史 駿

（西安鐵路職業(yè)技術(shù)學(xué)院 西安 710026）

基于神經(jīng)網(wǎng)絡(luò)算法的車輛行駛識別研究?

史 駿

（西安鐵路職業(yè)技術(shù)學(xué)院 西安 710026）

針對汽車行駛的識別問題，通過選取6種典型道路工況作為工況識別的初始樣本，對每一種典型道路工況進(jìn)行分塊以對識別樣本進(jìn)行擴(kuò)充，同時選取了10個能夠充分表征工況特征的特征參數(shù)并進(jìn)行計算，對每一種典型工況的特征參數(shù)值進(jìn)行歸一化處理后形成其對應(yīng)的標(biāo)準(zhǔn)特征參數(shù)向量，構(gòu)建初始的學(xué)習(xí)向量量化的神經(jīng)網(wǎng)絡(luò)工況識別模型，對工況識別模型進(jìn)行有效訓(xùn)練以提升模型的識別精度。模型訓(xùn)練完成后的神經(jīng)網(wǎng)絡(luò)算法，運(yùn)用綜合測試工況進(jìn)行工況識別仿真驗(yàn)證試驗(yàn)。試驗(yàn)結(jié)果表明：訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)算法能夠有效地對實(shí)際工況進(jìn)行識別。

神經(jīng)網(wǎng)絡(luò)；學(xué)習(xí)向量量化；車輛行駛；工況識別

1 引言

傳統(tǒng)的燃油汽車能量管理策略在提高整車燃油經(jīng)濟(jì)性方面效果顯著，但其對行駛工況的依賴性很強(qiáng)，只能針對特定的行駛工況實(shí)現(xiàn)最優(yōu)能量管理［1］。因此有必要對車輛實(shí)際行駛中的工況進(jìn)行有效識別，從而提高能量管理策略對隨機(jī)工況的適應(yīng)能力。

目前，國內(nèi)外的相關(guān)專家學(xué)者已經(jīng)針對車輛工況在線識別進(jìn)行了一些研究，并取得了一定的成果。其中，文獻(xiàn)［2］對于待識別工況與標(biāo)準(zhǔn)工況樣本的接近程度選擇了歐幾里德貼近度來表示，并未采用某種模式識別算法進(jìn)行工況識別。文獻(xiàn)［3］針對目前常用的工況識別算法的局限性和缺點(diǎn)，應(yīng)用K均值聚類算法進(jìn)行行駛工況識別，應(yīng)用于混合動力汽車的整車能量管理中。文獻(xiàn)［4］通過簡化的神經(jīng)網(wǎng)絡(luò)模型對實(shí)時車速進(jìn)行采集、分析和比較，在運(yùn)行一段時間后，自動尋找出與之相近的標(biāo)準(zhǔn)循環(huán)工況。文獻(xiàn)［5］采用遺傳算法對若干種典型行駛工況對應(yīng)的模糊控制器中隸屬度函數(shù)進(jìn)行優(yōu)化，然后建立了一個基于模糊神經(jīng)網(wǎng)絡(luò)的行駛工路識別方法。文獻(xiàn)［6］采用聚類分析方法將選取的典型循環(huán)工況進(jìn)行分類，從而保證每類工況間具有等同的相似程度，提升了工況識別的準(zhǔn)確性。文獻(xiàn)［7］通過確定不同類型行駛工況下的駕駛風(fēng)格區(qū)分方法，得到不同駕駛風(fēng)格的車速信息，并與基于反向傳播（BP）神經(jīng)網(wǎng)絡(luò)的行駛工況識別算法相結(jié)合，優(yōu)化了行駛工況識別的識別效果。文獻(xiàn)［8］采用神經(jīng)網(wǎng)絡(luò)模型對各標(biāo)準(zhǔn)工況的特征參數(shù)進(jìn)行訓(xùn)練學(xué)習(xí)以進(jìn)行實(shí)時工況識別，但其在特征參數(shù)選取、典型工況分塊等方面存在著一些不足。

在以上研究的基礎(chǔ)上，本文針對汽車行駛工況在線識別，選取典型道路工況并進(jìn)行分塊，計算得到其對應(yīng)的標(biāo)準(zhǔn)特征參數(shù)向量構(gòu)建初始的神經(jīng)網(wǎng)絡(luò)工況識別模型；對工況識別模型進(jìn)行有效訓(xùn)練以提升識別精度，訓(xùn)練完成后進(jìn)行了工況識別的仿真試驗(yàn)。試驗(yàn)結(jié)果表明，采用訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)工況識別模型能夠有效地對車輛的實(shí)際工況進(jìn)行在線識別。

2 行駛工況選取及特征參數(shù)分析

2.1 行駛工況

按照交通狀況以及行駛地域的不同，行駛工況可以分為市區(qū)道路、郊區(qū)道路、高速公路三種基本類型。針對每類行駛工況，本文各選取了兩種典型道路工況作為代表，總共選取了6種典型道路工況［9］，具體如表1所示。

表1 典型道路工況

如果采用的典型工況樣本時間長度太小，則可能無法包含典型工況的全部有效特征信息，將極大地降低工況識別的識別精度［10］；同時，如果采用的樣本時間過長，會導(dǎo)致典型工況信息庫數(shù)據(jù)過少，導(dǎo)致工況識別的精度降低［11］。因此本文采用如圖1所示的方法，將每種典型工況進(jìn)行4等分，獲得相應(yīng)的工況塊，再將相鄰工況塊中點(diǎn)之間的工況段作為一個工況塊，對典型工況進(jìn)行分割。針對每一種典型工況選取分割后的7個工況塊作為樣本，進(jìn)一步增加樣本的數(shù)量。

圖1 典型工況分段示意圖

2.2 參數(shù)設(shè)定

在獲取了足夠多數(shù)量的典型工況樣本之后，本文選取了10個重要參數(shù)作為工況識別的特征參數(shù)，主要包括：1）平均車速 v'（m/h）；2）最高車速vmax(m/h)；3）平均加速度 a'(m/h2)；4）最大加速度amax(m/h2)；5）平均減速度 d'(m/h2)；6）最大減速度dmax(m/h2)；7）勻速時間比例rc，即車輛勻速的時間和工況樣本總時間的比值；8）加速時間比例ra，即車輛加速的時間和工況樣本總時間的比值；9）減速時間比例rd，即車輛減速的時間和工況樣本總時間的比值；10）怠速時間比例ri，即車輛怠速的時間和工況樣本總時間的比值。

針對所有典型工況塊基于以上的10個特征參數(shù)進(jìn)行計算與分析，整理成具體參數(shù)表。由于篇幅有限，現(xiàn)以MANHATTAN工況為例，列出其對應(yīng)的特征參數(shù)表，如表2所示。

為了消除不同特征參數(shù)之間單位、數(shù)值以及變化范圍對工況識別造成的影響，采用歸一化的方法對各個典型工況塊的特征參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，并形成標(biāo)準(zhǔn)特征參數(shù)向量。變換函數(shù)如下

其中，x為特征參數(shù)原始數(shù)據(jù)；xmin為對應(yīng)特征參數(shù)的最小值；xmax為對應(yīng)特征參數(shù)的最大值。

表2 MANHATTAN工況特征參數(shù)表

3 神經(jīng)網(wǎng)絡(luò)算法的工況識別

3.1 算法概述

工況識別的目的在于在車輛行駛過程中，將車輛的實(shí)際行駛工況識別為與其最為近似的典型道路工況。本文采用神經(jīng)網(wǎng)絡(luò)進(jìn)行工況識別。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于網(wǎng)絡(luò)結(jié)構(gòu)簡單，且不需要對輸入向量進(jìn)行預(yù)處理［12］，因此簡單易行。

神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由三層神經(jīng)元組成［13］：輸入層、競爭層和輸出層，如圖2所示。其中，輸入層神經(jīng)元與競爭層神經(jīng)元之間采用全連接的方式，競爭層神經(jīng)元與輸出層神經(jīng)元之間采用局部方式［14］。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)模型如圖3所示。其中，X為R維的輸入向量；S為競爭層神經(jīng)元個數(shù)；W1為輸入層與競爭層間的權(quán)值矩陣；n1和a1分別為競爭層的輸入和輸出；W2為競爭層與輸出層間的權(quán)值矩陣；n2和Y分別為輸出層的輸入和輸出，K為輸出層神經(jīng)元個數(shù)；||ndist||表示求兩個多維度向量組之間的距離。

圖3 神經(jīng)網(wǎng)模型

3.2 模型應(yīng)用

對應(yīng)于每種行駛工況共有10個特征參數(shù)，因此輸入向量X為10維向量，即輸入層共有10個神經(jīng)元。權(quán)值矩陣W1的每一行向量對應(yīng)競爭層的一個神經(jīng)元，即為某一個典型工況塊對應(yīng)的標(biāo)準(zhǔn)特征參數(shù)向量。因此，競爭層共有6×7=42個神經(jīng)元，矩陣W1為42×10的矩陣。本文選取了6種典型道路工況，因而輸出層共有6個神經(jīng)元，矩陣W2為6×42矩陣，輸出向量Y為6維向量。本工況識別模型中的關(guān)鍵參數(shù)和矩陣的定義如下

其中，xj(j=1，…，10)為輸入向量 X對應(yīng)的第 j個特征參數(shù)值，即為輸入層神經(jīng)元的值。

其中，WiT(i=1，…，42)為第i個標(biāo)準(zhǔn)工況塊對應(yīng)的標(biāo)準(zhǔn)特征參數(shù)向量，wi，j(j=10)為第i個標(biāo)準(zhǔn)工況塊對應(yīng)的第 j個標(biāo)準(zhǔn)特征參數(shù)值。

其中，di(i=1，…，42)為第i個標(biāo)準(zhǔn)工況塊對應(yīng)的標(biāo)準(zhǔn)特征參數(shù)向量WiT與輸入向量X間的歐幾里得距離。其中，向量ai僅有一個元素值為1，其余元素值均為0，值為1的元素對應(yīng)最優(yōu)的典型工況塊。

其中，矩陣W2的每列僅有一個1，其余為0，每一組相鄰的7個1對應(yīng)一種典型道路工況，共有6組這樣相鄰的1。

其中，向量Y僅有一個元素值為1，其余元素值均為0，值為1的元素對應(yīng)最優(yōu)的典型工況塊所屬的典型道路工況。

3.3 算法步驟

本文中，神經(jīng)網(wǎng)絡(luò)工況識別模型的模型訓(xùn)練按照以下步驟進(jìn)行：

步驟1：初始化輸入層與競爭層間神經(jīng)元的權(quán)值 wi，j。其中，wi，j為第 i個標(biāo)準(zhǔn)工況塊對應(yīng)的第j個標(biāo)準(zhǔn)特征參數(shù)值，且

步驟2：以每一個典型工況塊對應(yīng)的標(biāo)準(zhǔn)特征參數(shù)向量WiT作為輸入向量X送入輸入層。

步驟3：根據(jù)式（9）計算每個競爭層神經(jīng)元與輸入向量X間的歐式距離，i=1，…，42。

步驟4：找到與輸入向量X距離最小的競爭層神經(jīng)元，進(jìn)而找到與之連接的輸出層神經(jīng)元，將其對應(yīng)的典型道路工況作為識別結(jié)果，即計算

步驟5：如果識別結(jié)果與輸入向量自身對應(yīng)的工況類別相同，即為正確識別，則根據(jù)式（11）調(diào)整對應(yīng)參數(shù)值；反之為錯誤識別，則根據(jù)式（12）整對應(yīng)參數(shù)值。

其中，δ為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率，且δ為正值［15］。

步驟6：重復(fù)步驟5，直至模型滿足系統(tǒng)誤差要求時認(rèn)為神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程完成，即運(yùn)用該模型能對采集到的隨機(jī)工況進(jìn)行正確的工況識別。

在車輛實(shí)際行駛過程中，連續(xù)地采集時長為150s的實(shí)際工況塊，以此為識別對象將其對應(yīng)的標(biāo)準(zhǔn)特征參數(shù)向量作為輸入向量送入輸入層，重復(fù)步驟3和步驟4［16］，獲取與當(dāng)前實(shí)際工況最接近的典型道路工況，實(shí)現(xiàn)工況在線識別，并將識別結(jié)果作為下一個150s的實(shí)際工況的工況類型，以此為依據(jù)進(jìn)行燃油汽車能量管理。

4 實(shí)驗(yàn)分析

本文隨機(jī)選取了包含市區(qū)道路、郊區(qū)道路以及高速公路的6種典型道路工況，將這6種典型道路工況按照隨機(jī)順序首尾相接，共有720個隨機(jī)組合。從這720個隨機(jī)組合中隨機(jī)選取一個組合（HWFET+NYCC+CSHVR+US06_HWY+WUVSUB+MANHATTAN）作為模擬車輛實(shí)際行駛過程的綜合測試工況，進(jìn)行工況識別仿真驗(yàn)證試驗(yàn)。

將6種典型道路工況首尾相接組成的綜合測試工況是一種包含市區(qū)道路、郊區(qū)道路和高速公路的綜合道路工況，如果針對其整個工況進(jìn)行單一的工況識別，其結(jié)果并不能體現(xiàn)車輛實(shí)際行駛過程中的工況變化過程。故將該綜合測試工況以識別周期150s為單位分割成等長的42個綜合工況塊，通過連續(xù)地對每個工況塊進(jìn)行識別來模擬車輛的實(shí)際行駛過程，驗(yàn)證工況識別模型的可行性。當(dāng)綜合工況塊位于兩種典型工況的交界處時，對應(yīng)的典型工況類型以其包含較多的典型工況為準(zhǔn)。

工況識別的識別精度ε的定義如下［17］：

其中，綜合測試工況以識別周期150s為單位分割成了42等份，且Ca(i)為第i個綜合工況塊實(shí)際對應(yīng)的典型道路工況，Cr(i)為工況識別模型識別出的第i個綜合工況塊對應(yīng)的典型道路工況。當(dāng)某一綜合工況塊位于兩種典型工況的交界處時，以其包含較多的典型工況為準(zhǔn)。依次對每個綜合工況塊進(jìn)行工況識別，模擬車輛的實(shí)際工況識別過程，得到綜合測試工況的識別結(jié)果，如圖4所示。

圖4 綜合測試工況識別結(jié)果

綜合測試工況的識別結(jié)果表明：神經(jīng)網(wǎng)絡(luò)工況識別模型的識別精度為86%，模型可行且識別效果理想，該工況識別模型能夠運(yùn)用于燃油汽車能量管理中。

5 結(jié)語

本文在選取典型道路工況并進(jìn)行分塊后，通過標(biāo)歸一化計算得到對應(yīng)的標(biāo)準(zhǔn)特征參數(shù)向量。構(gòu)建初始的神經(jīng)網(wǎng)絡(luò)工況識別模型，對工況識別模型進(jìn)行有效訓(xùn)練以提升識別精度。將選取的典型工況進(jìn)行隨機(jī)組合進(jìn)而形成一種綜合測試工況，以150s為識別周期進(jìn)行了工況識別的仿真驗(yàn)證試驗(yàn)。仿真試驗(yàn)結(jié)果表明：本文所構(gòu)建的神經(jīng)網(wǎng)絡(luò)工況識別模型能有效地對車輛的實(shí)際行駛工況進(jìn)行工況在線識別。

［1］徐謙謙.汽車自動駕駛英文信息特征提取優(yōu)化仿真［J］.計算機(jī)仿真，2016（11）：175-178.XU Qianqian.Automotive Autonomous English Informa?tion Feature Extraction Optimization Simulation［J］.Com?puter Simulation，2016（11）：175-178.

［2］楊斌，鐘金英.卷積神經(jīng)網(wǎng)絡(luò)的研究進(jìn)展綜述［J］.南華大學(xué)學(xué)報（自然科學(xué)版），2016，30（3）：66-72.YANG Bing，ZHONG Jinying.Review of Convolution Neu?ral Network［J］.Journal of Nanhua University（Science and Technology），2016，30（3）：66-72.

［3］劉永剛，解慶波，秦大同，等.基于工況識別的混合動力汽車能量管理策略優(yōu)化［J］.機(jī)械傳動，2016，40（5）：64-69，73.LIU Yonggang，XIE Qingbo，QIN Datong，et al.Energy Management Strategy Optimization of HEV based on Driv?ing Pattern Recognition［J］.Journal of Mechanical Trans?mission，2016，40（5）：64-69，73.

［4］邱天宇，申富饒，趙金熙.自組織增量學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)綜述［J］.軟件學(xué)報，2016（9）：2230-2247.QIU Tianyu，SHEN Furao，ZHAO Jinxi.Review of Self-Organizing Incremental Neural Network［J］.Journal of Software，2016（9）：2230-2247.）

［5］詹森，秦大同，曾育平.基于遺傳優(yōu)化K均值聚類算法工況識別的混合動力汽車能量管理策略［J］.中國公路學(xué)報，2016，29（4）：130-137，152.ZHAN Sen，QIN Datong，ZENG Yuping.Energy Manage?ment Strategy of HEV Based on Driving Cycle Recognition Using Genetic Optimized K-means Clustering Algorithm［J］.Chinese Journal of Highway Engineering，2016，29（4）：130-137，152.

［6］秦大同，詹森，曾育平，等.基于駕駛風(fēng)格識別的混合動力汽車能量管理策略［J］.機(jī)械工程學(xué)報，2016，52（8）：162-169.QIN Datong，ZHAN Sen，ZENG Yuping，et al.Energy man?agement strategy of hybrid electric vehicle based on driv?ing style recognition［J］.Journal of Mechanical Engineer?ing，2016，52（8）：162-169.

［7］陳志佳，朱元昌，邸彥強(qiáng)，等.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的IaaS云資源需求預(yù)測方法［J］.華中科技大學(xué)學(xué)報（自然科學(xué)版），2016，44（1）：46-51.CHEN Zhijia，ZHU Yuanchang，DI Yanqiang，et al.IaaS cloud resource demand forecasting method based on Im?proved Neural Network［J］.Journal of Huazhong Universi?ty of Science and Technology（Natural Science Edition），2016，44（1）：46-51.

［8］王楠，劉衛(wèi)國，張君媛，等.基于視覺傳感器的ADAS縱向行駛工況識別方法研究［J］.交通信息與安全，2015，33（1）：41-46.WANG Nan，LIU Weiguo，ZHANG Junyuan，et al.Identifi?cation method of ADAS longitudinal running condition based on vision sensor［J］.Traffic information and safety，2015，33（1）：41-46.

［9］秦大同，彭志遠(yuǎn)，劉永剛，等.基于工況識別的混合動力汽車動態(tài)能量管理策略［J］.中國機(jī)械工程，2014（11）：1550-1555.QIN Datong，PENG Zhiyuan，LIU Yonggang，et al.Dynam?ic energy management strategy of hybrid electric vehicle based on condition identification［J］.China Mechanical Engineering，2014（11）：1550-1555.

［10］何偉銘，宋小奇，甘屹，等.傳感器校正的優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)建模方法研究［J］.儀器儀表學(xué)報，2014（3）：504-512.HE Weiming，SONG Xiaoqi，GAN Qi，et al.Research of optimized grey neural network modeling method for sen?sor calibration［J］.Journal of instrument and instrument.2014（3）：504-512.

［11］藺宏良，余強(qiáng)，張雪莉.市區(qū)道路車輛行駛工況研究進(jìn)展［J］.機(jī)械科學(xué)與技術(shù)，2014（2）：282-288.LIN Hongliang，YU Qiang，ZHANG Xueli.Research progress of vehicle running condition in urban area［J］.Mechanical science and technology，2014（2）：282-288.

［12］李建坡，姜雪，隋吉生.電動汽車充電站RFID智能信息管理系統(tǒng)［J］.自動化儀表，2013（11）：62-65.LI Jianpo，JIANG Xue，SUI Jisheng.RFID intelligent in?formation management system for electric vehicle charg?ing station［J］.Automatic instrument，2013（11）：62-65.

［13］張曉丹，黃海燕.基于免疫克隆算法的LVQ聚類算法權(quán)值優(yōu)化［J］.計算機(jī)科學(xué)，2013（1）：27-28，53.ZHANG Xiaodan，HUANG Haiyan.Weight optimization of LVQ clustering algorithm based on Immune Clonal Al?gorithm［J］.Computer science，2013（1）：27-28，53.

［14］楊守建，陳懇.BP神經(jīng)網(wǎng)絡(luò)性能與隱藏層結(jié)構(gòu)的相關(guān)性探究［J］.寧波大學(xué)學(xué)報（理工版），2013（1）：48-52.YANG Shoujian，CHEN Ken.Research on the correla?tion between BP neural network performance and hidden layer structure［J］.Journal of Ningbo University（Sci?ence and Engineering Edition），2013（1）：48-52.

［15］宋海生.基于擴(kuò)展OPAX傳遞路徑方法的輕型客車振動控制研究［D］.長春：吉林大學(xué)，2012：34-36.SONG Haisheng.Research on vibration control of light passenger car based on extended OPAX transfer path method［D］.Changchun：Jilin University，2012：34-36.

［16］林歆悠，孫冬野.基于工況識別的混聯(lián)式混合動力客車控制策略研究［J］.中國機(jī)械工程，2012（7）：869-874.LIN Xinyou，SUN Dongye.Research on control strategy of hybrid electric bus based on condition identification［J］.China Mechanical Engineering，2012（7）：869-874.

［17］田毅，張欣，張良，等.神經(jīng)網(wǎng)絡(luò)工況識別的混合動力電動汽車模糊控制策略［J］.控制理論與應(yīng)用，2011（3）：363-369.TIAN Yi，ZHANG Xin，ZHANG Liang，et al.Fuzzy con?trol strategy of hybrid electric vehicle based on condition identification of neural network［J］.Control theory and Application，2011（3）：363-369.

Research on Vehicle Identification Based on Neural Network Algorithm

SHI Jun
（Xi'an Railway Vocational and Technical Institute，Xi'an 710026）

Aiming at the identification problem of vehicle driving，by selecting 6 typical road conditions as the initial condi?tions for each sample identification，a typical road conditions are divided into blocks to identify the sample expansion，and selected 10 to fully characterize the working characteristic and calculating parameters，characteristic parameters of every kind of typical the condition of value standard parameter vector is normalized after the formation of the corresponding neural network mode recognition model，constructing learning vector quantization of the initial condition of recognition model for effective training in order to improve the precision of the models.The neural network algorithm is completed after the training of the model，and the work condition identi?fication and simulation test are carried out under the condition of comprehensive test.The experimental results show that the trained neural network algorithm can effectively identify the actual working conditions.

neural network，learning vector quantization，vehicle running，condition identification

Class Number TP391

TP391

10.3969/j.issn.1672-9722.2017.12.003

2017年6月7日，

2017年7月28日

國家自然科學(xué)基金-青年項(xiàng)目“基于駕駛意圖的電動汽車電液復(fù)合制動協(xié)調(diào)控制系統(tǒng)研究”（編號：51507013）資助。

史駿，男，碩士，講師，研究方向：控制工程，機(jī)電一體化。