高子茵, 杜明剛, 李慎龍
(中國北方車輛研究所車輛傳動重點實驗室,北京 100072)
目前,多所高校和科研機構(gòu)將不同的智能算法引入換擋點的修正中,并得到了有效的優(yōu)化結(jié)果.牛炳對比分析了模糊控制和神經(jīng)網(wǎng)絡(luò)控制各自的優(yōu)缺點,提出兩者融合的智能換擋規(guī)律,采用RBF神經(jīng)網(wǎng)絡(luò)算法的方法對換擋規(guī)律進(jìn)行優(yōu)化[1].陳寧博士[2]和朱振寧博士[3]針對工程車輛利用神經(jīng)網(wǎng)絡(luò)算法對換擋規(guī)律進(jìn)行修正.侯培國等人提出使用神經(jīng)網(wǎng)絡(luò)算法中的BP建立車輛自動變速三參數(shù)神經(jīng)網(wǎng)絡(luò)控制模型[4].李光輝[5]以及劉振軍[6]研究了基于T-S模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和算法,通過結(jié)合模糊系統(tǒng)進(jìn)行模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和仿真.可見,智能控制算法在換擋策略方面的研究得到廣泛應(yīng)用.所以,按照傳統(tǒng)的雙參數(shù)換擋規(guī)律雖然在一定程度上可以得到最優(yōu)性能,但忽略了車輛的動態(tài)特性對換擋過程的影響,因此引入智能算法對傳動的換擋規(guī)律進(jìn)行修正.
兩參數(shù)的最佳動力性換擋規(guī)律通常以牽引力與車速的關(guān)系或者加速度與車速的關(guān)系來表述.本研究采用牽引力與車速的關(guān)系來制定雙參數(shù)最佳動力性換擋規(guī)律.
換擋規(guī)律設(shè)計過程中所用到的主要參數(shù)見表1.
表1 計算參數(shù)
由于該變速器帶有液力變矩器,所以先制定閉解鎖策略.本研究采用一擋和二擋油門開度低于40%時為液力工況,其他工況為機械工況(倒擋除外).
換擋規(guī)律制定流程如下:
1)根據(jù)發(fā)動機的外特性和液力變矩器的原始特性,計算發(fā)動機與液力變矩器的共同輸入、輸出特性.
2)根據(jù)牽引力公式(1)分別計算液力和機械的各個擋位牽引力.
(1)
式中:Ttq為發(fā)動機扭矩;ign為變速器傳動比;i0為減速器速比;ηt為傳動效率;r為車輪半徑.
3)繪制各個油門開度下1、2擋液力工況下的牽引力曲線,以及2~6擋機械工況下的牽引力曲線.
4)計算各個油門開度下相鄰兩擋牽引力曲線的交點即為換擋點.相同擋位的換擋點的連接即為換擋曲線.
5)降擋速差的確定.引入收斂系數(shù)K定義降擋速差的大小,如式(2)所示.
K=(vn↑-vn+1↓)/vn↑.
(2)
式中:vn↑代表一定油門開度時,從n擋升入n+1擋時的升擋車速;vn+1↓代表一定油門開度時,從n+1擋降到n擋時的降擋車速.
K通常取值小于0.4~0.45.根據(jù)目標(biāo)車輛特性,不同的擋位和油門開度制定不同的K值.將油門開度分為低油門開度(10%~40%)、中油門開度(50%~70%)和高油門開度(80%~100%).擋位分為低擋位(1~3擋)和高擋位(4~6擋).則K的取值如表2所示.
表2 K值選擇
求得的最佳動力性換擋曲線如圖1所示.
圖1 動力性升降擋曲線
根據(jù)換擋曲線可以分析出換擋規(guī)律為發(fā)散型.車輛在大油門開度時,每個擋位工作的車速區(qū)間大,有利于車輛的經(jīng)濟性.
采用Matlab/Simulink建立整車動力學(xué)模型,包括發(fā)動機模型、擋位選擇模塊、液壓系統(tǒng)模型、機械系統(tǒng)模型、簡化輸出軸模型以及整車動力模型等.如圖2所示.
圖2 整車動力模型
為了仿真動力性換擋規(guī)律設(shè)計的合理性,以100%油門開度進(jìn)行動力性仿真.
在擋位選擇模塊中,當(dāng)車速到達(dá)換擋點時,采用延遲2 s的策略可以有效避免循環(huán)換擋.但延遲會導(dǎo)致?lián)Q擋點不是最佳換擋點,所以提出修正策略,來消除換擋延遲的影響.
v+a=vup.
(3)
式中:v為判斷車速;a為加速度;vup為升擋車速.
修正后的仿真車速對比如圖3所示.
圖3 仿真車速對比
從仿真結(jié)果可以看出,修正前0~30 km/h的加速時間為8.8 s,修正后為8.6 s.采用換擋點的修正策略,能有效提高車輛的動力性.
由于在計算換擋點的過程中會由各種誤差導(dǎo)致計算結(jié)果在實際應(yīng)用中不是最優(yōu)解,因此采用遺傳算法對換擋點進(jìn)行優(yōu)化,使結(jié)果更加符合實際工況.
遺傳算法是一種遵循自然法則,通過“優(yōu)勝劣汰”法則求得最優(yōu)解的方法.遺傳算法原理圖如圖4所示.
圖4 遺傳算法原理圖
1)初始化設(shè)計.
各個油門開度下的換擋點為設(shè)計變量.以100%油門開度下的換擋點為例,則初始變量為從1~6擋的升擋車速,依次設(shè)為:v1,v2,v3,v4,v5.
2)目標(biāo)函數(shù).
以100%油門開度下0~30 km/h的加速時間為目標(biāo)函數(shù),則
(4)
式中:Tacc為加速時間;acc1、acc2、acc3、acc4、acc5、acc6為1擋~6擋的加速度.
3)約束條件.
考慮到各擋最高最低車速和降擋速差一些因素,為各個擋位制定車速范圍如表3所示(以100%油門開度為例).
表3 升擋車速范圍 (km·h-1)
1)設(shè)定參數(shù).
根據(jù)經(jīng)驗和多次試驗結(jié)果給定參數(shù),見表4.
表4 設(shè)定參數(shù)
2)計算適應(yīng)度.
適應(yīng)度用于評價個體的優(yōu)劣程度,適應(yīng)度越大個體越好,反之越小則越差.因此適應(yīng)度值必須非負(fù),將目標(biāo)函數(shù)進(jìn)行轉(zhuǎn)化得到適應(yīng)度函數(shù).
(5)
整體流程圖如圖5所示.
圖5 遺傳算法流程圖
將優(yōu)化后的換擋點寫進(jìn)換擋邏輯控制模塊中,進(jìn)行100%油門開度下的仿真,仿真結(jié)果如圖6和表5所示.
由仿真結(jié)果可以看出,遺傳算法優(yōu)化后的換擋點能有效提高車輛的動力性,減少0~30 km/h的加速時間.
圖6 仿真結(jié)果車速對比
表5 優(yōu)化前后換擋點及加速時間對比
擋位1→22→33→44→55→6優(yōu)化前換擋點車速/(km·h-1)9.617.523.833.345.4優(yōu)化后換擋點車速/(km·h-1)916223142優(yōu)化前加速時間/s8.6優(yōu)化后加速時間/s8.3
為了克服兩參數(shù)換擋規(guī)律的不足,提出了基于穩(wěn)態(tài)的三參數(shù)換擋規(guī)律,引入加速度這一參數(shù)進(jìn)行動態(tài)修正.利用模糊控制理論既能處理解析模型描述的關(guān)系,又能應(yīng)用語言描述的經(jīng)驗特點,建立一種計算量小并且占用儲存量少的換擋策略.其修正原理如圖7所示.模糊控制的基本原理如圖8所示,虛線部分為控制系統(tǒng)的核心.
圖7 動態(tài)修正原理圖
圖8 模糊控制原理圖
1)模糊控制器的輸入量和輸出量.
模糊換擋系統(tǒng)采用多輸入單輸出結(jié)構(gòu),以車速x1、油門開度x2、加速度x3作為模糊決策的輸入量X=[x1,x2,x3],決策的輸出量為換擋點的修正量Y.
2)論域變化.
將車速、油門開度和加速度的實際論域變換到內(nèi)部論域,其值為:{0,1,2,3,…,29,30},{0,1,2,3,4,…,10},{-3,-2,-1,0,1,2,3},{-2,-1,0,1,2}.
3)模糊化.
將系統(tǒng)精確的輸入量轉(zhuǎn)化為模糊量.
車速v劃分為5個模糊集合,有極小(VS)、小(S)、中(M)、大(B)、極大(VB),模糊子集為{VS S M B VB};
油門開度劃分為5個模糊集合,有小(VS)、中小(MS)、中(M)、中大(MB)、大(VB),模糊子集為{VS MS M MB VB};
加速度劃分為7個模糊集合,有負(fù)大(FB)、負(fù)中(FM)、負(fù)小(FS),零(Z)、正小(ZS)、正中(ZM),正大(ZB),模糊子集為{FB FM FS Z ZS ZM ZB};
輸出換擋點修正量劃分為7個模糊集合,有負(fù)大(NB)、負(fù)中(NM)、負(fù)小(NS)、零(Z)、正小(PS)、正中(PM)、正大(PB),模糊子集為{NB NS NZ Z PZ PS PB}.
4)模糊量的隸屬函數(shù).
為了使結(jié)果更加符合實際情況,輸入變量的隸屬度函數(shù)都采用正態(tài)分布型;同時對于輸出參數(shù),采用梯形方式,有利于輸出值的判別.
5)模糊控制規(guī)則.
3個輸入變量分別賦予了5、5、7個語言值,則控制規(guī)則數(shù)共包含5×5×7=175個.根據(jù)車輛動態(tài)特性分析和經(jīng)驗總結(jié),首先確定輸入輸出參數(shù)之間的理論關(guān)系.
1)加速度絕對值越大,換擋點的修正量絕對值越大.加速度為正,換擋點修正量為負(fù),即提前升擋;加速度為負(fù),換擋點修正量為正,即提前降擋.
2)油門開度越大,修正量越小,即當(dāng)加速時,修正量(負(fù)值)絕對值越大;減速時,修正量(正值)越小.
3)車速越大,修正量絕對值越大.
以車速VS子集為例,模糊推理表如表6所示.
表6 換擋點修正量的模糊推理表
6)去模糊化.
采用重心法進(jìn)行去模糊化,得到精確到換擋點修正圖如圖9~圖10所示.
由圖9和圖10可以看出:圖形沒有明顯的凸起或者凹陷,逐級遞減或者遞增,體現(xiàn)了規(guī)則制定的合理性.該規(guī)則能夠應(yīng)用到模糊控制器中.
圖9 加速度、油門開度與修正量的規(guī)則
圖10 加速度、車速與修正量的規(guī)則
將模糊控制器模塊引入換擋選擇模塊,對換擋點進(jìn)行修正.將所有的仿真結(jié)果放入一個圖形內(nèi)進(jìn)行分析對比,如圖11所示.
圖11 各個車速仿真結(jié)果對比圖
由圖11可以看到,優(yōu)化后加速時間明顯減少,動力性有所改善.傳統(tǒng)換擋規(guī)律加速到30 km/h所用時間為8.8 s,利用遺傳算法對換擋點優(yōu)化后加速時間減少為8.6 s;之后引入加速度對換擋點進(jìn)行修正,來減少延遲換擋對動力性的影響,由仿真結(jié)果可得到加速時間為8.3 s,有效提高車輛動力性;最后,引入加速度參數(shù)制定三參數(shù)的模糊控制器,將加速時間縮短到8.2 s,大大減少了車輛的加速時間.
針對新型戰(zhàn)術(shù)車輛的液力自動變速器,首先設(shè)計了基于車速和油門開度的雙參數(shù)動力性換擋規(guī)律,利用Matlab/Simulink軟件進(jìn)行仿真,仿真得到加速到30 km/h的時間為8.8 s.以0~30 km/h的加速時間為優(yōu)化目標(biāo),在此基礎(chǔ)上,運用遺傳算法對換擋點進(jìn)行優(yōu)化,并引入加速度修正換擋延遲對換擋點的影響,仿真結(jié)果加速時間減少到8.3 s,有效提高了車輛的動力性.并將加速度參數(shù)引入制定三參數(shù)的模糊控制器,最終得到加速時間為8.2 s.可見,三參數(shù)的換擋規(guī)律對換擋規(guī)律的設(shè)計和改進(jìn)具有實際意義.