CN114115373B - 一种摩擦离合器的接合压力控制方法 - Google Patents
一种摩擦离合器的接合压力控制方法 Download PDFInfo
- Publication number
- CN114115373B CN114115373B CN202111434696.5A CN202111434696A CN114115373B CN 114115373 B CN114115373 B CN 114115373B CN 202111434696 A CN202111434696 A CN 202111434696A CN 114115373 B CN114115373 B CN 114115373B
- Authority
- CN
- China
- Prior art keywords
- slope
- representing
- engagement
- linear regression
- function
- 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 47
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000000556 factor analysis Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 67
- 238000012417 linear regression Methods 0.000 claims description 56
- 239000013598 vector Substances 0.000 claims description 17
- 238000002955 isolation Methods 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241000763411 Puncha Species 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 5
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013016 damping Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D16/00—Control of fluid pressure
- G05D16/20—Control of fluid pressure characterised by the use of electric means
-
- 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
- F16D48/00—External control of clutches
- F16D48/06—Control by electric or electronic means, e.g. of fluid pressure
- F16D48/066—Control of fluid pressure, e.g. using an accumulator
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fluid Mechanics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Algebra (AREA)
- Mechanical Engineering (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Hydraulic Clutches, Magnetic Clutches, Fluid Clutches, And Fluid Joints (AREA)
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
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{(xi,yi),i=1,2,...,l},其中,xi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,yi表示对应的真实输出值,包括冲击扭矩或接合时间,yi∈R;建立高维空间下的线性回归函数:f(xi)=w·Φ(xi)+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(xi),yi,ε]表损失函数;f(xi)为高维空间下的线性回归函数;yi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ξi和隔离带下边缘以下的样本的松弛变量ξi *,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(xi)=w·Φ(xi)+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;(xi,yi)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;ai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;Nnsv表示支持向量个数;C表示惩罚因子;xi表示第i个训练样本的特征向量,yi表示对应的真实输出值;SV表示支持向量;K(xi,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;ai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;xi表示第i个训练样本的特征向量;K(xi,xj)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,…,Xn),其中X=(xm1,xm2,…,xmd)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=(Pm1,Pm2,…,Pmd)T表示;种群经历过的最好的位置用Pg=(Pg1,Pg2,…,Pgd)T表示;将全局最优解赋值给Pareto解,粒子的更新速度用Vm=(Vm1,Vm1,…,Vmd)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,Te为发动机的输出转矩;Tc为离合器传递的摩擦转矩;Tv为从动盘输出端承受的负载转矩;Ie表示发动机的转动惯量;Ic1表示离合器主动部分转动惯量;Ic2表示离合器从动部分转动惯量;Iv表示负载部分转动惯量;ce表示发动机的阻尼系数;cc1表示主动盘的阻尼系数;cc2表示从动盘的阻尼系数;cv表示负载部分的阻尼系数;kec表示发动机到离合器主动部分的扭转刚度;kcv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{(xi,yi),i=1,2,...,l},其中,xi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,yi表示对应的真实输出值,包括冲击扭矩或接合时间,yi∈R;建立高维空间下的线性回归函数:f(xi)=w·Φ(xi)+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(xi),yi,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ξi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(xi)=w·Φ(xi)+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;(xi,yi)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;ai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;Nnsv表示支持向量个数;C表示惩罚因子;xi表示第i个训练样本的特征向量,yi表示对应的真实输出值;SV表示支持向量;K(xi,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,…,Xn),其中X=(xm1,xm2,…,xmd)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=(Pm1,Pm2,…,Pmd)T表示;种群经历过的最好的位置用Pg=(Pg1,Pg2,…,Pgd)T表示;将全局最优解赋值给Pareto解,粒子的更新速度用Vm=(Vm1,Vm1,…,Vmd)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 (4)
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;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;
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;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;包括给定训练样本对{(xi,yi),i=1,2,...,l},其中,xi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,yi表示对应的真实输出值,包括冲击扭矩或接合时间,yi∈R;建立高维空间下的线性回归函数:f(xi)=w·Φ(xi)+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;包括通过最小化损失,设代价函数:
其中,L[f(xi),yi,ε]表损失函数;f(xi)为高维空间下的线性回归函数;yi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ξi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(xi)=w·Φ(xi)+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;(xi,yi)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;ai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;Nnsv表示支持向量个数;C表示惩罚因子;xi表示第i个训练样本的特征向量,yi表示对应的真实输出值;SV表示支持向量;K(xi,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;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;ai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;xi表示第i个训练样本的特征向量;K(xi,xj)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
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。
3.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。
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,…,Xn),其中X=(xm1,xm2,…,xmd)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=(Pm1,Pm2,…,Pmd)T表示;种群经历过的最好的位置用Pg=(Pg1,Pg2,…,Pgd)T表示;将全局最优解赋值给Pareto解,粒子的更新速度用Vm=(Vm1,Vm1,…,Vmd)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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434696.5A CN114115373B (zh) | 2021-11-29 | 2021-11-29 | 一种摩擦离合器的接合压力控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111434696.5A CN114115373B (zh) | 2021-11-29 | 2021-11-29 | 一种摩擦离合器的接合压力控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114115373A CN114115373A (zh) | 2022-03-01 |
CN114115373B true CN114115373B (zh) | 2024-01-16 |
Family
ID=80371264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111434696.5A Active CN114115373B (zh) | 2021-11-29 | 2021-11-29 | 一种摩擦离合器的接合压力控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114115373B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2899826A1 (en) * | 2013-02-15 | 2014-08-21 | Honda Motor Co., Ltd. | Hydraulic control device and driving force distribution device for four-wheel drive vehicle provided with same |
CN105035079A (zh) * | 2015-07-29 | 2015-11-11 | 江苏大学 | 一种带发动机转矩观测器的同轴并联混合动力汽车动力切换协调控制方法 |
CN105822761A (zh) * | 2016-04-26 | 2016-08-03 | 中国第汽车股份有限公司 | 湿式双离合器自动变速器离合器摩擦系数自学习方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10948079B2 (en) * | 2018-08-02 | 2021-03-16 | GM Global Technology Operations LLC | Torque converter clutch control system health estimation |
-
2021
- 2021-11-29 CN CN202111434696.5A patent/CN114115373B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2899826A1 (en) * | 2013-02-15 | 2014-08-21 | Honda Motor Co., Ltd. | Hydraulic control device and driving force distribution device for four-wheel drive vehicle provided with same |
CN105035079A (zh) * | 2015-07-29 | 2015-11-11 | 江苏大学 | 一种带发动机转矩观测器的同轴并联混合动力汽车动力切换协调控制方法 |
CN105822761A (zh) * | 2016-04-26 | 2016-08-03 | 中国第汽车股份有限公司 | 湿式双离合器自动变速器离合器摩擦系数自学习方法 |
Non-Patent Citations (5)
Title |
---|
A Vehicle Simulator for an Efficient Electronic and Electrical Architecture Design;Benoît Chretien 等;IEEE Transactions on Intelligent Transportation Systems;全文 * |
CVT起步离合器智能预测控制技术研究;刘金刚 等;公路交通科技;全文 * |
The Effects of the Manufacturing Errors of a Group of Sprags on the Engagement Properties of Sprag Clutch;Mao Hui Qing 等;Advanced Materials Research;全文 * |
Wear of Sprag Clutch in the Transmission State under Unsteady Fluctuation of Input Speed;Jia Li 等;2020 3rd World Conference on Mechanical Engineering and Intelligent Manufacturing;全文 * |
高能密度离合器接合过程的动力学特性;朱湘衡 等;振动.测试与诊断;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114115373A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111731303B (zh) | 一种基于深度强化学习a3c算法的hev能量管理方法 | |
Zhang et al. | System dynamic modelling and adaptive optimal control for automatic clutch engagement of vehicles | |
CN102114835B (zh) | 一种用于在车辆启动时控制离合器的方法 | |
CN105136469A (zh) | 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法 | |
Lin et al. | Intelligent hybrid control system design for antilock braking systems using self-organizing function-link fuzzy cerebellar model articulation controller | |
CN109849895B (zh) | 一种基于神经网络观测器的混合动力汽车自适应e-h切换协调控制方法 | |
Minh et al. | Modeling and model predictive control for hybrid electric vehicles | |
CN101865043B (zh) | 动力传动系统的发动机转速控制装置 | |
CN105741637A (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN101907869B (zh) | 控制车辆的方法 | |
CN110247586B (zh) | 基于效率最优的电动公交车用永磁同步电机转矩分配方法 | |
CN110594317B (zh) | 一种基于双离合器式自动变速器的起步控制策略 | |
CN110985566A (zh) | 一种车辆起步控制方法、装置、车辆及存储介质 | |
JP2010134863A (ja) | 制御対象の制御入力決定手段 | |
CN107633105B (zh) | 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法 | |
RU2761015C1 (ru) | Способ генерирования данных управления переключением передач, устройство управления переключением передач и система управления переключением передач | |
Delprat et al. | High order sliding mode control for hybrid vehicle stability | |
CN111198501B (zh) | 一种由rbf神经网络确定燃油等效因子的方法 | |
CN110789513A (zh) | 车辆和协调游隙管理的方法 | |
CN114115373B (zh) | 一种摩擦离合器的接合压力控制方法 | |
CN114802180A (zh) | 混合动力汽车动力系统协调控制的模式预测系统及方法 | |
Fu et al. | Mode transition coordination control for PHEV based on cascade predictive method | |
CN112519778B (zh) | 汽车驾驶控制方法、汽车驾驶控制设备及存储介质 | |
TWI448863B (zh) | Energy saving control method of electric vehicle | |
CN110244852B (zh) | 一种大脑情绪控制器控制参数整定方法 |
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 |