_min)-1对数据样本集中的离合器滑摩功率和离合器出油口甩出油温度两类数据分别进行归一化处理，其中对离合器滑摩功率进行归一化处理时，x为离合器滑摩功率、x_min为指定时段中离合器滑摩功率的最小值、x_max为指定时段中离合器滑摩功率的最大值、y为归一化处理后离合器滑摩功率；对离合器出油口甩出油温度进行归一化处理时，x为离合器出油口甩出油温度、x_min为指定时段中离合器出油口甩出油温度的最小值、x_max为指定时段中离合器出油口甩出油温度的最大值、y为归一化处理后离合器出油口甩出油温度。

将得到归一化的数据样本集分为输入变量组矩阵InTR_1、InTE_1和输出变量矩阵OutTR_1、OutTE_1，其中InTR_1、OutTR_1分别对应于训练样本集输入变量组矩阵InTR和输出变量矩阵OutTR，InTE_1、OutTE_1分别对应于测试样本集输入变量组矩阵InTE和输出变量矩阵OutTE。

(2)建立三层神经网络，其拓扑结构如图4所示。

先使用参考公式式中的n₁为隐含层节点数，n为输入节点数、m为输出节点数、a为[1,10]之间的常数，本实施例中选n＝10、m＝1，计算得n₁＝[4,13]，再使用试错法由小到大改变节点数n₁，并综合考虑输出误差及迭代次数，最终选定隐含层节点数为12。选取隐含层和输出层的传递函数为S型正切函数

(3)训练BP神经网络

将经归一化处理后的训练样本集的输入变量组矩阵InTR_1和输出变量矩阵OutTR_1作为神经网络输入输出矩阵，按以下过程进行训练：1)初始化BP网络，2)设置训练参数，本实施例中设定训练次数为1000，训练目标误差为1e-3，学习率为0.01、训练函数为量化共轭梯度法，3)训练网络。

(4)测试BP神经网络

使用经归一化后的测试样本集的输入变量组矩阵InTE_1，对训练好的BP神经网络进行测试，得到归一化的测试输出变量矩阵BPTE_1，即按时间序列排列的湿式离合器实际温度的归一化预测值。

(5)测试输出数据反归一化处理

根据公式x＝x_min+(y+1)×(x_max-x_min)/2对得到的归一化的测试输出变量矩阵BPTE_1进行反归一化处理，式中的x为反归一化后的湿式离合器实际温度预测值、y为湿式离合器实际温度的归一化预测值、x_max、x_min均为离合器出油口甩出油温度归一化时的配置值，得到湿式离合器实际温度预测值矩阵BPTE。

(6)比较湿式离合器实际温度预测值矩阵BPTE与测试样本集中对应时刻的输出变量矩阵OutTE的数据，若两者误差满足既定要求，则储存该湿式离合器实际温度预测模型，若误差不满足既定要求，则重复步骤1.3中的过程(2)～(6)，直至满足既定要求，并存储该湿式离合器实际温度预测模型。

步骤2，在线预测DCT离合器滑摩过程中湿式离合器的实际温度，其过程为，

步骤2.1，在线由TCU和通讯总线(如CAN-BUS总线)上获得DCT离合器滑摩过程中离合器1活塞单位面积上的作用压力、离合器2活塞单位面积上的作用压力、离合器出油口甩出油温度、变速箱输入轴转速、离合器1从动盘转速和离合器2从动盘转速后，先由公式得出离合器传递的扭矩，式中的Δω_cr为变速箱输入轴与离合器从动盘的转速差、 $\mathrm{sign}\left(\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cr}}\right)=\left\{\begin{array}{cc}1,& \mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cr}}>0\\ -1,& \mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{cr}}\≤0\end{array}\right.$ (其为符号函数)、μ_d为离合器摩擦片的动摩擦系数、S为离合器活塞的作用面积、P_n为离合器活塞单位面积上的作用压力、Z为离合器摩擦副数、R₀、R₁分别为离合器摩擦片的外径、内径。再由公式 $P_w=|{\mathrm{Tq}}_{c1}\·\frac{2\mathrm{\π}}{60}(n_{\mathrm{In}}-n_{c1})|+|+{\mathrm{Tq}}_{c2}\·\frac{2\mathrm{\π}}{60}(n_{\mathrm{In}}-n_{c2})|$ 得出离合器滑摩功率，式中的Tq_c1、Tq_c2分别为滑摩状态下离合器1、离合器2传递的扭矩、n_In、n_c1、n_c2分别为变速箱输入轴转速、离合器1从动盘转速、离合器2从动盘转速。之后，由当前及其过去时刻的离合器出油口甩出油温度和离合器滑摩功率构建预测模块输入变量组InP，其分别由当前时刻及其前4个步长的离合器出油口甩出油温度值CT_t、CT_t-1、CT_t-2、CT_t-3、CT_t-4和离合器滑摩功率值Pw_t、Pw_t-1、Pw_t-2、Pw_t-3、Pw_t-4组成。

步骤2.2，先由公式y＝2×(x-x_min)/(x_max-x_min)-1对预测模块输入变量组InP按步骤1.3中的归一化配置进行归一化处理，得到归一化后的输入变量组InP_1。再将归一化处理后的输入变量组InP_1输入至预先离线建立的湿式离合器实际温度预测模型，预测出湿式离合器实际温度的归一化预测值，之后，由公式x＝x_min+(y+1)×(x_max-x_min)/.对湿式离合器实际温度的归一化预测值同样按步骤1.3中的归一化配置进行反归一化处理，得到湿式离合器实际温度的预测值。

为验证本发明的实施效果，在台架环境下使用驻有实现本发明的程序的TCU对DCT湿式离合器的实际温度进行了预测，并将实际温度的预测值与实际值进行了比较，得到了如图5所示的预测结果图，由图5可知，使用本发明构建的DCT湿式离合器实际温度预测模型后，准确地预测了DCT湿式离合器的实际温度。

以上依据图式所示的实施例详细地说明了本发明的构造、特征及作用效果，以上所述仅为本发明的较佳实施例之一，但本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。

Claims (8)

1.一种基于神经网络预测的DCT湿式离合器温度的测量方法，包括离合器1活塞单位面积上的作用压力、离合器2活塞单位面积上的作用压力、离合器出油口甩出油温度、变速箱输入轴转速、离合器1从动盘转速和离合器2从动盘转速的获取，其特征在于实现步骤如下：

步骤1，离线建立DCT湿式离合器实际温度的预测模型，其过程为，

步骤1.1，选择湿式离合器滑摩过程中的当前时刻及其≥前4个步长的离合器出油口甩出油温度采样值和离合器滑摩功率作为输入变量组，输出变量为湿式离合器滑摩过程中的实际温度；

步骤1.2，先将已有的指定时段的离合器1活塞单位面积上的作用压力、离合器2活塞单位面积上的作用压力、变速箱输入轴转速、离合器1从动盘转速、离合器2从动盘转速的数据，换算成相应时段的离合器滑摩功率，再结合相应时段的离合器出油口甩出油温度，构建按时间排列的输入变量组矩阵In和输出变量矩阵Out的数据样本集，

之后，将数据样本集分为由输入变量组矩阵InTR和输出变量矩阵OutTR组成的湿式离合器实际温度预测模型的训练样本集，以及由输入变量组矩阵InTE和输出变量矩阵OutTE组成的测试湿式离合器实际温度预测模型的测试样本集；

步骤1.3，进行≥三层的BP神经网络训练测试，构建湿式离合器实际温度的预测模型，过程为，

(1)将数据样本集中的离合器滑摩功率和离合器出油口甩出油温度两类数据分别进行归一化处理，得到归一化的数据样本集，并将其分为输入变量组矩阵InTR_1、InTE_1和输出变量矩阵OutTR_1、OutTE_1，其中InTR_1、OutTR_1分别对应于训练样本集输入变量组矩阵InTR和输出变量矩阵OutTR，InTE_1、OutTE_1分别对应于测试样本集输入变量组矩阵InTE和输出变量矩阵OutTE，

(2)确定隐含层层数及隐含层神经元节点数，选取隐含层和输出层的传递函数，建立≥三层的神经网络，

(3)将经归一化处理后的训练样本集的输入变量组矩阵InTR_1和输出变量矩阵OutTR_1作为神经网络输入输出矩阵，按以下过程进行训练：1)初始化BP网络，2)设置训练参数，即设定训练次数、训练目标、学习率和训练函数，3)训练网络，

(4)使用经归一化后的测试样本集的输入变量组矩阵InTE_1，对训练好的BP神经网络进行测试，得到神经网络测试输出矩阵BPTE_1，

(5)对得到的神经网络测试输出矩阵BPTE_1进行反归一化处理，得到湿式离合器实际温度预测值矩阵BPTE，

(6)比较湿式离合器实际温度预测值矩阵BPTE与测试样本集中对应时刻的输出变量矩阵OutTE数据，若两者误差满足既定要求，则储存该湿式离合器实际温度预测模型，若误差不满足既定要求，则重复步骤1.3中的过程(2)～(6)，直至满足既定要求，并存储该湿式离合器实际温度预测模型；

步骤2，在线预测DCT离合器滑摩过程中湿式离合器的实际温度，其过程为，

步骤2.1，在线获得DCT离合器滑摩过程中离合器1活塞单位面积上的作用压力、离合器2活塞单位面积上的作用压力、离合器出油口甩出油温度、变速箱输入轴转速、离合器1从动盘转速和离合器2从动盘转速后，先计算得出离合器传递的扭矩和离合器滑摩功率，再由当前及其过去时刻的离合器出油口甩出油温度和离合器滑摩功率构建预测模块输入变量组InP，其分别由当前时刻及其≥前4个步长的离合器出油口甩出油温度值和离合器滑摩功率值组成；

步骤2.2，先对预测模块输入变量组InP进行归一化处理，得到归一化处理后的输入变量组InP_1，再将归一化后的输入变量组InP_1输入至预先离线建立的湿式离合器实际温度预测模型，输出湿式离合器实际温度的归一化预测值，之后，对湿式离合器实际温度的归一化预测值进行反归一化处理，得到湿式离合器实际温度的预测值。

2.根据权利要求1所述的基于神经网络预测的DCT湿式离合器温度测量方法，其特征是步骤1.1和步骤2.1中的步长均为前4个。

3.根据权利要求1所述的基于神经网络预测的DCT湿式离合器温度测量方法，其特征是步骤1.1和步骤2.1中的步长均为10ms。

4.根据权利要求1所述的基于神经网络预测的DCT湿式离合器温度测量方法，其特征是步骤1.3和步骤2.2中的进行归一化处理的公式均为y＝2×(x-x_min)/(x_max-x_min)-1，式中的x为输入参量数据、x_min为输入参量数据中的最小值、x_max为输入参量数据中的最大值、y为输入参量数据归一化处理后的值。

5.根据权利要求1所述的基于神经网络预测的DCT湿式离合器温度测量方法，其特征是步骤1.3中的神经网络为三层，建立的过程为先使用参考公式式中的n₁为隐含层节点数，n为输入节点数、m为输出节点数、a为[1,10]之间的常数，取n＝10、m＝1，计算得n₁＝[4,13]，再使用试错法由小到大改变n₁，并综合考虑输出误差及迭代次数，最终选定隐含层节点数为12。

6.根据权利要求1所述的基于神经网络预测的DCT湿式离合器温度测量方法，其特征是步骤1.3中的隐含层和输出层的传递函数为S型正切函数 $f=\frac{2}{(1+\exp (-2x))}-1.$

7.根据权利要求1所述的基于神经网络预测的DCT湿式离合器温度测量方法，其特征是步骤1.3中的训练参数的设置为，设定训练次数为1000，训练目标误差为1e-3，学习率为0.01、训练函数为量化共轭梯度法。

8.根据权利要求1所述的基于神经网络预测的DCT湿式离合器温度测量方法，其特征是步骤1.3和步骤2.2中的进行反归一化处理的公式均为x＝x_min+(y+1)×(x_max-x_min)/2，式中的x为反归一化后的神经网络预测模型输出值、y为神经网络预测模型输出值、x_max、x_min均为归一化时的配置值。