基于數(shù)據(jù)挖掘的汽車耐候性預(yù)測(cè)算法研究

李淮，顧澤波，張曉東，祁黎，陳心欣，趙雪茹

（中國(guó)電器科學(xué)研究院股份有限公司 工業(yè)產(chǎn)品環(huán)境適應(yīng)性國(guó)家重點(diǎn)實(shí)驗(yàn)室， 廣州 510663）

前言

汽車作為一種廣泛使用的交通工具，在日常使用過程中，不可避免會(huì)受到太陽(yáng)輻照、溫度以及雨水等氣候環(huán)境因素的破壞作用，而發(fā)生老化、銹蝕等現(xiàn)象[1]。汽車耐候性就是專門針對(duì)汽車產(chǎn)品抵御這種破壞作用而提出的一種質(zhì)量特性。對(duì)于耐候性設(shè)計(jì)不佳的汽車產(chǎn)品，其零部件往往會(huì)過早產(chǎn)生變形、變色、脫膠、開裂、以及銹蝕等耐候性失效問題，輕則影響消費(fèi)者對(duì)對(duì)汽車品牌的認(rèn)可度，重則會(huì)對(duì)汽車的行駛安全產(chǎn)生影響[2]。

為了提高汽車品質(zhì)及車企形象，車企在研發(fā)汽車的過程中會(huì)對(duì)整車及部件進(jìn)行自然暴露試驗(yàn)及整車強(qiáng)化腐蝕試驗(yàn)，用于驗(yàn)證汽車的耐候性設(shè)計(jì)以及材料的耐候性性能是否達(dá)標(biāo)。對(duì)于整車強(qiáng)化腐蝕試驗(yàn)主要是考察汽車金屬部件的抗腐蝕能力[3-6]，依據(jù)QC/T 732-2005標(biāo)準(zhǔn)[7]進(jìn)行，一般試驗(yàn)進(jìn)行60～100個(gè)循環(huán)腐蝕量；而自然暴露試驗(yàn)主要是考察車身的金屬及涂鍍層的抗腐蝕能力以及非金屬材料的抗老化能力[8-12]，一般的試驗(yàn)周期為1～2年。試驗(yàn)后根據(jù)CSAE 105-2019標(biāo)準(zhǔn)[13]對(duì)整車的耐候性進(jìn)行評(píng)價(jià)。

汽車高分子部件的老化問題主要是受到環(huán)境應(yīng)力的作用所導(dǎo)致，而汽車部件自身溫度的變化正是影響其老化的一大關(guān)鍵要素。雖然利用仿真技術(shù)可計(jì)算汽車整車的溫度場(chǎng)[14-18]，但是仿真計(jì)算需要預(yù)先準(zhǔn)確設(shè)定各個(gè)部件的物理特性、熱傳導(dǎo)系數(shù)等參數(shù)，否則計(jì)算結(jié)果誤差會(huì)特別大，在實(shí)際運(yùn)用過程中具有一定的局限性。因此研究其它方法來預(yù)測(cè)汽車自然暴露時(shí)的溫度變化對(duì)于汽車企業(yè)具有重要的意義。機(jī)器學(xué)習(xí)算法已在光伏[19,20]、風(fēng)電[21]、高分子材料[22,23]等諸多領(lǐng)域進(jìn)行了大量的應(yīng)用,它可以充分的挖掘數(shù)據(jù)間的內(nèi)在規(guī)律，從而可以構(gòu)建環(huán)境因素與汽車部件表面溫度的關(guān)系模型，進(jìn)行精準(zhǔn)的預(yù)測(cè)。本文利用python軟件構(gòu)建機(jī)器學(xué)習(xí)模型，通過提取影響汽車部件溫度變化的關(guān)鍵特征作為輸入變量，以及把汽車部件表面溫度作為輸出變量，將瓊海冬天和夏天各一個(gè)月的試驗(yàn)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)進(jìn)行模型訓(xùn)練。訓(xùn)練好的模型可對(duì)汽車部件在全年氣象條件下進(jìn)行較為精準(zhǔn)的預(yù)測(cè)，從而可以縮短試驗(yàn)時(shí)間。該研究對(duì)于利用少量的試驗(yàn)數(shù)據(jù)，預(yù)測(cè)汽車部件全年氣象環(huán)境條件下表面溫度變化具有一定的指導(dǎo)意義。

1 整車自然暴露試驗(yàn)介紹

根據(jù)GB/T 40512-2021標(biāo)準(zhǔn)[24]的要求，將汽車整車靜置于瓊海濕熱自然暴露試驗(yàn)場(chǎng)1年。在汽車內(nèi)外部重點(diǎn)關(guān)注的部件上安裝各種傳感器，連續(xù)實(shí)時(shí)監(jiān)測(cè)汽車典型零部件表面溫度、大氣濕度、太陽(yáng)輻照、風(fēng)速、降雨量等環(huán)境參數(shù)，數(shù)據(jù)形式為每5 min記錄一次數(shù)據(jù)。試驗(yàn)車輛及傳感器安裝情況如圖1。

圖1 試驗(yàn)車輛及傳感器安裝點(diǎn)

2 特征工程

2.1 特征數(shù)據(jù)選取

選取大氣溫濕度、大氣壓強(qiáng)、降雨量、太陽(yáng)總輻照等14項(xiàng)數(shù)據(jù)作為比較數(shù)列，汽車部件（車頂、前保險(xiǎn)杠中部、前擋水槽飾板）表面溫度為參考數(shù)列，分別計(jì)算比較列與參考列的相關(guān)系數(shù)。斯皮爾曼相關(guān)系數(shù)計(jì)算方法[25]為:

式中：

d—參考數(shù)列和比較數(shù)列的等級(jí)差數(shù)；

n—序列個(gè)數(shù)。

當(dāng)斯皮爾曼相關(guān)系數(shù)大于0.6時(shí)，表明兩列數(shù)據(jù)之間有較強(qiáng)的相關(guān)關(guān)系。斯皮爾曼相關(guān)性結(jié)果如圖2所示。

圖2 斯皮爾曼相關(guān)性系數(shù)

選取相關(guān)系數(shù)絕對(duì)值大于0.6的氣象參數(shù)做為特征參數(shù)，即大氣溫度、大氣濕度、太陽(yáng)輻照量、紅外輻照量、紫外輻照量、可見光、直接輻照量、日照時(shí)數(shù)，共8個(gè)特征參數(shù)作為機(jī)器學(xué)習(xí)模型的輸入?yún)?shù)；汽車部件（車頂、前保險(xiǎn)杠中部、前擋水槽飾板）的表面溫度分別作為模型輸出參數(shù)，分別構(gòu)建3個(gè)部件的溫度預(yù)測(cè)模型。

2.2 數(shù)據(jù)歸一化

在將數(shù)據(jù)帶入機(jī)器學(xué)習(xí)模型之前，需要對(duì)輸入?yún)?shù)進(jìn)行歸一化處理，使得各個(gè)特征參數(shù)的值在0～1之間。目的是為了防止特征參數(shù)的數(shù)量級(jí)差別較大而造成模型網(wǎng)絡(luò)預(yù)測(cè)誤差增大。數(shù)據(jù)歸一化主要有兩種形式[26,27]，一種是“最大最小法”，即把所有數(shù)據(jù)轉(zhuǎn)化成0～1之間的值，函數(shù)形式見公式（2）；另一種是“平均數(shù)方差法”，函數(shù)形式見公式（3）。其是移動(dòng)數(shù)據(jù)分布，使得數(shù)據(jù)的平均值為0，標(biāo)準(zhǔn)差為1。

式中：

xmin—數(shù)列中的最小數(shù)值；

xmax—數(shù)列中的最大數(shù)值。

式中：

xmean—數(shù)列中的均值；

xvar—數(shù)列的方差。

本文選取冬天和夏天各一個(gè)月（1月和8月）的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，其余月份數(shù)據(jù)為測(cè)試數(shù)據(jù)。在訓(xùn)練集的數(shù)據(jù)中，按照85∶15的比率隨機(jī)分成訓(xùn)練子集和驗(yàn)證集。本文采用“最大最小法”對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

3 搭建模型

本文通過python的Scikit-learn庫(kù)和xgboost庫(kù)搭建分別搭建BP神經(jīng)網(wǎng)絡(luò)、梯度提升機(jī)和支持向量機(jī)3種機(jī)器學(xué)習(xí)模型。通過對(duì)比不同超參數(shù)下驗(yàn)證集上的性能表現(xiàn)，確定出最優(yōu)的超參數(shù)，并用最優(yōu)的超參數(shù)重新用訓(xùn)練數(shù)據(jù)訓(xùn)練得出預(yù)測(cè)模型，最后在測(cè)試數(shù)據(jù)集上檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)性能。下面分別構(gòu)建3種機(jī)器學(xué)習(xí)模型：

1）BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)[28,29]。其中，神經(jīng)網(wǎng)絡(luò)最佳隱含層節(jié)點(diǎn)數(shù)的選擇參考以下公式[27,30]：

式中：

n—輸入層節(jié)點(diǎn)數(shù)；

m—輸出層節(jié)點(diǎn)數(shù)；

a—0～10之間的常數(shù)；

L—隱含層節(jié)點(diǎn)數(shù)。

隱含層節(jié)點(diǎn)數(shù)選取3～13個(gè)，分別對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，結(jié)果見表1。從表1可以看出三個(gè)部件模型的隱含層神經(jīng)元個(gè)數(shù)為13時(shí)，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能最優(yōu)。本文神經(jīng)網(wǎng)絡(luò)模型使用python軟件Scikit-learn庫(kù)中的MLPRegressor（多層感知機(jī)）構(gòu)建,其結(jié)構(gòu)為：輸入層節(jié)點(diǎn)數(shù)為8個(gè)，輸出層節(jié)點(diǎn)數(shù)為1個(gè)（車頂表面溫度/前保險(xiǎn)杠中部表面溫度/前擋水槽飾板表面溫度），隱含層節(jié)點(diǎn)數(shù)為13，激活函數(shù)使用sigmoid函數(shù)，最大迭代步數(shù)設(shè)為1000步，學(xué)習(xí)率為0.002，采用“adam”算法進(jìn)行權(quán)重更新。

表1 各部件模型的驗(yàn)證集平均絕對(duì)誤差

2）梯度提升算法模型

梯度提升算法是在函數(shù)空間中進(jìn)行最優(yōu)函數(shù)的搜索。通過Python軟件的xgboost第三方庫(kù)可以快速的構(gòu)建梯度提升算法模型，在模型中設(shè)置參數(shù)如下：弱分類器設(shè)置為150個(gè)（n_estimator=150），最大樹深度設(shè)置為25（max_depth=25），學(xué)習(xí)速率設(shè)為0.1（learning_rate=0.1），其它參數(shù)為默認(rèn)值。

3）隨機(jī)森林模型

通過Python軟件的Scikit-learn庫(kù)快速構(gòu)建隨機(jī)森林算法模型，模型由300棵二叉決策樹（CART）組合而成，CART沒有最大深度限制（max_depth=None），最大特征設(shè)置為總特征乘以0.85（max_features=0.85），其它參數(shù)為默認(rèn)值。相較于決策樹，隨機(jī)森林的抗過擬合能力更強(qiáng)。

4 預(yù)測(cè)結(jié)果及分析

本文從2個(gè)維度對(duì)模型預(yù)測(cè)性能進(jìn)行評(píng)估：一是平均絕對(duì)誤差MAE；二是決定系數(shù)R2，函數(shù)形式見公式6，該值越接近于1表示數(shù)據(jù)擬合的效果越好。

式中：

y—實(shí)際值；

ymean—實(shí)際值的平均值；

yy—預(yù)測(cè)值。

將測(cè)試集數(shù)據(jù)分別代入3個(gè)訓(xùn)練好的模型中進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖3所示。從圖3可以看出神經(jīng)網(wǎng)絡(luò)、梯度提升機(jī)和隨機(jī)森林對(duì)汽車部件表面溫度的預(yù)測(cè)均有較好的表現(xiàn),其中隨機(jī)森林的預(yù)測(cè)效果最優(yōu)，神經(jīng)網(wǎng)絡(luò)次之。車頂、前保險(xiǎn)杠中部和前擋水槽飾板部件的平均絕對(duì)誤差分別為2.5、1.4和2.1左右，擬合優(yōu)度R2分別在0.94、0.92、0.94左右。本文采用隨機(jī)森林的預(yù)測(cè)結(jié)果進(jìn)行比較詳細(xì)的分析。

圖3 三種機(jī)器學(xué)習(xí)模型預(yù)測(cè)結(jié)果

隨機(jī)森林對(duì)汽車車頂溫度預(yù)測(cè)結(jié)果和實(shí)際值的對(duì)比見圖4，三個(gè)部件的預(yù)測(cè)誤差分布圖見圖5所示。從圖4可以看出，預(yù)測(cè)值曲線與真實(shí)值曲線基本一致，但在正午左右時(shí)分溫度變化較為激烈，預(yù)測(cè)值與真實(shí)值有一定的誤差。出現(xiàn)該現(xiàn)象可能一方面是因?yàn)樘鞖鈺r(shí)而出太陽(yáng)時(shí)而多云甚至下雨，使得部件溫度變化較為激烈，但在數(shù)據(jù)上且無法反應(yīng)出這一情況，導(dǎo)致預(yù)測(cè)值與真實(shí)值存在一定差異；另一方面是所用的機(jī)器學(xué)習(xí)模型屬于淺層學(xué)習(xí)模型，該算法模型無法學(xué)習(xí)到一些更細(xì)小的差別所致。

圖4 預(yù)測(cè)結(jié)果與實(shí)際值對(duì)比（部分?jǐn)?shù)據(jù)）

從圖5可以看出3個(gè)部件的誤差分布基本上呈現(xiàn)正太分布，均以0 °誤差為對(duì)稱軸。對(duì)于車頂和前擋水槽飾板部件，預(yù)測(cè)誤差基本在（-10～10）°之間，而前保險(xiǎn)杠中部的預(yù)測(cè)誤差基本在（-5～5）°之間。

圖5 誤差分布

從上述分析可知，機(jī)器學(xué)習(xí)算法模型對(duì)汽車部件溫度預(yù)測(cè)效果良好。

5 結(jié)論

通過本文采用的三種機(jī)器學(xué)習(xí)算法對(duì)汽車各個(gè)部位表面溫度預(yù)測(cè)的研究，可得到如下的結(jié)論:

1）通過選取8個(gè)特征氣象參數(shù)（大氣溫度、大氣濕度、太陽(yáng)輻照量、紅外輻照量、紫外輻照量、可見光、直接輻照量、日照時(shí)數(shù)），采用機(jī)器學(xué)習(xí)算法構(gòu)建汽車部件溫度預(yù)測(cè)模型，可得到較好的預(yù)測(cè)效果。

2）利用試驗(yàn)車少量的試驗(yàn)數(shù)據(jù)（冬天和夏天各1個(gè)月的試驗(yàn)數(shù)據(jù)）訓(xùn)練機(jī)器學(xué)習(xí)模型（神經(jīng)網(wǎng)絡(luò)、梯度提升機(jī)、隨機(jī)森林等），可預(yù)測(cè)該車部件在全年氣象條件下的溫度變化情況。

3）汽車廠商在獲取冬天和夏天的試驗(yàn)數(shù)據(jù)后，便可通過本文介紹方法預(yù)測(cè)全年氣象條件下的汽車部件溫度變化，可在一定程度上縮短戶外暴露試驗(yàn)周期。