基于 BP神经网络的汽车内阻模型预测.pdf

《基于 BP神经网络的汽车内阻模型预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、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：1007—4414(2014)0l一0090—03BPNeuralNetworksinVehicle-LOSS

2、PredictionModelZHUJia—bao(ShanghaifiaotongUn&ersi~，Shanghai200030，China)Abstract：ThefeasibilityanalysisofBPNeuralNetworkswhichisusedtoimprovethevehicle—lossmeasurementisperformedinthispaper．ThroughthenntoolofMatlabsoftwaretofinishthenetworksdesign，trainingandresultanalysis，ithasbeenproved

3、tomeettherequirementofproject．Keywords：vehicle-loss；BPneur~networks；nntoolGUI1引言2．2前期样本收集车辆道路阻力的模拟在汽车台架试验中有着非车辆内阻的大小受诸多条件的影响，主要因素有常重要的作用，准确的车辆道路阻力模拟可以使台架轮胎的花纹深浅、轮胎胎压、摩擦片磨损度、周围环境试验的结果更趋近于实际道路行驶情况。车辆道路温度、车辆配载和传动系内阻等。根据研究目标的不阻力主要由两部分构成：迎面风阻和车辆内阻(该文同选择输人输出对阻力模型的构建效果有着较大的所指车辆内阻为传动系阻力与滚动阻力之和)，迎

4、面影响。本例中以新旧轮胎、高低胎压、不同程度的摩风阻在汽车设计初期由外形所决定，而车辆内阻会随擦片磨损和环境温度的改变进行交叉试验，在底盘测不同的开发阶段车辆配置的改变而产生变化。有限功机上用滑行法结合在各种不同车速下测得滑行阻的整车台架试验资源无法满足大量的车辆内阻测试力作为本次神经网络构建的输入输出训练样本。需求，因此寻找一种建立阻力模型的方法，使之能较2．3神经网络训练原理为准确的预估不同车辆状态下的车辆内阻是解决上BP网络是一种按误差逆传播算法训练的多层前述问题的一种手段。馈网络，是目前应用最广泛的网络模型之一。它包含2车辆内阻模型预测输入层、隐含层和输出层，隐含

5、层可以为一层或多层，2．1国内外现状分析每层上的神经元称为节点或单元。BP算法的实质是目前国内外对车辆内阻中轮胎部分的研究有很把一组样本输入输出问题转化为一个非线性优化问多，通过有限元仿真、Yeoh材料模型、模态参数模型题。BP算法是一个快速下降的方法，使用了最优化和阻尼模型等等，对其基础力学特性作了细致的计算方法中的梯度下降算法，目的是使实际输出和预期样和验证J。但在整车背景下，引入传动系、路面、外本输出之间的均方差最小化。它要求传递函数具有部环境等因素，直接套用公式法或在理想条件下建立连续可微分的非线性特征。一般使用S型逻辑非线模型分析计算都是比较困难的，因此以输入输

6、出为导性函数：向，运用BP(BackPropagation)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对于一个三层前馈BP网络，设输入层有m个节BP神经网络在有大量样本支持下对非线性问题的识点，隐含层有s个节点，输出层有n个节点。输入层、别和预测有良好表现，所以运用此方法建立滑行试验隐含层和输出层神经元之间的连接权值为以阻力模型并检验其效果是可行且值得探究的。及神经元阈值，和，，，神经元阈值赋予(一1，i)问的收稿日期：20l3—12—24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

7、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能力，而传递函数选择TANSIG和LONSIG对网络的果。在网络利用训练样本进行训练时，确认样本的误表现影响差异不大。差曲线连续Ⅳ次(Ⅳ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