[发明专利]基于模糊神经网络的湿式离合器状态识别方法

说明书

本发明涉及离合器控制设计的技术领域，具体为一种基于模糊神经网络的湿式离合器状态识别方法，包括以下内容：分析预设的半结合点状态参数全集筛选生成最优特征子集一；根据预设的滑摩特征参数生成滑摩状态参数全集，分析滑摩状态参数全集筛选生成最优特征子集二；根据最优特征子集一、最优特征子集二和预设的模糊神经网络模型生成离合器状态；获取工况信息，根据工况信息判断是否满足学习条件，若满足学习条件，则根据模糊神经网络模型获取离合器状态，根据离合器状态生成控制信息。采用本方案，能够根据模糊神经网络模型分析湿式离合器的离合器状态，从而执行不同的控制操作，提高湿式离合器的控制精度。

技术领域

本发明涉及离合器控制设计的技术领域，具体为一种基于模糊神经网络的湿式离合器状态识别方法。

背景技术

在对湿式离合器的研究中需建立精确的湿式离合器扭矩模型，而湿式离合器的结合过程是一个复杂的动态过程，由油液特性和摩擦副特性共同决定其传递的扭矩，其与液压油粘度、油温、主从动片转差、摩擦系数、控制压力等诸多影响因素都存在关联。现有技术中，为提高湿式离合器扭矩模型的精度，通常会引入更多的影响因素，通过增加影响因素的维度，提高扭矩模型的精度。

但是，实际应用中发现某些影响因素难以获取，例如主从动片间的油膜厚度，影响因素的难以获取导致无法实现该影响因素的引入，从而无法实现扭矩模型精度的提升，进而无法对湿式离合器进行精确控制。

发明内容

本发明意在提供一种基于模糊神经网络的湿式离合器状态识别方法，以解决现有技术中湿式离合器扭矩模型精度不高的技术问题。

本发明提供如下基础方案：

基于模糊神经网络的湿式离合器状态识别方法，包括以下内容：

分析预设的半结合点状态参数全集筛选生成最优特征子集一；

根据预设的滑摩特征参数生成滑摩状态参数全集，分析滑摩状态参数全集筛选生成最优特征子集二；

根据最优特征子集一、最优特征子集二和预设的模糊神经网络模型生成离合器状态。

基础方案的有益效果：湿式离合器的结合过程，依次包括完全分离、滑摩和完全结合三种状态，在不同状态下起所传递的扭矩不同，相应地，在不同状态下，其执行的控制参数有所不同。其中滑摩状态是完全分离和完全结合之间的过渡状态，通过摩擦副间摩擦力矩的逐渐增大或减少，实现湿式离合器在完全分离和完全结合状态之间的转换，将滑摩状态的起点和终点分别定义为半结合点状态和微滑摩状态。

影响结合过程的影响因素有许多，但并非每一因素都会对结合过程产生较大的影响，因此根据需求对全集进行筛选生成子集。半结合点状态参数全集为影响半结合点状态的影响因素的集合，最优特征子集一则是从半结合点状态参数全集中筛选出的影响因素构成的集合。滑摩状态参数全集为影响微滑摩状态的影响因素的集合，最优特征子集二则是从滑摩状态参数全集中筛选出的影响因素构成的集合。

根据模糊神经网络模型分析湿式离合器的离合器状态，从而执行不同的控制操作，通过识别不同的离合器状态，实现对离合器的精准控制，从而提高湿式离合器的控制精度。

进一步，分析预设的半结合点状态参数全集筛选生成最优特征子集一，具体包括以下内容：

获取湿式离合器半结合点状态下的筛选条件，根据筛选条件分析半结合点状态参数全集，筛选出最优特征子集一，最优特征子集一包括发动机扭矩。

有益效果：最优特征子集一与半结合点状态参数全集相比，其参数能够更好的反映信号物理本质相关的特征。根据筛选条件进行筛选，例如半结合点状态参数全集包括发动机转速，而在怠速状态下，发动机转速受温度、压力等因素影响而改变；在非怠速状态下，发动机转速会受油门开度、负载等影响而改变，在半结合点状态及其前后，很难形成一定规律，因此发动机转速不能作为半结合点的状态参数，即最优特征子集一中不包括发动机转速。