一种基于预测的自动变速器多参数融合换挡策略制造技术

一种基于预测的自动变速器多参数融合换挡策略，包括如下步骤：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)，对未来短时域工况进行预测，基于模型预测架构(MPC)，根据预测的行驶工况信息，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变速箱挡位控制序列；将动态规划滚动优化算法寻得的优化控制序列发送至各个低层控制器，控制变速箱以及电机等整车部件进行响应。实现驾驶员‑车辆‑环境闭环系统的智能化换挡，在保证动力性的前提下，实现车辆的经济性换挡。

A multi parameter fusion shift strategy of automatic transmission based on Prediction

【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最优目标挡位有所偏差，因此如何实现预测换挡，对车辆行驶工况，包括车速以及道路坡度进行预测，并在预测时域内进行挡位寻优，是值得研究与探讨的问题。
技术实现思路
为解决上述问题，本专利技术提出一种基于预测的自动变速器多参数融合换挡策略，在参数辨识以及工况预测的基础上，根据车辆的状态反馈，在预测时域内进行挡位寻优，对多参数进行融合，实现驾驶员-车辆-环境闭环系统的智能化换挡，在保证动力性的前提下，实现车辆的经济性换挡。本专利技术提出一种基于模型预测架构的换挡策略。与传统规则换挡策略相比，换挡时机的选择不是单纯基于驾驶员控制的油门信号及实时车速来决定的，而是通过工况预测模型计算出的未来一段时域范围内的车辆未来车速及坡度、负载信息的变化情况，利用最优控制方法计算得到的。其中未来车速信息是通过基于深度神经网络所构建的未来车速预测模型实时预测计算得到的。坡度和负载信息是通过基于容积卡尔曼滤波算法(CKF)构建的参数辨识模型计算得到的。基于预测得到的未来工况信息利用全局最优寻优方法对挡位控制序列进行优化计算，并将首步优化结果作用于底层控制器，实现自动变速箱的挡位实时优化控制。由于考虑了未来工况信息以及采用了最优控制方法对控制序列进行计算，本专利技术相较于常规换挡控制策略而言具有动态优化效果好的优点。在预测时域内采用动态规划来获得最优控制序列，可解决离线动态规划算法的实时应用问题，可兼顾挡位序列的动态优化和实时控制。在确保车辆动力性能的前提下，有效提升整车燃油经济性。附图说明图1为本专利技术的整体流程图图2位本专利技术基于CKF算法的道路坡度与车辆质量辨识流程图图3为本专利技术基于CKF算法的车辆质量辨识结果图图4为本专利技术基于CKF算法的道路坡度辨识结果图图5为本专利技术深度神经网络的结构图图6为本专利技术基于DNN算法的车速预测结果图图7为本专利技术基于DNN算法的道路坡度预测结果图图8为本专利技术MPC算法的滚动优化示意图具体实施方式为达到上述专利技术目的，本专利技术一种机械式自动变速器换挡方法包括如下步骤：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)，对未来短时域工况进行预测，所述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，其中当前车速信息通过变速箱输出轴转速计算，当前道路坡度信息通过参数辨识得到；步骤3：基于模型预测架构(MPC)，根据预测的未来短时域工况，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优化控制序列发送至各个底层控制器，包括挡位，电机转矩，电机转速等，控制器执行相应的命令，控制变速箱以及电机等整车部件进行响应。对所述步骤1所述的车辆负载与道路坡度参数辨识，按照如下方法进行：步骤1.1：构建系统状态方程与测量方程：行驶过程中，车辆的行驶方程如下：Ft＝Ff+Fw+Fi+Fj(1)其中，Ft是车辆的驱动力，Ff，Fw，Fi和Fj分别为车辆的滚动阻力、空气阻力、坡道阻力以及加速阻力。对上式进行进一步整理：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；万为旋转质量换算系数。假设系统的过程噪声向量为Wk，测量噪声向量为Vk，两者是相互独立的高斯白噪声，均值为零，且均为加性噪声，则可以对状态量xk以及输出量yk建立非线性离散的空间状态模型：在行驶过程中，车辆负载以及道路坡度变化较为缓慢，它们对于时间的导数可近似为0。以车速u，车辆质量m以及道路坡度α为状态变量，建立系统的状态方程和测量方程；则系统的状态向量为：x(t)＝(u(t)，m(t)，α(t))(4)根据式(2)，可得系统的微分方程：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；步骤1.2：CKF时间更新：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。进行系统状态变量的初始化，以及估计误差协方差初值设置，为计算整车动力系统状态变量的容积(Cubature)点，得到状态变量的预测值，对Pk-1|k-1进行矩阵三角分解，得到k-1时刻估计误差协方差的平方根矩阵Sk-1|k-1，从而计算容积点：式中，ξi为的第i序列；n为状态变量维数，即容积点总数。为状态变量预测值，Xi，k-1|k-1为k-1时刻状态变量的第i个Cubature点。计算通过状态方程传播的容积点的预测值，得到状态预测方程如下，实现对状态变量进行预测，得到状态变量的预报值因此，协方差预测方程如下，得到预测误差协方差值Pk|k-1；步骤1.3：CKF量测本文档来自技高网...

【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