1車輛系統(tǒng)模型及換檔規(guī)律（rhythmical)。齒輪減速機一般用于低轉(zhuǎn)速大扭矩的傳動設(shè)備，把電動機普通的減速機也會有幾對相同原理齒輪達到理想的減速效果，大小齒輪的齒數(shù)之比，就是傳動比。隨著減速機行業(yè)的不斷發(fā)展，越來越多的企業(yè)運用到了減速機。
　　利用車輛系簡化模型可以獲得對車輛換檔過程的直觀理解。硬齒面齒輪減速機一般用于低轉(zhuǎn)速大扭矩的傳動設(shè)備，把電動機普通的減速機也會有幾對相同原理齒輪達到理想的減速效果，大小齒輪的齒數(shù)之比，就是傳動比。隨著減速機行業(yè)的不斷發(fā)展，越來越多的企業(yè)運用到了減速機。
　　換檔規(guī)律（rhythmical)是車輛自動換檔控制系統(tǒng)的核心，通常獲得換檔規(guī)律有兩種方法：一是通過(tōng guò)學習優(yōu)秀（解釋:出色、非常好)駕駛員的換檔經(jīng)驗（experience)，提取最佳換檔規(guī)律；二是依據(jù)汽車自動變速理論，在一定約束條件下，按某種目標函數(shù)通過優(yōu)化（optimalize）實驗（experiment)來獲取換檔規(guī)律。行星齒輪減速機又稱為行星減速機，伺服減速機。在減速機家族中，行星減速機以其體積小，傳動效率高，減速范圍廣，精度高等諸多優(yōu)點，而被廣泛應(yīng)用于伺服電機、步進電機、直流電機等傳動系統(tǒng)中。其作用就是在保證精密傳動的前提下，主要被用來降低轉(zhuǎn)速增大扭矩和降低負載/電機的轉(zhuǎn)動慣量比。
　　可以看出，為了實現(xiàn)節(jié)能使液力變矩器工作在高效區(qū)，可以把變矩器效率(efficiency)曲線與高效區(qū)最低限的交點視為換檔點，即對應(yīng)就使液力變矩器的i落在（i1，i2）的范圍內(nèi)，使變矩器的工況點經(jīng)常保持在高效區(qū)，也就在一定的意義上達到了節(jié)能。將變矩器效率=75%（對于汽車wmin=0.8，工程車輛wmin=0.75）定為高效區(qū)最低限，當<75%，且i <i1時，降低一檔；<75%，且i>i2時，上升一檔；當=75%，且i1ii2時，保持原檔位。以上換檔規(guī)律是現(xiàn)今應(yīng)用比較廣泛的節(jié)能換檔規(guī)律。
　　根據(jù)車輛系模型以及上述換檔規(guī)律的分析，可以通過(tōng guò)測得的發(fā)動機轉(zhuǎn)速及變矩器渦輪轉(zhuǎn)速得到液力變矩器的比i，因此自動換檔控制系統(tǒng)(system)的參數(shù)(parameter)分別是反映駕駛員意圖的油門的開度，發(fā)動機轉(zhuǎn)速ne和液力變矩器渦輪轉(zhuǎn)速nt. 2神經(jīng)網(wǎng)絡(luò)的自動換檔系統(tǒng)。
　　21自動換檔BP神經(jīng)網(wǎng)絡(luò)模型。
　　BP網(wǎng)絡(luò)是一種單向傳播的多層前饋網(wǎng)絡(luò)，其結(jié)構(gòu)簡單，可塑性強，在許多領(lǐng)域得到廣泛應(yīng)用。根據(jù)上面分析得到的自動換檔規(guī)律，通過試驗比較確定如圖3所示的自動換檔BP神經(jīng)網(wǎng)絡(luò)模型。采用4層神經(jīng)網(wǎng)絡(luò)，各層神經(jīng)元數(shù)為2-3-3-4.輸入層對應(yīng)于換檔規(guī)律的輸入量：油門的開度和渦輪與泵輪的比i.網(wǎng)絡(luò)輸出層有4個節(jié)點，分別對應(yīng)4個檔位信號，y1，y2，y3，y4，與所選擇的檔位相對應(yīng)的信號為1，其他3個為0.圖3BP神經(jīng)網(wǎng)絡(luò)自動換檔模型根據(jù)換檔規(guī)律，基于BP神經(jīng)網(wǎng)絡(luò)的自動換檔控制系統(tǒng)(system)如圖4所示。根據(jù)所測得的油門開度和變矩器轉(zhuǎn)速比i以及檔位y的數(shù)據(jù)，依照圖4在ECU中建立的BP神經(jīng)網(wǎng)絡(luò)自動換檔控制系統(tǒng)進行圖4BP神經(jīng)網(wǎng)絡(luò)的自動換檔控制訓(xùn)練，根據(jù)誤差不斷調(diào)整BP網(wǎng)絡(luò)的權(quán)值，當完成訓(xùn)練后，就可得到網(wǎng)絡(luò)權(quán)值矩陣，構(gòu)成了訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)智能換檔控制系統(tǒng)。
　　22LM算法。
　　雖然BP神經(jīng)網(wǎng)絡(luò)具有很強的非線性逼近，自適應(yīng)和自學習能力，但是傳統(tǒng)的BP算法存在著收斂速度慢，局部極值，難以確定隱層和隱層節(jié)點個數(shù)等缺點。因此出現(xiàn)了很多改進的算法。LM算法是一種利用標準數(shù)值優(yōu)化（optimalize）技術(shù)的快速算法，是梯度下降法與高斯牛頓法的結(jié)合，也可以說成是高斯牛頓法的改進形式。它既有高斯牛頓法的局部收斂性，又具有梯度下降法的全局特性，訓(xùn)練步驟如下。
　　（1）將所有輸入提交網(wǎng)絡(luò)并計算相應(yīng)的網(wǎng)絡(luò)輸出y和誤差e，然后計算所有輸出的誤差平方和。
　　（2）初始化敏感度，進行反向傳播計算，計算雅可比矩陣的元素，由于此算法不需要計算Hessian陣，Hessian陣可以用下面的矩陣來近似替換：H=JTJ，其梯度為g=JT e，其中，J是雅可比矩陣，它含有網(wǎng)絡(luò)訓(xùn)練誤差的一階導(dǎo)數(shù)，是權(quán)值和閾值的函數(shù)，雅可比矩陣可以通過(tōng guò)標準的前饋網(wǎng)絡(luò)技術(shù)進行計算，比Hessian矩陣的計算要簡單得多。
　?。?）求網(wǎng)絡(luò)參數(shù)（權(quán)值和偏置值）的調(diào)整矩陣。
　?。?）用xk+xk調(diào)整網(wǎng)絡(luò)參數(shù)(parameter)，重新計算偏差平方和。如果新的和小于第1步中計算所得的和，則把網(wǎng)絡(luò)訓(xùn)練速度！k減小倍，并更新xk，然后用xk+1=xk+xk調(diào)整網(wǎng)絡(luò)參數(shù)，轉(zhuǎn)第1步；如果平方誤差和沒有減少，則把！k增大倍，轉(zhuǎn)第3步。
　　（5）達到設(shè)定的網(wǎng)絡(luò)收斂條件，退出訓(xùn)練，存儲相關(guān)(related)網(wǎng)絡(luò)參數(shù)。
　　23改進的LM算法。
　　為了克服LM算法的BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)BP算法的神經(jīng)網(wǎng)絡(luò)共有的不好的地方，就是可能收斂于局部（part)最小點，在這里對LM算法進行一些改進。訓(xùn)練指標由均方偏差達到某一設(shè)定值，改變?yōu)閮纱蜗噜徲?xùn)練的均方誤差的差值的絕對值# F（xk+1）-F（xk）#達到某一設(shè)定值，并且連續(xù)（Continuity)進行30次網(wǎng)絡(luò)收斂，每次隨機取初始網(wǎng)絡(luò)權(quán)值和偏置值。訓(xùn)練結(jié)束后，選取30次收斂中效果最好的一次，較好地減少了網(wǎng)絡(luò)收斂于局部最小的點可能性。
　　由于LM算法的神經(jīng)網(wǎng)絡(luò)具有在幾百次以內(nèi)就完成一次收斂訓(xùn)練的良好特性，所以連續(xù)進行30次收斂的時間不會過長。
　　3仿真研究。
　　31仿真（simulation)實驗。
　　利用MATLAB進行仿真實驗（experiment)研究，根據(jù)上面所述的節(jié)能換檔規(guī)律，擬定以變矩器效率(efficiency)不低于075為目標(cause)，采用歸一化后的工程車輛換檔試驗數(shù)據(jù)（data)來訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的理想輸入為油門開度，變矩器速比i，相應(yīng)得到的輸出為最佳檔位，算法采用上述改進的LM算法，用來校驗的輸入為，i.神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖5所示?？梢灾庇^地比較經(jīng)過訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)輸出和理想輸出，結(jié)果證明訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)自動換檔控制（control)系統(tǒng)能夠判斷出最佳檔位。
　　32實驗結(jié)果分析。
　　采用BP算法進行網(wǎng)絡(luò)訓(xùn)練的迭代(更替)次數(shù)?？煽闯霾捎没镜腂P算法進行訓(xùn)練需1000次迭代都未能滿足訓(xùn)練精度（精確度）要求，而采用改進的LM算法訓(xùn)練只需要進行十幾次迭代就能達到精度要求，大大降低了訓(xùn)練所需時間。
　　4結(jié)論。
　　神經(jīng)網(wǎng)絡(luò)有著很強的非線性映射和自學習能力，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于車輛自動換檔最佳檔位決策時，用它建立的模型能夠較好地反映換檔控制系統(tǒng)(system)的特性，對自動變速器的檔位判斷進行較為準確地模擬和預(yù)測。相對于傳統(tǒng)的BP算法的神經(jīng)網(wǎng)絡(luò)模型而言，改進的LM算法的BP神經(jīng)網(wǎng)絡(luò)模型的模擬預(yù)測效果更好，并能以快得多的速度完成網(wǎng)絡(luò)模型的收斂訓(xùn)練。