随着自动挡车辆市场占有率的不断提高,人们对自动变速器的智能化和自动化程度也提出了新的要求,进而吸引了越来越多的学者就自动变速器的智能换挡策略展开了深入而全面的研究。目前,在自动变速器智能换挡研究中,所选的神经网络无反馈连接,缺乏联想记忆功能。这也造成其无法捕捉连续数据间的隐含联系,使得换挡模型在处理数据时欠智能化。而将深度循环神经网络应用到自动变速器自动换挡策略中,可以很好地解决上述问题。因此,研究基于深度循环神经网络的换挡策略具有重要的工程意义。首先,通过回顾国内外自动变速器的发展历程,得出国内外智能换挡策略的长处与不足,从中分析出恰当的解决方案,即将深度循环神经网络引入到换挡策略当中,来充分利用深度循环神经网络在处理时序数据时的优势。而在网络被训练之前,先初步构建基于Simulink的车辆传动模型,由此模型设计出换挡策略逻辑,再产生用于训练神经网络的原始数据,并对此数据进行预处理使其可以应用于后续的网络训练。其次,在构建深度循环神经网络之前,将其架构及各项超参数对网络训练可能造成的影响分别表述,再给出网络正向计算与反向传播过程中各项公式的理论原理。然后基于传统模型设计出相应的网络架构并选定合适的优化器。另一方面,为了验证深度循环神经网络在挡位预测时较传统神经网络具有独特的适应性,增设了基于BP神经网络的挡位预测模型,且保证基于不同的神经网络挡位预测模型相关超参数一致。随后再利用已预处理的训练样本来分别修正两模型的权值,并在训练完成后,分别利用两个挡位预测模型进行仿真实验。最后,对已初步设定超参数的神经网络进行超参数优化和优化器寻优,得到不同超参数的最佳取值,以期获得预测精度更高的挡位预测模型。然后分析仿真结果,从中得出结论,再归纳出创新点,并讨论未来针对本研究存在的不足可以做的补充。仿真和对比结果表明,深度循环神经网络独特的反馈架构将当前时刻的输出与前几个时刻的输入联系起来,使其在处理时序数据(特别是传感器数据)时,能够在迭代次数显著上升时仍可获得足够的预测精度提升,从而有效改进了 BP神经网络预测精度不足的缺陷。因此,基于深度循环神经网络的挡位预测方法,预测精度可满足工程应用要求,为自动变速器智能化操控奠定了理论与技术基础。