基于BP神經網絡的自動擋汽車換擋規律優化研究

錢天宇，馬朝永

（100124 北京市 北京工業大學 材料與制造學部先進制造技術北京市重點實驗室）

0 引言

近年來，我國汽車消費規模不斷壯大，汽車產銷量已經連續11 年穩居世界首位。截止2019年底，全國汽車保有量達2.6 億輛，與2018 年底相比增加2 122 萬輛，增8.83%。而隨著2020 年初新冠疫情的蔓延，越來越多的人選擇私家車出行，可以預見，我國汽車市場將會進一步擴大。數據顯示，2020 年末，我國汽車保有量將有望超越美國。而汽車保有量的增大會不可避免地帶來能源消耗與排放污染等問題，再加上人們日益覺醒的環保意識，降低能源消耗已從被動變為主動行為，越來越多的人將一款車的燃油經濟性指標作為選擇車輛的重要依據。

隨著汽車工業的發展，自動擋汽車順利完成了逆襲之路。雖然起步晚，但是目前市場上的占有率已經超過了一半。自動變速箱分為CVT，DCT，AT，AMT 等，而換擋規律作為自動變速器的重要特性之一，對整車燃油經濟性的好壞影響很大[1]。換擋規律按照換擋的控制參數多少可分為單參數、雙參數、三參數以及四參數換擋規律[2]。雙參數是目前主機廠普遍采用的基于車速和油門開度為控制參數的換擋規律，有穩定可靠和實現簡單的特點。目前，對于更多參數換擋規律僅局限于工程車輛理論研究方面[3]，而神經網絡作為一種智能算法，可以逼近多個輸入輸出參數函數，其網絡自身具有非線性、容錯性和魯棒性等特點，適用于換擋規律的編制與開發。

本文采用經BP 神經網絡優化的換擋規律，通過AVL Cruise 與MATLAB/Simulink 進行聯合仿真[4]。經仿真分析結果表明，該方法能夠對換擋規律進行優化，實現整車燃油消耗量降低的目標。

1 BP 神經網絡原理與訓練

1.1 BP 神經網絡原理

BP 神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡[5]，能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層地反傳下去，就獲得了所有其他各層的誤差估計。通過反向傳播來不斷調整網絡的權值和閾值[6]，使網絡的誤差平方和最小，具有自學習和推廣概括能力，是目前應用最廣泛的神經網絡模型之一，非常適合整車參數與循環工況下實時擋位之間非線性關系即換擋規律的預測[7]。然而，BP 神經網絡存在易陷入局部極值、初始化權值和閾值隨機性、穩定性差、隱含層的層數過多會導致網絡收斂緩慢甚至不能收斂等缺點。理論上，1 個S 型隱含層加上1 個線性輸出層的3 層BP 網絡，能夠逼近任何函數[8]。所以，本文使用的BP 神經網絡為3 層神經網絡結構，包括輸入層，隱含層和輸出層，其基本結構如圖1 所示。輸出層采用發動機轉速、發動機扭矩、車速、油門開度和渦輪轉速作為輸入向量，因此，BP 神經網絡輸入層有5 個節點。輸出層節點數為1，輸出實時擋位。

圖1 BP 神經網絡基本結構Fig.1 Basic structure of BP neural network

隱含層節點數根據柯爾莫哥諾夫定理確定[9]:

式中：H——隱含層節點數；R——輸入層節點數，取R=5。計算得H=11。

1.2 神經網絡訓練

本文訓練樣本為與下文仿真車型參數一致的某款汽車在進行試驗采集獲得，如圖2 所示。

圖2 轉鼓試驗臺數據Fig.2 Test bench data

首先將訓練樣本進行歸一化[10]。歸一化指的是將原始輸入數據通過函數映射到一個較為集中的區間，常見的區間如[-1，1]、[0，1]。歸一化可以加快收斂速度，防止較小數據的影響因子被較大數據覆蓋掉。由于本文采用的激活函數為S形函數，S 形激活函數在(0，1)區間以外區域很平緩，區分度太小。所以有必要歸一化處理。歸一化變換式如下：

式中：y——變換后輸出數據；x——原始輸入數據；max——原始輸入最大數據；min——原始輸入最小數據。

將處理好的訓練數據作為訓練樣本。為防止出現擬合不完全過早終止循環，導致輸出誤差過大和網絡訓練誤差太小的過擬合兩種情況，設定期望輸出誤差定為0.005，同時，設置上文計算出的隱含層節點數，將訓練樣本的85%作為訓練組，10%作為驗證組，剩余的5%作為試驗組。其中，BP 神經網絡隱含層的激活函數選擇tansig函數，輸出層的激活函數選擇purelin 函數,訓練函數選擇trainlm 函數。訓練網絡，訓練流程如圖3 所示。最優平均方差出現在第13 次迭代，為0.004 97，如圖4 所示。低于前文設定的期望輸出誤差，精度滿足要求。

圖3 BP 神經網絡訓練流程圖Fig.3 BP neural network training flowchart

圖4 最優平方差迭代曲線Fig.4 Optimal square difference iteration curve

2 AVL Cruise 整車模型

AVL Cruise 是用于研究行駛特性、燃油消耗與廢氣排放的高級仿真軟件。由于采用了模塊化的方法，可以自由建立任何一種配置的汽車模型，并且精密完善的算法程序保證了較快的運算速度。

本文通過AVL Cruise 軟件構建一款搭載AT變速箱的整車模型。該模型整車布置如圖5 所示，包括發動機、自動變速箱、駕駛員、控制策略等模塊，并且與MATLAB Simulink 進行聯合仿真。Simulink 可以將訓練好的神經網絡封裝成模塊，再編譯為DLL 模型。DLL 模型可以在Cruise 軟件中直接運行，無需打開MATLAB，仿真速度非常快，實現對目標車型擋位的實時控制。

圖5 整車模型Fig.5 Vehicle model

3 仿真與分析結果

本文采用WLTC 循環工況作為驗證工況。WLTC 工況復雜，考慮了低速、中速、高速、額外高速等工況，并且車輛最高速度、平均速度、最大加減速度以及加減速度幅度、測試行駛時間等，相對于NEDC 工況都有了較大提升，整體難度提升不少，更符合實際駕駛工況[11]。其工況曲線如圖6 所示

圖6 WLTC 工況曲線Fig.6 WLTC curve

經仿真分析，BP 神經網絡優化的換擋曲線可以使發動機轉速和扭矩運行在瞬時燃油消耗量較低的區域，最大瞬時燃油消耗量區域為15～20 kg/h，而優化前的換擋規律使車輛運行在20～25 kg/h 的區域，如圖7 所示。WLTC 循環百公里燃油消耗量從優化之前的1.7 kg，降低到1.62 kg，整車燃油經濟性提高4.7%，如圖8 所示。

圖7 優化前后發動機工作區間Fig.7 Engine work area before and after optimization

圖8 整車累計燃油消耗量曲線Fig.8 Vehicle cumulative fuel consumption curve

4 結語

本文以現有整車試驗數據作為訓練樣本，對BP 神經網絡進行訓練，得到滿足誤差要求的輸出參數即實時擋位。通過AVL Cruise 與MATLAB Simulink 聯合仿真，分析了WLTC 典型工況下的整車燃油經濟性。經分析，通過該方法優化的換擋規律可以使發動機運行在更加經濟性的工況區間，有效降低了整車燃油消耗，提高了整車燃油經濟性，在整車性能開發與換擋策略編制上具有一定的工程應用性。