欢迎来到天天文库
浏览记录
ID:36644551
大小:269.79 KB
页数:5页
时间:2019-05-13
《基于BP神经网络的汽车起重机油耗预测研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、学兔兔www.xuetutu.com杠栈第46卷l第5期总第499期基于BP神经网络的汽车起重机油耗预测研究周道良,蔡祖戈,刘彦辉,吴斌,杨国秀徐工集团江苏徐州工程机械研究院摘要I以油门踏板操作(行程百分比)、卷扬手柄操作(开度百分比)及起重量作为输入参数,以燃油消耗量作为输出结果,基于BP神经网络建立针对用户操作的汽车起重机燃油消耗量预测模型;采集汽车起重机各工况下燃油消耗量试验数据,对比定发动机转速试验样本与不定发动机转速试验样本对BP神经网络模型预测精度的影响,并在神经网络训l练样本前处理过程中引入滑动平均法;727个预测值与目标值的对比显示,模型相对误差平
2、方和为0.00031,线性回归值为0。99949;仿真结果表明,定发动机转速试验样本及滑动平均法能够显著提高BP神经网络的泛化能力及仿真精度,从而提高汽车起重机燃油消耗量预测的精确度。关键词:BP神经网络;燃油消耗量;汽车起重机;泛化能力单位油耗是评价汽车起重机燃油经济性的关键指应、容错及自学习能力,且具有以任意精度逼近任意非线标。研究用户操作规律,建立精准的燃油消耗量预测模性函数的特性圈,是新一代信息处理工具。本文选用目前型,是降低用户使用成本和推进汽车起重机节能减排的广泛使用的BP神经网络(BackPropagationNeurflNet—前提。在工程机械节能
3、减排方面,温廷新『11等采用神经网work,逆向传播神经网络),建立针对用户操作的汽车起络构建了基于外部环境参数的矿用卡车油耗模型,阐述重机燃油消耗量预测模型,并对比不同试验类型及试验了神经网络算法对模型精度的影响,取得了一些成果。然数据处理方法对神经网络泛化能力及仿真精度的影响。而,由于汽车起重机所处工作场合干差万别,工况种类繁多,同时又受不同驾驶员操作习惯的影响,其燃油消耗量1油耗数据采集及处理变化范围较大,且不具有确定的规律性,通过数学公式建1.1油耗数据采集模来预测其燃油消耗量一般很难取得预期效果[2j。人工神卷扬动作是汽车起重机的主要作业工况,对其进行经
4、网络ANN(ArtificialNeuralNetwork)具有很强的自适研究具有典型及现实意义。本文以驾驶员的操作及起重作者简介:周道良(1985一),男,安徽黄山人,工程师,硕士,研究方向:工程机械节能增效技术研究与应用。2015·51工霏缸械l23学兔兔www.xuetutu.com试验·研究TestandReasearch量作为试验因子,以发动机燃油消耗量作为输出结果,进且∑Wi=1;p,g为小于m的任一正整数,且p+q+1:m;行油耗数据采集试验,其中驾驶员操作包含油门踏板操i=q作(行程百分比)及卷扬手柄操作(开度百分比),起重量为第i个数据。选用空载
5、、10t及20t三个常用起重量。试验现场如图1采用5点等权重系数滑动平均法,则式(1)简化为:所示。y3=}(l+)一:+y,+)v_+,一5)(2)式中:YN-,,YN-,y3,Ⅳ_,y5分别为第1,N一2,N一3,Ⅳ一4,Ⅳ_一5个数据;y第A卜3个数据处理结果。采用滑动平均法处理前后的数据曲线见图2及图3。蔓囊蔷萎塞链图1汽车起重机油耗试验蓑BP神经网络的泛化能力是指向已经完成训练的网皇络输入新样本数据时预测的准确性,若网络泛化能力弱,露将导致所谓的“过度吻合”现象[41,即将网络训练集里一些图2原始试验数据无关紧要、非本质的东西也学会。为提高BP神经网络的
6、泛化能力,本文制定两种不同的试验工况,以验证不同工况数据对网络训练性能的影响。(1)模拟客户实际作业工况(工况一):卷扬过程中油门踏板及卷扬手柄按实际吊装需求动作。(2)定发动机转速作业工况(工况二):卷扬过程中发动机的转速为定值(最大转矩点转速1400r/min,额定转窭速2200r/re_in,怠速800r/min),卷扬手柄按实际吊装需件求动作。1.2油耗数据处理实际采集的试验数据受数采精度、被测系统及测试环境影响,容易出现噪声信号及局部波动现象。为减少数据波动对网络训练精度的影响,采用滑动平均法对数据图3滑动平均法处理后数据进行圆滑化处理,即若数据长度为J
7、7、r,不断逐个取m个数据进行滑动平均处理,其一般公式如下阎:2BP神经网络模型三采用Wudrow—Hoff学习算法和非线性可微转移函(·)==Wf,(k=q+l,q+2,⋯,帅)(1)‘g数的多层BP神经网络,包括输入层、多个隐含层及输出式中(·)为测量结果;Yk为动态测试数据;为权系数,层,各层间实现全连接,其核心是通过误差逆向传播来修24I磁i2口,55学兔兔www.xuetutu.com霏缸械第46卷I第5期总第499期正各个节点的权值和阈值。设BP神经网络输入层包含(6)误差逆向传播各层权值修正式为:Ⅳ个神经元,隐含层包含L个神经元,输出层包含个神+叼0
8、(9)经元
此文档下载收益归作者所有