بخشی از مقاله
چکیده
در این مقاله با استفاده از شبکه عصبیMLP، LVQ و سیستم فازی- عصبی انفیس به پیش بینی و شناسایی سیکل های رانشی و باز شناسی الگوی آن پرداخته میشود. ابتدا با توجه به مشخص بودن اطلاعات سیکل رانشی UDDS یک شبکه عصبی MLP و یک سیستم فازی - عصبی انفیس برای پیش بینی سیکل رانشی طراحی میشود. چهار سیکل رانشی که حرکت خودرو ها را در جاده های مختلف تحت پوشش قرار میدهند به عنوان سیکل های نماینده برگزیده میشوند، هفت ویژگی برای سیکل های نامبرده استخراج میشوند، از این اطلاعات به منظورتربیت شبکه عصبیLVQ استفاده میشود.
به کمک شبکه عصبی طراحی شده ، بازشناسی الگوی سیکل رانشی نامشخص و طبقه بندی آن انجام میشود. در مرحله آخر به شناسایی سیکل های رانشی نامشخص به کمک شبکه عصبی MLP و انفیس به کمک ویژگی های استخراج شده در مرحله دوم پرداخته میشود. در نهایت کارآمدی روش های پیشنهادی به کمک چند مثال شبیه سازی نشان داده میشوند.
-1 مقدمه
استفاده از وسایل نقلیه الکتریکی هیبریدی یکی از موثر ترین راه ها برای کاهش مصرف سوخت است. در خصوص مدیریت انرژی در راستای کاهش آلاینده ها و افزایش بازده کلی، الگوی رانشی خودرو یکی از موثر ترین عوامل تاثیر گذار بر عملکرد راهبردهای کنترلی است. جهت بررسی عملکرد چه از لحاظ تست و چه از طریق شبیه سازی، استفاده از سیکل رانشی که بیانگر کلیه پدیده های حرکتی موثر و بازدهی خودرو باشد ضروری است.
در الگوریتم های مدیریت انرژی بلادرنگ با توجه به مشخص نبودن سیکل رانشی خودرو ،امکان دستیابی به یک راهکار مناسب جهت حل مسئله بهینه سازی مدیریت انرژی در خودرو های برقی هیبریدی مقدور نیست. عمده روش ها بر اساس سیکل های مشخص می باشد از این رو دستیابی به اطلاعات سیکل رانشی و شناسایی مناسب آن در حوزه ی مدیریت انرژی حائز اهمیت است.[1]
شناسایی سیکل رانشی توجه محققان زیادی را جلب کرده ، در این مورد کارهای اخیرا انجام شده است که از شبکه عصبی بهره گرفته اند .[2,3] به عنوان نمونه در مرجع [4] از اطلاعات 100 ثانیه قبل برای شناسایی یک سیکل رانشی زمان واقعی استفاده شده است. در [5] از شبکه هامینگ برای شناسایی سیکل رانشی استفاده شده، که در برگیرنده داده های سرعت- زمان و شیب قابل پیمایش می باشد. 240 پارامتر را به عنوان پارامتر های مشخصه، برای 6 الگوی رانشی استاندارد انتخاب شده، در نظر گرفته است.از این 6 الگو رانشی سه عدد شهری، یکی بزرگراه و دو الگو مربوط به حومه شهراست.
در مرجع [6] از منطق فازی برای شناسایی الگوی رانشی استفاده شده است و سیستم آن به این صورت است که از دو متغیر سرعت متوسط و طول مسیر طی شده استفاده می کند، در این مرجع هر سیکل به تعدادی بخش رانشی تقسیم شده است. برای توصیف هر بخش از دو متغییر سرعت متوسط، طول مسیر طی شده استفاده میشود. پایگاه قوانین در سیستم فازی به نحوی تنظیم می شود که تمامی تفسیر ها دقیق باشند.
در [7] به پیش بینی سری زمانی با استفاده از شبکه عصبی پرداخته شده است. داده ها را در شرایط ترافیکی تهران جمع آوری کردند و از دو روش حداقل خطای میانگین مربعات و متوسط درصد خطای مطلق برای بررسی دقت پیش بینی استفاده شده است. شناسایی و تخمین الگو های رانشی در رفتار واقعی یک خودرو برقی هایبرید دشوار بوده و دارای پیچیدگی می باشد. این مسئله باعث این می شود که با توجه به اینکه سیکل های رانشی زیادی وجود دارند و تعداد پارامتر های تاثیر تاثیر گذار بر آن، عملا شناسایی الگو رانشی در بهره گیری مستقیم از آن در حوزه مدیریت انرژی مقدور نباشد.
در روش تشخیص الگو، اولین اقدام بیرون کشیدن ویژگی میباشد. بعد از اینکه ویژگی ها را استخراج کردیم میتوانیم دیتا بیسی از شیکه عصبی تربیت کنیم که بتواند عمل کلاس بندی مربوط به الگو را انجام دهد. برای حل مسئله کلاس بندی سیکل رانشی،4 سیکل رانشی را به عنوان مبنا قرار میدهیم که در برگیرنده اطلاعاتی همچون نوع جاده، نوع شهر و خیابان میزان ترافیک و ... باشد انتخاب میشوند، و به عنوان سیکل های نماینده برگزیده میشوند.
در بخش های این مقاله سه روش پیشنهادی مطرح شده است. در قسمت 2 مقاله به پیش بینی سری زمانی سیکل رانشی پرداخته میشود. نتایج شبیه سازی ها نیز در دو حالت شبکه عصبی MLP و سیستم فازی - عصبی انفیس در این قسمت گنجانده شده است. در قسمت 3 مقاله نیز به بازشناسی الگو سیکل رانشی نامشخص با توجه به ویژگی هایی پرداخته می شود، نتایج شبیه سازی نیز برای دو سیکل رانشی در قسمت شبیه سازی آورده شده است. نهایتا در قسمت 4 شناسایی سیکل رانشی نامشخص به همراه شبیه سازی مربوط به آن آورده شده است.
-2روش پیشنهادی اول: پیش بینی سری زمانی سیکل رانشی
در این روش با توجه به[7] به پیش بینی سری زمانی سیکل های رانشی پرداخته میشود. اطلاعات منحنی سرعت - زمان سیکل رانشی UDDS به منظور تربیت شبکه عصبی MLP و سیستم فازی- عصبی انفیس مورد استفاده قرار میگیرد. هدف اصلی، پیش بینی سیکل رانشی در لحظه فعلی با توجه به اطلاعات سرعت در چهار لحظه قبل است. 70 درصد اطلاعات موجود به صورت تصادفی، جهت تربیت، 15 در صد آنها جهت ارزیابی و 15 درصد باقی مانده آنها به منظور تست شبکه عصبی مورد استفاده قرار گرفته است. ساختار شبکه طراحی شده در شکل - 1 - نشان داده شده است.
عملکرد شبکه عصبی در تخمین داده های تربیت، تست، ارزیابی در شکل های 2تا 4 به ترتیب آورده شده است. شکل 5 هم خطای شبکه عصبی در تخمین داده های واقعی بر حسب MSE برای داده های تربیت، تست ارزیابی را نشان میدهد. سیستم فازی - عصبی به کمک تولباکس anfisedit طراحی شده است. به منظور بهینه شدن تعداد قوانین سیستم فازی TSK از روش sub.clutering استفاده شده است. همانند طراحی شبکه عصبی،70 درصد اطلاعات بصورت اتفاقی به عنوان داده های تربیت و 30 درصد باقی مانده جهت تست سیستم فازی عصبی در نظر گرفته شده است. ساختار شبکه عصبی طراحی شده در شکل 6 نمایش داده شده است. همچنین در شکل 7 توابع عضویت فازی نیز قابل مشاهده است.
-1-2 شبیه سازی
عملکرد شبکه عصبی و سیستم فازی- عصبی طراحی شده در شکل های 8 و 9 در سیکل های CYC-REP05،CYC_WVUCITY نشان داده شده است. نتایج شبیه سازی نشان می دهد که سیستم فازی - عصبی عملکرد بهتر و خطای کمتری در پیش بینی سیکل رانشی دارد.
-3 روش پیشنهادی دوم: بازشناسی الگو سیکل رانشی نامشخص
بازشناسی الگو را می توان به سه مرحله تقسیم بندی نمود:
مرحله اول - استخراج ویژگی ها: در این مرحله به تعداد قابل توجهی ویژگی به منظور طبقه بندی مناسب اندازه گیری میشود.
مرحله دوم - انتخاب ویژگی: در مرحله استخراج ویژگی معمولا به تعداد قابل توجهی ویژگی استخراج میشود تا یک طبقه بندی مناسب صورت پذیرد. از آنجایی که تاکید بر کم نبودن ویژگی هاست، ممکن است تعداد ویژگی های استخراج شده زیاد باشند و تعدادی از آن ها با هم همبستگی داشته باشند، از این رو از روش های کاهش ابعاد در فضای ویژگی از جمله تحلیل مولفه های اساسی استفاده میشود.[9]
مرحله سوم - طبقه بندی الگو: در این مرحله ویژگی های انتخاب شده، در اختیار یک دستگاه طبقه بندی قرار میگیرند. وظیفه دستگاه طبقه بندی انعکاس ویژگی ها، در فضای طبقه بندی است. با داشتن ویژگی های ورودی این دستگاه تعیین میکند، اطلاعات ورودی به کدامین طبقه بیشترین شباهت را دارند و در نتیجه ورودی را در آن طبقه، قرار میدهد.
میزان تشابه معمولا با معیاری به عنوان فاصله سنجیده میشود. بعنوان نمونه میتوان از فاصله هامینگ، فاصله اقلیدسی، فاصله شهری، فاصله مربعی نام برد. طبقه بندی به ندرت بر اساس یک ویژگی از الگوی ورودی، صورت میگیرد. دسته بندی معمولا بر اساس دسته ای از ویژگیهای ورودی که به عنوان بردار ویژگی شناخته میشوند، انجام میشود. فنون دسته بندی به دو گروه عمده عددی و غیرعددی تقسیم میشوند.
فنون عددی شامل اندازه گیری های قطعی و آماری است که در فضای هندسی انجام میگیرد. فنون غیر عددی در حوزه ی پردازش نمادها صورت می گیرد و با روش هایی همچون فازی، الگوریتم ژنتیک و ... ارتباط مییابد.[1] همان طور که قبلا اشاره شد سیکل های رانشی در اقتصاد سوخت و میزان آلایندگی، به ویژه در خودرو های هیبریدی نقش تعیین کننده ای دارد لذا در این قسمت به باز شناسایی سیکل رانشی نامشخص به کمک شبکه عصبی LVQ پرداخته خواهد شد.
-1-3 استخراج ویژگی ها از سیکل های رانشی
الگوریتم DCR که در این بخش بکار گرفته می شود به منظور طبقه بندی سیکل رانشی نامشخص به سیکل های رانشی استاندارد که بر اساس اطلاعات وضعیت حرکت خودرو انتخاب شده اند، مورد استفاده قرار گرفته است. در این مطالعه از چهار سیکل استاندارد استفاده شده است. نام، نوع و شماره کلاس مربوط به هر سیکل در جدول 1 نشان داده شده است، همچنین شکل 10 نیز نمایی از سیکل های رانشی منتخب را نمایش میدهد.
