[發明專利]離合器滑摩扭矩的控制方法、裝置及電子設備

有效

• 申請號: 202110266958.5
• 申請日: 2021-03-11
• 公開（公告）號: CN113217619B
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 樓狄明;高驥;房亮;張允華
• 申請（專利權）人: 同濟大學
• 主分類號: F16H61/00
• 分類號: F16H61/00;F16D25/12
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 陳珊珊

1.一種離合器滑摩扭矩的控制方法，其特征在于，包括：

通過神經網絡模型表達并存儲離合器滑摩扭矩和多個影響因素之間的強非線性關系；所述神經網絡模型是通過層與層之間的前向傳播的工作信號與后向傳播的誤差信號的調節，其中，所述工作信號，是施加根據包括離合器目標扭矩的輸入信號后，向前傳播到輸出端產生實際輸出，計算離合器目標壓力的信號；所述誤差信號，是由輸出端向后傳播的，根據包括離合器實際扭矩的輸入信號計算得到期望的離合器壓力，與實測的離合器壓力之間的差值信號；通過對差值信號的調節，得到能接近的期望值，最終完成離合器壓力-扭矩特性的自學習過程；

所述自學習過程包括：神經網絡模型對離合器滑摩扭矩特性進行在線學習過程；

所述神經網絡模型對離合器滑摩扭矩特性進行在線學習的步驟包括：判斷是否開始自學習；若是，則向離線學習后的所述神經網絡模型輸入訓練樣本；所述訓練樣本包括估計的離合器滑摩扭矩及其各影響因素的值；計算隱含層各神經元的輸入輸出；計算輸出層神經元的輸入輸出；計算輸出層誤差；計算隱含層誤差；修正輸出層、隱含層的權值和閾值；獲取離合器目標滑摩扭矩及其影響因素的值，令所述神經網絡模型據以輸出相應的離合器目標壓力，以供用于計算出電磁閥目標電流，對離合器進行控制。

2.根據權利要求1所述的方法，其特征在于，所述神經網絡模型對離合器滑摩扭矩特性進行離線學習的步驟包括：

初始化權值閾值；輸入訓練樣本；

計算隱含層各神經元的輸入輸出；計算輸出層神經元的輸入輸出；

計算輸出層誤差；計算隱含層誤差；修正輸出層、隱含層的權值和閾值；

判斷樣本是否全部數據訓練完畢；若否，則返回所述輸入訓練樣本的步驟；若是，則判斷誤差是否滿足要求；若滿足，則訓練結束；若不滿足，則更新訓練步驟開始新一輪訓練。

3.根據權利要求1所述的方法，其特征在于，在完成所述在線學習的步驟之后，或者，若所述判斷是否開始自學習的判斷結果為否，所述方法還包括以下步驟：

獲取輸入信號；其中，所述輸入信號包括所述離合器目標扭矩及其各影響因素的值；

計算隱含層各神經元的輸入輸出；

計算輸出層神經元的輸入輸出，以得到所述離合器目標壓力。

4.一種離合器滑摩扭矩的控制裝置，其特征在于，包括：

扭矩存儲模塊，用于通過神經網絡模型表達并存儲離合器滑摩扭矩及所述離合器滑摩扭矩的多個影響因素之間的強非線性關系；所述神經網絡模型是通過層與層之間的前向傳播的工作信號與后向傳播的誤差信號的調節，其中，所述工作信號，是施加根據包括離合器目標扭矩的輸入信號后，向前傳播到輸出端產生實際輸出，計算離合器目標壓力的信號；所述誤差信號，是由輸出端向后傳播的，根據包括離合器實際扭矩的輸入信號計算得到期望的離合器壓力，與實測的離合器壓力之間的差值信號；通過差值信號的調節，得到能接近的期望值，最終完成離合器壓力-扭矩特性的自學習過程；所述自學習過程包括：神經網絡模型對離合器滑摩扭矩特性進行在線學習過程；

所述神經網絡模型對離合器滑摩扭矩特性進行在線學習的實現方式包括：判斷是否開始自學習；若是，則向離線學習后的所述神經網絡模型輸入訓練樣本；所述訓練樣本包括估計的離合器滑摩扭矩及其各影響因素的值；計算隱含層各神經元的輸入輸出；計算輸出層神經元的輸入輸出；計算輸出層誤差；計算隱含層誤差；修正輸出層、隱含層的權值和閾值；

扭矩輸出模塊，用于獲取離合器目標滑摩扭矩及其影響因素的值，令所述神經網絡模型據以輸出相應的離合器目標壓力，以供用于計算出電磁閥目標電流，對離合器進行控制。

5.根據權利要求4所述的裝置，其特征在于，所述神經網絡模型對離合器滑摩扭矩特性進行離線學習的實現方式包括：

初始化權值閾值；輸入訓練樣本；

計算隱含層各神經元的輸入輸出；計算輸出層神經元的輸入輸出；

計算輸出層誤差；計算隱含層誤差；修正輸出層、隱含層的權值和閾值；

判斷樣本是否全部數據訓練完畢；若否，則返回所述輸入訓練樣本的步驟；若是，則判斷誤差是否滿足要求；若滿足，則訓練結束；若不滿足，則更新訓練步驟開始新一輪訓練。