[发明专利]基于人工神经网络的汽车离合器操控舒适度评价方法

说明书

技术领域

本发明属于机械测试领域，具体涉及一种基于神经网络的汽车离合器操纵舒适性量化评分的方法。

背景技术

现如今汽车以成为我们生活中必不可少的交通工具，随之而来的则是大量的交通事故。试想一下,对于整天驾车行驶在交通拥堵的城市道路上的公交、出租车司机，一天要踩“上千”甚至“数千脚”离合器，若操纵性能的不佳，会加速司机疲劳从而增加了交通事故发生率。在国内，大部分的离合器生产厂家都是用离合器盖总成综合性能测试机或分离特性测试机来检测离合器的静态分离特性。这种测试忽略了“舒适性”，而如何对离合器舒适性这种模糊的主观感受进行量化测试是难点。

通过构建一个汽车离合器功能检测台，采集到大量客观参数指标，并由专家对各指标舒适性体验打分。导入数据库，积累了大量相关数据。而神经网络具有强大的非线性映射能力和良好的容错性，可以很好的逼近系统的真实状态数据，它逼近精度高、训练学习速度快。因此采用神经网络方法建立汽车离合器舒适性评分模型，对汽车离合器的操纵舒适性进行打分，可实现主观感受量化，反馈给相关行业企业后能改善离合器品质，提升企业档次同时带给驾驶员更好的驾车体验。

发明内容

本发明提出了一种基于人工神经网络理论，综合了误差反向传播算法和关联理论，利用计算机对汽车离合器操控舒适度进行量化评价的方法和设备，该发明共包括一套离合器的实车操作模拟系统，一套汽车离合器工作性能的测试设备和一套客观评价系统。实车操作模拟系统包括可调节座椅、离合器踏板、相关仪表，开关、监视器、离合器总泵、分泵(或助力分泵)。测试设备包括模拟飞轮、模拟从动盘总成、模拟分离轴承及导向套筒、踏板力及角位移传感器、分离力及分离行程传感器、分离间隙传感器、液压气压监测仪表。评价系统包括计算机、数据采集卡、数据库、分析软件，用以采集离合器工作参数分析离合器的性能。该方法的具体步骤是：

步骤(1)选择模型变量。

采用神经网络建立汽车离合器舒适性评分模型，为保证基于测试数据的有效性，避免纯黑箱建模的盲目性，首先利用机理分析和先验信息，合理选择评分模型的输入变量和输出变量。

基于机理分析选择专家感受打分为神经网络模型的输出变量，选择七项主要因素为神经网络模型的输入变量：①最大踏板力；②最小踏板力；③最终踏板力；④半联动点踏板力；⑤半联动点阻尼；⑥最小踏板力位置；⑦分离行程。

步骤(2)输入输出变量的采集，具体为：

搭建的测试台将模拟驾车的操纵环境，通过相关传感器，测的七项指标的客观数值，并记入对应数据库。由多位行业专家按照自身对离合器的体验感受对舒适性程度打分，为减小由于个别专家体验不准的误差。对专家打分进行Grubbs检验，剔一场打分数据。则剩余非异常评分的均值作为对应离合器的舒适性分值，记入相应数据库。

其中为非异常打分值，n为非异常打分数据个数，为对应最终的专家主观打分值。

为降低参数的复杂性，进一步提高神经网络效率。对七个客观输入指标与一个主观打分指标进行主成分分析，确定新的主成分，以新的主成分为神经网络输入变量，输出变量不变。

步骤(3)数据归一化处理。

训练样本中的输出数据包括七项，数量级相差比较大，为避免大数吃小数，并加快收敛，对数据进行归一化处理，转化为[0,1]区间的范围值。

其中为输入指标中的最大值，为输入指标中的最小值，为输入数据，为归一化之后的数值。

步骤(4)搭建BP神经网络框架。

调用matlab R2011神经网络工具箱newff函数建立BP神经网络，NET=newff(PR,[],{},BTF,BLF,PF)；NET为BP神经网络框架，PR为输入矩阵最大值与最小值一个范围，为第i层神经元的个数，为第i层的传递函数。，N为神经网络总层数。BTF表示神经网络的训练函数，BLF为权值和偏置值，PF为网络性能函数。

步骤(5)训练神经网络。具体方法为：

Ⅰ、初始化BP神经网络，利用随机函数产生的值赋值给权值和偏置值，调用init函数初始化神经网络。

Ⅱ、设置神经网络训练上限次数和目标误差。

Ⅲ、设置训练数据为输入矩阵P，设置目标值为矩阵T，调用matlab R2011神经网络工具箱中的train函数对BP神经网络NET进行数据训练直至收敛，NET=train(NET,P,T)。

步骤(6)BP神经网络的测试。