CN110162910A - 一种基于物联网技术的坡起优化方法 - Google Patents

Abstract

本发明公开了一种基于物联网技术的坡起优化方法，包括：步骤一、采集汽车所在的位置的环境参数，并计算环境影响因子；步骤二、采集汽车的主缸压力P、发动机输出扭矩R_T以及制动踏板开度α；步骤三、将采集的参数经过归一化后输入到BP神经网络模型中，作为输入层，经过BP神经网络模型训练，对汽车坡道起步的过程中的油门控制阀进行控制调节；步骤四、将控制调节信号输入到模糊控制器中，获得表示控制调节类别的输出向量群，将其作为调节答案输出。通过监测汽车在坡道起步过程中的环境参数和行驶参数，对汽车坡道起步的过程中的油门控制阀进行控制调节，防止溜车现象，提高坡道起步成功率。

Description

一种基于物联网技术的坡起优化方法

技术领域

本发明涉及一种基于物联网技术的坡起优化方法，属于汽车领域。

背景技术

物联网这一名词首先被美国教授于1999年提出，并从初期的射频技术、传感设备等发展到如今的嵌入式***、云计算等更具科技含量的智能技术。现今的物联网主要依靠互联网与通讯网络、无线传感器网络等相互搭接，从而实现对各生产领域的智能控制。物联网是基于一定的互联网协议，将物体、项目等对象设立输入输出等硬件，再利用软件***与硬件的信号实现信息交互达到智能控制的目的。

汽车坡道起步指的是汽车在一定角度的坡道上启动，由于汽车自身性能、环境因素影响等因素，汽车在坡道起步时往往会出现溜车的现象，因此坡道起步辅助***应运而生，通过干预性制动、液压制动辅助以及变速箱调控来阻止汽车下滑，避免发动机熄火的情况。然而现有的辅助***大多基于ABS***提出的，无法脱离ABS***单独使用，并且现有的辅助***对坡道起步的优化方法不能根据环境因素对坡道起步进行调控，成功率低，精度差。

发明内容

本发明设计开发了一种基于物联网技术的坡起优化方法，通过监测汽车在坡道起步过程中的环境参数和行驶参数，对汽车坡道起步的过程中的油门控制阀进行控制调节，防止溜车现象，提高坡道起步成功率。

本发明的另一发明目的，通过BP神经网络和模糊控制对汽车在坡道起步过程中的对油门控制阀进行调节，提高发动机的输出扭矩，确保汽车能够在坡道上正常启动，不溜车。

本发明的另一发明目的，通过计算环境影响因子做为输入层参数，同时通过计算油门控制阀的出口流量，提高油门控制的精度和坡道起步的成功率。

本发明提供的技术方案为：

一种基于物联网技术的坡起优化方法，包括：

步骤一、采集汽车所在的位置的环境参数，并计算环境影响因子；

步骤二、采集汽车的主缸压力P、发动机输出扭矩R_T以及制动踏板开度α；

步骤三、将采集的参数经过归一化后输入到BP神经网络模型中，作为输入层，经过BP神经网络模型训练，对汽车坡道起步的过程中的油门控制阀进行控制调节；

步骤四、将控制调节信号输入到模糊控制器中，获得表示控制调节类别的输出向量群，将其作为调节答案输出。

优选的是，所述环境参数包括环境温度T、环境湿度RH、坡道坡度θ、风力等级W、以及能见度S。

优选的是，所述步骤三具体包括：

步骤1、按照采样周期，获取汽车所在位置的环境温度T、环境湿度RH、坡道坡度θ、风力等级W、以及能见度S，并按周期计算环境影响因子μ；

步骤2、采集汽车的主缸压力P、发动机输出扭矩R_T以及制动踏板开度α，并与所述环境影响因μ子一起进行归一化，确定三层BP神经网络的输入层向量为x＝{x₁,x₂,x₃,x₄}；其中，x₁为主缸压力系数、x₂发动机输出扭矩系数、x₃为制动踏板开度系数、x₄为环境影响因子系数；

步骤3、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4、得到输出层向量o＝{o₁}；o₁为油门控制阀开度系数。

优选的是，所述步骤五具体包括：

将油门控制阀开度系数与预设的油门开度系数比较得到油门调节偏差信号，将油门偏差信号经过计算得到油门偏差变化率信号，将油门偏差变化率信号经过放大后输入到模糊控制器输出调节等级。

优选的是，所述调节等级为I＝{I₀,I₁,I₂,I₃}，I₀为正常运行，无需调节，I₁为需要进行一级调节，I₂为二级调节，I₃为运行异常，进行报警。

优选的是，所述环境影响因子的经验公式满足：

其中，θ_max为测定周期内坡道坡度最大值，θ_min为坡道坡度最小值，为坡道坡度的标准值，为标准风力等级，为环境温度标准值，环境湿度标准值，为能见度标准值，λ₁为第一环境相关系数，λ₂为第二环境相关系数。

优选的是，当I＝I₀时，λ₁＝0.25～0.42，λ₂＝0.38～0.65；

当I＝I₁或I＝I₂时，λ₁＝0.43～0.55，λ₂＝0.65～0.78。

优选的是，所述控制阀阀门处流速的经验公式为：

其中，δ为校正系数，ω₀为阀门基础流速，A₁为阀门出口处截面面积，A₂为出油管截面面积，k₁为管道流阻系数，k₂为收缩系数，C为油箱容积，L为出油管路容积，P为主缸压力，为主缸压标准值，α为坡道坡度，为坡道坡度标准值。

优选的是，所述归一化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：P、R_T、α、μ；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

本发明所述的有益效果：通过监测汽车在坡道起步过程中的环境参数和行驶参数，对汽车坡道起步的过程中的油门控制阀进行控制调节，防止溜车现象，提高坡道起步成功率。通过BP神经网络和模糊控制对汽车在坡道起步过程中的对油门控制阀进行调节，提高发动机的输出扭矩，确保汽车能够在坡道上正常启动，不溜车。通过计算环境影响因子做为输入层参数，同时通过计算油门控制阀的出口流量，提高油门控制的精度和坡道起步的成功率。

具体实施方式

下面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。

本发明提供一种基于物联网的坡起优化方法，通过BP神经网络和模糊控制对汽车在坡道起步过程中的对油门控制阀进行调节，提高发动机的输出扭矩，确保汽车能够在坡道上正常启动，不溜车；其中，通过传感器对环境信息进行监测，通过制动踏板开度传感器监测制动踏板开度，通过对控制阀阀门开度进行控制，各传感器和控制阀与电子控制单元电连接，通过控制发动机的进油量，进而控制发动机的输出扭矩，使汽车克服阻力，完成坡道起步不溜车。

基于物联网的坡起优化方法具体包括如下步骤：

步骤一、采集汽车所在的位置的环境参数，并计算环境影响因子

其中，环境参数包括环境温度T、环境湿度RH、坡道坡度θ、风力等级W、以及能见度S；

步骤二、采集汽车的主缸压力P、发动机输出扭矩R_T以及制动踏板开度α；

步骤三、将采集的参数经过归一化后输入到BP神经网络模型中，作为输入层，经过BP神经网络模型训练，对汽车坡道起步的过程中的油门控制阀进行控制调节；

步骤五、将控制调节信号输入到模糊控制器中，获得表示控制调节类别的输出向量群，将其作为调节答案输出。

在另一实施例中，环境影响因子的经验公式满足：

其中，所述θ_max为测定周期内坡道坡度最大值，θ_min为坡道坡度最小值，为坡道坡度的标准值，为标准风力等级，为环境温度标准值，环境湿度标准值，为能见度标准值，λ₁为第一环境相关系数，λ₂为第二环境相关系数。

在另一实施例中，控制阀阀门处流速的经验公式为：

其中，δ为校正系数，ω₀为阀门基础流速，A₁为阀门出口处截面面积，A₂为出油管截面面积，k₁为管道流阻系数，k₂为收缩系数，C为油箱容积，L为出油管路容积，P为主缸压力，为主缸压标准值，α为坡道坡度，为坡道坡度标准值。

在步骤三中，通过BP神经网络对网络模型训练，对汽车坡道起步的过程中的油门控制阀进行控制调节，具体包括如下步骤：

步骤1、建立BP神经网络模型；

BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即o_i＝x_i。中间隐含层和输出层的神经元的操作特性为

o_pj＝f_j(net_pj)

其中，p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值，o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，取为S型函数，即f_j(x)＝1/(1+e^-x)。

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***实际需要输出的响应确定。

该网络的数学模型为：

输入层向量：x＝(x₁,x₂,…,x_n)^T

中间层向量：y＝(y₁,y₂,…,y_m)^T

输出层向量：z＝(z₁,z₂,…,z_p)^T

本发明中，输入层节点数为n＝4，输出层节点数为p＝1。隐藏层节点数m由下式估算得出：

输入信号的四个参数分别表示为：x₁为主缸压力系数、x₂发动机输出扭矩系数、x₃为制动踏板开度系数、x₄为环境影响因子系数；

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之间的数值。

归一化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：P、R_T、α、μ；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。

具体而言，对于主缸压力P，进行归一化后，得到主缸压力系数x₁：

其中，P_min和和P_max分别主缸压力的最小值和最大值；

同样的，对于发动机输出扭矩R_T，进行归一化后，得到发动机输出扭矩系数x₂：

其中，R_Tmin和和R_Tmax分别为发动机输出扭矩的最小值和最大值；

同样的，对于坡道坡度α，进行归一化后，得到坡道坡度系数x₃：

其中，α_min和α_max分别为坡道坡度的最小值和最大值；

同样的，对于环境影响因子，进行归一化后，得到环境影响因子系数x₄：

其中，μ_min和μ_min分别为环境影响因子的最小值和最大值；

输出层向量o＝{o₁}；o₁为油门控制阀开度系数。

步骤2、进行BP神经网络训练

根据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、W_jk的值，直至***误差小于等于期望误差时，完成神经网络的训练过程。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；

(2)训练算法

BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，为第n次计算时l层的j单元信息加权和，为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，为前一层(即l-1层，节点数为n_l-1)的单元i送来的工作信号；i＝0时，令 为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝L)，则有

且e_j(n)＝x_j(n)-o_j(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为

Δω＝(J^TJ+μI)^-1J^Te；

其中，J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在***设计时，***模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了***的自学习功能。在指定了学习样本及数量的情况下，***可以进行自学习，以不断完善网络性能；

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

步骤3、将得到的输出层向量输入到模糊控制器中，获得表示优化调节类别的向量群，具体如下：

将油门控制阀开度系数o₁与与预设的油门开度系数比较得到油门控制阀开度调节偏差信号e₁，将油门控制阀开度偏差信号经过计算得到油门控制阀开度偏差变化率信号ec₁，将油门控制阀开度偏差变化率信号经过放大后输入到模糊控制器输出调节等级I＝{I₀,I₁,I₂,I₃}，I₀为正常运行，无需调节，I₁为需要进行一级调节，I₂为二级调节，I₃为运行异常，进行报警。

其中，e₁的实际变化范围为[-1,1]，离散论域为{-5，-4，-3，-2，-1，0，1，2，3，4，5}，I的离散论域为{0,1,2,3}，则量化因子k₁＝5/1；

定义模糊自己及隶属度函数，把油门控制阀开度变化率信号分为7个模糊状态：PB(正大)，PM(正中)，PS(正小)，ZR(零)，NS(负小)，NM(负中)，NB(负大)，结合经验得出空调调节变化率信号e₁的隶属度函数表，如表2所示：

表2油门控制阀开度变化率信号e₁的隶属度函数表

模糊推理过程必须执行复杂的矩阵运算，计算量非常大，在线实施推理很难满足控制***实时性的要求，本发明采用查表法进行模糊推理运算，模糊推理决策采用三输入单输出的方式通过经验可以总结出模糊控制器的初步控制规则，模糊控制器根据得出的模糊值对输出信号进行解模糊化，得到阀门开度调节等级I，求模糊控制查询表，由于论域是离散的，模糊控制规则及可以表示为一个模糊矩阵，采用单点模糊化，得出I控制规则见表3。

表3

通过BP神经网络和模糊控制对汽车在坡道起步过程中的对油门控制阀进行调节，提高发动机的输出扭矩，确保汽车能够在坡道上正常启动，不溜车。

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实施例。

Claims (9)

1.一种基于物联网技术的坡起优化方法，其特征在于，包括：

步骤一、采集汽车所在的位置的环境参数，并计算环境影响因子；

步骤二、采集汽车的主缸压力P、发动机输出扭矩R_T以及制动踏板开度α；

步骤三、将采集的参数经过归一化后输入到BP神经网络模型中，作为输入层，经过BP神经网络模型训练，对汽车坡道起步的过程中的油门控制阀进行控制调节；

步骤四、将控制调节信号输入到模糊控制器中，获得表示控制调节类别的输出向量群，将其作为调节答案输出。

2.根据权利要求1所述的基于物联网技术的坡起优化方法，其特征在于，所述环境参数包括环境温度T、环境湿度RH、坡道坡度θ、风力等级W、以及能见度S。

3.根据权利要求2所述的基于物联网技术的坡起优化方法，其特征在于，所述步骤三具体包括：

步骤1、按照采样周期，获取汽车所在位置的环境温度T、环境湿度RH、坡道坡度θ、风力等级W、以及能见度S，并按周期计算环境影响因子μ；

步骤2、采集汽车的主缸压力P、发动机输出扭矩R_T以及制动踏板开度α，并与所述环境影响因μ子一起进行归一化，确定三层BP神经网络的输入层向量为x＝{x₁,x₂,x₃,x₄}；其中，x₁为主缸压力系数、x₂发动机输出扭矩系数、x₃为制动踏板开度系数、x₄为环境影响因子系数；

步骤3、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4、得到输出层向量o＝{o₁}；o₁为油门控制阀开度系数。

4.根据权利要求3所述的基于物联网技术的坡起优化方法，其特征在于，所述步骤四具体包括：

将油门控制阀开度系数与预设的油门开度系数比较得到油门调节偏差信号，将油门偏差信号经过计算得到油门偏差变化率信号，将油门偏差变化率信号经过放大后输入到模糊控制器输出调节等级。

5.根据权利要求4所述的基于物联网技术的坡起优化方法，其特征在于，所述调节等级为I＝{I₀,I₁,I₂,I₃}，I₀为正常运行，无需调节，I₁为需要进行一级调节，I₂为二级调节，I₃为运行异常，进行报警。

6.根据权利要求5所述的基于物联网技术的坡起优化方法，其特征在于，所述环境影响因子的经验公式满足：

其中，θ_max为测定周期内坡道坡度最大值，θ_min为坡道坡度最小值，为坡道坡度的标准值，为标准风力等级，为环境温度标准值，环境湿度标准值，为能见度标准值，λ₁为第一环境相关系数，λ₂为第二环境相关系数。

7.根据权利要求6所述的基于物联网技术的坡起优化方法，其特征在于，

当I＝I₀时，λ₁＝0.25～0.42，λ₂＝0.38～0.65；

当I＝I₁或I＝I₂时，λ₁＝0.43～0.55，λ₂＝0.65～0.78。

8.根据权利要求7所述的基于物联网技术的坡起优化方法，其特征在于，所述控制阀阀门处流速的经验公式为：

其中，δ为校正系数，ω₀为阀门基础流速，A₁为阀门出口处截面面积，A₂为出油管截面面积，k₁为管道流阻系数，k₂为收缩系数，C为油箱容积，L为出油管路容积，P为主缸压力，为主缸压标准值，α为坡道坡度，为坡道坡度标准值。

9.根据权利要求8所述的基于物联网技术的坡起优化方法，其特征在于，所述归一化公式为：

其中，x_j为输入层向量中的参数，X_j分别为测量参数：P、R_T、α、μ；X_jmax和X_jmin分别为相应测量参数中的最大值和最小值。