基于 BP神经网络的汽车内阻模型预测.pdfVIP

应用与试验 2014年第1期(第27卷，总第129期)·机械研究与应用 · 基于BP神经网络的汽车 内阻模型预测 朱佳葆 (上海交通大学 自动化系，上海 200030) 摘 要：分析 了利用BP神经网络方法改进传统滑行法测量车辆 内阻的可行性，并通过Matlab软件中的神经网络工具 箱nntool实现了该网络的设计、训练和结果对比，表明利用BP神经网络的方法预测不同条件下车辆内阻是满足工程 要求 的、 关键词：汽车 内阻；BP神经网络；nntool工具箱 中图分类号：TH11 文献标志码：A 文章编号：1007—4414(2014)0l一0090—03 BP NeuralNetworksin Vehicle-LOSSPredictionM odel ZHUJia—bao (ShanghaifiaotongUnersi~，Shanghai200030，China) Abstract：ThefeasibilityanalysisofBPNeuralNetworkswhichisusedtoimprovethevehicle—lossmeasurementisperformed inthispaper．ThroughthenntoolofMatlabsoftwaretofinishthenetworksdesign，trainingandresultanalysis，ithasbeen provedtomeettherequirementofproject． Keywords：vehicle-loss；BPneur~ networks；nntoolGUI 1 引 言 2．2 前期样本收集 车辆道路阻力的模拟在汽车台架试验中有着非 车辆 内阻的大小受诸多条件的影响，主要因素有 常重要的作用，准确的车辆道路阻力模拟可以使台架 轮胎的花纹深浅、轮胎胎压、摩擦片磨损度、周围环境 试验的结果更趋近于实际道路行驶情况。车辆道路 温度 、车辆配载和传动系内阻等。根据研究 目标的不 阻力主要 由两部分构成：迎面风阻和车辆内阻(该文 同选择输人输出对阻力模型的构建效果有着较大的 所指车辆 内阻为传动系阻力与滚动阻力之和)，迎面 影响。本例中以新旧轮胎、高低胎压、不同程度的摩 风阻在汽车设计初期由外形所决定，而车辆内阻会随 擦片磨损和环境温度的改变进行交叉试验，在底盘测 不同的开发阶段车辆配置的改变而产生变化 。有限 功机上用滑行法结合在各种不同车速下测得滑行阻 的整车台架试验资源无法满足大量的车辆 内阻测试 力作为本次神经网络构建的输入输出训练样本。 需求，因此寻找一种建立阻力模型的方法，使之能较 2．3 神经网络训练原理 为准确的预估不同车辆状态下的车辆 内阻是解决上 BP网络是一种按误差逆传播算法训练的多层前 述问题的一种手段。 馈网络，是 目前应用最广泛的网络模型之一。它包含 2 车辆内阻模型预测 输入层、隐含层和输出层，隐含层可以为一层或多层， 2．1 国内外现状分析 每层上的神经元称为节点或单元。BP算法的实质是 目前国内外对车辆内阻中轮胎部分的研究有很 把一组样本输入输出问题转化为一个非线性优化问 多，通过有限元仿真、Yeoh材料模型、模态参数模型 题。BP算法是一个快速下降的方法，使用了最优化 和阻尼模型等等，对其基础力学特性作了细致的计算 方法中的梯