基于神经网络的车辆热系统预测方法|AutoAero202340期

摘    要 

在汽车行业，在汽车开发的不同阶段收集了大量的实验数据。由于车辆实验成本高、耗时长，对实验数据的严重依赖会导致汽车项目设计成本的显著增加和开发时间的进一步延长。本文重点研究了一种利用神经网络(ANN)的新方法。神经网络是受生物大脑网络启发的计算系统，可以通过实验数据来学习。然后，“训练过的”网络可以可靠和有效预测系统的性能。这在汽车工业中特别有用，因为在系统、子系统或组件级别存在大量可用于训练神经网络的实验数据。训练后的神经网络可以用作性能预测的替代方案，并减少对额外物理实验的依赖。研究表明，经过系统和台架级实验数据的训练，神经网络在预测系统热性能方面鲁棒性很好，并且可以潜在地减少进行额外实验。此外，热系统的某些变量，如车辆乘员舱湿度和HVAC新风吹扫，使用基于物理的瞬态模拟很难捕获。神经网络的建模方法被开发出来，并被证明能够可靠地预测这些变量；然后，该方法在1D数值模型中得以应用。

01  前    言

随着汽车行业竞争日益激烈，汽车制造商正在投入数十亿美元用于研发，以推动创新并获得优势并努力应对不断提高的燃油经济性要求、电气化和自动驾驶等挑战。投入资金的一部分用于从概念定义到生产的重复实验和实验数据收集，以验证设计改进和评估性能。收集的大量数据为实现人工智能(AI)提供了一个机会，可以在未来的应用中学习和预测车辆性能。

开展试验以评估设计质量或设计变更对车辆系统和子系统性能的影响可能会变得非常具有挑战性，因为建立具有代表性的原型车辆和综合仪器的成本很高。此外，由于电气化和自动驾驶汽车的子系统越来越复杂，在现有的测试设备上进行试验和设计验证的需求变得越来越迫切。因此，从现有的数据中尽可能多地学习，以便能够对车辆性能做出有意义的预测，并减少对大量测试的需求是至关重要的。

在人工智能机器学习技术中，神经网络( Artificial Neural Network，ANN )因其能够处理大数据中因变量和自变量之间复杂的非线性关系、从实例中学习以及在预测和预报应用中的鲁棒性而成为最受认可的技术之一。ANN已被广泛应用于各种应用，包括但不限于过程建模和控制、机器诊断、资产管理、目标识别、医疗诊断、语音识别和自动驾驶。

神经网络在汽车领域得到了广泛的应用。Hosoz和Ertunc利用在稳态条件下收集的实验数据，利用神经网络预测汽车空调系统的性能。同样，Datta 等人和Kamar 等人使用神经网络预测汽车空调系统的制冷量、压缩功和性能系数。此外，Ng等人使用多层感知器(MLP)和径向基神经网络(RBN)来预测车辆的乘员舱温度。Shojaeefard等人关注单个热交换器的性能，并使用不同类型的神经网络进行评估。Ng等人基于神经网络的多目标优化对汽车空调的温湿进行控制。最后，Singh和Abbassi引入了一种CFD-ANN耦合方法，利用ANN预测空调系统的性能，并将其输入到乘员舱的CFD热模拟中。

本文将神经网络用于汽车热系统应用中，从现有数据中学习并预测汽车热性能。首先，使用瞬态整车实验数据来训练神经网络，以便用于未来预测车辆性能。其次，利用子系统台架试验数据训练神经网络，预测整车瞬态系统性能。最后，对难以使用传统的基于物理的方法建模的应用，如车辆乘员舱湿度和HVAC新风吹扫，可以使用ANN进行建模。对于这些应用，ANN通过实验数据进行训练，并与1D系统仿真耦合，以提供更准确的预测。本文的其余部分专门讨论以下问题:(1)简要介绍了神经网络的分层结构和学习方法;(2)整车试验装置及台架试验数据讨论;(3)神经网络参数配置说明;(4)神经网络训练方法的解释;(5)结果的验证和预测。

02  神经网络（ANN）

神经网络是受人脑生物神经网络启发的数值系统。大脑中的每个神经元都由进入细胞的树突和离开细胞的轴突终端组成。如果进入细胞的刺激物的总量超过一定的阈值，神经元就会“放电”，并触发与之相连的其他神经元。同样，在数值世界中，每个神经元都接收各种加权输入，这些加权输入被组合在一起，并通过激活函数传递，如图1所示。这种结构使神经网络能够在各种应用中预测复杂系统的性能。

图1  单个人工神经元结构

将各神经元接收到的输入加权组合后的数学表示如下:

其中N是加权输入的和，L是神经元接收到的总连接数，pi和wi是输入及其相关的权重，b是固定的输入，称为偏置，以增加每个神经元的学习速率。类似于生物神经元通过树突接收到触发信号进行响应，人工神经元通过激活函数进行响应。文献中使用了许多不同的激活函数，包括：阈值函数、双曲函数和sigmoid函数。然后使用激活函数计算每个神经元的响应，如式( 2 )所示。

神经网络由多层构成:一个输入层，几个隐藏层和一个输出层，如图2所示。神经网络中的每个神经元都可以接收来自较低/上一层的信号，并将信号传递给下一层/更高一层的神经元。每个神经元通过加权连接到前一层的所有神经元和下一层的所有神经元。

图2 神经网络结构图

神经网络的开发分为两个阶段:训练和测试。在训练阶段，使用已知输入和输出的数据子集来“训练”网络。最初，随机生成连接权值和偏差，然后根据网络输出和期望输出之间的差异，迭代更新权值和偏差以减少误差，直到满足停止标准。在这个迭代过程中，模型每一步变化的程度被称为“学习率”。基本上，学习率控制着神经网络在样本数据上训练的快慢。这个参数通常在0到1之间，并且是可调的。用于评估网络性能的标准是：相关系数、平均相对/绝对误差和均方根误差。

首先，相关因子(R)是网络输出与期望输出之间的相关性度量，其范围在-1到1之间。越接近1的值表明有较强的正相关关系，而越接近- 1的值表明有较强的负相关关系。R值接近于零表示期望输出和预测输出之间没有统计上显著的关系。相关因子R由下式给出如下:

其中Sxy，Sxx和Sxy分别是x和y、 x和x、x和y之间的协方差，其中x和y分别是期望输出与预测输出。协方差Sxy，Sxx和Syy为:

参数“n”是样本总数。此外，平均绝对误差(MAE)和均方根误差(RMSE)是等式7和8中定义的另外两个性能标准：

接下来，在测试阶段，训练后的神经网络的预测性能由一个不同的数据集评估，该数据集没有参与神经网络的训练过程，以真正衡量网络的鲁棒性。

03   空调制冷系统的神经网络模型   

评估了ANN模型在预测空调系统性能方面的能力。ANN模型的输入为压缩机转速( Ncomp )、冷凝器进风温度( Tcond )、冷凝器进风量( Mcond )、蒸发器进风温度( Tevap )、蒸发器入口空气流量( Mevap )、蒸发器入口绝对湿度( AHevap )。输出为冷凝器负荷( Qcond )和蒸发器负荷( Qevap )。制冷系统的其他主要输出，包括性能系数( COP )和压缩机功率( Wcomp )。

这个应用选择了一个具有单个隐藏层的前馈神经网络，如图3所示。隐藏层中的神经元数量和其他神经网络配置将在结果和讨论部分讨论。使用两个单独的数据集训练制冷系统的神经网络;第一种方法(ANN #1)是基于整车制冷系统瞬态试验，第二种方法(ANN #2)是基于制冷回路稳态台架试验。这种对比的原因是为了通过仅依赖子系统级台架测试数据来研究神经网络对现实生活中的瞬态行为的预测程度。

图3制冷系统结构

04 车辆内部湿度的神经网络模型

神经网络的第二个应用是帮助预测仅使用基于物理的模型难以预测的现象。舱内湿度是决定乘客热舒适和制冷性能的重要因素，因为蒸发器内空气的水分含量通过改变蒸发器内空气侧潜热和显热排出量来影响系统的热力学行为。然而，在现实的场景中，很难对车辆中的湿度和水分输送进行建模。车辆的泄漏、凝结和瞬态现象使得使用一维系统级分析来预测车辆的湿度水平变得极其困难。因此，一个神经网络模型(ANN #3)可以借鉴现有的试验来预测车辆舱内的水分浓度。

为了建立神经网络模型，压缩机转速(Ncomp)、环境温度(Tamb)、环境相对湿度(RHamb)、太阳负荷(Qsolar)和时间(ts)为输入，车辆内部绝对湿度(AHcabin)为输出，采用单隐层构建前馈神经网络结构，如图4所示。

图4预测机舱绝对湿度的神经网络模型

05 HVAC系统部分空气再循环/新风吹扫的神经网络模型

由于通过蒸发器的是机舱内的空气而不是新鲜的湿热环境空气，故保持制冷系统处于再循环模式，提高了系统的热效率。然而，随着乘客在车内长时间以再循环模式运行，会导致乘员舱内CO2浓度增加。为了抵消这种影响，根据预定义的控制策略，在车辆运行的特定点，再循环空气将与一部分新鲜空气混合，以保持CO2浓度在预期的水平。然而，热环境空气与循环舱内空气混合会导致蒸发器空气入口温度突然升高，恶化舱内乘客的热舒适水平。

此外，使用一维系统级对瞬态现实情况进行建模分析并不简单；因为，新鲜空气的进气口受到热发动机舱的影响，通常比环境温度高。神经网络可以通过学习现有的车辆测试数据来解决这个问题，从而准确预测新风净化发生时蒸发器进风口的温度(神经网络#4)。

暖通空调新风吹扫神经网络的输入层参数为:客舱平均空气温度(Tcabin)、车速(Vspd)、暖通空调新风吹扫信号(Sigpurge)、环境温度(Tamb)，蒸发器进口空气温度(Tevap)为单输出，如图5所示。

图5 预测乘员舱新风吹扫的神经网络模型

1D系统与ANN模型的耦合仿真

最后，一维( 1D )系统仿真在分析系统级性能方面具有很强的鲁棒性。1D方法是一种基于物理的模型，它依赖于组件级的性能数据来校准单个组件并建立系统级模型。另一方面，ANN依赖于从测试数据，而与其背后的潜在物理没有联系。因此，1D分析和ANN的联合可以成为预测系统级性能的有力工具，因为ANN可以从可用的实验数据中学习，以弥补1D工具难以对物理现象进行建模的缺点。

本研究考虑1D温湿控制系统，该系统由在Simcenter Amesim 17 中建立的制冷循环和乘员舱模型组成。在作者的前期工作中，详细解释了如何使用供应商性能和详细的几何数据来校准单个组件，以及如何将单个组件组合在一起以建立1D系统模型。本研究的重点是将1D和ANN模型耦合一起用于车辆热系统。

SimcenterAmesim 17内置了具有双曲正切激活函数的单层前馈神经网络组件。将训练好的ANN与1D分析工具Simcenter Amesim 17耦合，模拟湿度对HVAC系统性能的影响以及HVAC新风吹扫对蒸发器空气入口温度的影响。

图6 1D制冷剂回路和舱室模型

06 实验装置

本研究选择了一辆全尺寸的皮卡车，并进行了两种类型的测试来收集数据，以训练、验证和测试神经网络。

首先，利用台架实验装置采集汽车空调系统在稳态工况下的性能数据。制冷机组由翅片管式冷凝器、蒸发器、变排量压缩机、热力膨胀阀、内部换热器( IHX )五个主要部件组成。制冷剂种类和AC部件与实车使用的相同。采用多个传感器监测各部件进出口的温度和压力，蒸发器和冷凝器进出口的制冷剂质量流量、空气侧温度和相对湿度。此外，对冷凝器和蒸发器的空气流量和压缩机转速进行了测量。台架设置由多个稳态工况组成，涵盖了车辆运行工况的预期范围：压缩机转速，冷凝器进风温度、流量和湿度，蒸发器进风温度、流量和湿度。这些控制因子在不同的预期车辆运行范围内变化，以复制空调系统在实际场景中所要经历的工况。

其次，皮卡车进行瞬态驾驶循环测试。该车辆在气候风洞中进行测试，环境条件保持在所需的温度和湿度( 43.33℃,相对湿度19 %)。这种设施使我们能够通过向车辆吹入与其速度相对应的空气来模拟真实世界的行驶条件。太阳负荷是通过红外灯以1000 W/m2的强度垂直照射在汽车外表面上，从而模拟汽车上的太阳辐射。制冷剂和空气温度由位于舱室和制冷回路内部的多个传感器上测量。舱室平均温度为放置在车内的假人眼部、胸部、膝盖和脚踝水平的热电偶温度的算术平均值。本研究使用的热电偶的实验不确定度为± 1℃。

07 结果讨论

神经网络参数

为了加快学习过程和帮助收敛，输入数据被归一化到0到1的范围内。单隐层神经元个数根据MAE的最小值确定。因此，对于前面讨论的每个ANN，我们执行一个优化，以找到隐藏层中的神经元数量，从而为验证数据集提供最低的平均绝对误差( MAE )。

对于ANN #1和ANN #2，本研究选择了一种自适应学习率方法(ADADELTA)，该方法不需要对学习率进行特定的调整，并随时间动态自适应。每个神经元的激活函数是修正线性单元(ReLU)。同时，为了保证收敛到最小的训练/验证误差，取最大 epochs数为100000。ANN # 1和ANN # 2使用Python的TensorFlow机器学习系统。

另外，对于最后两个ANN #3和ANN #4,使用Matlab神经网络工具箱对网络进行训练。此外，采用了带tansig激活函数的Levenberg-Marquardt (L-M)反向传播算法。

表1神经网络参数

神经网络训练性能

对于所开发的四个神经网络，实验数据分为三组:训练、验证和测试。划分机制如图7所示，其中85%的数据用于训练目的(训练集80%，验证集20%)，15%用于测试。选择这种划分机制是为了保证每个子集中有足够的数据点和适当的多样性，以防止过拟合和在训练过程中引入偏差。

对于第一种神经网络ANN#1，制冷系统基于整车实验数据，进行了两次瞬态循环试验，每10秒采集一次数据，共750个样本。实验结果与数据集测试子集的神经网络预测结果进行了对比，如图8和9所示，预测结果与实验数据非常匹配，冷凝器和压缩机负荷预测的R2值都接近1。冷凝器和蒸发器负荷的平均绝对误差(MAE)分别为0.13 kW和0.06 kW。

对于神经网络ANN#2，神经网络是通过在空调制冷机组50组稳态实验数据来训练的。将收集到的50组数据按图7所示的方式分为训练集、验证集和测试集。测试子集的预测与实验如图10和图11所示。平均绝对误差(MAE)为冷凝器和蒸发器负荷分别为0.17 kW和0.14 kW。

同样，对于ANN#3和#4，预测乘员舱内湿度和HVAC新风吹扫对蒸发器入口温度的影响，采用5组瞬态循环试验，每10 s采集一次数据，共计3750个样本。与前两者相比，ANN# 3和# 4采用更多的数据点的原因是前者的目的是依靠最少的测试数据来预测系统的性能，而ANN#3和#4是增强一维分析能力的例子。实验值与预测值如图12和13所示。

图7 训练、验证和测试子集

图8 基于瞬态整车实验数据训练的神经网络冷凝器负荷测试值与相应的瞬态整车实验值对比

图9 基于瞬态整车实验数据训练的神经网络蒸发器负荷测试值与相应的整车瞬态实验值对比

图10 基于稳态台架实验数据训练的神经网络冷凝器负荷测试值与相应的稳态台架实验值对比

图11 基于稳态台架实验数据训练的神经网络蒸发器负荷测试值与相应的稳态台架实验值对比

图12 基于瞬态整车实验数据训练的神经网络乘员舱湿度测试值与相应的整车瞬态实验值对比

图13新风吹扫时， 基于瞬态整车实验数据训练的神经网络蒸发器进口温度测试值与相应的整车瞬态实验值对比

神经网络预测结果

在对制冷系统进行了ANN训练之后，下一步的工作是确定是否可以使用ANN来预测系统或子系统级的性能，以潜在地减少车辆开发过程中额外测试的需要。此外，测试ANN对以前未见过的循环工况的性能也很重要。这保证了模型在训练时不会偏向于使用的特定循环工况，不会过拟合。分别基于整车试验和台架试验训练的制冷系统ANN # 1和ANN # 2用于预测不同瞬态循环工况的性能，以评估ANN在预测汽车瞬态循环工况性能方面的能力。

图14 冷凝器负荷预测值Vs冷凝器负荷实验值(ANN #1)

图15 蒸发器负荷预测值Vs冷凝器负荷实验值(ANN #1)

图16 冷凝器负荷预测值Vs冷凝器负荷实验值(ANN #2)

图17 蒸发器负荷预测值Vs冷凝器负荷实验值(ANN #2)

首先，采用神经网络1对整车循环工况的冷凝器和蒸发器负荷进行预测。预测结果与实验数据非常吻合，因为ANN #1是在同一辆车的循环工况实验数据上训练的，而A整个循环的平均冷凝器负荷预测误差为0.55 kW，蒸发器负荷预测误差为0.25 kW。这种精度对于大多数热系统来说是足够的，并且证明了依赖神经网络来减少整车开发过程中所需的瞬态测试数量的可能性，只要有代表性(全范围的预期输入)瞬态实验数据可用于训练网络。其次，对于在台架测试数据上训练的神经网络#2，其预测不如神经网络#1准确，因为前者没有考虑从台架设置到实际车辆状况时产生的差异。整个循环的平均冷凝器负荷预测误差为1.15 kW，蒸发器负荷预测误差为1.35 kW。正如预期的那样，与ANN #1相比，这是一个较低的精确度。然而，当没有车辆可供测试时，仅依靠台架测试数据，它仍然可以提前提供大量信息。

1D-ANN 结果

接下来，介绍了使用ANN #3和#4的1D-ANN耦合，以证明ANN在提高1D系统仿真分析的准确性和保真度方面的能力。使用1D-ANN耦合预测舱内湿度，并与实验数据进行比较，如图18所示。除了在一开始，神经网络预测更高的湿度水平，在大部分的驾驶周期中，湿度预测得很好。这可能是由于实验数据采集问题，因为预计在冷却周期开始时湿度最高，并且由于蒸发器中的冷凝而降低。考虑到这一点，在整个驾驶周期内，预测与实验的平均绝对湿度差约为0.25 g/kg，对1D分析输出的影响可以忽略不计。

最后，使用ANN # 4对HVAC新风吹扫过程中的蒸发器入口温度进行预测。从图19可以看出，预测的蒸发器入口温度与实验的平均误差为0.75℃，在1D分析工具的可接受范围内。

图18 预测与实验舱内湿度对比(ANN #3)

图19 预测 Vs实验蒸发器入口温度对比(ANN #4)

08  结    论

本文通过实例介绍了神经网络(ANN)在汽车热系统中的应用。结果表明，只要用代表性的实验样本进行训练，神经网络就可以作为预测车辆热系统性能的工具。考虑了四个不同的例子来展示神经网络在汽车热系统中的可能应用:首先，使用车辆瞬态循环测试的热系统性能数据来训练网络。其次，利用空调台架测试的系统性能数据对神经网络进行训练。对比这两个数据集的原因是为了证明：当无法进行整车测试时，台架测试在开发过程早期确定整车热系统性能的有效性。

接下来，第三和第四个案例是使用ANN模型耦合1D热系统进行分析。ANN通过从车辆瞬态循环工况试验中获得的实验值进行学习来预测车辆内部绝对湿度。此外，还对降低车内CO2浓度的HVAC新风吹扫进行了建模。在这种情况下，ANN被用于预测蒸发器入口空气温度。

    讨论了ANN的结构、配置和训练参数，并与所有4种情况下的实验数据进行了性能比较。结果表明，基于不同的性能指标：RMSE、MAE和R^2，4个ANNs都得到了很好的训练，并对测试数据集有足够的预测精度。