GD1091型商用车变速器、传动轴设计【含CAD图纸+文档】
压缩包内含有CAD图纸和说明书,均可直接下载获得文件,所见所得,电脑查看更方便。Q 197216396 或 11970985
机电工程学院毕业设计外文资料翻译设计题目: GD1091型商用车变速器、传动轴设计 译文题目: 基于支持向量机的现代汽油发动机性能模型 学生姓名: 学 号: 专业班级: 指导教师: 正文:外文资料译文 附 件:外文资料原文 指导教师评语: 签名: 年 月 日正文:外文资料译文文献出处:浙江科技大学期刊,2005(6)基于支持向量机的现代汽油发动机性能模型黄志文,王百键,李怡平,何春明(中国澳门大学,1.计算机与信息科学系,2.机电工程系)摘要:现代汽车汽油发动机的性能有显著影响的有效调整。目前的做法 发动机调式依赖于汽车工程师的经验,调整通常是通过做大量实验的方法,然后汽车发动机运行在测功机,以显示实际的发动机性能。显然,目前的做法就是投入大量的时间和金钱,但甚至依然可能无法调整发动机到最佳状态,因为正式的性能模型的发动机还没有被确定。随着新兴技术,支持向量机(SVM)实现的汽油发动机车辆的大致性能模型可以通过训练从采集样品的发动机性能数据确定测功机。因此,调整发动机性能测功机的数目可以减少,因为估计的发动机性能模型可以在一定程度上代替测功机测试。在这篇文章中,施工,验证和精度讨论了该模型。 研究表明,预测结果很好地符合实际测试结果。为了说明支持向量机方法的意义,结果也与使用多层前馈神经网络的回归的方法进行了比较。关键词:车用汽油发电机;电子控制单元的调整;支持向量机1.引言 现代汽车汽油发动机由电子控制单元(ECU)控制。发动机性能(例如功率输出,扭矩,制动 具体的油耗和排放水平)被设置在电子控制单元中的参数显著影响。许多参数都存储在电子控制单元中,使用查表/图(图1)。通常,汽车发动机的性能是通过测功机试验获得。一组性能数据关于发动机输出功率和扭矩与速度的曲线的的例子示于图2。传统上,设置电子控制单元是由车辆制造商完成。但是, 近年来,可编程电子控制单元和电子控制单元只读存储器(ROM)的编辑器已被广泛使用在许多轿车。这些设备允许非原始设备制造商的工程师根据不同的附加组件和驾驶员的要求来调整他们的引擎 。 发动机调整的现行做法依赖于能够处理一个巨大的引擎控制组合数的有经验的汽车工程师。现代汽车发动机的输入输出参数之间的关系 是一个复杂的多变量非线性函数,这是非常难以确定的,因为现代汽油发动机是热流体,机电和计算机控制系统的集合体。因此,发动机调整通常是通过反复试验的方法。工程师首先根据他/她的经验猜测的电子控制单元的设定,然后存储设置在电子控制单元中的参数值,然后通过发动机运行在测功机来测试实际的发动机性能。如果测试的性能差,工程师调整电子控制单元中参数设置并重复该过程,直到发动机表现是令人满意的。这就是为什么汽车制造商通常要花几个月的时间来调整最佳新车型的电子控制单元。此外,发动机性能功能也是引擎依赖,一切发动机必须经过类似的调整过程。 图1 典型的单子控制单元的设置 图2发动机性能曲线 通过了解性能功能/型号,汽车工程师可以预测,是否试用的电子控制单元的设置为增益或亏损。汽车发动机只需要经过验证后的模型估计一个满意的参数设置。因此,不必要的测功机测试,该路径设置的数量可以显着降低,从而节省了大量的时间和金钱进行测试。最近的研究论文(布雷斯,1998;特拉弗尔等人,1999年;苏等,2002;严等,2003;刘和费等, 2004)根据实验数据描述了基于柴油发动机的排放性能使用中性网络的建模。众所周知,神经网络(毕晓普,1995年; 赫金,1999年;苏依肯等人, 2002)是一个普遍的估计。但是它具有两个主要缺点(斯莫拉等人,1996;Schlkopf和斯莫拉,2002):(1)该体系结构必须确定一个先验的或被修改的启发式的训练方法, 这导致产生了一个不一定最优的网络结构;(2)神经网络可以很容易地通过局部极小卡住。防止局部极小的各种方法,像早期停止,体重腐烂等都可以采用。 然而,这些方法有大大地的影响估计模型的通用化,即处理新的输入状况的能力。 非线性的传统的数学方法回归(Borowiak,1989;赖安,1996; Seber和野,2003)可被应用于构造发动机性能模型。然而,发动机的安装涉及太多参数和数据。构建这样的高维和非线性数据空间的模型对于传统的回归方法是一个非常艰巨的任务。随着新兴技术,支持向量机(SVM)(Cristianini和肖-泰勒, 2000; 苏依肯等,2002;。佩雷斯 - Ruixo等,2002; Schlkopf和斯莫拉,2002),高维的问题,以及以前神经网络的缺点都被克服。基于SVM的回归,发动机性能模型可以用于预测精度,这样的测功机测试的数量可以显著降低。此外, 一个测功机并不总是可用的,尤其是在道路上的细调式的情况下。研究对现代汽油发动机输出马力预测和扭矩受限于在电子控制单元不同的参数设置还是相当罕见的,所以使用支持向量机的发动机输出马力和扭矩的造型是第一次尝试。在本篇文章中,术语,发动机的性能,是指在发动机的输出功率和扭矩。2.支持向量机SVM是一个新兴的技术,是由万普尼克开创的(Cristianini和肖-泰勒,2000; Schlkopf和斯莫拉,2002)。它是一个跨学科机器学习,优化,统计领域学习和泛化理论。基本上它是可以用于模式分类和非线性回归。支持向量机SVM考虑向量机的应用,作为二次规划(QP)权重问题的各种因素,包括正规化的因素。因为一个二次规划是一个至关重要的问题,解决二次规划的问题是全球性的(甚至是唯一的),而不是的局部解决方案。支持向量机(斯莫拉等 ,1996),而不是神经网络的优点如下: (1)该系统的体系结构不需要测试前确定。任意的输入数据维可以被视为仅仅是线性关于输入维数成本的关系; (2)支持向量机回归作为一个二次规划问题来最小化数据拟合误差和正规化, 这将产生一个全局的(或甚至是唯一的)方法解决最小拟合误差,同时也可以得到估计模型的高度概括。3.制定支持向量机非线性回归 考虑回归数据集上,D =(X1, Y1),.,(Xn,Yn),有n个点,其中xiR ,yiR。制定支持向量机非线性回归是由下面的等(耿氏,1998表示; Cristianini和肖-泰勒,2000;Schlkopf和斯莫拉,2002;苏依肯等,2002;) 其中,,* 是拉格朗日乘数(每个乘数可以表示为一个N维向量); K,核函数;,用户预先定义的正规化常数;C,用户预先定义的正实常数容量控制。 从我们应用的角度看,一些参数在方程(1)被指定为:N,总数 引擎设置(数据点);xi,引擎输入控制 在第i个样本数据点的参数,I =1,2,.,N (即第i个发动机设置);yi,在发动机输出转矩第i个样本数据点。 i和*是已知的作为对应于第i个数据点,其中第i个数据点表示第i个发动机设置和输出扭矩支持的值。此外,径向基函数(RBF)与用户预先定义的样本方差选为内核函数,因为它往往会产生良好的效果非线性回归(苏依肯等,2002;西格,2004)。然后用商业优化软件包解方程(1),如矩阵实验室及其优化工具箱,两个N维向量,*获得解决方案,从而产生下列目标非线性模型: 其中,b为偏置常数,X,新的引擎输入设置 有n个参数; ,用户指定的样本方差。 为了得到b,m试验数据点dk=D,k= 1,2,.,m,被选择,使得它们的相应的k和k*(0,c)中,即0k,k*C。代xk代入式(2)并设置M(xk)= yk,可以得到一个偏置bk。因为有m偏差,最佳的偏置值b*通常是通过bk的平均值如下式所示(3)。4.应用支持向量机对汽油发动机建模 在本次应用中,M(x)在等式(2)中是一个发动机的性能函数/型号。对这个应用领域使用支持向量机的问题将在下面的篇章中讨论。 4.1架构训练数据集为D=(xi,yi),i = 1到N。实际上,有许多输入控制参数也依赖电子控制单元和发动机。此外,该发动机马力和扭矩曲线通常在满载条件下获得的。用于展示的SVM方法,将下列共同调节发动机和环境的参数在发动机满负荷状态被选择输入到发动机(即发动机安装)。x= and y=其中,r是发动机转速(rpm)和r=1000,2000,3000,.,8000;Ir,点火提前在相应的发动机转速r(上止点前),O,整体点火(上止点前),Tr,喷油时间在相应的发动机转速r(毫秒),f,整体燃油调整(); Jr,停止燃油喷射在相应的发动机转速r(上止点前),D,点火停留时间在15 V(毫秒); a,空气温度(),P,燃油压力(bar),Tr,在相应的发动机转速r(牛米)的发动机扭矩。尽管发动机转速r是连续变量,在实际的电子控制单元设置中,工程师通常为每个类别的发动机速度的参数设置一个地图格式。地图通常把速度范围离散地在500的时间间隔,如图1所示,即r =1000,1500,2000,2500,.。因此,没有必要在所有的速度范围内建立一个模型。出于这个原因,r是手动分类,在指定的间隔,而不是任何整数,范围从0到8500。为了简化描述和实验,所设定的发动机转速是在1000的时间间隔,间隔调整为1000,2000,3000,.,8000,因为r的其它值也遵循完全相同的建模过程。 由于有些数据是发动机转速有关,另一个符号dr是用来进一步指定包含关于特定r的数据集。例如,D1000包含以下参数:,而D8000包含(图3)。图3 根据各种发动机转速分离数据集D成8个子集Dr因此,D被分离成8子集即D1000,D2000,.,D8000。训练数据(发动机设置)为D1000的一个例子示于 表1中。对于每个子集Dr,它被一个接一个传递到支持向量机回归模块,方程(1),以构造八种相关于发动机转速r的扭矩M r(x),即Mr(X)=Mr=M1000,M2000,.,M8000。 在这种方式中,支持向量机模块以8倍的速度运行。在每次运行,一个独特的子集Dr作为训练集来估算其对应的扭矩模型。针对发动机转速曲线与发动机转矩通过拟合,并通过由M1000,M2000,.,M8000产生的所有数据点,因此获得的一条曲线。表1在1000个测试数据系统中的实验数据 di4.2数据采样和安装启用在实际的发动机安装,汽车工程师确定初始设定,它基本能启动发动机,然后通过调整初始设置值的参数,进行发动机微调。因此,输入参数是基于对由发动机制造商所提供的初始设置的数据点进行采样。在我们的实验中,200个不同的引擎设置以及性能输出的样本数据集D是从本田B16A DOHC发动机获取由一个可编程的电子控制单元,MOTEC M4控制(图4),在测功机(图5)运行并保持控制节气门全开。 图4使用MOTEC M4可编程电子控制单元引擎输入参数的调整性能输出是仅针对发动机转速,发动机扭矩,因为在发动机的马力使用的计算方法: 其中,HP是发动机马力(HP),r,引擎转速(转速:每分钟转数);T,发动机扭矩(Nm)。收集样本数据集D的每一个数据子集DrD,它被随机分为两组: 图5在底盘测功机汽车的发动机性能数据采集 TRAINr代表训练和TESTr代表测试,以使得Dr= TRAINrTESTr,其中TRAINr含有80的Dr和TESTR持有其余的20(图6)。然后每个TRAINr被发送到支持向量机模块进行训练,它已被利用MATLAB6.5在MS Windows XP中的优化工具箱实现的,它运行在一个有512M内存的第三代电脑上。执行和其他重要问题将在下面的小节中讨论。4.3数据前处理和后处理为了有更准确的回归结果,该数据集通常是标准化之前进行测试(派尔,1999年)。这可以防止任何参数主导的输出值带来危害。所有输入和输出值必然要标准化到一定变化范围内0,1,即单位方差,通过下面的变换公式:其中,Vmin和Vmax分别代表输入或输出参数v的最小值和最大值。例如,V8,39,Vmin= 8和Vmax=39。限制发动机的每个输入和输出参数应该通过多个实验或专家知识或制造商的数据表来预先裁定的。由于所有的输入值进行标准化,输出扭矩值v*的支持向量机生产的不是实际值。它必须重新代入式(5)以获得实际的输出值v。 图6进一步分离数据随机分为训练集(TRAINr)和测试集(TESTr) 4.4误差为验证Mr的每个模型的准确性,误差函数被建立。对于某型号Mr,相应的验证错误是: 其中为第i个数据点的测试集或验证集发动机的输入参数;di=表示第i个数据点; yi是在数据点di的真实扭矩值,n为数据点在试验组或验证集的数目。 错误Er是一个测试点二和其相应的推定转矩值的真值扭矩义Mr(xi)之间的差的根均方。 差异也由真扭矩yi划分,从而该结果内的标准化范围是0,1。它可保证误差Er还在于在该范围内。因此,各转矩模型的准确率Mr使用下列公式计算:5.超参数值选择 方程(1)和(2)表明,用户必须调整 3个超参数(,C)。如果不知道他们的最佳值,所有型号的扭矩都不能很好执行。为了选择这些最佳超参数的值,通常采用10倍交叉验证(苏依肯等,2002)。10倍交叉验证表示运行的次数是10,并将训练数据集TRAINr进一步分为10份的数据点。换句话说,如果 TRAINr有200引擎的设置,每个部分 包含20引擎设置。在每次运行时,十个不相交的部分之一被随机选择用于验证的。本文选取单一的部分称为验证集,用VALIDr表示。其余九个部分组成训练集记为TRr(图6和图7)。最初,超参数的值首先被猜测。在这些猜测超参数值下,一个转矩模型受到TRr的测试,和其相应的验证错误是基于VALIDr以及式中的误差函数计算(6)。此过程重复10次,每次用TRr和VALIDr的不同组合。其结果是,利用同一组猜测超参数值10个模型产生。猜测的超参数的概括是通过在运行的次数平均的平方错误评估验证。 * 阴影部分是每次运行时验证集,而所有剩余的部分则是训练数据集 图7 .10倍交叉验证的概念 通过猜测的不同组合(,C),一个最好的组合 猜值被选择(即用最小平方验证错误)因为它们有最好的概括。使用这些超参数,每个目标转矩模型M R使用的所有训练数据TRAINr再培训。 虽然10倍交叉验证涉及10 不同的训练数据,并产生10个不同的扭矩模型,它们都不是最终的转矩模型。10个模型只是核实工作的泛化的超参数看不见的数据。每个力矩模型是使用最后生产工序的整个训练数据集TRAINr 。6.训练 如第3节中所述,超参数的组合的数量是非常巨大的。为了确定最佳组合的超参数,这是非常耗时的。为了简化我们的实验支持向量机方法演示,我们假设c =1.0这是常见的选择。因此,剩余的超参数被发现为,它表示什么是模型泛化。在这种情况下,的值是从一个范围以增量0.01在0.0至0.2变化。这意味着总共有20个值0.01,0.02,0.03,.,0.2。采用10倍交叉验证来训练集TRAINr为20次之后,值产生用于TRAINr最低验证错误成本被选择为最佳的超参数常数r*。重复此过程八次全部超参常数r*值的所有TRAINr可确定。最后,8转矩模型M r是使用基于对应的训练数据集TRAINr 支持向量机模块和所确定的超参数常数r*来进行生产的。偏差b*对于不同的转矩模型Mr也可以很容易的使用公式(3)计算。7.结果为了说明支持向量机回归的优势,测试结果与从训练获得的具有反向传播功能的多层前馈神经网络(MFN)进行比较。因为多层前馈神经网络是一个众所周知的通用估算器,从多层前馈神经网络获得的结果可以被看作是一个标准的基准。7.1 支持向量机的结果获得所有扭矩模式的发动机后,它利用式(6)和(7)逐个对自己的测试设置TESTr的精度进行评估。根据表2中所获得的精确度,预测的结果与他们的在超参数下的实际测试结果吻合良好。然而,据信,该模型的精度可通过增加训练数据的数量来提高。表2不同型号Mr和相应的超参数精度(假设C =1.0)7.2 多层前馈神经网络的结果 八神经网络NETr=NET1000,NET2000,.,NET8000对于发动机转速r基于相同的八组训练数据TRAINr =TRrVALIDr被建立。 TRr实际上是用于训练相应的网络NETr而VALIDr被用作训练的早期停止验证集,以便提供更好的网络推广。 每一个神经网络由8个输入神经元(发动机设置在一定的发动机转速r的参数),一个输出神经元(输出转矩值Tr)和50个隐含神经元,这仅仅只是猜测。通常情况下,50个隐含神经元能够提供足够的能力来接近一个高度非线性函数。隐藏神经元内部使用的激活函数为郯S型传递函数,而纯粹的线性滤波器是用于输出神经元(图8)。训练方法中采用标准反向传播的算法(即朝向梯度的负方向,梯度逐渐下降),从而多层前馈神经网络MFN的结果可以被看作是一个标准。更新的学习速率被设定为0.05。每个网络进行训练300时代。所有NETr的训练结果示于表3中。相同的测试也选择TESTr集,使得通过SVM和多层前馈神经网络构建模型所得精度合理地进行比较。使用公式每个NETr的平均精确度使用(6)和(7)进行计算,结果如表3所示。图8每个MFN架构(层图) 表3八神经网络训练误差和平均精度 7.3 讨论结果表2和表3可以看出,在相同 测试设置TESTr ,SVM在整体精度上优于 MFN约5.56。此外,超参数和训练时间的问题也进行了比较。 在SVM,3种超参数(,c)须为用户估计。他们可以使用被猜中10倍交叉验证。在MFN,学习速率和隐神经元的数目是必需的要从用户提供 。当然,这些参数也可以用 10倍交叉验证得到解决。然而,支持向量机往往可以产生更好的泛化精度相比与MFN看不见的例子,如图所示在表2和3 。另一个问题是关于所需培训时间。通过使用一个800 MHz的奔腾III的电脑 与512 MB内存的电脑,支持向量机在同一时间大约需要30分钟来训练8个属性,包括计算为10倍交叉验证训练200个数据点。总共有11个SVM训练课程(10次交叉验证,1次最后一次训练)的一个模型。换句话说,八款车型涉及88 SVM的训练,所以总的训练时间大约为3088=2640分钟或44小时。对于MFN,一个时代大约需要2分钟,每个网络需要300时代进行培训。因此,它需要大约83002=4800分钟或80小时为了八个网络。根据这个估计,支持向量机的训练时间只有约55神经网络训练的时间。 7.4 结论 支持向量机方法在不同的发动机转速下用于产生一组扭矩模型的现代汽油发动机。该模型分别在回归的基础上从汽车发动机通过测功机获得八组样本数据。开发的预测模型对于车辆微调非常有用,因为试验电子控制单元的设置可以在测功机或路试运行车辆发动机前预见是收益还是亏损。如果发动机的性能与测试电子控制单元设置可以预见到有增益,车辆发动机然后在测功机运行进行验证。如果发动机性能预计将亏损,测功机测试是不必要的,另一个引擎设置应该尝试。这样的预测模型可以大大减少一些昂贵的测功机测试,它不仅采取最佳的优化调整,也节约大量开支的燃油,备件,润滑剂等。该模型也被认为是可以让汽车工程师预测他/她的新引擎的设置是在道路测试中是收益还是亏损,其中测功机无法使用。此外,实验表明,该转矩模型的性能和准确度非常令人满意。支持向量机方法在整体精度上比传统的神经网络方法高5.56,其训练时间也比使用神经网络减少约45 。这方法可以应用到各种不同的车用发动机。 参考文献: 1 Bishop, C., 1995. Neural Networks for Pattern Recognition. Oxford University Press. 2 Borowiak, D., 1989. Model Discrimination for Nonlinear Regression Models. Marcel Dekker. 3 Brace, C., 1998. Prediction of Diesel Engine Exhaust Emission using Artificial Neural Networks. IMechE Seminar S591, 4 Gunn, S., 1998. Support Vector Machines for Classification and Regression. ISIS Technical Report ISIS-1-98. Image Speech & Intelligent Systems Research Group, University of Southampton, U.K. 5 Haykin, S., 1999. Neural Networks: A Comprehensive Foundation. Prentice Hall. 6 Liu, Z.T., Fei, S.M., 2004. Study of CNG/diesel dual fuel engines emissions by means of RBF neural network.J Zhejiang Univ SCI, 5(8):960-965. 7 Pyle, D., 1999. Data Preparation for Data Mining. Morgan Kaufmann. 8 Ryan, T., 1996. Modern Regression Methods. Wiley-Inter- science. 9 Schlkopf, B., Smola, A., 2002. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press. 附件:外文资料原文 23
收藏