液力自動變速器動力性換擋規(guī)律設(shè)計及優(yōu)化

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)律進行修正.

1 動力性換擋規(guī)律設(shè)計

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.

2 動力學(xué)建模及仿真

2.1 動力學(xué)模型

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

2.2 仿真及結(jié)果分析

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.

3 換擋規(guī)律優(yōu)化

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行優(yōu)化，使結(jié)果更加符合實際工況.

3.1 遺傳算法優(yōu)化原理

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

3.2 基于遺傳算法問題描述

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)

3.3 基于遺傳算法對換擋點優(yōu)化的實現(xiàn)

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

3.4 仿真結(jié)果及分析

將優(yōu)化后的換擋點寫進換擋邏輯控制模塊中，進行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

4 基于動態(tài)特性的換擋規(guī)律修正

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

4.1 模糊換擋修正決策的建立

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

4.2 仿真模型及仿真結(jié)果

將模糊控制器模塊引入換擋選擇模塊，對換擋點進行修正.將所有的仿真結(jié)果放入一個圖形內(nèi)進行分析對比，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.

5 結(jié) 論

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)計和改進具有實際意義.