基于LVQ神经网络的汽车行驶工况在线识别方法.pdf

发布时间：2022-05-29 发布人：admin 分类：说明书资料大小：0.40M 资料格式：pdf 举报版权申诉

weixin_38710557-12058040-4744302543297547196.pdf-第1页.png

第1页 / 共8页

weixin_38710557-12058040-4744302543297547196.pdf-第2页.png

第2页 / 共8页

weixin_38710557-12058040-4744302543297547196.pdf-第3页.png

第3页 / 共8页

weixin_38710557-12058040-4744302543297547196.pdf-第4页.png

第4页 / 共8页

weixin_38710557-12058040-4744302543297547196.pdf-第5页.png

第5页 / 共8页

weixin_38710557-12058040-4744302543297547196.pdf-第6页.png

第6页 / 共8页

weixin_38710557-12058040-4744302543297547196.pdf-第7页.png

第7页 / 共8页

weixin_38710557-12058040-4744302543297547196.pdf-第8页.png

第8页 / 共8页

文本预览

中国科技论文在线 http://www.paper.edu.cn 基于 LVQ 神经网络的汽车行驶工况在线识别方法 # 5 10 15 王跃飞 1，夏敬保 2，章楠 1，刘白隽 1，吴源 1* （1. 合肥工业大学机械工程学院, 合肥 230000； 2. 合肥工业大学汽车与交通工程学院, 合肥 230000）摘要：针对汽车行驶工况在线识别问题，本文选取了 6 种典型道路工况作为工况识别的初始样本，对每一种典型道路工况进行分块以对识别样本进行扩充；选取了 10 个能够充分表征工况特征的特征参数并进行计算，对每一种典型工况的特征参数值进行归一化处理后形成其对应的标准特征参数向量；构建初始的学习向量量化(LVQ)神经网络工况识别模型，对工况识别模型进行有效训练以提升模型的识别精度。模型训练完成后，运用综合测试工况进行工况识别仿真验证试验。试验结果表明：训练完成的 LVQ 神经网络工况识别模型能够有效地对实际工况进行在线识别。关键词：LVQ 神经网络；行驶工况；在线识别；综合工况中图分类号：U27 Online Identification Method of Vehicle Driving Cycle via LVQ Neural Network WANG Yuefei1, XIA Jingbao2, ZHANG Nan1, LIU Baijun1, WU Yuan1 (1. Mechanical Engineering School ,HeFei University of Technology,HeFei 230000; 20 2. Automotive and Transportation Engineering School ,HeFei University of Technology,HeFei 25 30 35 230000) Abstract: For the online identification problem of vehicle driving cycle, 6 typical driving cycles are selected as the initial samples for driving cycle identification, each of which is partitioned to expand the identification samples; 10 characteristic parameters which can fully reflect the characteristics of driving cycles are extracted and calculated and then normalized to form the corresponding standard characteristic parameter vector; the initial driving cycle identification model based on LVQ neural network is built and trained to enhance the identification accuracy. After the model is conpletedly trained, the simulation verification experiment is carried out for driving cycle identification. The experimental results show that the trained driving cycle identification model based on LVQ neural network can effectively identify the actual driving cycle online. Key words: LVQ neural network; driving cycle; online identification;comprehensive driving cycle 0 引言传统的燃油汽车能量管理策略在提高整车燃油经济性方面效果显著[1]，但其对行驶工况的依赖性很强，只能针对特定的行驶工况实现最优能量管理。因此有必要对车辆实际行驶中的工况进行有效识别，从而提高能量管理策略对随机工况的适应能力[2]。基金项目：安徽省自然科学基金(1708085MF157); 江淮汽车技术中心委托项目(W2014JSKF0086); 江淮汽车技术中心委托项目(W2016JSKF0394) 作者简介：王跃飞(1977-),男,副教授、硕导，主要研究方向:汽车电子、实时系统和网络控制. E-mail: 2292514409@qq.com - 1 -

中国科技论文在线 http://www.paper.edu.cn 目前，国内外的相关专家学者已经针对车辆工况在线识别进行了一些研究，并取得了一定的成果。秦大同等人[3]选择欧几里德贴近度来表示待识别工况与标准工况样本的接近程度，并未采用某种模式识别算法进行工况识别。田毅等人[4]针对目前常用的工况识别算法的局限性和缺点，应用 K 均值聚类算法进行行驶工况识别，应用于混合动力汽车的整车能量管理中。詹森等人[5]通过简化的神经网络模型对实时车速进行采集、分析和比较,在运行一段时间后,自动寻找出与之相近的标准循环工况。刘永刚等人[6]采用遗传算法对若干种典型行驶工况对应的模糊控制器中隶属度函数进行优化，然后建立了一个基于模糊神经网络的行驶工路识别方法。张晓丹等人[7]采用聚类分析方法将选取的典型循环工况进行分类，从而保证每类工况间具有等同的相似程度，提升了工况识别的准确性。秦大同等人[8]通过确定不同类型行驶工况下的驾驶风格区分方法，得到不同驾驶风格的车速信息，并与基于反向传播(BP)神经网络的行驶工况识别算法相结合，优化了行驶工况识别的识别效果。林歆悠等人[9]采用 LVQ 神经网络模型对各标准工况的特征参数进行训练学习以进行实时工况识别，但其在特征参数选取、典型工况分块等方面存在着一些不足。在以上研究的基础上，本文针对汽车行驶工况在线识别，选取典型道路工况并进行分块，计算得到其对应的标准特征参数向量构建初始的 LVQ 神经网络工况识别模型；对工况识别模型进行有效训练以提升识别精度，训练完成后进行了工况识别的仿真试验。试验结果表明，采用训练完成的 LVQ 神经网络工况识别模型能够有效地对车辆的实际工况进行在线识别。 1 典型工况选取及特征参数分析按照交通状况以及行驶地域的不同，行驶工况可以分为市区道路、郊区道路、高速公路三种基本类型。针对每类行驶工况，本文各选取了两种典型道路工况作为代表 [10]，总共选取了 6 种典型道路工况，分别是 MANHATTAN 和 NYCC (代表市区道路)、WVUSUB 和 CSHVR (代表郊区道路)、HWFET 和 US06_HWY (代表高速公路)。具体如表 1 所示。表 1 典型道路工况 Tab. 1 typical driving cycles 40 45 50 55 60 工况编号 1 2 3 4 5 6 工况名称 NYCC 工况类型 MANHATTAN 市区道路市区道路郊区道路郊区道路高速公路高速公路 WVUSUB CSHVR HWFET US06_HWY 每种典型道路工况的速度-时间曲线如图 1 所示。 (a) MANHATTAN (b) NYCC - 2 -

中国科技论文在线 http://www.paper.edu.cn 65 70 75 80 85 (c) WVUSUB (d) CSHVR (e) HWFET (f) US06_HWY 图 1 典型道路工况速度-时间曲线 Fig. 1 Velocity-time curves of typical driving cycles 如果采用的典型工况样本时间长度太小，则可能无法包含典型工况的全部有效特征信息，将极大地降低工况识别的识别精度；同时，如果采用的样本时间过长，会导致典型工况信息库数据过少，导致工况识别的精度降低。因此本文采用如图 2 所示的方法，将每种典型工况进行 4 等分，获得相应的工况块，再将相邻工况块中点之间的工况段作为一个工况块，对典型工况进行分割。针对每一种典型工况选取分割后的 7 个工况块作为样本，进一步增加样本的数量[10]。图 2 典型工况分段示意图 Fig. 2 Partitioning diagram of typical driving cycles 在获取了足够多数量的典型工况样本之后，本文选取了 10 个重要参数作为工况识别的特征参数，主要包括：1.平均车速v (m/h)；2.最高车速 vmax(m/h)；3.平均加速度 a (m/h2)； 4.最大加速度 amax(m/h2)；5.平均减速度d (m/h2)；6.最大减速度 dmax(m/h2)；7.匀速时间比例 rc，即车辆匀速的时间和工况样本总时间的比值；8.加速时间比例 ra，即车辆加速的时间和工况样本总时间的比值；9.减速时间比例 rd，即车辆减速的时间和工况样本总时间的比值； 10.怠速时间比例 ri，即车辆怠速的时间和工况样本总时间的比值[11]。针对所有典型工况块基于以上的 10 个特征参数进行计算与分析，整理成具体参数表。由于篇幅有限，现以 MANHATTAN 工况为例，列出其对应的特征参数表，如表 2 所示。表 2 MANHATTAN 工况特征参数表 Tab. 2 characteristic parameters of driving cycles MANHATTAN vmax rd 24.30 25.30 24.30 25.30 25.30 rc 0.007 0.026 0.007 0.025 0.011 ra 0.347 0.367 0.348 0.355 0.341 a 1.30 1.12 1.30 1.12 1.34 amax 4.60 4.20 4.60 4.20 4.20 dmax -5.00 -5.60 -5.00 -5.60 -5.00 ri 0.369 0.344 0.367 0.366 0.352 0.277 0.263 0.278 0.254 0.296 序号 1 2 3 4 5 v 6.52 7.23 6.54 6.99 6.20 d -1.53 -1.46 -1.53 -1.46 -1.43 - 3 -

中国科技论文在线 24.30 25.30 7.58 6.21 6 7 http://www.paper.edu.cn 1.09 1.34 4.60 4.20 -1.58 -1.42 -5.60 -5.00 0.022 0.015 0.374 0.341 0.248 0.293 0.356 0.352 90 为了消除不同特征参数之间单位、数值以及变化范围对工况识别造成的影响，采用归一化的方法对各个典型工况块的特征参数进行标准化处理，并形成标准特征参数向量。变换函数如式 1。 = ' x x − x min − x min x max (1) 其中：x 为特征参数原始数据；xmin 为对应特征参数的最小值；xmax 为对应特征参数的最 95 大值。 2 LVQ 神经网络工况识别 100 工况识别的目的在于在车辆行驶过程中，将车辆的实际行驶工况识别为与其最为近似的典型道路工况。本文采用 LVQ 神经网络进行工况识别。LVQ 神经网络的优点在于网络结构简单，且不需要对输入向量进行预处理，因此简单易行[12]。 LVQ 神经网络结构由 3 层神经元组成：输入层、竞争层和输出层，如图 3 所示。其中，输入层神经元与竞争层神经元之间采用全连接的方式，竞争层神经元与输出层神经元之间采用局部方式。 105 图 3 LVQ 神经网络结构 Fig. 3 LVQ neural network structure LVQ 神经网络模型如图 4 所示。其中，X 为 R 维的输入向量；S 为竞争层神经元个数； W1 为输入层与竞争层间的权值矩阵；n1 和 a1 分别为竞争层的输入和输出；W2 为竞争层与输出层间的权值矩阵；n2 和 Y 分别为输出层的输入和输出，K 为输出层神经元个数；ǁndistǁ - 4 -

中国科技论文在线表示求两个多维度向量组之间的距离[13]。竞争层输入层 http://www.paper.edu.cn 输出层 W1 S×R X R×1 ǁndistǁ n1 S×R a1 S×1 n2 K×1 n2=Y K×1 W2 K×S R S 图 4 LVQ 神经网模型 Fig. 4 LVQ neural network model K 本文中，对应于每种行驶工况共有 10 个特征参数，因此输入向量 X 为 10 维向量，即输入层共有 10 个神经元。权值矩阵 W1 的每一行向量对应竞争层的一个神经元，即为某一个典型工况块对应的标准特征参数向量。因此，竞争层共有 6×7=42 个神经元，矩阵 W1 为 42×10 的矩阵。本文选取了 6 种典型道路工况，因而输出层共有 6 个神经元，矩阵 W2 为 6×42 矩阵，输出向量 Y 为 6 维向量。本工况识别模型中的关键参数和矩阵的定义如下： = X ( x )j × 10 1 1 (2) 其中：xj(j=1,…,10)为输入向量 X 对应的第 j 个特征参数值，即为输入层神经元的值； (3) 其中：(i=1,…,42)为第 i 个标准工况块对应的标准特征参数向量，wi,j(j=1,…,10)为第其中：di(i=1,…,42)为第 i 个标准工况块对应的标准特征参数向量与输入向量 X 间的 =（） (4) i 个标准工况块对应的第 j 个标准特征参数值； d W W i w i j , 42 10 n 1 × 42 1 × 42 1 = T ) = ( ( ) × i 欧几里得距离； =（） (5) 其中：向量 a1 仅有一个元素值为 1，其余元素值均为 0，值为 1 的元素对应最优的典型 × 42 1 a i a 工况块； = W 2 1111111       0 1111111  0      1111111  × 6 42 (6) 其中：矩阵 W2 的每列仅有一个 1，其余为 0，每一组相邻的 7 个 1 对应一种典型道路工况，共有 6 组这样相邻的 1； =（） (7) 其中：向量 Y 仅有一个元素值为 1，其余元素值均为 0，值为 1 的元素对应最优的典型 × 6 1 Y y r 工况块所属的典型道路工况。本文中，LVQ 神经网络工况识别模型的模型训练按照以下步骤进行[11]： 1.初始化输入层与竞争层间神经元的权值 wi,j。其中，wi,j 为第 i 个标准工况块对应的第 - 5 - 110 115 120 125 130 135

中国科技论文在线 j 个标准特征参数值，且 140 http://www.paper.edu.cn w i , j = 1 . (8) 1 0  = 1 i 2.以每一个典型工况块对应的标准特征参数向量 WT 3.根据公式 9 计算每个竞争层神经元与输入向量 X 间的欧式距离，i=1,…,42。 i 作为输入向量 X 送入输入层。 = d i 10 − x w i ij ( = 1 i 2 ) (9) 4.找到与输入向量 X 距离最小的竞争层神经元，进而找到与之连接的输出层神经元，将 145 其对应的典型道路工况作为识别结果，即计算 n2=W2·a1 。 (10) 5.如果识别结果与输入向量自身对应的工况类别相同，即为正确识别，则根据公式 11 调整对应参数值；反之为错误识别，则根据公式 12 调整对应参数值。 150 155 160 165 170 w i j new , _ w i j new , _ = = w i j old , _ w i j old , _ + − j x wδ ( x wδ ( − − j i j old , _ i j old , _ ) ) (11) (12) 其中，δ 为神经网络学习率，且 δ 为正值。 6.重复步骤 5，直至模型满足系统误差要求时认为 LVQ 神经网络训练过程完成，即运用该模型能对采集到的随机工况进行正确的工况识别。在车辆实际行驶过程中，连续地采集时长为 150s 的实际工况块，以此为识别对象将其对应的标准特征参数向量作为输入向量送入输入层，重复步骤 3、4，获取与当前实际工况最接近的典型道路工况，实现工况在线识别，并将识别结果作为下一个 150s 的实际工况的工况类型，以此为依据进行燃油汽车能量管理。 3 试验及结果结论本文随机选取了包含市区道路、郊区道路以及高速公路的 6 种典型道路工况，将这 6 1=720 个随机组合。从这 720 种典型道路工况按照随机顺序首尾相接，共有 C6 个随机组合中随机选取一个组合 (HWFET+NYCC+CSHVR+US06_HWY+WUVSUB+ MANHATTAN )作为模拟车辆实际行驶过程的综合测试工况，进行工况识别仿真验证试验[3]。 1C4 1C3 1C1 1C5 1C2 将 6 种典型道路工况首尾相接组成的综合测试工况是一种包含市区道路、郊区道路和高速公路的综合道路工况，如果针对其整个工况进行单一的工况识别，其结果并不能体现车辆实际行驶过程中的工况变化过程。故将该综合测试工况以识别周期 150s 为单位分割成等长的 42 个综合工况块，通过连续地对每个工况块进行识别来模拟车辆的实际行驶过程，验证工况识别模型的可行性。当综合工况块位于两种典型工况的交界处时，对应的典型工况类型以其包含较多的典型工况为准。工况识别的识别精度 ε 的定义如下[14]： 42  ε = i 1 = C i C i ( ( ) ( )) = a r 42 × 100% (13) 其中：综合测试工况以识别周期 150s 为单位分割成了 42 等份，且 Ca(i)为第 i 个综合工况块实际对应的典型道路工况，Cr(i)为工况识别模型识别出的第 i 个综合工况块对应的典型 - 6 -

中国科技论文在线道路工况。当某一综合工况块位于两种典型工况的交界处时，以其包含较多的典型工况为准。依次对每个综合工况块进行工况识别，模拟车辆的实际工况识别过程，得到综合测试工 http://www.paper.edu.cn 175 况的识别结果，如图 5 所示。图 5 综合测试工况识别结果 Fig. 5 Identification result of comprehensive driving cycle 综合测试工况的识别结果表明：LVQ 神经网络工况识别模型的识别精度为 86%，模型 180 可行且识别效果理想，该工况识别模型能够运用于燃油汽车能量管理中。 185 190 195 200 205 4 结论本文在选取典型道路工况并进行分块后，通过标归一化计算得到对应的标准特征参数向量。构建初始的 LVQ 神经网络工况识别模型，对工况识别模型进行有效训练以提升识别精度。将选取的典型工况进行随机组合进而形成一种综合测试工况，以 150s 为识别周期进行了工况识别的仿真验证试验。仿真试验结果表明：本文所构建的 LVQ 神经网络工况识别模型能有效地对车辆的实际行驶工况进行工况在线识别。 [参考文献] (References) [1] Colin Waldman, Sabarish Gurusubramanian, et al. A model-based supervisory energy management strategy for a 12V vehicle electrical system[J]. Control Engineering Practice, 2015, 44:20-30. [2] Qiao Z, Wei W D. An Adaptive Energy Management System for Electric Vehicles Based on Driving Cycle Identification and Wavelet Transform[J]. energies, 2016, 9, 341. [3] 秦大同，彭志远，刘永刚等. 基于工况识别的混合动力汽车动态能量管理策略[J]. 中国机械工程，2014， 25(11)：1550-1555. [4] 田毅, 张欣, 张良等. 神经网络工况识别的混合动力电动汽车模糊控制策略[J].控制理论与应用，2016， 29(4)：130-137+152. [5] 詹森，秦大同，曾育平. 基于遗传优化 K 均值聚类算法工况识别的混合动力汽车能量管理策略[J]. 中国公路学报，2016， 29(4)：130-137+152. [6] 刘永刚，解庆波，秦大同. 基于工况识别的混合动力汽车能量管理策略优化[J].机械传动，2016， 40(5)： 64-69+73. [7] 张晓丹，黄海燕. 基于免疫克隆算法的 LVQ 聚类算法权值优化[J].计算机科学，2013， 40(6A)：27-28+53. [8] 秦大同，詹森，曾育平. 基于驾驶风格识别的混合动力汽车能量管理策略[J].机械工程学报，2016， 52(8)： 162-169. [9] 林歆悠，孙冬野. 基于工况识别的混联式混合动力客车控制策略研究[J]. 中国机械工程，2012， 23(7)： 869-874. [10] 邓涛，卢任之，李亚南等. 基于 LVQ 工况识别的混合动力汽车自适应能量管理控制策略[J]. 中国机械工程，2016， 27(3)：420-425. [11] Xing J, Han X F, Ye H, et al. Driving Cycle Recognition for Hybrid Electric Vehicle[J]. ITEC Asia-Pacific, 2014. - 7 -

210 215 中国科技论文在线 [12] 叶少珍，吴鸣锐，张钹等. 基于局部化原理和概率模型的 LVQ 改进算法[J].计算机学报，2003， 26(5)： 626-629. [13] He H W,Sun C,Zhang X W. A Method for Identification of Driving Patterns in Hybrid Electric Vehicles Based on a LVQ Neural Network[J]. energies, 2012,5:3363-3380. [14] J.Wang, Q.N.Wang, et al. Driving Cycle Recognition Neural Network Algorithm Based on the Sliding Time Window for Hybrid Electric Vehicles[J]. International Journal of Automotive Technology, 2015, 16(4) :685-695. http://www.paper.edu.cn - 8 -

分享到：

赞收藏

资料库

基于LVQ神经网络的汽车行驶工况在线识别方法.pdf

相关推荐

开发技术

热门标签

最新资料