CN110185791B - 一种有级式自动变速器控制参数优化方法 - Google Patents
一种有级式自动变速器控制参数优化方法 Download PDFInfo
- Publication number
- CN110185791B CN110185791B CN201910460321.2A CN201910460321A CN110185791B CN 110185791 B CN110185791 B CN 110185791B CN 201910460321 A CN201910460321 A CN 201910460321A CN 110185791 B CN110185791 B CN 110185791B
- Authority
- CN
- China
- Prior art keywords
- optimized
- parameters
- parameter
- target response
- sample points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005540 biological transmission Effects 0.000 title claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 61
- 230000001133 acceleration Effects 0.000 claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H61/04—Smoothing ratio shift
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16H—GEARING
- F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
- F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
- F16H2061/009—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method using formulas or mathematic relations for calculating parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明公开了一种有级式自动变速器控制参数优化方法，包括：步骤一、以换挡舒适度为优化目标选择待优化参数及目标响应；其中，所述待优化参数包括：车速、车辆加速度、发动机转速、油门开度、油门开度变化率、车辆质量和液压控制***主油压；所述目标相应为：加权加速度均方根值、最大冲击度和最大发动机转速变化量；步骤二、确定所述待优化参数的取值区间及目标响应的取值区间；步骤三、在所述待优化参数的取值区间内选取待优化参数样本点，得到各样本点对应的目标响应值；步骤四、根据选取的待优化参数样本点和各样本点对应的目标响应值建立参数优化模型；步骤五、根据所述参数优化模型进行参数优化。本发明能够提高参数优化的效果及优化效率。
Description
技术领域
本发明属于有级式自动变速器控制技术领域，特别涉及一种有级式自动变速器控制参数优化方法。
背景技术
有级式自动变速器是在手动变速器基础上发展出来的，它的电控***能够根据车辆行驶时的车速、发动机转速和油门开度等信息自动选择合适的档位，以保证车辆行驶的动力性、燃油经济性和乘坐舒适性。
有级式自动变速器电控***的控制策略开发时，需要进行参数优化，即根据所需求的控制目标，对控制策略中的参数进行调整，以实现优化控制品质的目的。控制参数的选取直接决定了自动变速器的特性，对整车的驾驶性能有很大的影响。但目前控制参数的优化基本都依赖于工程师的经验调整以及不断试验得到，这种方法效率低且较难实现全局最优。而且有级式自动变速器的参数优化过程中，通常以整车动力性或经济性指标作为响应进行优化，与之相关的标定方法研究也较多，但以换挡舒适度为目标的控制参数优化方法研究较少。
发明内容
本发明提供了一种有级式自动变速器控制参数优化方法，其换挡舒适度为优化目标选择待优化参数及目标响应，本发明的目的之一是根据待优化参数及目标响应建立参数优化模型，并根据参数优化代理模型进行参数优化，能够提高参数优化的效率。
本发明提供了一种有级式自动变速器控制参数优化方法，在建立参数优化代理模型后对参数优化代理模型的可信度进行验证，并在可信度不满足要求时，重新选择优化参数样本，采用本发明的目的之二是提高参数样本选取的有效性，从而提高优化的效果。
本发明提供的技术方案为：
一种有级式自动变速器控制参数优化方法，包括：
步骤一、选择待优化参数及目标响应；
其中，所述待优化参数包括：车速、车辆加速度、发动机转速、油门开度、油门开度变化率、车辆质量和液压控制***主油压；以及
所述目标响应为：加权加速度均方根值、最大冲击度和最大发动机转速变化量；
步骤二、确定所述待优化参数的取值区间及所述目标响应的取值区间；
步骤三、在所述待优化参数的取值区间内选取待优化参数样本点，得到各样本点对应的目标响应值；
步骤四、根据选取的待优化参数样本点和各样本点对应的目标响应值建立参数优化模型；
步骤五、根据所述参数优化模型进行参数优化。
优选的是，在所述步骤二中，在确定所述待优化参数的取值区间之后，根据如下公式确定目标响应的取值区间：
Δωemax＝[max(ωe)-min(ωe)]T；
式中，aw为加权加速度均方根值，jmax为最大冲击度，Δωemax为最大发动机转速变化量；T为换挡过程时间，a为车辆加速度，ωe为发动机转速，t为时间。
优选的是，在所述步骤三中，选取待优化参数样本点的方法为：
步骤1、将待优化参数xi在其取值区间内等概率划分为m个子区间，每个子区间记为
k∈[1,m]；
步骤2、在每个子区间内分别进行随机抽样，定义随机数λ∈[0,1]，则随机抽样点为：
其中，m为抽取的样本个数，k为子区间序号。
优选的是，在所述步骤四中，将选取的待优化参数样本点作为输入，将所述待优化参数样本点对应的目标响应作为输出，建立RBF神经网络模型，作为所述参数优化模型。
优选的是，在所述步骤四之前，还包括根据选择的待优化参数的相关系数精简待优化参数的数量；
其中，所述待优化参数的相关系数为：
其中，
x和y分别表示不同的待优化参数；
当rxy>0.8时，只保留x或y中的一个待优化参数；
当rxy<-0.8时，保留x和x的相反数作为待优化参数，或者保留y和y的相反数作为待优化参数。
优选的是，在所述步骤四之前，还包括根据待优化参数与待优化参数对应的目标响应值的相关系数精简待优化参数的数量；
其中，所述待优化参数与待优化参数对应的目标响应的相关系数为：
其中，
x表示待优化参数，z表示待优化参数对应的目标响应；
当rxz∈(-0.1,0.1)时，将对应的待优化参数删除。
优选的是，在所述步骤四中，还包括验证参数优化模型的预测输出值与实际输出间值的相关程度，当所述相关程度小于0.9时，重复进行步骤三；
其中，所述相关程度的计算方法为：
其中，zi为实际输出值，
为实际输出平均值，
为参数优化模型预测输出值。
优选的是，在所述步骤五中，以舒适度最优为目标，对所述待优化控制参数进行优化，包括如下步骤：
步骤1、采用二进制编码方式，对车速v、车辆加速度a、发动机转速ωe、油门开度α、油门开度变化率
车辆质量m和液压控制***主油压p进行编码；
步骤2、随机产生第一代种群，所述第一代种群中的每个个体都包含v、a、ωe、α、
m和p；舒适度
步骤3、计算第一代种群中的个体对应的适应度；其中，所述适应度为：
步骤4、将所述个体按适应度排序，选择适应度高的个体，进行交叉和变异，生成第二代种群；
步骤5、计算第二代种群中的个体对应的适应度，循环进行步骤4-5，直到达到设定的迭代次数；选出最大适应度对应的个体作为最优解；
步骤6、对所述最优解进行解码，得到最优的v、a、ωe、α、
m和p的标定值。
优选的是，在所述步骤五中，根据所述参数优化模型得到不同的所述待优化参数所对应的目标响应值，并且根据所述目标响应值对所述待优化参数进行优化调整。
本发明的有益效果是：
本发明提供的有级式自动变速器控制参数优化方法，以换挡舒适度为优化目标选择待优化参数及目标响应，根据待优化参数及目标响应建立参数优化模型，并根据参数优化代理模型进行参数优化，能够提高参数优化的效率。
本发明提供的有级式自动变速器控制参数优化方法，在建立参数优化代理模型后对参数优化代理模型的可信度进行验证，并在可信度不满足要求时，重新选择优化参数样本，直到建立的参数优化代理模型的可信度满足要求；本发明能够提高参数样本选取的有效性，从而提高优化的效果。
附图说明
图1为本发明实施例1中通过主效应分析得到的油门开度变化对加权加速度均方根值的影响示意图。
图2为本发明实施例1中通过主效应分析得到的车速变化对加权加速度均方根值的影响示意图。
图3为本发明实施例1中通过主效应分析得到的油门开度变化对最大冲击度的影响示意图。
图4为本发明实施例1中通过主效应分析得到的车速变化对最大冲击度的影响示意图。
图5为本发明实施例1中通过主效应分析得到的油门开度变化对最大发动机转速变化量的影响示意图。
图6为本发明实施例1中通过主效应分析得到的车速变化对最大发动机转速变化量的影响示意图。
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。
如图1所示，本发明提供了一种有级式自动变速器控制参数优化方法，包括如下步骤：
步骤一、确定待优化控制参数及目标响应。
有级式自动变速器包括电控机械式自动变速器、液力自动变速器和双离合自动变速器，各种自动变速器电控***控制策略中的控制参数均有差异，在换挡过程中，各变速器有其各自独特的控制参数，例如控制阀油压、离合器主从动盘转速差等。不同的自动变速器需要根据其各自结构特征和执行机构选择其相应的待优化控制参数。
在本发明以换挡舒适度为优化目标，选择的待优化控制参数包括：车速v(km/h)，车辆加速度a(m/s2)，发动机转速ω(rpm)，油门开度α(％)，油门开度变化率
车辆质量m(kg)(车辆载荷在空载与满载间变化时，其值直接影响整车惯量，从而改变换挡舒适性)和液压控制***主油压p(kpa)。这些参数在各种工况下的有级式自动变速器的换挡决策和换挡执行过程中，均能直接影响换挡过程中的平顺性，从而影响舒适度。
本发明选取加权加速度均方根值aw、最大冲击度jmax和最大发动机转速变化量Δωemax作为目标响应。以换挡舒适性为目标，以上响应均为车辆行驶方向上的响应，即纵向响应。相同行驶工况下，加权加速度均方根值aw、最大冲击度jmax和最大发动机转速变化量Δωemax越小，换挡舒适度越好。其中，各目标响应的表达式为：
T为换挡过程时间，在换挡过程时间T内有：
Δωemax＝[max(ωe)-min(ωe)]T (3)。
步骤二、初步确定待优化控制参数取值区间及响应区间。
在有级式自动变速器电控***的控制策略开发及优化过程中，为缩小参数取值范围，便于高效地进行参数优化，需初步确定待优化控制参数取值区间及响应区间。对于待优化控制参数的取值区间，无法通过公式计算得出，可根据各控制参数相应执行机构的额定变化范围初步确定取值区间。将初步确定的待优化控制参数取值区间代入目标响应的表达式(1)、(2)和(3)，可初步确定目标响应区间。
步骤三、按抽样方法获取样本点。
各种有级式自动变速器的待优化控制参数都较多，且各参数有其各自的取值范围，因此实验参数维数高、取值空间大，样本点数量多。本实施例采用拉丁超立方进行抽样设计，在取值区间内获取分布均匀、充满实验取值空间且数量大幅降低的样本点，减少试验次数的同时保证样本点的代表性。
对于n个待优化控制参数，需要获取m个样本点，对于每个待优化控制参数xi在其取值空间内等概率划分为m个子区间每个子区间的选取概率为
每个子区间记为
k∈[1,m]；在每个子区间内分别进行独立抽样，独立抽样时进行随机选择，定义随机数λ∈[0,1]，则随机抽样点为：
生成样本后，将各待优化参数样本代表
按照随机编号排列形成样本数为m的拉丁超立方抽样设计，即为m×n LHD。
步骤四、根据所选样本点得到目标响应。
将选取的样本点带入代入目标响应的表达式(1)、(2)和(3)，计算得到各样本点所对应的目标响应。
步骤五、进行相关性分析，精简待优化控制参数数量。
在有级式自动变速器电控***的参数优化时，有很多待优化控制参数，其中有些参数对目标响应的影响较小，或有些参数间的相似度很高，这种类型的控制参数无需优化，可直接用常数或相似的控制参数来表示。
在本实施例中，使用相关系数rxy分析控制待优化参数间的相关性：
其中，sxy为样本x和样本y的协方差，
sx为样本x的标准差，
相关系数rxy的取值区间在1和-1之间，1表示完全正相关，-1表示完全负相关，0表示完全不相关。在待优化参数之间，相关系数rxy大于0.8(或小于-0.8)的参数可用其相关参数(或相关参数的相反数)来表示，减少待优化参数数量。
在另一实施例中，还包括使用相关系数rxz分析控制待优化参数与待优化参数对应的目标响应之间的相关性：
其中，sxy为样本x和目标响应z的协方差；
x表示待优化参数，z表示待优化参数对应的目标响应；
当待优化参数与目标相应间的相关系数rxz∈(-0.1,0.1)时，将对应的待优化参数删除，以减少待优化参数数量。
步骤六、训练形成优化代理模型。
以获取的样本点作为输入，各样本点对应的响应作为输出，构造RBF神经网络模型，形成参数优化代理模型。模型包括输入层、单层隐层和输出层，输入为所有待优化参数，隐层神经元个数与样本点数相同，输出为3个目标响应，RBF神经网络模型基于高斯核函数构建，即
作为优选，建立优化代理模型后，还包括验证代理模型的可信度。参数优化代理模型的预测输出与实际输出间的相关程度可表征训练形成的标定代理模型的可信度，相关程度的计算式为
其中，zi通过试验得到的实际输出值，
为通过试验得到的实际输出平均值，
为优化代理模型预测输出值。相关程度R2越接近1，表示代理模型的预测输出可信度越高，若相关程度R2小于0.9，则获取新的样本点重新建立优化代理模型，直到相关程度R2满足要求为止。建立优化代理模型即可应用所述优化代理模型对待优化参数进行优化。
实施例1
建立优化代理模型后，利用参数优化代理模型对各待优化参数进行敏感性分析。在本实施例中，采用单因子主效应分析的方法进行分析，即分析某一待优化参数变化时，该待优化参数与其他参数产生的所有组合情况对目标响应产生的影响，从而对工程师选择、调整和优化控制参数提供指导。本实施例以待优化控制参数油门开度α和车速v为例，进行主效应分析的结果如图1～6所示。
图1和图2分别为主效应分析得到的加权加速度均方根值aw对油门开度α和车速v的响应，由图可知：在图示的取值范围内，油门开度α越大，加权加速度均方根值aw越小，则在标定时取油门开度α大于8的方向，可使加权加速度均方根值aw减小，即舒适度变高；在图示的取值范围内，车速v在4.2处取得一处加权加速度均方根值aw局部最小值，且在大于8的方向上递减，则在标定时可取车速v为4.2以及大于8方向，可使加权加速度均方根值aw减小，即舒适度变高。
图3和图4分别为主效应分析得到的最大冲击度jmax对油门开度α和车速v的响应，为了提高舒适度，在标定时取油门开度α大于20的方向，车速v取小于10或大于20方向。
图5和图6分别为主效应分析得到的最大发动机转速变化量Δωemax对油门开度α和车速v的响应，为了提高舒适度，标定时取油门开度α大于20的方向，车速v取小于10的方向。
实施例2
使用构建的参数优化代理模型，对待优化参数使用遗传算法分析，可求得全局最小值，即换挡过程中最大舒适度。步骤如下：
(1)首先根据经验，设定种群大小为50，设定最大代数即优化迭代次为1000，设定交叉率为1以保证种群的充分进化得近似最优解，设定变异率为0.1因本发明中优化参数发生变异的可能性较小；
(2)将每一组解的n个待优化控制参数v、a、ωe、α、
m和p归一化后按二进制编码，得到可行域内各组解的编码，即为染色体；
(3)随机创建初始种群；
(4)设定目标函数，即舒适度关于各待优化参数的函数，设舒适度为C，则有
函数值越大则舒适度越高，则有目标函数为max(C)，即舒适度指标最大；
(5)判断个体的适应度，适应度指每个个体得到的目标响应和最终得到的最佳响应的偏离程度，偏离程度越大，响应越差；偏离程度越小，响应越好，没有偏离即为最优解。
适应度用公式
表征，即F越大越接近最优解，最大的F所对应的个体即为最优解。
(6)按照个体的适应度进行排序，选择适应度高的个体作为父母，适应度低的个体被淘汰，用父母的染色体按照一定的方法进行交叉，生成子代并对子代染色体进行变异。
(7)由交叉和变异产生新一代种群，计算新一代种群的个体适应度，直到达到迭代次数，适应度最大的个体对应的舒适度即为max(C)。
(8)将适应度最大的个体作为最优解，对最优解进行解码和反归一化，得到优化参数。
用此算法对待优化参数进行组合优化，即可得到最佳舒适度下的综合最优换挡控制参数。
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。
Claims (8)
1.一种有级式自动变速器控制参数优化方法，其特征在于，包括如下步骤：
步骤一、选择待优化参数及目标响应；
其中，所述待优化参数包括：车速、车辆加速度、发动机转速、油门开度、油门开度变化率、车辆质量和液压控制***主油压；以及
所述目标响应为：加权加速度均方根值、最大冲击度和最大发动机转速变化量；
步骤二、确定所述待优化参数的取值区间及所述目标响应的取值区间；
步骤三、在所述待优化参数的取值区间内选取待优化参数样本点，得到各样本点对应的目标响应值；
步骤四、根据选取的待优化参数样本点和各样本点对应的目标响应值建立参数优化模型；
步骤五、根据所述参数优化模型进行参数优化；
在所述步骤四之前，还包括根据选择的待优化参数的相关系数精简待优化参数的数量；
其中，所述待优化参数的相关系数为：
其中，
x和y分别表示不同的待优化参数；rxy为待优化参数x和y的相关系数，sxy为待优化参数x和y的协方差，sx为待优化参数x的标准差；
当rxy>0.8时，只保留x或y中的一个待优化参数；
当rxy<-0.8时，保留x和x的相反数作为待优化参数，或者保留y和y的相反数作为待优化参数。
2.根据权利要求1所述的有级式自动变速器控制参数优化方法，其特征在于，在所述步骤二中，在确定所述待优化参数的取值区间之后，根据如下公式确定目标响应的取值区间：
Δωemax＝[max(ωe)-min(ωe)]T；
式中，aw为加权加速度均方根值，jmax为最大冲击度，Δωemax为最大发动机转速变化量；T为换挡过程时间，a为车辆加速度，ωe为发动机转速，t为时间。
3.根据权利要求2所述的有级式自动变速器控制参数优化方法，其特征在于，在所述步骤三中，选取待优化参数样本点的方法为：
步骤1、将待优化参数xi在其取值区间内等概率划分为m个子区间，每个子区间记为
步骤2、在每个子区间内分别进行随机抽样，定义随机数λ∈[0,1]，则随机抽样点为：
其中，m为抽取的样本个数，k为子区间序号。
4.根据权利要求3所述的有级式自动变速器控制参数优化方法，其特征在于，在所述步骤四中，将选取的待优化参数样本点作为输入，将所述待优化参数样本点对应的目标响应作为输出，建立RBF神经网络模型，作为所述参数优化模型。
5.根据权利要求4所述的有级式自动变速器控制参数优化方法，其特征在于，在所述步骤四之前，还包括根据待优化参数与待优化参数对应的目标响应值的相关系数精简待优化参数的数量；
其中，所述待优化参数与待优化参数对应的目标响应的相关系数为：
其中，
x表示待优化参数，z表示待优化参数对应的目标响应；rxz为待优化参数x与待优化参数对应的目标响应z的相关系数；sxz为待优化参数x和待优化参数对应的目标响应z的协方差；
当rxz∈(-0.1,0.1)时，将对应的待优化参数删除。
6.根据权利要求5所述的有级式自动变速器控制参数优化方法，其特征在于，在所述步骤四中，还包括验证参数优化模型的预测输出值与实际输出间值的相关程度，当所述相关程度小于0.9时，重复进行步骤三；
其中，所述相关程度的计算方法为：
其中，zi为实际输出值，
为实际输出平均值，
为参数优化模型预测输出值，R2为相关程度。
7.根据权利要求6所述的有级式自动变速器控制参数优化方法，其特征在于，在所述步骤五中，以舒适度最优为目标，对所述待优化参数进行优化，包括如下步骤：
步骤1、采用二进制编码方式，对车速v、车辆加速度a、发动机转速ωe、油门开度α、油门开度变化率
车辆质量m和液压控制***主油压p进行编码；
步骤2、随机产生第一代种群，所述第一代种群中的每个个体都包含v、a、ωe、α、
m和p；舒适度
步骤3、计算第一代种群中的个体对应的适应度；其中，所述适应度为：
步骤4、将所述个体按适应度排序，选择适应度高的个体，进行交叉和变异，生成第二代种群；
步骤5、计算第二代种群中的个体对应的适应度，循环进行步骤4-5，直到达到设定的迭代次数；选出最大适应度对应的个体作为最优解；
步骤6、对所述最优解进行解码，得到最优的v、a、ωe、α、
m和p的标定值。
8.根据权利要求7所述的有级式自动变速器控制参数优化方法，其特征在于，在所述步骤五中，根据所述参数优化模型得到不同的所述待优化参数所对应的目标响应值，并且根据所述目标响应值对所述待优化参数进行优化调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910460321.2A CN110185791B (zh) | 2019-05-30 | 2019-05-30 | 一种有级式自动变速器控制参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910460321.2A CN110185791B (zh) | 2019-05-30 | 2019-05-30 | 一种有级式自动变速器控制参数优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110185791A CN110185791A (zh) | 2019-08-30 |
| CN110185791B true CN110185791B (zh) | 2020-03-20 |
Family
ID=67718746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910460321.2A Active CN110185791B (zh) | 2019-05-30 | 2019-05-30 | 一种有级式自动变速器控制参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110185791B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114321360B (zh) * | 2022-01-04 | 2023-07-14 | 一汽解放汽车有限公司 | 手动挡变速箱挡位识别方法、装置和计算机设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101118620A (zh) * | 2007-09-18 | 2008-02-06 | 吉林大学 | 基于神经网络的车辆换档品质评价方法 |
| CN106763724A (zh) * | 2017-01-19 | 2017-05-31 | 西华大学 | 汽车有级自动变速器多性能综合最优挡位决策*** |
| JP6686929B2 (ja) * | 2017-02-21 | 2020-04-22 | トヨタ自動車株式会社 | 車両の制御装置 |
-
2019
- 2019-05-30 CN CN201910460321.2A patent/CN110185791B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110185791A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Eckert et al. | Fuzzy gear shifting control optimisation to improve vehicle performance, fuel consumption and engine emissions | |
| Eckert et al. | Vehicle gear shifting strategy optimization with respect to performance and fuel consumption | |
| Eckert et al. | Gear shifting multi-objective optimization to improve vehicle performance, fuel consumption, and engine emissions | |
| Zhang et al. | ELM-based driver torque demand prediction and real-time optimal energy management strategy for HEVs | |
| CN106641227B (zh) | 一种有级自动变速器换挡规律优化方法 | |
| JP7136073B2 (ja) | 車両用制御データの生成方法、車両用制御装置、車両用制御システム、および車両用学習装置 | |
| EP0969385A2 (en) | Evaluation method for a hereditary algorithm | |
| CN110185791B (zh) | 一种有级式自动变速器控制参数优化方法 | |
| Fofana et al. | Multi-objective genetic algorithm for an automatic transmission gear shift map | |
| CN112429005A (zh) | 考虑传动效率的纯电动汽车个性化换挡规律优化方法及应用 | |
| US20060155541A1 (en) | Method of modeling vehicle parameter cycles | |
| CN113479186A (zh) | 一种混合动力汽车能量管理策略优化方法 | |
| CN113006951A (zh) | 车辆用控制数据的生成方法、车辆用控制装置、车辆用控制***以及车辆用学习装置 | |
| CN106828500A (zh) | 电动汽车有级自动变速器换挡规律优化方法 | |
| Wu et al. | IOT and cloud computing based parallel implementation of optimized RBF neural network for loader automatic shift control | |
| CN115828438B (zh) | 汽车极限性能预测方法、介质、设备 | |
| Debata et al. | Efficient energy management strategies for hybrid electric vehicles using shuffled frog-leaping algorithm | |
| Yin et al. | Multi-performance optimization of the shift schedule for stepped automatic transmissions | |
| Yin et al. | Multi-performance optimal gearshift schedule of stepped automatic transmissions adaptive to road slope | |
| Fechert et al. | Using deep reinforcement learning for hybrid electric vehicle energy management under consideration of dynamic emission models | |
| CN112100909B (zh) | 一种基于协同优化策略的并行可配置智能优化方法 | |
| US20080147283A1 (en) | Method for Controlling a Controllable Unit | |
| Xu et al. | Automating shift-scheduling calibration by using bionic optimization and personalized driver models | |
| Divakarla et al. | Artificial neural network based adaptive control for plug-in hybrid electric vehicles | |
| Liu et al. | Shift quality optimization based on assessment system for dual clutch transmission |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |