CN110435412B - 一种基于bp神经网络商用车智能格栅多开度控制方法 - Google Patents

Abstract

本发明公开了一种基于BP神经网络商用车智能格栅多开度控制方法，包括车辆启动，通过CAN总线监测车辆，并且启动格栅：当格栅开度为90°时，对所述格栅进行如下控制；当发动机水温t≥80℃时，格栅开度为90°；当发动机水温t＜80℃时，格栅开度为0°；当行驶车速v＞60Km/h时，格栅开度根据行车信号，基于BP神经网络对格栅开度进行控制；当发动机转速r_t＝0并且发动机水温t＜50℃时，格栅开度为0°。在汽车行驶过程中，根据汽车的行车状态对格栅进行调整，同时通过BP神经网络训练在车辆行驶模式时调整格栅开度。

Description

一种基于BP神经网络商用车智能格栅多开度控制方法

技术领域

本发明涉及一种基于BP神经网络商用车智能格栅多开度控制方法，属于汽车领域。

背景技术

面对国内日趋严格的排放法规以及双积分和取消商用车外资比限制等新政策，提升自主品牌的燃油经济性成为商用车企业健康发展的必然选择。研究结果表明：减小气动阻力系数是降低油耗的有效手段，但目前国内外气动工程师主要借助数值模拟和风洞实验分析车辆的绕流和力学特性，基于流体力学和空气动力学理论，通过优化造型及加装导流罩等附件改善车辆的气动性能，进而降低整车气动阻力系数，但关注的焦点集中在压差阻力，对占比约为8％的内流阻力鲜有涉及。车辆冷却系统设计时多以最恶劣工况为靶向，日常行驶时存在冷却冗余。为实现气动与散热性能的协调，国外学者率先提出智能格栅的概念，但该技术目前仅应用于乘用车。商用车由于行车里程长，且多为高速工况，节油潜力更大，因此将智能格栅应用领域拓展至商用车对提升自主品牌产品的燃油经济性和品牌认可度大有裨益，同时也能为主动减阻技术在商用车上的应用和推广提供借鉴和参考。

神经网络模型被规模化应用于自动控制、智能驾驶等相关领域，对解决复杂的非线性问题效果较好。智能格栅系统在行车过程中需要适时读取车辆的相关信息，并针对性匹配最佳的格栅开度，当故障发生时能够快速响应并输出故障信号，因此准确的多开度控制模型的搭建是格栅控制效果的核心和关键。之前学者多采用经验公式建立控制模型，控制精度和效果有待提升。随着人工智能的不断普及，探索通过智能算法实现格栅多开度闭环控制逐渐成为新的研究方向和热点。

发明内容

本发明设计开发了一种基于BP神经网络商用车智能格栅多开度控制方法，通过监测车辆行驶过程中的运行信号，对车辆的运行状态进行判断，进而适应性的控制格栅开度。

本发明的另一发明目的，通过BP神经网络对汽车的格栅开度进行控制，能够提高控制精度，使车辆的气动性和散热性相协调。

本发明提供的技术方案为：

一种基于BP神经网络商用车智能格栅多开度控制方法，包括：

车辆启动，通过CAN总线监测车辆，并且启动格栅；

当格栅开度为90°时，对所述格栅进行如下控制：

当发动机水温t≥80℃时，格栅开度为90°；

当发动机水温t＜80℃时，格栅开度为0°；

当行驶车速v＞60Km/h时，格栅开度根据行车信号，基于BP神经网络对格栅开度进行控制，包括：

步骤一、以车辆行驶时的车速v、散热器风扇转速r以及散热系统的冷却流量

作为变量，获取多组变量的样本点作为输入层向量；

步骤二、得到所述多组变量的样本点所对应的格栅开度α，并将其作为输出层向量；

步骤三、根据输入层向量和对应的输出层向量建立三层BP神经网络模型，并进行训练，对格栅开度α进行控制，使车辆行驶过程中气动性和散热性相协调；

其中，设置隐层神经元数为10，最大训练次数为1000，学习速率为0.01，训练精度为0.001，动量因子为0.9；

当发动机转速r_t＝0并且发动机水温t＜50℃时，格栅开度为0°。

优选的是，所述输入层向量的取值范围分别为：

v∈[60,100]，r∈[0,1800]，

优选的是，所述冷却流量计算的经验公式满足：

其中，Q_W为冷却系统散热量，单位为kw，c_p,a为空气比热容，单位为 kJ/(kg·℃)，Δt_a为冷却 空气通过散热组件的温差，单位为℃。

优选的是，所述冷却系统散热量的经验公式满足：

其中，a₀为冷却系统带走的热量占燃油燃烧后产生总能量的百分比，g_e为发动机的燃油消耗率，单位为kg/kw·h，P为发动机功率，单位为kw，H_u为柴油热值，单位为kJ/kg。

优选的是，所述a₀取值范围为0.16～0.23。

本发明所述的有益效果：在汽车行驶过程中，通过监测行驶信号，对车辆的运行状态进行判断，根据汽车的行车状态对格栅进行调整，同时通过BP 神经网络训练在车辆行驶模式时对格栅开度进行预测和调整，提高格栅的控制精度，从而实现整车气动性和散热特性的协调，使能源充分利用。

附图说明

图1为本发明所述的格栅控制策略流程图。

图2为本发明所述的BP神经网络模型训练流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1和2所示，本发明提供一种基于BP神经网络商用车智能格栅多开度控制方法，定义了七种工作模式和状态转移条件，在车辆启动后通过从 CAN总线上读取车辆的行车数据，进而判断车辆的运行状态，根据预设的控制算法适应性调整格栅开度，从而实现整车气动和散热特性的协调，具体包括：

首先是定义七种工作模式，然后是定义状态转移条件。

车辆启动，通过CAN总线监测车辆的运行情况，进入初始化模式，：

启动格栅：

当格栅无法打开或ECU发出故障信号时，进入故障模式；

当格栅开度为90°时，进入主观需求模式，同时对格栅进行如下控制：

当发动机水温t≥80℃时，进入自诊断全开模式，格栅开度为90°；

当发动机水温t＜80℃时，进入自诊断全关模式，格栅开度为0°；

当行驶车速v＞60Km/h时，进入行车控制模式，此时格栅开度根据行车信号进行自适应调整；

当发动机转速为r_t＝0并且发动机水温t＜50℃时，进入驻车模式，格栅开度为0°。

然后是在行车控制模式下基于BP神经网络对格栅开度进行控制，包括行车数据的选取，建立格栅开度与行车数据变量之间的关系，根据行车数据对应输出格栅开度。

在车辆的行驶过程中，当进入行车控制模式时，通过BP神经网络对格栅开度进行控制，使车辆的气动性和散热性相协调，具体如下：

步骤一、建立BP神经网络模型。

BP神经网络模型是基于大量样本点逐步挖掘已知输入与输出之间的潜在关系，本发明通过仿真为神经网络模型的建立提供样本数据。影响冷却流量的因素有车速、格栅开度和风扇转速，综合考虑气动收益和冷却流量，格栅开度选取了0、40、70、90四个开度。由于智能格栅在高速时效果较为明显，因此车速选取了60Km/h、70Km/h、80Km/h、90Km/h、100Km/h五种，鉴于风扇转速对冷却流量的影响较大，因此，风扇转速的选取范围为 r∈[0,1800]，并选取0、600、1000、1200、1400、1500、1600、1800八种风扇转速，冷却流量的选取范围为

为得到足够多的样本点，对以上变量进行了全实验设计，共160种工况。为评判模型的预测效果，训练时样本通常会被分为训练样本和预测样本两个部分，鉴于目前通常采用试凑法进行样本数量的选取，根据经验，在160组仿真数据中随机选择了120组作为训练样本，40组作为预测样本。

鉴于本发明研究的BP神经网络模型旨在实现格栅开度的预测控制，因此以车速v、风扇转速r和冷却流量

为输入，以格栅开度α为输出。

步骤二、进行BP神经网络训练。

鉴于本发明研究的BP神经网络模型旨在实现格栅开度的预测控制，因此以车速v、风扇转速r和冷却流量

为输入，以格栅开度α为输出。在模型训练过程中，网络层数及各层神经元个数的确定对训练效果影响较大，已有研究成果表明：隐层神经元个数与网络层数相辅相成，即充足的神经元个数能够保证仅有一个隐层的三层前向网络对闭区间内的连续函数具有较好的逼近效果，而且由于误差传递环节与网络层数成正比，采用多层神经网络模型容易降低其泛化性能，因此选用三层BP网络结构，输入层神经元数为3，输出层为1，隐层为10，最终的参数设置如表1所示：

表1

由于格栅开度为不等间距，而且数值相差较大，不利于神经网络模型的预测，因此对格栅开度进行了等效替代，用0、1、2、3分别表示设定的四个开度值，并对预测值进行归整处理。

在训练过程中通过不断调整权值与阈值提升模型的预测精度，直至系统误差小于等于期望误差时，完成神经网络的训练过程，并将最终训练结果转换为模块，模型由输入模块、BP神经网络模型、格栅开度转换模块、输出模块四部分组成，输入模块包括车速、风扇转速及冷却流量三个变量。由于在神经网络模型中对四种格栅开度进行了等效替代，因此在预测模型中加入了开度转换，从而实现了格栅开度的有效输出。

由于发动机散热量与外界环境吸收的能量相等，设定冷却系统的热量均由空气带走，则冷却空气需求量的计算公式如下式所示：

式中，Q_W表示冷却系统散热量，单位为kw，c_p,a为空气比热容，单位为kJ/(kg·℃)，取25℃时的空气比热容，

Δt_a为机舱冷却空气通过散热组件的前后温差，单位为℃，优选Δt_a＝40℃。

散热量Q_W通常表示发动机冷却系统通过热传递散发到外界环境中的热量，即冷却系统带走的热量，由发动机工作原理可知，散热量除与机型及功率密度有关，还受传动装置、工作环境等多种因素干扰，因此精确计算其数值成为研究中一个瓶颈。本发明也采用经验总结公式进行相关计算，如下式所示：

其中，a₀为冷却系统带走的热量占燃油燃烧后产生总能量的百分比，g_e为发动机的燃油消耗率，单位为kg/kw·h，P为发动机功率，单位为kw，H_u为柴油热值，单位为kJ/kg，取42652kJ/kg，a₀的范围为0.16～0.23，取0.185.

发动机全负荷状态不同转速下的燃油消耗率g_e和发动机功率P可由外特性试验测得，本发明所用机型为WP13.500E501，散热量Q_W(kw)计算结果如表2所示：

表2

为验证散热模型的准确性，本发明选取了全负荷状态下四个转速工况进行了台架实验，并将计算值与实验结果及其误差进行对比分析，如表3所示，四种工况下，计算值与实验值较为接近，当转速为1400rpm时，误差最大。

表3

最大误差绝对值为5.7％，仍在工程允许误差范围内，因此基于经验公式建立的冷却系统散热量计算模型满足精度要求。

在汽车行驶过程中，通过监测行驶信号，对车辆的运行状态进行判断，根据汽车的行车状态对格栅进行调整，同时通过BP神经网络训练在车辆行驶模式时对格栅开度进行预测和调整，提高格栅的控制精度，从而实现整车气动性和散热特性的协调，使能源充分利用，燃油消耗最低。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (5)

1.一种基于BP神经网络商用车智能格栅多开度控制方法，其特征在于，包括：

车辆启动，通过CAN总线监测车辆，并且启动格栅；

当格栅开度为90°时，对所述格栅进行如下控制：

当发动机水温t≥80℃时，格栅开度为90°；

当发动机水温t＜80℃时，格栅开度为0°；

当行驶车速v＞60Km/h时，格栅开度根据行车信号，基于BP神经网络对格栅开度进行控制，包括：

步骤一、以车辆行驶时的车速v、散热器风扇转速r以及散热系统的冷却流量q_v.a作为变量，获取多组变量的样本点作为输入层向量；

步骤二、得到所述多组变量的样本点所对应的格栅开度α，并将其作为输出层向量；

步骤三、根据输入层向量和对应的输出层向量建立三层BP神经网络模型，并进行训练，对格栅开度α进行控制，使车辆行驶过程中气动性和散热性相协调；

其中，设置隐层神经元数为10，最大训练次数为1000，学习速率为0.01，训练精度为0.001，动量因子为0.9；

当发动机转速r_t＝0并且发动机水温t＜50℃时，格栅开度为0°。

2.根据权利要求1所述的基于BP神经网络商用车智能格栅多开度控制方法，其特征在于，所述输入层向量的取值范围分别为：

v∈[60,100]，r∈[0,1800]，q_v.a∈[0.84～4.51]。

3.根据权利要求2所述的基于BP神经网络商用车智能格栅多开度控制方法，其特征在于，所述冷却流量计算的经验公式满足：

其中，Q_W为冷却系统散热量，单位为kw，c_p,a为空气比热容，单位为kJ/(kg·℃)，Δt_a为冷却 空气通过散热组件的温差，单位为℃。

4.根据权利要求3所述的基于BP神经网络商用车智能格栅多开度控制方法，其特征在于，所述冷却系统散热量的经验公式满足：

其中，a₀为冷却系统带走的热量占燃油燃烧后产生总能量的百分比，g_e为发动机的燃油消耗率，单位为kg/kw·h，P为发动机功率，单位为kw，H_u为柴油热值，单位为kJ/kg。

5.根据权利要求4所述的基于BP神经网络商用车智能格栅多开度控制方法，其特征在于，所述a₀取值范围为0.16～0.23。

Images