基于擁堵工況辨識的車輛自動變速器換擋控制?

夏 光，鄒 斌，唐希雯，陳無畏

(1.合肥工業大學汽車工程技術研究院，合肥 230009； 2.國防科技大學電子對抗學院，合肥 230037；3.合肥工業大學汽車與交通工程學院，合肥 230009)

前言

車輛在擁堵工況下，駕駛員為了跟車與行車安全，頻繁踩踏加速踏板和制動踏板，車速與節氣門容易突變，導致車輛頻繁換擋，因此需要辨識擁堵工況，并制定合理的擁堵工況換擋控制策略。文獻[1]中通過選取車輛在擁堵路況行車實車參數，識別車輛處于蠕行狀態，車速較低，節氣門開度較小，且常伴有制動操作，提出以單位時間內加減速次數為辨識參數，辨識擁堵工況，但準確性不高。文獻[2]中基于模糊規則提出對城市工況巡航控制，但沒有明確辨識交通擁堵工況。文獻[3]中根據不同等級道路和不同類型浮動車的行駛特性，得出各類型車輛在不同等級道路的平均速度分布特性、樣本分布特性和各等級道路每公里每小時的平均樣本量，通過選取多參數搭建城際交通擁堵識別模型，但實施繁瑣。文獻[4]～文獻[8]中通過選取特征值，采集大量樣本交通流、占有率等參數，利用識別模糊C均值聚類，神經網絡等方法識別道路擁堵，但對單個車輛動力系統而言意義不大。文獻[9]中根據城市擁堵時節氣門開度頻繁變化這一特征制定擁堵行車換擋修正控制，并沒有提出完整的識別擁堵方法。文獻[10]中提出以車輛軌跡辨識擁堵工況，但該方法對傳感器要求精度高且耗費大。

本文中通過構建T-S模糊神經網絡并對該網絡模型訓練，進行擁堵工況辨識，在擁堵工況辨識的基礎上采用擁堵工況換擋分層修正控制策略，并進行建模仿真與實車試驗驗證。

1 T-S模糊神經網絡結構與算法

車輛處于擁堵工況時各參數相對于暢行工況明顯不同，各參數之間又存在一定的關聯，具有很強的模糊性，T-S模糊神經網絡模型能綜合考慮多種因素的影響及其相互關系。利用T-S模糊神經網絡實現車輛擁堵工況辨識，不必對過程或對象內部進行分析，只要用測得的過程輸入輸出變量，據此對T-S模糊神經網絡進行訓練，就可獲得其輸入輸出特性與實際過程相近的擁堵辨識T-S模糊神經網絡。

1.1 T-S模糊系統

T-S模糊系統作為函數模糊系統的一種特例，由于構成的各條規則采用的都是線性方程作為結論，使得模型的全局輸出具有良好的數學表達特性，在處理多變量系統時能有效減少模糊規則個數，具有很大的優越性[6]。該模型不僅能自動更新，而且能不斷修正模糊子集的隸屬度函數[7]，可用“ifthen”規則形式來定義[8]。

設輸入向量x＝[x1x2…xn]T，每個分量xi均為模糊語言變量，本文中為車輛行駛參數，并設

在規則Ri的情況下，其表達式為

式中：xj為車輛擁堵辨識參數；為xi的第i個語言量值；Ri為第i條模糊規則為模糊系統參數；yi為根據模糊規則得到的輸出，為車輛擁堵工況判別輸出；If為車輛辨識模型模糊前提或者前件；Then為車輛擁堵判別模糊結論；m為每組車輛擁堵辨識參數的分量；n為xj的模糊分割數。

1.2 T-S模糊神經網絡

為了通過實車參數對擁堵辨識T-S模糊神經網絡進行訓練，建立T-S模糊神經網絡，如圖1所示。T-S模糊神經網絡模型共有5層，各層網絡關系如下。

(1)輸入層：該層有n個節點直接與輸入節點x相連接，將所選取的車輛擁堵辨識參數輸入值x＝[x1x2…xn]，傳送到下一層，該層不對數據進行處理。

(2)語言模糊化層：該層的每一個節點代表一個語言變量值，如NM，PS等，對上一層輸入的車輛擁堵辨識參數進行模糊等級劃分。它的作用是計算各輸入車輛擁堵辨識參數分量屬于各語言變量值模糊集合的隸屬度函數即

(3)規則層：每一個節點代表系統的每一條擁堵判別規則，根據式(4)計算出每條規則的隸屬度。將各隸屬度進行模糊計算，采用的模糊算子為連乘算子：

式中Wi為模糊規則適用度。對于給定的輸入車輛參數，只有在輸入點附近的語言變量值才有較大的隸屬度值，遠離輸入點的語言變量值的隸屬度值很小，或者為零。

(4)去模糊化層：該層的作用是對模糊系統各條規則的歸一化計算。

(5)輸出層：采用加權平均去模糊化，計算模糊系統的輸出值yi：

式中pj為模糊系統參數。

基于標準型T-S模糊神經網絡結構(圖1)，擁堵辨識的T-S模糊神經網絡m為輸入量的維數3，n為模糊分割數3。

圖1 T-S模糊神經網絡結構圖

1.3 T-S模糊神經網絡學習算法

T-S模糊神經網絡是根據網絡輸出和期望輸出的誤差來不斷修正模糊系統系數和隸屬度函數參數，從而使T-S模糊神經網絡不斷地逼近期望輸出，其學習修正算法如下。

(1)誤差計算

式中：yd為擁堵辨識網絡的期望輸出；yc為擁堵辨識網絡的實際輸出；e為期望輸出和實際輸出的誤差。

T-S模糊神經網絡的訓練原理就是不斷修正模型中的模糊系統參數隸屬度函數中心值和寬度，使得誤差e逐漸減小，即使得模型預測所得車輛擁堵等級逐漸逼近實際擁堵等級。當誤差符合精度要求時，訓練結束。

(2)模糊系統的系數修正

式中：k為迭代次數；α為網絡學習率；xj為網絡輸入參數(即車輛擁堵辨識參數)；wj為隸屬度連乘積。

(3)隸屬度參數修正

式中β為隸屬度函數調整因子。

2 T-S模糊神經網絡擁堵辨識模型

2.1 參數選取

車輛行駛特征可由平均速度、最高速度、速度的平方和、速度的標準差、平均加速度、正負加速度平均值等一系列參數描述。車輛在擁堵工況時，車速極低，節氣門開度較小且伴隨著制動操作，考慮到參數的獨立性，根據北京市地方標準《城市交通管理評價指標體系》規定平均速度為交通擁堵工況評價指標。定義平均節氣門開度為樣本時間內平均每秒節氣門開度，即

式中：為平均節氣門開度；αi為采樣時車輛節氣門開度。

平均節氣門開度不僅可以反映駕駛員加速意圖，而且可以表征一段時間內車輛的行駛加速度特征；樣本時間內制動踏板作動次數可以反映駕駛員減速意圖。綜上所述，選取樣本時間內車輛平均車速、樣本時間內車輛平均節氣門開度和樣本時間內制動踏板作動次數為T-S模糊神經網絡輸入量。

2.2 T-S模糊神經網絡擁堵工況辨識

2.2.1 訓練樣本

為了保證樣本的準確性以及多樣性，通過實車采集合肥市一環路早晚高峰非常擁堵、一般擁堵、暢行狀態車輛參數各40組，分別記樣本A、樣本B、樣本C，每組參數包含3個分量(樣本時間內車輛平均車速、樣本時間內平均節氣門開度、樣本時間內制動踏板作動次數)。選取樣本A，B，C，各取30組共90組數據構成訓練樣本，選取剩余數據中12組作為測試樣本。為提高運算速度和誤差精度，需要對訓練樣本數據和測試樣本共102組數據進行歸一化處理，運用極值標準化值公式，即

式中：i＝1，2，3，…，102為樣本中任意一組車輛參數某個因子值；xj為數據分量和分別為中的最小值和最大值；xij為標準化后的指標。

2.2.2 T-S模糊神經網絡訓練與預測

根據訓練樣本的維數，確定T-S模糊神經網絡結構參數。由于輸入數據含有3個分量為3維，每個輸入分量神經元語言變量為3，輸出數據為1維，模糊神經網絡的結構為3-9-1，即有9個隸屬度函數。利用T-S模糊神經網絡學習算法對訓練誤差不斷調整，修正模糊系統參數p0～p3和模糊隸屬度函數中心c和b。神經網絡訓練300次，訓練誤差如圖2所示，不斷趨于零。

圖2 網絡訓練誤差圖

由網絡訓練誤差圖得知T-S模糊神經網絡模型在訓練中不斷進化。利用測試數據對訓練好的網絡進行測試，T-S模糊神經網絡預測流程如圖3所示。

圖3 T-S模糊神經網絡預測流程圖

將車輛行駛工況分為一級(暢行)、二級(一般擁堵)和三級(非常擁堵)，依次取期望目標輸出為1，2，3。用測試樣本對T-S模糊神經網絡進行測試，在網絡輸出值的基礎上按照四舍五入原則確定車輛擁堵評級。

預測結果如圖4所示，預測結果與車輛所處工況全部相符，說明T-S模糊神經網絡有良好的預測能力，因此本文中建立的T-S模糊神經網絡模型在擁堵評價方面有著優異的性能，適用于擁堵工況辨識。

圖4 樣本預測結果圖

2.2.3 擁堵工況辨識

為了提高車輛擁堵工況辨識的準確性，通過辨識車輛5個連續行駛時長為20s的工況片段的行駛狀態，依據專家經驗，得到車輛行駛擁堵工況。若車輛類似極其擁堵工況片段數n1≥3，則車輛行駛工況為非常擁堵工況；若車輛類似暢行工況片段數n2≥4，則車輛行駛工況為暢行工況；其余為一般擁堵工況。

3 換擋分層修正控制策略

車輛在擁堵工況行駛時，車輛自動變速采用換擋分層修正控制策略，將車輛自動變速分為上層辨識決策層與下層換擋執行層，換擋分層修正流程如圖5所示。

上層決策層采集車輛行駛參數，基于T-S模糊神經網絡進行擁堵工況辨識，將擁堵工況分為暢行、一般擁堵和非常擁堵3個等級。當車輛處于暢行工況時，車輛自動變速按照基本換擋規律換擋，不進行換擋修正和干預；當車輛處于一般擁堵和非常擁堵工況時，根據擁堵等級制定相應的換擋修正策略，并發送換擋修正控制指令至下層執行層。下層換擋執行層接收上層換擋修正指令，完成換擋修正。

圖5 換擋分層修正流程圖

4 整車動力學模型

4.1 發動機模型

由于車輛運行的環境復雜，發動機不可能一直維持在穩態轉矩特性。大量研究表面，發動機的動態轉矩特性與穩態轉矩特性存在較大差異。因此，為了保證發動機模型準確性，利用修正系數修正發動機穩態特性，計算方法為

式中：Ted為發動機動態工況輸出轉矩；Te為發動機穩態工況輸出轉矩；λ為發動機非穩態工況下的輸出轉矩下降系數，λ的取值與發動機有關，取值范圍為0.07～0.09；ωe為發動機輸出曲軸的角速度。

發動機仿真模型如圖6所示。

圖6 發動機仿真模型

4.2 變速器模型

變速器的主要功能在整車動力系統中承擔著承上啟下的作用，接受并調節發動機產生的轉矩傳與轉速，然后遞給車輛驅動輪，從而使得車輛行駛。將變速器看做一個比例環節，即

式中：Tout為變速器輸出轉矩；ig為變速器傳動比；ηT為傳動系統效率。

變速器仿真模型如圖7所示。

4.3 車輛動力學模型

圖7 變速器仿真模型

由于車輛的行駛過程十分復雜，為了研究方便，對車輛的行駛過程做了以下假設和簡化[15]：(1)車輛在良好的道路上作直線運動；(2)理想化車輛為單一自由度，只能縱向行駛；(3)理想化車輛為軸對稱且受力均勻。

車輛直線行駛時的總阻力為

式中：Ff為滾動阻力；Fw為空氣阻力；Fi為坡度阻力；Fj為加速阻力。

空氣阻力可以表示為

式中：CD為空氣阻力系數；A為車輛迎風面積；va為車速。

滾動阻力和坡道阻力可以表示為

式中：β為坡度角；f0為車輛的滾動阻力系數。

加速度阻力可以表示為

式中：σ為質量換算系數；a為車輛行駛加速度。

車輛行駛動力方程為

驅動力Ft可以表示為

式中：a為節氣門開度；ne為發動機轉速；i0為主減速器傳動比；R為有效滾動半徑。

依據車輛行駛的平衡方程(式(22))，建立車輛縱向動力學模型，如圖8所示。

圖8 車輛動力學模型

4.4 整車動力學模型

在Matlab/Simulink平臺針對目標車型建立整車動力學模型，由發動機仿真模型、變速器仿真模型、車輛動力學仿真模型等共同組成。整車動力學模型如圖9所示，整車參數如表1所示。

圖9 整車動力學模型圖

表1 整車參數

5 仿真與結果分析

利用前文基于Simulink搭建整車模型，分別采用擁堵辨識的“換擋分層修正控制策略”與未采用換擋修正控制的“獨立換擋控制策略”進行仿真，仿真工況為在非常擁堵工況與一般擁堵工況。

(1)非常擁堵工況

車輛處于非常擁堵工況，采用獨立控制策略的擋位如圖10所示。

圖10 獨立控制擋位圖

由圖可見：車輛以1擋行駛，此時車輛節氣門開度小，車速低；當前方車輛加速時，駕駛員為了跟車，增大節氣門開度，當達到基本換擋規律的升擋點時，車輛擋位升為2擋；當前方車輛減速時，駕駛員為了行車安全，利用制動踏板減速，此時車速減小，當達到基本換擋規律的降擋點時，車輛擋位由2擋降為1擋，這種頻繁的升降擋一直持續到擁堵結束。

采用擁堵辨識換擋分層修正控制策略的擋位如圖11所示。

由圖可見：車輛以1擋行駛，此時車輛節氣門開度低，車速低；當前方車輛加速時，駕駛員為了跟車，增大節氣門開度，當達到基本換擋規律的升擋點時，車輛擋位應升至2擋，但是T-S模糊神經網絡識別的擁堵工況為非常擁堵，根據非常擁堵工況的換擋修正策略，需要限制車輛升為2擋，保持1擋行駛，避免頻繁換擋，降低了換擋部件的磨損，同時由于在1擋行駛，車速的控制可通過節氣門的深淺進行控制，因此減小了制動次數。

圖11 分層修正控制擋位圖

(2)一般擁堵工況

車輛處于一般擁堵工況時，采用獨立換擋控制策略的擋位如圖12所示。

圖12 獨立控制擋位圖

由圖可見：車輛1擋行駛，此時車輛節氣門開度低，車速低；當前方車輛加速時，駕駛員為了跟車，增大節氣門開度，當達到基本換擋規律1擋升擋點時，車輛擋位升為2擋；隨著車速的繼續增加，當達到基本換擋規律2擋升擋點時，車輛擋位升為3擋；當前方車輛減速時，駕駛員為了行車安全，利用制動踏板減速，此時車速減小，當達到基本換擋規律3擋降擋點時，車輛擋位由3擋降為2擋；隨著制動的持續，當達到基本換擋規律2擋降擋點時，擋位再降至1擋，這種頻繁的升降擋一直持續到擁堵結束。

采用擁堵辨識換擋分層修正控制策略的擋位如圖13所示。

圖13 分層修正控制擋位圖

由圖可見：車輛以1擋行駛，此時車輛節氣門開度小，車速低；當前方車輛加速時，駕駛員為了跟車，增大節氣門開度，當達到基本換擋規律1擋升擋點時，車輛擋位升至2擋；隨著車速的增加，當達到基本換擋規律2擋升擋點時，車輛擋位應升至3擋，但是T-S模糊神經網絡識別的擁堵工況為一般擁堵，根據一般擁堵工況的換擋修正策略，需要限制車輛升為3擋，保持2擋行駛；當前方車輛減速時，駕駛員為了行車安全，利用制動踏板減速，此時車速減小，當達到基本換擋規律2擋降擋點時，車輛擋位降至1擋；這樣大大減少了換擋次數，降低了換擋部件的磨損，提高了車輛平順性。

車輛處于擁堵工況，當采用獨立換擋控制策略時，車輛由于節氣門與速度的頻繁變化，產生頻繁升降擋現象，加劇了傳動系統換擋機構零件的磨損，同時車輛平順性變差；當采用換擋分層修正控制策略時，通過限制升擋，車輛始終維持在低擋位行駛，頻繁升降擋現象消失。

6 實車試驗

6.1 擁堵工況辨識與換擋修正系統搭建

搭建的擁堵工況辨識與自動變速換擋修正系統如圖14所示。

由圖可知，擁堵工況辨識與自動變速換擋修正系統由擁堵工況辨識樣本采集模塊、T-S模糊神經網絡辨識模塊、換擋修正模塊和電磁閥驅動模塊組成。

擁堵工況辨識樣本采集模塊如圖15所示。

擁堵工況辨識樣本采集模塊采用NI CRIO 9036采集節氣門開度(模擬信號)、制動踏板(數字信號)、車速(頻率信號)和擋位(數字信號)傳感器的輸出信號，并進行信號調理，獲得擁堵工況辨識樣本，并發送至T-S模糊神經網絡辨識模塊。

圖14 實車試驗原理圖

圖15 擁堵工況辨識樣本采集模塊

擁堵工況辨識樣本采集模塊軟件部分是基于LABVIEW設計的，軟件界面如圖16所示，程序框圖如圖17所示。

圖16 上位機信號采集軟件界面

圖17 上位機信號采集軟件程序框圖

T-S模糊神經網絡辨識模塊對接收的擁堵工況辨識樣本進行擁堵工況辨識，并將辨識結果發送至換擋修正模塊。

換擋修正模塊根據擁堵工況換擋修正策略，對基本換擋控制規律進行修正，并輸出修正擋位至電磁閥驅動模塊。

電磁閥驅動模塊根據修正擋位輸出驅動信號至換擋電磁閥，完成換擋修正。

6.2 試驗驗證

為驗證所設計的擁堵工況辨識與自動變速換擋修正系統的有效性，本文中使用試驗車輛進行實車道路試驗。試驗中，駕駛員按照“合肥南一環路-寧國南路-九華山路-馬鞍山路-南一環路”的試驗行車路線，選取工作日17：30-19：30進行試驗，并記錄相應的車速信號和擋位信號。由于整體試驗數據過大，選出具有代表性的非常擁堵工況和一般擁堵工況試驗數據進行分析。

(1)非常擁堵工況

當采用獨立換擋控制策略時，采集的試驗信號如圖18所示。

圖18 獨立控制時車速與擋位信息圖

由圖可見，當采用獨立換擋控制策略時，車輛低速行駛，駕駛員為了跟車與行車安全，頻繁踩踏節氣門踏板和制動踏板，導致擋位在1擋和2擋之間變化，頻繁升降擋現象一直存在，乘坐舒適性變差。

當采用換擋分層修正控制策略時，采集的試驗信號如圖19所示。

由圖可見，當采用換擋分層修正控制策略時，擁堵工況辨識樣本經過自動變速控制器處理，辨識出車輛處于非常擁堵工況，按照制定的換擋修正控制策略，通過限制升擋車輛以1擋行駛，車輛沒有出現頻繁升降擋現象，車輛的乘坐舒適性得到提升。

(2)一般擁堵工況

當采用獨立換擋控制策略時，采集的試驗信號如圖20所示。

圖19 分層修正控制時車速與擋位信息圖

圖20 獨立控制時車速與擋位信息圖

由圖可見：當采用獨立換擋控制策略時，車輛正常跟車行駛，前方車輛加速時，駕駛員為了跟車，加大節氣門開度，當達到基本換擋規律1擋升擋點時，車輛擋位升至2擋；繼續加速，當達到基本換擋規律2擋升擋點時，車輛擋位升至3擋；當前方車輛減速時，駕駛員為了行車安全，利用制動踏板減速，此時車速減小，當達到基本換擋規律3擋降擋點時，車輛擋位由3擋降至2擋；繼續制動，當達到基本換擋規律2擋降擋點時，車輛擋位再由2擋降至1擋，頻繁升降擋現象一直存在，乘坐舒適性變差。

當采用換擋分層修正控制策略時，采集的試驗信號如圖21所示。

由圖可見，當采用換擋分層修正控制策略時，擁堵工況辨識樣本經過自動變速控制器處理，辨識出車輛處于一般擁堵工況，按照制定的換擋修正控制策略，通過限制車輛2擋升為3擋，大大減少了換擋次數，降低了換擋部件的磨損。

圖21 分層修正控制時車速與擋位信息圖

由一般擁堵與非常擁堵工況試驗結果可知，基于T-S模糊神經網絡可準確辨識車輛擁堵工況，基于擁堵工況辨識的換擋分層修正控制策略能夠限制升擋，消除換擋循環，提高車輛平順性與乘坐舒適性。

7 結論

(1)基于T-S模糊神經網絡的擁堵工況辨識方法，選取車輛平均車速、平均節氣門開度和樣本時間內制動踏板作動次數為評價因子，建立T-S模糊神經網絡，可準確辨識車輛所處的擁堵工況級別，為換擋修正分層控制策略提供判斷依據。

(2)基于擁堵工況辨識的換擋修正分層控制策略，將車輛自動變速分為辨識決策層與換擋執行層，可有效避免頻繁換擋，降低換擋部件的磨損。

(3)仿真與實車試驗結果表明，當車輛處于擁堵工況時，擁堵工況辨識換擋修正分層控制策略可有效辨識擁堵工況并進行換擋修正，可有效消除頻繁升降擋，提高車輛平順性與乘坐舒適性。

參考文獻

[1]史俊武.基于人-車-路系統的自動變速車輛智能換擋策略研究[D].上海：上海交通大學，2011.

[2]李萍.基于城市工況的汽車模糊巡航控制研究與仿真[D].錦州：遼寧工業大學，2014.

[3]朱丹丹.基于模糊綜合評判的城際道路擁堵狀態識別方法研究[D].長沙：中南大學，2013.

[4]YANGY，CUIZ，WU J，et al.Fuzzy c-means clustering and opposition-based reinforcement learning for traffic congestion identification[J].Journal of Information and Computer Science，2012(9)：2441-2450.

[5]GUI YAN J，LONG HUI G，JIANG FENG W.Traffic congestion identification method of urban expressway[J].Journal of Traffic and Transportation Engineering，2006，3：18.

[6]HAOY，SUNL，XU T，et al.Analysis of traffic congestion on urban expressway and congestion threshold identification[J].Journal of Tongji University(Natural Science)，2008(5)：9.

[7]高藝.基于一次擁堵的城市交通擁堵綜合評價方法研究[D].北京：北京交通大學，2011.

[8]PERSAUD B N，HALL F L，HALL L M.Congestion identification aspects of the McMaster incident detection algorithm[J].Transportation Research Record，1990，1287.

[9]張炳力，王倫珍.雙離合自動變速器特殊工況下換擋規律的智能在線修正研究[J].汽車工程，2015，37(6)：686-690.

[10]JIANMING H，QIANG M，QI W，et al.Traffic congestion identification based on image processing[J].IET Intelligent Transport Systems，2012，6(2)：153-160.

[11]李戰明，王君，康愛紅.基于T-S模糊模型RBF網絡的自適應學習算法[J].蘭州理工大學學報，2004，30(2)：82-85.

[12]朱大奇，史慧.人工神經網絡原理及應用[M].北京：科學出版社，2006.

[13]李國勇.神經模糊控制理論及應用[M].北京：電子工業出版社，2009.

[14]張德豐.MATLAB模糊系統設計[M].北京：國防工業出版社，2009.

[15]劉拂曉，趙韓，江昊.純電動汽車AMT換擋規律及仿真研究[J]. 合肥工業大學學報，2013，36(11)：1281-1284.