本技术涉及一种重型卡车变速器换档策略优化模型,通过构建未来工况、动力学和能量消耗预测模型,定义成本函数J,并运用数据搜索技术,实现换档策略的优化,旨在提升重型卡车的运行效率和降低能耗。
背景技术
在重型卡车的自动手动变速器(AMT)领域,换档控制对车辆的动力性能、燃油经济性和乘坐舒适性有着显著影响。根据Wu(1988)的研究,不同的换档策略在同一驾驶条件下可能导致燃油消耗差异高达30%。这种显著的变化主要是由于发动机燃油消耗的非线性特性,如Chen(2021)所述。因此,选择合适的档位以调整发动机工作条件以满足相同的动力需求至关重要。
然而,现有的换档策略优化面临多重挑战。首先,车辆未来扭矩和功率需求的不确定性使得功率约束不准确,限制了燃油经济性的提升。其次,换档过程中离合器的分离和接合会导致明显的动力中断,这种中断可能持续约一秒,显著影响车速跟踪,如Li(2011)和Zaimin等人(2011)所述。因此,发动机燃油消耗的复杂特性、未来驾驶条件的不可预测性以及功率传递的中断,为换档优化带来了重大挑战。
目前,换档策略主要分为基于MAP的策略、数据驱动方法和基于模型的方法。基于MAP的策略是当前最广泛使用的方法,随着车载存储容量的发展,换档MAP的输入数量已从2个发展到3个,甚至超过4个,目的是尽可能提高换档MAP对不同条件的适应性。动态规划(DP)和遗传算法常用于换档MAP参数的离线优化。然而,多参数换档MAP导致校准工作量巨大,且离线校准的MAP仍无法适应多样化和不断变化的实际应用条件。
数据驱动策略利用神经网络强大的拟合和泛化能力来解决上述问题。通过使用优化算法找到最优换档序列作为神经网络的输入,神经网络可以自动学习模式,减少换档MAP校准过程中的工作量。利用神经网络还可以更容易地考虑驾驶员操作习惯。但是,数据驱动方法的适应性取决于收集训练数据的多样性,且在线应用需要大量的计算资源,这对于实际使用构成了相当的挑战。
基于模型的换档策略使用如模型预测控制(MPC)和动态规划(DP)等算法,基于获取的未来功率或道路约束来计算整体最优控制策略。通过在线预测未来条件并实时求解最优控制档位,基于模型的策略消除了校准复杂换档MAP的需要,没有对数据收集的严格要求,并且可以适应不断变化的条件。
实现思路