基于BP人工神經網絡的汽車整備質量預測方法研究

詹慶濤 莊蓓蕾 鄧世詢

摘 要：將汽車的重要參數如變速箱形式，驅動形式，車長，車寬，車高等作為影響因素，將汽車整備質量作為神經網絡的輸出，利用BP人工神經網絡預測模型來預測整車的整備質量，并對該模型的預測準確性進行檢驗。

關鍵詞：神經網絡;汽車;整備質量;預測準確性

1 引言

汽車整備質量作為汽車的重要參數，對汽車的排放，油耗及其他性能有重要影響。同時，重量是整車及零部件開發的重要性能輸入，合理設定整備質量目標可以避免零件過設計、節約物料成本，也能有效防止項目后期出現超出架構能力的問題。因此，建立高效準確的重量預測模型對于汽車前期的性能開發具有十分重要的意義。

整備質量預測的難點在于，車輛設計前期尚無實物車和數據模型可供測量，輸入項僅為有限的整車設計參數。這些設計參數如車型，軸距以及車的安全性要求等都會對整車重量產生影響，但如何根據這些參數和要求預測出汽車的重量，目前仍缺乏可靠研究。

因此，本文將對參與汽車重量預測的參數進行篩選，并通過有限的整車參數來建立整車重量模型。

2 研究現狀

眾所周知，預測是將現實問題數學化，通過恰當的數學模型對已知數據進行擬合，得到數據之間相應的數值映射關系，從而實現預測功能。常用的預測方法有多元線性回歸，克里金法，神經網絡模型等。

影響汽車整備質量的設計參數較多，且與整備質量之間不一定為線性關系，因此，本文擬選用神經網絡工具來建立汽車整備質量預測模型。

3 神經網絡簡介及應用

3.1 神經網絡簡介

神經網絡是具有高度非線性的超大規模連續時間動力系統，是由大量的處理單元（神經元）廣泛互連形成的網絡[1]。

在神經網絡中，每個神經元具有自己的閾值。每個神經元的輸入信號是所有與其相連的神經元的輸出信號和加權后的和，輸出信號是其凈輸入信號的非線性函數。如果輸入信號的加權集合高于其閾值，該神經元便被激活而輸出相應的值[2]。

作為應用最廣泛的神經網絡，BP神經網絡對復雜問題具有較強的回歸預測能力，在眾多汽車相關的領域內應用很廣，其預測結果也往往比傳統的多元線性回歸的方法更準確。所以，我們采用BP神經網絡進行預測。

BP神經網絡的特點是信號前向傳遞，誤差反向傳遞。在前向傳遞中，輸入信號從輸入層經隱含層處理，直至輸出層。每一層的神經元狀態只影響下一層神經元狀態[3]。

在BP神經網絡中，若輸出層得不到期望輸出，則轉入反向傳播，然后根據預測誤差調整網絡權值和閾值，以使預測不斷逼近期望輸出。

3.2 參數選擇

對于車輛參數的選取，我們選用了多個參數，如車長，輪胎規格等，并采用聚類分析的方法，對數據進行歸一化處理之后，利用SPSS軟件的樹狀圖工具對參數之間的關聯性進行了研究。研究結果如圖1所示：

由以上分析可知，設計參數中，變速箱形式，驅動形式，車長，車寬，車高，軸距，發動機功率，輪胎尺寸于汽車整備質量的關聯性較高，可作為作為神經網絡的輸入。

3.3 建立模型

利用Matlab軟件的建立BP神經網絡，將每組的11個參數作為樣本輸入，用對應的汽車整備質量作為樣本的輸出。為方便計算，用函數對輸入的參數作歸一化處理，以免在計算時產生溢出。

此函數具有單調遞增的特性，這樣既保證了樣本數據在0-1之間，又保證了它具有反函數，從而實現數據的回代，實現預測的目的。

建立BP神經網絡模型，取精度為0.0001，進行訓練（見表1）。

4 整備質量預測

訓練結束后，對該神經網絡的準確性進行檢測，選取K=1-39共39組數據進行檢測。

將以上39組汽車設計參數作為BP神經網絡的輸入，然后通過該模型計算出每組數據對應的重量，并與實際重量對比，計算出誤差百分比如表2所示。

對表2中的誤差百分比進行分析，得到平均相對誤差為3.35%，標準差為4.21%。

5 結論和展望

（1）用整車設計參數和汽車整備質量構造出BP神經網絡的輸入輸出模式，從而實現用神經網絡對受多因素影響的汽車整備質量進行預測的目的。

（2）從預測結果看，預測精度較好。該模型可作為汽車汽車整備質量預測的手段。

（3）本文對基于神經網絡的整車重量預測做了初步研究，未來可考慮進一步優化輸入參數的選擇以及擴大樣本量，以進一步提高預測精度。

參考文獻：

[1]袁泉.胡玉才.基于BP神經網絡的預測方法應用研究[J].農業系統科學與綜合研究. 1998.14（4）261-263.

[2]徐亞丹.王俊.基于BP人工神經網絡和尾氣分析的汽車故障診斷方法研究[J].內燃機工程.2006.2（1）：71-75.

[3]王小川.史峰 MATLAB神經網絡43個案例分析.北京航空航天大學出版社[M].2013.8：1-2.