考慮環(huán)境與摩擦因素的工程車輛起步自適應(yīng)控制策略

中圖分類號(hào)：U463 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1000-582X（2025）07-027-11

Adaptive starting control strategy for engineering vehicles considering environmental and friction factors

SHENG Yunlong'，LIU Yonggang'，LIAO Yihua'，QING Datong'，LYU Chang2 （1.State Key Laboratory of Mechanical Transmission for Advanced Equipment，Chongqing University， Chongqing 400044， P.R. China; 2. Xuzhou XCMG Driveline Technol Co.，Ltd.， Xuzhou， Jiangsu ，P.R. China）

Abstract：Enginering vehicles operate under high torque，high load，and complex environmental conditions， facing numerous technical challenges.Particularly during the starting phase，the significant slippage of clutch discs significantly impacts the precision of clutch torque control.Therefore，to achieve adaptive start-up control for AMT engineering vehicles，an adaptive control method combining linear quadratic regulator （LQR）and deep neural network was proposed for the AMT start-up process.At the upper level of the control strategy，a constant engine speed strategy was formulated based on different starting intentions，and the LQR wasused to obtain the reference speed corresponding to the reference torque of the clutch under diffrent environments. With considering the complexity ofthe operating environment，a certain range of perturbations was introduced into the vehicle dynamics model to generate a series of reference rotational speed trajectories as the training data set for the deep neural network，anda robustdata model ofline was obtained.At the lower levelof the control strategy，a clutch friction factor adaptivecontroller was designed to estimate theclutch friction factor inrealtime.Finally，the effectiveness of the adaptive start control method for enginering vehicles equipped with AMT was verified by simulation tests.The results show that the proposed method has good starting performance under the condition of unknown friction coefcients and can adapt to diferent starting intentions and driving environments.Compared with the PID controller which does not depend on the mechanism model， it has higher adaptive ability and robustness.

Keywords： engineering vehicle; starting control; optimal secondary controllr; deep neural network

由于工程車輛起步過程中離合器傳遞的轉(zhuǎn)矩會(huì)發(fā)生突變，摩擦因數(shù)的瞬態(tài)變化較為劇烈，嚴(yán)重影響了離合器轉(zhuǎn)矩的控制精度[]。駕駛者的起步意圖和工程車輛復(fù)雜的工作環(huán)境使得實(shí)現(xiàn)良好的起步控制更加困難。工程上常用的PID控制器對(duì)復(fù)雜起步工況的適應(yīng)性和魯棒性較差[2，無法滿足起步控制的需求。針對(duì)上述問題，眾多學(xué)者對(duì)起步過程的控制策略進(jìn)行了研究。

米林等3針對(duì)傳統(tǒng)PID控制器魯棒性差的問題，在PID控制的基礎(chǔ)上引入模糊控制策略，對(duì)起步控制過程中的滑摩控制過程進(jìn)行了優(yōu)化。黃興根據(jù)離合器目標(biāo)位置與離合器實(shí)際位置之間的誤差與當(dāng)前變速箱油溫進(jìn)行查表，實(shí)時(shí)對(duì)PID控制器的參數(shù)進(jìn)行調(diào)節(jié)。趙克剛等采用極小值原理，將發(fā)動(dòng)機(jī)與離合器最優(yōu)協(xié)調(diào)控制問題轉(zhuǎn)化為求解微分方程組的邊界問題，提高了控制策略的求解效率。金輝等根據(jù)駕駛員的駕駛風(fēng)格確定了起步過程目標(biāo)優(yōu)化函數(shù)中各權(quán)系數(shù)的邊界值，分析了各權(quán)重系數(shù)對(duì)起步性能指標(biāo)的影響。羅勇等[]提出了考慮起步意圖的雙層模糊起步控制策略，建立了駕駛員模糊控制器和結(jié)合速度模糊控制器，將起步過程中的摩擦因數(shù)設(shè)定為常數(shù)。Geng等設(shè)計(jì)了一種基于模糊神經(jīng)網(wǎng)絡(luò)（fuzzy neural network，F(xiàn)NN）的車輛起步狀態(tài)識(shí)別系統(tǒng)，用于識(shí)別駕駛員的起步意圖和車輛的起步等效阻力矩。Zhao等建立了車輛傳動(dòng)系統(tǒng)模型和離合器模型，利用無跡卡爾曼濾波器估計(jì)了離合器轉(zhuǎn)矩。趙治國等[]根據(jù)估計(jì)的車輛阻力矩、離合器轉(zhuǎn)速、發(fā)動(dòng)機(jī)轉(zhuǎn)矩和轉(zhuǎn)速，設(shè)計(jì)了高階滑模觀測(cè)器和未知輸入觀測(cè)器估計(jì)發(fā)動(dòng)機(jī)和輸出軸角加速度及離合器轉(zhuǎn)矩。魯佳等[針對(duì)坡道起步問題，提出了基于油門開度、發(fā)動(dòng)機(jī)轉(zhuǎn)速和發(fā)動(dòng)機(jī)轉(zhuǎn)速下降率來估算離合器傳遞轉(zhuǎn)矩的思想。目前對(duì)于搭載自動(dòng)機(jī)械變速器（automated mechanicaltransmisson，AMT）的工程車輛起步過程中摩擦因數(shù)變化的研究較少考慮車輛運(yùn)行環(huán)境對(duì)于轉(zhuǎn)矩控制的影響。

針對(duì)搭載AMT的工程車輛起步過程離合器摩擦因數(shù)變化規(guī)律復(fù)雜和工作條件多變的問題，文中提出了一種基于LQR（linear quadratic regulator，LQR）和深度神經(jīng)網(wǎng)絡(luò)結(jié)合的AMT起步過程自適應(yīng)魯棒控制策略。首先，以某搭載AMT自動(dòng)變速器的工程車輛為研究對(duì)象，建立了起步階段AMT的動(dòng)力學(xué)方程，利用LQR控制器優(yōu)化起步過程的離合器參考轉(zhuǎn)矩。然后，根據(jù)車輛的行駛環(huán)境，在動(dòng)力學(xué)模型中給定不同行駛工況下的行駛阻力，離線得到多條目標(biāo)參考軌跡用于深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練調(diào)用，并在控制策略的下層設(shè)計(jì)摩擦因素自適應(yīng)控制器，跟蹤時(shí)變的摩擦因數(shù)導(dǎo)致的參考轉(zhuǎn)矩變化以輸出最優(yōu)的離合器壓力。最后，通過仿真測(cè)試驗(yàn)證了所提策略在變意圖、不同行駛環(huán)境、摩擦因數(shù)變化規(guī)律未知的情況下起步過程的自適應(yīng)控制性能。

1AMT起步過程動(dòng)力學(xué)建模

搭建AMT起步過程動(dòng)力學(xué)模型是實(shí)現(xiàn)起步控制的基礎(chǔ)，模型主要包括發(fā)動(dòng)機(jī)穩(wěn)態(tài)轉(zhuǎn)矩模型、離合器轉(zhuǎn)矩滑摩轉(zhuǎn)矩和行駛阻力模型。以1擋起步為例，AMT系統(tǒng)模型簡圖如圖1所示。

起步階段的動(dòng)力學(xué)方程為

式中： T_e 為發(fā)動(dòng)機(jī)輸出端扭矩； T_c 為離合器傳遞扭矩； T_f 為車輛行駛阻力作用在離合器從動(dòng)盤的等效阻力矩；ω_e 為離合器主動(dòng)盤轉(zhuǎn)速； ω_c 為離合器從動(dòng)盤轉(zhuǎn)速； I_e?I_c 分別為主、從動(dòng)端的當(dāng)量轉(zhuǎn)動(dòng)慣量； b₁、b₂ 分別為發(fā)動(dòng)機(jī)和離合器的旋轉(zhuǎn)阻尼系數(shù)。

當(dāng)主、從動(dòng)盤完成結(jié)合時(shí)， ω_e=ω_c=ω，ω 為同步后的離合器轉(zhuǎn)速，此時(shí)，AMT動(dòng)力學(xué)模型為

實(shí)驗(yàn)測(cè)試數(shù)據(jù)如圖2所示，采用5階多項(xiàng)式擬合模型來描述發(fā)動(dòng)機(jī)的穩(wěn)態(tài)轉(zhuǎn)矩，為

式中： p_ij 為多項(xiàng)式擬合系數(shù)； a 為油門開度。AMT系統(tǒng)的主要?jiǎng)恿W(xué)參數(shù)如表1所示。

圖1AMT系統(tǒng)模型簡圖

Fig.1 SketchofAMTsystemmodel

圖2發(fā)動(dòng)機(jī)穩(wěn)態(tài)轉(zhuǎn)矩模型

Fig.2Steady state engine torque model

離合器滑摩轉(zhuǎn)矩模型為

T_c=N_cμR_cP_c，

式中： N_c 為離合器摩擦副數(shù)； R_c 為離合器等效半徑； μ 為離合器摩擦因數(shù)； P_c 為離合器壓力。

離合器摩擦因數(shù)受離合器主、從動(dòng)盤轉(zhuǎn)速差、離合器油溫、離合器表面溫度、老化等多個(gè)因素的影響而實(shí)時(shí)變化。因此，通過實(shí)驗(yàn)數(shù)據(jù)建立準(zhǔn)確的離合器摩擦因數(shù)模型較為困難[12-3]。在進(jìn)行仿真驗(yàn)證時(shí)，可以根據(jù)臺(tái)架實(shí)驗(yàn)數(shù)據(jù)對(duì)不同轉(zhuǎn)速差下的離合器摩擦因數(shù)進(jìn)行擬合，得到離合器摩擦因數(shù)的指數(shù)模型，如圖3所示，該模型僅用于檢驗(yàn)后文所設(shè)計(jì)的摩擦因數(shù)自適應(yīng)控制器的估計(jì)效果。

Table1 AMTsystemdynamicsmodel parametertable

式中： a₁，b₁，a₂，b₂ 為指數(shù)函數(shù)的擬合系數(shù)； Δω_c 為離合器主、從動(dòng)盤轉(zhuǎn)速差。

在仿真驗(yàn)證的過程中，為了更加貼近實(shí)際的工作情況，利用時(shí)變擾動(dòng)來模擬真實(shí)路況中的顛簸、路面不平整等擾動(dòng)，建立了高斯隨機(jī)數(shù)轉(zhuǎn)矩?cái)_動(dòng)模型，確保所設(shè)計(jì)控制策略的穩(wěn)定性，如圖4所示。

圖3離合器摩擦因數(shù)模型

Fig.3 Clutchcoefficientoffrictionmodel

圖4高斯隨機(jī)數(shù)轉(zhuǎn)矩?cái)_動(dòng)模型

Fig.4Gaussian random number torque perturbationmodel

由于起步過程中車速較慢，故忽略車輛起步過程中空氣阻力，行駛阻力主要為滾動(dòng)阻力和坡道阻力為

式中： m 為汽車質(zhì)量； g 為重力加速度 _;f 為滾動(dòng)阻力系數(shù)； i 為坡度。

滾動(dòng)阻力系數(shù) f 在實(shí)際的工程車輛作業(yè)環(huán)境中受到環(huán)境的影響較大，在不同的路面有不同的參考值，如表2所示。

表1AMT系統(tǒng)動(dòng)力學(xué)模型參數(shù)表

表2低速行駛時(shí)滾動(dòng)阻力系數(shù)參考數(shù)值

Table2Rollingresistancecoefficient referencevalue forlowspeed

2 AMT起步過程控制策略

起步開始階段，在控制策略的上層，根據(jù)駕駛員不同的起步意圖確定相應(yīng)的發(fā)動(dòng)機(jī)目標(biāo)參考轉(zhuǎn)速，通過發(fā)動(dòng)機(jī)恒轉(zhuǎn)速控制策略調(diào)節(jié)油門開度，以控制發(fā)動(dòng)機(jī)轉(zhuǎn)矩，使其快速達(dá)到目標(biāo)轉(zhuǎn)速。利用LQR控制器，根據(jù)設(shè)計(jì)的系統(tǒng)狀態(tài)和控制律，生成單條靜態(tài)離合器最優(yōu)參考轉(zhuǎn)矩曲線。考慮工程車輛的行駛環(huán)境，在動(dòng)力學(xué)模型中設(shè)定不同行駛工況下的行駛阻力，離線得到多條目標(biāo)參考軌跡，以供深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練調(diào)用。在控制策略的下層，設(shè)計(jì)摩擦因素自適應(yīng)魯棒控制器，跟蹤時(shí)變的摩擦因數(shù)，從而實(shí)現(xiàn)離合器壓力的準(zhǔn)確控制。控制過程如圖5所示。

圖5AMT起步過程控制結(jié)構(gòu)圖

Fig.5AMTstartingprocesscontrolstructure

2.1基于線性最優(yōu)二次型的AMT起步過程優(yōu)化

根據(jù)以上的分析，設(shè)計(jì)AMT起步過程控制的狀態(tài)空間方程為

式中：系統(tǒng)的狀態(tài)變量 ；控制變量 ，將發(fā)動(dòng)機(jī)轉(zhuǎn)矩 T_e 和工程車輛的阻力轉(zhuǎn)矩 T_f 作為擾動(dòng)變量； _A，B 分別為系統(tǒng)的狀態(tài)矩陣和控制矩陣； T 為擾動(dòng)變量矩陣； c 為輸出系數(shù)矩陣。

通過式（1）和式（7）可以得到離合器滑摩階段系統(tǒng)的狀態(tài)空間方程如下：

系統(tǒng)約束為

式中： ω₁ 和 ω_h 分別為發(fā)動(dòng)機(jī)的最低轉(zhuǎn)速和最高轉(zhuǎn)速； T_max 為離合器的最大許用傳遞扭矩； x_2η 為結(jié)合末端時(shí)刻的主、從動(dòng)盤轉(zhuǎn)速差。

設(shè)計(jì)起步控制過程的目標(biāo)函數(shù)為

式中： 分別為目標(biāo)函數(shù)中起步滑摩時(shí)間、滑摩功、沖擊度指標(biāo)的權(quán)重系數(shù)。

根據(jù)極小值原理構(gòu)造哈密頓函數(shù)

λ=px+hΓ，

式中：λ是協(xié)狀態(tài)函數(shù)，與 x（t） 齊次； p 和 h 為待求解的系數(shù)矩陣。

在尋求泛函極值時(shí)，必須滿足極值條件：

解得

u^*=-r^-1B^?λ，

其中， u^* 為最優(yōu)控制，式（12）中的 p 可以通過黎卡提方程來求解。

將 p 和 h 代入式（12）中，即可得到最優(yōu)控制律為

2.2基于深度神經(jīng)網(wǎng)絡(luò)的最優(yōu)軌跡簇?cái)M合

傳統(tǒng)的基于最優(yōu)控制求得的靜態(tài)參考軌跡，很難滿足變化的摩擦因數(shù)與行駛環(huán)境等因素。因此，在考慮起步意圖的情況下，將環(huán)境因素考慮到動(dòng)力學(xué)模型中，利用深度神經(jīng)網(wǎng)絡(luò)[15]對(duì)不同擾動(dòng)條件下LQR控制器求得的狀態(tài)量和控制律進(jìn)行離線擬合，之后在線調(diào)用所訓(xùn)練神經(jīng)網(wǎng)絡(luò)來獲得最優(yōu)軌跡，以增強(qiáng)起步過程控制的魯棒性。將環(huán)境因素中的路面狀況和坡度狀況輸入到LQR控制器模型中，離散道路阻力模型中的滾動(dòng)阻力系數(shù)f∈[0.020，0.250] 和坡度iε [-6%，6%] ，區(qū)間內(nèi)的離散步長為 η=0.002 。發(fā)動(dòng)機(jī)目標(biāo)轉(zhuǎn)速根據(jù)加速踏板開度查表獲得，為了防止踏板抖動(dòng)導(dǎo)致發(fā)動(dòng)機(jī)參考轉(zhuǎn)速波動(dòng)，將油門踏板開度區(qū)間與發(fā)動(dòng)機(jī)目標(biāo)轉(zhuǎn)速值進(jìn)行對(duì)應(yīng)，如表3所示。在每一種起步意圖下離散得到多條發(fā)動(dòng)機(jī)和離合器最優(yōu)參考轉(zhuǎn)速，以正常起步意圖為例，求解得到不同環(huán)境下的部分訓(xùn)練數(shù)據(jù)如圖6所示。

圖6正常起步意圖下深度神經(jīng)網(wǎng)絡(luò)部分訓(xùn)練數(shù)據(jù)集 Fig.6Partial trainingdata of deep neural network with normal starting intention

表3不同意圖下的發(fā)動(dòng)機(jī)參考轉(zhuǎn)速

Table3 Referenceengine speeds fordifferentintentions

建立的深度神經(jīng)網(wǎng)絡(luò)模型為

式中： w_ij 為權(quán)重偏置； o_i-1 為前一層的完整輸出； b_ij 為對(duì)應(yīng)于該單元的偏置； g 為非線性函數(shù)。

起步過程中的跟蹤軌跡是發(fā)動(dòng)機(jī)和離合器的轉(zhuǎn)速，因此，深度神經(jīng)網(wǎng)絡(luò)的輸入特征為起步開始時(shí)的時(shí)間特征 t， 道路坡度信息 i， 滾動(dòng)阻力信息 f 和起步初始時(shí)刻油門踏板開度 p_init ω_e 和 ω_e 為輸出特征，設(shè) x= （t，i，f，p_init），y=（ω_e，ω_c） ，則訓(xùn)練數(shù)據(jù)集為

T={（x₁，y₁），（x₂，y₂），…，（x_n，y_n）}°

所設(shè)計(jì)的深度神經(jīng)網(wǎng)絡(luò)包含2層隱藏層，隱藏層1和2的節(jié)點(diǎn)數(shù)均設(shè)置為15，激活函數(shù)使用ReLU[]函數(shù)。所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型的擬合誤差如圖7所示。

圖7神經(jīng)網(wǎng)絡(luò)擬合誤差

Fig.7Neural network fitting error

3摩擦因數(shù)自適應(yīng)控制器設(shè)計(jì)

在控制策略的上層得到了不同起步意圖下的最優(yōu)離合器參考轉(zhuǎn)矩，然而離合器的摩擦因數(shù)在離合器結(jié)合的過程中產(chǎn)生的瞬態(tài)變化將直接影響控制策略下層離合器轉(zhuǎn)矩和離合器油壓的映射關(guān)系，由此根據(jù)李雅普諾夫理論設(shè)計(jì)起步過程離合器摩擦系數(shù)的自適應(yīng)控制器，實(shí)現(xiàn)對(duì)摩擦因數(shù)的實(shí)時(shí)跟蹤。

選定離合器從動(dòng)端的轉(zhuǎn)速 ω_c 作為系統(tǒng)的跟蹤變量 x ，定義跟蹤誤差及其導(dǎo)數(shù)為

e=x_d-x，

式中， x_d 為深度神經(jīng)網(wǎng)絡(luò)調(diào)用離合器最優(yōu)傳遞轉(zhuǎn)矩下對(duì)應(yīng)的軌跡。

將式（4）代入式（1）可得

式中： μ 為時(shí)變的離合器摩擦因數(shù)； P_c 為離合器壓力是所需設(shè)計(jì)的控制變量。

定義李雅普諾夫函數(shù) V（x） 為

對(duì)其求導(dǎo)得到 為

當(dāng) 時(shí)，滿足 V（x） 正定， 負(fù)定， ε 為控制參數(shù)，滿足 εgt;0 ，因此設(shè)計(jì)控制律為

根據(jù)起步階段的動(dòng)力學(xué)方程設(shè)計(jì)狀態(tài)觀測(cè)器為

式中： μ_?0 為離合器靜摩擦因數(shù)值，在此系統(tǒng)中為定值； 分別為離合器主、從動(dòng)盤的轉(zhuǎn)速及其變化率的觀測(cè)值。

定義摩擦系數(shù)

μ=μ₀+Δμ，

式中： Δμ 為摩擦因數(shù)的變化值； μ 的變化遵循式（5）。

將式（27）代人式（26）可得：

整理得到：

設(shè) ΔμN(yùn)_cR_cP_c=ξ ，式（25）中的控制律可以改寫為

基于所得到的控制規(guī)律，觀測(cè)器所得的摩擦因數(shù) μ 和離合器轉(zhuǎn)速 ω_c 的跟蹤效果如圖8和圖9所示，其觀測(cè)值和真實(shí)值之間的誤差相對(duì)較小，具有較高的準(zhǔn)確性。

圖8摩擦因數(shù)變化值及跟蹤結(jié)果圖

Fig.8Frictioncoefficientchangevaluesand trackingresult

圖9離合器轉(zhuǎn)速跟蹤結(jié)果圖

Fig.9Clutch speed tracking result graphs

4仿真分析

為了驗(yàn)證所設(shè)計(jì)控制策略的有效性，根據(jù)AMT系統(tǒng)起步動(dòng)力學(xué)方程，利用Matlab/Simulink搭建了起步過程控制策略仿真模型，對(duì)不同起步意圖和不同環(huán)境工況下的起步過程進(jìn)行了仿真和分析。

針對(duì)不同起步意圖下控制策略的有效性，對(duì)比分析了在緩慢起步、正常起步和急起步3種起步意圖下的起步情況，將環(huán)境工況均設(shè)置為水平碎石路面，仿真結(jié)果如圖10所示。

圖10不同起步意圖下仿真結(jié)果圖

Fig.10Simulation results fordifferent starting intentions

圖11正常起步意圖下不同行駛環(huán)境下仿真結(jié)果圖

Fig.11Simulationresultsunderdifferentdrivingenvironmentswithnormalstarting intention

為驗(yàn)證不同行駛環(huán)境下控制策略的有效性，將起步意圖均設(shè)置為正常起步意圖，即發(fā)動(dòng)機(jī)目標(biāo)轉(zhuǎn)速為1050r/min ，路面環(huán)境選擇碎石路面和濕砂路面，此外考慮 5% 和 12% 的2種坡度情況，仿真結(jié)果如圖11所示。

從圖10可以看出，當(dāng)發(fā)動(dòng)機(jī)目標(biāo)轉(zhuǎn)速變化時(shí)，所設(shè)計(jì)的控制策略可以根據(jù)駕駛員的不同起步意圖完成離合器的同步過程。在慢起步意圖下發(fā)動(dòng)機(jī)的目標(biāo)轉(zhuǎn)速 950r/min ，最大沖擊度約 3.51m/s³ ，起步過程滑磨功為 27.35kJ ，起步時(shí)間為 3.125s 。在急起步意圖下，發(fā)動(dòng)機(jī)目標(biāo)轉(zhuǎn)速為 1150r/min ，起步時(shí)間為2.456s，最大沖擊度為 4.93m/s³ 。急起步意圖情況下，滑磨功的上升速度明顯快于另外2種情況，起步消耗時(shí)間較短，整個(gè)起步過程的滑磨功為 71.06kJ 。

從圖11可以看出，隨著坡度和滾動(dòng)阻力系數(shù)的逐漸增大，起步時(shí)間逐漸增加，在滾動(dòng)阻力系數(shù)為0.02的條件下，坡度從 5% 上升到 12% 時(shí)，起步時(shí)間從3.424s增加到 3.999s 。原因在于坡度和滾動(dòng)阻力系數(shù)的增加提高了車輛起步時(shí)的阻力，車輛起步時(shí)離合器所需要傳遞的轉(zhuǎn)矩增大。由于車輛起步時(shí)的阻力增大，離合器主、從動(dòng)盤結(jié)合過程中的沖擊度也有所增加，仿真過程中最大的起步?jīng)_擊度和離合器滑磨功分別為6.295m/s³ 和 74.34kJ 。對(duì)比圖10的仿真結(jié)果，坡度和阻力系數(shù)的增加增大了車輛起步的難度，從圖11的結(jié)果可以看出，所設(shè)計(jì)的控制策略在不同的環(huán)境條件下均能完成車輛的起步過程，證明所訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)模型具有較強(qiáng)的魯棒性和適應(yīng)性。

為驗(yàn)證所提策略的優(yōu)良性，將所設(shè)計(jì)的自適應(yīng)魯棒控制器與工程上常用的不依賴機(jī)理模型的PID控制器進(jìn)行對(duì)比驗(yàn)證，在正常起步意圖和水平碎石路面工況，起步仿真結(jié)果如圖12所示。

圖12不同控制器對(duì)比仿真驗(yàn)證

Fig.12 Comparative simulationverification of different controllers

將工程常用的PID控制器與所設(shè)計(jì)的自適應(yīng)控制器的仿真結(jié)果進(jìn)行對(duì)比，對(duì)比結(jié)果如圖12所示。可以看出，雖然PID控制器與所設(shè)計(jì)的自適應(yīng)控制器均可以實(shí)現(xiàn)起步時(shí)離合器的同步過程，PID控制器的跟隨轉(zhuǎn)速誤差明顯大于所設(shè)計(jì)的自適應(yīng)控制器，PID控制器最大跟隨誤差達(dá)到了 25r/min ，且在主、從動(dòng)盤結(jié)合的末端時(shí)刻，PID控制器下的起步?jīng)_擊度出現(xiàn)了突變的情況，最大瞬間沖擊超過了 7m/s³ ，原因是在即將完成同步的時(shí)刻，主、從動(dòng)盤轉(zhuǎn)速差接近0，由圖3可知，在主、從動(dòng)盤轉(zhuǎn)速差較小的范圍離合器片摩擦因數(shù)的瞬態(tài)變化規(guī)律較明顯。由于PID控制器的控制參數(shù)是根據(jù)工程經(jīng)驗(yàn)給的固定數(shù)值，無法適應(yīng)由于離合器片摩擦因數(shù)快速變化引起的離合器轉(zhuǎn)矩變化，而文中所提出的自適應(yīng)控制策略，能夠快速跟蹤由于摩擦因數(shù)變化導(dǎo)致的轉(zhuǎn)矩變化，有效抑制了末端時(shí)刻沖擊度的突變。

5結(jié)論

1）建立了AMT系統(tǒng)起步動(dòng)力學(xué)方程，設(shè)計(jì)了AMT車輛起步過程的目標(biāo)函數(shù)，基于二次型控制器求得不同意圖與行駛環(huán)境下的離合器最優(yōu)參考轉(zhuǎn)矩，并生成一系列參考軌跡用于訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，增加起步過程的魯棒性。2）制定了離合器摩擦因數(shù)自適應(yīng)的AMT工程車輛起步過程控制策略，用于在時(shí)變的摩擦因數(shù)下跟蹤離合器參考轉(zhuǎn)矩。3）仿真測(cè)試驗(yàn)證了所提方法的有效性，結(jié)果表明：所提策略與控制方法在不同駕駛意圖和行駛環(huán)境下，比工程上常用的PID控制器具有更高的自適應(yīng)能力和魯棒性。

參考文獻(xiàn)

[1］胡明輝，王斐，謝紅軍，等.摩擦系數(shù)對(duì)AMT起步的影響分析[J].重慶大學(xué)學(xué)報(bào)，2013，36（5）：8-12. HuMH，WangF，XieHJ，etal.Analysisontheinfluenceoffrictioncoeffcientonthestartingcontrolofutomaticmechanical transmission[J]. Journal of Chongqing University，2013，36（5）： 8-12.（in Chinese）

[2]劉永剛，張靜晨，王鑫，等.摩擦因數(shù)自適應(yīng)的雙離合器自動(dòng)變速器起步智能控制[J].機(jī)械工程學(xué)報(bào)，2023，59（10）： 197-209. LiuYG，ZhangJC，Wang X，etal.Inteligentcontrolofstartingprocess fordualclutch transmissions forfrictioncoicient self-adaptation[J].JournalofMechanical Engineering，2023，59（10）：197-209.（in Chinese）

[3］米林，劉瑞杰，譚偉.機(jī)械式自動(dòng)變速器的離合器起步控制[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2014，28（5）：7-12. MiL，Liu RJ，Tan W.Research controlofAMTclutch forstarting proces[J].JournalofChongqing UniversityofTechnology （Natural Science），2014，28（5）： 7-12.（in Chinese）

[4］黃興.AMT離合器位置閉環(huán)PID控制參數(shù)優(yōu)化[J].內(nèi)燃機(jī)與配件，2018（3）：57-61. Huang X.Optimizationof closed-loop PID control parameters for AMTclutch position[J].Internal Combustion Engineamp; Parts，2018（3）： 57-61.（in Chinese）

[5］趙克剛，寧武林，葉杰.基于極小值原理的AMT車輛起步最優(yōu)協(xié)調(diào)控制策略[J].重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2021，35 （2）： 17-25. Zhao KG，Ning WL，Ye J.Optimal coordinatingcontrol strategyforvehicle launching withAMTbasedonthe minimum principle[J].JournalofChongqing UniversityofTechnology （NaturalScience），2021，35（2）：17-25.（in Chinese）

[6］金輝，于倩.離合器最優(yōu)控制權(quán)系數(shù)變化對(duì)車輛性能的影響[J].汽車工程，2019，41（5）：550-555. Jin H，Yu Q.Aresearchontherelationship between weightcoefficient variationofClutchoptimalcontroland the vehicle performances[J].Automotive Engineering，2019，41（5）： 550-555.（in Chinese）

[7］羅勇，柳明生，闡英哲，等.考慮起步意圖的P3構(gòu)型AMT-PHEV雙層模糊起步控制策略研究[J].重慶理工大學(xué)學(xué)報(bào)（自然 科學(xué)），2022，36（10）： 12-20. LuoY，Liu M S，KanYZ，etal.Dual fuzzystartingcontrol strategyforP3 AMT-PHEVconsidering starting intention[J]. Journal of Chongqing University of Technology （Natural Science），2022，36（10）：12-20.（in Chinese）

[8]Geng X H，Liu WD，Liu XY，etal. Optimal torquecontrol of the launching process withAMTclutch forheavy-dutyvehicles [J].Machines，2024，12（6）： 363.

[9]ZhaoZG，HeL，YangYY，etal.Estimationof torquetransmittedbyclutchduringshifting processfordryualclutch transmission[J]. Mechanical Systems and Signal Processing，2016，75： 413-433.

[10］趙治國，顧佳鼎，何露.干式雙離合器自動(dòng)變速器換檔過程離合器傳遞轉(zhuǎn)矩估計(jì)[J].機(jī)械工程學(xué)報(bào)，2017，53（14）：77-87. Zhao ZG，GuJD，HeL.Estimationof torquestransitedbytwin-clutch during shifting processfordrydualclutchtransmission [J]. Journal of Mechanical Engineering，2017， 53（14）： 77-87. （in Chinese）

[11］魯佳，劉海鷗，彭建鑫，等.機(jī)械式自動(dòng)變速器重型軍用輪式車輛坡道起步控制策略研究[J].兵工學(xué)報(bào)，2013，34（8）： 929-934. Lu J，Liu HO，PengJX，etal.Researchonhil-startcontrolstrategyfomilitaryheav-dutywheeledvehicles withMT[J]. Acta Armamentarii，2013，34（8）： 929-934.（in Chinese）

[12]WuBZ，QinDT，HuJJ，etal.Experimentaldataminingresearchonfactors influencing frictioncoeficientof wetclutch[J]. Journal of Tribology，2021，143（12）： 121802.

[13]LiAT，QinDT.Adaptive model predictivecontrolof dualclutchtransmission shiftbasedondynamic frictioncoeficient estimation[J].Mechanism and Machine Theory，2022，173：104804.

[14]KimYK，KimHW，LeeIS，etal.Aspeedcontrolforthereductionoftheshiftshocks inelectric vehicles withatwo-speed AMT[J]. Journal of Power Electronics，2016，16（4）：1355-1366.

[15]KawakamiT，IdeT，MoriyamaE，etal.Developmentofartificialintellgecetclasifyqalityoftransmissionshitotrol using deep convolutionalneural networks[J].IEEE Transactions on VehicularTechnology，2020，69（12）：16168-16172.

[16]HaninB.Universalfunctionapproximation bydepneuralnetswithbounded widthandReLUactivations[J].Mathematics， 2019，7（10）： 992.

（編輯 詹燕平）