作者：田國富 張國忠 孫書會

論文關鍵詞：內燃機 人工神經網絡 輔助方法

論文摘要：針對汽車發動機設計和性能評測當中有關參數計算的特點，提出應用人工神經網絡方法進行輔助計算，以提高數據計算的結構化程度和處理速度。通過對具體數據的實際操作表明，應用本方法能夠很好地表達原圖表數據關系，所得結果的精度能夠滿足計算要求。

汽車發動機的性能包括動力性、經濟性、生態特性——排放與噪聲、可靠性及耐久性等多個方面，這些參數要通過在一定條件下的測試計算來獲得。當發動機在非標準環境下運轉時，其相關計算要通過參數進行修正，比如發動機的有效功率和燃油消耗率的計算。當發動機在非標準環境下運轉時，其有效功率及燃油消耗率應修正到標準環境狀況，當然也可由標準環境狀況修正到現場環境狀況，其中的有效功率和燃油消耗率修正系數在GB1105..1-87中以圖表的形式給出，使用很不方便，本文應用人工神經網絡對此圖表信息進行處理，提高了數據計算的結構化程度和處理速度，取得了滿意的效果。

1.神經網絡的識別原理

在神經網絡系統中，其知識是以大量神經元的互連和各連接的權值來表示的.神經網絡映射辯識方法主要通過大量的樣本進行訓練，經過網絡內部自適應算法不斷調整其權值，以達到目的.狀態識別器就隱含在網絡中，具體就在互連形式與權值上.在網絡的使用過程中，對于特定的輸入模式，神經網絡通過前向計算，產生一輸出模式，通過對輸出信號的比較和分析可以得出特定解。目前神經網絡有近40多種類型，其中BP(Back Propagation，即反向傳播)網絡是最常用和比較重要的網絡之一，本文就應用一種改進型的BP網絡進行相應數據圖表的識別映射。

BP網絡由輸入結點、輸出層結點和隱層結點構成，相連層用全互連結構.神經網絡的工作過程主要有兩個階段：一個是學習期，通過樣本學習修改各權值，達到一穩定狀態；一個是工作期，權值不變，計算網絡輸出。

BP網絡的學習過程由正向傳播和反向傳播兩部分組成。在正向傳播過程中，輸入信息從輸入層經隱層單元逐層處理，并傳向輸出層，每一層神經元的狀態只影響下一層神經元的狀態。如果在輸出層不能得到期望的輸出，則轉入反向傳播，將誤差信號沿原來的路徑返回，通過修改各層神經元的權值，使得誤差信號最小。

當給定一輸入模式X=(x1，x2，….，xm)和希望輸出模式Y=(y1，y2，…..，yn)時，網絡的實際輸出和輸出誤差可用下列公式求出：

隱含層輸出：

式中——輸入層至隱含層，隱含層至輸出層的連接權；

——隱含層結點、輸出層結點的閥值；

m、h、n——輸入層、隱含層、輸出層結點數；

f—— s型函數，f(x)=(1+e-x)-1.

如果誤差太大不能滿足要求，則需要用下列公式修正各連接權和閥值

為網絡提供一組特定的訓練模式，隨機產生初始連接權和閥值，不斷幣復上述計算過程，直到網絡全局誤差小于給定的極小值為止.

由于BP網絡的高識別能力，應用中采用了此結構形式.同時為提高其識別效果，加快網絡的訓練速度，縮短工作周期，應用了附加動量項和自適應速率的改進算法.

附加動量項法使網絡在修正其權值時，不僅考慮誤差在梯度上的作用，而且考慮在誤差曲面上變化趨勢的影響，其作用如同一個低通濾波器，允許網絡上的微小變化特性，使網絡陷入局部極小值的可能性大大減少。自適應速率是通過改變學習率，提高BP算法的有效性和收斂性，縮短訓練時間.

2具體應用

根據以上理論，采用改進的BP神經網絡形式，動量因子取0.9，對有效功率校正系數和燃油消耗率校正系數與指示功率比和機械效率的關系同時進行識別，采用雙輸入雙輸出的2-10-2結構、2-15-2結構、2-20-2結構進行訓練，識別情況分別如表3-5所示。

從實際的應用效果來看，2-15-2和2-20-2的逼近能力相似，2-15-2的速度快于2-20-2結構，而2-20-2結構的識別能力要遠低于前兩種結構，采用更少的隱層結點數就會使訓練的時間過長，甚至使訓練過程無法進行.因此最后選擇2-15-2的BP網絡結構作為最終的神經網絡形式。如圖1所示為訓練次數與誤差平方和之間的關系曲線，表4為部分網絡輸出與實際數值的比較.

通過以上計算分析可見，神經網絡的映射輸出能力是相當強的，通過合理的網絡結構選擇和具體的參數應用，完全可以滿足優化設計的計算要求，大大縮短優化當中的計算迭代時間，提高計算效率。

3結論

（1）人工神經網絡有很強的數據映射能力，能夠很好地識別所給數據之間的對應關系，映射的精度可以滿足一般設計計算要求.

（2）對于包含無規律圖表數據的有關計算問題，應用神經網絡是一個很好的加快運算速度的解決方法.

（3）在數據的映射識別當中，網絡的結構形式和參數選擇對于問題的求解精度和速度都是致關重要的’同時應當注意數據的過度訓練問題.

（4）智能算法的應用為具體的工程計算提供了更方便、有效的手段，尋找有效的計算方法，以及多種算法的混合應用將是擺在設計人員的一個課題.

[1]焦李成.神經網絡系統理論[M]西安:西安電子科技大學出版社，1990.

[2]焦李成.神經網絡的應用與實現[M].西安:西安電子科技大學出版社，1993.

[3]王文成.神經網絡及其在汽車工程中的應用[M].北京:北京理工大學出版社，1998.

[4]張成寶，丁玉蘭，雷雨成.人工神經網絡在汽車變速器齒輪故障診斷中的應用[J].汽車工程，1999，21(6) 374-378.

[5]Watanahle Y， Sharp H S. Neural network learning control of automotive aotic-e suspension systems.lnternational，lournal of Vehicle Design[J]，1999，21(2/3):124一147.

[6]Ghazizadeh A， FahimA， Cindy M E1. Neural net works rep resentation of a vehicle model:(Neuro一Vehicle[J]Intern ational，lournal of Vehicle Design， 1996，17(1)55-75

[7]F Oztiirk， Oztiirk N. Feature一basedenvironmentalissues: ne ural network based feature recognition[J].International ，lour nal of Vehicle Design，6999，21(2/3):190一205.