【技術實現步驟摘要】
本專利技術涉及計算機模型領域，特別涉及一種基于強化學習算法的油離配合策略優化方法及系統。
技術介紹
1、隨著汽車產業的發展，對于傳統燃油車輛的動力傳動的要求也逐漸提高，而其中離合器的接合與分離策略對于提升燃油經濟性和駕駛平順性起著至關重要的作用，因此對離合器接合性能也自然提出了更高的要求。
2、現有技術中，對于提高離合器的接合性能往往聚焦于對離合器本身接合過程的控制，通過優化接合過程以避免因滑摩時間過長導致的燃油經濟性降低，以及因閉合時間過短而對發動機產生的沖擊，但是在實際駕駛過程中，駕駛員往往會協同操作離合器與油門踏板，以保證動力傳輸的連續性以及離合器接合的高效性，所以單純對離合器接合過程本身進行優化并不能滿足實際的駕駛過程中的復雜油離配合情況，無法全面的平衡駕駛中對于動力性、經濟性和舒適性指標的要求。
3、因此，如何設計一種油離配合策略優化方法，以應對復雜的實際駕駛情況，全面的優化提高油離配合性能，成為了亟待解決的問題。
技術實現思路
1、基于此，本專利技術的目的是提供一種基于強化學習算法的油離配合策略優化方法及系統，通過構建燃油車的傳動模型，以深入分析的油離配合策略對于整車性能的影響，使得優化出的油離配合策略更符合人類駕駛員的實際操控過程，再對燃油車傳動模型進行關鍵參數約束，進一步的提高油離配合策略的擬真性，并進一步的提高油離配合策略的性能，再根據強化學習算法設計了獎懲函數，從動力性、經濟性和舒適性多方面進行性能優化，本專利技術極大地提高了油離配合策略
2、本專利技術提出的一種基于強化學習算法的油離配合策略優化方法，包括：
3、進行燃油車傳動模型構建，所述燃油車傳動模型包括離合器模塊、發動機調速模塊、發動機模塊、變速箱模塊和車身動力學模塊；
4、根據所述燃油車傳動模型進行關鍵參數約束，所述關鍵參數約束包括根據離合器及油門閉合曲線獲取關鍵參數約束條件；
5、根據強化學習算法獎懲函數進行迭代優化，以獲取最終油離配合策略，所述強化學習算法獎懲函數包括動力性獎懲函數設計、經濟性獎懲函數設計和舒適性獎懲函數設計。
6、綜上，根據上述基于強化學習算法的油離配合策略優化方法，通過構建燃油車的傳動模型，以深入分析的油離配合策略對于整車性能的影響，使得優化出的油離配合策略更符合人類駕駛員的實際操控過程，再對燃油車傳動模型進行關鍵參數約束，進一步的提高油離配合策略的擬真性，并進一步的提高油離配合策略的性能，再根據強化學習算法設計了獎懲函數，從動力性、經濟性和舒適性多方面進行性能優化，本專利技術極大地提高了油離配合策略優化的綜合性能。具體為，進行燃油車傳動模型構建，所述燃油車傳動模型包括離合器模塊、發動機調速模塊、發動機模塊、變速箱模塊和車身動力學模塊，使得優化出的油離配合策略更符合人類駕駛員的實際操控過程，根據所述燃油車傳動模型進行關鍵參數約束，所述關鍵參數約束包括根據離合器及油門閉合曲線獲取關鍵參數約束條件，進一步的提高油離配合策略的擬真性，根據強化學習算法獎懲函數進行迭代優化，以獲取最終油離配合策略，所述強化學習算法獎懲函數包括動力性獎懲函數設計、經濟性獎懲函數設計和舒適性獎懲函數設計，從動力性、經濟性和舒適性多方面進行性能優化，本專利技術極大地提高了油離配合策略優化的綜合性能。
7、進一步的，所述離合器模塊具體包括：
8、根據離合器狀態切換邏輯，計算摩擦矩、轉速差和慣性矩，以根據所述摩擦矩、轉速差和慣性矩計算傳遞力矩；
9、所述離合器狀態切換邏輯中當離合器剛開始閉合時，所述傳遞力矩的算法如下：
10、，
11、其中，表示傳遞力矩，表示摩擦片動摩擦力，表示離合器開度；
12、所述離合器狀態切換邏輯中當離合器處于鎖止狀態時，所述傳遞力矩的算法如下：
13、，
14、，
15、其中，表示鎖止狀態的傳遞力矩，min表示最小值函數， sign表示符號函數，表示發動機力矩，表示發動機慣性矩，表示發動機轉動慣量，表示離合器主動盤轉動慣量，表示離合器角加速度。
16、進一步的，所述發動機調速模塊和所述發動機模塊具體包括：
17、計算發動機調速模塊中控制調節單元的發動機需求力矩，所述發動機需求力矩的算法如下：
18、，
19、其中，表示發動機需求力矩，表示當前發動機轉速下外特性曲線對應的力矩，表示調速特性曲線查表函數，表示發動機轉速，表示油門開度；
20、計算發動機調速模塊中執行輸出單元的每秒燃油消耗量，所述每秒燃油消耗量的算法如下：
21、，
22、其中， fc表示每秒燃油消耗量，表示燃油消耗率；
23、計算發動機模塊的發動機轉矩，所述發動機轉矩的算法如下：
24、，
25、其中，表示發動機轉矩， fuel表示發動機噴油量，表示發動機力矩查表函數，表示發動機最大轉矩查表函數；
26、計算發動機模塊的發動機輸出軸轉速，所述發動機輸出軸轉速的算法如下：
27、，
28、其中，表示離合器的摩擦矩，表示發動機轉動慣量，表示離合器主動盤轉動慣量。
29、進一步的，所述變速箱模塊具體包括：
30、計算變速箱模塊中從離合器模塊傳遞到軸系的轉矩，所述從離合器模塊傳遞到軸系的轉矩的算法如下：
31、，
32、其中，表示從離合器模塊傳遞到軸系的轉矩，表示齒輪箱傳動效率，表示離合器的傳動轉矩，表示齒輪箱的轉動慣量，表示齒輪箱的傳動比， n表示檔位序號，表示齒輪箱的角速度。
33、進一步的，所述車身動力學模塊具體包括：
34、計算車身動力學模塊的空氣阻力，所述空氣阻力的算法如下：
35、，
36、其中，表示空氣阻力，表示空氣阻力系數，表示空氣密度， u表示車輛與空氣流動在車輛行駛方向上投影的相對速度， a表示車輛迎風面積；
37、計算車身動力學模塊的滾動阻力，所述滾動阻力的算法如下：
38、，
39、，
40、其中，表示滾動阻力系數，表示靜態修正系數，表示動態修正系數， v表示車輛速度，表示滾動阻力，表示車輛負載；
41、根據所述空氣阻力和所述滾動阻力計算車輛的行駛總阻力和車輛克服行駛總阻力的所需牽引力，以計算車輛速度，所述計算車輛速度的算法如下：
42、，
43、，
44、，
45、，
本文檔來自技高網...
【技術保護點】
1.一種基于強化學習算法的油離配合策略優化方法，其特征在于，包括：
2.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述離合器模塊具體包括：
3.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述發動機調速模塊和所述發動機模塊具體包括：
4.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述變速箱模塊具體包括：
5.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述車身動力學模塊具體包括：
6.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述根據所述燃油車傳動模型進行關鍵參數約束的步驟，具體包括：
7.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述根據強化學習算法獎懲函數進行迭代優化，以獲取最終油離配合策略的步驟，具體包括：
8.一種基于強化學習算法的油離配合策略優化系統，其特征在于，包括：
9.一種存儲介質，其特征在于，所
10.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器，其中：
...【技術特征摘要】
1.一種基于強化學習算法的油離配合策略優化方法，其特征在于，包括：
2.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述離合器模塊具體包括：
3.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述發動機調速模塊和所述發動機模塊具體包括：
4.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述變速箱模塊具體包括：
5.根據權利要求1所述的基于強化學習算法的油離配合策略優化方法，其特征在于，所述車身動力學模塊具體包括：
6.根據權利要求1所述的基于強化學習算法的...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。