CN112329226B

CN112329226B - 双离合变速器的离合器油压传感器数据驱动型预测方法

Info

Publication number: CN112329226B
Application number: CN202011201196.2A
Authority: CN
Inventors: 吴光强; 曾翔; 吕志超; 王超; 陈凯旋; 石秀勇; 鞠丽娟
Original assignee: Nanchang Intelligent New Energy Vehicle Research Institute
Current assignee: Nanchang Intelligent New Energy Vehicle Research Institute
Priority date: 2020-11-02
Filing date: 2020-11-02
Publication date: 2023-04-18
Anticipated expiration: 2040-11-02
Also published as: CN112329226A

Abstract

本发明属于双离合变速器的离合器油压传感器数据处理领域，尤其是涉及一种用于双离合变速器的离合器油压传感器数据驱动型预测方法，包括如下步骤：第1步：实时数据采集；第2步：采用CART决策树模型将数据进行分类；第3步：构建油压预测模型；第4步：数据验证。基于大量的实车数据，能准确预测在各个工况下离合器油压的大小；基于台架数据可以使得模型考虑预充油等非常见工况下的油压预测，具有较好的适应性；决策树模型具有较好的扩展性，能考虑预充油工况下，将决策树模型由两分类模型扩展为三分类模型，这使得该预测方法对于不同的工况下均能得到一个较好的效果。

Description

双离合变速器的离合器油压传感器数据驱动型预测方法

技术领域

本发明属于双离合变速器的离合器油压传感器数据处理领域，具体为双离合变速器的离合器油压传感器数据驱动型预测方法。

背景技术

双离合变速器DCT(Dual Cluth Transmission)具有换挡时动力不中断，传动效率高等优点，近年来发展迅速。在DCT的控制系统中，离合器控制是至关重要的一环，直接影响到整车起步和换挡性能，一个准确的离合器油压信号对于离合器的闭环控制必不可少。然而，由于工作环境恶劣，传感器在极端工况下会出现不可预知的故障，导致TCU难以执行精确的离合器控制，甚至导致发动机熄火。传感器冗余是解决这一问题的常用方法，然而由于成本原因，硬件冗余少有采用，因此，急需一种虚拟传感器预测方法，将该方法应用在DCT离合器油压传感器的故障诊断和主动容错策略中，要求该预测方法可以准确预测多个工况下的离合器油压和变化趋势并提供给控制系统。

现有的关于离合器油压预测的方法多是针对AT、AMT，且多采用基于动力学模型的油压预测方法。这种基于物理模型的方法需要基于精确的、复杂的非线性动力学模型，然而为了求解，往往需要对模型进行大量的假设和简化，这给准确预测离合器油压带来了很大的局限性，使得包括离合器在内的变速器控制系统与期望表现存在较大偏差。同时，尽管是已经简化后的模型，仍然具有大量的矩阵运算，这对于TCU处理单元来说是不能接受的。数据驱动型的方法对物理模型依赖小，避免了分析强非线性系统带来的系列问题，且基于大量数据集训练出来的模型可以生成离线模型，减轻了TCU的运算负担。但是基于数据的油压预测方法多是集中于柴油机油压预测，发动机喷油嘴油压预测等问题中，少有专门针对DCT离合器油压的数据驱动预测方法。

发明内容

本发明的目的在于提出的预测方法可以得到离合器不同状态下的离线预测模型，针对不同离合器状态下的模型选择，采用CART决策树训练后的结果直接进行判别。

本发明的技术方案是：双离合变速器的离合器油压传感器数据驱动型预测方法，包括如下步骤：

第1步：实时数据采集；

第2步：采用CART决策树模型将数据进行分类；

第3步：构建油压预测模型；

第4步：数据验证。

进一步地，第1步的数据源自实车数据采集，相应地，所述第3步：构建油压预测模型数据包括在挡行驶数据和换挡过程数据，输出的模型包括在挡行驶离合器油压模型和换挡过程离合器油压模型；所述第4步：数据验证为实车采集数据多工况验证。

进一步地，第1步的数据源自台架数据采集，相应地，所述第3步：构建油压预测模型数据包括在挡行驶数据、换挡过程数据和预充油过程数据，输出的模型包括在挡行驶离合器油压模型、换挡过程离合器油压模型和预充油过程离合器油压模型；所述第4步：数据验证为考虑预充油工况的数据验证。

进一步地，将第1步实时采集到的数据作为数据集D，数据集划分为m个类别的特征；当数据集纯度高于预设值，表示该数据集以及不需要进行分类，将该数据集作为一类；每次迭代将每个类别需要分类的数据集看作D，分类好的数据集视为D1、D2，直到所有数据集纯度高于预设值；在计算过程中，基尼系数的表达式：

D表示数据集、A_m表示数据的特征；

P_D,Di(i＝1,2)表示数据集D中上述两种类别的数据集分别所占的比例。

与现有技术相比，本发明具备以下有益效果：

(1)基于大量的实车数据，此方法可以准确预测在各个工况下离合器油压的大小。基于台架数据可以使得模型考虑预充油等非常见工况下的油压预测，具有较好的适应性。

(2)基于此方法得到的预测模型可以作为离线模型直接嵌入到TCU中进行运算，避免了传统预测方法的复杂运算带来的TCU负荷。

(3)决策树模型具有较好的扩展性，如当考虑预充油等不常见工况时，可以将决策树模型由两分类模型扩展为三分类模型，这使得该预测方法对于不同的工况下均能得到一个较好的效果。

附图说明

图1为本发明双离合变速器的离合器油压传感器数据驱动型预测方法的流程图；

图2为本发明双离合变速器的离合器油压传感器数据驱动型预测方法决策树分类过程示意图；

图3为频繁换档情况下离合器1的实际油压曲线和估测油压曲线对比图；

图4为频繁换档情况下离合器2的实际油压曲线和估测油压曲线对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本领域普通技术人员在没有做出创造性劳动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。

请参阅图1和图2，本发明的技术方案是：为了获得原始数据，驾驶装备了DCT的实验车辆在总长度为93km的道路上进行了实车实验。对于考虑预充油工况，如图1第1步虚线部分所示，其数据集来源于台架数据采集到的数据。该段路面分为九段，包括有市区(24km)，郊区(25km)，山路(9.5km)和城市高快速路面(34km)共五种工况，基本上涵盖了用户大部分常见的驾驶环境。驾驶员按照要求，在2.5h的时间内，分别完成了起步，正常升挡，在特定挡位行驶和正常降挡的驾驶情景。以10Hz的频率从CAN-BUS上获取了12个相关的特征信号包括奇数轴离合器油压、偶数轴离合器油压、发动机输出轴转速、奇数输入轴转速、偶数输入轴转速、当前挡位、预换的目标挡位、车轮轮速和4个同步器位置传感器信号。

如图1中第2步所示，第1步采集到的数据作为数据集D，数据集划分为8个类别的特征(A_m＝{A₁,A₂,A₃,A₄,A₅,A₆,A₇,A₈})，A₁代表奇数轴离合器油压信号数据；A₂代表偶数轴离合器油压信号数据；A₃代表发动机输出轴转速数据；A₄代表奇数输入轴转速信号数据；A₅代表偶数输入轴转速信号数据；A₆代表当前挡位信号数据；A₇代表预换的目标挡位信号数据；A₈代表车轮轮速信号数据，将原始数据集分成两类数据集，分别是在挡行驶的数据集和换挡过程数据集。P_D,Di(i＝1,2)表示数据集D中上述两种类别的数据集分别所占的比例；基于某个特征将数据集D划分为D1，D2，

表示D1占原始数据集的比例；

表示D2占原始数据集的比例；Gini(D_i)(i＝0,1,2)表示数据集D、D1、D2的基尼系数，该系数越低代表数据集纯度越高，当数据集纯度高于预设值，表示该数据集以及不需要进行分类，将该数据集作为一类，每次迭代将每个需要分类的数据集看作D，分类好的数据集视为D1、D2，直到所有数据集纯度高于预设值。在计算过程中，基尼系数的表达式如下：

如图2所示代表一个实际的CART决策树的分类过程，节点1作为初始数据集D，包含2811个类别1数据和636个类别2数据，基于特征A₂将之划分为节点1和节点2分别包含数据集D1、D2。对于节点1，此时纯度低于预设值，处理过程中将之迭代为新的数据集D，基于特征A₁可以将之分类为节点3和节点4，此时节点3和节点4对应的数据纯度均高于预设值，因此，可以停止迭代，此时节点3内所有数据被认为是类别1，而节点4内所有数据被认为是类别2。相似的，节点2也可以按照上述的步骤进行分类，直到节点5和节点6满足要求停止迭代。

对于考虑预充油工况，如图1中的虚线所示过程，第1步所采集到的台架数据，作为数据集D，数据集划分为8个类别的特征(A_m＝{A₁,A₂,A₃,A₄,A₅,A₆,A₇,A₈})，A₁代表奇数轴离合器油压信号数据；A₂代表偶数轴离合器油压信号数据；A₃代表发动机输出轴转速数据；A₄代表奇数输入轴转速信号数据；A₅代表偶数输入轴转速信号数据；A₆代表当前挡位信号数据；A₇代表预换的目标挡位信号数据；A₈代表车轮轮速信号数据，分别是在挡行驶的数据集和换挡过程数据集以及离合器工作在预充油的工况下数据集，基于CART决策树的分类方法与上述两数据集的分类方法一样。

如图1中第3步所示，对第2步所得到的不同类别的数据进行分别预测。离合器油压关于上述采集到的各个信号是非线性的，为了实现对非线性的描述，基于上述的12个基本特征，创造出与离合器油压相关的共49个特征X_i(i＝1,...,49)；为了防止量纲不同造成的影响，对特征进行标准化，进行标准化后的49个特征表述为Z_i(i＝1,...,49)；

代表特征i的平均值；σ_i代表特征i的标准差。

为了表征各个特征与离合器油压之间的相关性程度，分别计算不同特征之间的相关系数，将他们分别组合起来得到本问题的相关系数矩阵。

其中，R_ij代表两两特征之间的相关系数，R表示相关系数矩阵。T＝50代表即将预测的离合器油压。

然后，计算得出的相关系数矩阵被用于计算每个特征对离合器油压的贡献系数P_j：

根据算出各个特征的贡献系数P_j，再计算各个特征的F检验的统计量。P_v表示未被引入计算的特征中贡献系数最大值；P_w表示引入计算的特征中贡献系数最小值；F_in表示待引入变量的F检验值；F_out表示待剔除变量的F检验值；f₁、f₂表示样本的两个自由度；

f₁＝1

f₂＝n-k-1(k＝49)

满足F检验的特征将被引入或从已引入的变量中剔除，当无新的变量被引入或者被剔除，将计算离合器油压值关于各个被引入变量的系数值。

如图3-4所示，是某个数据集下，驾驶员离合器1和离合器2的实际油压曲线和估测油压曲线对比图曲线。可以看出：挡位变化过程中，实际传感器得到的油压值和基于预测模型得到的油压值具有较高的一致性。预测精度达到95.19％，最大偏差在0.8bar以内，1bar＝0.1Mpa。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。

尽管已经描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims

1.一种用于双离合变速器的离合器油压传感器数据驱动型预测方法，其特征在于：包括如下步骤：

步骤1：实时数据采集，包含实车数据采集或台架数据采集，当不考虑预充油工况时，采用实车数据采集；当考虑预充油工况时，采用台架数据采集；所述实时数据采集包含以10Hz的频率从CAN-BUS上采集奇数轴离合器油压、偶数轴离合器油压、发动机输出轴转速、奇数输入轴转速、偶数输入轴转速、当前挡位、预换的目标挡位、车轮轮速和4个同步器位置传感器信号；

步骤2：采用CART决策树模型将数据进行分类，将步骤1采集到的实时数据作为数据集D，选取数据集D的8个类别的特征{A _m= A _1, A _2, A _3, A _4, A _5, A _6, A _7, A ₈}，其中：A ₁代表奇数轴离合器油压信号；A ₂代表偶数轴离合器油压信号；A ₃代表发动机输出轴转速信号；A ₄代表奇数轴输入轴转速信号；A ₅代表偶数轴输入轴转速信号；A ₆代表当前挡位信号；A ₇代表预换的目标档位信号；A ₈代表车轮转速信号，作为划分的依据依次进行以最小基尼值为目标的CART决策树训练，训练完成后，当实时数据采集实车数据时，CART决策树模型能够对数据集分为在挡行驶数据和换挡行驶数据；当实时数据采集台架数据时，CART决策树模型能够对数据集分为在挡行驶数据、换挡行驶数据和预充油过程数据；

步骤3：采用逐步回归方法构建油压预测模型，按照逐步回归方程，当实时数据采集实车数据时，构建在挡行驶离合器油压模型和换挡过程离合器油压模型；当实时数据采集台架数据时，构建在挡行驶离合器油压模型和换挡过程离合器油压模型以及预充油过程离合器油压模型；

步骤4：数据验证，当实时数据采集实车数据时，对在挡行驶离合器油压模型和换挡过程离合器油压模型进行实车数据采集多工况验证；当实时数据采集台架数据时，对在挡行驶离合器油压模型和换挡过程离合器油压模型以及预充油过程离合器油压模型进行考虑预充油工况的台架验证。