基于BP神经网络的节能车弯道降速数学模型分析

姜长文 魏福龙 孙航 曾小华

摘 要：针对节能车为有效降低燃油消耗率，在整车经过弯道时，发动机需怠速滑行的特点，对GPS车载数据采集系统得到的数据进行弯道部分数据提取。基于提取出的北京金港国际赛车场150余组数据，通过引入BP神经网络算法的方式，建立了节能车弯道降速的BP神经网络预测模型。在经遗传算法优化后，拟合优度的结果显示，BP神经网络的预测较为接近真实情况，预测效果较为良好，可以用于节能车滑行过弯速度变化情况预测，并为不同赛道不同工况下整车速度分配提供参考依据。

关键词：节能车;神经网络;速度优化

中图分类号：U467  文献标识码：A  文章编号：1671-7988（2020）10-140-05

Curve Deceleration Analysis of Energy-saving Vehicle Based on BP NeuralNetwork Model^*

Jiang Changwen¹， Wei Fulong¹， Sun Hang¹， Zeng Xiaohua²

（1.School of Automotive Engineering， Jilin University， Jilin Changchun 130022;2.State Key laboratory of Automotive Simulation and Control， Jilin University， Jilin Changchun 130022）

Abstract： Aiming at the characteristic that the engine needs to idle in order to effectively reduce the fuel consumption rate of the energy-saving vehicle when the vehicle passes through the curve， the data obtained by the GPS vehicle data acquisition system are extracted from the curve parts. Based on over 150 sets of data extracted from Beijing Jingang International Circuit， a BP network prediction model of deceleration in the curve for energy-saving vehicle is established by employing the BP neural network algorithm. After optimized by genetic algorithm， the results of goodness of fit indicate that the prediction of BP neural network is relatively approximated to the reality， and the prediction effect relatively good. And the BP network model can be used for predicting the speed change for energy-saving vehicle sliding over curves， providing a reference basis for vehicle speed distribution at different situation on different racing tracks.

Keywords： Energy-saving vehicle; Neural network; Speed optimization

CLC NO.： U467  Document Code： A  Article ID： 1671-7988（2020）10-140-05

前言

本田节能车竞技大赛是由本田创始人本田宗一郎于1981年在日本首先创办的以提高能源利用效率，创造节约型社会为主题的社会活动，意在使参赛者通过亲自参与和体验创造的过程，共享Honda长期倡导的环保理念以及挑战精神，演绎节能对地球环保的重要意义，进而提高全社会的节能环保意识。

本田节能车分为燃油组和纯电动EV组，燃油组别由Honda统一提供125cc低油耗4沖程发动机，电动组别则使用大赛指定电池作为车辆唯一动力源，车身、车架均由参赛车队根据自己对汽车和环保的理解，独立设计、制作完成，在规定时间内跑完指定赛程，耗油或耗电最少者获胜。节能车省油的主要思路，与现在主流的汽车降低油耗的方向基本一致。刘章棋^[1]从整车车身，底盘的方向入手进行优化设计;李亚鹏^[2]以轻量化设计为目的对传动系统，转向系统，车壳进行改进;张天宇^[3]通过采用电控燃油喷射系统，优化发动机结构进而降低燃油消耗率。但是尚未有节能燃油车在行车速度分配策略相关的研究，仅在纯电动EV节能车赛事中，王雪^[4]进行了整车动力分配的相关研究，对全局进行了速度分配，但是没有对局部弯道深入探讨，由于直道速度下降和弯道速度下降相差较大，因此整体仿真效果并不理想。

本文所研究的对象是吉林大学肯赛车队参加本田中国节能竞技大赛的节能燃油原型车。对于燃油节能车，因为行驶时的阻力很小，使它保持一定速度巡航所需的动力也很小，即使是减小排量后的发动机，维持这样的速度它的动力也是富余，保持油门只能徒增油耗。那发动机的动力应该合理分配在什么赛道位置，由此引出比赛行驶整车速度分配策略的重要性。目前普遍采用直道部分加速，弯道部分发动机怠速滑行的行驶策略。然而赛车滑行过弯时不同的入弯速度，弯道半径，转弯角度都会对节能车出弯速度造成影响，因此构建弯道速度下降模型在满足最低限速的前提下能使节能车合理分配入弯速度，并且为纯燃油节能车局部速度变化情况方面研究填补空白，为全局合理分配速度奠定基础。

20世纪80年代以来，一些新颖的优化算法通过模拟揭示某些自然现象或过程。这些算法独特的优点和机制，引起国内外学者的重视与研究。由于智能优化算法有着良好的适应性，因此可以实现对普通算法的优化。遗传算法（Genetic Algorithm 简称GA）起源于对生物系统进行的计算机模拟研究，是由一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化算法。遗传算法的特点是：不依赖于梯度信息，不受目标函数连续可微的约束，可通过编码来实现任意设定其定义域。遗传算法搜索最优解的方法是仿照生物的进化过程，模拟了遗传和自然选择中发生的复制、交叉和变异等现象^[8]。它从代表问题可能潜在解集的一个种群开始，对种群反复进行选择、交叉以及变异操作，估计各个个体的适应值，根据“适者生存、优胜劣汰”的进化规则，使得群体向最优解的方向进化。

赵宏伟等^[9]用遗传算法优化神经网络的拓扑结构以及确定BP算法的相应参数，对遗传算法的编码方案作了改进。刘浩然等^[10]对遗传算法的选择算子进行改进，在最优保存策略的基础上将每代种群按照适应度由小到大排序。遗传算法优化BP神经网络分为BP神经网络结构确定、遗传算法优化和BP神经网络预测3个部分^[11]。其中，BP神经网络结构确定部分根据拟合函数输入输出参数个数确定BP神经网络结构，进而确定遗传算法的个体的长度。遗传算法优化是指用遗传算法来优化BP神经网络的权值和阈值，种群中的每个个体都包含了一个网络所有权值和阀值，个体通过适应度函数计算个体适应度值^[12]。遗传算法通过选择、交叉和变异等操作找到最优适应度值对应个体。BP神经网络预测是指用遗传算法得到最优个体对应网络初始权值和阀值赋值，网络经训练后预测函数输出。近年来，以BP神经网络为代表的机器学习领域发展十分迅速，又开辟了许多数据处理的方法，这些方法在处理模糊数据等方面具有明显优势，并且适用于数量庞大，信息不明确的系统，这为预测节能车弯道降速的问题提供了新的解决思路。

本文基于北京金港国际赛车场150余组车载GPS数据，利用BP神经网络建立了节能赛车过弯滑行速度下降预测模型，经遗传算法对BP神经网络模型进行了优化，对模型准确性进行了判断，并进行了验证。验证结果证明该BP神經网络预测模型可以用于节能车弯道降速的预测，能够为赛车入弯速度提供指导依据。

1 节能车GPS数据采集以及提取

1.1 从GPS车载数据系统中抽取数据

节能车车载GPS系统可有效采集北京金港国际赛车场的赛车全程发动机转速（RPM），节能车车速（energy-saving vehicle）等参数。

将车载GPS系统中数据导出为Excel文件，并且按照对应关系导入MATLAB中，为整车GPS数据预处理做准备。

1.2 MATLAB数据预处理

该部分内容是对数据采集信号进行剔除异常点以及降噪，令缺失数据补齐，让数据趋势更加直观，提高精确度。图3为进行预处理后的效果，可以看出处理后的数据更加易于分析，图中可以看出，数采测量的加速度与速度对应关系符合趋势，与坡度角对应关系符合趋势，上述证明了经过预处理之后数据的可靠性，为BP神经网络的分析做好准备。

1.3 绘制赛道地图及地图拟合修正

该部分意义为重新确定赛道距离数据，让不同圈的多组数据能够对应在一起。图4为未处理图像，可见其不同圈的重叠性不够高，以此作为新的距离坐标的基准显然不合适，从图中能看出来，几组数据的赛道趋势相同，而起点和终点位置不同，因此需要重新编排它们的x，y坐标值，使各个圈赛道图尽量对应。为此首先剔除掉偏转角接近180度的点，然后寻找每一圈第一个急转弯以原型车行驶过程中车头距发车点偏转角度来确定新的距离坐标，并对数据进行同维化处理，最终对坐标值取平均值得到最终拟合的赛道，即图5，可见赛道重合度更高，此时采用不同场次的数据便也能统一在同一张地图中。

1.4 赛道弯直道划分处理

本文研究对象为弯道部分，因此需要将赛道进行合理划分，并将划分为弯道部分的数据提取出进行下一步的BP神经网络数学建模分析。图6中为直道部分，Ti为弯道部分，Ri为对应序号下Ti弯道的转弯半径，三项参数单位均为m。

在成功完成赛道划分后，最终提取出150组可使用的节能车弯道滑行速度变化数据。

2 BP神经网络处理

2.1 BP神经网络搭建

影响节能车弯道速度下降的因素有很多，是多元的非线性动态系统，如果应用简单物理模型和线性方法会具有一定的局限性，因此预测弯道速度变化情况需要找到能做到非线性拟合预测的方法^[5][6]。张宏^[7]等针对核桃壳破裂所需机械能易受核桃含水率、加载速度和体积级别等多种因素影响，提出一种核桃壳破裂功预测方法。BP神经网络具有很强的非线性拟合和预测处理能力。不需要了解弯道速度变化情况与众多影响因素之间的关系，也可以实现非线性映射，得到对弯道速度变化前后的预测。因此，利用BP神经网络对节能车弯道降速情况进行预估具有明显的优势。

对于节能车弯道滑行速度变化情况的主要影响因素为入弯速度，弯道半径，车头转过角度。将提取出的150组数据导入MATLAB中。将数据分为X，Y两组别。X组为节能车入弯速度，弯道半径，弯道转角，该次车辆行驶赛道弧长;Y组为实际测得节能车出弯速度。利用MATLAB中的BP神经网络工具箱可以建立本文研究的神经网络模型。将提取的150组数据作为计算样本，其中70%为训练集，15%为验证集，15%为测试集。

2.2 BP神经网络模型结果

共轭梯度法最初由Hesteness和Stiefel于1952年为求解线性方程组而提出的。后来，人们把这种方法用于求解无约束最优化问题，使之成为一种重要的最优化方法。

共轭梯度法的基本思想是把共轭性与最速下降方法相结合，利用已知点处的梯度构造一组共轭方向，并沿这组方向进行搜索，求出目标函数的极小点。根据共轭方向基本性质，这种方法具有二次终止性。使用BP神经网络算法中的量化共轭梯度法，对节能车出弯速度进行迭代寻优计算，最优均方误差出现的时间与对应的迭代次数如图7所示。由图中可知，最小均方误差出现在第47次迭代。依据第47次的迭代结果，得到了基于北京金港国际赛车场150组数据的节能车出弯速度预测模型。

2.3 使用遗传算法优化BP神经网络

使用遗传算法工具箱的函数^[13]对神经网络优化结果如下所示。图9和图10的信息显示，GA优化后的神经网络预测模型的最优均方误差出现在第35次迭代。最优均方误差从优化前的0.91139降低至0.005695，拟合优度在训练集，测试集以及全部数据集均比优化前更加接近1，说明拟合效果良好，即拟合值与真实值回归的完成度更高。由表2中数据对比可以判断，经遗传算法优化后，BP神经网络拟合优度得到了进一步的提高，节能车弯道降速模型的准确度得到了进一步的提升。

2.4 对GA优化后模型准确度进行验证

为了验证神经网络模型的准确性，使用广州肇庆国际赛车场采集的11组节能车弯道滑行速度下降数据进行分析，将预测输出值和实际输出值进行对比，对比结果如图11所示，由此可以看出，预测值与实际值比较接近。

为了确定预测值的准确性，对预测结果的拟合优度进行分析，本文BP神经网络数学模型的拟合优度为0.97723，因此可以充分说明该模型可以较为准确地预测节能车的出弯速度。

3 结论

针对有效提高竞技节能车的燃油消耗率问题，目前绝大多数的研究方向都集中于整车轻量化，降低整车风阻，采用电控燃油喷射系统精确调整喷油量等方面。而对于节能车如何合理地分配赛道速度以达到充分发挥车辆燃油经济性的问题，绝大多数参赛队伍依靠往年的数据总结成经验公式来进行预估判断。然而一旦赛道更替，经验公式的适用性能将大大缩水，本文利用BP神经网络构建节能车彎道滑行降速数学模型，有效地解决了经验公式适用性不强的问题，验证结果证明预测模型准确性较高，能够使赛车合理设置入弯速度。

参考文献

[1] 刘章棋，付龙虎，陈元富.本田节能竞技大赛燃油节能车优化设计[J].汽车实用技术，2019（14）：61-62+79.

[2] 李亚鹏.本田节能竞技大赛节能车设计与优化[J].科技资讯，2017，15（33）：82-83.

[3] 张天宇，候璞，李国帅，董策策，要志斌.基于节能竞技比赛的发动机节能技术研究[J].内燃机与配件，2018（05）：13-15.

[4] 王雪，王天利.节能赛车行车策略分析及动力匹配[J].计算机应用，2015，35（S1）：313-315+323.

[5] 卓金武.MATLAB在数学建模中的应用[M].北京航空航天大学出版社，2014.

[6] MATLAB中文论坛.MATLAB神经网络30个案例分析[M].北京：北京航空航天大学出版社，2010.4.

[7] 张宏，马岩，李勇，张锐利，张学军，张锐.基于遗传BP神经网络的核桃破裂功预测模型[J].农业工程学报，2014，30（18）：78-84.

[8] 王小平，曹立明.遗传算法[M].西安交通大学出版社，著， 2002.

[9] 赵宏伟，臧雪柏，王立江.用于神经网络结构优化的改进遗传算法[C].//中国计算机学会.计算机研究与发展第37卷增刊.2000： 244～248.

[10] 刘浩然，赵翠香，李轩，王艳霞，郭长江.一种基于改进遗传算法的神经网络优化算法研究[J].仪器仪表学报，2016，37（07）：1573- 1580.

[11] 郭强，赵晓华，孙亮.Matlab遗传算法工具箱的设计[J].北京工业大学学报，2001（03）：348-352.

[12] 殷铭，张兴华，戴先中.基于MATLAB的遗传算法实现[J].电子技术应用，2000，26（1）：9-11.DOI：10.3969/j.issn.0258-7998.2000.01. 003.

[13] 于玲，贾春强.Matlab遗传算法工具箱函数及应用实例[J].机械工程师，2004（11）：27-28.