System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及离合器控制,具体涉及一种amt离合器执行机构控制方法、装置、设备及介质。
技术介绍
1、气动离合器执行机构是amt变速箱目前常用的一种离合器执行器。该执行机构动力来自整车气源,通过变速箱控制单元控制其分离及接合对应电磁阀的开度,间接控制离合器移动方向及位移大小。电磁阀控制精度越高,换挡过程离合器配合效果越好。
2、amt换挡过程中依靠离合器执行机构控制离合器分离与接合,使离合器到达请求位置,配合完成换挡。因为要保持各种工况及不同驾驶习惯下的车辆性能,对离合器控制要求极其严格,整个过程必须响应快无超调,换挡过程需要离合器精准移动到请求位置;若使用单一pid参数根本无法满足需求,必须标定或采用其他方式以实现参数动态调整。相关技术中公开离合器执行机构使用常规的pid控制需要人工标定,且离合器位置容易超调或跟随性较差,动态性能不佳。
技术实现思路
1、为解决上述问题,本专利技术提出一种amt离合器执行机构控制方法、装置、设备及介质,利用神经网络自学习能力,自适应选择最优pid参数,提升离合器控制精度。
2、第一方面,本专利技术技术方案提供一种amt离合器执行机构控制方法,包括如下步骤:
3、获取历史时间的离合器控制数据并对获取的数据进行处理生成样本数据集,其中控制数据包括离合器请求位置数据和实际控制位置数据;
4、创建bp神经网络模型;
5、利用遗传算法对bp神经网络的模型进行权值和阈值的优化得到遗传-bp神经网络模
6、使用样本数据集的数据输入遗传-bp神经网络模型进行训练获取控制精度最高的遗传-bp神经网络模型输出的pid控制器参数;
7、接收到离合器位置请求后,pid控制器根据获取的pid控制器参数控制当前离合器执行机构各电磁阀开度,以控制离合器执行机构使离合器到达请求的位置。
8、作为本专利技术技术方案的优选,获取历史时间的离合器控制数据并对获取的数据进行处理生成样本数据集的步骤包括:
9、采集同型号离合器的多个离合器请求位置参数值和对应的实际控制位置参数值以及标定的pid控制参数,将每个离合器请求位置参数值和对应的实际控制位置参数值的差值以及离合器请求位置参数值和对应的实际控制位置参数值作为输入,将对应的pid控制参数作为输出构建样本数据集。
10、作为本专利技术技术方案的优选,创建bp神经网络模型的步骤包括:
11、获取多个样本数据集分别搭建包括输入层、隐含层和输出层的bp神经网络模型,并随机生成bp神经网络模型的权重值和阈值。
12、作为本专利技术技术方案的优选,利用遗传算法对bp神经网络的模型进行权值和阈值的优化得到遗传-bp神经网络模型的步骤包括:
13、将生成的bp神经网络模型的权重值和阈值作为种群的个体输入bp神经网络模型进行计算得到bp神经网络输出;
14、计算bp神经网络输出与期望输出的误差和作为适应度函数,采用遗传算法更新bp神经网络模型的权重值和阈值得到最优的bp神经网络模型的权重值和阈值。
15、作为本专利技术技术方案的优选,计算bp神经网络输出与期望输出的误差和作为适应度函数,采用遗传算法更新bp神经网络模型的权重值和阈值得到最优的bp神经网络模型的权重值和阈值的步骤包括:
16、根据建立的bp神经网络结构,确定染色体长度,并随机生成设定数量的个体构成种群;
17、选择种群内染色体个体作为bp神经网络权重和阈值,根据神经网络输出与期望输出计算个体适应度;
18、选择适应度高大于设定值的个体构成新的种群;
19、根据交叉概率在种群内随机选择两个染色体进行交叉;
20、根据变异概率在种群内随机选择一个个体进行变异;
21、计算出当前种群中每部分的适应度值,并反复迭代直到满足设定的初始条件,或达到最大迭代次数为止,将最后一次迭代获得的最优个体作为最优解,获得bp神经网络权重值和阈值。
22、作为本专利技术技术方案的优选,使用样本数据集的数据输入遗传-bp神经网络模型进行训练获取控制精度最高的遗传-bp神经网络模型输出的pid控制器参数的步骤包括:
23、初始化遗传-bp神经网络模型;所述参数包括神经网络层数、隐含层和输出层的权值及阈值;
24、将样本数据集进行处理后划分为训练集和验证集;
25、将训练集输入对应的遗传-bp神经网络模型中进行训练;
26、将验证集输入训练后的遗传-bp神经网络模型中得到优化的pid控制器参数;
27、根据优化的pid控制器参数结合当前时刻计算误差,计算pid控制器的输出,判断误差是否满足要求精度,若不满足则重新输入当前位置及误差,更新内部权重和阈值,调整输出的pid控制器参数。
28、作为本专利技术技术方案的优选,将样本数据集进行处理后划分为训练集和验证集的步骤中,将样本数据集进行处理的步骤包括:
29、对样本数据集中的输入量进行归一化:,为样本数据集的最小值,为样本数据集的最大值,为归一化后的值。
30、第二方面,本专利技术技术方案提供一种amt离合器执行机构控制装置,包括数据获取处理模块、模型创建模块、模型参数优化模块、控制参数获取模块和控制输出模块;
31、数据获取处理模块,用于获取历史时间的离合器控制数据并对获取的数据进行处理生成样本数据集,其中控制数据包括离合器请求位置数据和实际控制位置数据;
32、模型创建模块,用于创建bp神经网络模型;
33、模型参数优化模块,用于利用遗传算法对bp神经网络的模型进行权值和阈值的优化得到遗传-bp神经网络模型;
34、控制参数输出模块,用于使用样本数据集的数据输入遗传-bp神经网络模型进行训练获取控制精度最高的遗传-bp神经网络模型输出的pid控制器参数;
35、控制输出模块,用于接收到离合器位置请求后,pid控制器根据获取的pid控制器参数控制当前离合器执行机构各电磁阀开度,以控制离合器执行机构使离合器到达请求的位置。
36、作为本专利技术技术方案的优选,数据获取处理模块,具体用于采集同型号离合器的多个离合器请求位置参数值和对应的实际控制位置参数值以及标定的pid控制参数,将每个离合器请求位置参数值和对应的实际控制位置参数值的差值作为输入,将对应的pid控制参数作为输出构建样本数据集。
37、作为本专利技术技术方案的优选,模型创建模块,用于获取多个样本数据集分别搭建包括输入层、隐含层和输出层的bp神经网络模型,并随机生成bp神经网络模型的权重值和阈值。
38、作为本专利技术技术方案的优选,模型参数优化模块,具体用于将生成的bp神经网络模型的权重值和阈值作为种群的个体输入bp神经网络模型进行计算得到bp神经网络输出;计算bp神经网络输出与期望输出的误差和作为适应度函数,采用遗传算法更新bp神经网络本文档来自技高网...
【技术保护点】
1.一种AMT离合器执行机构控制方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的AMT离合器执行机构控制方法,其特征在于,获取历史时间的离合器控制数据并对获取的数据进行处理生成样本数据集的步骤包括:
3.根据权利要求2所述的AMT离合器执行机构控制方法,其特征在于,创建BP神经网络模型的步骤包括:
4.根据权利要求3所述的AMT离合器执行机构控制方法,其特征在于,利用遗传算法对BP神经网络的模型进行权值和阈值的优化得到遗传-BP神经网络模型的步骤包括:
5.根据权利要求4所述的AMT离合器执行机构控制方法,其特征在于,计算BP神经网络输出与期望输出的误差和作为适应度函数,采用遗传算法更新BP神经网络模型的权重值和阈值得到最优的BP神经网络模型的权重值和阈值的步骤包括:
6.根据权利要求5所述的AMT离合器执行机构控制方法,其特征在于,使用样本数据集的数据输入遗传-BP神经网络模型进行训练获取控制精度最高的遗传-BP神经网络模型输出的PID控制器参数的步骤包括:
7.根据权利要求6所述的AMT离合器执
8.一种AMT离合器执行机构控制装置,其特征在于,包括数据获取处理模块、模型创建模块、模型参数优化模块、控制参数获取模块和控制输出模块;
9.一种电子设备,其特征在于,所述电子设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的计算机程序指令,所述计算机程序指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的AMT离合器执行机构控制方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一项所述的AMT离合器执行机构控制方法。
...【技术特征摘要】
1.一种amt离合器执行机构控制方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的amt离合器执行机构控制方法,其特征在于,获取历史时间的离合器控制数据并对获取的数据进行处理生成样本数据集的步骤包括:
3.根据权利要求2所述的amt离合器执行机构控制方法,其特征在于,创建bp神经网络模型的步骤包括:
4.根据权利要求3所述的amt离合器执行机构控制方法,其特征在于,利用遗传算法对bp神经网络的模型进行权值和阈值的优化得到遗传-bp神经网络模型的步骤包括:
5.根据权利要求4所述的amt离合器执行机构控制方法,其特征在于,计算bp神经网络输出与期望输出的误差和作为适应度函数,采用遗传算法更新bp神经网络模型的权重值和阈值得到最优的bp神经网络模型的权重值和阈值的步骤包括:
6.根据权利要求5所述的amt离合器执行机构控制方法,其特征在于,使用样本数据集的数据输入遗传-bp神经网络模型进行训练获取控制精...
【专利技术属性】
技术研发人员:李文兵,韩伟,吴亮,张文龙,姚紫娟,梅淑琳,郭丙文,庞明辉,
申请(专利权)人:中国重汽集团济南动力有限公司,
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。