CN110594317B - 一种基于双离合器式自动变速器的起步控制策略 - Google Patents

Abstract

本发明涉及一种基于双离合器式自动变速器的起步控制策略，控制步骤如下：1)、建立双离合器式自动变速器起步过程的动力传动模型；2)、从动力传动模型中采集最优起步过程控制策略数据，将采集的数据导入自适应模糊神经网络工具箱中，学习优秀驾驶员的控制策略；3)、采用多目标粒子群优化算法，对模糊神经网络学习后的数据进行优化。在体现起步意图的同时，使冲击度和滑磨功达到最优平衡，从而实现车辆快速平稳的起步。

Description

一种基于双离合器式自动变速器的起步控制策略

技术领域

本发明涉及自动变速器控制领域，特别涉及一种基于双离合器式自动变速器的起步控制策略。

背景技术

双离合器式自动变速器(Dual Clutch Transmission,DCT)具有传动效率高、换挡响应快、换挡平顺性好、与手动变速器生产继承性好等优点，自2002年全球上市以来，其市场占有率得到了快速增长。2010年以德国为代表的欧洲DCT 市场份额占欧洲自动变速器的29％，预计2020年将达到43％。据咨询公司Frost &Sullivan预测，到2020年，全球采用DCT的乘用车可达千万辆。

车辆的起步控制一直以来是变速器控制部分的一大难题。目前起步过程中的研究主要涉及驾驶员起步意图的识别、不同行驶环境下的起步策略、结合过程发动机转速控制、离合器起步策略控制、离合器与发动机的协调控制等，但因研究不充分，在实际中仍会产生不少问题：起步过程中发生离合器抖动、顿挫等，响应时间慢，连续坡道起步易出现离合器烧蚀等。

DCT车辆起步过程控制的关键是离合器控制，通过控制离合器的结合速度使其起步过程达到快速与平稳的目的。目前，常用的起步控制方法有基于模型的最优控制和模糊控制等智能控制方法。基于模型的最优控制很难建立起步过程的精准数学模型，并且难以考虑到所有起步工况并且起步意图的体现也不充分，故而得到的最优控制曲线很难实际应用。而基于模糊控制的智能控制方法只能基于人为经验去制定，很难做到在体现驾驶员起步意图的同时将冲击度和滑磨功平衡到最优。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于双离合器式自动变速器的起步控制策略，其能学习优秀驾驶员的起步过程，使车辆起步控制更优，且得到一个可用于实车的最优个体解。

本发明的技术方案是：一种基于双离合器式自动变速器的起步控制策略的控制步骤如下：

1)、建立双离合器式自动变速器起步过程的动力传动模型；

2)、从动力传动模型中采集最优起步过程控制策略数据，将采集的数据导入自适应模糊神经网络工具箱中，学习优秀驾驶员的控制策略；

3)、采用多目标粒子群优化算法，对模糊神经网络学习后的数据进行优化。

在步骤2)中采用以下步骤学习优秀驾驶员的控制策略，

2-1)、将从动力传动模型中采集的油门开度和油门开度变化率基于模糊规则进行起步驾驶意图的识别；

2-2)、将从动力传动模型中采集的起步驾驶意图、主从盘转速差，以及发动机实际转速与目标转速的差值作为自适应模糊控制的输入，将离合器结合速度作为输出导入自适应模糊神经网络工具箱中；

2-3)、对起步驾驶意图、主从盘转速差、发动机实际转速与目标转速的差值进行模糊化，起步驾驶意图的模糊集合为{VS(很小)，RS(较小)，S(小)， M(中)，B(大)，RB(较大)，VB(很大)}，主从盘转速差的模糊集合为{VS(很小)，RS(较小)，S(小)，M(中)，B(大)，RB(较大)，VB(很大)}，发动机实际转速与目标转速的差值的模糊集合为{NB(负大)，NM(负中)，NS(负小)，O (零)，PS(正小)，PM(正中)，PB(正大)}。

模糊控制所采用的隶属函数为高斯型。

在步骤3)中对模糊神经网络学习后的数据进行优化的步骤如下，

3-1)、将模糊神经网络学习后的数据作为BP神经网络的训练数据，其中，起步时间作为BP神经网络的输入，BP神经网络的输出变量为离合器的结合位移，通过BP神经网络进行仿真，然后利用最小二乘法将离合器的结合位移拟合为一个一元六次多项式函数，将该一元六次多项式函数的系数作为优化对象；

3-2)、选取起步过程中的冲击度和滑磨功作为最终优化的目标函数，其中将滑磨功作为目标函数f₁：

将冲击度绝对值之和作为目标函数f₂：

式中j_i为起步过程中第i时刻的冲击度，由此可得适应度函数为：

Fitness＝min[f₁,f₂]；

3-3)、设置起步控制的约束条件：

①、离合器的结合位移曲线的一阶导数恒大于零，y'＝f'(x)≥0；

②、将冲击度、滑磨功与起步时间作为约束条件，将起步意图作为判断条件，基于多目标粒子群优化算法对离合器的结合位移进行优化；

3-4)、利用模糊集合理论对优化得到的离合器结合位移参数进行最优个体寻优。

在离合器结合速度的拐点附近选取起步时间样本值时，选取拐点左右各 0.15s内的数据，以步长0.001s为采样步长，其余的区域以0.01s作为采样步长。

对起步时间和离合器的结合位移进行归一化处理，即将起步时间和离合器的结合位移归一化到[0,1]区间内。

基于多目标粒子群优化算法对离合器的结合位移的具体优化过程为：

1)、先根据冲击度、滑磨功与起步时间的上下限，随机生成初始粒子群，并将粒子群赋值给起步过程的仿真模型Simulink中，由此计算适应度函数滑磨功与总冲击度。更新个体最优解和全局最优解，将全局最优解赋值给Pareto解；

2)、将Pareto解随机分配给m个粒子，利用线性权重系数及个体最优，更新粒子群速度、位置以及适应度；

3)、判断粒子的性能是否满足转矩、起步意图等约束条件，利用惩罚函数对不满足约束的粒子进行惩罚和淘汰；

4)、评价各粒子总冲击度和滑磨功适应度值，并重置各粒子个体最优解以及当前迭代全区最优粒子解集，更新最优Pareto解集；

5)、当算法运行到终止条件时，输出最优离合器结合位移参数的Pareto解集，若不满足返回继续执行2)。

采用以下步骤对最优个体寻优，

1)、定义模糊控制的隶属函数S_i数为，

式中，f_i ^max，f_i ^min和f_i分别为第i个目标函数最大值、最小值和当前值；

2)、根据模糊集合理论，求得最优解的每一个解的支配函数

为，

式中M_p表示最终得到的最优解个数；N_o为需要优化的目标函数个数。

所述支配函数的最大个体即为所求得的最优个体解。

采用上述技术方案：本发明设计了自适应模糊神经网络起步智能控制系统，利用优秀驾驶员起步过程的数据来训练模糊神经网络系统，实现模糊规则获取的客观性以及模糊控制策略的自学习与自调整，在体现起步意图的同时，使冲击度和滑磨功达到最优平衡，从而使得车辆起步控制策略可以较优。而且，本发明还设计了采用多目标粒子群优化算法的双离合器式自动变速器起步过程离合器结合位移的优化算法，相比于基于模型的车辆起步过程最优控制，可以求得一个可应用于实车的最优起步控制策略。

下面结合说明书附图和具体实施例对本发明作进一步说明。

附图说明

图1为本发明基于多目标粒子群优化算法对离合器结合位移的优化流程图；

图2为基于模糊神经网络与原仿真控制策略的发动机、离合器主从盘转速的学习对比结果；

图3为基于模糊神经网络与原仿真控制策略的滑磨功学习对比结果；

图4为基于模糊神经网络与原仿真控制策略的冲击度学习对比结果；

图5为基于多目标粒子群算法对发动机、离合器主从盘转速的优化结果；

图6为基于多目标粒子群算法对离合器传递转矩的优化结果；

图7为基于多目标粒子群算法对滑磨功的优化结果；

图8为基于多目标粒子群算法对冲击度的优化结果。

具体实施方式

一种基于双离合器式自动变速器的起步控制策略的控制步骤如下：

1)、建立双离合器式自动变速器起步过程的动力传动模型。

2)、从动力传动模型中采集最优起步过程控制策略数据，将采集的数据导入自适应模糊神经网络工具箱中，学习优秀驾驶员的控制策略，并采用以下步骤学习优秀驾驶员的控制策略：

2-1)、先从动力传动模型中采集油门开度和油门开度变化率基于模糊规则进行起步驾驶意图的识别；

2-2)、再从动力传动模型中采集的起步驾驶意图、主从盘转速差，以及发动机实际转速与目标转速的差值作为自适应模糊控制的输入，将离合器结合速度作为输出导入自适应模糊神经网络工具箱中；

2-3)、将起步驾驶意图设为e，主从盘转速差设为Δnc，发动机实际转速与目标转速的差值设为Δne，并且分别对步驾驶意图e、主从盘转速差Δnc、发动机实际转速与目标转速的差值Δne进行模糊化，起步驾驶意图e的模糊集合为 {VS(很小)，RS(较小)，S(小)，M(中)，B(大)，RB(较大)，VB(很大)}，主从盘转速差Δnc的模糊集合为{VS(很小)，RS(较小)，S(小)，M(中)， B(大)，RB(较大)，VB(很大)}，发动机实际转速与目标转速的差值Δne的模糊集合为{NB(负大)，NM(负中)，NS(负小)，O(零)，PS(正小)，PM(正中)， PB(正大)}。上述模糊控制所采用的隶属函数为高斯型。

3)、由于经模糊神经网络学习后的数据并不一定全是最优的，因此采用多目标粒子群优化算法，对模糊神经网络学习后的数据进行优化，优化的具体步骤如下：

3-1)、将模糊神经网络学习后的数据作为BP神经网络的训练数据，其中，起步时间作为BP神经网络的输入，BP神经网络的输出变量为离合器的结合位移，通过BP神经网络进行仿真，然后利用最小二乘法将离合器的结合位移拟合为一个一元六次多项式函数，将该一元六次多项式函数的系数作为优化对象；

由于离合器结合过程是一个动态的过程，但是多目标粒子群优化算法只能对静态问题进行优化，因此要先利用曲线拟合的方法将离合器结合位移的曲线拟合为一个多项式函数。在车辆起步过程中，由于目前常用的离合器的结合速度的结合方式为“快-慢-快”结合，在快与慢的交点处存在拐点，因此离合器的结合位移将呈连续不可微的状态，并且，由于BP神经网络具有较强的非线性映射能力，因此本发明在离合器结合速度的拐点附近选择一组起步时间的数据作为BP神经网络的输入样本值。为了使BP神经网络对离合器的结合位移在拐点处非线性拟合的更好，精度更高，因此在拐点附近区域的取样点更加密集，远离拐点附近的取样点可以相对稀疏一些。本发明在离合器结合速度的拐点附近选取起步时间样本值时，选取拐点左右各0.15s内的数据，以步长0.001s为采样步长，其余的区域以0.01s作为采样步长。然后将所有数据作为BP神经网络的输入样本值，即为BP神经网络拟合的训练数据。对起步时间和离合器的结合位移进行归一化处理，即将起步时间和离合器的结合位移归一化到[0,1]区间内，本专利选择BP神经网络的隐藏层个数为五，对起步时间和离合器的结合位移进行归一化处理可以避免输入参数表示的意义不同以及量纲不统一对神经网络的训练过程产生影响。

本发明采用了最小二乘法对离合器的结合位移进行拟合，可以使取样点与拟合点之间的误差平方和最小。设离合器结合位移的拟合曲线为f(x)，则第i个样本值其拟合的误差为：

由此可得到一组最小拟合误差对应的最优拟合曲线参数，根据BP神经网络对离合器结合位移的非线性映射，利用最小二乘法对离合器结合位移进行函数逼近，最终将离合器结合位移拟合为一个一元六次多项式函数，从而将该一元六次多项式函数的系数作为优化对象。并且优化范围是优化系数置信区间为90％内的值。

3-2)、选取起步过程中的冲击度和滑磨功作为最终优化的目标函数，其中将滑磨功作为目标函数f₁：

将冲击度绝对值之和作为目标函数f₂：

式中j_i为起步过程中第i时刻的冲击度，由此可得适应度函数为：

F_itness＝min[f₁，f₂] 3.4)

3-3)、设置起步控制的约束条件：

①、离合器在结合的过程中，其结合位移会不断增加，因此离合器结合位移的变化率将恒大于零，则设置离合器的结合位移曲线的一阶导数恒大于零，即y'＝f'(x)≥0；

②、车辆起步过程中，最重要的是能根据驾驶员的起步意图进行相应的起步，而起步意图的另一种体现便是使冲击度和滑磨功在相应的区间内动态平衡。因此本发明将冲击度、滑磨功与起步时间作为约束条件，将起步意图作为判断条件，基于多目标粒子群优化算法对离合器的结合位移进行优化，相应约束的区间如表1所示：

表1不同起步意图下的起步控制约束条件

3-4)、由步骤3-3)基于多目标粒子群优化算法对离合器结合位移参数进行优化，会得到一系列Pareto解集，为了从最优解集中得到性能最好的那一个最优个体解，本发明利用模糊集合理论对优化得到的离合器结合位移参数进行最优个体寻优，具体的最优个体寻优过程如下所示：

首先定义模糊控制的隶属函数S_i数为，

式中，f_i ^max，f_i ^min和f_i分别为第i个目标函数的最大值、最小值和当前值；

然后根据模糊集合理论，求得最优解的每一个解的支配函数

为，

式中M_p表示最终得到的最优解个数；N_o为需要优化的目标函数个数。

最后通过支配函数

计算公式可得到每个最优解的支配函数，由于支配函数可以综合反映每个解的性能，因此支配函数的最大个体即为所求得的最优个体解。

上述步骤3-3)基于多目标粒子群优化算法对离合器的结合位移的具体优化过程为，如图1所示：

1)、先根据冲击度、滑磨功与起步时间的上下限，随机生成初始粒子群；

2)、将随机生成的初始粒子群赋值给起步过程的仿真模型Simulink中；

3)、运行Simulink，由此计算适应度函数滑磨功与总冲击度，更新个体最优解和全局最优解，将全局最优解赋值给Pareto解；

4)、将Pareto解随机分配给m个粒子，利用线性权重系数及个体最优，更新粒子群速度、位置以及适应度；

5)、判断粒子的性能是否满足转矩、起步意图等约束条件；

6)、若粒子的性能不满足约束条件，则利用自适应惩罚函数对不满足约束的粒子进行惩罚和淘汰，更新粒子适应度值，并返回1)重新随机生成初始粒子群；

7)、若粒子的性能满足约束条件，则判断粒子速度是否满足上下限，若不满足则重新随机初始化速度，使其满足上下限；

8)、若粒子速度满足上下限，评价各粒子总冲击度和滑磨功适应度值，并重置各粒子个体最优解以及当前迭代全区最优粒子解集；

9)、更新最优Pareto解集；

10)、当算法运行到终止条件时，若不满足终止条件，利用Pareto解集随机分配个体最优解以及分配系数，更新各粒子的速度与位置，再返回2)重新赋值给起步过程的仿真模型Simulink中；

11)、当算法运行到终止条件时，满足终止条件，输出最优离合器结合位移参数的Pareto解集。

下面结合仿真结果对本发明进行分析，如图2至图4所示应用神经网络控制与仿真数据进行对比的学习结果。从图2中可得，在自适应模糊神经网络控制下，离合器主从盘从开始结合到完成同步的时间为0.181s至1.730s，与仿真数据的同步时间1.740s相比较，两者的差异非常小；从图3中可得，自适应模糊神经网络与仿真数据相比较，滑磨功从仿真数据的11853J上升到模糊神经网络的11997J；从图4中可得，自适应模糊神经网络与仿真数据相比较，最大冲击度从仿真数据的6.342m/s³下降到模糊神经网络的6.277m/s³。由此可知，基于自适应模糊神经网络控制的结果与仿真数据的差异非常小，因此本发明中自适应模糊控制策略可以很好地学习仿真数据中的起步控制策略，即能很好地学习优秀驾驶员的起步控制策略。

如图5至图8所示，基于多目标粒子群算法对离合器结合位移的优化结果，在慢起工况即30％油门开度的情况下，离合器起步过程的时间从优化前的1.740s 下降到优化后的1.715s，起步过程中的冲击度峰值从优化前的6.227m/s³下降到优化后的5.568m/s³，起步过程中的滑磨功则从优化前的11997J下降到优化后的 11363J。由此可知，仿真优化后的结果在体现起步意图的同时，对车辆起步过程中的冲击度、滑磨功和起步时间进行了平衡，从而得到一组最优的离合器结合位移控制曲线。

本发明设计了自适应模糊神经网络起步智能控制系统，利用优秀驾驶员起步过程的数据来训练模糊神经网络系统，实现模糊规则获取的客观性以及模糊控制策略的自学习与自调整，在体现起步意图的同时，使冲击度和滑磨功达到最优平衡，从而使得车辆起步控制策略可以较优。而且，本发明还设计了采用多目标粒子群优化算法的双离合器式自动变速器起步过程离合器结合位移的优化算法，相比于基于模型的车辆起步过程最优控制，可以求得一个可应用于实车的最优起步控制策略。

Claims (7)

1.一种基于双离合器式自动变速器的起步控制策略，其特征在于控制步骤如下：

1)、建立双离合器式自动变速器起步过程的动力传动模型；

2)、从动力传动模型中采集最优起步过程控制策略数据，将采集的数据导入自适应模糊神经网络工具箱中，采用以下步骤学习优秀驾驶员的控制策略:

2-1)、将从动力传动模型中采集的油门开度和油门开度变化率基于模糊规则进行起步驾驶意图的识别；

2-2)、将从动力传动模型中采集的起步驾驶意图、主从盘转速差，以及发动机实际转速与目标转速的差值作为自适应模糊控制的输入，将离合器结合速度作为输出导入自适应模糊神经网络工具箱中；

2-3)、对起步驾驶意图、主从盘转速差、发动机实际转速与目标转速的差值进行模糊化，起步驾驶意图的模糊集合为{VS(很小)，RS(较小)，S(小)，M(中)，B(大)，RB(较大)，VB(很大)}，主从盘转速差的模糊集合为{VS(很小)，RS(较小)，S(小)，M(中)，B(大)，RB(较大)，VB(很大)}，发动机实际转速与目标转速的差值的模糊集合为{NB(负大)，NM(负中)，NS(负小)，O(零)，PS(正小)，PM(正中)，PB(正大)}；

3)、采用多目标粒子群优化算法，对模糊神经网络学习后的数据进行优化的步骤如下：

3-1)、将模糊神经网络学习后的数据作为BP神经网络的训练数据，其中，起步时间作为BP神经网络的输入，BP神经网络的输出变量为离合器的结合位移，通过BP神经网络进行仿真，然后利用最小二乘法将离合器的结合位移拟合为一个一元六次多项式函数，将该一元六次多项式函数的系数作为优化对象；

3-2)、选取起步过程中的冲击度和滑磨功作为最终优化的目标函数，其中将滑磨功作为目标函数f₁：

式中j_i为起步过程中第i时刻的冲击度，由此可得适应度函数为：

Fitness＝min[f₁,f₂]；

3-3)、设置起步控制的约束条件：

①、离合器的结合位移曲线的一阶导数恒大于零，y'＝f'(x)≥0；

②、将冲击度、滑磨功与起步时间作为约束条件，将起步意图作为判断条件，基于多目标粒子群优化算法对离合器的结合位移进行优化；

3-4)、利用模糊集合理论对优化得到的离合器结合位移参数进行最优个体寻优。

2.根据权利要求1所述的一种基于双离合器式自动变速器的起步控制策略，其特征在于：模糊控制所采用的隶属函数为高斯型。

3.根据权利要求1所述的一种基于双离合器式自动变速器的起步控制策略，其特征在于：在离合器结合速度的拐点附近选取起步时间样本值时，选取拐点左右各0.15s内的数据，以步长0.001s为采样步长，其余的区域以0.01s作为采样步长。

4.根据权利要求1所述的一种基于双离合器式自动变速器的起步控制策略，其特征在于：对起步时间和离合器的结合位移进行归一化处理，即将起步时间和离合器的结合位移归一化到[0,1]区间内。

5.根据权利要求1所述的一种基于双离合器式自动变速器的起步控制策略，其特征在于：基于多目标粒子群优化算法对离合器的结合位移的具体优化过程为：

1)、先根据冲击度、滑磨功与起步时间的上下限，随机生成初始粒子群，并将粒子群赋值给起步过程的仿真模型Simulink中，由此计算适应度函数滑磨功与总冲击度，更新个体最优解和全局最优解，将全局最优解赋值给Pareto解；

2)、将Pareto解随机分配给m个粒子，利用线性权重系数及个体最优，更新粒子群速度、位置以及适应度；

3)、判断粒子的性能是否满足转矩、起步意图这两个约束条件，利用惩罚函数对不满足约束的粒子进行惩罚和淘汰；

4)、评价各粒子总冲击度和滑磨功适应度值，并重置各粒子个体最优解以及当前迭代全区最优粒子解集，更新最优Pareto解集；

5)、当算法运行到终止条件时，输出最优离合器结合位移参数的Pareto解集，若不满足返回继续执行2)。

6.根据权利要求1所述的一种基于双离合器式自动变速器的起步控制策略，其特征在于：采用以下步骤对最优个体寻优，

1)、定义模糊控制的隶属函数S_i数为，

式中，f_i ^max，f_i ^min和f_i分别为第i个目标函数最大值、最小值和当前值；

2)、根据模糊集合理论，求得最优解的每一个解的支配函数

为，

式中M_p表示最终得到的最优解个数；N_o为需要优化的目标函数个数。

7.根据权利要求6所述的一种基于双离合器式自动变速器的起步控制策略，其特征在于：所述支配函数的最大个体即为所求得的最优个体解。

Images