基于BP神經(jīng)網(wǎng)絡的自動擋汽車換擋規(guī)律優(yōu)化研究

錢天宇，馬朝永

（100124 北京市 北京工業(yè)大學 材料與制造學部先進制造技術北京市重點實驗室）

0 引言

近年來，我國汽車消費規(guī)模不斷壯大，汽車產(chǎn)銷量已經(jīng)連續(xù)11 年穩(wěn)居世界首位。截止2019年底，全國汽車保有量達2.6 億輛，與2018 年底相比增加2 122 萬輛，增8.83%。而隨著2020 年初新冠疫情的蔓延，越來越多的人選擇私家車出行，可以預見，我國汽車市場將會進一步擴大。數(shù)據(jù)顯示，2020 年末，我國汽車保有量將有望超越美國。而汽車保有量的增大會不可避免地帶來能源消耗與排放污染等問題，再加上人們?nèi)找嬗X醒的環(huán)保意識，降低能源消耗已從被動變?yōu)橹鲃有袨椋絹碓蕉嗟娜藢⒁豢钴嚨娜加徒?jīng)濟性指標作為選擇車輛的重要依據(jù)。

隨著汽車工業(yè)的發(fā)展，自動擋汽車順利完成了逆襲之路。雖然起步晚，但是目前市場上的占有率已經(jīng)超過了一半。自動變速箱分為CVT，DCT，AT，AMT 等，而換擋規(guī)律作為自動變速器的重要特性之一，對整車燃油經(jīng)濟性的好壞影響很大[1]。換擋規(guī)律按照換擋的控制參數(shù)多少可分為單參數(shù)、雙參數(shù)、三參數(shù)以及四參數(shù)換擋規(guī)律[2]。雙參數(shù)是目前主機廠普遍采用的基于車速和油門開度為控制參數(shù)的換擋規(guī)律，有穩(wěn)定可靠和實現(xiàn)簡單的特點。目前，對于更多參數(shù)換擋規(guī)律僅局限于工程車輛理論研究方面[3]，而神經(jīng)網(wǎng)絡作為一種智能算法，可以逼近多個輸入輸出參數(shù)函數(shù)，其網(wǎng)絡自身具有非線性、容錯性和魯棒性等特點，適用于換擋規(guī)律的編制與開發(fā)。

本文采用經(jīng)BP 神經(jīng)網(wǎng)絡優(yōu)化的換擋規(guī)律，通過AVL Cruise 與MATLAB/Simulink 進行聯(lián)合仿真[4]。經(jīng)仿真分析結果表明，該方法能夠?qū)Q擋規(guī)律進行優(yōu)化，實現(xiàn)整車燃油消耗量降低的目標。

1 BP 神經(jīng)網(wǎng)絡原理與訓練

1.1 BP 神經(jīng)網(wǎng)絡原理

BP 神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡[5]，能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層地反傳下去，就獲得了所有其他各層的誤差估計。通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值[6]，使網(wǎng)絡的誤差平方和最小，具有自學習和推廣概括能力，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一，非常適合整車參數(shù)與循環(huán)工況下實時擋位之間非線性關系即換擋規(guī)律的預測[7]。然而，BP 神經(jīng)網(wǎng)絡存在易陷入局部極值、初始化權值和閾值隨機性、穩(wěn)定性差、隱含層的層數(shù)過多會導致網(wǎng)絡收斂緩慢甚至不能收斂等缺點。理論上，1 個S 型隱含層加上1 個線性輸出層的3 層BP 網(wǎng)絡，能夠逼近任何函數(shù)[8]。所以，本文使用的BP 神經(jīng)網(wǎng)絡為3 層神經(jīng)網(wǎng)絡結構，包括輸入層，隱含層和輸出層，其基本結構如圖1 所示。輸出層采用發(fā)動機轉速、發(fā)動機扭矩、車速、油門開度和渦輪轉速作為輸入向量，因此，BP 神經(jīng)網(wǎng)絡輸入層有5 個節(jié)點。輸出層節(jié)點數(shù)為1，輸出實時擋位。

圖1 BP 神經(jīng)網(wǎng)絡基本結構Fig.1 Basic structure of BP neural network

隱含層節(jié)點數(shù)根據(jù)柯爾莫哥諾夫定理確定[9]:

式中：H——隱含層節(jié)點數(shù)；R——輸入層節(jié)點數(shù)，取R=5。計算得H=11。

1.2 神經(jīng)網(wǎng)絡訓練

本文訓練樣本為與下文仿真車型參數(shù)一致的某款汽車在進行試驗采集獲得，如圖2 所示。

圖2 轉鼓試驗臺數(shù)據(jù)Fig.2 Test bench data

首先將訓練樣本進行歸一化[10]。歸一化指的是將原始輸入數(shù)據(jù)通過函數(shù)映射到一個較為集中的區(qū)間，常見的區(qū)間如[-1，1]、[0，1]。歸一化可以加快收斂速度，防止較小數(shù)據(jù)的影響因子被較大數(shù)據(jù)覆蓋掉。由于本文采用的激活函數(shù)為S形函數(shù)，S 形激活函數(shù)在(0，1)區(qū)間以外區(qū)域很平緩，區(qū)分度太小。所以有必要歸一化處理。歸一化變換式如下：

式中：y——變換后輸出數(shù)據(jù)；x——原始輸入數(shù)據(jù)；max——原始輸入最大數(shù)據(jù)；min——原始輸入最小數(shù)據(jù)。

將處理好的訓練數(shù)據(jù)作為訓練樣本。為防止出現(xiàn)擬合不完全過早終止循環(huán)，導致輸出誤差過大和網(wǎng)絡訓練誤差太小的過擬合兩種情況，設定期望輸出誤差定為0.005，同時，設置上文計算出的隱含層節(jié)點數(shù)，將訓練樣本的85%作為訓練組，10%作為驗證組，剩余的5%作為試驗組。其中，BP 神經(jīng)網(wǎng)絡隱含層的激活函數(shù)選擇tansig函數(shù)，輸出層的激活函數(shù)選擇purelin 函數(shù),訓練函數(shù)選擇trainlm 函數(shù)。訓練網(wǎng)絡，訓練流程如圖3 所示。最優(yōu)平均方差出現(xiàn)在第13 次迭代，為0.004 97，如圖4 所示。低于前文設定的期望輸出誤差，精度滿足要求。

圖3 BP 神經(jīng)網(wǎng)絡訓練流程圖Fig.3 BP neural network training flowchart

圖4 最優(yōu)平方差迭代曲線Fig.4 Optimal square difference iteration curve

2 AVL Cruise 整車模型

AVL Cruise 是用于研究行駛特性、燃油消耗與廢氣排放的高級仿真軟件。由于采用了模塊化的方法，可以自由建立任何一種配置的汽車模型，并且精密完善的算法程序保證了較快的運算速度。

本文通過AVL Cruise 軟件構建一款搭載AT變速箱的整車模型。該模型整車布置如圖5 所示，包括發(fā)動機、自動變速箱、駕駛員、控制策略等模塊，并且與MATLAB Simulink 進行聯(lián)合仿真。Simulink 可以將訓練好的神經(jīng)網(wǎng)絡封裝成模塊，再編譯為DLL 模型。DLL 模型可以在Cruise 軟件中直接運行，無需打開MATLAB，仿真速度非?？欤瑢崿F(xiàn)對目標車型擋位的實時控制。

圖5 整車模型Fig.5 Vehicle model

3 仿真與分析結果

本文采用WLTC 循環(huán)工況作為驗證工況。WLTC 工況復雜，考慮了低速、中速、高速、額外高速等工況，并且車輛最高速度、平均速度、最大加減速度以及加減速度幅度、測試行駛時間等，相對于NEDC 工況都有了較大提升，整體難度提升不少，更符合實際駕駛工況[11]。其工況曲線如圖6 所示

圖6 WLTC 工況曲線Fig.6 WLTC curve

經(jīng)仿真分析，BP 神經(jīng)網(wǎng)絡優(yōu)化的換擋曲線可以使發(fā)動機轉速和扭矩運行在瞬時燃油消耗量較低的區(qū)域，最大瞬時燃油消耗量區(qū)域為15～20 kg/h，而優(yōu)化前的換擋規(guī)律使車輛運行在20～25 kg/h 的區(qū)域，如圖7 所示。WLTC 循環(huán)百公里燃油消耗量從優(yōu)化之前的1.7 kg，降低到1.62 kg，整車燃油經(jīng)濟性提高4.7%，如圖8 所示。

圖7 優(yōu)化前后發(fā)動機工作區(qū)間Fig.7 Engine work area before and after optimization

圖8 整車累計燃油消耗量曲線Fig.8 Vehicle cumulative fuel consumption curve

4 結語

本文以現(xiàn)有整車試驗數(shù)據(jù)作為訓練樣本，對BP 神經(jīng)網(wǎng)絡進行訓練，得到滿足誤差要求的輸出參數(shù)即實時擋位。通過AVL Cruise 與MATLAB Simulink 聯(lián)合仿真，分析了WLTC 典型工況下的整車燃油經(jīng)濟性。經(jīng)分析，通過該方法優(yōu)化的換擋規(guī)律可以使發(fā)動機運行在更加經(jīng)濟性的工況區(qū)間，有效降低了整車燃油消耗，提高了整車燃油經(jīng)濟性，在整車性能開發(fā)與換擋策略編制上具有一定的工程應用性。