汽车运行状态识别方法研究（二）——基于模糊神经网络的识别方法

田 毅 张 欣 张 昕 张 良

1.装甲兵工程学院，北京，100072 2.北京交通大学，北京，100044 3.酒泉卫星发射中心铁路管理处，酒泉，732750

0 引言

目前，已有研究人员对汽车运行状态识别进行了研究，但只是对有限的几种典型运行工况进行识别，识别模型的准确度不高，而且也没有针对我国汽车运行状态识别进行实车实验。

2002年，Lin等［1］以美国和韩国的6种典型运行工况来代表汽车的不同运行状态，采用Hamming神经网络建立了汽车运行状态识别模型。2005年，Langari等［2］采用LVQ神经网络对美国LOS的运行工况进行识别。在我国，2007年，罗玉涛等［3］采用“工况块”的概念，将工况的平均行驶车速和行驶距离作为特征参数，通过模糊分类器对汽车运行工况进行了识别。2009年，周楠等［4］采用循环平均车速、循环行驶平均车速等10个参数，采用简单神经网络对北京、纽约、长春、上海等地汽车运行工况进行了识别，并建立了一个基于工况识别的自适应能量管理算法。2009年，Zhang等［5］采用18个参数，建立了基于SVM的汽车运行状态识别模型，对我国上海和广州的运行工况进行了识别。2010年，田毅等［6］采用13个参数，建立了基于模糊神经网络的汽车运行状态识别模型，对不同敏感性参数的汽车运行工况进行了识别，但是其输入参数选择过多，而且没有对汽车实际运行车速进行识别。

本文采用文献［7］中选择出的汽车运行状态特征参数最优子集，共8个参数，针对我国汽车运行状态，建立一个基于模糊神经网络的汽车运行状态识别模型，并通过实车实验对模型进行了验证。

1 汽车运行状态特征参数统计分析

汽车运行状态特征参数最优子集中的8个参数如表1所示［7］。

表1 汽车运行状态特征参数的特征参数最优子集

表1中，r1、r2为有关减速度的特征参数之间的边界，r1＝-0.6m／s2，r2＝ -0.96m／s2；a2为有关加速度的特征参数之间的边界，a2＝1.03m／s2。

首先对汽车运行状态特征参数样本X′中的参数进行归一化处理，将数据控制在（0，1）范围内，归一化公式为

式中，xkn为第k个样本中第n个参数归一化后的结果；X′kn为第k个样本中第n个参数；minX′n、maxX′n分别为样本中第n个参数的最小值和最大值；m为样本的数量。

绘制汽车运行状态特征参数最优子集中各参数的统计直方图并确定各参数的隶属度函数。

图9～图12分别为运行状态特征参数最优参数子集中波动参数部分参数N100s、LN100s在主干道和快速路上的直方图。可以发现，N100s、LN100s在主干道和快速路上的分布虽然不够集中，但还是可以用一个隶属度函数表示的。

图13～图16分别为运行状态特征参数最优参数子集中分段参数部分ηr1-r2、ηa3在主干道和快速路上的直方图。由于ηr1-r2是指减速度小于r1大于r2的时间占总时间的百分比，ηa3是指加速度大于a2的时间占总时间的百分比，因此在测试样本数据中，ηr1-r2、ηa3中具有大量的零点。在建立直方图时，需要去除这些零点才能保证隶属度函数的正确性。从图13到图16可以发现，ηr1-r2和ηa3在主干道和快速路上的分布也比较集中，可以采用一个隶属度函数表示。

2 模糊神经网络识别模型

神经网络和模糊系统的研究有两个共同之处：第一，神经网络和模糊系统都可由给定的系统输入输出数据建立系统的非线性输入输出关系；第二，从数据处理的形式上看，它们均采用并行处理的结构。模糊神经网络就是将模糊逻辑系统同神经网络有机结合起来，汇集了神经网络和模糊理论的优点，在模式识别方面有极强的优势。

2.1 隶属度函数

图17 直方图区域划分示意图

其他的运行状态特征参数直方图的分布都相对比较集中，都只用一个隶属度函数进行表示。正态型隶属度函数具有正态分布的特点，能够很好地反映事物的分布特征。通过对汽车运行状态的训练样本进行统计可以得到各特征参数的均值向量θi＝ （θi1，θi2，…，θi8）和方差向量σi＝ （σi1，σi2，…，σi8），其中，θin和σin（i＝1，2；n＝1，2，…，8）分别表示第n个特征在第i类状态中的均值和方差。本文仅选用主干道和快速路两种汽车运行状态进行研究，隶属度函数表示为

本文选用正态型隶属度函数对输入模糊神经网络的任一待识别样本进行模糊化处理。通过对测试样本进行计算，可以得到基于模糊神经网络的汽车运行状态识别模型中的隶属度函数的均值和方差。

2.2 网络结构

模糊神经网络是全部或部分采用模糊神经元所构成的一类可处理模糊信息的神经网络系统。按照模糊对象不同可以分为输入模糊、中间模糊和输出模糊三种类型。输入模糊是最常用的一种模糊神经网络类型，具有结构简单、推理方便、而且便于进行二次开发的特点。本文采用对输入进行模糊处理的模糊神经网络对汽车运行状态进行识别，其网络结构如图18所示［6］。该模糊神经网络结构共有4层：输入层、模糊层、隐含层和输出层。

第二层为模糊层，它的作用是计算各输入分量属于各模糊集合隶属度函数的数值。不同模糊集合的隶属度函数如式（2）所示，μ（k）in为计算得到模糊值。

图18 模糊神经网络结构图

第三层是隐含层，其每个节点代表一个模糊规则，它的作用是用来匹配模糊规则的前件，计算出模糊规则的适应度，从模糊层得到输入，并把结果输出到输出层，计算公式为

式中，ωin为权值；κin（x）为权值的模糊计算函数。

第四层是输出层。输出值的计算公式为

其中，fout为模糊函数计算结果，通过对比fout与阈值b，便可以得到汽车当前运行状态。

3 汽车运行状态识别结果及分析

本文中对北京、上海、广州、武汉的主干道和快速路运行工况，以及北京主干道和快速路汽车实际运行车速进行识别，如图19所示（识别出的汽车运行状态为1表示主干道；为0表示快速路）。

从图19可以得到，本文中建立的基于模糊神经网络的汽车运行状态识别模型对北京、上海、广州、武汉的主干道和快速路典型运行工况，以及北京主干道和快速路汽车实际运行车速进行识别，识别结果基本正确，识别准确度为91.74%。在4个城市的典型运行工况识别结果中，只有北京市主干道运行工况中的574～744s时出现了错误，识别准确度为82.67%；其余运行工况的识别准确度为100%；在对北京市主干道和快速路汽车实际运行车速识别结果中也存在一些错误，总体错误时间为952s，识别准确度为89.08%，识别过程中的错误主要是由于识别模型的识别准确度没有达到100%而造成的。

图19 不同运行工况和车速曲线的识别结果

4 结语

本文针对不同汽车运行状态特征参数的分布规律，进行了区域划分，并选择合理的隶属度函数建立了一个基于模糊神经网络的汽车运行状态识别模型。通过对我国北京、上海、广州、武汉的主干道和快速路的运行工况进行识别，说明本文建立的基于模糊神经网络的汽车运行状态识别模型具有很好的识别效果。

［1］Lin C，Jeon S，Peng H，et al.Driving Pattern Recognition for Control of Hybrid Electric Trucks［J］.Vehicle System Dynamics，2004，42（1／2）：41-57.

［2］Langari R，Won J S.Intelligent Energy Management Agent for a Parallel Hybrid Vehicle—Part I：System Architecture and Design of the Driving Situation Identification Process［J］.IEEE Transactions on Vehicular Technology，2005，54（3）：925-935.

［3］罗玉涛，胡红斐，沈继军.混合动力电动汽车行驶工况分析与识别［J］.华南理工大学学报（自然科学版），2007，35（6）：8-13.Luo Yutao，Hu Hongfei，Shen Jijun.Analysis and Recognition of Running Cycles of Hybrid Electric Vehicle［J］.Journal of South China University of Technology（Natural Science Edition），2007，35（6）：8-13.

［4］周楠，王庆年，曾小华.基于工况识别的HEV自适应能量管理算法［J］.湖南大学学报（自然科学版），2009，36（9）：37-41.Zhou Nan，Wang Qingnian，Zeng Xiaohua.Adaptive HEV Energy Managemen Algorithms Based on Drivecycle Recognition［J］.Journal of Hunan University（Natural Sciences），2009，36（9）：37-41.

［5］Zhang Liang，Zhang Xin，Tian Yi，et al.Intelligent Energy Management for Parallel HEV Based on Driving Cycle Identification Using SVM［C］／／The Institution of Engineering and Technology，Proceedings of the 2009 International Workshop on Information Security and Application.Oulu：IWISA，2009：457-460.

［6］田毅，张欣，张昕，等.基于神经网络工况识别的HEV模糊控制策略［J］.控制理论与应用，2011，28（3）：363-369.Tian Yi，Zhang Xin，Zhang Liang，et al.HEV Fuzzy Control Strategy Based on the Neural Network Identification of Driving Cycle［J］.Control Theory ＆Applications，2011，28（3）：363-369.

［7］田毅，张欣，张昕，等.汽车运行状态识别方法研究（一）——特征参数选择［J］.中国机械工程，2013，24（9）：1258-1263.Tian Yi，Zhang Xin，Zhang Xin，et al.The Research of Vehicle Driving Situation Identification（Ⅰ）——Driving Pattern Selection［J］.China Mechanical Engineering，2013，24（9）：1258-1263.