对车辆参数循环建模的方法技术

一种对车辆参数循环进行建模的方法，包括生成多个训练集，基于该车辆参数的当前值和该车辆参数随后的变化对每个训练集的元素进行部分地分类。本方法进一步包括基于该元素将该多个训练集减少到相应的多个参数集，和基于一个值和该值的历史定义该参数集的多个统计分组。

Cycle modeling method for vehicle parameters

A method for modeling vehicle parameter loops includes generating a plurality of training sets, classifying elements of each training set based on the current values of the vehicle parameters and the subsequent variations of the vehicle parameters. The method further includes reducing the plurality of training sets to the corresponding plurality of parameter sets based on the element, and defining a plurality of statistical groups of the parameter set based on the history of a value and the value.

【技术实现步骤摘要】

本专利技术涉及车辆工作参数的随机建模，更具体地涉及工作参数循环的近似马尔可夫模型。
技术介绍
车辆动力系一般包括单个或多个动力装置，用于产生传动转矩以驱动一个或多个车轮。该动力装置产生的传动转矩通过动力传动系统(driveline)传递到车轮。动力传动系统部件包括但不限于传动装置(transmission)、动力输出单元(PTU)、变速箱(transfer case)、等速万向节(CVJ)、半轴、推进轴(propshaft)、差速器和转矩偏置系统(例如离合器系统)。设计车辆动力系的一个挑战是理解该动力系将被如何使用。动力系控制系统必须基于不确定或可变的工作参数重复做出控制决定，该工作参数包括但不限于操作员输入(例如油门)。该控制决定一般是在获得该操作员命令时设法优化动力系性能和能耗。通常在一些即时利益和可能的未来利益之间存在折衷。而且，当前的控制决定会影响未来的控制决定和利益。在该控制系统的设计中实施随机动态编程(SDP)。能够在控制系统设计中应用SDP的关键概念是，该应用的随机特性模型以及当在车辆中使用该控制时实时工作以估计该随机模型中的特征的估计。传统模型，包括马尔可夫模型，是相当巨大的并且生成极大数量的自由变量。这限制了该控制系统的性能。例如，处理传统模型的处理器将是不充分的，而需要更强大的处理器。这导致了额外的成本和处理复杂性。
技术实现思路
因而，本专利技术提供了一种对车辆参数的循环进行建模的方法。本方法包括，生成多个训练集，和基于该车辆参数的当前值和该车辆参数随后的变化而对每个训练集的元素进行部分地分类。本专利技术进一步包括基于该元素将该多个训练集减少到相应的多个参数集，并且基于一个值和该值的历史记录定义该参数集的多个统计分组。在一个特征中，该多个训练集的每个均包括多个参数向量。在另一特征中，本专利技术进一步包括，对每个训练集加权，从而使得特定训练集的最近元素比该特定训练集中的较早元素对该统计分组具有更大的影响。在另一特征中，本专利技术进一步包括基于每个训练集的各个低阶表示对每个训练集进行近似。在又一特征中，该定义多个统计分组的步骤包括对该训练集进行聚类分析以生成该统计分组。该聚类分析是基于该值和多个历史值而进行的。根据下文给出的详细说明，本专利技术可适用的其他领域将会变得清楚。应当理解，虽然该详细说明和特定示例指示了本专利技术的示例性实施例，但是其仅用于例示的目的，而不是要限制本专利技术的范围。附图说明根据该详细说明和附图，本专利技术将会被更透彻地理解，其中图1是图形表示的用于示例性车辆参数的训练集的汇编；图2是示出建立该车辆参数的条件概率模型(CPM)所执行的步骤的流程图；图3是显示使用单个历史样本对示例性车速进行聚类的图；图4是显示使用多个历史样本对示例性车速进行聚类的图；图5是未来车速的示例性概率分布的图表；图6是显示基于本专利技术的CPM控制车辆工作所执行的步骤的流程图。具体实施例方式以下对本专利技术的各种实施例的说明实质上仅是示例性的，而决不是为了限制本专利技术、其应用或用途。为了清楚起见，在附图中将使用相同的标记数字标记相似的元件。本专利技术提供了一个条件概率模型(CPM)，可用于预测车辆工作参数的未来状态。该CPM是随机模型，可以实现为马尔可夫模型的近似。术语马尔可夫模型或隐马尔可夫模型(HMM)是指一个有限状态集，其中每一个状态都具有相关联的概率分布。该概率分布是多维的。转换概率控制状态间的转换。对于一个特定的状态，可以基于该相关联的概率分布生成观测值。本专利技术的CPM能够实现依赖于车辆参数的预测或车辆参数的统计描述的控制系统。该CPM可以用于为随机动态编程(SDP)而对车辆使用的随机特性建模。该CPM对于混合电动车(hybrid-electricvehicle)(HEV)的情况特别有用。该CPM还可以实施为用于控制规则的随机状态的估计器。此外，该CPM可以用作预览生成器，为该车辆可能的未来使用生成预览。该CPM可以自适应地更新以考虑特定车辆的使用特性。现在参照图1，示例性车辆参数包括车速。虽然这里使用速度描述该CPM，但是可以理解，可以对于任何其他车辆工作参数类似地建立和实施该CPM，该车辆工作参数包括但不限于转矩、引擎RPM、传动齿轮、交流发电机占空比、电池负载、燃料电池负载、排放(emission)或用于任何类型车辆(例如内燃机、燃料电池、电、混合电等)的任何其他随机工作参数。为多个参数循环提供训练集。该训练集由包含速度与时间关系的多个示例性驱动循环构成。条件概率是在给定其他已知信息时事件发生的概率。该CPM通过从该训练集中推断的条件概率对车速建模。下一个速度(Vk+1)的概率是以在前速度的历史和该训练集为条件。该关系表征如下Pr(Vk+1|Vk，Vk-1，...，Vk-N，D)(1)其中Vk表示当前时间步长的车速，而D表示该训练集。该训练集被减少到参数集，并且基于该参数集计算该条件概率。该关系表征如下Pr(Vk+1|Vk，Vk-1，...，Vk-N，θ) (2)其中Vk表示当前时间步长的车速，而θ表示该参数集。该参数集是该训练集的低阶表示(lower order representation)。例如，该训练集提供了使用大量变量描述速度的向量，从而在每个时间点提供该速度的确切值。该参数集是使用减少数量的变量对该速度进行的低阶近似。公式2提供了该条件概率，以使得能够观察该模型并且在模拟中使用它。然而，对于该条件概率已经发展了更简洁的表示。更特别地，该简洁表示包含条件概率和动态方程，提供如下 Pr((Vk+1-Vk)|Vk，(Vk-Vk-1)，(Vk-1-Vk-2)，...，(Vk-N+1-Vk-N)，θ)(3) 现在参照图2，通过初始选择模型阶来建立该CPM。该模型阶确定该概率以过去多远为条件。并且，添加加权因子以减少更远的(即较早的)数据的影响。该原始数据集被减少以训练该训练集(D)中的向量并且被划分为类别(ωi)。该原始数据集包括表示该车辆在每个时间步长的速度的一组可变长度向量。对该训练向量执行分析以将它们分组为聚类(cluster)。该数据减少过程以该原始数据集(D)开始。因为该速度的变化是有界的，所以创建该训练集(Di，j)以反映该速度变化的历史(vi，k-vi，k-1)。该速度的变化被加权从而使得过去的变化比更近的变化更少被定标。为达到这一点，使用加权因子(wi)。初始分类(ωi)被分配给该训练集中的每个元素。该分类是基于速度的下一个变化和当前速度的。为此，建立下列关系D={V‾1,V‾2,...,V‾k}----(5)]]>V‾i=t----(6)]]>Di，j＝((vi，k-vi，k-1)·w1，(vi，k-1-vi，k-2)·w2，...，(vi，k-N+1-vi，k-N)·wN) (7)ωi,j=vi,k+1-vi,kvi,k---(8)]]>然后将Di，j和wi，j用于聚类分析。通过聚类分析对Di，j和wi，j进行处理。聚类分析可以通过多种方式进行。聚类分析用于将数据分类为分组或聚类中，从而在相同聚类中的数据之间的关联度较强，而在不同聚类中的数据之本文档来自技高网...

【技术保护点】
一种对车辆参数的循环进行建模的方法，包括：　　　　生成多个训练集；　　　　基于所述车辆参数的当前值和所述车辆参数随后的变化对每个训练集的元素进行部分地分类；　　　　基于所述元素将所述多个训练集减少到相应的多个参数集；和　　　　基于一个值和该值的历史定义所述参数集的多个统计分组。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：ED小塔特，
申请(专利权)人：通用汽车公司，
类型：发明
国别省市：US[美国]