丘云燕，施佳能，岑霁霖，张君珠
（1.东风柳州汽车有限公司，广西 柳州 545005；2.广西科技大学，广西 柳州 545005）
引言随着我国经济的快速发展，汽车工业规模不断扩大，能源短缺和环境污染问题愈发严重。目前，中国已成为全球最大的能源消费国、能源生产国和二氧化碳排放国[1]。近年来，汽车保有量的增加进一步加剧了能源危机，作为我国主要的长途运输车辆的重型商用车通常是在满载情况下行驶[2]，因此提高重型商用车的燃油经济性迫在眉睫。
目前，国内各大汽车厂家所生产的重型商用车采用的是AMT 自动换挡，电控机械式自动变速器（AMT）是在传统机械齿轮式变速器的基础上，加装一套选换挡执行机构和离合器执行机构，实现自动换挡[3]，可以提高驾乘人员的舒适性，提高车辆动力性和燃油经济性。AMT 自动换挡的换挡规律分别有单参数、两参数和三参数[4]换挡规律等，目前使用最多的是基于车速和油门开度的两参数换挡规律。智能型换挡策略主要分为两类：一种是基于模糊控制的自动换挡策略，另一种是基于神经网络控制的自动换挡策略。由于神经网络具有自适应性，当数据中有噪声、形变和非线性时，也可以正常工作，使用灵活，适合换挡规律的研究和开发。本文采用基于车速和油门开度两参数的神经网络控制的自动换挡策略。
本文首先在AVL CRUISE 平台上搭建整车模型，收集重型商用车发动机转速、扭矩、车速、加速度和实时挡位等数据，在MATLAB 里利用建立好的BP 神经网络模型进行训练，优化换挡策略数据，CRUISE 平台进行仿真分析。经仿真分析结果表明，BP 神经网络能够对换挡策略进行优化，提高了重型商用车的燃油经济性，实现降低燃油消耗的目的。
1 搭建整车模型AVL CRUISE 软件是车辆性能仿真的综合平台，是计算和优化燃油消耗、排放和整车性能的综合工具，适用于设计仿真任何传动系得车辆，可以基于直观得模块化组件的传动系模型真实的再现实车性能，求解器比较完善，缩短仿真时间，提高优化效率。
本文通过AVL CRUISE 平台搭建整车仿真模型，如图1 所示。包括发动机、变速箱、离合器、主减速器和驾驶员等模块，建立信号连接，并且与MATLAB/Simulink 联合仿真。训练好的BP 神经网络模块保存为.dll 模型，CRUISE 可以直接运行。
2 BP 神经网络原理及训练2.1 BP 神经网络的原理人工神经网络（Artificial Neural Networks，ANN）是由大量人工神经元经广泛互连而组成的，它可用来模拟脑神经系统的结构和功能。人工神经网络按着连接方式主要分为前馈型网络和反馈型网络。1986 年D.E.Rumelhart 和J.L.McClelland 提出了一种利用误差反向传播训练算法的神经网络，简称BP（Back Propagation）神经网络，是目前广泛使用的一种具有隐含层的多层前馈型神经网络，可以顺利解决多层网络中隐含单元连接权的学习问题。BP 神经网络具有足够多的隐含层和隐含节点，可以逼近任何非线性映射关系，具有较好的泛化能力，比较适合整车参数与循环工况下实时挡位之间非线性关系即换挡规律的预测[5-6]。
本文采用的BP 神经网络为3 层神经网络结构，包括输入层、隐含层和输出层（基本结构如图2 所示）。选取发动机转矩、发动机转速、节气门开度、车速、加速度作为输入参数，相应的挡位作为输出参数。因此本文输入层有5 个节点，输出层有1 个节点，隐含层节点的个数根据经验公式进行确定，经验公式如下：
式中：M 为隐含层节点的个数；m 为输入层节点的个数；n 为输出层节点的个数；a 为0～10 之间的常数。
本文采用编程法选取隐含层个数，即最佳隐含层数为10 个。
2.2 BP 神经网络训练本文数据来源于上述仿真车辆试验采集所得。首先将数据进行归一化处理。归一化是一种简化计算的方式，它是把已有的量纲转化为无量纲的标量形式，从而减少输入参数之间巨大的的差别引起的网络误差，经过归一化处理的数据转化为［0，1］之间的数据。其转化形式为：
式中：y 为变换后输出数据；x 为原始输入数据；xmax为原始输入最大数据；xmin为原始输入最小数据。
将处理好的数据作为训练样本，为适应本文的研究对象，重型商用车的换挡策略的问题，本文选用有动量项的梯度下降法traingdm 训练方法。隐含层的激活函数选择tansig 函数，输出层的激活函数选择purelin 函数，学习速率设为0.01，最小误差设置为0.000 01。同时设置隐含层节点个数为10，将训练样本的80%作为训练组，15%作为验证组，剩余的5%作为试验组。最优平均方差出现在第7 次迭代，精度为0.000 008 891，如图3 所示，低于前文设定的误差，符合精度要求。神经网络训练状态如图4 所示，训练流程图如图5 所示。
3 仿真结果分析本文采用CLTC 循环工况作为验证工况。其工况相对于NEDC 而言，增加了范围更广的路况信息：其城市工况、郊区工况和高速工况，循环时间与WLTP一致，为1 800 s，在驾驶模式下，其加、减速比例明显上升，高达35%以上，这与交通GIS 收集的大数据比较匹配，同时也符合重型商用车的实际驾驶工况[7]。其工况曲线如图6 所示。
经仿真分析，BP 神经网络优化的换挡曲线可以使发动机的的转速和扭矩运行在燃油消耗量较低的区域，如图7 所示，相比优化之前整车燃油经济性提高8.3%，如图8 所示。
4 结论本文基于某商用车模型，通过现有的整车试验数据作为训练样本，采用BP 神经网络对其数据进行训练，得到实时挡位。通过AVL CRUISE 与MATLAB/Sinmulink 联合仿真，分析在CLTC 循环行驶工况下的整车燃油经济性。经仿真分析可知，经过BP神经网络训练过的换挡规律与传统的换挡规律相比，发动机工作区间更集中，降低了燃油消耗，提高了整车的燃油经济性，符合节能减排的大趋势，对整车性能的修订以及换挡策略的制定上具有一定的参考性。
