(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111517192.X (22)申请日 2021.12.07 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 金辉　张子豪　 (74)专利代理 机构 北京理工大 学专利中心 11120 代理人 郭德忠 (51)Int.Cl. G06F 30/20(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于BP神经网络的发动机动态油耗预 测方法、 系统 (57)摘要 本发明公开了一种基于BP神经网络的发动 机动态油耗预测方法、 系统， 采用平均值滤波法 和VSP‑3σ法对原始油耗数据进行预处理， 剔除 异常的原始油耗数据。 其中， 稳态模块以发动机 转矩和发动机转速为输入， 采用多项式结构拟 合， 输出稳态燃油消耗率； 瞬态修正模块以速度、 加速度和发动机转速为输入， 采用BP神经网络进 行拟合， 输出 实际燃油消耗率与稳态燃油消耗率 的差值对燃油消耗率的预测值进行修正。 根据车 辆比功率VSP的取值采用两个结构相同的BP神经 网络对不同VSP取值区间的原始油耗数据进行拟 合， 提高了瞬态修正模块整体的拟合精度。 训练 完成之后再对 预测精度进行验证， 证明本发明提 供的系统的预测精度更高。 权利要求书3页 说明书12页 附图4页 CN 114254498 A 2022.03.29 CN 114254498 A 1.一种基于BP神经网络的发动机动态油耗预测方法， 其特 征在于， 包括： 步骤一、 获取原始油耗数据； 所述原始油耗数据包括汽车的燃油消耗率、 汽车的速度、 汽车的加速度、 发动机转矩和发动机转速； 步骤二、 构建发动机动态油耗模型， 包括采用多项式构建的稳态燃油消耗模型和采用 BP神经网络构建的瞬态修 正模型； 将发动机转矩和发动机转速 输入稳态燃油消耗模型， 获得 稳态燃油消耗 率； 将速度、 加速度和发动机转速输入瞬态修正模型， 获得实 际燃油消耗率与所述稳态燃 油消耗率的差值； 步骤三、 利用所述差值对所述稳态燃油消耗率进行修正， 得到修正后的燃油消耗率的 预测值。 2.如权利要求1所述的发动机动态油耗预测方法， 其特征在于， 步骤二中， 所述采用多 项式构建的稳态燃油消耗模型为： 其中， ms是稳态燃油消耗率 的对数， 采用多项式拟合的方法将ms拟合为发动机转矩Te 和发动机转速ne的函数， γ0、 γ1、 γ2、 γ3、 γ4、 γ5、 γ6为拟合参数。 3.如权利要求1所述的发动机动态油耗预测方法， 其特 征在于， 步骤二中， 所述采用BP神经网络构建的瞬态修正模型为： 设置两个结构相同的BP神经网络， 根据 车辆比功率VSP的取值， 将VSP的取值区间划分为大于0、 小于0的两个区间； VSP取值大于0的 区间对应的燃油 消耗数据使用一个BP神经网络进行拟合， VSP取值小于0的区间对应的燃油 消耗数据使用另一个BP神经网络进行拟合。 4.如权利要求1所述的发动机动态油耗预测方法， 其特征在于， 在步骤二中所述训练获 得发动机动态油耗模型之前， 对步骤一中的所述原始油耗数据先采用平均值滤波法对原始 油耗数据进行 预处理， 再采用VS P‑3σ 法对原 始油耗数据进行 预处理； 所述采用VS P‑3σ 法对原 始油耗数据进行 预处理为： 首先根据速度、 加速度和坡度计算车辆比功率VS P： 其中， VSP为车辆比功率， va为车辆速度， a为加速度， ir为道路坡度， ir＝0； 将VSP的区间长度以2为单位划分为多个小区间， 每个取值区间的VSP服从正态分布， 将 每个小区间内落于 ±3σ 区间之外的采样点对应的原始油耗数据视为异常的油耗数据予以 剔除， 其中σ 为 正态分布的标准差 。 5.如权利要求3或4所述的发动机动态油耗预测方法， 其特征在于， 所述BP神经网络包 括输入层、 隐含层和输出层； 所述输入层包括 三个神经 元， 分别用于 输入速度、 加速度和发动机转速； 所述隐含层包括 三个神经 元； 所述输出层包括 一个神经 元； 所述速度、 加速度和发动机转速分别输入到所述输入层的三个神经元， 之后所述速度、 加速度和发动机转速通过第一连接权重的加权运算获得三个加权和， 三个所述加权和分别 输入至隐含层的三个神经元； 所述隐含层的三个神经元分别通过双曲正切函数运算 获得三权　利　要　求　书 1/3 页 2 CN 114254498 A 2个双曲正切函数值， 三个所述双曲正切函数值通过第二连接权重的加权运算输入至输出层 的神经元， 所述输出层的神经 元输出实际燃油消耗 率与所述稳态燃油消耗 率的差值； 所述输出层输出所述差值后与预先设定的允许值 比较， 如果所述差值大于所述允许 值， 则对所述第一连接权重和第二连接权重进行调整， 直至输出 的所述差值小于或者等于 所述允许值。 6.一种基于BP神经网络的发动机动态油耗预测系统， 其特征在于， 包括稳态模块、 瞬态 修正模块和求和预测模块； 系统采用的原始油耗数据包括汽车的燃油 消耗率、 汽 车的速度、 汽车的加速度、 发动机转矩和发动机转速； 所述稳态模块以发动机转矩和发动机转速为输入， 采用多项式结构拟合， 用于输出预 测的稳态燃油消耗 率； 所述瞬态修正模块以汽车的速度、 汽车的加速度和发动机转速为输入， 采用BP神经网 络进行拟合， 用于 输出实际燃油消耗 率与所述稳态燃油消耗 率的差值； 所述求和预测模块用于利用所述差值对所述稳态燃油消耗率进行修正， 输出修正后的 燃油消耗 率的预测值。 7.如权利要求6所述的发动机动态油耗预测系统， 其特 征在于， 所述稳态模块采用多 项式结构拟合， 输出 预测燃油消耗 率为： 其中， ms是稳态燃油消耗率 的对数， 采用多项式拟合的方法将ms拟合为发动机转矩Te 和发动机 转速ne的函数， γ0、 γ1、 γ2、 γ3、 γ4、 γ5、 γ6为在训练过程中稳态工况下拟合而成 的拟合参数； 所述瞬态修正模块采用BP神经网络进行拟合， 具体为： 设置两个BP神经网络， 根据车辆 比功率VSP的取值， 将VSP的取值区间划分为大于0和小于0的两个区间； VSP取值大于0的区 间对应的燃油 消耗数据使用一个BP神经网络进行拟合， VSP取值小于0的区间对应的燃油 消 耗数据使用另一个BP神经网络进行拟合。 8.如权利要求6所述的发动机动态油耗预测系统， 其特征在于， 所述发动机动态油耗预 测系统进一步包括数据处理模块； 所述数据处理模块先采用平均值滤波法对原始油耗数据 进行预处理， 再采用VS P‑3σ 法对原 始油耗数据进行 预处理； 所述采用VS P‑3σ 法对原 始油耗数据进行 预处理为： 首先根据速度、 加速度和坡度计算车辆比功率VS P： 其中， PVSP为车辆比功率， va为车辆速度， a为加速度， ir为道路坡度， ir＝0； 将VSP的区间长度以2为单位划分为多个小区间， 每个取值区间的VSP服从正态分布， 将 每个小区间内落于 ±3σ 区间之外的采样点对应的原始油耗数据视为异常的油耗数据予以 剔除， 其中σ 为 正态分布的标准差 。 9.如权利要求7或8所述的发动机动态油耗预测系统， 其特征在于， 所述BP神经网络包 括输入层、 隐含层和输出层； 所述输入层包括 三个神经 元， 分别用于 输入速度、 加速度和发动机转速；权　利　要　求　书 2/3 页 3 CN 114254498 A 3