双离合器自动变速器（Dual Clutch Transmissions,DCT）由于其高效的传动效率、低廉的制造成本和良好的换挡特性,深受汽车行业欢迎,是目前国内最具发展前景的变速器。DCT的换挡控制策略对其换挡品质具有决定性影响,但其强非线性特性导致其控制复杂,换挡控制器设计仍依赖于大量的标定工作。基于数据驱动的控制技术能够利用海量实车数据,获取隐藏在数据中的最优换挡控制规律,从而提升DCT的换挡品质。本文以某汽车公司生产的7速湿式DCT为研究对象,开展基于数据驱动的DCT换挡智能控制研究。主要研究内容如下:（1）基于集成学习的离合器目标转矩知识库构建。利用集成学习算法挖掘DCT实车换挡数据中蕴藏的控制规律,首先,通过实车换挡数据采集试验,获取不同工况下的换挡数据,用小波阈值去噪对实车传感器数据进行预处理;然后,设计了DCT换挡控制的集成学习系统,利用经过预处理的实车换挡数据,以DCT系统状态参数为输入、离合器目标转矩为输出,将带有外部输入的非线性自回归神经网络模型（NARX）作为集成学习的子模型进行训练,以挖掘DCT离合器目标转矩与理想换挡状态的映射关系;最后利用RIPPER规则学习算法制定子模型的集成规则,将集成学习获取的换挡控制知识以常值神经网络权重和子模型集成规则的形式储存,构建了DCT换挡过程的离合器目标转矩知识库,为实现基于知识的DCT换挡智能控制奠定基础。（2）DCT系统动力学建模与仿真。基于发动机的测试数据,对发动机进行数值建模;分析离合器在不同状态下的转矩传递特性,建立了DCT系统中的离合器转矩传递模型;考虑整车在行驶过程中受到的各类行驶阻力,建立了车辆行驶负载模型;分别对DCT换挡过程中的转矩相和惯性相进行动力学分析和状态空间建模,并结合以上模块构建了完整的DCT换挡动力学模型。在Matlab/Simulink软件平台上对DCT的换挡过程进行仿真,并通过与相同工况下的实车测试数据对比,对所建模型的准确性进行验证,为DCT换挡控制策略的验证提供了手段。（3）基于知识的DCT换挡过程模型预测控制。提出了基于知识驱动的方法和模型预测控制（MPC）算法相结合的DCT换挡过程控制方法,实现对实车最优换挡控制知识的应用。首先,根据实车状态数据,从离合器目标转矩知识库中提取当前工况下的最佳换挡控制量;然后,以离合器转速跟随误差最小为优化目标,设计了MPC转矩控制器对离合器进行补偿控制,推导了基于离散状态空间模型的状态预测方程,建立了MPC的换挡控制系统预测模型;最后,设计了MPC换挡控制的目标函数,结合状态变量和控制变量的范围约束,将MPC换挡控制量优化求解问题转换成一个二次规划求解问题,利用quadprog函数对换挡控制量进行滚动优化求解。基于Matlab/Simulink仿真平台,分别在升挡和降挡工况下对提出的换挡控制策略进行仿真验证,并与传统的模糊换挡控制策略和实车标定的换挡控制方法进行对比分析。（4）基于数据驱动的DCT无模型自适应换挡控制。为了提高DCT换挡控制器的自适应能力和鲁棒性,提出了一种利用DCT系统输入/输出数据驱动的无模型自适应换挡控制策略。结合从实车数据中获取的离合器目标转矩,将通过集成学习获得的换挡控制知识以数据驱动的形式在线应用于DCT换挡控制系统。以减小换挡过程中的纵向冲击度和滑摩功为优化目标,采用无模型自适应控制（MFAC）算法对离合器转速偏差进行补偿控制,设计MFAC伪偏导数估计算法,对系统的动态线性数据模型进行实时更新,推导了DCT换挡过程的MFAC控制率,根据离合器目标转速和系统的输入/输出数据对换挡控制量进行实时计算。分别考虑DCT系统性态变化和系统内外部干扰,在不同油门开度下对所建立的DCT换挡控制策略进行仿真,并与相同工况下的MPC换挡仿真结果进行对比分析,验证了基于数据驱动的DCT无模型自适应换挡控制策略的有效性。