0 引言

在汽车工程领域，离合器作为驱动系统的核心部 件，无论是在传统自动变速器中，还是混动驱动单元中， 其性能表现都直接关乎整车的动力传输效率、换档平 顺性以及燃油经济性。随着汽车产业向智能化、高效 化方向的快速发展，对离合器的精确控制与优化成为 研究热点与关键挑战。由于制造工艺的公差普遍存在， 不同车辆的离合器硬件参数会有差异。为了保证不同 硬件参数下的换档性能，离合器的控制油压会进行自 适应学习。但对于刚量产下线的车辆，在没有触发自 适应功能以前，换档的质量完全依靠合理的标定初始 值来保证。如何设置合理的标定初值是本文主要研究 的问题。在混动车型上，由于电机驱动的引入，整体 驾驶平顺性得到大幅提升，也正因为如此，换档的平 顺性变得更加敏感，本文的研究正是基于混动单元进 行的开发和应用，其方法同样可以推广到传统自动变 速器控制领域。

传统的换档控制标定初值设置方法，一般是通过 观察工程开发车辆上不同初值的表现或是记录开发车 辆学习收敛后的值来进行确定初值。这种基于有限的 整车测试数据或者依赖工程师经验进行初值调整的方 式存在明显的局限性，难以全面且动态地考虑硬件个体差异与软件控制策略之间的复杂耦合关系。在实际 量产中，由于制造工艺等因素，不同批次甚至同一批 次的离合器硬件参数都存在一定程度的散差，而传统 方法无法充分利用这些实际的硬件参数分布信息实现 精准的软件初值标定，导致下线新车的性能表现参差 不齐，无法达到最优的综合性能。

为有效解决上述问题，本文提出一种基于整车性 能分布特性（三维性能曲面）的标定方法。该方法以 全新的视角，将离合器硬件参数和软件标定参数分别 作为二维坐标轴，将整车换档性能表现作为第三维， 通过构建三维性能曲面，精确建立起离合器硬件参数 与软件标定参数之间的耦合关系，从而实现软件与硬 件的协同优化。同时，通过关联分析硬件参数的分布 特性，为整车下线时的初值标定提供数据驱动的科学 决策支持，有效解决传统方法中初值校准成本高、适 配性差的问题，为汽车驱动系统性能的优化开辟了新 路径。

1 离合器的硬件特征

在离合器生产制造的过程中，由于生产工艺的散 差，会导致离合器的诸多硬件参数出现不一致性，比 如活塞有效作用面积、回位弹簧刚度与预压缩量、摩 擦片组尺寸以及摩擦片摩擦系数等。这些硬件参数会直接影响离合器的压紧效果和扭矩传递特性，进而影 响整车的驾驶平顺性。

为了评估离合器的硬件偏差，出厂前会做相应的 测试，目的是测量出该离合器系统的特征参数，并基 于设计目标筛查不合格品，确保硬件制造质量。考虑 到扭矩传递是离合器最重要的功能，通常在驱动单元出厂测试（EOL，EndOfLine）中会测量充油时间、充油压力和扭矩传递系数，这些测试值表征了该硬件在驱动单元测试环境下的扭矩传递特性。本文以充油压 力（记作P_HW）为代表来说明硬件特征参数对换档质量 的影响和对应初值标定的设置方法。P HW 的 EOL 测试 流程为：（1）保持输入电机一定的转速，输出电机无负 载，记录输入电机转速及转速变化率；（2）设定离合器控制压力，以一定的步长逐步增大命令值，每次增加后保持 1 ～ 2 s 稳定时间，判断当前输入电机转速，当 转速变化率大于阈值时，记录当前压力值为 P_HW ；（3） 多次测量取平均值。

2 变速器换档控制的基准压力

在变速器换档过程中，离合器的压力需要根据不 同工况下的转速差、扭矩传递需求以及期望滑磨时间 做动态控制。为了适应不同离合器之间的硬件偏差以 及使用过程中的性能变化，我们开发了自适应策略来 调整控制压力，这个自适应变化的压力也是换档控制 中的基准压力（记作 P_CtrlBase）。P_CtrlBase 是控制中的一个 基础值，在不同的场景下，命令压力会基于该基础值 进行偏差补偿，比如基于温度、扭矩等的标定值。本 文需要研究的是，在触发自适应学习之前，如何保证 整车的换档质量。即如何设置合理的 P_CtrlBase 初值，保 证批量制造车辆的初始换档质量均满足客户需求。

一种常见的方法是在整车换档控制标定的过程中， 通过累积测试的方法得到每辆工程开发车辆经过自适应学习之后的P_{CtrlBase_Adapted}，然后对所有工程开发车辆 的 P_{CtrlBase_Adapted} 做统计，最后取均值作为 P_CtrlBase 的初 值。自适应学习是基于换档中发生的事件来不断修正 P^CtrlBase, 如果换档中发生异常（比如换档超时），则根据 异常现象的种类对 P_CtrlBase 进行加减调整（增 / 减的步长根据异常发生的次数进行动态调整），修正后的压力 值就是 P_{CtrlBase_Adapted}，然后将 P_{CtrlBase_Adapted} 赋值给 P_CtrlBase 进行下一次换档的测试，直至换档达到最优的状态， 此时的 P_{CtrlBase_Adapted} 就是对应该车辆硬件状态的最合理 的控制基础值。在实际自学习过程中，P_{CtrlBase_Adapted} 是有安全边界的，在开发过程中，会依据打滑监控设置 P_{CtrlBase_Adapted}的下边界，依据换档能量来设置P_{CtrlBase_Adapted} 的上边界。这种基于开发车辆 P_{CtrlBase_Adapted} 的统计均值 的方法，仅考虑了工程开发车辆所代表的硬件分布特 性，并不能确保大批量制造车辆的性能表现，如果量 产车辆的硬件分布发生偏移，很难基于这种方法进行 快速调整。

一种改进的方法是在设置 P_CtrlBase 初值的策略中 考虑硬件特征的分布，试图借助硬件特征参数 P HW 与 P_{CtrlBase_Adapted} 之间的映射关系（一般假设为线性函 数），再基于硬件特征的分布特性推测 P_{CtrlBase_Adapted} 的分布，从而选取最佳 P_CtrlBase 初值（通常是分布的均值）。 这种方法的弊端在于，车辆的硬件特征参数 P_HW 与 P_{CtrlBase_Adapted} 之间并不是线性关系。硬件特征参数是 离合器硬件在下线测试台架上的静态测试结果，而 P_{CtrlBase_Adapted} 是基于实车换档质量指标（冲击度、滑磨 时间及滑磨速差等）和我们设计的控制算法，反推得 到的控制压力值，其场景为复杂动态环境，其与离合 器硬件特征参数并不能简单线性化。另一方面，在线 计算机制不能全面评估换档质量，因此，从最终的控 制目标上来看，这一简化的映射关系也存在较大偏差。 因此，本文试图建立一种面向整车性能目标（换档质量） 的方法，以此寻找到最优的 P_CtrlBase 初值。

3 整车性能性能曲线

为了评估不同的 P_CtrlBase 在不同的车辆硬件状态 P_HW 上对换档质量的影响，我们需要找到 P_CtrlBase、P_HW 和换档质量三者之间的映射关系。

3.1 整车性能曲线

对工程开发车辆进行换档测试，评估其在不同 P_CtrlBase 标定初值下的换档质量，引入 GMUTS 评分来量化换档质量，可以得到图1所示的换档质量曲线。图中给出了 4 辆车的性能曲线数据 , 换档类型为无制动的滑行降挡，油温控制在 80℃，发动机输入扭矩恒定在 -22 N · m，每一个工况点重复三次取 GMUTS 平均分， 共 276 个换档样本。实际开发过程中如有更多车辆数据样本，可提高拟合精度。通过曲线图可以发现，各 车辆上的表现趋势相同，但对于不同方向上的控制参数偏移，换档质量的敏感度是不一样的，这也是本文提出新方法的原因之一。

图1 工程开发车辆的整车性能（换档质量评分）曲线

3.2 三维性能分布曲面生成算法

收集每辆工程车所对应的硬件特征参数 P_HW，从而将换档质量评分曲线进行拓展，构建以硬件特征参数 P_HW 和控制标定参数 P_CtrlBase 为自变量，性能指标 GMUTS 为因变量的三维曲面模型。

构建曲面的方法是拟合，常用的方法有多元二次响应面模型、插值型拟合和机器学习拟合。本文采用 插值型拟合的方法，该方法基于邻近数据点的相似性 插值生成连续曲面，适合 P_HW、P_CtrlBase 采样点密集的 场景，曲面平滑无断裂，便于后续用优化算法查找最 优 _PCtrlBase。具体的插值方法可以用三次插值 ( 基于三 次多项式拟合局部数据 )，也可以用克里金插值 ( 基于 空间相关性建模，假设邻近的 (P_HW、P_CtrlBase) 对应的 GMUTS 更相似，通过变异函数（如高斯函数、球面函 数）量化相关性，拟合出平滑且高精度的曲面 )。本文采用径向基函数插值（RBF），以每个数据点为中心构建径向基函数（如高斯核、多二次核），通过加权求和生成曲面，适合非线性强、数据分布不均的场景。插值函数如式 (1) 所示。

式中：x 为待插值点；p_i 为已知数据点（即实车测试的数据）；λ_i 为权重系数； φ (·) 为径向基函数；P(x) 为低阶多项式。

插值结果如图 2 所示，通过曲面拟合实现了 P_HW、 P_CtrlBase 和 GMUTS 的连续关系映射。

图2 三维性能分布（换档质量）曲面

3.3 基于换档质量的二维平面投影

以换档质量为目标，在图 2 的三维曲面图上做 Z 向横切面，然后将切出的曲线（图 2 虚线）投影到 PHW-PCtrlBase 平面上，获得 P_HW 和 P_CtrlBase 的 GMUTS 等 高线，如图 3 所示。该等高线图，可以直观的体现硬件特征参数与控制标定值的匹配所获得的整车换档质量，是本文提出的优化方法的关键所在。

图3 换档质量等高线

3.4 硬件特征参数分布特性

对驱动单元下线测量的离合器硬件特征参数 P_HW 进行统计分析，可以通过绘制直方图可视化分布特性， 同时采用描述性统计与假设检验（如 K-S 检验）确定 其分布类型（正态分布、对数正态分布等），从而拟合出分布曲线，如图 4 所示。

图4 量产下线车辆的驱动单元离合器 PHW 分布 

3.5 基于整车性能分布特性的最佳标定初值求解

将图 3 与图 4 结合起来，便可以计算出在当前硬件特征分布特性下，使整车性能最大化的最优 P_CtrlBase值。如图5 所示，一般情况下，我们要求整车下线时的初始换档质量达到 GMUTS7.0，以此作为评估方法， 每一个 P_CtrlBase 都可以对应查到可以满足 GMUTS7.0 的 硬件特征参数范围（A ,B），即当硬件特征参数处于该 范围内时，整车换档质量可以达到 7.0 以上。结合实际 的硬件特征参数分布，可以计算出实际处于该范围内 的车辆比例。基于最大化批量车辆的初始换档质量的 目标，最终选定了最优初值 P_CtrlBase( 最优 )。

从制造的质量控制角度考虑，我们的目标是所有 的硬件特征参数都控制在（A ,B）以内。如果出现少量 超出该范围的硬件，我们也开发了对应的初始标定调整函数，可以提高初始换档质量。

至此，该方法完成了“硬件特征参数分布—三维曲面映射—最优初值”的量化最优流程。

图5 基于整车性能最大化的 P_CtrlBase 设置 

4 结论

本文提出的基于整车性能分布特性（三维性能曲面）的离合器控制标定设置方法，通过构建硬件特征 参数、控制标定参数与整车性能指标的三维映射关系， 实现了离合器硬件分布特性与标定连续调节策略的深度耦合。该方法突破了传统标定技术的单维优化和经 验驱动的局限，弥补了传统质量控制方法中对硬件分 布特征缺乏深度量化分析的技术短板。通过构建“硬 件特征参数—控制标定参数—整车性能指标”的三维映射关系，既解决了在已知硬件特性分布情况下如何量化的寻找最优标定参数的问题，同时也为离合器硬件特征参数的质量控制提供了理论依据。

该方法对提升汽车的客户满意度具有重要的工程价值，并已经在量产项目上得到了验证。某整车平台 项目在使用原有的统计平均值方法时，下线车辆报出 换档冲击（GMUTS<7）的比例大约为 13% 左右。使用 基于整车性能分布特性的初值设置方法后，随机抽查 30 辆下线车辆，全部实现换档质量要求 (GMUTS ≥ 7)， 从而证明了该方法的有效性和贡献度。

未来可进一步融合数字孪生技术，实现控制标定的实时仿真与动态迭代更新，推动离合器控制标定向 智能化方向演进。

参考文献

[1] Mishra K D, Cardwell G, Srinivasan K. Modeling, control, and adaptation for shift quality control of automatic transmissions[C]// SAE World Congress Experience. Detroit, 2019.

[2] 刘增祥 , 赵知立 . 充油自学习方法的研究 [J]. 汽车 实用技术 , 2017(18): 208-210.

[3] Wang P, Katopodes N, Fujii Y. Statistical modeling o f plate clea rance dist ribution fo r wet clutch drag analysis[J]. SAE International Journal of Passenger Cars—Mechanical Systems, 2018(1). DOI:10.4271/06-11-01-0007.

[4] 曾云鹏 . 湿式离合器系统建模及压力控制研究 [D]. 长春 : 吉林大学 , 2021.

[5] 夏洪彬 , 方立辉 , 丁麟 , 等 . 自动变速器下线自学习 技术 [J]. 汽车实用技术 , 2019(5): 150-151.

[6] 万国强 , 黄英 , 张付军 , 等 . 液力自动变速器换档 过程标定方法研究 [J]. 兵工学报 , 2012, 33(2): 142- 148.

本文为“AI汽车制造业”首发，未经授权不得转载。版权所有，转载请联系小编授权（VOGEL100）。本文作者：田华，单位：泛亚汽车技术中心有限公司。责任编辑龚淑娟，责任校对何发。本文转载请注明来源：AI汽车制造业