CN101118620A - 基于神经网络的车辆换档品质评价方法 - Google Patents

Abstract

本发明涉及一种基于神经网络(Neural Network)的车辆换档品质评价方法。包括有如下四个基本步骤：1)换档品质评价指标的确定；2)评价指标和主观评价等级的样本数据提取；3)神经网络训练；4)建立换档品质客观评价模型并实现客观评价。这种客观评价方法采用神经网络的模式识别与预测能力来完成。本发明能够有效客观地评价换档品质，具有很好的智能性和稳定性，并与主观评价结果具有很好的一致性。本发明可为提高车辆换档品质，构建换档品质动态综合评价体系提供指导与帮助，该行业的生产厂家和研究机构都可以使用本系统高效率地完成换档品质的评价任务。

Description

基于神经网络的车辆换档品质评价方法

技术领域

本发明涉及汽车传动技术领域中自动变速内容，以神经网络模型为内核，实现有级自动变速系统换档品质评价的方法，该方法也适用于评价车辆的行驶平顺性。

背景技术

长期以来，对换档品质的评价各个汽车厂家大多采用驾驶员满意程度为衡量标准的主观方法，即请一些受过专门训练的或有经验的驾驶员进行实时评定，通过试驾打分来评价一个系统换档平顺性的好坏。通常把评定等级定为1-10个级别来主观打分如表1。其中9以上为品质级，性能优越；6-8为商品级，可以被消费者接受；5以下为次品级，通常车辆会被返厂或被退货。

表1换档品质评价等级标准

评价等级	主观评价体系		退货？
				性能	反映
	10	优良				满意	不应因此退货
9
	8		好	基本满意	少数挑剔的购买者将退货
7
	6	良好				轻度不满
5			差	不满			多数购买者将退货
	4	绝大多数购买者将退货
3					恶劣	严重不满	所有购买者都将退货
	2
1

主观评价方法存在以下的缺点：

①不同驾驶者(年龄、性别、经验等)的驾驶经历、驾驶习惯和驾驶意图各不相同，评定等级受到测试者主观因素的限制，使得该方法的主观性太强；

②由于主观评价需要很多测试者，因此测试耗费的人力财力要多，延长了车辆开发周期，增加了开发成本；

③主观评价等级不确定，各个时期各个厂家不尽相同。

随着计算机技术和人工智能技术的迅猛发展，新技术为换档品质评价提供了新的技术和方法，为建立一套完整的换档品质客观综合评价体系提供了技术上的支持。

换档品质评价指标间的相关性因素很多，其复杂性，非线性使得人们难以建立客观的数学模型，使用原始的统计方法也很难达到目的。而神经网络在换档品质评价方法研究方面有着独特的优势，主要体现在：

①神经网络具有传统建模方法所不具备的很多优点，一般不必事先知道有关被建模对象的结构、参数和动态特性等方面的知识，只需给出对象的输入、输出数据，通过网络本身的学习功能就可以达到输入输出的映射关系。

②神经网络的自学习功能很好解决了评价指标多而繁杂这一问题，它可以将各类复杂的信息通过自学习而容于网络的权值之中，并通过不断的训练来建立主客观之间的联系，避开了特征因素与判别目标的复杂关系描述，特别是公式的表述。网络可以自学习和记忆各输入量和输出量之间的关系。

③在样本数据的采集过程中不可避免的要伴有伪数据的存在，神经网络的容错性对于解决噪声问题具有其独特的优势。

④容错能力强。由于网络的知识信息采用分布式存储，个别单元的所怀不会引起输出错误。这就使得预测或识别过程中容错能力强，可靠性高。

⑤预测或识别速度快。训练好的网络在对未知样本进行预测或识别时仅需要少量的加法和乘法，使得其运算速度明显快于其他方法。

⑥避开了特征因素与判别目标的复杂关系描述，特别是公式的表述。网络可以自己学习和记忆各输入量和输出量之间的关系。

因此，神经网络模型的特点正好适合于车辆换档品质评价方法的研究。

发明内容

本发明的目的是为了克服车辆换挡品质主观评价的不足，而提供一种基于神经网络的换档品质评价方法。该方法不仅具有很好的数值逼近性和稳定性，而且能科学有效地给出换档品质评定等级标准，随着大容量样本的训练，该方法与目前一直沿用的主观评价方法的评定结果具有很好的一致性。

本方法解决其技术问题所采用的技术方案是根据不同的车型，确定换档品质评价指标，利用神经网络训练获得的数据样本，从而建立主观、客观评价标准之间的联系；最后以训练好的神经网络模型为内核，建立换档品质客观评价模型并开发相应的客观评估软件。具体技术方案如下：

一种基于神经网络的车辆换档品质评价方法包括：

(1)对于不同的车型不同形式有级自动变速器：AT/AMT/DCT，视具体情况，确定换档品质评价指标，由受过专门训练的或有经验的驾驶员进行实时评定，通过试驾打分：1-10来评价换挡品质的好坏，收集并整理样本数据，样本数据包括换挡过程各个参数的变化和对应的主观评价等级；

(2)将已确定的换档品质评价指标作为输入向量，相应的主观评价等级作为目标向量，并对输入向量，目标向量进行归一化处理；

(3)将归一化处理后的数据样本写入特定的文件中，根据要求设计神经网络结构，对数据样本进行训练直至满足设定的误差精度，建立评价和预测模型；

(4)以训练好的神经网络评价和预测模型为内核，建立并生成换档品质客观评估软件系统；

(5)将采集到的实车数据输入到该系统，输出各工况换挡品质评定结果。

所说的换档品质客观评估软件系统中的换档品质客观评价模型是一个多输入单输出系统，换档品质评价等级R即网络的输出和评价指标即网络的输入的数学模型可以表示为：R＝f(a，j，t，Δn)，其中a表示换档时的加速度；j表示冲击度；t表示换档时间；Δn表示发动机转速波动量。对于不同的车型，视具体情况，还可以对上述影响因子做进一步调整，R＝f(a1，a2，a3，……)，其中a1，a2，a3为确定的换档品质影响因素。

本方法的有益效果是，实现如电控式机械自动变速器(AMT)、双离合器(DCT)等有级自动变速系统换档品质的客观评价，使得车辆换档品质的评价科学合理，评价结果具有较高的可信度，是车辆换档品质动态综合评价方法的必然趋势，有着广阔的开发和应用前景。

附图说明

下面结合附图及其具体实施例详细说明本发明。

图1是一个实施例的车辆换档品质客观评价程序流程图。

图2是一个实施例的神经网络内部结构图。

图3是一个实施例的换档品质客观评价模型。

图4是一个实施例的客观评价等级误差曲线。

具体实施方式

(1)换档品质评价指标的确定。换档品质量化评价指标很多，而且根据车型的不同所侧重的指标也不尽相同，对于一般的汽车需要侧重车辆的纵向加速度、冲击度(车辆纵向加速度变化率)、换档时间就够了；对于高档轿车还应考虑转速波动量、换档噪声、燃油、排放等指标；而对于赛车则更关注于换档时间，燃油和排放的权重相对较小。对于不同的车型，视具体情况，对评价指标做相应调整。

(2)从试验中获取样本数据，将已确定的换档品质评价指标作为输入向量，相应的主观评价等级作为目标向量；将采集的数据样本写入一个特定的程序中，并对输入向量，目标向量进行归一化处理，归一化范围及算法依输入输出具体情况而定。

(3)训练神经网络。根据要求设计神经网络结构，用步骤(2)得到的数据样本训练神经网络，并对训练好的神经网络系统进行测试。在网络训练过程中，系统根据训练进程显示网络的学习状态和训练误差值，达到指定的误差精度后停止，表示评价的预测模型已建好。

(4)该网络训练完成后，把训练好的神经网络存入系统的神经网络库中，建立换档品质客观评价模型，开发相应的评估软件。

(5)实现换档品质的客观评价，

由采集到的实车数据作为输入，可以输出评定等级结果。

举例说明：

该实施例以电控机械式自动变速(AMT)车辆作为换档品质评价对象，根据该车型确定换档品质的四个评价指标，即换档时加速度(a)、冲击度(j)、换档时间(t)、换档时发动机转速波动量(Δn)。

通过试验数据采集仪器和安装相应的传感器获得实车的各项行驶数据，如速度信号、加速度信号、发动机转速信号、输出轴转速信号、离合器信号、节气门开度等，经过数据处理得到四个评价指标作为神经网络的输入向量；同时聘请专业驾驶员对车辆行驶的各个换档过程进行主观等级评价，并将记录的相应主观评价等级作为神经网络的目标向量。以获得的训练样本对进行神经网络的训练。图1表示该实施例的基于神经网络的车辆换档品质评价训练流程。图2是该实施例的神经网络内部结构图。网络的输入层为获得的换档品质评价指标，中间层为神经元和网络阈值，输出层为评价等级结果(1-10)。

图3是该实施例的换档品质客观评价模型。该模型是一个多输入单输出系统，已训练好的神经网络取代测试者完成评价任务，即输入换档时的各项评价指标，通过神经网络辨识给出评价结果。换档品质评价等级R(网络的输出)和评价指标(网络的输入)的数学模型可以表示为：R＝f(a，j，t，Δn)，其中a表示换档时的加速度；j表示冲击度；t表示换档时间；Δn表示发动机转速波动量。对于不同的车型，视具体情况，还可以对上述影响因子做进一步调整，R＝f(a1，a2，a3，……)，其中a1，a2，a3为确定的换档品质影响因素。

图4是该实施例的客观评价等级误差曲线，图中表示了神经网络神经元个数的选取对评价误差的影响。在该实施例中中间层神经元个数N＝9时，客观评价等级结果和实际主观评价等级的误差范围较小，即和传统主观评价结果一致性好，证明了该方法的可靠性和先进性。

前面的说明，已展示了本发明的许多特征和优点，以及在应用中具有的创新性。汽车领域内的技术人员，尤其是那些既具有实践经验又具有一定神经网络知识的技术人员，不难对本方法中提及的换档品质评价指标和选用神经网络类型作一些修改。其中换档品质评价指标的确定会根据车型的不同，所侧重的数量和具体内容会有所不同；所选用的神经网络的类型如BP神经网络、径向基神经网络等亦会有所差别。因此，本发明并不限于实施例描述过的模型，所有适当的修改和代替都应视为落入本发明的范围。

Claims (2)

1.基于神经网络的车辆换档品质评价方法，其特征是：

1)对于不同的车型不同形式有级自动变速器：AT/AMT/DCT，视具体情况，确定换档品质评价指标，由受过专门训练的或有经验的驾驶员进行实时评定，通过试驾打分：1-10来评价换挡品质的好坏，收集并整理样本数据，样本数据包括换挡过程各个参数的变化和对应的主观评价等级；

2)将已确定的换档品质评价指标作为输入向量，相应的主观评价等级作为目标向量，并对输入向量，目标向量进行归一化处理；

(3)将归一化处理后的数据样本写入特定的文件中，根据要求设计神经网络结构，对数据样本进行训练直至满足设定的误差精度，建立评价和预测模型；

4)以训练好的神经网络评价和预测模型为内核，建立并生成换档品质客观评估软件系统；

5)将采集到的实车数据输入到该系统，输出各工况换挡品质评定结果。

2.根据权利要求1所述的基于神经网络的车辆换档品质评价方法，其特征是所说的换档品质客观评估软件系统中的换档品质客观评价模型是一个多输入单输出系统，换档品质评价等级R即网络的输出和评价指标即网络的输入的数学模型可以表示为：R＝f(a，j，t，Δn)，其中a表示换档时的加速度；j表示冲击度；t表示换档时间；Δn表示发动机转速波动量。对于不同的车型，视具体情况，还可以对上述影响因子做进一步调整，R＝f(a1，a2，a3，……)，其中a1，a2，a3为确定的换档品质影响因素。

Images