具有DCT车辆的行驶工况的识别及换挡控制优化方法

本发明涉及汽车dct换挡控制领域，特别涉及一种具有dct车辆的行驶工况的识别及换挡控制优化方法。

背景技术：

1、换挡策略的制定是变速箱控制及车辆换挡控制的核心工作，换挡策略决定了一辆搭载双离合变速器的车辆在某一工况下工作的具体挡位，离合器、同步器以及润滑冷却系统等如何进行工作。目前，制动换挡规律的方法分为基于模型的传统换挡规律，如常用的二参数换挡，和基于智能控制技术，如模糊控制、神经网络、遗传算法等的智能换挡规律。

2、同时，随着感知技术和大数据技术的发展，车辆行驶的工况被细分为更加具体的工况，从而根据各个工况的特点进行规划和控制，提升车辆的性能。各国为帮助汽车的测试和验证工作的开展，制定了适合其本国交通特点的测试用的行驶工况，如欧洲的“新标欧洲循环测试”(new european driving cycle，nedc)、美国的城市道路循环(urbandynamometer driving schedule、udds)。随着研究进行，目前工况划分更加注重结合研究对象的特点和实时行驶交通状态而定，行驶工况的准确识别愈发重要。

3、当前变速箱控制策略在复杂行驶工况下，如拥堵工况、急加速工况、急减速工况往往会出现频繁换挡、未按驾驶意图换挡和意外换挡等现象。以上现象，对车辆的乘坐舒适性造成巨大影响，且长时间的频繁换挡对离合器、同步器造成一定的损伤，减少离合器寿命。根据不同工况特点提出合适的换挡策略有助于对频繁换挡和意外换挡情况进行优化。这是本申请需要着重改善的地方。

技术实现思路

1、本发明所要解决的技术问题是提供一种具有双离合变速器dct的车辆的行驶工况的识别及换挡控制优化方法，减少频繁换挡、未按驾驶意图换挡和意外换挡等现象，提高乘坐舒适性。

2、为了解决以上的技术问题，本发明提供了一种具有双离合变速器dct的车辆的行驶工况的识别及换挡控制优化方法，该方法首先采用核主成分分析算法kpca(kernelprincipal components analysis)对车辆行驶过程中通过can总线采集的行驶数据进行筛选并降维，以优化模型的输入变量；然后，搭建长短时记忆lstm(long short-term memory)递归神经网络模型并利用快速收敛狼群算法fcgwa(fast convergence grey wolfalgorithm)对lstm递归神经网络模型中的超参数进行自适应寻优，并将优化后的最优超参数带入lstm递归神经网络模型中对车辆当前行驶工况进行分类和辨识，制定合适的换挡曲线修正系数λ，对频繁换挡和意外换挡情况进行优化，减少车辆在行驶过程中因为节气门开度或车速频繁变化导致换挡点穿过换挡曲线的次数，有效抑制意外和频繁换挡现象；具体步骤如下：

3、步骤s1：采用核主成分分析算法kpca对车辆行驶过程中通过can总线采集的行驶数据进行筛选并降维，最终以多个重要特征作为后续工况辨识模型的输入；

4、步骤s101：车辆行驶过程中通过can总线采集行驶数据，包括油门踏板开度、制动踏板开度、车速、发动机转速信号；

5、步骤s102：提取行驶数据时域特征，即对这些信号处理得到油门踏板开度的变化率、制动踏板开度的变化率、车辆加速度、一定时间范围内制动时间并进行预处理，获取对应的平均值、标准差、最大值特征；

6、步骤s103：对行驶数据进行筛选并降维处理，输出降维后的行驶数据特征；

7、步骤s2：对提取重要特征后的车辆行驶数据进行预处理，按照3:1的比例划分训练集和测试集；

8、步骤s3：搭建长短时记忆lstm递归神经网络模型；

9、步骤s301：搭建双层长短时记忆lstm递归神经网络模型，中间添加dropout层，防止过拟合；

10、步骤s302：选择激活函数并设置fcgwa初始参数，包括神经网络的权重和偏置，学习率、迭代次数、隐藏层数目、隐藏层神经元数目、dropout率和一次输入进神经网络的样本数；

11、步骤s4：利用快速收敛狼群算法fcgwa对lstm递归神经网络模型进行优化；

12、先初始狼群，依次执行狼群“游走行为”、“召唤行为”、“围攻行为”三个狩猎步骤，更新头狼位置，按照狼群的更新机制更新狼群，对2个lstm层的神经元个数、dropout率、初始学习率、迭代次数epochs、一次输入进神经网络的样本数batch_size进行寻优；

13、步骤s5：判断fcgwa是否满足设置的约束条件，若达到则输出fcgwa算法选取的最优，则对lstm递归神经网络模型进行优化并采用最优进行训练，否则返回步骤s4；

14、步骤s6：采用输出的最优超参数构建lstm递归神经网络模型，根据提取重要特征后的车辆实际行驶数据对车辆的行驶工况进行识别；

15、步骤s7：根据识别出的行驶工况类型制定合适的换挡曲线修正系数λ，对频繁换挡和意外换挡情况进行优化，减少车辆在行驶过程中因为节气门开度或车速频繁变化导致换挡点穿过换挡曲线的次数。

16、本发明的优越功效在于：

17、1)结合深度学习、机器学习、优化算法和核方法，提出了一种融合的工况辨识模型，实现对车辆行驶工况的准确识别；

18、2)采用核主成分分析法提取车辆行驶数据的有效特征，不仅对行驶数据进行了降维，剔除了冗余数据，且优化了模型输入变量，从而提高了车辆行驶工况辨识精度；

19、3)为了提升行驶工况辨识精度，对主成分分析法做出了改进，将核方法与主成分分析法结合，即采用核方法将样本空间映射到特征空间，进一步强化各个特征之间的识别度，提高对数据降维的适用范围；

20、4)为提高行驶工况辨识模型的训练精度和速度，提出一种快速收敛狼群算法，对长短时记忆lstm递归神经网络模型中的超参数进行自适应寻优，选取其最佳初始值。

技术特征：

1.一种具有双离合变速器dct的车辆的行驶工况的识别及换挡控制优化方法，其特征在于：先采用核主成分分析算法kpca对车辆行驶过程中通过can总线采集的行驶数据进行筛选并降维，以优化模型的输入变量；再搭建长短时记忆lstm递归神经网络模型，并利用快速收敛狼群算法fcgwa对lstm递归神经网络模型中的超参数进行自适应寻优，将优化后的最优超参数带入lstm递归神经网络模型中对车辆当前行驶工况进行分类和辨识，制定合适的换挡曲线修正系数λ，对频繁换挡和意外换挡情况进行优化，减少车辆在行驶过程中因为节气门开度或车速频繁变化导致换挡点穿过换挡曲线的次数。

2.根据权利要求1所述的具有双离合变速器dct的车辆的行驶工况的识别及换挡控制优化方法，其特征在于：该优化方法包括如下的步骤：

3.根据权利要求1所述的具有双离合变速器dct的车辆的行驶工况的识别及换挡控制优化方法，其特征在于：所述步骤s103包括如下的步骤：

4.根据权利要求1所述的具有双离合变速器dct的车辆的行驶工况的识别及换挡控制优化方法，其特征在于：所述步骤s4包括如下的步骤：

5.一种计算机系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于：所述处理器执行所述计算机程序以实现权利要求1所述方法的步骤。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1所述方法的步骤。

7.一种计算机程序产品，包括计算机程序，其特征在于：该计算机程序被处理器执行时实现权利要求1所述方法的步骤。

技术总结
本发明公开一种具有双离合变速器DCT的车辆的行驶工况的识别及换挡控制优化方法，采用KPCA对车辆行驶过程中通过CAN总线采集的行驶数据进行筛选并降维，以优化模型的输入变量，搭建长短时记忆递归神经网络模型，并利用快速收敛狼群算法对递归神经网络模型中的超参数进行自适应寻优，将优化后的最优超参数带入递归神经网络模型中对车辆当前行驶工况进行分类和辨识，制定合适的换挡曲线修正系数，对频繁换挡和意外换挡情况进行优化，减少车辆在行驶过程中因为节气门开度或车速频繁变化导致换挡点穿过换挡曲线的次数。本发明的优点是减少频繁换挡，提高乘坐舒适性。

技术研发人员：吴光强,闫贺麒,骆启瑞,毛瑞驰,谢福生,鞠丽娟
受保护的技术使用者：同济大学
技术研发日：
技术公布日：2024/5/16