首页 / 专利库 / 变速箱和齿轮 / 传动系统 / 桥壳 / 主减速器 / 汽车有级自动变速器多性能综合最优挡位决策系统

汽车有级自动变速器多性能综合最优挡位决策系统

阅读:962发布:2022-01-24

专利汇可以提供汽车有级自动变速器多性能综合最优挡位决策系统专利检索,专利查询,专利分析的服务。并且一种 汽车 有级自动 变速器 多性能综合最优挡位决策系统,换挡规律优化模 块 离线计算在不同驾驶意图下的多性能综合最优换挡规律,并将其存储在换挡规律 数据库 中; 信号 采集模块在车辆运行过程中实时获取车辆状态信息和驾驶员操作信息,并将其存入车辆行驶状态数据库;驾驶意图识别模块在线识别驾驶员的换挡性能期望,并将其量化;目标挡位决策模块根据换挡性能期望量化值,结合换挡规律数据库选择或构造换挡规律,确定目标挡位;换挡执行模块根据目标挡位完成换挡操作。本 发明 能够在体现驾驶者换挡性能要求的前提下,使汽车的动 力 性、燃油经济性和排放性能达到综合最优。,下面是汽车有级自动变速器多性能综合最优挡位决策系统专利的具体信息内容。

1.一种汽车有级自动变速器多性能综合最优挡位决策系统,其特征是,所述系统主要由换挡规律优化模信号采集模块、驾驶意图识别模块、目标挡位决策模块、换挡执行模块、车辆行驶状态数据库和换挡规律数据库组成;
换挡规律优化模块离线计算在不同驾驶意图下的多性能综合最优换挡规律,并将优化后的各种换挡规律存储在变速器控制单元(TCU)的换挡规律数据库中;
信号采集模块在车辆运行过程中实时获取车辆状态信息和驾驶员操作信息,这些信息包括开度、发动机转速、车速、变速器挡位,并将所获取的信息存入车辆行驶状态数据库;
驾驶意图识别模块以驾驶员操纵信息和车辆状态信息为输入,以驾驶员的动性期望值、经济性期望值和各种排放性能期望值为输出,在线识别驾驶员的换挡性能期望,并将其量化;
目标挡位决策模块则根据识别出的换挡性能期望量化值,简称性能期望值,结合换挡规律数据库选择或构造换挡规律,再根据油门开度及车速及当前挡位,确定有级自动变速器多性能综合最优目标挡位;
换挡执行模块根据所确定的目标挡位通过驱动选挡电机和换挡电机完成换挡操作。
2.根据权利要求1所述的汽车有级自动变速器多性能综合最优挡位决策系统,其特征是,所述换挡规律优化模块采用多性能指标综合最优换挡规律优化方法:首先建立发动机转矩、油耗和排放的发动机各项性能指标模型;再结合驾驶员的换挡性能期望值,构造换挡性能综合评价函数;然后以换挡性能综合评价函数为优化目标,以油门开度和车速为设计变量,以汽车基本行驶条件和发动机转速有效范围为约束条件,结合所建立的发动机各项性能指标模型,计算不同换挡性能期值下的有级自动变速器多性能指标综合最优换挡规律;最后将计算得到的各换挡性能期望值对应的换挡规律存储在变速器控制单元TCU的换挡规律数据库中;
所述的建立发动机转矩、油耗和排放的发动机各项性能指标模型,是指通过台架实验获得发动机转矩、油耗和排放特性的实验数据后,应用系统建模方法,以油门开度和发动机转速为输入,分别以动力性指标、经济性指标以及各排放性能指标为输出,建立发动机各项性能指标模型;
所述驾驶员的换挡性能期望值,是指驾驶意图识别模块根据驾驶员的操纵信息和车辆运行状态,计算出的动力性、经济性以及排放不同性能指标在驾驶员期望的汽车换档性能中所占的权重,这些权重由各性能指标期望的量化值来表示,每个性能指标期望值均在[0,
1]范围内,且所有性能指标期望值之和为1;
所述的构造换挡性能综合评价函数,包括以下步骤:首先分别构造汽车动力性、经济性和排放性能的评价函数,即动力性分目标函数、经济性分目标函数和各排放性能分目标函数;然后对三类分目标函数进行归一化处理;最后采用线性加权方法构造可用于有级自动变速器换挡规律优化的换挡性能综合评价函数;
所述的动力性分目标函数、经济性分目标函数和各排放性能分目标函数,均采用极小值来表示对应性能最优;
所述的归一化处理,是为了将各分目标函数的值转换至[0,1]的范围内;
所述的线性加权方法,是指为归一化后的各分目标函数分别与其对应的加权系数相乘,然后累加求和,得到换挡性能综合评价函数。所有加权系数均为非负值且其和为1;
所述的汽车基本行驶条件,是指换挡后汽车的驱动力仍足以克服汽车行驶阻力;
所述的发动机转速有效范围,是指某一特定油门开度下的发动机最低稳定转速到该油门开度下能达到的最高转速之间的范围;
所述的计算有级自动变速器多性能指标综合最优换挡规律,是指遍历有级自动变速器所有相邻两挡组合的情况,针对不同的油门开度,采用优化算法去搜索或求解能使换挡性能综合评价函数达到最优的换挡点所对应的车速;根据各相邻两挡组合下所有油门开度及其对应的换挡点车速,绘制出所有换挡曲线。
3.根据权利要求2所述的汽车有级自动变速器多性能综合最优挡位决策系统,其特征是,所述换挡规律优化模块工作流程如下:该模块首先根据发动机台架实验获得的发动机转矩、油耗和排放数据,建立发动机转矩、油耗和排放的发动机各项性能指标模型,然后结合驾驶员换挡性能期望值构造换挡性能综合评价函数,再以换挡性能综合评价函数为优化目标,以油门开度和车速为设计变量,以汽车基本行驶条件和发动机转速有效范围为约束条件,结合所建立的发动机各项性能指标模型,优化计算有级自动变速器多性能综合最优换挡规律;
上述发动机各项性指标模型采用BP神经网络系统建模的方法建立:输入P为油门开度和发动机转速,输出T为发动机各性能指标,分别为转矩、小时燃油消耗量、CO排放量、HC排放量、NOx排放量;
输入P在辨识过程中也作为BP神经网络的输入,以输出T与BP神经网络的实际输出Y的偏差e作为网络的学习信号,再通过设计的学习算法去更新BP神经网络的权值,直到偏差小于预设值,从而完成对发动机各性能指标模型的辨识;与转矩、小时燃油消耗量、CO排放量、HC排放量、NOx排放量对应的性能指标神经网络模型的拓扑结构为2×6×1,即输入层具有2个神经元;单隐含层具有6个神经元;输出层具有1个神经元。
4.根据权利要求2所述的汽车有级自动变速器多性能综合最优挡位决策系统,其特征是,所述的构造换挡性能综合评价函数中,动力性分目标函数采用同一油门开度下相邻两挡加速度之差的绝对值表示,如下式所示,

式中,ua为车速, 为行驶加速度,i表示挡位;
经济性分目标函数采用同一油门开度下相邻两挡燃油消耗率之差的绝对值表示,如下式所示,
ffc(ua)=|bei-be(i+1)|
式中,be为发动机的燃油消耗率,ua为车速,i表示挡位,
各排放性能分目标函数采用同一油门开度下相邻两挡污染物比排放量之差的绝对值表示,CO、HC和NOx排放目标函数分别如下所示,
fco(ua)=|bcoi-bco(i+1)|
fhc(ua)=|bhci-bhc(i+1)|
fnox(ua)=|bnoxi-bnox(i+1)|
式中,bco、bhc、bnox分别为CO、HC和NOx比排放量,i表示挡位,ua为车速,
所述的对上述三类分目标函数进行归一化处理,具体为:
采用极差法对各个分目标函数值做无量纲化处理,转换到[0,1]的范围内;归一化公式如下

式中,x′表示归一化后的值,x为样本原始值,xmax为样本数据中的最大值,xmin为样本数据中的最小值;
所述采用线性加权方法构造的换挡性能综合评价函数即多性能指标综合评价函数f(ua),如下式所示,

式中,f′d(ua)、f′fc(ua)、f′co(ua)、f′hc(ua)、f′nox(ua)分别为归一化后的上述各项性能所对应的分目标函数;wd、wfc、wco、whc、wnox分别为动力性分目标函数、经济性分目标函数、CO排放分目标函数、HC排放分目标函数以及NOx排放分目标函数的权系数。
5.根据权利要求2所述的汽车有级自动变速器多性能综合最优挡位决策系统,其特征是,所述汽车行驶基本条件,即在一定油门开度下,升挡后汽车的驱动力仍足以克服汽车所有行驶阻力之和,以确保换挡完成后行驶加速度不小于0,即

式中,g1(ua)为车速对时间的变化率,即行驶加速度,ua为车速,
所述发动机转速有效范围,即在一定油门开度下,发动机转速应在其最低稳定转速到该油门下能达到的最高转速之间,

式中,g2(ua)为车速对应的发动机转速与该油门开度下发动机最低稳定转速之差,g3(ua)为该油门开度下发动机能达到的最高转速与车速对应的发动机转速与之差,ua为车速,i0表示主减速器速比,ig表示变速器速比,r表示车轮半径,nemin、nemax分别为发动机在该油门开度下的最低稳定转速和能达到的最高转速。
6.根据权利要求1或2或3所述的汽车有级自动变速器多性能综合最优挡位决策系统,其特征是,所述换挡规律优化模块采用多性能指标综合最优换挡规律优化方法,包括以下步骤:
1)导入汽车整车及传动系统相关参数,包括传动比、主传动比、传动效率、迎面积、空气阻力系数、车轮半径、整车装备质量、单车轮转动惯量和发动机飞轮转动惯量,并输入各性能期望值,即各分目标函数的权值;
2)设置挡位循环控制变量i=2;
3)设置油门开度循环控制变量j=1;
4)计算各分目标函数在约束条件内的最大值、最小值;
5)分别调用发动机转矩、燃油消耗率、CO比排放量、HC比排放量和NOx比排放量的神经网络模型,计算各分目标函数值;
6)各分目标函数归一化处理;
7)调用遗传算法优化程序计算升档车速uaupi(j);
8)判断j是否等于k?若是,继续下一步;否则,j=j+1,返回第四步;
9)判断i是否等于n?若是,继续下一步;否则,i=i+1,返回第三步;
10)计算降挡车速uadowni=uaupi-Ai(uaupi-uaup(i-1));
11)保存计算结果;
其中,n为变速器前进挡位数,k为油门开度循环控制变量终值,表示油门开度为从0到
100%的取值个数,所选取的油门开度值按升序排列,j为当前油门开度在k个油门开度按升序排列之后的位置;uaupi为升入i挡时的车速;uaup(i-1)为升入i-1挡时的车速;uadowni为i挡降入i-1挡时车速;对于2挡降1挡,油门开度小于60%时Ai=0.4,油门开度大于等于60%时Ai=0.15;对于其它挡位,油门开度小于60%时Ai=0.8,油门开度大于等于60%时Ai=0.2。
7.根据权利要求1所述的汽车有级自动变速器多性能综合最优挡位决策系统,其特征是,所述驾驶意图识别模块的工作流程如下:该模块的输入为油门开度和发动机转速以及油门开度变化率,输出为动力性、经济性和各种排放性能期望值;动力性和经济性期望值的推理过程类似,模糊推理的输入为油门开度、发动机转速和油门开度变化率,这些输入值经模糊化、模糊推理和去模糊化过程,分别输出动力性和经济性期望值;作为模糊推理依据的动力性和经济性期望推理规则库,是在采集的试验数据基础上、结合驾驶员和专家经验提取而来的;
CO排放、HC排放、NOx排放所对应的各种排放性能期望值由下式确定

式中,wco、whc、wnox分别为CO排放、HC排放、NOx排放所对应的各种排放性能期望值,wd为动力性期望值,wfc为经济性期望值。
8.根据权利要求1所述的汽车有级自动变速器多性能综合最优挡位决策系统,其特征是,所述目标挡位决策模块工作流程如下:在换挡规律数据库中,查找与识别出的换挡性能期望值偏差小于5%换挡规律,若能够找到,则直接选择该换挡表作为适用换挡表;若不能找到这样的换挡规律,则通过多元线性插值、由与识别出的换挡性能期望值最接近的换挡规律构造适用换挡表;再根据油门开度、车速及当前挡位,结合所选择或构造的适用换挡表,确定目标挡位。

说明书全文

汽车有级自动变速器多性能综合最优挡位决策系统

技术领域

[0001] 本发明涉及汽车自动变速器电控技术,尤其涉及一种汽车有级自动变速器多性能综合最优挡位决策系统。

背景技术

[0002] 汽车有级自动变速器包括液自动变速器(AT)、电控机械式自动变速器(AMT)及双离合器自动变速器(DCT)等具有固定数量挡位的自动变速器。挡位决策系统用于确定有级自动变速器的目标挡位,是有级自动变速器控制系统的关键子系统之一。现有的挡位决策系统一般以开度和车速作为换挡控制参数,通常以单一性能指标最优(如最佳动力性或最佳经济性)为目标制定的换挡规律、或以动力性和经济性进行某种组合制定的换挡规律、或以基于驾驶员操纵经验提取的换挡规律为基础,进行挡位决策。然而,现有的基于单一性能指标最优换挡规律的挡位决策系统,由于只考虑了汽车动力性、经济性或排放性能中的某一单项性能指标最优,因而无法兼顾动力、经济和排放三类性能获得综合最优挡位;以动力性和经济性进行某种组合制定的换挡规律,可在二者之间寻求一定的折衷,但难以适应不同驾驶员的个性化需求;而以基于驾驶员操纵经验提取的换挡规律为基础的挡位决策系统,虽然能较好地实现对驾驶员操纵经验的学习,但难以保证其在性能上也达到了最优。

发明内容

[0003] 本发明的目的是为了解决现有挡位决策系统的以上不足,提供一种汽车有级自动变速器多性能指标综合最优挡位决策系统,以在体现驾驶者换挡性能要求的前提下,使汽车的动力性、燃油经济性和排放性能达到综合最优,从而确定自动变速器的综合性能最优目标挡位。
[0004] 本发明的目的是这样实现的:一种汽车有级自动变速器多性能综合最优挡位决策系统,包括变速器控制单元(TCU),所述系统主要由换挡规律优化模信号采集模块、驾驶意图识别模块、目标挡位决策模块、换挡执行模块、车辆行驶状态数据库和换挡规律数据库组成;
[0005] 换挡规律优化模块离线计算在不同驾驶意图下的多性能综合最优换挡规律,并将优化后的各种换挡规律存储在变速器控制单元(TCU)的换挡规律数据库中;
[0006] 信号采集模块在车辆运行过程中实时获取车辆状态信息和驾驶员操作信息,这些信息包括油门开度、发动机转速、车速、变速器挡位,并将所获取的信息存入车辆行驶状态数据库;
[0007] 驾驶意图识别模块以驾驶员操纵信息和车辆状态信息为输入,以驾驶员的动力性期望值、经济性期望值和各种排放性能期望值为输出,在线识别驾驶员的换挡性能期望,并将其量化;
[0008] 目标挡位决策模块则根据识别出的换挡性能期望量化值,简称性能期望值,结合换挡规律数据库选择或构造换挡规律,再根据油门开度及车速及当前挡位,确定有级自动变速器多性能综合最优目标挡位;
[0009] 换挡执行模块根据所确定的目标挡位通过驱动选挡电机和换挡电机完成换挡操作。
[0010] 所述换挡规律优化模块采用多性能指标综合最优换挡规律优化方法:首先建立发动机转矩、油耗和排放的发动机各项性能指标模型;再结合驾驶员的换挡性能期望值,构造换挡性能综合评价函数;然后以换挡性能综合评价函数为优化目标,以油门开度和车速为设计变量,以汽车基本行驶条件和发动机转速有效范围为约束条件,结合所建立的发动机各项性能指标模型,计算不同换挡性能期望值下的有级自动变速器多性能指标综合最优换挡规律;最后将计算得到的各换挡性能期望值对应的换挡规律存储在变速器控制单元TCU的换挡规律数据库中;
[0011] 所述的建立发动机转矩、油耗和排放的发动机各项性能指标模型,是指通过台架实验获得发动机转矩、油耗和排放特性的实验数据后,应用系统建模方法,以油门开度和发动机转速为输入,分别以动力性指标、经济性指标以及各排放性能指标为输出,建立发动机各项性能指标模型;
[0012] 所述驾驶员的换挡性能期望值,是指驾驶意图识别模块根据驾驶员的操纵信息和车辆运行状态,计算出的动力性、经济性以及排放不同性能指标在驾驶员期望的汽车换档性能中所占的权重,这些权重由各性能指标期望的量化值来表示,每个性能指标期望值均在[0,1]范围内,且所有性能指标期望值之和为1;
[0013] 所述的构造换挡性能综合评价函数,包括以下步骤:首先分别构造汽车动力性、经济性和排放性能的评价函数,即动力性分目标函数、经济性分目标函数和各排放性能分目标函数;然后对三类分目标函数进行归一化处理;最后采用线性加权方法构造可用于有级自动变速器换挡规律优化的换挡性能综合评价函数;
[0014] 所述的动力性分目标函数、经济性分目标函数和各排放性能分目标函数,均采用极小值来表示对应性能最优;即某分目标函数的值越小,则与该分目标函数所对应的性能就越好。
[0015] 所述的归一化处理,是为了将各分目标函数的值转换至[0,1]的范围内;
[0016] 所述的线性加权方法,是指为归一化后的各分目标函数分别与其对应的加权系数相乘,然后累加求和,得到换挡性能综合评价函数。所有加权系数均为非负值且其和为1;
[0017] 所述归一化后的各分目标函数所对应的加权系数,即各性能期望值,用于体现驾驶员的换挡性能倾向。如希望以动力性为主、同时兼顾其它性能,则应给归一化后的动力性分目标函数所对应的加权系数赋予相对较大的值,而给归一化后的其它性能指标分目标函数所对应的加权系数赋予相对较小的值。
[0018] 所述的汽车基本行驶条件,是指升挡后汽车的驱动力仍足以克服汽车行驶阻力;
[0019] 所述的发动机转速有效范围,是指某一特定油门开度下的发动机最低稳定转速到该油门开度下能达到的最高转速之间的范围;
[0020] 所述的计算有级自动变速器多性能指标综合最优换挡规律,是指遍历有级自动变速器所有相邻两挡组合的情况,针对不同的油门开度,采用优化算法去搜索或求解能使换挡性能综合评价函数达到最优的换挡点所对应的车速;根据各相邻两挡组合下所有油门开度及其对应的换挡点车速,绘制出所有换挡曲线。
[0021] 换挡规律优化模块工作流程如下:该模块首先根据发动机台架实验获得的发动机转矩、油耗和排放数据,建立发动机转矩、油耗和排放的发动机各项性能指标模型,然后结合驾驶员换挡性能期望值构造换挡性能综合评价函数,再以换挡性能综合评价函数为优化目标,以油门开度和车速为设计变量,以汽车基本行驶条件和发动机转速有效范围为约束条件,结合所建立的发动机各项性能指标模型,优化计算有级自动变速器多性能综合最优换挡规律;
[0022] 上述发动机各项性指标模型采用BP神经网络系统建模的方法建立:输入P为油门开度和发动机转速,输出T为发动机各性能指标,分别为转矩、小时燃油消耗量、CO排放量、HC排放量、NOx排放量;
[0023] 输入P在辨识过程中也作为BP神经网络的输入,以输出T与BP神经网络的实际输出Y的偏差e作为网络的学习信号,再通过设计的学习算法去更新BP神经网络的权值,直到偏差小于预设值,从而完成对发动机各性能指标模型的辨识;与转矩、小时燃油消耗量、CO排放量、HC排放量、NOx排放量对应的性能指标神经网络模型的拓扑结构为2×6×1,即输入层具有2个神经元;单隐含层具有6个神经元;输出层具有1个神经元。
[0024] 所述的构造换挡性能综合评价函数中,动力性分目标函数采用同一油门开度下相邻两挡加速度之差的绝对值表示,如下式所示,
[0025]
[0026] 式中,ua为车速, 为行驶加速度,i表示挡位;
[0027] 经济性分目标函数采用同一油门开度下相邻两挡燃油消耗率之差的绝对值表示,如下式所示,
[0028] ffc(ua)=|bei-be(i+1)|
[0029] 式中,be为发动机的燃油消耗率,ua为车速,i表示挡位,
[0030] 各排放性能分目标函数采用同一油门开度下相邻两挡污染物比排放量之差的绝对值表示,CO、HC和NOx排放目标函数分别如下所示,
[0031] fco(ua)=|bcoi-bco(i+1)|
[0032] fhc(ua)=|bhci-bhc(i+1)|
[0033] fnox(ua)=|bnoxi-bnox(i+1)|
[0034] 式中,bco、bhc、bnox分别为CO、HC和NOx比排放量,i表示挡位,ua为车速,[0035] 所述的对上述三类分目标函数进行归一化处理,具体为:
[0036] 采用极差法对各个分目标函数值做无量纲化处理,转换到[0,1]的范围内;归一化公式如下
[0037]
[0038] 式中,x′表示归一化后的值,x为样本原始值,xmax为样本数据中的最大值,xmin为样本数据中的最小值;
[0039] 所述采用线性加权方法构造的换挡性能综合评价函数即多性能指标综合评价函数f(ua),如下式所示,
[0040]
[0041] 式中,fd'(ua)、f′fc(ua)、f′co(ua)、f′hc(ua)、f′nox(ua)分别为归一化后的上述各项性能所对应的分目标函数;wd、wfc、wco、whc、wnox分别为动力性分目标函数、经济性分目标函数、CO排放分目标函数、HC排放分目标函数以及NOx排放分目标函数的权系数即权值。
[0042] 所述汽车行驶基本条件,即在一定油门开度下,升挡后汽车的驱动力仍足以克服汽车所有行驶阻力之和,以确保换挡完成后行驶加速度不小于0,即
[0043]
[0044] 式中,g1(ua)为车速对时间的变化率,即行驶加速度,ua为车速。
[0045] 所述发动机转速有效范围,即在一定油门开度下,发动机转速应在其最低稳定转速到该油门下能达到的最高转速之间,
[0046]
[0047] 式中,g2(ua)为车速对应的发动机转速与该油门开度下发动机最低稳定转速之差,g3(ua)为该油门开度下发动机能达到的最高转速与车速对应的发动机转速与之差,ua为车速,i0表示主减速器速比,ig表示变速器速比,r表示车轮半径,nemin、nemax分别为发动机在该油门开度下的最低稳定转速和能达到的最高转速。
[0048] 在一定油门开度下,以综合性能评价函数最小为目标,考虑汽车行驶基本条件和发动机转速有效范围,以换挡车速为优化变量,多性能综合最优换挡规律优化问题可描述如下
[0049]
[0050] 所述换挡规律优化模块采用多性能指标综合最优换挡规律优化方法,包括以下步骤:
[0051] 1)导入汽车整车及传动系统相关参数,包括传动比、主传动比、传动效率、迎面积、空气阻力系数、车轮半径、整车装备质量、单车轮转动惯量和发动机飞轮转动惯量,并输入各性能期望值,即各分目标函数的权值;
[0052] 2)设置挡位循环控制变量i=2;
[0053] 3)设置油门开度循环控制变量j=1;
[0054] 4)计算各分目标函数在约束条件内的最大值、最小值;
[0055] 5)分别调用发动机转矩、燃油消耗率、CO比排放量、HC比排放量和NOx比排放量的神经网络模型,计算各分目标函数值;
[0056] 6)各分目标函数归一化处理;
[0057] 7)调用遗传算法优化程序计算升档车速uaupi(j);
[0058] 8)判断j是否等于k?若是,继续下一步;否则,j=j+1,返回第四步;
[0059] 9)判断i是否等于n?若是,继续下一步;否则,i=i+1,返回第三步;
[0060] 10)计算降挡车速uadowni=uaupi-Ai(uaupi-uaup(i-1));
[0061] 11)保存计算结果;
[0062] 其中,n为变速器前进挡位数,k为油门开度循环控制变量终值,表示油门开度为从0到100%的取值个数,所选取的油门开度值按升序排列,j为当前油门开度在k个油门开度按升序排列之后的位置;uaupi为升入i挡时的车速;uaup(i-1)为升入i-1挡时的车速;uadowni为i挡降入i-1挡时车速;对于2挡降1挡,油门开度小于60%时Ai=0.4,油门开度大于等于60%时Ai=0.15;对于其它挡位,油门开度小于60%时Ai=0.8,油门开度大于等于60%时Ai=
0.2。
[0063] 所述驾驶意图识别模块的工作流程如下:该模块的输入为油门开度和发动机转速以及油门开度变化率,输出为动力性、经济性和各种排放性能期望值;动力性和经济性期望值的推理过程类似,模糊推理的输入为油门开度、发动机转速和油门开度变化率,这些输入值经模糊化、模糊推理和去模糊化过程,分别输出动力性和经济性期望值;作为模糊推理依据的动力性和经济性期望推理规则库,是在采集的试验数据基础上、结合驾驶员和专家经验提取而来的;
[0064] CO排放、HC排放、NOx排放所对应的各种排放性能期望值由下式确定
[0065]
[0066] 式中,wco、whc、wnox分别为CO排放、HC排放、NOx排放所对应的各种排放性能期望值,wd为动力性期望值,wfc为经济性期望值。
[0067] 所述目标挡位决策模块工作流程如下:在换挡规律数据库中,查找与识别出的换挡性能期望值偏差小于5%换挡规律,若能够找到,则直接选择该换挡表作为适用换挡表;若不能找到这样的换挡规律,则通过多元线性插值、由与识别出的换挡性能期望值最接近的换挡规律构造适用换挡表;再根据油门开度、车速及当前挡位,结合所选择或构造的适用换挡表,确定目标挡位。
[0068] 信号采集模块实时获取车辆状态信息和驾驶员操作信息,并将所获取的信息存入车辆行驶状态数据库,这些信息包括油门开度、发动机转速、车速、变速器挡位,用于驾驶意图识别及目标挡位决策。
[0069] 驾驶意图识别模块在线识别驾驶员的换挡性能期望,并将其量化。驾驶意图识别模块以驾驶员操纵信息和车辆状态信息为输入,以驾驶员的动力性期望值、经济性期望值和各种排放性能期望值为输出。
[0070] 目标挡位决策模块根据识别出的换挡性能期望值,选择存储在TCU中的多性能综合最优换挡规律,或根据存储在TCU中的多性能综合最优换挡规律构造合适的换挡规律,再根据油门开度及车速,结合所选择或构造的换挡规律,确定有级自动变速器多性能综合最优挡位。
[0071] 与现有技术相比,本发明的有益效果是:本发明通过综合考虑汽车动力性、燃油经济性和排放指标,结合驾驶者的换挡性能期望对换挡规律进行优化;所发明的挡位决策系统,能够在体现驾驶者换挡性能要求的前提下,使装备有级自动变速器的汽车的动力性、燃油经济性和排放性能达到综合最优。附图说明
[0072] 图1为有级自动变速器多性能综合最优挡位决策系统结构图;
[0073] 图2为自动变速器挡位决策系统硬件结构图;
[0074] 图3为换挡规律优化模块工作流程;
[0075] 图4为用于建立发动机转矩、油耗和各排放性能指标神经网络模型的辨识系统结构;
[0076] 图5是换挡性能综合评价函数构造方法示意图;
[0077] 图6为基于遗传算法的有级自动变速器多性能综合最优换挡规律优化计算流程;
[0078] 图7为某5挡机械自动变速器动力性占优多性能综合最优换挡规律(动力性、经济性、CO排放、HC排放、NOx排放所对应的性能期望值分别为0.6、0.25、0.05、0.05、0.05);
[0079] 图8为某5挡机械自动变速器经济性占优多性能综合最优换挡规律(动力性、经济性、CO排放、HC排放、NOx排放所对应的性能期望值分别为0.25、0.6、0.05、0.05、0.05);
[0080] 图9为基于模糊推理的驾驶意图识别模块工作流程(图9中的d/dt对油门开度的运算结果即为油门开度变化率);
[0081] 图10为目标挡位决策模块工作流程。

具体实施方式

[0082] 下面结合附图、以某5挡机械式自动变速器(AMT)多性能综合最优挡位决策系统为具体实施例,对本发明作进一步的说明。
[0083] 该5挡AMT多性能综合最优挡位决策系统由换挡规律优化模块、信号采集模块、驾驶意图识别模块、目标挡位决策模块、换挡执行模块、车辆行驶状态数据库和换挡规律数据库组成,其结构如图1所示。由换挡性能期望值表征的不同驾驶意图下的多性能综合最优换挡规律,由换挡规律优化模块离线优化计算得到,这些换挡规律被存储在TCU的换挡规律数据库中。在车辆运行过程中,TCU的信号采集模块实时获取车速、油门开度及挡位信息,并将所获取的信息存入TCU的车辆行驶状态数据库中;然后通过驾驶意图识别模块在线识别驾驶员的换挡性能期望,并将其量化。目标挡位决策模块则根据识别出的换挡性能期望值,结合换挡规律数据库确定适用换挡表,再结合油门开度、车速及当前挡位,确定多性能综合最优目标挡位。换挡执行模块根据所确定的目标挡位、通过驱动选换挡电机完成换挡操作。
[0084] 图2为自动变速器挡位决策系统硬件结构图。该系统包括信号采集模块、EEPROM存储模块、MC9512DP256单片机、电源模块、驱动模块、换挡电机和选挡电机。
[0085] 信号采集模块采集车速、油门开度以及当前挡位信号,并将上述采集信号送入MC9512DP256单片机,该单片机与其内存储有换挡规律数据库以及车辆行驶状态数据库的EEPROM存储模块连接,该单片机的输出信号送入驱动模块,驱动模块的输出信号至选档电机和换挡电机,电源模块为该单片机供电。
[0086] 一个完整的换挡过程,首先由换挡电机通过换挡电机传动机构使叉轴拨杆从当前挡位位置移动到空挡位置,完成摘挡;然后再由选挡电机通过选挡电机传动机构使叉轴拨杆从空挡位置移动到目标挡位选挡位置,完成选挡;最后再由换挡电机通过换挡电机传动机构使叉轴拨杆从目标挡位选挡位置移动到目标挡位位置,完成挂挡。
[0087] 图3是换挡规律优化模块工作流程。该模块首先根据发动机台架实验获得的发动机转矩、油耗和排放数据,建立发动机转矩、油耗和排放性能指标模型,然后结合驾驶员换挡性能期望值构造换挡性能综合评价函数,再以换挡性能综合评价函数为优化目标,以油门开度和车速为设计变量,以汽车基本行驶条件和发动机转速有效范围为约束条件,结合所建立的发动机各项性能指标模型,优化计算有级自动变速器多性能综合最优换挡规律。
[0088] 本实施例采用BP神经网络系统建模的方法去建立发动机多性能指标模型。图4为用于建立发动机转矩、油耗和各排放性能指标神经网络模型的辨识系统结构,图中,输入P为油门开度和发动机转速,输出T为发动机各性能指标,分别为转矩、小时燃油消耗量、CO排放量、HC排放量、NOx排放量。输入P在辨识过程中也作为BP神经网络的输入,以输出T与BP神经网络的实际输出Y的偏差e作为网络的学习信号,再通过设计的学习算法去更新BP神经网络的权值,直到偏差小于预设值,从而完成对发动机各性能指标模型的辨识。与转矩、小时燃油消耗量、CO排放量、HC排放量、NOx排放量对应的性能指标神经网络模型的拓扑结构为2×6×1,即输入层具有2个神经元;单隐含层具有6个神经元;输出层具有1个神经元。
[0089] 换挡性能综合评价函数构造方法如图5所示,首先分别构造汽车动力性、燃油经济性和排放性能的评价函数,即动力性分目标函数、经济性分目标函数和各排放性能分目标函数,然后对三类分目标函数进行归一化处理,最后采用线性加权方法构造换挡性能综合评价函数(即多性能综合评价函数),在构造综合评价函数时,采用三类性能期望值的不同组合来反应不同的驾驶员换挡性能倾向。
[0090] 本实施例中,动力性分目标函数采用同一油门开度下相邻两挡加速度之差的绝对值表示,如下式所示
[0091]
[0092] 式中,ua为车速, 为行驶加速度,i表示挡位。
[0093] 本实施例中,经济性分目标函数采用同一油门开度下相邻两挡燃油消耗率之差的绝对值表示,如下式所示
[0094] ffc(ua)=|bei-be(i+1)|
[0095] 式中,be为发动机的燃油消耗率。
[0096] 本实施例中,各排放性能分目标函数采用同一油门开度下相邻两挡污染物比排放量之差的绝对值表示,CO、HC和NOx排放目标函数分别如下所示。
[0097] fco(ua)=|bcoi-bco(i+1)|
[0098] fhc(ua)=|bhci-bhc(i+1)|
[0099] fnox(ua)=|bnoxi-bnox(i+1)|
[0100] 式中,bco、bhc、bnox分别为CO、HC和NOx比排放量。
[0101] 本实施例中,采用极差法对各个分目标函数值做无量纲化处理,转换到[0,1]的范围内。归一化公式如下
[0102]
[0103] 式中,x′表示归一化后的值,x为样本原始值,xmax为样本数据中的最大值,xmin为样本数据中的最小值。
[0104] 采用线性加权方法构造多性能指标综合评价函数,如下式所示
[0105]
[0106] 式中,fd'(ua)、f′fc(ua)、f′co(ua)、f′hc(ua)、f′nox(ua)分别为归一化后的各项性能所对应的分目标函数;wd、wfc、wco、whc、wnox分别为动力性分目标函数、经济性分目标函数、CO排放分目标函数、HC排放分目标函数以及NOx排放分目标函数的权系数。
[0107] 上式中,各分目标函数对应权值(即对应性能期望值)的不同大小组合用来体现驾驶者不同的换挡性能倾向,比如:wd的值相对大一些,表示驾驶者希望此时以动力性为主;若驾驶者希望汽车有较好的燃油经济性,则wfc应取得相对大一些。
[0108] 以多性能指标综合评价函数为优化目标,对有级自动变速器换挡规律进行优化时,还需满足以下约束条件:
[0109] 首先必须满足汽车行驶基本条件,即在一定油门开度下,升挡后汽车的驱动力仍足以克服汽车所有行驶阻力之和,以确保换挡完成后行驶加速度不小于0,即
[0110]
[0111] 此外,还须使发动机转速在其有效范围内,即在一定油门开度下,发动机转速应在其最低稳定转速到该油门下能达到的最高转速之间,
[0112]
[0113] 式中,nemin、nemax分别为发动机在该油门开度下的最低稳定转速和能达到的最高转速。
[0114] 在一定油门开度下,以综合性能评价函数最小为目标,考虑汽车行驶基本条件和发动机转速有效范围,换挡车速为优化变量,多性能综合最优换挡规律优化问题可描述如下
[0115]
[0116] 图6是基于遗传算法的有级自动变速器多性能综合最优换挡规律优化计算流程。本实施例中,对应不同的油门开度,分别采用遗传算法求解能使换挡性能综合评价函数最小的换挡点所对应的车速,主要包括以下步骤:
[0117] 1)导入汽车整车及传动系统相关参数,包括传动比、主传动比、传动效率、迎风面积、空气阻力系数、车轮半径、整车装备质量、单车轮转动惯量和发动机飞轮转动惯量,并输入各性能期望值(即各分目标的权值);
[0118] 2)设置挡位循环控制变量i=2;
[0119] 3)设置油门开度循环控制变量j=1;
[0120] 4)计算各分目标函数在约束条件内的最大值、最小值;
[0121] 5)分别调用发动机转矩、燃油消耗率、CO比排放量、HC比排放量和NOx比排放量的神经网络模型,计算各分目标函数值;
[0122] 6)各分目标函数归一化处理;
[0123] 7)调用遗传算法优化程序计算升档车速uaupi(j);
[0124] 8)判断j是否等于k?若是,继续下一步;否则,j=j+1,返回第四步;
[0125] 9)判断i是否等于n?若是,继续下一步;否则,i=i+1,返回第三步;
[0126] 10)计算降挡车速uadowni=uaupi-Ai(uaupi-uaup(i-1));
[0127] 11)保存计算结果。
[0128] 换挡规律优化流程中,n为变速器前进挡位数,本实施例中其值取5;k为油门开度循环控制变量终值,表示油门开度为从0到100%的取值个数,本实施例中其值取10%、15%、20%、25%、30%、35%、40%、45%、50%、60%、70%、85%、100%,共计13个油门开度,j为当前油门开度在13个油门开度按升序排列之后的位置;遗传算法优化程序,用于计算多性能指标综合评价函数的最优解。uaupi为升入i挡时的车速;uaup(i-1)为升入i-1挡时的车速;uadowni为i挡降入i-1挡时车速。对于2挡降1挡,油门开度小于60%时Ai=0.4,油门开度大于等于60%时Ai=0.15;对于其它挡位,油门开度小于60%时Ai=0.8,油门开度大于等于60%时Ai=0.2。
[0129] 在本实施例中,分别选取各性能期望值的不同组合,采用图6所示的优化流程,即可得到不同换挡性能期望所对应的多性能综合最优换挡规律,这些换挡规律被下载存储到TCU的EEPROM中,构成换挡规律数据库。
[0130] 下面以两种多性能综合最优换挡规律为例,说明性能期望值对换挡规律的影响。
[0131] 将各性能期望值(即各分目标函数的权值)设置为wd=0.6,wfc=0.25,wco=whc=wnox=0.05,可表示驾驶员希望汽车以动力性为主,同时兼顾经济性与排放性。采用图6所示优化流程,即可获得动力性占优多性能综合最优换挡规律,如图7所示。将各性能期望值设置为wd=0.25,wfc=0.6,wco=whc=wnox=0.05,则可表示驾驶员希望汽车以较好的燃油经济性来行驶,同时可以兼顾汽车动力性和排放性。采用图6所示优化流程,即可获得经济性占优多性能综合最优换挡规律,如图8所示。对比图7和图8可知,在相同油门开度下,动力性占优换挡规律的换挡点车速要明显高于经济发占优换挡规律的换挡点车速,以充分发挥发动机的动力。
[0132] 本实施例中,采用基于模糊推理的方法进行驾驶意图识别。驾驶意图识别模块工作流程如图9所示,该模块的输入为油门开度和发动机转速,输出为动力性、经济性和各种排放性能期望值。动力性和经济性期望值的推理过程类似,模糊推理的输入为油门开度、发动机转速和油门开度变化率,这些输入值经模糊化、模糊推理和去模糊化过程,分别输出动力性和经济性期望值。作为模糊推理依据的动力性和经济性期望推理规则库,是在采集的试验数据基础上、结合驾驶员和专家经验提取而来的。
[0133] 本实施例中,CO排放、HC排放、NOx排放所对应的性能期望值由下式确定
[0134]
[0135] 在本实施例中,TCU完成驾驶意图识别后,由目标挡位决策模块根据识别出的换挡性能期望值,结合换挡规律数据库确定适用换挡表,再结合油门开度、车速及当前挡位,确定多性能综合最优目标挡位。
[0136] 目标挡位决策模块工作流程如图10所示。该模块在换挡规律数据库中,查找与识别出的换挡性能期望值接近(偏差小于5%)换挡规律,若能够找到,则直接选择该换挡表作为适用换挡表;若不能找到这样的换挡规律,则通过多元线性插值、由与识别出的换挡性能期望值最接近的换挡规律构造适用换挡表;再根据油门开度、车速及当前挡位,结合所选择或构造的适用换挡表,确定目标挡位。
[0137] 最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈