基于神经网络和虚拟仪器的电控自动变速器换档的研究

来源:网络  作者:网络转载   2019-10-06 阅读:796

  自动变速器换档规律是指两排挡间自动换档时刻随控制参数变化的规律,是描述当前汽车状态的参数(如油门开度、车速等)与最佳档位之间关系的非线性函数通常获得换档规律有两种方法:一是通过学习优秀驾驶员的驾驶经验,提取最佳换档规律。二是根据汽车变速理论,以一定的目标函数和约束条件进行优化,得到车辆运行状态与最佳档位的关系M.但无论采用哪一种方法,所获得的换档规律都是一些对应的离散数据,若用数学解析式表示其内在规律,不容易做到,必须进行比较复杂的数据分析处理,但对于神经网络来说,汽车最佳档位的确定只是一个简单的非线性映射问题而已。再者,由于汽车使用过程中性能将发生变化,预先存放在ECU的换档规律已不能使车辆获得最佳换档时机,而且它对车辆参数改变的适应能力差,不能及时在线修正,因此,利用神经网络方法来解决最佳档位的计算问题就变得很有意义。利用虚拟仪器技术在实时采集数据的同时,能方便调用神经网络工具对数据进行分析处理,直接在计算机上得出结果,无须再作事后记录和计算实时性和操作性很好。

  1基于BP网络的自动变速器换档过程建模1.1网络结构与样本数据目前汽车广泛使用两参数换档规律,即采用油门开度和车速两参数进行联合控制,以油门开度和车速作为神经网络的输入信号,某一档位作为输出信号,建立神经网络模型,能很好地反映它们的关系。输入层为2个节点,为节气门开度信号a和车速信号v.输出层为1个节点,为变速器相应的档位1(整数量),因为网络的输出为实数,利用简单的阶梯函数可以将其转换成整数。其换档规律的人工神经网络的构成如所示〔3.定好输入参数后,就要在不同的油门开度和车速下,制定相应的输入样本向量和输出目标向量的训练样本集理论上,网络的训练样本应该尽可能多一些为好。训练用的数据样本如表1所示,表中列举了部分训练样本数据,用这些样本数据作为BP神经网络的输入向量,网络隐层和输出层神经兀的激励函数取logsig和purelin,网络训练函数取trainlm系统总误差为0.⑴1.训练序号油门车速目标档位I期望输出实际输出注:表中给定的是采集到的原始数据,油门为电压信号,单位V,转速表2测试样本数据序号油门车速目标档位I期望输出实际输出注:车速单位为km/h好的网络还需要进行检验,部分检验数据见表2. 12结果与分析从表1和表2的实际输出结果表明,训练好的网络能够很好地抽取换档的规律,构成学习结束后的自动变速器换档的神经网络模型。根据不同的油门开度和车速的输入数据,系统模型的输出数据中总有一个接近于1的数值,代表了此时的输出档位,正好与目标档位相符合,这样就获得了相应的最佳档位。

  2基于虚拟仪器技术的自动控制的实现段也是非常重要的。一般情况下,从收集训练样本到仿真结果,都是分几个过程来完成的,而且样本收集以后,还得输入电脑进行分析,效率性和实时性不高。基于这种情况,笔者采用一种基于虚拟仪器技术的更有效快捷,更智能化的测试程序。方案流程图见。

  方案流程图Matlab具有强大的信号分析和数据处理能力,笔者也是借助其神经网络工具箱功能进行数据计算处理,但是Matlab不能与一般仪器接口实现与信号采集设备的数据通信,且较难设计出良好的人机交互界面。而Labview作为虚拟仪器最常用的图形开发软件,不但方便地从数据采集设备获取信号数据,而且程序开发过程简捷,效率高。笔者将两者结合起来,实时地采集油门信号和车速信号,送给建立好的神经网络模型输入处,通过Labview调用的Mat-lab软件进行后台处理,界面立即显示出结果,而且利用Labview,能方便地实现数据的显示、储存和打印等。仪器操作界面设计如,电磁阀指示灯亮和灭是通过数据采集卡采集信号所得,可以由此判断汽车所处档位。系统将采集到的油门开度信号和车速信号输入神经网络计算后,输出的数据经判断得出计算档位,也就是神经网络的输出档位。同时,系统还附带了数据记录模块,能把任意时间的采集数据和计算数据记录下来。用设计好的简单虚拟仪器系统进行实验表明,其在数据采集和记录方面非常方便,结合神经网络完成数据计算和处理,所得的结果与实际相符。

  3结论运用Labview虚拟技术和BP神经网络对自动变速器换档规律测试的结果表明,自动变速器换档规律在信号处理分析和结果显示等方面较其他方法更为简捷,开发周期短,同时可采集变速器的多个传感器信号,了解其运行状况,把在线检测与数据分析处理有机地结合起来,使测试更加快捷有效。总之,利用神经网络和虚拟仪器相结合的方法设计的测试系1事实上对对于上述鹇个研究过程验和?如|,在汽车的自动变黑器I记录I仪器操作界面

标签: 神经网络
打赏

免责声明:
本站部份内容系网友自发上传与转载,不代表本网赞同其观点;
如涉及内容、版权等问题,请在30日内联系,我们将在第一时间删除内容!

购物指南

支付方式

商家合作

关于我们

微信扫一扫

(c)2008-2018 DESTOON B2B SYSTEM All Rights Reserved
免责声明:以上信息由相关企业或个人自行免费发布,其真实性、准确性及合法性未证实。请谨慎采用,风险自负。本网对此不承担任何法律责任。

在线咨询

在线咨询:

QQ交流群

微信公众号