CN113324026A - 一种基于模糊神经网络的自动换挡控制方法 - Google Patents

Abstract

本发明公开了一种基于模糊神经网络的自动换挡控制方法，包括以下步骤：采集优秀驾驶员驾驶车辆在不同油门开度以及行驶车速下对应的挡位值；选用T‑S模型进行模糊神经网络控制器设计，将采集的车速、加速踏板开度以及对应的挡位信息作为训练样本，对训练模型进行训练；将训练好的模型嵌入换挡控制器中，当实际加速踏板开度和车速输入至换挡控制器，经过计算输出目标挡位；输出的挡位信息作用到实车系统，从而实现控制输出。本发明集成使用模糊算法和神经网络算法，经过训练的模型可使用少量的模糊规则生成复杂的非线性函数，从优秀驾驶员操作角度进行参数辨识与整定，提高整车驾驶性。

Description

一种基于模糊神经网络的自动换挡控制方法

技术领域

本发明涉及汽车控制技术领域，尤其涉及一种自动变速器换挡控制方法，具体为一种基于优秀驾驶员驾驶行为模型的模糊神经网络自动换挡控制方法。

背景技术

车辆动力性、经济性以及舒适性是衡量与评价车辆的重要指标，这不仅取决于发动机的优劣，而且与变速器的性能也息息相关。目前自动变速器换挡控制基本都是基于加速踏板和车辆速度两个参数，当某一油门开度下，车速大于或者小于设定的阈值后，变速器实施升档或者降档操作。主要采用两种换挡点计算方法：第一种根据车辆相邻挡位驱动力曲线计算最优换挡点；第二种是根据优秀的驾驶员操作习惯制定换挡曲线。

国内对自动换挡策略的方法主要集中在控制策略上，且常使用神经网络算法和模糊算法。从提高算法收敛速度、提高车辆动力性、增加车辆变速器系统对外部干扰的鲁棒性等方面进行改进，进行算法集成控制策略较少。因此，自动变速器换挡控制方法需要进一步关注。

发明内容

本发明针对目前存在的问题，提供了一种将T-S模糊神经网络算法应用到自动换挡控制上的方法，集成使用模糊算法和神经网络算法，经过训练的模型可使用少量的模糊规则生成复杂的非线性函数，从优秀驾驶员操作角度进行参数辨识与整定，提高整车驾驶性。

本发明的目的是通过以下技术方案实现的：

一种基于模糊神经网络的自动换挡控制方法，包括以下步骤：

步骤一、采集优秀驾驶员驾驶车辆在不同油门开度以及行驶车速下对应的挡位值；

步骤二、选用T-S模型进行模糊神经网络控制器设计，将采集的车速、加速踏板开度以及对应的挡位信息作为训练样本，对训练模型进行训练；

模糊神经网络控制器设计包括以下步骤：

2.1)前端网络计算；

2.2)后端网络计算；

2.3)针对模糊神经网络自整定参数进行优化

2.4)前端网络中隶属度函数用于定义横轴位置的中心参数c_ij和定义模糊集宽度的参数σ_ij的自整定算法；

2.5)后端网络中用于后端BP结构神经网络的连接权值q_ij的自整定算法；

步骤三、将训练好的模型嵌入换挡控制器中，当实际加速踏板开度和车速输入至换挡控制器，经过计算输出目标挡位；

步骤四、输出的挡位信息作用到实车系统，从而实现控制输出。

进一步地，所述步骤2.1)前端网络计算包括：

前端网络分为四层，用于模糊控制规则自整定：

第一层为输入层，控制变量为油门踏板开度、车速，作为模糊神经网络训练的输入样本；第一层存在2个神经元，记作：

x＝[x₁,x₂]^T

其中，x₁,x₂分别表示当前车辆的油门踏板开度、车速的真实输入值；

第二层为隶属度函数分配层，将油门踏板开度、车速划分为三个语言变量，选用高斯隶属度函数进行模糊化处理；其中，油门踏板开度的初始论域设置为[0,1]，语言合集定义为[L(低),M(中),H(高)]；实际车速初始论域设置为[0,250]，语言合集定义为[L(低),M(中),H(高)]；

前端网络的隶属度函数层共计6个神经元，记作：

其中，i表示第一层节点产生的值的序号，j表示模糊集合个数；

第三层为模糊推理层，每个节点仅与上一层每个节点的其中一个模糊集合进行关联，共计存在9个节点，即神经网络控制器同时存在9条模糊推理规则；依据匹配规则，计算上述9个节点的适应度值，记作：

其中，α_j表示第j层的适应度，i₁，i₂分别表示第二层隶属度分配标准下个数，j＝9，依据隶属度函数定义可知，当训练数据或给定输入在高斯函数赋值附近，对应的语言变量达到较大的值，因此模糊推理方法能够将满足给定输入下的数据计算及筛选。

第四层实现归一化处理，计算公式为：

进一步地，所述2.2)后端网络计算包括：

后端网络分为三层，用于参数归一化处理，其结构与BP神经网络一致：

第一层为输入层，该层共设计3个处理节点节点，其中包含系统输入量以及用于产生常数项的输入恒值；

第二层为隐藏层，相应的节点与模糊推理规则对应，同样具有9个节点，用于计算条件规则的后端值，记作：

y_j＝q_j0+q_j1x₁+q_j2x₂

第三层为输出层，经过模糊神经网络计算后的输出值只有1个，即目标挡位；控制器使用加权求和的方式计算最终输出变量：

进一步地，所述2.3)针对模糊神经网络自整定参数进行优化包括：

令误差函数为：

其中，t表示系统期望输出，y表示系统实际输出。

进一步地，所述2.4)中，前端网络c_ij和σ_ij的自整定算法为：

(a)正向传递信息

第一层，接收系统输入：

第二层，完成变量模糊化处理，选用高斯函数：

其中，i＝1,2,3…n；j＝1,2,3…m分别表示第i个输入节点经过模糊化处理生成j个模糊合集，c_ij,σ_ij分别表示生成高斯隶属度函数的中心值和宽度值。

第三层，实现模糊推理过程：

第四层，解模糊归一化过程：

第五层，与后端网络共同作用：

(b)误差反向传播

第五层权值系数修正公式为：

其中，β为学习率。

则，第五层反馈误差信号为：

此时第五层对前一层权值系数满足：

按照相同构造方式依次向前传递：

当f³计算使用乘法计算中间偏差偏导时，有：

经由上式，可以计算出隶属层参数的梯度，有：

考虑学习率，将学习率代入上式，则有：

因此，自整定的参数c_ij、σ_ij的学习算法可表达为：

进一步地，所述2.5)中，后端网络q_ij的自整定算法包括：

其中：i＝1,2,3…n；j＝1,2,3…m，则有

进一步地，所述步骤二中，T-S模糊神经网络选用高斯隶属度函数进行模糊化处理。使得处理后分布在两端的数据获得较小的隶属度被剔除。

附图说明

图1为本发明模糊神经网络自动换挡原理

图2为本发明学习与训练算法原理

图3为本发明T-S模糊神经网络自学习方法示意图

图4为本发明不同迭代次数与训练精度误差图

具体实施方式

下面结合附图对本发明所提出的技术方案做出进一步阐述和说明。

本发明提出一种基于模糊神经网络方法的自动变速器换挡控制策略，以优秀驾驶员驾驶习惯为训练样本，完成换挡图谱的训练并使用至换挡控制器中，如图1所示，具体包括以下内容：

步骤一：采集优秀驾驶员驾驶车辆在不同油门开度以及行驶车速下对应的挡位值。

步骤二：将采集的车速、加速踏板开度以及对应的挡位信息作为训练样本，对训练模型进行训练，如图2所示。选用T-S模型进行模糊神经网络控制器设计，控制器主要分为两部分，第一部分是后端网络，目的是用于规范输出；第二部分是前端网络，目的是用于模糊规则匹配。如图3所示，具体包括：

(1)前端网络计算

前端网络分为四层，用于模糊控制规则自整定：

第一层为输入层。用于将系统中准确的控制变量输入至下一层，本发明控制变量为：油门踏板开度、车速，作为模糊神经网络训练的输入样本。第一层存在2个神经元，记作：

x＝[x₁,x₂]^T

其中，x₁,x₂分别表示当前车辆的油门踏板开度、车速的真实输入值。

第二层为隶属度函数分配层，用于将第一层输入的精确变量转化成模糊控制变量。将油门踏板开度、车速划分为三个语言变量，选用高斯隶属度函数进行模糊化处理。其中油门踏板开度的初始论域设置为[0,1]，语言合集定义为[L(低),M(中),H(高)]；实际车速初始论域设置为[0,250]，语言合集定义为[L(低),M(中),H(高)]。

前端网络的隶属度函数层共计6个神经元，记作：

其中，i表示第一层节点产生的值的序号，j表示模糊集合个数。

第三层为模糊推理层，每个节点与仅与上一层每个节点的其中一个模糊集合进行关联，共计存在9个节点，说明神经网络控制器同时存在9条模糊推理规则。依据匹配规则，计算上述9个节点的适应度值，记作：

其中，α_j表示第j层的适应度，i₁，i₂分别表示第二层隶属度分配标准下个数，j＝9。依据隶属度函数定义可知，当训练数据或给定输入在高斯函数赋值附近，对应的语言变量达到较大的值，因此模糊推理方法能够将满足给定输入下的数据计算及筛选。

第四层实现归一化处理。为保证控输出变量一致性，计算公式为：

(2)后端网络计算

后端网络分为三层，用于参数归一化处理，其结构与BP神经网络一致：

第一层为输入层。该层共设计3个处理节点节点，其中包含系统输入量以及用于产生常数项的输入恒值。

第二层为隐藏层，相应的节点与模糊推理规则对应，同样具有9个节点，用于计算条件规则的后端值。记作：

y_j＝q_j0+q_j1x₁+q_j2x₂

第三层为输出层。经过模糊神经网络计算后的输出值只有1个，即目标挡位。控制器使用加权求和的方式计算最终输出变量。

模糊神经网络再进行控制时需要进行自整定的参数分别为：隶属度函数用于定义横轴位置的中心参数c_ij和定义模糊集宽度的参数σ_ij，用于后端BP结构神经网络的连接权值q_ij。

进一步针对模糊神经网络自整定参数进行优化：

令误差函数为：

其中，t表示系统期望输出，y表示系统实际输出。

(3)前端网络c_ij和σ_ij的自整定算法

(a)正向传递信息

第一层，接收系统输入：

第二层，完成变量模糊化处理，选用高斯函数：

其中，i＝1,2,3…n；j＝1,2,3…m分别表示第i个输入节点经过模糊化处理生成j个模糊合集，c_ij,σ_ij分别表示生成高斯隶属度函数的中心值和宽度值。

第三层，实现模糊推理过程：

第四层，解模糊归一化过程：

第五层，与后端网络共同作用：

(b)误差反向传播

第五层权值系数修正公式为：

其中，β为学习率。

则，第五层反馈误差信号为：

此时第五层对前一层权值系数满足：

按照相同构造方式依次向前传递：

当f³计算使用乘法计算中间偏差偏导时，有：

经由上式，可以计算出隶属层参数的梯度，有：

考虑学习率，将学习率代入上式，则有：

因此，自整定的参数c_ij、σ_ij的学习算法可表达为：

(4)后端网络q_ij的自整定算法

其中：i＝1,2,3…n；j＝1,2,3…m，则有

步骤三：将训练好的模型嵌入换挡控制器中，当实际加速踏板开度和车速输入至换挡控制器，经过计算输出目标挡位。

步骤四：输出的挡位信息作用到实车系统，从而实现控制输出。

下面给出本发明所提供技术方案的仿真实验数据。

首先针对不同迭代次数和训练精度下模糊神经网络方法的误差。如图4所示为模糊神经网络达到系统设计要求后的均方误差与迭代次数之间的关系。由图4可知本发明设计的模糊神经网络经过1000次迭代计算后，均方误差降低至0.1一下；经过2000次迭代计算后，均方误差减小至0.0001以下。并且随着迭代次数的增加，模糊神经网络经过参数调整的最终模型处于收敛状态，学习能力较强。相同学习率条件下，控制器选择的迭代次数参数越大，控制器学习后误差越小，当迭代次数达到2000左右时，系统误差基本稳定在±0.01范围内，但迭代次数过大容易导致系统训练时间过长。随后选取优秀驾驶员的驾驶换挡图谱，选取其中的数据采样点进行模型训练，可得到模型训练后的实际挡位以及训练误差。

Claims (7)

1.一种基于模糊神经网络的自动换挡控制方法，其特征在于，包括以下步骤：

步骤一、采集优秀驾驶员驾驶车辆在不同油门开度以及行驶车速下对应的挡位值；

步骤二、选用T-S模型进行模糊神经网络控制器设计，将采集的车速、加速踏板开度以及对应的挡位信息作为训练样本，对训练模型进行训练；

模糊神经网络控制器设计包括以下步骤：

2.1)前端网络计算；

2.2)后端网络计算；

2.3)针对模糊神经网络自整定参数进行优化；

2.4)前端网络中隶属度函数用于定义横轴位置的中心参数c_ij和定义模糊集宽度的参数σ_ij的自整定算法；

2.5)后端网络中用于后端BP结构神经网络的连接权值q_ij的自整定算法；

步骤三、将训练好的模型嵌入换挡控制器中，当实际加速踏板开度和车速输入至换挡控制器，经过计算输出目标挡位；

步骤四、输出的挡位信息作用到实车系统，从而实现控制输出。

2.如权利要求1所述的一种基于模糊神经网络的自动换挡控制方法，其特征在于，所述步骤2.1)前端网络计算包括：

前端网络分为四层，用于模糊控制规则自整定：

第一层为输入层，控制变量为油门踏板开度、车速，作为模糊神经网络训练的输入样本；第一层存在2个神经元，记作：

x＝[x₁，x₂]^T

其中，x₁，x₂分别表示当前车辆的油门踏板开度、车速的真实输入值；

第二层为隶属度函数分配层，将油门踏板开度、车速划分为三个语言变量，选用高斯隶属度函数进行模糊化处理；其中，油门踏板开度的初始论域设置为[0,1]，语言合集定义为[L(低),M(中),H(高)]；实际车速初始论域设置为[0,250]，语言合集定义为[L(低),M(中),H(高)]；

前端网络的隶属度函数层共计6个神经元，记作：

其中，i表示第一层节点产生的值的序号，j表示模糊集合个数；

第三层为模糊推理层，每个节点仅与上一层每个节点的其中一个模糊集合进行关联，共计存在9个节点，即神经网络控制器同时存在9条模糊推理规则；依据匹配规则，计算上述9个节点的适应度值，记作：

其中，α_j表示第j层的适应度，i₁，i₂分别表示第二层隶属度分配标准下个数，j＝9，依据隶属度函数定义可知，当训练数据或给定输入在高斯函数赋值附近，对应的语言变量达到较大的值；

第四层实现归一化处理，计算公式为：

3.如权利要求1所述的一种基于模糊神经网络的自动换挡控制方法，其特征在于，所述2.2)后端网络计算包括：

后端网络分为三层，用于参数归一化处理，其结构与BP神经网络一致：

第一层为输入层，该层共设计3个处理节点节点，其中包含系统输入量以及用于产生常数项的输入恒值；

第二层为隐藏层，相应的节点与模糊推理规则对应，同样具有9个节点，用于计算条件规则的后端值，记作：

y_j＝q_j0+q_j1x₁+q_j2x₂

第三层为输出层，经过模糊神经网络计算后的输出值只有1个，即目标挡位；控制器使用加权求和的方式计算最终输出变量：

4.如权利要求1所述的一种基于模糊神经网络的自动换挡控制方法，其特征在于，所述2.3)针对模糊神经网络自整定参数进行优化包括：

令误差函数为：

其中，t表示系统期望输出，y表示系统实际输出。

5.如权利要求1所述的一种基于模糊神经网络的自动换挡控制方法，其特征在于，所述2.4)中，前端网络c_ij和σ_ij的自整定算法为：

(a)正向传递信息

第一层，接收系统输入：

第二层，完成变量模糊化处理，选用高斯函数：

其中，i＝1，2，3…n；j＝1，2,3…m分别表示第i个输入节点经过模糊化处理生成j个模糊合集，c_ij,σ_ij分别表示生成高斯隶属度函数的中心值和宽度值；

第三层，实现模糊推理过程：

第四层，解模糊归一化过程：

第五层，与后端网络共同作用：

(b)误差反向传播

第五层权值系数修正公式为：

其中，β为学习率；

则，第五层反馈误差信号为：

此时第五层对前一层权值系数满足：

按照相同构造方式依次向前传递：

当f³计算使用乘法计算中间偏差偏导时，有：

经由上式，可以计算出隶属层参数的梯度，有：

考虑学习率，将学习率代入上式，则有：

因此，自整定的参数c_ij、σ_ij的学习算法表达为：

6.如权利要求1所述的一种基于模糊神经网络的自动换挡控制方法，其特征在于，所述2.5)中，后端网络q_ij的自整定算法包括：

其中：i＝1,2,3…n；j＝1,2,3…m，则有

7.如权利要求1所述的一种基于模糊神经网络的自动换挡控制方法，其特征在于，所述步骤二中，T-S模糊神经网络选用高斯隶属度函数进行模糊化处理。

Images