拖拉机论文

　于 基于 BP 神经网络 的自动换挡规律 人工神经网络（Artificial Neural Network，即 ANN），是 20 世纪 80 年代以来人工智能领域兴起的研究热点，它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络 [2] 。神经网络自被提出以来，人们一直希望它能完成人脑神经系统功能的模拟，通过模拟人脑神经元之间联接，利用人工神经元相互连接构成网络以实现学习知识、存储知识、知识联想和模式识别等智能化的信息处理功能。

　遗传算法是建立在达尔文 ( Darwin)的生物进化论和孟德尔 ( Mendel)的遗传学说基础上的算法，它模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。与传统的启发式优化搜索算法相比，遗传算法的主要本质特征在于群体搜索策略和简单的遗传算子。遗传算法从初始种群出发，多个点同时进行搜索，即可以快速地缩小搜索空间，又不会所有点均落入快速下降陷阱致使算法陷入局部最优解；同时，遗传算法具有着内在的并行性，可以很容易地利用分布式计算，加快求解速度。正是因为以上优点，遗传算法优化 BP 神经网络也成为近些年的研究热点之一。

　本文以神经网络理论、运筹学﹑系统工程﹑概率数理统计﹑高等数学和MATLAB 计算机仿真技术为理论基础。采用定性与定量分析相结合、计算机仿真运算、比较研究、实证分析等方法。现在很多工程车辆中都运用神经算法技术优化车辆的自动换挡，比如吉林大学机械学院提出了基于多尺度小波神经网络的工程车辆换挡策略 [3] ，能够及时准确控制变速箱自动调节换挡，不仅提高了工程车辆的工作效率，而且对节约能源具有非常重要的意义。

　拖拉机要实现自动换挡功能，主要有以下两方面的要求：一是根据当前拖拉机运行状态辨别最佳挡位，本文采用三参数换挡控制规律；二是根据神经网络控制器发出的最佳挡位信息，控制电磁阀按预定规律运动，以实现换挡操作。本文为了实现拖拉机的自动换挡，采用神经网络技术和遗传算法优化拖拉机的自动换挡模型，提高拖拉机的换挡准确度，增加换挡效率。

　5.1 神经网络控制理论 自从 1980 年网络时代之后，一些非常新颖的智能算法逐渐被运用到只能系统中，比如人工神经网络、遗传算法、禁忌搜索及其混合优化策略等。这些算法独特的优点和机制，引起了国内外学者的广泛重视并掀起了该领域的研究热潮，且在许多行业中得到了非常成功的应用。目前，神经网络正以迅猛的速度不断发展，网络的计算能力、逼近任意连续函数的能力以及分析动态网络稳定性等方面都取得了丰硕的成果。

　神经网络与其他算法相比主要有分布表示和学习能力这两个重要特征，能够在一定程度上改善系统的自适应控制。随着智能系统中被控对象变得越来越复杂，对系统的精度越来越高，迫切的需要具有自适应学习能力的神经网络技术来完善智能信息的处理能力。神经网络技术在控制系统中的优势主要有：

　（1）

　对于许多难以建模或者是规则描述困难的控制系统，可以通过神经网络能够处理，因为神经网络理论可以用来研究和模仿我们人类的行为。

　（2）

　神经网络技术通常是运用分布式信息处理方法，这种方法的容错性很高，可以处理实时性要求比较高的控制系统。

　（3）

　神经网络具有比较强的信息处理能力，当系统输入的信息发生矛盾时，可以较好的处理信息之间的互补性或者是冗余性。

　使用神经网络算法，必须设计出有效的学习机制以及能够快速收敛的算法，这样才能实现智能控制，保证系统的自主学习和自适应功能。

　5.1.1 神经网络 结构 模型 目前，市场上有许多关于工程车辆换挡规律的研究非常多，但是对于农业拖拉机方面的研究还比较少，主要是因为农业拖拉机一般都在恶劣环境中作业，普通车辆的换挡规律并不能应用到拖拉机中。传统拖拉机换挡规律都是基于精确的数学模型控制的控制算法，不能够保证系统的稳定性，所以为了满足不同工作环境下农业拖拉机的自动换挡，人工神经网络技术逐渐被运用到拖拉机的控制系统中。神经网络是由神经元的独立单元组成，其中每个神经元都能够作为信息加工的处理器。图 5.1 所示，为一种典型的神经元结构模型。

　 图 图 5.1 神经元 结构 模型

　图中，1 2( , ,..., ) TnX x x x  为神经元的输入，1 2( , ,..., ) TnW     为各输入相连的连接强度，又称为连接权值；TW X表示神经元的输入总和；  为神经元的偏置，或称为阈值，若TW X的值大于  ，则神经元被激活；激活的神经元经过激励函数 f 的处理，得到输出值fy 。则有：

　( )Tjy f W X    式中（）中的阈值函数主要有阶跃函数、符号函数和 S 型函数。其中，S 型函数是使用最为广泛的。S 型函数定义见式（5.2），其函数曲线如图 5.2 所示。

　1( )1atf te  其中 a 为函数的斜率参数，通过改变 a 的值，可以获取不同斜率的 S 函数。

　5.1.2 神经 网络拓扑结构 输入信号的处理工作比较复杂，一般无法由单个神经元完成，我们需要像人脑神经元一样，在神经元之间彼此建立连接，由多个相互连接的神经元构建出神经元网络，同时不断通过学习训练数据集中的知识调整网络中每个神经元的权值和阈值，以使构建的神经网络能满足设计功能需求。经过多年的发展，人工神经元相互连接的形式十分丰富，但总体而言存在两种形式，分别是前馈型网络和反馈型网络。

　(1) 前馈型网络 多层前馈型网络的一般模型如图 5.2 所示。网络中各个神经元接受来自前一级的输入信号，经过阈值和激励函数计算后获得该神经元的输出并输入到下一级神经元，网络中所有信号均无反向传递，网络模型可以用一个有向无环路图表示。常见的前馈神经网络有感知机（PercPetrons）、BP（Back Propagation）网络、RBF（Radial Basis Function）网络等。

　 图 图 5.2 前馈型神经网络模型 (2) 反馈型网络 反馈型神经网络是一种将网络输出作为输入，重新传递到输入层的神经网络系统，其模型如图 5.3 所示。网络中，每个神经元同时将自身的输出信号作为输入信号反馈给其他神经元，它需要工作一段时间才能达到稳定[68] 。Hopfield 神经网络具有联想记忆的功能，是一种最简单且应用广泛的反馈型网络模型。本文采用的三层前馈神经网络的基本结构如图 5.2 所示。

　图 图 5.3 反馈型神经网络模型 在换挡控制系统中，神经网络的最大优势是它能够提供一种非线性静态映射，这种方法能够大幅度的提高计算精度。通过证明可以得出：在神经网络系统中，对于给定的任意一个函数1 2(x ,x , ,x )nf 和误差 0   ，都可以存在一个三层前馈神经网络，它的隐含层神经元的激励函数 (x)  ，输入和输出层都为线性神经元，使神经网络的输入和输出之间关系能够以给定的精度逼近函数1 2(x ,x , ,x )nf 。神经网络的输入和输出之间的函数关系是：

　1 2(x ,x , ,x )f nY NN 

　本式中：Y 为神经网络的输出变量；

　 fNN 为神经网络输出输出变量的内在对应关系 在农业拖拉机自动换挡系统中，根据设计要求，保证神经网络模型具有一下几个关键点：

　（1）

　神经网络系统要能够通过识别拖拉机的工作环境和拖拉机驾驶员的驾驶经验，判断出当前最佳的挡位。

　（2）

　在拖拉机驾驶中保证换挡的合理延迟，这样才能确保拖拉机的动力性和操作性不会受到影响。

　（3）

　驾驶中要求对拖拉机的控制系统响应快，确保能够实时的传输数据。

　BP 网络可以在事前未揭示输入输出之间映射关系的条件下，通过训练数据的学习，逼近可以描述问题中输入输出关系的数学方程。网络以最速下降法作为学习规则，网络的输出误差沿着网络逐层反向传播，每层神经元根据误差关系不断调整连接权值和阈值，以不断降低网络输出误差为目标，最终达到误差平方和的最小值。本文设计根据拖拉机的设计要求，采用了神经网络的 BP 模式，即三层前馈网络中的反向传播网络，如图 5.4。三层 BP 神经网络能够解决简单的非线性问题，应用最为广泛，网络包括 1 个输入层、1 个中间层或称隐含层和 1 个输出层。

　 图 图 5.4 三层前馈神经网络模型结构 5.1.3 神经网络的 的应用 由 BP 网络的工作原理可以看出，BP 网络具有良好的非线性品质，灵活而有效学习方式，完全分布式的存储结构，能进行大规模的并行信息处理，对非线性系统具有很强的模拟能力。随着 BP 神经网络在多领域的广泛应用，BP 算法

　自身存在的诸多缺陷逐渐被人们发现，这些缺陷在应用实例中表现为如下几方面：

　（1）学习过程中，误差收敛速度慢标准 BP 算法学习速度非常慢，尤其是网络的训练达到一定程度后。比如说，当误差下降到一定程度后，网络经过 8000次训练，可能总的误差下降量还不到 0.001。标准 BP 算法在误差下降时，难免产生振荡现象，这会严重影响网络的收敛速度。对于某些复杂问题，BP 算法可能要进行几个小时甚至更长时间的学习训练，学习的最大弱点是收敛性很难掌握。

　（2）学习过程中，容易陷入局部极小值 BP 网络的学习误差在下降过程中常会处于停滞状态，经过几千次的迭代后，又可以恢复到较快的下降速度。在训练过程中，出现误差下降的停滞状态，往往是由于网络陷入了局部极小点。陷入局部极小点的 BP 神经网络，误差很难继续下降，很可能因误认为找到最佳权重而停止学习。

　（3）BP 神经网络结构的确定缺乏充分的理论依据使用 BP 神经网络时，遇到的第一个难题就是确定网络的最佳结构。在实际应用中，遵循着不同的结构确定原则，验证所选结构的合理性又需要大量的仿真实验。如何确定网络的层数和每层应选的节点数，目前大多是靠经验来确定，理论依据尚不充分 缺陷产生的直接原因是 BP 神经网络自身算法的不完善，BP 神经网络误差曲面，存在平坦区域；BP 神经网络采用固定的学习率。产生的直接后果是制约BP 算法的学习精度，影响网络的学习速度，限制网络的广泛应用。BP 算法被提出以后，国内外学者对它的改进工作就从未停止。人们希望通过对 BP 算法的改进，使其满足更多状态下的应用要求。改进 BP 神经网络属于此领域的研究热点，有着重要的理论意义和应用价值。

　5.2 自动换挡 神经网络控制模型 5.2.1 自动换挡规律类型 对于农业拖拉机，它所控制的变量的变速器的挡位。在拖拉机换挡规律中一般会根据车辆工况的一些参数来建立换挡参数的数学模型。根据换挡规律类型一般根据输入的参数量分为单参数、两参数和三参数三种换挡模型。

　（1）

　单参数换挡规律：这种换挡规律一般都是以车的行驶速度为变量，容

　易定制，而且能够确保系统的稳定性。它的缺点是不能够改变油门的开度，也就是驾驶员不能干预车辆的换挡，难以满足车辆的动力性以及经济效益，所以很少会采用这种换挡规律。

　（2）

　两参数换挡规律：一般汽车才会采用这种换挡形式，选择的参数为车速和油门开度或者是发动机的转矩、泵轮的转速以及涡轮的转速。和单参数形式不同，这种换挡规律能够满足驾驶员对油门的控制，极大的提高了经济性。但是依旧有不足之处，比如在工况复杂的情况下，会造成换挡的不准确或者是滞后，影响车辆的正常行驶。

　（3）

　三参数换挡规律：三参数换挡归来吧能够充分的反映出车辆的真实状况和满足驾驶员对油门的操作，这种方式所求解出的换挡规律可以改善车辆的动力性和提高经济效益。

　5.2.1 拖拉机自动换挡 参数 选择 根据上述对三种换挡规律的简述中可知，拖拉机在选择换挡规律类型时，会根据车辆行驶要求，选择合适的参数来反应拖拉机的工作状态。拖拉机的主要参数有车速、油门开度、拖拉机牵引力、发动机转速和驱动滑转率。车速是所有车辆行驶状况的重要参数之一，它反应了拖拉机的运行状态和它工作中的负荷变化。一般在分析车辆的换挡规律时，都会将车速作为主要的换挡参数；油门可以控制发动机的输出量，而且它是由驾驶员根据工况和工作环境控制；拖垃机在运作中可以通过牵引力来反映阻力的大小，但是牵引力复杂多变还种类很多，很难确定变量之间的关系；发动机转速与油门开度类似，都可以反映发动机的工况以及负荷大小，根据理论分析，可以根据转速和油门开度计算出转矩的大小；驱动滑转率是反映拖拉机速度的损失，也就是说可以判断出拖拉机的动力性。

　在本课题研究中，因为拖拉机自身的重量大、惯性相对普通的车辆也大很多、制动性能较差并且在工作时行驶速度快，所以为了保证拖拉机能够安全工作，要根据行驶速度、油门开度和柴油机的转速来确定不同模式下的换挡参数。这三个参数不仅能够反映拖拉机的运行情况和拖拉机的负荷大小，而且可以体现出驾驶员的判断与操作，能够满足本文研究的拖拉机工作需要。

　根据拖拉机的不同作业要求，将拖拉机作业分为田间重负荷作业、田间轻负荷作业和拖拉机道路运输作业三种模式，这三种作业模式的换挡参数各不相同。具体制定方案为：

　（1）

　田间重负荷作业时，拖拉机必须发挥出较大的牵引力和功率，油门开度也必须保持在最大位置或者是接近最大位置，所以可以采用柴油机的转速、油门开度和车速这三个换挡参数。系统能够根据柴油机的转速和油门开度计算出柴油机负荷大小，从而判断出拖拉机是否处于最好的动力性和经济性范围内。同时可以根据车速的不同要求，进行自动换挡。

　（2）

　田间轻负荷作业时，拖拉机对牵引力和功率比重负荷作业时要小很多，但是不一样的作业工况对速度依旧有要求，所以，这种模式下采用了车速、油门开度和柴油机的转速这三个换挡参数。系统可以根据油门开度和转速计算出转矩的大小，由此判断拖拉机是否处于最好的工作负荷范围内，并且实现自动换挡。

　（3）

　拖拉机道路运输作业时，与在汽车道路换挡控制相同，所以可以直接采用车速和油门开度这两个普通汽车的换挡参数。

　选择合适的换挡参数能够确定拖拉机的牵引力，确保拖拉机能够在工作过程中发挥最优的动力性能。所以，本次柴油式拖拉机的换挡规律中，会根据这三种工况来设计不同的神经网络，提高整个系统的安全性，并且提高工作效率与经济性。

　5.2.3 拖拉机的 BP 神经网络模型 BP 算法是 BP 神经网络的核心，由于 BP 算法具有结构简单、易于实现的优点,在故障诊断、模式识别等方面得到了广泛的应用。在 BP 网络的构造过程中,首先要确定隐层节点数、初始权值、学习率等参数,这些值随着具体问题而变化, 往往要经过多次试探才能确定。因此, 有必要开展对这些参数的研究, 以缩短 BP 网络的构造过程。

　算法第一步是通过输入信号的正向传递获取网络误差，第二步是将网络误差反向传递到每一层，根据误差更新网络。正向传递时，输入信号沿着网络拓扑结构的正方向依次经过每层神经元的处理最终达到网络输出层获取网络计算输出，若输出信号未实现算法预期，则信号处理转入输出误差的反向传递过程；反向传递时，网络根据各神经元的权值将输出误差分摊到每层并沿着拓扑结构的反方向传递到每个神经元，并以此为依据修正网络的连接权值和神经元阈值，最终达到减小网络输出误差的目的。其网络结构如图 5.5 所示。

　图 图 5.5 三层 BP 神经网络结构图 根据第三章内容，可以确定本文研究的轮式拖拉机采用的是三种模式下的四挡变速器，拖拉机在运行的过程中，电子控制板 ECU 将采集运行时换挡的车速、油门开度和柴油机转速的其他参数，根据这个设计要求，分别建立能够建立出三输入四输出和两输入四输出的神经网络模型。

　（1）

　田间重负荷作业和田间轻负荷作业时 在田间重负荷作业和田间轻负荷作业这两种工况下，将采用车速、油门开度和柴油机转速这三个换挡参数作为输入变量，变速器的档位作为输出变量。输入值为1x （发动机的油门开度，%），2x （车速，1km h   ），3x （柴油机转速， /min r ）；输出的变量是四位档位信号，本设计中隐层选择 11 个神经元节点，因此神经网络的结构是 3-11-4。

　正向传播时，信号 1 2 2!=( , , )! !TnX x x xr n r 由输入层进入隐含层，经隐含层神经元的阈值和激励函数作用后获得隐函层神经元的输出值。隐含层第 j 个神经元的输出值用jh 表示，则有：

　1 ()1j ji i jnh f w xi   同理，可获得输出层神经元的输出值ky

　2y ( )1k kj j ksf v hj   隐层和输出层的作用函数均选择了 Sigmoid 型传递函数，并将阈值并入权值，则神经网络第 k 层神经元的输出由第 k−1 层神经元按下列关系确定：

　(k) (k) 1(k) (k) 11[1 exp( )] , 0,1,... 1, 1,2i inki ij jjo x i mx w x k      式中：(k)ix ——第 k 层第 i 个神经元的输入； m ——第 k 层神经元的数目； n ——第 k−1 层神经元的数目； (k)io ——第 k 层第 i 个神经元的输出； (k)ijw ——第 k−1 层第 j 个神经元到第 k 层第 i 个神经元的连接权。

　（2）拖拉机道路运输作业时

　根据理论分析，拖拉机在道路上运输作业时基本上与普通汽车的行驶一样，所以本文直接采用了汽车的两参数四输出的神经网络模型。与在田间重负荷作业和田间轻负荷作业这两种工况下的神经网络模型不同的是输入变量只选择了车速和油门开度两个换挡参数。所以该网络结构模型：输入变量1x （发动机的油门开度，%），2x （车速，1km h   ）；输出依旧为四位档位信号，隐层也与上一模型一致选用了 11 个神经元节点，因此，拖拉机在道路运输作业时的神经网络结构为 2-11-4。该模型除了输入变量与上一模型不同，其余部分都不变，所以在此就不再次详细介绍。

　5.2.4 BP 神经网络模型仿真 结果 本课题基于神经网络的换挡规律研究中，选用两种不同的自动换挡参数，实现柴油式拖拉机在三种不同工况下都能保持稳定的动力性能，并且提高拖拉机系统的经济性。为了验证神经网络的自动换挡规律，现根据研究理论，建立拖拉机自动换挡系统建立模型，并且使用 MATLAB/SIMULINK 对车速、油门开度和柴油机转速这三个参数的自动换挡模型进行了相关的仿真分析。图 5.6 是三参数换挡规律仿真模型。这个模型利用 Simulink 中的 S 函数和 Matlab 中的神经网络工具箱，根据系统采集到的数据对神经网络进行训练，并且更新换挡规律模型中的参数，得出拖拉机在不同参数下的档位。

　 图 图 5.6 三参数 换挡 规律 仿真 模型 仿真模型验证了拖拉机自动换挡规律的准确性和有效性，仿真结果见图 5.7.由仿真结果可以得出，基于神经网络的拖拉机自动换挡可以使系统工作效率保持在70-80%%左右。

　图 图 5 5 .7 自动换挡规律仿真结果

　5.5 本章小结 本章总括性地介绍了神经网络的基本理论，着重介绍了 BP 神经网络的执行过程，并给出了相应的计算公式。然后根据神经网络的基本理论，分析了拖拉机的不同工况下的自动换挡规律，并且通过 Matlab 和 Simulink 软件进行了神经网络自动换挡模型的仿真与验证，仿真结果表明：所建的 BP 神经网络模型对拖拉机自动换挡控制具有非常好的可行性、准确性和可靠性，从而表明了神经网络对工程车辆的换挡技术的发展具有深远的意义。

　 [1]. 东方红-1804 型拖拉机[J]. 农业机械. 2014(02):98. [2]. 毛健, 赵红东, 姚婧婧. 人工神经网络的发展及应用[J]. 电子设计工程. 2011;19(24):62-5. [3]. 李秀兰, 秦四成, 杨宏韬. 基于多尺度小波神经网络的工程车辆换挡策略[J]. 四川大学学报(工程科学版). 2013;45(02):188-92.