CN115114861A - 一种湿式双离合器摩擦片温度快速预测方法及计算机设备 - Google Patents

Abstract

本发明提出一种湿式双离合器摩擦片温度快速预测方法及计算机设备，解决湿式双离合器运行过程中，摩擦片温度过高造成离合器失效的问题，所述方法是利用湿式双离合器传热仿真模型获取训练样本，建立离合器温度预测模型，根据离合器运行工况和运行环境下的湿式双离合器摩擦片、对偶钢片、离合器表面冷却油温度快速预测湿式双离合器摩擦片温度。该方法可用于在实车上监测离合器温度，并将温度结果返回给离合器冷却系统控制器，从而根据摩擦片温度预测值控制冷却系统，使湿式双离合器始终工作在正常的温度范围内。

Description

一种湿式双离合器摩擦片温度快速预测方法及计算机设备

技术领域

本发明涉及汽车的湿式双离合器，具体涉及对湿式双离合器摩擦片、对偶钢片、对偶钢片表面油温的预测技术。

背景技术：

由于DCT自动变速器具有加速连续性好，油耗低、换挡平稳、传动效率高等优点，广泛应用于乘用车上，而湿式双离合器作为DCT自动变速器的核心部件，其在接合过程中，对偶钢片与摩擦片之间的相对滑动会产生大量的摩擦热。所产生热量一部分被冷却油带走，一部分进入离合器本体，使离合器各元件温度升高，其中摩擦片的温度升高最为明显。若离合器冷却系统散热能力不足，不能及时将热量带走，就会引起摩擦片温度升高，使摩擦片发生烧蚀等故障，造成离合器失效。

由于离合器结构特点，在汽车运行过程中很难在摩擦片和对偶钢片上布置温度传感器，因此不能通过传感器的方式来监测湿式双离合器摩擦片的温度。目前，针对湿式双离合温度监测主要是通过离合器出油口油温传感器返回离合器出油口甩出油温度，以出油口甩出油的温度间接反应离合器内部摩擦片和对偶钢片的温度，或者通过构建摩擦片与离合器出口冷却油温度之间的函数关系来计算摩擦片温度。

专利文献201911226122.1公开了基于湿式双离合器表面温度的控制方法及装置，利用离合器出口冷却油温度，间接计算出离合器摩擦片和对偶钢片的温度，需要安装出口冷却油温度传感器，成本高，且中间通过多次转化，造成累积误差。专利文献201410217118.X公开了基于神经网络预测的DCT湿式离合器温度的测量方法，基于神经网络建立了离合器温度预测模型，主要解决的是现有技术中油温传感器采集的湿式离合器出油口油温存在延迟的问题，并以甩出油温度预测离合器的温度，但在模型训练过程中其需要进行大量的试验获取出油口油温样本，试验成本高，且耗时长。

发明内容

本发明要解决的技术问题为针对湿式双离合器运行过程中，摩擦片温度过高造成离合器失效的问题，提出了一种湿式双离合器摩擦片温度快速预测方法，利用湿式双离合器传热仿真模型获取训练样本，建立离合器温度预测模型，根据离合器运行工况和运行环境下的湿式双离合器摩擦片、对偶钢片、离合器表面冷却油温度即可快速预测湿式双离合器摩擦片温度。该方法可用于在实车上监测离合器温度，并将温度结果返回给离合器冷却系统控制器，从而根据摩擦片温度预测值控制冷却系统，使湿式双离合器始终工作在正常的温度范围内。

为解决本发明中的技术问题，所采用的技术方案如下：

本发明一方面提出一种湿式双离合器摩擦片温度快速预测方法，包括如下步骤：

步骤A,在线获取湿式双离合器外离合器油压、滑摩差，内离合器油压、滑摩差，离合器输入转速、入口冷却油流量和入口冷却油温度，以及与离合器连接的变速器档位信号。

步骤B，根据内、外离合器传递扭矩的三维差值表，以及内、外离合器油压、滑摩差，分别计算内、外离合器传递扭矩，基于传递扭矩计算结果和滑摩差分别计算内、外离合器滑摩功。

步骤C，将计算的外离合器滑摩功、离合器输入转速、入口冷却油流量和入口冷却油温度进行归一化处理输入到温度预测模型P外，将预测结果反归一化处理后，得到一温度预测值；将计算的内离合器滑摩功、离合器输入转速、入口冷却油流量和入口冷却油温度进行归一化处理输入到温度预测模型P内，将预测结果反归一化处理后，得到另一温度预测值。

步骤D，根据离合器连接的变速器档位信号，将两组温度预测值进行合并，得到最终的湿式双离合器内、外离合器摩擦片、对偶钢片、对偶钢片表面冷却油的温度预测值。

本发明方法中，比较关键的是使用了温度预测模型P外和温度预测模型P内，它们采用以下方法构建：

步骤1，通过湿式双离合器传热仿真模型获取离合器温度预测模型训练样本。

由于对于离合器这种旋转类元件，很难通过实验采集的方法获取离合器摩擦片温度，因此本发明中温度预测模型训练样本的获取是通过建立的湿式双离合器传热仿真模型获取。

本发明中的传热仿真模型是根据湿式双离合器各元件之间或与周围流体之间的传热方式，离合器热量传递过程，基于热网络理论进行离线构建，并通过实验数据对比，验证了传热模型的可靠性。

样本获取包括：湿式双离合器外离合器结合，内离合器分离以及内离合器结合，外离合器分离两种状态下离合器在不同滑摩功、不同输入转速、不同入口冷却油温度、不同入口冷却油流量下的内、外离合器摩擦片、对偶钢片、对偶钢片表面冷却油、离合器出口冷却油温度样本获取；以及外离合器和内离合器在不同油压、不同油温、不同滑摩差下的传递扭矩的获取，以及变速器端的档位信号的获取。

步骤2，构建温度预测模型P，包括建立湿式双离合器在外离合器结合，内离合器分离下的内、外离合器摩擦片、对偶钢片、钢片表面冷却油温度的预测模型P外；以及内离合器结合，外离合器分离下的内、外离合器摩擦片、对偶钢片、钢片表面冷却油温度的预测模型P内。

最后需对对构建的模型进行离线测试。

在本发明的一个实施例中，所述步骤1包括：

步骤1.1，基于热网络法建立湿式双离合传热仿真模型，利用实验采集的对偶钢片和对偶钢片冷却油的温度与传热仿真模型仿真结果进行对比，验证模型的仿真结果的准确性。当然，本步骤首先要分析对湿式双离合器摩擦片、对偶钢片、离合器钢片表面冷却油温度的影响因素，包括湿式双离合器的工作状态、滑摩功、离合器输入端转速、离合器入口冷却油流量、离合器入口冷却油温度。

步骤1.2，根据所述湿式双离合传热仿真模型，获取湿式双离合器在外离合器结合，内离合器器分离和内离合器结合，外离合器分离两种状态下离合器在不同滑摩功、不同输入转速、不同入口冷却油温度、不同入口冷却油流量工作环境下外离合器和内离合器摩擦片、对偶钢片、对偶钢片表面冷却油温度样本。

样本获取包括：湿式双离合器外离合器结合，内离合器分离以及内离合器结合，外离合器分离两种状态下离合器在不同滑摩功、不同输入转速、不同入口冷却油温度、不同入口冷却油流量下的内、外离合器摩擦片、对偶钢片、对偶钢片表面冷却油、离合器出口冷却油温度样本获取；以及外离合器和内离合器在不同油压、不同油温、不同滑摩差下的传递扭矩的获取，以及变速器端的档位信号的获取。

在本发明的一个实施例中，所述步骤2包括：

步骤2.1，将通过仿真模型获取的温度样本按离合器两种工作状态进行分组，外离合器结合、内离合器分离状态下的C外温度样本集，以及内离合器结合、外离合器分离状态下的C内温度样本集。

步骤2.2，分别将C外温度样本集和C内温度样本集，以滑摩功、离合器输入端转速、离合器入口冷却油流量、离合器入口冷却油温度作为输入变量组，形成C外输入变量样本集和C内输入变量样本集；外离合器和内离合器摩擦片、对偶钢片、对偶钢片表面冷却油温度作为输出变量组，形成C外输出变量样本集和C内输出变量样本集。

步骤2.3，分别将C外输入变量样本集以及对应的C外输出变量样本集划分为预测模型P外的训练样本集Test_C外输入变量样本集、Test_C外输出变量样本集、Train_C外输入变量样本集、Train_C外输出变量样本集；同理，分别将C内输入变量样本集和C内输出变量样本集划分为预测模型P内的训练样本集Test_C内输入变量样本集、Test_C内输出变量样本集、Train_C内输入变量样本集、Train_C内输出变量样本集。

步骤2.4，进行大于等于三层的遗传神经网络训练测试，分别构建外离合器结合，内离合器分离状态下的温度预测模型P外和内离合器结合，外离合器分离状态下的温度预测模型P内。

在本发明的一个实施例中，所述步骤2.4进一步包括：

步骤2.4.1，将Test_C外输入变量样本集、Test_C外输出变量样本集、Train_C外输入变量样本集、Train_C外输出变量样本集进行归一化处理，将Test_C内输入变量样本集、Test_C内输出变量样本集、Train_C内输入变量样本集、Train_C内输出变量样本集进行归一化处理；

步骤2.4.2，分别确定温度预测模型P外和温度预测模型P内的神经网络隐藏层的层数和隐藏层神经元节点数，基于遗传算法建立神经网络权重参数更新方法，构建大于等于三层的GA-BP遗传神经网络模型；

步骤2.4.3，将归一化处理后的Test_C外输入变量样本集、Test_C外输出变量样本集、Train_C外输入变量样本集、Train_C外输出变量样本集作为温度预测模型P外的输入输出；将归一化处理后的Test_C内输入变量样本集、Test_C内输出变量样本集、Train_C内输入变量样本集、Train_C内输出变量样本集作为温度预测模型P内的输入输出；

步骤2.4.4，初始化GA-BP遗传神经网络模型参数，设置迭代次数，遗传算法种群数、变异概率、交叉概率，进化代数，最后训练模型；

步骤2.4.5，根据测试集在训练好的模型上的误差，不断迭代更新模型，直到误差满足要求，然后将训练好的温度预测模型P外和温度预测模型P内分别存储；

步骤2.4.6，根据与湿式双离合器连接的变速器档位信号，设计温度预测模型P外和温度预测模型P内调用逻辑，构建湿式离合器在不同工作状态和不同工作环境下的外离合器、内离合器摩擦片、对偶钢片、钢片表面冷却油温度预测模型P。

在本发明的一个实施例中，内、外离合器传递扭矩的三维差值表是通过实验获取外离合器和内离合器在不同油压、不同油温、不同滑摩差下的传递扭矩而形成。

本发明在另一方面，提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以上所述的湿式双离合器摩擦片温度快速预测方法。

本发明相对于现有的技术的有益效果是：

1、本发明利用湿式双离合器传热仿真模型获取温度预测模型的训练样本，构建温度预测模型P外和温度预测模型P内来预测温度，一方面大量节约了通过试验采集数据的成本和试验时间，另一方面提高了预测的准确性。

2、本发明在不需要额外的离合器出口冷却油温度传感器的条件下可准确的预测湿式双离合器内、外离合器对偶钢片、对偶钢片表面冷却油温度，误差较小，同时为离合器摩擦片温度监测难提供了解决方法，可用于湿式双离合器在实际运行工况下对偶钢片、摩擦片、对偶钢片表面冷却油温度监控预测，具有广泛的应用前景。

本发明方法可用于汽车行驶过程中湿式双离合器摩擦片、对偶钢片、对偶钢片表面油温的预测，并用于离合器冷却策略的制定，防止离合器摩擦片因温度过高而失效。

附图说明：

图1是湿式双离合器结构简图；

图2是湿式双离合器热网络结构图；

图3是传热仿真模型验证流程；

图4是本发明外离合器结合、内离合器分离状态下离合器温度预测模型构建的流程图；

图5是本发明述及的湿式双离合器在不同挡位信号下的外离合器结合、内离合器分离时温度预测模型和内离合器结合、外离合器分离时温度预测模型输出结果的合并；

图6是本发明述及的湿式双离合器外离合器结合、内离合器分离时温度预测三层BP神经网络拓扑结构示意图；

图7是本发明述及的湿式双离合器内离合器结合、外离合器分离时温度预测三层BP神经网络拓扑结构示意图；

图8是本发明遗传算法优化BP神经网络权重、阈值参数的流程图；

图9是GA-BP神经网络进化过程适应度曲线；

图10是本发明内、外离合器摩擦片、对偶钢片、对偶钢片表面冷却油的温度预测流程。

具体实施方式：

以下将参照附图结合示例性实施例详细描述本发明技术。

参见图1，是本发明中提到的湿式双离合器结构简图，通常情况下，这种湿式双离合器工作过程分为两种状态：一种状态是外离合器结合，内离合器分离，另一种状态是内离合器结合，外离合器分离。

参见图4，是基于遗传神经网络的湿式双离合器摩擦片、对偶钢片、离合器钢片表面冷却油温度的预测模型建立方法：

步骤1，离合器温度预测模型训练样本获取，其过程为，

步骤1.1，分析对湿式双离合器摩擦片、对偶钢片、离合器钢片表面冷却油温度的影响因素，包括湿式双离合器的工作状态、滑摩功、离合器输入端转速、离合器入口冷却油流量、离合器入口冷却油温度。

步骤1.2，基于热网络法建立湿式双离合传热仿真模型，并利用实验采集的对偶钢片和对偶钢片冷却油的温度与传热仿真模型仿真结果进行对比，验证模型的仿真结果的准确性，。

图2是本发明中湿式双离合器传热仿真模型的热网络结构图，根据离合器各元件的结构以及与冷却油换热方式将离合器离散为许多质量块，各质量块以计算的导热热阻和换热热阻进行连接，最终形成如图2所示的传热仿真模型热网络结构，根据热网络结构图，基于传热仿真软件就可以构建湿式双离合器的传热仿真模型。

图3是本发明中建立的湿式双离合器传热仿真模型仿真结果准确性验证流程，其过程为，通过大量的试验验证，将构建的湿式双离合器传热仿真模型的仿真结果与在输入相同大小的滑摩功、离合器输入端转速、离合器入口冷却油温度、离合器入口冷却油条件下台架测试结果对比，并不断优化模型，使仿真结果与测试结果的相对误差在3％以内，则认为仿真模型可靠，从而利用湿式双离合器传热仿真模型来模拟湿式双离合器实际工况下摩擦片、对偶钢片、对偶钢片表面冷却油温度的变化过程。

步骤1.3，根据离线建立的湿式双离合传热仿真模型，获取湿式双离合器在外离合器结合，内离合器器分离和内离合器结合，外离合器分离两种状态下离合器在不同滑摩功、不同输入转速、不同入口冷却油温度、不同入口冷却油流量工作环境下外离合器和内离合器摩擦片、对偶钢片、对偶钢片表面冷却油温度样本。

步骤2，离线分别建立湿式双离合器在外离合器结合，内离合器分离下的内、外离合器摩擦片、对偶钢片、钢片表面冷却油温度的预测模型P外；以及内离合器结合，外离合器分离下的内、外离合器摩擦片、对偶钢片、钢片表面冷却油温度的预测模型P内，其过程为：

步骤2.1，将通过仿真模型获取的温度样本按离合器两种工作状态进行分组，外离合器结合、内离合器分离状态下的C外温度样本集，以及内离合器结合、外离合器分离状态下的C内温度样本集

步骤2.2，分别将C外温度样本集和C内温度样本集，以滑摩功、离合器输入端转速、离合器入口冷却油流量、离合器入口冷却油温度作为输入变量组，形成C外输入变量样本集和C内输入变量样本集；外离合器和内离合器摩擦片、对偶钢片、对偶钢片表面冷却油温度作为输出变量组，形成C外输出变量样本集和C内输出变量样本集

步骤2.3，分别将C外输入变量样本集以及对应的C外输出变量样本集划分为预测模型P外的训练样本集Test_C外输入变量样本集、Test_C外输出变量样本集、Train_C外输入变量样本集、Train_C外输出变量样本集；同理，分别将C内输入变量样本集和C内输出变量样本集划分为预测模型P内的训练样本集Test_C内输入变量样本集、Test_C内输出变量样本集、Train_C内输入变量样本集、Train_C内输出变量样本集

步骤2.4，进行大于等于三层的遗传神经网络训练测试，分别构建外离合器结合，内离合器分离状态下的温度预测模型P外和内离合器结合，外离合器分离状态下的温度预测模型P内

步骤2.4.1，将Test_C外输入变量样本集、Test_C外输出变量样本集、Train_C外输入变量样本集、Train_C外输出变量样本集进行归一化处理，将Test_C内输入变量样本集、Test_C内输出变量样本集、Train_C内输入变量样本集、Train_C内输出变量样本集进行归一化处理

步骤2.4.2，分别确定温度预测模型P外和温度预测模型P内的神经网络隐藏层的层数和隐藏层神经元节点数，基于遗传算法建立神经网络权重参数更新方法，构建大于等于三层的GA-BP遗传神经网络模型

步骤2.4.3，将归一化处理后的Test_C外输入变量样本集、Test_C外输出变量样本集、Train_C外输入变量样本集、Train_C外输出变量样本集作为温度预测模型P外的输入输出；将归一化处理后的Test_C内输入变量样本集、Test_C内输出变量样本集、Train_C内输入变量样本集、Train_C内输出变量样本集作为温度预测模型P内的输入输出

步骤2.4.4，初始化GA-BP遗传神经网络模型参数，设置迭代次数，遗传算法种群数、变异概率、交叉概率，进化代数，最后训练模型。

步骤2.4.5，根据测试集在在训练好的模型上的误差，不断迭代更新模型，直到误差满足要求，然后将训练好的温度预测模型P外和温度预测模型P内分别存储

步骤2.4.6，根据与湿式双离合器连接的的变速器档位信号，设计温度预测模型P外和温度预测模型P内调用逻辑，构建湿式离合器在不同工作状态和不同工作环境下的外离合器、内离合器摩擦片、对偶钢片、钢片表面冷却油温度预测模型P。

以上内容可以结合图4、图5、图6、图7、图8和图9来进一步说明：

参见图4，是湿式双离合器在外离合器结合、内离合器分离状态下温度预测模型建立过程，与内离合器结合、外离合器分离状态下温度预测模型建立过程相同，包括利用构建的湿式双离合器产热仿真模型收集数据样本，样本数据归一化处理，送入构建好的GA-BP遗传神经网络模型进行训练，保存最终确定的模型，其中数据样本收集包括以下几步：

首先确定湿式双离合器温度预测模型输入输出，输入为离合器输入端转速、冷却油入口温度、冷却油入口流量、滑摩功率，输出为外离合器摩擦片温度、外离合器对偶钢片温度、内离合器摩擦片温度、内离合器对偶钢片温度、外离合器对偶钢片表面油温、内离合器对偶钢片表面油温，其次基于构建的湿式双离合器传热模型根据输入输出分别收集外离合器结合、内离合器分离状态下的数据样本，以及内离合器结合、外离合器分离状态下的数据样本，最后进行数据样本归一化处理，归一化处理按公式xi＝2*(Xi-Xmin)/(Xmax-Xmin)-1,以输入转速为例，xi为输入转速样本i归一化结果，Xi为输入转速样本i的值，Xmin为输入转速样本中最小值，Xmax为输入转速样本中最大值。

外离合器结合、内离合器分离状态下温度预测模型和内离合器结合、外离合器分离状态下温度预测模型构建完成后，根据与离合器连接的变速器档位信号控制，将两个温度预测模型输出结果合并，合并过程流程图如图5所示，其过程如下

首先根据变速器档位信号，判断信号值L为奇数还是偶数，当L值为奇数时，输出K1＝1，K2＝0；当L值为偶数时，输出K1＝0，K2＝1；最后将外离合器结合、内离合器分离状态下温度预测模型的输出结果乘以K1再加上内离合器结合、外离合器分离状态下温度预测模型的输出结果乘以K2，最后输出湿式双离合器的温度预测结果。

图6、图7分别为外离合器结合、内离合器分离时温度预测三层BP神经网络拓扑结构示意图和内离合器结合、外离合器分离时温度预测三层BP神经网络拓扑结构示意图。

首先根据神经元数目估算经验公式

式中n、l分别为输入层、输出层神经元数目，a为常数，范围取1-10，m为隐藏层神经元数目，将确定的的n、l带入上式即可得到外离合器结合、内离合器分离时温度预测三层BP神经网络和内离合器结合、外离合器分离时温度预测三层BP神经网络m的取值范围都为4-14，然后依次选取不同神经元数目分别各训练10次，并取10次训练结果中均方误差和相关系数的平均值进行评价，最终确定外离合器结合、内离合器分离时温度预测三层BP神经网络的m取11，内离合器结合、外离合器分离时温度预测三层BP神经网络m取14。

分别训练外离合器结合、内离合器分离时温度预测三层BP神经网络和内离合器结合、外离合器分离时温度预测三层BP神经网络，并利用遗传优化算法对BP神经网络的权重和阈值进行更新，两个神经网络的权重和阈值更新过程相同，如图8所示的遗传算法优化BP神经网络权重、阈值参数流程图，其过程如下：

首先(1)设置初始权重和阈值，对权重和阈值编码，得到初始种群，(2)解码得到初始权重和阈值，(3)将初始权重和阈值赋予建立的3层神经网络，(4)使用训练样本训练网络，使用测试样本对网络测试，获得测试误差，(5)计算适应度，选择适应度高的染色体进行复制、交叉、变异、获得新种群，(6)判断是否满足误差条件或者设置的总迭代步数，若满足，则对权重和阈值解码，获得最终的神经网络权重和阈值；若不满足，则返回第(2)步。

图9为遗传算法的进化过程适应度曲线，样本平均适应度随着迭代步数的增加不断下降，最后趋于稳定，表明训练样本误差较小。

图10是采用以上温度预测模型对内、外离合器摩擦片、对偶钢片、对偶钢片表面冷却油的温度预测流程，其过程为：

步骤A,在线获取湿式双离合器外离合器油压、滑摩差，内离合器油压、滑摩差，离合器输入转速、入口冷却油流量和入口冷却油温度，以及与离合器连接的变速器档位信号。

步骤B，根据内、外离合器传递扭矩法人三维差值表，以及内、外离合器油压、滑摩差，分别计算内、外离合器传递扭矩，基于传递扭矩计算结果分别计算内、外离合器滑摩功。

这里，内、外离合器传递扭矩法人三维差值表是通过实验获取外离合器和内离合器在不同油压、不同油温、不同滑摩差下的传递扭矩而形成的。

步骤C，将计算的外离合器滑摩功、离合器输入转速、入口冷却油流量和入口冷却油温度进行归一化处理输入到温度预测模型P外，将预测结果反归一化处理后，得到一温度预测值；将计算的内离合器滑摩功、离合器输入转速、入口冷却油流量和入口冷却油温度进行归一化处理输入到温度预测模型P内，将预测结果反归一化处理后，得到另一温度预测值.

步骤D，根据离合器连接的变速器档位信号，将两组温度预测值进行合并，得到最终的湿式双离合器内、外离合器摩擦片、对偶钢片、对偶钢片表面冷却油的温度预测值

更为清楚地说明，以上步骤流程总体来说包括温度预测模型输入变量的数据在线采集，滑摩功计算，采集数据和滑摩功归一化处理，送入训练好的模型，输出结果反归一化处理，获得离合器温度预测值

其中数据离线采集的信号值为，外离合器油压、外离合器滑摩差、内离合器油压、内离合器滑摩差、离合器输入转速、离合器入口冷却油温度、离合器入口冷却油温度；其中滑摩功计算包括外离合器和内离合器滑摩功计算，其过程相同，过程如下：

内、外离合器传递扭矩计算，利用离线采集的外离合器和内离合器在不同油压、不同油温、不同滑摩差下的传递扭矩，利用差值的方式差值出内、外离合器在不同油压、滑摩差、油温下的传递扭矩，其中油温为湿式双离合温度预测结果中的外离合器对偶钢片表面油温和内离合器对偶钢片表面油温。

内、外离合器滑摩功计算，根据理论公式P＝T*w滑摩差，以外离合器为例，式中P为外离合器滑摩功，T为外离合器传递扭矩，w滑摩差为外离合器滑摩差。

输出结果反归一化处理按公式Xi＝(xi+1)*(Xmax-Xmin)/2+Xmin,以内离合器摩擦片温度为例，Xi为反归一化后内离合器摩擦片温度实际预测值，xi为遗传神经网络预测输出值，Xmax和Xmin分别为样本训练数据对应变量的最大、最小值。

通过以上的实施例和图的展示，可以仅有不证明，本发明可仅根据湿式双离合器的工作工况直接对对离合器磨擦片、对偶钢片和对偶钢片的温度快速预测，不需要额外的离合器出口冷却油温度，可节约离合器出口冷却油温度传感器成本；且通过仿真的方法获取模型训练样本，可以在短时间内获取大量样本，节约试验成本和时间。

Claims (9)

1.一种湿式双离合器摩擦片温度快速预测方法，其特征在于：包括：

步骤A, 在线获取湿式双离合器外离合器油压、滑摩差，内离合器油压、滑摩差，离合器输入转速、入口冷却油流量和入口冷却油温度，以及与离合器连接的变速器档位信号；

步骤B，根据内、外离合器传递扭矩的三维差值表，以及内、外离合器油压、滑摩差，分别计算内、外离合器传递扭矩，基于传递扭矩计算结果和滑摩差分别计算内、外离合器滑摩功；

步骤C，将计算的外离合器滑摩功、离合器输入转速、入口冷却油流量和入口冷却油温度进行归一化处理输入到温度预测模型P外，将预测结果反归一化处理后，得到一温度预测值；将计算的内离合器滑摩功、离合器输入转速、入口冷却油流量和入口冷却油温度进行归一化处理输入到温度预测模型P内，将预测结果反归一化处理后，得到另一温度预测值；

步骤D，根据离合器连接的变速器档位信号，将两组温度预测值进行合并，得到最终的湿式双离合器内、外离合器摩擦片、对偶钢片、对偶钢片表面冷却油的温度预测值。

2.根据权利要求1所述的湿式双离合器摩擦片温度快速预测方法，其特征在于，所述温度预测模型P外和温度预测模型P内是采用以下方法构建：

步骤1，通过湿式双离合器传热仿真模型获取离合器温度预测模型训练样本；

所述传热仿真模型是根据湿式双离合器各元件之间或与周围流体之间的传热方式以及离合器热量传递过程，基于热网络理论进行离线构建；

步骤2，构建温度预测模型P，包括建立湿式双离合器在外离合器结合，内离合器分离下的内、外离合器摩擦片、对偶钢片、钢片表面冷却油温度的预测模型P外；以及内离合器结合，外离合器分离下的内、外离合器摩擦片、对偶钢片、钢片表面冷却油温度的预测模型P内；

步骤3，对温度预测模型P进行离线测试。

3.根据权利要求2所述的湿式双离合器摩擦片温度快速预测方法，其特征在于，所述步骤1包括：

步骤1.1，基于热网络法建立湿式双离合传热仿真模型，利用实验采集的对偶钢片和对偶钢片冷却油的温度与传热仿真模型仿真结果进行对比，验证模型的仿真结果的准确性；

步骤1.2，根据所述湿式双离合传热仿真模型，获取湿式双离合器在外离合器结合，内离合器器分离和内离合器结合，外离合器分离两种状态下离合器在不同滑摩功、不同输入转速、不同入口冷却油温度、不同入口冷却油流量工作环境下外离合器和内离合器摩擦片、对偶钢片、对偶钢片表面冷却油温度样本。

4.根据权利要求2所述的湿式双离合器摩擦片温度快速预测方法，其特征在于，所述步骤2包括：

步骤2.1，将通过仿真模型获取的温度样本按离合器两种工作状态进行分组，外离合器结合、内离合器分离状态下的C外温度样本集，以及内离合器结合、外离合器分离状态下的C内温度样本集；

步骤2.2，分别将C外温度样本集和C内温度样本集，以滑摩功、离合器输入端转速、离合器入口冷却油流量、离合器入口冷却油温度作为输入变量组，形成C外输入变量样本集和C内输入变量样本集；外离合器和内离合器摩擦片、对偶钢片、对偶钢片表面冷却油温度作为输出变量组，形成C外输出变量样本集和C内输出变量样本集；

步骤2.3，分别将C外输入变量样本集以及对应的C外输出变量样本集划分为预测模型P外的训练样本集Test_C外输入变量样本集、Test_C外输出变量样本集、Train_ C外输入变量样本集、Train_ C外输出变量样本集；同理，分别将C内输入变量样本集和C内输出变量样本集划分为预测模型P内的训练样本集Test_C内输入变量样本集、Test_C内输出变量样本集、Train_ C内输入变量样本集、Train_ C内输出变量样本集；

步骤2.4，进行大于等于三层的遗传神经网络训练测试，分别构建外离合器结合，内离合器分离状态下的温度预测模型P外和内离合器结合，外离合器分离状态下的温度预测模型P内。

5.根据权利要求4所述的湿式双离合器摩擦片温度快速预测方法，其特征在于，所述步骤2.4包括：

步骤2.4.1，将Test_C外输入变量样本集、Test_C外输出变量样本集、Train_ C外输入变量样本集、Train_ C外输出变量样本集进行归一化处理，将Test_C内输入变量样本集、Test_C内输出变量样本集、Train_ C内输入变量样本集、Train_ C内输出变量样本集进行归一化处理；

步骤2.4.2，分别确定温度预测模型P外和温度预测模型P内的神经网络隐藏层的层数和隐藏层神经元节点数，基于遗传算法建立神经网络权重参数更新方法，构建大于等于三层的GA-BP遗传神经网络模型；

步骤2.4.3，将归一化处理后的Test_C外输入变量样本集、Test_C外输出变量样本集、Train_ C外输入变量样本集、Train_ C外输出变量样本集作为温度预测模型P外的输入输出；将归一化处理后的Test_C内输入变量样本集、Test_C内输出变量样本集、Train_ C内输入变量样本集、Train_ C内输出变量样本集作为温度预测模型P内的输入输出；

步骤2.4.4，初始化GA-BP遗传神经网络模型参数，设置迭代次数，遗传算法种群数、变异概率、交叉概率，进化代数，最后训练模型；

步骤2.4.5，根据测试集在训练好的模型上的误差，不断迭代更新模型，直到误差满足要求，然后将训练好的温度预测模型P外和温度预测模型P内分别存储；

步骤2.4.6，根据与湿式双离合器连接的变速器档位信号，设计温度预测模型P外和温度预测模型P内调用逻辑，构建湿式离合器在不同工作状态和不同工作环境下的外离合器、内离合器摩擦片、对偶钢片、钢片表面冷却油温度预测模型P。

6.根据权利要求1-5任一项所述的湿式双离合器摩擦片温度快速预测方法，其特征在于，所述内、外离合器传递扭矩的三维差值表是，通过实验获取外离合器和内离合器在不同油压、不同油温、不同滑摩差下的传递扭矩而形成。

7.根据权利要求1-5任一项所述的湿式双离合器摩擦片温度快速预测方法，其特征在于，所述内、外离合器滑摩功计算公式为：P=T*w滑摩差，其中P为外离合器滑摩功，T为外离合器传递扭矩，w滑摩差为外离合器滑摩差。

8.根据权利要求5所述的湿式双离合器摩擦片温度快速预测方法，其特征在于，输出结果反归一化处理按公式Xi=（xi+1）*(Xmax-Xmin)/2+ Xmin,其中 Xi为反归一化后内离合器摩擦片温度实际预测值，xi为遗传神经网络预测输出值，Xmax和Xmin分别为样本训练数据对应变量的最大、最小值。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的湿式双离合器摩擦片温度快速预测方法。

Images