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

摘要

本发明公开了一种基于BP神经网络的双离合器自动变速器控制方法，包括：确定三层神经网络的输入层向量，中间层向量，以及输出层向量；步骤二：根据历史数据获取训练样本对神经网络进行训练；步骤三：按照一定的采样周期使用传感器测量汽车发动机的转速n、节气门开度θ、行驶速度va、方向盘的转角β，并将上述参数进行规格化，得到输入层向量和输出层向量；步骤四：对控制双离合器自动变速器换挡时的接合速度和离合器主、从动片间正压力进行控制；步骤五、根据输出层向量中换挡结束信息，判断离合器的运行状态。本发明基于BP神经网络的双离合器自动变速器控制方法，能够根据不同工况下换挡过程得到最优控制轨迹。

说明书

技术领域

本发明涉及汽车变速器控制领域，尤其涉及一种基于BP神经网络的双离合器自动变速器装置及控制方法。

背景技术

自动变速器是汽车工业发展水平的重要标志，是汽车核心技术国际竞争力的主要体现，在汽车产业中占有重要的份额。双离合器自动变速器(Dual Clutch Transmission,DCT)一种新型自动变速器技术，其结构可以简单地描述为由一个带奇数挡和一个带偶数挡的两个变速器组成，通过原挡位离合器的分离和新挡位离合器的接合来实现动力不中断换挡，不仅具有良好的换挡品质，同时又具有传动效率高、结构简单紧凑、扭矩适应范围广、易于多挡化的优点。随着汽车工业的发展和各项法规的日益严格，市场对自动变速器在安全、舒适、节能和成本等方面提出的要求越来越高；另外先进汽车电子技术、网络技术、控制技术在汽车领域的广泛应用，使得自动变速器控制系统日趋复杂，给DCT自动变速控制理论研究及其应用技术带来挑战。

DCT控制具有高度非线性和控制精度要求高的特点，涉及车辆系统动力学、控制理论、信息分析与处理及机电液一体化技术等诸多领域，传统控制方法已无法满足控制要求。随着车载导航系统(全球定位系统GPS和地理信息系统GIS)在汽车上的应用日趋普及，以及多源信息融合理论的完善与应用，为深入研究车辆行驶状态和道路环境参数在线辨识与预测技术提供了数据基础。但是双离合器自动变速器往往根据既定的参数设置来实现换挡变速，难以考虑到更复杂的车况、道路特征信息、交通状况及驾驶员操作信息，进行更为智能的工作。

发明内容

本发明为解决目前的技术不足之处，提供了一种基于BP神经网络的双离合器自动变速器控制方法，能够根据不同工况下换挡过程得到最优控制轨迹。

本发明的另一目的是提供一种基于BP神经网络的双离合器自动变速器控制装置，能够实施监测汽车的运行状况。

本发明提供的技术方案为：一种基于BP神经网络的双离合器自动变速器控制装置，包括：

发动机转速传感器，其设置在发动机上，用于检测所述发动机的转速；

节气门开度传感器，其设置在所述发动机的节气门处，用于检测所述节气门的开度；

车速传感器，其设置在车轮内，用于测试汽车的行驶速度；

方向盘转角传感器，其设置在方向盘上，用于检测方向盘的转动角度；

控制器，其连接所述发动机转速传感器、所述节气门开度传感器、车速传感器、方向盘转角传感器，用于控制双离合器自动变速器换挡时的结合速度及离合器主、从动片间正压力。

如图1所示，一种基于BP神经网络的双离合器自动变速器控制方法，包括以下步骤：

步骤一、按照采样周期，获取汽车发动机的转速n、节气门开度θ、行驶速度v^a、方向盘的转角β；

步骤二、依次将步骤一中获取的参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄}；其中x₁为转速系数、x₂为节气门开度系数、x₃为行驶速度系数、x₄为方向盘转角系数；

步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,y₃,......,y_m}；m为中间层节点个数；

步骤四、得到输出层向量o＝{o₁,o₂,o₃}；o₁为离合器接合速度调节系数、o₂为离合器主、从动片间正压力调节系数、o₃为换挡结束信号；

步骤五、控制双离合器自动变速器换挡时的接合速度和离合器主、从动片间正压力，使

v^b_i+1＝oⁱ₁v^b_max

P_i+1＝oⁱ₂P_max

其中，oⁱ₁、oⁱ₂别为第i次采样周期输出层向量两个参数，v^b_max为换挡时离合器最大接合速度，P_max为换挡时离合器主、从动片间最大正压力，v^b_i+1为第i+1个采样周期时离合器接合速度，P_i+1为第i+1个采样周期时离合器主、从动片间正压力。

优选的是，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。

优选的是，步骤二中，利用如下公式对节气门开度θ进行规格化

其中，θ_max和θ_min分别为离合器节气门最大开度和最小开度；最大开度θ_max为90度，最小开度θ_min为2度。

优选的是，步骤二中，将汽车发动机的转速n、行驶速度v^a及方向盘的转角β进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数n、v^a、β，j＝1,3,4；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，步骤三中，初始运动状态，换挡时的离合器接合速度和离合器主、从动片间正压力满足经验值：

v^b₀＝0.61v^b_max

P₀＝0.09P_max

其中，v^b₀、P₀分别为换挡时离合器初始结合速度；v^b_max为换挡时离合器最大接合速度，P_max为换挡时离合器主、从动片间最大正压力。

优选的是，发动机的转速为：

n＝172.75e^0.01θ+214.1ln(θ+0.98)+54(θ+1)^0.56+0.09θ²+6θ-158。

优选的是，根据第i次周期中的汽车发动机的转速、节气门开度、行驶速度、方向盘的转角采样信号，判定第i+1次周期时离合器的运行状态，当输出信号时，换挡结束。

本发明所述的有益效果：根据不同工况下双离合器的位置能够得到较好的控制，具有良好的动态跟踪性能；构建了人工神经网络，具有自学习和预测功能，使其具有良好的适应性和调控的准确性；能够大大提高工作效率，并降低油耗。

附图说明

图1为本发明所述的一种基于BP神经网络的双离合器自动变速器控制方法的流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供了一种基于BP神经网络的双离合器自动变速器控制方法，使用神经网络控制对双离合器在换挡变速过程中的结合速度、主从动片间正压力的参数进行控制。

本发明提供的双离合器自动变速器包括：发动机转速传感器，其设置在发动机上，用于检测所述发动机的转速；节气门开度传感器，其设置在所述发动机的节气门处，用于检测所述节气门的开度；车速传感器，其设置在车轮内，用于测试汽车的行驶速度；方向盘转角传感器，其设置在方向盘上，用于检测方向盘的转动角度；控制器，其连接所述发动机转速传感器、所述节气门开度传感器、车速传感器、方向盘转角传感器，用于控制双离合器自动变速器换挡时的结合速度以及主、从动片间正压力。

本发明提供了一种基于BP神经网络的双离合器自动变速器控制方法步骤如下：

步骤一S110：建立BP神经网络模型。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示n个输入参数，这些信号参数由数据预处理模块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：O＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝4，输出层节点数为p＝3。隐藏层节点数m由下式估算得出：

输入信号4个参数分别表示为：x₁为转速系数、x₂为节气门开度系数、x₃为汽车行驶速度系数、x₄为方向盘转角系数。

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于汽车发动机的转速n，进行规格化后，得到转速系数

其中，n_max和n_min分别为汽车发动机的最大转速和最小转速。

同样的，对汽车发动机节气门开度θ进行规格化后，得到节气门开度系数

其中，θ_max和θ_min分别为发动机节气门的开度最大值和最小值。

对汽车行驶速度v^a进行规格化后，得到汽车行驶速度的系数

其中，v^a_max和v^a_min分别为汽车行驶的最大速度和最小速度。

对方向盘的转角β进行规格化，得到方向盘的转角系数

其中，β_max和β_min为汽车方向盘的最大转角和最小转角。

在本发明中，汽车行驶过程中发动机节气门的最大开度θ_max为90度，最小节气门开度θ_min为2度。汽车发动机的转速n是通过控制节气门的开度θ的大小来调节的，作为一种优选，汽车发动机的转速n满足：

n＝172.75e^0.01θ+214.1ln(θ+0.98)+54(θ+1)^0.56+0.09θ²+6θ-158

输出的三个参数分别表示为：o₁为离合器接合速度调节系数、o₂为离合器主、从动片间正压力调节系数、o₃为换挡结束信号。

离合器接合速度调节系数数o₁表示下一个采样周期时接合速度与最大接合速度之比，即在第i个采样周期获取输入参数，通过BP神经网络输出第i个采样周期的接合速度调节系数o₁ⁱ后，控制第i+1个采样周期中的接合速度v^b_i+1，使其满足：

v^b_i+1＝oⁱ₁v^b_max

其中，v^b_max为离合器接合最大速度。

离合器主、从动片间正压力调节系数o₂表示下一个采样周期时的主、从动片间正压力与主、从动片间最大正压力之比，即在第i个采样周期获取输入参数，通过BP神经网络输出第i个采样周期的主、从动片间正压力调节系数后，控制第i+1个采样周期中的主、从动片间正压力，使其满足：

P_i+1＝oⁱ₂P_max

其中，P_max为换挡时离合器主、从动片间最大正压力。

换挡结束信号o₃表示为当前设备的运行状态，其输出值为0或1，当输出值为0时，表示当前设备处于非正常状态，此时，需要进行结束换挡；当输出值为1时，表示当前设备处于正常状态，可以继续运行。

步骤二S120、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值α_j，输出层节点k的阈值α_k、w_ij、w_jk、α_j、α_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，直至系统误差小于等于期望误差时，完成神经网络的训练过程。

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

步骤三S130、采集输入参数，得到输出参数，并对双离合器自动变速器进行控制。

步骤三S130具体包括如下分步骤：

S131：按照采样周期，获取第i个采样周期时换挡汽车发动机的转速n、节气门开度θ、行驶速度v^a、方向盘的转角β，其中，i＝1,2,……。

S132：依次将上述4个参数进行规格化，得到第i个采样周期时三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄}。

S133：所述输入层向量映射到中间层，得到第i个采样周期时中间层向量y＝{y₁,y₂,y₃,y₄}。

S134：所述中间层向输出层映射，得到第i个采样周期时得到输出层向量o＝{o₁,o₂,o₃}。

S135、对换挡时的接合速度和离合器主、从动片间正压力进行控制，使下一个周期即第i+1个采样周期时换挡时的接合速度和离合器主、从动片间正压力满足：

v^b_i+1＝oⁱ₁v^b_max

P_i+1＝oⁱ₂P_max

初始值为

v^b₀＝0.61v^b_max

P₀＝0.09P_max；

其中，别为第i次采样周期输出层向量前两个参数，v^b_max为换挡时离合器最大接合速度，P_max为换挡时离合器主、从动片间最大正压力，v^b_i+1为第i+1个采样周期时离合器接合速度，P_i+1为第i+1个采样周期时离合器主、从动片间正压力。

S136：根据第i次周期中的汽车发动机的转速、节气门开度、行驶速度、方向盘的转角采样信号，判定第i+1次周期时离合器的运行状态，当输出信号时，换挡结束。

通过上述设置，通过获取输入参数，通过采用BP神经网络算法，对换挡时的接合速度和离合器主、从动片间正压力进行控制，使双离合器自动变速器能够根据不同工况下换挡过程得到最优控制轨迹。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。