梁  玲：江西理工大学

    1  引言

    机械式自动变速器（Automated Mechanical Transmission，AMT）是汽车行业十分关注的汽车电子高新技术产品，在自动变速领域具有强大的竞争力和广阔的应用前景，而换档控制是汽车自动变速技术中的重要部分。

    换档过程是发动机、离合器以及变速箱综合控制的过程，要求三者协调动作来减少冲击、降低噪声和保证离合器使用寿命，从而提高换档品质。

    利用神经网络(neural network，NN)控制工程车辆自动变速器换档，主要是利用驾驶员的经验及其它专家知识形成的换档规律，使换档在其决策过程中考虑更多的因素和指标，力求使自动变速器的档位选择与人的操纵过程相似。利用神经网络建模，只要用测得的过程输入输出数据对神经网络进行训练，就可获得其输入―输出特性与实际过程等价的神经网络模型，不必对过程或对象内部进行分析，这对于未知过程的系统建模是非常方便的。神经网络控制自动换档在实时学习和自动模式识别方面有极强的优势。但是神经网络的使用需要有样本数据作为先决条件，因此控制的效果完全取决于样本数据的质量。

    本文拟用神经网络处理自动变速器换档的建模问题，并以此为基础实现离合器接合的控制，从而设计了一种自动变速器换档控制系统。

    2  自动变速器换档的建模

    汽车是个具有多输入、多输出，不确定性多干扰源的复杂非线性系统。由于输入和干扰因素对输出的关系相当复杂，又是高阶非线性系统，加之内部和外部参数的不确定性，致使为车辆系统进行合适的建模方式是一件十分困难的事。人工神经网络为非线性系统的建模和控制开辟了新的途径。

    应用神经网络处理自动变速器换档的建模问题，主要用到神经网络的非线性映射能力，一般采用多层前向神经网络。其中误差反向传播算法（back-propagation，BP算法）因其简单易行、计算量小、并行性强，成为多层前向神经网络训练的首选算法。

    2.1 换档规律的制定

    换档规律是自动变速系统实现最佳动力性能和最佳经济性换档的基础，也是自动变速系统控制的核心。换档规律是指两排档间自动换档时刻随控制参数变化的规律，按照控制参数的不同可有单参数、两参数和三参数换档规律。单参数，多为车速；两参数，多为车速与油门开度；三参数，多为车速、油门开度和加速度。虽然使用的控制参数越多越能达到较好的自动换档效果，但会使换档系统变复杂，因而成本较高。本系统采用两参数控制。

    (1)  最佳动力性换档

    最佳动力性换档规律是使汽车的牵引力得到最充分的利用，发动机功率获得最大的发挥来进行换档的规律。为了不损失动力性，在换档点应该保证车速和加速度相同。在不同油门开度下各档加速度与车速的关系曲线中，某一油门开度下相邻档的曲线交点就是确保最佳动力性的换档点。如果在高油门或较低油门时两曲线没有交点，这时采用低档该油门下的最高车速为换档点。把各油门开度下的最佳换档点连接起来，便得到最佳换档动力特性曲线。图1所示为汽车前进档牵引特性图。图中A点就是1档和2档某一油门开度下的最佳动力换档点。

图1 前进档牵引力特性图

     (2)   最佳经济性换档

    经济性换档规律力求满足最低的百公里油耗要求，保证汽车总是以使发动机的燃油消耗率最小的档位行驶。车辆的最佳经济性换档规律通过车辆的燃油经济性曲线求得，假设换档时间很短，可认为换档时车速不变，为保证汽车具有良好的动力性和乘坐舒适性，换档前后牵引力不变，由等牵引力换档条件，换档时油门开度应自动调节，并与此相适应。设换档牵引力为某一常数，在牵引力特性上表示为一水平直线。根据它和相邻两档不同油门开度的牵引力特性曲线交点，求出对应的某档某油门开度的车速，由Qt=f(Va)曲线可用得到该车速下相应档位和油门开度的油耗。根据车速和油耗可得到相邻两档的油耗曲线，其交点就是最佳燃料消耗的换档点，以此类推可以求出给定不同牵引力常数的相邻两档的换档点，其换档点的连线就是相邻两档的最低燃料消耗量。换档曲线根据换档点对应的车速和牵引力，可分析换档规律对汽车牵引特性的影响，根据对应油门开度和车速可得到经济性换档律。

图2 经济性换档点求法图

    图2表示相邻两个档位的油耗特性曲线,A点为两档油耗特性曲线的交点。A点处两档的油耗相同，为最佳经济性换档点。

    最佳动力性和最佳经济性换档规律是两种理想的换档规律，本系统利用神经网络对两种换档规律进行学习。车辆实际运行过程中采用的换档规律，综合考虑车辆的动力性、经济性，以及驾驶员操纵意图、道路环境条件等诸多因素，通过设定开关来选择换档模式，是经济性换档还是动力性换档。

    2.2 自动变速器最佳档位判定

    反映发动机和车辆工作状况的主要参数有发动机转速、油门开度和车速等。发动机转速尽管很容易被检测，但在换档过渡过程中其值处于变动之中，所以不适合作为换档控制参数，而车速在换档过程中由于车辆自身的惯性，基本上保持不变，所以可以作为反映车辆状态的换档控制参数，油门开度反映了司机对车辆行驶功率的要求。理论分析可以得出车速和油门开度与最佳档位间的关系是分段非线性函数。

    BP网络采用离线训练方式，并将油门开度a，车速v和目标档位i作为输人/输出样本，由Matlab/Toolbox函数进行网络的训练计算，然后将训练好的前、后档网络权值、阈值存入相应的控制器。

    神经网络解决非凸域问题，必须用两个隐层[6]。通过实验比较，最后确定网络的各层神经元数为2－3－5－5，选取迭代收敛目标为0.01，选取最大收敛步数为500，用随机数初始化权值和阈值，训练67次即达到要求。训练算法用LM算法，其收敛速度快。部分样本数据如表1所示。

    表1 神经网络换档用部分试验数据

    其中k为样本号；a，v（单位分别为百分度和km/h）分别为油门开度和车速值；G1～G5分别对应档位输出的理想值。用这些数据样本归一化后对网络进行训练。训练后用数据进行检验，结果表明判断档位的作用显著。训练结果如图3所示。训练后返回神经网络的权值、偏置值。网络训练过程的误差曲线如图3所示。

图3 换档神经网络训练图

    图4给出了一个最佳档位判别及换档控制逻辑图。神经网络部分用于存储换档规律，在使用前由输入参数与最佳档位对应关系的数据对其进行训练；在线应用时，输入参数由传感器测取，归一化后输入网络中。输出Gi中取值最大者对应的档位就是最佳档，如果G2最大，则最佳档为2档，这时应把变速箱置为这个档。换档控制逻辑部分综合网络输出G1,G2,