一种用于高速变速器的数据处理及相关装置的制作方法

1.本发明涉及数据处理领域，尤其涉及一种用于高速变速器的数据处理及相关装置。


背景技术：

2.目前，人们对汽车的要求越来越高，高速变速器已成为许多交通工具的必备组件。因此，对高速变速器的数据处理方法不断进行研究和改进已经成为了汽车行业的一个重要课题。而基于人工智能的数据分析方法可以利用机器学习和其他算法来优化高速变速器的性能，并在最短时间内生成准确的结果。
3.传统的高速变速器控制系统大多基于经验或人工设计而来，难以适应不同条件下的复杂驾驶需求和路况变化，并且存在换挡时的顿挫和震动问题，影响了驾驶体验和安全性，而且只能实现基本的换挡功能，不能根据实时性能情况进行智能调节和优化。


技术实现要素：

4.本发明提供了一种用于高速变速器的数据处理及相关装置，用于提高高速变速器的数据处理准确率。
5.本发明第一方面提供了一种用于高速变速器的数据处理方法，所述用于高速变速器的数据处理方法包括：
6.获取目标车辆的第一车速数据，并采集所述目标车辆中高速变速器的转速数据和反应时间数据；
7.对所述第一车速数据和所述转速数据进行曲线拟合，得到第一性能关系曲线，并对所述第一车速数据和所述反应时间数据进行曲线构建，得到第二性能关系曲线；
8.根据预设的多个车速梯度范围，分别对所述第一性能关系曲线和所述第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；
9.对每个车速梯度范围的第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值；
10.将每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；
11.构建所述最佳换挡点与每个车速梯度范围的映射关系模型，获取所述目标车辆的第二车速数据并通过所述映射关系模型进行高速变速器智能换挡。
12.结合第一方面，在本发明第一方面的第一实施方式中，所述获取目标车辆的第一车速数据，并采集所述目标车辆中高速变速器的转速数据和反应时间数据，包括：
13.将预置的传感器组设置与目标车辆以及所述目标车辆的高速变速器中，对所述传感器组进行数据传输接口配置，得到目标数据传输接口；
14.通过所述传感器组对所述目标车辆和所述高速变速器进行测试数据采集，并通过
所述目标数据传输接口进行数据传输，得到目标测试数据；
15.基于预设的车速数据标签、转速数据标签以及反应时间数据标签，对所述目标测试数据进行聚类分析，得到第一车速数据、转速数据和反应时间数据。
16.结合第一方面，在本发明第一方面的第二实施方式中，所述对所述第一车速数据和所述转速数据进行曲线拟合，得到第一性能关系曲线，并对所述第一车速数据和所述反应时间数据进行曲线构建，得到第二性能关系曲线，包括：
17.对所述第一车速数据进行离散化分布处理，得到车速离散序列，并获取所述车速离散序列的第一时间戳数据，并对所述转速数据进行离散化分布处理，得到转速离散序列，并获取所述转速离散序列的第二时间戳数据，以及对所述反应时间数据进行离散化分布处理，得到反应时间离散序列，并获取所述反应时间离散序列的第三时间戳数据；
18.根据所述第一时间戳数据和所述第二时间戳数据，对所述车速离散序列和所述转速离散序列进行数据对齐，并构建多个车速和转速关系点对；
19.根据所述第一时间戳数据和所述第三时间戳数据，对所述车速离散序列和所述反应时间离散序列进行数据对齐，并构建多个车速和反应时间关系点对；
20.调用第一关系分布函数对所述多个车速和转速关系点对进行曲线拟合，得到第一性能关系曲线，以及调用第二关系分布函数对所述多个车速和反应时间关系点对进行曲线拟合，得到第二性能关系曲线。
21.结合第一方面，在本发明第一方面的第三实施方式中，所述根据预设的多个车速梯度范围，分别对所述第一性能关系曲线和所述第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线，包括：
22.按照预设的车速梯度阈值，对所述第一车速数据进行车速梯度划分，得到多个车速梯度范围；
23.对每个车速梯度范围进行端点值提取，得到每个车速梯度范围对应的两个端点值；
24.基于每个车速梯度范围对应的两个端点值，对所述第一性能关系曲线进行曲线分段提取，得到每个车速梯度范围对应的多个第一子关系曲线，以及基于每个车速梯度范围对应的两个端点值，对所述第二性能关系曲线进行曲线分段提取，得到每个车速梯度范围对应的多个第二子关系曲线；
25.对所述多个第一子关系曲线以及所述多个第二子关系曲线进行车速梯度范围对应匹配，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线。
26.结合第一方面，在本发明第一方面的第四实施方式中，所述对每个车速梯度范围的第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值，包括：
27.对每个车速梯度范围的第一子关系曲线进行原始曲线值提取，得到多个第一原始曲线值，以及对所述第二子关系曲线进行原始曲线值提取，得到多个第二原始曲线值；
28.计算所述多个第一原始曲线值的标准偏差，得到第一标准偏差，以及计算所述多个第二原始曲线值的标准偏差，得到第二标准偏差；
29.分别对所述多个第一原始曲线值和所述第一标准偏差进行比较，得到每个第一原始曲线值的第一比较结果，以及分别对所述多个第二原始曲线值和所述第二标准偏差进行
比较，得到每个第二原始曲线值的第二比较结果；
30.根据每个第一原始曲线值的第一比较结果确定每个车速梯度范围对应的多个第一曲线特征值，并根据每个第二原始曲线值的第二比较结果确定每个车速梯度范围对应的多个第二曲线特征值。
31.结合第一方面，在本发明第一方面的第五实施方式中，所述将每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点，包括：
32.对每个车速梯度范围对应的多个第一曲线特征值进行向量编码转换，得到第一初始向量，以及对所述多个第二曲线特征值进行向量编码转换，得到第二初始向量；
33.对所述第一初始向量以及所述第二初始向量进行向量融合，得到目标融合向量；
34.将所述目标融合向量输入预置的高速变速器换挡分析模型，其中，所述高速变速器换挡分析模型包括：双向长短时记忆网络、编码器以及解码器；
35.通过所述双向长短时记忆网络对所述目标融合向量进行特征提取，得到目标特征向量；
36.将所述目标特征向量输入所述编码器进行特征编码，得到目标编码向量；
37.将所述目标编码向量输入所述解码器进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点。
38.结合第一方面，在本发明第一方面的第六实施方式中，所述构建所述最佳换挡点与每个车速梯度范围的映射关系模型，获取所述目标车辆的第二车速数据并通过所述映射关系模型进行高速变速器智能换挡，包括：
39.构建所述最佳换挡点与每个车速梯度范围的映射关系模型；
40.获取所述目标车辆的第二车速数据，并获取所述第二车速数据对应的车速梯度范围；
41.将所述第二车速数据对应的车速梯度范围输入所述映射关系模型进行换挡点匹配，得到目标换挡点；
42.基于所述目标换挡点，对所述高速变速器进行智能换挡。
43.本发明第二方面提供了一种用于高速变速器的数据处理装置，所述用于高速变速器的数据处理装置包括：
44.获取模块，用于获取目标车辆的第一车速数据，并采集所述目标车辆中高速变速器的转速数据和反应时间数据；
45.构建模块，用于对所述第一车速数据和所述转速数据进行曲线拟合，得到第一性能关系曲线，并对所述第一车速数据和所述反应时间数据进行曲线构建，得到第二性能关系曲线；
46.划分模块，用于根据预设的多个车速梯度范围，分别对所述第一性能关系曲线和所述第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；
47.提取模块，用于对每个车速梯度范围的第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值；
48.计算模块，用于将每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；
49.处理模块，用于构建所述最佳换挡点与每个车速梯度范围的映射关系模型，获取所述目标车辆的第二车速数据并通过所述映射关系模型进行高速变速器智能换挡。
50.本发明第三方面提供了一种用于高速变速器的数据处理设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述用于高速变速器的数据处理设备执行上述的用于高速变速器的数据处理方法。
51.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的用于高速变速器的数据处理方法。
52.本发明提供的技术方案中，分别对第一性能关系曲线和第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；对第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到多个第一曲线特征值以及多个第二曲线特征值；将多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；构建最佳换挡点与每个车速梯度范围的映射关系模型，获取目标车辆的第二车速数据并通过映射关系模型进行高速变速器智能换挡，本发明通过智能换挡和优化性能参数，有效降低换挡顿挫和震动问题，提高变速器响应速度和灵敏度，通过综合考虑车速，转速和负载条件因素来确定最佳换挡点，适应不同道路条件和驾驶需求，通过建立车速和性能关系曲线，提取特征值进行最佳换挡点计算，进而提高了高速变速器的数据处理准确率。
附图说明
53.图1为本发明实施例中用于高速变速器的数据处理方法的一个实施例示意图；
54.图2为本发明实施例中曲线构建的流程图；
55.图3为本发明实施例中曲线划分的流程图；
56.图4为本发明实施例中曲线特征点提取的流程图；
57.图5为本发明实施例中用于高速变速器的数据处理装置的一个实施例示意图；
58.图6为本发明实施例中用于高速变速器的数据处理设备的一个实施例示意图。
具体实施方式
59.本发明实施例提供了一种用于高速变速器的数据处理及相关装置，用于提高高速变速器的数据处理准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些
过程、方法、产品或设备固有的其它步骤或单元。
60.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中用于高速变速器的数据处理方法的一个实施例包括：
61.s101、获取目标车辆的第一车速数据，并采集目标车辆中高速变速器的转速数据和反应时间数据；
62.可以理解的是，本发明的执行主体可以为用于高速变速器的数据处理装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
63.具体的，服务器准备一个预置的传感器组，并将其与目标车辆和高速变速器连接。传感器组应包括测量车速、转速和反应时间的传感器。这些传感器可能包括车速传感器、发动机转速传感器和反应时间传感器等。服务器配置传感器组的数据传输接口。这涉及设置传感器与数据采集系统之间的物理连接，例如使用电缆或无线连接。服务器还需要确保传输接口的稳定性和数据的准确性，以便后续的数据传输和分析。一旦传感器组和数据传输接口都设置好了，服务器进行测试数据采集。通过传感器组对目标车辆和高速变速器进行测试，并记录车速、转速和反应时间等数据。这些数据可以实时传输到数据采集系统，也可以存储在传感器组的内存中，稍后进行传输。通过目标数据传输接口，服务器将采集到的测试数据传输到数据采集系统中。数据采集系统将接收和存储这些数据，以供后续的分析和处理使用。这确保了数据的完整性和可访问性。服务器使用预设的车速数据标签、转速数据标签和反应时间数据标签，对目标测试数据进行聚类分析。聚类分析是一种将数据根据相似特征进行分类的方法。通过聚类分析，服务器将测试数据按照车速、转速和反应时间等特征进行分类和整理。最终，通过聚类分析，服务器从目标测试数据中提取出第一车速数据、转速数据和反应时间数据。这些数据可以用于进一步的分析、建模和优化。它们提供了有关目标车辆的性能特征和工作状态的重要信息。例如，假设服务器正在研究一款电动汽车的高速变速器性能。服务器配置了适当的传感器组，包括车速传感器、电动机转速传感器和反应时间传感器，并与该电动汽车的变速器连接。通过配置数据传输接口，服务器确保传感器数据可以准确地传输到数据采集系统。服务器对电动汽车进行了一系列的测试，记录了在不同车速下的车速、电动机转速和反应时间数据。通过目标数据传输接口，服务器将这些数据传输到数据采集系统中。在数据采集系统中，服务器使用预设的车速数据标签、转速数据标签和反应时间数据标签，对目标测试数据进行聚类分析。通过聚类分析，服务器将测试数据根据车速、转速和反应时间等特征进行分类和整理。例如，通过聚类分析，服务器可能得到了不同的数据簇，代表着不同的工况和性能特征。其中一个簇可能表示低速行驶状态，具有较低的车速和转速，以及相对较长的反应时间。另一个簇可能表示高速行驶状态，具有较高的车速和转速，以及较短的反应时间。通过聚类分析，服务器成功提取出了第一车速数据、转速数据和反应时间数据。
64.s102、对第一车速数据和转速数据进行曲线拟合，得到第一性能关系曲线，并对第一车速数据和反应时间数据进行曲线构建，得到第二性能关系曲线；
65.具体的，服务器对第一车速数据进行离散化分布处理，将其转换为车速离散序列。这可以通过将连续的车速数据进行离散化，例如按照一定的间隔或速度范围进行分组，得到离散的车速数据点。服务器获取车速离散序列的第一时间戳数据，这些时间戳数据表示
每个车速数据点的采集时间。服务器对转速数据进行类似的离散化分布处理，将其转换为转速离散序列。服务器获取转速离散序列的第二时间戳数据，表示每个转速数据点的采集时间。服务器对反应时间数据进行离散化分布处理，得到反应时间离散序列。服务器获取反应时间离散序列的第三时间戳数据，表示每个反应时间数据点的采集时间。通过第一时间戳数据和第二时间戳数据，服务器对车速离散序列和转速离散序列进行数据对齐。这意味着根据时间戳将对应的车速和转速数据进行匹配，构建多个车速和转速关系点对。通过第一时间戳数据和第三时间戳数据，服务器对车速离散序列和反应时间离散序列进行数据对齐，构建多个车速和反应时间关系点对。服务器调用第一关系分布函数对多个车速和转速关系点对进行曲线拟合。这可以采用适当的拟合算法，例如最小二乘法，来找到最佳的曲线拟合，从而得到第一性能关系曲线。类似地，服务器调用第二关系分布函数对多个车速和反应时间关系点对进行曲线拟合。服务器使用适当的拟合算法，将这些关系点对拟合为第二性能关系曲线。通过这些步骤，服务器获得第一性能关系曲线和第二性能关系曲线，这些曲线将提供有关车速、转速和反应时间之间关系的重要信息。例如，假设服务器正在研究一款汽车的变速器性能。服务器收集了该车在不同车速下的第一车速数据、转速数据和反应时间数据。服务器对第一车速数据进行离散化处理，并获取第一时间戳数据。服务器对转速数据进行离散化处理，得到转速离散序列，并获取第二时间戳数据。此外，服务器对反应时间数据进行离散化处理，得到反应时间离散序列，并获取第三时间戳数据。利用第一时间戳数据和第二时间戳数据，服务器对车速离散序列和转速离散序列进行数据对齐，建立多个车速和转速关系点对。例如，在车速为30km/h时，对应的转速为2000rpm；在车速为50km/h时，对应的转速为3000rpm，以此类推。利用第一时间戳数据和第三时间戳数据，服务器对车速离散序列和反应时间离散序列进行数据对齐，构建多个车速和反应时间关系点对。例如，在车速为30km/h时，对应的反应时间为0.2秒；在车速为50km/h时，对应的反应时间为0.15秒，以此类推。服务器使用合适的曲线拟合方法，如多项式拟合或曲线拟合算法，对车速和转速关系点对进行拟合，得到第一性能关系曲线。服务器了解车速和转速之间的关系，进一步分析和优化高速变速器的性能。使用相同的曲线拟合方法，对车速和反应时间关系点对进行拟合，得到第二性能关系曲线。服务器了解车速和反应时间之间的关系，为高速变速器的智能换挡提供参考依据。例如，假设服务器拟合了一辆汽车的第一性能关系曲线，发现随着车速的增加，转速呈线性增长。这意味着车速每增加10km/h，转速增加1000rpm。这种关系可以帮助服务器预测在不同车速下的理想转速，以实现更高的燃油效率和性能。服务器拟合了第二性能关系曲线，发现车速越高，反应时间越短。例如，在车速为60km/h时，反应时间为0.1秒；在车速为100km/h时，反应时间为0.08秒。这种关系可以用于智能换挡系统的优化，以提供更快的换挡响应时间。通过对第一车速数据和转速数据的曲线拟合，以及对第一车速数据和反应时间数据的曲线构建，服务器能够深入了解车速、转速和反应时间之间的关系，从而优化高速变速器的性能和换挡策略。这将提高车辆的驾驶体验和燃油效率，并为高速变速器的智能换挡算法提供基础。
66.s103、根据预设的多个车速梯度范围，分别对第一性能关系曲线和第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；
67.需要说明的是，根据预设的车速梯度阈值，服务器对第一车速数据进行车速梯度划分，将其分为多个车速梯度范围。例如，服务器设定的车速梯度阈值为20km/h，那么对于
车速数据[30,40,50,60,70,80,90,100]km/h，将被划分为三个车速梯度范围：[30-50]km/h、[60-80]km/h、[90-100]km/h。对每个车速梯度范围进行端点值提取，即获取每个车速梯度范围的最小值和最大值。例如，在车速梯度范围为[30-50]km/h的情况下，最小值为30km/h，最大值为50km/h。基于每个车速梯度范围的最小值和最大值，服务器对第一性能关系曲线进行曲线分段提取，得到每个车速梯度范围对应的多个第一子关系曲线。例如，在车速梯度范围为[30-50]km/h的情况下，服务器从第一性能关系曲线中提取出该范围内的曲线段。基于每个车速梯度范围的最小值和最大值，服务器对第二性能关系曲线进行曲线分段提取，得到每个车速梯度范围对应的多个第二子关系曲线。对于每个车速梯度范围，将第一子关系曲线和第二子关系曲线进行车速梯度范围对应匹配。服务器得到每个车速梯度范围的第一子关系曲线和第二子关系曲线，它们分别表示了该范围内车速与转速、反应时间之间的关系。例如，假设服务器有一辆车的第一性能关系曲线表示了车速与转速之间的关系。服务器设定的车速梯度范围为[40-60]km/h和[70-90]km/h，而该车的转速数据如下：[2000,2500,3000,3500,4000]rpm。服务器根据车速梯度阈值将第一车速数据划分为两个车速梯度范围：[40-60]km/h和[70-90]km/h。针对第一个车速梯度范围[40-60]km/h，假设对应的最小值为40km/h，最大值为60km/h。服务器从第一性能关系曲线中提取出在该范围内的曲线段，表示第一个车速梯度范围的第一子关系曲线。对于第二车速梯度范围[70-90]km/h，假设对应的最小值为70km/h，最大值为90km/h。服务器从第一性能关系曲线中提取出在该范围内的曲线段，表示第二个车速梯度范围的第一子关系曲线。类似地，服务器也可以根据第二性能关系曲线进行曲线分段提取，并得到每个车速梯度范围对应的第二子关系曲线。通过这种方式，服务器将第一性能关系曲线和第二性能关系曲线分别划分为多个子关系曲线，每个子关系曲线表示了特定车速梯度范围内的性能特征。这样的划分和提取过程可以帮助服务器更精确地理解不同车速范围下的车辆性能特点，并为进一步的数据分析和优化提供更具体的参考依据。
[0068]
s104、对每个车速梯度范围的第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值；
[0069]
具体的，从每个车速梯度范围的第一子关系曲线中提取原始曲线值，得到多个第一原始曲线值。从第二子关系曲线中提取原始曲线值，得到多个第二原始曲线值。计算多个第一原始曲线值的标准偏差，得到第一标准偏差。计算多个第二原始曲线值的标准偏差，得到第二标准偏差。分别对多个第一原始曲线值和第一标准偏差进行比较，得到每个第一原始曲线值的第一比较结果。对多个第二原始曲线值和第二标准偏差进行比较，得到每个第二原始曲线值的第二比较结果。根据每个第一原始曲线值的第一比较结果确定每个车速梯度范围对应的多个第一曲线特征值。根据每个第二原始曲线值的第二比较结果确定每个车速梯度范围对应的多个第二曲线特征值。通过这个方法，服务器从每个车速梯度范围的第一子关系曲线和第二子关系曲线中提取出曲线特征点，并基于比较结果确定每个车速梯度范围的曲线特征值。这些曲线特征值可以用于进一步的分析和评估，从而更好地了解和优化高速变速器的性能特点。举个例子，假设服务器有一个车速梯度范围为[40-60]km/h的第一子关系曲线，从该曲线中提取出的原始曲线值包括[50,52,55,53,51]。计算这些原始曲线值的标准偏差，得到第一标准偏差。比较每个原始曲线值和第一标准偏差，得到相应的第一比较结果。假设第一标准偏差为2，那么比较结果可以表示为[-1,0,1,-1,-1]。根据这些
比较结果，服务器确定车速梯度范围[40-60]km/h对应的第一曲线特征值为[55]。类似地，服务器对第二子关系曲线进行相同的步骤。假设在车速梯度范围[40-60]km/h的第二子关系曲线中提取出的原始曲线值为[0.6,0.8,0.7,0.9,0.5]，计算这些原始曲线值的标准偏差得到第二标准偏差。比较每个原始曲线值和第二标准偏差，得到第二比较结果。假设第二标准偏差为0.1，那么比较结果可以表示为[-1,1,0,1,-1]。根据这些比较结果，服务器确定车速梯度范围[40-60]km/h对应的第二曲线特征值为[0.8,0.7,0.9]。通过这样的曲线特征点提取方法，服务器获得每个车速梯度范围的第一子关系曲线和第二子关系曲线的多个特征值。这些特征值可以提供有关高速变速器性能特征的定量信息，例如车速和转速之间的关系、车速和反应时间之间的关系等。这有助于进一步分析和优化高速变速器的换挡性能，并为智能换挡算法的开发和改进提供基础。
[0070]
s105、将每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；
[0071]
具体的，服务器对每个车速梯度范围对应的多个第一曲线特征值进行向量编码转换，得到第一初始向量。例如，在车速梯度范围[20-40]km/h，第一曲线特征值为[0.9,0.7,0.8]，将其进行向量编码转换，得到第一初始向量[0.9,0.7,0.8]。对多个第二曲线特征值进行向量编码转换，得到第二初始向量。假设在车速梯度范围[20-40]km/h，第二曲线特征值为[0.5,0.6,0.4]，将其进行向量编码转换，得到第二初始向量[0.5,0.6,0.4]。将第一初始向量和第二初始向量进行向量融合，得到目标融合向量。通过将两个向量按元素逐一组合，得到目标融合向量[0.9,0.7,0.8,0.5,0.6,0.4]。将目标融合向量输入预置的高速变速器换挡分析模型。该模型包括双向长短时记忆网络（bilstm）、编码器和解码器。接着，使用双向长短时记忆网络对目标融合向量进行特征提取，得到目标特征向量。这个特征提取过程可以捕捉到向量中的时间依赖关系和上下文信息。将目标特征向量输入编码器进行特征编码，得到目标编码向量。编码器可以进一步提取特征并将其转换为适合解码器处理的形式。将目标编码向量输入解码器进行最佳换挡点计算。解码器通过学习高速变速器的换挡模式和性能特征，可以根据输入的特征向量预测最佳的换挡点。例如，假设在车速梯度范围[20-40]km/h，第一曲线特征值为[0.9,0.7,0.8]，第二曲线特征值为[0.5,0.6,0.4]。经过向量编码转换和融合，得到目标融合向量为[0.9,0.7,0.8,0.5,0.6,0.4]。将该融合向量输入预置的高速变速器换挡分析模型。通过双向长短时记忆网络对融合向量进行特征提取，得到目标特征向量。该特征向量能够捕捉到融合向量中的时间依赖关系和上下文信息。将目标特征向量输入编码器，进行特征编码，得到目标编码向量。编码器对特征向量进行进一步的特征提取和转换，将其转化为适合解码器处理的形式。将目标编码向量输入解码器，进行最佳换挡点的计算。解码器利用学习到的高速变速器换挡模式和性能特征，根据输入的特征向量预测每个车速梯度范围对应的最佳换挡点。
[0072]
s106、构建最佳换挡点与每个车速梯度范围的映射关系模型，获取目标车辆的第二车速数据并通过映射关系模型进行高速变速器智能换挡。
[0073]
具体的，构建最佳换挡点与每个车速梯度范围的映射关系模型。这个模型可以基于历史数据、经验规则和机器学习方法进行构建。通过分析不同车速梯度范围下的最佳换挡点数据，可以建立一种映射关系，使得在给定车速梯度范围时能够预测出相应的最佳换
挡点。获取目标车辆的第二车速数据，并确定其所属的车速梯度范围。这可以通过实时监测车辆的速度并与预设的车速梯度范围进行比较来实现。将第二车速数据对应的车速梯度范围输入到映射关系模型中，进行换挡点匹配。模型会根据输入的车速梯度范围，找到对应的最佳换挡点。这个匹配过程可以是通过查表、函数逼近或者机器学习算法来完成。基于目标换挡点，对高速变速器进行智能换挡。根据预测的最佳换挡点，控制高速变速器在适当的时机进行换挡操作，以优化车辆性能和燃油经济性。例如，假设在车速梯度范围[40-60]km/h的情况下，映射关系模型预测出最佳换挡点为50km/h。当目标车辆的第二车速数据处于该范围时，根据映射关系模型的输出，智能换挡系统将控制高速变速器在50km/h时进行换挡操作。通过构建最佳换挡点与车速梯度范围的映射关系模型，并根据目标车辆的实时数据进行智能换挡，可以使高速变速器根据不同的驾驶条件和车速梯度范围做出更加精确和合理的换挡决策，提升驾驶舒适性和燃油经济性。
[0074]
本发明实施例中，分别对第一性能关系曲线和第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；对第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到多个第一曲线特征值以及多个第二曲线特征值；将多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；构建最佳换挡点与每个车速梯度范围的映射关系模型，获取目标车辆的第二车速数据并通过映射关系模型进行高速变速器智能换挡，本发明通过智能换挡和优化性能参数，有效降低换挡顿挫和震动问题，提高变速器响应速度和灵敏度，通过综合考虑车速，转速和负载条件因素来确定最佳换挡点，适应不同道路条件和驾驶需求，通过建立车速和性能关系曲线，提取特征值进行最佳换挡点计算，进而提高了高速变速器的数据处理准确率。
[0075]
在一具体实施例中，执行步骤s101的过程可以具体包括如下步骤：
[0076]
（1）将预置的传感器组设置与目标车辆以及目标车辆的高速变速器中，对传感器组进行数据传输接口配置，得到目标数据传输接口；
[0077]
（2）通过传感器组对目标车辆和高速变速器进行测试数据采集，并通过目标数据传输接口进行数据传输，得到目标测试数据；
[0078]
（3）基于预设的车速数据标签、转速数据标签以及反应时间数据标签，对目标测试数据进行聚类分析，得到第一车速数据、转速数据和反应时间数据。
[0079]
具体的，服务器将预置的传感器组设置与目标车辆以及目标车辆的高速变速器进行连接。对传感器组进行数据传输接口的配置，以确保传感器组能够与目标车辆和高速变速器进行有效的数据交流和传输。通过这个配置过程，服务器能够得到目标数据传输接口，用于后续的数据传输。利用配置好的传感器组对目标车辆和高速变速器进行测试数据的采集。传感器组会收集目标车辆在不同条件下的车速数据和高速变速器的转速数据，并将这些数据通过目标数据传输接口进行传输。通过这一步骤，服务器获取到目标测试数据，其中包括了车速和转速的相关信息。基于预设的车速数据标签、转速数据标签以及反应时间数据标签，对目标测试数据进行聚类分析。聚类分析是一种无监督学习方法，可以根据数据的相似性将其划分为不同的类别或簇。在这里，服务器利用聚类分析的方法将目标测试数据进行分组，从而得到第一车速数据、转速数据和反应时间数据。举个例子，假设服务器在进行高速公路行驶的实验中，通过传感器组获取了目标车辆的车速数据、高速变速器的转速
数据和驾驶员的反应时间数据。服务器预设的车速数据标签包括"低速"、"中速"和"高速"，转速数据标签包括"低转速"、"中转速"和"高转速"，反应时间数据标签包括"快反应"和"慢反应"。将这些数据输入到聚类分析算法中，算法将根据数据的特征和相似性进行分组。最终，服务器得到第一车速数据、转速数据和反应时间数据的聚类结果，即不同速度范围下的第一车速数据、转速数据和反应时间数据。本实施例中，服务器成功地实现了获取目标车辆的第一车速数据、转速数据和反应时间数据，并利用聚类分析对这些数据进行了处理和分析。这为进一步的性能评估、优化和决策提供了重要的数据基础。
[0080]
在一具体实施例中，如图2所示，执行步骤s102的过程可以具体包括如下步骤：
[0081]
s201、对第一车速数据进行离散化分布处理，得到车速离散序列，并获取车速离散序列的第一时间戳数据，并对转速数据进行离散化分布处理，得到转速离散序列，并获取转速离散序列的第二时间戳数据，以及对反应时间数据进行离散化分布处理，得到反应时间离散序列，并获取反应时间离散序列的第三时间戳数据；
[0082]
s202、根据第一时间戳数据和第二时间戳数据，对车速离散序列和转速离散序列进行数据对齐，并构建多个车速和转速关系点对；
[0083]
s203、根据第一时间戳数据和第三时间戳数据，对车速离散序列和反应时间离散序列进行数据对齐，并构建多个车速和反应时间关系点对；
[0084]
s204、调用第一关系分布函数对多个车速和转速关系点对进行曲线拟合，得到第一性能关系曲线，以及调用第二关系分布函数对多个车速和反应时间关系点对进行曲线拟合，得到第二性能关系曲线。
[0085]
具体的，服务器对第一车速数据进行离散化分布处理，将连续的车速数据转化为离散的序列。这可以通过将车速值按照一定的间隔或区间进行划分来实现。例如，将车速数据划分为"低速"、"中速"和"高速"三个离散的类别。在这个过程中，服务器获取到车速离散序列，并记录下对应的第一时间戳数据。接着，对转速数据进行类似的离散化分布处理。将连续的转速数据划分为离散的序列，例如"低转速"、"中转速"和"高转速"。服务器获取到转速离散序列，并记录下对应的第二时间戳数据。对反应时间数据也进行离散化分布处理，将连续的反应时间数据转化为离散的序列。例如，将反应时间数据划分为"快反应"和"慢反应"两个离散的类别。通过这个过程，服务器得到反应时间离散序列，并记录下对应的第三时间戳数据。根据第一时间戳数据和第二时间戳数据，对车速离散序列和转速离散序列进行数据对齐。这意味着将两个序列按照时间戳进行匹配，确保它们在相同的时间点上对应着相应的数值。服务器构建多个车速和转速关系点对，其中每个点包含相同时间点上的车速和转速数据。类似地，根据第一时间戳数据和第三时间戳数据，对车速离散序列和反应时间离散序列进行数据对齐。服务器构建多个车速和反应时间关系点对，其中每个点包含相同时间点上的车速和反应时间数据。调用第一关系分布函数对多个车速和转速关系点对进行曲线拟合，得到第一性能关系曲线。这个曲线可以描述车速和转速之间的关系，并反映性能的变化趋势。类似地，调用第二关系分布函数对多个车速和反应时间关系点对进行曲线拟合，得到第二性能关系曲线，描述车速和反应时间之间的关系。举个例子，假设服务器通过传感器组获取了目标车辆的车速数据、转速数据和反应时间数据。服务器将车速数据进行离散化处理，并划分为"低速"、"中速"和"高速"三个类别。假设服务器得到了以下车速离散序列及对应的第一时间戳数据：车速离散序列：[低速,中速,高速,中速,中速,高速]；第
一时间戳数据：[t1,t2,t3,t4,t5,t6]。服务器对转速数据进行离散化处理，并划分为"低转速"、"中转速"和"高转速"三个类别。假设服务器得到了以下转速离散序列及对应的第二时间戳数据：转速离散序列：[低转速,中转速,高转速,中转速,高转速,高转速]；第二时间戳数据：[t1,t2,t3,t4,t5,t6]。服务器根据第一时间戳数据和第二时间戳数据进行数据对齐，构建车速和转速关系点对：关系点对：[(低速,低转速),(中速,中转速),(高速,高转速),(中速,中转速),(中速,高转速),(高速,高转速)]。类似地，服务器根据第一时间戳数据和第三时间戳数据进行数据对齐，构建车速和反应时间关系点对：关系点对：[(低速,快反应),(中速,慢反应),(高速,快反应),(中速,快反应),(中速,慢反应),(高速,慢反应)]。服务器调用第一关系分布函数对车速和转速关系点对进行曲线拟合，得到第一性能关系曲线。这条曲线可以描述车速和转速之间的关系，帮助服务器理解车速变化对转速的影响。类似地，服务器调用第二关系分布函数对车速和反应时间关系点对进行曲线拟合，得到第二性能关系曲线。这条曲线可以描述车速和反应时间之间的关系，帮助服务器了解车速变化对反应时间的影响。通过这样的实现，服务器得到车速、转速和反应时间之间的关系模型，为后续的高速变速器控制和智能换挡提供基础。这种方法可以根据实际数据对车辆性能进行分析和优化，提升驾驶体验和车辆的整体性能。
[0086]
在一具体实施例中，如图3所示，执行步骤s103的过程可以具体包括如下步骤：
[0087]
s301、按照预设的车速梯度阈值，对第一车速数据进行车速梯度划分，得到多个车速梯度范围；
[0088]
s302、对每个车速梯度范围进行端点值提取，得到每个车速梯度范围对应的两个端点值；
[0089]
s303、基于每个车速梯度范围对应的两个端点值，对第一性能关系曲线进行曲线分段提取，得到每个车速梯度范围对应的多个第一子关系曲线，以及基于每个车速梯度范围对应的两个端点值，对第二性能关系曲线进行曲线分段提取，得到每个车速梯度范围对应的多个第二子关系曲线；
[0090]
s304、对多个第一子关系曲线以及多个第二子关系曲线进行车速梯度范围对应匹配，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线。
[0091]
具体的，服务器按照预设的车速梯度阈值，服务器对第一车速数据进行车速梯度划分，将其分成不同的车速梯度范围。假设服务器有以下第一车速数据：第一车速数据：[20,30,40,55,60,70,80]。根据预设的车速梯度阈值，服务器将其划分为三个车速梯度范围：车速梯度范围1：[20,30,40]；车速梯度范围2：[55,60]；车速梯度范围3：[70,80]。服务器对每个车速梯度范围进行端点值提取，即提取每个范围的最小值和最大值。以车速梯度范围1为例，最小值为20，最大值为40；车速梯度范围2的最小值为55，最大值为60；车速梯度范围3的最小值为70，最大值为80。基于每个车速梯度范围的两个端点值，服务器对第一性能关系曲线进行曲线分段提取。假设第一性能关系曲线是一个连续的函数，服务器将其分段提取为：车速梯度范围1的第一子关系曲线：曲线段1（20到30）、曲线段2（30到40）；车速梯度范围2的第一子关系曲线：曲线段3（55到60）；车速梯度范围3的第一子关系曲线：曲线段4（70到80）。基于每个车速梯度范围的两个端点值，服务器对第二性能关系曲线进行曲线分段提取。假设第二性能关系曲线也是一个连续的函数，服务器将其分段提取为：车速梯度范围1的第二子关系曲线：曲线段5（20到40）；车速梯度范围2的第二子关系曲线：曲线段6（55
到60）；车速梯度范围3的第二子关系曲线：曲线段7（70到80）。通过以上操作，服务器成功地将第一性能关系曲线和第二性能关系曲线分段提取，并与每个车速梯度范围进行对应。对于每个车速梯度范围，服务器得到了相应的第一子关系曲线和第二子关系曲线，可以进一步分析和应用于高速变速器的性能优化和智能换挡控制。
[0092]
在一具体实施例中，如图4所示，执行步骤s104的过程可以具体包括如下步骤：
[0093]
s401、对每个车速梯度范围的第一子关系曲线进行原始曲线值提取，得到多个第一原始曲线值，以及对第二子关系曲线进行原始曲线值提取，得到多个第二原始曲线值；
[0094]
s402、计算多个第一原始曲线值的标准偏差，得到第一标准偏差，以及计算多个第二原始曲线值的标准偏差，得到第二标准偏差；
[0095]
s403、分别对多个第一原始曲线值和第一标准偏差进行比较，得到每个第一原始曲线值的第一比较结果，以及分别对多个第二原始曲线值和第二标准偏差进行比较，得到每个第二原始曲线值的第二比较结果；
[0096]
s404、根据每个第一原始曲线值的第一比较结果确定每个车速梯度范围对应的多个第一曲线特征值，并根据每个第二原始曲线值的第二比较结果确定每个车速梯度范围对应的多个第二曲线特征值。
[0097]
具体的，服务器对每个车速梯度范围的第一子关系曲线进行原始曲线值提取，得到多个第一原始曲线值。对第二子关系曲线进行原始曲线值提取，得到多个第二原始曲线值。这些原始曲线值代表了每个车速梯度范围内的曲线特征。计算多个第一原始曲线值的标准偏差，得到第一标准偏差。计算多个第二原始曲线值的标准偏差，得到第二标准偏差。通过比较每个第一原始曲线值与第一标准偏差，可以获得每个第一原始曲线值的第一比较结果。通过比较多个第二原始曲线值与第二标准偏差，可以获得每个第二原始曲线值的第二比较结果。根据每个第一原始曲线值的第一比较结果，确定每个车速梯度范围对应的多个第一曲线特征值。并且，根据每个第二原始曲线值的第二比较结果，确定每个车速梯度范围对应的多个第二曲线特征值。通过这些步骤，服务器从原始曲线中提取关键特征，并根据比较结果获得每个车速梯度范围的相关特征值。例如，假设服务器有三个车速梯度范围：低速梯度范围（0-40km/h）、中速梯度范围（40-80km/h）和高速梯度范围（80-120km/h）。服务器对每个范围的第一子关系曲线进行原始曲线值提取，得到三个第一原始曲线值序列。计算第一原始曲线值的标准偏差，得到第一标准偏差。通过比较每个第一原始曲线值与第一标准偏差，确定每个车速梯度范围对应的多个第一曲线特征值。服务器对第二子关系曲线进行原始曲线值提取，并计算第二原始曲线值的标准偏差，得到第二标准偏差。通过比较每个第二原始曲线值与第二标准偏差，确定每个车速梯度范围对应的多个第二曲线特征值。例如，在低速梯度范围中，服务器提取了第一子关系曲线的原始曲线值，并计算了其标准偏差。通过比较每个原始曲线值与标准偏差，服务器确定该范围内的多个第一曲线特征值，例如峰值速度和曲线斜率。在低速梯度范围中，服务器还提取了第二子关系曲线的原始曲线值，并计算了其标准偏差。通过比较每个原始曲线值与标准偏差，服务器确定该范围内的多个第二曲线特征值，例如峰值转速和曲线波动性。通过这样的分析和比较，服务器获得每个车速梯度范围的相关曲线特征值，从而更好地理解和描述车辆性能在不同速度范围内的变化情况。这样的分析结果可以为进一步的性能优化和改进提供重要参考。
[0098]
在一具体实施例中，执行步骤s105的过程可以具体包括如下步骤：
[0099]
（1）对每个车速梯度范围对应的多个第一曲线特征值进行向量编码转换，得到第一初始向量，以及对多个第二曲线特征值进行向量编码转换，得到第二初始向量；
[0100]
（2）对第一初始向量以及第二初始向量进行向量融合，得到目标融合向量；
[0101]
（3）将目标融合向量输入预置的高速变速器换挡分析模型，其中，高速变速器换挡分析模型包括：双向长短时记忆网络、编码器以及解码器；
[0102]
（4）通过双向长短时记忆网络对目标融合向量进行特征提取，得到目标特征向量；
[0103]
（5）将目标特征向量输入编码器进行特征编码，得到目标编码向量；
[0104]
（6）将目标编码向量输入解码器进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点。
[0105]
具体的，对于每个车速梯度范围，服务器提取多个第一曲线特征值，并对其进行向量编码转换，得到第一初始向量。类似地，服务器还提取多个第二曲线特征值，并进行向量编码转换，得到第二初始向量。这些初始向量可以将曲线特征以数值形式表示，为后续的处理提供方便。服务器将第一初始向量和第二初始向量进行向量融合操作，得到目标融合向量。向量融合可以使用各种方法，如拼接、加权平均等，将两个向量的信息合并成一个综合向量。服务器将目标融合向量输入预置的高速变速器换挡分析模型。该模型通常包括双向长短时记忆网络（bilstm）、编码器和解码器。双向lstm用于提取目标融合向量的时序特征，编码器用于将时序特征进行编码，解码器用于计算最佳换挡点。通过双向lstm对目标融合向量进行特征提取，服务器获得目标特征向量。这个向量包含了与车速梯度范围相关的时序特征信息。服务器将目标特征向量输入编码器进行特征编码。编码器将目标特征向量映射到一个较低维度的向量空间，以捕捉特征的重要性和关联性。将编码后的目标向量输入解码器进行最佳换挡点计算。解码器根据目标向量的编码表示和预设的模型结构，推断出每个车速梯度范围对应的最佳换挡点。通过这样的流程，服务器利用曲线特征的向量表示进行特征提取、融合和计算，从而实现高速变速器的智能换挡。这种方法可以根据车速梯度范围的不同，自适应地确定最佳换挡点，以提高车辆性能和驾驶体验。举个例子，假设有一个车速梯度范围为20-40km/h的情况。服务器从该范围内提取了第一曲线特征值（如平均加速度、油门响应时间）和第二曲线特征值（如最大转速、换挡时间）。将这些特征值分别转换为第一初始向量和第二初始向量。假设第一初始向量为[0.8,0.5,0.2]，第二初始向量为[5000,250,0.4]。服务器对这两个初始向量进行向量融合，可以采用拼接操作。将第一初始向量和第二初始向量按顺序拼接起来，得到目标融合向量为[0.8,0.5,0.2,5000,250,0.4]。服务器将目标融合向量输入高速变速器换挡分析模型。模型中使用双向lstm网络对目标融合向量进行时序特征提取。假设模型训练好后，服务器得到目标特征向量为[0.2,0.5,0.8,0.4]。将目标特征向量输入编码器，进行特征编码。编码器将目标特征向量映射到一个较低维度的向量空间，假设编码后的向量为[0.6,0.3]。将编码后的目标向量输入解码器进行最佳换挡点计算。解码器根据编码后的目标向量和预设的模型结构，推断出每个车速梯度范围对应的最佳换挡点。其中，假设解码器输出的最佳换挡点为30km/h。这意味着在车速梯度范围为20-40km/h时，建议的最佳换挡点是30km/h。通过对不同车速梯度范围的特征提取、融合和计算，服务器根据实际驾驶情况智能地确定最佳换挡点。这样的方法可以提高驾驶的平顺性、燃油效率和整体性能。
[0106]
在一具体实施例中，执行步骤s106的过程可以具体包括如下步骤：
[0107]
（1）构建最佳换挡点与每个车速梯度范围的映射关系模型；
[0108]
（2）获取目标车辆的第二车速数据，并获取第二车速数据对应的车速梯度范围；
[0109]
（3）将第二车速数据对应的车速梯度范围输入映射关系模型进行换挡点匹配，得到目标换挡点；
[0110]
（4）基于目标换挡点，对高速变速器进行智能换挡。
[0111]
具体的，为了实现将最佳换挡点与每个车速梯度范围建立映射关系，服务器采用机器学习的方法来构建映射关系模型。服务器收集大量的训练数据，包括目标车辆的车速数据和对应的最佳换挡点。假设服务器收集到了1000组数据，每组数据包含第二车速数据和对应的最佳换挡点。服务器将数据分为训练集和测试集，用训练集来训练映射关系模型，然后用测试集来评估模型的性能。常见的映射关系模型包括回归模型和分类模型。回归模型可以根据车速梯度范围预测连续的最佳换挡点值，而分类模型可以将车速梯度范围划分为不同的离散类别，每个类别对应一个最佳换挡点。让服务器以回归模型为例。服务器使用线性回归、决策树回归、支持向量回归等算法来训练映射关系模型。通过输入第二车速数据对应的车速梯度范围，模型会输出预测的最佳换挡点。假设服务器使用线性回归模型进行训练，得到了如下的模型方程：最佳换挡点=0.2*车速梯度+10。服务器获取目标车辆的第二车速数据，并根据第二车速数据找到对应的车速梯度范围。假设目标车辆的第二车速为35km/h，它所在的车速梯度范围为30-40km/h。服务器将该车速梯度范围输入映射关系模型，计算出目标换挡点：最佳换挡点=0.2*35+10=17。根据计算结果，目标车辆在该车速梯度范围内的最佳换挡点为17。基于目标换挡点，服务器进行智能换挡。根据车速和目标换挡点，高速变速器可以自动选择合适的挡位进行换挡操作，以提供平顺的驾驶体验和最佳的燃油效率。
[0112]
上面对本发明实施例中用于高速变速器的数据处理方法进行了描述，下面对本发明实施例中用于高速变速器的数据处理装置进行描述，请参阅图5，本发明实施例中用于高速变速器的数据处理装置一个实施例包括：
[0113]
获取模块501，用于获取目标车辆的第一车速数据，并采集所述目标车辆中高速变速器的转速数据和反应时间数据；
[0114]
构建模块502，用于对所述第一车速数据和所述转速数据进行曲线拟合，得到第一性能关系曲线，并对所述第一车速数据和所述反应时间数据进行曲线构建，得到第二性能关系曲线；
[0115]
划分模块503，用于根据预设的多个车速梯度范围，分别对所述第一性能关系曲线和所述第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；
[0116]
提取模块504，用于对每个车速梯度范围的第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值；
[0117]
计算模块505，用于将每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；
[0118]
处理模块506，用于构建所述最佳换挡点与每个车速梯度范围的映射关系模型，获
取所述目标车辆的第二车速数据并通过所述映射关系模型进行高速变速器智能换挡。
[0119]
通过上述各个组成部分的协同合作，分别对第一性能关系曲线和第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；对第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到多个第一曲线特征值以及多个第二曲线特征值；将多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；构建最佳换挡点与每个车速梯度范围的映射关系模型，获取目标车辆的第二车速数据并通过映射关系模型进行高速变速器智能换挡，本发明通过智能换挡和优化性能参数，有效降低换挡顿挫和震动问题，提高变速器响应速度和灵敏度，通过综合考虑车速，转速和负载条件因素来确定最佳换挡点，适应不同道路条件和驾驶需求，通过建立车速和性能关系曲线，提取特征值进行最佳换挡点计算，进而提高了高速变速器的数据处理准确率。
[0120]
上面图5从模块化功能实体的角度对本发明实施例中的用于高速变速器的数据处理装置进行详细描述，下面从硬件处理的角度对本发明实施例中用于高速变速器的数据处理设备进行详细描述。
[0121]
图6是本发明实施例提供的一种用于高速变速器的数据处理设备的结构示意图，该用于高速变速器的数据处理设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，cpu）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对用于高速变速器的数据处理设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在用于高速变速器的数据处理设备600上执行存储介质630中的一系列指令操作。
[0122]
用于高速变速器的数据处理设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图6示出的用于高速变速器的数据处理设备结构并不构成对用于高速变速器的数据处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0123]
本发明还提供一种用于高速变速器的数据处理设备，所述用于高速变速器的数据处理设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述用于高速变速器的数据处理方法的步骤。
[0124]
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述用于高速变速器的数据处理方法的步骤。
[0125]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0126]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory， rom）、随机存取存储器（random acces memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
[0127]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种用于高速变速器的数据处理方法，其特征在于，所述用于高速变速器的数据处理方法包括：获取目标车辆的第一车速数据，并采集所述目标车辆中高速变速器的转速数据和反应时间数据；对所述第一车速数据和所述转速数据进行曲线拟合，得到第一性能关系曲线，并对所述第一车速数据和所述反应时间数据进行曲线构建，得到第二性能关系曲线；根据预设的多个车速梯度范围，分别对所述第一性能关系曲线和所述第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；对每个车速梯度范围的第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值；将每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；构建所述最佳换挡点与每个车速梯度范围的映射关系模型，获取所述目标车辆的第二车速数据并通过所述映射关系模型进行高速变速器智能换挡。2.根据权利要求1所述的用于高速变速器的数据处理方法，其特征在于，所述获取目标车辆的第一车速数据，并采集所述目标车辆中高速变速器的转速数据和反应时间数据，包括：将预置的传感器组设置与目标车辆以及所述目标车辆的高速变速器中，对所述传感器组进行数据传输接口配置，得到目标数据传输接口；通过所述传感器组对所述目标车辆和所述高速变速器进行测试数据采集，并通过所述目标数据传输接口进行数据传输，得到目标测试数据；基于预设的车速数据标签、转速数据标签以及反应时间数据标签，对所述目标测试数据进行聚类分析，得到第一车速数据、转速数据和反应时间数据。3.根据权利要求1所述的用于高速变速器的数据处理方法，其特征在于，所述对所述第一车速数据和所述转速数据进行曲线拟合，得到第一性能关系曲线，并对所述第一车速数据和所述反应时间数据进行曲线构建，得到第二性能关系曲线，包括：对所述第一车速数据进行离散化分布处理，得到车速离散序列，并获取所述车速离散序列的第一时间戳数据，并对所述转速数据进行离散化分布处理，得到转速离散序列，并获取所述转速离散序列的第二时间戳数据，以及对所述反应时间数据进行离散化分布处理，得到反应时间离散序列，并获取所述反应时间离散序列的第三时间戳数据；根据所述第一时间戳数据和所述第二时间戳数据，对所述车速离散序列和所述转速离散序列进行数据对齐，并构建多个车速和转速关系点对；根据所述第一时间戳数据和所述第三时间戳数据，对所述车速离散序列和所述反应时间离散序列进行数据对齐，并构建多个车速和反应时间关系点对；调用第一关系分布函数对所述多个车速和转速关系点对进行曲线拟合，得到第一性能关系曲线，以及调用第二关系分布函数对所述多个车速和反应时间关系点对进行曲线拟合，得到第二性能关系曲线。4.根据权利要求1所述的用于高速变速器的数据处理方法，其特征在于，所述根据预设
的多个车速梯度范围，分别对所述第一性能关系曲线和所述第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线，包括：按照预设的车速梯度阈值，对所述第一车速数据进行车速梯度划分，得到多个车速梯度范围；对每个车速梯度范围进行端点值提取，得到每个车速梯度范围对应的两个端点值；基于每个车速梯度范围对应的两个端点值，对所述第一性能关系曲线进行曲线分段提取，得到每个车速梯度范围对应的多个第一子关系曲线，以及基于每个车速梯度范围对应的两个端点值，对所述第二性能关系曲线进行曲线分段提取，得到每个车速梯度范围对应的多个第二子关系曲线；对所述多个第一子关系曲线以及所述多个第二子关系曲线进行车速梯度范围对应匹配，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线。5.根据权利要求1所述的用于高速变速器的数据处理方法，其特征在于，所述对每个车速梯度范围的第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值，包括：对每个车速梯度范围的第一子关系曲线进行原始曲线值提取，得到多个第一原始曲线值，以及对所述第二子关系曲线进行原始曲线值提取，得到多个第二原始曲线值；计算所述多个第一原始曲线值的标准偏差，得到第一标准偏差，以及计算所述多个第二原始曲线值的标准偏差，得到第二标准偏差；分别对所述多个第一原始曲线值和所述第一标准偏差进行比较，得到每个第一原始曲线值的第一比较结果，以及分别对所述多个第二原始曲线值和所述第二标准偏差进行比较，得到每个第二原始曲线值的第二比较结果；根据每个第一原始曲线值的第一比较结果确定每个车速梯度范围对应的多个第一曲线特征值，并根据每个第二原始曲线值的第二比较结果确定每个车速梯度范围对应的多个第二曲线特征值。6.根据权利要求1所述的用于高速变速器的数据处理方法，其特征在于，所述将每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点，包括：对每个车速梯度范围对应的多个第一曲线特征值进行向量编码转换，得到第一初始向量，以及对所述多个第二曲线特征值进行向量编码转换，得到第二初始向量；对所述第一初始向量以及所述第二初始向量进行向量融合，得到目标融合向量；将所述目标融合向量输入预置的高速变速器换挡分析模型，其中，所述高速变速器换挡分析模型包括：双向长短时记忆网络、编码器以及解码器；通过所述双向长短时记忆网络对所述目标融合向量进行特征提取，得到目标特征向量；将所述目标特征向量输入所述编码器进行特征编码，得到目标编码向量；将所述目标编码向量输入所述解码器进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点。7.根据权利要求1所述的用于高速变速器的数据处理方法，其特征在于，所述构建所述最佳换挡点与每个车速梯度范围的映射关系模型，获取所述目标车辆的第二车速数据并通
过所述映射关系模型进行高速变速器智能换挡，包括：构建所述最佳换挡点与每个车速梯度范围的映射关系模型；获取所述目标车辆的第二车速数据，并获取所述第二车速数据对应的车速梯度范围；将所述第二车速数据对应的车速梯度范围输入所述映射关系模型进行换挡点匹配，得到目标换挡点；基于所述目标换挡点，对所述高速变速器进行智能换挡。8.一种用于高速变速器的数据处理装置，其特征在于，所述用于高速变速器的数据处理装置包括：获取模块，用于获取目标车辆的第一车速数据，并采集所述目标车辆中高速变速器的转速数据和反应时间数据；构建模块，用于对所述第一车速数据和所述转速数据进行曲线拟合，得到第一性能关系曲线，并对所述第一车速数据和所述反应时间数据进行曲线构建，得到第二性能关系曲线；划分模块，用于根据预设的多个车速梯度范围，分别对所述第一性能关系曲线和所述第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；提取模块，用于对每个车速梯度范围的第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值；计算模块，用于将每个车速梯度范围对应的多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；处理模块，用于构建所述最佳换挡点与每个车速梯度范围的映射关系模型，获取所述目标车辆的第二车速数据并通过所述映射关系模型进行高速变速器智能换挡。9.一种用于高速变速器的数据处理设备，其特征在于，所述用于高速变速器的数据处理设备包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述用于高速变速器的数据处理设备执行如权利要求1-7中任一项所述的用于高速变速器的数据处理方法。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述的用于高速变速器的数据处理方法。

技术总结
本发明涉及数据处理领域，公开了一种用于高速变速器的数据处理及相关装置，用于提高高速变速器的数据处理准确率。方法包括：分别对第一性能关系曲线和第二性能关系曲线进行曲线划分，得到每个车速梯度范围的第一子关系曲线以及第二子关系曲线；对第一子关系曲线以及第二子关系曲线进行曲线特征点提取，得到多个第一曲线特征值以及多个第二曲线特征值；将多个第一曲线特征值以及多个第二曲线特征值输入预置的高速变速器换挡分析模型进行最佳换挡点计算，得到每个车速梯度范围对应的最佳换挡点；构建最佳换挡点与每个车速梯度范围的映射关系模型，获取目标车辆的第二车速数据并通过映射关系模型进行高速变速器智能换挡。过映射关系模型进行高速变速器智能换挡。过映射关系模型进行高速变速器智能换挡。


技术研发人员：秦强 李宛蔚 秦博
受保护的技术使用者：德电北斗电动汽车有限公司
技术研发日：2023.07.10
技术公布日：2023/8/9