一种基于长短期记忆神经网络识别车辆行驶工况的方法与流程

1.本发明属于行驶工况识别技术领域，特别涉及一种基于长短期记忆神经网络识别车辆行驶工况的方法。


背景技术：

2.由于混合动力重型商用车满载质量大(一般在50吨左右)，大的质量有大的惯性，导致加速和制动时间较长，而混合动力重型商用车变速箱正是针对汽车的特点，利用改变混合动力重型商用车传动系传动比，来根据汽车需求的驱动力来优化发动机和电机输出的装置。混合动力重型商用车的传动比的范围一般在0.75到20之间，合理的档位和传动比对混合动力重型商用车的运行至关重要。因而，装有自动机械自动变速箱(英文简称：amt)的混合动力重型商用车在不同工况下，采取相同的换档控制逻辑，会导致离合器过热烧毁、排放超标、能耗(油耗加上电耗)增加、噪声过大等问题，随之还可能危及车辆和人员的安全。比如拥堵工况(如城市中心、高速收费站堵车等)时，采用通用的换档策略会导致频繁换档，导致离合器过热，进而使换档失灵甚至离合器烧毁；低速工况(如郊区、村镇等)时，采用通用的换档策略会导致换档不及时，导致动力不足或车速上不去；中速工况(省道、国道等)和高速工况(高速公路)时，采用通用的换档策略会导致超车换档慢或不换档，超车无力，超车慢，影响车辆安全。为了保证车辆的安全、同时增加部件寿命、降低排放和降低能耗(油耗加上电耗)，对于不同的工况，混合动力重型商用车的机械自动变速箱要采取对应的控制策略。
3.对混合动力重型商用车行驶工况的研究几乎没有，而针对不同工况的识别和换档策略，更是一个混合动力重型商用车amt领域的难题。


技术实现要素：

4.本发明的目的在于提供一种基于长短期记忆神经网络识别车辆行驶工况的方法，解决混合动力重型商用车amt控制策略随行驶工况自动调整的难题。
5.本发明是通过以下技术方案来实现：
6.一种基于长短期记忆神经网络识别车辆行驶工况的方法，包括以下步骤：
7.s1、采集车辆在不同路面的行驶数据，对采集的行驶数据进行分析筛选；
8.s2、将分析筛选后的数据分为两组，一组作为训练数据集，另一组作为校验数据集；
9.s3、根据筛选的数据，构建长短期记忆神经网络模型；
10.s4、使用训练数据集训练长短期记忆神经网络模型，得到训练好的长短期记忆神经网络模型；
11.s5、使用校验数据集评价训练好的长短期记忆神经网络模型；
12.s6、将通过校验的长短期记忆神经网络模型的参数提取出来；
13.s7、根据提取的参数数据建立行驶工况分类器；
14.s8、将行驶工况分类器集成到amt控制程序中，利用行驶工况分类器在线识别车辆的行驶工况。
15.进一步，s8中，工况分类包括堵车工况、低速工况、中速工况和高速工况，根据行驶工况建立对应的工况控制策略，对应的工况控制策略分别为堵车工况控制策略、低速工况控制策略、中速工况控制策略、高速工况控制策略和通用的普通控制策略。
16.进一步，利用行驶工况分类器在线识别车辆的行驶工况，根据行驶工况建立对应的工况控制策略的过程为：首先判断是否是高速工况，如果是高速工况，则执行高速工况换档控制策略，否则继续判断；
17.其次判断是否是中速工况，如果是中速工况，则执行中速工况换档控制策略，否则继续判断；
18.再次判断是否是低速工况，如果是低速工况，则执行低速工况换档控制策略，否则继续判断；
19.再次判断是否是低速工况，如果是低速工况，则执行低速工况换档控制策略，否则继续判断；
20.最后判断是否是堵车工况，如果是堵车工况，则执行堵车工况换档控制策略，否则执行通用工况换档策略。
21.进一步，s1中，行驶数据包括车速、加速踏板开度、制动踏板开度和转向半径。
22.进一步，s1中，不同路面包括市区路面、省道、国道和高速路面。
23.进一步，s2中，将分析筛选后的数据按照70％和30％的比例随机分为两组，将70％的一组作为训练数据集，将30％的一组作为校验数据集。
24.进一步，长短期记忆神经网络模型包括输入层，lstm层，全连接层，softmax层和分类层；
25.s7中，提取的长短期记忆神经网络模型的参数包括lstm层的输入权重iw、lstm层的周期权重rw、lstm层的偏移量b、全连接层的权重fw和全连接层的偏移量fb。
26.进一步，s7中，用全连接层的权重fw和全连接层的偏移量fb构建行驶工况分类器的全连接层；s8中，行驶工况分类器的计算过程为：
27.(1)将行驶工况分类器lstm层的输出gtt、itt、ftt和c
t
‑1输入到全连接层，则全连接层的输出即当前车辆运行工况属于堵车工况、低速工况、中速工况和高速工况四个工况的概率，具体公式为：
28.out＝fw*(gtt*itt ftt*c
t
‑1) fb
29.其中，out代表当前时刻车辆处于堵车工况、低速工况、中速工况和高速工况的概率，是一个1*4的矩阵；fw代表全连接层的权重，fb代表全连接层的偏移量；c
t
‑1代表上一时刻的细胞状态，gtt代表选择记忆门的输出值，itt代表输入门的输出值，ftt代表遗忘门的输出值；
30.(2)计算工况类型：
31.[～，kind_out]＝max(out)
[0032]
其中，kind_out代表工况类型，是1，2，3，4四个数字中的一个，1堵车工况、2低速工况、3中速工况和4高速工况，max代表matlab的max函数，输出为一个1*2的矩阵，矩阵的第一个数是最大值的值，第二个数为最大值所在的位置，最大值所在的位置kind_out来确定工
况，符号～代表忽略输出的第一个值。
[0033]
进一步，遗忘门公式为：
[0034]
ftt＝logsig(g(find))；
[0035]
其中，ftt代表遗忘门的输出值，为1*100的矩阵；g(find)代表g的第1个至第100个值，为1*100的矩阵，logsig代表深度学习中的log
‑
sigmoid转换函数；
[0036]
输入门公式为：
[0037]
itt＝logsig(g(iind))；
[0038]
其中，itt代表输入门的输出值，为1*100的矩阵；g(iind)代表g的第101个至第200个值，为1*100的矩阵，logsig代表深度学习中的log
‑
sigmoid函数；
[0039]
选择记忆门公式为：
[0040]
gtt＝tanh(g(zind))；
[0041]
其中，gtt代表选择记忆门的输出值，为1*100的矩阵；g(zind)代表g的第201个至第300个值，为1*100的矩阵，tanh代表深度学习中的正切函数；
[0042]
输出门公式为：
[0043]
ott＝logsig(g(oind))；
[0044]
其中，ott代表输出门的输出值，为1*100的矩阵，g(oind)代表g的第301个至第400个值，为1*100的矩阵，logsig代表深度学习中的log
‑
sigmoid转换函数；
[0045]
线性门公式为：
[0046]
g＝iw*x
t
rw*h
t
‑1 b；
[0047]
其中，g代表所有门线性计算部分的输出值，为1*400的矩阵；iw代表lstm层的输入权重，x
t
代表当前时刻的特征值，rw代表lstm层的周期权重，h
t
‑1代表上一时刻的隐藏状态，b代表lstm层的偏移量。
[0048]
进一步，隐藏状态公式为：
[0049]
h
t
＝tanh(c
t
)*ott；
[0050]
其中，运算符号*为矩阵运算，h
t
代表当前时刻的隐藏状态，c
t
代表当前时刻的细胞状态；
[0051]
细胞状态公式：
[0052]
c
t
＝gtt*itt ftt*c
t
‑
1；
[0053]
其中，c
t
代表当前时刻的细胞状态，c
t
‑1代表上一时刻的细胞状态。
[0054]
与现有技术相比，本发明具有以下有益的技术效果：
[0055]
本发明公开了一种基于长短期记忆神经网络识别车辆行驶工况的方法，专门针对混合动力重型商用车多种动力驱动时(一般为柴油和电力)和电机制动能量回收时对汽车行驶工况的依赖。通过与驾驶意图识别相结合，有效的解决了不同工况下尽可能多的回收能量，并保证车辆的运行安全的控制难题，防止混合动力车辆高速时因制动能量回收导致制动力不足，低速时混合动力介入超出工况需求，制动时多种制动力不协调，导致车辆冲击甚至不受控窜动等新发现的新能源汽车行业难题。通过研究混合动力重型商用车行驶工况，应用神经网络对行驶工况进行识别，基于识别出的工况优化混合动力重型商用车amt的换档策略，进而提高混合动力重型商用车的可靠性、安全性、经济性和舒适性，为节能减排、缓解环境和能源压力提供强有力的支持。
附图说明
[0056]
图1为本发明的一种基于长短期记忆神经网络识别车辆行驶工况的方法的流程图；
[0057]
图2为长短期记忆神经网络(lstm)的层结构示意图；
[0058]
图3为长短期记忆神经网络(lstm)的细胞结构示意图；
[0059]
图4为南京市一堵车工况处理后的数据；图4(a)代表采集的车速数据，图4(b)代表采集的加速踏板开度数据，图4(c)代表采集的制动踏板开度数据，图4(d)代表采集的转弯半径数据，图4(e)代表采集的加速度数据；
[0060]
图5为长短期记忆神经网络(lstm)神经网络训练精度曲线；
[0061]
图6为混合动力重型商用车amt控制流程图。
具体实施方式
[0062]
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
[0063]
如图1所示，本发明公开了一种基于长短期记忆神经网络识别车辆行驶工况的方法，包括以下步骤：
[0064]
s1、采集车辆在不同路面的行驶数据，对采集的行驶数据进行分析筛选；
[0065]
s2、将分析筛选后的数据分为两组，一组作为训练数据集，另一组作为校验数据集；
[0066]
s3、根据筛选的数据，构建长短期记忆神经网络模型；
[0067]
s4、使用训练数据集训练长短期记忆神经网络模型，得到训练好的长短期记忆神经网络模型；
[0068]
s5、使用校验数据集评价训练好的长短期记忆神经网络模型；
[0069]
s6、将通过校验的长短期记忆神经网络模型的参数提取出来；
[0070]
s7、根据提取的参数数据建立行驶工况分类器；
[0071]
s8、将行驶工况分类器集成到混合动力重型商用车amt控制程序中，利用行驶工况分类器在线分析车辆的行驶工况，根据行驶工况建立对应的工况控制策略。
[0072]
本发明主要是利用长短期记忆神经网络lstm，识别混合动力重型商用车行驶工况，解决混合动力重型商用车amt控制策略随行驶工况自动调整的难题。具体为：
[0073]
(1)用canalyzer软件通过车辆公共can通讯网络的obd接口采集混合动力重型商用车在市区、省道、国道和高速等路面的原始行驶数据，包括车速、加速踏板开度、制动踏板开度和转向半径等。
[0074]
车速由汽车制动防抱死控制器abs发送的ebc2报文的frontaxlespeed信号获得，加速踏板开度由发动机控制器发送的eec2报文的accelpedalpos1信号获得，制动踏板开度由发动机控制器发送的ccvs报文的brakeswitch信号获得，转向半径由汽车制动防抱死控制器abs发送的ebc2报文的relativespeedfrontaxleleftwheel和rlativespeedfrontaxlerightwheel信号计算得出。
[0075]
(2)分析筛选数据，利用canalyzer初步由人工将采集的数据分组，并标注标签，然后用canalyzer的数据导出功能对数据格式进行转化，由原始的.blf转化为matlab能识别
的.mat格式，再通过matlab的数据处理功能清洗掉无效数据，得到8500组数据构成的数据集{xdata，ydata}，每组数据包括一个5*60的矩阵x和1个分类标签y，5表示神经网络的5个输入特征：1车速，2油门踏板开度，3制动踏板开度，4转弯半径和5加速度(加速度由前1秒的车速减去后1秒的车速得出)，60表示60秒时序的60列特征值，分类标签是堵车工况、低速工况、中速工况和高速工况中的一个。
[0076]
(3)将分析筛选后的数据按照70％和30％的比例随机分为两组，将70％的一组作为训练数据集{xtrain，ytrain}，将30％的一组作为校验数据集{xtest，ytest}，查看单组特征数据。
[0077]
(4)根据筛选的数据和matlab软件的神经网络工具箱，构建如图2所示的长短期记忆神经网络模型，其中x
t
表示输入的特征，即当前时刻的5个特征值，t
‑
1，t，t 1，
…
，s表示时间序列，其中s＝60。根据经验和不断尝试调整，设置神经网络模型和训练参数：输入特征维度featuredimension＝5；隐藏层单元数量numhiddenunits＝100；分类数量numclasses＝4；最大迭代参数max_epochs＝500。生成神经网络模型lstm_layers包括5层：输入层，lstm层，全连接层，softmax层和分类层。
[0078]
通过matlab的附件程序deep network designer加载lstm_layers神经网络模型，并查看神经网络构架，查看多维输入层参数，查看lstm层参数，查看全连接层参数，查看softmax层参数，查看分类层参数。
[0079]
(5)使用训练数据集{xtrain，ytrain}训练长短期记忆神经网络模型。
[0080]
调用matlab的trainnetwork函数训练网络模型，函数的输入为：训练数据集{xtrain，ytrain}，神经网络模型lstm_layers和训练控制参数(max_epochs＝500等)；函数的输出为神经网络模型lstm_net。lstm_layers是为训练开发的输入模型，要手动设置；lstm_net是训练输出的模型，训练后自动输出。
[0081]
查看训练结果见图5，如果学习效果没达到预期要求，即预期准确率未达到98％的设定目标，调整训练参数继续学习，直到学习达到要求设定目标。
[0082]
(6)使用校验数据集{xtest，ytest}评价训练后的长短期记忆神经网络模型lstm_net，如果校验效果没达到预期要求，即预期准确率未达到98％，调整训练参数继续学习，直到校验达到要求。
[0083]
(7)将通过校验的长短期记忆神经网络模型lstm_net的参数提取出来：
[0084]
lstm层的输入权重iw为5*400的矩阵，lstm层的周期权重rw为100*400的矩阵，lstm层的偏移量b为1*400的矩阵，全连接层的权重fw为4*100的矩阵，全连接层的权重fb为1*4的矩阵。
[0085]
(8)根据提取的数据开发混合动力重型商用车工况识别算法，即行驶工况分类器，具体为：用全连接层的权重fw和全连接层的偏移量fb构建行驶工况分类器的全连接层。
[0086]
(9)将行驶工况分类器集成到amt控制程序中，利用行驶工况分类器在线分析车辆的行驶工况，根据行驶工况建立对应的工况控制策略。
[0087]
将全连接层的输入特征矩阵输入全连接层，计算得到全连接层的输出，即当前车辆运行工况属于堵车工况、低速工况、中速工况和高速工况四个工况的概率。
[0088]
t时刻lstm层(见图3)的输入为：当前时刻的特征值x
t
，为1*5的矩阵，上一时刻的细胞状态c
t
‑1，为1*100的矩阵，和上一时刻的隐藏状态h
t
‑1，为1*100的矩阵。
[0089]
线性门公式:
[0090]
g＝iw*x
t
rw*h
t
‑1 b
[0091]
其中，g代表所有门线性计算部分的输出值，为1*400的矩阵；iw代表lstm层的输入权重，x
t
代表当前时刻的特征值，rw代表lstm层的周期权重，h
t
‑1代表上一时刻的隐藏状态，b代表lstm层的偏移量。
[0092]
遗忘门公式:
[0093]
ftt＝logsig(g(find))
[0094]
其中，ftt代表遗忘门的输出值，为1*100的矩阵；g(find)代表g的第1个至第100个值，为1*100的矩阵，logsig代表深度学习中的log
‑
sigmoid转换函数。
[0095]
输入门公式：
[0096]
itt＝logsig(g(iind))
[0097]
其中，itt代表输入门的输出值，为1*100的矩阵；g(iind)代表g的第101个至第200个值，为1*100的矩阵，logsig代表深度学习中的log
‑
sigmoid函数。
[0098]
选择记忆门公式:
[0099]
gtt＝tanh(g(zind))
[0100]
其中，gtt代表选择记忆门的输出值，为1*100的矩阵；g(zind)代表g的第201个至第300个值，为1*100的矩阵，tanh代表深度学习中的正切函数。g输出门公式:
[0101]
ott＝logsig(g(oind))
[0102]
其中，ott代表输出门的输出值，为1*100的矩阵，g(oind)代表g的第301个至第400个值，为1*100的矩阵，logsig代表深度学习中的log
‑
sigmoid转换函数。
[0103]
更新细胞状态公式:
[0104]
c
t
＝gtt*itt ftt*c
t
‑1[0105]
其中，运算符号*和 均为矩阵运算，c
t
代表当前时刻的细胞状态，c
t
‑1代表上一时刻的细胞状态。
[0106]
更新隐藏状态公式:
[0107]
h
t
＝tanh(c
t
)*ott
[0108]
其中，运算符号*为矩阵运算，h
t
代表当前时刻的隐藏状态。
[0109]
t时刻，全连接层的输出计算公式：
[0110]
out＝fw*c
t
fb
[0111]
其中，运算符号*和 均为矩阵运算，out代表当前时刻车辆处于堵车工况、低速工况、中速工况和高速工况四个工况的概率，是一个1*4的矩阵。
[0112]
计算工况公式：
[0113]
[～，kind_out]＝max(out)
[0114]
其中，kind_out代表工况类型，是1，2，3，4四个数字中的一个，1堵车工况、2低速工况、3中速工况和4高速工况，max代表matlab的max函数，其输入可以是一个矩阵，输出可以为一个1*2的矩阵，矩阵的第一个数是最大值的值，第二数为最大值所在的位置，本分类器中不关心最大值的值，只需要最大值所在的位置kind_out来确定工况，符号～代表忽略输出的第一个值。
[0115]
如图4所示，从图4(a)可以看出特征1车速低，从图4(b)和4(c)可以看出特征2加速
踏板结束后，马上就特征3制动到停车，从图4(d)可以看出特征4红绿灯处低速转弯，从图4(e)可以看出特征5加速度反复大范围波动。是一组标注为堵车工况的输入数据，用一个通过校验的分类器识别出的out＝[0.9982，0.4473，0.0258，0.2040]，可以看出，其属于堵车工况的概率最大，概率为0.9982。
[0116]
(9)将行驶工况分类器集成到混合动力重型商用车amt控制程序，根据得出的四个分类：堵车工况、低速工况、中速工况和高速工况，分别开发堵车工况控制策略、低速工况控制策略、中速工况控制策略、高速工况控制策略和通用的普通控制策略。
[0117]
如图6所示，利用行驶工况分类器在线分析车辆的行驶工况的过程为：
[0118]
首先判断是否是高速工况，如果是高速工况，则执行高速工况换档控制策略，否则继续判断；
[0119]
其次判断是否是中速工况，如果是中速工况，则执行中速工况换档控制策略，否则继续判断；
[0120]
再次判断是否是低速工况，如果是低速工况，则执行低速工况换档控制策略，否则继续判断；
[0121]
再次判断是否是低速工况，如果是低速工况，则执行低速工况换档控制策略，否则继续判断；
[0122]
最后判断是否是堵车工况，如果是堵车工况，则执行堵车工况换档控制策略，否则执行通用工况换档策略。