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设计的,具体为一种基于模糊神经网络的湿式离合器信息采集方法。
技术介绍
1、在对湿式离合器的研究中需建立精确的湿式离合器扭矩模型,而湿式离合器的结合过程是一个复杂的动态过程,由油液特性和摩擦副特性共同决定其传递的扭矩,其与液压油粘度、油温、主从动片转差、摩擦系数、控制压力等诸多影响因素都存在关联。现有技术中,为提高湿式离合器扭矩模型的精度,通常会引入更多的影响因素,通过增加影响因素的维度,提高扭矩模型的精度。
2、但是,实际应用中发现某些影响因素难以获取,例如主从动片间的油膜厚度,影响因素的难以获取导致无法实现该影响因素的引入,从而无法实现扭矩模型精度的提升,进而无法对湿式离合器进行精确控制。
技术实现思路
1、本专利技术意在提供一种基于模糊神经网络的湿式离合器信息采集方法,以解决现有技术中湿式离合器扭矩模型精度不高的技术问题。
2、本专利技术提供如下基础方案:
3、基于模糊神经网络的湿式离合器信息采集方法,包括以下内容:
4、分析预设的半结合点状态参数全集筛选生成最优特征子集一;
5、根据预设的滑摩特征参数生成滑摩状态参数全集,分析滑摩状态参数全集筛选生成最优特征子集二;
6、根据最优特征子集一、最优特征子集二和预设的模糊神经网络模型生成离合器状态。
7、基础方案的有益效果:湿式离合器的结合过程,依次包括完全分离、滑摩和完全结合三种状态,在不同状态下起所传递的扭矩不同,相应
8、影响结合过程的影响因素有许多,但并非每一因素都会对结合过程产生较大的影响,因此根据需求对全集进行筛选生成子集。半结合点状态参数全集为影响半结合点状态的影响因素的集合,最优特征子集一则是从半结合点状态参数全集中筛选出的影响因素构成的集合。滑摩状态参数全集为影响微滑摩状态的影响因素的集合,最优特征子集二则是从滑摩状态参数全集中筛选出的影响因素构成的集合。
9、根据模糊神经网络模型分析湿式离合器的离合器状态,从而执行不同的控制操作,通过识别不同的离合器状态,实现对离合器的精准控制,从而提高湿式离合器的控制精度。
10、进一步,分析预设的半结合点状态参数全集筛选生成最优特征子集一,具体包括以下内容:
11、获取湿式离合器半结合点状态下的筛选条件,根据筛选条件分析半结合点状态参数全集,筛选出最优特征子集一,最优特征子集一包括发动机扭矩。
12、有益效果:最优特征子集一与半结合点状态参数全集相比,其参数能够更好的反映信号物理本质相关的特征。根据筛选条件进行筛选,例如半结合点状态参数全集包括发动机转速,而在怠速状态下,发动机转速受温度、压力等因素影响而改变;在非怠速状态下,发动机转速会受油门开度、负载等影响而改变,在半结合点状态及其前后,很难形成一定规律,因此发动机转速不能作为半结合点的状态参数,即最优特征子集一中不包括发动机转速。
13、进一步,根据预设的滑摩特征参数生成滑摩状态参数全集,具体包括以下内容:
14、调用预设的滑摩特征参数对滑摩特征参数之间的边界进行搜索寻优生成滑摩状态参数全集。
15、有益效果:湿式离合器进入滑摩状态后,随着离合器压力的上升,其传递的扭矩增大,从动片转速差逐渐减小,当转差足够小时,此时湿式离合器几乎能传递来自发动机的全部扭矩,即为微滑摩状态。将微滑摩之前、之后的两个状态分别定义为过度滑摩状态和不足滑摩状态,由此构成湿式离合器的三种滑摩状态。
16、通过对滑摩特征参数之间的边界进行搜索寻优,对滑摩特征参数进行优化降维,筛选最佳的滑摩特征参数生成滑摩状态参数全集,并从中筛选出最优特征子集二进行状态识别,避免过多的指标维数,以及减少冗余信息的计算,提高状态识别的反应速度。
17、进一步,对滑摩特征参数之间的边界进行搜索寻优生成滑摩状态参数全集,具体包括以下内容:
18、根据智能搜索算法对滑摩特征参数之间的边界进行搜索寻优,生成滑摩状态参数全集。
19、有益效果:搜索寻优时,主要是执行全局搜索操作,实现多参数多目标优化,本方案采用智能搜索算法实现快速搜索。
20、进一步,分析滑摩状态参数全集筛选生成最优特征子集二,具体包括以下内容:
21、根据浮动搜索算法搜索滑摩状态参数全集,生成最优特征子集二。
22、有益效果:根据滑摩状态参数全集生成最优特征子集二,此时主要执行局部搜索操作,本方案采用浮动搜索算法,针对中小规模数据集搜索能力强,缩短搜索时间,避免计算时间过长,容易产生局部最优解的情况。
23、进一步,根据最优特征子集一、最优特征子集二和预设的模糊神经网络模型生成离合器状态,具体包括以下内容:
24、对最优特征子集一和最优特征子集二进行归一化处理,生成归一化处理结果,获取模糊神经网络模型根据归一化处理结果输出的离合器状态。
25、有益效果:本方案对最优特征子集一、最优特征子集二进行归一化处理,通过归一化处理消除由于参数动态范围不用所带来的计算偏差,同时在不改变参数原始分布特性的情况下,使各参数在识别计算时具有相同地位。
26、进一步,模糊神经网络模型包括模糊层,通过模糊层对模糊神经网络模型的输入进行模糊处理。
27、有益效果:本方案中,通过模糊层对模型输入进行模糊处理,与中间模糊或输出模糊相比,结构更为简单、推理方便,便于进行二次开发。
28、进一步,还包括以下内容:
29、获取工况信息,根据工况信息判断是否满足学习条件,若满足学习条件,则根据模糊神经网络模型获取离合器状态,根据离合器状态生成控制信息。
30、有益效果:在湿式离合器测试中,车辆状态发送改变容易导致测试结果发生变化,例如离合器的磨损,因此本方案中,通过自学习的方式,在满足学习条件的情况下,进行自学习,提高控制精度。
31、进一步,离合器状态包括不足和过度,控制信息包括减小压力和增大压力;
32、当离合器状态为不足时,根据离合器状态生成的控制信息为减小压力;当离合器状态为过度时,根据离合器状态生成的控制信息为增大压力。
33、有益效果:离合器状态为不足,代表未达到期望的状态,例如不足结合状态;控制信息为对相应设备进行控制的调节信息,例如在离合器状态为不足时,增大离合器对应的电压。
34、进一步,学习条件包括半结合点学习条件和扭矩学习条件,
35、当学习条件为半结合点学习条件时,根据离合器状态生成的控制信息为增大或减小离合器的半结合点压力;
36、当学习条件为扭矩学习条件时,根据离合器状态本文档来自技高网...
【技术保护点】
1.基于模糊神经网络的湿式离合器信息采集方法,其特征在于,包括以下内容:
2.根据权利要求1所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:分析预设的半结合点状态参数全集筛选生成最优特征子集一,具体包括以下内容:
3.根据权利要求1所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:根据预设的滑摩特征参数生成滑摩状态参数全集,具体包括以下内容:
4.根据权利要求3所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:对滑摩特征参数之间的边界进行搜索寻优生成滑摩状态参数全集,具体包括以下内容:
5.根据权利要求3所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:分析滑摩状态参数全集筛选生成最优特征子集二,具体包括以下内容:
6.根据权利要求1所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:根据最优特征子集一、最优特征子集二和预设的模糊神经网络模型生成离合器状态,具体包括以下内容:
7.根据权利要求1或6所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:模
8.根据权利要求7所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于,还包括以下内容:
9.根据权利要求8所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:离合器状态包括不足和过度,控制信息包括减小压力和增大压力;
10.根据权利要求8所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:学习条件包括半结合点学习条件和扭矩学习条件,
...【技术特征摘要】
1.基于模糊神经网络的湿式离合器信息采集方法,其特征在于,包括以下内容:
2.根据权利要求1所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:分析预设的半结合点状态参数全集筛选生成最优特征子集一,具体包括以下内容:
3.根据权利要求1所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:根据预设的滑摩特征参数生成滑摩状态参数全集,具体包括以下内容:
4.根据权利要求3所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:对滑摩特征参数之间的边界进行搜索寻优生成滑摩状态参数全集,具体包括以下内容:
5.根据权利要求3所述的基于模糊神经网络的湿式离合器信息采集方法,其特征在于:分析滑摩状态参数全集筛选生成最优特征子集二,具体包括以下内容:
6.根...
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。