基于BP神经网络的汽车车内温度计算方法

钟启兴，罗作煌

（惠州市德赛西威汽车电子有限公司，广东惠州 516006）

基于BP神经网络的汽车车内温度计算方法

钟启兴*，罗作煌

（惠州市德赛西威汽车电子有限公司，广东惠州 516006）

本文提出了一种汽车空调车内温度计算方法，采用BP神经网络建立左右双区乘员呼吸点位置的温度值预测模型，用于校准车内温度传感器。本方法在考虑车内温度传感器的各种影响因素的基础上，提高了温度校准的准确性和抗干扰能力，为车内温度控制系统提供了准确地反馈，有效提高汽车空调控制系统对温度控制的稳定性和准确性。

BP神经网络；车内温度计算；汽车空调

0 引言

汽车空调控制系统的车内温度是自动空调控制算法最重要的反馈之一，其信号一般采用车内的内温传感器装置。车内温度传感器一般位于汽车中控台或直接集成在汽车空调控制面板上[1]。但是，自动空调控制器所需要的真正的车内温度反馈信号并不是位于车内温度传感器所采集的温度值，而是乘员呼吸点温度。只有得到有效的乘员呼吸点温度反馈，才能够进行有效的车内温度控制。

然而，汽车空调控制器所运行的环境十分复杂。车内温度传感器由于受到车外温度、车内温度、出风温度、中控台辐射、阳光强度、空调循环模式和吹风模式等众多因素的影响，难以准确反映控制器真正所需要的乘员呼吸点温度以进行车内温度的控制。

基于以上原因，本文设计了一种基于BP神经网络[2]的车内温度计算方法，用于对车内温度传感器进行校准，使其准确反馈车内人体感官位置的温度，从而用于车内温度控制。

1 BP神经网络模型设计

为了准确计算车内乘员呼吸点温度，神经网络的模型输入必须尽可能地囊括所有可能对模型输出产生影响的因素。根据汽车空调系统的实际情况，本文将模型的输入信号确定为：车外温度、鼓风机风速、左右双区分别的出风口空气温度（包括脸部出风口的出风空气温度以及脚部出风口的出风空气温度）、左右双区阳光传感器读数、汽车行驶速度、内外循环空气比例、出风模式以及车内温度传感器温度值。

考虑到需要在 16位单片机实现神经网络，网络结构必须尽可能的简单，但又需要足够有效地对车内温度进行计算。经过反复验证以及结合实际单片机资源的要求，本文采用了三层BP网络结构，其中隐含层节点数确定为7。

2 实验数据

为了对BP神经网络进行有效的训练，需要进行相应的数据采集实验。训练数据必须涵盖表现输入变化的工况，经过车内热学分析后，本文所采用的训练数据包括车外温扫描数据、左右双区设定温度扫描数据、风速扫描数据、出风模式扫描数据、内外循环风门比例扫描数据和阳光强度扫描数据。

本文采用了 IPETronik及热电偶专业采集设备，在汽车环境模拟实验室进行相应的数据采集。车内热电偶布点如图1所示。数据采集界面如图2所示。

图1 车内热电偶分布图

图2 数据采集界面

3 归一化及反归一化处理

在训练神经网络前一般需要对数据进行预处理，一种重要的预处理手段是归一化及反归一化处理[3]。本文所述 BP神经网络模型输入输出信号的范围如表1所示。

表1 模型输入输出信号范围

确定最大值最小值后再根据公式(1)进行归一化处理。

式中：

Pn——归一化处理后的输入或输出；

P——归一化处理前的输入或输出；

PMin——P的最小值；

PMax——P的最大值。

根据公式(2)进行输出的反归一化处理。

式中：

T—— 反归一化后的输出；

TNET——神经网络模型的直接输出；

TMax——输出的最大值；

TMin——输出的最小值。

其中隐含层节点数确定为7。

4 神经网络训练及单片机代码生成

利用Matlab工具箱对BP神经网络进行初始化和训练，网络训练方法采用了L-M优化算法。

BP神经网络在单片机上实现的关键在于如何将神经网络中浮点数定点转换成整型数，特别是激励函数 tansig的定点。本文采用的定点方法是对tansig函数进行取点离散化，再对其定点拟合成由整型数组成的表。效果如图3所示。

通过以下步骤进行基于 Matlab的神经网络代码生成：

1）利用命令“gensim(net)”可将训练完成的神经网络net转换成siumlink；

2）利用Matlab的“Fixed-point Tool”将所有的浮点数定点转换成整型数；

3）利用Matlab的“Code Generation”进行代码生成。

5 模型验证

在完成基于BP神经网络的汽车空调内温算法的模型建立、训练并生成 16位单片机能够运行的代码后，在实际路试环境下进行实验验证。图4为利用神经网络校准后的温度与乘员呼吸点位置的热电偶读数的比较图。

由图4可知，本文所描述的方法可以实现车内温度的准确预测，其标准差为 0.643 ℃，满足了自动控制器的要求。

6 结语

本文提出了一种基于BP神经网络的车内温度计算方法，确定了影响车内温度的输入因素，并设计了符合16位单片机及实际应用需求的网络结构，运用所设计的实验得到的数据对神经网进行训练，完成了对车内温度计算的建模。本文还通过一种离散化实现tansig函数的方法，使得BP神经网络得以在单片机中运行。最后，本文通过实际的道路实验，验证了本文所设计方法具有较高的预测精确度，符合汽车自动空调控制的要求，有效提升了汽车自动空调车内舒适性。

[1]方贸银,李辉.汽车空调技术[M].北京: 机械工业出版社,2002.

[2]潘昊，王晓勇，陈琼，等.基于遗传算法的BP神经网络技术的应用[J].计算机应用,2005,25(12): 2777-2779.

[3]ODOM M D,SHARDA R A.Neural network for bankruptcy prediction[C]// International Joint Conference on Neural Network,San Diego,1990: 17-70.

Calculation Method for Vehicle In-car Temperature Based on BP Neural Network

ZHONG Qi-xing*,LUO Zuo-huang
(Huizhou Desay SV Automotive Co.,Ltd.,Huizhou,Guangdong 516006,China)

A method to calculate vehicle in-car temperature was proposed and the prediction model for the breath point temperature of the passenger in left/right zones was developed based on BP neural network,which is used to correct the in-car temperature sensor.The accuracy and the antijamming capability are improved by taking multi influence factors into consideration;the accurate temperature feedback for in-car temperature controlling system is provided,and the stability and accuracy of the temperature control for the vehicle air conditioner controller system are improved effectively.

BP neural network;Vehicle in-car temperature calculation;Automobile air conditioning

10.3969/j.issn.2095-4468.2014.06.207

*钟启兴（1978-），男，工程师，学士。研究方向：汽车空调控制。联系地址：惠州仲恺高新区和畅五路西103号，邮编：516006。联系电话：0752-2655940。E-mail：qixing.zhong@desay-svautomotive.com。