本发明涉及汽车自动变速器领域，具体涉及一种基于支持向量机算法的双离合变速箱离合器转矩智能预测方法，包括以下步骤：1)利用离合器转矩模糊控制方法获取换挡过程中两个离合器的转矩数据；2)将仿真得到的若干个数据点进行多次傅里叶拟合，分别得到两个离合器转矩曲线的公式；3)利用遗传优化算法对离合器转矩进行优化，得到优化后的转矩曲线，为训练基于支持向量机算法的模型提供标签数据；4)建立基于支持向量机算法的离合器转矩智能预测模型并训练；5)将训练好的基于支持向量机算法的离合器转矩预测模型编译到实车装载的自动变速箱控制单元中，根据实时测得的离合器主、从动端转速，获取离合器最优目标转矩控制换挡执行机构。
1.一种基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于，包括以下步骤：
1)利用离合器转矩模糊控制方法获取换挡过程中两个离合器的转矩数据，建立双离合变速器在车辆换挡过程中两个离合器同时滑摩的传统动力学模型用于后续仿真，将不同节气门开度换挡过程中的两个离合器转矩按照仿真步长离散出若干个数据点，其中仿真时间作为X轴数据，仿真时间所对应的离合器转矩作为Y轴数据，这些数据作为优化前的转矩数据点；
2)将上一步仿真得到的若干个数据点进行多次傅里叶拟合，分别得到两个离合器转矩曲线的公式，用于利用遗传优化算法对离合器转矩进行优化；
3)利用遗传优化算法对离合器转矩进行优化，即把换挡过程中两个离合器的最大冲击度、滑摩功、换挡时间基于驾驶意图加权后，得到总目标函数，在总目标函数最小的情况下，用遗传算法优化转矩的取值，得到优化后的转矩曲线，为训练基于支持向量机算法的离合器转矩预测模型提供标签数据；
4)基于支持向量机算法的离合器转矩智能预测：将通过步骤1)中所述的动力学模型仿真得到的车辆状态参数作为支持向量机算法的输入变量，两个离合器经优化后的转矩曲线上的数据点作为输出变量，建立离合器最优目标转矩与车辆状态参数的映射关系，在不同节气门开度下，通过训练支持向量机模型，建立换挡过程离合器转矩预测模型；
5)将训练好的基于支持向量机算法的离合器转矩预测模型编译到实车装载的自动变速箱控制单元中，根据实时测得的离合器主、从动端转速，通过训练好的基于支持向量机算法的离合器转矩预测模型进行转矩预测，获取离合器最优目标转矩，控制换挡执行机构完成换挡。
2.根据权利要求1所述的基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于：步骤1)中所述动力学模型的计算公式如下：式中：K为离合器转矩比例系数；TCL1为离合器C1传递的转矩(N·m)；TCL2为离合器C2传递的转矩(N·m)；TLoad为车辆外界阻力矩(N·m)；I为整车等效到输出轴的当量转动惯量(kg·m2)；I1为离合器C1从动盘减振器主动部分当量转动惯量(kg·m2)；I2为离合器C2从动盘减振器主动部分当量转动惯量(kg·m2)；I3为离合器C1减振器从动部分、输入轴1(实心轴)及关联奇数齿轮当量转动惯量(kg·m2)；I4为离合器C2减振器从动部分、输入轴2(空心轴)及关联偶数齿轮当量转动惯量(kg·m2)；I5为中间轴1及其关联齿轮、主减速器1主动部分当量转动惯量(kg·m2)；I7为主减速器从动部分、差速器、半轴以及车轮当量转动惯量(kg·m2)；i1、i2、ia1分别为变速器1挡、2挡、主减速器1的速比； 为车辆的角加速度-1(rad·s )。
3.根据权利要求1所述的基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于：步骤1)中所述的仿真步长为0.005s。
4.根据权利要求1所述的基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于：步骤2)中所述的傅里叶拟合的方式是采用MATLAB的cftool工具箱对转矩数据的集合进行曲线拟合。
5.根据权利要求1所述的基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于：步骤2)中所述的获取的换挡过程中两个离合器的转矩数据分别进行八次傅里叶拟合，得到两个离合器转矩曲线的公式。
6.根据权利要求1所述的基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于：步骤3)中所述的遗传优化算法，总目标函数利用最大冲击度、滑摩功、换挡时间基于驾驶意图加权后得到，公式如下：g＝ξ1[g1/g1orig]+ξ2[g2/g2orig]+ξ3[g3/g3orig]
式中：g1orig、g2orig、g3orig分别表示遗传算法优化前的最大冲击度、滑摩功和换挡时间，g1为换挡过程中的最大冲击度，g2为整个换挡过程的滑摩功，g3为换挡时间，ξ1、ξ2、ξ3分别表示最大冲击度、滑摩功和换挡时间的权重系数，g为总目标函数。
7.根据权利要求6所述的基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于：所述换挡过程中的最大冲击度g1为冲击度j的最大绝对值，等于车辆的加速度变化率，冲击度j为车辆纵向加速度a对换挡时间t的导数，或者车速v对换挡时间t的二阶导数，计算公式如下：g1＝max(|j|)
式中，g1为换挡过程中的最大冲击度，a为车辆纵向加速度，j为冲击度，v为车速，t为换挡时间。
8.根据权利要求6所述的基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于：所述整个换挡过程的滑摩功g2等于两个离合器的滑摩功Wc1、Wc2之和，计算公式如下：式中：TCL1为离合器C1传递的转矩(N·m)；TCL2离合器C2传递的转矩(N·m)；ωe、ω1、ω2分别为发动机曲轴角速度(rad·s-1)和离合器1、2从动盘的角速度(rad·s-1)。
9.根据权利要求6所述的基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于：所述换挡时间g3为换挡末尾时刻减去换挡初始时刻，计算公式如下：g3＝t＝t2-t1
式中：t2为换挡终止时刻，t1为换挡开始时刻，t为换挡时间，g3为换挡时间。
10.根据权利要求1所述的基于支持向量机算法的双离合变速器离合器转矩智能预测方法，其特征在于：步骤4)中所述的车辆状态参数为两个离合器的主、从动盘转速、转速差和转速差变化率。
基于支持向量机算法的双离合变速器离合器转矩智能预测
方法
技术领域
[0001] 本发明涉及汽车自动变速器领域，具体涉及一种基于支持向量机算法的双离合变速箱离合器转矩智能预测方法。
背景技术
[0002] 双离合变速器是在传统的手动齿轮式变速器基础上改进而来的，其换挡过程中两个离合器传递转矩的变化对传动系统的输出扭矩影响巨大，换挡冲击和滑摩也主要产生于这个过程，所以离合器的转矩控制成了双离合变速器系统换挡控制的关键技术，如何获取最优的离合器目标转矩，实现换挡过程冲击度、滑摩功和换挡时间的平衡控制是目前该领域的研究人员需要研究的问题。
发明内容
[0003] 本发明的目的是针对现有技术的不足，提供一种基于支持向量机算法的双离合变速箱离合器转矩智能预测方法，建立离合器最优目标转矩与车辆状态参数的映射关系，实现对离合器转矩的精确控制，提高搭载了双离合器变速器的车辆的起步和换挡性能。
[0004] 本发明的目的是采用下述方案实现的：一种基于支持向量机算法的双离合变速器离合器转矩智能预测方法，包括以下步骤：
[0005] 1)利用离合器转矩模糊控制方法获取换挡过程中两个离合器的转矩数据，建立双离合变速器在车辆换挡过程中两个离合器同时滑摩的传统动力学模型用于后续仿真，将不同节气门开度换挡过程中的两个离合器转矩按照仿真步长离散出若干个数据点，其中仿真时间作为X轴数据，仿真时间所对应的离合器转矩作为Y轴数据，这些数据作为优化前的转矩数据点；
[0006] 2)将上一步仿真得到的若干个数据点进行多次傅里叶拟合，分别得到两个离合器转矩曲线的公式，用于利用遗传优化算法对离合器转矩进行优化；
[0007] 3)利用遗传优化算法对离合器转矩进行优化，即把换挡过程中两个离合器的最大冲击度、滑摩功、换挡时间基于驾驶意图加权后，得到总目标函数，在总目标函数最小的情况下，用遗传算法优化转矩的取值，得到优化后的转矩曲线，为训练基于支持向量机算法的离合器转矩预测模型提供标签数据；
[0008] 4)基于支持向量机算法的离合器转矩智能预测：将通过步骤1)中所述的动力学模型仿真得到的车辆状态参数作为支持向量机算法的输入变量，两个离合器经优化后的转矩曲线上的数据点作为输出变量，建立离合器最优目标转矩与车辆状态参数的映射关系，在不同节气门开度下，通过训练支持向量机模型，建立换挡过程离合器转矩预测模型；
[0009] 5)将训练好的基于支持向量机算法的离合器转矩预测模型编译到实车装载的自动变速箱控制单元中，根据实时测得的离合器主、从动端转速，通过训练好的基于支持向量机算法的离合器转矩预测模型进行转矩预测，获取离合器最优目标转矩，控制换挡执行机构完成换挡。
[0010] 步骤1)中所述动力学模型的计算公式如下：
[0011]
[0012] 式中：K为离合器转矩比例系数；TCL1为离合器C1传递的转矩(N·m)；TCL2为离合器C2传递的转矩(N·m)；TLoad为车辆外界阻力矩(N·m)；I为整车等效到输出轴的当量转动惯量(kg·m2)；I1为离合器C1从动盘减振器主动部分当量转动惯量(kg·m2)；I2为离合器C2从动盘减振器主动部分当量转动惯量(kg·m2)；I3为离合器C1减振器从动部分、输入轴1(实心轴)及关联奇数齿轮当量转动惯量(kg·m2)；I4为离合器C2减振器从动部分、输入轴2(空心轴)及关联偶数齿轮当量转动惯量(kg·m2)；I5为中间轴1及其关联齿轮、主减速器1主动部分当量转动惯量(kg·m2)；I7为主减速器从动部分、差速器、半轴以及车轮当量转动惯量(kg·m2)；i1、i2、ia1分别为变速器1挡、2挡、主减速器1的速比； 为车辆的角加速度(rad·s-1)。
[0013] 步骤1)中所述的仿真步长为0.005s。
[0014] 步骤2)中所述的傅里叶曲线拟合的方式是采用MATLAB的cftool工具箱对转矩数据的集合进行曲线拟合。
[0015] 步骤3)中所述的遗传优化算法，总目标函数利用最大冲击度、滑摩功、换挡时间基于驾驶意图加权后得到，公式如下：
[0016] g＝ξ1[g1/g1orig]+ξ2[g2/g2orig]+ξ3[g3/g3orig]
[0017] 式中：g1orig、g2orig、g3orig分别表示遗传算法优化前的最大冲击度、滑摩功和换挡时间，g1为换挡过程中的最大冲击度，g2为整个换挡过程的滑摩功，g3为换挡时间，ξ1、ξ2、ξ3分别表示最大冲击度、滑摩功和换挡时间的权重系数，g为总目标函数。
[0018] 所述换挡过程中的最大冲击度g1为冲击度j的最大绝对值，等于车辆的加速度变化率，即车辆纵向加速度a对换挡时间t的导数，或者车速v对换挡时间t的二阶导数，计算公式如下：
[0019] g1＝max(|j|)
[0020]
[0021] 式中，g1为换挡过程中的最大冲击度，a为车辆纵向加速度，j为冲击度，v为车速，t为换挡时间。
[0022] 所述整个换挡过程的滑摩功g2等于两个离合器的滑摩功Wc1、Wc2之和，计算公式如下：
[0023]
[0024] 式中：TCL1为离合器C1传递的转矩(N·m)；TCL2离合器C2传递的转矩(N·m)；ωe、ω1、ω2分别为发动机曲轴角速度(rad·s-1)和离合器1、2从动盘的角速度(rad·s-1)。
[0025] 所述换挡时间g3为换挡末尾时刻减去换挡初始时刻，计算公式如下：
[0026] g3＝t＝t2-t1
[0027] 式中：t2为换挡终止时刻，t1为换挡开始时刻，t为换挡时间，g3为换挡时间。
[0028] 步骤4)中所述的车辆状态参数为两个离合器的主、从动盘转速、转速差和转速差的变化率。
[0029] 步骤2)中所述的获取的换挡过程中两个离合器的转矩数据分别进行八次傅里叶拟合，得到两个离合器转矩曲线的公式如下：
[0030]
[0031]
[0032] 式中：f1、f2分别是离合器C1和离合器C2传递的转矩；x1、x2是换挡所对应的时刻；an、bn为各项的系数；ω0为函数的角频率。
[0033] 步骤3)中用遗传算法优化转矩的取值，即利用遗传算法优化转矩曲线公式的系数，遗传算法生成的子集个体代入到动力学模型中仿真计算。
[0034] 本发明的有益效果在于：
[0035] 1)能够更全面的考虑换挡时间、换挡过程冲击度和滑摩功这三个评价指标，离合器转矩的控制轨迹更优；
[0036] 2)利用支持向量机算法智能预测转矩，具有自更新和自进化的特性；
[0037] 3)支持向量机算法复杂程度低，具有更好的可行性。
附图说明
[0038] 图1为本发明的流程图；
[0039] 图2为优化前20％节气门开度换挡过程模糊控制的仿真结果；
[0040] 图3为遗传算法优化后的20％节气门开度下的换挡过程仿真曲线。
具体实施方式
[0041] 如图1所示，一种基于支持向量机算法的双离合变速器离合器转矩智能预测方法，包括以下步骤：
[0042] 1)利用离合器转矩模糊控制方法获取换挡过程中两个离合器的转矩数据，建立双离合变速器在车辆换挡过程中两个离合器同时滑摩的传统动力学模型用于后续仿真，将不同节气门开度换挡过程中的两个离合器转矩按照仿真步长离散出若干个数据点，其中仿真时间作为X轴数据，仿真时间所对应的离合器转矩作为Y轴数据，这些数据作为优化前的转矩数据点。
[0043] 步骤1)中所述动力学模型的计算公式如下：
[0044]
[0045] 式中：K为离合器转矩比例系数；TCL1为离合器C1传递的转矩(N·m)；TCL2为离合器C2传递的转矩(N·m)；TLoad为车辆外界阻力矩(N·m)；I为整车等效到输出轴的当量转动惯量(kg·m2)；I1为离合器C1从动盘减振器主动部分当量转动惯量(kg·m2)；I2为离合器C2从动盘减振器主动部分当量转动惯量(kg·m2)；I3为离合器C1减振器从动部分、输入轴1(实心轴)及关联奇数齿轮当量转动惯量(kg·m2)；I4为离合器C2减振器从动部分、输入轴2(空心轴)及关联偶数齿轮当量转动惯量(kg·m2)；I5为中间轴1及其关联齿轮、主减速器1主动部分当量转动惯量(kg·m2)；I7为主减速器从动部分、差速器、半轴以及车轮当量转动惯量(kg·m2)；i1、i2、ia1分别为变速器1挡、2挡、主减速器1的速比； 为车辆的角加速度(rad·s-1)。
[0046] 步骤1)中所述的仿真步长为0.005s。
[0047] 步骤1)中所述不同节气门开度选择20％、40％和60％节气门开度。
[0048] 2)将上一步仿真得到的若干个转矩数据点进行多次傅里叶拟合，分别得到两个离合器转矩曲线的公式，用于利用遗传优化算法对离合器转矩进行优化。
[0049] 步骤2)中所述的傅里叶曲线拟合的方式是采用MATLAB的cftool工具箱对转矩数据的集合进行曲线拟合。
[0050] 步骤2)中所述的获取的换挡过程中两个离合器的转矩数据分别进行8次傅里叶拟合，得到两个离合器转矩曲线的公式如下：
[0051]
[0052]
[0053] 式中：f1、f2分别是离合器C1和离合器C2传递的转矩；x1、x2是换挡所对应的时刻；an、bn为各项的系数；ω0为函数的角频率。
[0054] 3)利用遗传优化算法对离合器转矩进行优化，即把换挡过程中两个离合器的最大冲击度、滑摩功、换挡时间基于驾驶意图加权后，得到总目标函数，在总目标函数最小的情况下，用遗传算法优化转矩的取值，得到优化后的转矩曲线，为训练基于支持向量机算法的离合器转矩预测模型提供标签数据。
[0055] 步骤3)中用遗传算法优化转矩的取值，即利用遗传算法优化转矩曲线公式的系数，遗传算法生成的子集个体代入到动力学模型中仿真计算。
[0056] 步骤3)中所述的遗传优化算法，总目标函数利用最大冲击度、滑摩功、换挡时间基于驾驶意图加权后得到，公式如下：
[0057] g＝ξ1[g1/g1orig]+ξ2[g2/g2orig]+ξ3[g3/g3orig]
[0058] 式中：g1orig、g2orig、g3orig分别表示遗传算法优化前的最大冲击度、滑摩功和换挡时间，g1为换挡过程中的最大冲击度，g2为整个换挡过程的滑摩功，g3为换挡时间，ξ1、ξ2、ξ3分别表示最大冲击度、滑摩功和换挡时间的权重系数，g为总目标函数。
[0059] 所述换挡过程中的最大冲击度g1为冲击度j的最大绝对值，等于车辆的加速度变化率，即车辆纵向加速度a对换挡时间t的导数，或者车速v对换挡时间t的二阶导数，计算公式如下：
[0060] g1＝max(|j|)
[0061]
[0062] 式中，g1为换挡过程中的最大冲击度，a为车辆纵向加速度，j为冲击度，v为车速，t为换挡时间。
[0063] 所述整个换挡过程的滑摩功g2等于两个离合器的滑摩功Wc1、Wc2之和，计算公式如下：
[0064]
[0065] 式中：TCL1为离合器C1传递的转矩(N·m)；TCL2离合器C2传递的转矩(N·m)；ωe、ω1、ω2分别为发动机曲轴角速度(rad·s-1)和离合器1、2从动盘的角速度(rad·s-1)。
[0066] 所述换挡时间g3为换挡末尾时刻减去换挡初始时刻，计算公式如下：
[0067] g3＝t＝t2-t1
[0068] 式中：t2为换挡终止时刻，t1为换挡开始时刻，t为换挡时间，g3为换挡时间。
[0069] 步骤3)中所述遗传优化算法目标函数中的权重系数，节气门开度20％设置ξ1＝0.25，ξ2＝0.375，ξ3＝0.375，节气门开度为40％设置ξ1＝0.4，ξ2＝0.3，ξ3＝0.3，节气门开度为60％设置ξ1＝0.5，ξ2＝0.25，ξ3＝0.25，采用同样的方法进行优化，图2为优化前20％节气门开度换挡过程模糊控制的仿真结果,图3为遗传算法优化后的20％节气门开度下的换挡过程仿真曲线。
[0070] 4)基于支持向量机算法的离合器转矩智能预测：将通过步骤1)中所述的动力学模型仿真得到的车辆状态参数作为支持向量机算法的输入变量，两个离合器经优化后的转矩曲线上的数据点作为输出变量，建立离合器最优目标转矩与车辆状态参数的映射关系，在不同节气门开度下，通过训练支持向量机模型，建立换挡过程离合器转矩预测模型。
[0071] 步骤4)中所述的车辆状态参数为两个离合器的主、从动盘转速、转速差和转速差的变化率。
[0072] 步骤4)中所述支持向量机模型的参数惩罚因子取2.58，参数核宽取3时，经验证该参数下的识别准确率最高为97.6％。
[0073] 步骤4)中所述基于支持向量机算法的离合器转矩智能预测模型经仿真测试可知，两离合器在20％、40％、60％节气门开度下转矩预测的平均相对误差在4.9％到5.6％之间，经试验验证可知，两离合器在20％、40％、60％节气门开度下转矩预测的平均相对误差在5.5％到5.9％之间，拥有理想的精度。
[0074] 5)将训练好的基于支持向量机算法的离合器转矩预测模型编译到实车装载的自动变速箱控制单元中，根据实时测得的离合器主、从动端转速，通过训练好的基于支持向量机算法的离合器转矩预测模型进行转矩预测，获取离合器最优目标转矩，控制换挡执行机构完成换挡。
[0075] 以上所述仅为本发明的优选实施例，并不用于限制本发明，本领域的技术人员在不脱离本发明的精神的前提下，对本发明进行的改动均落入本发明的保护范围。
