CN112212001B - 一种amt变速器换挡执行器换挡力预补偿修正控制方法 - Google Patents
一种amt变速器换挡执行器换挡力预补偿修正控制方法 Download PDFInfo
- Publication number
- CN112212001B CN112212001B CN202011170323.7A CN202011170323A CN112212001B CN 112212001 B CN112212001 B CN 112212001B CN 202011170323 A CN202011170323 A CN 202011170323A CN 112212001 B CN112212001 B CN 112212001B
- Authority
- CN
- China
- Prior art keywords
- duty ratio
- gear shifting
- output duty
- gear
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H61/26—Generation or transmission of movements for final actuating mechanisms
- F16H61/28—Generation or transmission of movements for final actuating mechanisms with at least one movement of the final actuating mechanism being caused by a non-mechanical force, e.g. power-assisted
- F16H61/32—Electric motors actuators or related electrical control means therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
- F16H2061/0084—Neural networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
- F16H2061/0093—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method using models to estimate the state of the controlled object
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明公开了一种AMT变速器换挡执行器换挡力预补偿修正控制方法,是将AMT系统总成动态换挡各进程耐久台架试验时通过台架标定获得的输出占空比数据作为输出量,将输出占空比中各影响因子的数据作为输入量通过神经网络算法进行学习,得到各个换挡进程中的各个输入量与该进程输出占空比关系的数学模型,再将该数学模型移植到整车上;换挡时,根据某挡位某一进程多个影响因子的输入量,通过所述数学模型计算得到即时输出占空比,将即时输出占空比与整车上原有基础标定的既定输出占空比进行权重计算,最终得到电机端的实际输出占空比;同前方法得到该挡位其它进程输出占空比;同前方法得到其它挡位各进程输出占空比,从而实现控制电机完成整个换挡动作。
Description
技术领域
本发明涉及AMT变速器换挡执行器控制,具体涉及一种AMT变速器换挡执行器换挡力预补偿修正控制方法,属于汽车智能控制技术领域。
背景技术
随着汽车电子技术的逐步发展,生活节奏的加快,人们更偏向于方便简单的驾驶行为。AMT变速器由于具备高效自动换挡,经济省油等特点,逐渐进入人们的视野,得到广大用户的欢迎。因此变速器执行器的控制技术也得到了一定的发展,针对各种不同的选换挡执行器,其控制方式也是多种多样。执行器的驱动有电动和气动,其控制方式显然存在差异,控制的目的是一致的,都是为了实现变速器高效快速平顺换挡。不同的控制方法,其最终的控制效果也是会有所不同的,本发明针对的是电驱动执行器。
目前来说,现有的AMT选换挡执行器控制参数的设置,一般是先经过台架粗略标定,然后移植到实车进行精标。参数精标的过程受环境温度,车辆行驶工况的影响比较大,参数的调整周期长。而且,参数调整后,普适性较差,系统鲁棒性较低。
发明内容
本发明要解决的技术问题是:现有技术的控制参数在实车上精标耗费时间长且参数调整后普适性差,系统鲁棒性低的问题。
针对上述问题,本发明提出的技术方案是:
一种AMT变速器换挡执行器换挡力预补偿修正控制方法 ,是将AMT系统总成动态换挡各进程耐久台架试验时通过台架标定获得的输出占空比数据作为输出量,将输出占空比中各影响因子的数据作为输入量通过神经网络算法进行学习,得到各个换挡进程中的各个输入量与该进程输出占空比关系的数学模型,再将该数学模型移植到整车上;换挡时,根据某一挡位某一进程多个影响因子的输入量,通过所述数学模型计算得到即时输出占空比,将即时输出占空比与整车上原有基础标定的既定输出占空比进行权重计算,最终得到电机端的实际输出占空比;同前方法得到该挡位其它进程实际输出占空比;同前方法得到其它挡位各进程实际输出占空比,从而实现控制电机完成整个换挡动作。
如上所述的AMT变速器换挡执行器换挡力预补偿修正控制方法 ,包括如下步骤:
1)经验数据标定与试验数据集获取:根据过往试验或标定经验,对AMT变速器系统总成动态换挡耐久试验台架换挡时的输出占空比进行标定;运行整个试验台架,待效果理想且运行稳定后,通过信号采集,获取各挡位动态换挡耐久试验的总试验数据集;
2)滤波与分割:对得到的试验数据进行滤波处理,去除信号干扰,然后依据挡位及换挡进程对挡位数据集进行数据分割,提取各挡位各换挡进程试验数据,生成各挡位换挡各进程试验数据集;
3)获取输入量与某一挡位换挡某一进程输出占空比关系的数学模型,步骤如下:
a、获得某一挡位某一进程试验数据集后,根据数学模型值域关系,将输出占空比做归一化处理,使其值落在[-1,1]范围内;
b、构建神经网络算法的学习框架,根据神经网络算法计算公式获取因变量输出占空比关于待定系数的各节点权值及偏置项,确定自变量为输入层各个影响因子的函数关系;
c、将a中作了归一化处理的试验数据集作为训练样本,逐个引入b构建的神经网络算法学习框架,计算得到与输入量一一对应且含有待定系数的输出占空比表达式;
d、基于训练样本数据集中的输出占空比值以及计算得到的输出占空比表达式,
根据一一对应的关系,通过损失函数计算公式,计算得到输出层的总误差函数Loss的表达式;
采用最速下降法,基于总误差函数Loss的表达式,计算得到各待定系数的迭代公式;
e、设定大于0的阈值ε,通过输出层的总误差函数Loss的表达式,利用得到各
待定系数的迭代公式,计算并选取得到的小于阈值ε时的总误差值Loss,从而最终确定某一挡位换挡某一进程的数学模型待定系数,进而确定输入量的各影响因子与输出量输出占空比的数学关系;
4)重复步骤(3),得到某一挡位其他几个换挡进程的输入量与输出占空比关系的数学模型(瞬时占空比输出预测模型),同理得到其余挡位各个换挡进程的输入量与输出占空比关系的数学模型;
5)将学习得到的各挡位的各个进程的输入量与输出占空比关系的数学模型集成并刷写到整车TCU控制系统;
换挡时,TCU控制系统根据目标换挡挡位及其换挡进程,再按数学模型中各影响因子的即时数据信息计算得到当前需要的即时输出占空比,即时输出占空比与整车上原有基础标定的既定输出占空比进行权重计算,最终得到控制电机端的实际输出占空比。
进一步地,所述将输出占空比中各影响因子的数据作为输入量通过神经网络算法进行学习,是将变速箱油温GT、位移传感器AD值SP、传动系统转动惯量MI、换挡电机电流SC、转速差SSD以及同步器热量SYP的数据作为输入量通过神经网络算法进行学习。
进一步地,上述方法步骤1)中所述的试验数据集为覆盖AMT变速器产品全生命周期的AMT系统总成动态换挡耐久台架试验数据。
进一步地,上述方法步骤2)所述对得到的试验数据进行滤波处理,是采用低通滤波方法,排除因电磁干扰及线束接触不良引起的高频信号干扰。
进一步地,上述方法步骤2)所述的依据挡位及换挡进程对挡位数据集进行数据分割,其分割方法是根据换挡位置传感器值、同步器设计及装配值、换挡执行器设计及装配值、变速器速比值、输入轴转速以及输出轴转速传感器值,进行计算及逻辑判断,确定数据所在换挡进程,对数据按换挡进程进行分割。
进一步地,上述方法步骤3)a所述根据数学模型值域关系,将输出占空比做归一化处理,其处理方式为:
进一步地,上述方法步骤3)b中待定系数的各节点权值及偏置项,将其中隐含层和输出层中每一个节点的每一个输入都配置与之一一对应的权值项和偏置项。
进一步地,上述方法步骤3)c所述的神经网络算法的学习框架中所引入的实验数据集设置为非线性因素,即双曲正切对称sigmoid型激励函数,使其函数与经验标定输出占空比变化趋势相一致。
本发明的优点是:有效克服了现有技术的控制参数在实车上精标耗费时间长的缺陷,大大缩短了从试验粗标到实车精标的时间;而且能够及时应对由于控制对象的变化导致控制系统的变化问题,及时对电机的瞬时输出占空比进行修正,避免换挡过程中出现挂不进挡以及异响的情况发生,不仅显著提高了应对工况变化的适应性,也使提高了整个AMT变速器换挡控制系统的鲁棒性。
附图说明
图1为本发明所述一种AMT变速器换挡执行器换挡力预补偿修正控制方法流程图。
具体实施方式
下面对本发明做进一步的描述:
一种AMT变速器换挡执行器换挡力预补偿修正控制方法 ,是将AMT系统总成动态换挡各进程耐久台架试验时通过台架标定获得的输出占空比数据作为输出量,将输出占空比中各影响因子的数据作为输入量通过神经网络算法进行学习,得到各个换挡进程中的各个输入量与该进程输出占空比关系的数学模型,再将该数学模型移植到整车上;换挡时,根据某一挡位某一进程多个影响因子的输入量,通过所述数学模型计算得到即时输出占空比,将即时输出占空比与整车上原有基础标定的既定输出占空比进行权重计算,最终得到电机端的实际输出占空比;同前方法得到该挡位其它进程实际输出占空比;同前方法得到其它挡位各进程实际输出占空比,从而实现控制电机完成整个换挡动作。本发明基于庞大的AMT总成动态换挡耐久试验数据集,采用机器学习理论及神经网络学习框架,结合换挡力理论计算方法及影响因素,对AMT换挡过程中,电控换挡系统各换挡进程电机的瞬时输出占空比进行预测,由于台架数据为耐久试验数据,从数据特点上来看,据其学习得到的占空比瞬时输出预测模型能够满足整个AMT变速箱的产品生命周期,与传统的标定成果相比,其能够及时应对由于控制对象的变化,导致控制系统的变化问题,及时对电机的瞬时输出占空比进行修正,避免换挡过程中出现挂不进挡以及异响的情况发生,提高了整个AMT变速器换挡控制系统的鲁棒性。
如上述AMT变速器换挡执行器换挡力预补偿修正控制方法包括如下步骤:
1)经验数据标定与试验数据集获取:根据过往试验或标定经验,对AMT变速器系统总成动态换挡耐久试验台架换挡时的输出占空比进行标定;运行整个试验台架,待效果理想且运行稳定后,通过信号采集,获取各挡位动态换挡耐久试验的总试验数据集。
这里,标定的输出占空比数据是指同类AMT变速器或换挡执行器已经在过往的试验或应用过程中证明是理想的输出占空比数据,业内称为经验标定数据。但是,这种标定一般只是对各个挡位进行较粗略的标定,并未具体到换挡的每一个进程,更没有细化到影响换挡各进程占空比输出的各个影响因子。而通过耐久试验获取的总试验数据集则包含各个影响因子在各挡位换挡试验过程表达出的全部信息。
2)滤波与分割:对得到的试验数据进行滤波处理,去除信号干扰,然后依据挡位及换挡进程对挡位数据集进行数据分割,提取各挡位各换挡进程试验数据,生成各挡位换挡各进程试验数据集。
3)获取输入量与某一挡位换挡某一进程输出占空比关系的数学模型,步骤如下:
a、获得某一挡位某一进程试验数据集后,根据数学模型值域关系,将输出占空比做归一化处理,使其值落在[-1,1]范围内。
b、构建神经网络算法的学习框架,根据神经网络算法计算公式获取因变量输出占空比关于待定系数的各节点权值及偏置项,确定自变量为输入层各个影响因子的函数关系。即是构建神经网络算法的学习框架,确定网络层数及各层节点数,同时确定激励函数(非线性因素),可以得到因变量输出占空比关于待定系数为各节点权值及偏置项,自变量为输入层各个影响因子的函数关系。
c、将a中作了归一化处理的试验数据集作为训练样本,逐个引入b构建的神经网络算法学习框架,计算得到与输入量一一对应且含有待定系数的输出占空比表达式。
d、基于训练样本数据集中的输出占空比值以及计算得到的输出占空比表达式,
根据一一对应的关系,通过损失函数计算公式,计算得到输出层的总误差函数Loss的表达式。
采用最速下降法,基于总误差函数Loss的表达式,计算得到各待定系数的迭代公式。即是确定损失函数形式,基于训练样本数据集中的输出占空比值以及计算得到的输出占空比表达式,根据一一对应的关系,通过损失函数计算公式,计算得到损失函数值关于待定系数(节点权值和偏置项)表达式,即输出层的总误差函数Loss的表达式。
e、设定大于0的阈值ε,通过输出层的总误差函数Loss的表达式,利用得到各
待定系数的迭代公式,计算并选取得到的小于阈值ε时的总误差值Loss,从而最终确定某一挡位换挡某一进程的数学模型待定系数,进而确定输入量的各影响因子与输出量输出占空比的数学关系。即是初始化各节点权值及偏置项,通过输出层的总误差函数Loss的表达式,计算得到初始化时的总误差值,将其值与设定的大于0的阈值ε比较,若总误差Loss的值大于ε,则通过待定系数的初始值及迭代公式,调整待定系数即各节点权值和偏置项的值,再次计算总误差的Loss的值,并与阈值ε比较,直到总误差Loss的值小于阈值ε时,待定系数迭代停止,即停止调整各节点权值和偏置项的值,取此时的待定系数值为迭代学习最终值,待定系数已确定,即最终的各节点权值及偏置项已确定,也就是最终的某一挡位换挡某一进程的数学模型待定系数已确定,输入量的各影响因子与输出量输出占空比的关系数学已确定。所述的步骤3e中迭代计算终止条件阈值ε,是根据电机及执行器的特性确定的,选取m个AMT变速器总成,分别测得使得换挡执行器刚开始动作的最小占空比绝对值P_min (i),那么阈值ε的取值范围为:0<ε≤min{P_min (1),P_min (2),P_min (3),…,P_min(m)}。
4)重复步骤(3),得到某一挡位其他几个换挡进程的输入量与输出占空比关系的数学模型(瞬时占空比输出预测模型),同理得到其余挡位各个换挡进程的输入量与输出占空比关系的数学模型。
5)将学习得到的各挡位的各个进程的输入量与输出占空比关系的数学模型集成并刷写到整车TCU控制系统。
换挡时,TCU控制系统根据目标换挡挡位及其换挡进程,再按数学模型中各影响因子的即时数据信息计算得到当前需要的即时输出占空比,即时输出占空比与整车上原有基础标定的既定输出占空比进行权重计算,最终得到控制电机端的实际输出占空比,其计算公式如下:
其中,为某一时刻控制电机端的实际输出占空比;为某一时刻即时输出占空比;为某一时刻整车原有基础标定既定输出占空比;为某一时刻上一周期控制电机端的实际输出占空比;为一个非0的极小常实数,避免除0情况出现。
所述将输出占空比中各影响因子的数据作为输入量通过神经网络算法进行学习,是将变速箱油温GT、位移传感器AD值SP、传动系统转动惯量MI、换挡电机电流SC、转速差SSD以及同步器热量SYP的数据作为输入量通过神经网络算法进行学习。
上述方法步骤1中所述的试验数据集为覆盖AMT变速器产品全生命周期的AMT系统总成动态换挡耐久台架试验数据,其数据量为数十万级。其中换挡进程数据集包含自由滑动阶段数据集、消除同步环间隙阶段数据集、转速同步阶段数据集、拨转同步环齿阶段数据集、第二次自由滑动阶段数据集、二次冲击阶段数据集、自由滑动入挡阶段数据集以及限位冲击阶段数据集。
上述方法步骤2所述对得到的试验数据进行滤波处理,是采用低通滤波方法,排除因电磁干扰及线束接触不良引起的高频信号干扰。
上述方法步骤2所述的依据挡位及换挡进程对挡位数据集进行数据分割,其分割方法是根据换挡位置传感器值、同步器设计及装配值、换挡执行器设计及装配值、变速器速比值、输入轴转速以及输出轴转速传感器值,进行计算及逻辑判断,确定数据所在换挡进程,对数据按换挡进程进行分割。
上述方法步骤3(a)所述根据数学模型值域关系,将输出占空比做归一化处理,其处理方式为:
其中,为某一挡位某一换挡进程某一时刻输出占空比归一化值,为某一挡位某一换挡进程某一时刻输出占空比值,为输出占空比最小限定值,为输出占空比最大限定值。为输出占空比最小限定值,一般取值为-10000、-1000或-100,为输出占空比最大限定值,一般取值为10000、 1000或100。
上述方法所述的步骤3(b)中待定系数的各节点权值及偏置项,将其中隐含层和输出层中每一个节点的每一个输入都配置与之一一对应的权值项和偏置项。这样是为了避免网络局部因素影响模型的学习,加快收敛速度。所述的每一个节点的每一个输入都有与之一一对应的权值项和偏置项,如,其中表示第s个节点,第j个输入的权值项,表示第s个节点,第j个输入的偏置项。
上述方法步骤3(c)所述的神经网络算法的学习框架中所引入的实验数据集设置为非线性因素,即双曲正切对称sigmoid型激励函数,使其函数与经验标定输出占空比变化趋势相一致。由于输出到电机的占空比,其本身是由范围限制的,各输入信号量与占空比本身存在的是非线性关系,其次为了避免出现过拟合现象,造成最后学习得到的预测模型鲁棒性太差,本发明在线性映射之后,添加非线性映射关系,采用双曲正切对称sigmoid型激励函数,如下所示:
最终把激励值映射到了-1到1这两个数值范围内,对于输出层来说,在换挡瞬时输出占空比预测模型中,-1表示负方向100%占空比,1表示正方向100%占空比,对于AMT换挡系统来说,当占空比小于某一值时,例如10%,换挡系统是不能够正常动作的,越靠近占空比绝对值大的区域,其变化率越小,越靠近占空比绝对值小的区域,其变化趋势呈线性。这种变化规律,适用于AMT换挡系统控制,若在大占空比时,占空比变化太快容易引起系统超调和振荡;小占空比时,由于系统本身的原因(小占空比移动慢或保持不动),在靠近0附近占空比变化率大,不影响换挡系统控制。
上述实施方式只用于更清楚的描述本发明,而不能视为限制本发明涵盖的保护范围,任何等价形式的修改都应视为落入本发明涵盖的保护范围之中。
Claims (9)
1.一种AMT变速器换挡执行器换挡力预补偿修正控制方法 ,其特征在于:是将AMT系统总成动态换挡各进程耐久台架试验时通过台架标定获得的输出占空比数据作为输出量,将输出占空比中各影响因子的数据作为输入量通过神经网络算法进行学习,得到各个换挡进程中的各个输入量与该进程输出占空比关系的数学模型,再将该数学模型移植到整车上;换挡时,根据某一挡位某一进程多个影响因子的输入量,通过所述数学模型计算得到即时输出占空比,将即时输出占空比与整车上原有基础标定的既定输出占空比进行权重计算,最终得到电机端的实际输出占空比;同前方法得到该挡位其它进程实际输出占空比;同前方法得到其它挡位各进程实际输出占空比,从而实现控制电机完成整个换挡动作;
上述修正控制方法包括如下步骤:
1)经验数据标定与试验数据集获取:根据过往试验或标定经验,对AMT变速器系统总成动态换挡耐久试验台架换挡时的输出占空比进行标定;运行整个试验台架,待效果理想且运行稳定后,通过信号采集,获取各挡位动态换挡耐久试验的总试验数据集;
2)滤波与分割:对得到的试验数据进行滤波处理,去除信号干扰,然后依据挡位及换挡进程对挡位数据集进行数据分割,提取各挡位各换挡进程试验数据,生成各挡位换挡各进程试验数据集;
3)获取输入量与某一挡位换挡某一进程输出占空比关系的数学模型,步骤如下:
a、获得某一挡位某一进程试验数据集后,根据数学模型值域关系,将输出占空比做归一化处理,使其值落在[-1,1]范围内;
b、构建神经网络算法的学习框架,根据神经网络算法计算公式获取因变量输出占空比关于待定系数的各节点权值及偏置项,确定自变量为输入层各个影响因子的函数关系;
c、将a中作了归一化处理的试验数据集作为训练样本,逐个引入b构建的神经网络算法学习框架,计算得到与输入量一一对应且含有待定系数的输出占空比表达式;
d、基于训练样本数据集中的输出占空比值以及计算得到的输出占空比表达式,
根据一一对应的关系,通过损失函数计算公式,计算得到输出层的总误差函数Loss的表达式;
采用最速下降法,基于总误差函数Loss的表达式,计算得到各待定系数的迭代公式;
e、设定大于0的阈值ε,通过输出层的总误差函数Loss的表达式,利用得到各
待定系数的迭代公式,计算并选取得到的小于阈值ε时的总误差值Loss,从而最终确定某一挡位换挡某一进程的数学模型待定系数,进而确定输入量的各影响因子与输出量输出占空比的数学关系;
4)重复步骤3),得到某一挡位其他几个换挡进程的输入量与输出占空比关系的数学模型,同理得到其余挡位各个换挡进程的输入量与输出占空比关系的数学模型;
5)将学习得到的各挡位的各个进程的输入量与输出占空比关系的数学模型集成并刷写到整车TCU控制系统;
换挡时,TCU控制系统根据目标换挡挡位及其换挡进程,再按数学模型中各影响因子的即时数据信息计算得到当前需要的即时输出占空比,即时输出占空比与整车上原有基础标定的既定输出占空比进行权重计算,最终得到控制电机端的实际输出占空比。
2.如权利要求1所述的AMT变速器换挡执行器换挡力预补偿修正控制方法,其特征在于:所述将输出占空比中各影响因子的数据作为输入量通过神经网络算法进行学习,是将变速箱油温GT、位移传感器AD值SP、传动系统转动惯量MI、换挡电机电流SC、转速差SSD以及同步器热量SYP的数据作为输入量通过神经网络算法进行学习。
3.如权利要求1所述的AMT变速器换挡执行器换挡力预补偿修正控制方法,其特征在于:步骤1)中所述的试验数据集为覆盖AMT变速器产品全生命周期的AMT系统总成动态换挡耐久台架试验数据。
4.如权利要求1所述的AMT变速器换挡执行器换挡力预补偿修正控制方法,其特征在于:步骤2)所述对得到的试验数据进行滤波处理,是采用低通滤波方法,排除因电磁干扰及线束接触不良引起的高频信号干扰。
5.如权利要求1所述的AMT变速器换挡执行器换挡力预补偿修正控制方法,其特征在于:步骤2)所述的依据挡位及换挡进程对挡位数据集进行数据分割,其分割方法是根据换挡位置传感器值、同步器设计及装配值、换挡执行器设计及装配值、变速器速比值、输入轴转速以及输出轴转速传感器值,进行计算及逻辑判断,确定数据所在换挡进程,对数据按换挡进程进行分割。
7.如权利要求1所述的AMT变速器换挡执行器换挡力预补偿修正控制方法,其特征在于:步骤3)b中所述的待定系数的各节点权值及偏置项,将其中隐含层和输出层中每一个节点的每一个输入都配置与之一一对应的权值项和偏置项。
8.如权利要求1所述的AMT变速器换挡执行器换挡力预补偿修正控制方法 ,其特征在于:步骤3)c所述的神经网络算法的学习框架中所引入的实验数据集设置为非线性因素,即双曲正切对称sigmoid型激励函数,使其函数与经验标定输出占空比变化趋势相一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170323.7A CN112212001B (zh) | 2020-10-28 | 2020-10-28 | 一种amt变速器换挡执行器换挡力预补偿修正控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011170323.7A CN112212001B (zh) | 2020-10-28 | 2020-10-28 | 一种amt变速器换挡执行器换挡力预补偿修正控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112212001A CN112212001A (zh) | 2021-01-12 |
CN112212001B true CN112212001B (zh) | 2022-03-01 |
Family
ID=74057246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011170323.7A Active CN112212001B (zh) | 2020-10-28 | 2020-10-28 | 一种amt变速器换挡执行器换挡力预补偿修正控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112212001B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1135586A (zh) * | 1995-03-31 | 1996-11-13 | 奔驰公司 | 汽车自动变速箱换档特性曲线周期匹配方法 |
CN102563036A (zh) * | 2012-02-28 | 2012-07-11 | 湖南大学 | 基于工况与驾驶意图识别的自动变速器智能匹配方法 |
CN106015553A (zh) * | 2015-03-25 | 2016-10-12 | 福特全球技术公司 | 变速器校准工具 |
CN108087539A (zh) * | 2017-12-01 | 2018-05-29 | 南京越博动力系统股份有限公司 | 一种基于硬件在环仿真的变速器模型校准系统及其校准方法 |
CN108488375A (zh) * | 2018-06-19 | 2018-09-04 | 合肥工业大学 | 一种改善加速工况下车辆自动变速器换挡品质的方法 |
CN109882587A (zh) * | 2019-01-31 | 2019-06-14 | 中国北方车辆研究所 | 基于等效阻力系数的特种车辆自动换挡控制系统及方法 |
CN110671493A (zh) * | 2019-09-01 | 2020-01-10 | 重庆大学 | 基于支持向量机算法的双离合变速器离合器转矩智能预测方法 |
CN111561564A (zh) * | 2020-05-31 | 2020-08-21 | 重庆大学 | 基于换挡控制规律的双离合器式自动变速器换挡控制方法 |
-
2020
- 2020-10-28 CN CN202011170323.7A patent/CN112212001B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1135586A (zh) * | 1995-03-31 | 1996-11-13 | 奔驰公司 | 汽车自动变速箱换档特性曲线周期匹配方法 |
CN102563036A (zh) * | 2012-02-28 | 2012-07-11 | 湖南大学 | 基于工况与驾驶意图识别的自动变速器智能匹配方法 |
CN106015553A (zh) * | 2015-03-25 | 2016-10-12 | 福特全球技术公司 | 变速器校准工具 |
CN108087539A (zh) * | 2017-12-01 | 2018-05-29 | 南京越博动力系统股份有限公司 | 一种基于硬件在环仿真的变速器模型校准系统及其校准方法 |
CN108488375A (zh) * | 2018-06-19 | 2018-09-04 | 合肥工业大学 | 一种改善加速工况下车辆自动变速器换挡品质的方法 |
CN109882587A (zh) * | 2019-01-31 | 2019-06-14 | 中国北方车辆研究所 | 基于等效阻力系数的特种车辆自动换挡控制系统及方法 |
CN110671493A (zh) * | 2019-09-01 | 2020-01-10 | 重庆大学 | 基于支持向量机算法的双离合变速器离合器转矩智能预测方法 |
CN111561564A (zh) * | 2020-05-31 | 2020-08-21 | 重庆大学 | 基于换挡控制规律的双离合器式自动变速器换挡控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112212001A (zh) | 2021-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
CN110594317B (zh) | 一种基于双离合器式自动变速器的起步控制策略 | |
CN108533736B (zh) | 一种基于bp神经网络的双离合器自动变速器装置及控制方法 | |
CN112145672A (zh) | 一种汽车发动机转速控制方法 | |
CN113217619B (zh) | 离合器滑摩扭矩的控制方法、装置及电子设备 | |
CN113934183B (zh) | 一种基于改进萤火虫算法的电液伺服系统摩擦补偿方法 | |
CN110758413B (zh) | 一种基于系统参数辨识的列车速度自适应控制方法 | |
CN108549213A (zh) | 一种基于rbf神经网络pid的速比控制方法 | |
CN112228472B (zh) | 一种离合器电磁阀的控制方法 | |
US7920949B2 (en) | Feedback adjustment for open-loop torque control map | |
CN112212001B (zh) | 一种amt变速器换挡执行器换挡力预补偿修正控制方法 | |
CN113280107A (zh) | 一种纯电动商用车电控机械式自动变速器换挡控制方法 | |
CN114548311B (zh) | 基于人工智能的液压设备智能控制系统 | |
CN111814848A (zh) | 一种风电机组温度故障的自适应预警策略设计方法 | |
CN111198501A (zh) | 一种由rbf神经网络确定燃油等效因子的方法 | |
CN103758994A (zh) | 一种自动变速器自适应优化换挡控制方法 | |
Pinte et al. | Learning strategies for wet clutch control | |
Depraetere et al. | Iterative optimization of the filling phase of wet clutches | |
WO2019166196A1 (en) | Method and device for testing a marine transmission | |
Lu et al. | Auto-encoder based fault early warning model for primary fan of power plant | |
CN107842433B (zh) | 发动机油门需求扭矩的在线自学习方法 | |
CN117234065A (zh) | 一种汽车试验台工况动态跟随测试系统及方法 | |
JP4749951B2 (ja) | シミュレーションモデルの同定方法およびそのプログラム | |
CN112684706B (zh) | 一种直驱龙门运动平台的控制方法 | |
CN112329226B (zh) | 双离合变速器的离合器油压传感器数据驱动型预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |