三轴五档轻型商用车手动变速器设计（含CAD图纸）
收藏
资源目录
压缩包内文档预览：
编号：206537437
类型：共享资源
大小：6.96MB
格式：ZIP
上传时间：2022-03-31
上传人：好资料QQ****51605
认证信息
个人认证
孙**（实名认证）
江苏
IP属地：江苏
50
积分
- 关 键 词：
-
五档
轻型
商用
车手
变速器
设计
CAD
图纸
- 资源描述：
-
三轴五档轻型商用车手动变速器设计（含CAD图纸）,五档,轻型,商用,车手,变速器,设计,CAD,图纸
- 内容简介：
-
基于机器学习的手动变速器总线生态驾驶辅助系统马宏杰，谢辉，大卫布朗，IEEE成员摘要：驾驶辅助系统（DAS）是一种关键技术以提高在用车辆的燃油经济性。操作过程中应考虑到车辆的振动，如：城市用途.本论文，使用手动变速箱总线的机器学习建模基于燃料消耗敏感性的前期研究驾驶风格。使用建议的评估模型，算法驾驶风格学习路径规划（LPP）的方法另外，还提供了一个逐步最短的学习不同驾驶方式实现生态驾驶的路径，增加了驾驶员的接受度和适应度。 模拟结果基于车辆和物理模型 显示计划贬值模型，辅助数据模型，可以用于模拟驾驶的物理模型 提示策略。结果显示 建议的策略是以渐进式的方式引导河流以改善燃油消耗量为6.25%，且对驾驶员的燃油消耗量变化最小驾驶任务和驾驶风格。索引术语：生态驾驶、驾驶风格、驾驶员评估、驾驶辅助系统、决策树。0 引言基于机器学习的手动变速器总线生态驾驶辅助系统对于手动变速器的研究有助力作用，本文着重介绍生态驾驶辅助系统的意义以及对于未来汽车的发展。通过不同方案研究变速器的结构，得出最优化的方案。1 介绍生态驾驶是一种经济和生态风格。采用这种驾驶方式会导致更好的燃油经济性和更低的车辆排放。研究表明，生态驾驶具有节省约25%燃油的潜力，这种节省大约是通过发动机调整和轮胎可以节省燃油优化1。调查结果还表明，驾驶员渴望从这种驾驶方式中获益2。然而，过去制造商和从研究社区探索和促进生态驱动3。考虑生态驾驶的意义燃油经济性，这项技术近年来发展迅速生态驾驶的研究可以分为以下几类：三个层次的优化：a）规划和优化任务级，b）战略级优化，c）优化在操作级别4。任务规划与优化研究层面主要关注燃油经济性的路线规划。驾驶路线占所选车辆的46%实现最佳燃油经济性是因为短时间或短距离可能不需要燃料经济性最佳5，6.燃料消耗对于最短的时间路径，可能比最短的时间路径多9.3%。燃料经济路线7。遍历优化方法已包含和方法可节省8.2%的燃油消耗5英里行驶路线5.类似的方法考虑在8中存在不同类型的车辆。但是，这些非官方车辆的许可证，但不适用于车辆，例如汽车或逻辑车辆。战略层面的规划和优化主要是优化发动机控制单元（ECU）的控制策略，使其性能与路况和/或驾驶风格相匹配，从而提高燃油经济性。9提出了一种基于自学习控制器的发动机标定参数自动优化方法并且该方法通过调整喷油正时和循环喷油等参数，优化了发动机能耗特性与驱动方式的匹配数量等。发动机工况建模利用马尔可夫决策过程对不同驱动方式下的发动机控制参数进行了优化在10。尽管这些方法在生态驾驶方面很有前景，但它们目前只适用于深度定制和设计阶段车辆控制系统的优化。战略层面的规划和优化主要是优化发动机控制单元（ECU）的控制策略，使其性能与路况或驾驶风格相匹配，从而提高燃油经济性。9提出了一种基于自学习控制器的发动机标定参数自动优化方法。该方法优化了发动机能量匹配调整驾驶风格的消费特性喷油正时、循环喷油量等参数。在10中利用马尔可夫决策过程对发动机不同工况下的发动机控制参数进行优化建模。尽管这些方法在生态驾驶方面很有前景，但它们目前只适用于深度定制和设计阶段车辆控制系统的优化。操作层面的优化主要是借助驾驶员辅助技术（DAS）来优化驾驶员的操作，以改善驾驶风格。这种生态驾驶优化方法有着广泛的应用和与其他两种优化相比，在用车辆的方法潜力更大。原因是平均水平不同驾驶风格的耗油量变化高达30%在城市环境和17%的高速公路11。驾驶风格甚至对电动汽车的消耗能量也有显著影响。宾厄姆等人12发现在能源消耗方面，轻度、激进的驾驶风格约占30%。操作级的优化可以实现通过培训车辆驾驶员或使用实时DAS技术13、14。关于燃油经济性这两种方法都有很好的效果15。司机培训被广泛采用由公共交通和物流公司在实时DAS技术的出现和此类培训可以使油耗降低11.6%16。其中一些训练规则源自于行为良好的人的经验驱动因素，而其他的则来源于对大数据技术的统计分析17。实时DAS技术为通过图形单位或声音来提高燃油经济性。该技术还可以与传统的培训方法相结合，进一步提高燃油经济性14。实时DAS技术通常包括迅速的算法和人机界面（HMI）。提示算法可以分为两类：速度规划算法和作战规划算法。在实时操作中速度规划算法实时输出目标速度供驾驶员跟踪作战规划算法提供了指导。最佳速度算法基于车辆模型和发动机的动态规划燃油经济性图见18。除了车辆配置、交通信息也很重要对于速度规划和19使用交通信息作为规划最佳速度的约束边界轮廓。基于红绿灯信息的减速过程中的速度分布规划类似方法见20。速度规划算法的前提假设经济速度剖面与经济运算相对应。这一假设非常苛刻，因为同样速度曲线可以通过以下不同的组合来实现操作。这将导致不同的驾驶员消耗不同的燃油，尽管他们遵循相同的速度模式。基于作战规划的算法需要参数较多，使用物理方法很难获得模型。原因是在发动机燃油消耗模型中，很难在复杂性和精确性之间取得平衡21。因为每种发动机都有拥有独特的车型，因此，这也限制了应用程序基于物理模型的作战规划算法。目前，大多数的运行规划算法都是参照驾驶员的“正常运行”来提供运行反馈的，通过统计驾驶员在公路上的驾驶历史数据22。然而，“正常操作”并不一定是在任何时候都是最好的操作，这种算法可能导致对燃油经济性影响更大的驾驶风格。一些更智能的算法是基于模糊逻辑或贝叶斯算法和历史道路行驶数据为每个用户提供个性化的帮助23、24。DAS技术面临的另一个挑战是接受这项技术。两者之间的差别越大与固有驱动相关的DAS制导信息驾驶员的习惯和风格导致驾驶员对DAS指南的接受/采用降低。为了解决这个问题，提出了一个闭环速度咨询模型来生成燃油经济性速度曲线25。然而，对于具有操作规划算法的DAS技术，一种采用驾驶员学习能力和尚未考虑采用。在本文中，我们应对这一挑战并制定运营计划考虑驾驶员倾斜的算法考虑到DAS的采用。图1. 基于驾驶风格评价模型和学习路径规划的生态驾驶辅助系统结构DAS的HMI选择也是研究。这通常包括在HMI视觉，听觉，视觉和听觉haptic 26 27 。的部署成本，驱动器的性能，在接受美联社和工作量与交互在四不同的评价标准HMIS 28 。在工作量的解决方案是基于haptic更好的听觉比视觉为基础的解决方案，而其他三是相反的标准 29 。尽管这样，工作量视觉听觉的解决方案是基于多个较小的。手术导航或CD的变化 30 。因此，我们选择的视觉听觉为HMI在本研究。如图1所示，通过车载诊断系统收集驾驶员的操作和相应的燃油消耗率接口。根据这些原始数据，车辆载荷（包括坡度和车辆质量）、行驶方式特征参数（如表1所示）和相应的燃油计算消耗率。这三种相互关联的数据构成了一个单独的历史样本。虽然交通拥挤、交通灯等随机因素路况、风速、风向等对每个样品的燃油消耗量的影响需要注意的是，在样品充足的前提下这些随机因素对燃油消耗的影响将被排除在外。因此，采用机器学习来构建基于大数的驾驶风格评价模型历史样本（第二节A）之后是一条学习之路基于评价模型的规划算法是建议提供经典的基于规则的阈值生态驾驶辅助算法，可以帮助驾驶员通过实时提示实现更好的燃油经济性（第二节B）。最后，分析了驾驶风格评价模型的精度和LPP算法的有效性基于联合仿真平台进行验证（第三节）。表一驱动方式特性参数手动变速器总线2生态驾驶辅助算法在我们之前的研究中，如表1所示，描述与对手动变速器客车司机的燃油经济性进行了研究。这些参数对燃油消耗的影响分析了不同交通条件下的交通荷载。这个参数集包括换档正时、平均油门踏板深度和平均油门踏板的阳性率更换每个档位。也有人认为在特定情况下可以得到手动变速器客车的燃油消耗量基于至少2500公里的道路行驶数据31。这些特征参数是建立驱动的基础样式评估模型。基于这些特征参数，我们开展了以下创新工作 ：a）基于机器学习算法和道路驾驶数据；b）可逐渐引导驾驶员的LPP算法为了改善驾驶行为，基于评价模型。该模型可以确定驾驶员的燃油经济性水平。对于根据特性确定的车辆配置驾驶风格参数，LPP可以计划学习驾驶员实现燃油经济性升级的途径尽可能少的操作变更。根据路径上，驾驶员可以逐渐改善操作习惯提高驾驶的接受度和接受度燃油经济性提高的DAS。2.1手动变速器客车司机驾驶风格评价模型驾驶风格评价模型是一个多耦合输入的分类模型。该模型以驾驶风格特征参数为输入，以相应的燃油经济性水平为输出。在本文中，采用机器学习来构建模型，并且机器学习算法需要具备以下功能满足LPP要求的特性：1.评估过程是可追踪的，这意味着模型应该是白盒模型。模型应该提供分类结果和判定同时进行燃油经济性的过程。有三个典型的决策树（ID3、C4.5、C5.0）可以满足这一要求。图2、基于决策树算法的驾驶风格评价模型实例2.算法应该支持默认属性，以支持只有部分输入的条件可用。例如，在某些交通条件下，驾驶员不能表达所有的运行特性。ID3不能满足此要求。3.算法的计算/复杂性需要尽可能低。该模型可以在计算能力相对较弱的嵌入式系统中运行。C4.5和C5.0决策树都能满足要求。与C4.5相比，C5.0的改进是建模速度。C4.5算法的优点是与c5.0相比，它是一种开源算法。在我们的研究中，我们采用C4.5作为驾驶风格评估模型32。建模数据来自上述历史样本。C4.5算法在方程式1-3中描述，其中gR (D, A)是系统信息熵的增加率，如果驱动方式特征参数A被拆分。D表示历史样本数据集，包括驾驶风格和相应的油耗，pi在方程式1表示燃油经济性在所有样本中，级别属于级别Lx，n代表总数燃油经济性水平除以用户数，k代表式3中A，pi的可能值的数目表示A = Ti，T和H代表A的判别阈值和决策系统的不确定性的概率，分别为33。所建模型结构示意图通过决策树C4.5如图2所示，其中Rxi是非叶节点，如等式4所示，表示驱动方式特征参数（PXI）的二进制判别结果。例如，“g2tog3速度大于25km/h”是一个非叶节点（R1），其中，g2tog3速度是驾驶风格，25km/h为判别阈值（T1）这个节点。节点的判别结果确定树枝。经过一系列的测定对于非叶节点，决策树可以给出叶节点lx（图2中的好或坏）表示燃油经济性与驾驶风格相对应的高度。从这个例子中，决策树的可追踪白盒特性可以被发现。如燃油经济性与当前驾驶风格和潜在目标驾驶风格更好的燃油经济性都可以反映在模型中。这个表示决策链接的驱动程序R1=0，坏，调整到目标链接选项1R1=1，R2=0，R3=0，良好或选项2R1=1，R2=1，R4=1，R5=1，很好可以实现更好的燃油经济性。这是lpp算法。图2、图3所示例子的填充决策树模型2.2学习路径规划从图2可以看出，驱动程序有两个选项以实现更好的燃油经济性（良好）。所以，lpp算法应该能够选择更好的选项，即最接近当前驾驶风格，可以逐渐向驱动程序提示选择。这将减少变化在驾驶风格和增强生态驾驶的接受度方面辅助系统。2.2.1选择目标决策链接：选择最接近当前驾驶风格的决策链接具有最佳燃油经济性和距离的决策链接集需要测量决策链接之间的关系。方法本文提出的是填充决策树进行决策所有决策分支的长度相同。这允许要测量的不同决策链接之间的距离。图3是示例的填充决策树模型如图2所示。在图中，红色决策链接在使用Eco驾驶之前，代表驾驶风格辅助系统。在这个决策链接中，非叶节点r2，r3、r4和r5不参与目标的选择。决策链接。如图3所示，在填写的决定中模型，当前决策链接为R1=0，R2=1，R3=0，r4=1，r5=1，bad和两个可选的目标链接是r1=1，r2=0，r3=0，r4=1，r5=1，良好并且r1=1，r2=1，r3=0，r4=1，r5=1，良好。虽然图2示例中的第二个选项具有更长的链接比第一个选项，很容易发现驾驶员只需要更改第二个操作（R1=0R1=1）一次，而两个操作中第一个（R1=0R1=1和R2=1R2=0）。所以，第二种选择实际上是比第一个选择更好。上述例子的数学表示如方程4-8所示。显示符号说明表2。决策树可以转换为集合决策链的DT模型，如等式9所示。表二决策树模型的符号描述确定目标的标准有两方面：燃料经济在历史数据中达到最优值；驾驶风格的变化也尽可能少。如式10所示，首先，几个路径从决策中选择最佳燃油经济性等级链接集形成目标集tg。很明显，决赛驾驶员学习的学习目标必须包括在设置TG。然后，根据第二个标准，目标TL Hat最接近目标设置中的当前驾驶风格tg解决的。为了测量驾驶风格之间的差异，如方程11所示，我们定义距离指数dsxy其特征是与决策链接cx的区别到CY。值越大，操作的变化就越多驱动程序需要从当前链接X进行改进到链接Y。这是一个方向距离指示器，即dsxy不等于dsyx。基于欧几里得距离对距离指数进行了改进，引入了基于欧几里得距离。因此，LPP算法学习目标tl可表示为方程式12。2.2.2及时的LPP：为实例展现在图4，划分LPP之间差分，其中有链接的电流驱动型和目标的决策链为三类。他们会问到prompted带动起来的。“规则是如下：a） 这三类是换档提示，正极油门踏板提示坡度和平均油门踏板深度提示。优先权三类提示中，换档加速踏板的正梯度平均加速踏板深度b） 只有一类提示将提供给司机一次来减少司机的分心。这意味着在上一个提示完成之前，lpp不会向驱动程序提供其他类型的提示。c） 一个类别中的每个功能具有相同的优先级，并将在驾驶过程的不同阶段呈现给驾驶员。以换档提示为例，在驱动过程中，三个换档正时以三个不同的速度点提示驾驶员。d） 在决策树模型中，每一类特征的阶段目标由相应特征的决策阈值决定。图5、基于决策树算法的驾驶风格评价模型实例推广的实施包括以下步骤：a） 车载设备在启动期间加载一个包含所有提示的文件。此文件由远程服务器上运行的lpp算法更新。更新后的周期约为20天，由车辆行驶里程决定。b） 驾驶员掌握的提示在开始驾驶后会被跳过一小段时间。c） 在下一个循环中将再次提示之前已经掌握但现在已经被遗忘的提示。2.3系统的实施生态驾驶辅助系统的实施如图5所示。该系统由三部分组成：Android平板电脑、车载设备和远程服务器。关键部分这个系统是车载设备。如图所示，系统工作流程如下：1车载单元与电子设备通信J1939及以上车辆和发动机的控制单元CAN校准协议。2这些实时数据用于重建车辆质量、道路坡度、燃油经济性和齿轮指数重建模块。3之后，原始数据和重建数据用于提取驾驶风格参数。4所有上述数据连同GPS定位信息通过无线网络传输至远程服务器。5缓存无线网络断开期间的数据在本地SD卡上，然后重新上载到服务器网络恢复。6远程服务器上运行的算法生成的xml文件下载到单元进行升级。图6、目前13个驱动力的燃料经济水平与模型预测价值之间的比较7 实时驾驶提示通过蓝牙传输到平板电脑。提示以视觉听觉的方式呈现给驾驶员。3结果与讨论为了验证该算法的有效性，本文从两个方面进行了验证：首先验证了驾驶风格评价模型的精度，然后验证了LPP算法的有效性。3.1驾驶风格评价模型验证驾驶风格评估模型的数据是从运行在相同配置上的三辆公共汽车上获得同一条公交路线。有13名司机参与了19个月的数据收集和他们被平均安排。数据的采样间隔为100毫秒。这个数据集包含1.472亿条记录，覆盖10.22万公里里程数同一路线、同一车辆配置可以消除因车型、交通灯等因素造成的影响以及交通状况。100ms采样间隔可以完全保持驾驶风格和13个驾驶员交替驾驶,三辆车可以排除偶发天气或载客量波动的影响影响结果的因素及分析。 如上所述，对于固定路线手动变速器公交车，2500公里的运行数据可以反映出影响燃油消耗的驾驶风格。考虑数据集包含13名驾驶员，占总记录的30%（30660公里总里程2358公里/司机），打造驾驶风格评估模型，而其他70%的样本用于验证目的。在这些司机中，最短的公共汽车行驶经验是9年，最长的是25年。公共汽车公司为他们提供了生态驾驶的薪酬激励。偶数对于这些有动力和驾驶经验的驾驶员，绝对油耗差异仍然高达14%，这是同时表明，生态驾驶辅助系统具有良好的市场前景。通过比较平均预测燃料每个驾驶员的经济性水平与实际燃油经济性验证了驾驶员评价模型的精度。如图6所示，评价模型的平均绝对误差为5.53%。此外，从图中可以看出，平均燃油经济性水平的预测趋势与实际平均燃油经济性水平接近，两者之间的相关性为0.89，相应的显著性水平为0.999943。这意味着基于C4.5决策树算法构建的驾驶风格评价模型能够达到预期的目标。图7、LPP验证仿真平台图8、车型准确度验证图9、发动机仿真模型精度验证图10、LPP计划的每个步骤的燃油经济性图11、四种车型对应车型的对比分析快照3.2 LPP验证由GT-Suite和Simulink开发，其中详细的物理模型在GT-Suite中实现，并且在Simulink中实现了驾驶风格评估模型和LPP算法。（1）仿真平台：在核实中采用的仿真模型结构在图中显示。7，包括四子模型传动系统驾驶，车辆和环境。动力总成子模型包括发动机控制、齿轮箱和发动机型号。车辆子模型包括车辆控制器和车辆纵向动力学模型，而环境子模型包括风的输入。速度、温度和道路等。驾驶员模型支持引入实际驾驶员的组合操作，模拟实际驾驶员相应的燃油经济性行为操作。驱动模型还支持协作在Simulink环境中使用lpp算法模拟驾驶员对LPP算法。用于能耗研究的车辆模型验证包括空气阻力在内的运行阻力以及滚动阻力。车辆的滚动阻力由车辆质量决定，空气阻力为由车速决定。模型校准确保车辆自由运行时的减速速度曲线与实际曲线一致。如图8所示，车辆从37.4 km/h自由滑行40秒。模拟模型剖面与实测数据的平均误差为0.29%。图12、四个快照对应的发动机工作点分布对比分析发动机及其控制器模型根据对生产厂家的实验数据，校准结果如图9所示。可以看出模型外特性转矩平均误差为0.12%，燃油经济性平均误差为1.51%。发动机喷油特性图控制器模型中的驱动特性图采用真实发动机电子控制的标定数据单位。动态响应特性与燃油经济性发动机的特性与原动机。由于动力传动系模型和车辆模型具有良好的验证精度，因此上述利用仿真平台对该算法进行了验证。2）lpp算法验证结果：为了验证了LPP算法的有效性，选择了实际运行的250s驱动段作为基准。模拟LPP提示的接受和适应逐步实现更好的燃油经济性。驾驶段包括三个典型过程：1）从停止到最大速度的连续加速，2）恒定速度和3）减速，有助于评估建议的不同场景下的算法。如图10所示，lpp提示的提示数是76，这意味着当前驱动之间有76个微调步骤风格和理想。这些步骤可以进一步划分分为三类，其中换档速度类包括16个调整步骤，油门踏板变化率等级包括32个调整步骤和平均油门踏板深度包括28个调整步骤。前后快照操作调整用于比较。比较快照1和快照2显示4个档位的换档速度由16.2km/h、26.1km/h、39.8km/h改为14.1km/h，21.9km/h，36.3km/h。这表明这种转变所有档位的初始驾驶方式的正时都迟了。同样，如快照3和快照4所示，油门踏板变化率等级和平均油门踏板深度也可以调整。如图所示，经过上述调整后，车辆的燃油经济性为提高6.25%。如图11所示，四个快照基本相同，表明lpp对驾驶任务影响不大。快照1和快照2的比较表明，在加速过程中，速度剖面的偏差大于另一个。相位，由于换档正时变化。快照2和快照3速度剖面基本一致，包括油门踏板变化率调整策略LPP对车速影响不大。比较快照3和快照4显示快照3的速度在62s85s范围内减小，表明这段时间的速度对发动机来说是无效的。为了进一步分析LPP算法实现节油的原理，我们对其分布进行了比较四个快照的引擎操作点。如图所示在图12中，驾驶行为的变化将直接导致到发动机工作点的轨迹显著虽然最终速度曲线基本上是同样。发动机工作点的不同分布将导致不同的燃油效率。通过比较箱线图快照1和2的。从图12可以看出发动机中速从1458转/分降至1388转/分，扭矩由346牛米增加到376牛米。换档正时变化。这种分布变化将导致发动机的工作状态将朝着燃油效率更高的区域移动。快照2和快照3的比较显示虽然扭矩和转动的统计分布速度基本相同，如箱线图所示，后一种发动机的轨迹波动是显著的急剧减少。降低发动机工作点波动可以降低由发动机瞬态特性。图12还显示了快照4加速器踏板的平均深度减小，发动机低燃油效率区的工作点超过1794转/分的速度显著降低。我们可以得出这样的结论：首先，纯数据模型基于机器学习的方法可
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号