基于神經(jīng)網(wǎng)絡(luò)的車輛急加速工況駕駛性評(píng)價(jià)研究

莫易敏 胡恒 王駿 熊釗

（武漢理工大學(xué)，武漢 430070）

主題詞：駕駛性 主觀評(píng)價(jià) 客觀評(píng)價(jià) BP神經(jīng)網(wǎng)絡(luò)

1 前言

駕駛性是指車輛對(duì)駕駛員的相關(guān)操作所做出的動(dòng)態(tài)響應(yīng)，主要包含車輛在縱向直線行駛過程中的動(dòng)態(tài)性和舒適性。目前，駕駛性評(píng)價(jià)分為主觀評(píng)價(jià)和客觀評(píng)價(jià)。主觀評(píng)價(jià)是由專業(yè)試駕工程師根據(jù)主觀感受對(duì)車輛的駕駛性表現(xiàn)進(jìn)行打分，評(píng)分反映了駕駛員對(duì)目標(biāo)車輛駕駛性的滿意度，但易受工程師喜好、環(huán)境、車內(nèi)噪聲等諸多因素影響，導(dǎo)致其一致性較差，需由多名試駕工程師多次試驗(yàn)才能得到較為準(zhǔn)確的結(jié)果?？陀^評(píng)價(jià)利用AVL-Drive等專業(yè)軟件采集車輛試驗(yàn)數(shù)據(jù)，通過數(shù)據(jù)的后處理定量分析車輛的駕駛性表現(xiàn)，可為車輛的駕駛性優(yōu)化提供重要的依據(jù)，但無法反映人的主觀感受。

在主觀評(píng)價(jià)研究中：楊家成等[1]提出了模糊層次與離散系數(shù)相結(jié)合的方法，定量地分析了不同試駕員的評(píng)價(jià)能力；Wi Hyoseong等[2]系統(tǒng)地分析了車內(nèi)噪聲的變化對(duì)主觀評(píng)價(jià)的影響；Huang 等[3]基于主層次分析及改進(jìn)的極限學(xué)習(xí)機(jī)理論構(gòu)建了主觀評(píng)價(jià)預(yù)測(cè)模型，有效提高了主觀評(píng)價(jià)的準(zhǔn)確性、穩(wěn)定性及預(yù)測(cè)精度；劉普輝等[4]利用模糊層次分析法確定了各主觀評(píng)價(jià)指標(biāo)間的權(quán)重分配。對(duì)于客觀評(píng)價(jià)：C.Jauch 等[5]以加速延遲、加速度沖擊（Kick）、加速度顛簸（Jerk）及加速度跳躍（Bump）作為評(píng)價(jià)指標(biāo)，重點(diǎn)從加速度方面對(duì)混合動(dòng)力汽車的部分工況進(jìn)行了客觀評(píng)價(jià)分析；C.Shin 等[6]以加速延遲、加速度均方根、加速度振動(dòng)劑量值等與行駛舒適性和換擋品質(zhì)有關(guān)的5 個(gè)指標(biāo)對(duì)混合動(dòng)力車輛進(jìn)行了駕駛性分析評(píng)價(jià)；黃偉等[7-8]對(duì)蠕行、起步工況的客觀評(píng)價(jià)體系及主客觀的相關(guān)性進(jìn)行了研究；胡月等[9]從加速度和縱向沖擊度2 個(gè)方面對(duì)車輛的瞬態(tài)響應(yīng)和縱向穩(wěn)定性等方面進(jìn)行了相關(guān)研究。

綜上，現(xiàn)有針對(duì)駕駛性評(píng)價(jià)的研究大多選用部分指標(biāo)為依據(jù)，針對(duì)某種具體工況提出評(píng)價(jià)方法，鮮有學(xué)者進(jìn)行主、客觀相關(guān)性研究，對(duì)駕駛性進(jìn)行綜合評(píng)價(jià)。本文針對(duì)急加速工況，通過工況特性分析，構(gòu)建客觀評(píng)價(jià)體系，然后使用BP神經(jīng)網(wǎng)絡(luò)模型建立主、客觀評(píng)價(jià)間的映射關(guān)系，結(jié)合兩者優(yōu)點(diǎn)解決主觀評(píng)價(jià)一致性差和客觀評(píng)價(jià)無法反映人體主觀感受的缺點(diǎn)。

2 急加速工況客觀評(píng)價(jià)方法

2.1 急加速工況分析及客觀評(píng)價(jià)指標(biāo)確定

急加速（Tip in）工況是在駕駛員迅速踩下油門踏板至目標(biāo)開度時(shí)，車輛在縱向所做出的響應(yīng)，反映了車輛在負(fù)載突然變化時(shí)的反應(yīng)能力。在該工況下，車輛的扭矩應(yīng)快速上升以滿足所期望的動(dòng)力響應(yīng)[10]，但因車輛突然加速時(shí)的重心移動(dòng)，導(dǎo)致前、后懸架分別處于拉伸和壓縮狀態(tài)，使得減振器對(duì)振動(dòng)的吸收受到限制，而扭矩和轉(zhuǎn)速的快速上升所產(chǎn)生的振動(dòng)對(duì)舒適性有較大影響。故在該工況下，除評(píng)估車輛的動(dòng)態(tài)響應(yīng)外，也應(yīng)當(dāng)考慮到過快的動(dòng)力響應(yīng)所帶來的舒適性問題。故從動(dòng)態(tài)性和舒適性2個(gè)方面對(duì)車輛的駕駛性進(jìn)行評(píng)估。

在動(dòng)態(tài)行駛過程中，車輛的加速度和發(fā)動(dòng)機(jī)扭矩的輸出水平?jīng)Q定了其加速性能的優(yōu)劣。加速度、扭矩輸出及發(fā)動(dòng)機(jī)轉(zhuǎn)速的平穩(wěn)性影響著車輛在加速過程中的動(dòng)力銜接平穩(wěn)性，加速度過大會(huì)給人帶來不舒適的主觀感受[9]，扭矩輸出和發(fā)動(dòng)機(jī)轉(zhuǎn)速不平穩(wěn)造成的振動(dòng)及乘員艙內(nèi)的噪聲水平同樣對(duì)舒適性有著較大的影響。故從加速度、扭矩、發(fā)動(dòng)機(jī)轉(zhuǎn)速及噪聲4 個(gè)方面來確定急加速工況的駕駛性客觀評(píng)價(jià)指標(biāo)。從數(shù)據(jù)后處理的方便性、指標(biāo)的可獲得性及代表性等方面考慮，確定的具體指標(biāo)如表1所示。

2.2 急加速工況客觀評(píng)價(jià)指標(biāo)說明

駕駛性客觀評(píng)價(jià)指標(biāo)分別如圖1～圖3所示。

各項(xiàng)指標(biāo)說明及計(jì)算公式如下：

a.響應(yīng)延遲。用踩下油門踏板后，加速度增加0.5 m/s2所需的時(shí)間表示，反映了車輛加速度的響應(yīng)情況，其表達(dá)式為：

式中，tresp為響應(yīng)延遲時(shí)間；tr為加速度增加0.5 m/s2的時(shí)間；ts為踩下油門踏板的時(shí)間；te為工況結(jié)束時(shí)間。

表1 駕駛性客觀評(píng)價(jià)指標(biāo)

圖1 加速度相關(guān)指標(biāo)示意

圖2 扭矩相關(guān)指標(biāo)示意

圖3 轉(zhuǎn)速相關(guān)指標(biāo)示意

b.峰值加速度。指急加速工況下的加速度最大值：

式中，amax為峰值加速度；v為速度；t為時(shí)間。

c.最大變加速度。指加速度斜率的最大值，反映車輛加速度增加的快慢程度，與動(dòng)態(tài)性正相關(guān)，與舒適性負(fù)相關(guān)，其表達(dá)式為：

式中，Jmax為最大加速度變化率；a為加速度。

d.加速度沖擊。用加速度達(dá)到峰值后與第1個(gè)波谷的差值表示：

式中，Δa為峰值加速度與第1個(gè)波谷的差值；at1為峰值加速度后加速度曲線第1個(gè)波谷值。

e.加速度顛簸。用峰值加速度后的5個(gè)加速度沖擊表示：

式中，Δai為第i個(gè)加速度沖擊；aci、ati分別為峰值加速度后加速度曲線第i個(gè)波峰、波谷值。

f.加速度擾動(dòng)。指急踩油門踏板后的加速度擾動(dòng)情況，使用加速度平均值amean、加速度均方根arms及加速度振動(dòng)劑量值avdv表述：

g.動(dòng)力丟失。指加速度在增大過程中，出現(xiàn)突然回落的現(xiàn)象，使用加速度差值表示：

式中，Δa′為動(dòng)力丟失值；ac′、at′分別為事件開始到峰值加速度之間的加速度波峰、波谷值。

h.轉(zhuǎn)速振蕩。指在加速過程中，不因換擋而引起的轉(zhuǎn)速振蕩，使用轉(zhuǎn)速差Δe表示：

式中，ec、et分別為轉(zhuǎn)速在爬升過程中出現(xiàn)的局部波峰、波谷值。

i.扭矩水平。指從峰值扭矩開始至工況結(jié)束，車輛實(shí)際扭矩曲線與坐標(biāo)軸所圍面積與期望扭矩和坐標(biāo)軸所圍面積的比值，反映了車輛扭矩的輸出水平，比值越大表明動(dòng)態(tài)性越好，實(shí)際扭矩T與期望扭矩Texp分別為：

式中，rdyn為車輪半徑；i為車輛總傳動(dòng)比；Fw為行駛阻力，包含滾動(dòng)阻力、空氣阻力和爬坡阻力；a為加速度；Km為質(zhì)量修正系數(shù)；m為車輛質(zhì)量；Tmax為扭矩最大值；b、c分別為與油門踏板開度和發(fā)動(dòng)機(jī)轉(zhuǎn)速相關(guān)的修正系數(shù)，b,c∈[0,1]。

j.扭矩平滑度。即峰值扭矩后的5 個(gè)波峰、波谷的差值平均數(shù)與對(duì)應(yīng)扭矩曲線段的平均值的比值：

語法即語言的法則。扎實(shí)的基礎(chǔ)語法知識(shí)對(duì)于學(xué)生準(zhǔn)確理解文章中的長難句以及做好主觀卷中的語法填空、改錯(cuò)題尤其是寫作是極其重要的。對(duì)于語法復(fù)習(xí)，我們將采用“思維導(dǎo)圖+重難點(diǎn)、考點(diǎn)突破+專項(xiàng)練習(xí)+閱讀分析+寫作運(yùn)用”的復(fù)習(xí)方法對(duì)語法進(jìn)行系統(tǒng)、全面的復(fù)習(xí)。要求學(xué)生通過思維導(dǎo)圖系統(tǒng)了解各個(gè)語法項(xiàng)目，掌握、落實(shí)和運(yùn)用語法重點(diǎn)。教師幫助學(xué)生突破重難點(diǎn)、解決學(xué)生問題。教師分工收集和改編各個(gè)語法重點(diǎn)在近幾年高考題中的考查。試題講評(píng)過程中選擇性的讓學(xué)生分析長難句。同時(shí)教師在復(fù)習(xí)過程中要加強(qiáng)鍛煉學(xué)生將語法知識(shí)在英語寫作中的正確、靈活使用，為英語寫作增色、提分。

式中，Tsmt為扭矩平滑度；ΔTi(i=1,2,3,4,5)為峰值扭矩后，第i個(gè)扭力波峰、波谷差值。

k.噪聲大小。即急加速工況下乘員艙內(nèi)噪聲水平。

最終構(gòu)建起的急加速工況客觀評(píng)價(jià)方法如圖4所示。

圖4 急加速工況客觀評(píng)價(jià)方法

響應(yīng)延遲、加速度沖擊、動(dòng)力丟失、轉(zhuǎn)速振蕩4 個(gè)指標(biāo)越小，峰值加速度、扭矩水平、最大變加速、扭矩平穩(wěn)度4 個(gè)指標(biāo)越大，表明車輛的動(dòng)態(tài)性越好。最大變加速度、轉(zhuǎn)速振蕩、加速度擾動(dòng)、加速度顛簸、噪聲大小5 個(gè)指標(biāo)越小，扭矩平穩(wěn)度越大，表明車輛的舒適性越好。

3 駕駛性主觀評(píng)分預(yù)測(cè)模型搭建

BP 神經(jīng)網(wǎng)絡(luò)是一種信號(hào)前向傳遞、誤差反向傳遞的多層前饋神經(jīng)網(wǎng)絡(luò)，具有很強(qiáng)的非線性映射能力。通過反向傳播預(yù)測(cè)值與期望值間的誤差，對(duì)各層的權(quán)值與閾值進(jìn)行不斷調(diào)整，使得預(yù)測(cè)值不斷逼近期望值。結(jié)合駕駛性客觀評(píng)價(jià)指標(biāo)與主觀評(píng)價(jià)之間為非線性關(guān)系以及沒有較明顯的對(duì)應(yīng)關(guān)系的特點(diǎn)，本文采用BP 神經(jīng)網(wǎng)絡(luò)模型搭建急加速工況下的駕駛性評(píng)分預(yù)測(cè)模型。

在不影響研究對(duì)象的前提下，為提高訓(xùn)練速度，構(gòu)建單隱含層神經(jīng)網(wǎng)絡(luò)模型。首先針對(duì)車輛駕駛性中的動(dòng)態(tài)性和舒適性分別搭建主觀評(píng)分預(yù)測(cè)模型。根據(jù)表1 中評(píng)價(jià)指標(biāo)數(shù)量得到動(dòng)態(tài)性預(yù)測(cè)模型輸入層節(jié)點(diǎn)數(shù)為8個(gè)，舒適性預(yù)測(cè)模型輸入層節(jié)點(diǎn)數(shù)為6個(gè)。各預(yù)測(cè)模型隱含層節(jié)點(diǎn)數(shù)p由經(jīng)驗(yàn)公式得出：

式中，n和m分別為輸入、輸出節(jié)點(diǎn)數(shù)；d為0～10范圍內(nèi)的隨機(jī)數(shù)。

采用試湊法確定動(dòng)態(tài)性預(yù)測(cè)模型隱含層節(jié)點(diǎn)數(shù)為5 個(gè)，舒適性預(yù)測(cè)模型隱含層節(jié)點(diǎn)數(shù)為4 個(gè)。最終動(dòng)態(tài)性主觀評(píng)分預(yù)測(cè)模型（簡稱動(dòng)態(tài)性預(yù)測(cè)模型）結(jié)構(gòu)為8-5-1，舒適性主觀評(píng)分預(yù)測(cè)模型（簡稱舒適性預(yù)測(cè)模型）結(jié)構(gòu)為6-4-1，拓?fù)浣Y(jié)構(gòu)分別如圖5、圖6所示。

圖5 動(dòng)態(tài)性預(yù)測(cè)模型拓?fù)鋱D

圖6 舒適性預(yù)測(cè)模型拓?fù)鋱D

為簡化神經(jīng)網(wǎng)絡(luò)模型搭建過程，使用MATLAB 中用于單隱含層神經(jīng)網(wǎng)絡(luò)的Neural Net Fitting神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行動(dòng)態(tài)性和舒適性預(yù)測(cè)模型的搭建，該工具箱激活函數(shù)為Sigmoid函數(shù)，其表達(dá)式為：

損失函數(shù)為均方誤差函數(shù)fMSE：

式中，yi、分別為樣本中第i個(gè)真實(shí)值與預(yù)測(cè)值，i=1,2,…,n。

訓(xùn)練算法選用萊文伯格-馬夸特（Levenberg-Marquardt）算法。模型搭建完成后使用隨機(jī)初始化的方式初始化預(yù)測(cè)模型各權(quán)值與閾值。急加速工況駕駛性評(píng)價(jià)預(yù)測(cè)模型搭建流程如圖7所示。

圖7 急加速工況駕駛性預(yù)測(cè)模型構(gòu)建流程

4 測(cè)試驗(yàn)證

4.1 駕駛性試驗(yàn)及數(shù)據(jù)采集

為使試驗(yàn)數(shù)據(jù)及結(jié)果具有普遍性，本次試驗(yàn)車輛在采用國內(nèi)某主機(jī)廠搭配無級(jí)變速器（CVT）的車型V1的基礎(chǔ)上，加入了2 款分別搭載自動(dòng)變速器（AT）和雙離合自動(dòng)變速器（DCT）的對(duì)標(biāo)車型V2 和V3，均為SUV車型，行駛里程均為2 000 km 左右，車輛狀態(tài)及各項(xiàng)指標(biāo)良好，車輛按照最大裝載質(zhì)量進(jìn)行裝載，且質(zhì)量分布均勻。試驗(yàn)場(chǎng)地使用國內(nèi)某主機(jī)廠封閉試驗(yàn)場(chǎng)地。試驗(yàn)環(huán)境為晴朗天氣、干燥路面，其余按GB/T 12534—1990《汽車道路試驗(yàn)方法通則》執(zhí)行。試驗(yàn)設(shè)備為AVL-Drive數(shù)據(jù)采集儀，其中加速度信號(hào)由分別裝于懸架下擺臂的單軸傳感器、裝于駕駛位頭枕處的單軸傳感器及裝于副駕駛位滑軌末端的三軸傳感器采集，噪聲信號(hào)通過裝于駕駛位頭枕處的噪聲采集儀獲得，其余信號(hào)，如發(fā)動(dòng)機(jī)轉(zhuǎn)速、車速及制動(dòng)信號(hào)等通過CAN總線讀取。

為更好地反映車輛的真實(shí)運(yùn)行情況，將急加速工況分為部分載荷工況和全載荷工況。部分載荷工況油門開度分別為25%、50%和75%，全載荷工況油門開度為100%。25%油門開度使用D 擋進(jìn)行試驗(yàn)，50%和75%油門開度分別使用D擋和S擋2種模式進(jìn)行試驗(yàn)，100%油門開度使用S擋進(jìn)行試驗(yàn)。試驗(yàn)采用動(dòng)態(tài)加速方式，車速達(dá)到10 km/h 時(shí)踩下油門踏板，車速提高20 km/h后松開油門踏板，待車速降低10 km/h 時(shí)，再次踩下油門踏板，車速提高20 km/h 后再次松開油門踏板，重復(fù)以上操作直至達(dá)到各油門開度下的最高車速或車速達(dá)到120 km/h。每個(gè)油門開度試驗(yàn)進(jìn)行2次，每次踩下油門踏板后試駕工程師對(duì)車輛的動(dòng)態(tài)性和舒適性表現(xiàn)進(jìn)行打分。最終，每輛車采集得到130 組原始數(shù)據(jù)，共得390組原始數(shù)據(jù)。

4.2 預(yù)測(cè)模型訓(xùn)練

利用4.1 節(jié)中采集到的390 組原始數(shù)據(jù)計(jì)算2.2 節(jié)中的各指標(biāo)，最終每輛試驗(yàn)車型得到動(dòng)態(tài)性及舒適性客觀指標(biāo)集各130組，從各車型動(dòng)態(tài)性和舒適性指標(biāo)集中隨機(jī)選取100 組數(shù)據(jù)及對(duì)應(yīng)主觀評(píng)分，組成分別包含300組數(shù)據(jù)的動(dòng)態(tài)性數(shù)據(jù)集和舒適性數(shù)據(jù)集，對(duì)動(dòng)態(tài)性預(yù)測(cè)模型和舒適性預(yù)測(cè)模型進(jìn)行訓(xùn)練。

為避免因輸入、輸出數(shù)據(jù)數(shù)量級(jí)差別較大而造成預(yù)測(cè)誤差較大的問題，首先進(jìn)行數(shù)據(jù)預(yù)處理，進(jìn)行數(shù)據(jù)歸一化，在數(shù)據(jù)輸出時(shí)對(duì)數(shù)據(jù)進(jìn)行反歸一化后輸出。數(shù)據(jù)歸一化采用最大最小法，表達(dá)式為：

式中，xk(k=1,2,…,300)為第k個(gè)原始數(shù)據(jù)；xmin、xmax分別為數(shù)據(jù)序列的最小值、最大值。

因MATLAB Neural Fitting 神經(jīng)網(wǎng)絡(luò)工具箱會(huì)對(duì)數(shù)據(jù)自動(dòng)進(jìn)行歸一化與反歸一化處理，可將各數(shù)據(jù)集直接導(dǎo)入預(yù)測(cè)模型對(duì)模型進(jìn)行訓(xùn)練。現(xiàn)按70%∶15%∶15%的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集對(duì)動(dòng)態(tài)性預(yù)測(cè)模型和舒適性預(yù)測(cè)模型進(jìn)行訓(xùn)練。

如圖8、圖9 所示，動(dòng)態(tài)性預(yù)測(cè)模型共經(jīng)歷25 次訓(xùn)練，在第19 次時(shí)驗(yàn)證集均方誤差達(dá)最低值0.030 552。舒適性主觀評(píng)分預(yù)測(cè)模型共經(jīng)歷18 次迭代，在第12次時(shí)驗(yàn)證集均方誤差達(dá)最低值0.060 637。為防止過擬合，在驗(yàn)證集的均方誤差連續(xù)6 次增加后停止模型訓(xùn)練。

圖8 動(dòng)態(tài)性預(yù)測(cè)模型各數(shù)據(jù)集均方誤差收斂過程

對(duì)誤差進(jìn)行絕對(duì)值化處理，如圖10、圖11 所示，動(dòng)態(tài)性預(yù)測(cè)模型誤差值主要集中在0～0.3范圍內(nèi)，舒適性預(yù)測(cè)模型誤差主要集中在0～0.4范圍內(nèi)。以0.5作為閾值計(jì)算預(yù)測(cè)模型各數(shù)據(jù)集準(zhǔn)確率。在動(dòng)態(tài)性預(yù)測(cè)中，訓(xùn)練集、驗(yàn)證集誤差大于0.5的組數(shù)量均為1組，準(zhǔn)確率分別為99.5%、97.8%，測(cè)試集所有誤差均小于0.5，準(zhǔn)確率為100%。在舒適性預(yù)測(cè)模型中，訓(xùn)練集、驗(yàn)證集、測(cè)試集誤差大于0.5的分別有11組、1組、4組，準(zhǔn)確率分別為94.76%、97.78%、91.11%。

圖9 舒適性預(yù)測(cè)模型各數(shù)據(jù)集均方誤差收斂過程

圖10 動(dòng)態(tài)性預(yù)測(cè)模型各數(shù)據(jù)集誤差分布

圖11 舒適性預(yù)測(cè)模型各數(shù)據(jù)集誤差分布

如圖12 所示，動(dòng)態(tài)性預(yù)測(cè)模型各數(shù)據(jù)集總相關(guān)性為0.926 33，其中訓(xùn)練集相關(guān)性為0.933 34，驗(yàn)證集相關(guān)性為0.904 36，測(cè)試集相關(guān)性為0.917 65。如圖13 所示，舒適性預(yù)測(cè)模型各數(shù)據(jù)集總相關(guān)性為0.932 97，其中訓(xùn)練集相關(guān)性為0.937 74，驗(yàn)證集相關(guān)性為0.928 28，測(cè)試集相關(guān)性為0.911 95。各數(shù)據(jù)集都有較強(qiáng)的相關(guān)性。

4.3 預(yù)測(cè)模型準(zhǔn)確率驗(yàn)證

為驗(yàn)證預(yù)測(cè)模型在未知輸出情況下的準(zhǔn)確率，從各車型剩余的30組動(dòng)態(tài)性和舒適性指標(biāo)數(shù)據(jù)中隨機(jī)選取20 組數(shù)據(jù)，組成動(dòng)態(tài)性及舒適性預(yù)測(cè)模型準(zhǔn)確率測(cè)試數(shù)據(jù)集，對(duì)動(dòng)態(tài)性及舒適性預(yù)測(cè)模型分別進(jìn)行測(cè)試，測(cè)試誤差結(jié)果如表2所示。

圖12 動(dòng)態(tài)性預(yù)測(cè)模型各數(shù)據(jù)集相關(guān)性

圖13 舒適性預(yù)測(cè)模型各數(shù)據(jù)集相關(guān)性

由表2 可知，各車輛動(dòng)態(tài)性預(yù)測(cè)誤差最大值為0.555，最小值為0.010，舒適性預(yù)測(cè)誤差最大值為0.632，最小值為0。

在車輛主觀評(píng)分分級(jí)中，SAE J1441 規(guī)定，以10 分為總分，按每2分一級(jí)，將車輛主觀評(píng)分等級(jí)劃分為5個(gè)等級(jí)，如表3所示。

根據(jù)SAE J1441 評(píng)分標(biāo)準(zhǔn)，以誤差小于0.5 作為駕駛性預(yù)測(cè)模型的合格標(biāo)準(zhǔn)，得到各車輛動(dòng)態(tài)性和舒適性的預(yù)測(cè)模型的合格率如表4所示。

由表4 可知，所有預(yù)測(cè)合格率均達(dá)到95%以上，表明該基于神經(jīng)網(wǎng)絡(luò)的駕駛性預(yù)測(cè)模型有較好的預(yù)測(cè)效果。綜上，本文所搭建的駕駛性預(yù)測(cè)模型有著良好的預(yù)測(cè)精度，為搭建駕駛性的主、客觀評(píng)價(jià)間的關(guān)系提供了一種較為可靠的方法。同時(shí)，該方法可推廣至其他工況的駕駛性評(píng)價(jià)中。

表2 動(dòng)態(tài)性及舒適性神經(jīng)網(wǎng)絡(luò)測(cè)試誤差

表3 SAE J1441主觀評(píng)分標(biāo)準(zhǔn) 分

表4 駕駛性預(yù)測(cè)模型合格率

5 結(jié)束語

本文通過對(duì)車輛的急加速工況特征進(jìn)行分析，從加速度、扭矩、轉(zhuǎn)速及噪聲4 個(gè)方面選定駕駛性客觀評(píng)價(jià)指標(biāo)，然后利用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建了駕駛性主觀評(píng)分預(yù)測(cè)模型，通過試驗(yàn)驗(yàn)證了預(yù)測(cè)模型的準(zhǔn)確率在95%以上。本文建立了主、客觀評(píng)價(jià)間的映射關(guān)系，有效解決了主觀評(píng)價(jià)一致性不高及客觀評(píng)價(jià)無法反映人的主觀感受的問題，但所選試驗(yàn)車輛皆為SUV車型，在其他類型車輛及其他工況下，預(yù)測(cè)模型的準(zhǔn)確率還待進(jìn)一步驗(yàn)證。