重型商用車自動換擋策略研究★

丘云燕，施佳能，岑霽霖，張君珠

（1.東風柳州汽車有限公司，廣西 柳州 545005；2.廣西科技大學，廣西 柳州 545005）

引言

隨著我國經濟的快速發展，汽車工業規模不斷擴大，能源短缺和環境污染問題愈發嚴重。目前，中國已成為全球最大的能源消費國、能源生產國和二氧化碳排放國[1]。近年來，汽車保有量的增加進一步加劇了能源危機，作為我國主要的長途運輸車輛的重型商用車通常是在滿載情況下行駛[2]，因此提高重型商用車的燃油經濟性迫在眉睫。

目前，國內各大汽車廠家所生產的重型商用車采用的是AMT 自動換擋，電控機械式自動變速器（AMT）是在傳統機械齒輪式變速器的基礎上，加裝一套選換擋執行機構和離合器執行機構，實現自動換擋[3]，可以提高駕乘人員的舒適性，提高車輛動力性和燃油經濟性。AMT 自動換擋的換擋規律分別有單參數、兩參數和三參數[4]換擋規律等，目前使用最多的是基于車速和油門開度的兩參數換擋規律。智能型換擋策略主要分為兩類：一種是基于模糊控制的自動換擋策略，另一種是基于神經網絡控制的自動換擋策略。由于神經網絡具有自適應性，當數據中有噪聲、形變和非線性時，也可以正常工作，使用靈活，適合換擋規律的研究和開發。本文采用基于車速和油門開度兩參數的神經網絡控制的自動換擋策略。

本文首先在AVL CRUISE 平臺上搭建整車模型，收集重型商用車發動機轉速、扭矩、車速、加速度和實時擋位等數據，在MATLAB 里利用建立好的BP 神經網絡模型進行訓練，優化換擋策略數據，CRUISE 平臺進行仿真分析。經仿真分析結果表明，BP 神經網絡能夠對換擋策略進行優化，提高了重型商用車的燃油經濟性，實現降低燃油消耗的目的。

1 搭建整車模型

AVL CRUISE 軟件是車輛性能仿真的綜合平臺，是計算和優化燃油消耗、排放和整車性能的綜合工具，適用于設計仿真任何傳動系得車輛，可以基于直觀得模塊化組件的傳動系模型真實的再現實車性能，求解器比較完善，縮短仿真時間，提高優化效率。

本文通過AVL CRUISE 平臺搭建整車仿真模型，如圖1 所示。包括發動機、變速箱、離合器、主減速器和駕駛員等模塊，建立信號連接，并且與MATLAB/Simulink 聯合仿真。訓練好的BP 神經網絡模塊保存為.dll 模型，CRUISE 可以直接運行。

2 BP 神經網絡原理及訓練

2.1 BP 神經網絡的原理

人工神經網絡（Artificial Neural Networks，ANN）是由大量人工神經元經廣泛互連而組成的，它可用來模擬腦神經系統的結構和功能。人工神經網絡按著連接方式主要分為前饋型網絡和反饋型網絡。1986 年D.E.Rumelhart 和J.L.McClelland 提出了一種利用誤差反向傳播訓練算法的神經網絡，簡稱BP（Back Propagation）神經網絡，是目前廣泛使用的一種具有隱含層的多層前饋型神經網絡，可以順利解決多層網絡中隱含單元連接權的學習問題。BP 神經網絡具有足夠多的隱含層和隱含節點，可以逼近任何非線性映射關系，具有較好的泛化能力，比較適合整車參數與循環工況下實時擋位之間非線性關系即換擋規律的預測[5-6]。

本文采用的BP 神經網絡為3 層神經網絡結構，包括輸入層、隱含層和輸出層（基本結構如圖2 所示）。選取發動機轉矩、發動機轉速、節氣門開度、車速、加速度作為輸入參數，相應的擋位作為輸出參數。因此本文輸入層有5 個節點，輸出層有1 個節點，隱含層節點的個數根據經驗公式進行確定，經驗公式如下：

式中：M 為隱含層節點的個數；m 為輸入層節點的個數；n 為輸出層節點的個數；a 為0～10 之間的常數。

本文采用編程法選取隱含層個數，即最佳隱含層數為10 個。

2.2 BP 神經網絡訓練

本文數據來源于上述仿真車輛試驗采集所得。首先將數據進行歸一化處理。歸一化是一種簡化計算的方式，它是把已有的量綱轉化為無量綱的標量形式，從而減少輸入參數之間巨大的的差別引起的網絡誤差，經過歸一化處理的數據轉化為［0，1］之間的數據。其轉化形式為：

式中：y 為變換后輸出數據；x 為原始輸入數據；xmax為原始輸入最大數據；xmin為原始輸入最小數據。

將處理好的數據作為訓練樣本，為適應本文的研究對象，重型商用車的換擋策略的問題，本文選用有動量項的梯度下降法traingdm 訓練方法。隱含層的激活函數選擇tansig 函數，輸出層的激活函數選擇purelin 函數，學習速率設為0.01，最小誤差設置為0.000 01。同時設置隱含層節點個數為10，將訓練樣本的80%作為訓練組，15%作為驗證組，剩余的5%作為試驗組。最優平均方差出現在第7 次迭代，精度為0.000 008 891，如圖3 所示，低于前文設定的誤差，符合精度要求。神經網絡訓練狀態如圖4 所示，訓練流程圖如圖5 所示。

3 仿真結果分析

本文采用CLTC 循環工況作為驗證工況。其工況相對于NEDC 而言，增加了范圍更廣的路況信息：其城市工況、郊區工況和高速工況，循環時間與WLTP一致，為1 800 s，在駕駛模式下，其加、減速比例明顯上升，高達35%以上，這與交通GIS 收集的大數據比較匹配，同時也符合重型商用車的實際駕駛工況[7]。其工況曲線如圖6 所示。

經仿真分析，BP 神經網絡優化的換擋曲線可以使發動機的的轉速和扭矩運行在燃油消耗量較低的區域，如圖7 所示，相比優化之前整車燃油經濟性提高8.3%，如圖8 所示。

4 結論

本文基于某商用車模型，通過現有的整車試驗數據作為訓練樣本，采用BP 神經網絡對其數據進行訓練，得到實時擋位。通過AVL CRUISE 與MATLAB/Sinmulink 聯合仿真，分析在CLTC 循環行駛工況下的整車燃油經濟性。經仿真分析可知，經過BP神經網絡訓練過的換擋規律與傳統的換擋規律相比，發動機工作區間更集中，降低了燃油消耗，提高了整車的燃油經濟性，符合節能減排的大趨勢，對整車性能的修訂以及換擋策略的制定上具有一定的參考性。