CN113217619B - 离合器滑摩扭矩的控制方法、装置及电子设备 - Google Patents
离合器滑摩扭矩的控制方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113217619B CN113217619B CN202110266958.5A CN202110266958A CN113217619B CN 113217619 B CN113217619 B CN 113217619B CN 202110266958 A CN202110266958 A CN 202110266958A CN 113217619 B CN113217619 B CN 113217619B
- Authority
- CN
- China
- Prior art keywords
- clutch
- output
- torque
- calculating
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 43
- 210000002569 neuron Anatomy 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 230000000644 propagated effect Effects 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 230000008859 change Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 9
- 238000012937 correction Methods 0.000 description 5
- 239000003921 oil Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 239000010720 hydraulic oil Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
-
- 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
- F16D—COUPLINGS FOR TRANSMITTING ROTATION; CLUTCHES; BRAKES
- F16D25/00—Fluid-actuated clutches
- F16D25/12—Details not specific to one of the before-mentioned types
- F16D25/14—Fluid pressure control
-
- 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
- F16H61/0021—Generation or control of line pressure
-
- 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
- F16H2061/0087—Adaptive control, e.g. the control parameters adapted by learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/62—Hybrid vehicles
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Fluid Mechanics (AREA)
- Hydraulic Clutches, Magnetic Clutches, Fluid Clutches, And Fluid Joints (AREA)
Abstract
本发明提供离合器滑摩扭矩的控制方法、装置及电子设备。其中，离合器滑摩扭矩的控制方法包括：通过神经网络模型表达并存储离合器滑摩扭矩和多个影响因素之间的强非线性关系；获取离合器目标滑摩扭矩及其影响因素的值，令所述神经网络模型据以输出相应的离合器目标压力，以供用于计算出电磁阀目标电流，对离合器进行控制。本发明用较小的存储空间表达了更加完整的离合器滑摩扭矩特性，极大地减少了存储空间，并且利用神经网络的特点对离合器复杂扭矩特性进行在线自学习，以适应离合器总成制造装配的个体偏差，以及长期使用后的性能变化。
Description
技术领域
本发明涉及离合器控制技术领域，特别是涉及离合器滑摩扭矩的控制方法、装置及电子设备。
背景技术
在传统的自动变速箱以及专用混动变速箱中，湿式离合器都得到了广泛的应用。通过湿式离合器，不但可以实现不同的传动比，还能实现发动机和变速箱的锁止和分离。
随着人们对驾驶平顺性的要求越来越高，湿式离合器滑摩扭矩的控制也需要越来越精确。在TCU(变速箱控制器)中，通常将湿式离合器的目标滑摩扭矩先转化为湿式离合器的目标压力，再根据目标压力计算电磁阀的目标电流。湿式离合器的滑摩，是一个典型的摩擦学问题，离合器的滑摩扭矩，除了主要受活塞腔压力的影响外，还受活塞腔转速，离合器转速差，润滑油温度，离合器温度等多种因素的影响，呈现出多维的强非线性的关系，很难用简单的数学公式来描述。
此外，离合器扭矩还存在滞环特性(离合器压力在上升过程和下降过程中，相同的离合器压力下，离合器扭矩存在一定的偏差，主要由离合器回位弹簧的压力位移的迟滞特性，密封元件不同方向的静摩擦力引起)。
因此，能否完整的存储多维的离合器扭矩特性，并据此准确的计算离合器目标压力对离合器的控制品质有很大的影响。
此外，离合器是一个精密的液压系统，包括液压油路的加工，液压油路和密封元件的装配，活塞和摩擦片等元件的加工和装配，以及弹簧元件均不可避免的存在个体差异。在不同离合器压力范围内，摩擦片和对偶钢片之间的存油程度的不同，还分别存在着液体摩擦，干摩擦和混合摩擦，不同的摩擦形式，摩擦特性也有所不同。
此外，离合器在长时间使用后，所有元件均存在不同程度的磨损和特性变化，进而引起离合器扭矩特性的变化，特性改变的元件不同，离合器扭矩特性变化的趋势也有所不同，能否及时、准确的完成对离合器扭矩特性的自学习，对离合器的控制精度也同样重要。
目前，在行业内，基本上只考虑活塞腔压力和离合器转速差对离合器滑摩扭矩的影响，通过一个二维表将离合器的滑摩扭矩特性存储在TCU(变速箱控制器)中。根据离合器的目标扭矩进行查表，获得离合器的目标压力。通常根据特定自学习工况下离合器的估计扭矩，来修正表格中工作压力相邻的两个点的离合器扭矩值。
现有技术存在以下缺点：
第一，因为离合器的扭矩特性，受很多因素的影响，如果要对离合器扭矩特性进行完整的表达，这就要求在TCU(变速箱控制器中)中通过非常多的表格(包括基础表格以及修正表格)来存储这些信息，假设考虑的影响因素为n，并且，每个影响因素的工作点为x，则需要x(n-2)个二维表格才能完整的对离合器扭矩特性进行表达；
第二，即使通过大量的表格对离合器扭矩特性进行较完整的存储，也很难对所有的二维表格进行自学习，通常只对扭矩-压力特性进行自学习。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供离合器滑摩扭矩的控制方法、装置及电子设备，用于解决现有技术中的以上不足。
为实现上述目的及其他相关目的，本发明提供一种离合器滑摩扭矩的控制方法，包括：通过神经网络模型表达并存储离合器滑摩扭矩和多个影响因素之间的强非线性关系；获取离合器目标滑摩扭矩及其影响因素的值，令所述神经网络模型据以输出相应的离合器目标压力，以供用于计算出电磁阀目标电流，对离合器进行控制。
于本发明一实施例中，所述神经网络模型对离合器滑摩扭矩特性进行离线学习的步骤包括：初始化权值阈值；输入训练样本；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值；判断样本是否全部数据训练完毕；若否，则返回所述输出训练样本的步骤；若是，则判断误差是否满足要求；若满足，则训练结束；若不满足，则更新训练步骤开始新一轮训练。
于本发明一实施例中，所述神经网络模型对离合器滑摩扭矩特性进行在线学习的步骤包括：判断是否开始自学习；若是，则向离线学习后的所述神经网络模型输入训练样本；所述训练样本包括估计的离合器滑摩扭矩及其各影响因素的值；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值。
于本发明一实施例中，在完成所述在线学习的步骤之后，或者，若所述判断是否开始自学习的判断结果为否，所述方法还包括以下步骤：获取输入信号；其中，所述输入信号包括所述离合器目标扭矩及其各影响因素的值；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出，以得到所述离合器目标压力。
为实现上述目的及其他相关目的，本发明提供一种离合器滑摩扭矩的控制装置，包括：扭矩存储模块，用于通过神经网络模型表达并存储离合器滑摩扭矩及所述离合器滑摩扭矩的多个影响因素之间的多维强非线性关系；扭矩输出模块，用于获取离合器目标滑摩扭矩及其影响因素的值，令所述神经网络模型据以输出相应的离合器目标压力，以供用于计算出电磁阀目标电流，对离合器进行控制。
于本发明一实施例中，所述神经网络模型对离合器滑摩扭矩特性进行离线学习的实现方式包括：初始化权值阈值；输入训练样本；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值；判断样本是否全部数据训练完毕；若否，则返回所述输出训练样本的步骤；若是，则判断误差是否满足要求；若满足，则训练结束；若不满足，则更新训练步骤开始新一轮训练。
于本发明一实施例中，所述神经网络模型对离合器滑摩扭矩特性进行在线学习的实现方式包括：判断是否开始自学习；若是，则向离线学习后的所述神经网络模型输入训练样本；所述训练样本包括估计的离合器滑摩扭矩及其各影响因素的值；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值。
于本发明一实施例中，在完成所述在线学习的步骤之后，或者，若所述判断是否开始自学习的判断结果为否，所述扭矩输出模块还用于：获取输入信号；其中，所述输入信号包括所述离合器目标扭矩及其各影响因素的值；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出，以得到所述离合器目标压力。
为实现上述目的及其他相关目的，本发明提供一种电子设备，包括：处理器及存储器；其中，所述存储器用于存储计算机程序；所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如上所述的方法。
如上所述，本发明的离合器滑摩扭矩的控制方法、装置及电子设备，通过BP神经网络来表达离合器多变量强非线性的扭矩特性，通过有限的神经网络的权重和阈值，来表达丰富的离合器滑摩扭矩的特性，相对于只用单一二维表格的表达方式，用较小的存储空间表达了更加完整的扭矩特性，相对于使用繁多二维表格的表达方式，极大的减少了存储空间，并且利用神经网络的特点可以对离合器复杂扭矩特性进行在线自学习，以适应离合器总成制造装配的个体偏差，以及长期使用后的性能变化。
附图说明
图1显示为本发明一实施例中离合器滑摩扭矩的控制方法的流程示意图。
图2显示为本发明一实施例中BP神经网络的信号流示意图。
图3显示为本发明一实施例中BP神经网络模型对离合器滑摩扭矩特性进行离线学习的流程图。
图4显示为本发明一实施例中BP神经网络模型对离合器滑摩扭矩特性进行在线学习的流程图。
图5显示为本发明一实施例中离合器滑摩扭矩的控制装置的模块示意图。
图6显示为本发明一实施例中电子设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图1所示，鉴于现有技术中的不足，本申请提供一种离合器滑摩扭矩的控制方法，包括以下步骤：
S11：通过神经网络模型表达并存储离合器滑摩扭矩及所述离合器滑摩扭矩的多个影响因素之间的多维强非线性关系；
S12：获取离合器目标滑摩扭矩及其影响因素的值，令所述神经网络模型据以输出相应的离合器目标压力，以供用于计算出电磁阀目标电流，对离合器进行控制。
如图2所示，所述神经网络模型具体采用BP神经网络。BP神经网络的层与层之间有两种信号在传播：一种是工作信号，它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数，根据离合器目标扭矩，油温，离合器转速差等输入信号，计算离合器目标压力，属于信号的前向传播过程；另一种是误差信号，网络实际输出与期望输出间的差值为误差，它由输出端开始逐层向后传播，根据(观测器估计的)离合器实际扭矩，油温，离合器转速差等输入信号，计算得到期望的离合器压力，与实测的离合器压力之间的差值为神经网络的误差，根据该误差，首先由输出层开始逐层计算各层神经元的输出误差，然后根据梯度下降法来调节各层的权值和阈值，是修改后网络的最终输出能接近期望值，完成离合器压力-扭矩特性的自学习过程。
如图3所示，所述神经网络模型对离合器滑摩扭矩特性进行离线学习的步骤包括：
S31：初始化权值阈值；
S32：输入训练样本；
S33：计算隐含层各神经元的输入输出；
具体的，隐含层第i个节点的输入neti：
其中，M为输入层节点数量，输入分别为离合器目标滑摩扭矩，离合器转速差，油温等信号，xj为隐含层第j个输入，ωij为第j个输入节点和第i个隐含层节点连接的权重，θi为第i个隐含层节点的阈值；
隐含层第i个节点的输出yi:
其中，φ(·)是隐含层第i个节点的激活函数；
S34：计算输出层神经元的输入输出；
具体的，输出层的输入net：
其中，q为输出层输入的数量(即隐含层节点数量)，yi为输出层第i个输入，ωi为输出层输出和第i个隐含层节点连接的权重，a为输出层节点的阈值；
输出层只有一个节点，输出层节点的输出为prs：
其中，ψ(·)是输出层的激活函数；
S35：计算输出层误差；
S36：计算隐含层误差；
S37：修正输出层、隐含层的权值和阈值；
具体的，对P个训练样本的总误差准则函数为：
其中，
prsp分别是第p个样本的离合器目标压力和离合器实际压力；
在最初对离合器滑摩扭矩的神经网络模型进行离线学习，以及之后在整车上对神经网络模型进行在线自学习的时候，根据误差梯度下降法依次修正输出层权值的修正量Δωi，输出层阈值的修正量Δa，隐含层权值的修正量Δωij，隐含层阈值的修正量Δθi：
S38：判断样本是否全部数据训练完毕；若否，则返回所述输出训练样本的步骤S32；若是，则执行步骤S39；
S39：判断误差是否满足要求；若满足，则训练结束；若不满足，则更新训练步骤开始新一轮训练，即返回步骤S32。
如图4所示，所述神经网络模型对离合器滑摩扭矩特性进行在线学习的步骤包括：
S41：判断是否开始自学习；若是，则执行步骤S42；若否，则执行步骤：首先，获取输入信号；所述输入信号包括所述离合器目标扭矩及其各影响因素的值；其次，计算隐含层各神经元的输入输出；再次，计算输出层神经元的输入输出，以得到所述离合器目标压力；
S42：向离线学习后的所述神经网络模型输入训练样本；所述训练样本包括估计的离合器滑摩扭矩及其各影响因素的值；
S43：计算隐含层各神经元的输入输出；
S44：计算输出层神经元的输入输出；
S45：计算输出层误差；
S46：计算隐含层误差；
S47：修正输出层、隐含层的权值和阈值。
由于BP神经网络模型的在线学习与离线学习的过程相似，故于此不再对重复的技术细节做重复赘述，具体可参见离线学习的原理介绍。
除此之外，在步骤S47之后，执行以下步骤：
首先，获取输入信号；所述输入信号包括所述离合器目标扭矩及其各影响因素的值；
其次，计算隐含层各神经元的输入输出；
再次，计算输出层神经元的输入输出，以得到所述离合器目标压力。
本发明采用了BP神经网络来表征离合器滑摩扭矩的复杂特性，只需要存储较少的神经网络的阈值和权值，而传统方法通常只能考虑一到两个最主要的因素对离合器扭矩的影响，而忽略其他的因素，因为即使用二维表格组合的方法，也很难将离合器滑摩扭矩的完整特性表达出来，并且需要占用大量的存储空间。此外，用二维表格组合的传统方法，无法对离合器的复杂特性进行必要的自学习。和传统方法相比，本发明用很少的存储空间表达了离合器滑完整的滑摩扭矩特性。
此外，用二维表格组合的传统方法，因为通过每个工况只能调整表格中和工作点相邻两个值，要实现对离合器扭矩特性完整的自学习过程，需要根据表格中设置的间隔点设计一系列的自学习工况点，而在整车运行中自学习的工况点并不是总能出现，因此，难以实现完整的自学习过程。本发明可以在任意滑摩工况下，实现对离合器滑摩扭矩的在线自学习，任意工况下学习的结果均会调整神经网络所有的参数(权值和阈值)，从而调整对整个离合器扭矩的神经网络模型，从而简化了离合器滑摩扭矩特性的在线自学习过程，从而提高了离合器滑摩扭矩控制的精度和鲁棒性。
实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成，详细而言，在实际应用中，离合器扭矩控制里提到的离线计算通常是在电脑里进行，而离合器扭矩控制里提到的在线计算通常是在变速箱控制器里进行，但不以此为限。
参阅图5，本实施例提供一种离合器滑摩扭矩的控制装置50，由于本实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。本实施例的装置50包括如下模块：
扭矩存储模块51，用于通过神经网络模型表达并存储离合器滑摩扭矩和多个影响因素之间的强非线性关系；
扭矩输出模块52，用于获取离合器目标滑摩扭矩及其影响因素的值，令所述神经网络模型据以输出相应的离合器目标压力，以供用于计算出电磁阀目标电流，对离合器进行控制。
于本发明一实施例中，所述神经网络模型对离合器滑摩扭矩特性进行离线学习的实现方式包括：初始化权值阈值；输入训练样本；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值；判断样本是否全部数据训练完毕；若否，则返回所述输出训练样本的步骤；若是，则判断误差是否满足要求；若满足，则训练结束；若不满足，则更新训练步骤开始新一轮训练。
于本发明一实施例中，所述神经网络模型对离合器滑摩扭矩特性进行在线学习的实现方式包括：判断是否开始自学习；若是，则向离线学习后的所述神经网络模型输入训练样本；所述训练样本包括估计的离合器滑摩扭矩及其各影响因素的值；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值。
于本发明一实施例中，在完成所述在线学习的步骤之后，或者，若所述判断是否开始自学习的判断结果为否，所述扭矩输出模块52还用于：获取输入信号；其中，所述输入信号包括所述离合器目标扭矩及其各影响因素的值；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出，以得到所述离合器目标压力。
本领域技术人员应当理解，图5实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个或多个物理实体上。且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。
参阅图6，本实施例提供一种电子设备，详细的，该电子设备至少包括通过总线连接的：存储器、处理器，其中，存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。
上述提到的系统总线可以是整车上的CAN(Controller Area Network)总线，它是ISO国际标准化的串行通信协议。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。上述的处理器可以是变速箱控制器，Transmission Control Unit，简称TCU。
综上，本发明的离合器滑摩扭矩的控制方法、装置及电子设备，通过在TCU(变速箱控制器)中用BP神经网络作为数学模型来表达离合器扭矩和压力、离合器转速差、油温、离合器温度等影响因素之间复杂的多维度强非线性关系，用较少的存储空间来实现对离合器滑摩扭矩特性更完成的表达，根据离合器目标扭矩更加准确的计算离合器目标压力，提高离合器扭矩的控制精度，从而提高了整车驾驶和换挡的平顺性等控制品质；此外，利用BP神经网络的特点，可以进行离合器复杂扭矩特性的在线自学习，以适应离合器总成制造和装配的个体差异以及长时间使用后摩擦损耗引起的特性变化，保证控制的鲁棒性，有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种离合器滑摩扭矩的控制方法，其特征在于，包括：
通过神经网络模型表达并存储离合器滑摩扭矩和多个影响因素之间的强非线性关系；所述神经网络模型是通过层与层之间的前向传播的工作信号与后向传播的误差信号的调节，其中，所述工作信号，是施加根据包括离合器目标扭矩的输入信号后，向前传播到输出端产生实际输出，计算离合器目标压力的信号；所述误差信号，是由输出端向后传播的，根据包括离合器实际扭矩的输入信号计算得到期望的离合器压力，与实测的离合器压力之间的差值信号；通过对差值信号的调节，得到能接近的期望值，最终完成离合器压力-扭矩特性的自学习过程；
所述自学习过程包括：神经网络模型对离合器滑摩扭矩特性进行在线学习过程；
所述神经网络模型对离合器滑摩扭矩特性进行在线学习的步骤包括：判断是否开始自学习；若是，则向离线学习后的所述神经网络模型输入训练样本；所述训练样本包括估计的离合器滑摩扭矩及其各影响因素的值；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值；获取离合器目标滑摩扭矩及其影响因素的值，令所述神经网络模型据以输出相应的离合器目标压力，以供用于计算出电磁阀目标电流，对离合器进行控制。
2.根据权利要求1所述的方法，其特征在于，所述神经网络模型对离合器滑摩扭矩特性进行离线学习的步骤包括：
初始化权值阈值；输入训练样本；
计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；
计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值；
判断样本是否全部数据训练完毕；若否，则返回所述输入训练样本的步骤；若是，则判断误差是否满足要求；若满足，则训练结束；若不满足，则更新训练步骤开始新一轮训练。
3.根据权利要求1所述的方法，其特征在于，在完成所述在线学习的步骤之后，或者，若所述判断是否开始自学习的判断结果为否，所述方法还包括以下步骤：
获取输入信号；其中，所述输入信号包括所述离合器目标扭矩及其各影响因素的值；
计算隐含层各神经元的输入输出；
计算输出层神经元的输入输出，以得到所述离合器目标压力。
4.一种离合器滑摩扭矩的控制装置，其特征在于，包括：
扭矩存储模块，用于通过神经网络模型表达并存储离合器滑摩扭矩及所述离合器滑摩扭矩的多个影响因素之间的强非线性关系；所述神经网络模型是通过层与层之间的前向传播的工作信号与后向传播的误差信号的调节，其中，所述工作信号，是施加根据包括离合器目标扭矩的输入信号后，向前传播到输出端产生实际输出，计算离合器目标压力的信号；所述误差信号，是由输出端向后传播的，根据包括离合器实际扭矩的输入信号计算得到期望的离合器压力，与实测的离合器压力之间的差值信号；通过差值信号的调节，得到能接近的期望值，最终完成离合器压力-扭矩特性的自学习过程；所述自学习过程包括：神经网络模型对离合器滑摩扭矩特性进行在线学习过程；
所述神经网络模型对离合器滑摩扭矩特性进行在线学习的实现方式包括：判断是否开始自学习；若是，则向离线学习后的所述神经网络模型输入训练样本；所述训练样本包括估计的离合器滑摩扭矩及其各影响因素的值；计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值；
扭矩输出模块，用于获取离合器目标滑摩扭矩及其影响因素的值，令所述神经网络模型据以输出相应的离合器目标压力，以供用于计算出电磁阀目标电流，对离合器进行控制。
5.根据权利要求4所述的装置，其特征在于，所述神经网络模型对离合器滑摩扭矩特性进行离线学习的实现方式包括：
初始化权值阈值；输入训练样本；
计算隐含层各神经元的输入输出；计算输出层神经元的输入输出；
计算输出层误差；计算隐含层误差；修正输出层、隐含层的权值和阈值；
判断样本是否全部数据训练完毕；若否，则返回所述输入训练样本的步骤；若是，则判断误差是否满足要求；若满足，则训练结束；若不满足，则更新训练步骤开始新一轮训练。
6.根据权利要求4所述的装置，其特征在于，在完成所述在线学习的步骤之后，或者，若所述判断是否开始自学习的判断结果为否，所述扭矩输出模块还用于：
获取输入信号；其中，所述输入信号包括所述离合器目标扭矩及其各影响因素的值；
计算隐含层各神经元的输入输出；
计算输出层神经元的输入输出，以得到所述离合器目标压力。
7.一种电子设备，其特征在于，包括：处理器及存储器；其中，
所述存储器用于存储计算机程序；
所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如权利要求1至3中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110266958.5A CN113217619B (zh) | 2021-03-11 | 2021-03-11 | 离合器滑摩扭矩的控制方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110266958.5A CN113217619B (zh) | 2021-03-11 | 2021-03-11 | 离合器滑摩扭矩的控制方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113217619A CN113217619A (zh) | 2021-08-06 |
| CN113217619B true CN113217619B (zh) | 2022-09-09 |
Family
ID=77083632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110266958.5A Active CN113217619B (zh) | 2021-03-11 | 2021-03-11 | 离合器滑摩扭矩的控制方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113217619B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11977818B2 (en) | 2021-02-22 | 2024-05-07 | Ford Global Technologies, Llc | Method for identifying wet clutch design requirements based on stochastic simulations |
| US11995923B2 (en) * | 2021-03-25 | 2024-05-28 | Ford Global Technologies, Llc | Vehicle powertrain control system |
| CN113915249B (zh) * | 2021-10-29 | 2023-11-24 | 江苏大学 | 基于模糊神经网络的湿式离合器状态识别方法 |
| CN113915250B (zh) * | 2021-10-29 | 2024-02-02 | 江苏大学 | 基于状态识别的湿式离合器智能控制系统和控制方法 |
| CN115045927B (zh) * | 2022-05-09 | 2023-11-17 | 潍柴动力股份有限公司 | 离合器滑摩点的存储方法、存储装置与处理器 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7643925B2 (en) * | 2004-03-24 | 2010-01-05 | Gm Global Technology Operations, Inc. | Automatic transmission clutch timing optimization apparatus and method |
| CN108533736B (zh) * | 2018-04-04 | 2019-12-27 | 吉林大学 | 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 |
| CN111561564B (zh) * | 2020-05-31 | 2021-09-17 | 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 |
| CN112329342B (zh) * | 2020-11-02 | 2023-05-23 | 北京信息科技大学 | 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质 |
-
2021
- 2021-03-11 CN CN202110266958.5A patent/CN113217619B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113217619A (zh) | 2021-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113217619B (zh) | 离合器滑摩扭矩的控制方法、装置及电子设备 | |
| US9963150B2 (en) | Propulsion system control with MPC | |
| US10358140B2 (en) | Linearized model based powertrain MPC | |
| Zhao et al. | Estimation of torque transmitted by clutch during shifting process for dry dual clutch transmission | |
| CN104345639B (zh) | 一种电液位置伺服系统鲁棒自适应控制方法 | |
| US10125712B2 (en) | Torque security of MPC-based powertrain control | |
| CN103629341A (zh) | 一种湿式双离合器自动变速箱电磁阀特性曲线补偿方法 | |
| US10399574B2 (en) | Fuel economy optimization using air-per-cylinder (APC) in MPC-based powertrain control | |
| CN105843043B (zh) | 一种电液负载模拟装置自适应鲁棒力控制方法 | |
| Eckert et al. | Vehicle gear shifting strategy optimization with respect to performance and fuel consumption | |
| CN104698844A (zh) | 液压位置伺服系统的不确定性补偿的滑模控制方法 | |
| CN112228472B (zh) | 一种离合器电磁阀的控制方法 | |
| CN108533736A (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 | |
| CN112096696A (zh) | 泵控非对称液压位置系统自适应反演控制方法 | |
| Liu et al. | Improved clutch slip control for automated transmissions | |
| Zeng et al. | DDPG-based continuous thickness and tension coupling control for the unsteady cold rolling process | |
| KR102463470B1 (ko) | 파워 트레인의 통합 제어 방법 및 통합 제어기 | |
| JP5461081B2 (ja) | 自動車の自動化されたトランスミッションシステムのクラッチの閉じる段階を制御する方法 | |
| CN107741542A (zh) | 一种液力自动变速器的电流压力离线学习方法及测试系统 | |
| US11261961B2 (en) | Method for automated calibration and adaptation of automatic transmission controllers | |
| CN108509735A (zh) | 一种缸套-活塞环磨合状态预测方法 | |
| Gao et al. | Model-based control of automotive step-ratio transmissions | |
| CN113915249B (zh) | 基于模糊神经网络的湿式离合器状态识别方法 | |
| CN112196996B (zh) | 一种装载机变速箱离合器接合控制方法及其系统 | |
| Arı et al. | Dynamic modeling, clutch parameter adaptation, and control of automatic transmission for tracked 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |