汽车电控理论变速器换挡策略精要.ppt

对于图3.11所示的模糊变量，根据这些驾驶经验的总结，制定以下九条推理规则： if β=Z and dβ=N then I=M if β=Z and dβ=Z then I=M if β=Z and dβ=P then I=B if β=M and dβ=N then I=Z if β=M and dβ=Z then I=M if β=M and dβ=P then I=B if β=B and dβ=N then I=Z if β=B and dβ=Z then I=M if β=B and dβ=P then I=B 对于某一时刻采样获得的β，dβ的数值，经过模糊推理后的I值表示了此时驾驶意图。设置阈值为d1，d2（d1d2）。 当I=d1，表示驾驶员意图是使车辆加速； d2Id1，表示驾驶员无明显的加速和减速意图，称为保持； I=d2， 表示驾驶员意图是使车辆加速； 3）综合得到最佳档位 如果I的推理结果为“保持”，说明驾驶员无明显的加速或减速意图，最佳档位由神经网络的输出决定，即 。 如果I的推理结果为“加速”，当 ， ，换为新档；否则 ，保持原档位。 如果I的推理结果为“减速”，当 ， ，换为新档；否则 ，保持原档位。 ② 径向基函数的学习算法 径向基函数神经网络RBFN是一个只含一个隐层的三层前向网络，其输入层到隐层按径向基函数计算隐层输出，从隐层到输出层按线性网络计算输出结点的输出；它不仅有全局逼近性质，而且具有最佳逼近性能，同时训练方法快速，不存在局部最优问题。 对于图3.12所示MIMO网络，设 是N维输入向量， ，i=1，2，…S，是隐层第i个径向基函数中心，是与X同维数的向量，网络有M个输出.隐层第i结点的输出 i=1，2，…，S， 其中， 表示隐层中心与输入向量的Euclidean距离;当径向基取为Gaussian函数时， ， i=1，2，… S 网络的输出是隐层输出与连接权值线性组合，第j个输出为: ， j=1，2，…M 其中， ， 图3.12 RBFN网络模型 RBFN的学习分为两个可相互独立两个阶段:隐层中心的学习算法和隐层与输出层间连接权值的学习算法。RBF网络的输出层和隐含层所完成的任务各不相同，因此它们的学习策略也不相同。隐含层是对作用函数（径向基函数）的参数（中心c，宽度δ）进行调整，采用非线性化策略；输出层是对线性权值w进行调整，采用线性化策略。通常采用直接计算法和自组织学习选取RBF中心法。 1）直接计算法：在此方法中，隐单元RBF的中心是随机地在输入样本数据中选取，且中心固定。当RBF的中心确定之后，隐单元的输出是已知的，网络的权值就可以通过求解线性方程组确定。但由于采用了固定的RBF中心，隐单元数目要求很多（比如与训练样本数相同），同时也降低了RBF网络的逼近能力。 *哈尔滨工业大学（威海）汽车工程学院 现代汽车控制理论研究——研究生汽车电子技术教程 * １．以油门开度和车辆速度v为参数的二参数换挡规律是将发动机的稳态试验数据作为求解换挡规律的前提,属静态范畴。然而,车辆在起步、换挡及道路条件变化时,不是加速就是减速,是一个动态过程。显然二参数控制不符合实际,也就不可能保证车辆始终处于最佳挡位行驶,从而影响整车最佳性能的发挥。为此,将更能反映车辆实际工作状态的重要动态参数——加速度dv/dt引入换挡控制,形成动态三参数换挡规律。动态三参数换挡规律和二参数换挡规律相比,前者具有较佳的加速性能,挡位越低,加速度越大;前者的动力性、经济性和换挡品质都明显优于后者,且平稳、无冲击,采用前者能提高乘坐舒适性和动力传动系统零部件的寿命。 1.车辆在行驶过程中，通过数据采集系统实时采集车辆的行驶状态参数(车速、加速度)和驾驶员的各种操作信息（油门踏板开度及其变化率、档位、制动程度、转向角度)。各种辨识器根据以上信息进行实时辨识。 坡道辨识器、弯道辨识器和道路辨识器用来判定车辆当前所处的道路环境，如辨识出车辆在连续小坡道上行驶，则根据规则库和知识库，即使驾驶员有明显的加、减油动作也不换档。车重辨识器根据车辆在平