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(zhǔn)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(zhǔn)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(biāo)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(zhǔn)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(xué)化,通過恰當(dāng)?shù)臄?shù)學(xué)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(zhǔn)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(zhǔn)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(biāo)準(zhǔn)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(xiàn):
[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(xué)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(xué)出版社[M].2013.8:1-2.