一种基于BP神经网络控制的车辆侧风试验方法

摘要

本发明公开了一种基于BP神经网络控制的车辆侧风试验方法，包括：步骤一、按照采样周期，起始端电磁装置通电电流I

说明书

技术领域

本发明涉及车辆测试领域，具体涉及一种基于BP神经网络控制的车辆侧风试验方法。

背景技术

当风向与驾驶方向不完全平行的时候，这种风被称作具有侧风分量，意思是这种风可以分成两个部分，一个侧风，和一个顺风/逆风分量。在这种条件下，车辆的表现与只遇到其侧风分量时相同。侧风分量是由风与行进方向的夹角的正弦乘以风速，逆风分量与侧风分量计算方式相同，只是使用余弦而非正弦。侧风在湿滑路面上行驶时也会造成麻烦，尤其是有瞬时强风，并且车辆侧面面积较大的时候。这对于驾驶员来说具有危险，因为可能产生升力，同时引发车辆方向改变。传统的汽车风洞侧风试验方法主要是用横摆模型法、引入侧风法。但这两种方法均不能够准确的模拟汽车在道路行驶过程中的真实情况，对汽车的测试容易造成一定的误差。

发明内容

本发明设计开发了一种基于BP神经网络控制的车辆侧风试验方法，本发明的发明目的是提供基于BP神经网络通过对两端的电磁装置电流进行控制后对通过模拟地面的速度进行控制，从而更好的测试侧风试验数据。

本发明提供的技术方案为：

一种基于BP神经网络控制的车辆侧风试验方法，包括如下步骤：

步骤一、按照采样周期，起始端电磁装置通电电流I_a，结束端电磁装置通电电流I_b，模拟装置到起始端距离D_a，模拟装置到结束端端距离D_b，模拟装置运行速度V，侧风试验风速v；

步骤二、依次将上述参数进行规格化，确定三层BP神经网络的输入层向量x＝{x₁,x₂,x₃,x₄,x₅,x₆}；其中，x₁为起始端电磁装置通电电流系数、x₂为结束端电磁装置通电电流系数、x₃为模拟装置到起始端距离系数、x₄为模拟装置到结束端距离系数、x₅为模拟装置运行速度系数、x₆为侧风试验风速系数；

步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y₁,y₂,…,y_m}；m为中间层节点个数；

步骤四、得到输出层向量o＝{o₁,o₂,o₃,o₄}；o₁为起始端电磁装置通电电流调节系数、o₂为结束端电磁装置通电电流调节系数、o₃为起始端电磁装置通电电流方向调节系数、o₄为结束端电磁装置通电电流方向调节系数；

步骤五、控制起始端电磁装置通电电流和结束端电磁装置通电电流，使

其中，分别为第i次采样周期输出层向量前两个参数，I_{a_max}、I_{b_max}分别为起始端电磁装置最大通电电流和结束端电磁装置最大通电电流，I_a(i+1)、I_b(i+1)分别为第i+1个采样周期时起始端电磁装置通电电流和结束端电磁装置通电电流；

步骤六、根据第i次周期中的起始端电磁装置通电电流、结束端电磁装置通电电流、模拟装置到起始端距离、模拟装置到结束端端距离、模拟装置运行速度和侧风试验风速判定第i+1时起始端电磁装置通电电流方向和结束端电磁装置通电电流方向：

当输出线号时，起始端电磁装置通电电流方向为使模拟装置远离方向，当输出线号时，起始端电磁装置通电电流方向为使模拟装置靠近方向，当输出线号时，结束端电磁装置通电电流方向为使模拟装置靠近方向，当输出线号时，结束端电磁装置通电电流方向为使模拟装置远离方向。

优选的是，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。

优选的是，在步骤二中将起始端电磁装置通电电流I_a，结束端电磁装置通电电流I_b，模拟装置到起始端距离D_a，模拟装置到结束端端距离D_b，模拟装置运行速度V，侧风试验风速v进行规格化的公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数I_a、I_b、D_a、D_b、V、v，j＝1,2,3,4,5,6；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

优选的是，在所述步骤五中，初始运行状态，起始端电磁装置通电电流和结束端电磁装置通电电流满足经验值：

I_a0＝0.43I_{a_max}

I_b0＝0.87I_{b_max}；

其中，I_a0、I_b0分别为起始端电磁装置初始通电电流和结束端电磁装置初始通电电流，I_{a_max}、I_{b_max}分别为起始端电磁装置最大通电电流和结束端电磁装置最大通电电流。

优选的是，所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

优选的是，在所述步骤五中，初始运行状态，起始端电磁装置通电电流满足经验值：

当I_a0＞0.95I_{a_max}时，I_a0＝0.95I_{a_max}，I_b0＝0.28I_{b_max}；

当I_a0＜0.17I_{a_max}时，I_a0＝0.17I_{a_max}，I_b0＝0.87I_{b_max}；

式中，D_a0为模拟装置到起始端初始距离，D_b0为模拟装置到结束端初始距离，μ为模拟地面的摩擦系数，m为模拟装置的质量，C为空气阻力系数，ρ为空气密度，S为模拟装置迎风面积，V为模拟装置运行速度，a为模拟装置运行加速度，e为自然对数的底数，P为经验校正常数。

优选的是，P取值范围为4.75～5.23。

优选的是，在所述步骤五中，初始运行状态，结束端电磁装置通电电流满足经验值：

当0.17I_{a_max}≤I_a0≤0.45I_{a_max}时，I_b0＝2.1γ·I_{b_max}；

当0.45I_{a_max}＜I_a0≤0.95I_{a_max}时，I_b0＝0.53γ·I_{b_max}；

其中，

优选的是，P取值范围为5.1。

本发明与现有技术相比较所具有的有益效果：本发明通过使用BP神经网络根据采集起始端电磁装置通电电流、结束端电磁装置通电电流、模拟装置到起始端距离、模拟装置到结束端端距离和模拟装置运行速度对起始端电磁装置通电电流和结束端电磁装置通电电流进行控制，从而更好的进行车辆的侧风试验。

附图说明

图1为本发明所述的结构示意图。

图2为速度传感器的布置方式示意图。

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所示，本发明提供的一种基于BP神经网络控制的车辆侧风试验方法基于车辆侧风试验系统完成，该车辆侧风试验系统包括：导轨100、起始端电磁装置110、结束端电磁装置120、模拟装置平台200、模拟装置210、试验平台支架140和模拟地面140；在导轨100的起始端固定安装起始端电磁装置110，在结束端固定安装结束端电磁装置120，模拟装置平台200可滑动的固定在导轨100上，模拟装置平台200能够在起始端电磁装置110和结束端电磁装置120通电后在起始端电磁装置110和结束端电磁装置120之间滑动，并且通过调节起始端电磁装置110和结束端电磁装置120的电流和电流方向使模拟装置平台200以不同的速度和运动方向滑动，模拟装置210固定安装在模拟装置平台200，在试验平台支架140下安装速度传感器和测力传感器，当模拟装置平台200带着模拟装置210通过模拟地面141时，进行侧风试验，通过速度传感器和测力传感器测试模拟装置的通行速度和受力变化，并且将数据进行实时传输，同时本系统中还实时采集起始端电磁装置110和结束端电磁装置120的电流和电流方向数据，也同时采集模拟装置210分别到起始端电磁装置110和结束端电磁装置120的距离。

车辆侧风试验系统还包括防撞块130，防撞块130设置在靠近结束端电磁装置120的位置，在模型装置210将要制动时起到缓冲作用，防止模拟装置210快速撞击到结束端电磁装置120上。

如图2所示，速度传感器300采用光电式传感器，布置在模型运动轨道下方，布置数量为7个，匀速阶段布置间距250mm，该速度传感器300用于监测模拟装置运动速度。

测力传感器采用压电类型传感器，内置于测力传感器盒中，布置于模拟装置下方，在模拟装置运动阶段采集试验模型由于受力引起的电压变化信号，并将此信号实时无线传输给信号放大端及信号转换系统，从而转换成气动力数据，完成试验目的。

本发明提供了一种基于BP神经网络控制的车辆侧风试验方法，控制步骤如下：

步骤一、建立BP神经网络模型。

本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出。第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁,x₂,...,x_n)^T

中间层向量：y＝(y₁,y₂,...,y_m)^T

输出向量：O＝(o₁,o₂,...,o_p)^T

本发明中，输入层节点数为n＝6，输出层节点数为p＝4。隐藏层节点数m由下式估算得出：

输入信号6个参数分别表示为：x₁为起始端电磁装置通电电流系数、x₂为结束端电磁装置通电电流系数、x₃为模拟装置到起始端距离系数、x₄为模拟装置到结束端距离系数、x₅为模拟装置运行速度系数、x₆为侧风试验风速系数。

由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，监测起始端电磁装置通电电流I_a，进行规格化后，得到起始端电磁装置通电电流系数x₁：

其中，I_{a_min}和I_{a_max}分别为所述起始端电磁装置最小通电电流和最大通电电流。

同样的，监测结束端电磁装置通电电流I_b，进行规格化后，得到结束端电磁装置通电电流系数x₂：

其中，I_{b_min}和I_{b_max}分别为所述起始端电磁装置最小通电电流和最大通电电流。

监测模拟装置到起始端距离D_a，进行规格化后，得到模拟装置到起始端距离系数x₃：

其中，D_{a_min}和D_{a_max}分别为所述模拟装置到起始端最小距离和最大距离。

同样的，监测模拟装置到结束端距离D_b，进行规格化后，得到模拟装置到结束端距离系数x₄：

其中，D_{b_min}和D_{b_max}分别为所述模拟装置到结束端最小距离和最大距离。

使用速度传感器监测的模拟装置运行速度V，进行规格化后，得到模拟装置运行速度系数x₅：

其中，V_min和V_max分别为所述模拟装置的最小运行速度和最大运行速度。

监测侧风试验风速v，进行规格化后，得到侧风试验风速系数x₆：

其中，v_min和v_max分别为所述侧风试验的最小风速和最大运行速度。

输出信号的4个参数分别表示为：o₁为起始端电磁装置通电电流调节系数、o₂为结束端电磁装置通电电流调节系数、o₃为起始端电磁装置通电电流方向调节系数、o₄为结束端电磁装置通电电流方向调节系数。

起始端电磁装置通电电流调节系数o₁表示为下一个采样周期中起始端电磁装置通电电流与当前采样周期中起始端电磁装置通电电流设定最高电流之比，即在第i个采样周期中，采集到的起始端电磁装置通电电流为I_ai，通过BP神经网络输出第i个采样周期的起始端电磁装置通电电流调节系数后，控制第i+1个采样周期中起始端电磁装置通电电流为I_a(i+1)，使其满足

结束端电磁装置通电电流调节系数o₂表示为下一个采样周期中结束端电磁装置通电电流与当前采样周期中结束端电磁装置通电电流设定最高电流之比，即在第i个采样周期中，采集到的结束端电磁装置通电电流为I_bi，通过BP神经网络输出第i个采样周期的结束端电磁装置通电电流调节系数后，控制第i+1个采样周期中结束端电磁装置通电电流为I_b(i+1)，使其满足

根据第i次周期中的起始端电磁装置通电电流、结束端电磁装置通电电流、模拟装置到起始端距离、模拟装置到结束端端距离、模拟装置运行速度和侧风试验风速判定第i+1时起始端电磁装置通电电流方向和结束端电磁装置通电电流方向：当输出线号时，起始端电磁装置通电电流方向为使模拟装置远离方向，当输出线号时，起始端电磁装置通电电流方向为使模拟装置靠近方向，当输出线号时，结束端电磁装置通电电流方向为使模拟装置靠近方向，当输出线号时，结束端电磁装置通电电流方向为使模拟装置远离方向

步骤二、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值w_ij，隐层节点j和输出层节点k之间的连接权值w_jk，隐层节点j的阈值θ_j，输出层节点k的阈值θ_k、w_ij、w_jk、θ_j、θ_k均为-1到1之间的随机数。

在训练过程中，不断修正w_ij和w_jk的值，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。

如表1所示，给定了一组训练样本以及训练过程中各节点的值。

表1训练过程各节点值

步骤三、采集电磁装置通电电流运行参数和模拟装置到起始端或者结束端的距离，输入神经网络得到调控系数及紧急停车信号。

将训练好的人工神经网络固化在FPGA芯片之中，使硬件电路具备预测和智能决策功能，从而形成智能硬件。智能硬件加电启动后，起始端电磁装置和结束端电磁装置均已最大的通电电流开始运行，即起始端电磁装置初始通电电流为I_a0＝0.43I_{a_max}，结束端电磁装置初始通电电流为I_b0＝0.87I_{b_max}。

同时使用速度传感器测量模拟装置初始运行速度V₀、监测侧风试验起始风速v₀，通过将上述参数规格化，得到BP神经网络的初始输入向量通过BP神经网络的运算得到初始输出向量

步骤四、控制起始端电磁装置和结束端电磁装置的电流和电流方向。

得到初始输出向量后，即可进行电流大小和方向的调控，调节起始端电磁装置和结束端电磁装置的电流，使下一个采样周期起始端电磁装置和结束端电磁装置的电流分别为：

获取第i个采样周期的起始端电磁装置通电电流I_ai、结束端电磁装置通电电流I_bi、模拟装置到起始端距离D_ai、模拟装置到结束端端距离D_bi、模拟装置运行速度V_i，侧风试验风速v_i，通过进行格式化得到第i个采样周期的输入向量通过BP神经网络的运算得到到第i个采样周期的输出向量然后控制起始端电磁装置和结束端电磁装置的电流和电流方向分别为：

步骤五、根据第i次周期中的起始端电磁装置通电电流、结束端电磁装置通电电流、模拟装置到起始端距离、模拟装置到结束端端距离和模模拟装置运行速度和侧风试验风速判定第i+1时起始端电磁装置通电电流方向和结束端电磁装置通电电流方向：

当输出线号时，起始端电磁装置通电电流方向为使模拟装置远离方向，当输出线号时，起始端电磁装置通电电流方向为使模拟装置靠近方向，当输出线号时，结束端电磁装置通电电流方向为使模拟装置靠近方向，当输出线号时，结束端电磁装置通电电流方向为使模拟装置远离方向。

通过上述设置，通过实时检测起始端电磁装置和结束端电磁装置的运行状态，监测模拟装置到起始端和结束端的距离，监测模拟装置运行速度和侧风试验风速，通过采用BP神经网络算法，对起始端电磁装置和结束端电磁装置的电流和电流方向进行调控，使侧风试验测试结果更准确，同时也实现了起始端电磁装置和结束端电磁装置运行参数的自动控制。

在另一种实施例中，在步骤三中，初始运行状态，起始端电磁装置通电电流满足经验值：

当I_a0＞0.95I_{a_max}时，I_a0＝0.95I_{a_max}，I_b0＝0.28I_{b_max}；

当I_a0＜0.17I_{a_max}时，I_a0＝0.17I_{a_max}，I_b0＝0.87I_{b_max}；

式中，D_a0为模拟装置到起始端初始距离，D_b0为模拟装置到结束端初始距离，μ为模拟地面的摩擦系数，m为模拟装置的质量，C为空气阻力系数，ρ为空气密度，S为模拟装置迎风面积，V为模拟装置运行速度，a为模拟装置运行加速度，e为自然对数的底数，P为经验校正常数，P取值范围为4.75～5.23；在本实施中，作为一种优选，P取值范围为5.1。

在另一种实施例中，在所述步骤五中，初始运行状态，结束端电磁装置通电电流满足经验值：

当0.17I_{a_max}≤I_a0≤0.45I_{a_max}时，I_b0＝2.1γ·I_{b_max}；

当0.45I_{a_max}＜I_a0≤0.95I_{a_max}时，I_b0＝0.53γ·I_{b_max}；

其中，

式中，D_a0为模拟装置到起始端初始距离，D_b0为模拟装置到结束端初始距离，μ为模拟地面的摩擦系数，m为模拟装置的质量，C为空气阻力系数，ρ为空气密度，S为模拟装置迎风面积，V为模拟装置运行速度，a为模拟装置运行加速度，e为自然对数的底数，P为经验校正常数，P取值范围为4.75～5.23；在本实施中，作为一种优选，P取值范围为5.1。

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。