汽車運行狀態識別方法研究（二）——基于模糊神經網絡的識別方法

田 毅 張 欣 張 昕 張 良

1.裝甲兵工程學院，北京，100072 2.北京交通大學，北京，100044 3.酒泉衛星發射中心鐵路管理處，酒泉，732750

0 引言

目前，已有研究人員對汽車運行狀態識別進行了研究，但只是對有限的幾種典型運行工況進行識別，識別模型的準確度不高，而且也沒有針對我國汽車運行狀態識別進行實車實驗。

2002年，Lin等［1］以美國和韓國的6種典型運行工況來代表汽車的不同運行狀態，采用Hamming神經網絡建立了汽車運行狀態識別模型。2005年，Langari等［2］采用LVQ神經網絡對美國LOS的運行工況進行識別。在我國，2007年，羅玉濤等［3］采用“工況塊”的概念，將工況的平均行駛車速和行駛距離作為特征參數，通過模糊分類器對汽車運行工況進行了識別。2009年，周楠等［4］采用循環平均車速、循環行駛平均車速等10個參數，采用簡單神經網絡對北京、紐約、長春、上海等地汽車運行工況進行了識別，并建立了一個基于工況識別的自適應能量管理算法。2009年，Zhang等［5］采用18個參數，建立了基于SVM的汽車運行狀態識別模型，對我國上海和廣州的運行工況進行了識別。2010年，田毅等［6］采用13個參數，建立了基于模糊神經網絡的汽車運行狀態識別模型，對不同敏感性參數的汽車運行工況進行了識別，但是其輸入參數選擇過多，而且沒有對汽車實際運行車速進行識別。

本文采用文獻［7］中選擇出的汽車運行狀態特征參數最優子集，共8個參數，針對我國汽車運行狀態，建立一個基于模糊神經網絡的汽車運行狀態識別模型，并通過實車實驗對模型進行了驗證。

1 汽車運行狀態特征參數統計分析

汽車運行狀態特征參數最優子集中的8個參數如表1所示［7］。

表1 汽車運行狀態特征參數的特征參數最優子集

表1中，r1、r2為有關減速度的特征參數之間的邊界，r1＝-0.6m／s2，r2＝ -0.96m／s2；a2為有關加速度的特征參數之間的邊界，a2＝1.03m／s2。

首先對汽車運行狀態特征參數樣本X′中的參數進行歸一化處理，將數據控制在（0，1）范圍內，歸一化公式為

式中，xkn為第k個樣本中第n個參數歸一化后的結果；X′kn為第k個樣本中第n個參數；minX′n、maxX′n分別為樣本中第n個參數的最小值和最大值；m為樣本的數量。

繪制汽車運行狀態特征參數最優子集中各參數的統計直方圖并確定各參數的隸屬度函數。

圖9～圖12分別為運行狀態特征參數最優參數子集中波動參數部分參數N100s、LN100s在主干道和快速路上的直方圖。可以發現，N100s、LN100s在主干道和快速路上的分布雖然不夠集中，但還是可以用一個隸屬度函數表示的。

圖13～圖16分別為運行狀態特征參數最優參數子集中分段參數部分ηr1-r2、ηa3在主干道和快速路上的直方圖。由于ηr1-r2是指減速度小于r1大于r2的時間占總時間的百分比，ηa3是指加速度大于a2的時間占總時間的百分比，因此在測試樣本數據中，ηr1-r2、ηa3中具有大量的零點。在建立直方圖時，需要去除這些零點才能保證隸屬度函數的正確性。從圖13到圖16可以發現，ηr1-r2和ηa3在主干道和快速路上的分布也比較集中，可以采用一個隸屬度函數表示。

2 模糊神經網絡識別模型

神經網絡和模糊系統的研究有兩個共同之處：第一，神經網絡和模糊系統都可由給定的系統輸入輸出數據建立系統的非線性輸入輸出關系；第二，從數據處理的形式上看，它們均采用并行處理的結構。模糊神經網絡就是將模糊邏輯系統同神經網絡有機結合起來，匯集了神經網絡和模糊理論的優點，在模式識別方面有極強的優勢。

2.1 隸屬度函數

圖17 直方圖區域劃分示意圖

其他的運行狀態特征參數直方圖的分布都相對比較集中，都只用一個隸屬度函數進行表示。正態型隸屬度函數具有正態分布的特點，能夠很好地反映事物的分布特征。通過對汽車運行狀態的訓練樣本進行統計可以得到各特征參數的均值向量θi＝ （θi1，θi2，…，θi8）和方差向量σi＝ （σi1，σi2，…，σi8），其中，θin和σin（i＝1，2；n＝1，2，…，8）分別表示第n個特征在第i類狀態中的均值和方差。本文僅選用主干道和快速路兩種汽車運行狀態進行研究，隸屬度函數表示為

本文選用正態型隸屬度函數對輸入模糊神經網絡的任一待識別樣本進行模糊化處理。通過對測試樣本進行計算，可以得到基于模糊神經網絡的汽車運行狀態識別模型中的隸屬度函數的均值和方差。

2.2 網絡結構

模糊神經網絡是全部或部分采用模糊神經元所構成的一類可處理模糊信息的神經網絡系統。按照模糊對象不同可以分為輸入模糊、中間模糊和輸出模糊三種類型。輸入模糊是最常用的一種模糊神經網絡類型，具有結構簡單、推理方便、而且便于進行二次開發的特點。本文采用對輸入進行模糊處理的模糊神經網絡對汽車運行狀態進行識別，其網絡結構如圖18所示［6］。該模糊神經網絡結構共有4層：輸入層、模糊層、隱含層和輸出層。

第二層為模糊層，它的作用是計算各輸入分量屬于各模糊集合隸屬度函數的數值。不同模糊集合的隸屬度函數如式（2）所示，μ（k）in為計算得到模糊值。

圖18 模糊神經網絡結構圖

第三層是隱含層，其每個節點代表一個模糊規則，它的作用是用來匹配模糊規則的前件，計算出模糊規則的適應度，從模糊層得到輸入，并把結果輸出到輸出層，計算公式為

式中，ωin為權值；κin（x）為權值的模糊計算函數。

第四層是輸出層。輸出值的計算公式為

其中，fout為模糊函數計算結果，通過對比fout與閾值b，便可以得到汽車當前運行狀態。

3 汽車運行狀態識別結果及分析

本文中對北京、上海、廣州、武漢的主干道和快速路運行工況，以及北京主干道和快速路汽車實際運行車速進行識別，如圖19所示（識別出的汽車運行狀態為1表示主干道；為0表示快速路）。

從圖19可以得到，本文中建立的基于模糊神經網絡的汽車運行狀態識別模型對北京、上海、廣州、武漢的主干道和快速路典型運行工況，以及北京主干道和快速路汽車實際運行車速進行識別，識別結果基本正確，識別準確度為91.74%。在4個城市的典型運行工況識別結果中，只有北京市主干道運行工況中的574～744s時出現了錯誤，識別準確度為82.67%；其余運行工況的識別準確度為100%；在對北京市主干道和快速路汽車實際運行車速識別結果中也存在一些錯誤，總體錯誤時間為952s，識別準確度為89.08%，識別過程中的錯誤主要是由于識別模型的識別準確度沒有達到100%而造成的。

圖19 不同運行工況和車速曲線的識別結果

4 結語

本文針對不同汽車運行狀態特征參數的分布規律，進行了區域劃分，并選擇合理的隸屬度函數建立了一個基于模糊神經網絡的汽車運行狀態識別模型。通過對我國北京、上海、廣州、武漢的主干道和快速路的運行工況進行識別，說明本文建立的基于模糊神經網絡的汽車運行狀態識別模型具有很好的識別效果。

［1］Lin C，Jeon S，Peng H，et al.Driving Pattern Recognition for Control of Hybrid Electric Trucks［J］.Vehicle System Dynamics，2004，42（1／2）：41-57.

［2］Langari R，Won J S.Intelligent Energy Management Agent for a Parallel Hybrid Vehicle—Part I：System Architecture and Design of the Driving Situation Identification Process［J］.IEEE Transactions on Vehicular Technology，2005，54（3）：925-935.

［3］羅玉濤，胡紅斐，沈繼軍.混合動力電動汽車行駛工況分析與識別［J］.華南理工大學學報（自然科學版），2007，35（6）：8-13.Luo Yutao，Hu Hongfei，Shen Jijun.Analysis and Recognition of Running Cycles of Hybrid Electric Vehicle［J］.Journal of South China University of Technology（Natural Science Edition），2007，35（6）：8-13.

［4］周楠，王慶年，曾小華.基于工況識別的HEV自適應能量管理算法［J］.湖南大學學報（自然科學版），2009，36（9）：37-41.Zhou Nan，Wang Qingnian，Zeng Xiaohua.Adaptive HEV Energy Managemen Algorithms Based on Drivecycle Recognition［J］.Journal of Hunan University（Natural Sciences），2009，36（9）：37-41.

［5］Zhang Liang，Zhang Xin，Tian Yi，et al.Intelligent Energy Management for Parallel HEV Based on Driving Cycle Identification Using SVM［C］／／The Institution of Engineering and Technology，Proceedings of the 2009 International Workshop on Information Security and Application.Oulu：IWISA，2009：457-460.

［6］田毅，張欣，張昕，等.基于神經網絡工況識別的HEV模糊控制策略［J］.控制理論與應用，2011，28（3）：363-369.Tian Yi，Zhang Xin，Zhang Liang，et al.HEV Fuzzy Control Strategy Based on the Neural Network Identification of Driving Cycle［J］.Control Theory ＆Applications，2011，28（3）：363-369.

［7］田毅，張欣，張昕，等.汽車運行狀態識別方法研究（一）——特征參數選擇［J］.中國機械工程，2013，24（9）：1258-1263.Tian Yi，Zhang Xin，Zhang Xin，et al.The Research of Vehicle Driving Situation Identification（Ⅰ）——Driving Pattern Selection［J］.China Mechanical Engineering，2013，24（9）：1258-1263.