基于神經網絡的車輛急加速工況駕駛性評價研究

莫易敏 胡恒 王駿 熊釗

（武漢理工大學，武漢 430070）

主題詞：駕駛性 主觀評價 客觀評價 BP神經網絡

1 前言

駕駛性是指車輛對駕駛員的相關操作所做出的動態響應，主要包含車輛在縱向直線行駛過程中的動態性和舒適性。目前，駕駛性評價分為主觀評價和客觀評價。主觀評價是由專業試駕工程師根據主觀感受對車輛的駕駛性表現進行打分，評分反映了駕駛員對目標車輛駕駛性的滿意度，但易受工程師喜好、環境、車內噪聲等諸多因素影響，導致其一致性較差，需由多名試駕工程師多次試驗才能得到較為準確的結果。客觀評價利用AVL-Drive等專業軟件采集車輛試驗數據，通過數據的后處理定量分析車輛的駕駛性表現，可為車輛的駕駛性優化提供重要的依據，但無法反映人的主觀感受。

在主觀評價研究中：楊家成等[1]提出了模糊層次與離散系數相結合的方法，定量地分析了不同試駕員的評價能力；Wi Hyoseong等[2]系統地分析了車內噪聲的變化對主觀評價的影響；Huang 等[3]基于主層次分析及改進的極限學習機理論構建了主觀評價預測模型，有效提高了主觀評價的準確性、穩定性及預測精度；劉普輝等[4]利用模糊層次分析法確定了各主觀評價指標間的權重分配。對于客觀評價：C.Jauch 等[5]以加速延遲、加速度沖擊（Kick）、加速度顛簸（Jerk）及加速度跳躍（Bump）作為評價指標，重點從加速度方面對混合動力汽車的部分工況進行了客觀評價分析；C.Shin 等[6]以加速延遲、加速度均方根、加速度振動劑量值等與行駛舒適性和換擋品質有關的5 個指標對混合動力車輛進行了駕駛性分析評價；黃偉等[7-8]對蠕行、起步工況的客觀評價體系及主客觀的相關性進行了研究；胡月等[9]從加速度和縱向沖擊度2 個方面對車輛的瞬態響應和縱向穩定性等方面進行了相關研究。

綜上，現有針對駕駛性評價的研究大多選用部分指標為依據，針對某種具體工況提出評價方法，鮮有學者進行主、客觀相關性研究，對駕駛性進行綜合評價。本文針對急加速工況，通過工況特性分析，構建客觀評價體系，然后使用BP神經網絡模型建立主、客觀評價間的映射關系，結合兩者優點解決主觀評價一致性差和客觀評價無法反映人體主觀感受的缺點。

2 急加速工況客觀評價方法

2.1 急加速工況分析及客觀評價指標確定

急加速（Tip in）工況是在駕駛員迅速踩下油門踏板至目標開度時，車輛在縱向所做出的響應，反映了車輛在負載突然變化時的反應能力。在該工況下，車輛的扭矩應快速上升以滿足所期望的動力響應[10]，但因車輛突然加速時的重心移動，導致前、后懸架分別處于拉伸和壓縮狀態，使得減振器對振動的吸收受到限制，而扭矩和轉速的快速上升所產生的振動對舒適性有較大影響。故在該工況下，除評估車輛的動態響應外，也應當考慮到過快的動力響應所帶來的舒適性問題。故從動態性和舒適性2個方面對車輛的駕駛性進行評估。

在動態行駛過程中，車輛的加速度和發動機扭矩的輸出水平決定了其加速性能的優劣。加速度、扭矩輸出及發動機轉速的平穩性影響著車輛在加速過程中的動力銜接平穩性，加速度過大會給人帶來不舒適的主觀感受[9]，扭矩輸出和發動機轉速不平穩造成的振動及乘員艙內的噪聲水平同樣對舒適性有著較大的影響。故從加速度、扭矩、發動機轉速及噪聲4 個方面來確定急加速工況的駕駛性客觀評價指標。從數據后處理的方便性、指標的可獲得性及代表性等方面考慮，確定的具體指標如表1所示。

2.2 急加速工況客觀評價指標說明

駕駛性客觀評價指標分別如圖1～圖3所示。

各項指標說明及計算公式如下：

a.響應延遲。用踩下油門踏板后，加速度增加0.5 m/s2所需的時間表示，反映了車輛加速度的響應情況，其表達式為：

式中，tresp為響應延遲時間；tr為加速度增加0.5 m/s2的時間；ts為踩下油門踏板的時間；te為工況結束時間。

表1 駕駛性客觀評價指標

圖1 加速度相關指標示意

圖2 扭矩相關指標示意

圖3 轉速相關指標示意

b.峰值加速度。指急加速工況下的加速度最大值：

式中，amax為峰值加速度；v為速度；t為時間。

c.最大變加速度。指加速度斜率的最大值，反映車輛加速度增加的快慢程度，與動態性正相關，與舒適性負相關，其表達式為：

式中，Jmax為最大加速度變化率；a為加速度。

d.加速度沖擊。用加速度達到峰值后與第1個波谷的差值表示：

式中，Δa為峰值加速度與第1個波谷的差值；at1為峰值加速度后加速度曲線第1個波谷值。

e.加速度顛簸。用峰值加速度后的5個加速度沖擊表示：

式中，Δai為第i個加速度沖擊；aci、ati分別為峰值加速度后加速度曲線第i個波峰、波谷值。

f.加速度擾動。指急踩油門踏板后的加速度擾動情況，使用加速度平均值amean、加速度均方根arms及加速度振動劑量值avdv表述：

g.動力丟失。指加速度在增大過程中，出現突然回落的現象，使用加速度差值表示：

式中，Δa′為動力丟失值；ac′、at′分別為事件開始到峰值加速度之間的加速度波峰、波谷值。

h.轉速振蕩。指在加速過程中，不因換擋而引起的轉速振蕩，使用轉速差Δe表示：

式中，ec、et分別為轉速在爬升過程中出現的局部波峰、波谷值。

i.扭矩水平。指從峰值扭矩開始至工況結束，車輛實際扭矩曲線與坐標軸所圍面積與期望扭矩和坐標軸所圍面積的比值，反映了車輛扭矩的輸出水平，比值越大表明動態性越好，實際扭矩T與期望扭矩Texp分別為：

式中，rdyn為車輪半徑；i為車輛總傳動比；Fw為行駛阻力，包含滾動阻力、空氣阻力和爬坡阻力；a為加速度；Km為質量修正系數；m為車輛質量；Tmax為扭矩最大值；b、c分別為與油門踏板開度和發動機轉速相關的修正系數，b,c∈[0,1]。

j.扭矩平滑度。即峰值扭矩后的5 個波峰、波谷的差值平均數與對應扭矩曲線段的平均值的比值：

語法即語言的法則。扎實的基礎語法知識對于學生準確理解文章中的長難句以及做好主觀卷中的語法填空、改錯題尤其是寫作是極其重要的。對于語法復習，我們將采用“思維導圖+重難點、考點突破+專項練習+閱讀分析+寫作運用”的復習方法對語法進行系統、全面的復習。要求學生通過思維導圖系統了解各個語法項目，掌握、落實和運用語法重點。教師幫助學生突破重難點、解決學生問題。教師分工收集和改編各個語法重點在近幾年高考題中的考查。試題講評過程中選擇性的讓學生分析長難句。同時教師在復習過程中要加強鍛煉學生將語法知識在英語寫作中的正確、靈活使用，為英語寫作增色、提分。

式中，Tsmt為扭矩平滑度；ΔTi(i=1,2,3,4,5)為峰值扭矩后，第i個扭力波峰、波谷差值。

k.噪聲大小。即急加速工況下乘員艙內噪聲水平。

最終構建起的急加速工況客觀評價方法如圖4所示。

圖4 急加速工況客觀評價方法

響應延遲、加速度沖擊、動力丟失、轉速振蕩4 個指標越小，峰值加速度、扭矩水平、最大變加速、扭矩平穩度4 個指標越大，表明車輛的動態性越好。最大變加速度、轉速振蕩、加速度擾動、加速度顛簸、噪聲大小5 個指標越小，扭矩平穩度越大，表明車輛的舒適性越好。

3 駕駛性主觀評分預測模型搭建

BP 神經網絡是一種信號前向傳遞、誤差反向傳遞的多層前饋神經網絡，具有很強的非線性映射能力。通過反向傳播預測值與期望值間的誤差，對各層的權值與閾值進行不斷調整，使得預測值不斷逼近期望值。結合駕駛性客觀評價指標與主觀評價之間為非線性關系以及沒有較明顯的對應關系的特點，本文采用BP 神經網絡模型搭建急加速工況下的駕駛性評分預測模型。

在不影響研究對象的前提下，為提高訓練速度，構建單隱含層神經網絡模型。首先針對車輛駕駛性中的動態性和舒適性分別搭建主觀評分預測模型。根據表1 中評價指標數量得到動態性預測模型輸入層節點數為8個，舒適性預測模型輸入層節點數為6個。各預測模型隱含層節點數p由經驗公式得出：

式中，n和m分別為輸入、輸出節點數；d為0～10范圍內的隨機數。

采用試湊法確定動態性預測模型隱含層節點數為5 個，舒適性預測模型隱含層節點數為4 個。最終動態性主觀評分預測模型（簡稱動態性預測模型）結構為8-5-1，舒適性主觀評分預測模型（簡稱舒適性預測模型）結構為6-4-1，拓撲結構分別如圖5、圖6所示。

圖5 動態性預測模型拓撲圖

圖6 舒適性預測模型拓撲圖

為簡化神經網絡模型搭建過程，使用MATLAB 中用于單隱含層神經網絡的Neural Net Fitting神經網絡工具箱進行動態性和舒適性預測模型的搭建，該工具箱激活函數為Sigmoid函數，其表達式為：

損失函數為均方誤差函數fMSE：

式中，yi、分別為樣本中第i個真實值與預測值，i=1,2,…,n。

訓練算法選用萊文伯格-馬夸特（Levenberg-Marquardt）算法。模型搭建完成后使用隨機初始化的方式初始化預測模型各權值與閾值。急加速工況駕駛性評價預測模型搭建流程如圖7所示。

圖7 急加速工況駕駛性預測模型構建流程

4 測試驗證

4.1 駕駛性試驗及數據采集

為使試驗數據及結果具有普遍性，本次試驗車輛在采用國內某主機廠搭配無級變速器（CVT）的車型V1的基礎上，加入了2 款分別搭載自動變速器（AT）和雙離合自動變速器（DCT）的對標車型V2 和V3，均為SUV車型，行駛里程均為2 000 km 左右，車輛狀態及各項指標良好，車輛按照最大裝載質量進行裝載，且質量分布均勻。試驗場地使用國內某主機廠封閉試驗場地。試驗環境為晴朗天氣、干燥路面，其余按GB/T 12534—1990《汽車道路試驗方法通則》執行。試驗設備為AVL-Drive數據采集儀，其中加速度信號由分別裝于懸架下擺臂的單軸傳感器、裝于駕駛位頭枕處的單軸傳感器及裝于副駕駛位滑軌末端的三軸傳感器采集，噪聲信號通過裝于駕駛位頭枕處的噪聲采集儀獲得，其余信號，如發動機轉速、車速及制動信號等通過CAN總線讀取。

為更好地反映車輛的真實運行情況，將急加速工況分為部分載荷工況和全載荷工況。部分載荷工況油門開度分別為25%、50%和75%，全載荷工況油門開度為100%。25%油門開度使用D 擋進行試驗，50%和75%油門開度分別使用D擋和S擋2種模式進行試驗，100%油門開度使用S擋進行試驗。試驗采用動態加速方式，車速達到10 km/h 時踩下油門踏板，車速提高20 km/h后松開油門踏板，待車速降低10 km/h 時，再次踩下油門踏板，車速提高20 km/h 后再次松開油門踏板，重復以上操作直至達到各油門開度下的最高車速或車速達到120 km/h。每個油門開度試驗進行2次，每次踩下油門踏板后試駕工程師對車輛的動態性和舒適性表現進行打分。最終，每輛車采集得到130 組原始數據，共得390組原始數據。

4.2 預測模型訓練

利用4.1 節中采集到的390 組原始數據計算2.2 節中的各指標，最終每輛試驗車型得到動態性及舒適性客觀指標集各130組，從各車型動態性和舒適性指標集中隨機選取100 組數據及對應主觀評分，組成分別包含300組數據的動態性數據集和舒適性數據集，對動態性預測模型和舒適性預測模型進行訓練。

為避免因輸入、輸出數據數量級差別較大而造成預測誤差較大的問題，首先進行數據預處理，進行數據歸一化，在數據輸出時對數據進行反歸一化后輸出。數據歸一化采用最大最小法，表達式為：

式中，xk(k=1,2,…,300)為第k個原始數據；xmin、xmax分別為數據序列的最小值、最大值。

因MATLAB Neural Fitting 神經網絡工具箱會對數據自動進行歸一化與反歸一化處理，可將各數據集直接導入預測模型對模型進行訓練。現按70%∶15%∶15%的比例將數據集劃分為訓練集、驗證集和測試集對動態性預測模型和舒適性預測模型進行訓練。

如圖8、圖9 所示，動態性預測模型共經歷25 次訓練，在第19 次時驗證集均方誤差達最低值0.030 552。舒適性主觀評分預測模型共經歷18 次迭代，在第12次時驗證集均方誤差達最低值0.060 637。為防止過擬合，在驗證集的均方誤差連續6 次增加后停止模型訓練。

圖8 動態性預測模型各數據集均方誤差收斂過程

對誤差進行絕對值化處理，如圖10、圖11 所示，動態性預測模型誤差值主要集中在0～0.3范圍內，舒適性預測模型誤差主要集中在0～0.4范圍內。以0.5作為閾值計算預測模型各數據集準確率。在動態性預測中，訓練集、驗證集誤差大于0.5的組數量均為1組，準確率分別為99.5%、97.8%，測試集所有誤差均小于0.5，準確率為100%。在舒適性預測模型中，訓練集、驗證集、測試集誤差大于0.5的分別有11組、1組、4組，準確率分別為94.76%、97.78%、91.11%。

圖9 舒適性預測模型各數據集均方誤差收斂過程

圖10 動態性預測模型各數據集誤差分布

圖11 舒適性預測模型各數據集誤差分布

如圖12 所示，動態性預測模型各數據集總相關性為0.926 33，其中訓練集相關性為0.933 34，驗證集相關性為0.904 36，測試集相關性為0.917 65。如圖13 所示，舒適性預測模型各數據集總相關性為0.932 97，其中訓練集相關性為0.937 74，驗證集相關性為0.928 28，測試集相關性為0.911 95。各數據集都有較強的相關性。

4.3 預測模型準確率驗證

為驗證預測模型在未知輸出情況下的準確率，從各車型剩余的30組動態性和舒適性指標數據中隨機選取20 組數據，組成動態性及舒適性預測模型準確率測試數據集，對動態性及舒適性預測模型分別進行測試，測試誤差結果如表2所示。

圖12 動態性預測模型各數據集相關性

圖13 舒適性預測模型各數據集相關性

由表2 可知，各車輛動態性預測誤差最大值為0.555，最小值為0.010，舒適性預測誤差最大值為0.632，最小值為0。

在車輛主觀評分分級中，SAE J1441 規定，以10 分為總分，按每2分一級，將車輛主觀評分等級劃分為5個等級，如表3所示。

根據SAE J1441 評分標準，以誤差小于0.5 作為駕駛性預測模型的合格標準，得到各車輛動態性和舒適性的預測模型的合格率如表4所示。

由表4 可知，所有預測合格率均達到95%以上，表明該基于神經網絡的駕駛性預測模型有較好的預測效果。綜上，本文所搭建的駕駛性預測模型有著良好的預測精度，為搭建駕駛性的主、客觀評價間的關系提供了一種較為可靠的方法。同時，該方法可推廣至其他工況的駕駛性評價中。

表2 動態性及舒適性神經網絡測試誤差

表3 SAE J1441主觀評分標準 分

表4 駕駛性預測模型合格率

5 結束語

本文通過對車輛的急加速工況特征進行分析，從加速度、扭矩、轉速及噪聲4 個方面選定駕駛性客觀評價指標，然后利用BP 神經網絡構建了駕駛性主觀評分預測模型，通過試驗驗證了預測模型的準確率在95%以上。本文建立了主、客觀評價間的映射關系，有效解決了主觀評價一致性不高及客觀評價無法反映人的主觀感受的問題，但所選試驗車輛皆為SUV車型，在其他類型車輛及其他工況下，預測模型的準確率還待進一步驗證。