BP網(wǎng)絡(luò)在ASM底盤(pán)測(cè)功機(jī)模型識(shí)別中的應(yīng)用

摘要：針對(duì)ASM測(cè)試系統(tǒng)用底盤(pán)測(cè)功機(jī)，提出一種應(yīng)用改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行模型識(shí)別及扭矩預(yù)估計(jì)的方法。根據(jù)試驗(yàn)數(shù)據(jù)，應(yīng)用該方法建立了底盤(pán)測(cè)功機(jī)轉(zhuǎn)矩的預(yù)估模型，并對(duì)其進(jìn)行了試驗(yàn)仿真，仿真結(jié)果表明：其建模過(guò)程簡(jiǎn)潔，數(shù)據(jù)擬合精度高。不僅如此，該方法對(duì)ASM測(cè)試系統(tǒng)的控制也具有一定的參考價(jià)值。

關(guān)鍵詞：底盤(pán)測(cè)功機(jī)；BP神經(jīng)網(wǎng)絡(luò)；扭矩估計(jì)；ASM

中圖分類號(hào)：TP393.03 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1005-2550（2011）02-0059-04

ASM Chassis Dynamometer Model Identification of Applied

Research Based on BP Neural Network

HU Jiu-qiang1，XIONG Jian-guo2，LUO Guo-xi2，LI Heng-bin2，JIN Sheng-sheng2

（1.Southwest Jiaotong University， Chengdu 610031， China；

2.Qinghai Communication Technical College， Xining 810003， China）

Abstract：Basing on the test systems of ASM chassis dynamometer， this paper put a improved methods of BP neural network which used to the model identification and torque estimating. According to the experimental data， the model identification of ASM chassis dynamometer is established， and the simulation of real test is going. The results indicate that the modeling process is concise， data fitting is accurate. Furthermore， the method has certain reference value for the control of ASM test system.

Key words：chassis dynamometer；BP neural network；torque estimates；ASM

我國(guó)采用ASM和VMAS工況法測(cè)試標(biāo)準(zhǔn)對(duì)在用車進(jìn)行污染物排放測(cè)試。在測(cè)試過(guò)程中，需要根據(jù)汽車運(yùn)行工況實(shí)時(shí)估計(jì)底盤(pán)測(cè)功機(jī)的輸出轉(zhuǎn)矩，這已成為ASM測(cè)試系統(tǒng)控制策略研究必須解決的基礎(chǔ)性問(wèn)題之一。建立既有一定精確度，又能滿足控制實(shí)時(shí)性及動(dòng)態(tài)性要求的測(cè)功機(jī)模型是解決這個(gè)問(wèn)題的主要途徑。因此，分析系統(tǒng)控制對(duì)象——風(fēng)冷式電渦流測(cè)功機(jī)模型的加載特性具有十分重要的意義。對(duì)于底盤(pán)測(cè)功機(jī)這樣一個(gè)非線性、非穩(wěn)定的復(fù)雜系統(tǒng)，選擇辨識(shí)方法獲得模型的結(jié)構(gòu)和模型參數(shù)是十分困難的。因此，有必要尋找一種成熟可行有效適用的方法來(lái)建立ASM測(cè)功機(jī)控制模型的特性關(guān)系。

人工神經(jīng)網(wǎng)絡(luò)（ANN）是在現(xiàn)代神經(jīng)科學(xué)成果基礎(chǔ)上發(fā)展起來(lái)的。采用BP算法的多層感知器是目前應(yīng)用最為廣泛的人工神經(jīng)網(wǎng)絡(luò)。其中應(yīng)用最多的是單隱層BP網(wǎng)絡(luò)，結(jié)構(gòu)如圖1所示。包括輸入層，隱層和輸出層，它具有較強(qiáng)的非線性映射能力、泛化能力和容錯(cuò)能力。因此，可以利用經(jīng)過(guò)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)來(lái)描述系統(tǒng)的模型，由此可以省去對(duì)系統(tǒng)建模這一環(huán)節(jié)，且可為后期的系統(tǒng)控制服務(wù)。鑒于電渦流測(cè)功機(jī)的特性特點(diǎn)，以及BP神經(jīng)網(wǎng)絡(luò)的優(yōu)異性能，本文分別采用了改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行試驗(yàn)研究。

1 BP網(wǎng)絡(luò)的改進(jìn)

1.1 缺陷

BP算法在實(shí)際應(yīng)用中仍暴露不少缺陷：

1）易形成局部極小而得不到全局收斂；

2）學(xué)習(xí)效率低，收斂速度慢；

3）隱節(jié)點(diǎn)的選取缺乏理論指導(dǎo)，往往根據(jù)經(jīng)驗(yàn)選擇；

4）訓(xùn)練學(xué)習(xí)時(shí)學(xué)習(xí)新樣本有遺忘舊樣本的趨勢(shì)。

1.2 改進(jìn)方法

針對(duì)以上問(wèn)題，國(guó)內(nèi)外已提出不少有效的改進(jìn)方法，而本文也將應(yīng)用這些改進(jìn)方法進(jìn)行研究與應(yīng)用。

1）增加動(dòng)量項(xiàng)

標(biāo)準(zhǔn)BP算法在調(diào)整權(quán)值時(shí)只按t時(shí)刻誤差的梯度方向調(diào)整，而沒(méi)有考慮t時(shí)刻前的梯度方向，從而使訓(xùn)練過(guò)程發(fā)生震蕩，收斂速度緩慢。為了提高訓(xùn)練速度，可以在權(quán)值調(diào)整公式中增加一動(dòng)量項(xiàng)，則含有動(dòng)量項(xiàng)的表達(dá)式為：

W（t）=X+W（T-1）（1）

可以看出，動(dòng)量項(xiàng)反映了以前積累的調(diào)整經(jīng)驗(yàn)，對(duì)t時(shí)刻的調(diào)整起了阻尼作用。

2）自適應(yīng)調(diào)節(jié)學(xué)習(xí)率

在標(biāo)準(zhǔn)BP算法中學(xué)習(xí)效率定為常數(shù)，然而在實(shí)際應(yīng)用中，很難確定一個(gè)從始至終都適合的最佳學(xué)習(xí)率。為了加快收斂過(guò)程，一個(gè)較好的思路就是自適應(yīng)改變學(xué)習(xí)效率。設(shè)一初始學(xué)習(xí)率，若經(jīng)過(guò)一批次權(quán)值調(diào)整后使得總誤差E總↑，則本次的調(diào)整無(wú)效，且（t+1）=（t）；若經(jīng)過(guò)一批次權(quán)值調(diào)整后使總誤差E總↓，則本次的調(diào)整有效，且（t+1）=（t）。

3）引入陡度因子

由誤差曲面可知，權(quán)值進(jìn)入平坦區(qū)的原因是神經(jīng)元輸出進(jìn)入了變換函數(shù)的飽和區(qū)。為了使其退出飽和區(qū)，就可以改變誤差函數(shù)的形狀，由此在原變換函數(shù)中引入一個(gè)陡度因子，通過(guò)調(diào)整的值即可：

Ok=（2）

4）增強(qiáng)型BP網(wǎng)絡(luò)模式

有文獻(xiàn)提出，在網(wǎng)絡(luò)的輸入端通過(guò)采用一組線性無(wú)關(guān)函數(shù)將原輸入樣本擴(kuò)展到多個(gè)獨(dú)立的新輸入樣本。因此，在沒(méi)有引入新的信息條件下，將低維模式變換到高維模式，增強(qiáng)了模式的表達(dá)，使原來(lái)在低維空間中的非線性問(wèn)題可以在高維空間中得到解決。其擬合精度是BP神經(jīng)網(wǎng)絡(luò)無(wú)法比擬的，并且可以有效地避免數(shù)據(jù)的過(guò)擬合，以及減少冗余，特別是對(duì)于測(cè)功機(jī)這種加載工作區(qū)間大，且能獲取的輸入樣本類型有限的情況。其結(jié)構(gòu)模型如圖2所示。

2 ASM測(cè)功機(jī)扭矩預(yù)估模型的建立

進(jìn)行底盤(pán)測(cè)功機(jī)扭矩預(yù)估建模，所需的網(wǎng)絡(luò)結(jié)構(gòu)為“多輸入—單輸出”，因此采用該結(jié)構(gòu)類型的BP網(wǎng)，并根據(jù)ASM測(cè)功機(jī)的特點(diǎn)，對(duì)傳統(tǒng)BP網(wǎng)絡(luò)進(jìn)行了改進(jìn)，采用增強(qiáng)型模式等改進(jìn)措施進(jìn)行相關(guān)試驗(yàn)仿真。

2.1 數(shù)據(jù)樣本的產(chǎn)生

根據(jù)測(cè)功機(jī)特點(diǎn)，選擇轉(zhuǎn)數(shù)n和電流I為輸入量，輸出量為扭矩T；即網(wǎng)絡(luò)的輸入為P=［n，T］，網(wǎng)絡(luò)的期望輸出為T(mén)。

2.2 數(shù)據(jù)的預(yù)處理

為了一開(kāi)始就使各變量的重要性處于同等地位，同時(shí)BP網(wǎng)絡(luò)輸出層使用S型激活函數(shù)，為避免原始樣本中各變量的數(shù)量級(jí)差別的影響，需在神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前先對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行歸一化處理，以提高網(wǎng)絡(luò)訓(xùn)練的效率，將樣本數(shù)據(jù)歸一化到［-1， 1］之間，歸一后的部分?jǐn)?shù)據(jù)樣本集如表1所示：

其算法原理為：

X=2（x-xmin）/（xmax-xmin）-1（3）

另外，在網(wǎng)絡(luò)的輸入端使用線性無(wú)關(guān)的增強(qiáng)模式，將低維模式變換到高維模式，增強(qiáng)了模式的表達(dá)，使原來(lái)在低維空間中的非線性問(wèn)題可以在高維空間中得到解決，其擬合精度是BP神經(jīng)網(wǎng)絡(luò)無(wú)法比擬的，并且可以有效地避免數(shù)據(jù)的過(guò)擬合，以及減少冗余，特別是對(duì)于測(cè)功機(jī)這種加載工作區(qū)間大，且能獲取的輸入樣本類型有限的情況。即采用［n，i］［n，i，n2，n*i，i2］模式。因此，輸入層神經(jīng)元選為5個(gè)分別對(duì)應(yīng)轉(zhuǎn)速n和轉(zhuǎn)矩T的增強(qiáng)模式，輸出層神經(jīng)元數(shù)目為1，對(duì)應(yīng)輸出扭矩T。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型的建立

對(duì)于所采用的BP神經(jīng)網(wǎng)絡(luò)，需選擇網(wǎng)絡(luò)的層數(shù)、隱含層的神經(jīng)元數(shù)目、訓(xùn)練精度以及輸入層與隱含層、隱含層與輸出層之間的傳遞函數(shù)等參數(shù)。

a）網(wǎng)絡(luò)層數(shù)

根據(jù)相關(guān)理論，具有單隱層的BP網(wǎng)絡(luò)就可以以任意精度逼近函數(shù)，所以在此選擇單隱層的BP網(wǎng)絡(luò)結(jié)構(gòu)。

b）隱含層神經(jīng)元數(shù)目

在層數(shù)確定時(shí)，神經(jīng)元數(shù)目太少或太多都會(huì)造成網(wǎng)絡(luò)的不適性，經(jīng)過(guò)試驗(yàn)，本文選擇隱含層為11個(gè)神經(jīng)元較為合適。

c）訓(xùn)練精度

訓(xùn)練精度選擇過(guò)高或者過(guò)低都不合適，本文選擇訓(xùn)練精度為0.001。

d）傳遞函數(shù)

確定輸入層與隱含層，隱含層與輸出層之間的傳遞函數(shù)均選用單極性tansig函數(shù)。因此，最終BP網(wǎng)絡(luò)設(shè)計(jì)為：

net=newff（threshold，［n，1］，{'tansig'，'tansig'}，'trainlm'）；

net.trainParam.epochs=500；

net.trainParam.goal=0.001；

LP.lr=0.1；

3 實(shí)驗(yàn)仿真與結(jié)果分析

根據(jù)以上分析建立了改進(jìn)型BP網(wǎng)絡(luò)，將一部分試驗(yàn)數(shù)據(jù)用來(lái)訓(xùn)練該BP網(wǎng)絡(luò)，而將另一部分?jǐn)?shù)據(jù)用來(lái)仿真，預(yù)測(cè)其輸出，訓(xùn)練參數(shù)及訓(xùn)練代碼如下：

net.trainParam.epochs=500；

net.trainParam.goal=0.001；

net=init（net）；

net=train（net，P_train，T_train）；

其中，變量P_train和T_train分別為BP網(wǎng)絡(luò)的輸入向量和目標(biāo)向量，其訓(xùn)練誤差曲線如圖3所示。

從圖3可以看出：BP網(wǎng)絡(luò)經(jīng)過(guò)41步后，網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到要求，且收斂速度較快。現(xiàn)在用測(cè)試數(shù)據(jù)進(jìn)行轉(zhuǎn)矩預(yù)測(cè)，測(cè)試代碼及誤差計(jì)算公式代碼如下：

Temp=sim（net，P_test）；

絕對(duì)誤差：error_j（1，：）=Temp（1，：）-T_test（1，：）；

相對(duì)誤差：for j=1：m（2）

error_x（1，j）=（（Temp（1，j）-T_test（1，j））/T_test（1，j））*100

end

預(yù)測(cè)結(jié)果及誤差分布如圖4和圖5所示。擬合曲線為試驗(yàn)測(cè)得數(shù)據(jù)。“+”為網(wǎng)絡(luò)預(yù)估值，且都以歸一化后的數(shù)據(jù)形式表示。

從圖4預(yù)估結(jié)果可以看出，模型預(yù)測(cè)輸出點(diǎn)都非常接近擬合曲線，模型預(yù)估效果比較好。由圖5誤差分布可以看出，采用改進(jìn)BP網(wǎng)絡(luò)預(yù)估的輸出扭矩與試驗(yàn)實(shí)測(cè)的數(shù)據(jù)的誤差控制在8%內(nèi)，而且大部分誤差控制在5%之內(nèi)。由此，從試驗(yàn)和仿真結(jié)果可以看出：利用改進(jìn)型BP網(wǎng)絡(luò)進(jìn)行模型識(shí)別和仿真，其建模過(guò)程簡(jiǎn)潔，數(shù)據(jù)擬合精度高，模型的扭矩預(yù)估也具有一定的精確度。

4 結(jié)束語(yǔ)

本文應(yīng)用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)底盤(pán)測(cè)功機(jī)進(jìn)行了建模及轉(zhuǎn)矩預(yù)估計(jì)。由于采用了改進(jìn)型BP網(wǎng)絡(luò)，因而在一定程度上克服了傳統(tǒng)BP網(wǎng)絡(luò)的過(guò)擬合現(xiàn)象，提高了網(wǎng)絡(luò)的效率及輸出數(shù)據(jù)的精度。試驗(yàn)結(jié)果表明，其建模過(guò)程簡(jiǎn)潔，數(shù)據(jù)擬合精度高，模型的扭矩預(yù)估也具有一定的精確度。其主要優(yōu)點(diǎn)是無(wú)需考慮具體的數(shù)學(xué)模型。只要合理地設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并選擇正確的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，即可預(yù)估計(jì)其轉(zhuǎn)矩，且對(duì)同類問(wèn)題也具有一定的參考價(jià)值。不僅如此，該方法對(duì)ASM測(cè)試系統(tǒng)的控制，如基于神經(jīng)網(wǎng)絡(luò)的控制也具有一定的參考價(jià)值。

參考文獻(xiàn)：

［1］ 吳曉剛，王旭東，余騰偉. 發(fā)動(dòng)機(jī)輸出轉(zhuǎn)矩的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)估計(jì)［J］. 電機(jī)與控制學(xué)報(bào)，2010，14（3）：105－108.

［2］ 閔永軍. 車輛排氣污染物測(cè)試技術(shù)研究與工程實(shí)現(xiàn)［D］. 南京：東南大學(xué)，2006.

［3］ 姚巍. 自行車機(jī)器人系統(tǒng)辨識(shí)及Matlab仿真［D］. 北京：北京郵電大學(xué)，2008.

［4］ 張介明.神經(jīng)網(wǎng)絡(luò)在發(fā)動(dòng)機(jī)試驗(yàn)數(shù)據(jù)擬合中的應(yīng)用［J］. 上海工程技術(shù)大學(xué)學(xué)報(bào)，1996，10（4）：58-61.

［5］ 杜常清，顏伏伍，嚴(yán)運(yùn)兵，等. 用于控制的發(fā)動(dòng)機(jī)轉(zhuǎn)矩估計(jì)方法研究［J］. 內(nèi)燃機(jī)學(xué)報(bào)，2008，26（5）：446－451.

［6］ 曾利權(quán)，陳曉偉，習(xí)綱. 用神經(jīng)網(wǎng)絡(luò)模擬內(nèi)燃機(jī)萬(wàn)有特性［J］. 內(nèi)燃機(jī)工程，1997，18（1）： 61-6.

［7］ 韓力群. 人工神經(jīng)網(wǎng)絡(luò)教程［M］. 北京郵電大學(xué)出版社，2006.