基于神经网络PID工程车辆4参数自动换挡控制.pdfVIP

基于神经网络PID的工程车辆 4 参数自动换挡控制1 王昕，赵丁选，王芳荣，王卓 吉林大学机械科学与工程学院(130024) email: zhanghy@ 摘 要：工程车辆 4 参数自动换挡的模型参数具有非线性、慢时变特性。自动换挡的传统控 制方法的操纵性能不能令人满意。本文讨论一种应用 BP 神经网络实现 PID 参数自整定的控 制方法。此法能根据车辆动态特性的变化，自动重新整定 PID 参数，从而改善了工程车辆 自动换挡的操纵性能和鲁棒性。 关键词：工程车辆，4 参数自动换档，神经网络；PID 控制；参数整定 1．引言 在以往的研究中，工程车辆设计时是从发动机总功率中扣除工作泵额定功率后与变矩器 进行匹配的，均将工作泵消耗的功率设为定值，即工作泵的额定功率[1]。但工作泵在作业 时，其消耗的功率并非总在额定工况下，如果在自动换档时不考虑这种变化，就会因不能准 确把握发动机动力的流向而难以获得较好的自动换档效果。 为解决上述问题，本研究提出了“工程车辆 4 参数”换档策略，4 个参数包括发动机油 门位置、工作油泵压力、变矩器泵轮转速（即发动机转速）与涡轮转速。由油门位置及发动 机转速推算出发动机当前的功率，由工作油泵出口的压力算出油泵消耗的功率，二者之差为 用于牵引的功率。由涡轮转速、涡轮转速与泵轮转速之比（变矩器的传动比）、及当前的档 位可以推算出牵引力的大小和车辆行走的速度。所以测得了这 4 个参数，就把握住了工程车 辆的运行工况及传动系统动力流的全貌，依此可以制定出合理的自动换档策略。 工程车辆 4 参数自动换档的模型参数具有非线性、慢时变特性[1]。传统的 PID 控制操 作频繁，功率损耗大，参数整定困难[2]，缺乏对工程车辆动态变化及工况变化的自适应能 力，影响了控制效果。 由于神经网络能以期望的精度逼近任何非线性函数，并且它具有自学习、自组织、自适 应、并行处理和容错等功能，因而获 学习算法 得广泛的应用[2~5]。针对工程车辆的 情况，本文讨论一种应用 BP 神经网络 实现 PID 参数 KP ，KI ，KD 自整定的 NN 控制器。 KP KI KD + r e u y 2 控制器结构 PID 控制器 变速箱 － BP神经网络具有逼近任意非线性 图 1 神经网络 PID 控制系统结构 函数的能力，而且结构和学习算法简 单明确。通过神经网络自身的学习，可以找到某一最优控制律下的P ，I ，D参数。基于BP神 1基金项目：博士基金资助“工程车辆四参数自动变速技术研究”（项目编号：20020183003 ） - 1 - 经网络的PID控制系统结构如图 1 所示。控制器由两部分组成：①经典的PID控制器：直接 对被控对象进行闭环控制，并且三个参数K ，K ，K 为在线整定式；②神经网络NN ：根据 P I D 系统的运行状态，调节PID控制器的参数，以期达到某种性能指标的最优化，即使输出层神 经元的输出状态对应于PID控制器的三个可调参数K