手自排換檔時機的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

智慧型最佳換檔地圖與硬體迴路實證

為了解決手自排換檔時機的問題，作者趙俊傑 這樣論述：

對於主要動力源為內燃機引擎(Internal Combustion Engine, ICE)之車輛，在引擎轉速與扭矩的物理限制下，須透過變速箱(Transmission)的轉速/扭矩轉換以達到車輛之實際動力需求。 而現今市面上大多數的自動變速系統皆屬於離散性齒比(Discrete-ratio)的變速系統，故換檔會造成引擎操作點發生大幅度的改變，進一步影響油耗表現及駕駛性能。 因此，該如何決定換檔時機並設計一套換檔策略(Gear Shift Strategy)是一個重要課題，其中又以製作換檔地圖(Gear Shift Map, GSM)為目前各大車廠最常使用的方法。有鑑於此，本研究針對傳統汽油

車(Conventional Pure ICE Vehicle)與配置皮帶式馬達發電機(Belt-driven Starter Generator, BSG)之輕度混合並聯式油電混合動力車(Hybrid Electric Vehicle, HEV)各設計一套換檔地圖，其針對「燃油經濟性(Fuel Economy)」以及「駕駛舒適性(Driving Comfort)」進行最佳化，利用動態規劃演算法(Dynamic Programming, DP)找出最佳的檔位點; 接著使用聚合式階層分群法(Agglomerative Hierarchical Clustering, AHC)處理DP計算獲得的資

料點; 最後使用分類演算法(Classification Algorithm)－支持向量機(Support Vector Machine, SVM)，找出各檔位之間的最佳換檔超平面(Shift Hyperplane)，藉此獲得兩檔位之間其自動換檔時機隨設計參數變化的規則。 另一方面，油電混合車之性能表現不僅受變速箱的檔位變換所影響，亦會與能量管理策略(Energy Management Strategy, EMS)息息相關; 因此，該如何利用馬達與內燃機引擎間的互補特性來改善車輛性能是另一個重要課題。 本研究採用神經網路滑模控制(Neural Network Sliding Mode Cont

rol, NNSMC)作為BSG油電車的能量管理策略，作者利用兩組徑向基底神經網路(Radial Basis Function Neural Network, RBFNN)，即: RBFNN #1與RBFNN #2，並搭配滑動模式控制(Sliding Mode Control, SMC)，構成一線上可實現之即時控制策略(Real-Time Control Strategy)。 首先，將動態規劃(DP)計算所獲得的最佳動力分配比(Power Split Ratio, PSR)當成RBFNN #1的訓練樣本，並藉由此離線(Off-line)訓練完成的神經網路架構，於線上辨識出車輛在特定扭矩需求下所

需之動力分配值。 然而，行車型態(Drive Cycle)對於油電車之各項性能影響甚大，故額外加入RBFNN #2作為線上(On-line)之神經網路架構，並根據所遇到的路況來更新參數，以適當調整RBFNN #1辨識得出的動力分配值，使整體控制策略更具強健性，藉此適應現實之各種駕駛狀況並穩定系統之電池電量(State Of Charge, SOC)，再搭配本研究設計完成之最佳換檔地圖，進一步改善油耗並提升駕駛舒適性。關於本研究所設計的“換檔控制策略”與“能量管理控制策略”之初步驗證工作，即利用車輛模擬軟體ADVISOR (ADvanced VehIcle SimulatOR)與MATLAB/S

imulink建立的後視模型(Backward-facing Model)與前視模型(Forward-facing Model)進行電腦模擬與分析; 另外，為了評估本研究所提出之控制策略在實務面之有效性，將設計完成的控制策略寫入嵌入式控制器(Embedded Controller)中，並採用目前已被廣泛應用於車輛系統的控制器區域網路(Controller Area Network, CAN or CANbus)作為控制器的溝通橋樑，藉此導入真實世界駕駛至其中以進行硬體迴路(Hardware-In-the-Loop, HIL)實驗。 本論文共選用十種行車型態來驗證研究成果，由電腦模擬結果可得知:

(i)於傳統汽油車的部分，燃油經濟性之平均改善率為5.86 %，駕駛舒適性之平均改善率可高達16.18 %。 (ii)在BSG油電車的部分，燃油經濟性之平均改善率可高達20.31 %，駕駛舒適性之平均改善率可達17.18 %。 最後，由硬體迴路實驗得知，實驗結果與電腦模擬結果之改善趨勢及幅度相當一致(兩種驗證方法之誤差值低於3.5 %)，也進一步驗證了本研究所提出之“換檔控制策略”與“能量管理控制策略”不管在理論面還是實務面皆能有優越的成效，因此極具潛力將它們應用於實際車輛上。