为解决传统湿式双离合器变速器(Dual Clutch Transmission,DCT)控制策略在硬件误差以及复杂工况下液压响应预测精度不完全可控的问题,提出了一种基于SHAP图可解释极端随机树预测模型,使用机器学习方法结合某汽车公司DCT实验室采集的真实离合器数据对DCT液压响应进行预测。模型利用SHAP算法对于重要特征选择的可解释性,筛选并保留对液压响应影响较大的特征,将时间切片和升降压判定作为特征加入训练数据,训练预测模型。结果表明,该模型训练结果的均方误差MSE为0.6703,可决系数R2为1.0000,并且在测试集上预测值与实际值之间的平均误差为12.99 kPa,远低于设计误差25 kPa,具有较高的预测精度,特征选择较准确,可以很好地解决传统物理模型无法计算不同工况下液压响应的问题,为下阶段基于数据和物理双驱动的DCT控制策略优化提供较准确的预测结果。

针对轧机厚度自动控制(Automatic Gauge Control,简称AGC)系统的负载在轧制过程中的时变特性,运用了负载变化补偿自适应控制策略。并采用MATLAB软件的SIMULINK模块对2030系列轧机的AGC系统进行动态特性仿真分析,将传统的电液伺服反馈控制与新设计系统做比较,仿真研究结果表明,设计的自适应AGC系统负载变化时响应更快,且具有更好的动态调节性能。