针对传统自动变速器挡位决策系统人机交互较差的问题,提出了一种基于深度残差网络的智能换挡控制策略。将节气门开度、车速及加速度输入多个自编码器对神经网络的权重进行无监督地预训练,重组自编码器的隐藏层并加入残差连接建立起深度残差网络。利用实车数据对深度残差网络进行微调,建立起基于深度残差网络的智能换挡控制策略。实验结果表明,相比基于传统人工神经网络的方法,该策略在实车工况下挡位识别率更高,为99.4%。

针对传统BP神经网络挡位决策存在的不足,利用三参数换挡规律进行算法和参数优化,得到优化后的BP神经网络。以纯电动汽车双电机多挡AMT为对象,采集试验数据,构建优化前后的神经网络,进行训练和仿真分析。对训练过程的分析说明,优化后的神经网络具有更快的学习速度;对训练后相应模型的仿真分析说明,优化后的神经网络挡位决策模型具有更高的精度。经过优化后的参数可为相应的理论研究提供参考。