摘要：針對(duì)整車級(jí)電磁兼容輻射狀態(tài)難以準(zhǔn)確評(píng)估的難題，本文提出了基于同平臺(tái)下多種電器元器件組合的輸入模型，并將BP神經(jīng)網(wǎng)絡(luò)融入Adaboost架構(gòu)中建立整車級(jí)的輻射狀態(tài)預(yù)測(cè)方法。在該方法中，首先對(duì)整車多種電器元器件組合進(jìn)行篩選，對(duì)整車輻射狀態(tài)的歷史測(cè)試數(shù)據(jù)進(jìn)行歸一化后作為輸入模型，同時(shí)將BP神經(jīng)網(wǎng)絡(luò)作為單個(gè)弱分類器對(duì)輸入模型進(jìn)行訓(xùn)練學(xué)習(xí)。然后采用Adaboost的弱分類器權(quán)重組合思想將各訓(xùn)練學(xué)習(xí)后的弱分類器進(jìn)行線性組合，得到最終的強(qiáng)分類器。最后在實(shí)際測(cè)試集中對(duì)該強(qiáng)分類器進(jìn)行了測(cè)試，獲得了良好的效果，驗(yàn)證了該方法在同平臺(tái)多配置組合工況下整車級(jí)別輻射狀態(tài)預(yù)測(cè)的可行性和有效性。

關(guān)鍵詞：電磁兼容;BP神經(jīng)網(wǎng)絡(luò);Adaboost算法;預(yù)測(cè)方法

中圖分類號(hào)：U463收稿日期：2022-06-05

DOI：10.19999/j.cnki.1004-0226.2022.07.003

1 前言

隨著我國(guó)對(duì)于新能源汽車產(chǎn)業(yè)的支持不斷加大，新能源車輛在我國(guó)汽車市場(chǎng)占有比例也隨之逐年增高。和傳統(tǒng)的燃油車相比，純電動(dòng)車輛上的電子元器件種類和數(shù)量更多，與之相應(yīng)而來(lái)的EMC（Electromagnetie Compatibility）等問(wèn)題也愈來(lái)愈受到大眾關(guān)注。所謂電磁兼容性，指電子元器件在運(yùn)行工況下既需要有一定的抗環(huán)境干擾能力，同時(shí)自身也不能干擾周圍元器件設(shè)備的整車運(yùn)行

GB 34660-2017《道路車輛電磁兼容性要求和試驗(yàn)方法》2明確規(guī)定了電動(dòng)車輛進(jìn)行輻射發(fā)射的測(cè)試目的和方法。目前，國(guó)內(nèi)車企主要依賴設(shè)計(jì)之初的車輛元器件電磁輻射仿真測(cè)試和車輛定型后的輻射發(fā)射研發(fā)試驗(yàn)來(lái)驗(yàn)證和改進(jìn)整車輻射發(fā)射的問(wèn)題。而在純電驅(qū)動(dòng)汽車中，所搭載的零部件眾多，常見(jiàn)的有蓄電池、電機(jī)、電機(jī)控制器、輸電線纜、雨刮電機(jī)、充電槍等。

為了滿足不同的細(xì)分市場(chǎng)，汽車制造企業(yè)往往需要實(shí)行多樣化的車輛元器件配置組合，即在同一平臺(tái)架構(gòu)下生產(chǎn)多種配置的車輛。傳統(tǒng)的零部件級(jí)別的電磁仿真和整車級(jí)別的研發(fā)測(cè)試不僅耗時(shí)較長(zhǎng)，工作量較大，需耗費(fèi)較大的人力物力成本。因此，如何快速準(zhǔn)確地評(píng)估同一平臺(tái)不同零部件配置組合下整車的電磁輻射狀態(tài)是亟待解決的難題。

由于純電動(dòng)汽車內(nèi)部電氣零部件數(shù)量眾多，內(nèi)部干擾源和敏感部件種類復(fù)雜，線纜耦合路徑差異化較大，因此整車的電磁兼容特性評(píng)估十分復(fù)雜。王東升等[3]提出建立EMC正向開(kāi)發(fā)體系，從開(kāi)發(fā)入手，降低整車EMC后期問(wèn)題的整改投入和風(fēng)險(xiǎn)，但需要全流程各階段的密切配合整體效率偏低，因此目前各車企的主要手段仍以經(jīng)驗(yàn)化和傳統(tǒng)的建模仿真為主。劉紹波等④基于界面條件理論和趨膚效應(yīng)提出了以電動(dòng)汽車供電系統(tǒng)電磁輻射表面電流為例的仿真方法，并在仿真軟件中分析了抑制輻射噪聲的有效措施。陳旭等同樣利用仿真軟件對(duì)車載雨刮電機(jī)的輻射模式進(jìn)行了模擬仿真，從而確定了仿真軟件在零部件級(jí)別的可行性和準(zhǔn)確性。吉林大學(xué)的趙明麗6針對(duì)汽車整車體積龐大、結(jié)構(gòu)復(fù)雜的特點(diǎn)，給出了整車級(jí)電磁輻射發(fā)射仿真模型，并通過(guò)和實(shí)車檢測(cè)對(duì)比，為EMC整改指明了方向。以上傳統(tǒng)的建模仿真評(píng)估需要通過(guò)結(jié)合實(shí)際問(wèn)題后才能選擇合適的計(jì)算方法[7]，實(shí)用性較差，效率不夠高，評(píng)估精度也難盡人意。

近年來(lái)隨著人工智能的普及和深度學(xué)習(xí)的發(fā)展，層出不窮的人工智能算法在各領(lǐng)域中大放異彩，同樣也被應(yīng)用于傳統(tǒng)的汽車電磁兼容評(píng)估中。高鋒等[8]提出了基于多端口理論的汽車整車EMC預(yù)測(cè)方法，并通過(guò)臺(tái)架試驗(yàn)驗(yàn)證了該方法的有效性。李高升等則運(yùn)用數(shù)理統(tǒng)計(jì)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)電磁測(cè)量結(jié)果進(jìn)行數(shù)據(jù)挖掘，提出了電磁兼容模型綜合的概念。其他如小波聚類分析、CNN神經(jīng)網(wǎng)絡(luò)模型、故障樹(shù)理論[10-12]等也都被應(yīng)用于電磁兼容故障診斷中。但上述研究缺乏對(duì)已有測(cè)試數(shù)據(jù)的有效利用，更多側(cè)重于故障源的識(shí)別，在整車級(jí)別電磁兼容的評(píng)估和預(yù)測(cè)上有所欠缺。

針對(duì)同一平臺(tái)多種汽車零部件組合下的整車級(jí)電磁兼容預(yù)測(cè)評(píng)估的難題，本文利用既有的測(cè)試數(shù)據(jù)，將同平臺(tái)下汽車零部件組合特征作為輸入，利用BP神經(jīng)網(wǎng)絡(luò)算法作為弱分類器，并結(jié)合Adaboost框架理論進(jìn)行組合，構(gòu)造基于BP-Adaboost的整車輻射狀態(tài)評(píng)估模型。最后用所構(gòu)建的模型在測(cè)試數(shù)據(jù)集上進(jìn)行測(cè)試，驗(yàn)證該模型的可行性和有效性。

2數(shù)據(jù)預(yù)處理

在整車級(jí)別的輻射發(fā)射試驗(yàn)中，需要對(duì)整車的輻射發(fā)射強(qiáng)度進(jìn)行水平和垂直兩個(gè)極化方向的測(cè)量，包括寬帶輻射和窄帶輻射。通過(guò)將測(cè)試結(jié)果和限值線進(jìn)行比較，從而得出測(cè)試通過(guò)和不通過(guò)兩大類結(jié)果。根據(jù)實(shí)際測(cè)試經(jīng)驗(yàn)可以知道，并非汽車上所有的電氣零部件都對(duì)整車的輻射狀態(tài)有較大影響，因此可以根據(jù)需要，選取有代表性的零部件進(jìn)行分析，具體如表1所示。

統(tǒng)計(jì)某品牌同一平臺(tái)架構(gòu)下的所有電動(dòng)車型的輻射發(fā)射試驗(yàn)數(shù)據(jù)和配置組成，可以提取其主要電氣部件的配置組合作為輸入，整車輻射發(fā)射強(qiáng)度的測(cè)量結(jié)果作為輸出，建立非線性評(píng)估模型。以表1中所列舉的八種電器元件作為輸入構(gòu)建數(shù)據(jù)模型x，（i=1，2，……， 8），j表示每種電器元件的配置型號(hào)。

以表2中窄帶輻射、寬帶輻射和天線極化方向的組合作為輸出，構(gòu)建數(shù)據(jù)模型y，（i=1，2; j =1，2），則對(duì)于同一硬件平臺(tái)下的輸入和輸出可以構(gòu)建以下模型：

3基于BP-Adaboost的評(píng)估模型

3.1 BP神經(jīng)網(wǎng)絡(luò)

作為按照誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）自提出以來(lái)便在各領(lǐng)域得到了廣泛應(yīng)用[13]。和之前的神經(jīng)網(wǎng)絡(luò)不同的是，BP神經(jīng)網(wǎng)絡(luò)引入了反向傳播這一概念[14]，即在訓(xùn)練過(guò)程中計(jì)算正向訓(xùn)練的誤差，并將其反饋前一層進(jìn)行處理，具備很強(qiáng)的處理非線性復(fù)雜問(wèn)題的能力[15]。BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

將上一節(jié)中的輸入模型x。作為BP神經(jīng)網(wǎng)絡(luò)輸人層的輸入，在訓(xùn)練過(guò)程中采用均方根誤差作為反饋輸出，如下式：

式中，0是均方根誤差，t表示節(jié)點(diǎn)號(hào)，n是輸出點(diǎn)的數(shù)，量，f，是神經(jīng)網(wǎng)絡(luò)的輸出，y，是實(shí)際測(cè)量值。

3.2基于BP-Adaboost的預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)固然能夠處理非線性問(wèn)題，但是容易陷入局部最優(yōu)，從而導(dǎo)致過(guò)擬合，因此在這里選用Ada-boost算法框架對(duì)其進(jìn)行優(yōu)化。

Adaboost算法由Yoay Freund 和Robert Schapire 1996年提出，其核心思想是將多個(gè)弱分類器通過(guò)添加相應(yīng)的權(quán)值線性組合成一個(gè)強(qiáng)分類器。Adaboost提供了一種各弱分類器組合的框架，只要各弱分類器的辨識(shí)準(zhǔn)確率高于隨機(jī)判斷，那么由多個(gè)弱分類器最終線性組合而成的強(qiáng)分類器就能夠得到較好的效果（。該框架最大的優(yōu)點(diǎn)即是允許提供多元化的弱分類器，并且弱分類器的效果對(duì)最終的強(qiáng)分類器有著較大影響，因此能夠有效彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)的各種先天性缺點(diǎn)。

圖2給出了BP-Adaboost算法的架構(gòu)圖。首先，基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)造多個(gè)弱分類器，然后采用Adaboost算法原理對(duì)各弱分類器進(jìn)行訓(xùn)練并賦予權(quán)重，最后線性加權(quán)得到最終的強(qiáng)分類器。為了進(jìn)一步描述整個(gè)實(shí)現(xiàn)過(guò)程，可采用如下步驟：

a.基于訓(xùn)練樣本T，初始化樣本權(quán)值：

式中，D，表示第一次選代每個(gè)樣本的權(quán)值，w，，表示第1次選代第i個(gè)樣本的權(quán)值，n為樣本總數(shù)。

b.基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)造弱分類器G（x）。將上節(jié)中各特征的初步分類結(jié)果組合作為輸入F，分類結(jié)果作為輸出，將輸入和輸出歸一化后，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，針對(duì)樣本集進(jìn)行訓(xùn)練，即：

c.與樣本權(quán)值結(jié)合后計(jì)算訓(xùn)練誤差，通過(guò)前一個(gè)弱分類器的分類誤差調(diào)整樣本權(quán)值，應(yīng)用于后一個(gè)弱分類器的訓(xùn)練。具體表達(dá)式為：

式中，e越小，a越大，表示訓(xùn)練誤差越小的弱分類器在最終強(qiáng)分類器中點(diǎn)作用越大。D.，為下一次選代時(shí)樣本的權(quán)值，w為下一次選代時(shí)第i個(gè)樣本的權(quán)值，y，表示第i個(gè)樣本對(duì)應(yīng)的類別（1或-1），G（x，）表示弱分類器對(duì)樣本x，的分類結(jié)果。當(dāng)樣本x，分類正確時(shí)，y，G（x，）為1，反之則為-1。Z，為歸一化系數(shù)，使得所有樣本對(duì)應(yīng)的權(quán)重值之和為1。

d.根據(jù)得到的各弱分類器的權(quán)重系數(shù)，線性組合得到最終的強(qiáng)分類器H（x）并統(tǒng)計(jì)分類錯(cuò)誤率p（x）。若分類錯(cuò)誤率大于設(shè)置閱值，則返回表達(dá)式為進(jìn)行選代，直到分類錯(cuò)誤率滿足要求或達(dá)到選代次數(shù)。相關(guān)表達(dá)式為：

式中，M為弱分類器個(gè)數(shù)，a為弱分類器G（x）的權(quán)值，H（x，）為強(qiáng)分類器分類結(jié)果，y，為期望結(jié)果。

4實(shí)驗(yàn)結(jié)果與分析

4.1參數(shù)設(shè)置

將統(tǒng)計(jì)數(shù)據(jù)中，隨機(jī)抽取60%作為訓(xùn)練數(shù)據(jù)集，其他作為測(cè)試數(shù)據(jù)集。BP-Adaboost算法模型參數(shù)設(shè)置見(jiàn)表3。

該算法模型中使用BP神經(jīng)網(wǎng)絡(luò)作為弱分類器，數(shù)量太少時(shí)無(wú)法達(dá)到滿意的精度，而過(guò)多時(shí)則會(huì)陷入過(guò)擬合，耗費(fèi)訓(xùn)練時(shí)間，BP神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)選擇亦是如此。為了兼顧訓(xùn)練效率和訓(xùn)練精度，本文選擇表3中所設(shè)定的參數(shù)。

4.2實(shí)驗(yàn)結(jié)果

由于實(shí)際輻射測(cè)試中采用單一判別法則，即寬帶或窄帶輻射任一項(xiàng)不合格即為總的測(cè)試不合格，因此對(duì)窄帶輻射和寬帶輻射作與運(yùn)算，將結(jié)果作為一維輸出。將訓(xùn)練好的模型應(yīng)用在測(cè)試集中進(jìn)行驗(yàn)證，其結(jié)果如圖3～圖6所示。

圖3和圖4給出了某次選代中BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效果。從圖中可以看到，單獨(dú)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，由于確認(rèn)樣本的誤差能夠快速達(dá)到最小，此時(shí)梯度并未快速下降，因此訓(xùn)練次數(shù)并未達(dá)到設(shè)定訓(xùn)練次數(shù)即已停止，即單個(gè)神經(jīng)網(wǎng)絡(luò)在該訓(xùn)練樣本中的表現(xiàn)不盡人意。

圖5給出了實(shí)際測(cè)試的效果圖。從圖中可以看到，對(duì)于測(cè)試集，本文作用的BP-Adaboost算法模型有著接近80%的預(yù)測(cè)準(zhǔn)確率，有效地證明了該算法模型對(duì)于同平臺(tái)多配置組合工況下整車級(jí)別輻射狀態(tài)預(yù)測(cè)評(píng)估的可行性。同時(shí)，將本文算法和傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行對(duì)比可以看到，本文算法模型能夠迅速地達(dá)到預(yù)測(cè)穩(wěn)定值，即迅速選代到最佳位置。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)在測(cè)試中呈現(xiàn)較明顯的波動(dòng)性，無(wú)論是預(yù)測(cè)準(zhǔn)確率還是預(yù)，測(cè)穩(wěn)定性都不如本文算法。圖6則給出了本文算法模型運(yùn)行時(shí)長(zhǎng)，可以看到時(shí)長(zhǎng)隨弱分類器個(gè)數(shù)呈線性變化。結(jié)合圖5， BP-Adaboost算法模型在第4次選代時(shí)即已趨近最佳值，因此說(shuō)明該算法能夠在執(zhí)行效率和耗時(shí)上達(dá)到較好的平衡?？梢?jiàn)，使用BP神經(jīng)網(wǎng)絡(luò)作為Adaboost架構(gòu)的弱分類器，使用多個(gè)弱分類器的線性組合進(jìn)行預(yù)測(cè)，不僅能夠保持BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練效率，同時(shí)也大大提升了實(shí)際應(yīng)用效果。

5結(jié)語(yǔ)

為了解決整車EMC建模仿真難度較大、準(zhǔn)確率不高，以及整車輻射狀態(tài)難以預(yù)測(cè)的問(wèn)題，本文提出考慮在同一硬件平臺(tái)、不同電氣元器件配置組合的基礎(chǔ)上，以歷史實(shí)際檢驗(yàn)數(shù)據(jù)為學(xué)習(xí)依據(jù)提出了基于BP-Ada-boost 算法的整車輻射狀態(tài)評(píng)估預(yù)測(cè)模型。該模型運(yùn)用BP神經(jīng)網(wǎng)絡(luò)作為高效快速的弱分類器，并結(jié)合Ada-boost的弱分類器權(quán)重組合思想將各弱分類器進(jìn)行線性組合成最終的強(qiáng)分類器，在實(shí)際應(yīng)用中取得了不錯(cuò)的效果，同時(shí)驗(yàn)證了該算法對(duì)比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，為該算法模型應(yīng)用于特定工況下的整車輻射狀態(tài)評(píng)估預(yù)測(cè)提供了一種新的解決思路。

參考文獻(xiàn)：

[1]藍(lán)波，孫誼，張琦.汽車電磁兼容研究發(fā)展現(xiàn)狀[J].信息技術(shù)，2010（8）：210-212.

[2]GB 34660-2017道路車輛電磁兼容性要求和試驗(yàn)方法[S].

[3]王東升，魏志成，鮑宇，等.汽車電磁兼容正向開(kāi)發(fā)概述[J].汽車電器，2021（10）：36-38.

[4]劉紹波，曹志良，電動(dòng)汽車車內(nèi)電磁輻射的仿真分析研究[J].電子器件，2019，42（1）：236-239.

[5]陳旭，雷雨田、車載雨刮電機(jī)的電磁輻射仿真研究[J].重慶理工大學(xué)學(xué)報(bào)，2020，34（1）：37-43.

[6]趙明麗，電動(dòng)汽車整車電磁輻射發(fā)射仿真研究[D].長(zhǎng)春：吉林大學(xué)，2020.

[7]梁凌紅.汽車整車有限元建模及其電磁輻射干擾仿真研究[D].重慶：重慶大學(xué)，2012.

[8]高鋒，葉城愷，基于多端口網(wǎng)絡(luò)理論的整車EMC預(yù)測(cè)方法[J].汽車工程，2017，39（6）：716-721.

[9]李高升，林成龍.基于現(xiàn)場(chǎng)測(cè)試數(shù)據(jù)的電磁兼容模型綜合方法[J].微波學(xué)報(bào)，2016，32（2）：77-83.

[10]宋健、基于小波及聚類分析的空間相機(jī)電磁兼容故障診斷[D].合肥：中國(guó)科技院大學(xué)，2018.

[11]鮮佩，張曉蕓，高昭昭.基于CNN的電磁輻射源目標(biāo)識(shí)別算法[J].電子信息對(duì)抗技術(shù)，2020，35（2）：34-38.

[12]王靜藏，基于故障樹(shù)的電磁兼容故障診斷方法研究[D].西安：西安電子科技大學(xué)，2014.

[13]郭祥靖，孫判，基于BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)的重型半掛汽車列車AEB控制策略研究[J].汽車工程，2021，43（9）：1350-1359.

[14]莫思雨，周晴，基于MEA-BP 神經(jīng)網(wǎng)絡(luò)的圖像復(fù)原方法[J].電子設(shè)計(jì)工程，2018.26（21）：185-189.

[15]劉慶華，丁文濤.優(yōu)化BP_AdaBoost算法及其交通事件監(jiān)測(cè)[1].同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，43（12）：1829-1832.

[16]張耀楠，吳秋實(shí)，何穎，等，基于級(jí)聯(lián)Adaboost的CT心臟圖像自動(dòng)分割中的初始定位研究[J].信息系統(tǒng)工程，2019（3）：153-155.

[17]程佳兵，鄒湘軍.基于AdaBoost算法的級(jí)聯(lián)分類器對(duì)綠色蕩枝的快速檢測(cè)方法[J].信息技術(shù)，2018，39（5）：40-41.

作者簡(jiǎn)介：

謝耀鋒，1989年生，助理工程師，研究方向?yàn)殡姶偶嫒轀y(cè)試技術(shù)、電力電子技術(shù)。