汽車運行狀態(tài)識別方法研究（二）——基于模糊神經(jīng)網(wǎng)絡的識別方法

田 毅 張 欣 張 昕 張 良

1.裝甲兵工程學院，北京，100072 2.北京交通大學，北京，100044 3.酒泉衛(wèi)星發(fā)射中心鐵路管理處，酒泉，732750

0 引言

目前，已有研究人員對汽車運行狀態(tài)識別進行了研究，但只是對有限的幾種典型運行工況進行識別，識別模型的準確度不高，而且也沒有針對我國汽車運行狀態(tài)識別進行實車實驗。

2002年，Lin等［1］以美國和韓國的6種典型運行工況來代表汽車的不同運行狀態(tài)，采用Hamming神經(jīng)網(wǎng)絡建立了汽車運行狀態(tài)識別模型。2005年，Langari等［2］采用LVQ神經(jīng)網(wǎng)絡對美國LOS的運行工況進行識別。在我國，2007年，羅玉濤等［3］采用“工況塊”的概念，將工況的平均行駛車速和行駛距離作為特征參數(shù)，通過模糊分類器對汽車運行工況進行了識別。2009年，周楠等［4］采用循環(huán)平均車速、循環(huán)行駛平均車速等10個參數(shù)，采用簡單神經(jīng)網(wǎng)絡對北京、紐約、長春、上海等地汽車運行工況進行了識別，并建立了一個基于工況識別的自適應能量管理算法。2009年，Zhang等［5］采用18個參數(shù)，建立了基于SVM的汽車運行狀態(tài)識別模型，對我國上海和廣州的運行工況進行了識別。2010年，田毅等［6］采用13個參數(shù)，建立了基于模糊神經(jīng)網(wǎng)絡的汽車運行狀態(tài)識別模型，對不同敏感性參數(shù)的汽車運行工況進行了識別，但是其輸入?yún)?shù)選擇過多，而且沒有對汽車實際運行車速進行識別。

本文采用文獻［7］中選擇出的汽車運行狀態(tài)特征參數(shù)最優(yōu)子集，共8個參數(shù)，針對我國汽車運行狀態(tài)，建立一個基于模糊神經(jīng)網(wǎng)絡的汽車運行狀態(tài)識別模型，并通過實車實驗對模型進行了驗證。

1 汽車運行狀態(tài)特征參數(shù)統(tǒng)計分析

汽車運行狀態(tài)特征參數(shù)最優(yōu)子集中的8個參數(shù)如表1所示［7］。

表1 汽車運行狀態(tài)特征參數(shù)的特征參數(shù)最優(yōu)子集

表1中，r1、r2為有關減速度的特征參數(shù)之間的邊界，r1＝-0.6m／s2，r2＝ -0.96m／s2；a2為有關加速度的特征參數(shù)之間的邊界，a2＝1.03m／s2。

首先對汽車運行狀態(tài)特征參數(shù)樣本X′中的參數(shù)進行歸一化處理，將數(shù)據(jù)控制在（0，1）范圍內，歸一化公式為

式中，xkn為第k個樣本中第n個參數(shù)歸一化后的結果；X′kn為第k個樣本中第n個參數(shù)；minX′n、maxX′n分別為樣本中第n個參數(shù)的最小值和最大值；m為樣本的數(shù)量。

繪制汽車運行狀態(tài)特征參數(shù)最優(yōu)子集中各參數(shù)的統(tǒng)計直方圖并確定各參數(shù)的隸屬度函數(shù)。

圖9～圖12分別為運行狀態(tài)特征參數(shù)最優(yōu)參數(shù)子集中波動參數(shù)部分參數(shù)N100s、LN100s在主干道和快速路上的直方圖?？梢园l(fā)現(xiàn)，N100s、LN100s在主干道和快速路上的分布雖然不夠集中，但還是可以用一個隸屬度函數(shù)表示的。

圖13～圖16分別為運行狀態(tài)特征參數(shù)最優(yōu)參數(shù)子集中分段參數(shù)部分ηr1-r2、ηa3在主干道和快速路上的直方圖。由于ηr1-r2是指減速度小于r1大于r2的時間占總時間的百分比，ηa3是指加速度大于a2的時間占總時間的百分比，因此在測試樣本數(shù)據(jù)中，ηr1-r2、ηa3中具有大量的零點。在建立直方圖時，需要去除這些零點才能保證隸屬度函數(shù)的正確性。從圖13到圖16可以發(fā)現(xiàn)，ηr1-r2和ηa3在主干道和快速路上的分布也比較集中，可以采用一個隸屬度函數(shù)表示。

2 模糊神經(jīng)網(wǎng)絡識別模型

神經(jīng)網(wǎng)絡和模糊系統(tǒng)的研究有兩個共同之處：第一，神經(jīng)網(wǎng)絡和模糊系統(tǒng)都可由給定的系統(tǒng)輸入輸出數(shù)據(jù)建立系統(tǒng)的非線性輸入輸出關系；第二，從數(shù)據(jù)處理的形式上看，它們均采用并行處理的結構。模糊神經(jīng)網(wǎng)絡就是將模糊邏輯系統(tǒng)同神經(jīng)網(wǎng)絡有機結合起來，匯集了神經(jīng)網(wǎng)絡和模糊理論的優(yōu)點，在模式識別方面有極強的優(yōu)勢。

2.1 隸屬度函數(shù)

圖17 直方圖區(qū)域劃分示意圖

其他的運行狀態(tài)特征參數(shù)直方圖的分布都相對比較集中，都只用一個隸屬度函數(shù)進行表示。正態(tài)型隸屬度函數(shù)具有正態(tài)分布的特點，能夠很好地反映事物的分布特征。通過對汽車運行狀態(tài)的訓練樣本進行統(tǒng)計可以得到各特征參數(shù)的均值向量θi＝ （θi1，θi2，…，θi8）和方差向量σi＝ （σi1，σi2，…，σi8），其中，θin和σin（i＝1，2；n＝1，2，…，8）分別表示第n個特征在第i類狀態(tài)中的均值和方差。本文僅選用主干道和快速路兩種汽車運行狀態(tài)進行研究，隸屬度函數(shù)表示為

本文選用正態(tài)型隸屬度函數(shù)對輸入模糊神經(jīng)網(wǎng)絡的任一待識別樣本進行模糊化處理。通過對測試樣本進行計算，可以得到基于模糊神經(jīng)網(wǎng)絡的汽車運行狀態(tài)識別模型中的隸屬度函數(shù)的均值和方差。

2.2 網(wǎng)絡結構

模糊神經(jīng)網(wǎng)絡是全部或部分采用模糊神經(jīng)元所構成的一類可處理模糊信息的神經(jīng)網(wǎng)絡系統(tǒng)。按照模糊對象不同可以分為輸入模糊、中間模糊和輸出模糊三種類型。輸入模糊是最常用的一種模糊神經(jīng)網(wǎng)絡類型，具有結構簡單、推理方便、而且便于進行二次開發(fā)的特點。本文采用對輸入進行模糊處理的模糊神經(jīng)網(wǎng)絡對汽車運行狀態(tài)進行識別，其網(wǎng)絡結構如圖18所示［6］。該模糊神經(jīng)網(wǎng)絡結構共有4層：輸入層、模糊層、隱含層和輸出層。

第二層為模糊層，它的作用是計算各輸入分量屬于各模糊集合隸屬度函數(shù)的數(shù)值。不同模糊集合的隸屬度函數(shù)如式（2）所示，μ（k）in為計算得到模糊值。

圖18 模糊神經(jīng)網(wǎng)絡結構圖

第三層是隱含層，其每個節(jié)點代表一個模糊規(guī)則，它的作用是用來匹配模糊規(guī)則的前件，計算出模糊規(guī)則的適應度，從模糊層得到輸入，并把結果輸出到輸出層，計算公式為

式中，ωin為權值；κin（x）為權值的模糊計算函數(shù)。

第四層是輸出層。輸出值的計算公式為

其中，fout為模糊函數(shù)計算結果，通過對比fout與閾值b，便可以得到汽車當前運行狀態(tài)。

3 汽車運行狀態(tài)識別結果及分析

本文中對北京、上海、廣州、武漢的主干道和快速路運行工況，以及北京主干道和快速路汽車實際運行車速進行識別，如圖19所示（識別出的汽車運行狀態(tài)為1表示主干道；為0表示快速路）。

從圖19可以得到，本文中建立的基于模糊神經(jīng)網(wǎng)絡的汽車運行狀態(tài)識別模型對北京、上海、廣州、武漢的主干道和快速路典型運行工況，以及北京主干道和快速路汽車實際運行車速進行識別，識別結果基本正確，識別準確度為91.74%。在4個城市的典型運行工況識別結果中，只有北京市主干道運行工況中的574～744s時出現(xiàn)了錯誤，識別準確度為82.67%；其余運行工況的識別準確度為100%；在對北京市主干道和快速路汽車實際運行車速識別結果中也存在一些錯誤，總體錯誤時間為952s，識別準確度為89.08%，識別過程中的錯誤主要是由于識別模型的識別準確度沒有達到100%而造成的。

圖19 不同運行工況和車速曲線的識別結果

4 結語

本文針對不同汽車運行狀態(tài)特征參數(shù)的分布規(guī)律，進行了區(qū)域劃分，并選擇合理的隸屬度函數(shù)建立了一個基于模糊神經(jīng)網(wǎng)絡的汽車運行狀態(tài)識別模型。通過對我國北京、上海、廣州、武漢的主干道和快速路的運行工況進行識別，說明本文建立的基于模糊神經(jīng)網(wǎng)絡的汽車運行狀態(tài)識別模型具有很好的識別效果。

［1］Lin C，Jeon S，Peng H，et al.Driving Pattern Recognition for Control of Hybrid Electric Trucks［J］.Vehicle System Dynamics，2004，42（1／2）：41-57.

［2］Langari R，Won J S.Intelligent Energy Management Agent for a Parallel Hybrid Vehicle—Part I：System Architecture and Design of the Driving Situation Identification Process［J］.IEEE Transactions on Vehicular Technology，2005，54（3）：925-935.

［3］羅玉濤，胡紅斐，沈繼軍.混合動力電動汽車行駛工況分析與識別［J］.華南理工大學學報（自然科學版），2007，35（6）：8-13.Luo Yutao，Hu Hongfei，Shen Jijun.Analysis and Recognition of Running Cycles of Hybrid Electric Vehicle［J］.Journal of South China University of Technology（Natural Science Edition），2007，35（6）：8-13.

［4］周楠，王慶年，曾小華.基于工況識別的HEV自適應能量管理算法［J］.湖南大學學報（自然科學版），2009，36（9）：37-41.Zhou Nan，Wang Qingnian，Zeng Xiaohua.Adaptive HEV Energy Managemen Algorithms Based on Drivecycle Recognition［J］.Journal of Hunan University（Natural Sciences），2009，36（9）：37-41.

［5］Zhang Liang，Zhang Xin，Tian Yi，et al.Intelligent Energy Management for Parallel HEV Based on Driving Cycle Identification Using SVM［C］／／The Institution of Engineering and Technology，Proceedings of the 2009 International Workshop on Information Security and Application.Oulu：IWISA，2009：457-460.

［6］田毅，張欣，張昕，等.基于神經(jīng)網(wǎng)絡工況識別的HEV模糊控制策略［J］.控制理論與應用，2011，28（3）：363-369.Tian Yi，Zhang Xin，Zhang Liang，et al.HEV Fuzzy Control Strategy Based on the Neural Network Identification of Driving Cycle［J］.Control Theory ＆Applications，2011，28（3）：363-369.

［7］田毅，張欣，張昕，等.汽車運行狀態(tài)識別方法研究（一）——特征參數(shù)選擇［J］.中國機械工程，2013，24（9）：1258-1263.Tian Yi，Zhang Xin，Zhang Xin，et al.The Research of Vehicle Driving Situation Identification（Ⅰ）——Driving Pattern Selection［J］.China Mechanical Engineering，2013，24（9）：1258-1263.