廖燕輝(廣東技術(shù)師范學(xué)院 汽車學(xué)院,廣州 510635）

基于Matlab的自動變速器換檔規(guī)律的神經(jīng)網(wǎng)絡(luò)模型設(shè)計

廖燕輝
(廣東技術(shù)師范學(xué)院 汽車學(xué)院,廣州 510635）

摘 要:本文運(yùn)用一種具有強(qiáng)大的數(shù)學(xué)分析能力的Matlab工具，建立由節(jié)氣門開度和車速這兩個主要參數(shù)控制的汽車自動變速器換檔規(guī)律的神經(jīng)網(wǎng)絡(luò)模型。該神經(jīng)網(wǎng)絡(luò)模型對汽車自動變速器的換檔規(guī)律有很好的分析判斷能力，學(xué)習(xí)能力強(qiáng)，解決了普通工具很難識別節(jié)氣門開度和車速之間的內(nèi)在聯(lián)系的問題。

關(guān)鍵詞：Matlab；自動變速器；換檔規(guī)律；神經(jīng)網(wǎng)絡(luò)

1 引言

汽車自動變速器的換檔規(guī)律主要有三參數(shù)控制的換檔規(guī)律和兩參數(shù)控制的換檔規(guī)律[1]，本文研究的對象是兩參數(shù)控制的換檔規(guī)律，即由節(jié)氣門開度和車速這兩個主要參數(shù)控制的兩參數(shù)換檔規(guī)律。因為汽車在行駛的過程中，路況非常復(fù)雜、再加上每位駕駛員的駕駛習(xí)慣不同，所以節(jié)氣門開度和車速經(jīng)常頻繁地呈非線性的變化。對于這種非線性關(guān)系的數(shù)據(jù)變化，采用普通的工具很難分析出它們之間的內(nèi)在聯(lián)系[2]。

而Matlab具有強(qiáng)大的數(shù)學(xué)分析能力，使用Matlab對非線性的數(shù)據(jù)進(jìn)行分析是很好的選擇。本文把數(shù)據(jù)訓(xùn)練樣本輸入Matlab工具箱中建立神經(jīng)網(wǎng)絡(luò)模型，訓(xùn)練之后建立的神經(jīng)網(wǎng)絡(luò)模型可以整合到在LabVIEW環(huán)境下編寫的汽車自動變速器換檔規(guī)律的測試系統(tǒng)中，使該系統(tǒng)能夠直接調(diào)用神經(jīng)網(wǎng)絡(luò)模型實時對當(dāng)前采集到的數(shù)據(jù)信號進(jìn)行處理[3]。

2 采集訓(xùn)練樣本數(shù)據(jù)

本文的具體研究對象是廣汽本田2006款思迪轎車，選取該款車的節(jié)氣門位置傳感器電壓輸出信號和自動變速器中間軸車速傳感器電壓輸出信號作為神經(jīng)網(wǎng)絡(luò)的輸入向量，每個檔位40組訓(xùn)練樣本數(shù)據(jù)，5個前進(jìn)檔位，共200組神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)。其中1檔和2檔的樣本數(shù)據(jù)是路試測得的，3檔、4檔和5檔的樣本數(shù)據(jù)是從廣汽本田思迪轎車維修資料中 找到的。

從理論上講，在不同的工況下、不同的路況下采集的訓(xùn)練樣本數(shù)據(jù)越多，覆蓋的面越廣，網(wǎng)絡(luò)訓(xùn)練完成之后建立的神經(jīng)網(wǎng)絡(luò)模型的性能就更加穩(wěn)定、識別能力和學(xué)習(xí)能力也越高[4]。由于時間和精力的限制，本文在不同工況、不同路況、不同檔位的情景中選取了200組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù)。

3 神經(jīng)網(wǎng)絡(luò)設(shè)計

3.1 目標(biāo)向量設(shè)計

由于試驗所用的本田思迪轎車在D檔時有五個檔位，因此各檔位采用下列輸出方式：

一檔：[0 0 1]; 二檔：[0 1 0]; 三檔：[1 0 0]; 四檔：[0 1 1]； 五檔：[1 0 1] 。

3.2 樣本數(shù)據(jù)歸一化處理

節(jié)氣門開度和車速具有不同的單位，所以在訓(xùn)練之前要做歸一化處理，把數(shù)值量化到[0,1]之間,這有利于訓(xùn)練收斂的速度。本文采用的歸一化方法是所有的節(jié)氣門開度值除以最大的節(jié)氣門開度值（100），所有車速值除以最大的車速值(255)。

3.3 網(wǎng)絡(luò)訓(xùn)練

因為訓(xùn)練函數(shù)trainlm收斂速度快，網(wǎng)絡(luò)的訓(xùn)練誤差較小，所以通過以下代碼調(diào)用trainlm。

可見，經(jīng)過46次訓(xùn)練之后，網(wǎng)絡(luò)的性能已經(jīng)達(dá)到了使用要求，訓(xùn)練結(jié)果如圖1所示。

3.4 網(wǎng)絡(luò)測試

因為網(wǎng)絡(luò)訓(xùn)練之后，其權(quán)值就固定下來了。此時輸入每一個向量，網(wǎng)絡(luò)就能輸出相應(yīng)的向量，但是訓(xùn)練完的網(wǎng)絡(luò)需要用附加樣本進(jìn)行性能驗證。如果不能滿足使用要求，必須重新訓(xùn)練網(wǎng)絡(luò)。本文的測試數(shù)據(jù)如表1所示。

表1的測試樣本數(shù)據(jù)的測試結(jié)果如附圖1所示。測試結(jié)果顯示，神經(jīng)網(wǎng)絡(luò)的輸出與期望輸出基本符合，誤差在允許范圍內(nèi)。其中誤差最大的一組是第8組，期望輸出是[0 0 1],實際輸出是[0.0020 0.6006 0.5886],這表明此組測試數(shù)據(jù)在表示1檔的同時也趨向于2檔。出現(xiàn)這種情況是合理的，因為此時的節(jié)氣門開度為87°，車速為50km/ h，剛好處于1檔和2檔之間。如果訓(xùn)練樣本數(shù)據(jù)大于200組，這個問題將會得到比較好的改善。

表1 測試樣本數(shù)據(jù)

4 結(jié)論

神經(jīng)網(wǎng)絡(luò)模型對自動變速器的換檔規(guī)律有很好的分析判斷能力，學(xué)習(xí)能力強(qiáng)，對非線性關(guān)系的數(shù)據(jù)具有很強(qiáng)的處理能力。把建立好的神經(jīng)網(wǎng)絡(luò)模型整合到在LabVIEW環(huán)境下編寫的程序中，能夠同時輕松地實現(xiàn)數(shù)據(jù)采集、分析、結(jié)果顯示等多種功能。

100　80　3檔95　83　3檔140　86　3檔113　88　3檔125　91　3檔120　77　3檔179　56　4檔190　81　4檔177　85　4檔168　87　4檔183　90　4檔210　92　4檔172　99　4檔190　96　4檔188　98　4檔195　100　4檔車速/km h-1　節(jié)氣門開度/°　目標(biāo)檔位199　56　5檔195　59　5檔205　65　5檔200　69　5檔209　73　5檔211　78　5檔222　83　5檔225　85　5檔227　88　5檔230　90　5檔

參考文獻(xiàn)：

[1]陰曉峰,譚晶星，雷雨龍,葛安林.基于神經(jīng)網(wǎng)絡(luò)發(fā)動機(jī)模型的動態(tài)三參數(shù)換檔規(guī)律[J].機(jī)械工程學(xué)報,2005,41(11).

[2]陳超.汽車AMT換檔規(guī)律及其評價方法的研究[D].碩士學(xué)位論文,西華大學(xué),2006(05).

[3]巫世晶,朱恩涌，李群力，王曉筍.汽車模糊控制換檔策略仿真研究[J].西南交通大學(xué)學(xué)報,2008,43(06).

[4]陳艷菲.基于MATLAB的根軌跡仿真實驗設(shè)計[J].中國科教創(chuàng)新導(dǎo)刊,2014(04).

作者簡介:廖燕輝（1984-），男，廣東韶關(guān)人，碩士研究生，初級，研究方向：汽車故障檢測。