??? 摘 要： 討論了AMT最佳換檔" title="換檔">換檔規律，利用神經網絡對己有數據進行了訓練仿真，表明RBF網絡辨別方法可以解決檔位識別問題，并且給出了神經網絡換檔控制策略。
??? 關鍵詞： 自動變速器? 神經網絡? 最佳換檔? 離合器接合

?

??? 自動變速器種類很多，主要有液力自動變速器(AT)、機械式自動變速器(AMT)、無級自動變速器(CVT)。其中，AMT保持原有的機械變速器，離合器結構不變，既具有液力自動變速器自動變速的優點，又保留了原手動變速器齒輪傳動效率高、成本低、結構簡單、易制造的長處，是非常適合我國國情的機電一體化高新技術產品。
??? 換檔控制是自動變速器的核心問題之一，換檔控制性能直接影響車輛的動力性、燃油經濟性" title="經濟性">經濟性及對環境的適應能力，是決定車輛在采用自動變速傳動方式后，能否充分發揮其最佳工作性能的關鍵。AMT車輛對換檔控制的基本要求是能根據車輛的行駛狀況、道路條件和駕駛員的操縱意圖等信息，采用相應的換檔規律，并通過選換檔執行機構，使變速器及時準確地切換到最佳檔位，具有良好的換檔品質。
??? 獲得最佳換檔規律的途徑一般有兩種：(1)通過學習熟練駕駛員的經驗和專家知識獲得最佳換檔規律；(2)依據汽車自動變速理論，提前設定一定約束條件，按照某種目標函數通過優化獲得最佳換檔規律。但是無論采用哪種方法，獲得的最佳換檔規律都是離散的數據，都必須對數據進行復雜處理才能表示其中的規律。由于神經網絡具有在線學習和非線性函數逼近功能，通過MATLAB訓練一定數量的樣本并存入網絡中，神經網絡控制器就可以根據這個網絡實現聯想、記憶，給出最佳檔位，并且還可以把駕駛員駕駛時的數據進行訓練、存儲。
1 換檔規律的制定
??? 換檔規律是自動變速系統的基本特性，是實現最佳動力和最佳經濟性換檔的理論基礎，也是自動變速系統控制的核心。換檔規律是指兩排檔間自動換檔時刻隨控制參數" title="控制參數">控制參數變化的規律，按照控制參數不同有單參數、兩參數和三參數換檔規律。單參數，多為車速；兩參數，多為車速與油門開度；三參數，多為車速、油門開度和加速度。雖然使用的控制參數越多，達到的自動換檔效果會越好，但多控制參數會使換檔系統變復雜，因而成本較高。
??? (1)最佳動力性換檔
??? 最佳動力性換檔規律是使汽車的牽引力得到最充分的利用、發動機功率獲得最大的發揮來進行換檔的規律。為了不損失動力性，在換檔點應該保證車速和加速度相同。在不同油門開度下各檔加速度與車速的關系曲線中，某一油門開度下相鄰檔的曲線交點就是確保最佳動力性的換檔點。如果在高油門或較低油門時兩曲線沒有交點，這時采用低檔該油門下的最高車速為換檔點。把各油門開度下的最佳換檔點連接起來，便得到最佳換檔動力特性曲線。圖1所示為汽車前進檔牽引特性圖，A點就是1檔和2檔某一油門開度下的最佳動力換檔點。

??? (2)最佳經濟性換檔
??? 經濟性換檔規律力求滿足最低的百公里油耗要求，保證汽車總是以發動機的燃油消耗率最小的檔位行駛。車輛的最佳經濟性換檔規律通過車輛的燃油經濟性曲線求得。假設換檔時間很短，可認為換檔時車速不變。為保證汽車具有良好的動力性和乘坐舒適性，要求換檔前后牽引力不變，即等牽引力換檔條件，換檔時油門開度應自動調節，并與此相適應。設換檔時牽引力為某一常數，在牽引力特性上表示為一水平直線。根據它和相鄰兩檔不同油門開度的牽引力特性曲線交點，求出對應的某檔某油門開度的車速，由Q_t=f(V_a)曲線可得到該車速下相應檔位和油門開度的油耗。根據車速和油耗可得到相鄰兩檔的油耗曲線，其交點就是最佳燃料消耗的換檔點。依此類推，可以求出給定不同牽引力常數的相鄰兩檔的換檔點，其換檔點的連線就是相鄰兩檔的最低燃料消耗量。換檔曲線根據換檔點對應的車速和牽引力，分析換檔規律對汽車牽引特性的影響，根據對應油門開度和車速可得到經濟性換檔規律。圖2表示相鄰兩個檔位的油耗特性曲線，A點為兩檔油耗特性曲線的交點。A點處兩檔的油耗相同，為最佳經濟性換檔點。

??? 最佳動力性和最佳經濟性換檔規律是兩種理想的換檔規律，本系統利用神經網絡對兩種換檔規律進行學習。車輛實際運行過程中采用的換檔規律是綜合考慮車輛的動力性、經濟性以及駕駛員操縱意圖、道路環境條件等諸多因素，再通過設定開關選擇是經濟性換檔還是動力性換檔。
2 基于神經網絡（NN）的自動變速器最佳檔位判定
??? 汽車是具有多輸入、多輸出、不確定性、多干擾源的復雜非線性系統。由于輸入和干擾因素與輸出的關系相當復雜，系統又是高階非線性系統，加之內部和外部參數的不確定性，致使為車輛系統進行合適的建模十分困難。人工神經網絡為非線性系統的建模和控制開辟了新的途徑。
??? 反映發動機和車輛工作狀況的主要參數有發動機轉速、油門開度和車速等。發動機轉速盡管很容易被檢測，但在換檔過程，其值處于變動之中，所以不適合作為換檔控制參數；而車速在換檔過程中由于車輛自身的慣性，基本上保持不變，所以可以作為反映車輛狀態的換檔控制參數；油門開度反映了司機對車輛行駛功率的要求。理論分析可以得出車速和油門開度與最佳檔位間的關系是分段非線性函數。
??? (1)NN用于檔位辨識的控制原理
??? 車輛狀態的描述可以用一些參數表示，為了能更全面地反映車輛的運行狀態，往往還要考慮車輛負載、路面、駕駛員熟練程度、輸入輸出軸轉速、坡度、執行機構延時等因素，因此最佳換檔規律是一個復雜的、多變的非線性函數。但是描述車輛工作狀態的離散點在一定區域內對應換檔網絡表中的一個最佳檔位，應用RBF函數算法可以對離散點進行最佳擬合，較好地實現最佳檔位的選擇。
??? 應用RBF神經網絡時，采用對現有的樣本數據進行歸一化處理，應用MATLAB中的Neural Network Toolbox對其進行訓練，把訓練結果所包含的分類規律存儲在神經網絡表中。神經網絡輸入節點數由最佳換檔規律所選參數決定，輸出結點個數由變速器檔位個數決定。圖3給出了j個輸入參數、i個檔位的AMT控制電路，神經網絡部分用于存儲換檔規律。在使用前對實際輸入參數與最佳檔位對應關系的數據利用MATLAB進行訓練，存入神經網絡表中；在實際應用時對傳感器測得的參數進行處理、A/D轉化，然后將歸一化處理結果輸入到神經網絡控制器，進行運算、聯想、記憶，給出最佳檔位。換檔控制邏輯部分根據網絡輸出G₁、G₂、G₃、…、G_i值及司機命令和剎車信號，形成換檔處理，給出換檔邏輯控制信號，經過光電隔離、功率放大后，驅動液壓執行機構完成換檔動作。

?

??? (2)NN用于檔位辨識的原始數據訓練及驗證
??? 神經網絡對最佳換檔規律具有自學習、存儲的功能，本文對兩參數、五檔位AMT換檔現有輸入、輸出數據利用三層RBF算法在MATLAB環境下進行了訓練。表1列出了其中10個訓練樣本數據和輸出結果。

?

??? 本文中數據采用低檔時所測數據進行訓練、驗證，采用高斯函數(radbas)作為RBF神經元的激活函數。由高斯函數的傳輸特性可知，當輸入矢量P與權值" title="權值">權值w重合時，網絡輸出值最大，距離越遠輸出值越小，分別對應表1中的最佳檔位輸出值和其他檔位值。在表1中，輸入參數α、ν為歸一化后的車速和油門開度值；G₁、∧、G₅為最佳檔位對應的數值，取0.9左右的值對應當前最佳檔位，也就是輸入矢量P和權值矢量w距離最近時RBF神經網絡的輸出值。采用以上歸一化的數據樣本，取徑向基函數分布密度SPREAD的值為2，在MATLAB環境下進行訓練，訓練次數在3 000次左右時誤差降至所要求值以內。訓練后用數據進行檢驗，結果表明，判斷檔位的作用顯著，并將訓練好的前、后檔網絡權值、閾值存入相應的控制器。
??? 圖4給出了一個最佳檔位判別及換檔控制邏輯圖。神經網絡部分用于存儲換檔規律，在使用前由輸入參數與最佳檔位對應關系的數據對其進行訓練；在線應用時，輸入參數由傳感器測取，歸一化后輸入網絡中。輸出G₁中取值最大者對應的檔位就是最佳檔位。如果G₂最大，則最佳檔為2檔，這時應把變速箱置為此檔。換檔控制邏輯部分綜合網絡輸出G₁、G₂，…G₅值形成是否換檔及換哪一檔的處理，并給出完成換檔操作的控制時序信號。這些信號經過功率放大后，推動執行機構完成換檔過程。為了避免升檔時由于換檔動力切斷等原因造成的循環換檔，換檔控制邏輯對來自G₁、G₂，…G₅指示的檔位變化有一個延遲；也就是一次換檔后，一段時間內不再響應網絡指示的檔位變化。當G₁、G₂，…G₅中有一個以上有效時，只要有一個與當前檔位相同就不換檔，否則取與當前檔最接近的檔位。

3 離合器接合" title="離合器接合">離合器接合的控制
??? 下面介紹換檔時離合器的結合與分離控制的要點。
??? (1)離合器的行程
??? 由離合器接合過程動力傳動所經過的三個階段可知，接合應滿足快－慢－快的過程。
??? (2)加速踏板踏入量或油門開度
??? 它是反映駕駛員意圖、實現控制接合速度vc的主要途徑。試驗表明，離合器接合的前階段正比于加速踏板的行程，即油門開度α，它對v_c有前饋效應。如發動機接通開關但不運轉，則離合器仍不接合，即需α>α_min且發動機需超過目標轉速n_e0。但在接合的最后階段，因傳遞轉矩與同步已接近或已完成，故v_c受油門操作的控制較少。由于發動機轉速相對于油門開度有較大的滯后，不宜將油門開度作為接合量主要的確定量；否則，由于反應滯后，可能造成發動機熄火或發動機轉速過高，所以將它作為一種輔助確定量。
??? (3)發動機轉速n_e
??? 試驗表明：接合期間發動機轉速n_e隨時間的變化會出現一個峰點和谷點，并且接合愈快，轉速的波動量越大。v_c正比于發動機的角加速度dw_e/dt，當(dw_e/dt)>0，則接合速度v_c快；相反在B-C階段，因負荷而使發動機轉速下降，(dw_e/dt)<0，則v_c降低，甚至很低。為了防止發動機轉矩T_e小于離合器從動軸轉矩T_c,使發動機轉速n_e下降過低而引發爆震,造成車身振動甚至發動機熄火，需要先計算發動機目標轉速n_e0，若現在油門α下的n_ee0，則離合器分離，停止接合。
??? (4)檔位與車速
??? 由于變速器輸出軸上的轉矩T_T與檔位傳動比成正比，i_g越大則后備牽引力越大，從而使車身產生的縱向加速度也越大，傳動系統可能產生的動載荷也越大。從提高接合平順性、乘坐舒適性以及減少傳動系統沖擊考慮，應放慢接合速度v_c，故i_g大換檔時間長。此外，由于車速也間接反映了外界的負載狀態，在同一油門開度下行駛，車速越高說明外部阻力越小，所以v_c可以加快。
??? 離合器的接合過程受多個參數的影響，在控制的過程中，不可能將所有的參數都作為控制參數。從簡單實用的角度出發，選擇油門開度α、檔位i_g、發動機轉速n_e以及輸入軸的轉速ni作為控制參數。這些信號與離合器的接合速度之間的關系是非線性的，難以用一個確定的函數關系來表示或線性化近似。本系統采用三層RBP神經網絡來實現它們之間的的非線性映射關系，如圖5所示。

??? 本文將神經網絡應用于AMT自動變速器中，簡單介紹了最佳換檔規律，重點介紹了RBF網絡在檔位變換和離合器接合過程中的應用。汽車換檔的依據是換檔規律，文章簡單介紹了動力性換檔和經濟性換檔，在實際的應用當中，可以設置開關量來選擇是希望汽車發動機有更好的動力性還是更好的燃油經濟性。對于這兩種換檔規律有各自對應的換檔規律經驗值，可以分別用神經網絡算法訓練。非神經網絡的控制方法是在控制器的ROM中存儲一個查找表，當檢測到車輛的信息，查找存儲表，就可以知道檔位及離合器的接合速度。但這需要存儲大量的信息。本系統的神經網絡方法是根據大量的經驗值離線訓練RBF網絡的權值，最終使網絡達到要求的精度，然后只需要將訓練后的網絡權值和閾值存儲于微處理器的ROM中，此后不斷檢測車輛的狀態參數，根據已經存儲的網絡權值，計算出檔位和離合器的接合速度即可。本文只介紹了神經網絡在最佳檔位決策方面的訓練過程和結果分析，對于離合器的控制，給出了相應神經網絡的輸入輸出，可以根據與檔位決策同樣的方法，由經驗值訓練網絡得出符合要求的離合器接合速度的神經網絡模型。
參考文獻
[1] 葛安林.自動變速器(十一)－變速器的自動控制系統(下).汽車技術，2002，(3).
[2] 葛安林.動態三參數最佳換檔規律的研究[J].汽車工程，1992，14(4).
[3] 何濤.自動變速器換檔控制技術的研究[D].北京：北京林業大學出版社，2005.
[4] 陳莉.自動離合器的自適應最優控制[J].上海交通大學學報，2000，(10)：1312~1316.
[5] 飛思科技產品研發中心.神經網絡理論與MATLAB7實現[M].北京：電子工業出版社，2005.