劉金剛,劉　凱,熊　樂,李文昌

(1. 湘潭大學　機械工程學院，湖南　湘潭　411105；

2.中國兵器工業(yè)集團江麓機電集團有限公司，湖南　湘潭　411105)

?

CVT起步離合器智能預測控制技術研究

劉金剛1,劉凱1,熊樂1,李文昌2

(1. 湘潭大學機械工程學院，湖南湘潭411105；

2.中國兵器工業(yè)集團江麓機電集團有限公司，湖南湘潭411105)

摘要：當溫度、占空比變化率等工作環(huán)境發(fā)生變化時，傳統(tǒng)的機理模型往往失配，引起了無級變速器起步離合器控制品質的下降。針對上述問題，基于臺架試驗數(shù)據(jù)，分別建立了基于支持向量機和徑向基函數(shù)神經(jīng)網(wǎng)絡的離合器控制系統(tǒng)預測模型，并與傳統(tǒng)的機理模型進行了對比分析。利用離合器支持向量機模型替代其傳統(tǒng)的機理模型，建立了無級變速器智能預測控制系統(tǒng)。將沖擊度作為評估起步控制品質的標準，完成了整車起步性能仿真及實車試驗。結果表明: 與傳統(tǒng)控制技術相比，基于支持向量機預測控制技術的整車起步?jīng)_擊度有所降低，支持向量機智能預測控制技術具有一定的優(yōu)勢。

關鍵詞：汽車工程；起步離合器；支持向量機；智能預測；無級變速器

0引言

受復雜多變的工況以及離合器控制系統(tǒng)本身等多方面的影響，CVT起步離合器具有明顯的時變性和非線性。當油溫、占空比變化率等因素發(fā)生變化時，傳統(tǒng)的機理模型不能準確反映執(zhí)行機構的真實性能，使得離合器起步控制品質下降。因此，離合器的控制技術是CVT的關鍵控制技術之一。

在起步離合器控制中，高速開關閥作為先導閥，接收經(jīng)過處理后的車速、壓力、發(fā)動機轉速等信號產(chǎn)生的脈寬調制(PWM)信號，使離合器控制閥實現(xiàn)對離合器液壓缸的控制，從而實現(xiàn)對離合器接合壓力的控制。由于閥的充油和泄油過程需要一定的時間，因此執(zhí)行機構呈現(xiàn)時滯性；由于液壓系統(tǒng)存在泄漏，因此高速開關閥存在滯環(huán)、死區(qū)、飽和區(qū)、阻尼、溫度影響等非線性因素，使得整個液壓執(zhí)行機構呈現(xiàn)嚴重的時變性和非線性[1-3]。

針對離合器的控制，國內外學者做了大量的研究。M. Montanari等[4]認為合適的模型對于系統(tǒng)仿真研究至關重要，基于簡化的液壓離合器模型建立了閉環(huán)控制系統(tǒng)，對離合器液壓伺服機構進行了控制和評價。G. Huron等[5]進行了離合器數(shù)值模擬試驗，認為車輛起步過程中的振動沖擊主要來自摩擦片的滑摩、離合器接合壓力的變化等。羅永革等[6]在濕式離合器數(shù)學模型的基礎上計算了各種工況下離合器的接合壓力。劉振軍等[7-8]對離合器的起步和換擋性質進行了分析，設計了模糊控制器并分析了影響換擋品質的因素。

本文利用試驗分析方法進行離合器電液控制系統(tǒng)建模，對傳統(tǒng)機理模型、支持向量機模型和徑向基 (RBF)神經(jīng)網(wǎng)絡模型進行比較分析?；谂_架試驗數(shù)據(jù)，建立支持向量機預測模型,并利用該模型代替?zhèn)鹘y(tǒng)的機理模型，建立無級變速器起步離合器智能預測控制系統(tǒng)，并在不同起步意圖下進行仿真和實車試驗。

1建模數(shù)據(jù)采集

1.1試驗方法

在如圖1所示的無級變速器液壓控制試驗臺上進行試驗，試驗原理如圖2所示。該測試系統(tǒng)采用上、下位機結構，上位機主要完成數(shù)據(jù)處理和顯示，下位機主要完成各類信號的采集及電液執(zhí)行機構的驅動。試驗過程中，由電子控制單元(ECU)發(fā)出不同占空比的脈寬調制信號至高速開關閥，在離合器輸入口安裝相應傳感器，ECU將實時占空比和壓力等信號通過CAN總線傳輸至上位機。

圖1　液壓控制模塊試驗臺Fig.1　Hydraulic control module test-bed

圖2　液壓控制模塊測試原理Fig.2　Principle of hydraulic control module test

1.2試驗方案

由于油溫和占空比變化率是影響離合器控制系統(tǒng)非線性的重要因素，因此分別在不同油溫和占空比變化率時進行試驗。占空比變化率的變化通過改變單次試驗時間來獲得，試驗時間越短，則占空比變化率越大。占空比變化率表述為占空比由0增加至100%所需的時間，如100/30表示占空比由0增加至100%所需時間為30 s。

分別在不同溫度下采集離合器接合壓力值，建立如表1所示的試驗方案。

表1　試驗方案

為了比較溫度和占空比變化率對離合器電液控制系統(tǒng)的影響，建立如表2所示的模型訓練與測試方案。

2基于支持向量機(SVM)預測控制模型的建立

2.1SVM的工作原理

SVM是由Vapnik提出的一種建立在統(tǒng)計學習理論基礎上的新型機器學習算法，能夠在很廣的各種函數(shù)集中構造函數(shù)，針對有限樣本的情況，得出現(xiàn)有信息下的最優(yōu)解，具有泛化和學習能力強、能較好處理小樣本和非線性問題等優(yōu)點，目前已在目標識別、非線性建模與預測、故障診斷等領域得到了成功的應用[9]。根據(jù)統(tǒng)計學原理，在非線性系統(tǒng)的黑箱建模過程中，給定訓練樣本集{xi,yi}，i=1,…,n，xi為輸入矢量，yi為xi對應的輸出，SVM通過映射將數(shù)據(jù)從低維空間轉換到高維空間進行線性回歸。根據(jù)結構風險最小化原則，優(yōu)化目標函數(shù)為:

表2　模型訓練與測試方案

(1)

最終得到回歸方程為：

(2)

(3)

式中g為核參數(shù)。

2.2基于SVM離合器預測控制模型的建立

采用表2所示的模型訓練與測試數(shù)據(jù)，建立基于SVM的離合器控制系統(tǒng)模型所需的訓練樣本。對于(k+1)時刻的離合器接合壓力預測輸出值為y(k+1)，其對應的輸入量由以下部分組成：(1) (k+1)時刻前的離合器的接合壓力輸出值為y(k)，y(k-1)，y(k-2)； (2) 脈寬調制信號的占空比輸入值為τ(k+1)，τ(k)，τ(k-1)，τ(k-2)； (3) (k+1)時刻前的占空比變化率為[τ(k+1)-τ(k)]/t，[τ(k)-τ(k-1)]/t，[τ(k-1)-τ(k-2)]/t； (4)液壓油溫度為T。離合器SVM數(shù)學模型建模流程如圖3所示。

圖3　離合器SVM數(shù)學模型建模流程圖Fig.3　Flowchart of clutch SVM mathematical modeling

由于懲罰因子和RBF核參數(shù)對SVM的泛化能力有著很大程度的影響，因此需合理選取相應參數(shù)，以確保測試樣本理想的預測準確率。目前，常用的選取SVM參數(shù)的方法是交叉驗證法和粒子群優(yōu)化算法(PSO)。由于交叉驗證法缺乏堅實的理論基礎，且粒子群優(yōu)化算法具有易實現(xiàn)、效率高等優(yōu)點，因此本文選取PSO粒子群優(yōu)化算法對SVM參數(shù)對(C,g)進行尋優(yōu)，將所得均方根誤差作為粒子群的目標函數(shù)值。粒子按照如下所示的PSO算法核心迭代公式計算得到最優(yōu)解：

(4)

式中，i為粒子群進化代數(shù)；vik為粒子速度；xik為粒子位置；Pik為個體極值位置；Pgk為全局極值位置；ω為慣性因子；c1，c2為學習因子；r1，r2為分布在[0,1]間的隨機數(shù)。

具體算法流程如圖4所示。

圖4　PSO尋優(yōu)算法流程圖Fig.4　Procedure of PSO search algorithm

表2中前4組的訓練集相同，粒子群算法尋優(yōu)得出SVM最優(yōu)參數(shù)對(C,g)的值為(3.7,0.01)，訓練最終得到的離合器模型的支持向量有259個，故其決策函數(shù)為:

exp(-0.01‖xi-x‖2)+0.581 7，

(5)

式中 (ai-ai*)為支持向量的系數(shù)。

訓練得到表2中第5～7組的最優(yōu)參數(shù)對(C,g)和離合器模型支持向量的個數(shù)分別為：(12.5,0.01)，152個；(100,0.01)，115個；(1,0.062 5)，116個。

3預測模型的性能評價

3.1基于徑向基(RBF)神經(jīng)網(wǎng)絡離合器預測控制模型的建立

RBF神經(jīng)網(wǎng)絡模型是一種3層前饋式神經(jīng)網(wǎng)絡，具有逼近能力強和學習速度快等優(yōu)點，廣泛應用于非線性問題的求解[10]。輸入層由信號源節(jié)點組成，隱含層是對激活函數(shù)(格林函數(shù)或高斯函數(shù)，一般取高斯函數(shù))的參數(shù)進行調整，輸出層單元對輸入模式的作用做出響應。從輸入層空間到隱含層空間是以非線性變換的，而從隱含層空間到輸出層空間是線性變換的[11]，具體結構圖如圖5所示。

wlm—權值；φi—隱含層節(jié)點激活函數(shù)；其他變量含義同式(6)。圖5　RBF神經(jīng)網(wǎng)絡結構Fig.5　Structure of RBF neural network

在RBF神經(jīng)網(wǎng)絡中，選用形式簡單、徑向對稱、解析性較好的高斯函數(shù)作為隱含層的基函數(shù)：

(6)

式中，xk=(x1,x2,…,xn)T為輸入矢量；yk=(y1,y2,…,ym)T為輸出矢量；ci=(c1,c2,…,cl)為徑向基函數(shù)中心；wij為輸出權值；σ為RBF基寬參數(shù)；j=1,2,…,n。

同樣采用如表2所示的訓練及預測數(shù)據(jù)，完成基于RBF神經(jīng)網(wǎng)絡的離合器數(shù)學模型的訓練。表2中前4組訓練模型相同，選取目標均方誤差為0.000 1，擴展速度為1，輸入層、隱含層和輸出層神經(jīng)元數(shù)分為11，1，30個。同理，表2中第5～7組數(shù)據(jù)的目標均方誤差取為0.000 1，擴展速度分別為3，3，2；隱含層神經(jīng)元個數(shù)分別為22，16，17個。

3.2離合器傳統(tǒng)機理模型的建立

離合器的工作過程簡化如圖6所示。

圖6　離合器接合示意圖Fig.6　Schematic diagram of clutch engagement

離合器接合動力學方程為：

(7)

(8)

式中,Ted為發(fā)動機輸出轉矩；Tl為起步阻力矩；Tcl為離合器接合轉矩；Fncl為離合器接合正壓力；Be和Bp分別為發(fā)動機和從動件的阻尼系數(shù)；we和wp分別為主、從動盤轉速；Je和Jp分別為主、從動盤轉動慣量。

機理建模方法是通過學習被控對象的性質，分析找出其內部機理規(guī)律，忽略非線性因素，建立具有明確實際物理意義的線性模型。采用機理建模方法，忽略電磁開關閥中存在飽和區(qū)、死區(qū)及滯環(huán)等非線性因素，建立如圖7所示的CVT起步離合器傳統(tǒng)機理模型：

圖7　離合器傳統(tǒng)機理模型Fig.7　Traditional mechanism model of clutch

圖7中閥控液壓缸的動力學平衡方程為：

(9)

式中Mclp為油缸負載質量；Xclo為油缸回位彈簧初始長度；Xclp為油缸回位彈簧總長度；Pcl為油缸液壓；Aclp為油缸活塞面積；Fncl為摩擦片接合正壓力；δcl為摩擦片總間隙；Bclp為油缸負載阻尼系數(shù)；Pred為經(jīng)過減壓閥的次級壓力；Kclp為油缸回位彈簧剛度系數(shù)，N/m；λ為接合壓力系數(shù)。

得到離合器機理模型控制系統(tǒng)方框圖，如圖8所示。

圖8　離合器機理模型傳遞函數(shù)方框圖Fig.8　Block diagram of transfer function of clutch mechanism model

由圖8得到系統(tǒng)傳遞函數(shù)為：

(10)

式中，τclv為電磁開關閥占空比；Kt為高速開關閥零位體積流量增益；Kc為高速開關閥的體積流量-壓力系數(shù)；Ccld為油缸壓力泄露系數(shù)；βe為自動變速器用油的彈性模量；Vt為油缸體積流量增益；Mclp為油缸負載質量。

3.3離合器預測控制模型性能評價

為比較模型對系統(tǒng)的真實性質反映情況，測試模型的預測精度，引用均方根誤差(RMSE)來評價預測效果：

(11)

式中,yi為預測壓力值；f(xi)為實際壓力值；n為測試樣本數(shù)。

選用不同占空比變化率和油液溫度的測試數(shù)據(jù)，分別對機理線性模型、SVM模型和RBF神經(jīng)網(wǎng)絡模型的均方根誤差進行比較，得出結果如表3所示。

表3　三種建模方法預測結果比較

第1～4組的訓練集相同，對比分析不同的占空比變化率和油溫下離合器的接合壓力。圖9為第1組的測試結果，測試集與訓練集完全相同，離合器機理模型的接合壓力與真實值相差較大，但SVM模型和RBF神經(jīng)網(wǎng)絡模型的接合壓力均能較好地跟隨真實值。

圖9　第1組測試結果Fig.9　Test result of 1st group

圖10　第2組測試結果Fig.10　Test result of 2nd group

第2組測試集的油溫與訓練集相同，為65 ℃，但占空比變化率不同于訓練集，為100/10，測試結果如圖10所示，SVM模型和神經(jīng)網(wǎng)絡模型的接合壓力也能較好地跟隨真實值，但3種模型的均方根誤差較第1組有一定程度的增大。

第3組測試集的占空比變化率與訓練集相同，為100/30，但油溫與訓練集不同，為39 ℃。測試結果如圖11所示，SVM模型和RBF神經(jīng)網(wǎng)絡模型仍保持與真實值的跟隨性，但3種模型的均方根誤差持續(xù)增大。

圖11　第3組測試結果Fig.11　Test result of 3rd group

圖12　第4組測試結果Fig.12　Test result of 4th group

第4組測試集的油溫和占空比變化率均不同于訓練集，其中油溫為39 ℃，占空比變化率為100/60，測試結果如圖12所示。當測試集占空比變化率和油溫均不同于訓練集時，SVM模型和RBF神經(jīng)網(wǎng)絡模型的誤差均明顯增大。

前4組結果中，當占空比變化率或油溫變化時，模型的均方根誤差均會隨之變化，因此可知占空比變化率和油溫是影響離合器控制系統(tǒng)非線性的重要因素。第5～7組為隨機選取的訓練集與測試集，表3中的測試結果顯示SVM模型誤差均小于RBF神經(jīng)網(wǎng)絡模型誤差和機理線性模型誤差，說明SVM模型有較強的泛化能力，且SVM模型能更好地反映液壓執(zhí)行機構的真實性質，對溫度、占空比變化率有一定的補償效果。

4基于預測模型的整車起步仿真

4.1整車起步仿真模型的建立

整車起步仿真模型主要包括發(fā)動機動力學模型、離合器動力學模型、起步阻力矩模型、離合器液壓模型和離合器主、從動片目標接合壓力模型等。本文以離合器SVM預測模型代替其傳統(tǒng)的機理模型，以某國產(chǎn)轎車為研究對象進行整車建模仿真，建立如圖13所示的整車起步仿真模型。

該車型主要技術參數(shù)如表4所示。

4.2不同起步意圖時的仿真結果分析

起步性能的好壞以起步平順性和離合器工作壽命來衡量，本文以車輛起步的沖擊度作為衡量汽車起步性能好壞的標準[12]。根據(jù)建立的整車仿真模型，分別改變油門開度a和油門開度變化率da/dt得到不同的起步意圖，以測試基于傳統(tǒng)機理模型和SVM模型的整車仿真效果。分別在小油門(a=10%,da/dt=30%)、大油門(a=75%,da/dt=45%)起步時進行仿真，得到如圖14～圖15所示的沖擊度仿真結果。

由仿真結果可以看出，無論是小油門起步還是大油門起步，SVM模型控制的沖擊度均小于其傳統(tǒng)機理模型控制的沖擊度。因此，基于SVM離合器智能預測模型的控制效果要優(yōu)于傳統(tǒng)的機理模型。

4.3不同起步意圖時的整車試驗分析

對于CVT液壓系統(tǒng)的復雜性及執(zhí)行機構的時變性和非線性，僅靠理論分析和建模仿真難以說明控制策略的效果。為驗證本文所提出的基于預測模型的控制效果，在國產(chǎn)野馬F10越野車上進行起步?jīng)_擊度試驗，分別在平地小油門(油門開度a=35%)和大油門(油門開度a=75%)起步時進行試驗，結果分別如圖16～圖17所示。

圖13　整車仿真模型Fig.13　Simulation model of vehicle

汽車滿載質量/kg離合器從動盤至車輪部分的轉動慣量/(kg·m2)車輪半徑/m主減速箱傳動比變速箱傳動比傳動系統(tǒng)機械效率離合器內、外半徑/m離合器摩擦片數(shù)目離合器摩擦片摩擦系數(shù)15001.120.313.85～4.350.445～2.60.920.1/0.1540.22

圖14　小油門平地起步的沖擊度(a=10%,da/dt=30%)Fig.14　Impact degree of small throttle starting (a=10%,da/dt=30%)

圖15　大油門平地起步的沖擊度(a=75%,da/dt=45%)Fig.15　Impact degree of large throttle starting(a=75%,da/dt=45%)

圖16　小油門起步?jīng)_擊度Fig.16　Impact degree with small throttle starting

圖17　平地大油門起步?jīng)_擊度Fig.17　Impact degree with large throttle starting

試驗結果表明，發(fā)動機運轉平穩(wěn)，在2 s左右時沖擊度達到最大值6 m/s3；在1.5 s左右時沖擊度達到最大值8.4 m/s3。試驗所得沖擊度均未超出推薦值10 m/s3，車輛能夠平穩(wěn)起步。因此，試驗結果與仿真結果基本一致。

5結論

基于臺架試驗數(shù)據(jù)，建立了離合器SVM和RBF神經(jīng)網(wǎng)絡模型，并與傳統(tǒng)機理模型進行了比較分析。結果表明，基于SVM和RBF神經(jīng)網(wǎng)絡模型的離合器執(zhí)行機構精度均優(yōu)于其傳統(tǒng)的機理模型?；陔x合器SVM模型，分別在小油門起步和大油門起步時完成了整車的仿真試驗。結果表明，SVM模型更能準確地反映執(zhí)行機構的真實性能，基于該模型的整車起步過程的沖擊度較小，對提高車輛的舒適性和離合器起步控制品質有一定的參考價值。

參考文獻：

References:

[1]張寶山,張伯英,周云山,等.金屬帶式無級變速器液壓控制系統(tǒng)的仿真[J].農業(yè)機械學報,2002,33(2)：20-24.

ZHANG Bao-shan,ZHANG Bo-ying,ZHOU Yun-shan,et al. Simulation of a CVT Control System[J]. Transactions of the Chinese Society of Agricultural Machinery,2002,33(2): 20-24.

[2]夏晶晶,陳勇,胡辰.CVT濕式離合器液壓控制系統(tǒng)設計[J].液壓與氣動,2010(10):45-47.

XIA Jing-jing,CHEN Yong,HU Chen. Design of the Hydraulic Control System for CVT Clutch[J]. Chinese Hydraulics & Pneumatics,2010 (10):45-47.

[3]吳光強,楊偉斌,秦大同.雙離合器式自動變速器控制系統(tǒng)的關鍵技術[J].機械工程學報,2007,43(2)：13-21.

WU Guang-qiang,YANG Wei-bin,QIN Da-tong. Key Technique of Dual Clutch Transmission Control System[J]. Chinese Journal of Mechanical Engineering,2007,43(2): 13-21.

[4]MONTANARI M,RONCHI F,ROSSI C,et al. Control and Performance Evaluation of a Clutch Servo System with Hydraulic Actuation[J]. Control Engineering Practice,2004,12(11):1369-1379.

[5]HURON G. Numerical Simulations of SAE#2 Machine Tests[EB/OL].[2014-07-10]. http:∥papers.sae.org/ 1999-01-3617.

[6]羅永革.濕式離合器金屬帶式無級變速器(CVT)控制策略研究[D].杭州：浙江大學,2001.

LUO Yong-ge. A Study on Control Strategy of Metal Pushing V-belt CVT with Wet-clutch[D]. Hangzhou: Zhejiang University,2001.

[7]劉振軍,郝宏偉,董小洪，等. 濕式雙離合器自動變速器換擋控制與仿真分析[J]. 重慶大學學報: 自然科學版,2011,34(1)：7-13.

LIU Zhen-jun,HAO Hong-wei,DONG Xiao-hong, et al. Shifting Control and Simulation of Wet Dual Clutch Transmission[J]. Journal of Chongqing University: Natural Science Edition,2011,34(1): 7-13.

[8]程秀生,馮魏，陸中華，等. 濕式雙離合器自動變速器的起步控制[J]. 江蘇大學學報: 自然科學版,2010,31(2)：145-149.

CHENG Xiu-sheng,FENG Wei, LU Zhong-hua, et al. Starting Control of Wet Double Clutch Transmission[J]. Journal of Jiangsu University: Natural Science Edition,2010,31(2): 145-149.

[9]袁小艷,劉愛倫. 基于PSO算法的支持向量機核參數(shù)選擇問題研究[J]. 控制理論與應用, 2007,26(5)：5-8.

YUAN Xiao-yan,LIU Ai-lun. Kernel Parameter Selection of the Support Vector Machine based on Particle Swarm Optimization[J]. Techniques of Automation and Applications,2007,26(5): 5-8.

[10]ZHAO C Y,ZHANG H X,ZHANG X Y,et al. Application of Support Vector Machine (SVM) for Prediction Toxic Activity of Different Data Sets[J]. Toxicology,2006,217(2/3):105-119.

[11]彭顯剛,胡松峰,呂大勇. 基于RBF神經(jīng)網(wǎng)絡的短期負荷預測方法綜述[J]. 電力系統(tǒng)保護與控制,2011,39(17)：144-148.

PENG Xian-gang,HU Song-feng,Lü Da-yong. Review on Grid Short-term Load Forecasting Methods Based on RBF Neural Network[J]. Power System Protection and Control,2011,39(17)：144-148.

[12]吳光強,司建玉. 雙離合器自動變速器起步的智能控制策略[J]. 同濟大學學報：自然科學版,2012,40(1): 81-87.

WU Guang-qiang,SI Jian-yu. Launching Intelligent Control Strategy for Dual Clutch Transmission[J]. Journal of Tongji University: Natural Science Edition,2012,40(1): 81-87.

Research of Intelligent Prediction Control Technology of CVT Starting ClutchLIU Jin-gang1, LIU Kai1, XIONG Le1,LI Wen-chang2

(1. School of Mechanical Engineering, Xiangtan University, Xiangtan Hunan 411105, China;

2. Jianglu Machinery Group Co., Ltd., China North Industries Group Corporation, Xiangtan Hunan 411105, China)

Abstract：The mismatch of traditional mechanism model is an important reason of decline of control quality for CVT starting clutch when the working conditions such as temperature and duty ratio change rate changing. Aiming at above problems, based on bench experimental data, the SVM and radial basis function (RBF) neural network based prediction models of clutch control system are established, and compared with traditional mechanism model. Using clutch SVM model to replace traditional mechanism model, an intelligent prediction control system of CVT is established. The impact degree is used as the criterion for assessing the starting control quality, and the vehicle starting performance simulation and real vehicle test are conducted. The result shows that the vehicle starting impact degree based on SVM predictive control technology is declined compared with the traditional control technology, and SVM intelligent predictive control technology has some advantages.

Key words：automobile engineering; starting clutch; intelligent prediction; support vector machine (SVM); intelligent prediction; continuously variable transmission (CVT)

文獻標識碼：A

文章編號：1002-0268(2016)02-0135-08

中圖分類號：U463.211

doi:10.3969/j.issn.1002-0268.2016.02.021

作者簡介：劉金剛(1979-)，男，山東聊城人，博士，副教授.(wellbulid@126.com)

基金項目：國家自然科學 (51175156)

收稿日期：2014-07-11