基于 BP神经网络的汽车内阻模型预测

应用与试验2014年第1期第27卷，总第129期机械研究与应用基于BP神经网络的汽车内阻模型预测朱佳葆上海交通大学自动化系，上海200030摘要分析了利用BP神经网络方法改进传统滑行法测量车辆内阻的可行性，并通过MATLAB软件中的神经网络工具箱NNTOOL实现了该网络的设计、训练和结果对比，表明利用BP神经网络的方法预测不同条件下车辆内阻是满足工程要求的、关键词汽车内阻；BP神经网络；NNTOOL工具箱中图分类号TH11文献标志码A文章编号1007441420140L一009003BPNEURALNETWORKSINVEHICLELOSSPREDICTIONMODELZHUJIABAOSHANGHAIFIAOTONGUNERSI，SHANGHAI200030，CHINAABSTRACTTHEFEASIBILITYANALYSISOFBPNEURALNETWORKSWHICHISUSEDTOIMPROVETHEVEHICLELOSSMEASUREMENTISPERFORMEDINTHISPAPERTHROUGHTHENNTOOLOFMATLABSOFTWARETOFINISHTHENETWORKSDESIGN，TRAININGANDRESULTANALYSIS，ITHASBEENPROVEDTOMEETTHEREQUIREMENTOFPROJECTKEYWORDSVEHICLELOSS；BPNEURNETWORKS；NNTOOLGUI1引言车辆道路阻力的模拟在汽车台架试验中有着非常重要的作用，准确的车辆道路阻力模拟可以使台架试验的结果更趋近于实际道路行驶情况。车辆道路阻力主要由两部分构成迎面风阻和车辆内阻该文所指车辆内阻为传动系阻力与滚动阻力之和，迎面风阻在汽车设计初期由外形所决定，而车辆内阻会随不同的开发阶段车辆配置的改变而产生变化。有限的整车台架试验资源无法满足大量的车辆内阻测试需求，因此寻找一种建立阻力模型的方法，使之能较为准确的预估不同车辆状态下的车辆内阻是解决上述问题的一种手段。2车辆内阻模型预测21国内外现状分析目前国内外对车辆内阻中轮胎部分的研究有很多，通过有限元仿真、YEOH材料模型、模态参数模型和阻尼模型等等，对其基础力学特性作了细致的计算和验证J。但在整车背景下，引入传动系、路面、外部环境等因素，直接套用公式法或在理想条件下建立模型分析计算都是比较困难的，因此以输入输出为导向，运用BPBACKPROPAGATION神经网络建立内阻模型是比较符合实际应用的方法，同时很多研究也表明BP神经网络在有大量样本支持下对非线性问题的识别和预测有良好表现，所以运用此方法建立滑行试验阻力模型并检验其效果是可行且值得探究的。22前期样本收集车辆内阻的大小受诸多条件的影响，主要因素有轮胎的花纹深浅、轮胎胎压、摩擦片磨损度、周围环境温度、车辆配载和传动系内阻等。根据研究目标的不同选择输人输出对阻力模型的构建效果有着较大的影响。本例中以新旧轮胎、高低胎压、不同程度的摩擦片磨损和环境温度的改变进行交叉试验，在底盘测功机上用滑行法结合在各种不同车速下测得滑行阻力作为本次神经网络构建的输入输出训练样本。23神经网络训练原理BP网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的网络模型之一。它包含输入层、隐含层和输出层，隐含层可以为一层或多层，每层上的神经元称为节点或单元。BP算法的实质是把一组样本输入输出问题转化为一个非线性优化问题。BP算法是一个快速下降的方法，使用了最优化方法中的梯度下降算法，目的是使实际输出和预期样本输出之间的均方差最小化。它要求传递函数具有连续可微分的非线性特征。一般使用S型逻辑非线性函数对于一个三层前馈BP网络，设输入层有M个节点，隐含层有S个节点，输出层有N个节点。输入层、隐含层和输出层神经元之间的连接权值为以及神经元阈值，和，神经元阈值赋予一1，I问的收稿日期20L31224作者简介朱佳葆1987一，男，上海人，助理工程帅，主要从事整_乍台架试验方面的工作。90应用与试验2014年第1期第27卷，总第129期机械研究与应用样本、验证样本和测试样本用于训练和评估网络效果。在网络利用训练样本进行训练时，确认样本的误差曲线连续次为最大插值次数的设定值迭代不再下降，此时训练终止即使网络训练结果没有达到目标值。在训练参数设置中，最大插值次数的设定值规定了检验样本检查的次数，默认为6。可尝试提高这个设定值到12、18甚至更高，但其效果只会推迟网络训练结束的时间，这是因为如果检验样本误差不再减小而继续训练网络，即使网络训练精度不断提高，其性能也不会有所改善，图2为一次提高插值次数的网络训练效果。图2把最大插值次数提高1倍后对网络性能没有帮助4网络的评估与分析对创建好的网络进行训练，训练结束后可在性能图表中查看均方误差曲线，来观察网络的学习效果。BP网络训练的过程是信号正向传播和误差反向传播的过程。通过误差反传不断修正网络连接权值使网络模型输出值与已知的训练样本输出值之问的误差平方和达到最小或期望值，由于训练网络的目的是使其对非训练样本有良好的泛化能力，因此单纯看均方误差的大小没有意义。一般来说如果在均方误差曲线中，验证样本和测试样本的误差与训练样本误差较为接近甚至更小，则网络模型已有效地逼近了目标系统所呈现的特性。由此得到结论是测试样本误差大小是样本客观条件所决定的，而网络泛化能力的好坏主要是看三类样本的误差接近程度，在图3中给出了一组理想的网络训练结果以供读者参考。在网络训练前，初始权值、阈值是在一个范围内按均匀分布随机产生，初始值的不同会导致不同的训练结果，因此确定一个合适的模型，不仅要尝试不同的训练方法和节点数还要改变初始权值、阈值进行多次训练以寻找能够反映车辆内阻特性的理想网络模型。通过实践证明TRAINLM和TRAINGDX算法都可以在有限次的训练中，得到比较理想的模型。而隐含层节点数设置为5，更高的设置会影响网络的泛化92能力，而传递函数选择TANSIG和LONSIG对网络的表现影响差异不大。图3TRAINGDX算法下J一组理想的网络模型表现在某一网络训练达到期望的效果后，在选项卡中点击匹I归图表查看样本回归情况，如图4所示。在该神经网络仿真选项卡中输入预测条件集，通过仿真得剑预测数据并记录。根据预测条件集配置车辆，在底盘测功机上进行滑行试验测量车辆内阻。把两组数据进行对比，评估网络泛化能力。图4训练完后在回归图中查看3组样本回归情况在多组预测值与实测值的比较后发现，TRAINSCG和TRAINDGX训练算法都可以实现内阻模型构