【技术实现步骤摘要】
本专利技术涉及车辆工程领域，具体涉及基于驾驶意图及卷积神经网络的车辆换挡方法及系统。
技术介绍
1、重型商用车和乘用车工作环境以及作业目的不同，因此通过借鉴乘用车以及其它工程车辆，结合重型商用车自身结构、工作环境以及作业要求制定相对应的换挡策略：
2、重型商用车作业时，不同的作业下重型商用车行驶速度和牵引力不同，速度的波动导致作业质量下降，当载荷在大范围波动时需要频繁换挡保持重型商用车动力性，可能会发生循环换挡。重型商用车的运行方式与乘用车和其他工程车辆不同，需要根据它们的需要制定具体的换挡策略。在运行时，重型商用车可能会经历速度和牵引力水平的波动，这可能对其运行质量产生负面影响。
3、重型商用车行驶速度范围小，作业挡位多，各自挡位使用范围较小，在路面状况不好或者较小起伏路面时，有可能出现意外换挡，因此需要考虑其他因素对换挡策略进行修正保证重型商用车行驶平稳。
4、不同作业模式下换挡策略目的不同，为了满足驾驶员对动力性、燃油经济性经以及各种操作意图，需要对换挡策略根据不同的模式进行修正。
5、由于国内外大量学者研究驾驶意图关注重点为乘用车，对常常在作业工况复杂恶劣的重型商用车未进行大量关注，而重型商用车外界负载变非线性程度较高使得驾驶意图更加复杂难以预测。车辆仿真过程中，研究员通常选用nedc、wltc等成熟的循环工况，例如公布号为cn110348063a的现有专利技术专利申请文献《一种混合动力汽车控制策略的联合仿真方法》，该方法包括如下步骤：(1)在cruise软件中搭建整车仿真
6、综上，现有的重型车辆控制技术存在驾驶效率低、动力性能和燃油经济性较差的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于如何解决：现有的重型车辆控制技术存在驾驶效率低、动力性能和燃油经济性较差的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：基于驾驶意图及卷积神经网络的车辆换挡方法包括：
3、s1、识别重型车辆驶意图；
4、s2、获取重型车辆的差异区域行车路况数据，以判定得到重型车辆分区域路况；
5、s3、采集获取坡度数据，据以利用卡尔曼滤波算法估计道路坡度；
6、s4、根据重型车辆行驶意图及道路坡度，利用马尔科夫链识别重型车辆的弯道行驶工况；
7、s5、对重型商用车山间驾驶员行驶工况分为直行与转弯两个典型工况，选取横向加速度与方向盘转角进行重型商用车直线hmm模型与弯道hmm模型进行模型的训练，将行驶工况进行分层训练，据以得到适用神经网络模型；
8、s6、获取并规格化处理传感器数据，得到规格化系数，其中，规格化系数包括：转速系数、节气门开度系数、方向盘转角系数、行驶速度系数，加速踏板及制动踏板开度；
9、s7、利用适用神经网络模型处理规格化系数，以得到换挡输出参数；
10、s8、根据换挡输出参数判断，进行卷积神经网络的训练，得到各层向量，控制接合位置换挡。
11、本专利技术基于驾驶意图-神经网络的重型商用车自动换挡规律，通过在进行工况作业时对车外环境与车体状态的映射，通过间接信息源获取驾驶意图，本专利技术选用加速踏板及其变化率和制动踏板及其变化率等反映车辆驾驶意图的数据来进行重型商用车作业车辆的驾驶意图的识别，同时采集转速、节气门开度、方向盘转角、行驶速度以及方加速踏板与制动踏板开度进行反馈。防止了驾驶员的驾驶意图与复杂的道路交通环境的不匹配导致的预期之外的加速或减速操作，优化了重型车辆换挡操纵效果。本专利技术考虑到特定车辆独特的结构特点、工作环境和操作要求，开发了一种可以提高其整体性能的换挡策略，允许频繁换档，以保持车辆的动力性，防止循环换档。
12、重型商用车的行驶速度范围小，工作档位众多，这使得换档策略对确保平稳驾驶至关重要。本专利技术即使在车辆经历了大范围的负载波动的情形下，也能提供平稳的驾驶。本专利技术可以实现快速而精确的换档，确保车辆在任何时候都保持稳定和反应。
13、在更具体的技术方案中，步骤s3包括：
14、s31、获取重型车辆的动力学方程；
15、s32、通过卡尔曼滤波估计离散时间，获取离散随机差分方程；
16、s33、根据离散随机差分方程，获取先验估计误差、先验协方差、后验估计误差、后验估计协方差以及后验协方差，据以估计得到卡尔曼滤波器及卡尔曼增量，以调整重型车辆的状态公式；
17、s34、根据状态公式及动力学方程，处理得到车速、加速度测量值、道路坡度的连理表达式；
18、s35、根据连理表达式，在k时刻下整理得到卡尔曼滤波坡度估计系统的状态方程与重型商用车系统加速度测量方程，连立前述方程估算坡度。
19、在更具体的技术方案中，步骤s34中，以下述逻辑定义连理表达式：
20、
21、式中，δ是旋转质量的换算系数，m为重型商用车的质量，g＝9.8m/s2，δt为测量时间，cd为空气阻力系数，r为车轮半径，a为迎风面积面积，ttg为发动机的输出扭矩，ig为变速器的传动比，i0为主减速器的传动比，ηt为传动系的效率，asenx(k)为加速度测量值。
22、在更具体的技术方案中，步本文档来自技高网...
【技术保护点】
1.基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤S3包括：
3.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤S34中，以下述逻辑定义所述连理表达式：
4.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤S35中，所述状态方程与所述重型商用车系统加速度测量方程为：
5.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤S4中，利用下述逻辑，获取隐形的所述马尔可夫链的观察概率密度函数：
6.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤S6包括：
7.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤S8包括：
8.根据权利要求7所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤S83包括：
10.基于驾驶意图及卷积神经网络的车辆换挡系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤s3包括：
3.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤s34中，以下述逻辑定义所述连理表达式：
4.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤s35中，所述状态方程与所述重型商用车系统加速度测量方程为：
5.根据权利要求1所述的基于驾驶意图及卷积神经网络的车辆换挡方法，其特征在于，所述步骤s4中，利用下述逻辑，获取隐形的所述马尔可夫链的观察概率密度函数：
6....
【专利技术属性】
技术研发人员：翟璐，刘春宝，杨孔华，刘亦斌，钱旭，
申请(专利权)人：吉林大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。