基于Matlab的自動變速器換檔規律的神經網絡模型設計

廖燕輝(廣東技術師范學院 汽車學院,廣州 510635）

基于Matlab的自動變速器換檔規律的神經網絡模型設計

廖燕輝
(廣東技術師范學院 汽車學院,廣州 510635）

摘 要:本文運用一種具有強大的數學分析能力的Matlab工具，建立由節氣門開度和車速這兩個主要參數控制的汽車自動變速器換檔規律的神經網絡模型。該神經網絡模型對汽車自動變速器的換檔規律有很好的分析判斷能力，學習能力強，解決了普通工具很難識別節氣門開度和車速之間的內在聯系的問題。

關鍵詞：Matlab；自動變速器；換檔規律；神經網絡

1 引言

汽車自動變速器的換檔規律主要有三參數控制的換檔規律和兩參數控制的換檔規律[1]，本文研究的對象是兩參數控制的換檔規律，即由節氣門開度和車速這兩個主要參數控制的兩參數換檔規律。因為汽車在行駛的過程中，路況非常復雜、再加上每位駕駛員的駕駛習慣不同，所以節氣門開度和車速經常頻繁地呈非線性的變化。對于這種非線性關系的數據變化，采用普通的工具很難分析出它們之間的內在聯系[2]。

而Matlab具有強大的數學分析能力，使用Matlab對非線性的數據進行分析是很好的選擇。本文把數據訓練樣本輸入Matlab工具箱中建立神經網絡模型，訓練之后建立的神經網絡模型可以整合到在LabVIEW環境下編寫的汽車自動變速器換檔規律的測試系統中，使該系統能夠直接調用神經網絡模型實時對當前采集到的數據信號進行處理[3]。

2 采集訓練樣本數據

本文的具體研究對象是廣汽本田2006款思迪轎車，選取該款車的節氣門位置傳感器電壓輸出信號和自動變速器中間軸車速傳感器電壓輸出信號作為神經網絡的輸入向量，每個檔位40組訓練樣本數據，5個前進檔位，共200組神經網絡的訓練樣本數據。其中1檔和2檔的樣本數據是路試測得的，3檔、4檔和5檔的樣本數據是從廣汽本田思迪轎車維修資料中 找到的。

從理論上講，在不同的工況下、不同的路況下采集的訓練樣本數據越多，覆蓋的面越廣，網絡訓練完成之后建立的神經網絡模型的性能就更加穩定、識別能力和學習能力也越高[4]。由于時間和精力的限制，本文在不同工況、不同路況、不同檔位的情景中選取了200組數據作為神經網絡的訓練樣本數據。

3 神經網絡設計

3.1 目標向量設計

由于試驗所用的本田思迪轎車在D檔時有五個檔位，因此各檔位采用下列輸出方式：

一檔：[0 0 1]; 二檔：[0 1 0]; 三檔：[1 0 0]; 四檔：[0 1 1]； 五檔：[1 0 1] 。

3.2 樣本數據歸一化處理

節氣門開度和車速具有不同的單位，所以在訓練之前要做歸一化處理，把數值量化到[0,1]之間,這有利于訓練收斂的速度。本文采用的歸一化方法是所有的節氣門開度值除以最大的節氣門開度值（100），所有車速值除以最大的車速值(255)。

3.3 網絡訓練

因為訓練函數trainlm收斂速度快，網絡的訓練誤差較小，所以通過以下代碼調用trainlm。

可見，經過46次訓練之后，網絡的性能已經達到了使用要求，訓練結果如圖1所示。

3.4 網絡測試

因為網絡訓練之后，其權值就固定下來了。此時輸入每一個向量，網絡就能輸出相應的向量，但是訓練完的網絡需要用附加樣本進行性能驗證。如果不能滿足使用要求，必須重新訓練網絡。本文的測試數據如表1所示。

表1的測試樣本數據的測試結果如附圖1所示。測試結果顯示，神經網絡的輸出與期望輸出基本符合，誤差在允許范圍內。其中誤差最大的一組是第8組，期望輸出是[0 0 1],實際輸出是[0.0020 0.6006 0.5886],這表明此組測試數據在表示1檔的同時也趨向于2檔。出現這種情況是合理的，因為此時的節氣門開度為87°，車速為50km/ h，剛好處于1檔和2檔之間。如果訓練樣本數據大于200組，這個問題將會得到比較好的改善。

表1 測試樣本數據

4 結論

神經網絡模型對自動變速器的換檔規律有很好的分析判斷能力，學習能力強，對非線性關系的數據具有很強的處理能力。把建立好的神經網絡模型整合到在LabVIEW環境下編寫的程序中，能夠同時輕松地實現數據采集、分析、結果顯示等多種功能。

100　80　3檔95　83　3檔140　86　3檔113　88　3檔125　91　3檔120　77　3檔179　56　4檔190　81　4檔177　85　4檔168　87　4檔183　90　4檔210　92　4檔172　99　4檔190　96　4檔188　98　4檔195　100　4檔車速/km h-1　節氣門開度/°　目標檔位199　56　5檔195　59　5檔205　65　5檔200　69　5檔209　73　5檔211　78　5檔222　83　5檔225　85　5檔227　88　5檔230　90　5檔

參考文獻：

[1]陰曉峰,譚晶星，雷雨龍,葛安林.基于神經網絡發動機模型的動態三參數換檔規律[J].機械工程學報,2005,41(11).

[2]陳超.汽車AMT換檔規律及其評價方法的研究[D].碩士學位論文,西華大學,2006(05).

[3]巫世晶,朱恩涌，李群力，王曉筍.汽車模糊控制換檔策略仿真研究[J].西南交通大學學報,2008,43(06).

[4]陳艷菲.基于MATLAB的根軌跡仿真實驗設計[J].中國科教創新導刊,2014(04).

作者簡介:廖燕輝（1984-），男，廣東韶關人，碩士研究生，初級，研究方向：汽車故障檢測。