一种拥堵工况辨识与自动变速换挡修正系统及其方法与流程

本发明属于用于车辆自动变速控制技术领域，具体地说是一种拥堵工况辨识与自动变速换挡修正系统及其方法。

背景技术：

一般车辆自动变速器包括若干传动齿轮和离合器，换挡即根据车辆所需的变速器输入轴与输出轴的转速比，控制离合器的结合和分离，使变速器输入轴与输出轴的转速比变为新的转速比。

自动变速换挡控制技术是车辆变速控制的关键技术，自动变速换挡控制主要包括单参数、二参数、三参数，甚至四参数的基本换挡控制方法，以提高燃油经济性和改善换挡平顺性。

车辆在拥堵工况下，自动变速基本换挡控制方法按照正常行驶工况设定，无法根据车辆不同行驶工况采取不同的换挡控制策略来满足当前所需的档位，以致驾驶员为了跟车与行车安全，频繁踩踏油门踏板和制动踏板，车速与油门容易突变，导致车辆频繁换档，加大换档执行部件和制动系统的磨损，甚至会导致干式双离合器的换挡离合器过热而中断动力，引发安全事故。

技术实现要素：

本发明是为避免上述现有技术所存在的不足之处，提供一种拥堵工况辨识与自动变速换挡修正系统及其方法，以期能有效辨识拥堵工况并进行自动变速换挡修正，满足拥堵工况下的换挡控制需求，从而避免拥堵工况时频繁换档，减少换档执行部件和制动系统的磨损，并提高车辆的行驶安全性和乘坐舒适性。

本发明为解决技术问题采用如下技术方案：

本发明一种拥堵工况辨识与自动变速换挡修正系统，是应用于包含传感器模块和电磁阀组的自动变速器中，所述传感器模块包括：节气门开度传感器、制动踏板传感器、车速传感器和档位传感器；其特点是，

所述拥堵工况辨识与换挡修正系统包括：信号处理模块、拥堵工况辨识模块、换挡修正模块和电磁阀驱动模块；

所述信号处理模块包括：训练样本获取模块和辨识样本获取模块；

所述拥堵工况辨识模块包括：t-s模糊神经网络训练模块和t-s模糊神经网络辨识模块；

所述训练样本获取模块在训练样本周期内采集所述节气门开度传感器、制动踏板传感器和车速传感器输出的信号并进行计算处理，获得训练样本周期内由平均节气门开度、制动次数和行驶里程构成的训练样本，并发送至所述t-s模糊神经网络训练模块；

所述辨识样本获取模块在辨识样本周期内采集所述节气门开度传感器、制动踏板传感器和车速传感器输出的信号并进行计算处理，获得辨识样本周期内由平均节气门开度、制动次数和行驶里程构成的辨识样本，并发送至所述t-s模糊神经网络辨识模块；

所述t-s模糊神经网络训练模块根据所接收的训练样本，对t-s模糊神经网络进行训练，直到误差不超过所设定的阈值时，得到训练好的t-s模糊神经网络辨识模型；

所述t-s模糊神经网络辨识模块利用所述训练好的t-s模糊神经网络模型对所接收到的辨识样本进行拥堵工况辨识，并将辨识得到的拥堵工况级别输出至所述自动变速器换挡修正模块；所述拥堵工况级别分为一级拥堵、二级拥堵和三级拥堵；

所述自动变速换当修正模块采集所述档位传感器输出的档位信号，并根据所接收的拥堵工况级别，对基本换挡规律进行修正，得到车辆自动变速换挡修正策略并转换为换挡修正指令输出至所述电磁阀驱动模块，由所述电磁阀驱动模块控制所述电磁阀组执行换挡修正操作。

本发明一种拥堵工况辨识与自动变速换挡修正方法的特点是按以下步骤进行：

步骤1、建立t-s模糊神经网络，令t-s模糊神经系统的输出yi为：

式(1)中，xi为第i个系统输入；pi为第i个模糊系统参数；wi为第i个模糊规则适用度，i为系统输入变量数，i＝1,2,3，并有：

式(2)中：为第i个输入变量的第j个分量的适用度函数；j为每个输入变量的模糊分割数，j＝1,2,3；

步骤2、对标准拥堵工况下所采集的节气门传感器、制动踏板传感器、车速传感器输出的信号进行计算，得到训练样本周期内由平均节气门开度、制动踏板制动次数和行驶里程构成的训练样本；

步骤3、将所述述训练样本作为所述t-s模糊神经网络的系统输入，利用t-s模糊神经网络对所述训练样本进行训练，得到t-s模糊神经网络辨识模型；

步骤4、对正常行驶工况下所采集的节气门传感器、制动踏板传感器、车速传感器输出的信号进行计算，得到辨识样本周期内由平均节气门开度、制动踏板制动次数、行驶里程构成的辨识样本；

步骤5、利用所述t-s模糊神经网络辨识模型对所述辨识样本进行拥堵工况辨识，得到拥堵工况；

步骤6、根据所述拥堵工况对基本换挡规律进行修正，得到车辆自动变速换挡修正策略并生成相应自动变速换挡修正指令以驱动电磁阀组执行换挡修正操作。

本发明所述的拥堵工况辨识与自动变速换挡修正方法的特点也在于，步骤3是按以下方法进行：

步骤3.1、计算所述t-s模糊神经网络的实际输出与期望输出的误差e：

式(3)中：yd为所述t-s模糊神经网络的期望输出；yc为所述t-s模糊神经网络的实际输出；

步骤3.2、采用梯度法调整模糊系统参数与适用度函数参数，直到误差e不超过所设定的阈值为止。

步骤6按以下方法进行：

步骤6.1、对所述拥堵工况进行分级，分为一级拥堵、二级拥堵和三级拥堵；

步骤6.2、采集档位传感器、节气门开度传感器、车速传感器、制定踏板传感器输出的信号进行计算，得到当前拥堵工况，并根据基本换挡规律计算得到当前档位；

步骤6.3、判断当前拥堵工况是否处于一级拥堵工况，若是，则执行步骤6.4；否则，执行步骤6.5；

步骤6.4、令车辆自动变速换挡修正策略为对当前档位降一档；

步骤6.5、判断当前拥堵工况是否处于二级拥堵工况，若是，则执行步骤6.6；否则，执行步骤6.7；

步骤6.6、令车辆自动变速换挡修正策略为对当前档位降二档；

步骤6.7、令车辆自动变速换挡修正策略为将当前档位钳制在一档。

与已有技术相比，本发明的有益效果体现在：

1、本发明针对拥堵工况下车辆自动变速频繁换挡的问题，提出了一种拥堵工况辨识与自动变速换挡修正系统及其方法，避免了自动变速器基本换挡控制策略由于无法辨识拥堵工况和换挡修正而导致的频繁换挡问题，通过进行拥堵工况辨识与分级，并根据拥堵级别对自动变速基本换挡规律进行修正，提高了车辆的行驶安全性和乘坐舒适性。

2、本发明所涉及的拥堵工况辨识模块采用t-s模糊神经网络进行拥堵工况辨识，利用了t-s模糊算法的的自适应能力和人工神经网络的自学习能力，实现了拥堵工况辨识，提高了辨识精度。

3、本发明所涉及的自动变速换挡修正方法具备根据拥堵工况的变化进行自动换挡控制，避免了拥堵工况时频繁换档，同时减少了换档执行部件和制动系统的磨损，延长了换挡不见和制动系统的使用寿命，提高了车辆自动变速控制的智能化水平。

4、本发明所涉及的拥堵工况辨识与自动变速换挡修正模块通过车辆本身现有的传感器资源即可实现拥堵工况辨识与自动变速换挡修正，具备产业化成本优势。

5、本发明所涉及的拥堵工况辨识与自动变速换挡修正系统及其方法，可针对不同类型的车辆和自动变速器通过试验标定确定车辆行驶工况和驾驶意图识别模块中的参数阈值，适用于各种类型的车辆和自动变速器，应用范围广泛。

附图说明

图1为本发明系统结构应用示意图；

图2为本发明的t-s模糊神经网络辨识训练误差示意图；

图3为本发明的正常换挡规律下的档位示意图；

图4为本发明的自动变速换挡修正策略下的档位示意图。

具体实施方式

本实施例中，一种拥堵工况辨识与自动变速换挡修正系统，是通过采集传感器信号并进行计算处理，获得训练样本和辨识样本，并对t-s模糊神经网络辨识系统进行训练、拥堵工况辨识和分级，根据拥堵级别对自动变速基本换挡规律进行修正。

具体的说，一种拥堵工况辨识与自动变速换挡修正系统，是应用于包含传感器模块和变速器换挡控制电磁阀组的自动变速器中，传感器模块包括：节气门开度传感器、制动踏板传感器、车速传感器和档位传感器，均是目前车辆上标配的传感器，车辆的自动变速器换挡执行系统基本上以电磁阀控制液压系统驱动换挡执行机构的形式为主，易于本发明的换挡修正系统的推广应用；

参阅图1，拥堵工况辨识与换挡修正系统包括：信号处理模块、拥堵工况辨识模块、换挡修正模块和电磁阀驱动模块；

信号处理模块包括：训练样本获取模块和辨识样本获取模块；

拥堵工况辨识模块包括：t-s模糊神经网络训练模块和t-s模糊神经网络辨识模块；

车辆的行驶特征可通过多种参数描述，当车辆在拥堵工况时，车速极低，节气门开度较小且伴随着制动操作，根据《城市交通管理评价指标体系》规定，将平均速度作为交通拥堵工况的评价指标，定义平均节气门开度为样本周期内平均油门开度，即：

式(1)中：为平均节气门开度；αi为第i次采样的节气门开度；n为采样次数。

平均节气门开度不仅可以反映驾驶员加速意图，而且可用于表征一段时间内车辆的行驶速度特征，考虑到参数的独立性，车辆平均速度选取单位时间内的行驶里程来反映；制动踏板的作动次数可以反映驾驶员减速意图；因此，选取样本周期内的平均节气门开度、制动次数和行驶里程作为t-s模糊神经网络的输入量。

训练样本获取模块在训练样本周期内采集节气门开度传感器、制动踏板传感器和车速传感器输出的信号并进行计算处理，获得训练样本周期内由平均节气门开度、制动次数和行驶里程构成的训练样本，并发送至t-s模糊神经网络训练模块；

辨识样本获取模块在辨识样本周期内采集节气门开度传感器、制动踏板传感器和车速传感器输出的信号并进行计算处理，获得辨识样本周期内由平均节气门开度、制动次数和行驶里程构成的辨识样本，并发送至t-s模糊神经网络辨识模块；

t-s模糊神经网络训练模块根据所接收的训练样本，对t-s模糊神经网络进行训练，直到误差不超过所设定的阈值时，得到训练好的t-s模糊神经网络辨识模型；

t-s模糊神经网络辨识模块利用训练好的t-s模糊神经网络模型对所接收到的辨识样本进行拥堵工况辨识，并将辨识得到的拥堵工况级别输出至自动变速器换挡修正模块；拥堵工况级别分为一级拥堵、二级拥堵和三级拥堵；

自动变速换当修正模块采集档位传感器输出的档位信号，并根据所接收的拥堵工况级别，对基本换挡规律进行修正，得到车辆自动变速换挡修正策略并转换为换挡修正指令输出至电磁阀驱动模块，由电磁阀驱动模块控制电磁阀组执行换挡修正操作。

本实施例中，一种拥堵工况辨识与自动变速换挡修正方法，是按以下步骤进行：

步骤1、建立t-s模糊神经网络，具体地说，是按以下过程进行：

首先，根据t-s模糊神经网络的输入量为样本周期内的平均节气门开度、制动次数和行驶里程，则输入量为3个，即平均节气门开度、制动次数和行驶里程；t-s模糊神经网络辨识的目标是拥堵工况级别，则输出量为1个，即拥堵工况级别；每个输入变量神经元语言变量选取为3，即模糊分割数为3，则系统具有9个适用度函数，则t-s模糊神经网络结构为3-9-1；

其次，对t-s模糊神经网络的各输入量进行模糊等级分级和适用度函数建立，适用度函数为：

式(2)中：i为系统输入变量数，i＝1,2,3；j为每个输入变量的模糊分割数，j＝1,2,3；为第i个输入变量的第j个分量的适用度函数；xi为第i个系统输入；

则模糊规则适用度wi为：

式(3)中：i＝1,2,3；j＝1,2,3；

令t-s模糊神经系统的输出yi为：

式(4)中：pi为第i个模糊系统参数；

步骤2、对标准拥堵工况下所采集的节气门传感器、制动踏板传感器、车速传感器输出的信号进行计算，得到训练样本周期内由平均节气门开度、制动踏板制动次数和行驶里程构成的训练样本；

步骤3、利用t-s模糊神经网络对训练样本进行训练，得到t-s模糊神经网络辨识模型，具体的说，是按以下方法进行：

步骤3.1、计算t-s模糊神经网络的实际输出与期望输出的误差e：

式(5)中：yd为t-s模糊神经网络的期望输出；yc为t-s模糊神经网络的实际输出；

步骤3.2、采用梯度法调整模糊系统参数与适用度函数参数，具体的说，模糊系统参数与适用度函数参数的调整是按以下方法进行：

模糊系统参数的修正规则如下：

式(6)、(7)中：k为迭代运算次数；α为网络学习率；

适用度函数参数的修正规则如下：

式(8)～(11)中：为适用度函数的中心；为适用度函数的宽度；β为修正步长；

通过不断修正t-s模糊神经网络模型中的参数pi、和使得误差e逐渐减小，直到误差e不超过所设定的阈值为止，使得t-s模糊神经网络模型辨识的拥堵工况级别逐渐逼近实际拥堵等级。

步骤4、对正常行驶工况下所采集的节气门传感器、制动踏板传感器、车速传感器输出的信号进行计算，得到辨识样本周期内由平均节气门开度、制动踏板制动次数、行驶里程构成的辨识样本；

步骤5、利用t-s模糊神经网络辨识模型对辨识样本进行拥堵工况辨识，得到拥堵工况；

步骤6、根据拥堵工况对基本换挡规律进行修正，得到车辆自动变速换挡修正策略并生成相应自动变速换挡修正指令以驱动电磁阀组执行换挡修正操作，具体的说，是按以下方法进行：

步骤6.1、对拥堵工况进行分级，分为一级拥堵、二级拥堵和三级拥堵；

步骤6.2、采集档位传感器、节气门开度传感器、车速传感器、制定踏板传感器输出的信号进行计算，得到当前拥堵工况，并根据基本换挡规律计算得到当前档位；

步骤6.3、判断当前拥堵工况是否处于一级拥堵工况，若是，则执行步骤6.4；否则，执行步骤6.5；

步骤6.4、令车辆自动变速换挡修正策略为对当前档位降一档；

步骤6.5、判断当前拥堵工况是否处于二级拥堵工况，若是，则执行步骤6.6；否则，执行步骤6.7；

步骤6.6、令车辆自动变速换挡修正策略为对当前档位降二档；

步骤6.7、令车辆自动变速换挡修正策略为将当前档位钳制在一档。

实施例：以车辆行驶在非常拥堵路段为例，结合图1～图4，将拥堵工况辨识与自动变速修正控制过程进行描述，选择自动变速档位为8的某型车辆，非常拥堵路段选取某市工作日晚高峰的在一环路，具体如下：

选取取样本周期内的平均节气门开度、制动次数和行驶里程作为t-s模糊神经网络的输入量，；为了保证训练样本的准确性以及多样性，通过实车采集合肥市一环路晚高峰非常拥堵、一般拥堵、畅行状态车辆参数各四十组，分别记样本a，样本b，样本c，每组参数包含三个分量，分别为样本周期内的平均节气门开度、制动次数和行驶里程。样本a、b和c各取30组共90组数据构成训练样本，选取剩余数据中非常拥堵12组作为辨识样本。

为提高运算速度以及误差精度，需要对训练样本数据以及辨识样本共102组数据进行归一化处理，运用极值标准化值公式，即：

式(12)中：a为数据序号，i＝1,2,3,...,102；x′ab为样本中任意一组车辆参数某个因子值；xb为数据分量，b＝1,2,3；x′bmin、x′bmax分别为x′ab中的最小值和最大值；xab为标准化后的指标；

根据训练样本的维数，确定t-s模糊神经网络结构参数；由于输入数据含有三个分量为3维，每个输入分量神经元语言变量为3，输出数据为1维，则t-s模糊神经网络结构为3-9-1，即有9个隶属度函数。利用t-s模糊神经网络学习算法对训练误差不断的调整，不断修正t-s模糊神经网络模型中的参数pi、和t-s模糊神经网络训练300次，训练误差不断趋于零，如图2所示，横坐标epochs为训练次数，error为训练误差；采用t-s神经网络对辨识样本对进行辨识，辨识结果为三级拥堵工况，与车辆所处工况相符合。

当t-s神经网络对车辆行驶工况的辨识结果为三级拥堵工况时，按照正常自动变速换挡规律，车辆的自动变速过程如图3所示，具体如下：

车辆以一档起步行驶，此时车辆油门开度低，车速低；当前方车辆前进时，驾驶员为了跟车，增大油门开度，当达到基本换挡规律的升档点时，车辆档位升为二档；而当前方车辆减速时，驾驶员为了行车安全，利用制动踏板减速，此时车速减小至达到基本换挡规律的降档点时，车辆档位由二档降为一档，这种频繁的升降档一直持续到拥堵结束。

当t-s神经网络对车辆行驶工况的辨识结果为三级拥堵工况时，按照自动变速换挡修正策略，车辆的自动变速过程如图4所示，具体如下：

车辆以一档起步行驶，此时车辆油门开度低，车速低；当前方车辆前进时，驾驶员为了跟车，增大油门开度，当达到基本换挡规律的升档点时，车辆档位应升至二档，但是t-s模糊神经网络识别的拥堵工况为三级拥堵，属于非常拥堵工况，相应的自动变速换挡修正策略为将当前档位钳制在一档，根据三级拥堵工况的换挡修正策略，限制车辆升为二挡，保持一档行驶，避免了频繁换档，减少了换档部件的磨损，同时由于在一挡行驶，车速的控制可通过油门的深浅进行控制，因此减小了制动次数和制动系统的磨损。