带狗齿离合器新能源变速箱换挡性能预测方法及系统与流程

1.本发明涉及汽车技术领域，特别涉及一种带狗齿离合器新能源变速箱换挡性能预测方法及系统。


背景技术：

2.在汽车技术领域，随着新能源技术的不断发展，多挡位混动或多档纯电动变速箱由于其更加优秀的动力性和经济性，一直备受主机厂及终端客户的关注。其中，狗齿离合器是变速箱的重要组成部分之一，由于其结构简单，控制方便，具有良好的性能及成本优势，在新能源自动变速箱中具有良好的应用前景。
3.但由于狗齿离合器自身不具备同步功能，在换挡过程中需要电机先行调速，降低狗齿离合器两端转速差至期望值后再进行换挡，由于软件控制的不稳定以及转速差的存在，狗齿两端在接触时易形成一定冲击。而该冲击受换挡过程的扭矩和转速波动影响较大，较大的冲击会对狗齿离合器造成损坏，进而影响狗齿离合器的耐久性能，造成整车换挡性能变差。
4.因此，针对现有技术的不足，提供一种能够对狗齿离合器在换挡过程中进行预测的方法很有必要。


技术实现要素：

5.基于此，本发明的目的是提供一种带狗齿离合器新能源变速箱换挡性能预测方法及系统，以提供一种能够对狗齿离合器在换挡过程中进行性能预测的方法。
6.本发明实施例第一方面提出了一种带狗齿离合器新能源变速箱换挡性能预测方法，所述方法包括：
7.获取目标变速箱，并确定出当前所述目标变速箱对应的变速箱物理参数，所述目标变速箱包括狗齿离合器；
8.基于所述变速箱物理参数对所述目标变速箱进行换挡性能测试，以获取到若干对应的测试参数，并根据若干所述测试参数计算出对应的换挡性能评价指标；
9.基于bp神经网络以及所述换挡性能评价指标构建出对应的bp神经网络预测模型，并根据所述bp神经网络预测模型对当前所述目标变速箱进行换挡性能预测。
10.本发明的有益效果是：通过获取目标变速箱，并确定出当前目标变速箱对应的变速箱物理参数；进一步的，基于变速箱物理参数对目标变速箱进行换挡性能测试，以获取到若干对应的测试参数，并根据若干测试参数利用主成分分析方法计算出对应的换挡性能评价指标；最后只需基于bp神经网络以及换挡性能评价指标构建出对应的bp神经网络预测模型，并根据bp神经网络预测模型对当前目标变速箱进行换挡性能预测。通过上述方式能够对各项换挡性能的关键参数进行降维处理，并去除信息的冗余性，构造出换挡性能评价指标的时间序列，简化了bp神经网络预测模型的结构。与此同时，基于换挡性能评价指标的时间序列，结合bp神经网络，能够建立出对应的bp神经网络预测模型，同时该bp神经网络预测
模型能够根据实际的测试结果进行实时更新，从而能够实现带狗齿的新能源汽车的变速箱换挡性能的准确预测，实现了提前预测的功能，适用于大范围的推广与使用。
11.优选的，所述目标变速箱包括换挡毂，所述基于所述变速箱物理参数对所述目标变速箱进行换挡性能测试，以获取到若干对应的测试参数的步骤包括：
12.识别出所述换挡毂在所述目标变速箱换挡过程的不同阶段分别产生的信号识别点以及换挡毂角度，并根据所述信号识别点以及所述换挡毂角度将所述目标变速箱的换挡过程划分为摘挡阶段以及进挡阶段；
13.依次采集所述目标变速箱在所述摘挡阶段以及所述进挡阶段分别产生的若干测试信号，并根据若干所述测试信号获取到若干对应的所述测试参数。
14.优选的，所述根据若干所述测试参数计算出对应的换挡性能评价指标的步骤包括：
15.根据若干所述测试参数构建出对应的特征向量，并根据所述特征向量构建出对应的特征矩阵；
16.通过主成分分析算法对所述特征矩阵进行线性组合，并将所述线性组合中的最大特征值对应的特征向量的系数融合指标定义为所述换挡性能评价指标。
17.优选的，所述基于bp神经网络以及所述换挡性能评价指标构建出对应的bp神经网络预测模型的步骤包括：
18.通过预设程序构建出所述bp神经网络，并将所述换挡性能评价指标等间隔选取至所述bp神经网络中，以构建出bp神经网络初始模型；
19.对所述bp神经网络初始模型进行迭代更新处理，以生成所述bp神经网络预测模型。
20.优选的，所述方法还包括：
21.获取所述目标变速箱的全寿命周期特征参数的历史数据，并根据所述历史数据计算出所述目标变速箱在所述全寿命周期内的完整换挡性能评价指标；
22.计算出所述完整换挡性能评价指标处于完全失效时刻对应的目标指标值，并根据所述目标指标值按照预设比例生成与所述目标变速箱对应的预测阈值；
23.判断所述目标变速箱实时预测生成的换挡性能评价指标是否达到所述预测阈值；
24.若判断到所述目标变速箱实时预测生成的换挡性能评价指标达到所述预测阈值，则判定当前所述目标变速箱的使用性能开始下降。
25.本发明实施例第二方面提出了一种带狗齿离合器新能源变速箱换挡性能预测系统，所述系统包括：
26.获取模块，用于获取目标变速箱，并确定出当前所述目标变速箱对应的变速箱物理参数，所述目标变速箱包括狗齿离合器；
27.测试模块，用于基于所述变速箱物理参数对所述目标变速箱进行换挡性能测试，以获取到若干对应的测试参数，并根据若干所述测试参数计算出对应的换挡性能评价指标；
28.预测模块，用于基于bp神经网络以及所述换挡性能评价指标构建出对应的bp神经网络预测模型，并根据所述bp神经网络预测模型对当前所述目标变速箱进行换挡性能预测。
29.其中，上述带狗齿离合器新能源变速箱换挡性能预测系统中，所述测试模块具体用于：
30.识别出所述换挡毂在所述目标变速箱换挡过程的不同阶段分别产生的信号识别点以及换挡毂角度，并根据所述信号识别点以及所述换挡毂角度将所述目标变速箱的换挡过程划分为摘挡阶段以及进挡阶段；
31.依次采集所述目标变速箱在所述摘挡阶段以及所述进挡阶段分别产生的若干测试信号，并根据若干所述测试信号获取到若干对应的所述测试参数。
32.其中，上述带狗齿离合器新能源变速箱换挡性能预测系统中，所述测试模块还具体用于：
33.根据若干所述测试参数构建出对应的特征向量，并根据所述特征向量构建出对应的特征矩阵；
34.通过主成分分析算法对所述特征矩阵进行线性组合，并将所述线性组合中的最大特征值对应的特征向量的系数融合指标定义为所述换挡性能评价指标。
35.其中，上述带狗齿离合器新能源变速箱换挡性能预测系统中，所述预测模块具体用于：
36.通过预设程序构建出所述bp神经网络，并将所述换挡性能评价指标等间隔选取至所述bp神经网络中，以构建出bp神经网络初始模型；
37.对所述bp神经网络初始模型进行迭代更新处理，以生成所述bp神经网络预测模型。
38.其中，上述带狗齿离合器新能源变速箱换挡性能预测系统中，所述带狗齿离合器新能源变速箱换挡性能预测系统还包括判断模块，所述判断模块具体用于：
39.获取所述目标变速箱的全寿命周期特征参数的历史数据，并根据所述历史数据计算出所述目标变速箱在所述全寿命周期内的完整换挡性能评价指标；
40.计算出所述完整换挡性能评价指标处于完全失效时刻对应的目标指标值，并根据所述目标指标值按照预设比例生成与所述目标变速箱对应的预测阈值；
41.判断所述目标变速箱实时预测生成的换挡性能评价指标是否达到所述预测阈值；
42.若判断到所述目标变速箱实时预测生成的换挡性能评价指标达到所述预测阈值，则判定当前所述目标变速箱的使用性能开始下降。
43.本发明实施例第三方面提出了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述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如上面所述的带狗齿离合器新能源变速箱换挡性能预测方法。
44.本发明实施例第四方面提出了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上面所述的带狗齿离合器新能源变速箱换挡性能预测方法。
45.本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
46.图1为本发明第一实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法的流程图；
47.图2为本发明第六实施例提供的带狗齿离合器新能源变速箱换挡性能预测系统的结构框图。
48.如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
49.为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
50.需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
51.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
52.请参阅图1，所示为本发明第一实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法，本实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法能够对各项换挡性能的关键参数进行降维处理，并去除信息的冗余性，构造出换挡性能评价指标的时间序列，简化了bp神经网络预测模型的结构。与此同时，基于换挡性能评价指标的时间序列，结合bp神经网络，能够建立出对应的bp神经网络预测模型，同时该bp神经网络预测模型能够根据实际的测试结果进行实时更新，从而能够实现带狗齿的新能源汽车的变速箱换挡性能的准确预测，实现了提前预测的功能，适用于大范围的推广与使用。
53.具体的，本实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法具体包括以下步骤：
54.步骤s10，获取目标变速箱，并确定出当前所述目标变速箱对应的变速箱物理参数，所述目标变速箱包括狗齿离合器；
55.具体的，在本实施例中，首先需要说明的是，本实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法具体应用在安装有狗齿离合器的混合动力变速箱上，用于实现对安装有狗齿离合器的混合动力变速箱的换挡性能预测，以实时了解到安装有狗齿离合器的混合动力变速箱在工作过程中的使用性能，其中，狗齿离合器不仅限于离合器，也用于换挡结构。
56.因此，在本步骤中，需要说明的是，为了能够准确的实现预测的效果，本步骤会首先获取一个目标变速箱，即上述安装有狗齿离合器的混合动力变速箱，进一步的，获取当前安装有狗齿离合器的混合动力变速箱对应的各项变速箱物理参数，具体的，该变速箱物理参数可以包括速比以及各旋转件的转动惯量等物理参数。
57.步骤s20，基于所述变速箱物理参数对所述目标变速箱进行换挡性能测试，以获取到若干对应的测试参数，并根据若干所述测试参数计算出对应的换挡性能评价指标；
58.进一步的，在本实施例中，需要说明的是，在通过上述步骤获取到需要的目标变速
箱以及对应的变速箱物理参数之后，本步骤会进一步基于获取到的变速箱物理参数对当前目标变速箱进行对应的换挡性能测试，以获取到若干对应的测试参数。
59.在此基础之上，根据实时获取到的测试参数对应计算出与当前目标变速箱对应的换挡性能评价指标。
60.步骤s30，基于bp神经网络以及所述换挡性能评价指标构建出对应的bp神经网络预测模型，并根据所述bp神经网络预测模型对当前所述目标变速箱进行换挡性能预测。
61.最后，在本步骤中，需要说明的是，在通过上述步骤获取到换挡性能评价指标之后，本步骤会进一步基于预先设置好的bp神经网络以及当前实时获取到的换挡性能评价指标对应构建出需要的bp神经网络预测模型，在此基础之上，只需通过该bp神经网络预测模型就能够对当前目标变速箱进行对应的换挡性能预测。
62.使用时，通过获取目标变速箱，并确定出当前目标变速箱对应的变速箱物理参数；进一步的，基于变速箱物理参数对目标变速箱进行换挡性能测试，以获取到若干对应的测试参数，并根据若干测试参数计算出对应的换挡性能评价指标；最后只需基于bp神经网络以及换挡性能评价指标构建出对应的bp神经网络预测模型，并根据bp神经网络预测模型对当前目标变速箱进行换挡性能预测。通过上述方式能够对各项换挡性能的关键参数进行降维处理，并去除信息的冗余性，构造出换挡性能评价指标的时间序列，简化了bp神经网络预测模型的结构。与此同时，基于换挡性能评价指标的时间序列，结合bp神经网络，能够建立出对应的bp神经网络预测模型，同时该bp神经网络预测模型能够根据实际的测试结果进行实时更新，从而能够实现带狗齿的新能源汽车的变速箱换挡性能的准确预测，实现了提前预测的功能，适用于大范围的推广与使用。
63.需要说明的是，上述的实施过程只是为了说明本技术的可实施性，但这并不代表本技术的带狗齿离合器新能源变速箱换挡性能预测方法只有上述唯一一种实施流程，相反的，只要能够将本技术的带狗齿离合器新能源变速箱换挡性能预测方法实施起来，都可以被纳入本技术的可行实施方案。
64.综上，本发明上述实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法能够对各项换挡性能的关键参数进行降维处理，并去除信息的冗余性，构造出换挡性能评价指标的时间序列，简化了bp神经网络预测模型的结构。与此同时，基于换挡性能评价指标的时间序列，结合bp神经网络，能够建立出对应的bp神经网络预测模型，同时该bp神经网络预测模型能够根据实际的测试结果进行实时更新，从而能够实现带狗齿的新能源汽车的变速箱换挡性能的准确预测，实现了提前预测的功能，适用于大范围的推广与使用。
65.本发明第二实施例也提供了一种带狗齿离合器新能源变速箱换挡性能预测方法，本实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法与上述第一实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法的不同之处在于：
66.其中，在本实施例中，需要指出的是，上述目标变速箱包括换挡毂，所述基于所述变速箱物理参数对所述目标变速箱进行换挡性能测试，以获取到若干对应的测试参数的步骤包括：
67.识别出所述换挡毂在所述目标变速箱换挡过程的不同阶段分别产生的信号识别点以及换挡毂角度，并根据所述信号识别点以及所述换挡毂角度将所述目标变速箱的换挡过程划分为摘挡阶段以及进挡阶段；
68.依次采集所述目标变速箱在所述摘挡阶段以及所述进挡阶段分别产生的若干测试信号，并根据若干所述测试信号获取到若干对应的所述测试参数。
69.具体的，在本实施例中，需要说明的是，本实施例是基于三向振动加速度传感器、带有狗齿离合器的混合动力变速箱、功能台架以及etas数据采集器实施的，其中，带有狗齿离合器的混合动力变速箱通过螺栓固定连接在发动机壳体的结合面上，该混合动力变速箱总成的输出端通过法兰及对应的螺栓安装在专业台架的动力电机轴上，该功能台架提供转速或者扭矩控制的动力给该混合动力变速箱的输出端。上述三向振动传感器通过胶水固定粘在带有狗齿离合器的混合动力变速箱总成的底部壳体上，用于采集变速箱壳体在换挡过程中产生的振动。具体的，变速箱的控制单元信号、三向振动传感器的数据通过上述etas数据采集器传导至电脑端进行收集，并实时记录保存。
70.进一步的，识别出当前带有狗齿离合器的混合动力变速箱中的换挡毂在当前目标变速箱换挡过程的不同阶段分别产生的信号识别点以及换挡毂角度，并根据所述信号识别点以及所述换挡毂角度将所述目标变速箱的换挡过程划分为摘挡阶段以及进挡阶段；
71.更进一步的，依次采集当前目标变速箱在上述摘挡阶段以及上述进挡阶段分别产生的若干测试信号，并根据若干所述测试信号获取到若干对应的所述测试参数。
72.其中，需要说明的是，本实施例需要采集的信号有变速箱壳体振动信号、当前挡位信号、目标挡位信号、换挡毂角度信号、输入轴转速信号、输出轴转速信号、驱动电机扭矩信号以及换挡毂状态信号，对应获取到的测试参数有：换挡噪声、摘挡扭矩、摘挡时间、进挡扭矩、进挡时间、狗齿两端实际转速差、输入轴最大转速梯度、进挡最大功率、进挡能量以及驱动电机补偿扭矩。
73.其中，换挡噪声的获取方式为：换挡过程中变速箱壳体振动加速度信号转换为分贝值，通过计算噪声峰值时刻0.15s至0.05s时间窗内的均值，作为环境背景噪声，计算峰值与背景噪声的差值表示换挡噪声。
74.其中，摘挡扭矩的获取方式为：计算摘挡阶段由于狗齿离合器摘出在输入轴端引起的扭矩。
75.其中，摘挡时间的获取方式为：计算狗齿离合器摘出至挡位到达空挡花费的时间。
76.其中，进挡扭矩的获取方式为：计算进挡阶段狗齿离合器预接触至进入齿槽完成换挡时间内在输入轴端引起的扭矩；
77.扭矩计算公式：m＝alpha*j-m_motor
78.其中，alpha表示输入轴转动角加速度；j表示输入轴处的当量惯量；m_motor表示换挡电机换算至输入轴处扭矩。
79.其中，进挡时间的获取方式为：算进挡阶段狗齿离合器预接触至进入齿槽完成换挡花费的时间。
80.其中，狗齿两端实际转速差的获取方式为：计算狗齿离合器在进挡碰撞预接触时刻两端的转速差值。
81.其中，输入轴最大转速梯度的获取方式为：计算狗齿离合器在进挡碰撞预接触时刻至进入齿槽完成换挡过程中输入轴转速最大角加速度。
82.其中，进挡最大功率的获取方式为：计算狗齿离合器在进挡碰撞预接触时刻至进入齿槽完成换挡过程中最大功率，计算公式如下：
83.p
max
＝max(m*ω)
84.其中：m表示进挡过程在输入轴处引起的扭矩，ω表示输入轴角速度。
85.其中，进挡能量的获取方式为：计算狗齿离合器在进挡碰撞预接触时刻至进入齿槽完成换挡过程中产生的能量，计算公式如下：
[0086][0087]
其中t_start表示进挡碰撞预接触时刻，t_end表示进入齿槽完成进挡时刻。
[0088]
其中，驱动电机补偿扭矩的获取方式为：计算在进挡碰撞预接触时刻至进入齿槽完成换挡过程中驱动电机最大扭矩。
[0089]
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供相应内容。
[0090]
综上，本发明上述实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法能够对各项换挡性能的关键参数进行降维处理，并去除信息的冗余性，构造出换挡性能评价指标的时间序列，简化了bp神经网络预测模型的结构。与此同时，基于换挡性能评价指标的时间序列，结合bp神经网络，能够建立出对应的bp神经网络预测模型，同时该bp神经网络预测模型能够根据实际的测试结果进行实时更新，从而能够实现带狗齿的新能源汽车的变速箱换挡性能的准确预测，实现了提前预测的功能，适用于大范围的推广与使用。
[0091]
本发明第三实施例也提供了一种带狗齿离合器新能源变速箱换挡性能预测方法，本实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法与上述第一实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法的不同之处在于：
[0092]
进一步的，在本实施例中，需要指出的是，上述根据若干所述测试参数计算出对应的换挡性能评价指标的步骤包括：
[0093]
根据若干所述测试参数构建出对应的特征向量，并根据所述特征向量构建出对应的特征矩阵；
[0094]
通过主成分分析算法对所述特征矩阵进行线性组合，并将所述线性组合中的最大特征值对应的特征向量的系数融合指标定义为所述换挡性能评价指标。
[0095]
具体的，在本实施例中，需要说明的是，在通过上述步骤获取到若干测试参数之后，本实施例会进一步通过计算当前若干个测试参数，以将每一次的换挡均构造为一个对应的特征向量：
[0096]
xi＝[x
i1
，x
i2
，
…
，x
i10
]
[0097]
其中i表示换挡次数，进一步的，汇总所有测试换挡过程特征向量，构造出换挡特征矩阵：
[0098][0099]
x中元素x
ij
表示第i次换挡的第j物理量。
[0100]
进一步的，在本实施例中，通过主成分变换对上述x进行线性组合：
[0101][0102]
使系数l
ij
满足：
[0103]
(1)
[0104]
(2)线性组合yi与yi(i≠j)相互无关；
[0105]
(3)使y1为x1，x2，
…
，x
p
的一切线性组合中方差最大值，y2为与y1不相关的x1，x2，
…
，x
p
的线性组合集中方差的最大者；y
p
为与y1，y2，
…
，y
p-1
不相关的x1，x2，
…
，x
p
的所有线性组合中方差最大者。
[0106]
获得的主成分信息是以原始特征信息x的协方差矩阵的第i个特征值λi所对应的特征向量li＝(l
1i
，l
2i
，
…
，l
pi
)为系数的线性组合。其中，取最大特征值对应的特征向量的系数融合指标，将其作为换挡性能评价指标，实现对换挡性能的评价。
[0107]
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供相应内容。
[0108]
综上，本发明上述实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法能够对各项换挡性能的关键参数进行降维处理，并去除信息的冗余性，构造出换挡性能评价指标的时间序列，简化了bp神经网络预测模型的结构。与此同时，基于换挡性能评价指标的时间序列，结合bp神经网络，能够建立出对应的bp神经网络预测模型，同时该bp神经网络预测模型能够根据实际的测试结果进行实时更新，从而能够实现带狗齿的新能源汽车的变速箱换挡性能的准确预测，实现了提前预测的功能，适用于大范围的推广与使用。
[0109]
本发明第四实施例也提供了一种带狗齿离合器新能源变速箱换挡性能预测方法，本实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法与上述第一实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法的不同之处在于：
[0110]
另外，在本实施例中，需要说明的是，上述基于bp神经网络以及所述换挡性能评价指标构建出对应的bp神经网络预测模型的步骤包括：
[0111]
通过预设程序构建出所述bp神经网络，并将所述换挡性能评价指标等间隔选取至所述bp神经网络中，以构建出bp神经网络初始模型；
[0112]
对所述bp神经网络初始模型进行迭代更新处理，以生成所述bp神经网络预测模型。
[0113]
具体的，在本实施例中，需要说明的是，本实施例提供的bp神经网络依次包括输入层、隐含层以及输出层。其中，需要指出的是，输入输出层是把上述换挡性能评价时间序列指标等时间间隔选取e(e1，e
1+t
，e
1+2t
，
…
，e
1+nt
，e
1+(n+1)t
)。
[0114]
其中，t表示时间间隔。将1+(n+1)t时刻指标作为最终输出结果，前n个时刻指标作为输入，并采用归一化建立非线性函数，此函数依次通过10个隐含层，并分别采用贝叶斯正
则化和梯度下降法快速寻找每层之间的权重w和本层偏差b，贝叶斯正则化和梯度下降法存在每个隐含层中，每层都要进行运算找到本层的权重w和本层偏差b并把结果输入下层再次运算，直到经过k层(本实施例中k＝10)运算后，得到bp神经网络预测模型的结果。
[0115]
在此基础之上，将上述bp神经网络预测模型的输出结果与实际换挡性能指标进行对比，如果均方误差在0.01以内，则说明输出结果有效且可靠，如果bp神经网络预测模型的预测值的均方误差未达到要求，该输出结果将再一层层返向传递，并重新进行训练，同时调整每层之间的权重w和本层偏差b，如此不断的循环训练最终得出bp神经网络预测模型的均方误差在0.01以内的输出评分。
[0116]
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供相应内容。
[0117]
综上，本发明上述实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法能够对各项换挡性能的关键参数进行降维处理，并去除信息的冗余性，构造出换挡性能评价指标的时间序列，简化了bp神经网络预测模型的结构。与此同时，基于换挡性能评价指标的时间序列，结合bp神经网络，能够建立出对应的bp神经网络预测模型，同时该bp神经网络预测模型能够根据实际的测试结果进行实时更新，从而能够实现带狗齿的新能源汽车的变速箱换挡性能的准确预测，实现了提前预测的功能，适用于大范围的推广与使用。
[0118]
本发明第五实施例也提供了一种带狗齿离合器新能源变速箱换挡性能预测方法，本实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法与上述第一实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法的不同之处在于：
[0119]
另外，在本实施例中，还需要指出的是，上述方法还包括：
[0120]
获取所述目标变速箱的全寿命周期特征参数的历史数据，并根据所述历史数据计算出所述目标变速箱在所述全寿命周期内的完整换挡性能评价指标；
[0121]
计算出所述完整换挡性能评价指标处于完全失效时刻对应的目标指标值，并根据所述目标指标值按照预设比例生成与所述目标变速箱对应的预测阈值；
[0122]
判断所述目标变速箱实时预测生成的换挡性能评价指标是否达到所述预测阈值；
[0123]
若判断到所述目标变速箱实时预测生成的换挡性能评价指标达到所述预测阈值，则判定当前所述目标变速箱的使用性能开始下降。
[0124]
具体的，在本实施例中，需要说明的是，通过设置预测阈值能够对目标变速箱的换挡性能评价指标进行实时有效的监控，并在判断到当前目标变速箱实时预测生成的换挡性能评价指标达到当前预测阈值时，立即判定当前目标变速箱的使用性能正在下降，从而能够立即提醒工作人员对变速箱进行检查，以消除安全隐患。
[0125]
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供相应内容。
[0126]
综上，本发明上述实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法能够对各项换挡性能的关键参数进行降维处理，并去除信息的冗余性，构造出换挡性能评价指标的时间序列，简化了bp神经网络预测模型的结构。与此同时，基于换挡性能评价指标的时间序列，结合bp神经网络，能够建立出对应的bp神经网络预测模型，同时该bp神经网络预
测模型能够根据实际的测试结果进行实时更新，从而能够实现带狗齿的新能源汽车的变速箱换挡性能的准确预测，实现了提前预测的功能，适用于大范围的推广与使用。
[0127]
请参阅图2，所示为本发明第六实施例提供的带狗齿离合器新能源变速箱换挡性能预测系统，所述系统包括：
[0128]
获取模块12，用于获取目标变速箱，并确定出当前所述目标变速箱对应的变速箱物理参数，所述目标变速箱包括狗齿离合器；
[0129]
测试模块22，用于基于所述变速箱物理参数对所述目标变速箱进行换挡性能测试，以获取到若干对应的测试参数，并根据若干所述测试参数计算出对应的换挡性能评价指标；
[0130]
预测模块32，用于基于bp神经网络以及所述换挡性能评价指标构建出对应的bp神经网络预测模型，并根据所述bp神经网络预测模型对当前所述目标变速箱进行换挡性能预测。
[0131]
其中，上述带狗齿离合器新能源变速箱换挡性能预测系统中，所述测试模块22具体用于：
[0132]
识别出所述换挡毂在所述目标变速箱换挡过程的不同阶段分别产生的信号识别点以及换挡毂角度，并根据所述信号识别点以及所述换挡毂角度将所述目标变速箱的换挡过程划分为摘挡阶段以及进挡阶段；
[0133]
依次采集所述目标变速箱在所述摘挡阶段以及所述进挡阶段分别产生的若干测试信号，并根据若干所述测试信号获取到若干对应的所述测试参数。
[0134]
其中，上述带狗齿离合器新能源变速箱换挡性能预测系统中，所述测试模块22还具体用于：
[0135]
根据若干所述测试参数构建出对应的特征向量，并根据所述特征向量构建出对应的特征矩阵；
[0136]
通过主成分分析算法对所述特征矩阵进行线性组合，并将所述线性组合中的最大特征值对应的特征向量的系数融合指标定义为所述换挡性能评价指标。
[0137]
其中，上述带狗齿离合器新能源变速箱换挡性能预测系统中，所述预测模块32具体用于：
[0138]
通过预设程序构建出所述bp神经网络，并将所述换挡性能评价指标等间隔选取至所述bp神经网络中，以构建出bp神经网络初始模型；
[0139]
对所述bp神经网络初始模型进行迭代更新处理，以生成所述bp神经网络预测模型。
[0140]
其中，上述带狗齿离合器新能源变速箱换挡性能预测系统中，所述带狗齿离合器新能源变速箱换挡性能预测系统还包括判断模块42，所述判断模块42具体用于：
[0141]
获取所述目标变速箱的全寿命周期特征参数的历史数据，并根据所述历史数据计算出所述目标变速箱在所述全寿命周期内的完整换挡性能评价指标；
[0142]
计算出所述完整换挡性能评价指标处于完全失效时刻对应的目标指标值，并根据所述目标指标值按照预设比例生成与所述目标变速箱对应的预测阈值；
[0143]
判断所述目标变速箱实时预测生成的换挡性能评价指标是否达到所述预测阈值；
[0144]
若判断到所述目标变速箱实时预测生成的换挡性能评价指标达到所述预测阈值，
则判定当前所述目标变速箱的使用性能开始下降。
[0145]
本发明第七实施例提供了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述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如上述实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法。
[0146]
本发明第八实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法。
[0147]
综上所述，本发明上述实施例提供的带狗齿离合器新能源变速箱换挡性能预测方法及系统能够对各项换挡性能的关键参数进行降维处理，并去除信息的冗余性，构造出换挡性能评价指标的时间序列，简化了bp神经网络预测模型的结构。与此同时，基于换挡性能评价指标的时间序列，结合bp神经网络，能够建立出对应的bp神经网络预测模型，同时该bp神经网络预测模型能够根据实际的测试结果进行实时更新，从而能够实现带狗齿的新能源汽车的变速箱换挡性能的准确预测，实现了提前预测的功能，适用于大范围的推广与使用。
[0148]
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
[0149]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0150]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0151]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0152]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何
的一个或多个实施例或示例中以合适的方式结合。
[0153]
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。