郑飞鹏

（长城汽车股份有限公司技术中心电子电气架构设计，河北 保定 071000）

随着车辆的大量普及，人们对汽车的要求越来越高，车辆的舒适度也被广泛关注，其中乘员舱温度是人们对车辆舒适度感知的一项重要参考标准，同时乘员舱温度也常用来作为车辆空调系统的输入值和温度反馈值，直接影响人们的温度感知，因此乘员舱温度的精确与否对人们的舒适度感知影响巨大。

当前技术条件下，乘员舱温度信号多由内部温度传感器测得，以贝洱海拉为例，内部温度传感器包含2个温度传感器和1个阳光传感器，其中一个温度传感器用来检测表面温度，另一个温度传感器主要用来检测周围环境对内部温度的影响（如PCB板发热），同时结合阳光传感器信号，通过内部逻辑算法，计算得出乘员舱温度。

得出的乘员舱温度值作为空调系统的输入值及温度反馈值，该温度值可能存在误差，从而对车辆乘员的舒适感知造成一定影响，可能存在的误差主要由以下原因造成。

1）仅参考3个输入参数，系统本身防误差弹性较小，计算得出的温度值，可能会因为某一个输入参数的不准确而影响整体的计算结果。

2）用来检测表面温度的传感器受安装位置的影响较大，现在大多都安装在空调面板或仪表板处，该位置可能由于距空调出风口的距离、空气流通程度、周围的其他电器件工作时产生的功率热以及发动机舱热量对该安装位置的热传递等问题，造成测量值相对于乘员舱温度真实值偏大或偏小。

3）阳光传感器用于检测阳光强度，受云层厚度、停车位置影响较大，可能存在系统误差。

基于以上分析，为保证乘员舱温度的相对准确、操作简单快捷的前提下，把人工神经网络应用于乘员舱温度模拟，提出了基于人工神经网络的乘员舱温度的计算系统。

1 人工神经网络算法原理

人工神经网络是由大量类似于神经元的处理单元相互连接而成的非线性复杂的智能网络系统，它是一个并行和分布式的信息处理网络结构，该网络一般由许多个神经元组成，每个神经元可以连接到很多其他神经元，其输入有多个连接通路，每个连接通路对应一个连接权系数。根据连接方式的不同，神经网络可分成两大类：没有反馈的前向网络和相互结合型网络。前向型网络由输入层、隐含层、输出层组成。隐含层可有若干层，每一层的神经元接受前一层神经元输出，这样就实现了输入层结点的状态空间到输出层状态空间的非线性映射。在前向网络中，误差反向传播网络BP（ Back Propogat ion） 应用最广。BP 网络是一单向传播的多层前向网络，其结构如图1所示。

2 基于人工神经网络算法的空调系统模型搭建

当前空调系统中，乘员舱温度的测量通常由内部温度传感器测得，由以上分析可知，该测量方法存在一定的温度误差，对乘员舒适度造成某种程度的影响。比如，在自动空调工作时，空调控制器需根据乘员舱温度传感器的测量值，判断当前乘员舱温度是否达到乘员设定温度，控制器以此判定条件执行制热或制冷动作，但是由于这种误差，可能造成空调控制器执行制热、制冷动作不准确，从而造成乘员舱温度不均衡，进而影响乘员的舒适度。为解决上述问题，建立一种基于人工神经网络的乘员舱温度模型，以更加精确地测量乘员舱温度，从而使空调系统更好地运行，其原理如图2所示。

3 模型样本分析

根据热传导原理，将车内空间看作一个有自平衡能力的单个整体，影响车内空间温度变化的因素主要有：①由车内外温度差引起的对乘员舱的热传递Qa；②由发动机舱温度引起的对乘员舱的热传递Qb；③由车内乘员人体热、车载设备功率热引起的温度变化Qc；④空调系统工作引起的温度变化Qd。

3.1 Qa分析

在车辆门窗关闭的情况下，由车内外温度差通过车身引起的热传递，对车内乘员舱的温度变化起到很大影响。这种影响主要与热传递系数K1、乘员舱与外部接触的车身面积S、车内外温度差ΔT有关，其中车身面积S中包含有车窗、天窗的面积S1，同时车身的热传递系数K1与玻璃的热传递系数K2也有所差别，所以设定一个新的物理量——单位车身热传递系数 Ke。

Ke=［K1×（S-S1）+ K2×S1］/ S

车内外温度差ΔT由空调系统中车外温度传感器测得车外温度Tw和测量时乘员舱的初始温度T0求得。

因此可知热传递Qa与单位车身热传递系数Ke、乘员舱与外部接触的车身面积S、车外温度Tw和测量时乘员舱的初始温度T0有关。

3.2 Qb分析

在发动机工作情况下，发动机舱对车辆乘员舱的热传递影响非常明显，特别是在发动机工作一段时间后，发动机附近温度将达到90 ℃左右。虽然在车辆设计开发阶段，设计人员在机舱与乘员舱隔板处安装了一种类似隔热棉之类的装置，但是这种装置并不能完全消除由发动机舱温度引起的对乘员舱的热传递，这种热传递同样也是乘员舱温度变化的主要因素。

因此可知热传递Qb主要与发动机温度Te（即发动机水温）、汽车机舱到乘员舱的热传递系数Ke1及发动机机舱热传递面积Se有关。

3.3 Qc分析

在分析乘员舱内部空间温度变化时，该空间内部热源也同样不应忽视，该热源主要指车内乘员人体生命活动产生的生物热Qc1及车内照明设备工作时产生的功率热Qc2。其中人体产生的Qc1主要与性别、年龄、衣着、人数有关；车内照明设备产生的功率热Qc2主要与该设备的照明功率、使用时间有关。由于乘员的性别、年龄、衣着变动较大，且若是识别乘员的性别、年龄、衣着情况，需要添加额外的传感设备，并作大量的内部识别计算，增加该模型成本，因此关于人体产生的Qc1仅看作与乘员人数n相关。

因此可知热传递Qc主要与乘员人数n、车内照明设备的功率Pz、及使用时间Tz有关。其中Tz为车辆唤醒到当前时刻的时间。

3.4 Qd分析

车内空调系统是专门为调节车内温度，以满足车内乘员舒适要求而专门设计的，在空调系统工作情况下，空调系统是引起车内温度变化的最为重要的因素，空调系统引起乘员舱温度变化主要与空调出风口温度Tk、空调出风口的单位时间出风量An、空调出风模式Mk和空调工作时间Tg有关。

综上所述，在对Qa、Qb、Qc、Qd这4种温度变化量分析之后，可知乘员舱温度变化主要与单位车身热传递系数Ke、乘员舱与外部接触的车身面积S、车外温度Tw、乘员舱初始温度T0、发动机温度Te、汽车机舱到乘员舱的热传递系数Ke1、发动机舱热传递面积Se、乘员人数n、车内照明设备的功率Pz及使用时间Tz、空调出风口温度Tk、空调出风口的单位时间出风量An、空调出风模式Mk和空调工作时间Tg等14个参数有关。

因此该模型结构中，输入层节点数为14个，隐含层数1层，隐含层节点数4个，输出层节点数1个（为乘员舱温度），具体如图3所示。

图3 模型结构框图

4 模型样本采集

根据图3模型框图结构，在计算机中构建采用人工神经网络的该温度模型，模型输入量为Ke、S、Tw、T0、Te、Ke1、Se、n、Pz、Tz、Tk、An、Mk、Tg等14个参数。

1）Ke、S、Ke1、Se这4个输入层参数相对于同款车型而言，可看作定值，具体可由计算或测量得出。

2）Tw、T0、Te、n、Pz、Tz、Tk、An、Mk和Tg，这10个输入层参数虽为变量，均可以用传感器、计时器等工具测得。

3）模型训练样本中乘员舱温度信息为该模型输出层的唯一数据，样本中它的精确性直接影响到该模型的最终结果，因此，对乘员舱温度信息的样本采集必须做到尽可能准确，现拟定乘员舱温度的采集方式如下。

取6个温度传感器，安装于乘员舱内不同位置，如图4所示。其中①号②号传感器安装在乘员舱前部，③号④号传感器安装在乘员舱尾部，⑤号传感器安装在乘员舱地板，⑥号传感器安装在乘员舱顶篷，取这6个温度传感器测量值的平均值Ti作为乘员舱温度训练样本。

图4 温度传感器安装位置示意图

4）根据以上方式采集N组训练样本，制作出样本集Xp，其中p=1，2，3……N，为保证模型精确性，需确保N足够大，

5 模型训练

在训练样本采集完成之后，便开始用样本集对人工神经网络模型进行训练，主要包含前向计算过程、误差反向过程和权值更新过程，具体流程如图5所示。

图5 人工神经网络模型训练流程图

5.1 前向计算过程

1）根据图1所示，依次从神经网络模型的输入层开始向隐含层计算。隐含层第j结点来自输入层的总输入为。其中i从1到14，为输入层节点编号，xi依次对应输入层的14个输入参数的具体数值，Wij为输入层第i个节点与隐含层第j个节点之间的权值。则隐含层第j节点的输出为Vj=f（hj），其中函数其中j从1到4，为隐含层节点编号。

其中Wjk为隐含层和输出层之间的权值，k为输出层节点数，该模型中输出层有1个输出节点。则输出层的输出为。

5.2 误差反向计算过程

2）定义该模型反向学习效率β，考虑到该模型中学习样本测量需要大量的人力、物力，因此为加速该模型的快速学习，且保证相对准确，在这里定义3个等级的学习效率，分别为β1，β2，β3，且β1＞β2＞β3；定义模型误差δ的3个门限值，分别为A，B，C，且A＞B＞C，其中定义C≤γ，γ为该模型训练完成后允许的模型最小误差。不同误差门限值对应不同的学习效率，如表1所示。

3）误差反向传播规则，采用梯度下降法调整初始权值Wjk、Wij。是误差函数δ对Wjk的负偏导；是误差函数δ对Wij的负偏导。

5.3 更新Wij、Wjk权值

Wjkn=Wjkn-1+ΔWjk。其中Wjkn-1是Wjk上一次的运算结果，Wjkn是Wjk本次运算结果；Wijn=Wijn-1+ΔWij，其中Wijn-1是Wij上一次的运算结果，Wijn是Wij本次运算结果。

根据以上逻辑，模型的每次学习，都会调整权值系数Wij、Wjk的值。

表1 不同误差门限值对应不同的学习效率

5.4 模型训练学习的完成

由于权值Wij、Wjk为负梯度更新，所以模型误差δ随着每次的训练学习总是在减小，当判定误差δ＜C时，模型即可认为该误差满足要求，更新权值，停止训练学习，即模型训练完成。

6 该模型在实车上的应用

设计该乘员舱温度模型（图6），主要目的是为了应用于车载空调系统，因此可将该温度模型集成于空调控制器内部，通过获取来自数据采集机构、乘员操作面板的相关输入信息，再结合该模型中的其他相关定值参数（如Ke、S、Ke1、Se），计算得出当前乘员舱温度，空调控制器根据当前乘员舱温度，向空调执行机构发送相关制热或制冷的命令。

图6 乘员舱温度模型控制系统框图

7 结语

该空调系统的温度调节，是基于内部的温度模型实现的，空调控制器通过对比该模型的温度值，来对执行机构发送继续制冷或制热的命令，对乘员舱温度调节具有更加积极效果。