汽车有级自动变速器换挡规律研究进展

（西华大学汽车工程研究所，四川 成都 610039）

石油资源的日益短缺和排放及安全法规的日趋严格，使节能、环保和安全成为当今汽车工业技术发展的重要主题。自动变速器作为一种重要的电子控制汽车动力传动装置，对于使用者的意义，也已从最初的操纵方便扩展到今天的节能、环保、动力、安全与方便并重[1－4]。

按传动机构的速比能否连续变化，自动变速器可分为无级变速器（continuously variable transmission,CVT）和有级自动变速器（stepped automatic transmissions，SAT）。无级变速器的速比可在一定范围内连续变化。有级自动变速器则指具有一定数量固定速比挡位的自动变速器，主要包括液力自动变速器（automatic transmission，AT）、机械式自动变速器（automated manual transmission，AMT）和双离合器自动变速器（dual clutch transmission，DCT），是当前汽车自动变速器家族的主流产品。

对于汽车有级自动变速器而言，除需对起步、换挡等控制技术进行持续创新以提高控制品质外，从控制的角度来看，还需对处于其技术体系核心的换挡规律进行优化，以改善有级自动变速汽车的动力性、经济性、排放及安全等性能。本文主要从有级自动变速器换挡规律制定方法、驾驶意图识别及性能期望量化方法、换挡规律行驶条件适应性方法三个方面综述了其研究进展，总结了有级自动变速器换挡规律的发展趋势，并结合领域发展趋势进一步展望了需深入研究的技术问题。

1 有级自动变速器换挡规律制定方法

换挡规律定义了有级自动变速器挡位决策的控制参数以及由这些参数所确定的换挡时机（换挡点），直接影响着有级自动变速汽车的整车性能。按其制定方法，目前可大致分为两类：一类是基于性能优化的换挡规律，即以获得最佳动力性、最佳经济性或多种性能综合最优为目标，采用某种计算（或优化）方法得到的换挡规律；另一类则是基于经验学习的换挡规律，即通过学习驾驶员的操纵经验来提取换挡规律。

1.1 基于性能优化的换挡规律制定

在基于性能优化的换挡规律制定方面，Ge 等[5]在彼得罗夫二参数（油门开度和车速）换挡规律的基础上，通过引入加速度作为控制参数，提出了动态三参数最佳换挡理论，并给出了图解法和解析法两种求解方法。张国胜等[6]、Qu 等[7]通过对发动机燃油消耗特性的研究，提出了动态三参数最佳燃油经济性换挡规律制定方法。阴晓峰等[8－10]在建立基于神经网络的发动机动态转矩及油耗模型基础上，提出了基于神经网络发动机模型的动态三参数换挡规律，并应用遗传算法对考虑动力性、经济性及排放性能的多性能综合最优换挡规律进行了优化。Fofana 等[11]综合考虑经济性、动力性和变速箱耐久性，应用多目标遗传算法对换挡规律进行了优化。陈然等[12]采用支持向量机方法建立了发动机动态模型，并提出了基于油门、车速和油门变化率的三参数换挡规律设计方法。Li 等[13]针对电动公交车AMT 研究了最佳动力性三参数换挡规律。Bracard 等[14]采用动力传动系统全局优化的方法制定了换挡规律，在满足动力性要求的同时可降低油耗。Bai 等[15]在建立车辆系统模型基础上，应用动态规划方法生成了换挡规律，在满足动力性要求的条件下可获得更好的燃油经济性；高玮等[16]以能耗最低为优化目标，采用动态规划方法制定了纯电动公交车AMT 两参数换挡规律。Hou 等[4]采用动态规划方法研究了电动汽车AMT 动力性和经济性（电机效率）综合换挡规律。Ngo 等[1,17]则采用随机动态规划优化AMT 换挡规律，在兼顾动力性的同时可改善经济性。Xu 等[18]在动态规划的基础上应用神经网络对重型车辆最佳挡位进行实时预测。李宏才等[19]针对并联混合动力汽车，分别以牵引力最大和系统综合效率最高为优化目标，制定了动力性和经济性换挡规律。

1.2 基于经验学习的换挡规律制定

在基于经验学习的换挡规律制定方面，Sakaguchi 等[20]、Qin 等[21]应用模糊推理方法建立了基于驾驶员操纵经验（知识）的换挡规律。Nelles[22]在制定模糊换挡逻辑的基础上，通过增加反馈学习机制对隶属函数进行了优化。巫世晶等[23]、刘文光等[24]通过引入油门开度变化率，对基于模糊逻辑的四参数换挡规律进行了仿真研究。刘振军等[25]根据熟练驾驶员的经验和专家知识制定了换挡规律的二参数模糊推理规则，并结合神经网络的学习训练机制提出了基于Takagi-Sugeno 模型的模糊神经网络二参数挡位判断方法。陈清洪等[26]提出了动态模糊神经网络三参数换挡控制原理及其控制器训练算法。芮挺等[27]利用粒子群优化的换档规则提取算法，将规则编码为粒子，通过粒子群优化算法的“位置—速度”搜索模型生成了换档规则集。

2 驾驶意图识别及性能期望量化方法

基于驾驶操纵特征和车辆运行状态信息的驾驶意图识别，并在换挡规律中合理体现驾驶员对整车性能的期望以适应不同的驾驶风格，是实现人性化自动换挡的基础。现有与换挡规律相关的驾驶意图识别及性能期望量化研究，多是基于驾驶意图识别(分类)对换挡规律进行修正，少量基于量化的性能期望对换挡规律进行优化，离实现人性化换挡的目标还存在一定的差距。

2.1 基于驾驶意图识别的换挡规律修正

在基于驾驶意图识别的换挡规律修正方面，Takahashi 等[28]应用解释结构建模(interpretative structural modeling，ISM)方法提取出车辆运行状态与下坡滑行时驾驶员减速意图之间的关联因子，结合ID3(interactive dichotomizer 3)算法形成产生式规则，以确定降挡时机。王玉海等[29]将驾驶员期望加速特性分为停车、减速、维持、加速和急加速五类，并将行驶环境在换挡过程中等效为驾驶员期望的加速特性，通过实车试验数据和经验收集，建立了对期望加速特性进行量化的模糊推理模型，其结果可直接应用于换挡规律的修正。孙以泽等[30]将对换挡有较明显影响的操纵意图归纳为超车、冲坡、减速和停车四种典型情况，采用模糊识别方法对道路条件和驾驶意图进行了识别。秦大同等[31]采用模糊推理分别识别驾驶员的七种驱动意图和三种制动意图，再根据识别结果采用不同的能量管理策略以获得更好的能耗经济性。高建平等[32]采用模糊推理分别识别两种驾驶风格(动力型和经济型)和三种加速意图(平缓、一般和紧急加速)，再以二者为输入采用模糊推理确定插电式混合动力公交车需求转矩修正系数。薛殿伦等[33]以质量和油门开度为输入，采用模糊推理方法确定了表征驾驶意图的“综合系数”，基于最佳动力性和最佳经济性换挡规律制定了公交车综合性换挡规律。刘玺等[34]采用反向传播(back propagation,BP)神经网络分类结合贝叶斯融合决策方法来辨识驾驶员类型，再根据驾驶员类型计算动力性系数，以用于换挡点车速的调整。

2.2 基于性能期望量化的换挡规律优化

在基于性能期望量化的换挡规律优化方面,Yin 等[35]根据驾驶员和专家经验，以油门开度、油门开度变化率和发动机转速为输入，以驾驶员对各性能期望的量化值为输出，设计了各性能期望的模糊推理规则，并将性能期望量化结果应用于多性能综合最优换挡规律的优化。

2.3 其它关于驾驶意图识别的研究

其它关于驾驶意图识别的研究，主要集中在转弯、变道、超车/加速、制动等驾驶行为的识别、预测或分类，少用于建立识别结果与换挡规律之间的联系。Ohashi 等[36]在模糊联想记忆的基础上，应用基于案例的学习方法对训练模式进行学习，能够对转弯意图进行预测。Liu 等[37]、Berndt 等[38]使用隐马尔可夫模型(hidden markov model，HMM)对转弯和车道变更意图进行了识别。Liu 等[39]基于HMM模型开发了变道车辆驾驶行为估计和分类模型。Bocklisch 等[40]将自适应模糊模式分类方法用于变道意图的在线识别。刘志强等[41]采用HMM 和支持向量机(SVM)级联算法，对车道保持、换道和超车意图进行分类识别，以提高驾驶意图识别率。宗长富等[42－43]通过构建双层HMM 模型，实现了对转向、制动和加速复合工况下驾驶意图的实时辨识，并在对驾驶员特性进行分类的基础上采用神经网络建立了其特性辨识模型。Quintero 等[44]基于BP 神经网络建立了主要由行为分类模块和辨识模块组成的驾驶员行为辨识模型。

3 换挡规律行驶条件适应性方法

汽车行驶条件(如坡度、弯道、载荷、路面附着条件等)复杂多变，若只采用固定不变的换挡规律(如在良好平直路面、载荷无变化条件下标定的最佳动力性或最佳经济性或二者之间的某种折衷的换挡规律)，则难以适应汽车行驶条件动态变化的要求。所以，根据行驶条件对换挡规律进行自动调整，是换挡规律向智能化方向发展的必然要求。相关研究多聚焦在坡道行驶适应性方面，亦涉及对弯道、载荷变化、综合行驶条件变化等的行驶适应性。

3.1 坡道行驶适应性

在坡道行驶适应性方面，Euplio 等[45]在实时估计坡度基础上修正换挡规律。李磊等[46]根据等效坡道阻力与当前和目标挡位最大驱动力的比较结果，对常规换挡规律的决策进行修正。张学锋等[47]根据上坡模式基本标定原则和零加速度点计算方法，制定了一种针对坡路模式的乘用车DCT 换挡规律。Lei 等[48]基于广义负载识别，通过在平路和最大坡度换挡线之间采用线性插值的方法设计了自适应换挡策略。Yin 等[49]通过坡道行驶力学分析确定了不同坡度有效挡位，在动力性分指标计算中引入坡道阻力，制定了动力性和经济性综合最优坡道换挡规律。史俊武等[50]在运用改进最小二乘法对广义坡度和整车质量进行实时辨识的基础上，根据动力性换挡策略制定原则制定了上坡换挡策略，采用模糊推理制定了下坡换挡策略。夏光等[51]在应用变遗忘因子最小二乘法进行整车质量和道路坡度辨识的基础上，将坡度划分为小坡、中坡和大坡三个等级，针对不同的坡度等级制定了换挡规律修正原则。孟凡婧等[52]在制动工况车辆带挡滑行动力学分析和结合公路设计标准确定目标参考车速和约束挡位基础上，制定了基于道路坡度信息的下坡工况换挡策略。

3.2 多种行驶条件变化的行驶适应性

在弯道、载荷、综合行驶条件变化等的行驶适应性方面，丛晓妍等[53]使用降挡提前系数将侧向加速度安全阈值和人体可容忍侧向加速度阈值用于对过弯降挡速度的修正。Hayashi 等[54]根据变速器输入轴转速和加速踏板位移量，采用模糊逻辑推理的方法来估计汽车载荷，并据此对换挡规律进行修正。Hebbale 等[55]通过实际加速度与名义加速度的偏差来估计载荷的变化，并由此计算换挡规律修正因子。金辉等[56]根据行驶环境的不同将换挡规律划分为多种模式，通过对路面附着系数、行驶区域、坡道和弯道的识别，分别采用不同的换挡规律以提高对行驶环境的适应能力。刘永刚等[57]在对驾驶意图和行驶工况进行模式划分的基础上，采用模糊逻辑对驾驶意图与行驶工况统一识别，并在急加速意图、上下坡路段、颠簸路段、转弯路段等模式下，对标准换挡规律进行了修正。张炳力等[58]针对传统换挡规律在城市拥挤道路、紧急制动、加速超车、弯道、坡道等行驶条件下会出现的不合理换挡现象，以油门开度及其变化率和车速变化率为输入，通过模糊推理获得升、降挡临界车速修正因子对换挡车速进行修正。王宇翔等[59]在分析海拔高度改变对发动机性能影响的基础上，通过对最佳动力性换挡规律控制参数的修正，提出了基于不同海拔高度的动力性换挡规律制定方法，以改善有级自动变速汽车高原行驶适应能力。

4 总结与展望

国内外学者在换挡规律制定、驾驶意图识别与性能期望量化以及换挡规律行驶条件适应性研究方面，已取得大量成果。换挡规律作为有级自动变速器的核心控制技术之一，其控制参数的数量经历了单参数、两参数到多参数的发展；优化方法经历了单一性能指标最优化到多性能指标综合优化的发展；驾驶意图体现方面经历了驾驶员不能干预、按驾驶意图分类到性能期望连续量化的发展；行驶条件适应性方面经历了基于行驶条件的修正到将行驶条件变化融入换挡规律优化的发展。持续的创新研究，不断推动着有级自动变速器换挡规律向高性能、人性化和智能化方向发展。

结合当前研究进展，笔者认为，从更高性能、更加人性化和更加智能化的角度出发，有级自动变速器换挡规律在以下几个方面需开展更为深入的研究。

1)在换挡规律的优化计算或制定过程中，少有考虑变速器输入转矩、输入转速、挡位、油温等对其传动效率的影响。从通过换挡规律优化进一步提升有级自动变速汽车综合性能的角度来看，兼顾传动效率变化对性能影响的多性能综合最优换挡规律的研究亟需加强。

2)就换挡规律优化方法而言，采用模糊推理和神经网络等方法能很好地学习驾驶操纵经验，却较难从理论上确保其在性能上亦达到最优；动态规划方法则对行驶工况有所依赖；多目标优化算法尚未能充分考虑驾驶员的性能需求。因此，探索可合理反映驾驶员性能需求、对工况变化具有普适性的换挡规律多性能综合优化方法，是进一步提升有级自动变速汽车综合性能需要解决的关键问题。

3)在换挡规律人性化方面，主要采用模糊推理或神经网络等手段识别驾驶意图，识别结果多为驾驶意图分类(用于选择不同类型的换挡规律)或某种“修正系数”(用于修正换挡规律)，前者因分类的有限性，换挡规律的“人性化”程度有待提升，后者则由于换挡规律控制参数与性能之间并非线性关系，难以保证修正后的换挡规律能够获得体现个性化需求的综合最优性能。而以驾驶员对不同性能期望的量化值为识别结果的方法，尚未考虑驾驶员历史操纵行为和车辆历史运行状态对识别结果的影响，性能期望量化的“精度”还需提升。

4)在换挡规律行驶条件适应性方面，现有研究多是在行驶条件识别或获取的基础上，采用一定的算法对换挡规律控制参数进行修正，或是设定一些特定换挡规则或标定原则来改善换挡规律对行驶条件变化的适应性，而在兼顾效率影响、提升综合性能和体现个性化性能需求的前提下改善行驶条件适应性的研究亦需加强。