本發(fā)明涉及電動(dòng)汽車用驅(qū)動(dòng)電機(jī)技術(shù)領(lǐng)域,具體涉及一種基于層次分析與蝙蝠-粒子群混合算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)方法。
背景技術(shù):
目前,新能源汽車正于逢勃發(fā)展階段,電動(dòng)汽車作為新能源汽車的主要類型之一,屬于一種低排放且有效利用資源的重要交通工具,也越來(lái)越受到人們的青睞和首選。電動(dòng)汽車的核心部件是由驅(qū)動(dòng)電機(jī)和驅(qū)動(dòng)電機(jī)控制器等構(gòu)成的驅(qū)動(dòng)電機(jī)系統(tǒng),其中電動(dòng)汽車使用的驅(qū)動(dòng)電機(jī)主要有直流電機(jī)、感應(yīng)電機(jī)、永磁無(wú)刷電機(jī)、開(kāi)關(guān)磁阻電機(jī)等。驅(qū)動(dòng)電機(jī)系統(tǒng)已成為電動(dòng)汽車的關(guān)鍵技術(shù)之一,它是車輛行駛的主要驅(qū)動(dòng)系統(tǒng),對(duì)于決定電動(dòng)汽車的運(yùn)行與控制性能起著至關(guān)重要的作用。
隨著電動(dòng)汽車用驅(qū)動(dòng)電機(jī)技術(shù)不斷提高以及電動(dòng)汽車的產(chǎn)業(yè)化規(guī)模發(fā)展,電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)的綜合性能評(píng)價(jià)已成為汽車廠家及學(xué)者共同關(guān)注且亟待破解的瓶頸。通過(guò)檢索,目前對(duì)電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)及其評(píng)價(jià)的研究文獻(xiàn)比較少,有王偉、王慶年、初亮等發(fā)表的《混合動(dòng)力汽車驅(qū)動(dòng)電機(jī)性能評(píng)價(jià)體系研究》,黃宜山、張文軍、張日凡等發(fā)表的《電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)評(píng)價(jià)體系的研究》等,其中對(duì)驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)主要采取層次分析、多屬性決策灰色關(guān)聯(lián)度的評(píng)價(jià)方法等,以上方法雖然操作簡(jiǎn)便,具有一定的實(shí)用性,但在評(píng)價(jià)過(guò)程中評(píng)價(jià)指標(biāo)受到參評(píng)人員的主觀性、隨意性及時(shí)間因素影響較大,再加之電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)本身具有較強(qiáng)的非線性、時(shí)滯性及不確定性,單純采用這些傳統(tǒng)方法,很難保證評(píng)價(jià)結(jié)果的準(zhǔn)確性和客觀性。人工神經(jīng)網(wǎng)絡(luò)以其獨(dú)特的結(jié)構(gòu)和處理信息的方法,具有很強(qiáng)的自適應(yīng)、自學(xué)習(xí)、自組織以及容錯(cuò)能力,已廣泛應(yīng)用于不同行業(yè)和領(lǐng)域,其中利用人工神經(jīng)網(wǎng)絡(luò)構(gòu)建評(píng)價(jià)模型方法也經(jīng)常被用于各領(lǐng)域的評(píng)價(jià)研究上,如喬維德的《基于bp神經(jīng)網(wǎng)絡(luò)的現(xiàn)代遠(yuǎn)程教育教學(xué)質(zhì)量評(píng)價(jià)模型的構(gòu)建》,鄭士騰等人的《基于bp神經(jīng)網(wǎng)絡(luò)的濕地道路生態(tài)景觀綜合評(píng)價(jià)研究》,溫斯琴、王彪的《基于神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)網(wǎng)絡(luò)安全評(píng)價(jià)仿真模型》,汪忠、袁丹、江資斌等人的《基于bp神經(jīng)網(wǎng)絡(luò)的社會(huì)企業(yè)動(dòng)態(tài)能力評(píng)價(jià)研究》,喬維德的《基于神經(jīng)網(wǎng)絡(luò)的教師網(wǎng)上導(dǎo)學(xué)行為評(píng)價(jià)研究》,等等。以上神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型所采取的學(xué)習(xí)算法大多數(shù)仍采用bp算法、粒子群算法、遺傳算法等,單純使用這些算法,會(huì)存在收斂速度慢或容易出現(xiàn)早熟、陷入局部最優(yōu)等問(wèn)題,從而極大影響評(píng)價(jià)過(guò)程及其結(jié)果。所以,為提高電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)的準(zhǔn)確性、完善性,應(yīng)引入更加科學(xué)、客觀的評(píng)價(jià)方法來(lái)改進(jìn)上述評(píng)價(jià)方法。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明的目的是解決以上存在問(wèn)題,提供一種科學(xué)的電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)方法。根據(jù)電動(dòng)汽車驅(qū)動(dòng)電機(jī)系統(tǒng)性能特點(diǎn),采用本發(fā)明方法進(jìn)行評(píng)價(jià),評(píng)價(jià)速度快、準(zhǔn)確率高、智能化程度高,能對(duì)驅(qū)動(dòng)電機(jī)系統(tǒng)綜合性能優(yōu)劣作出比較全面、客觀、高效的評(píng)價(jià),對(duì)于電動(dòng)汽車驅(qū)動(dòng)電機(jī)系統(tǒng)的評(píng)價(jià)、選擇與應(yīng)用具有較好的工程實(shí)用價(jià)值。
本發(fā)明所采取的技術(shù)方案是:
一種電動(dòng)汽車驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)方法,應(yīng)用層次分析法構(gòu)建電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)指標(biāo)體系,確定其性能指標(biāo)權(quán)重;建立驅(qū)動(dòng)電機(jī)性能評(píng)價(jià)的bp神經(jīng)網(wǎng)絡(luò)模型,并利用蝙蝠-粒子群混合算法優(yōu)化且訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型。所述電動(dòng)汽車用驅(qū)動(dòng)電機(jī)性能評(píng)價(jià)指標(biāo)體系的層次結(jié)構(gòu)由目標(biāo)層(a)、一級(jí)指標(biāo)層(b)、二級(jí)指標(biāo)層(c)組成,目標(biāo)層為驅(qū)動(dòng)電機(jī)系統(tǒng)性能綜合評(píng)價(jià);一級(jí)指標(biāo)層含有電機(jī)控制性能指標(biāo)、電機(jī)本體設(shè)計(jì)指標(biāo)、企業(yè)資質(zhì)能力指標(biāo);二級(jí)指標(biāo)層為選取的電動(dòng)汽車驅(qū)動(dòng)電機(jī)系統(tǒng)性能的具體指標(biāo),其中電機(jī)控制性能主要包括轉(zhuǎn)矩響應(yīng)時(shí)間(c11)、轉(zhuǎn)矩控制精度(c12)、堵轉(zhuǎn)轉(zhuǎn)矩(c13)、轉(zhuǎn)速響應(yīng)時(shí)間(c14)、電機(jī)高效率區(qū)間(c15)、轉(zhuǎn)速超調(diào)量(c16)、電機(jī)溫升(c17)、控制器溫升(c18)、電機(jī)可靠性(c19)等9項(xiàng)指標(biāo);電機(jī)本體設(shè)計(jì)包括電機(jī)功率密度(c21)、轉(zhuǎn)速范圍(c22)、控制器容量密度(c23)、轉(zhuǎn)矩密度(c24)、電機(jī)質(zhì)量(c25)、控制器成本(c26)、過(guò)載能力(c27)、恒功率區(qū)域(c28)、電機(jī)功率因數(shù)(c29)、控制操作性(c210)等10項(xiàng)指標(biāo);企業(yè)資質(zhì)能力包含技術(shù)保障能力(c31)、質(zhì)量保障能力(c32)、售后服務(wù)能力(c33)、價(jià)格水平(c34)、供貨能力(c35)、設(shè)備能力(c36)、人力資源管理水平(c37)等7項(xiàng)指標(biāo)。
所述電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能指標(biāo)權(quán)重,采用1-9比率標(biāo)度法建立各指標(biāo)層的權(quán)重判斷矩陣a-b、b1-c、b2-c、b3-c,在計(jì)算各判斷矩陣特征向量并且歸一化處理后,獲得驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)指標(biāo)的合成權(quán)重。
所述電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能bp神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型,神經(jīng)網(wǎng)絡(luò)的初始連按權(quán)值、閾值等結(jié)構(gòu)參數(shù)直接影響網(wǎng)絡(luò)模型的訓(xùn)練及其評(píng)價(jià)結(jié)果。將蝙蝠算法和粒子群算法這兩種群智能優(yōu)化算法相融合形成蝙蝠-粒子群混合算法,優(yōu)化bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。
進(jìn)一步地,蝙蝠-粒子群混合算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的步驟如下:
步驟1:初始化參數(shù)及蝙蝠位置,即初始化蝙蝠算法中蝙蝠種群數(shù)量d,蝙蝠算法最大迭代次數(shù)nb,蝙蝠發(fā)出的脈沖(超聲波)頻率f,最大脈沖聲音強(qiáng)度s,最大脈沖頻度r0,脈沖聲音強(qiáng)度衰減系數(shù)λ,脈沖頻度增加系數(shù)δ,隨機(jī)初始化蝙蝠的位置xi(i=1,2,…,d);粒子群算法中最大迭代次數(shù)為np,最大慣性權(quán)重ωmax,和最小慣性權(quán)重ωmin;
步驟2:按下列公式調(diào)整蝙蝠脈沖頻率fi,更新蝙蝠飛行速度vi及位置xi,尋找當(dāng)前最優(yōu)蝙蝠個(gè)體;
fi=fmin+(fmax-fmin)h
式中,
步驟3:產(chǎn)生隨機(jī)數(shù)r1,若r1>ri,則從當(dāng)前種群中選取最優(yōu)解,且在最優(yōu)解附近隨機(jī)產(chǎn)生一個(gè)局部解,此時(shí)蝙蝠的新位置xnew為:
xnew=xold+τst
式中,τ為[-1,1]范圍的隨機(jī)數(shù),st代表蝙蝠種群同一時(shí)間段內(nèi)響度平均值;
步驟4:產(chǎn)生隨機(jī)數(shù)r2,若r2<si且均方誤差(適應(yīng)度)j(xi)<j(x0),按照規(guī)則增大ri且減小si,即蝙蝠減小發(fā)射的超聲波脈沖響度,同時(shí)增加聲波脈沖發(fā)射次數(shù),即:
式中,
步驟5:對(duì)蝙蝠個(gè)體按適應(yīng)度j(xi)進(jìn)行評(píng)估,尋找并記錄當(dāng)前位置最佳蝙蝠個(gè)體,如果滿足蝙蝠算法最大迭代次數(shù)nb,則輸出m個(gè)最優(yōu)位置解,否則返回步驟2;
步驟6:m個(gè)最優(yōu)位置蝙蝠個(gè)體組成粒子群初始種群,按以下公式更新粒子速度、粒子位置。其中式(9)中的慣性權(quán)重ω自動(dòng)跟蹤粒子適應(yīng)度,可以避免進(jìn)化過(guò)程出現(xiàn)“早熟”和振蕩現(xiàn)象;
vij(t+1)=ωvij(t)+c1*r1*(pj(t)-xij(t))+c2*r2*(gj(t)-xij(t))
xij(t+1)=xij(t)+vij(t+1)
式中,i=1,2,…m,j=1,2,…d,t為迭代進(jìn)化次數(shù);xij(t)是粒子i在t代時(shí)當(dāng)前位置;cij(t)為粒子i在t代時(shí)速度;ω為慣性權(quán)重;pj(t)為粒子i在t代經(jīng)歷的最優(yōu)位置,gj(t)為粒子群所有粒子所經(jīng)歷的最優(yōu)位置;c1、c2為學(xué)習(xí)因子,r1、r2為[0,1]范圍值;j是粒子適應(yīng)度值;jave為粒子的平均適應(yīng)度值;jmax為粒子群中最大適應(yīng)度值;
步驟7:當(dāng)粒子群算法中達(dá)到最大迭代次數(shù)或者滿足全局最優(yōu)解gi(t)<ε(ε為比較小的數(shù)值)時(shí),輸出全局最優(yōu)解:
步驟8:將經(jīng)蝙蝠-粒子群混合算法優(yōu)化后輸出的全局最優(yōu)個(gè)體代入bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及閾值,通過(guò)輸入驅(qū)動(dòng)電機(jī)系統(tǒng)性能指標(biāo)數(shù)據(jù)樣本訓(xùn)練優(yōu)化bp網(wǎng)絡(luò),最終使均方誤差(適應(yīng)度)j值最小,均方誤差(即適應(yīng)度)j定義為:
式中,qjk為第j個(gè)訓(xùn)練樣本在第k個(gè)輸出節(jié)點(diǎn)處的電機(jī)性能評(píng)價(jià)期望輸出,yjk為第j個(gè)訓(xùn)練樣本在第k個(gè)輸出節(jié)點(diǎn)處的電機(jī)性能評(píng)價(jià)實(shí)際輸出,m為神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù),n為電機(jī)性能指標(biāo)數(shù)據(jù)訓(xùn)練樣本數(shù)。
本發(fā)明的有益效果是:
(1)針對(duì)電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)實(shí)際,在分析現(xiàn)有評(píng)價(jià)方法與問(wèn)題基礎(chǔ)上,應(yīng)用層次分析法確定驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)指標(biāo)及其權(quán)重。利用合理的權(quán)重分配以及對(duì)評(píng)價(jià)指標(biāo)數(shù)據(jù)的規(guī)范化處理,從而更多避免主觀判斷,提高了電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)的科學(xué)性和可靠性。
(2)蝙蝠算法前期搜尋速度快,能夠迅速搜索到全局最優(yōu)區(qū)域,但后期收斂速度慢、搜索精度低。粒子群算法搜尋精度高、收斂速度快。本發(fā)明通過(guò)比較并結(jié)合兩者的優(yōu)勢(shì)與缺陷,有效融合蝙蝠算法與粒子群算法,提出將蝙蝠算法與粒子群相融合形成蝙蝠-粒子群混合算法,并首次用于優(yōu)化bp神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的結(jié)構(gòu)參數(shù),從而整體加快算法的收斂速度,提升算法的優(yōu)化精度。該模型應(yīng)用于電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià),具有速度快、準(zhǔn)確度高、智能化程度高等優(yōu)點(diǎn)。本發(fā)明為電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能的綜合評(píng)價(jià)提供了一種嶄新方法,對(duì)于推展驅(qū)動(dòng)電機(jī)系統(tǒng)的技術(shù)研究及其生產(chǎn)也具有一定的指導(dǎo)價(jià)值。
附圖說(shuō)明
圖1為電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)原理示意圖
圖2為bp神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型
圖3為蝙蝠-粒子群混合算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)流程圖
圖4為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線比較圖
具體實(shí)施方式
下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明技術(shù)方案進(jìn)一步說(shuō)明。一種電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)方法原理圖如圖1所示,主要包括建立驅(qū)動(dòng)電機(jī)性能評(píng)價(jià)層次結(jié)構(gòu)及其指標(biāo)權(quán)重,應(yīng)用蝙蝠-粒子群混合算法優(yōu)化bp網(wǎng)絡(luò)結(jié)構(gòu)初始參數(shù),bp神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型的訓(xùn)練。具體實(shí)施方法如下:
1.驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)指標(biāo)體系的構(gòu)建
層次分析法屬于一種定性和定量相結(jié)合的分析方法,本發(fā)明通過(guò)分析電動(dòng)汽車驅(qū)動(dòng)電機(jī)系統(tǒng)性能的各影響因素及其因素之間的內(nèi)在關(guān)聯(lián)基礎(chǔ)上,采取較少的定量信息以數(shù)學(xué)化、層次化形式描述驅(qū)動(dòng)電機(jī)復(fù)雜系統(tǒng)的影響因素。
(1)建立評(píng)價(jià)層次結(jié)構(gòu)
正確評(píng)價(jià)電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能,必須引入系統(tǒng)工程的思維方法,遵循全面性、獨(dú)立性、可比性以及效益、成本統(tǒng)籌兼顧的原則,構(gòu)建電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)評(píng)價(jià)指標(biāo)體系。影響驅(qū)動(dòng)電機(jī)系統(tǒng)性能的因素錯(cuò)綜復(fù)雜,對(duì)驅(qū)動(dòng)電機(jī)系統(tǒng)性能的評(píng)價(jià),不僅考慮其固有特性的各項(xiàng)性能測(cè)試指標(biāo),如電機(jī)溫升、轉(zhuǎn)速響應(yīng)時(shí)間等,而且分析驅(qū)動(dòng)電機(jī)系統(tǒng)制造企業(yè)自身的資質(zhì)能力指標(biāo),如驅(qū)動(dòng)電機(jī)系統(tǒng)產(chǎn)品的質(zhì)量保障能力、技術(shù)保障能力、售后服務(wù)能力等。在參考電動(dòng)汽車驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)的相關(guān)文獻(xiàn)以及綜合咨詢專家意見(jiàn)基礎(chǔ)上,本發(fā)明從驅(qū)動(dòng)電機(jī)系統(tǒng)的電機(jī)控制性能、電機(jī)本體設(shè)計(jì)、企業(yè)資質(zhì)能力等三個(gè)不同維度指標(biāo)建立驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)指標(biāo)體系,如表1所示。該體系為由目標(biāo)層(a)、一級(jí)指標(biāo)層(b)和二級(jí)指標(biāo)層(c)組成的三層結(jié)構(gòu)模型,其中一級(jí)指標(biāo)層包括3項(xiàng)指標(biāo),二級(jí)指標(biāo)層含有26項(xiàng)指標(biāo)。
表1電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)層次結(jié)構(gòu)表
(2)確定指標(biāo)權(quán)重
在應(yīng)用層次分析法確定該評(píng)價(jià)體系中各指標(biāo)權(quán)重時(shí),基于專家調(diào)查數(shù)據(jù)采用1-9比率標(biāo)度法建立各指標(biāo)層的權(quán)重判斷矩陣,通過(guò)計(jì)算得出電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)的指標(biāo)權(quán)重判斷矩陣a-b、b1-c、b2-c、b3-c,分別如表2~5所示。分別計(jì)算各判斷矩陣的特征向量,并將各特征向量經(jīng)過(guò)歸一化處理后,便可求得各項(xiàng)指標(biāo)的權(quán)重及其合成權(quán)重,表6為二級(jí)指標(biāo)層各指標(biāo)因素相對(duì)于目標(biāo)層的綜合權(quán)重向量。
表2權(quán)重判斷矩陣a-b
表3權(quán)重判斷矩陣b1-c
表4權(quán)重判斷矩陣b2-c
表5權(quán)重判斷矩陣b3-c
表6驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)指標(biāo)合成權(quán)重
2.基于蝙蝠-粒子群混合算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型建模
(1)bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
bp神經(jīng)網(wǎng)絡(luò)含有輸入層.隱含層、輸出層,其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)模型如圖2所示。
輸入向量c11~c37經(jīng)過(guò)隱含層結(jié)點(diǎn)后作用并輸出至輸出層神經(jīng)元節(jié)點(diǎn),得到bp網(wǎng)絡(luò)實(shí)際輸出量y,y與該網(wǎng)絡(luò)的理想輸出q之間往往存在偏差,網(wǎng)絡(luò)通過(guò)樣本的不斷學(xué)習(xí)和訓(xùn)練,反復(fù)調(diào)整輸入至隱含、隱含至輸出等各網(wǎng)絡(luò)層間的連接權(quán)值ωij、tki,以及隱含層和輸出層的節(jié)點(diǎn)閾值θi、θk等結(jié)構(gòu)參數(shù),直至神經(jīng)網(wǎng)絡(luò)的誤差精度達(dá)到設(shè)定精度范圍。如果仍單一采取傳統(tǒng)的bp學(xué)習(xí)算法,會(huì)存在收斂速度慢、對(duì)網(wǎng)絡(luò)初始權(quán)值等參數(shù)比較敏感、易陷入局部最優(yōu)等不足和問(wèn)題,為此本發(fā)明采取一種較為新穎的蝙蝠-粒子群混合算法用于優(yōu)化bp神經(jīng)網(wǎng)絡(luò)模型,以提高bp網(wǎng)絡(luò)的收斂速度及其精度。
(2)蝙蝠-粒子群混合算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)
蝙蝠-粒子群混合算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)時(shí),首先利用蝙蝠算法快速搜尋到全局最優(yōu)區(qū)域,所搜尋結(jié)果作為粒子群算法的初群種群,然后再利用粒子群算法的收斂速度快、求解精度高優(yōu)勢(shì),迅速搜尋到全局最優(yōu)解。蝙蝠-粒子群混合算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)的流程示意圖如圖3所示,具體步驟為:
步驟1:初始化參數(shù)及蝙蝠位置,即初始化蝙蝠算法中蝙蝠種群數(shù)量d,蝙蝠算法最大迭代次數(shù)nb,蝙蝠發(fā)出的脈沖(超聲波)頻率f,最大脈沖聲音強(qiáng)度s,最大脈沖頻度r0,脈沖聲音強(qiáng)度衰減系數(shù)λ,脈沖頻度增加系數(shù)δ,隨機(jī)初始化蝙蝠的位置xi(i=1,2,…,d);粒子群算法中最大迭代次數(shù)為np,最大慣性權(quán)重ωmax,和最小慣性權(quán)重ωmin;
步驟2:根據(jù)公式(1)、(2)、(3)調(diào)整蝙蝠脈沖頻率fi,更新蝙蝠飛行速度vi及位置xi,尋找當(dāng)前最優(yōu)蝙蝠個(gè)體;
fi=fmin+(fmax-fmin)h(1)
式中,
步驟3:產(chǎn)生隨機(jī)數(shù)r1,若r1>ri,則從當(dāng)前種群中選取最優(yōu)解,且在最優(yōu)解附近隨機(jī)產(chǎn)生一個(gè)局部解,此時(shí)蝙蝠的新位置xnew為:
xnew=xold+τst(4)
式中,τ為[-1,1]范圍的隨機(jī)數(shù),st代表蝙蝠種群同一時(shí)間段內(nèi)響度平均值。
步驟4:產(chǎn)生隨機(jī)數(shù)r2,若r2<si且均方誤差(適應(yīng)度)j(xi)<j(x0),按照公式(5)和(6)增大ri且減小si,即蝙蝠減小發(fā)射的超聲波脈沖響度,同時(shí)增加聲波脈沖發(fā)射次數(shù)。
式中,
步驟5:對(duì)蝙蝠個(gè)體按適應(yīng)度j(xi)進(jìn)行評(píng)估,尋找并記錄當(dāng)前位置最佳蝙蝸個(gè)體,如果滿足蝙蝠算法最大迭代次數(shù)nb,則輸出m個(gè)最優(yōu)位置解,否則返回步驟2;
步驟6:m個(gè)最優(yōu)位置蝙蝠個(gè)體組成粒子群初始種群,按公式(7)(8)(9)更新粒子速度、粒子位置。其中式(9)中的慣性權(quán)重ω自動(dòng)跟蹤粒子適應(yīng)度,可以避免進(jìn)化過(guò)程出現(xiàn)“早熟”和振蕩現(xiàn)象。
vij(t+1)=ωvij(t)+c1*r1*(pi(t)-xij(t))+c2*r2*(gj(t)-xij(t))(7)
xij(t+1)=xij(t)+vij(t+1)(8)
其中,i=1,2,…m,j=1,2,…d,t為迭代進(jìn)化次數(shù);xij(t)是粒子i在t代時(shí)當(dāng)前位置;vij(t)為粒子i在t代時(shí)速度;ω為慣性權(quán)重;pj(t)為粒子i在t代經(jīng)歷的最優(yōu)位置,gj(t)為粒子群所有粒子所經(jīng)歷的最優(yōu)位置;c1、c2為學(xué)習(xí)因子,r1、r2為[0,1]范圍值;j是粒子適應(yīng)度值;jave為粒子的平均適應(yīng)度值;jmax為粒子群中最大適應(yīng)度值。
步驟7:當(dāng)粒子群算法中達(dá)到最大迭代次數(shù)或者滿足全局最優(yōu)解gj(t)<ε(ε為比較小的數(shù)值)時(shí),輸出全局最優(yōu)解。
步驟8:將經(jīng)蝙蝠-粒子群混合算法優(yōu)化后輸出的全局最優(yōu)個(gè)體代入bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及閾值,通過(guò)輸入樣本訓(xùn)練優(yōu)化,最終使均方誤差(適應(yīng)度)j值最小。均方誤差(即適應(yīng)度)j定義為:
式中,qjk為第j個(gè)訓(xùn)練樣本在第k個(gè)輸出節(jié)點(diǎn)處的期望輸出,yjk為第j個(gè)訓(xùn)練樣本在第k個(gè)輸出節(jié)點(diǎn)處的網(wǎng)絡(luò)實(shí)際輸出,m為神經(jīng)網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù),n為學(xué)習(xí)訓(xùn)練樣本數(shù)。
3.電動(dòng)汽車用驅(qū)動(dòng)電機(jī)性能評(píng)價(jià)實(shí)施例
(1)指標(biāo)數(shù)據(jù)的預(yù)處理
電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)的二級(jí)指標(biāo)共26項(xiàng),有定量指標(biāo),也有定性指標(biāo)。其中,定量指標(biāo)主要含正向型定量指標(biāo)和負(fù)向型定量指標(biāo)。正向型定量指標(biāo)的指標(biāo)值越大越好,如轉(zhuǎn)矩控制精度、電機(jī)高效率區(qū)間、過(guò)載能力等。負(fù)向型定量指標(biāo)的指標(biāo)值越小越好,如轉(zhuǎn)矩響應(yīng)時(shí)間、轉(zhuǎn)速超調(diào)量、控制器成本等,出于各性能指標(biāo)量綱和單位各異,必須對(duì)指標(biāo)數(shù)據(jù)進(jìn)行無(wú)量綱化和規(guī)范化的數(shù)學(xué)預(yù)處理,這里采取平移和極差變換方法。
對(duì)于正向型定量指標(biāo)數(shù)據(jù),按公式(11)進(jìn)行轉(zhuǎn)換,即:
對(duì)于負(fù)向型定量指標(biāo)數(shù)據(jù),按公式(12)進(jìn)行轉(zhuǎn)換,即:
其中,g(k)為指標(biāo)數(shù)據(jù)經(jīng)過(guò)標(biāo)準(zhǔn)化處理后值,xkmax為第k個(gè)指標(biāo)數(shù)據(jù)中的最大值;xkmin為第k個(gè)指標(biāo)數(shù)據(jù)中的最小值。
本發(fā)明的評(píng)價(jià)系統(tǒng)中,定量指標(biāo)數(shù)據(jù)可以通過(guò)驅(qū)動(dòng)電機(jī)臺(tái)架試驗(yàn)和實(shí)際調(diào)查獲取,而定性指標(biāo)數(shù)據(jù)則通過(guò)專家結(jié)合現(xiàn)場(chǎng)考核以打分形式獲取,專家打分的分值范圍設(shè)定為[0,100],從而定性指標(biāo)數(shù)據(jù)轉(zhuǎn)換成定量指標(biāo)數(shù)據(jù),然后按定量指標(biāo)數(shù)據(jù)的無(wú)量綱化方法,將數(shù)據(jù)統(tǒng)一處理為[0,1]區(qū)間值。
(2)神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
a.選取輸入節(jié)點(diǎn)。輸入層節(jié)點(diǎn)的個(gè)數(shù)表示驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)的指標(biāo)個(gè)數(shù),這里將電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)的26個(gè)指標(biāo)作為輸入神經(jīng)元,輸入神經(jīng)網(wǎng)絡(luò)前,對(duì)每一項(xiàng)指標(biāo)數(shù)據(jù)均按式(11)、(12)進(jìn)行無(wú)量綱化的數(shù)學(xué)處理。
b.確定隱含節(jié)點(diǎn)。隱含層的節(jié)點(diǎn)數(shù)可以按照公式(13)設(shè)計(jì)。
其中,a、b、c分別表示輸入層、輸出層、隱含層的節(jié)點(diǎn)數(shù),k為[1,10]范圍內(nèi)的常數(shù)。由此,網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的神經(jīng)元個(gè)數(shù)選定為10。
c.選擇輸出節(jié)點(diǎn)。將電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)的26項(xiàng)指標(biāo)數(shù)據(jù)值作為神經(jīng)網(wǎng)絡(luò)的輸入量,驅(qū)動(dòng)電機(jī)系統(tǒng)性能的實(shí)際評(píng)價(jià)結(jié)果y作為神經(jīng)網(wǎng)絡(luò)的輸出量。評(píng)價(jià)結(jié)果y按分值高低劃分為5個(gè)等級(jí),即性能優(yōu)秀[1~0.9]、性能良好(0.9~0.8]、性能合格(0.8~0.6]、性能不合格(0.6~0.4]、性能差(0.4~0),輸出層節(jié)點(diǎn)數(shù)設(shè)為1個(gè)。
(3)樣本數(shù)據(jù)的選取
表7中數(shù)據(jù)為采集且處理后的各種類型電動(dòng)汽車驅(qū)動(dòng)電機(jī)系統(tǒng)性能的臺(tái)架試驗(yàn)、專家打分等數(shù)據(jù),驅(qū)動(dòng)電機(jī)系統(tǒng)選取江蘇省無(wú)錫市、常州市多個(gè)廠家提供的15套永磁同步電機(jī)系統(tǒng)、交流三相感應(yīng)電機(jī)系統(tǒng)、永磁無(wú)刷直流電機(jī)系統(tǒng)、開(kāi)關(guān)磁阻電機(jī)系統(tǒng)。表中的1~15為訓(xùn)練樣本和測(cè)試樣本數(shù),c11~c19、c21~c210、c31~c37均為評(píng)價(jià)指標(biāo)),采取層次分析法求得各驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)的綜合得分,該得分作為bp神經(jīng)網(wǎng)絡(luò)的期望(目標(biāo))輸出量q。表7的第1~12組數(shù)據(jù)選為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)據(jù),第13~15組樣本數(shù)據(jù)作為測(cè)試樣本,用于神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)。
表7神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本與測(cè)試樣本
(4)網(wǎng)絡(luò)參數(shù)設(shè)置與訓(xùn)練及測(cè)試
利用蝙蝠-粒子群混合算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)時(shí),通過(guò)反復(fù)模擬實(shí)驗(yàn),初始化參數(shù)選取為:蝙蝠算法中的蝙蝠種群數(shù)量為120,最多迭代次數(shù)200,蝙蝠發(fā)出的脈沖(超聲波)頻率f取值范圍為[0,1],最大脈沖聲音強(qiáng)度s=0.4,最大脈沖頻度r0=0.75,脈沖聲音強(qiáng)度衰減系數(shù)λ=0.85,脈沖頻度增加系數(shù)δ=0.3;粒子群算法中最大迭代次數(shù)tmax=150,學(xué)習(xí)因子c1=c2=2,最大慣性權(quán)重ωmax=1.4,和最小慣性權(quán)重ωmin=0.3。bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型設(shè)計(jì)為26-10-1,隱含層、輸出層神經(jīng)元的激活函數(shù)都采取sigmoid型對(duì)數(shù)函數(shù)表示。bp神經(jīng)網(wǎng)絡(luò)目標(biāo)誤差精度設(shè)定為0.0001。采用matlab7.0仿真軟件,將表7中前12組訓(xùn)練樣本數(shù)據(jù)輸入至神經(jīng)網(wǎng)絡(luò),先后采取bp算法、粒子群算法、蝙蝠-粒子群混合算法分別優(yōu)化同一bp神經(jīng)網(wǎng)絡(luò),訓(xùn)練的性能指標(biāo)及誤差曲線分別見(jiàn)表8和圖3。當(dāng)蝙蝠-粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)時(shí),網(wǎng)絡(luò)收斂速度最快,只需經(jīng)過(guò)42步,網(wǎng)絡(luò)實(shí)際輸出與其對(duì)應(yīng)的目標(biāo)輸出(得分q)之間的誤差便控制在規(guī)定的目標(biāo)誤差范圍內(nèi)。
表8不同算法優(yōu)化網(wǎng)絡(luò)時(shí)的性能指標(biāo)
保存上述由蝙蝠-粒子群算法優(yōu)化且訓(xùn)練完好的bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù),將表7中的第13~15組樣本數(shù)據(jù)輸入該網(wǎng)絡(luò)進(jìn)行檢驗(yàn),測(cè)試結(jié)果如表9所示。從表中明顯看出,測(cè)試樣本的網(wǎng)絡(luò)實(shí)際輸出與期望目標(biāo)輸出的最大相對(duì)誤差不超過(guò)1%,網(wǎng)絡(luò)實(shí)際輸出的電動(dòng)汽車用驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)等級(jí)與期望輸出完全相同。所以,本發(fā)明設(shè)計(jì)的基于層次分析與蝙蝠-粒子群混合算法優(yōu)化的bp神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型具有較強(qiáng)的泛化能力,它能很好地?cái)M合領(lǐng)域?qū)<业脑u(píng)價(jià)思維,對(duì)于各種驅(qū)動(dòng)電機(jī)系統(tǒng)性能評(píng)價(jià)更加迅速、精準(zhǔn)、客觀、高效。
表9樣本檢驗(yàn)結(jié)果
以上所述,僅為本發(fā)明的較佳實(shí)施例,凡是依據(jù)本發(fā)明申請(qǐng)專利的技術(shù)實(shí)質(zhì)范圍內(nèi)對(duì)以上實(shí)施例所做的任何修改、均等變化及修飾,都?xì)w屬于本發(fā)明技術(shù)方案的涵蓋范圍。