基于數據驅動的汽車部件溫度預測模型研究

李淮，張曉東，張傳鴻，陳心欣，趙雪茹，揭敢新

基于數據驅動的汽車部件溫度預測模型研究

李淮1，張曉東1，張傳鴻2，陳心欣1，趙雪茹1，揭敢新1

（1.中國電器科學研究院股份有限公司，廣州 510663；2.南京航空航天大學，南京 210016）

基于某汽車在中國吐魯番地區自然暴露的部件溫度變化試驗數據，預測該車在美國鳳凰城地區氣象環境下的汽車部件溫度變化。把汽車部件的溫度作為輸出變量，提取影響汽車部件溫度變化的關鍵特征（試驗時間、大氣溫度、太陽輻照）作為輸入變量，同時運用公式對不同緯度地區部件受到的太陽輻照進行修正，以消除地理位置的影響。利用Python等軟件構建機器學習模型，用吐魯番試驗數據訓練模型，然后預測該車部件在美國鳳凰城地區的溫度變化。梯度提升機模型具有良好的泛化能力和預測精度，其預測值與實際值的平均絕對誤差均在3.3°以內，擬合優度2均大于0.90。BP神經網絡和隨機森林算法模型也具有較好的預測精度。利用汽車在我國試驗站點進行的自然暴露試驗數據，可以預測該汽車部件在國外相似地區氣象條件下的溫度變化。該研究對于依據汽車部件在我國的自然暴露試驗結果預測其他國家相似地區自然環境下汽車部件的溫度變化具有一定的指導意義。

大數據分析；神經網絡；機器學習；汽車自然暴露試驗

隨著中國裝備“走出去戰略”的推進和中國產品全球化的實施，中國汽車走出國門的步伐已經勢不可擋。小汽車是非常便捷的通勤交通工具，在其生命周期內，會受到光（太陽輻射）、熱（高溫）、水（潮濕的空氣、雨水等）、空氣污染物質等各種環境因素的影響[1]，從而對汽車材料進行破壞，使其發生老化、腐蝕等現象，輕則影響汽車的感官品質及使用壽命，重則會導致汽車功能失效，甚至對車主的人身安全產生嚴重影響[2]。整車強化腐蝕試驗以及自然暴露試驗是驗證汽車耐候性設計，以及選用材料的耐候性性能是否達到設計要求的重要手段。整車強化腐蝕試驗是根據QCT 732—2005或GMW 8738—2005要求進行的，考察汽車金屬部件的抗腐蝕能力[3-6]，而整車自然暴露試驗不僅可以考察金屬部件及涂鍍層的抗腐蝕能力，同時也可檢驗非金屬材料的抗老化性能[7-10]。整車自然暴露試驗通常是根據GB/T 40512—2021[11]或QC/T 728—2005[12]的要求，把汽車靜置于干熱試驗場或是濕熱試驗場進行為期1～2 a的暴露試驗，最后以汽車部件的缺陷數量以及缺陷程度作為該車耐候性的評判指標[13]。

對于在國外進行自然暴露試驗必然會增加企業成本及時間，目前雖然數值仿真計算已經應用于汽車的整車溫度場以及車身內部的流場計算[14-18]，但是仿真計算需要準確預設出汽車部件的各項物理特性，否則仿真結果的誤差會很大，在現實使用過程中具有一定的局限性。因此，運用機器學習大數據分析手段來預測汽車自然暴露時的溫度變化對于汽車企業具有重要的意義。目前在各個領域的數據挖掘實踐中，機器學習算法模型已經是廣泛應用的手段之一，如在光伏發電功率預測[19]、高分子材料性能預測[20-21]上均有大量應用。本文以某型汽車整車在吐魯番的自然暴露試驗數據，預測在美國亞利桑那州鳳凰城地區自然暴露過程中部件的溫度變化。通過對多種機器學習模型的預測結果進行比對，結果表明，BP神經網絡模型、隨機森林和梯度提升機模型均具有良好的泛化能力和預測精度。本文研究對于依據我國地區自然暴露試驗結果，預估國外相似氣候地區環境下汽車外部件的溫度變化具有一定的指導意義。

1 整車自然暴露試驗

根據QC/T 728—2005的要求，將汽車整車置于工業產品環境適應性國家重點實驗室吐魯番干熱自然暴露試驗場以及美國亞利桑那州自然暴露試驗場內進行靜置暴露試驗，連續實時監測汽車典型零部件的表面溫度以及大氣環境參數，每5 min記錄1次數據。

2 數據預處理

2.1 相關性分析及特征選取

選取空氣溫度、大氣濕度、風速、太陽總輻照作為比較數列，參考數列分別取車頂中部外表面溫度、右外后視鏡殼上表面溫度、前保險杠中部（商標處）表面溫度。分別計算3個測點溫度與大氣環境的斯皮爾曼（Spearman）相關性系數，斯皮爾曼相關系數計算方法[22]為:

式中：為汽車部件溫度序列（參考數列）和特征序列（比較數列）的等級差數；表示序列個數。當|<0.3時，表示2數列是弱相關；當0.3<|<0.5時，表示低度相關；當0.5<|<0.8時，表示中度相關；當|>0.8時，表示高度相關。斯皮爾曼相關性結果如圖1所示。

由圖1可知，汽車部件表面溫度與大氣溫度和太陽總輻照的相關性最強，與風速的相關性最弱，而與大氣相對濕度有一定的相關性。考慮到異地之間的相對濕度可能有很大差異，如果把差異比較大的因子放入模型會導致模型的泛化性變差。因此，選取大氣溫度、汽車部件受到的太陽總輻照作為關鍵特征，不考慮相對濕度。

除了將大氣溫度和部件受到的太陽輻照作為關鍵特征外，另外再選取當地時間作為特征參數。把時間、日期、節氣等作為機器學習模型的特征參數[23]，在其他領域也有被廣泛應用。由于吐魯番數據記錄時用的是北京時間，需要把該時間轉換成地方時作為特征參數。將時間轉成地方時，主要是使得數據本身更具有規律性，因為地方時中午12點時，太陽在當地的經線上，太陽高度角最大。

將時間、大氣溫度、部件受到的太陽總輻照作為模型的輸入參數，汽車部件（車頂中部外表面、右外后視鏡殼上表面溫度和前保險杠中部商標處）表面溫度作為輸出參數。輸出參數為1個，對于3個部件分別建立3個模型進行預測。本文將吐魯番的數據集隨機抽取80%作為訓練集，其余20%作為驗證集，而美國亞利桑那州數據集作為測試集數據。

圖1 汽車部件溫度變化與氣象環境的斯皮爾曼相關系數

汽車部件受到的等效太陽輻照值的近似計算方法為：

式中：為太陽輻照計的測量值；為進行試驗地區的緯度；s為當日太陽直射點的地理緯度，且當試驗地區與當日太陽直射點位于同一半球時，s取值為負數，當試驗地區與當日太陽直射點位于不同半球時，S取值為正數；由于吐魯番和美國鳳凰城地區的緯度均大于北回歸線的緯度，因此為試驗地區當地時正午時刻的太陽高度角，本文利用Python的Pysolar庫中的Solar模塊計算吐魯番和美國鳳凰城2地每日正午時分（地方時）的高度角；n為太陽輻照計的測量平面與水平面之間的夾角，在測量地區位于北半球的情況下，輻照計朝正南傾斜時n取正值，朝正北傾斜時n取負值，南半球的情況下取值相反；car為部件表面監測點切面與南北（當地經線）方向之間的銳角夾角，在試驗地區位于北半球的情況下，car在所述表面監測點切面的外側（即表面監測點切面背向被測汽車部件的一側）面向南方和北方時，分別取正值和負值，南半球的情況下，取值相反。

2.2 數據歸一化

數據歸一化方法是機器學習模型在訓練和預測前對數據常做的一種處理手段，目的是消除各維度數據間數量級的差別，從而避免因為輸入輸出數據數量級差別較大而造成網絡預測誤差較大。數據歸一化主要有2種形式，分別為數據規范化和標準化[24-25]。

數據規范化是把所有數據轉化成0～1的值，其函數形式為：

式中：min、max分別為數列中的最小、最大數值。

數據標準化是移動其分布，使得數據的平均值為0，標準差為1。其函數形式為：

式中：mean為數列中的均值；var為數列的方差。

一般情況下，使用數據規范化進行數據預處理即可。如果每種特征數據的取值范圍差異很大，普遍的做法是對每個特征做數據標準化處理[26]。時間的取值范圍為0～24 h，大氣溫度取值范圍大致為?20～40 ℃，太陽輻照的取值范圍為0～1 400 W/(m2·s)。由于時間和大氣溫度的取值范圍與太陽輻照的取值范圍差異較為明顯，故本文采用標準化對數據進行歸一化處理。

3 構建模型

本節對汽車部件表面溫度變化構建預測模型，并用訓練集數據訓練模型，采用的機器學習模型分別為：BP神經網絡、梯度提升機和隨機森林。其中，BP神經網絡和隨機森林模型是利用Python軟件的Scikit-learn庫搭建，梯度提升機是通過Python的Xgboost庫搭建。使用訓練集數據進行模型訓練，通過對比不同超參數[27]模型下驗證集數據的性能優劣選取最優的模型，然后用訓練集和驗證集數據在選定的模型上重新訓練模型，以得出最終的預測模型，最后用測試集數據檢驗模型的預測性能。

3.1 BP神經網絡模型

BP神經網絡是信息從正向逐層向前進行傳遞，而誤差通過反向傳播回來的一種網絡結構。該神經網絡使用梯度下降法調整各層神經元的權重和偏置，從而達到網絡誤差縮小的目的[28-29]。根據Kolmogorov定理，一個3層BP神經網絡可以完成任意維空間到維空間的映射。本文神經網絡模型是利用Python 軟件的Scikit-learn模塊搭建的3層BP神經網絡，神經網絡的激活函數設置為Sigmoid函數，學習算法為“Adam”算法，最大迭代步數為1 000步，學習率設置為0.005。

隱含層神經元的個數對預測精度會產生較大影響，若神經元個數過多，會導致訓練時間增加，并且泛化能力降低；若神經元個數過少，網絡的學習能力下降，會導致訓練誤差增大。根據經驗公式確定神經元個數的大致范圍，最佳隱含層節點數的選擇參考式（5）、（6）[25,30]。

式中：為輸入層節點數；為輸出層節點數；為0～10的常數；為隱含層節點數。

隱含層節點數選取5～12個，分別對各項訓練集數據進行神經網絡訓練，然后查看驗證集的性能情況，性能以平均絕對誤差MAE作為評判，結果如圖2所示。從圖2可以看出，對于“車頂中部表面”“右外后視鏡殼上表面”和“前保險杠中部（商標處）表面”，當隱含層神經元個數分別為10、10、11時，神經網絡的預測性能最優。分別選取隱含層神經元個數為10、10、11，對上述部件構建3層BP神經網絡，網絡結構如圖3所示。將訓練集和驗證集數據帶入重新訓練模型，將訓練好的3個模型作為最終的預測模型。

圖2 隱含層節點數量對模型預測性能的影響

圖3 實際構建的BP神經網絡結構

3.2 梯度提升算法模型

梯度提升算法是在函數空間中進行最優函數的搜索。對于模型的損失函數[,()]，需要求解出最優的函數*()。以函數()作為一個整體，與梯度下降法的更新過程一致，經過次迭代后，得到最優的函數*()為：

這里的梯度變量是一個函數，更新函數通過當前函數的負梯度方向來修正模型，使模型更優，最后累加的模型為近似最優函數。本文的梯度提升機是通過Python的Xgboost庫搭建的，梯度提升樹設置為100個（n_estimator=100），最大樹深度為30（max_depth= 30），學習速率設為0.03（learning_rate=0.03），其他參數為默認值。

3.3 隨機森林模型

隨機森林的弱分類器使用的是分類回歸樹（CART），該算法是一個二叉樹，即每一個非葉節點只能引伸出2個分支。當數據集的因變量為連續性數值時，該樹算法就是一個回歸樹，可以用葉節點觀察的均值作為預測值；當數據集的因變量為離散型數值時，該樹算法就是一個分類樹，可以很好地解決分類問題。相較于決策樹，隨機森林的抗過擬合能力更強。本文隨機森林算法模型采用Python的Scikit-learn模塊搭建，模型由100棵二叉決策樹（CART）組合而成，CART沒有最大深度限制（max_depth=None），最大特征設置為總特征乘以0.8（max_features=0.8），其他參數為默認值。

4 預測結果分析

4.1 模型評估方法

評估模型的預測能力可通過2個方面進行判斷：一方面是預測值與實際值之間的距離，本文采用平均絕對誤差（MAE）MAE作為評價指標，該值越接近0，表示預測效果越好；另一方面是擬合優度2（即決定系數），該值越接近于1，表示預測效果越好，分別見式（8）和式（9）。

式中：表示實際值；mean表示實際值的平均值；表示預測值。

4.2 預測結果

將美國亞利桑那州試驗的數據集（測試集數據）分別代入訓練好的神經網絡模型中進行預測，結果如圖4所示。通過計算結果可以看出，對于3個部件的預測中，梯度提升機模型的預測結果最佳，神經網絡和隨機森林也有較好的預測結果。3個汽車部件對應的3個梯度提升機模型的平均絕對誤差分別為2.48、3.25、2.46，對應的擬合優度為：0.971、0.901、0.919。可以看出，該模型具有較高的預測精度，可以用該方法預測汽車部件在相似氣候地區環境下的溫度變化。因此，本文采用梯度提升機模型的預測結果進行詳細分析。

圖4 3種機器學習模型預測結果

梯度提升機模型對車頂中部外表面、右外后視鏡殼上表面、前保險杠中部表面（商標處）的溫度預測值與真實值對比分別如圖5—7所示。從圖5—7可以看出，3個部件溫度的預測誤差分布基本上呈現正態分布。車頂中部外表面溫度預測分布圖以0°誤差為對稱軸，絕大多數的誤差在?5°～+5°；右外后視鏡殼上表面溫度預測誤差分布圖基本上以?2°誤差為對稱軸，表明總體的預測值比實際值偏小，絕大多數的誤差在?5°～+13°，說明該部件的預測模型預測效果較差；前保險杠中部溫度預測誤差分布圖基本上以?1.5°誤差為對稱軸，表明總體的預測值比實際值偏小，絕大多數的誤差在?4°～+10°。

出現上述現象的原因是，車頂部位所在平面基本上與水平面平行，不會被遮擋，并且用式（2）對部件在不同地區受到的太陽輻照進行修正，使得模型能達到更好的預測能力。對于右外后視鏡殼部位和前保險杠中部位置，隨著太陽東起西落，個別時刻是照射不到太陽的，不同地區由于地理緯度不同，被太陽照射到的時間點不同，導致該部位的預測效果不如車頂部位。又由于式（2）對部件受到的太陽輻照修正并不完美，具有一定的極限性。因為只有當太陽位置處在當地經線上（當地時正午時刻）時，該公式的修正值是準確的，太陽位置偏離當地經線越大，該公式的計算誤差就會增大。考慮到汽車溫度主要受太陽輻照和空氣溫度的影響，并且正午太陽的輻照強度最大，用式（2）對部件受到的輻照進行修正具有現實意義。要更準確地計算出部件所受到的太陽輻照值，需要精確計算出當地太陽每時每刻的高度角和方位角，從而才可精確計算出每個時刻點部件所受到太陽輻照值。由于精確計算部件受到太陽輻照的成本較大，以及計算過程較為復雜，本文采用式（2）對部件受到輻照進行近似修正計算。

圖5 梯度提升機模型預測結果與真實值對比圖（車頂中部外表面）

Fig.5 Comparison between the prediction results of and the true value the gradient hoist model (outer surface of middle roof): a) comparison chart of some predicted value and true value; b) error distribution diagram

圖6 梯度提升機模型預測結果與真實值對比圖（右外后視鏡殼上表面）

圖7 梯度提升機模型預測結果與真實值對比（前保險杠中部表面）

5 結論

本文采用機器學習算法模型對整車大氣暴露試驗中汽車部件的溫度進行了預測，通過研究可得到如下結論：

1）通過選取時間、大氣溫度和汽車部件受到的太陽輻照值作為特征參數，采用BP神經網絡、梯度提升機、隨機森林等機器學習算法構建預測模型，均能達到較好的預測效果，其中梯度提升機模型的預測結果最佳。

2）利用式（2）修正后的汽車部件受到的太陽輻照值作為特征參數，可得到較好的預測效果。當太陽位置處在當地經線上（當地時正午時刻）時，該公式的修正值是準確的，太陽位置偏離當地經線越大，該公式的計算誤差就會增大。考慮到汽車溫度主要受太陽輻照和空氣溫度的影響，并且正午太陽的輻照強度最大，用式（2）對部件受到的輻照進行修正具有現實意義。

3）利用我國國內的試驗站點對汽車進行試驗，可以對國外相似地區氣象條件下的汽車部件溫度變化進行預測。

[1] 楊安志, 王文濤, 趙福全. 汽車氣候老化主要環境影響因素分析[J]. 環境技術, 2011, 36(6): 39-42.

YANG An-zhi, WANG Wen-tao, ZHAO Fu-quan. Analysis of Major Environmental Factors for Automotive Weather Aging[J]. Environmental Technology, 2011, 36(6): 39-42.

[2] 王劍. 汽車產品在典型自然環境下的老化行為與服役壽命預測研究[D]. 廣州: 廣東工業大學, 2018.

WANG Jian. Study on Aging Behavior and Service Life Prediction of Automotive Products under Typical Natural Environment[D]. Guangzhou: Guangdong University of Technology, 2018.

[3] 厲承龍. 乘用車強化腐蝕試驗及防腐措施[J]. 汽車工程師, 2015(2): 18-20.

LI Cheng-long. Vehicle Corrosion Test and Corrosion Protection Measures[J]. Auto Engineer, 2015(2): 18-20.

[4] 劉東儉. 整車腐蝕試驗及評價方法的研究[D]. 長春: 吉林大學, 2020.

LIU Dong-jian. Research on Vehicle Corrosion Test and Evaluation Method[D]. Changchun: Jilin University, 2020.

[5] 宛萍芳, 陳拯, 于金鑫, 等. 乘用車強化腐蝕試驗中劃線腐蝕問題的分析[J]. 汽車工藝與材料, 2010(10): 44-46.

WAN Ping-fang, CHEN Zheng, YU Jin-xin, et al. Analysis of Scribed Corrosion in Enhanced Corrosion Test of Passenger Cars[J]. Automobile Technology & Material, 2010(10): 44-46.

[6] 劉東儉, 沈玥, 朱淮烽. 整車強化腐蝕試驗轉場判定的方法[J]. 裝備環境工程, 2019, 16(8): 21-27.

LIU Dong-jian, SHEN Yue, ZHU Huai-feng. Evaluation Method for Test Ground Transferring of Vehicle Corrosion Test[J]. Equipment Environmental Engineering, 2019, 16(8): 21-27.

[7] 莊奕玲, 張齊健. 汽車涂層耐老化性能的研究[J]. 汽車技術, 2004(7): 26-30.

ZHUANG Yi-ling, ZHANG Qi-jian. Study on Ageing Resistance of Automotive Coat[J]. Automobile Technology, 2004(7): 26-30.

[8] 張春花. 汽車油漆涂層及塑料制件的老化性能評價方法[J]. 機電工程技術, 2010, 39(7): 57-58.

ZHANG Chun-hua. The Evaluation Method for Automotive Coating and Polymer Materials Product Aging Properties[J]. Mechanical & Electrical Engineering Technology, 2010, 39(7): 57-58.

[9] 顏景蓮, 王玲, 梁星才. 汽車用高分子材料的老化測試技術及進展[J]. 汽車工藝與材料, 2004(11): 29-32.

YAN Jing-lian, WANG Ling, LIANG Xing-cai. Aging Test Technology and Development of Automotive Macromolecule Materials[J]. Automobile Technology & Material, 2004(11): 29-32.

[10] 王俊, 揭敢新, 彭堅. 汽車保險杠用聚丙烯材料的老化研究[J]. 裝備環境工程, 2010, 7(3): 10-13.

WANG Jun, JIE Gan-xin, PENG Jian. Study on Aging of PP Materials for Auto Bumper[J]. Equipment Environmental Engineering, 2010, 7(3): 10-13.

[11] GB/T 40512—2021, 汽車整車大氣暴露試驗方法[S].

GB/T 40512—2021, Test Method of Exposure to Wearthering for Motor Vehicle[S].

[12] QC/T 728—2005, 汽車整車大氣暴露試驗方法[S].

QC/T 728—2005, Test Method of Exposure to Wearthering for Motor Vehicle[S].

[13] 王劍, 潘曉濤, 鄭俊, 等. 某車型在海南濕熱環境中的整車耐候性[J]. 腐蝕與防護, 2019, 40(2): 131-136.

WANG Jian, PAN Xiao-tao, ZHENG Jun, et al. Weather Resistance of a New Vehicle in Damp-Hot Environment of Hainan[J]. Corrosion & Protection, 2019, 40(2): 131-136.

[14] CHAKROUN W, AL-FAHED S. Thermal Comfort Analysis Inside a Car[J]. International Journal of Energy Research, 1997, 21(4): 327-340.

[15] SHOJAEE M H, TEHRANI F P H, NOORPOOR A R, et al. Analysis of Vehicle Passenger Compartment HVAC Using Simulation[C]//SAE Technical Paper Series. Warrendale: SAE International, 2004.

[16] CHIEN C H, JANG J Y, CHEN Y H, et al. 3-D Numerical and Experimental Analysis for Airflow within a Passenger Compartment[J]. International Journal of Automotive Technology, 2008, 9(4): 437-445.

[17] 李麗芬. 自然暴露下汽車乘員艙及內外部件熱負荷規律仿真與試驗研究[D]. 廣州: 華南理工大學, 2015.

LI Li-fen. Simulation and Experimental of Vehicle Cabin and Components Thermal Load under Natural Exposure[D]. Guangzhou: South China University of Technology, 2015.

[18] 陳吉清, 郭巧嫣, 李麗芬, 等. 老化試驗過程中汽車內外表面傳熱特性和溫度場變化的研究[J]. 汽車工程, 2015, 37(11): 1253-1259.

CHEN Ji-qing, GUO Qiao-yan, LI Li-fen, et al. A Research on the Heat Transfer Characteristics and Temperature Field Change of Vehicle Internal and External Surfaces during Ageing Test[J]. Automotive Engineering, 2015, 37(11): 1253-1259.

[19] LIU Lu-yao, ZHAO Yi, CHANG Dong-liang, et al. Prediction of Short-Term PV Power Output and Uncertainty Analysis[J]. Applied Energy, 2018, 228: 700-711.

[20] LIU Ting-li, LIU Lun-yang, CUI Feng-chao, et al. Predicting the Performance of Polyvinylidene Fluoride, Polyethersulfone and Polysulfone Filtration Membranes Using Machine Learning[J]. Journal of Materials Chemistry A, 2020, 8(41): 21862-21871.

[21] SUN Wen-bo, ZHENG Yu-jie, YANG Ke, et al. Machine Learning-Assisted Molecular Design and Efficiency Prediction for High-Performance Organic Photovoltaic Materials[J]. Science Advances, 2019, 5(11): eaay4275.

[22] 吳超勇. 大數據驅動的軸承壽命預測關鍵技術研究[D]. 武漢: 華中科技大學, 2017.

WU Chao-yong. Research on Key Technologies of Big Data-Driven Bearing Useful Life Prediction[D]. Wuhan: Huazhong University of Science and Technology, 2017.

[23] HAN Shuang, ZHANG Lu-na, LIU Yong-qian, et al. A Data Sample Division Method for Wind Power Prediction Based on China's 24 Solar Terms[J]. International Transactions on Electrical Energy Systems, 2020, 30(7): 834-851.

[24] TOMASZ D. 數據分析實戰[M]. 刁壽鈞譯. 北京: 機械工業出版社, 2018.

TOMASZ D. Practical Data Analysis Cookbook[M]. DIAO Shou-jun Translated. Beijing: China Machine Press,2018.

[25] 王小川, 史峰, 郁磊. MATLAB神經網絡43個案例分析[M]. 北京: 北京航空航天大學出版社, 2013.

WANG Xiao-chuan, SHI Feng, YU Lei. Analysis of 43 Cases of MATLAB Neural Network[M]. Beijing: Beijing University of Aeronautics & Astronautics Press, 2013.

[26] 弗朗索瓦·肖萊. Python深度學習[M]. 張亮譯. 北京: 人民郵電出版社, 2018.

CHOLLET Franc?ois. Deep Learning with Python[M]. ZHANG Liang Translated. Beijing: Posts & Telecom Press, 2018.

[27] 周志華. 機器學習[M]. 北京: 清華大學出版社, 2016.

ZHOU Zhi-hua. Machine Learning[M]. Beijing: Tsinghua University Press, 2016.

[28] TARIQ R. Python神經網絡編程[M]. 林賜譯. 北京: 人民郵電出版社, 2018.

TARIQ R. Make Your Own Neural Network[M]. LIN Ci Translated. Beijing: Posts & Telecom Press, 2018.

[29] LEWIS N D. Python深度學習[M]. 顓青山譯. 北京: 人民郵電出版社, 2018.

LEWIS N D. Deep Learning Step by Step with Python[M]. ZHUAN Qing-shan Translated. Beijing: Posts & Telecom Press, 2018.

[30] K?RKOVá V. Kolmogorov's Theorem and Multilayer Neural Networks[J]. Neural Networks, 1992, 5(3): 501-506.

Temperature Prediction Model of Auto Parts Based on Data Driven

LI Huai1, ZHANG Xiao-dong1, ZHANG Chuan-hong2, CHEN Xin-xin1, ZHAO Xue-ru1, JIE Gan-xin1

(1. China National Electric Apparatus Research Institute Co., Ltd, Guangzhou 510663, China; 2. Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China)

The work aims to predict the temperature changes of the parts of a car in the Phoenix area of the United States based on the test data of the temperature changes of the parts of the car naturally exposed in Turpan, China. With the temperature of the auto parts was taken as the output variable, the key features that affect the temperature changes of the auto parts (test time, atmospheric temperature, solar radiation) were extracted as the input variables. At the same time, a formula was used to correct the solar radiation of parts in different latitudes to eliminate the effects of geographic location.Software such as python were used to build a machine learning model. The test data in Turpan were used to train the model, and then the temperature change of the auto parts in the Phoenix area of the United States was predicted. The prediction results showed that the gradient boosting algorithm model had good generalization ability and prediction accuracy. The average absolute error between the predicted value and the actual value was within 3.3 degrees, and the goodness of fit R2was greater than 0.90. The BP neural network and random forest algorithm models also had good prediction accuracy. Using the natural exposure test data of a car at a test site in my country could predict the temperature changes of auto parts under the meteorological conditions in similar regions abroad. The research in this work has certain guiding significance for predicting the temperature changes of auto parts under the natural environment of similar regions in other countries based on the results of the natural exposure test of auto parts in China.

big data analysis; neural network; machine learning; outdoor exposure test of vehicle

2021-11-03；

2022-02-25

LI Huai (1984-), Male, Engineer, Research focus: automobile weatherability technology and machine learning algorithm.

李淮, 張曉東, 張傳鴻, 等. 基于數據驅動的汽車部件溫度預測模型研究[J]. 裝備環境工程, 2023, 20(2): 102-109.

U467.1+3

A

1672-9242(2023)02-0102-08

10.7643/ issn.1672-9242.2023.02.014

2021?11?03；

2022?02?25

李淮（1984—），男，工程師，主要研究方向為汽車耐候性技術及機器學習算法。

LI Huai, ZHANG Xiao-dong, ZHANG Chuan-hong, et al.Temperature Prediction Model of Auto Parts Based on Data Driven[J]. Equipment Environmental Engineering, 2023, 20(2): 102-109.

責任編輯：劉世忠