CN112862164A - 基于动态神经网络时间序列预测的干式离合器温度预测法 - Google Patents

Abstract

本发明公开了基于动态神经网络时间序列预测的干式离合器温度预测法，利用离合器温度、时间历史样本数据，采用动态神经网络时间序列预测方法对离合器温度进行建模及预测。先是数据采集；继而训练数据，建立动态神经网络时间序列模型；进行将来时间序列上的离合器温度预测，分析预测结果误差，对预测数据进行反归一化处理；最终即得到离合器温度预测模型及时间序列上的预测值。相较于传统的采用试验测试方法以及有限元数值仿真方法来获得离合器温度，本方法具有实现简便、精度高、成本低等优点，另外，本方法具有记忆功能，非常适合于处理时间序列数据，能够预测离合器单次接合或者连续多次接合过程中的全部温度，包括最高温度。

Description

基于动态神经网络时间序列预测的干式离合器温度预测法

技术领域

本发明涉及一种干式离合器温度的预测方法，具体是一种基于动态神经网络时间序列预测的干式离合器温度预测法。

背景技术

离合器是汽车底盘传动系中的重要部件,主要实现汽车平稳起步与安全停车。膜片弹簧干式离合器利用摩擦副间的摩擦力来传递转矩，具有机械可靠性强和传动效率高等优点，特别在重型汽车上占到90％以上市场份额。当膜片弹簧离合器接合滑磨时间较长或滑磨频次较多时，离合器温度会持续快速升高，导致离合器容易产生打滑故障。打滑故障引起离合器烧蚀、传递摩擦力矩下降、离合器寿命明显降低。打滑故障与温度密切相关，由于受试验设备、离合器结构以及使用工作条件等限制，通过实测方法获得离合器温度成本较高、测量困难；通过数值仿真的方法获得离合器温度时，由于建模复杂和难以准确模拟实际工况条件，仿真精度常常难以保障。

公开号为CN103967963A，名称为基于神经网络预测的DCT湿式离合器温度的测量方法的专利，公开了一种采用BP神经网络的方法准确预测DCT湿式离合器工作时的实际温度，该方法不能应用于干式离合器温度预测，原因主要有：1)该专利实际上是预测了DCT湿式离合器冷却油出油口的甩出油温度，并将它作为离合器摩擦表面温度的近似值；而在干式离合器中没有甩出油，不能用油温来代表离合器温度。2)该专利是采用BP神经网络，实例中预测了30秒的甩出油温度。由于BP神经网络属于静态神经网络，无记忆能力，从理论上分析，该种静态神经网络方法对于长时段的、具有时序特征的过程预测的效率较低、实现起来比较困难。

胡宏伟等人在其论文基于最小二乘支持向量机的AMT离合器片表面温度预测(汽车工程，2008年第30卷第4期)中，采用最小二乘支持向量机理论对干式离合器摩擦表面的最高温度进行预测。其论文中的方法不能考虑数据中的时序性质，仅适用于预测干式离合器单次接合过程中的最高温度，不能用于预测干式离合器连续多次接合过程中的最高温度以及全过程温度。

目前还未见适用于干式离合器多次连续接合温度的预测方法。

发明内容

本发明针对现有技术中引起离合器打滑故障频发的干式离合器温度很难准确获得的问题，提供一种基于动态神经网络时间序列预测的干式离合器温度预测法，特别是能适用于预测干式离合器连续多次接合的温度。

为解决本发明的技术问题，所采用的技术方案为：

基于动态神经网络时间序列预测的干式离合器温度预测法，包括如下步骤：

1)输入数据、输出数据归一化处理：先是数据采集，包括对离合器滑磨功数据和离合器压盘温度时间历程数据归一化处理；

2)确定动态神经网络时间序列模型；

3)确定模型训练时的训练参数；

4)训练动态神经网络时间序列模型；对训练模型进行检验，是否符合显著性检验，不符合则跳转到步骤3)；符合则跳转到步骤5)；

5)多步时间序列预测：利用训练好的动态神经网络模型进行温度预测分析，预测未来时间序列的温度值；对输出数据进行反归一化处理；

6)检查计算误差要求：比较实测温度与预测温度的差异，是否符合计算误差要求，不符合计算误差要求则跳转到步骤5)；符合计算误差要求则跳转到步骤7)；

7)保存模型，输出数据：对所建立的预测模型进行数据保存，输出离合器温度数据到指定的文件里。

进一步地，步骤1)中，采用的数据归一化方法为线性函数归一化，将原始数据用线性化的方法转换到[0,1]的范围内，其计算公式如下：

Xnorm表示归一化之后的数据；X表示实际数据；Xmin表示实际数据中的最小值，Xmax表示实际数据中的最大值，利用实测数据中的滑磨功作为样本输入数据。

进一步地，步骤2)中，选取有反馈的NARX模型训练动态神经网络，作为非线性时间序列预测模型，

该模型的动态神经网络运算公式为：

y(t)＝f(x(t-1)，...，x(t-d)，y(t-1)，...，y(t-d))，

y(t)代表第t时刻的输出数据；x(t-1),…x(t-d)分别代表第t-1时刻、t-d时刻的输入数据，y(t-1),…y(t-d)分别代表第t-1时刻、t-d时刻的输入数据，f()代表构建的函数关系式。

进一步地，步骤5)中，主要预测流程包括如下步骤：

5-1)定义温度的时间序列为{y_t}；

5-2)已知直到当前时刻t的值为y_t，要对未来t+h时刻的值y_t+h进行预测，其预测值记为

5-3)时间序列预测的实质是根据时间序列的历史数据确定未来值，因此，可以将

表示成历史值y_t，y_t-1，…的函数,

为预测函数，其形式如下：

5-4)对该模型采用多步时间序列预测方法进行温度预测，最小均方误差是经常采用的预测准则，可使

均方误差达到最小，即

5-5)多步预测后均方误差达到最小，最小均方误差预测可由y_t+h的条件期望获得，即

5-6)对输出数据进行反归一化处理，其计算公式如下：

X＝X_norm(X_max-X_min)+X_min

得到干式离合器预测温度的实际值，方便下一步进行计算误差分析。

利用离合器温度、时间历史样本数据，采用动态神经网络时间序列预测方法对离合器温度进行建模及预测。历史时间样本数据可以是来源于离合器试验台架采集的时间序列上的试验数据，或者是实车上离合器采集的时间序列上的数据。本发明的总体方案图如图1所示，先是数据采集，包括对离合器滑磨功数据和离合器压盘温度时间历程数据归一化处理；继而训练数据，包括选择训练参数、训练动态神经网络，建立动态神经网络时间序列模型；继而进行将来时间序列上的离合器温度预测，分析预测结果误差，对预测数据进行反归一化处理；最终即得到离合器温度预测模型及时间序列上的预测值。

动态神经网络时间序列分析方法能够解决复杂非线性***的时间序列数据预测问题，已应用于股市行情预测、天气温度变化等方面。动态神经网络时间序列训练的特征分析图参见图2所示，可以通过响应曲线、梯度曲线、实测值与预测值的误差变化曲线、误差自相关曲线及误差互相关曲线等对训练模型进行分析和验证。如果训练结果不满足允许误差要求，可以通过修改训练参数或改变数据集等对动态神经网络进行反复训练。在神经网络训练完成后，可以利用均方误差和回归分析对训练的网络性能进行评价，也可以根据误差自相关图或误差直方图等可视化工具对训练的结果进行评估。

选取台架试验中时间序列上的实测滑磨功为输入数据，台架试验中离合器压盘摩擦面实测温度为输出数据，利用动态神经网络时间序列分析方法，训练出符合精度要求的离合器压盘温度模型。基于训练得到的温度模型，预测与台架试验工况相同的压盘动态温度，将预测值与台架试验得到的实测值相比较，可以验证预测模型的有效性。最终，根据所建立的动态神经网络温度模型，对其他工况下的压盘温度进行预测，从而得到指定工况下的离合器压盘温度。本发明建立的用于干式离合器温度预测的基于动态神经网络时间序列预测方法的流程图参见图2。

本发明适用于实际工况或指定工况下离合器温度预测。

本发明提出一种基于动态神经网络时间序列预测的干式离合器温度预测方法，动态神经网络时间序列是一种带输出反馈连接的动态递归神经网络，可等效为在原有BP神经网络基础上增加输入时延以及输出到输入的时延反馈，它输出的最终结果与对应输入以及历史的输出有关，因此对历史信息有记忆和联想功能。通过它的记忆功能，它能够利用过去一段时间内的数据来预测未来一段时间内的输出，从而能够很好地克服预测误差的积累，且具备较好的长时域预测能力。基于动态神经网络时间序列的这些特征，它能够解决复杂非线性***的时间序列数据预测问题。

本发明采用动态神经网络时间序列分析方法，通过采集和处理离合器时间序列温度历史数据，来预测离合器将来时间序列上的温度。相较于传统的采用试验测试方法以及有限元数值仿真方法来获得离合器温度，所提方法具有实现简便、精度高、成本低等优点，另外，本方法具有记忆功能，非常适合于处理时间序列数据，能够预测离合器单次接合或者连续多次接合过程中的全部温度，包括最高温度。

附图说明

图1是本发明实施例的总体方案图；

图2是本发明实施例建立的方法流程图；

图3是时间序列预测输入的滑磨功时间样本图；

图4a-图4e是动态神经网络时间序列训练的特征分析图，其中图4a是响应曲线，图4b是梯度曲线，图4c是实测值与预测值的误差变化曲线，图4d是误差自相关曲线，图4e是误差互相关曲线；

图5a-图5c是对干式离合器温度应用本发明进行预测后的结果图，其中图5a为实测温度图，

图5b为预测温度图，图5c为实测温度与预测温度的误差图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例：

基于动态神经网络时间序列预测的干式离合器温度预测法，包括如下步骤：

1)输入数据、输出数据归一化处理：

本发明采用的数据归一化方法为线性函数归一化，将原始数据用线性化的方法转换到[0,1]的范围内，其计算公式如下：

Xnorm表示归一化之后的数据；X表示实际数据；Xmin、Xmax分别表示实际数据中的最小值、最大值，利用实测数据中的滑磨功作为样本输入数据，6个温度传感器实测的试验数据最高温度为输出值，选取150次实测数据，训练的样本数据总量为248804个，其动态变化过程参见图3；

2)确定动态神经网络时间序列模型：

选取有反馈的NARX模型训练动态神经网络，作为非线性时间序列预测模型，

该模型的动态神经网络运算公式为：

y(t)＝f(x(t-1)，...，x(t-d)，y(t-1)，...，y(t-d))，

y(t)代表第t时刻的输出数据；x(t-1),…x(t-d)分别代表第t-1时刻、t-d时刻的输入数据，y(t-1),…y(t-d)分别代表第t-1时刻、t-d时刻的输入数据，f()代表构建的函数关系式；

3)确定模型训练时的训练参数：

设定隐层神经元数量为6，反馈延迟数量为25，为使训练模型既满足训练要求，又能对样本数据进行充分地验证和测试，根据经验通常选取70％的样本数据用于训练，15％样本数据用于验证，15％样本数据用于测试；

4)训练动态神经网络时间序列模型：

图4a-图4e是动态神经网络时间序列训练的特征分析图，其中图4a是响应曲线，图4b是梯度曲线，图4c是实测值与预测值的误差变化曲线，图4d是误差自相关曲线，图4e是误差互相关曲线，由图4a-图4e可知，动态神经网络在训练次数为617次时达到了训练所需的精度，时间序列输出的响应曲线拟合精度较高，满足动态神经网络的训练要求，通过验证数据反馈得到的网络训练误差逐渐趋近于0.16，误差自相关曲线在与误差互相关曲线均在置信区间内；对训练模型进行检验时，如果训练模型不符合显著性检验，则跳转到步骤3)调整训练参数；

5)多步时间序列预测：

利用训练好的动态神经网络模型进行温度预测分析，预测未来时间序列的温度值，其主要预测流程包括如下步骤：

5-1)定义温度的时间序列为{y_t}；

5-2)已知直到当前时刻t的值为y_t，要对未来t+h时刻的值y_t+h进行预测，其预测值记为

5-3)时间序列预测的实质是根据时间序列的历史数据确定未来值，因此，可以将

表示成历史值y_t，y_t-1，…的函数,

为预测函数，其形式如下：

5-4)对该模型采用多步时间序列预测方法进行温度预测，最小均方误差是经常采用的预测准则，可使

均方误差达到最小，即

5-5)多步预测后均方误差达到最小，最小均方误差预测可由y_t+h的条件期望获得，即

5-6)对输出数据进行反归一化处理，其计算公式如下：

X＝X_norm(X_max-X_min)+X_min

得到干式离合器预测温度的实际值，方便下一步进行计算误差分析；

6)检查计算误差要求：

采用差值法比较实测温度与预测温度的差异，是否符合计算误差要求，不符合计算误差要求则跳转到步骤5)，继续调整训练参数；

图5a-图5c是实测温度图、预测温度图及实测温度与预测温度的误差图；

由于实测结果与时间序列预测值较多，选取每10次试验作为一组，即1-10次为一组，11-20次为一组，以此类推；对单组内最大的误差值进行分析比较，由于最高温度出现在最后10次试验中，是重点关注区域，故而对于最后10次数据，每次单独作为一组；共计24组数据，全部数据如下表1所示，第一组最大误差值出现在第7次，第二组最大误差值出现在13次，在全部的150次比较中，前60次中绝对误差值最大为8.17℃，最大相对误差为2.49％；从第61次后，绝对误差值最大值小于1℃,最大相对误差小于0.5％，比较表明，所预测的温度与实际值相比，具有较高的预测精度；

表1数据表

7)保存模型，输出数据：

对所建立的预测模型进行数据保存，输出离合器温度数据到指定的文件里。

以上公开的本发明的优选实施例，只是帮助阐述本发明，不限制本发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。

Claims (4)

1.基于动态神经网络时间序列预测的干式离合器温度预测法，其特征在于，包括如下步骤：

1)输入数据、输出数据归一化处理：先是数据采集，包括对离合器滑磨功数据和离合器压盘温度时间历程数据归一化处理；

2)确定动态神经网络时间序列模型；

3)确定模型训练时的训练参数；

4)训练动态神经网络时间序列模型；对训练模型进行检验，是否符合显著性检验，不符合则跳转到步骤3)；符合则跳转到步骤5)；

5)多步时间序列预测：利用训练好的动态神经网络模型进行温度预测分析，预测未来时间序列的温度值；对输出数据进行反归一化处理；

6)检查计算误差要求：比较实测温度与预测温度的差异，是否符合计算误差要求，不符合计算误差要求则跳转到步骤5)；符合计算误差要求则跳转到步骤7)；

7)保存模型，输出数据：对所建立的预测模型进行数据保存，输出离合器温度数据到指定的文件里。

2.根据权利要求1所述的基于动态神经网络时间序列预测的干式离合器温度预测法，其特征在于，步骤1)中，采用的数据归一化方法为线性函数归一化，将原始数据用线性化的方法转换到[0，1]的范围内，其计算公式如下：

Xnorm表示归一化之后的数据；X表示实际数据；Xmin表示实际数据中的最小值，Xmax表示实际数据中的最大值，利用实测数据中的滑磨功作为样本输入数据。

3.根据权利要求1所述的基于动态神经网络时间序列预测的干式离合器温度预测法，其特征在于，步骤2)中，选取有反馈的NARX模型训练动态神经网络，作为非线性时间序列预测模型，

该模型的动态神经网络运算公式为：

y(t)＝f(x(t-1)，...，x(t-d)，y(t-1)，...，y(t-d))，

y(t)代表第t时刻的输出数据；x(t-1)，…x(t-d)分别代表第t-1时刻、t-d时刻的输入数据，y(t-1)，…y(t-d)分别代表第t-1时刻、t-d时刻的输入数据，f()代表构建的函数关系式。

4.根据权利要求1所述的基于动态神经网络时间序列预测的干式离合器温度预测法，其特征在于，步骤5)中，主要预测流程包括如下步骤：

5-1)定义温度的时间序列为{y_t}；

5-2)已知直到当前时刻t的值为y_t，要对未来t+h时刻的值y_t+h进行预测，其预测值记为

5-3)时间序列预测的实质是根据时间序列的历史数据确定未来值，因此，可以将

表示成历史值y_t，y_t-1，…的函数，

为预测函数，其形式如下：

5-4)对该模型采用多步时间序列预测方法进行温度预测，最小均方误差是经常采用的预测准则，可使

均方误差达到最小，即

5-5)多步预测后均方误差达到最小，最小均方误差预测可由y_t+h的条件期望获得，即

5-6)对输出数据进行反归一化处理，其计算公式如下：

X＝X_norm(X_max-X_min)+X_min

得到干式离合器预测温度的实际值，方便下一步进行计算误差分析。

Images