CN114115373A - 一种摩擦离合器的接合压力控制方法 - Google Patents

Abstract

本发明公开了一种摩擦离合器的接合压力控制方法，包括建立高转速差摩擦离合器的动力学模型，生成初始数据集；建立变斜率式接合压力方程；选取初始参数，采用多因素分析获取特征值，并从初始数据集中选取变斜率式接合压力控制方法的冲击扭矩及接合时间，生成训练数据集；对训练数据集进行回归训练，得到预测模型；采用预测模型对待控制摩擦离合器的初始参数进行求解，直到获取最终优化目标，并对摩擦离合器的接合压力进行控制。本发明对变斜率式压力的设计参数进行了优化设计。考虑了接合过程摩擦系数变化大、冲击波动大、非线性特征复杂等问题，能够同时减小离合器接合过程中的冲击扭矩及接合时间，准确可靠，提高了离合器接合过程中的稳定性。

Description

一种摩擦离合器的接合压力控制方法

技术领域

本发明属于离合器控制领域，具体涉及一种摩擦离合器的接合压力控制方法。

背景技术

摩擦离合器的可传递转矩大、结构简单，是航空飞行器动力系统的关键部件，其接合过程中的动力学特性直接影响航空飞行器的灵活性、平稳性和安全性。在高转速差接合情况下，摩擦离合器接合过程转速变化大、接合冲击大、非线性因素复杂，且在恒速率压紧力加载下冲击扭矩与接合时间呈反比，即减小接合时间，冲击扭矩会增大，反之亦然。而实现摩擦离合器在高转速差接合状态下的平稳和快速接合对提高航空飞行器飞行性能尤为重要。

摩擦离合器的压力控制一直是离合器接合控制的主要控制优化方向，通过分析离合器接合过程中的主/从动盘转速、摩擦扭矩和冲击扭矩，以接合时间或者冲击扭矩作为最终的优化目标，对离合器接合压力进行控制优化。但是目前研究主要以汽车摩擦离合器为研究对象，最高转速1000～2200rpm，处于低转速段，且优化目标为单一指标，不太适用于航空飞行器这种需要离合器高速运行的情况。压力的控制方案对接合时间、冲击扭矩以及滑摩功影响较大。在离合器实际的使用情况中，常用的压力接合方式是匀速加载至最大值，这种接合方案下，压力加载时间短，接合时间短，冲击扭矩高。然而在航空航天领域，需要离合器在短时间内接合，同时使得冲击扭矩较小。

对于离合器的控制，学者们做了许多研究，CN110594317A公开了一种基于双离合器式自动变速器的起步控制策略。其控制步骤如下：1)、建立双离合器式自动变速器起步过程的动力传动模型；2)、从动力传动模型中采集最优起步过程控制策略数据，将采集的数据导入自适应模糊神经网络工具箱中，学习优秀驾驶员的控制策略；3)、采用多目标粒子群优化算法，对模糊神经网络学习后的数据进行优化。在体现起步意图的同时，使冲击度和滑磨功达到最优平衡，从而实现车辆快速平稳的起步。但是其应用中接合转速为2000rpm以下，处于中低转速，不能控制高转速下的离合器接合过程。

CN102705398A公开了一种离合器同步冲击的控制方法，其根据滑磨转速及滑磨转速变化率的变化确定离合器的接合位置即在离合器开始接合的阶段控制离合器执行机构正向运动，使接合位置迅速减小、快速增大摩擦扭矩,尽量缩短此阶段的滑磨时间、降低滑磨功当接近同步时,即滑磨转速达到一定值时控制离合器执行机构反向运动，使接合位置增大、降低同步前的摩擦扭矩。从而降低离合器接合过程的同步冲击。这种方法使得接合压力在离合器滑摩阶段的压力快速增长，在即将接合完成时，减缓压力增长，从而达到缩短接合时间，同时控制同步冲击。其中离合器最高转速为2000rpm，且不适用于高转速下非线性因素复杂的情况，接合压力控制不准确。

发明内容

本发明的目的在于提供一种摩擦离合器的接合压力控制方法，该方法能够在高转速情况下同时减小接合时间及冲击扭矩。

本发明提供的这种摩擦离合器的接合压力控制方法，包括如下步骤：

S1.建立高转速差摩擦离合器的动力学模型，生成初始数据集；

S2.根据离合器接合过程的动力学特性，建立变斜率式接合压力方程；

S3.选取初始参数，采用多因素分析获取特征值，并从初始数据集中选取不同参数下变斜率式接合压力控制方法的冲击扭矩及接合时间，生成训练数据集；

S4.对训练数据集进行回归训练，得到预测模型；

S5.采用预测模型对待控制摩擦离合器的初始参数进行求解，直到获取最终优化目标，并对摩擦离合器的接合压力进行控制。

所述的步骤S2，包括将离合器接合过程分为第一阶段、第二阶段和第三阶段；通过设定转速差确定第二阶段的开始时间和第三阶段的开始时间；并采用分段函数分别对变斜率式接合压力建立方程，生成变斜率式接合压力方程。

所述变斜率式接合压力方程包括：

其中，F表示变斜率式接合压力；k₁表示第一阶段的斜率；k₂表示第二阶段的斜率；k₃表示第三阶段的斜率；t₀表示初始时间；t₁表示第二阶段的开始时间；t₂表示第三阶段的开始时间；其中，通过设定转速差确定第二阶段的开始时间t₁和第三阶段的开始时间t₂：当检测到相对转速小于第一设定转速差w₁时，由第一阶段转变为第二阶段；在相对转速小于第一设定转速差w₁之后，当检测到相对转速小于第二转速差w₂时，由第二阶段转变为第三阶段。

所述的步骤S3，包括根据传统固定斜率压力加载的斜率参数，选取初始参数，包括第一阶段的斜率k₁、第二阶段的斜率k₂、第三阶段的斜率k₃、第一设定转速差w₁和第二转速差w₂，采用多因素分析获取特征值，并通过步骤S1建立的动力学模型计算初始参数，获得冲击扭矩和接合时间；生成冲击扭矩训练数据集和接合时间训练数据集；冲击扭矩训练数据集和接合时间训练数据集的特征值包括第一阶段的斜率k₁、第二阶段的斜率k₂、第三阶段的斜率k₃、第一设定转速差w₁和第二转速差w₂，训练数据集的目标值为冲击扭矩和接合时间，冲击扭矩和接合时间为最终优化目标。

所述的步骤S4，包括采用支持向量机回归对训练数据集进行回归训练，得到预测模型，包括如下步骤：

A1.给定训练样本，建立高维空间下的线性回归函数；

A2.通过最小化损失，计算线性回归函数的斜率参数的回归系数和线性回归函数的截距参数的回归系数；

A3.将步骤A2获取的线性回归函数的斜率参数的回归系数和线性回归函数的截距参数的回归系数代入步骤A1建立的高维空间下的线性回归函数，获取最终线性回归函数，训练出冲击扭矩预测模型和接合时间预测模型。

所述的步骤A1，包括给定训练样本对{(x_i,y_i),i＝1,2,...,l}，其中，x_i表示第i个训练样本的特征向量，l表示训练样本的总数，即包括第一阶段的斜率k₁、第二阶段的斜率k₂、第三阶段的斜率k₃、第一设定转速差w₁和第二转速差w₂的向量，

y_i表示对应的真实输出值，包括冲击扭矩或接合时间，y_i∈R；建立高维空间下的线性回归函数：f(x_i)＝w·Φ(x_i)+b，其中，Φ(x)表示样本的非线性映射函数；w表示线性回归函数的斜率参数；b表示线性回归函数的截距参数。

所述的步骤A2，包括通过最小化损失，设代价函数：

其中，L[f(x_i),y_i,ε]表损失函数；f(x_i)为高维空间下的线性回归函数；y_i表示对应的真实输出值，ε表示容忍偏差；

引入隔离带上边缘以上的样本的松弛变量ξ_i和隔离带下边缘以下的样本的松弛变量ξ_i ^*，将支持向量机回归转换为求解方程：

其中，C表示惩罚因子，C越大表示整个优化过程中对于总误差的关注程度越高；ε表示容忍偏差，ε越小表示回归函数的误差越小；f(x_i)＝w·Φ(x_i)+b，其中，Φ(x)表示样本的非线性映射函数；w表示线性回归函数的斜率参数；b表示线性回归函数的截距参数；(x_i,y_i)表示训练样本对，l表示训练样本的总数；

通过拉格朗日函数，对求解方程进行对偶变换求解，得到线性回归函数的斜率参数w的回归系数w^*和线性回归函数的截距参数b的回归系数b^*：

其中，w^*表示线性回归函数的斜率参数w的回归系数；l表示训练样本的总数；i表示训练样本计数变量；a_i表示表示隔离带上边缘以上的样本的拉格朗日系数；

表示隔离带下边缘以下的样本的拉格朗日系数；Φ(x)表示样本的非线性映射函数；b^*表示线性回归函数的截距参数b的回归系数；N_nsv表示支持向量个数；C表示惩罚因子；x_i表示第i个训练样本的特征向量，y_i表示对应的真实输出值；SV表示支持向量；K(x_i,x)为核函数；ε表示容忍偏差。

所述的步骤A3包括，最终回归函数为：

其中，w^*表示线性回归函数的斜率参数w的回归系数；l表示训练样本的总数；i表示训练样本计数变量；a_i表示表示隔离带上边缘以上的样本的拉格朗日系数；

表示隔离带下边缘以下的样本的拉格朗日系数；Φ(x)表示样本的非线性映射函数；b^*表示线性回归函数的截距参数b的回归系数；x_i表示第i个训练样本的特征向量；K(x_i,x_j)为核函数；将最终回归函数输入步骤S3生成的冲击扭矩训练数据集和接合时间训练数据集，分别训练出冲击扭矩预测模型和接合时间预测模型。

所述的步骤S5，包括随机生成初始粒子群，导入预测模型，通过预测模型计算冲击扭矩与接合时间，同时更新个体最优解及全局最优解，将全局最优解赋值到Pareto解；粒子通过个体极值和群体极值来更新自身的速度和位置；当算法迭代到最后，得到最终优化目标，算法迭代结束；根据实际对冲击扭矩及接合时间的要求，在Pareto解集中选取最优的变斜率式压力设计参数，并采用最优的变斜率式压力设计参数对摩擦离合器进行接合压力控制。

所述的步骤S5，包括利用粒子群多目标优化算法对初始参数进行求解：首先在可行解空间初始化一群粒子X＝(X₁,X₂,…,X_n)，其中X＝(x_m1,x_m2,…,x_md)^T，X代表第m个粒子在第d维空间的位置，然后利用冲击扭矩预测模型和接合时间预测模型计算适应度值，对每个粒子，将其当前适应值与其个体历史最佳位置对应的适应值作比较，若当前的适应值更高，则用当前位置更新粒子个体的历史最优位置；对每个粒子，将其当前适应值与全局最佳位置对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子群体的历史最优位置；粒子m个体经历的最好的位置用P＝(P_m1,P_m2,…,P_md)^T表示；种群经历过的最好的位置用P_g＝(P_g1,P_g2,…,P_gd)^T表示；将全局最优解赋值给Pareto解，粒子的更新速度用V_m＝(V_m1,V_m1,…,V_md)^T表示；同时通过个体的极值和群体的极值来更新自身的速度和位置，第m个粒子在第d维的速度更新公式为：

其中，

表示为第k+1次迭代后的第m个粒子在第d维的速度；w表示线性回归函数的斜率参数；

表示第k次迭代后的第m个粒子在第d维的速度；c₁和c₂均表示非负的常数；r₁和r₂均为分布在[0,1]区间的随机数；

表示第k次迭代粒子个体的极值；

表示第k次迭代时第m个粒子在第d维的位置；

表示第k次迭代种群在第d维的经历过的最好位置；

第m个粒子在第d维的位置更新公式为：

其中，

表示第k+1次迭代时第m个粒子在第d维的位置；

表示第k次迭代时第m个粒子在第d维的位置；

表示第k次迭代时第m个粒子在第d维的速度；

若未达到终止条件，则继续迭代求适应度值，进行寻优，对Pareto解进行更新，直至得到最终优化目标，算法迭代结束；根据实际对冲击扭矩及接合时间的要求，在Pareto解集中选取最优的变斜率式压力设计参数，并采用最优的变斜率式压力设计参数对摩擦离合器进行接合压力控制。

本发明提供的这种摩擦离合器的接合压力控制方法，利用结合了支持向量机回归的多目标优化，对变斜率式压力的设计参数进行了优化设计。相比传统固定斜率压力加载方式，所设计的变斜率式压力控制曲线，考虑了接合过程摩擦系数变化大、冲击波动大、非线性特征复杂等问题，提出变斜率式压紧力加载方案，能够同时减小离合器接合过程中的冲击扭矩及接合时间，本方法准确可靠，提高了离合器接合过程中的稳定性。

附图说明

图1为本发明方法的流程示意图。

图2为本发明方法的一种动力学模型实施例示意图。

图3为本发明实施例的变斜率与传统固定斜率的压力加载结果对比示意图。

图4为本发明实施例的变斜率与传统固定斜率的发动机输出转速结果对比示意图。

图5为本发明实施例的变斜率与传统固定斜率的摩擦转矩结果对比示意图。

图6为本发明实施例的接合时间预测值与真实值对比示意图。

图7为本发明实施例的冲击扭矩预测值与真实值对比示意图。

图8为本发明实施例的参数优化结果示意图。

具体实施方式

如图1为本发明方法的流程示意图：本发明提供的这种摩擦离合器的接合压力控制方法，包括如下步骤：

S1.建立高转速差摩擦离合器的动力学模型，生成初始数据集；

S2.根据离合器接合过程的动力学特性，建立变斜率式接合压力方程；

S3.选取初始参数，采用多因素分析获取特征值，并从初始数据集中选取不同参数下变斜率式接合压力控制方法的冲击扭矩及接合时间，生成训练数据集；

S4.对训练数据集进行回归训练，得到预测模型；

S5.采用预测模型对待控制摩擦离合器的初始参数进行求解，直到获取最终优化目标，并对摩擦离合器的接合压力进行控制。

如图2为本发明方法的一种动力学模型实施例示意图。在本发明实施例中，所述的步骤S1，通过动力学仿真软件(SIMPACK、ADAMS、MATLAB/simulink等)建立相应的动力学模型。在建立模型前，根据动力学公式对模型进行简化处理，保留输入端、离合器、输出端。如图2所示，其中，T_e为发动机的输出转矩；T_c为离合器传递的摩擦转矩；T_v为从动盘输出端承受的负载转矩；I_e表示发动机的转动惯量；I_c1表示离合器主动部分转动惯量；I_c2表示离合器从动部分转动惯量；I_v表示负载部分转动惯量；c_e表示发动机的阻尼系数；c_c1表示主动盘的阻尼系数；c_c2表示从动盘的阻尼系数；c_v表示负载部分的阻尼系数；k_ec表示发动机到离合器主动部分的扭转刚度；k_cv表示离合器从动部分到负载部分的扭转刚度。根据现实的物理模型，设置合适的参数。在仿真时，为模型设置输入接合压力曲线进行仿真，得出相应的转速曲线、转矩曲线。通过改变接合压力加载曲线的加载方式，得出不同的仿真结果进行初始参考。以便后续选择合适的变斜率式接合压力的参数。

所述的步骤S2，包括将离合器接合过程分为第一阶段、第二阶段和第三阶段；通过设定转速差确定第二阶段的开始时间和第三阶段的开始时间；并采用分段函数分别对变斜率式接合压力建立方程，生成变斜率式接合压力方程：

其中，F表示变斜率式接合压力；k₁表示第一阶段的斜率；k₂表示第二阶段的斜率；k₃表示第三阶段的斜率；t₀表示初始时间，即第一阶段的开始时间，一般取0；t₁表示第二阶段的开始时间；t₂表示第三阶段的开始时间；其中，通过设定转速差确定第二阶段的开始时间t₁和第三阶段的开始时间t₂：当检测到相对转速小于第一设定转速差w₁时，由第一阶段转变为第二阶段；在相对转速小于第一设定转速差w₁之后，当检测到相对转速小于第二转速差w₂时，由第二阶段转变为第三阶段。

所述的步骤S3，包括根据传统固定斜率压力加载的斜率参数，选取初始参数，包括第一阶段的斜率k₁、第二阶段的斜率k₂、第三阶段的斜率k₃、第一设定转速差w₁和第二转速差w₂，采用多因素分析获取特征值，并通过步骤S1建立的动力学模型计算初始参数，并得到冲击扭矩和接合时间；生成冲击扭矩训练数据集和接合时间训练数据集。训练数据集用于支持向量机回归(SVR)；训练数据集的特征值包括第一阶段的斜率k₁、第二阶段的斜率k₂、第三阶段的斜率k₃、第一设定转速差w₁和第二转速差w₂，训练数据集的目标值为冲击扭矩和接合时间，冲击扭矩和接合时间为最终优化目标。

所述的步骤S4，包括采用支持向量机回归对训练数据集进行回归训练，得到预测模型，包括：

A1.给定训练样本，建立高维空间下的线性回归函数；给定训练样本对{(x_i,y_i),i＝1,2,...,l}，其中，x_i表示第i个训练样本的特征向量，l表示训练样本的总数，即包括第一阶段的斜率k₁、第二阶段的斜率k₂、第三阶段的斜率k₃、第一设定转速差w₁和第二转速差w₂的向量，

y_i表示对应的真实输出值，包括冲击扭矩或接合时间，y_i∈R；建立高维空间下的线性回归函数：f(x_i)＝w·Φ(x_i)+b，其中，Φ(x)表示样本的非线性映射函数；w表示线性回归函数的斜率参数；b表示线性回归函数的截距参数；

A2.通过最小化损失，计算线性回归函数的斜率参数的回归系数和线性回归函数的截距参数的回归系数，设代价函数：

其中，L[f(x_i),y_i,ε]表示损失函数；ε表示容忍偏差，ε越小表示回归函数的误差越小；

引入隔离带上边缘以上的样本的松弛变量ξ_i和隔离带下边缘以下的样本的松弛变量

将支持向量机回归转换为求解方程：

其中，C表示惩罚因子，C越大表示整个优化过程中对于总误差的关注程度越高；ε表示容忍偏差，ε越小表示回归函数的误差越小；f(x_i)＝w·Φ(x_i)+b，其中，Φ(x)表示样本的非线性映射函数；w表示线性回归函数的斜率参数；b表示线性回归函数的截距参数；(x_i,y_i)表示训练样本对，l表示训练样本的总数，；

通过拉格朗日函数，对上述的求解方程进行对偶变换求解，得到线性回归函数的斜率参数w的回归系数w^*和线性回归函数的截距参数b的回归系数b^*：

其中，w^*表示线性回归函数的斜率参数w的回归系数；l表示训练样本的总数；i表示训练样本计数变量；a_i表示表示隔离带上边缘以上的样本的拉格朗日系数；

表示隔离带下边缘以下的样本的拉格朗日系数；Φ(x)表示样本的非线性映射函数；b^*表示线性回归函数的截距参数b的回归系数；N_nsv表示支持向量个数；C表示惩罚因子；x_i表示第i个训练样本的特征向量，y_i表示对应的真实输出值；SV表示支持向量；K(x_i,x)为核函数；ε表示容忍偏差；

A3.将步骤A2获取的线性回归函数的斜率参数w的回归系数w^*和线性回归函数的截距参数b的回归系数b^*代入步骤A1建立的高维空间下的线性回归函数，求得最终回归函数为：

输入步骤S3生成的冲击扭矩训练数据集和接合时间训练数据集，分别训练出冲击扭矩预测模型和接合时间预测模型。

所述的步骤S5，包括一个训练样本中有m个粒子，利用粒子群多目标优化算法(PSO)对初始参数进行求解：首先在可行解空间初始化一群粒子X＝(X₁,X₂,…,X_n)，其中X＝(x_m1,x_m2,…,x_md)^T，X代表第m个粒子在第d维空间的位置，然后利用冲击扭矩预测模型和接合时间预测模型计算适应度值，对每个粒子，将其当前适应值与其个体历史最佳位置对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子个体的历史最优位置；对每个粒子，将其当前适应值与全局最佳位置(gbest)对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子群体的历史最优位置；粒子m个体经历的最好的位置用P＝(P_m1,P_m2,…,P_md)^T表示；种群经历过的最好的位置用P_g＝(P_g1,P_g2,…,P_gd)^T表示；将全局最优解赋值给Pareto解，粒子的更新速度用V_m＝(V_m1,V_m1,…,V_md)^T表示；同时通过个体的极值和群体的极值来更新自身的速度和位置，第m个粒子在第d维的速度更新公式为：

其中，

表示为第k+1次迭代后的第m个粒子在第d维的速度；w表示线性回归函数的斜率参数；

表示第k次迭代后的第m个粒子在第d维的速度；c₁和c₂均表示非负的常数；r₁和r₂均为分布在[0,1]区间的随机数；

表示第k次迭代粒子个体的极值；

表示第k次迭代时第m个粒子在第d维的位置；

表示第k次迭代种群在第d维的经历过的最好位置；

第m个粒子在第d维的位置更新公式为：

其中，

表示第k+1次迭代时第m个粒子在第d维的位置；

表示第k次迭代时第m个粒子在第d维的位置；

表示第k次迭代时第m个粒子在第d维的速度；

若未达到终止条件，则继续迭代求适应度值，进行寻优，对Pareto解进行更新，直至得到最终优化目标，算法迭代结束；根据实际对冲击扭矩及接合时间的要求，在Pareto解集中选取最优的变斜率式压力设计参数。

在本实施例中，本方法以STOVL飞机推进系统的摩擦离合器(最大转速5200rpm)为优化对象进行接合压力控制，如图3为本发明实施例的变斜率与传统固定斜率的压力加载结果对比示意图。如图4为本发明实施例的变斜率与传统固定斜率的发动机输出转速结果对比示意图。如图5为本发明实施例的变斜率与传统固定斜率的摩擦转矩结果对比示意图。其中变斜率加载的参数k₁＝200N/s、k₂＝2000N/s、k₃＝200N/s、w₁＝480rad/s、w₂＝30rad/s。从图3转速曲线可以看到，传统固定斜率压力加载下，离合器在8.2s时主从动端达到同步，离合器接合完毕；变斜率压力加载下，离合器在7s时已经达到同步，接合时间相对下降14％。从图5摩擦转矩曲线可以看到，传统固定斜率冲击扭矩为530Nm，变斜率式压力加载的冲击扭矩为524Nm，略微有所下降。其结果说明，变斜率式压力加载理论上是可以达到同时减小冲击扭矩和接合时间的。

为了得到更加良好的优化效果，开展变斜率式压力设计参数的优化。根据实际的压力控制曲线，选取多组合适的变斜率式压力设计参数，通过多水平多因素正交实验，得到用于SVR训练的数据集，如表1。

表1

通过MATLAB实现的SVR模型，对数据进行训练，得到冲击扭矩和接合时间的预测模型，如图6为本发明实施例的接合时间预测值与真实值对比示意图。如图7为本发明实施例的冲击扭矩预测值与真实值对比示意图。证明预测模型具备可靠的预测功能。

通过MATLAB实现的粒子群多目标优化算法，对变斜率式压力设计参数进行优化，如图8为本发明实施例的参数优化结果示意图。图8是优化后的Pareto解，可以看到冲击扭矩与接合时间呈反比关系，与实际情况相符。

表2

表2是从优化结果中选取的6组数据，可以看到，在保持较低的接合时间的情况下，冲击扭矩也得到了一定程度的降低。例如，第5组数据，接合时间比传统固定斜率降低了16％，冲击扭矩降低了3％，具备良好的优化性能。能够同时减小离合器接合过程中的冲击扭矩及接合时间，提高离合器接合过程中的稳定性。

Claims (10)

1.一种摩擦离合器的接合压力控制方法，其特征在于包括如下步骤：包括如下步骤：

S1.建立高转速差摩擦离合器的动力学模型，生成初始数据集；

S2.根据离合器接合过程的动力学特性，建立变斜率式接合压力方程；

S3.选取初始参数，采用多因素分析获取特征值，并从初始数据集中选取不同参数下变斜率式接合压力控制方法的冲击扭矩及接合时间，生成训练数据集；

S4.对训练数据集进行回归训练，得到预测模型；

S5.采用预测模型对待控制摩擦离合器的初始参数进行求解，直到获取最终优化目标，并对摩擦离合器的接合压力进行控制。

2.根据权利要求1所述的摩擦离合器的接合压力控制方法，其特征在于所述的步骤S2，包括将离合器接合过程分为第一阶段、第二阶段和第三阶段；通过设定转速差确定第二阶段的开始时间和第三阶段的开始时间；并采用分段函数分别对变斜率式接合压力建立方程，生成变斜率式接合压力方程。

3.根据权利要求2所述的摩擦离合器的接合压力控制方法，其特征在于所述变斜率式接合压力方程包括：

其中，F表示变斜率式接合压力；k₁表示第一阶段的斜率；k₂表示第二阶段的斜率；k₃表示第三阶段的斜率；t₀表示初始时间；t₁表示第二阶段的开始时间；t₂表示第三阶段的开始时间；其中，通过设定转速差确定第二阶段的开始时间t₁和第三阶段的开始时间t₂：当检测到相对转速小于第一设定转速差w₁时，由第一阶段转变为第二阶段；在相对转速小于第一设定转速差w₁之后，当检测到相对转速小于第二转速差w₂时，由第二阶段转变为第三阶段。

4.根据权利要求3所述的摩擦离合器的接合压力控制方法，其特征在于所述的步骤S3，包括根据传统固定斜率压力加载的斜率参数，选取初始参数，包括第一阶段的斜率k₁、第二阶段的斜率k₂、第三阶段的斜率k₃、第一设定转速差w₁和第二转速差w₂，采用多因素分析获取特征值，并通过步骤S1建立的动力学模型计算初始参数，获得冲击扭矩和接合时间；生成冲击扭矩训练数据集和接合时间训练数据集；冲击扭矩训练数据集和接合时间训练数据集的特征值包括第一阶段的斜率k₁、第二阶段的斜率k₂、第三阶段的斜率k₃、第一设定转速差w₁和第二转速差w₂，训练数据集的目标值为冲击扭矩和接合时间，冲击扭矩和接合时间为最终优化目标。

5.根据权利要求4所述的摩擦离合器的接合压力控制方法，其特征在于所述的步骤S4，包括采用支持向量机回归对训练数据集进行回归训练，得到预测模型，包括如下步骤：

A1.给定训练样本，建立高维空间下的线性回归函数；

A2.通过最小化损失，计算线性回归函数的斜率参数的回归系数和线性回归函数的截距参数的回归系数；

A3.将步骤A2获取的线性回归函数的斜率参数的回归系数和线性回归函数的截距参数的回归系数代入步骤A1建立的高维空间下的线性回归函数，获取最终线性回归函数，训练出冲击扭矩预测模型和接合时间预测模型。

6.根据权利要求5所述的摩擦离合器的接合压力控制方法，其特征在于所述的步骤A1，包括给定训练样本对{(x_i,y_i),i＝1,2,...,l}，其中，x_i表示第i个训练样本的特征向量，l表示训练样本的总数，即包括第一阶段的斜率k₁、第二阶段的斜率k₂、第三阶段的斜率k₃、第一设定转速差w₁和第二转速差w₂的向量，

y_i表示对应的真实输出值，包括冲击扭矩或接合时间，y_i∈R；建立高维空间下的线性回归函数：f(x_i)＝w·Φ(x_i)+b，其中，Φ(x)表示样本的非线性映射函数；w表示线性回归函数的斜率参数；b表示线性回归函数的截距参数。

7.根据权利要求6所述的摩擦离合器的接合压力控制方法，其特征在于所述的步骤A2，包括通过最小化损失，设代价函数：

其中，L[f(x_i),y_i,ε]表损失函数；f(x_i)为高维空间下的线性回归函数；y_i表示对应的真实输出值，ε表示容忍偏差；

引入隔离带上边缘以上的样本的松弛变量ξ_i和隔离带下边缘以下的样本的松弛变量

将支持向量机回归转换为求解方程：

其中，C表示惩罚因子，C越大表示整个优化过程中对于总误差的关注程度越高；ε表示容忍偏差，ε越小表示回归函数的误差越小；f(x_i)＝w·Φ(x_i)+b，其中，Φ(x)表示样本的非线性映射函数；w表示线性回归函数的斜率参数；b表示线性回归函数的截距参数；(x_i,y_i)表示训练样本对，l表示训练样本的总数；

通过拉格朗日函数，对求解方程进行对偶变换求解，得到线性回归函数的斜率参数w的回归系数w^*和线性回归函数的截距参数b的回归系数b^*：

其中，w^*表示线性回归函数的斜率参数w的回归系数；l表示训练样本的总数；i表示训练样本计数变量；a_i表示表示隔离带上边缘以上的样本的拉格朗日系数；

表示隔离带下边缘以下的样本的拉格朗日系数；Φ(x)表示样本的非线性映射函数；b^*表示线性回归函数的截距参数b的回归系数；N_nsv表示支持向量个数；C表示惩罚因子；x_i表示第i个训练样本的特征向量，y_i表示对应的真实输出值；SV表示支持向量；K(x_i,x)为核函数；ε表示容忍偏差。

8.根据权利要求7所述的摩擦离合器的接合压力控制方法，其特征在于所述的步骤A3包括，最终回归函数为：

其中，w^*表示线性回归函数的斜率参数w的回归系数；l表示训练样本的总数；i表示训练样本计数变量；a_i表示表示隔离带上边缘以上的样本的拉格朗日系数；

表示隔离带下边缘以下的样本的拉格朗日系数；Φ(x)表示样本的非线性映射函数；b^*表示线性回归函数的截距参数b的回归系数；x_i表示第i个训练样本的特征向量；K(x_i,x_j)为核函数；将最终回归函数输入步骤S3生成的冲击扭矩训练数据集和接合时间训练数据集，分别训练出冲击扭矩预测模型和接合时间预测模型。

9.根据权利要求1所述的摩擦离合器的接合压力控制方法，其特征在于所述的步骤S5，包括随机生成初始粒子群，导入预测模型，通过预测模型计算冲击扭矩与接合时间，同时更新个体最优解及全局最优解，将全局最优解赋值到Pareto解；粒子通过个体极值和群体极值来更新自身的速度和位置；当算法迭代到最后，得到最终优化目标，算法迭代结束；根据实际对冲击扭矩及接合时间的要求，在Pareto解集中选取最优的变斜率式压力设计参数，并采用最优的变斜率式压力设计参数对摩擦离合器进行接合压力控制。

10.根据权利要求9所述的摩擦离合器的接合压力控制方法，其特征在于所述的步骤S5，包括利用粒子群多目标优化算法对初始参数进行求解：首先在可行解空间初始化一群粒子X＝(X₁,X₂,…,X_n)，其中X＝(x_m1,x_m2,…,x_md)^T，X代表第m个粒子在第d维空间的位置，然后利用冲击扭矩预测模型和接合时间预测模型计算适应度值，对每个粒子，将其当前适应值与其个体历史最佳位置对应的适应值作比较，若当前的适应值更高，则用当前位置更新粒子个体的历史最优位置；对每个粒子，将其当前适应值与全局最佳位置对应的适应值作比较，如果当前的适应值更高，则用当前位置更新粒子群体的历史最优位置；粒子m个体经历的最好的位置用P＝(P_m1,P_m2,…,P_md)^T表示；种群经历过的最好的位置用P_g＝(P_g1,P_g2,…,P_gd)^T表示；将全局最优解赋值给Pareto解，粒子的更新速度用V_m＝(V_m1,V_m1,…,V_md)^T表示；同时通过个体的极值和群体的极值来更新自身的速度和位置，第m个粒子在第d维的速度更新公式为：

其中，

表示为第k+1次迭代后的第m个粒子在第d维的速度；w表示线性回归函数的斜率参数；

表示第k次迭代后的第m个粒子在第d维的速度；c₁和c₂均表示非负的常数；r₁和r₂均为分布在[0,1]区间的随机数；

表示第k次迭代粒子个体的极值；

表示第k次迭代时第m个粒子在第d维的位置；

表示第k次迭代种群在第d维的经历过的最好位置；

第m个粒子在第d维的位置更新公式为：

其中，

表示第k+1次迭代时第m个粒子在第d维的位置；

表示第k次迭代时第m个粒子在第d维的位置；

表示第k次迭代时第m个粒子在第d维的速度；

若未达到终止条件，则继续迭代求适应度值，进行寻优，对Pareto解进行更新，直至得到最终优化目标，算法迭代结束；根据实际对冲击扭矩及接合时间的要求，在Pareto解集中选取最优的变斜率式压力设计参数，并采用最优的变斜率式压力设计参数对摩擦离合器进行接合压力控制。

Images