藍(lán)志寶 王 哲 蔣華梁 羅 旭

（1.上汽通用五菱汽車股份有限公司，廣西 柳州 540057；2.武漢理工大學(xué)，湖北 武漢 430070）

0 前言

車輛駕駛性是指車輛對駕駛員采取的相關(guān)操作所做出的相應(yīng)的動態(tài)響應(yīng)，它反映了車輛的動態(tài)性能。目前，國內(nèi)外評價(jià)車輛駕駛性的方法包括主觀評價(jià)和客觀評價(jià)。主觀評價(jià)是駕駛評測師通過特定的駕駛方案給駕駛主觀感受打分，打分結(jié)果會在很大程度上受主觀感受的影響?？陀^評價(jià)是通過分析汽車行駛的原始數(shù)據(jù)，并結(jié)合所研究車輛選取合適的客觀指標(biāo)對車輛駕駛性進(jìn)行分析。

針對主觀評價(jià)，HYOSEONG 等人通過改變車內(nèi)噪聲的品質(zhì)來探究主觀評價(jià)結(jié)果的作用情況。楊家成等人提出用模糊層次分析法構(gòu)建權(quán)重和離散系數(shù)，以驗(yàn)證試車員的評價(jià)能力。針對客觀評價(jià)，黃偉等人通過計(jì)算主、客觀權(quán)重設(shè)計(jì)了車輛蠕行工況駕駛性的綜合權(quán)重優(yōu)化模型，構(gòu)建了更加完善的評估體系。莫易敏等人使用神經(jīng)網(wǎng)絡(luò)搭建了急加速工況的駕駛性評價(jià)模型，提高了預(yù)測的準(zhǔn)確率。劉海江等人通過小波去噪的方式保留了原始數(shù)據(jù)中的有效成分，提高了客觀評價(jià)指標(biāo)的準(zhǔn)確性。孫博等人采用動力總成臺架模擬整車駕駛性評價(jià)，大大降低了試驗(yàn)成本。

該文選取車輛靜止起步工況，利用BP 神經(jīng)網(wǎng)絡(luò)建立主觀評價(jià)、客觀評價(jià)之間的關(guān)系，用數(shù)據(jù)指標(biāo)來彌補(bǔ)主觀評價(jià)一致性差的問題。

1 起步工況客觀評價(jià)指標(biāo)

1.1 起步工況分析

起步工況是車輛在靜止?fàn)顟B(tài)下通過駕駛員的一系列操作使車輛速度由0 km/h 加速到某個(gè)閾值的狀態(tài)。在起步工況中，車輛的速度由0 km/h 加速到某個(gè)閾值，從工況角度分析，希望起步時(shí)間盡可能短，車的狀態(tài)盡可能平穩(wěn)，但當(dāng)車輛突然改變狀態(tài)時(shí)，會使加速度呈現(xiàn)一個(gè)從無到有的顛簸過程，這勢必會影響駕駛員的舒適性。因此，需要從起步過程中的動態(tài)指標(biāo)、駕駛的舒適性2 個(gè)方面對起步工況駕駛性進(jìn)行分析。

車輛加速度的大小決定了起步時(shí)間的長短，而加速度的變化又會影響駕駛員對舒適性的直觀感受，因此選取起步工況中的峰值加速度、最大變加速度、發(fā)動機(jī)轉(zhuǎn)速正向超調(diào)量以及加速度顛簸等指標(biāo)來評價(jià)車輛的運(yùn)行情況。由于動力傳動系統(tǒng)存在延遲性，當(dāng)踩下加速踏板時(shí)，發(fā)動機(jī)轉(zhuǎn)速、車速并不會瞬間變化，這也會給人體反饋機(jī)制帶來不適，因此選取制動踏板釋放延遲、響應(yīng)延遲和動力丟失等指標(biāo)以及加速度信號綜合評價(jià)車輛起步工況的動態(tài)性和駕駛舒適性，相關(guān)指標(biāo)見表1。

表1 駕駛性客觀評價(jià)指標(biāo)

1.2 起步工況指標(biāo)說明

用圖形展示表1 中的性能指標(biāo)，如圖1、圖2 所示。

圖1 踏板釋放延遲與車速變化關(guān)系

圖2 發(fā)動機(jī)轉(zhuǎn)速與加速度

客觀評價(jià)指標(biāo)的具體含義如下：1） 響應(yīng)延遲。響應(yīng)延遲是指油門踏板開度變化與速度變化之間的延遲時(shí)間，將踩下油門踏板至加速度達(dá)到1 m/s所經(jīng)歷的時(shí)間記為響應(yīng)延遲（越大表示車輛傳動效率越低，動態(tài)性不好），如公式（1）所示。2） 峰值加速度。峰值加速度是整個(gè)工況中加速度的最大值，如公式（2）所示。3） 最大變加速度。最大變加速度是加速度變化最大的位置，在圖2 中為加速度曲線斜率最大的點(diǎn)，如公式（3）所示。4） 加速度沖擊。加速度沖擊是給定區(qū)間加速度峰值與之后第一個(gè)波谷的加速度差值，如公式（4）所示。5） 加速度顛簸。將加速度達(dá)到峰值后的5 個(gè)加速度沖擊記為加速度顛簸。6） 加速度擾動。受外界因素的影響，汽車運(yùn)行過程中的加速度曲線會在理想范圍內(nèi)波動，加速度擾動采用平均值（）、均方根（）以及振動劑量值（）3 個(gè)指標(biāo)來表述。其中，平均值、均方根以及振動劑量值如公式（5）～公式（7）所示。7） 制動踏板釋放延遲。以完全釋放踏板為時(shí)間節(jié)點(diǎn)，將車輛加速度增量超過0.1 m/s所用的時(shí)間作為標(biāo)記，如果此時(shí)已超過0.1 m/s，則該項(xiàng)指標(biāo)記為0。8） 油門踏板響應(yīng)延遲。油門踏板響應(yīng)延遲是指油門踏板開度開始大于0%至車輛加速度高于1.0 m/s時(shí)所用的時(shí)間。9） 轉(zhuǎn)速正向超調(diào)量。轉(zhuǎn)速正向超調(diào)量是指在起步工況中發(fā)動機(jī)轉(zhuǎn)速的最大值與平穩(wěn)轉(zhuǎn)速的差值，正常起步過程超調(diào)量不宜過大。10） 動力丟失。動力丟失是指在油門開度變化的瞬間，因發(fā)動機(jī)進(jìn)氣量的改變而導(dǎo)致阻力增加，從而出現(xiàn)加速度突然下降的現(xiàn)象，并用踩下油門踏板前后加速度沖擊值來衡量。

式中：t為響應(yīng)延遲時(shí)間，s；t為加速度到達(dá)1 m/s的時(shí)刻，s；t為踩下油門踏板的時(shí)刻，s。

式中：為峰值加速度，m/s；為起步工況的時(shí)刻，s；為該時(shí)刻所對應(yīng)的車速，m/s。

式中：為最大變加速度，m/s；為起步工況的時(shí)刻，s；為該時(shí)刻所對應(yīng)的車輛加速度，m/s。

式中：Δ為加速度沖擊，m/s；為加速度峰值，m/s；a為對應(yīng)時(shí)間后加速度曲線的第一個(gè)波谷值，m/s。

式中：a為加速度平均值，m/s；a為第個(gè)加速度信號值，m/s；為加速度信號個(gè)數(shù)。

式中：a為均方根，m/s。

式中：a為振動劑量值，m/s。

2 駕駛性評價(jià)模型

2.1 神經(jīng)網(wǎng)絡(luò)類型選擇及原理

在評估車輛起步工況的駕駛性時(shí)，需要通過大量的試驗(yàn)數(shù)據(jù)尋找駕駛員主觀評價(jià)等級與汽車客觀工況指標(biāo)之間的聯(lián)系。神經(jīng)網(wǎng)絡(luò)系統(tǒng)在這方面具有突出的優(yōu)勢，當(dāng)處理2 個(gè)變量的關(guān)系時(shí)，可以通過大量的訓(xùn)練模型來構(gòu)建兩者的預(yù)測關(guān)系。由于BP 神經(jīng)網(wǎng)絡(luò)系統(tǒng)具有很強(qiáng)的映射關(guān)系，因此選用該系統(tǒng)來搭建起步工況的駕駛性評價(jià)模型。

BP 神經(jīng)網(wǎng)絡(luò)是一種信號向前傳遞、誤差反向傳遞的多層前饋網(wǎng)絡(luò)，主要包括輸入層、隱含層及輸出層。輸入信號經(jīng)過輸入層、隱含層以及輸出層的處理得到輸出值，與期望值進(jìn)比較，將得到的誤差反饋到每層，從而對系統(tǒng)進(jìn)行校正，其網(wǎng)絡(luò)拓?fù)鋱D如圖3 所示。

圖3 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D

2.2 駕駛性評價(jià)模型搭建

根據(jù)需求對已選取的BP 神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行設(shè)計(jì)，最終要確定神經(jīng)網(wǎng)絡(luò)的層數(shù)和節(jié)點(diǎn)數(shù)。神經(jīng)網(wǎng)絡(luò)的層數(shù)由隱藏層的數(shù)量決定，從理論上來說，層數(shù)越深其擬合效果越理想，但是層數(shù)過深就會存在過擬合和訓(xùn)練難度增加的缺點(diǎn)?？紤]駕駛性的主觀評價(jià)、客觀評價(jià)所涉及的變量個(gè)數(shù)有限，因此選用相對簡單的單隱含層設(shè)計(jì)。

由第2 節(jié)的9 個(gè)駕駛性的客觀評價(jià)指標(biāo)和1 個(gè)評分指標(biāo)可知，神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為9，輸出節(jié)點(diǎn)為1。同時(shí)，根據(jù)公式（8）可以得出最終的模型結(jié)構(gòu)為9-6-1。

式中：和分別為輸入節(jié)點(diǎn)數(shù)和輸出節(jié)點(diǎn)數(shù)；為隱含層節(jié)點(diǎn)數(shù)；為0～10 的常數(shù)。

利用MATLAB 軟件中的Neural Fitting 工具箱搭建駕駛性預(yù)測模型（并選用Levenberg-Marquardt 算法）。搭建的起步工況駕駛性評價(jià)預(yù)測模型流程如圖4 所示。

圖4 靜止起步工況駕駛性預(yù)測模型構(gòu)建流程

3 實(shí)車試驗(yàn)驗(yàn)證

3.1 駕駛性試驗(yàn)與數(shù)據(jù)采集

該試驗(yàn)選用某企業(yè)的3 款SUV 車型，分別為搭載CVT變速箱的V、搭載AT 變速箱的V以及搭載DCT 變速箱的V。每款車都是企業(yè)用于測試的車輛，并已過磨合期，各項(xiàng)指標(biāo)符合要求，如圖5 所示（通過AVL-Drive 數(shù)據(jù)采集儀收集實(shí)車試驗(yàn)所需的數(shù)據(jù)）。車輛在平直的公路上靜止，松開制動踏板時(shí)開展2 種試驗(yàn)：1） 以25%油門開度使車輛從0 km/h 加速到10 km/h 的穩(wěn)定車速。2）以50%油門開度使車輛從0 km/h 加速到10 km/h的穩(wěn)定車速。在松開制動踏板前開始采集數(shù)據(jù)（每輛車各140組原始數(shù)據(jù)，共計(jì)420 組原始數(shù)據(jù)）。

圖5 實(shí)車試驗(yàn)現(xiàn)場圖

3.2 預(yù)測模型訓(xùn)練

對420 組原始數(shù)據(jù)進(jìn)行整理，從而得到客觀評價(jià)指標(biāo)的量化值，并從每組數(shù)據(jù)中隨機(jī)選出100組數(shù)據(jù)用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方案?？紤]BP 神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)的相互影響，因此需要消除因量綱不同而帶來的實(shí)驗(yàn)結(jié)果的差異，該文選用歸一化的方式進(jìn)行處理，使各個(gè)指標(biāo)可以進(jìn)行加權(quán)等運(yùn)算，以對駕駛性進(jìn)行綜合評價(jià)。歸一化方法有最大最小法和平均數(shù)方差法，最大最小法的函數(shù)如公式（9）所示。

式中：為歸一化后數(shù)據(jù)；x為原始數(shù)據(jù)；為數(shù)據(jù)序列的最小值；為數(shù)據(jù)系列的最大值。

平均數(shù)方差法的函數(shù)如公式（10）所示。

式中：、、x和x分別為數(shù)據(jù)序列的最小值、最大值、平均值和方差。

將樣本數(shù)據(jù)按照14 ∶3 ∶3 的比例劃分為訓(xùn)練集、驗(yàn)證集以及測試集，并利用MATLAB 軟件中的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行模擬訓(xùn)練。在訓(xùn)練過程中，值的收斂情況如圖6 所示。預(yù)測模型一共訓(xùn)練了13 步，在訓(xùn)練過程中各數(shù)據(jù)集值均逐步降低，在第8 步值達(dá)到最低（0.003 039 6）。

圖6 起步工況模型訓(xùn)練過程loss 值收斂圖

求取2 個(gè)預(yù)測模型訓(xùn)練過程中各數(shù)據(jù)集預(yù)測值與真實(shí)值間的誤差，誤差分布情況如圖7 所示。

圖7 起步工況模型訓(xùn)練誤差分布圖

預(yù)測模型的誤差分布在-0.132 7～0.202 5，最小誤差絕對值為 0.008 459，最大負(fù)值誤差由訓(xùn)練集數(shù)據(jù)產(chǎn)生，最大正值誤差由訓(xùn)練集及驗(yàn)證集數(shù)據(jù)產(chǎn)生。由此可見，通過該模型進(jìn)行預(yù)測的誤差絕對值小于0.25，誤差表現(xiàn)良好。

用線性擬合方案探尋預(yù)測值與真實(shí)值之間的相關(guān)性，結(jié)果如圖8 所示。訓(xùn)練集、驗(yàn)證集、測試集以及總的相關(guān)系數(shù)分別為0.994 0、0.993 9、0.979 0 以及0.992 7。預(yù)測值與真實(shí)值間的相關(guān)系數(shù)大于0.95，說明預(yù)測值與真實(shí)值的結(jié)果相關(guān)度很高，預(yù)測值在一定程度上能反映真實(shí)值的大小。

圖8 起步工況模型訓(xùn)練各數(shù)據(jù)集線性相關(guān)度

3.3 預(yù)測模型準(zhǔn)確率驗(yàn)證

為了驗(yàn)證訓(xùn)練集測試的模型的準(zhǔn)確性，現(xiàn)從剩余的試驗(yàn)數(shù)據(jù)中選取20 組進(jìn)行驗(yàn)證試驗(yàn)。

為了驗(yàn)證加速工況中2 個(gè)預(yù)測模型在未知實(shí)際輸出值情況下的預(yù)測能力，在140 組數(shù)據(jù)集剩余的40 組數(shù)據(jù)中隨機(jī)選取20 組數(shù)據(jù)對模型進(jìn)行檢驗(yàn)，結(jié)果見表2。

由表2 可知，誤差最小值為第7 組的0.002，最大值為第5 組的0.440。美國駕駛性評分標(biāo)準(zhǔn)SAEJ1441 將駕駛性區(qū)分為5 個(gè)等級，見表3。

現(xiàn)以誤差小于0.5 作為合格率評定指標(biāo)，則該起步工況駕駛性評價(jià)預(yù)測模型的合格率為100%。表明對試驗(yàn)車輛起步工況來說，BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型有很高的精度，可以為駕駛性的主觀評價(jià)、客觀評價(jià)提供一種可靠的方法。

4 結(jié)語

該文對靜止起步工況中車輛運(yùn)行的各項(xiàng)速度、加速度以及延遲性等指標(biāo)進(jìn)行測定和分析，借助BP 神經(jīng)網(wǎng)絡(luò)強(qiáng)大的映射關(guān)系，將車輛的這些指標(biāo)作為衡量評判駕駛性的標(biāo)準(zhǔn)，以解決由駕駛性主觀評價(jià)所帶來的一致性差和難以復(fù)現(xiàn)的問題，并通過試驗(yàn)驗(yàn)證了模型的準(zhǔn)確性。但是由于所選車輛和所選工況的特殊性，因此不能保證該方案的全局適用性，還需要進(jìn)一步對預(yù)測模型的準(zhǔn)確率進(jìn)行驗(yàn)證。