丘云燕，施佳能，岑霽霖，張君珠

（1.東風(fēng)柳州汽車有限公司，廣西 柳州 545005；2.廣西科技大學(xué)，廣西 柳州 545005）

引言

隨著我國經(jīng)濟的快速發(fā)展，汽車工業(yè)規(guī)模不斷擴大，能源短缺和環(huán)境污染問題愈發(fā)嚴重。目前，中國已成為全球最大的能源消費國、能源生產(chǎn)國和二氧化碳排放國[1]。近年來，汽車保有量的增加進一步加劇了能源危機，作為我國主要的長途運輸車輛的重型商用車通常是在滿載情況下行駛[2]，因此提高重型商用車的燃油經(jīng)濟性迫在眉睫。

目前，國內(nèi)各大汽車廠家所生產(chǎn)的重型商用車采用的是AMT 自動換擋，電控機械式自動變速器（AMT）是在傳統(tǒng)機械齒輪式變速器的基礎(chǔ)上，加裝一套選換擋執(zhí)行機構(gòu)和離合器執(zhí)行機構(gòu)，實現(xiàn)自動換擋[3]，可以提高駕乘人員的舒適性，提高車輛動力性和燃油經(jīng)濟性。AMT 自動換擋的換擋規(guī)律分別有單參數(shù)、兩參數(shù)和三參數(shù)[4]換擋規(guī)律等，目前使用最多的是基于車速和油門開度的兩參數(shù)換擋規(guī)律。智能型換擋策略主要分為兩類：一種是基于模糊控制的自動換擋策略，另一種是基于神經(jīng)網(wǎng)絡(luò)控制的自動換擋策略。由于神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性，當(dāng)數(shù)據(jù)中有噪聲、形變和非線性時，也可以正常工作，使用靈活，適合換擋規(guī)律的研究和開發(fā)。本文采用基于車速和油門開度兩參數(shù)的神經(jīng)網(wǎng)絡(luò)控制的自動換擋策略。

本文首先在AVL CRUISE 平臺上搭建整車模型，收集重型商用車發(fā)動機轉(zhuǎn)速、扭矩、車速、加速度和實時擋位等數(shù)據(jù)，在MATLAB 里利用建立好的BP 神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，優(yōu)化換擋策略數(shù)據(jù)，CRUISE 平臺進行仿真分析。經(jīng)仿真分析結(jié)果表明，BP 神經(jīng)網(wǎng)絡(luò)能夠?qū)Q擋策略進行優(yōu)化，提高了重型商用車的燃油經(jīng)濟性，實現(xiàn)降低燃油消耗的目的。

1 搭建整車模型

AVL CRUISE 軟件是車輛性能仿真的綜合平臺，是計算和優(yōu)化燃油消耗、排放和整車性能的綜合工具，適用于設(shè)計仿真任何傳動系得車輛，可以基于直觀得模塊化組件的傳動系模型真實的再現(xiàn)實車性能，求解器比較完善，縮短仿真時間，提高優(yōu)化效率。

本文通過AVL CRUISE 平臺搭建整車仿真模型，如圖1 所示。包括發(fā)動機、變速箱、離合器、主減速器和駕駛員等模塊，建立信號連接，并且與MATLAB/Simulink 聯(lián)合仿真。訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)模塊保存為.dll 模型，CRUISE 可以直接運行。

2 BP 神經(jīng)網(wǎng)絡(luò)原理及訓(xùn)練

2.1 BP 神經(jīng)網(wǎng)絡(luò)的原理

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）是由大量人工神經(jīng)元經(jīng)廣泛互連而組成的，它可用來模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。人工神經(jīng)網(wǎng)絡(luò)按著連接方式主要分為前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。1986 年D.E.Rumelhart 和J.L.McClelland 提出了一種利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，簡稱BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，是目前廣泛使用的一種具有隱含層的多層前饋型神經(jīng)網(wǎng)絡(luò)，可以順利解決多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問題。BP 神經(jīng)網(wǎng)絡(luò)具有足夠多的隱含層和隱含節(jié)點，可以逼近任何非線性映射關(guān)系，具有較好的泛化能力，比較適合整車參數(shù)與循環(huán)工況下實時擋位之間非線性關(guān)系即換擋規(guī)律的預(yù)測[5-6]。

本文采用的BP 神經(jīng)網(wǎng)絡(luò)為3 層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱含層和輸出層（基本結(jié)構(gòu)如圖2 所示）。選取發(fā)動機轉(zhuǎn)矩、發(fā)動機轉(zhuǎn)速、節(jié)氣門開度、車速、加速度作為輸入?yún)?shù)，相應(yīng)的擋位作為輸出參數(shù)。因此本文輸入層有5 個節(jié)點，輸出層有1 個節(jié)點，隱含層節(jié)點的個數(shù)根據(jù)經(jīng)驗公式進行確定，經(jīng)驗公式如下：

式中：M 為隱含層節(jié)點的個數(shù)；m 為輸入層節(jié)點的個數(shù)；n 為輸出層節(jié)點的個數(shù)；a 為0～10 之間的常數(shù)。

本文采用編程法選取隱含層個數(shù)，即最佳隱含層數(shù)為10 個。

2.2 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

本文數(shù)據(jù)來源于上述仿真車輛試驗采集所得。首先將數(shù)據(jù)進行歸一化處理。歸一化是一種簡化計算的方式，它是把已有的量綱轉(zhuǎn)化為無量綱的標(biāo)量形式，從而減少輸入?yún)?shù)之間巨大的的差別引起的網(wǎng)絡(luò)誤差，經(jīng)過歸一化處理的數(shù)據(jù)轉(zhuǎn)化為［0，1］之間的數(shù)據(jù)。其轉(zhuǎn)化形式為：

式中：y 為變換后輸出數(shù)據(jù)；x 為原始輸入數(shù)據(jù)；xmax為原始輸入最大數(shù)據(jù)；xmin為原始輸入最小數(shù)據(jù)。

將處理好的數(shù)據(jù)作為訓(xùn)練樣本，為適應(yīng)本文的研究對象，重型商用車的換擋策略的問題，本文選用有動量項的梯度下降法traingdm 訓(xùn)練方法。隱含層的激活函數(shù)選擇tansig 函數(shù)，輸出層的激活函數(shù)選擇purelin 函數(shù)，學(xué)習(xí)速率設(shè)為0.01，最小誤差設(shè)置為0.000 01。同時設(shè)置隱含層節(jié)點個數(shù)為10，將訓(xùn)練樣本的80%作為訓(xùn)練組，15%作為驗證組，剩余的5%作為試驗組。最優(yōu)平均方差出現(xiàn)在第7 次迭代，精度為0.000 008 891，如圖3 所示，低于前文設(shè)定的誤差，符合精度要求。神經(jīng)網(wǎng)絡(luò)訓(xùn)練狀態(tài)如圖4 所示，訓(xùn)練流程圖如圖5 所示。

3 仿真結(jié)果分析

本文采用CLTC 循環(huán)工況作為驗證工況。其工況相對于NEDC 而言，增加了范圍更廣的路況信息：其城市工況、郊區(qū)工況和高速工況，循環(huán)時間與WLTP一致，為1 800 s，在駕駛模式下，其加、減速比例明顯上升，高達35%以上，這與交通GIS 收集的大數(shù)據(jù)比較匹配，同時也符合重型商用車的實際駕駛工況[7]。其工況曲線如圖6 所示。

經(jīng)仿真分析，BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化的換擋曲線可以使發(fā)動機的的轉(zhuǎn)速和扭矩運行在燃油消耗量較低的區(qū)域，如圖7 所示，相比優(yōu)化之前整車燃油經(jīng)濟性提高8.3%，如圖8 所示。

4 結(jié)論

本文基于某商用車模型，通過現(xiàn)有的整車試驗數(shù)據(jù)作為訓(xùn)練樣本，采用BP 神經(jīng)網(wǎng)絡(luò)對其數(shù)據(jù)進行訓(xùn)練，得到實時擋位。通過AVL CRUISE 與MATLAB/Sinmulink 聯(lián)合仿真，分析在CLTC 循環(huán)行駛工況下的整車燃油經(jīng)濟性。經(jīng)仿真分析可知，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過的換擋規(guī)律與傳統(tǒng)的換擋規(guī)律相比，發(fā)動機工作區(qū)間更集中，降低了燃油消耗，提高了整車的燃油經(jīng)濟性，符合節(jié)能減排的大趨勢，對整車性能的修訂以及換擋策略的制定上具有一定的參考性。