【技术实现步骤摘要】
一种基于预测的自动变速器多参数融合换挡策略
本专利技术涉及汽车自动变速器
,具体地说是一种基于预测的多参数融合电动汽车机械式自动变速器换挡策略。
技术介绍
在优化的换挡策略指引下,电控机械式自动变速器(AMT)能够使车辆根据自身状态及工况需求,通过挡位切换提高车辆的动力、经济等性能,并降低车辆对动力电池以及驱动电机等部件的性能需求,更好地发挥出纯电动的优越性。如何建立优化的换挡策略,从而使车辆具备足够的动力性能,并尽可能使驱动电机处于高效工作区,最大限度地延长车辆的续驶里程,是配备自动变速器电动车辆研究的关键技术之一。综合换挡策略当前的发展状况以及未来的发展趋势,传统的换挡策略都只是从车辆以及常规驾驶员的角度出发进行设计,并未对道路环境进行考虑,因此在遇到弯道或者坡道等特殊的行驶工况,或者在制动或者超车等特殊的驾驶员意图时,仍按照传统的换挡策略会导致自动变速器选择的挡位与最佳挡位出现偏差,在一些情况下会出现车辆动力不足的现象,甚至有时出现意外换挡的情况。为使车辆获得良好的动力性,经济性,乘坐舒适性以及环境适应性,考虑到车辆行驶过程中是一个由驾驶员-车辆-环境组成的闭环系统,需要对车辆质量、驾驶员意图、道路坡度等参数进行辨识,并将它们作为智能换挡策略的设计基础。在制定智能换挡策略时,如何将动力性能与经济性能进行有效融合会影响车辆的驾驶性能,也一直是换挡策略研究的热点与难点。考虑到换挡过程为一个动态响应的过程,驾驶员的反应、操纵以及车辆目标挡位响应都需要一定时间,造成实际换到的目标挡位与当前状况下的 ...
【技术保护点】
1.一种基于预测的自动变速器多参数融合换挡策略,其特征在于包括如下步骤:/n步骤1:根据车辆状态信号的输入,通过所建立的容积卡尔曼滤波算法模型(CKF),对车辆负载以及道路坡度进行实时参数辨识;所述状态信号的输入包括车速u,车辆质量m以及道路坡度α;/n步骤2:基于车辆行驶工况的历史信息,通过所建立的深度神经网络算法模型(DNN),预测未来短时域工况,所述预测未来短时域工况包括预测车速和预测道路坡度两种工况信息,其中步骤2中的当前道路坡度数据根据步骤1中的CKF估计算法辨识得出,步骤2中的车速通过变速箱输出轴转速计算求得;/n步骤3:基于模型预测架构(MPC),根据预测的所述未来短时域工况,通过动态规划滚动优化算法,对预测时域进行挡位寻优,得到使得在预测时域内代价函数最小的优化控制序列,所述优化控制序列包括变速箱挡位控制序列;/n步骤4:将动态规划滚动优化算法寻得的所述优化控制序列发送至各个底层控制器,控制器控制变速箱以及电机。/n
【技术特征摘要】
1.一种基于预测的自动变速器多参数融合换挡策略,其特征在于包括如下步骤:
步骤1:根据车辆状态信号的输入,通过所建立的容积卡尔曼滤波算法模型(CKF),对车辆负载以及道路坡度进行实时参数辨识;所述状态信号的输入包括车速u,车辆质量m以及道路坡度α;
步骤2:基于车辆行驶工况的历史信息,通过所建立的深度神经网络算法模型(DNN),预测未来短时域工况,所述预测未来短时域工况包括预测车速和预测道路坡度两种工况信息,其中步骤2中的当前道路坡度数据根据步骤1中的CKF估计算法辨识得出,步骤2中的车速通过变速箱输出轴转速计算求得;
步骤3:基于模型预测架构(MPC),根据预测的所述未来短时域工况,通过动态规划滚动优化算法,对预测时域进行挡位寻优,得到使得在预测时域内代价函数最小的优化控制序列,所述优化控制序列包括变速箱挡位控制序列;
步骤4:将动态规划滚动优化算法寻得的所述优化控制序列发送至各个底层控制器,控制器控制变速箱以及电机。
2.根据权利要求1所述的方法,其特征在于:所述步骤1包括如下步骤:
a建立车辆行驶的动力学模型,并以车速u,车辆质量m以及道路坡度α为状态变量,构建的车辆CKF观测器的状态方程以及观测方程;
以车速u,车辆质量m以及道路坡度α为状态变量,建立系统状态空间方程,则系统的状态向量为:
x(t)=(u(t),m(t),α(t))(1)
系统的微分方程:
式中,Ttq为电机的输出转矩;ig和i0分别为变速箱变速比以及减速箱的主减速比;ηt为传动系效率;r为轮胎滚动半径;m、A、ua以及分别为车辆质量、迎风面积、行驶速度(km/h)以及加速度(m/s2);g为重力加速度;f为滚动阻力系数;α为道路坡度角;CD为空气阻力系数;ρ为空气密度;
假设系统的过程噪声向量为Wk,测量噪声向量为Vk
则系统的状态方程为:
系统的测量方程为:
其中zk为量测量值;则根据所构建的车辆CKF观测器的状态方程以及观测方程,进行CKF观测器参数辨识算法的时间更新及量测更新;
b进行CKF观测器参数辨识算法的时间更新,根据状态变量个数进行容积点的确定,初始化完成后,对各容积点进行计算,计算通过状态方程传播的容积点的预测值,得到状态预测方程,实现对状态变量进行预测,得到状态变量的预报值进而对预测误差协方差值进行更新;
c进行CKF观测器参数辨识算法的量测更新,使用量测方程对所述状态变量的预报值进行变换,求得状态变量预测误差协方差的平方根矩阵,并计算量测的预报误差方差、状态变量预报值和量测量预测值之间的互协方差矩阵以及增益方程,利用当前时刻量测量的测量值与状态变量预报值之间的差值,通过卡尔曼滤波增益完成状态变量预报值的滤波,得到k时刻状态变量预报值及所述k时刻状态变量预报值的估计误差协方差;
d返回k时刻状态变量预报值及其所述估计误差协方差,输入当前车速、电机输出轴转矩以及变速箱变速比,进行下一次的迭代计算,完成对车辆负载以及道路坡度进行在线辨识。
3.根据权利要求1所述的方法,其特征在于:所述步骤2包括如下步骤...
【专利技术属性】
技术研发人员:何洪文,李浩楠,秦杭,
申请(专利权)人:北京理工大学,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。