基于BP人工神經(jīng)網(wǎng)絡(luò)的汽車整備質(zhì)量預(yù)測方法研究

詹慶濤 莊蓓蕾 鄧世詢

摘 要：將汽車的重要參數(shù)如變速箱形式，驅(qū)動形式，車長，車寬，車高等作為影響因素，將汽車整備質(zhì)量作為神經(jīng)網(wǎng)絡(luò)的輸出，利用BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型來預(yù)測整車的整備質(zhì)量，并對該模型的預(yù)測準確性進行檢驗。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);汽車;整備質(zhì)量;預(yù)測準確性

1 引言

汽車整備質(zhì)量作為汽車的重要參數(shù)，對汽車的排放，油耗及其他性能有重要影響。同時，重量是整車及零部件開發(fā)的重要性能輸入，合理設(shè)定整備質(zhì)量目標可以避免零件過設(shè)計、節(jié)約物料成本，也能有效防止項目后期出現(xiàn)超出架構(gòu)能力的問題。因此，建立高效準確的重量預(yù)測模型對于汽車前期的性能開發(fā)具有十分重要的意義。

整備質(zhì)量預(yù)測的難點在于，車輛設(shè)計前期尚無實物車和數(shù)據(jù)模型可供測量，輸入項僅為有限的整車設(shè)計參數(shù)。這些設(shè)計參數(shù)如車型，軸距以及車的安全性要求等都會對整車重量產(chǎn)生影響，但如何根據(jù)這些參數(shù)和要求預(yù)測出汽車的重量，目前仍缺乏可靠研究。

因此，本文將對參與汽車重量預(yù)測的參數(shù)進行篩選，并通過有限的整車參數(shù)來建立整車重量模型。

2 研究現(xiàn)狀

眾所周知，預(yù)測是將現(xiàn)實問題數(shù)學化，通過恰當?shù)臄?shù)學模型對已知數(shù)據(jù)進行擬合，得到數(shù)據(jù)之間相應(yīng)的數(shù)值映射關(guān)系，從而實現(xiàn)預(yù)測功能。常用的預(yù)測方法有多元線性回歸，克里金法，神經(jīng)網(wǎng)絡(luò)模型等。

影響汽車整備質(zhì)量的設(shè)計參數(shù)較多，且與整備質(zhì)量之間不一定為線性關(guān)系，因此，本文擬選用神經(jīng)網(wǎng)絡(luò)工具來建立汽車整備質(zhì)量預(yù)測模型。

3 神經(jīng)網(wǎng)絡(luò)簡介及應(yīng)用

3.1 神經(jīng)網(wǎng)絡(luò)簡介

神經(jīng)網(wǎng)絡(luò)是具有高度非線性的超大規(guī)模連續(xù)時間動力系統(tǒng)，是由大量的處理單元（神經(jīng)元）廣泛互連形成的網(wǎng)絡(luò)[1]。

在神經(jīng)網(wǎng)絡(luò)中，每個神經(jīng)元具有自己的閾值。每個神經(jīng)元的輸入信號是所有與其相連的神經(jīng)元的輸出信號和加權(quán)后的和，輸出信號是其凈輸入信號的非線性函數(shù)。如果輸入信號的加權(quán)集合高于其閾值，該神經(jīng)元便被激活而輸出相應(yīng)的值[2]。

作為應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)對復(fù)雜問題具有較強的回歸預(yù)測能力，在眾多汽車相關(guān)的領(lǐng)域內(nèi)應(yīng)用很廣，其預(yù)測結(jié)果也往往比傳統(tǒng)的多元線性回歸的方法更準確。所以，我們采用BP神經(jīng)網(wǎng)絡(luò)進行預(yù)測。

BP神經(jīng)網(wǎng)絡(luò)的特點是信號前向傳遞，誤差反向傳遞。在前向傳遞中，輸入信號從輸入層經(jīng)隱含層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)[3]。

在BP神經(jīng)網(wǎng)絡(luò)中，若輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，然后根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，以使預(yù)測不斷逼近期望輸出。

3.2 參數(shù)選擇

對于車輛參數(shù)的選取，我們選用了多個參數(shù)，如車長，輪胎規(guī)格等，并采用聚類分析的方法，對數(shù)據(jù)進行歸一化處理之后，利用SPSS軟件的樹狀圖工具對參數(shù)之間的關(guān)聯(lián)性進行了研究。研究結(jié)果如圖1所示：

由以上分析可知，設(shè)計參數(shù)中，變速箱形式，驅(qū)動形式，車長，車寬，車高，軸距，發(fā)動機功率，輪胎尺寸于汽車整備質(zhì)量的關(guān)聯(lián)性較高，可作為作為神經(jīng)網(wǎng)絡(luò)的輸入。

3.3 建立模型

利用Matlab軟件的建立BP神經(jīng)網(wǎng)絡(luò)，將每組的11個參數(shù)作為樣本輸入，用對應(yīng)的汽車整備質(zhì)量作為樣本的輸出。為方便計算，用函數(shù)對輸入的參數(shù)作歸一化處理，以免在計算時產(chǎn)生溢出。

此函數(shù)具有單調(diào)遞增的特性，這樣既保證了樣本數(shù)據(jù)在0-1之間，又保證了它具有反函數(shù)，從而實現(xiàn)數(shù)據(jù)的回代，實現(xiàn)預(yù)測的目的。

建立BP神經(jīng)網(wǎng)絡(luò)模型，取精度為0.0001，進行訓(xùn)練（見表1）。

4 整備質(zhì)量預(yù)測

訓(xùn)練結(jié)束后，對該神經(jīng)網(wǎng)絡(luò)的準確性進行檢測，選取K=1-39共39組數(shù)據(jù)進行檢測。

將以上39組汽車設(shè)計參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，然后通過該模型計算出每組數(shù)據(jù)對應(yīng)的重量，并與實際重量對比，計算出誤差百分比如表2所示。

對表2中的誤差百分比進行分析，得到平均相對誤差為3.35%，標準差為4.21%。

5 結(jié)論和展望

（1）用整車設(shè)計參數(shù)和汽車整備質(zhì)量構(gòu)造出BP神經(jīng)網(wǎng)絡(luò)的輸入輸出模式，從而實現(xiàn)用神經(jīng)網(wǎng)絡(luò)對受多因素影響的汽車整備質(zhì)量進行預(yù)測的目的。

（2）從預(yù)測結(jié)果看，預(yù)測精度較好。該模型可作為汽車汽車整備質(zhì)量預(yù)測的手段。

（3）本文對基于神經(jīng)網(wǎng)絡(luò)的整車重量預(yù)測做了初步研究，未來可考慮進一步優(yōu)化輸入?yún)?shù)的選擇以及擴大樣本量，以進一步提高預(yù)測精度。

參考文獻：

[1]袁泉.胡玉才.基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法應(yīng)用研究[J].農(nóng)業(yè)系統(tǒng)科學與綜合研究. 1998.14（4）261-263.

[2]徐亞丹.王俊.基于BP人工神經(jīng)網(wǎng)絡(luò)和尾氣分析的汽車故障診斷方法研究[J].內(nèi)燃機工程.2006.2（1）：71-75.

[3]王小川.史峰 MATLAB神經(jīng)網(wǎng)絡(luò)43個案例分析.北京航空航天大學出版社[M].2013.8：1-2.