基于换挡控制规律的双离合器式自动变速器换挡控制方法与流程

本发明涉及自动变速器控制领域，具体涉及一种基于换挡控制规律的双离合器式自动变速器换挡控制方法。

背景技术：

双离合器式自动变速器(dualclutchtransmissions,dct)换档高效且舒适，拥有巨大的市场前景。换挡控制模块是dct系统的重要部分，但dct缺少类似液力变矩器的缓冲部件，滑磨功、冲击度在换档过程难以得到有效抑制。在换档阶段，为了实现滑磨功、冲击度的多目标最优，保证换档的舒适和离合器的使用寿命，需要对离合器转矩进行协调控制。目前换挡过程中的研究主要涉及驾驶员换挡意图的识别、不同行驶环境下的换挡策略、离合器与发动机的协调控制等。由于换挡控制的复杂程度较高，而搭载dct的车辆在实际运行中仍然会出现大量问题，如低速工况下换挡发生抖动、在拥堵路况由于频繁换挡造成的离合器烧蚀等问题。

dct车辆换挡过程控制的关键在于合理地控制离合器的转矩，使车辆的冲击度和离合器滑磨功处于合理的区间。目前对于dct换挡过程控制的研究主要采用的是基于动力学建模的方法，然而，dct具有高度的非线性和系统时变特性，难以建立精确的模型，因此，控制结果和实际始终存在不小的偏差，特别是随着dct服役时间变长，其系统参数可能发生较大的变化。综上，基于动力学模型的控制方法始终不能达到出dct最佳的换挡性能，且在实际控制中，需要投入大量的人力物力进行控制器的参数标定。

技术实现要素：

本发明的目的是针对现有技术对应的不足，提供一种基于换挡控制规律的双离合器式自动变速器换挡控制方法，直接利用车辆在换挡试验采集的换挡试验数据建立换挡控制规律的映射关系知识库，并应用到车辆的换挡过程控制，以实现精确的车辆换挡控制。

本发明的目的是采用下述方案实现的：一种基于换挡控制规律的双离合器式自动变速器换挡控制方法，包括以下步骤：

1)通过对双离合器式自动变速器的车辆进行换挡试验采集换挡试验数据，并通过神经网络回归训练建立车辆在不同行驶工况k时刻理想换挡状态下的离合器目标转矩uknn与对应的离合器参考转速y^*k的映射关系知识库；

2)车辆在行驶过程中，实时采集车辆行驶数据，采用k均值聚类算法识别车辆当前的行驶工况，根据车辆行驶数据中的车速、发动机转速及节气门开度，从步骤1)中所述的映射关系知识库中获取车辆在当前行驶工况k时刻理想换挡状态下的离合器目标转矩uknn与对应的离合器参考转速y^*k；

3)根据实时采集的离合器实际转速与理想换挡状态的离合器参考转速的差值，得出车辆的当前行驶工况下自动变速箱控制单元对离合器应该补偿的转矩补偿控制量，车辆的自动变速箱控制单元对离合器目标转矩进行自适应补偿，使差值为零，从而实现车辆的最佳换挡状态。

步骤1)中所述的映射关系知识库采用下列步骤建立：

1-1)对车辆的换挡试验数据采用不同的行驶工况进行分类；

1-2)在同一行驶工况下，选取车辆冲击度低于10m/s³的换挡试验数据作为训练集；

1-3)将换挡试验数据中的车速、发动机转速、离合器转速及节气门开度作为输入，将换挡试验数据中的离合器转速及离合器目标转矩作为输出，对各个行驶工况下的训练集分别进行神经网络回归训练，得到不同行驶工况下的理想换挡状态与离合器转矩控制量的神经网络映射知识库。

所述换挡试验数据包括车辆进行换挡试验中采集到的离合器转速、离合器目标转矩、车速、发动机转速及节气门开度；

所述车辆行驶数据包括车辆在行驶过程中，实时采集的离合器转速、离合器目标转矩、车速、发动机转速及节气门开度。

步骤2)中所述采用k均值聚类算法识别车辆当前的行驶工况，包括以下步骤：

2-1)选取在车辆行驶过程中实时采集的发动机转速、节气门开度和离合器转速作为工况聚类特征，随机初始化k个聚类中心cn(1≤n≤k)，将车辆行驶数据的样本分到距离其最近的聚类中心所属的类别，得到k个数据簇，其中，计算每个车辆行驶数据的样本到k个聚类中心的距离的公式如下：

|xj-en|²

式中，en代表各个数据簇的质心，xj代表第j个样本数据；

2-2)根据下列公式计算对k个数据簇的质心，并将这些质心更新为新的聚类中心；

式中，en代表各个数据簇的质心，|cn|代表数据簇中的样本数量，cn代表数据簇中的样本，x代表实际的数据样本；

2-3)重复步骤2-1)到2-2)，直到平方误差函数i收敛，将更新后的聚类中心作为实时工况数据的聚类中心，并得到k个新的数据簇，分别代表不同的工况类别，其中，所述平方误差函数i的公式如下：

式中，k代表初始化聚类中心的个数，cn代表数据簇中的样本，x代表实际的数据样本，en代表各个数据簇的质心；

2-4)计算实时工况数据与各个聚类中心的距离：判断出与实时工况数据距离最近的聚类中心所属的数据簇，将此数据簇代表的工况类别判断为当前工况，其中，实时工况数据与各个聚类中心的距离的计算公式如下：

|xj-en|²

式中，en代表各个数据簇的质心，xj代表第j个样本数据。

步骤3)中所述实现车辆的最佳换挡状态的具体方法，包括以下步骤：

3-1)在车辆实时换挡过程中，自动变速箱控制单元的目标控制函数jk(uk)如下：

jk(uk)＝|y^*k+1-yk+1|²+|ηδuk|²

式中，jk(uk)为自动变速箱控制单元的目标控制函数，yk+1表示离合器在k+1时刻的实际转速，y^*k+1为k+1时刻的离合器参考转速，δuk表示k时刻的离合器转矩补偿控制量的变化值，η为步长序列；

3-2)对步骤3-1)中自动变速箱控制单元的目标控制函数jk(uk)求导，并使其求导的结果为0，得到k时刻的离合器转矩补偿控制量uk的公式如下：

式中，uk为k时刻的离合器转矩补偿控制量，uk-1为k-1时刻的离合器转矩补偿控制量，ρ代表步长序列，λ为权重因子，为离合器在k时刻的实际伪偏导数，y^*k+1为k+1时刻的离合器参考转速，yk表示离合器在k时刻的实际转速；

上述公式的约束条件由发动机的动力来设置，即：发动机转矩小于256n·m，发动机转速大于800rpm，小于6000rpm；

3-3)利用离合器实际转速与参考转速的差值、控制量的变化对离合器在k时刻的实际伪偏导数进行辨识：

式中，为离合器在k时刻的实际伪偏导数，为离合器在k时刻的理论伪偏导数，为离合器在k-1时刻的理论伪偏导数，η为步长序列，δuk-1表示k-1时刻的离合器转矩补偿控制量变化值，μ代表权重因子，y^*k+1为k+1时刻的离合器参考转速，yk表示离合器在k时刻的实际转速；

3-4)将离合器在k时刻的实际伪偏导数k+1时刻的离合器参考转速y^*k+1，离合器在k时刻的实际转速yk，k-1时刻的离合器转矩补偿控制量uk-1，代入步骤3-2)中所述k时刻的离合器转矩补偿控制量uk的公式中进行计算，得到k时刻的离合器转矩补偿控制量uk的值；

3-5)理想状态下，自动变速箱控制单元在k时刻实际输出到离合器的转矩补偿控制量等于自动变速箱控制单元计算得到的k时刻理想换挡状态下的离合器转矩补偿控制量uk，即：

式中，为自动变速箱控制单元在k时刻实际输出到离合器的转矩补偿控制量，uk为自动变速箱控制单元计算得到的k时刻理想换挡状态下的离合器转矩补偿控制量；

3-6)将自动变速箱控制单元在k时刻实际输出到离合器的转矩补偿控制量补偿给步骤1)中所述的映射关系知识库中车辆在当前行驶工况k时刻理想换挡状态下的离合器目标转矩得到车辆在当前行驶工况下k时刻的离合器实际转矩uk^*：

uk^*为k时刻的离合器实际转矩，为步骤1)中所述的映射关系知识库中车辆在当前行驶工况k时刻理想换挡状态下的离合器目标转矩

车辆的自动变速箱控制单元，包括单片机，所述单片机存储与具有自动变速箱控制单元的车辆结合使用的单片机程序，所述单片机程序可被自动变速箱控制单元执行以实现如权利要求1所述的方法。

本发明利用筛选好的理想换挡数据来训练回归神经网络，找到车辆在不同行驶工况k时刻理想换挡状态下的离合器目标转矩与对应的离合器参考转速y^*k的映射关系，该映射关系是通过利用不同工况下的数据进行重复训练得到的，覆盖所有典型工况，从而建立了理想换挡状态与离合器目标转矩控制量的神经网络映射知识库，为车辆的换挡控制规律奠定了数据基础，车辆的自动变速箱控制单元根据换挡控制规律对离合器目标转矩进行实时补偿，相对基于模型的车辆换挡控制方法，能够达到更好的换挡控制效果。

附图说明

图1为本发明的流程图；

图2为基于换挡试验数据的神经网络回归训练结果示意图；

图3为基于换挡试验数据的神经网络回归训练结果的均方根误差示意图；

图4为离合器c1的转速仿真结果示意图；

图5为离合器c2的转速仿真结果示意图；

图6为离合器c1的转矩控制量示意图；

图7为离合器c2的转矩控制量示意图；

图8为车辆冲击度示意图；

图9为离合器滑磨功示意图。

具体实施方式

如图1至图9所示，一种基于换挡控制规律的双离合器式自动变速器换挡控制方法，包括以下步骤：

1)通过对双离合器式自动变速器的车辆进行换挡试验采集换挡试验数据，并通过神经网络回归训练建立车辆在不同行驶工况k时刻理想换挡状态下的离合器目标转矩与对应的离合器参考转速y^*k的映射关系知识库；

步骤1)中所述的映射关系知识库采用下列步骤建立：

1-1)对车辆的换挡试验数据采用不同的行驶工况进行分类：将车辆的换挡试验数据根据行驶工况标签分成三类，分别为工况1、工况2和工况3。

1-2)在同一行驶工况下，选取车辆冲击度低于10m/s³的换挡试验数据作为训练集：筛选同一行驶工况下，车辆冲击度低于10m/s³的换挡试验数据作为神经网络的训练集，分别为工况1、工况2和工况3的训练集。

1-3)将换挡试验数据中的车速、发动机转速、离合器转速及节气门开度作为输入，将换挡试验数据中的离合器转速及离合器目标转矩作为输出，对各个行驶工况下的训练集分别进行神经网络回归训练，得到不同行驶工况下的理想换挡状态与离合器转矩控制量的神经网络映射知识库：

将工况1中的离合器参考转速及离合器目标转矩作为输出，将车速、发动机转速、离合器实际转速及节气门开度作为输入，并将训练集中的80％作为测试集，另外20％作为验证集，在matlab仿真平台中调用非线性自回归神经网络，并将测试集和验证集输入到神经网络中，设置神经网络的隐藏层激活函数为sigmoid型，神经网络采用levenberg-marquardt型的训练算法，之后利用matlab软件对设置好的神经网络进行回归训练，神经网络迭代训练55次时，得到神经网络的训练最小均方误差为4.5316，验证集的回归系数为099677。

对工况2和工况3的训练集重复以上步骤，并保存神经网络的参数设置与权重值，建立不同行驶工况下的理想换挡状态与离合器转矩控制量的神经网络映射知识库。

所述换挡试验数据包括车辆进行换挡试验中采集到的离合器转速、离合器目标转矩、车速、发动机转速及节气门开度；

所述车辆行驶数据包括车辆在行驶过程中，实时采集的离合器转速、离合器目标转矩、车速、发动机转速及节气门开度。

2)车辆在行驶过程中，实时采集车辆行驶数据，采用k均值聚类算法识别车辆当前的行驶工况，根据车辆行驶数据中的车速、发动机转速及节气门开度，从步骤1)中所述的映射关系知识库中获取车辆在当前行驶工况k时刻理想换挡状态下的离合器目标转矩与对应的离合器参考转速y^*k：

将工况识别周期设置为换挡前的150s，利用实时采集的车辆行驶数据进行离线k均值聚类训练，获取各个工况的聚类中心，计算实时车辆数据离聚类中心的欧式距离，将距离最近的那个工况类别识别为当前工况，根据换挡前的车辆行驶数据和步骤1中的神经网络映射知识库，提取当前工况下理想状态下的离合器转速参考轨迹及对应的离合器目标转矩；

步骤2)中所述采用k均值聚类算法识别车辆当前的行驶工况，包括以下步骤：

2-1)在matlab程序中，打开包含车辆行驶过程中实时采集的发动机转速、节气门开度和离合器转速的数据文件，随机初始化k个聚类中心cn(1≤n≤k)，将车辆行驶数据的样本分到距离其最近的聚类中心所属的类别，得到k个数据簇，其中，计算每个车辆行驶数据的样本到k个聚类中心的距离的公式如下：

|xj-en|²

式中，en代表各个数据簇的质心，xj代表第j个样本数据；

2-2)根据下列公式计算对k个数据簇的质心，并将这些质心更新为新的聚类中心；

式中，en代表各个数据簇的质心，|cn|代表数据簇中的样本数量，cn代表数据簇中的样本，x代表实际的数据样本；

2-3)重复步骤2-1)到2-2)，直到平方误差函数i收敛，将更新后的聚类中心作为实时工况数据的聚类中心，并得到k个新的数据簇，分别代表不同的工况类别，其中，所述平方误差函数i的公式如下：

式中，k代表初始化聚类中心的个数，cn代表数据簇中的样本，x代表实际的数据样本，en代表各个数据簇的质心；

2-4)计算实时工况数据与各个聚类中心的距离：判断出与实时工况数据距离最近的聚类中心所属的数据簇，将此数据簇代表的工况类别判断为当前工况，其中，实时工况数据与各个聚类中心的距离的计算公式如下：

|xj-en|²

式中，en代表各个数据簇的质心，xj代表第j个样本数据。

根据当前工况，利用matlab程序调用步骤1)中的神经网络映射知识库，将仿真时常设为1.5s，将车辆行驶数据输入到神经网络映射知识库中，输出车辆在当前行驶工况k时刻理想换挡状态下的离合器目标转矩与对应的离合器参考转速y^*k。

3)根据实时采集的离合器实际转速与理想换挡状态的离合器参考转速的差值，得出车辆的当前行驶工况下自动变速箱控制单元对离合器应该补偿的转矩补偿控制量，车辆的自动变速箱控制单元对离合器目标转矩进行自适应补偿，使差值为零，从而实现车辆的最佳换挡状态。

步骤3)中所述实现车辆的最佳换挡状态的具体方法，包括以下步骤：

3-1)在车辆实时换挡过程中，自动变速箱控制单元的目标控制函数jk(uk)如下：

jk(uk)＝|y^*k+1-yk+1|²+|ηδuk|²

式中，jk(uk)为自动变速箱控制单元的目标控制函数，yk+1表示离合器在k+1时刻的实际转速，y^*k+1为k+1时刻的离合器参考转速，δuk表示k时刻的离合器转矩补偿控制量的变化值，η为步长序列；

3-2)对步骤3-1)中自动变速箱控制单元的目标控制函数jk(uk)求导，并使其求导的结果为0，得到k时刻的离合器转矩补偿控制量uk的公式如下：

式中，uk为k时刻的离合器转矩补偿控制量，uk-1为k-1时刻的离合器转矩补偿控制量，ρ代表步长序列，λ为权重因子，为离合器在k时刻的实际伪偏导数，y^*k+1为k+1时刻的离合器参考转速，yk表示离合器在k时刻的实际转速；

上述公式的约束条件由发动机的动力来设置，即：发动机转矩小于256n·m，发动机转速大于800rpm，小于6000rpm；

3-3)利用离合器实际转速与参考转速的差值、控制量的变化对离合器在k时刻的实际伪偏导数进行辨识：

式中，为离合器在k时刻的实际伪偏导数，为离合器在k时刻的理论伪偏导数，为离合器在k-1时刻的理论伪偏导数，η为步长序列，δuk-1表示k-1时刻的离合器转矩补偿控制量变化值，μ代表权重因子，y^*k+1为k+1时刻的离合器参考转速，yk表示离合器在k时刻的实际转速；

将步长序列ρ设置为1.5，η设置为0.5，权重因子λ设置为0.3、μ设置为0.6，利用simulink仿真平台进行控制模型验证，仿真步长设为0.01s，计算得到离合器在k时刻的实际伪偏导数

3-4)将离合器在k时刻的实际伪偏导数k+1时刻的离合器参考转速y^*k+1，离合器在k时刻的实际转速yk，k-1时刻的离合器转矩补偿控制量uk-1，代入步骤3-2)中所述k时刻的离合器转矩补偿控制量uk的公式中进行计算，得到k时刻的离合器转矩补偿控制量uk的值：

仿真时长设置为3s，前1.5s为换挡准备阶段，其中，1.5≤k≤3，将获得的k时刻的离合器转矩补偿控制量uk实时输入到simulink仿真平台中，进行车辆换挡过程的仿真试验，得到车辆行驶过程中换挡时的离合器转速输出、冲击度和滑摩功，以对换挡的控制性能进行评价，对所提出的换挡控制策略的有效性进行验证。

3-5)理想状态下，自动变速箱控制单元在k时刻实际输出到离合器的转矩补偿控制量等于自动变速箱控制单元计算得到的k时刻理想换挡状态下的离合器转矩补偿控制量uk，即：

式中，为自动变速箱控制单元在k时刻实际输出到离合器的转矩补偿控制量，uk为自动变速箱控制单元计算得到的k时刻理想换挡状态下的离合器转矩补偿控制量；

3-6)将自动变速箱控制单元在k时刻实际输出到离合器的转矩补偿控制量补偿给步骤1)中所述的映射关系知识库中车辆在当前行驶工况k时刻理想换挡状态下的离合器目标转矩得到车辆在当前行驶工况下k时刻的离合器实际转矩uk^*：

uk^*为k时刻的离合器实际转矩，为步骤1)中所述的映射关系知识库中车辆在当前行驶工况k时刻理想换挡状态下的离合器目标转矩

本实施例中，如图2所示，结合仿真结果进行分析，神经网络回归训练结果的回归系数均大于0.99706，说明训练结果能够很好地反映换挡数据特征。从图3中可得，当神经网络训练次数达到55次左右，经测试集验证，结果的均方根误差低于7.28，说明训练后的神经网络能够较准确地映射系统状态与离合器转矩的非线性关系。如图4和图5所示，两离合器的实际转速较好地对从知识库中提取的参考转速进行了跟随，趋近于该工况下的理想换挡状态。在15％油门工况下利用基于数据驱动的方式进行双离合器式自动变速器的换挡控制，计算得到的离合器c1和离合器c2的转矩控制量如图6和图7所示。换挡过程的常用的两个评价指标为车辆冲击度和离合器滑磨功，从图8可得，该换挡控制过程的最大冲击度小于8m/s³，保证了换挡的舒适性。从图9可得，换挡过程中两个离合器产生的滑磨功总和为2780j,有效地保证了离合器的使用寿命。

综上所述，本发明通过车辆的自动变速箱控制单元根据换挡控制规律对离合器目标转矩进行实时补偿，相对基于模型的车辆换挡控制方法，能够达到更好的换挡控制效果。

以上所述仅为本发明的优选实施例，并不用于限制本发明，本领域的技术人员在不脱离本发明的精神的前提提下，对本发明进行的改动均落入本发明的保护范围。