CN112581029A - 一种amt换挡品质评价方法 - Google Patents

一种amt换挡品质评价方法 Download PDF

Info

Publication number
CN112581029A
CN112581029A CN202011596553.XA CN202011596553A CN112581029A CN 112581029 A CN112581029 A CN 112581029A CN 202011596553 A CN202011596553 A CN 202011596553A CN 112581029 A CN112581029 A CN 112581029A
Authority
CN
China
Prior art keywords
evaluation
value
gear shifting
neural network
amt
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.)
Pending
Application number
CN202011596553.XA
Other languages
English (en)
Inventor
陈赵伟
许善珍
王程
时磊
林小虎
朱建辉
戴建国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202011596553.XA priority Critical patent/CN112581029A/zh
Publication of CN112581029A publication Critical patent/CN112581029A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Control Of Transmission Device (AREA)

Abstract

本发明公开了一种AMT换挡品质评价方法，以模式切换时间或换挡时间、纵向加速度波动量、冲击度峰值、冲击度均方根值和动力单元转速波动量作为评价指标，建立并优化基于BP神经网络的输出各指标评价值的换挡标准评价模型，并以数据训练换挡标准评价模型，按照权重计算总客观评价值并与主观评价值比较，得到具有参考价值的换挡标准评价模型。本发明能够对换挡品质作出综合全面的客观评价，对换挡策略的优化更具有参考价值，能根据主观评价不断优化客观评价模型，适用范围广。

Description

一种AMT换挡品质评价方法
技术领域
本发明属于汽车换挡品质评价领域，尤其涉及一种基于神经网络的AMT换挡品质评价方法。
背景技术
装备电控机械式自动变速器(AMT)的混动车辆在实际行驶过程中，会频繁的进行模式切换和换挡操作，在这其中存在的换挡冲击会影响车辆的动力性和舒适性，换挡品质评价包括对换挡过程中对车辆动力性、经济性、噪声以及对车辆燃油消耗与排放等诸多方面的影响的评价，能够衡量AMT的控制品质，对自动变速系统有着十分重要的意义。当前换挡品质评价包括主观评价和客观评价，主观评价是指采用测试人员打分的方法，存在评价周期长，难以量化、易受主观因素影响导致评价与真实情况偏离较大并缺乏对产品的早期开发设计指导的缺点；在客观评价方面，目前的评价指标还集中在冲击度和滑摩功上，建立指标体系以及评价方法的选择上没有做到主客观综合考虑，一方面无法排除主观的不稳定性以及忽略客观数据对换挡品质的真实反映，另一方面又完全局限于数据之中而没有发挥主观经验的指导作用，不足以对AMT的性能进行全面评价。
发明内容
发明目的：本发明的目的是提供一种能够对换挡性能进行全面和准确的客观评价的AMT换挡品质评价方法。
技术方案：本发明的AMT换挡品质评价方法包括如下步骤：
(1)采集评价指标数据作为训练神经网络的样本；
(2)选择评价指标的标准值并分配各评价指标在评价过程中所占的权重；
(3)建立并优化基于BP神经网络的换挡标准评价模型；
(4)以步骤(1)中采集的数据训练步骤(3)中建立的换挡标准评价模型，输出各评价指标的客观评价值；
(5)将各项评价指标的客观评价值根据权重计算总客观评价值，根据总客观评价值和采用专业人员打分法获得的主观评价值的误差判断客观评价值是否可被接受，如可被接受则以客观评价值作为优化AMT的依据，不可被接受则重新进行BP神经网络训练。
评价指标包括用于模式切换时间或换挡时间Δt、纵向加速度波动量Δa、冲击度峰值jmax、冲击度均方根值jrms和动力单元转速波动量Δωe。
步骤(2)中权重分配具体步骤为：将车辆评价标准中主观评价值C与客观评价值T作为同一组数据，对于主观感知因子p、换挡评价标准调整因子q和数据检验参数R2按下式进行幂函数拟合：
C＝pTq
其中p为由若干评价者对各评价指标重要程度给出的人为评价值的均方根值，数据检验参数R2的值作为拟合的决定系数，R2∈[0，1]，在权重分配计算中重要程度I＝I0*q，式中I为评价指标最终在评价体系中的重要程度，I0为每个评价指标初始重要度值，权重分配按下式计算：
Figure BDA0002868328900000021
式中Ri为第i项评价指标的权重，Ii为第i项评价指标的重要程度，n为评价指标的项数。
步骤(3)中的BP神经网络为双隐含层神经网络，其隐含层节点数为通过试凑法选取的与实际值误差最小的期望值。
步骤(4)中，训练换挡标准评价模型之前对样本数据进行归一化处理，归一化处理的公式为：
Figure BDA0002868328900000022
式中xk是各评价标准数据，xmax和xmin是数据的最大值和最小值，
Figure BDA0002868328900000025
是归一化值。
步骤(3)中优化换挡标准评价模型的步骤为：
(31)采用实数对神经网络的权值和阈值进行编码；
(32)对权值和阈值初始化并按下式进行适应度计算：
Figure BDA0002868328900000023
式中yk是BP神经网络的期望输出，
Figure BDA0002868328900000024
是BP神经网络的预测输出，b是神经网络输出节点个数，Z是选取的训练样本个数；
(33)当经过步骤(32)的适应度计算无法得到输出条件时，使用遗传操作对权值和阈值进行优化。
步骤(33)中的遗传操作包括选择操作和交叉操作。
选择操作的步骤如下：
(331)确定初始种群，计算种群内每个个体的适应度值；
(332)将种群内的个体按照适应度由小到大进行排序；
(333)对已排序好的个体按顺序平均分成前、中、后3段，3段种群质量由后到前依次变差；
(334)对每段种群分别按0.6、0.8、1的比例进行选择；选择依据是优者多选，劣者少选，在保存最优区域个体的同时也考虑其余各区间个体保持种群的多样性；
(335)将按比例选择出的个体重新组合到一起形成新种群；
(336)从尾段较优良的个体中随机选取个体数等于原种群损失的个数；
(337)将从尾段中选出的个体插入步骤(335)中所选出的种群结尾得出新种群。
交叉操作首先采用实数单点交叉的方式将一组配对的染色体am和an在第i个基因位进行单点交叉运算，其表达式如下：
Figure BDA0002868328900000031
式中b∈[0，1]；
在单点交叉运算后对染色体的第k个基因Xk进行非均匀变异运算，其表达式如下：
Figure BDA0002868328900000032
式中
Figure BDA0002868328900000033
为第m个个体的第n个基因进行变异的染色体，amax和amin是amn的上限和下限，r2是随机参数，g是当前迭代次数，Gmax是最大进化次数，R∈[0，1]。
有益效果：与现有技术相比，本发明具有如下显著优点：在换挡品质评价上做到了主客观权重相结合，排除了主观因素难以量化、离散大的劣势、在发挥主观经验的指导作用的同时依然重视客观数据对换挡品质的真实反映，能够对换挡品质作出综合全面的客观评价，对换挡策略的优化更具有参考价值，能根据主观评价不断优化客观评价模型，适用范围广。
附图说明
图1为本发明的流程图；
图2为本发明的神经网络结构图；
图3为本发明的客观评价流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
对动力性、传动系统耐久度和舒适性三方面进行综合考量，由于优选AMT汽车换挡过程比AT更复杂，而且换挡中出于动力的中断会导致动力损失，这是AMT换挡容易出现顿挫的直接原因，换挡时应在较短时间内保证控制意图得以顺利实现，因此换挡时间应是重要的评价指标；AMT换挡时离合器元件状态发生变化造成动力中断可能会导致纵向瞬时速度急剧变化，影响舒适性，因此纵向加速度的波动量也应作为评价指标；AMT换挡时冲击度能直接体现在人员的驾乘体验上，并且冲击度只反应换挡时的顿挫，消除了外界因素的影响，能较好的反应车辆运动时的动力学本质，因此冲击度峰值需要作为评价指标；AMT换挡时需要考虑到传动系统的寿命，因此选用冲击度均方根值体现换挡冲击对传动系统的累计损伤，是从侧面反映换挡品质；车辆在模式切换和换挡时，动力单元的转速都会出现变化，而转速变化的波动过大时会出现发动机异常产生噪音，影响舒适性，因此动力单元转速波动量是重要的反应车辆乘坐舒适性的评价指标。
根据城市路况，对于AMT变速箱进行频繁换挡和加减速操作，模拟城市中交通堵塞情况下AMT的实际换挡，并采集汽车以30km/h，60km/h，90km/h平稳行驶相同时间内的模式切换时间或换挡时间Δt、纵向加速度波动量Δa、冲击度峰值jmax、冲击度均方根值jrms和动力单元转速波动量Δωe数据作为训练神经网络的样本。
对上述评价标准制定标准值，对所提出了评价指数在评价标椎中所占的比重值进行划分，确定分数计算公式M＝∑SiRi，Si是第i项标准的得分，Ri是第i项在评价标准中所占的比重，M是评价标准的总分；选用基于KANO模型原理的混动车辆换挡品质评价指标权重分配模型，将车辆评价标准中主观评价值C与客观评价值T作为同一组数据，对于主观感知因子p、换挡评价标准调整因子q和数据检验参数R2按下式进行幂函数拟合：
C＝pTq
p为由若干评价者对各评价指标重要程度给出的人为评价值的均方根值，例如，由多名评价者分别指出的各个评价指标的重要程度，每个指标重要程度使用1-5分进行评比，计算每个指标重要性的均方根值并将其作为p；以数据检验参数d2的值作为拟合的决定系数，d2∈[0，1]，在权重分配计算中重要程度I＝I0*q，式中I为评价指标最终在评价体系中的重要程度，I0为个评价指标初始重要度值，权重分配按下式计算：
Figure BDA0002868328900000041
利用BP神经网络进行客观评价，建立并优化基于BP神经网络的换挡标准评价模型，利用MATLAB神经网络工具箱和遗传算法工具箱GAOT提供的函数，建立基于遗传算法优化BP神经网络的换挡品质客观评价模型。由于双隐含层收敛精度和泛化效果都优于单隐含层，客观评价模型选用双隐含层，隐含层节点数通过试凑法进行，通过两层循环嵌套的编程方法将计算出的期望值与实际值比较选取误差最小的，最终确定神经网络结构为5*12*12*1；训练换挡标准评价模型之前对样本数据进行归一化处理，归一化处理的公式为：
Figure BDA0002868328900000051
式中xk是各评价标准数据，xmax和xmin是数据的最大值和最小值，
Figure BDA0002868328900000055
是归一化值。
优化换挡标准评价模型的步骤为：
采用实数对神经网络的权值和阈值进行编码；
对权值和阈值初始化并按下式进行适应度计算：
Figure BDA0002868328900000052
式中yk是BP神经网络的期望输出，
Figure BDA0002868328900000053
是BP神经网络的预测输出，b是神经网络输出节点个数，Z是选取的训练样本个数；
当经过适应度计算无法得到输出条件时，使用遗传操作对权值和阈值进行优化。遗传操作包括选择操作和交叉操作。选择操作的步骤如下：
确定初始种群，计算种群内每个个体的适应度值；
将种群内的个体按照适应度由小到大进行排序；
对已排序好的个体按顺序平均分成前、中、后3段，3段种群质量由后到前依次变差；
每段分别按0.6、0.8、1的比例进行选择；选择依据是优者多选，劣者少选，在保存最优区域个体的同时也考虑其余各区间个体保持种群的多样性；
将按比例选择出的个体重新组合到一起形成新种群；
从尾段较优良的个体中随机选取个体数等于原种群损失的个数；
将从尾段中选出的个体插入步骤(335)中所选出的种群结尾得出新种群。
交叉操作首先采用实数单点交叉的方式将一组配对的染色am和an在第i个基因位进行单点交叉运算，其表达式如下：
Figure BDA0002868328900000054
式中b∈[0，1]；
在单点交叉运算后对染色体的第k个基因Xk进行非均匀变异运算，其表达式如下：
Figure BDA0002868328900000061
式中amax和amin是amn的上限和下限，r2是随机参数，g是当前迭代次数，Gmax是最大进化次数，R∈[0，1]。
以采集的评价指标数据训练已建立的换挡标准评价模型，输出各评价指标的客观评价值；
将各项评价指标的客观评价值根据权重计算总客观评价值，根据总客观评价值和采用专业人员打分法获得的主观评价值的误差判断客观评价值是否可被接受，如可被接受则以经过训练的换挡标准评价模型作为优化AMT换挡策略的依据，不可被接受则重新进行BP神经网络训练。主观评价表如表1所示。
表1换挡品质主观评价表
评价等级 优秀 良好 中等 合格 差
分数 9 8 7 6 5

Claims (9)

1.一种AMT换挡品质评价方法，其特征在于，所述方法包括如下步骤：
(1)采集评价指标数据作为训练神经网络的样本；
(2)选择评价指标的标准值并分配各评价指标在评价过程中所占的权重；
(3)建立并优化基于BP神经网络的换挡标准评价模型；
(4)以步骤(1)中采集的数据训练步骤(3)中建立的换挡标准评价模型，输出各评价指标的客观评价值；
(5)将各项评价指标的客观评价值根据权重计算总客观评价值，根据总客观评价值和采用专业人员打分法获得的主观评价值的误差判断客观评价值是否可被接受，如可被接受则以客观评价值作为优化AMT的依据，不可被接受则重新进行BP神经网络训练。
2.根据权利要求1所述的AMT换挡品质评价方法，其特征在于，所述评价指标包括用于模式切换时间或换挡时间Δt、纵向加速度波动量Δa、冲击度峰值jmax、冲击度均方根值jrms和动力单元转速波动量Δωe。
3.根据权利要求1所述的AMT换挡品质评价方法，其特征在于，所述步骤(2)中权重分配具体步骤为：将车辆评价标准中主观评价值C与客观评价值T作为同一组数据，对于主观感知因子p、换挡评价标准调整因子q和数据检验参数R2按下式进行幂函数拟合：
C＝pTq
其中p为由若干评价者对各评价指标重要程度给出的人为评价值的均方根值，数据检验参数R2的值作为拟合的决定系数，R2∈[0，1]，在权重分配计算中重要程度I＝I0*q，式中I为评价指标最终在评价体系中的重要程度，I0为每个评价指标初始重要度值，权重分配按下式计算：
Figure FDA0002868328890000011
式中Ri为第i项评价指标的权重，Ii为第i项评价指标的重要程度，n为评价指标的项数。
4.根据权利要求1所述的AMT换挡品质评价方法，其特征在于，所述步骤(3)中的BP神经网络为双隐含层神经网络，其隐含层节点数为通过试凑法选取的与实际值误差最小的期望值。
5.根据权利要求1所述的AMT换挡品质评价方法，其特征在于，所述步骤(4)中，训练换挡标准评价模型之前对样本数据进行归一化处理，归一化处理的公式为：
Figure FDA0002868328890000021
式中xk是各评价标准数据，xmax和xmin是数据的最大值和最小值，
Figure FDA0002868328890000022
是归一化值。
6.根据权利要求1所述的AMT换挡品质评价方法，其特征在于，所述步骤(3)中优化换挡标准评价模型的步骤为：
(31)采用实数对神经网络的权值和阈值进行编码；
(32)对权值和阈值初始化并按下式进行适应度计算：
Figure FDA0002868328890000023
式中yk是BP神经网络的期望输出，
Figure FDA0002868328890000024
是BP神经网络的预测输出，b是神经网络输出节点个数，Z是选取的训练样本个数；
(33)当经过步骤(32)的适应度计算无法得到输出条件时，使用遗传操作对权值和阈值进行优化。
7.根据权利要求6所述的AMT换挡品质评价方法，其特征在于，所述步骤(33)中的遗传操作包括选择操作和交叉操作。
8.根据权利要求7所述的AMT换挡品质评价方法，其特征在于，所述选择操作的步骤如下：
(331)确定初始种群，计算种群内每个个体的适应度值；
(332)将种群内的个体按照适应度由小到大进行排序；
(333)对已排序好的个体按顺序平均分成前、中、后3段，3段种群质量由后到前依次变差；
(334)对每段种群分别按0.6、0.8、1的比例进行选择；选择依据是优者多选，劣者少选，在保存最优区域个体的同时也考虑其余各区间个体保持种群的多样性；
(335)将按比例选择出的个体重新组合到一起形成新种群；
(336)从尾段较优良的个体中随机选取个体数等于原种群损失的个数；
(337)将从尾段中选出的个体插入步骤(335)中所选出的种群结尾得出新种群。
9.根据权利要求7所述的AMT换挡品质评价方法，其特征在于，所述交叉操作首先采用实数单点交叉的方式将一组配对的染色体am和an在第i个基因位进行单点交叉运算，其表达式如下：
Figure FDA0002868328890000025
式中b∈[0，1]；
在单点交叉运算后对染色体的第k个基因Xk进行非均匀变异运算，其表达式如下：
Figure FDA0002868328890000031
式中
Figure FDA0002868328890000032
为第m个个体的第n个基因进行变异的染色体，amax和amin是amn的上限和下限，r2是随机参数，g是当前迭代次数，Gmax是最大进化次数，R∈[0，1]。
CN202011596553.XA 2020-12-29 2020-12-29 一种amt换挡品质评价方法 Pending CN112581029A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011596553.XA CN112581029A (zh) 2020-12-29 2020-12-29 一种amt换挡品质评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011596553.XA CN112581029A (zh) 2020-12-29 2020-12-29 一种amt换挡品质评价方法

Publications (1)

Publication Number Publication Date
CN112581029A true CN112581029A (zh) 2021-03-30

Family

ID=75144010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011596553.XA Pending CN112581029A (zh) 2020-12-29 2020-12-29 一种amt换挡品质评价方法

Country Status (1)

Country Link
CN (1) CN112581029A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113390649A (zh) * 2021-05-28 2021-09-14 联合汽车电子有限公司 新能源车辆性能分析方法、装置及存储介质
CN113742841A (zh) * 2021-08-20 2021-12-03 麦格纳动力总成(江西)有限公司 汽车的换挡性能测试方法、装置、存储介质及计算机设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101118620A (zh) * 2007-09-18 2008-02-06 吉林大学 基于神经网络的车辆换档品质评价方法
US20080300747A1 (en) * 2007-06-01 2008-12-04 Gm Global Technology Operations, Inc. Real time transmission shift quality detection and evaluation utilizing transmission output shaft acceleration
KR20090034434A (ko) * 2007-10-04 2009-04-08 현대자동차주식회사 파워오프 업시프트시 변속쇼크 제어방법
CN108020427A (zh) * 2017-11-21 2018-05-11 合肥安知信息科技有限公司 一种基于ga-bp神经网络的纯电动汽车换挡品质评价方法
CN109902441A (zh) * 2019-03-27 2019-06-18 中国第一汽车股份有限公司 一种基于kano模型原理的车辆性能指标权重分配系统及方法
CN110550034A (zh) * 2019-08-28 2019-12-10 河北师范大学 一种纯电动汽车两档amt综合换挡方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080300747A1 (en) * 2007-06-01 2008-12-04 Gm Global Technology Operations, Inc. Real time transmission shift quality detection and evaluation utilizing transmission output shaft acceleration
CN101118620A (zh) * 2007-09-18 2008-02-06 吉林大学 基于神经网络的车辆换档品质评价方法
KR20090034434A (ko) * 2007-10-04 2009-04-08 현대자동차주식회사 파워오프 업시프트시 변속쇼크 제어방법
CN108020427A (zh) * 2017-11-21 2018-05-11 合肥安知信息科技有限公司 一种基于ga-bp神经网络的纯电动汽车换挡品质评价方法
CN109902441A (zh) * 2019-03-27 2019-06-18 中国第一汽车股份有限公司 一种基于kano模型原理的车辆性能指标权重分配系统及方法
CN110550034A (zh) * 2019-08-28 2019-12-10 河北师范大学 一种纯电动汽车两档amt综合换挡方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
程晓娟著: "《面向设计的产品生命周期成本控制研究》", 31 March 2017, 西安交通大学出版社 *
高运广等: "《组合导航智能容错与故障检测方法》", 30 July 2019, 西安电子科技大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113390649A (zh) * 2021-05-28 2021-09-14 联合汽车电子有限公司 新能源车辆性能分析方法、装置及存储介质
CN113742841A (zh) * 2021-08-20 2021-12-03 麦格纳动力总成(江西)有限公司 汽车的换挡性能测试方法、装置、存储介质及计算机设备
CN113742841B (zh) * 2021-08-20 2024-02-23 麦格纳动力总成(江西)有限公司 汽车的换挡性能测试方法、装置、存储介质及计算机设备

Similar Documents

Publication Publication Date Title
CN108020427B (zh) 一种基于ga-bp神经网络的纯电动汽车换挡品质评价方法
JP6898101B2 (ja) 車両のエネルギー効率を分析するためのシステムおよび方法
CN111267638B (zh) 一种商用车山路工况驾驶的控制方法、系统、设备及介质
CN112581029A (zh) 一种amt换挡品质评价方法
CN113361150B (zh) 一种城市列车运行多目标优化方法及系统
CN108595853B (zh) 一种基于遗传算法的并联混合动力汽车参数优化设计方法
CN108333921B (zh) 基于动态规划算法的汽车换挡规律优化方法
CN111619545A (zh) 基于交通信息的混合动力汽车能量管理方法
CN110717218B (zh) 一种电驱动车辆分布式动力驱动系统重构控制方法及车辆
JP2017512954A (ja) 自動車のトランスミッションのシフト挙動を評価するための方法
CN110550034A (zh) 一种纯电动汽车两档amt综合换挡方法
CN112429005B (zh) 考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用
CN110594317B (zh) 一种基于双离合器式自动变速器的起步控制策略
CN107730049B (zh) 电动汽车快速充电最优位置选择方法
CN112950128A (zh) 一种基于大数据融合的智能物流运输系统及方法
CN109703548A (zh) 一种基于混合动力的汽车动力分配方法
CN111597750A (zh) 一种基于bp神经网络的混合动力汽车能量管理方法
CN116029611A (zh) 一种燃料电池混合动力系统综合性能测试评价方法
Zhao et al. Composite braking AMT shift strategy for extended-range heavy commercial electric vehicle based on LHMM/ANFIS braking intention identification
CN110007598B (zh) 一种基于代理模型的自动变速器控制参数预标定方法
CN114821854A (zh) 一种工况切换对车辆油耗影响评估方法
CN111999651B (zh) 一种纯电动汽车用锂离子电池的功率性能测试方法
CN116538286A (zh) 一种计及nvh特性的商用车换挡系统及方法
CN110641470B (zh) 一种融合驾驶员偏好的纯电动汽车驾驶辅助系统优化方法
Zhang et al. Shift quality evaluation system based on neural network for DCT vehicles

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210330