基于Matlab的自动变速器换档规律的神经网络模型设计

打开文本图片集

摘 要： 本文运用一种具有强大的数学分析能力的Matlab工具，建立由节气门开度和车速这两个主要参数控制的汽车自动变速器换档规律的神经网络模型。该神经网络模型对汽车自动变速器的换档规律有很好的分析判断能力，学习能力强，解决了普通工具很难识别节气门开度和车速之间的内在联系的问题。

关键词：Matlab；自动变速器；换档规律；神经网络

1 引言

汽车自动变速器的换档规律主要有三参数控制的换档规律和两参数控制的换档规律[1]，本文研究的对象是两参数控制的换档规律，即由节气门开度和车速这两个主要参数控制的两参数换档规律。因为汽车在行驶的过程中，路况非常复杂、再加上每位驾驶员的驾驶习惯不同，所以节气门开度和车速经常频繁地呈非线性的变化。对于这种非线性关系的数据变化，采用普通的工具很难分析出它们之间的内在联系[2]。

而Matlab具有强大的数学分析能力，使用Matlab对非线性的数据进行分析是很好的选择。本文把数据训练样本输入Matlab工具箱中建立神经网络模型，训练之后建立的神经网络模型可以整合到在LabVIEW环境下编写的汽车自动变速器换档规律的测试系统中，使该系统能够直接调用神经网络模型实时对当前采集到的数据信号进行处理[3]。

2 采集训练样本数据

本文的具体研究对象是广汽本田2006款思迪轿车，选取该款车的节气门位置传感器电压输出信号和自动变速器中间轴车速传感器电压输出信号作为神经网络的输入向量，每个档位40组训练样本数据，5个前进档位，共200组神经网络的训练样本数据。其中1档和2档的样本数据是路试测得的，3档、4档和5档的样本数据是从广汽本田思迪轿车维修资料中 找到的。

从理论上讲，在不同的工况下、不同的路况下采集的训练样本数据越多，覆盖的面越广，网络训练完成之后建立的神经网络模型的性能就更加稳定、识别能力和学习能力也越高[4]。由于时间和精力的限制，本文在不同工况、不同路况、不同档位的情景中选取了200组数据作为神经网络的训练样本数据。

3 神经网络设计

3.1 目标向量设计

由于试验所用的本田思迪轿车在D档时有五个档位，因此各档位采用下列输出方式：

一档：[0 0 1]； 二档：[0 1 0]； 三档：[1 0 0]； 四档：[0 1 1]； 五档：[1 0 1] 。

3.2 样本数据归一化处理

节气门开度和车速具有不同的单位，所以在训练之前要做归一化处理，把数值量化到[0，1]之间，这有利于训练收敛的速度。本文采用的归一化方法是所有的节气门开度值除以最大的节气门开度值（100），所有车速值除以最大的车速值（255）。

3.3 网络训练

因为训练函数trainlm收敛速度快，网络的训练误差较小，所以通过以下代码调用trainlm。

net=newff（minmax（P），[17 3]，{"tansig" "logsig"}，"trainlm"）； %建立网络

net.trainParam.show=500； %步长，每次训练500组数据

net.trainParam.lr=0.05； %学习速率

net.trainParam.epochs=10000； %训练次数为10000

net.trainParam.goal=0.01；%训练目标为0.01

net=train（net，P，T）； %%训练网络

网络的训练结果为：

TRAINLM， Epoch 0/10000， MSE 0.402581/0.01， Gradient 25.8807/1e-010

TRAINLM， Epoch 46/10000， MSE 0.00994202/0.01， Gradient 1.53303/1e-010

TRAINLM， Performance goal met.

可见，经过46次训练之后，网络的性能已经达到了使用要求，训练结果如图1所示。

3.4 网络测试

因为网络训练之后，其权值就固定下来了。此时输入每一个向量，网络就能输出相应的向量，但是训练完的网络需要用附加样本进行性能验证。如果不能满足使用要求，必须重新训练网络。本文的测试数据如表1所示。

表1的测试样本数据的测试结果如附图1所示。测试结果显示，神经网络的输出与期望输出基本符合，误差在允许范围内。其中误差最大的一组是第8组，期望输出是[0 0 1]，实际输出是[0.0020 0.6006 0.5886]，这表明此组测试数据在表示1档的同时也趋向于2档。出现这种情况是合理的，因为此时的节气门开度为87°，车速为50km/h，刚好处于1档和2档之间。如果训练样本数据大于200组，这个问题将会得到比较好的改善。

4 结论

神经网络模型对自动变速器的换档规律有很好的分析判断能力，学习能力强，对非线性关系的数据具有很强的处理能力。把建立好的神经网络模型整合到在LabVIEW环境下编写的程序中，能够同时轻松地实现数据采集、分析、结果显示等多种功能。

参考文献：

[1]阴晓峰，谭晶星，雷雨龙，葛安林.基于神经网络发动机模型的动态三参数换档规律[J].机械工程学报，2005，41（11）.

[2]陈超.汽车AMT换档规律及其评价方法的研究[D].硕士学位论文，西华大学，2006（05）.

[3]巫世晶，朱恩涌，李群力，王晓笋.汽车模糊控制换档策略仿真研究[J].西南交通大学学报，2008，43（06）.

[4]陈艳菲.基于MATLAB的根轨迹仿真实验设计[J].中国科教创新导刊，2014（04）.

作者简介：廖燕辉（1984-），男，广东韶关人，硕士研究生，初级，研究方向：汽车故障检测。