丘云燕，施佳能，岑霽霖，張君珠

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

引言

隨著我國經(jīng)濟(jì)的快速發(fā)展，汽車工業(yè)規(guī)模不斷擴(kuò)大，能源短缺和環(huán)境污染問題愈發(fā)嚴(yán)重。目前，中國已成為全球最大的能源消費(fèi)國、能源生產(chǎn)國和二氧化碳排放國[1]。近年來，汽車保有量的增加進(jìn)一步加劇了能源危機(jī)，作為我國主要的長途運(yùn)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(jīng)濟(jì)性迫在眉睫。

目前，國內(nèi)各大汽車廠家所生產(chǎn)的重型商用車采用的是AMT 自動(dòng)換擋，電控機(jī)械式自動(dòng)變速器（AMT）是在傳統(tǒng)機(jī)械齒輪式變速器的基礎(chǔ)上，加裝一套選換擋執(zhí)行機(jī)構(gòu)和離合器執(zhí)行機(jī)構(gòu)，實(shí)現(xiàn)自動(dòng)換擋[3]，可以提高駕乘人員的舒適性，提高車輛動(dòng)力性和燃油經(jīng)濟(jì)性。AMT 自動(dòng)換擋的換擋規(guī)律分別有單參數(shù)、兩參數(shù)和三參數(shù)[4]換擋規(guī)律等，目前使用最多的是基于車速和油門開度的兩參數(shù)換擋規(guī)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(dòng)換擋策略，另一種是基于神經(jīng)網(wǎng)絡(luò)控制的自動(dòng)換擋策略。由于神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)性，當(dāng)數(shù)據(jù)中有噪聲、形變和非線性時(shí)，也可以正常工作，使用靈活，適合換擋規(guī)律的研究和開發(fā)。本文采用基于車速和油門開度兩參數(shù)的神經(jīng)網(wǎng)絡(luò)控制的自動(dòng)換擋策略。

本文首先在AVL CRUISE 平臺(tái)上搭建整車模型，收集重型商用車發(fā)動(dòng)機(jī)轉(zhuǎn)速、扭矩、車速、加速度和實(shí)時(shí)擋位等數(shù)據(jù)，在MATLAB 里利用建立好的BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，優(yōu)化換擋策略數(shù)據(jù)，CRUISE 平臺(tái)進(jìn)行仿真分析。經(jīng)仿真分析結(jié)果表明，BP 神經(jīng)網(wǎng)絡(luò)能夠?qū)Q擋策略進(jìn)行優(yōu)化，提高了重型商用車的燃油經(jīng)濟(jì)性，實(shí)現(xiàn)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(tái)，是計(jì)算和優(yōu)化燃油消耗、排放和整車性能的綜合工具，適用于設(shè)計(jì)仿真任何傳動(dòng)系得車輛，可以基于直觀得模塊化組件的傳動(dòng)系模型真實(shí)的再現(xiàn)實(shí)車性能，求解器比較完善，縮短仿真時(shí)間，提高優(yōu)化效率。

本文通過AVL CRUISE 平臺(tái)搭建整車仿真模型，如圖1 所示。包括發(fā)動(dòng)機(jī)、變速箱、離合器、主減速器和駕駛員等模塊，建立信號(hào)連接，并且與MATLAB/Simulink 聯(lián)合仿真。訓(xùn)練好的BP 神經(jīng)網(wǎng)絡(luò)模塊保存為.dll 模型，CRUISE 可以直接運(yùn)行。

2 BP 神經(jīng)網(wǎng)絡(luò)原理及訓(xùn)練

2.1 BP 神經(jīng)網(wǎng)絡(luò)的原理

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）是由大量人工神經(jīng)元經(jīng)廣泛互連而組成的，它可用來模擬腦神經(jīng)系統(tǒng)的結(jié)構(gòu)和功能。人工神經(jīng)網(wǎng)絡(luò)按著連接方式主要分為前饋型網(wǎng)絡(luò)和反饋型網(wǎng)絡(luò)。1986 年D.E.Rumelhart 和J.L.McClelland 提出了一種利用誤差反向傳播訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)，簡稱BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)，是目前廣泛使用的一種具有隱含層的多層前饋型神經(jīng)網(wǎng)絡(luò)，可以順利解決多層網(wǎng)絡(luò)中隱含單元連接權(quán)的學(xué)習(xí)問題。BP 神經(jīng)網(wǎng)絡(luò)具有足夠多的隱含層和隱含節(jié)點(diǎn)，可以逼近任何非線性映射關(guān)系，具有較好的泛化能力，比較適合整車參數(shù)與循環(huán)工況下實(shí)時(shí)擋位之間非線性關(guān)系即換擋規(guī)律的預(yù)測[5-6]。

本文采用的BP 神經(jīng)網(wǎng)絡(luò)為3 層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，包括輸入層、隱含層和輸出層（基本結(jié)構(gòu)如圖2 所示）。選取發(fā)動(dòng)機(jī)轉(zhuǎn)矩、發(fā)動(dòng)機(jī)轉(zhuǎn)速、節(jié)氣門開度、車速、加速度作為輸入?yún)?shù)，相應(yīng)的擋位作為輸出參數(shù)。因此本文輸入層有5 個(gè)節(jié)點(diǎn)，輸出層有1 個(gè)節(jié)點(diǎn)，隱含層節(jié)點(diǎn)的個(gè)數(shù)根據(jù)經(jīng)驗(yàn)公式進(jìn)行確定，經(jīng)驗(yàn)公式如下：

式中：M 為隱含層節(jié)點(diǎn)的個(gè)數(shù)；m 為輸入層節(jié)點(diǎn)的個(gè)數(shù)；n 為輸出層節(jié)點(diǎn)的個(gè)數(shù)；a 為0～10 之間的常數(shù)。

本文采用編程法選取隱含層個(gè)數(shù)，即最佳隱含層數(shù)為10 個(gè)。

2.2 BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練

本文數(shù)據(jù)來源于上述仿真車輛試驗(yàn)采集所得。首先將數(shù)據(jù)進(jìn)行歸一化處理。歸一化是一種簡化計(jì)算的方式，它是把已有的量綱轉(zhuǎn)化為無量綱的標(biāo)量形式，從而減少輸入?yún)?shù)之間巨大的的差別引起的網(wǎng)絡(luò)誤差，經(jīng)過歸一化處理的數(shù)據(jù)轉(zhuǎn)化為［0，1］之間的數(shù)據(jù)。其轉(zhuǎn)化形式為：

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

將處理好的數(shù)據(jù)作為訓(xùn)練樣本，為適應(yīng)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(dòng)量項(xiàng)的梯度下降法traingdm 訓(xùn)練方法。隱含層的激活函數(shù)選擇tansig 函數(shù)，輸出層的激活函數(shù)選擇purelin 函數(shù)，學(xué)習(xí)速率設(shè)為0.01，最小誤差設(shè)置為0.000 01。同時(shí)設(shè)置隱含層節(jié)點(diǎn)個(gè)數(shù)為10，將訓(xùn)練樣本的80%作為訓(xùn)練組，15%作為驗(yàn)證組，剩余的5%作為試驗(yàn)組。最優(yōu)平均方差出現(xiàn)在第7 次迭代，精度為0.000 008 891，如圖3 所示，低于前文設(shè)定的誤差，符合精度要求。神經(jīng)網(wǎng)絡(luò)訓(xùn)練狀態(tài)如圖4 所示，訓(xùn)練流程圖如圖5 所示。

3 仿真結(jié)果分析

本文采用CLTC 循環(huán)工況作為驗(yàn)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(qū)工況和高速工況，循環(huán)時(shí)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(dá)35%以上，這與交通GIS 收集的大數(shù)據(jù)比較匹配，同時(shí)也符合重型商用車的實(shí)際駕駛工況[7]。其工況曲線如圖6 所示。

經(jīng)仿真分析，BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化的換擋曲線可以使發(fā)動(dòng)機(jī)的的轉(zhuǎn)速和扭矩運(yùn)行在燃油消耗量較低的區(qū)域，如圖7 所示，相比優(yōu)化之前整車燃油經(jīng)濟(jì)性提高8.3%，如圖8 所示。

4 結(jié)論

本文基于某商用車模型，通過現(xiàn)有的整車試驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本，采用BP 神經(jīng)網(wǎng)絡(luò)對其數(shù)據(jù)進(jìn)行訓(xùn)練，得到實(shí)時(shí)擋位。通過AVL CRUISE 與MATLAB/Sinmulink 聯(lián)合仿真，分析在CLTC 循環(huán)行駛工況下的整車燃油經(jīng)濟(jì)性。經(jīng)仿真分析可知，經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過的換擋規(guī)律與傳統(tǒng)的換擋規(guī)律相比，發(fā)動(dòng)機(jī)工作區(qū)間更集中，降低了燃油消耗，提高了整車的燃油經(jīng)濟(jì)性，符合節(jié)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。