CN110245390B - 一种基于rs-bp神经网络的汽车发动机油耗预测方法 - Google Patents

Abstract

本发明公开了一种基于RS‑BP神经网络的汽车发动机油耗预测方法，首先采集汽车发动机试验数据，包含发动机的扭矩、转速、油门的开度、燃油温度、和发动机油耗；然后对采集的汽车发动机实验数据进行数据归一化处理，构建RS‑BP神经网络模型；接着训练RS‑BP神经网络模型；最后，将需要进行发动机油耗预测的汽车的扭矩、转速、油门的开度、燃油温度输入其中，获得该汽车的耗油预测量。本发明弥补了现有的汽车发动机油耗数据说服力的不足，更加全面的收集数据，克服数据维数的不足，尽量使数据全面化。

Description

一种基于RS-BP神经网络的汽车发动机油耗预测方法

技术领域

本发明涉及汽车数据分析的研究领域，尤其一种基于RS-BP神经网络的汽车发动机油耗预测方法。

背景技术

随着我国经济的高速发展和人民生活水平的不断提高，车辆的保有量呈现快速增涨状况。一辆汽车油耗的高与低,直接影响着汽车的经济性。虽然汽车发动机的参数、性能都可以查询得到，但是关于汽车发动机油耗整体融合模型缺乏行之有效的、科学化的、体系化的技术手段和模型。

汽车油耗的高与低,直接影响着汽车的经济性，在当今社会，人类面临着巨大的能源压力，国家和政府一直在倡导节能减排，发动机油耗的多少直接影响着汽车耗油量。影响汽车发动机油耗的主要因素有：发动机扭矩、发动机转速、油门开度、燃油温度。

现有的汽车发动机油耗只是厂家提供的百公里耗油量，其具有两方面的局限性：

1.数据评价单一，主要是通过发动机的排量得到，因为发动机的好坏直接影响着油耗，所以发动机的性能参数也直接影响着油耗的大小；

2.没有具体的汽车发动机油耗的预测模型，没有科学化、行之有效的模型。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于RS-BP神经网络的汽车发动机油耗预测方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于RS-BP神经网络的汽车发动机油耗预测方法，包含以下步骤：

步骤1)，采集汽车发动机试验数据，包含发动机的扭矩、转速、油门的开度、燃油温度、和发动机油耗；

步骤2)，对采集的汽车发动机实验数据进行数据归一化处理；

步骤3)，构建RS-BP神经网络模型；

步骤3.1)，将汽车发动机试验数据按各个属性对应的区间划分规则进行编码，获得汽车发动机试验数据决策表；

步骤3.2)，约简属性，将汽车发动机试验数据决策表定义为一个四元组：

S＝(U,C∪D,V,f)

式中，U为论域；C∪D为属性集，C为条件属性；D为决策属性；V＝UV_α(α∈C∪D)；V_α为属性α的值域；f为论域与值域之间的信息函数；γ_c(D)＝|pos_c(D)|/|U|，pos_c(D)表示属性D关于属性C的正域，γ_c(D)衡量了根据条件属性C能正确划分的比例；对于当pos_{C-R}(D)＝pos_c(D)，则称R为C中D不必要的，否则为必要的；若P为条件属性集C的一个非空子集，当满足pos_P(D)＝pos_C(D)且pos_R(D)≠pos_C(D)，任意/>则称P为关于D的属性约简集；

步骤3.3)，以遗传算法为工具，对汽车发动机试验数据决策表进行约简：

步骤3.3.1)，由公式γ_c(D)＝|pos_c(D)/U计算出决策属性D({d₁,d₂,d₃,…d_i})对条件属性C({c₁,c₂,c₃,…c_j})的依赖度γ_C(d)；

步骤3.3.2)，定义reduct(C)＝C-{c_j}为条件属性C的约简集，将条件属性c_j逐个剔除，考察γ_reduct(C)(d)和γ_C(d)大小关系，若相等，则终止计算；若不等，执行步骤3.3.3)；

步骤3.3.3)，运用染色体编码技术，根据以下公式将每个条件属性以二进制字符串{0,1}的形式对每个个体编码，1表示此条件属性属于该个体，0表示此条件属性不属于该个体；得到每个个体的适应度F(r)：

F(r)＝(l-l_τ)/l+γ_C(d)

式中，l_τ为编码1的染色体个数，l为条件属性个数；初始种群由Pop_size个长度为|C|(剩余条件属性个数)的二进制个体组成，Pop_size＝2^|C|；

步骤3.3.4)，计算下一代种群每个个体的适应度，根据轮盘赌规则进行选择，采用交叉概率P_c来描述交叉点处部分染色体交换概率，采用变异概率P_m来描述某位等位属性编码值反转概率；

步骤3.3.5)，复制最优个体进入下一代种群，考察其适应度，若适应度不再变化或迭代步数达数值限制量Maxgen，输出最优个体，否则跳转执行3.3.4)；

步骤3.4)，利用粗糙集理论对汽车发动机试验数据进行预处理，剔除不相关属性后获得约简样本空间，以简化输入变量；将约简样本空间输入BP神经网络进行训练，得到RS-BP神经网络模型；

步骤4)，用已构建的RS-BP神经网络拓扑模型进行训练学习，得到训练好的RS-BP神经网络模型；

步骤5)，运用好训练好的RS-BP神经网络模型，将需要进行发动机油耗预测的汽车的扭矩、转速、油门的开度、燃油温度输入其中，获得该汽车的耗油预测量。

作为本发明一种基于RS-BP神经网络的汽车发动机油耗预测方法进一步的优化方案，所述步骤2)中采用min-max法对数据进行归一化处理，公式为：

式中，X表示归一化之前的汽车发动机实验数据，X^*表示归一化之后的汽车发动机实验数据，max为汽车发动机实验数据的最大值，min为汽车发动机实验数据最小值。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1.BP神经网络具有非线性并兼备自组织，自适应和自学习的能力，采用BP神经网络进行汽车发动机油耗融合模型，相对于传统方法具有创新优势；

2.相比于以前的数据推算，BP神经网络是二层以上的前馈型网络，可以将误差反向传播，及时修正各层单元的权值和偏差，具有较高准确性的优势；

3.利用粗糙集知识对数据进行处理，加快了网络融合速度和准确性；

4.本发明考虑到了发动机本身的性能参数，扩大了数据集的维度，是模型更加准确。

附图说明

图1为本发明所涉及的BP神经网络示意图；

图2为本发明所涉及的汽车发动机油耗融合模型流程图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图2所示，本发明公开了一种基于RS-BP神经网络的汽车发动机油耗预测方法，包括以下步骤：

步骤1)，采集汽车发动机试验数据，包含发动机的扭矩、转速、油门的开度、燃油温度、和发动机油耗；

步骤2)，对采集的汽车发动机实验数据进行数据归一化处理；

步骤3)，构建RS-BP神经网络模型；

步骤4)，用已构建的RS-BP神经网络拓扑模型进行训练学习，得到训练好的RS-BP神经网络模型；

步骤5)，运用好训练好的RS-BP神经网络模型，将需要进行发动机油耗预测的汽车的扭矩、转速、油门的开度、燃油温度输入其中，获得该汽车的耗油预测量。

本发明构建的RS-BP网络拓扑结构如图1所示，输入信号有：发动机扭矩、发动机转速、油门开度、燃油温度。

所述步骤2)中采用min-max法对数据进行归一化处理，公式为：式中，X表示归一化之前的汽车发动机实验数据，X*表示归一化之后的汽车发动机实验数据，max为汽车发动机实验数据的最大值，min为汽车发动机实验数据最小值。

步骤3)中构建RS-BP神经网络模型的具体步骤如下：

步骤3.1)，获取汽车发动机试验数据决策表：粗糙集理论的约简对象是决策表，且仅当适用于离散数据的约简。因此，处理汽车发动机数据，需要预先采用离散化算法对其进行处理，在对汽车发动机试验数据特征有充分认识的情况下，将汽车发动机试验数据按各个属性对应的区间划分规则进行编码后即可获得汽车发动机试验数据决策表。

步骤3.2)，约简属性，将汽车发动机试验数据决策表定义为一个四元组：

S＝(U,C∪D,V,f)

式中，U为论域；C∪D为属性集，C为条件属性；D为决策属性；V＝UV_α(α∈C∪D)；V_α为属性α的值域；f为论域与值域之间的信息函数；

条件属性和决策属性之间存在依赖，通过依赖度来表达：

γ_c(D)＝|pos_c(D)|/|U|

式中：pos_c(D)表示属性D关于属性C的正域；γ_c(D)衡量了根据条件属性C能正确划分的比例。

对于当pos_{C-R}(D)＝pos_c(D)，则称R为C中D不必要的，否则为必要的。若P为条件属性集C的一个非空子集，当满足pos_P(D)＝pos_C(D)，且pos_R(D)≠pos_C(D)，任意则称P为关于D的属性约简集。

步骤3.3)，以遗传算法为工具，对汽车发动机试验数据决策表进行约简：

步骤3.3.1)，由公式γ_c(D)＝|pos_c(D)|/|U|计算出决策属性D({d₁,d₂,d₃,…d_i})对条件属性C({c₁,c₂,c₃,…c_j})的依赖度γ_C(d)。

步骤3.3.2)，定义reduct(C)＝C-{c_j}为条件属性C的约简集，将条件属性c_j逐个剔除，考察γ_reduct(C)(d)和γ_C(d)大小关系，若相等，则终止计算；若不等，执行步骤3.3.3)。

步骤3.3.3)，运用染色体编码技术，根据以下公式将每个条件属性以二进制字符串{0,1}的形式对每个个体编码，1表示此条件属性属于该个体，0表示此条件属性不属于该个体；得到每个个体的适应度F(r)：

F(r)＝(l-l_τ)/l+γ_C(d)

式中，l_τ为编码1的染色体个数，l为条件属性个数；初始种群由Pop_size个长度为|C|(剩余条件属性个数)的二进制个体组成，Pop_size＝2^|C|。

步骤3.3.4)，计算下一代种群每个个体的适应度，根据轮盘赌规则进行选择，采用交叉概率P_c来描述交叉点处部分染色体交换概率，采用变异概率P_m来描述某位等位属性编码值反转概率。

步骤3.3.5)，复制最优个体进入下一代种群，考察其适应度，若适应度不再变化或迭代步数达数值限制量Maxgen，输出最优个体，否则跳转执行3.3.4)。

步骤3.4)，利用粗糙集理论对汽车发动机试验数据进行预处理，剔除不相关属性后获得约简样本空间，以简化输入变量；将约简样本空间输入BP神经网络进行训练，得到RS-BP神经网络模型。

步骤4)中的RS-BP神经网络模型进行训练学习的步骤如下：

输入数据：汽车发动机油耗因素数据为发动机的扭矩、转速、油门的开度、燃油温度，将汽车发动机试验数据的k组数据作为训练组，k为预先设定的个数阈值，则有k对输入输出组成{x_i1,x_i2,x_i3,x_i4,A_i}(i＝1,2,3...k)，其中输入因素x_i1、x_i2、x_i3、x_i4分别为发动机的扭矩、转速、油门的开度、燃油温度，输出因素A_i为发动机油耗。

计算方差：令x_i经过神经网络传播后得到的预测输出为y_i，于是y_i与真实值a_j之间存在误差，用均方误差来衡量预测值与真实值之间的误差E：

逆向反馈：调整RS-BP神经网络模型的权值w、阈值b使误差E的值最小；

对目标函数E求w和b的偏导，得到w和b的更新量；

式中，η为预先设置的学习率阈值，优先取值为0.1，根据练市求导法则有：

根据神经元输出值α的定义有：

Sigmoid求导数：f'＝f(x)·(1-f(x))，得出：

则权重w的更新量为：

同理b的更新量为：

重复执行逆向反馈更新神经网络中每条连接线的权重和每层的偏执，在没有达到停止条件情况下重复上述过程；其中停止条件有两种：(1)预测的错误率E低于0.001的阈值；(2)达到100次的迭代次数。

本发明利用粗糙集理论对汽车发动机试验数据进行预处理，以遗传算法为工具，对汽车发动机试验数据决策表进行约简，剔除不相关属性后获得约简样本空间，以简化输入变量；将约简样本空间输入BP神经网络进行训练，得到RS-BP神经网络模型。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于RS-BP神经网络的汽车发动机油耗预测方法，其特征在于，包含以下步骤：

步骤1)，采集汽车发动机试验数据，包含发动机的扭矩、转速、油门的开度、燃油温度、和发动机油耗；

步骤2)，对采集的汽车发动机实验数据进行数据归一化处理；

步骤3)，构建RS-BP神经网络模型；

步骤3.1)，将汽车发动机试验数据按各个属性对应的区间划分规则进行编码，获得汽车发动机试验数据决策表；

步骤3.2)，约简属性，将汽车发动机试验数据决策表定义为一个四元组：

S＝(U，C∪D，V，f)

式中，U为论域；C∪D为属性集，C为条件属性；D为决策属性；V＝UV_α，α∈C∪D；V_α为属性α的值域；f为论域与值域之间的信息函数；

条件属性和决策属性之间存在依赖，通过依赖度来表达：

γ_c(D)＝|pos_c(D)|/|U|

pos_c(D)表示属性D关于属性C的正域，γ_c(D)衡量了根据条件属性C能正确划分的比例；对于当pos_{C-R}(D)＝pos_c(D)，则称R为C中D不必要的，否则为必要的；若P为条件属性集C的一个非空子集，当满足pos_P(D)＝pos_C(D)且pos_R(D)≠pos_C(D)，任意/>则称P为关于D的属性约简集；

步骤3.3)，以遗传算法为工具，对汽车发动机试验数据决策表进行约简：

步骤3.3.1)，由公式γ_c(D)＝|pos_c(D)|/|U|计算出决策属性D{d₁，d₂，d₃，…d_i}对条件属性C{c₁，c₂，c₃，…c_j}的依赖度γ_C(d)；

步骤3.3.2)，定义reduct(C)＝C-{c_j}为条件属性C的约简集，将条件属性c_j逐个剔除，考察γ_reduct(C)(d)和γ_C(d)大小关系，若相等，则终止计算；若不等，执行步骤3.3.3)；

步骤3.3.3)，运用染色体编码技术，根据以下公式将每个条件属性以二进制字符串{0，1}的形式对每个个体编码，1表示此条件属性属于该个体，0表示此条件属性不属于该个体；得到每个个体的适应度F(r)：

F(r)＝(l-l_τ)/l+γ_C(d)

式中，lτ为编码1的染色体个数，l为条件属性个数；初始种群由Pop_size个长度为|C|的二进制个体组成，Pop_size＝2^|C|；|C|为剩余条件属性个数；

步骤3.3.4)，计算下一代种群每个个体的适应度，根据轮盘赌规则进行选择，采用交叉概率P_c来描述交叉点处部分染色体交换概率，采用变异概率P_m来描述某位等位属性编码值反转概率；

步骤3.3.5)，复制最优个体进入下一代种群，考察其适应度，若适应度不再变化或迭代步数达数值限制量Maxgen，输出最优个体，否则跳转执行3.3.4)；

步骤3.4)，利用粗糙集理论对汽车发动机试验数据进行预处理，剔除不相关属性后获得约简样本空间，以简化输入变量；将约简样本空间输入BP神经网络进行训练，得到RS-BP神经网络模型；

步骤4)，用已构建的RS-BP神经网络拓扑模型进行训练学习，得到训练好的RS-BP神经网络模型；其中，以均方误差作为目标函数误差E，用于衡量预测值与真实值之间的误差，并通过对目标函数误差E求w和b的偏导，实现RS-BP神经网络拓扑模型中权值w、阈值b的更新；

步骤5)，运用好训练好的RS-BP神经网络模型，将需要进行发动机油耗预测的汽车的扭矩、转速、油门的开度、燃油温度输入其中，获得该汽车的耗油预测量。

2.根据权利要求1所述的基于RS-BP神经网络的汽车发动机油耗预测方法，其特征在于，所述步骤2)中采用min-max法对数据进行归一化处理，公式为：

式中，X表示归一化之前的汽车发动机实验数据，X^*表示归一化之后的汽车发动机实验数据，max为汽车发动机实验数据的最大值，min为汽车发动机实验数据最小值。