AT換擋執行機構自學習控制策略研究

劉向前，閆 娟，楊慧斌，賈茜偉

（上海工程技術大學機械與汽車工程學院，上海 201620）

0 引言

為實現AT 變速器自動換擋，在保留傳統變速器原有零部件結構的同時，還需一套自動換擋的執行機構裝置。選用AT 換擋執行機構不僅可使變速緩和、行駛平穩，而且可大幅降低駕駛疲勞，這是當前換擋常用主流方法。但是，由于變速箱及執行機構加工、制造及裝配誤差的存在，導致不同的變速箱在與執行機構進行安裝匹配時存在初始誤差角度值問題。針對該問題，國內外眾多研究者對其安裝精度要求、控制算法進行了不同的試驗研究［1-3］，包括原點集匹配、負荷預測及對特征點進行QRS 特征提取等方法。原點集的匹配與QRS 均通過提取不同特征點方法實現不同點之間的匹配；文獻［4-5］從幾何精度入手進行了相應試驗探究，發現隨著時間的累計，誤差值也在累積；文獻［6］探討了AT 切換檔位規律方法；文獻［7］等研究了執行機構與AT 匹配的互補性關系；文獻［8-12］等對換擋的自動檢測系統進行了不同設計與研究；文獻［13］探討了自適應的組合算法；文獻［14-17］通過優化不同粒子算法達到零速修正的目的。針對初始角度誤差值問題，本文基于32 位STM 型系列單片機對執行機構進行自學習算法開發與設計，通過采集執行機構電流、位置、旋轉角度等信號搭建換擋執行機構（見圖1），采用自設計的自學習控制策略自行對初始角度誤差值進行補償與修正，并在算法程序設計的基礎上進行實車試驗。結果顯示，本文開發優化的自學習策略可消除初始誤差值，滿足執行機構性能要求。

1 機構自學習控制策略總體設計方案

本文學習控制策略采用32 位ARM-Cortex-M4 內核單片機S9S12ZVC12VLF_LQFP48 作為中心處理器，運用內部特征定時器、AD 轉換等模塊實時采集各種輸入信號信息和機構反饋信號信息，進而對輸入信號與反饋信號進行運算處理。采用PWM 脈寬調制對執行機構的電機進行控制，實現換擋時速度大小控制。

Fig.1 Structure of shift actuator圖1 換擋執行機構結構

其中，①代表換擋齒輪組，②代表位置傳感器，③代表換擋軸，④代表直流驅動電機，⑤代表換擋限檢測裝置。

由于不同變速箱軸的起始位置不能保證完全在同一個位置，即存在一定初始誤差，所以在執行機構與變速箱連接時需執行機構自動匹配變速箱不同的初始角度值。本文通過采集執行機構在工作狀況下的各檔位初始角度值，構建機構系統流程（見圖2），與實際理論值作比較，求出誤差并補償角度值，進而實現其執行機構與不同型號的變速箱匹配安裝［18］。其SBW 接口信號如圖3 所示。

2 硬件系統搭建

為了使自學習控制策略適應不同的工作環境、使用要求，進行硬件系統搭建。

2.1 最小系統模塊

本文采用32 位ARM-Cortex-M4 內核S9S12ZVC_LQFP48 作為處理器，將設計優化的控制策略與執行機構系統匹配，使換擋和變速器處理方面更迅速、可靠性更高，適應性更強。同時，為使處理器發揮最大性能效應，為其搭建濾波電路、過流檢測電路、H 橋電路及復位電路。

Fig.2 Flow of mechanism system圖2 機構系統流程

2.2 過流檢測模塊

在執行機構與變速箱匹配后，由于執行機構及變速器運行過程存在不確定性，可能引起機構驅動電機堵轉的情況，在該情況下，系統電流會迅速增大。因此本文基于LM2904 芯片設計電機過流檢測保護電路，如圖4 所示。

2.3 電機驅動模塊

電機驅動速度調節由核心處理器PWM 模塊輸出的占空比控制。由于為中心處理器輸出的脈寬電流指標僅為幾毫安，無法驅動芯片運轉。因此必須通過搭建H 橋驅動放大毫安級電流，進而提高驅動電機能力。其設計電路如圖5 所示。

該電路通過集成芯片設計全橋驅動，由搭建的H 橋驅動電路，實現控制電機驅動進行正常運轉工作。

2.4 通訊模塊

本文中采用S9S12ZVC12VLF_LQFP48 中心處理器進行通訊連接，通過執行機構與變速箱安裝連接試驗，實現電流、位置變化信號實時監測，以便更精確控制。由于處理器處理的信號需要對其進行跟蹤監測，本文采用與上位機進行相連方式，由上位機對其進行實時檢測與反饋。由于處理器輸出的是TTL 信號，需要將進行信號轉換才可被上位機接收。本文采用RS232 通訊電路，該電路芯片采用性能良好的MAX232 芯片將USB 信號轉為TTL 信號，總體通訊結構如圖6 所示。

3 優化的機構自學習控制策略與驗證

Fig.3 SBW interface signal圖3 SBW 接口信號

Fig.4 Over current detection module圖4 過電流檢測模塊

本文通過執行機構電流信號與機構冠齒輪位置角度信號實現換擋執行機構控制。由于不同的執行機構需與不同的變速箱進行安裝匹配，會導致一定的配合誤差，需通過自學習策略進行初始化位置角度誤差修正與補償。

通過實時采集機構電流與冠齒角度信號，首先判斷電流信號變化情況，若增大或恒定不變，再對角度值是否達到增檔規律的換擋極限點進行判斷，其中不同的臨界點由不同的角度值確定，若達到增檔極限點則進行自動升檔操作處理；同理，可判別是否達到減檔臨界限點，若達到則進行自動減檔操作處理。

3.1 采集信號處理

Fig.5 H-bridge drive circuit圖5 H 橋驅動電路

Kalman［19］在1960 年發表的論文《A New Approach to Linear Filtering and Prediction Problems》中闡釋了卡爾曼濾波原理，即采用在與系統狀態關聯的觀測量中預測所需信號值的最優算法遞推濾波。由于卡爾曼濾波設計范圍是在時域內設計的濾波器，而且需要保存的數據相對較少，所以具有很強的適應性［20］。由于實現過程由計算機實現，需將方程進行離散過程化處理，假設系統模型方程為：

Fig.6 General communication structure layout圖6 總體通訊結構布置

X（n）為狀態函數，W（n-1）為模型噪聲，Z（n）為模型觀測向量，H（n）是模型觀測矩陣，V（n）是模型觀測噪聲。

W（n-1）和V（n）是概率密度函數且服從：

其中，Q 和R 為協方差矩陣。

建立具有不確定性的卡爾曼濾波方程可分為兩個環節。

（1）系統狀態過程預估為：

系統狀態預估誤差矩陣為：

需初始值X（0|0）和P（0|0），即可根據當前時刻系統值與前一時刻的值得到當前預估值。

增益矩陣：

（2）系統狀態估計為：

系統狀態估計誤差矩陣為：

得出濾波前后圖形如圖7 所示。

Fig.7 Filter view圖7 濾波視圖

由圖7 可知，經卡爾曼濾波后信號干擾濾除，同時系統抗干擾能力極大增強。

3.2 雞冠圖線提取

本文在雞冠線上手動提取83 個測點數據。為提高曲線光滑程度，采用插值處理方法，等距提取測量點，擴充數據點至187 個（測點個數可根據實際提取測點更改），其提取圖像如圖8 所示。

Fig.8 Cockscomb line圖8 雞冠線圖

由皮爾遜相關系數判斷其相關性：

計算相關系數前提，x 和y 數據量必須一致，x 為測點提取數據（187 個），y 為實際測量數據。后期可根據需要實際測量數據個數，更改雞冠線測點數據。為保證準確性，需等距測量實際數據，其結果值為0.8-1.0 時，判斷極強相關，并得出電流與角度擬合曲線圖8 所示。

3.3 二分類邏輯回歸迭代改進

傳統多元回歸輸出對于每個輸入的x 均有對應的y 輸出，通常是連續的、線性的。而對于執行機構驅動電機，為實現精確的控制器機構換擋操作，需將采集的模擬量信號轉換為數字量信號，對應于驅動電機的啟動或停止。顯然，線性多元回歸不滿足該模型機構控制要求［20］。為使機構對采集的不同類信號進行歸類處理，本文采用優化的邏輯回歸算法，運用Sigmoid 函數y=構造預測函數（9），其中Z 代表預測值。

其中函數值大小結果取1 的概率，因此，根據輸入x 分類結果，即類別1、類別0 的概率為：

其運行結果如圖9 所示。

Fig.9 Experimental execution effect of self-learning algorithm圖9 自學習算法實驗執行效果

由圖9（a）可看出，在自學習控制算法未載入前，得到的最終曲線圖無法采集到機構中間信號變化量；而且，初始安裝誤差無法自行校正；圖9（b）顯示了本文自學習邏輯算法對信號采集的優化效果。在自學習控制策略載入后，得到了與理想機構近似相同的圖線，同時機構中間信號極值處可被采集到，使換擋點得到更好控制。這不僅進一步證明自學習控制策略準確性高，具有更優靈敏度，而且可使執行機構與不同變速器匹配后換擋操作穩定運行。

4 結語

執行機構與不同AT 安裝匹配時存在大小值不一的初始誤差角度值，為解決該問題，本文基于改進卡爾曼濾波與二分類邏輯回歸算法，設計雙芯片架構的自學習控制策略，兼具功能性與工程實用性，最終實現了初始角度誤差值自行補償與修正，克服了傳統機構存在的缺陷。

本文自學習控制策略具有良好可靠性、適應性及實用性，對我國執行機構自動換擋技術發展與產業化具有重要推進意義。但本文在換擋執行過程中可能存在誤差值，未進行實時檢測及補償修正，這是下一步研究內容。