摘 要： 讨论了AMT最佳换档" title="换档">换档规律，利用神经网络对己有数据进行了训练仿真，表明RBF网络辨别方法可以解决档位识别问题，并且给出了神经网络换档控制策略。
    关键词： 自动变速器  神经网络  最佳换档  离合器接合

    自动变速器种类很多，主要有液力自动变速器(AT)、机械式自动变速器(AMT)、无级自动变速器(CVT)。其中，AMT保持原有的机械变速器，离合器结构不变，既具有液力自动变速器自动变速的优点，又保留了原手动变速器齿轮传动效率高、成本低、结构简单、易制造的长处，是非常适合我国国情的机电一体化高新技术产品。
    换档控制是自动变速器的核心问题之一，换档控制性能直接影响车辆的动力性、燃油经济性" title="经济性">经济性及对环境的适应能力，是决定车辆在采用自动变速传动方式后，能否充分发挥其最佳工作性能的关键。AMT车辆对换档控制的基本要求是能根据车辆的行驶状况、道路条件和驾驶员的操纵意图等信息，采用相应的换档规律，并通过选换档执行机构，使变速器及时准确地切换到最佳档位，具有良好的换档品质。
    获得最佳换档规律的途径一般有两种：(1)通过学习熟练驾驶员的经验和专家知识获得最佳换档规律；(2)依据汽车自动变速理论，提前设定一定约束条件，按照某种目标函数通过优化获得最佳换档规律。但是无论采用哪种方法，获得的最佳换档规律都是离散的数据，都必须对数据进行复杂处理才能表示其中的规律。由于神经网络具有在线学习和非线性函数逼近功能，通过MATLAB训练一定数量的样本并存入网络中，神经网络控制器就可以根据这个网络实现联想、记忆，给出最佳档位，并且还可以把驾驶员驾驶时的数据进行训练、存储。
1 换档规律的制定
    换档规律是自动变速系统的基本特性，是实现最佳动力和最佳经济性换档的理论基础，也是自动变速系统控制的核心。换档规律是指两排档间自动换档时刻随控制参数" title="控制参数">控制参数变化的规律，按照控制参数不同有单参数、两参数和三参数换档规律。单参数，多为车速；两参数，多为车速与油门开度；三参数，多为车速、油门开度和加速度。虽然使用的控制参数越多，达到的自动换档效果会越好，但多控制参数会使换档系统变复杂，因而成本较高。
    (1)最佳动力性换档
    最佳动力性换档规律是使汽车的牵引力得到最充分的利用、发动机功率获得最大的发挥来进行换档的规律。为了不损失动力性，在换档点应该保证车速和加速度相同。在不同油门开度下各档加速度与车速的关系曲线中，某一油门开度下相邻档的曲线交点就是确保最佳动力性的换档点。如果在高油门或较低油门时两曲线没有交点，这时采用低档该油门下的最高车速为换档点。把各油门开度下的最佳换档点连接起来，便得到最佳换档动力特性曲线。图1所示为汽车前进档牵引特性图，A点就是1档和2档某一油门开度下的最佳动力换档点。

    (2)最佳经济性换档
    经济性换档规律力求满足最低的百公里油耗要求，保证汽车总是以发动机的燃油消耗率最小的档位行驶。车辆的最佳经济性换档规律通过车辆的燃油经济性曲线求得。假设换档时间很短，可认为换档时车速不变。为保证汽车具有良好的动力性和乘坐舒适性，要求换档前后牵引力不变，即等牵引力换档条件，换档时油门开度应自动调节，并与此相适应。设换档时牵引力为某一常数，在牵引力特性上表示为一水平直线。根据它和相邻两档不同油门开度的牵引力特性曲线交点，求出对应的某档某油门开度的车速，由Q_t=f(V_a)曲线可得到该车速下相应档位和油门开度的油耗。根据车速和油耗可得到相邻两档的油耗曲线，其交点就是最佳燃料消耗的换档点。依此类推，可以求出给定不同牵引力常数的相邻两档的换档点，其换档点的连线就是相邻两档的最低燃料消耗量。换档曲线根据换档点对应的车速和牵引力，分析换档规律对汽车牵引特性的影响，根据对应油门开度和车速可得到经济性换档规律。图2表示相邻两个档位的油耗特性曲线，A点为两档油耗特性曲线的交点。A点处两档的油耗相同，为最佳经济性换档点。

    最佳动力性和最佳经济性换档规律是两种理想的换档规律，本系统利用神经网络对两种换档规律进行学习。车辆实际运行过程中采用的换档规律是综合考虑车辆的动力性、经济性以及驾驶员操纵意图、道路环境条件等诸多因素，再通过设定开关选择是经济性换档还是动力性换档。
2 基于神经网络（NN）的自动变速器最佳档位判定
    汽车是具有多输入、多输出、不确定性、多干扰源的复杂非线性系统。由于输入和干扰因素与输出的关系相当复杂，系统又是高阶非线性系统，加之内部和外部参数的不确定性，致使为车辆系统进行合适的建模十分困难。人工神经网络为非线性系统的建模和控制开辟了新的途径。
    反映发动机和车辆工作状况的主要参数有发动机转速、油门开度和车速等。发动机转速尽管很容易被检测，但在换档过程，其值处于变动之中，所以不适合作为换档控制参数；而车速在换档过程中由于车辆自身的惯性，基本上保持不变，所以可以作为反映车辆状态的换档控制参数；油门开度反映了司机对车辆行驶功率的要求。理论分析可以得出车速和油门开度与最佳档位间的关系是分段非线性函数。
    (1)NN用于档位辨识的控制原理
    车辆状态的描述可以用一些参数表示，为了能更全面地反映车辆的运行状态，往往还要考虑车辆负载、路面、驾驶员熟练程度、输入输出轴转速、坡度、执行机构延时等因素，因此最佳换档规律是一个复杂的、多变的非线性函数。但是描述车辆工作状态的离散点在一定区域内对应换档网络表中的一个最佳档位，应用RBF函数算法可以对离散点进行最佳拟合，较好地实现最佳档位的选择。
    应用RBF神经网络时，采用对现有的样本数据进行归一化处理，应用MATLAB中的Neural Network Toolbox对其进行训练，把训练结果所包含的分类规律存储在神经网络表中。神经网络输入节点数由最佳换档规律所选参数决定，输出结点个数由变速器档位个数决定。图3给出了j个输入参数、i个档位的AMT控制电路，神经网络部分用于存储换档规律。在使用前对实际输入参数与最佳档位对应关系的数据利用MATLAB进行训练，存入神经网络表中；在实际应用时对传感器测得的参数进行处理、A/D转化，然后将归一化处理结果输入到神经网络控制器，进行运算、联想、记忆，给出最佳档位。换档控制逻辑部分根据网络输出G₁、G₂、G₃、…、G_i值及司机命令和刹车信号，形成换档处理，给出换档逻辑控制信号，经过光电隔离、功率放大后，驱动液压执行机构完成换档动作。

    (2)NN用于档位辨识的原始数据训练及验证
    神经网络对最佳换档规律具有自学习、存储的功能，本文对两参数、五档位AMT换档现有输入、输出数据利用三层RBF算法在MATLAB环境下进行了训练。表1列出了其中10个训练样本数据和输出结果。

    本文中数据采用低档时所测数据进行训练、验证，采用高斯函数(radbas)作为RBF神经元的激活函数。由高斯函数的传输特性可知，当输入矢量P与权值" title="权值">权值w重合时，网络输出值最大，距离越远输出值越小，分别对应表1中的最佳档位输出值和其他档位值。在表1中，输入参数α、ν为归一化后的车速和油门开度值；G₁、∧、G₅为最佳档位对应的数值，取0.9左右的值对应当前最佳档位，也就是输入矢量P和权值矢量w距离最近时RBF神经网络的输出值。采用以上归一化的数据样本，取径向基函数分布密度SPREAD的值为2，在MATLAB环境下进行训练，训练次数在3 000次左右时误差降至所要求值以内。训练后用数据进行检验，结果表明，判断档位的作用显著，并将训练好的前、后档网络权值、阈值存入相应的控制器。
    图4给出了一个最佳档位判别及换档控制逻辑图。神经网络部分用于存储换档规律，在使用前由输入参数与最佳档位对应关系的数据对其进行训练；在线应用时，输入参数由传感器测取，归一化后输入网络中。输出G₁中取值最大者对应的档位就是最佳档位。如果G₂最大，则最佳档为2档，这时应把变速箱置为此档。换档控制逻辑部分综合网络输出G₁、G₂，…G₅值形成是否换档及换哪一档的处理，并给出完成换档操作的控制时序信号。这些信号经过功率放大后，推动执行机构完成换档过程。为了避免升档时由于换档动力切断等原因造成的循环换档，换档控制逻辑对来自G₁、G₂，…G₅指示的档位变化有一个延迟；也就是一次换档后，一段时间内不再响应网络指示的档位变化。当G₁、G₂，…G₅中有一个以上有效时，只要有一个与当前档位相同就不换档，否则取与当前档最接近的档位。

3 离合器接合" title="离合器接合">离合器接合的控制
    下面介绍换档时离合器的结合与分离控制的要点。
    (1)离合器的行程
    由离合器接合过程动力传动所经过的三个阶段可知，接合应满足快－慢－快的过程。
    (2)加速踏板踏入量或油门开度
    它是反映驾驶员意图、实现控制接合速度vc的主要途径。试验表明，离合器接合的前阶段正比于加速踏板的行程，即油门开度α，它对v_c有前馈效应。如发动机接通开关但不运转，则离合器仍不接合，即需α>α_min且发动机需超过目标转速n_e0。但在接合的最后阶段，因传递转矩与同步已接近或已完成，故v_c受油门操作的控制较少。由于发动机转速相对于油门开度有较大的滞后，不宜将油门开度作为接合量主要的确定量；否则，由于反应滞后，可能造成发动机熄火或发动机转速过高，所以将它作为一种辅助确定量。
    (3)发动机转速n_e
    试验表明：接合期间发动机转速n_e随时间的变化会出现一个峰点和谷点，并且接合愈快，转速的波动量越大。v_c正比于发动机的角加速度dw_e/dt，当(dw_e/dt)>0，则接合速度v_c快；相反在B-C阶段，因负荷而使发动机转速下降，(dw_e/dt)<0，则v_c降低，甚至很低。为了防止发动机转矩T_e小于离合器从动轴转矩T_c,使发动机转速n_e下降过低而引发爆震,造成车身振动甚至发动机熄火，需要先计算发动机目标转速n_e0，若现在油门α下的n_ee0，则离合器分离，停止接合。
    (4)档位与车速
    由于变速器输出轴上的转矩T_T与档位传动比成正比，i_g越大则后备牵引力越大，从而使车身产生的纵向加速度也越大，传动系统可能产生的动载荷也越大。从提高接合平顺性、乘坐舒适性以及减少传动系统冲击考虑，应放慢接合速度v_c，故i_g大换档时间长。此外，由于车速也间接反映了外界的负载状态，在同一油门开度下行驶，车速越高说明外部阻力越小，所以v_c可以加快。
    离合器的接合过程受多个参数的影响，在控制的过程中，不可能将所有的参数都作为控制参数。从简单实用的角度出发，选择油门开度α、档位i_g、发动机转速n_e以及输入轴的转速ni作为控制参数。这些信号与离合器的接合速度之间的关系是非线性的，难以用一个确定的函数关系来表示或线性化近似。本系统采用三层RBP神经网络来实现它们之间的的非线性映射关系，如图5所示。

    本文将神经网络应用于AMT自动变速器中，简单介绍了最佳换档规律，重点介绍了RBF网络在档位变换和离合器接合过程中的应用。汽车换档的依据是换档规律，文章简单介绍了动力性换档和经济性换档，在实际的应用当中，可以设置开关量来选择是希望汽车发动机有更好的动力性还是更好的燃油经济性。对于这两种换档规律有各自对应的换档规律经验值，可以分别用神经网络算法训练。非神经网络的控制方法是在控制器的ROM中存储一个查找表，当检测到车辆的信息，查找存储表，就可以知道档位及离合器的接合速度。但这需要存储大量的信息。本系统的神经网络方法是根据大量的经验值离线训练RBF网络的权值，最终使网络达到要求的精度，然后只需要将训练后的网络权值和阈值存储于微处理器的ROM中，此后不断检测车辆的状态参数，根据已经存储的网络权值，计算出档位和离合器的接合速度即可。本文只介绍了神经网络在最佳档位决策方面的训练过程和结果分析，对于离合器的控制，给出了相应神经网络的输入输出，可以根据与档位决策同样的方法，由经验值训练网络得出符合要求的离合器接合速度的神经网络模型。
参考文献
[1] 葛安林.自动变速器(十一)－变速器的自动控制系统(下).汽车技术，2002，(3).
[2] 葛安林.动态三参数最佳换档规律的研究[J].汽车工程，1992，14(4).
[3] 何涛.自动变速器换档控制技术的研究[D].北京：北京林业大学出版社，2005.
[4] 陈莉.自动离合器的自适应最优控制[J].上海交通大学学报，2000，(10)：1312~1316.
[5] 飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2005.