藍志寶 王 哲 蔣華梁 羅 旭

（1.上汽通用五菱汽車股份有限公司，廣西 柳州 540057；2.武漢理工大學，湖北 武漢 430070）

0 前言

車輛駕駛性是指車輛對駕駛員采取的相關操作所做出的相應的動態(tài)響應，它反映了車輛的動態(tài)性能。目前，國內外評價車輛駕駛性的方法包括主觀評價和客觀評價。主觀評價是駕駛評測師通過特定的駕駛方案給駕駛主觀感受打分，打分結果會在很大程度上受主觀感受的影響?？陀^評價是通過分析汽車行駛的原始數(shù)據(jù)，并結合所研究車輛選取合適的客觀指標對車輛駕駛性進行分析。

針對主觀評價，HYOSEONG 等人通過改變車內噪聲的品質來探究主觀評價結果的作用情況。楊家成等人提出用模糊層次分析法構建權重和離散系數(shù)，以驗證試車員的評價能力。針對客觀評價，黃偉等人通過計算主、客觀權重設計了車輛蠕行工況駕駛性的綜合權重優(yōu)化模型，構建了更加完善的評估體系。莫易敏等人使用神經網絡搭建了急加速工況的駕駛性評價模型，提高了預測的準確率。劉海江等人通過小波去噪的方式保留了原始數(shù)據(jù)中的有效成分，提高了客觀評價指標的準確性。孫博等人采用動力總成臺架模擬整車駕駛性評價，大大降低了試驗成本。

該文選取車輛靜止起步工況，利用BP 神經網絡建立主觀評價、客觀評價之間的關系，用數(shù)據(jù)指標來彌補主觀評價一致性差的問題。

1 起步工況客觀評價指標

1.1 起步工況分析

起步工況是車輛在靜止狀態(tài)下通過駕駛員的一系列操作使車輛速度由0 km/h 加速到某個閾值的狀態(tài)。在起步工況中，車輛的速度由0 km/h 加速到某個閾值，從工況角度分析，希望起步時間盡可能短，車的狀態(tài)盡可能平穩(wěn)，但當車輛突然改變狀態(tài)時，會使加速度呈現(xiàn)一個從無到有的顛簸過程，這勢必會影響駕駛員的舒適性。因此，需要從起步過程中的動態(tài)指標、駕駛的舒適性2 個方面對起步工況駕駛性進行分析。

車輛加速度的大小決定了起步時間的長短，而加速度的變化又會影響駕駛員對舒適性的直觀感受，因此選取起步工況中的峰值加速度、最大變加速度、發(fā)動機轉速正向超調量以及加速度顛簸等指標來評價車輛的運行情況。由于動力傳動系統(tǒng)存在延遲性，當踩下加速踏板時，發(fā)動機轉速、車速并不會瞬間變化，這也會給人體反饋機制帶來不適，因此選取制動踏板釋放延遲、響應延遲和動力丟失等指標以及加速度信號綜合評價車輛起步工況的動態(tài)性和駕駛舒適性，相關指標見表1。

表1 駕駛性客觀評價指標

1.2 起步工況指標說明

用圖形展示表1 中的性能指標，如圖1、圖2 所示。

圖1 踏板釋放延遲與車速變化關系

圖2 發(fā)動機轉速與加速度

客觀評價指標的具體含義如下：1） 響應延遲。響應延遲是指油門踏板開度變化與速度變化之間的延遲時間，將踩下油門踏板至加速度達到1 m/s所經歷的時間記為響應延遲（越大表示車輛傳動效率越低，動態(tài)性不好），如公式（1）所示。2） 峰值加速度。峰值加速度是整個工況中加速度的最大值，如公式（2）所示。3） 最大變加速度。最大變加速度是加速度變化最大的位置，在圖2 中為加速度曲線斜率最大的點，如公式（3）所示。4） 加速度沖擊。加速度沖擊是給定區(qū)間加速度峰值與之后第一個波谷的加速度差值，如公式（4）所示。5） 加速度顛簸。將加速度達到峰值后的5 個加速度沖擊記為加速度顛簸。6） 加速度擾動。受外界因素的影響，汽車運行過程中的加速度曲線會在理想范圍內波動，加速度擾動采用平均值（）、均方根（）以及振動劑量值（）3 個指標來表述。其中，平均值、均方根以及振動劑量值如公式（5）～公式（7）所示。7） 制動踏板釋放延遲。以完全釋放踏板為時間節(jié)點，將車輛加速度增量超過0.1 m/s所用的時間作為標記，如果此時已超過0.1 m/s，則該項指標記為0。8） 油門踏板響應延遲。油門踏板響應延遲是指油門踏板開度開始大于0%至車輛加速度高于1.0 m/s時所用的時間。9） 轉速正向超調量。轉速正向超調量是指在起步工況中發(fā)動機轉速的最大值與平穩(wěn)轉速的差值，正常起步過程超調量不宜過大。10） 動力丟失。動力丟失是指在油門開度變化的瞬間，因發(fā)動機進氣量的改變而導致阻力增加，從而出現(xiàn)加速度突然下降的現(xiàn)象，并用踩下油門踏板前后加速度沖擊值來衡量。

式中：t為響應延遲時間，s；t為加速度到達1 m/s的時刻，s；t為踩下油門踏板的時刻，s。

式中：為峰值加速度，m/s；為起步工況的時刻，s；為該時刻所對應的車速，m/s。

式中：為最大變加速度，m/s；為起步工況的時刻，s；為該時刻所對應的車輛加速度，m/s。

式中：Δ為加速度沖擊，m/s；為加速度峰值，m/s；a為對應時間后加速度曲線的第一個波谷值，m/s。

式中：a為加速度平均值，m/s；a為第個加速度信號值，m/s；為加速度信號個數(shù)。

式中：a為均方根，m/s。

式中：a為振動劑量值，m/s。

2 駕駛性評價模型

2.1 神經網絡類型選擇及原理

在評估車輛起步工況的駕駛性時，需要通過大量的試驗數(shù)據(jù)尋找駕駛員主觀評價等級與汽車客觀工況指標之間的聯(lián)系。神經網絡系統(tǒng)在這方面具有突出的優(yōu)勢，當處理2 個變量的關系時，可以通過大量的訓練模型來構建兩者的預測關系。由于BP 神經網絡系統(tǒng)具有很強的映射關系，因此選用該系統(tǒng)來搭建起步工況的駕駛性評價模型。

BP 神經網絡是一種信號向前傳遞、誤差反向傳遞的多層前饋網絡，主要包括輸入層、隱含層及輸出層。輸入信號經過輸入層、隱含層以及輸出層的處理得到輸出值，與期望值進比較，將得到的誤差反饋到每層，從而對系統(tǒng)進行校正，其網絡拓撲圖如圖3 所示。

圖3 BP 神經網絡拓撲圖

2.2 駕駛性評價模型搭建

根據(jù)需求對已選取的BP 神經網絡系統(tǒng)進行設計，最終要確定神經網絡的層數(shù)和節(jié)點數(shù)。神經網絡的層數(shù)由隱藏層的數(shù)量決定，從理論上來說，層數(shù)越深其擬合效果越理想，但是層數(shù)過深就會存在過擬合和訓練難度增加的缺點?？紤]駕駛性的主觀評價、客觀評價所涉及的變量個數(shù)有限，因此選用相對簡單的單隱含層設計。

由第2 節(jié)的9 個駕駛性的客觀評價指標和1 個評分指標可知，神經網絡的輸入節(jié)點為9，輸出節(jié)點為1。同時，根據(jù)公式（8）可以得出最終的模型結構為9-6-1。

式中：和分別為輸入節(jié)點數(shù)和輸出節(jié)點數(shù)；為隱含層節(jié)點數(shù)；為0～10 的常數(shù)。

利用MATLAB 軟件中的Neural Fitting 工具箱搭建駕駛性預測模型（并選用Levenberg-Marquardt 算法）。搭建的起步工況駕駛性評價預測模型流程如圖4 所示。

圖4 靜止起步工況駕駛性預測模型構建流程

3 實車試驗驗證

3.1 駕駛性試驗與數(shù)據(jù)采集

該試驗選用某企業(yè)的3 款SUV 車型，分別為搭載CVT變速箱的V、搭載AT 變速箱的V以及搭載DCT 變速箱的V。每款車都是企業(yè)用于測試的車輛，并已過磨合期，各項指標符合要求，如圖5 所示（通過AVL-Drive 數(shù)據(jù)采集儀收集實車試驗所需的數(shù)據(jù)）。車輛在平直的公路上靜止，松開制動踏板時開展2 種試驗：1） 以25%油門開度使車輛從0 km/h 加速到10 km/h 的穩(wěn)定車速。2）以50%油門開度使車輛從0 km/h 加速到10 km/h的穩(wěn)定車速。在松開制動踏板前開始采集數(shù)據(jù)（每輛車各140組原始數(shù)據(jù)，共計420 組原始數(shù)據(jù)）。

圖5 實車試驗現(xiàn)場圖

3.2 預測模型訓練

對420 組原始數(shù)據(jù)進行整理，從而得到客觀評價指標的量化值，并從每組數(shù)據(jù)中隨機選出100組數(shù)據(jù)用于神經網絡的訓練方案。考慮BP 神經網絡各層節(jié)點的相互影響，因此需要消除因量綱不同而帶來的實驗結果的差異，該文選用歸一化的方式進行處理，使各個指標可以進行加權等運算，以對駕駛性進行綜合評價。歸一化方法有最大最小法和平均數(shù)方差法，最大最小法的函數(shù)如公式（9）所示。

式中：為歸一化后數(shù)據(jù)；x為原始數(shù)據(jù)；為數(shù)據(jù)序列的最小值；為數(shù)據(jù)系列的最大值。

平均數(shù)方差法的函數(shù)如公式（10）所示。

式中：、、x和x分別為數(shù)據(jù)序列的最小值、最大值、平均值和方差。

將樣本數(shù)據(jù)按照14 ∶3 ∶3 的比例劃分為訓練集、驗證集以及測試集，并利用MATLAB 軟件中的神經網絡工具箱進行模擬訓練。在訓練過程中，值的收斂情況如圖6 所示。預測模型一共訓練了13 步，在訓練過程中各數(shù)據(jù)集值均逐步降低，在第8 步值達到最低（0.003 039 6）。

圖6 起步工況模型訓練過程loss 值收斂圖

求取2 個預測模型訓練過程中各數(shù)據(jù)集預測值與真實值間的誤差，誤差分布情況如圖7 所示。

圖7 起步工況模型訓練誤差分布圖

預測模型的誤差分布在-0.132 7～0.202 5，最小誤差絕對值為 0.008 459，最大負值誤差由訓練集數(shù)據(jù)產生，最大正值誤差由訓練集及驗證集數(shù)據(jù)產生。由此可見，通過該模型進行預測的誤差絕對值小于0.25，誤差表現(xiàn)良好。

用線性擬合方案探尋預測值與真實值之間的相關性，結果如圖8 所示。訓練集、驗證集、測試集以及總的相關系數(shù)分別為0.994 0、0.993 9、0.979 0 以及0.992 7。預測值與真實值間的相關系數(shù)大于0.95，說明預測值與真實值的結果相關度很高，預測值在一定程度上能反映真實值的大小。

圖8 起步工況模型訓練各數(shù)據(jù)集線性相關度

3.3 預測模型準確率驗證

為了驗證訓練集測試的模型的準確性，現(xiàn)從剩余的試驗數(shù)據(jù)中選取20 組進行驗證試驗。

為了驗證加速工況中2 個預測模型在未知實際輸出值情況下的預測能力，在140 組數(shù)據(jù)集剩余的40 組數(shù)據(jù)中隨機選取20 組數(shù)據(jù)對模型進行檢驗，結果見表2。

由表2 可知，誤差最小值為第7 組的0.002，最大值為第5 組的0.440。美國駕駛性評分標準SAEJ1441 將駕駛性區(qū)分為5 個等級，見表3。

現(xiàn)以誤差小于0.5 作為合格率評定指標，則該起步工況駕駛性評價預測模型的合格率為100%。表明對試驗車輛起步工況來說，BP 神經網絡預測模型有很高的精度，可以為駕駛性的主觀評價、客觀評價提供一種可靠的方法。

4 結語

該文對靜止起步工況中車輛運行的各項速度、加速度以及延遲性等指標進行測定和分析，借助BP 神經網絡強大的映射關系，將車輛的這些指標作為衡量評判駕駛性的標準，以解決由駕駛性主觀評價所帶來的一致性差和難以復現(xiàn)的問題，并通過試驗驗證了模型的準確性。但是由于所選車輛和所選工況的特殊性，因此不能保證該方案的全局適用性，還需要進一步對預測模型的準確率進行驗證。