本发明涉及计算机模型领域，特别涉及一种基于强化学习算法的油离配合策略优化方法及系统。
背景技术：
1、随着汽车产业的发展，对于传统燃油车辆的动力传动的要求也逐渐提高，而其中离合器的接合与分离策略对于提升燃油经济性和驾驶平顺性起着至关重要的作用，因此对离合器接合性能也自然提出了更高的要求。
2、现有技术中，对于提高离合器的接合性能往往聚焦于对离合器本身接合过程的控制，通过优化接合过程以避免因滑摩时间过长导致的燃油经济性降低，以及因闭合时间过短而对发动机产生的冲击，但是在实际驾驶过程中，驾驶员往往会协同操作离合器与油门踏板，以保证动力传输的连续性以及离合器接合的高效性，所以单纯对离合器接合过程本身进行优化并不能满足实际的驾驶过程中的复杂油离配合情况，无法全面的平衡驾驶中对于动力性、经济性和舒适性指标的要求。
3、因此，如何设计一种油离配合策略优化方法，以应对复杂的实际驾驶情况，全面的优化提高油离配合性能，成为了亟待解决的问题。
技术实现思路
1、基于此，本发明的目的是提供一种基于强化学习算法的油离配合策略优化方法及系统，通过构建燃油车的传动模型，以深入分析的油离配合策略对于整车性能的影响，使得优化出的油离配合策略更符合人类驾驶员的实际操控过程，再对燃油车传动模型进行关键参数约束，进一步的提高油离配合策略的拟真性，并进一步的提高油离配合策略的性能，再根据强化学习算法设计了奖惩函数，从动力性、经济性和舒适性多方面进行性能优化，本发明极大地提高了油离配合策略优化的综合性能。
2、本发明提出的一种基于强化学习算法的油离配合策略优化方法，包括：
3、进行燃油车传动模型构建，所述燃油车传动模型包括离合器模块、发动机调速模块、发动机模块、变速箱模块和车身动力学模块；
4、根据所述燃油车传动模型进行关键参数约束，所述关键参数约束包括根据离合器及油门闭合曲线获取关键参数约束条件；
5、根据强化学习算法奖惩函数进行迭代优化，以获取最终油离配合策略，所述强化学习算法奖惩函数包括动力性奖惩函数设计、经济性奖惩函数设计和舒适性奖惩函数设计。
6、综上，根据上述基于强化学习算法的油离配合策略优化方法，通过构建燃油车的传动模型，以深入分析的油离配合策略对于整车性能的影响，使得优化出的油离配合策略更符合人类驾驶员的实际操控过程，再对燃油车传动模型进行关键参数约束，进一步的提高油离配合策略的拟真性，并进一步的提高油离配合策略的性能，再根据强化学习算法设计了奖惩函数，从动力性、经济性和舒适性多方面进行性能优化，本发明极大地提高了油离配合策略优化的综合性能。具体为，进行燃油车传动模型构建，所述燃油车传动模型包括离合器模块、发动机调速模块、发动机模块、变速箱模块和车身动力学模块，使得优化出的油离配合策略更符合人类驾驶员的实际操控过程，根据所述燃油车传动模型进行关键参数约束，所述关键参数约束包括根据离合器及油门闭合曲线获取关键参数约束条件，进一步的提高油离配合策略的拟真性，根据强化学习算法奖惩函数进行迭代优化，以获取最终油离配合策略，所述强化学习算法奖惩函数包括动力性奖惩函数设计、经济性奖惩函数设计和舒适性奖惩函数设计，从动力性、经济性和舒适性多方面进行性能优化，本发明极大地提高了油离配合策略优化的综合性能。
7、进一步的，所述离合器模块具体包括：
8、根据离合器状态切换逻辑，计算摩擦矩、转速差和惯性矩，以根据所述摩擦矩、转速差和惯性矩计算传递力矩；
9、所述离合器状态切换逻辑中当离合器刚开始闭合时，所述传递力矩的算法如下：
10、，
11、其中，表示传递力矩，表示摩擦片动摩擦力，表示离合器开度；
12、所述离合器状态切换逻辑中当离合器处于锁止状态时，所述传递力矩的算法如下：
13、，
14、，
15、其中，表示锁止状态的传递力矩，min表示最小值函数， sign表示符号函数，表示发动机力矩，表示发动机惯性矩，表示发动机转动惯量，表示离合器主动盘转动惯量，表示离合器角加速度。
16、进一步的，所述发动机调速模块和所述发动机模块具体包括：
17、计算发动机调速模块中控制调节单元的发动机需求力矩，所述发动机需求力矩的算法如下：
18、，
19、其中，表示发动机需求力矩，表示当前发动机转速下外特性曲线对应的力矩，表示调速特性曲线查表函数，表示发动机转速，表示油门开度；
20、计算发动机调速模块中执行输出单元的每秒燃油消耗量，所述每秒燃油消耗量的算法如下：
21、，
22、其中， fc表示每秒燃油消耗量，表示燃油消耗率；
23、计算发动机模块的发动机转矩，所述发动机转矩的算法如下：
24、，
25、其中，表示发动机转矩， fuel表示发动机喷油量，表示发动机力矩查表函数，表示发动机最大转矩查表函数；
26、计算发动机模块的发动机输出轴转速，所述发动机输出轴转速的算法如下：
27、，
28、其中，表示离合器的摩擦矩，表示发动机转动惯量，表示离合器主动盘转动惯量。
29、进一步的，所述变速箱模块具体包括：
30、计算变速箱模块中从离合器模块传递到轴系的转矩，所述从离合器模块传递到轴系的转矩的算法如下：
31、，
32、其中，表示从离合器模块传递到轴系的转矩，表示齿轮箱传动效率，表示离合器的传动转矩，表示齿轮箱的转动惯量，表示齿轮箱的传动比， n表示档位序号，表示齿轮箱的角速度。
33、进一步的，所述车身动力学模块具体包括：
34、计算车身动力学模块的空气阻力，所述空气阻力的算法如下：
35、，
36、其中，表示空气阻力，表示空气阻力系数，表示空气密度， u表示车辆与空气流动在车辆行驶方向上投影的相对速度， a表示车辆迎风面积；
37、计算车身动力学模块的滚动阻力，所述滚动阻力的算法如下：
38、，
39、，
40、其中，表示滚动阻力系数，表示静态修正系数，表示动态修正系数， v表示车辆速度，表示滚动阻力，表示车辆负载；
41、根据所述空气阻力和所述滚动阻力计算车辆的行驶总阻力和车辆克服行驶总阻力的所需牵引力，以计算车辆速度，所述计算车辆速度的算法如下：
42、，
43、，
44、，
45、，
46、其中，表示车辆的行驶总阻力，表示车辆克服行驶总阻力的所需牵引力，表示由轴系传递输入至轮端的转矩，表示制动力矩，表示车轮半径，表示车辆加速度，表示车辆质量，表示车轮等效转动惯量， t表示仿真时间。
47、进一步的，所述根据所述燃油车传动模型进行关键参数约束的步骤，具体包括：
48、确定燃油车传动模型中离合器曲线关键点坐标和油门曲线关键点坐标，所述离合器曲线关键点坐标包括（，0）、（，）、（，）、（，1），所述油门曲线关键点坐标包括（，0）、（，）、（，）、（，1）；
49、根据所述离合器曲线关键点坐标和所述油门曲线关键点坐标建立离合器及油门踏板的变斜率式接合方程，所述变斜率式接合方程的公式如下：
50、，
51、，
52、其中，表示离合器开度，表示油门踏板开度， t表示仿真时间，、、、表示离合器曲线关键点的横坐标，、、、表示油门曲线关键点的横坐标，、表示离合器曲线关键点的纵坐标，、表示油门曲线关键点的纵坐标；
53、确定离合器运行在允许的范围内的约束条件，所述离合器运行在允许的范围内的约束条件如下：
54、，
55、确定油门与离合器配合的约束条件，所述油门与离合器配合的约束条件如下：
56、，
57、根据人体反应时间以及车辆设备响应速度，确定所述油门曲线斜率的约束条件，所述油门曲线斜率的约束条件如下：
58、，
59、确定油离配合的操作顺序约束条件，所述操作顺序约束条件如下：
60、，
61、其中，表示发动机与离合器从动盘的转速差。
62、进一步的，所述根据强化学习算法奖惩函数进行迭代优化，以获取最终油离配合策略的步骤，具体包括：
63、根据动力性指标、经济性指标和舒适性指标进行油离配合策略的迭代优化，以获取最终油离配合策略，所述迭代优化的算法如下：
64、，
65、其中，表示油离配合策略的迭代优化函数，表示动力性奖惩函数，表示经济性奖惩函数，表示舒适性奖惩函数， t表示仿真时间， a表示油离配合曲线关键点横坐标， b表示油离配合曲线关键点纵坐标；
66、所述动力性奖惩函数的具体算法如下：
67、，
68、，
69、其中，表示上一循环中离合器断开前车速与断开后最低车速的差值，表示当前循环中离合器断开前车速与断开后最低车速的差值，表示上一循环中滑磨阶段所产生的滑磨功，表示当前循环中滑磨阶段所产生的滑磨功，表示离合器完全锁止的时间，表示离合器主动盘与从动盘开始接触的时间，表示主动盘角速度，表示从动盘角速度，表示离合器摩擦矩；
70、所述经济性奖惩函数的具体算法如下：
71、，
72、其中，表示上一循环中离合器脱开时间与车速回升到脱开前水平时间的差值，表示当前循环中离合器脱开时间与车速回升到脱开前水平时间的差值，表示上一循环中的单位距离油耗，表示当前循环中的单位距离油耗；
73、所述舒适性奖惩函数的具体算法如下：
74、，
75、，
76、其中，表示上一循环中车辆速度冲击度，表示当前循环中车辆速度冲击度，表示汽车的纵向加速度。
77、本发明提出的一种基于强化学习算法的油离配合策略优化系统，包括：
78、构建模块，用于进行燃油车传动模型构建，所述燃油车传动模型包括离合器模块、发动机调速模块、发动机模块、变速箱模块和车身动力学模块；
79、约束模块，用于根据所述燃油车传动模型进行关键参数约束，所述关键参数约束包括根据离合器及油门闭合曲线获取关键参数约束条件；
80、优化模块，用于根据强化学习算法奖惩函数进行迭代优化，以获取最终油离配合策略，所述强化学习算法奖惩函数包括动力性奖惩函数设计、经济性奖惩函数设计和舒适性奖惩函数设计。
81、本发明还提供一种存储介质，所述存储介质存储一个或多个程序，所述程序被处理器执行时实现如上述的基于强化学习算法的油离配合策略优化方法。
82、本发明还提供一种计算机设备，所述计算机设备包括存储器和处理器，其中：
83、所述存储器用于存放计算机程序；
84、所述处理器用于执行所述存储器中存放的所述计算机程序时，实现如上述的基于强化学习算法的油离配合策略优化方法。
1.一种基于强化学习算法的油离配合策略优化方法，其特征在于，包括：
2.根据权利要求1所述的基于强化学习算法的油离配合策略优化方法，其特征在于，所述离合器模块具体包括：
3.根据权利要求1所述的基于强化学习算法的油离配合策略优化方法，其特征在于，所述发动机调速模块和所述发动机模块具体包括：
4.根据权利要求1所述的基于强化学习算法的油离配合策略优化方法，其特征在于，所述变速箱模块具体包括：
5.根据权利要求1所述的基于强化学习算法的油离配合策略优化方法，其特征在于，所述车身动力学模块具体包括：
6.根据权利要求1所述的基于强化学习算法的油离配合策略优化方法，其特征在于，所述根据所述燃油车传动模型进行关键参数约束的步骤，具体包括：
7.根据权利要求1所述的基于强化学习算法的油离配合策略优化方法，其特征在于，所述根据强化学习算法奖惩函数进行迭代优化，以获取最终油离配合策略的步骤，具体包括：
8.一种基于强化学习算法的油离配合策略优化系统，其特征在于，包括：
9.一种存储介质，其特征在于，所述存储介质存储一个或多个程序，该程序被处理器执行时实现如权利要求1-7任一项所述的基于强化学习算法的油离配合策略优化方法。
10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，其中：
