具体实施方式
下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种车辆换档控制方案,通过建立神经网络模型,根据各换档模式对应的特征量与各换档模式的连接权系数,计算各换档模式的隶属度值,并根据各换档模式之间的连接权系数,确定各换档模式在当前工况下所占的权重,进而对当前工况下的换档车速进行优化,从而得到更为合理和灵活的换档控制策略。
换档模式对应的换档参数可以包括:车速、油门开度、油门开度变化率、海拔系数、发动机冷却水温、变速箱油温、变速箱油温变化率、等效坡度因子Δα和运动系数因子Pc。
其中,经济模式对应运动系数因子Pc和油门开度,运动模式对应运动系数因子Pc和油门开度变化率,上坡模式对应等效坡度因子Δα和变速箱油温变化率,下坡模式对应等效坡度因子Δα,暖机模式对应发动机冷却水温和变速箱油温,热保护模式对应变速箱油温和发动机冷却水温,高原模式对应海拔系数。
本发明的车辆换档控制方案由车辆换档控制装置实现,车辆换档控制装置可以选用TCU(Transmission Control Unit,自动变速箱控制单元)。
区别经济模式与运动模式需要使用保存在TCU中的运动系数因子Pc,运动系数因子Pc是不断进行更新的变量,由TCU根据驾驶员对油门踏板的操作习惯学习获得。TCU可以更新运动系数因子Pc,TCU下电时会保存到EEPROM中,上电时从EEPROM中读取。
在TCU中可以设置运动系数因子的初始值,运动系数因子的初始值的取值范围为[0,1],优选的,运动系数因子的初始值通常取值0.5。
等效坡度因子Δα是指,车辆在平路上行驶时的等效加速度α0与实际加速度α1之差。等效坡度因子Δα、坡度值、各档位速比Rg和旋转质量换算系数δ之间存在一定的对应关系,因此,可以将等效坡度因子Δα作为坡度判决的特征量。Δα、坡度值、Rg和δ之间的对应关系可以如表1所示:
表1
在表1中,-36%、-18%、-9%、-6%、-3%、-1.50%、0表示坡度值。由于坡度值是Δα的奇函数,表1仅列出坡度值为非正值的情况,将Δα=0作为判决面,将上坡模式与下坡模式分隔开。
以下结合图1和图2,对本发明的车辆换档控制流程进行详细说明。如图1所示,该流程包括以下步骤:
步骤101,获取车辆各换档模式对应的换档参数,并归一化所述换档参数,得到特征量。
具体的,车速、油门开度、油门开度变化率、海拔系数、发动机冷却水温、变速箱油温、变速箱油温变化率这些换档参数可以通过检测直接获得,即可以利用车辆上现有的各类传感器进行检测,上述换档参数的检测方式及检测过程属于现有技术,在此不再赘述。
运动系数因子Pc可以根据大油门开度和小油门开度在一次有效学习时长内所占的比重确定。具体的,运动系数因子Pc可以根据以下参数学习获得:在一次有效学习时长内,油门开度大于或等于预设的油门上限阈值的时间Ts、油门开度小于或等于预设的油门下限阈值的时间Te、油门开度小于油门上限阈值且大于油门下限阈值的时间Tm,车速,以及前次学习到的运动系数因子Pc’。运动系数因子Pc的学习流程后续再详细说明。
优选的,油门上限阈值可以设置为70%,油门下限阈值可以设置为30%。
等效坡度因子Δα可以根据车速计算获得,计算Δα的具体实现方式后续再做详细说明。
需要说明的是,归一化是一种简化计算的方式,即将有量纲的表达式,经过变换,化为无量纲的表达式,使之成为标量,归一化的计算方式属于现有技术,在此不再赘述。
步骤102,通过神经网络算法,根据所述特征量和预设的各特征量与各换档模式的连接权系数,计算各换档模式的隶属度值。
神经网络算法模型如图2所示,包括:输入层、中间层和输出层,输入层节点的数量为m个,中间层节点的数量为n个,输出层节点的数量为n个。
特征量xi作为神经网络算法模型的输入层,各换档模式的隶属度值yj作为神经网络算法模型的中间层,各换档模式在当前工况下所占的权重ok作为神经网络算法模型的输出层。
在本发明实施例中,m=9,对应9个特征量xi,n=7,对应7个换档模式。
具体的,可以按照以下公式(5),计算各换档模式的隶属度值:
其中,i=(1,2,……m),m为换档参数的数量;j=(1,2,……n),n为换档模式的数量;xi为特征量;θj为常量;wij为特征量与换档模式的连接权系数;yj为各换档模式的隶属度值。在本发明实施例中,m=9,n=7,也就是说,输入层节点的数量为9个,中间层和输出层节点的数量为7个。
wij为输入层节点到输出层节点的加权系数,表示特征量与换档模式之间的对应关系,wij预设在TCU中,可以根据经验设定。例如,以上坡模式隶属度值对应的yj为例,Δα是坡度判决的最主要特征量,因此需要将Δα对应的连接权系数wij设置的较大。
θj也预设在TCU中,可以根据经验设定,例如,仍然以上坡模式隶属度值对应的yj为例,Δα归一化后得到Δα’,Δα’=0.5时对应坡度为0,因此Δα在上坡模式中对应的阈值θj则等于0.5乘以相应的连接权系数wij。
步骤103,根据各换档模式的隶属度值和预设的各换档模式之间的连接权系数,计算各换档模式在当前工况下所占的权重。
具体的,可以按照以下公式(6),计算各换档模式在当前工况下所占的权重:
其中,j=(1,2,……n),k=(1,2,……n),n为换档模式的数量;yj为各换档模式的隶属度值;θj’为常量;wjk为各换档模式之间的连接权系数;ok为各换档模式在当前工况下所占的权重。
如图2所示,输入层节点的值为神经网络算法模型的输入值,即等于特征量xi的值,中间层节点的值为各换档模式的隶属度值yj,输出层节点的值为神经网络算法模型的输出值,即为各换档模式在当前工况下所占的权重ok;各输入层节点与各中间层节点之间的连接线即代表特征量与换档模式的连接权系数wij,各中间层节点与各输出层节点之间的连接线即代表各换档模式之间的连接权系数wjk。
需要说明的是,各换档模式之间的连接权系数wjk和常量θj’可以预设在TCU中,wjk的设定原理与wij的设定原理相同,θj’的设定原理与θj的设定原理相同,在此不再赘述。
步骤104,根据换档参数中的油门开度和预设的各换档模式下的换档线,确定各换档模式在当前工况下的各换档车速。
具体的,换档线是关于车速与油门的曲线,某一换档模式下的各档位之间切换时,均依照换档线进行换档。获取到油门开度后,TCU可以根据该油门开度查询预设在TCU中的各换档模式下的换档线,确定出各换档模式在当前工况下的各换档车速。
步骤105,根据所述各换档模式在当前工况下所占的权重和各换档模式在当前工况下的各换档车速,计算当前工况下的换档车速。
具体的,首先,归一化所述各换档模式在当前工况下所占的权重,并将归一化后的各换档模式在当前工况下所占的权重分别乘以各换档模式在当前工况下的各换档车速,从而得到当前工况下最优的换档车速。在当前工况下,车辆可能同时处于多种换档模式下,计算得到的换档车速即为满足当前的多个换档模式的最优的换档车速。
假设某个换档模式下设置有6个档位,根据当前的油门开度查询换档线对应关系表,得到该换档模式的换档点的车速Vi,Vi是一组向量,包括5个降档点的车速和5个升档点的车速。由于有7个换档模式,因此有7组这样的向量。
利用神经网络算法可以计算得到各换档模式在当前工况下所占的权重,将计算得到各换档模式在当前工况下所占的权重分别乘以上述7组向量再相加,最终得到的向量就是最优的换档车速(即包括5个降档点的车速和5个升档点的车速)。需要注意的是,若当前的车速高于某一升档点(比如3档升4档)车速,而当前档位比4档低,那么就要升到4档。
进一步的,本发明的车辆换档控制流程在执行步骤101之前,还可以执行以下步骤:
步骤100,判断是否接收到用户发送的换档模式选择指令,若接收到,则执行步骤106,否则,执行步骤101。
具体的,若接收到用户发送的换档模式选择指令,说明用户(即驾驶者)有明确的意愿希望以某种换档模式驾驶车辆,则执行步骤106,即根据所述换档模式选择指令,确定该换档模式对应的换档线。若未接收到用户发送的换档模式选择指令,则执行步骤101至105,即通过本发明的车辆换档控制方案,确定出适合当前工况的各换档模式下最优的各换档车速。
步骤106,根据所述换档模式选择指令,确定该换档模式对应的换档线。
由于各换档模式对应的换档线都预先存储在TCU中,因此,一旦接收到换档模式选择指令,即可查询得到所选择的换档模式对应的换档线。
通过上述步骤100-106可以看出,通过将各换档模式对应的换档参数作为特征量,利用神经网络算法计算各换档模式的隶属度值,并由此计算各换档模式在当前工况下所占的权重,在确定出各换档模式在当前工况下的各换档车速后,再根据各换档模式在当前工况下所占的权重和各换档模式在当前工况下的各换档车速,计算当前工况下最优的换档车速,从而实现对换档车速自动进行优化;该车辆换档控制策略灵活可变,可以实时根据当前的车况、驾驶状态和路况的变化及时调整,使得车辆换档线更为合理,增强驾驶者的驾驶体验。
以下详细说明等效坡度因子Δα的计算方法。等效坡度因子Δα的可以通过以下步骤计算获得:
步骤201,根据车速和发动机扭矩计算车辆在平路上行驶时的等效加速度α0。
具体的,可以按照以下公式(1)计算车辆在平路上行驶时的等效加速度α0:
其中,Ttq为发动机扭矩,可以通过检测获得;λ为液力变矩器变矩比;ig为变速箱传动比;i0为主减速器传动比;ηT为传动系的机械效率;r为车轮半径;f为滚动阻力系数;CD为空气阻力系数;A为整车的迎风面积;V(t)为t时刻的汽车行驶速度;δ为旋转质量换算系数;m为整车半载质量;
步骤202,对车速进行滤波和差分运算,计算得到实际加速度α1。
具体的,可以按照以下公式(2)和(3),计算得到实际加速度α1:
α1=α(t)=(1-e)(Vf(t)-Vf(t-Δt))/Δt+eα(t-Δt); (2)
Vf(t)=(1-c)V(t)+cVf(t-Δt); (3)
其中,c、e为滤波系数;V(t)为t时刻的汽车行驶速度,Vf(t)为滤波后的车速,Δt为车速采样周期;
步骤203,根据等效加速度α0和实际加速度α1,计算等效坡度因子Δα,Δα=α1-α0。
以下结合图3,对运动系数因子Pc的学习流程进行详细说明,如图3所示,该流程可以包括以下步骤:
步骤301,对车速V(t)进行滤波处理,得到滤波后的车速Vf(t)。
具体的,可以按照以下公式计算滤波后的车速Vf(t):
Vf(t)=(1-f)V(t)+fVf(t-Δt);其中,f为滤波系数。
步骤302,判断滤波后的车速Vf(t)是否等于预设的第一速度阈值,且当前车辆是否处于加速状态,若是,则执行步骤303,否则执行步骤301。
步骤303,开始分别记录油门开度大于或等于油门上限阈值的时间Ts、油门开度小于或等于油门下限阈值的时间Te、油门开度小于油门上限阈值且大于油门下限阈值的时间Tm,当滤波后的车速Vf(t)在预设的时长内的变化量小于预设的第二速度阈值时,或者,当预设的学习周期到达时,停止记录Ts、Te和Tm。
具体的,当滤波后的车速Vf(t)等于预设的第一速度阈值,且当前车辆处于加速状态时,开始本次运动系数因子Pc的学习,即开始分别记录Ts、Te和Tm。当滤波后的车速Vf(t)在预设的时长内的变化量小于预设的第二速度阈值时,或者,当预设的学习周期到达时,本次运动系数因子Pc学习过程结束,即停止记录Ts、Te和Tm。其中预设的时长小于所述预设的学习周期。
优选的,学习周期可以设置为10s。预设的时长可以设置为1s,第二速度阈值可以设置为50Kph。
从开始记录Ts、Te和Tm到停止记录Ts、Te和Tm的时长即为有效学习时长。运动系数因子Pc的有效学习时长有以下两种情况:(1)有效学习时长等于预设的学习周期;或者,(2)有效学习时长小于预设的学习周期,即在滤波后的车速Vf(t)在预设的时长内的变化量小于预设的第二速度阈值时,就提前结束本次Pc的学习。
步骤304,分别计算大油门开度在本次有效学习时长内的比重PS以及小油门开度在本次有效学习时长内的比重PE。
具体的,可以按照以下公式分别计算PS和PE:
PS=(Ts+0.5*Tm)/(Ts+Tm+Te);
PE=(Te+0.5*Tm)/(Ts+Tm+Te);
步骤305,根据PS、PE、前次学习到的运动系数因子Pc’和预设的学习速率因数p,计算本次学习到的运动系数因子Pc。
具体的,可以按照以下公式(4)计算本次学习到的运动系数因子Pc:
Pc=(1-p)*Pc'+p*PS/(PE+PS) (4)
其中,学习速率因数p为定值,p∈(0,1),p越大则运动系数因子Pc的学习速率越快;Pc’的初始值为0.5。
步骤306,存储本次学习到的运动系数因子Pc,以更新前次学习到的Pc’的值。
具体的,可以将本次学习到的运动系数因子Pc存储于TCU中,以更新前次学习到的Pc’。
通过上述步骤301-306可以看出,TCU可以根据驾驶员对油门踏板的操作习惯自动学习获得运动系数因子Pc,并根据大油门开度和小油门开度本次有效学习时长内所占比重,自动对运动系数因子Pc进行调整。
本发明还提供一种车辆换档控制装置,如图4所示,该装置为TCU,可以包括:获取模块41、存储模块42和处理模块43,存储模块43内存储有预设的各特征量与各换档模式的连接权系数、各换档模式之间的连接权系数、各换档模式下的换档线。
获取模块41用于,获取车辆各换档模式对应的换档参数。
处理模块43用于,归一化获取模块获取到的换档参数,得到特征量;通过神经网络算法,根据所述特征量和预设的各特征量与各换档模式的连接权系数,计算各换档模式的隶属度值,并根据各换档模式的隶属度值和预设的各换档模式之间的连接权系数,计算各换档模式在当前工况下所占的权重;以及,根据换档参数中的油门开度和预设的各换档模式下的换档线,确定各换档模式在当前工况下的各换档车速,并根据所述各换档模式在当前工况下所占的权重和各换档模式在当前工况下的各换档车速,计算当前工况下的换档车速。
换档模式包括:经济模式、运动模式、上坡模式、下坡模式、暖机模式、热保护模式和高原模式;
换档模式对应的换档参数包括:车速、油门开度、油门开度变化率、海拔系数、发动机冷却水温、变速箱油温、变速箱油温变化率、等效坡度因子Δα和运动系数因子Pc;
经济模式对应运动系数因子Pc和油门开度,运动模式对应运动系数因子Pc和油门开度变化率,上坡模式对应等效坡度因子Δα和变速箱油温变化率,下坡模式对应等效坡度因子Δα,暖机模式对应发动机冷却水温和变速箱油温,热保护模式对应变速箱油温和发动机冷却水温,高原模式对应海拔系数。
优选的,获取模块41包括接收单元411、Δα计算单元412和Pc学习单元413。
接收单元411用于,接收检测到的车速、油门开度、油门开度变化率、海拔系数、发动机冷却水温、变速箱油温、变速箱油温变化率;以及,接收检测到的发动机扭矩。
Δα计算单元412用于,根据车速和发动机扭矩计算等效坡度因子Δα。
Pc学习单元413用于,根据以下参数学习运动系数因子Pc:在一次有效学习时长内,油门开度大于或等于预设的油门上限阈值的时长Ts、油门开度小于或等于预设的油门下限阈值的时长Te、油门开度小于油门上限阈值且大于油门下限阈值的时长Tm,车速,以及前次学习到的运动系数因子Pc’,其中,前次学习到的运动系数因子Pc’存储于存储模块42中。
优选的,Δα计算单元412具体用于,根据车速和发动机扭矩,按照以下公式(1)计算车辆在平路上行驶时的等效加速度α0;按照以下公式(2)和(3),对车速进行滤波和差分运算,计算得到实际加速度α1;根据等效加速度α0和实际加速度α1,计算等效坡度因子Δα,Δα=α1-α0;
其中,
Ttq为发动机扭矩;λ为液力变矩器变矩比;ig为变速箱传动比;i0为主减速器传动比;ηT为传动系的机械效率;r为车轮半径;f为滚动阻力系数;CD为空气阻力系数;A为整车的迎风面积;V(t)为t时刻的汽车行驶速度;δ为旋转质量换算系数;m为整车半载质量;
α1=α(t)=(1-e)(Vf(t)-Vf(t-Δt))/Δt+eα(t-Δt); (2)
Vf(t)=(1-c)V(t)+cVf(t-Δt); (3)
其中,c、e为滤波系数;V(t)为t时刻的汽车行驶速度,Vf(t)为滤波后的车速,Δt为车速采样周期。
优选的,Pc学习单元413具体用于,对车速V(t)进行滤波处理,得到滤波后的车速Vf(t),其中Vf(t)=(1-f)V(t)+fVf(t-Δt),f为滤波系数;判断滤波后的车速Vf(t)是否等于预设的第一速度阈值,且当前车辆是否处于加速状态,若滤波后的车速Vf(t)等于所述速度阈值且当前车辆处于加速过程,则开始分别记录油门开度大于或等于油门上限阈值的时间Ts、油门开度小于或等于油门下限阈值的时间Te、油门开度小于油门上限阈值且大于油门下限阈值的时间Tm;当滤波后的车速Vf(t)在预设的时长内的变化量小于预设的第二速度阈值时,或者,当预设的学习周期到达时,停止记录Ts、Te和Tm,所述预设的时长小于所述预设的学习周期,从开始记录Ts、Te和Tm到停止记录Ts、Te和Tm的时长为有效学习时长;分别计算大油门开度在本次有效学习时长内的比重PS以及小油门开度在本次有效学习时长内的比重PE;其中,PS=(Ts+0.5*Tm)/(Ts+Tm+Te);PE=(Te+0.5*Tm)/(Ts+Tm+Te);根据PS、PE、前次学习到的运动系数因子Pc’和预设的学习速率因数p,按照以下公式(4)计算本次学习到的运动系数因子Pc:
Pc=(1-p)*Pc'+p*PS/(PE+PS) (4)
其中,学习速率因数p为定值,p∈(0,1),p越大则运动系数因子Pc的学习速率越快;Pc’的初始值为0.5;
存储模块42还用于,存储本次学习到的运动系数因子Pc,以更新前次学习到的Pc’的值。
优选的,处理模块43具体用于,将特征量xi作为神经网络算法模型的输入层,并将各换档模式的隶属度值yj作为神经网络算法模型的中间层,按照以下公式(5),计算各换档模式的隶属度值:
其中,i=(1,2,……m),m为换档参数的数量;j=(1,2,……n),n为换档模式的数量;xi为特征量;θj为常量;wij为特征量与换档模式的连接权系数;yj为各换档模式的隶属度值。
优选的,处理模块43具体用于,将各换档模式在当前工况下所占的权重作为神经网络算法模型的输出层,按照以下公式(6),计算各换档模式在当前工况下所占的权重:
其中,j=(1,2,……n),k=(1,2,……n),n为换档模式的数量;yj为各换档模式的隶属度值;θj’为常量;wjk为各换档模式之间的连接权系数;ok为各换档模式在当前工况下所占的权重。
优选的,处理模块43具体用于,归一化所述各换档模式在当前工况下所占的权重,并将归一化后的各换档模式在当前工况下所占的权重分别乘以各换档模式在当前工况下的各换档车速,得到当前工况下的换档车速。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。