基于改進的BP神經(jīng)網(wǎng)絡算法對發(fā)動機輸出功率的預測建模

張國良 張延良 李升建 魏孜倩 李康

摘要：發(fā)動機輸出功率受進氣壓力、溫度、燃油消耗率、轉(zhuǎn)速和扭矩等多個因素的影響，各個因素之間是一種非線性關(guān)系?？梢岳脗鹘y(tǒng)BP神經(jīng)網(wǎng)絡算法對采集數(shù)據(jù)進行訓練得到功率預測模型，但BP算法存在局部最優(yōu)差、收斂速度慢和初始權(quán)閥值不易確定的缺點，因此，可以結(jié)合遺傳算法對BP神經(jīng)網(wǎng)絡的參數(shù)進行優(yōu)化彌補其缺點，同時利用采集的數(shù)據(jù)對網(wǎng)絡進行重復學習，得到更高精度的功率預測模型。

關(guān)鍵詞：BP算法1;遺傳算法2;發(fā)動機功率3;人工神經(jīng)網(wǎng)絡4

1 引言

發(fā)動機是一個非線性、延時、耦合、滯后的復雜系統(tǒng)，其工作過程中涉及的狀態(tài)變量較多，具有模型設計復雜，計算量的特點。人工BP神經(jīng)網(wǎng)絡算法有自學習、自調(diào)節(jié)和反逼近的能力，可以逼近任意具有非線性函數(shù)的模型。發(fā)動機功率是發(fā)動機性能的重要指標，其輸出與多個因素相關(guān)且是非線性的關(guān)系，在工作中是一個動態(tài)變化的過程。根據(jù)物理統(tǒng)計，發(fā)動機在不穩(wěn)定的工況下工作時間約占總時間的70%，借助神經(jīng)網(wǎng)絡，研究其動態(tài)狀況下的功率輸出特性，建立準確的預測模型具有重要意義。

2基于遺傳算法的BP神經(jīng)網(wǎng)絡

2.1 BP神經(jīng)網(wǎng)絡算法

BP神經(jīng)網(wǎng)絡是由輸入層、隱含層、輸出層組成的多層前饋神經(jīng)網(wǎng)絡，同一層網(wǎng)絡由多個神經(jīng)元組成且神經(jīng)元之間沒有相互關(guān)聯(lián)，而相鄰層之間的每一個神經(jīng)元相互關(guān)聯(lián)，因此決定了信號是單向傳播的，且分配到各個神經(jīng)元上，具體結(jié)構(gòu)如下圖1所示。

2.2遺傳算法

遺傳算法是模擬自然界生物進化理論提出的一種搜索最優(yōu)解的方法，其原理為將問題的求解轉(zhuǎn)化為對進化中染色體進行變異、交叉，尋找到最優(yōu)的變異個體，進而得到問題的最優(yōu)解。

2.3 遺傳神經(jīng)網(wǎng)絡算法

遺傳算法可以對神經(jīng)網(wǎng)絡的樣本進行編碼得到合適的權(quán)值和參數(shù)，利用隨機產(chǎn)生的初始化種群n維向量作為神經(jīng)網(wǎng)絡的權(quán)值向量，同時利用神經(jīng)網(wǎng)絡中Sigmoid函數(shù)計算適應度，保證在誤差越小的情況下，得到的染色特越好，在交叉變異中對算子進行計算得到高適應的的樣本，具體的流程如下圖2所示。

3 發(fā)動機功率預測建模

3.1結(jié)構(gòu)參數(shù)的確定

發(fā)動機功率是發(fā)動機的一個重要性能指標，其輸出與多個因素有關(guān)，包括進氣壓力、溫度、轉(zhuǎn)速、扭矩等。本文中主要考慮9個因素，發(fā)動機轉(zhuǎn)速、中冷后進氣壓力、排氣溫度、進氣溫度、瞬時油耗、后處理上游溫度、后處理下游排氣溫度、DPF排氣溫度和實際扭矩。因此，在神經(jīng)網(wǎng)絡中輸入節(jié)點數(shù)為9。神經(jīng)網(wǎng)絡的隱含層數(shù)量決定了仿真的精度和訓練時間，選擇不同的隱含層數(shù)量經(jīng)過多次訓練 以后，均可以達到理想的收斂結(jié)果。通過對比測試理想誤差，確定的隱含層數(shù)7，同時輸出節(jié)點數(shù)為1，即發(fā)動機輸出功率。隱含層節(jié)點數(shù)根據(jù)經(jīng)驗公式為

式中：l是隱含層節(jié)點數(shù)目，m和n分別為輸入輸出個數(shù)，a為1～10之間的整數(shù)。

在隱含層中傳遞函數(shù)為tansig，輸出層的傳遞函數(shù)為purelin，訓練最大次數(shù)為100，目標精度為0.05，訓練的平滑度為0.1，訓練的樣本來自某實驗實車數(shù)據(jù)，訓練樣本的個數(shù)為300組數(shù)據(jù)，測試樣本個數(shù)為100組數(shù)據(jù)。

遺傳算法對參數(shù)進行初始化，選擇的迭代次數(shù)為10，種群的規(guī)模數(shù)為30，交叉概率為0.3，變異概率為0.1。

3.2仿真結(jié)果分析

訓練樣本為某型號發(fā)動機數(shù)據(jù)，采集的時間頻率為1s/次 ，共選擇400組采集數(shù)據(jù)，其中前300組數(shù)據(jù)作為訓練樣本，后100組數(shù)據(jù)為測試樣本，具體的仿真結(jié)果如下。

利用遺傳算法進行數(shù)據(jù)迭代，在迭代到第6次時，數(shù)據(jù)的適應度達到平衡，在840左右，如圖3所示。為了體現(xiàn)遺傳BP神經(jīng)算法的優(yōu)越性，并將該算法與BP算法進行對比，得到的訓練跟蹤趨勢和誤差曲線分別如圖4、5所示，從圖5得到BP神經(jīng)網(wǎng)絡算法的測量誤差平均值為0.004，要大于GA-BP算法誤測量誤差0.001;且滿足實驗要求，利用訓練的實際模型測試測試樣本得到如圖6所示。

4試驗結(jié)論

采用matlab自帶的前饋BP神經(jīng)網(wǎng)絡工具箱可以對發(fā)動機的輸出功率進行非線性預測，得到較好的結(jié)果，同時結(jié)合遺傳算法可以解決BP神經(jīng)網(wǎng)絡的局部最優(yōu)問題，使預測精度更高，性能更加可靠。

參考文獻

[1]王輝，胡斐.MATLAB智能算法30個案例分析[M].1版.北京：北京航空航天大學出版社，2011.

[2]陳虞濤，曾凡明.基于動態(tài)神經(jīng)網(wǎng)絡的柴油機建模研究[J].海軍工程大學學報.2003，15（1）：90-92.

[3]謝秋，基于遺傳算法和BP神經(jīng)網(wǎng)絡的協(xié)同設計效率研究及應用[D]，重慶大學，2013.

[4]李炎，一種BP神經(jīng)網(wǎng)絡改進算法的研究[J]，齊齊哈爾大學學報，2010，29（2）29-31.

作者簡介：張國良（1991-），男，山東濰坊人，研究生，助理工程師，主要研究方向為車聯(lián)網(wǎng)。