CN117553855B - 一种离合器接合点检测方法及*** - Google Patents
一种离合器接合点检测方法及*** Download PDFInfo
- Publication number
- CN117553855B CN117553855B CN202311557049.2A CN202311557049A CN117553855B CN 117553855 B CN117553855 B CN 117553855B CN 202311557049 A CN202311557049 A CN 202311557049A CN 117553855 B CN117553855 B CN 117553855B
- Authority
- CN
- China
- Prior art keywords
- time point
- jitter
- sequence
- taking
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 97
- 238000006073 displacement reaction Methods 0.000 claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 52
- 238000011156 evaluation Methods 0.000 claims abstract description 41
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000001788 irregular 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
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/022—Power-transmitting couplings or clutches
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Hydraulic Clutches, Magnetic Clutches, Fluid Clutches, And Fluid Joints (AREA)
Abstract
本发明涉及离合器测试技术领域,提出了一种离合器接合点检测方法及***,包括:分别获取离合器踏板移动过程中每个时间点的位移数据、压力数据、振幅数据;基于不同时间点位移数据之间的可预测性确定每个时间点的抖动识别指数;根据每个时间点所取观测序列内振幅数据的分布稳定性获取抖动异常评估值;根据不同时间点压力数据的稳定程度确定每个时间点的抖动综合识别系数;采用数据融合算法基于抖动识别指数、抖动异常评估值、抖动综合识别系数确定抖动特征系数;采用神经网络检测模型基于抖动特征系数确定离合器踏板移动过程中每个时间点的接合点检测结果。本发明通过特征融合实现对接合点的检测,避免压力传感器的零飘现象造成的检测误判。
Description
技术领域
本发明涉及离合器测试技术领域,具体涉及一种离合器接合点检测方法及***。
背景技术
离合器是一种重要的传动器件,通常用于连接和断开发动机与传动***之间的动力传递,在汽车和其它类型的机械设备中广泛应用。随着科技的发展,插电式混合驱动、纯电驱动等新型能源驱动的汽车在市场上逐渐增多,在新型能源驱动的汽车中,如插电式混合驱动汽车,具有电动机与内燃机两种不同的动力源,离合器接合点控制两种动力源的连接和断开,从而选择内燃机驱动、电动机驱动或两种同时驱动,即通过控制离合器接合点切换不同的动力源,实现不同的驱动方式。
对于混合驱动的汽车,为确保离合器能够在不同驱动方式下正确工作,以实现最佳的燃油效率和性能,需要对离合器的最佳接合点进行检测,传统的用于离合器接合点的检测方法通过压力传感器进行检测,能够在一定程度上检测到离合器的接合点,但由于压力传感器的零飘现象,即离合器执行液压缸内压力为零时,压力传感器读数不为零的情况,导致使用传统的用于离合器接合点检测的方法对离合器接合点的检测存在一定误差。
发明内容
本发明提供一种离合器接合点检测方法及***,以解决压力传感器的零飘现象造成的离合器接合点检测误判的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供一种离合器接合点检测方法,该方法包括以下步骤:
分别获取离合器踏板移动过程中每个时间点的位移数据、压力数据、振幅数据;
基于离合器踏板移动过程中不同时间点位移数据之间的可预测性确定每个时间点的抖动识别指数;
根据离合器踏板移动过程中每个时间点所取观测序列内振幅数据的分布稳定性获取每个时间点的抖动异常评估值;
根据离合器踏板移动过程中不同时间点压力数据的稳定程度确定每个时间点的抖动综合识别系数;
采用数据融合算法基于每个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数确定每个时间点的抖动特征系数;采用神经网络检测模型基于所述抖动特征系数确定离合器踏板移动过程中每个时间点的接合点检测结果。
优选的,所述基于离合器踏板移动过程中不同时间点位移数据之间的可预测性确定每个时间点的抖动识别指数的方法为:
基于离合器踏板移动过程中每个时间点与其历史时刻的短期位移预测序列之间的差异确定所述每个时间点的可预测指数;
基于离合器踏板移动过程中每个时间点与其历史时刻的位移数据之间的变化量确定所述每个时间点的异常波动指数;
每个时间点的抖动识别指数由所述每个时间点的可预测指数、异常波动指数两部分组成,其中,所述抖动识别指数与可预测指数成反比、与异常波动指数成正比关系。
优选的,所述基于离合器踏板移动过程中每个时间点与其历史时刻的短期位移预测序列之间的差异确定所述每个时间点的可预测指数的方法为:
采用预测算法基于离合器踏板移动过程中每个时间点的位移数据确定每个时间点的位移预测值;
将每个时间点预设数量个历史时间点的位移预测值按照时间顺序组成的序列作为每个时间点的位移预测序列;
获取每个时间点与其预设数量个历史时间点的位移预测序列之间度量距离的均值,将预设参数与所述均值之和的倒数作为每个时间点的可预测指数。
优选的,所述基于离合器踏板移动过程中每个时间点与其历史时刻的位移数据之间的变化量确定所述每个时间点的异常波动指数的方法为:
将每个时间点所取预设数量个历史时刻点组成的集合中任意两个相邻元素对应位移数据之间差值的绝对值作为分子,将所述集合中任意两个相邻元素对应位移数据中的最小值作为分母,将分子与分母的比值作为比例因子;
将比例因子的映射结果与预设参数之和的倒数作为第一距离值,将第一距离值在所述集合上累加结果的均值作为每个时间点的异常波动指数。
优选的,所述根据离合器踏板移动过程中每个时间点所取观测序列内振幅数据的分布稳定性获取每个时间点的抖动异常评估值的方法为:
将与每个时间点时间间隔最小的预设数量个时间点组成的序列作为每个时间点的观测序列;
将每个时间点的观测序列中所有元素对应振幅中的极大值、极小值组成的序列分别作为每个时间点的振幅峰值序列、振幅谷值序列;
根据每个时间点的观测序列内每个元素对应的振幅峰值序列、振幅谷值序列以及每个时间点的抖动识别指数确定每个时间点的抖动异常评估值。
优选的,所述根据每个时间点的观测序列内每个元素对应的振幅峰值序列、振幅谷值序列以及每个时间点的抖动识别指数确定每个时间点的抖动异常评估值的方法为:
将每个时间点的振幅谷值序列中所有元素的均值作为第一参考值,将每个时间点的振幅峰值序列中每个元素与第一参考值之间差值的绝对值作为分子,将分子与第一参考值的比值作为第一比例因子;
每个时间点的观测序列中所有元素对应的抖动识别指数的均值作为第二参考值,将每个时间点的振幅峰值序列中每个元素对应的抖动识别指数与第二参考值的差值绝对值作为第二比例因子;
将第一比例因子与第二比例因子的乘积在每个时间点的观测序列上累加结果的均值作为每个时间点的抖动异常评估值。
优选的,所述根据离合器踏板移动过程中不同时间点压力数据的稳定程度确定每个时间点的抖动综合识别系数的方法为:
将每个时间点所取观测序列内所有时间点的压力数据组成的序列作为每个时间点的压力观测序列;
采用数据拟合算法基于每个时间点的压力观测序列得到所述压力观测序列的拟合优度、斜率;采用序列分解算法基于每个时间点的压力观测序列得到所述压力观测序列的长期波动系数;
将所述压力观测序列的拟合优度与长期波动系数的映射结果的乘积作为分子,将所述压力观测序列的斜率与预设常数之和作为分母,将分子与分母的比值作为第二组成因子;
将每个时间点的抖动异常评估值与第二组成因子的乘积作为每个时间点的抖动综合识别系数。
优选的,所述采用数据融合算法基于每个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数确定每个时间点的抖动特征系数的方法为:
将离合器踏板移动过程中任意一个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数组成的向量作为一个行向量;将所有所述时间点对应的行向量组成的矩阵作为输入,采用熵权法分别得到抖动识别指数、抖动异常评估值、抖动综合识别系数三种参数的权重;
将每个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数作为输入,采用加权融合算法基于所述抖动识别指数、抖动异常评估值、抖动综合识别系数三种参数的权重得到每个时间点的抖动特征系数。
优选的,所述采用神经网络检测模型基于所述抖动特征系数确定离合器踏板移动过程中每个时间点的接合点检测结果的方法为:
将离合器踏板移动过程中预设数量个时间点的抖动特征系数作为输入,利用神经网络检测模型得到每个预测时刻离合器接合点的检测结果。
第二方面,本发明实施例还提供了一种离合器接合点检测***,包括存储器、处理器以及存储在所述存储器中并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上述任意一项所述方法的步骤。
本发明的有益效果是:本发明通过分析离合器踏板移动过程中每个时间点位移数据的可预测性确定每个时间点的抖动识别指数;其次结合在离合器踏板移动过程中相邻时间点之间采集振幅数据的变化构建抖动异常评估值,用于反映离合器踏板达到接合点的可能性;并通过分析离合器踏板移动过程中离合器盘与压盘之间压力数据的稳定程度确定每个时间点的抖动综合识别系数,其次基于加权融合算法对抖动识别指数、抖动异常评估值、抖动综合识别系数进行融合,得到各时间点的抖动特征系数,抖动特征系数综合反映各时间点离合器达到接合点的可能程度,避免液压缸内压力为零而压力传感器读数不为零时,使用传统离合器接合点检测的方法存在的误差,提高了离合器接合点检测结果的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种离合器接合点检测方法的流程示意图;
图2为本发明一个实施例所提供的一种离合器接合点检测方法的实施流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例提供的一种离合器接合点检测方法的流程图,该方法包括以下步骤:
步骤S001,分别获取离合器踏板移动过程中每个时间点的位移数据、压力数据、振幅数据,并对所获数据进行预处理。
在离合器踏板移动过程中,通过位移传感器采集每个时间点离合器盘和压盘之间的位移,通过压力传感器采集每个时间点离合器盘和压盘之间的压力,通过声学传感器采集每个时间点离合器处的声音振幅,相邻两次数据采集的时间间隔设置为0.1秒,共采集200次数据。需要说明的是,上述传感器的型号以及数据采集过程中的参数设置可由实施者自行选择。
为了避免数据采集过程中可能出现缺失值等情况,导致对后续计算产生影响,据此本发明分别对所有时间点采集的位移、压力、声音振幅进行填充处理,为保留数据间的变化关系,本发明使用线性回归填充法对所采集数据进行填充处理,并对填充处理的结果进行Z-score归一化处理,其中,线性回归填充法、Z-score归一化方法为公知技术,具体过程本发明不再赘述。将每个时间点的采集数据经过上述步骤处理后的结果分别记为每个时间点的位移数据、压力数据、振幅数据。
至此,得到每个时间点的位移数据、压力数据、振幅数据,用于后续接合点的检测。
步骤S002,基于离合器踏板移动过程中不同时间点位移数据之间的可预测性确定每个时间点的抖动识别指数。
当踩下离合器时,联动机构推动分离轴承前移,分离轴承再推动分离叉一起前移,分离叉通过杠杆原理将离合器的前后压盘与膜片分开,从而切断动力传递,当驾驶员松开离合器踏板的过程中,离合器踏板带动推杆和分离轴承回位,当分离轴承与膜片弹簧分离板之间出现预留间隙和膜片弹簧重新从压盘压紧在从动盘上后,达到接合点,离合器恢复传递动力功能,因此当离合器达到接合点时,车辆会发生明显的抖动,造成位移传感器采集到的数据发生较大程度的无规律变化。
进一步地,对于任意一个时间点的位移数据,以第i个时间点的位移数据为例,将第1个时间点到第i-1个时间点的位移数据作为输入,采用EMA(Exponential MovingAverage)算法输出第i个时间点的位移预测值,为公知技术,具体过程不再赘述。其次,选取第i个时间点前m个历史时间点作为对第i个时间点的接合点位置有影响的时间点,m的大小取经验值10,将m个历史时间点的位移预测值按照时间顺序组成的序列作为第i个时间点的位移预测序列。如果连续几个时间点的位移预测值与实际采集结果之间非常接近,说明相邻两个时间点离合器盘和压盘之间的位移变化越小,即车辆抖动情况非常轻微,离合器距离接合点较远。
基于上述分析,此处构建抖动识别指数,用于表征车辆在离合器踏板移动过程中每个时间点的抖动情况。计算第i个时间点的抖动识别指数Si:
Si=Pi×exp(-ti)
式中,ti是第i个时间点的可预测指数,m是第i个时间点所取历史时间点的数量,yi、ya分别是第i个时间点、第i个时间点的第a个历史时间点的位移预测序列,dtw(yi,ya)是位移预测序列yi、ya之间的DTW距离,μ是调参因子,用于防止分母为0,μ的大小取经验值1;
Pi是第i个时间点的异常波动指数,dj、dj+1分别是第i个时间点所取第j个、第j+1个历史时间点的位移数据,min()是取最小值函数,exp()是以自然常数为底数的指数函数;
Si是第i个时间点的抖动识别指数。
其中,车辆在离合器踏板移动过程中第i个时间点的抖动情况越轻微,位移传感器采集到第i个时间点及其相邻历史时间点的位移数据发生较大程度的无规律变化的概率越低,第i个时间点的可预测性越强,第i个时间点的位移预测值与实际采集值之间的差异越小,yi、ya之间的相似度越高,dtw(yi,ya)的值越小,ti的值越大;车辆抖动情况越轻微,相邻两个时间点离合器盘和压盘之间的位移变化越小,|dj+1-dj|的值越小,比例因子的值越小,第一距离值/>的值越小,Pi的值越小;即Si的值越小,离合器踏板距离接合点的距离越远。
至此,得到个时间点的抖动识别指数,用于后续确定每个时间点的抖动综合识别系数。
步骤S003,根据离合器踏板移动过程中每个时间点所取观测序列内振幅数据的分布稳定性获取每个时间点的抖动异常评估值;根据离合器踏板移动过程中不同时间点压力数据的稳定程度确定每个时间点的抖动综合识别系数。
进一步地,将发动机置于怠速,即变速器置于空挡,在踩下离合器踏板的过程中,保持换挡杆不动,缓慢放开离合器踏板,当离合器达到接合点时,会出现齿轮鸣叫声,同时由于此时离合器的前后压盘与膜片相互接触,离合器恢复传递动力功能时间较短,即动力在较短时间内传递到离合器中,造成车辆发生明显的抖动,使位移传感器采集到的数据发生较大程度的无规律波动;而汽车在启动时,此时离合器已经达到接合点较长时间,即离合器恢复传递动力功能较长时间,此时离合器以及达到平稳传递动力状态,位移变化较为稳定,而汽车启动时若受到周围环境影响,如在市区启动汽车时,环境较为嘈杂,仅通过声音振幅来判断离合器是否达到接合点容易出现误判的情况。
具体地,将与第i个时间点时间间隔最小的K个时间点组成的序列作为第i个时间点的观测序列,K的大小取经验值20。其次,将第i个时间点的观测序列中所有元素对应的声音振幅按照时间顺序组成的序列作为第i个时间点的振幅观测序列,并将所述振幅观测序列中的极大值、极小值组成的序列分别作为第i个时间点的振幅峰值序列、振幅谷值序列。
基于上述分析,此处构建抖动异常评估值,用于表征每个时间点车辆抖动的异常程度。计算第i个时间点的抖动异常评估值Vi:
式中,Vi是第i个时间点的抖动异常评估值,K是第i个时间点的观测序列中元素的数量,m1是第i个时间点的振幅峰值序列中元素的数量,zi,f是第i个时间点的振幅峰值序列中第f个声音振幅,是第i个时间点的振幅谷值序列中所有元素的均值,Si,f是第i个时间点的振幅峰值序列中第f个元素对应的抖动识别指数,/>是第i个时间点的观测序列所有元素对应的抖动识别指数的均值。
其中,在离合器踏板移动过程中,离合器踏板与接合点之间的距离越远,离合器压盘周围无明显的齿轮鸣叫声,第i个时间点的振幅峰值序列中的元素与第一参考值的大小越接近,/>的值越小,第一比例因子/>的值越小;离合器踏板与接合点之间的距离越远,车辆异常抖动的概率越低,相邻时间点的位移数据的可预测性都是较强的,第i个时间点的振幅峰值序列中第f个元素对应的抖动识别指数Si,f的值与第二参考值的大小较为接近,第二比例因子/>的值越小,相应的,Vi的值越小。
进一步地,当离合器达到接合点时,离合器盘与压盘紧密的压在一起,将动力从发动机传递至传动***,在离合器接合点期间,为确保可靠的传递扭矩,离合器盘与压盘之间的压力通常相对恒定,而由于车辆本身的振动,可能导致离合器盘与压盘之间的压力稳定性变弱,且由于压力传感器的零飘现象,导致离合器执行液压缸内压力为零时,压力传感器不为零的情况。因此需要结合每个时间点的压力数据综合反映每个时间点的抖动情况。
具体地,将第i个时间点所取观测序列内所有时间点的压力数据组成的序列作为第i个时间点的压力观测序列,将第i个时间点的压力观测序列作为输入,采用最小二乘法对第i个时间点的压力观测序列进行线性拟合,并获取所得拟合线段的拟合优度和斜率;其次,将第i个时间点的压力观测序列作为输入,采用时序分解STL(Seasonal and Trenddecomposition using Loess)算法将第i个时间点的压力观测序列分解为趋势、季节项、残差,将所述季节项的赫斯特Hurst指数作为第i个时间点的压力观测序列的长期波动系数。其中,最小二乘法以及STL算法为公知技术,具体过程不再赘述。如果第i个时间点离合器踏板接近接合点位置,此时车辆处于明显的抖动状态,第i个时间点的压力观测序列的长期趋势较弱,所得拟合线段越趋于平滑。
基于上述分析,此处构建抖动综合识别系数,用于表征每个时间点的抖动是由离合器踏板接近接合点造成的概率。计算第i个时间点的抖动综合识别系数:
式中,Ui是第i个时间点的抖动综合识别系数,Vi是第i个时间点的抖动异常评估值,hi是第i个时间点的压力观测序列的长期波动系数,qi、xi分别是第i个时间点的压力观测序列的拟合优度和斜率,μ1是调参因子,用于防止分母为0,μ1的大小取经验值1。
其中,第i个时间点的观测序列内离合器盘与压盘之间的压力越稳定,则第i个时间点的压力观测序列的拟合优度qi越接近于1,斜率xi越接近于0;第i个时间点的压力观测序列内元素的分布越稳定,第i个时间点的压力观测序列的长期趋势越强,hi的值越大,exp(-hi)的值越小,第二组成因子的值越小;第i个时间点的压力观测序列内元素分布越稳定,离合器踏板与接合点之间的距离越远,车辆异常抖动的概率越低,Vi的值越小,Ui的值越小。
至此,得到每个时间点的抖动异常评估值、抖动综合识别系数,用于后续确定每个时间点接合点的检测结果。
步骤S004,采用数据融合算法基于每个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数确定每个时间点的抖动特征系数;采用神经网络检测模型基于抖动特征系数确定每个时间点的接合点检测结果。
根据上述步骤,获取离合器踏板移动过程中所有时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数。对于离合器踏板移动过程中的任意一个时间点,将离合器踏板移动过程中每个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数组成的向量作为一个行向量;将所有时间点对应的行向量组成的矩阵作为参考矩阵。进一步地,将参考矩阵作为输入,采用熵权法得到抖动识别指数、抖动异常评估值、抖动综合识别系数三种参数的权重,分别记为ω1、ω2、ω3,熵权法为公知技术,具体过程不再赘述。
进一步地,对于离合器踏板移动过程中的任意一个时间点,将每个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数作为输入,采用线性加权融合技术得到每个时间点的抖动特征系数,并基于所有时间点的抖动特征系数,整个实施流程如图2所示。计算第i个时间点的抖动特征系数:
Ti=ω1×Si+ω2×Vi+ω3×Ui
式中,Ti是第i个时间点的抖动特征系数,Si、Vi、Ui分别是第i个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数,ω1、ω2、ω3分别是抖动识别指数、抖动异常评估值、抖动综合识别系数的权重。
根据上述步骤,分别确定离合器踏板位移过程中每个时间点的抖动特征系数。其次,对于第i个时间点,将前i-1个时间点的抖动特征系数作为神经网络模型的输入,神经网络模型的结构为卷积神经网络,以Huber函数为损失函数,以Adam算法为优化算法,输出为第i个时间点的接合点检测结果,即离合器踏板距离接合点的实际距离,神经网络的训练为公知技术,具体过程不再赘述。进一步地,得到离合器踏板位移过程中每个时间点的接合点检测结果后,将各时间点的接合点检测结果发送至液压控制***,液压控制***根据接合点检测结果对离合器进行控制,保证车辆以平稳可靠的方式加速和变速。
基于与上述方法相同的发明构思,本发明实施例还提供了一种离合器接合点检测***,包括存储器、处理器以及存储在所述存储器中并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上述一种离合器接合点检测方法中任意一项所述方法的步骤。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种离合器接合点检测方法,其特征在于,该方法包括以下步骤:
分别获取离合器踏板移动过程中每个时间点的位移数据、压力数据、振幅数据;
基于离合器踏板移动过程中不同时间点位移数据之间的可预测性确定每个时间点的抖动识别指数;
根据离合器踏板移动过程中每个时间点所取观测序列内振幅数据的分布稳定性获取每个时间点的抖动异常评估值;
根据离合器踏板移动过程中不同时间点压力数据的稳定程度确定每个时间点的抖动综合识别系数;
采用数据融合算法基于每个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数确定每个时间点的抖动特征系数;采用神经网络检测模型基于所述抖动特征系数确定离合器踏板移动过程中每个时间点的接合点检测结果;
所述基于离合器踏板移动过程中不同时间点位移数据之间的可预测性确定每个时间点的抖动识别指数的方法为:
基于离合器踏板移动过程中每个时间点与其历史时刻的短期位移预测序列之间的差异确定所述每个时间点的可预测指数;
基于离合器踏板移动过程中每个时间点与其历史时刻的位移数据之间的变化量确定所述每个时间点的异常波动指数;
每个时间点的抖动识别指数由所述每个时间点的可预测指数、异常波动指数两部分组成,其中,所述抖动识别指数与可预测指数成反比、与异常波动指数成正比关系;
所述根据离合器踏板移动过程中每个时间点所取观测序列内振幅数据的分布稳定性获取每个时间点的抖动异常评估值的方法为:
将与每个时间点时间间隔最小的预设数量个时间点组成的序列作为每个时间点的观测序列;
将每个时间点的观测序列中所有元素对应振幅中的极大值、极小值组成的序列分别作为每个时间点的振幅峰值序列、振幅谷值序列;
根据每个时间点的观测序列内每个元素对应的振幅峰值序列、振幅谷值序列以及每个时间点的抖动识别指数确定每个时间点的抖动异常评估值;
所述根据离合器踏板移动过程中不同时间点压力数据的稳定程度确定每个时间点的抖动综合识别系数的方法为:
将每个时间点所取观测序列内所有时间点的压力数据组成的序列作为每个时间点的压力观测序列;
采用数据拟合算法基于每个时间点的压力观测序列得到所述压力观测序列的拟合优度、斜率;采用序列分解算法基于每个时间点的压力观测序列得到所述压力观测序列的长期波动系数;
将所述压力观测序列的拟合优度与长期波动系数的映射结果的乘积作为分子,将所述压力观测序列的斜率与预设常数之和作为分母,将分子与分母的比值作为第二组成因子;
将每个时间点的抖动异常评估值与第二组成因子的乘积作为每个时间点的抖动综合识别系数。
2.根据权利要求1所述的一种离合器接合点检测方法,其特征在于,所述基于离合器踏板移动过程中每个时间点与其历史时刻的短期位移预测序列之间的差异确定所述每个时间点的可预测指数的方法为:
采用预测算法基于离合器踏板移动过程中每个时间点的位移数据确定每个时间点的位移预测值;
将每个时间点预设数量个历史时间点的位移预测值按照时间顺序组成的序列作为每个时间点的位移预测序列;
获取每个时间点与其预设数量个历史时间点的位移预测序列之间度量距离的均值,将预设参数与所述均值之和的倒数作为每个时间点的可预测指数。
3.根据权利要求1所述的一种离合器接合点检测方法,其特征在于,所述基于离合器踏板移动过程中每个时间点与其历史时刻的位移数据之间的变化量确定所述每个时间点的异常波动指数的方法为:
将每个时间点所取预设数量个历史时刻点组成的集合中任意两个相邻元素对应位移数据之间差值的绝对值作为分子,将所述集合中任意两个相邻元素对应位移数据中的最小值作为分母,将分子与分母的比值作为比例因子;
将比例因子的映射结果与预设参数之和的倒数作为第一距离值,将第一距离值在所述集合上累加结果的均值作为每个时间点的异常波动指数。
4.根据权利要求1所述的一种离合器接合点检测方法,其特征在于,所述根据每个时间点的观测序列内每个元素对应的振幅峰值序列、振幅谷值序列以及每个时间点的抖动识别指数确定每个时间点的抖动异常评估值的方法为:
将每个时间点的振幅谷值序列中所有元素的均值作为第一参考值,将每个时间点的振幅峰值序列中每个元素与第一参考值之间差值的绝对值作为分子,将分子与第一参考值的比值作为第一比例因子;
每个时间点的观测序列中所有元素对应的抖动识别指数的均值作为第二参考值,将每个时间点的振幅峰值序列中每个元素对应的抖动识别指数与第二参考值的差值绝对值作为第二比例因子;
将第一比例因子与第二比例因子的乘积在每个时间点的观测序列上累加结果的均值作为每个时间点的抖动异常评估值。
5.根据权利要求1所述的一种离合器接合点检测方法,其特征在于,所述采用数据融合算法基于每个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数确定每个时间点的抖动特征系数的方法为:
将离合器踏板移动过程中任意一个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数组成的向量作为一个行向量;将所有所述时间点对应的行向量组成的矩阵作为输入,采用熵权法分别得到抖动识别指数、抖动异常评估值、抖动综合识别系数三种参数的权重;
将每个时间点的抖动识别指数、抖动异常评估值、抖动综合识别系数作为输入,采用加权融合算法基于所述抖动识别指数、抖动异常评估值、抖动综合识别系数三种参数的权重得到每个时间点的抖动特征系数。
6.根据权利要求1所述的一种离合器接合点检测方法,其特征在于,所述采用神经网络检测模型基于所述抖动特征系数确定离合器踏板移动过程中每个时间点的接合点检测结果的方法为:
将离合器踏板移动过程中预设数量个时间点的抖动特征系数作为输入,利用神经网络检测模型得到每个预测时刻离合器接合点的检测结果。
7.一种离合器接合点检测***,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557049.2A CN117553855B (zh) | 2023-11-21 | 2023-11-21 | 一种离合器接合点检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311557049.2A CN117553855B (zh) | 2023-11-21 | 2023-11-21 | 一种离合器接合点检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117553855A CN117553855A (zh) | 2024-02-13 |
CN117553855B true CN117553855B (zh) | 2024-05-14 |
Family
ID=89816344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311557049.2A Active CN117553855B (zh) | 2023-11-21 | 2023-11-21 | 一种离合器接合点检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117553855B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2014946A2 (de) * | 2007-07-12 | 2009-01-14 | LuK Lamellen und Kupplungsbau Beteiligungs KG | Verfahren zur Tastpunktermittlung einer automatisierten Kupplung |
CN101968379A (zh) * | 2010-09-30 | 2011-02-09 | 南昌航空大学 | 航空发动机转子***工况振动信号特征信息提取方法 |
CN116223022A (zh) * | 2023-03-23 | 2023-06-06 | 浙江吉利控股集团有限公司 | 离合器接合点的检测方法和装置 |
CN116595469A (zh) * | 2023-05-18 | 2023-08-15 | 上海中通吉网络技术有限公司 | 一种实时数据异常告警的方法、装置及电子设备 |
CN116952497A (zh) * | 2023-07-18 | 2023-10-27 | 石家庄铁道大学 | 基于冲击振动的隧道衬砌结构二维变形识别方法 |
-
2023
- 2023-11-21 CN CN202311557049.2A patent/CN117553855B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2014946A2 (de) * | 2007-07-12 | 2009-01-14 | LuK Lamellen und Kupplungsbau Beteiligungs KG | Verfahren zur Tastpunktermittlung einer automatisierten Kupplung |
CN101968379A (zh) * | 2010-09-30 | 2011-02-09 | 南昌航空大学 | 航空发动机转子***工况振动信号特征信息提取方法 |
CN116223022A (zh) * | 2023-03-23 | 2023-06-06 | 浙江吉利控股集团有限公司 | 离合器接合点的检测方法和装置 |
CN116595469A (zh) * | 2023-05-18 | 2023-08-15 | 上海中通吉网络技术有限公司 | 一种实时数据异常告警的方法、装置及电子设备 |
CN116952497A (zh) * | 2023-07-18 | 2023-10-27 | 石家庄铁道大学 | 基于冲击振动的隧道衬砌结构二维变形识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117553855A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5189621A (en) | Electronic engine control apparatus | |
US8442734B2 (en) | Vehicle assist method | |
JPH09509730A (ja) | 駆動ユニットと伝動装置との間で有効なトルク伝達系を制御するための装置及び方法 | |
CN101289087B (zh) | 一种自动离合*** | |
US9707848B2 (en) | Braking control method for eco-friendly vehicle | |
CN110077387B (zh) | 用于基于调整后的离合器转矩容量控制车辆推进***的方法和*** | |
US20210383040A1 (en) | Apparatus and method for determining friction coefficient of brake friction material | |
CN117553855B (zh) | 一种离合器接合点检测方法及*** | |
KR100938217B1 (ko) | 차량의 운전성 측정 및 분석 시스템 | |
FR2875447A1 (fr) | Dispositif et procede d'exploitation du signal d'un capteur representant la position de la pedale d'accelerateur d'un vehicule automobile | |
CN114676495A (zh) | 一种汽车能耗的预测方法、装置和设备 | |
CN110356417A (zh) | 一种无踏板自动驾驶车辆起步方法及装置 | |
CN113074937B (zh) | 变速箱测试***及方法 | |
CN1499063A (zh) | 车辆节气门开启速率控制*** | |
EP1753949B1 (fr) | Procede et dispositif de commande d'une transmission automatisee pour un vehicule automobile | |
US6275761B1 (en) | Neural network-based virtual sensor for automatic transmission slip | |
CN102422270A (zh) | 用于混合动力车的数据记录器 | |
CN110525448B (zh) | 乘用车起步过程的性能仿真***及方法 | |
Moon et al. | Design and implementation of clutch-by-wire system for automated manual transmissions | |
EP2107264B1 (fr) | Procédé de détermination automatique du point de léchage d'un embrayage par apprentissage | |
CN101389520B (zh) | 车辆驱动力控制设备及方法 | |
US20210179120A1 (en) | Vehicle data classifying method and vehicle data classifying device | |
CN105378347B (zh) | 识别接合变速比的方法和装置 | |
EP3065982B1 (fr) | Procédé de contrôle de l'état d'un chaîne de transmission cinématique, système de transmission cinématique et véhicule automobile associé | |
CN111324100A (zh) | 一种转毂试验控制***以及一种转毂试验控制方法 |
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 |