1車輛係統模型及換檔規律（rhythmical)。齒輪減速機一般用於低轉速大扭矩的傳動設備，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，大小齒輪的齒數之比，就是傳動比。隨著減速機行業的不斷發展，越來越多的企業運用到了減速機。
　　利用車輛係簡化模型可以獲得對車輛換檔過程的直觀理解。硬齒麵齒輪減速機一般用於低轉速大扭矩的傳動設備，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，大小齒輪的齒數之比，就是傳動比。隨著減速機行業的不斷發展，越來越多的企業運用到了減速機。
　　換檔規律（rhythmical)是車輛自動換檔控製係統的核心，通常獲得換檔規律有兩種方法：一是通過(tōng guò)學習優秀（解釋:出色、非常好)駕駛員的換檔經驗（experience)，提取最佳換檔規律；二是依據汽車自動變速理論，在一定約束條件下，按某種目標函數通過優化（optimalize）實驗（experiment)來獲取換檔規律。行星齒輪減速機又稱為P站PROBURN手机网页版，伺服減速機。在減速機家族中，P站PROBURN手机网页版以其體積小，傳動效率高，減速範圍廣，精度高等諸多優點，而被廣泛應用於伺服電機、步進電機、直流電機等傳動係統中。其作用就是在保證精密傳動的前提下，主要被用來降低轉速增大扭矩和降低負載/電機的轉動慣量比。
　　可以看出，為了實現節能使液力變矩器工作在高效區，可以把變矩器效率(efficiency)曲線與高效區最低限的交點視為換檔點，即對應就使液力變矩器的i落在（i1，i2）的範圍內，使變矩器的工況點經常保持在高效區，也就在一定的意義上達到了節能。將變矩器效率=75%（對於汽車wmin=0.8，工程車輛wmin=0.75）定為高效區最低限，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。以上換檔規律是現今應用比較廣泛的節能換檔規律。
　　根據車輛係模型以及上述換檔規律的分析，可以通過(tōng guò)測得的發動機轉速及變矩器渦輪轉速得到液力變矩器的比i，因此自動換檔控製係統(system)的參數(parameter)分別是反映駕駛員意圖的油門的開度，發動機轉速ne和液力變矩器渦輪轉速nt. 2神經網絡的自動換檔係統。
　　21自動換檔BP神經網絡模型。
　　BP網絡是一種單向傳播的多層前饋網絡，其結構簡單，可塑性強，在許多領域得到廣泛應用。根據上麵分析得到的自動換檔規律，通過試驗比較確定如圖3所示的自動換檔BP神經網絡模型。采用4層神經網絡，各層神經元數為2-3-3-4.輸入層對應於換檔規律的輸入量：油門的開度和渦輪與泵輪的比i.網絡輸出層有4個節點，分別對應4個檔位信號，y1，y2，y3，y4，與所選擇的檔位相對應的信號為1，其他3個為0.圖3BP神經網絡自動換檔模型根據換檔規律，基於BP神經網絡的自動換檔控製係統(system)如圖4所示。根據所測得的油門開度和變矩器轉速比i以及檔位y的數據，依照圖4在ECU中建立的BP神經網絡自動換檔控製係統進行圖4BP神經網絡的自動換檔控製訓練，根據誤差不斷調整BP網絡的權值，當完成訓練後，就可得到網絡權值矩陣，構成了訓練後的BP神經網絡智能換檔控製係統。
　　22LM算法。
　　雖然BP神經網絡具有很強的非線性逼近，自適應和自學習能力，但是傳統的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點個數等缺點。因此出現了很多改進的算法。LM算法是一種利用標準數值優化（optimalize）技術的快速算法，是梯度下降法與高斯牛頓法的結合，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，訓練步驟如下。
　　（1）將所有輸入提交網絡並計算相應的網絡輸出y和誤差e，然後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，由於此算法不需要計算Hessian陣，Hessian陣可以用下麵的矩陣來近似替換：H=JTJ，其梯度為g=JT e，其中，J是雅可比矩陣，它含有網絡訓練誤差的一階導數，是權值和閾值的函數，雅可比矩陣可以通過(tōng guò)標準的前饋網絡技術進行計算，比Hessian矩陣的計算要簡單得多。
　　（3）求網絡參數（權值和偏置值）的調整矩陣。
　　（4）用xk+xk調整網絡參數(parameter)，重新計算偏差平方和。如果新的和小於第1步中計算所得的和，則把網絡訓練速度！k減小倍，並更新xk，然後用xk+1=xk+xk調整網絡參數，轉第1步；如果平方誤差和沒有減少，則把！k增大倍，轉第3步。
　　（5）達到設定的網絡收斂條件，退出訓練，存儲相關(related)網絡參數。
　　23改進的LM算法。
　　為了克服LM算法的BP神經網絡與傳統BP算法的神經網絡共有的不好的地方，就是可能收斂於局部（part)最小點，在這裏對LM算法進行一些改進。訓練指標由均方偏差達到某一設定值，改變為兩次相鄰訓練的均方誤差的差值的絕對值# F（xk+1）-F（xk）#達到某一設定值，並且連續（Continuity)進行30次網絡收斂，每次隨機取初始網絡權值和偏置值。訓練結束後，選取30次收斂中效果最好的一次，較好地減少了網絡收斂於局部最小的點可能性。
　　由於LM算法的神經網絡具有在幾百次以內就完成一次收斂訓練的良好特性，所以連續進行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，根據上麵所述的節能換檔規律，擬定以變矩器效率(efficiency)不低於075為目標(cause)，采用歸一化後的工程車輛換檔試驗數據（data)來訓練BP神經網絡。網絡的理想輸入為油門開度，變矩器速比i，相應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.神經網絡訓練結果如圖5所示。可以直觀地比較經過訓練後的神經網絡輸出和理想輸出，結果證明訓練後的BP神經網絡自動換檔控製（control)係統能夠判斷出最佳檔位。
　　32實驗結果分析。
　　采用BP算法進行網絡訓練的迭代(更替)次數。可看出采用基本的BP算法進行訓練需1000次迭代都未能滿足訓練精度（精確度）要求，而采用改進的LM算法訓練隻需要進行十幾次迭代就能達到精度要求，大大降低了訓練所需時間。
　　4結論。
　　神經網絡有著很強的非線性映射和自學習能力，將神經網絡應用於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製係統(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測。相對於傳統的BP算法的神經網絡模型而言，改進的LM算法的BP神經網絡模型的模擬預測效果更好，並能以快得多的速度完成網絡模型的收斂訓練。