基于拥堵工况辨识的车辆自动变速器换挡控制

陈希

摘 要：针对目前拥堵工况下车辆自动变速器需要频繁换挡的问题，以车辆的平均速度、平均节气门开度以及研究时间内制动踏板做动次数等作为本次研究的评价因子，设计基于拥堵工况辨识的车辆自动变速器分层修正控制策略，以缓解拥堵工况状态下频繁换挡的问题，减少车辆换挡执行部件和制动系统的磨损状态。

关键词：自动变速器 换挡控制 拥堵工况 识别

Shift Control of Vehicle Automatic Transmission Based on Identification of Congestion Conditions

Chen Xi

Abstract：Aiming at the problem of frequent shifting of vehicle automatic transmissions under current congestion conditions， the average speed of the vehicle， the average throttle opening， and the number of brake pedal actions during the study period are used as the evaluation factors for this study. The design is based on congestion conditions. The hierarchical correction control strategy of vehicle automatic transmission based on condition identification can alleviate the problem of frequent shifting under congested conditions and reduce the wear status of vehicle shifting executive components and braking system.

Key words：automatic transmission， shift control， congestion conditions， identification

1 引言

随着我国经济水平提高，各类交通工具数量不断增加，人们对交通工具的要求也日益提高，汽车的发展逐渐向着“舒适、安全、便捷、环保”等方向不断发展。自动变速器是为了能够有效提高汽车的智能化、安全性和舒适性而设计的一个车辆重要部件，应用日益广泛[1]。我国目前汽车数量大幅增加，导致道路交通负荷增大，拥堵情况在城市较为常见。车辆在拥堵工况下，为了确保车辆的行使安全，驾驶员需要频繁的踩踏加速踏板和制动踏板，车辆在行使过程中会出现频繁换挡的情况，导致零部件损耗严重。针对这种情况，设计一款能够自动识别拥堵工况的换挡控制策略有着重要的意义。

2 T-S模糊神经网络结构和算法

2.1 T-S模糊系统

目前T-S模糊系统已经被广泛用于多种基于数据的建模应用内，其作为系统的核心内容，对于系统的性能有着重要的影响。由于构成各个条目规则均以线性方程作为结果，因此模型的全局输出有着较为良好的数学表达特性，对多变量系统进行处理的时候，能够尽可能的减少模糊规则的数量，因此有着较高的优势。该模型能够自动完成更新，且可在运行过程中对模糊子集隶属度函数进行不间断的修正[2]。

2.2 T-S模糊神经网络

为了能够确保T-S模糊神经网络系统应用效果，利用实车参数对该系统进行测试，建立5层的T-S模糊神经网络，分别为：①输入层：此层存在着n个节点，与输入节点x相关联，将所取到的车辆拥堵识别信息输入值x传递到下一层，但该层对于获取到的信息不进行处理;②语言模糊化层：该层的每个节点均代表一个语言变量值，对于上一次所传入的基本参数进行处理，划分模糊等级;③规则层：该层的每个节点都代表一个拥堵判别规则，并根据相关计算公式对每条规则的隶属度进行计算;④去模糊化层：这个层级主要是对上一层所计算处理的每条规则进行归一计算;⑤输出层：该层利用加权平均去模糊化法，计算出T-S模糊系统相关数据。

3 T-S模糊神经网络用的辨识模型

3.1 参数的选取

目前汽车的行使特征描述参数主要包括车辆行使的平均速度、最高速度、行使速度的平方和、速度的标准差、平均加速度以及政府加速度平均值等[3]。车辆处于拥堵工况状态时，车辆的行使速度明显下降，节气门开度较小，同时还伴有制动操作等行为，考虑到各个参数的独立性，将样本时间内平均每秒节气门开度定义成为平均节气门开度。平均节气门开度是有效反應驾驶员加速意图的指标，同时还能够表征出特定时间段内车辆行使加速度特征。而样本时间内的制动踏板做动次数则能够有效的反应出驾驶员在行使过程中的减速意图。

3.2 拥堵工况辨识

3.2.1 训练样本

为了能够保证样本准确性与多样性，以实车作为研究工具，采集当地早、晚高峰时段时非常拥堵、一般拥堵和畅行状态下的车辆参数共计120组，根据拥堵情况将其分为A、B、C三组，每组均包含3个分量，即平均车速、平均节气门开度、制动踏板作动次数。A、B、C三组各取30组数据作为训练样本，将剩余的数据中的12组作为测试样本。

3.2.2 训练与预测

根据训练样本维度对T-S模糊神经网络结构的参数进行确定，利用T-S模糊神经网络学习算法，不断完成训练误差水平的调整工作，参数为T-S模糊神经网络学习算法。经过不断的训练，误差水平明显降低，趋于零。

将车辆行使过程中的拥堵情况份醋，三级：非常拥堵、二级：一般拥堵、一级：畅行，根据期望目标将其输出成为1.2.3.采用测试样对T-S模糊神经网络进行进一步的检测，根据四舍五入的原则，根据网络输出值来对车辆网络拥堵情况进行评级。预测结果与车辆所在的工况情况十分相符。表明T-S模糊神经网络具有着良好的拥堵工况预测能力。