基于BP人工神经网络的汽车整备质量预测方法研究

詹庆涛 庄蓓蕾 邓世询

摘 要：将汽车的重要参数如变速箱形式，驱动形式，车长，车宽，车高等作为影响因素，将汽车整备质量作为神经网络的输出，利用BP人工神经网络预测模型来预测整车的整备质量，并对该模型的预测准确性进行检验。

关键词：神经网络;汽车;整备质量;预测准确性

1 引言

汽车整备质量作为汽车的重要参数，对汽车的排放，油耗及其他性能有重要影响。同时，重量是整车及零部件开发的重要性能輸入，合理设定整备质量目标可以避免零件过设计、节约物料成本，也能有效防止项目后期出现超出架构能力的问题。因此，建立高效准确的重量预测模型对于汽车前期的性能开发具有十分重要的意义。

整备质量预测的难点在于，车辆设计前期尚无实物车和数据模型可供测量，输入项仅为有限的整车设计参数。这些设计参数如车型，轴距以及车的安全性要求等都会对整车重量产生影响，但如何根据这些参数和要求预测出汽车的重量，目前仍缺乏可靠研究。

因此，本文将对参与汽车重量预测的参数进行筛选，并通过有限的整车参数来建立整车重量模型。

2 研究现状

众所周知，预测是将现实问题数学化，通过恰当的数学模型对已知数据进行拟合，得到数据之间相应的数值映射关系，从而实现预测功能。常用的预测方法有多元线性回归，克里金法，神经网络模型等。

影响汽车整备质量的设计参数较多，且与整备质量之间不一定为线性关系，因此，本文拟选用神经网络工具来建立汽车整备质量预测模型。

3 神经网络简介及应用

3.1 神经网络简介

神经网络是具有高度非线性的超大规模连续时间动力系统，是由大量的处理单元（神经元）广泛互连形成的网络[1]。

在神经网络中，每个神经元具有自己的阈值。每个神经元的输入信号是所有与其相连的神经元的输出信号和加权后的和，输出信号是其净输入信号的非线性函数。如果输入信号的加权集合高于其阈值，该神经元便被激活而输出相应的值[2]。

作为应用最广泛的神经网络，BP神经网络对复杂问题具有较强的回归预测能力，在众多汽车相关的领域内应用很广，其预测结果也往往比传统的多元线性回归的方法更准确。所以，我们采用BP神经网络进行预测。

BP神经网络的特点是信号前向传递，误差反向传递。在前向传递中，输入信号从输入层经隐含层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态[3]。

在BP神经网络中，若输出层得不到期望输出，则转入反向传播，然后根据预测误差调整网络权值和阈值，以使预测不断逼近期望输出。

3.2 参数选择

对于车辆参数的选取，我们选用了多个参数，如车长，轮胎规格等，并采用聚类分析的方法，对数据进行归一化处理之后，利用SPSS软件的树状图工具对参数之间的关联性进行了研究。研究结果如图1所示：

由以上分析可知，设计参数中，变速箱形式，驱动形式，车长，车宽，车高，轴距，发动机功率，轮胎尺寸于汽车整备质量的关联性较高，可作为作为神经网络的输入。

3.3 建立模型

利用Matlab软件的建立BP神经网络，将每组的11个参数作为样本输入，用对应的汽车整备质量作为样本的输出。为方便计算，用函数对输入的参数作归一化处理，以免在计算时产生溢出。

此函数具有单调递增的特性，这样既保证了样本数据在0-1之间，又保证了它具有反函数，从而实现数据的回代，实现预测的目的。

建立BP神经网络模型，取精度为0.0001，进行训练（见表1）。

4 整备质量预测

训练结束后，对该神经网络的准确性进行检测，选取K=1-39共39组数据进行检测。

将以上39组汽车设计参数作为BP神经网络的输入，然后通过该模型计算出每组数据对应的重量，并与实际重量对比，计算出误差百分比如表2所示。

对表2中的误差百分比进行分析，得到平均相对误差为3.35%，标准差为4.21%。

5 结论和展望

（1）用整车设计参数和汽车整备质量构造出BP神经网络的输入输出模式，从而实现用神经网络对受多因素影响的汽车整备质量进行预测的目的。

（2）从预测结果看，预测精度较好。该模型可作为汽车汽车整备质量预测的手段。

（3）本文对基于神经网络的整车重量预测做了初步研究，未来可考虑进一步优化输入参数的选择以及扩大样本量，以进一步提高预测精度。

参考文献：

[1]袁泉.胡玉才.基于BP神经网络的预测方法应用研究[J].农业系统科学与综合研究. 1998.14（4）261-263.

[2]徐亚丹.王俊.基于BP人工神经网络和尾气分析的汽车故障诊断方法研究[J].内燃机工程.2006.2（1）：71-75.

[3]王小川.史峰 MATLAB神经网络43个案例分析.北京航空航天大学出版社[M].2013.8：1-2.