姜長文 魏福龍 孫航 曾小華

摘 要：針對節(jié)能車為有效降低燃油消耗率，在整車經過彎道時，發(fā)動機需怠速滑行的特點，對GPS車載數據采集系統(tǒng)得到的數據進行彎道部分數據提取。基于提取出的北京金港國際賽車場150余組數據，通過引入BP神經網絡算法的方式，建立了節(jié)能車彎道降速的BP神經網絡預測模型。在經遺傳算法優(yōu)化后，擬合優(yōu)度的結果顯示，BP神經網絡的預測較為接近真實情況，預測效果較為良好，可以用于節(jié)能車滑行過彎速度變化情況預測，并為不同賽道不同工況下整車速度分配提供參考依據。

關鍵詞：節(jié)能車;神經網絡;速度優(yōu)化

中圖分類號：U467 ?文獻標識碼：A ?文章編號：1671-7988（2020）10-140-05

Curve Deceleration Analysis of Energy-saving Vehicle?Based on BP NeuralNetwork Model^*

Jiang Changwen¹，?Wei Fulong¹， Sun Hang¹，?Zeng Xiaohua²

（1.School of Automotive Engineering， Jilin University，?Jilin Changchun 130022;2.State Key laboratory of Automotive Simulation and Control，?Jilin University，?Jilin Changchun 130022）

Abstract：?Aiming at the characteristic that the engine needs to idle in order to effectively reduce the fuel consumption rate of the energy-saving vehicle when the vehicle passes through the curve，?the data obtained by the GPS vehicle data acquisition system are extracted from the curve parts.?Based on over 150 sets of data extracted from Beijing Jingang International Circuit，?a BP network prediction model of deceleration in the curve for energy-saving vehicle is established by employing the BP neural network algorithm. After?optimized?by?genetic?algorithm，?the results of goodness of fit indicate that the prediction of BP neural network is relatively approximated to the reality，?and the prediction effect relatively good.?And the BP network model can be used for predicting the speed change for energy-saving vehicle sliding over curves，?providing a reference basis for vehicle speed distribution at different situation on different racing tracks.

Keywords： Energy-saving vehicle;?Neural network;?Speed optimization

CLC NO.： U467 ?Document Code： A ?Article ID： 1671-7988（2020）10-140-05

前言

本田節(jié)能車競技大賽是由本田創(chuàng)始人本田宗一郎于1981年在日本首先創(chuàng)辦的以提高能源利用效率，創(chuàng)造節(jié)約型社會為主題的社會活動，意在使參賽者通過親自參與和體驗創(chuàng)造的過程，共享Honda長期倡導的環(huán)保理念以及挑戰(zhàn)精神，演繹節(jié)能對地球環(huán)保的重要意義，進而提高全社會的節(jié)能環(huán)保意識。

本田節(jié)能車分為燃油組和純電動EV組，燃油組別由Honda統(tǒng)一提供125cc低油耗4沖程發(fā)動機，電動組別則使用大賽指定電池作為車輛唯一動力源，車身、車架均由參賽車隊根據自己對汽車和環(huán)保的理解，獨立設計、制作完成，在規(guī)定時間內跑完指定賽程，耗油或耗電最少者獲勝。節(jié)能車省油的主要思路，與現在主流的汽車降低油耗的方向基本一致。劉章棋^[1]從整車車身，底盤的方向入手進行優(yōu)化設計;李亞鵬^[2]以輕量化設計為目的對傳動系統(tǒng)，轉向系統(tǒng)，車殼進行改進;張?zhí)煊?sup>[3]通過采用電控燃油噴射系統(tǒng)，優(yōu)化發(fā)動機結構進而降低燃油消耗率。但是尚未有節(jié)能燃油車在行車速度分配策略相關的研究，僅在純電動EV節(jié)能車賽事中，王雪^[4]進行了整車動力分配的相關研究，對全局進行了速度分配，但是沒有對局部彎道深入探討，由于直道速度下降和彎道速度下降相差較大，因此整體仿真效果并不理想。

本文所研究的對象是吉林大學肯賽車隊參加本田中國節(jié)能競技大賽的節(jié)能燃油原型車。對于燃油節(jié)能車，因為行駛時的阻力很小，使它保持一定速度巡航所需的動力也很小，即使是減小排量后的發(fā)動機，維持這樣的速度它的動力也是富余，保持油門只能徒增油耗。那發(fā)動機的動力應該合理分配在什么賽道位置，由此引出比賽行駛整車速度分配策略的重要性。目前普遍采用直道部分加速，彎道部分發(fā)動機怠速滑行的行駛策略。然而賽車滑行過彎時不同的入彎速度，彎道半徑，轉彎角度都會對節(jié)能車出彎速度造成影響，因此構建彎道速度下降模型在滿足最低限速的前提下能使節(jié)能車合理分配入彎速度，并且為純燃油節(jié)能車局部速度變化情況方面研究填補空白，為全局合理分配速度奠定基礎。

20世紀80年代以來，一些新穎的優(yōu)化算法通過模擬揭示某些自然現象或過程。這些算法獨特的優(yōu)點和機制，引起國內外學者的重視與研究。由于智能優(yōu)化算法有著良好的適應性，因此可以實現對普通算法的優(yōu)化。遺傳算法（Genetic Algorithm 簡稱GA）起源于對生物系統(tǒng)進行的計算機模擬研究，是由一種基于生物遺傳和進化機制的適合于復雜系統(tǒng)優(yōu)化的自適應概率優(yōu)化算法。遺傳算法的特點是：不依賴于梯度信息，不受目標函數連續(xù)可微的約束，可通過編碼來實現任意設定其定義域。遺傳算法搜索最優(yōu)解的方法是仿照生物的進化過程，模擬了遺傳和自然選擇中發(fā)生的復制、交叉和變異等現象^[8]。它從代表問題可能潛在解集的一個種群開始，對種群反復進行選擇、交叉以及變異操作，估計各個個體的適應值，根據“適者生存、優(yōu)勝劣汰”的進化規(guī)則，使得群體向最優(yōu)解的方向進化。

趙宏偉等^[9]用遺傳算法優(yōu)化神經網絡的拓撲結構以及確定BP算法的相應參數，對遺傳算法的編碼方案作了改進。劉浩然等^[10]對遺傳算法的選擇算子進行改進，在最優(yōu)保存策略的基礎上將每代種群按照適應度由小到大排序。遺傳算法優(yōu)化BP神經網絡分為BP神經網絡結構確定、遺傳算法優(yōu)化和BP神經網絡預測3個部分^[11]。其中，BP神經網絡結構確定部分根據擬合函數輸入輸出參數個數確定BP神經網絡結構，進而確定遺傳算法的個體的長度。遺傳算法優(yōu)化是指用遺傳算法來優(yōu)化BP神經網絡的權值和閾值，種群中的每個個體都包含了一個網絡所有權值和閥值，個體通過適應度函數計算個體適應度值^[12]。遺傳算法通過選擇、交叉和變異等操作找到最優(yōu)適應度值對應個體。BP神經網絡預測是指用遺傳算法得到最優(yōu)個體對應網絡初始權值和閥值賦值，網絡經訓練后預測函數輸出。近年來，以BP神經網絡為代表的機器學習領域發(fā)展十分迅速，又開辟了許多數據處理的方法，這些方法在處理模糊數據等方面具有明顯優(yōu)勢，并且適用于數量龐大，信息不明確的系統(tǒng)，這為預測節(jié)能車彎道降速的問題提供了新的解決思路。

本文基于北京金港國際賽車場150余組車載GPS數據，利用BP神經網絡建立了節(jié)能賽車過彎滑行速度下降預測模型，經遺傳算法對BP神經網絡模型進行了優(yōu)化，對模型準確性進行了判斷，并進行了驗證。驗證結果證明該BP神經網絡預測模型可以用于節(jié)能車彎道降速的預測，能夠為賽車入彎速度提供指導依據。

1 節(jié)能車GPS數據采集以及提取

1.1 從GPS車載數據系統(tǒng)中抽取數據

節(jié)能車車載GPS系統(tǒng)可有效采集北京金港國際賽車場的賽車全程發(fā)動機轉速（RPM），節(jié)能車車速（energy-saving vehicle）等參數。

將車載GPS系統(tǒng)中數據導出為Excel文件，并且按照對應關系導入MATLAB中，為整車GPS數據預處理做準備。

1.2 MATLAB數據預處理

該部分內容是對數據采集信號進行剔除異常點以及降噪，令缺失數據補齊，讓數據趨勢更加直觀，提高精確度。圖3為進行預處理后的效果，可以看出處理后的數據更加易于分析，圖中可以看出，數采測量的加速度與速度對應關系符合趨勢，與坡度角對應關系符合趨勢，上述證明了經過預處理之后數據的可靠性，為BP神經網絡的分析做好準備。

1.3 繪制賽道地圖及地圖擬合修正

該部分意義為重新確定賽道距離數據，讓不同圈的多組數據能夠對應在一起。圖4為未處理圖像，可見其不同圈的重疊性不夠高，以此作為新的距離坐標的基準顯然不合適，從圖中能看出來，幾組數據的賽道趨勢相同，而起點和終點位置不同，因此需要重新編排它們的x，y坐標值，使各個圈賽道圖盡量對應。為此首先剔除掉偏轉角接近180度的點，然后尋找每一圈第一個急轉彎以原型車行駛過程中車頭距發(fā)車點偏轉角度來確定新的距離坐標，并對數據進行同維化處理，最終對坐標值取平均值得到最終擬合的賽道，即圖5，可見賽道重合度更高，此時采用不同場次的數據便也能統(tǒng)一在同一張地圖中。

1.4 賽道彎直道劃分處理

本文研究對象為彎道部分，因此需要將賽道進行合理劃分，并將劃分為彎道部分的數據提取出進行下一步的BP神經網絡數學建模分析。圖6中為直道部分，Ti為彎道部分，Ri為對應序號下Ti彎道的轉彎半徑，三項參數單位均為m。

在成功完成賽道劃分后，最終提取出150組可使用的節(jié)能車彎道滑行速度變化數據。

2 BP神經網絡處理

2.1 BP神經網絡搭建

影響節(jié)能車彎道速度下降的因素有很多，是多元的非線性動態(tài)系統(tǒng)，如果應用簡單物理模型和線性方法會具有一定的局限性，因此預測彎道速度變化情況需要找到能做到非線性擬合預測的方法^[5][6]。張宏^[7]等針對核桃殼破裂所需機械能易受核桃含水率、加載速度和體積級別等多種因素影響，提出一種核桃殼破裂功預測方法。BP神經網絡具有很強的非線性擬合和預測處理能力。不需要了解彎道速度變化情況與眾多影響因素之間的關系，也可以實現非線性映射，得到對彎道速度變化前后的預測。因此，利用BP神經網絡對節(jié)能車彎道降速情況進行預估具有明顯的優(yōu)勢。

對于節(jié)能車彎道滑行速度變化情況的主要影響因素為入彎速度，彎道半徑，車頭轉過角度。將提取出的150組數據導入MATLAB中。將數據分為X，Y兩組別。X組為節(jié)能車入彎速度，彎道半徑，彎道轉角，該次車輛行駛賽道弧長;Y組為實際測得節(jié)能車出彎速度。利用MATLAB中的BP神經網絡工具箱可以建立本文研究的神經網絡模型。將提取的150組數據作為計算樣本，其中70%為訓練集，15%為驗證集，15%為測試集。

2.2 BP神經網絡模型結果

共軛梯度法最初由Hesteness和Stiefel于1952年為求解線性方程組而提出的。后來，人們把這種方法用于求解無約束最優(yōu)化問題，使之成為一種重要的最優(yōu)化方法。

共軛梯度法的基本思想是把共軛性與最速下降方法相結合，利用已知點處的梯度構造一組共軛方向，并沿這組方向進行搜索，求出目標函數的極小點。根據共軛方向基本性質，這種方法具有二次終止性。使用BP神經網絡算法中的量化共軛梯度法，對節(jié)能車出彎速度進行迭代尋優(yōu)計算，最優(yōu)均方誤差出現的時間與對應的迭代次數如圖7所示。由圖中可知，最小均方誤差出現在第47次迭代。依據第47次的迭代結果，得到了基于北京金港國際賽車場150組數據的節(jié)能車出彎速度預測模型。

2.3 使用遺傳算法優(yōu)化BP神經網絡

使用遺傳算法工具箱的函數^[13]對神經網絡優(yōu)化結果如下所示。圖9和圖10的信息顯示，GA優(yōu)化后的神經網絡預測模型的最優(yōu)均方誤差出現在第35次迭代。最優(yōu)均方誤差從優(yōu)化前的0.91139降低至0.005695，擬合優(yōu)度在訓練集，測試集以及全部數據集均比優(yōu)化前更加接近1，說明擬合效果良好，即擬合值與真實值回歸的完成度更高。由表2中數據對比可以判斷，經遺傳算法優(yōu)化后，BP神經網絡擬合優(yōu)度得到了進一步的提高，節(jié)能車彎道降速模型的準確度得到了進一步的提升。

2.4 對GA優(yōu)化后模型準確度進行驗證

為了驗證神經網絡模型的準確性，使用廣州肇慶國際賽車場采集的11組節(jié)能車彎道滑行速度下降數據進行分析，將預測輸出值和實際輸出值進行對比，對比結果如圖11所示，由此可以看出，預測值與實際值比較接近。

為了確定預測值的準確性，對預測結果的擬合優(yōu)度進行分析，本文BP神經網絡數學模型的擬合優(yōu)度為0.97723，因此可以充分說明該模型可以較為準確地預測節(jié)能車的出彎速度。

3 結論

針對有效提高競技節(jié)能車的燃油消耗率問題，目前絕大多數的研究方向都集中于整車輕量化，降低整車風阻，采用電控燃油噴射系統(tǒng)精確調整噴油量等方面。而對于節(jié)能車如何合理地分配賽道速度以達到充分發(fā)揮車輛燃油經濟性的問題，絕大多數參賽隊伍依靠往年的數據總結成經驗公式來進行預估判斷。然而一旦賽道更替，經驗公式的適用性能將大大縮水，本文利用BP神經網絡構建節(jié)能車彎道滑行降速數學模型，有效地解決了經驗公式適用性不強的問題，驗證結果證明預測模型準確性較高，能夠使賽車合理設置入彎速度。

參考文獻

[1] 劉章棋，付龍虎，陳元富.本田節(jié)能競技大賽燃油節(jié)能車優(yōu)化設計[J].汽車實用技術，2019（14）：61-62+79.

[2] 李亞鵬.本田節(jié)能競技大賽節(jié)能車設計與優(yōu)化[J].科技資訊，2017，15（33）：82-83.

[3] 張?zhí)煊?，候璞，李國帥，董策策，要志?基于節(jié)能競技比賽的發(fā)動機節(jié)能技術研究[J].內燃機與配件，2018（05）：13-15.

[4] 王雪，王天利.節(jié)能賽車行車策略分析及動力匹配[J].計算機應用，2015，35（S1）：313-315+323.

[5] 卓金武.MATLAB在數學建模中的應用[M].北京航空航天大學出版社，2014.

[6] MATLAB中文論壇.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學出版社，2010.4.

[7] 張宏，馬巖，李勇，張銳利，張學軍，張銳.基于遺傳BP神經網絡的核桃破裂功預測模型[J].農業(yè)工程學報，2014，30（18）：78-84.

[8] 王小平，曹立明.遺傳算法[M].西安交通大學出版社，著，?2002.

[9] 趙宏偉，臧雪柏，王立江.用于神經網絡結構優(yōu)化的改進遺傳算法[C].//中國計算機學會.計算機研究與發(fā)展第37卷增刊.2000： 244～248.

[10] 劉浩然，趙翠香，李軒，王艷霞，郭長江.一種基于改進遺傳算法的神經網絡優(yōu)化算法研究[J].儀器儀表學報，2016，37（07）：1573- 1580.

[11] 郭強，趙曉華，孫亮.Matlab遺傳算法工具箱的設計[J].北京工業(yè)大學學報，2001（03）：348-352.

[12] 殷銘，張興華，戴先中.基于MATLAB的遺傳算法實現[J].電子技術應用，2000，26（1）：9-11.DOI：10.3969/j.issn.0258-7998.2000.01. 003.

[13] 于玲，賈春強.Matlab遺傳算法工具箱函數及應用實例[J].機械工程師，2004（11）：27-28.