自行车变速系统设计

PAGE1摘要随着骑车运动的日益流行，单车不再仅仅是一种简单的代步工具。骑行者的身体状况和骑乘道路都是通过改变速度系统来实现的，从而实现了科学的骑乘。但是，自行车的变速系统非常的复杂，有些电子变速是用手动设定好的换挡方式来调整换挡，无法根据使用者的驾驶习惯来调整换挡。所以，如何找到一种更符合使用者要求的骑乘换档方式，使单车的自动换档成为迫切需要。首先，根据本文的具体问题，提出了一种基于自行车的骑车速度控制的数学模型。在分析比较了目前常用的神经网络的结构和特性后，选择了BP网络作为挡位控制模型。最后，通过对比试验，确定了系统的结构及主要参数。为了克服上述缺点，本文提出了用遗传算法进行齿轮控制的优化。其次，对智能单车的自动换档系统进行了研究。基于骑行档位控制模型，建立了一套基于骑行档位、人体状态、骑行状态的数据采集系统，并将采集到的数据输入到档位控制模式中，并根据使用者的骑行习惯进行训练，从而得出与使用者相匹配的骑行档位，并利用换档系统进行换挡。最后，结合实际的实际骑车情况，利用BP神经网络与BP神经网络的最优档位控制模式进行挡位运算，分析比较结果，结果表明，该算法具有良好的应用前景。关键词：自行车；变速；神经网络；遗传算法

ABSTRACTWiththepopularityofcycling,cyclingisnolongerasimplemeansoftransportation,butawayofrecreationorexerciseandfitness.

Thepurposeofscientificcyclingcanbeachievedbychangingthespeedtoadapttothephysicalstateoftheriderandthecyclingroadcondition.

However,thebicycletransmissionsystemiscomplexandthecontrolrequiresskills.Someelectronictransmissionistochangegearsthroughmanualpresettransmissionmode,whichcannotbeoptimizedaccordingtotheuser'sridinghabits.

Therefore,itisimperativetostudyhowtoobtainthecyclingspeedchangemodesuitableforusersandrealizetheautomaticbicyclespeedchange.Firstofall,combinedwiththeactualproblemsofthispaper,abicycleridinggearcontrolmodelisestablished.Throughtheanalysisandcomparisonofthestructureandcharacteristicsofcommonlyusedneuralnetworks,theBPnetworkisselectedforgearcontrolmodeling.Throughcomparisonandexperiments,thestructureandkeyparametersofthecontrolmodelaredetermined.Inviewofitslimitations,itproposestointroducegeneticalgorithmsfortheoptimizationofgearcontrolmodel.Second,carryoutthedesignoftheintelligentbicycleautomatictransmissionsystem.Onthebasisofthebicycleridinggearcontrolmodel,adatacollectionsystemisdesignedandconstructedtoobtaindatasuchastheuser'sridinggear,humanbodystatusandridingroadconditions;thecollecteddataisusedastheinputofthegearcontrolmodel,trainedaccordingtotheuser'sridinghabits,calculatestheridinggearsuitablefortheuser,andrealizesthefunctionofautomaticspeedchangethroughthespeedshiftsystem.Finally,forthespecificridingexamples,thetraditionalBPneuralnetworkgearcontrolmodelandtheoptimizedBPneuralnetworkgearcontrolmodelareusedtocalculatethegear,andthecalculationresultsareanalyzedandcompared,andtheexperimentalresultsverifytheeffectivenessandsuperiorityoftheoptimizedBPneuralnetworkgearcontrolmodel.Keywords:Thebicycle；Automatictransmission；NeuralNetwork；GeneticAlgorithm

目录TOC\o"1-3"\h\u163441绪论 194211.1论文研究背景及意义 199831.1.1研究背景 1271131.1.2研究意义 2283101.2国内外研究现状 2149751.2.1智能自行车研究现状 5169991．3论文研究内容与架构 8152261.3.1论文研究内容 8252911.3.2论文架构 898321.4本章小结 969922变速算法技术方案选择的理论基础 9307332.1人工神经网络概述一 9326202.1.1人工神经网络的定义 9247632.1.2人工神经元模型 1097192.1.3人工神经网络的特点 10277702.2人工神经网络的结构和学习方式 1185112.2.1前馈型神经网络 11187402.3反馈型神经网络 1284372.3.1BP(反向传播)网络结构 129042.3.2BP网络的缺陷分析及优化方法选择 16215682.4本章小结 1758723基于BP神经网络的自行车自动变速系统设计 1755693.1自动变速系统功能需求与算法设计方案 17216003.2基于BP神经网络的档位控制建模 19307883.2.1档位控制模型输入和输出交量的选择 19313623.2.2激活函数和训练算法的选择 21170143.3自动变速系统设计与实现 22300173.3.1数据采集系统的实现 2263643.3.2变速系统的实现 2497953.3.3电源管理系统的实现 25206943.4本章小结 25262304总结与展望 25318684.1总结 25125214.2展望 2532399参考文献 2710629致谢 30

1绪论1.1论文研究背景及意义1.1.1研究背景李克强总理在全国人大三次会议上提出了“互联网+”战略，旨在推动移动互联网、物联网、云计算、大数据等技术与传统产业、现代制造业相融合，开拓新的新天地。网络给传统产业注入了一股新的活力，让它可以适应这个时代。在“互联网+”浪潮的推动下，自行车产业迎来了一个新的发展契机。将智慧元件与医疗保健产业和因特网相结合，可以极大地方便人们的日常生活。目前，自行车已经成为了一个热门话题，许多企业纷纷投入到了这一领域。将智能部件与自行车的组合，将会给我们带来新的发展机会和前景。现在，自行车已经成为一种功能产品，集休闲、健身、出行于一体。此外，由于其方便，自行车已成为面向公众的生活必需品，在市场上有着很好的销路。本文研究开发的智能单车，经过改装后，将与骑行云服务平台相结合，将会更加具有竞争力，从而提升用户的骑行体验。1.1.2研究意义交速型自行车的主要功能部件为自行车变速装置，其基本原理是用外力使链条与前后不同尺寸的齿轮盘相匹配。当前使用的手动传动装置通常是指拨式或转柄，在换档时，牵引钢索克服弹性元件的弹力，使链条导向构件在后链轮上移动，并释放弹性元件的偏压力，从而将链条导向构件向相反方向移动。但是，使用缆绳的传动系统有以下几方面的不足：1）结构复杂，生产和制造费用昂贵：（2）换挡时需要很大的力量，尤其是在低速和上坡的情况下，使用强力换挡会影响骑行的平衡性；（3）采用缆线的控制方式，一般不能实现连续变档，骑行体验较差。由于人工换档频繁，会出现安全隐患，而且变速系统比较复杂，操作也比较有技术含量，很容易给新手带来不便。很多人都觉得换挡太麻烦了，不管是上坡还是下坡，都会选择一个档位，这会对使用者的膝盖造成很大的伤害，无法发挥出最大的威力，而自动变速箱就是最好的解决办法。采用电动机换档是电动自行车从机械式换档到电动换档的必然趋势。将电动汽车与因特网技术相结合，实现汽车智能自动变速器是当前的一个热门课题。但目前市面上的电动自动换档单车都是采用人工设定的换档方式来完成换档，实时性和准确性较低，无法根据使用者的生理特点调整车辆速度。本论文的研究成果是针对高档运动型自行车市场，基于云端数据分析的自动换档技术，旨在为消费者提供更好的骑乘体验。将智慧和健康相结合，针对不同的骑乘人群，设计出不同的变速方案，使更多的人群能够安全、便捷的骑行，体验到骑行的快乐。1.2国内外研究现状在早期的自行车中，齿轮的齿数都是固定的，也就是说不能进行换档。1905年，保罗·德维维发明了第一台自行车传动装置。最早的传动系统，是在后轮上安装了两个飞轮，当时的设计，是为了适应平坦和陡峭的地形。随着单车科技的进步，有了可以调整档位的变速单车，使骑手能够在不同的环境中保持稳定的动力，为休闲、健身、比赛提供了便利。原来的换档操纵杆与自行车的换档操纵杆类似，骑乘人员在操纵操纵杆时必须将手柄松开，既不安全，也不方便。后来，还有一种按手柄的摇杆控制装置，这种装置比推杆式要先进一些，但是在使用方便方面，还是有一定的缺陷。美国SRAM公司于1987年引进了一种旋钮式控制器，该控制器与该装置结合在一起，其最大的优点是使用方便，使用者无需松开手柄，只需轻轻转动操纵杆就能实现速度调节。由于机械传动具有传动精度不高，操作复杂，费时费力等问题，因而产生了电动变速器。机械式换档为直线牵引式换档，而电子式换档则是由马达带动换档。电子传动装置一般采用四连杆结构，将固定架、电机和导链架装配在一块，在电机的输出轴开始输出功率时，导链架可以通过四连杆来改变位置，从而实现换挡，见图1.1。电子换档有一个指令发送装置和一个接收装置，这些装置由导线来传送讯号，讯号则是控制马达的动作，以达到单车换档的目的。采用电子变速器，省却了传统的机械式变速器，更灵活的换档、更容易、更精确、更低的机械故障。最常用的是Shimano的D2,Campagnol的EPS,SRAM的无线传输。由于汽车自动控制技术的不断发展，人们对电动自行车的需求也日益增加，很多学者和企业纷纷将其与自动控制技术相结合，以进一步研究其变速控制技术。在1993年，布朗宁等人设计了一套能够检测自行车、花鼓和曲轴速度的电脑控制系统，利用并行、集成和多目标优化算法，实现自行车的最佳传动。1994年，Bellio等人研制了一种基于齿轮转换的自行车自动换档系统，该系统能够通过测量曲柄转速、转速和当前齿数的变化来实现自行车在各种工况下的变速。2011年，赵春锋等人研制出一种基于单片机的自动换档装置。本系统采用发电花鼓对单车转速进行检测，并与单片机设定的换档转速进行对比，当需要换档时，由单片机发送换档信号，由电动机带动后置式变速器进行换档。在2015年，Shimano开发了一个具有自动换档功能的传动系统。SHIMANOSTEPS系统是利用花鼓来产生换档信号，并由Di2型电子换档系统实现换档。图1．2智能自行车总之，使用者对单车的需求也由原来的运输方式转向了休闲、健身、出行的多用途单车。如何把自行车的速度控制在人体健康的基础上，使其达到科学的骑乘已经越来越受到广大使用者的重视。目前，电动自行车正朝着智能化、舒适、科学化的方向发展。1.2.1智能自行车研究现状随着智能产品的大量出现，智能化的时代已经来临。自行车作为一种传统的交通方式，正在向着智能化的方向发展，在“互联网+”的浪潮中，自行车的智能化已经成为了一个重要的发展趋势。多元化的智能单车进入了消费者的消费领域，也为消费者提供了一种新的选择。许多企业都在致力于研究和开发智能单车，以充分利用这一机遇。韩国三星公司于2014年四月开发出一款智能单车“SamsungSmartBike”，它的车身由铝合金制成，外形优美，同时还能减轻地面的振动。这款智能单车与三星手机联网，能够精确的感应到骑乘者的周围环境。它最大的特色是它的车架上有一个后视镜，可以让你的自行车避免在后方遇到危险。在中国，索罗门是一匹黑马。索罗门公司在2015年上半年开发了一种叫做洛克菲勒的智能单车。它能够实现手机社会功能，利用智能装置获得骑乘者的健康状态和骑乘环境信息。采用Shimano换档，内置3.5英寸的智能电子屏，防震和防水。图1．2智能自行车事实上，智能单车配件的研发历史较长，已积累了大量的研究成果。智能单车的配件包括智能码表，踏频器，心率带，充电系统等，见图1.3。Livall的智能骑车装备包括头盔，闪光灯，手机支架，踏板传感器。头盔上有一个自动驾驶的指示灯，可以让人在上面行驶，还可以在网络上播放音乐，还可以连接到头盔和手机，还可以控制一些功能，让使用者在上面骑车。使用移动应用程序进行社会共享和数据录制。“野兽”李刚将软件与硬件相结合，研发出一款智能单车和“野兽”骑行APP，用于采集数据。趣动智能研制了一款运动型前车管，专为运动型自行车而研制。可以在大多数单车上使用，通过云骑APP，可以实现数据上传、导航、防盗等功能，还可以找到附近的修理厂，为他们提供各种代步服务。连接Cycle公司发布了一款能够监控骑手的运动状态的智能踏板，如热的燃烧，在这个应用程序中会被展示出来，而且还具备防盗功能。这些智能单车配件的问世，极大地方便了人们的骑乘，所以很多职业骑手都会使用智能的配件来改造自己的单车，以达到他们的骑乘要求。因此，智能单车配件的出现，为开发和开发智能单车打下了坚实的基础。图1.2目前，国内外的智能单车都具备了多种功能，与传统的单车相比，智能单车通常通过先进的技术手段来优化、改善现有的缺陷，使其更多的功能和更好的服务。尽管智能单车发展的时间比较晚，但是它在很多领域都有很大的发展，并且逐渐走入了消费者的生活。未来的智能单车将具有更多的功能与服务：(1)GPS导航：将GPS、手机APP等外部设备结合起来，可以确定骑行者的位置，提供导航，并在显示屏上自动生成行驶路线。(2)云数据存储：将骑乘资料上传至云端，记录每一次的骑乘情况，并根据骑乘资料，为使用者提供最佳的骑乘计划。(3)电子换档：将传统的转把、指拨变速器改为电子按键式变速器，使换档速度更快，更准确，更简单。(4)轻巧结构：采用了特别的材质结构，使结构更加轻巧，结构更加稳定。(5)自动换挡：根据骑手的踏频、速度等数据，自动换挡。(6)智能混合式：采用电池作为燃料，在骑车过程中，发动马达作为辅助动力。(7)智能防盗：结合指纹锁和智能锁等技术，对单车的异常运动进行监控，确保车辆的安全。从以上的分析可以看出，虽然智能单车已经成为了各大厂商竞争的焦点，但三星、小米、百度等公司的智能单车，更多的是以智能服务为主，而智能单车的关键部分，依然是手动或者电子变速器，并没有实现真正的自动变速器，所以目前市场上的智能单车，依然缺乏核心技术和竞争力。1．3论文研究内容与架构1.3.1论文研究内容传统的变速自行车大多采用人工换挡，由于其变速系统复杂，存在着不精确、操作麻烦、费时费力、不安全等诸多限制，使得许多骑车人无法正确地选择正确的骑乘范围，无法实现科学的骑乘运动。随着技术的进步，有些概念自行车可以实现自动换档。然而，这种自动换档自行车均采用预置的换档方式来完成换档，实时性、准确性较低，无法针对骑手的生理特点进行个性化调整。因此，本文在本文中，设计和开发了一套基于智能的自行车自动换档系统和“骑车云端”服务平台：(1)对车辆和人体数据进行实时采集；(2)通过对车辆状态、路线状况和人体状况的综合分析和计算，自动设定车辆合理的挡位，以达到科学的骑乘；汽车的行驶速度变化规律是非常复杂的，因此在计算中有一定的困难。首先，对自行车的行驶速度进行了非线性分析。由于其不能通过一种或多种公式的简单转换而得到，因此，算法的选取需要有很强的非线性运算能力。其次，骑行速度受多种因素的影响，如骑行路况、骑行者的身体状况、骑车状态等。所以，该方法必须具有一定的弹性，能够充分地反映出不同的骑乘因子。ANN能够很好地适应新的环境，例如：适应各种环境下的不同使用者的骑乘行为。基于此，本文提出了一种基于神经网络的自动驾驶策略，并对其进行了建模。1.3.2论文架构第l章，首先对本论文的选题背景、意义进行了说明，然后对自行车变速系统、智能自行车、智能自行车配件、人工神经网络等方面进行了简要的介绍，并给出了全文的主要内容和章节结构。第2章,介绍了ANN的理论基础，并根据实际问题，对常见的网络结构和特性进行了分析对比，选择了BP网络作为挡位控制模型。接着对BP（逆向通信）网络的基本结构和算法进行了详细的介绍。最后，对ANN的一些性能评估指标进行了分析，并采用了平均偏差法对其进行了评估。第3章，介绍了汽车自动变速器的设计思想，它由两部分组成：一是算法模型，二是硬件。在此基础上，采用BP神经网络进行了自动换档算法的建模，并通过本文的研究，确定了该算法的参数，并给出了相应的参数选择，并给出了相应的参数，并给出了相应的优化步骤。最后，对该系统进行了硬件设计和实现。第4章,是本文的结论，并对今后的工作进行了展望。1.4本章小结本文首先对本文的研究背景和意义进行了简要的阐述，并对目前国内外自行车变速系统、智能自行车、智能自行车配件、人工神经网络等方面的研究状况进行了简要的阐述。在此基础上，对本文的主要研究内容及章节的编排进行了阐述，并以图表的方式展示了本文的章节结构。

2变速算法技术方案选择的理论基础近年来，随着ANN技术的发展，它在预测和估计方面的应用越来越广泛，并有了长足的进步。该方法能够充分考虑到历史资料和其他因素的影响，实现输入-输出模式之间的映射关系，而不需要事先说明这些关系的数学公式，因而具有广泛的应用前景。在短期预报中，由于ANN具有自我学习能力，可以持续地学习新的知识，对某些复杂的非线性问题有较强的鲁棒性和较高的预测精度，因此被视为短期预报中最有前景的一种。2.1人工神经网络概述一2.1.1人工神经网络的定义ANN是模拟生物神经网络的一种数学模型，它模拟了生物神经网络的结构与功能。神经网络由许多节点（也就是神经元）彼此相连，每一个节点都代表着一种叫做“激发”的特殊输出功能。网络结构、参数、训练方法等都会影响神经网络的输出。神经网络是一种具有自适应能力的信息处理系统，它可以通过训练样本来改变网络的结构。2.1.2人工神经元模型在人类大脑中，大量的神经元是最基本的信息处理单元，因此，在仿真人脑的神经网络中，神经元和它们之间的联系机制是最关键的组成部分。神经网络由三个神经元构成：输入神经元、输出神经元和隐性神经元。正如名字所示，输入部件是接受外界信息的神经网络，输出部件是神经网络运算的输出部件，而隐性部件是神经网络运算的中间部件。单元间的连接结构取决于连接权值和连接，权重反映了单元间的联系密切，而链接关系反映了单元间的信息传输。一般情况下，最常见的是线性和距离两种基本函数，其中BP神经网络、Hopfield神经网络等都是应用于径向基函数神经Ng中。该线性功能可由以下公式表示：u距离函数的表达式为：u=2.1.3人工神经网络的特点ANN是一种仿生学的方法，其特征是模仿人脑神经元的构造，能够进行平行操作，自适应和自我学习。它的优势在于：1）具有并行处理的能力。(2)具有较强的抗干扰能力和较强的抗干扰能力。(3)自我学习的能力。(4)可适应的、集成的。(5)最优解的快速算法。2.2ANN的结构与学习模式神经元间的信号传递、处理或存储是由神经元间的不同的连接结构组成，而连接结构则是基于生物大脑的神经网络的结构。自ANN发展到现在，已经形成了几十种不同的结构模式，按照不同的方向和联系模式，可以把它们分成两类：前馈型和反馈型。2.2.1前馈型神经网络前馈型神经网络，也称为前向网络（FeedforwardNN）。前馈型网络分为输入层、隐藏层和输出层三个层次。前馈神经网络是当前最受欢迎的一种神经网络，它在分类、信号、图像处理、函数逼近等方面都得到了广泛的应用，在输入层和输出层之间存在一个隐藏层，每个层的输入信号都是以前的输出信号，没有任何反馈。BP神经网络是一种以误差反向传递为基础的多层前馈网络，它是目前最常用的一种神经网络模型。2.3反馈型神经网络反馈神经网络，也称为递归神经网络。它和前馈神经网络最大的不同在于，任何一个神经元都有反馈，而且它自己也会反馈。在反馈神经网络中，可以实现神经元的前后传递。也正是因为这个信号不断地传输，所以网络才会从一个输入信号开始，经过几次的运算，网络会有一个收敛的过程，但也有可能会因为多次的震动而失去最后的结果。因此，在建立网络时，需要对信息的传递和反馈的收敛性进行清晰的分析，从而使这种网络在实际应用中遇到了困难。Hopfield神经网络是反馈神经网络的一个典型例子，它具有结构简单，在优化问题中得到了广泛的应用。2.3.1BP(反向传播)网络结构BP神经网络的拓扑结构由输入层、一层或多层隐藏层和输出层组成。BP网络模型的基础结构有N个输入层神经元，其中X=(X1,X2,...,XN)t是隐藏层的输出矢量；wij为输入层和隐藏层之间的连接权，wjk是隐藏层和输出层之间的连接权重，而q(,=1、2、...、L）是隐藏层各个神经元的数值，而bk(k=1、2、...、m）是输出层各个神经元的电位。然后，可以得到每个神经元的输出:xBP网络采用了基于误差的逆向传输，使得网络的输出误差均方差最小化，并且由输入信号的前向和后向后的传递组成了BP神经网络的整个学习过程。正向传输是将输入信号一层一层地传输到输出层，并在输出端生成一个输出信号。将所得结果与所需的输出资料进行比较，得出其误差信号。当错误信号不是0或不能满足需求时，就会进入错误的逆向传播。逆向传输是将错误信号从原本的正向传输到反方向，通过梯度递减方法修正了网络权重，从而使错误信号逐渐减小。设网络的训练样本数为P，相应的期望输出d（1），d（2），．，d(P)，训练时通过误差更新权值，使实际输出更接近期望输出，为了简化，将阈值与权值向量合并，即b1，=wj1，bk=wjk，aj=wij，xl=Xn，则式(2-4)中相应的权值向量和输入向量维数加1。BP神经网络的训练是以输出结果的最小均方差为准则的。对于第P个样本，网络的均方误差为每个输出节点误差平方和E所有的样本都输入一次后的总误差为E=设W为网络的一个权值，根据梯度下降法，则该权值的修正量为∆对输出层的推导w其中n0xj'wjk∑uk'f(*)yk（2.5图）∂=−=其中δ所以有w由于E(p)是y1，y2，...，ym的函数，但uy对隐藏层的推导w其中,∂E∂w∂=−=−其中δStepl：权值初始化：权值w在[一1，1]t随机取值；Step2：将P个训练样本输入网络，设当前输入为第p个样本；Step3：依次计算各层的输出XJ，Yk，J=1,2…，L，k=1,2…，m；Step4：计算网络各层的反向传播误差：δδStep5：按权值修正公式更新各层的权值；Step6：利用更新后的权值重新计算弓XJ(P)，YK和E1当E小于要求的误差，或者达到最大训练次数，结束训练。否则转入Step2继续训练。2.3.2BP网络的缺陷分析及优化方法选择BP神经网络尽管已经广泛地应用于工程实践，但其实质是BP神经网络基于梯度变速算法的技术方案选择时，其应用中不可避免地会出现以下问题：(1)BP神经网络的拓扑及大小很难确定，且无固定的计算方法，一般都是凭经验来决定。(2)由于不能准确地提供输入和输出的关系，因此，神经网络就像一个“黑箱”。(3)BP神经网络在模型太过复杂的情况下，会产生过度拟合，从而使网络的运算性能下降。针对以上问题，我们提出了很多改善方法。结合本论文的实际问题，就上述缺陷对换挡模式的影响进行了详细的分析。对于（1)，可以用经验公式估计或多次实验得到齿轮控制模型的网络结构。在（2）中，文章重点讨论了齿轮的计算结果，两者之间的关系不会有太大的影响。对于（3)，网络的推广能力可以通过增大输入采样而得到改善。由于所研究的单车换挡是一种非常复杂的非线性问题，在网络学习过程中容易陷入局部极小化，而自动变速又需要实时性，如果算法收敛较慢，会造成实时性能下降。因此，将BP神经网络和遗传算法相结合，既可以实现遗传算法的全局寻优，也可以实现BP网络的自学习。BP神经网络的挡位控制模型采用遗传算法进行了优化。(1)避免陷入局部最小的境地。利用遗传算法进行全局概率搜索，避免了BP网络在局部搜索中陷入局部最优的困境。(2)加速融合。通过优化BP神经网络的初值和初值，减小了迭代次数，加快了网络的收敛性。(3)改进了运算的准确性。该方法首先采用遗传算法的特征，在可行解区域内进行全局搜索，再采用BP神经网络的梯度下降进行局部优化，以求出全局最优解，从而提高了模型的准确性。2.4本章小结在此基础上，本文给出了基于神经网络的智能汽车变速器的换挡控制模型。首先，对神经网络的构造及学习方法进行了详细的介绍，并对BP网络的选取进行了分析和比较，以实现智能单车交速系统的档位控制。接着对BP（逆向传输）网络的基本原理和算法的基本流程进行了详细的说明。其次，根据变速系统的要求，对BP神经网络存在的问题进行了分析，并将遗传算法用于神经网络的学习，并对网络的权重和阈值进行了优化。最后，给出了一些指数来测试ANN的性能，并采用了平均偏差法对挡位控制模型进行了评估。

3基于BP神经网络的自行车自动变速系统设计在实际应用中，神经网络能够对任何连续函数进行精确的拟合，并取得了一些结果。因而，利用神经网络进行骑车排档的计算，能获得较好的结果。单纯依靠算法是不可能实现智能单车的自动换档的，需要硬件和软件相结合。本文从两个方面进行了自动变速器的设计：首先，BP神经网络模型建立了自动变速器的数学模型；其次，以硬件为基础的自动变速器的设计和实现。3.1自动变速系统功能需求与算法设计方案骑行过程中，骑行者的身体状况、骑车人的身体状况等都会对骑车速度产生一定的影响。由于单车的行驶速度计算比较复杂，单用一个档位控制算法是不可能达到的。因此，本论文提出了一种基于分层处理的方法，对智能单车的自动换档系统进行了设计。第一个阶段：收集大量的数据，包括骑行道路、自行车和人体。骑行路面、自行车、人体等数据的类型和形式都不尽相同，因此，首先要对三大系统进行分析，并根据各个系统的特点，为其设计相应的数据收集模型。本论文所设计的自动换档系统所包含的数据有：反映骑行者目前的身体状况的生理指标。包括年龄，性别，体重，心率等。实际的数据，反映了目前的骑乘状况。包括速度，踏板频率，当前档位，电池电量。一种信息，反映了目前的骑车状况：道路的斜率。通过对以上数据的分析，得出了目前的骑车状况，为车辆行驶速度的估算提供了一定的理论和基础数据支持。第二个步骤：针对第一个阶段采集的骑车数据，采用BP神经网络建立了挡位控制模型，并采用遗传算法进行了改进。本研究将训练过程中所使用的历史资料分成两大类：一类是人工神经网络的模型，约占80%的资料，另一类是对神经网络的统计精度进行评价，约占全部资料的20%。本研究以使用者第一次骑车时的1000份资料为样本，以涵盖各档位。所以，骑车人应该根据自己的舒适程度来调节自己的骑乘范围，选择不同的道路行驶，使变速范围尽可能地扩大。实验样本为1~800，样本为801~1000。在获得了一组数据之后，将所测数据与实测数据进行比较，得出了相应的精度，并将其作为训练目标，通过神经网络进行二次训练。重复练习直到训练的错误在规定的范围内。3.2基于BP神经网络的档位控制建模3.2.1档位控制模型输入和输出交量的选择自动换档的准确性和舒适性与所选用的控制参数有很大关系。对自行车来说，它的速度、频率、坡度等都是反映其骑乘状况的主要指标，而要做到精确，又要考虑到骑乘者的身体状况，才能使其更好地进行科学的骑乘。变速自行车的基本功能是通过换档来保持踏频的稳定性，在换档过程中，车速的变化越小，就能更好地保持踏频的稳定性。换档的基本原则是：“在换档时，车速要小，要连续。”通过转速，可以得到齿轮传动的合理比例。在锻炼过程中，心率有一个限制，也就是最大心率，是人体的运动负荷的极限。在不同的时期，不同的人的最高心率是不同的，比如，当他们变老时，心率会变得更低。最大心率可以用来测量，但很麻烦，所以在日常生活中，通常都是用估计来计算，最接近这个数值的是：男：最大心率=210−年龄/2−0.11×公斤体重−4正常的骑车训练，最大心率在60%-80%之间。3.2.2激活函数和训练算法的选择(1)激活函数的选择在BP神经网络中，由于激活函数、样本数据以及网络拓扑等因素的作用，对其进行了分析。在这两种情况下，驱动功能的数学性质将直接影响到学习速度和计算效果，所以要结合本课题的实际需求，选用适当的激励函数。有多种激活功能，其中最常见的是：sigmoid函数(S型函数)：常用于聚类、映射和优化等问题，用于隐藏层神经元输出，具体包括logsig和tansig两种函数，两者的输入范围都是-oo，+oo)，输出分别为(0，1)和(一1，1)。logsig表达式为：y=f（x）=tansig表达式为：y=f（x）=ReLU(RectifiedLinearUnits)函数：用于隐层神经元输出。其表达式为：f(x)=max(0，③softmax函数：一般用于多分类问题的输出，其表达式为：σBP神经网络是一种基于梯度递减方法的神经网络，其激发函数的选取应为连续可导、微分发生显著变化，以适应误差减小时的梯度敏感性。一般情况下，如齿轮运算等非线性问题，都采用S型函数，因为在BP神经网络的训练中，tansig函数的收敛速度要比logsig函数快，所以我们选择了tansig函数作为挡位控制模式的有效值。因为BP神经网络范围控制模式的所需输出的范围超出（1、1)，所以输出层选择线性purelin函数为传输函数，以使网络的输出量达到最优的骑车速度。(2)训练算法的选择训练算法还会对档位控制模式的输出范围产生一定的影响，因此，在BP神经网络的学习中，要选用适当的训练算法。在给定的网络结构下，由于训练算法的迭代次数、运算量、训练速度和泛化性能都有很大的差异，所以要使训练算法得到较好的结果。在BP神经网络中，最常用的是最快速梯度降法，并对其进行了改进。在此基础上，如何选取合适的训练算法，至今尚无完整的理论依据。在实践中，无法决定哪个训练算法是最好的，需要针对问题的复杂程度、网络结构、训练样本和预期误差等因素，进行具体的分析，寻找出一种合适的训练算法。关于一些简单的函数映射问题，大部分的文献中都使用了Levevberg-Marquardt方法，结果表明，这种方法的训练速度快，误差小。所以，本文首先选择了李维夫-马夸特算法。3.3自动变速系统设计与实现该智能单车自动变速器系统的硬件主要包括：变速器、驱动马达等传动装置、数据采集系统、传感器、芯片等组成的数据采集系统、电池、充电器等。下面介绍了数据采集系统、换档系统和电源管理系统的硬件设计。3.3.1数据采集系统的实现利用传感器技术，可以完成智能自行车的骑乘和人体数据的采集。在户外骑行中，利用蓝牙技术进行数据采集与传输是当前的发展趋势。该系统采用有线式传感器进行骑行数据采集，具有体积小、功耗低、兼容性好、使用灵活、安全的优点。在此基础上，利用蓝牙技术实现了对人体数据的采集。车身数据采集系统的主要功能是采集车速，踏频，路面坡度，当前档位等。目前，踏频检测采用的是基于感应原理的踏频信号，通常包括霍尔单元计数和感应头。踏板频率传感器利用霍尔单元计数器和感应头的相对移动来计算踏板的圈数，从而使霍尔单元固定在框架上，并使感应头与曲轴联动的齿盘同步旋转。速度的测定还可以采用这种类型的传感器，其工作原理和踏频传感器一样，其安装方法是把霍尔元件固定在后部和后轮辐上。选择科尔Change公司的EDGE踏频和转速传感器，并与控制芯片通过IO端口相连。斜坡的采集采用了集成于控制芯片内的倾斜传感器，并将控制芯片安装到框架上。本论文采用TELESKYSCA60C型倾斜式传感器，采用IO接口与控制芯片相连。图3.3显示了该传感器的特定安装位置；图3.3车身传感器布置图该控制器主要是利用传感器对单车数据进行读出，并将其定义为对应的格式，并能接收到换档信息，并利用嵌入式系统对单车传动装置进行换档操作。该控制芯片具有两个输入和两个输出接口，分别从两个输入端口和两个输出端口来读出传感器的数据和换档控制，并将传感器的数据传输到蓝牙传输模块，并向自行车传动装置传输换档控制信号。自行车与手机客户端之间的通讯是由蓝牙模块完成的，其协议见下表3.4。通信方式蓝牙数据格式Hex协议格式帧头(固定）命令数据1数据2数据3数据4数据5校验低校验高帧尾(固定)0x3a0x0a例0x3a0x010x010x000x000x000x000x020x000x0a0x3a0x020xff0x010x000x000x000x010x010x0a校验方别累加校验命令+数据1+数据2+数据3+数据4+数据5校验低=低8位校验高=高8位溢出取低位方向app一>mcuapp向下发送命令mcu一>appmcu向app返回命令图3.4蓝牙协议心率是人体资料采集的重要组成部分。用户可以通过手机客户端手工录入年龄，性别，体重等个人信息。目前，在骑车运动中，心率带是一种常用的测量方法，它能实时地反映出运动后的实时心率，并对其进行持续的记录，具有较高的精度和安全性，是一种很好的监测方法。3.3.2变速系统的实现自行车变速装置主要是利用外力改变链条与前后不同大小的齿轮片之间的啮合，从而实现汽车速度的快速变化。自行车传动装置主要由前后指拨、前后变速器、齿盘套件、飞轮、链条等组成。智能单车使用的是自动换档，所以变速系统必须使用电动传动，或在传统的传动方式中加入马达。最后，智能单车选择了SHIMANO的电子传动系统来实现换挡。该控制芯片接收换挡信号，把换挡信号转化成控制马达的驱动指令，再通过传动装置带动后拨链来完成换挡。3.3.3电源管理系统的实现由于智能单车中的蓝牙模块与传动装置均需供电，故本论文设计的电动汽车自动换档系统，以SHlMANO内嵌式锂电池为其提供动力。本论文在自行车车架上安装了一块电池，它可以通过一个外部的充电接口来进行充电，电池可以提供1100mA的电量，可以持续50分钟，最多可以提供14000次的加速，最多可以行驶1000公里，最多60小时。3.4本章小结在此基础上，本文提出了一种基于智能单车的自动换档控制系统的设计思想。在此基础上，利用BP神经网络建立了相应的挡位控制模型，通过对该问题的研究，得到了相应的数学模型。最后，对自动变速器的硬件设计和实现进行了研究。

4总结与展望4.1总结骑车不仅是一种旅行，而且还能增强体质。通过改变速度，使自行车能够适应骑乘者的身体状况和骑乘条件，从而实现科学的骑乘。然而，单车的换档系统非常复杂，操作也需要一定的技术含量，而现有的电动换档系统都是由人设定好的换档方式来完成，无法根据使用者的骑乘习惯和实际的骑乘状况来进行换档。所以，针对复杂的骑车、变速系统，应用计算机技术和网络技术，实现汽车智能自动换档成为必然。4.2展望本论文首先对智能单车的自动换档和单车云端服务平台进行了初步的探讨，并取得了一定的成果。智能单车的自动换档和骑行者云服务平台还有许多需要进一步研究和完善的地方：在建立骑马速度控制模式时，只考虑速度、踏频、心率、坡度等指标，但在实际骑乘过程中，要考虑输出功率、耗氧量等因素的影响，故未来有关智能单车的自动换档时，应考虑输出功率、耗氧量等指标。(2)本论文所设计的用户终端是以Android为基础的手机应用系统，主要包括用户管理、设备连接、数据显示、定位、导航、导航等功能。但是，从用户的使用体验上，我们还应该添加更多的功能，比如运动细节、社交分享、消息推送、智能防盗等。同时，为拓展应用范围，拓展应用群体，提出了以iOS为基础的手机终端。

参考文献[1]张永民．“互联网+”催生众多行业新商机[J]．中国建设信息化，2015(11)：44—49[2]李海舰，田跃新，李文杰．互联网思维与传统企业再造[J]．中国工业经济，2004(10)：135—146[3]夏梦梅．当“传统”与“智能”联姻一智能自行车的未来在哪里[J]．中国自行车，2015(09)：74—77[4]肖祥芷，王孝培主编．《中国模具设计大典》第3卷：冲压模具设计[M]．南昌：江西科学技术出版社，2003[5]ColegroveJ，HowesD，GonzalezJ．Bicyclederailleursystem：US，US7703785[P]．2010[6]OldroydJW，SalmonJL．ConceptualDesignandPrototypingofanExternalContinuouslyVariableTransmissionforBicycles[e1．ASME2016InternationalMechanicalEngineeringCongressandExposition，2016：V014T07A023．[7]王新星，袁娇娇，杨继雪．自行车变速操纵机构技术NN[J]．科技创新与应用，2016(02)：25—26[8]ChienHC，TsengCH．Anautomatictransmissionforbicycles：asimulation[J]．InternationalJournalofIndustrialErgonomics，2004，33(2)：123—132[9]2002．LiaoCL．Handlebarshifterdeviceforoperatingbicyclederailleursystem：US，US6829963B2[P]．2004[10]丛余．自行车变速控制器的一