一种新的汽车行驶工况构造方法技术

本发明专利技术公开一种新的汽车行驶工况构造方法，由于汽车行驶数据的采集设备直接记录的原始采集数据往往会包含一些不良数据，因此，需设计合理的方法对原始不良数据进行预处理，从而完成运动学片段的提取根据上述经预处理后的数据，利用主成分分析和聚类分析法，生成一条能体现参与数据采集汽车行驶特征的汽车行驶工况曲线，并与原始数据进行比较，归纳检验结果。选取计算9个特征参数，尝试了一种新的加速、减速、怠速和匀速工况的划分标准，得到了一种基于城市典型道路的实际速度、加速度等特征参数的行驶工况；使得到的汽车行驶工况曲线，有助于相关部门制定反映实际道路行驶情况的测试工况，进而提高汽车能耗的管理水平。进而提高汽车能耗的管理水平。

【技术实现步骤摘要】
一种新的汽车行驶工况构造方法


[0001]本专利技术涉及一种数据驱动方法，具体涉及一种新的汽车行驶工况构造方法。

技术介绍

[0002]汽车行驶工况(Driving Cycle)又称车辆测试循环，是描述汽车行驶的速度
‑
时间曲线。行驶工况作为车辆能耗/排放测试方法和限值标准的基础，体现汽车道路行驶的运动学特征，是汽车行业的一项重要的、共性基础技术，也是汽车各项性能指标标定优化时的主要基准[1]。本世纪初，我国直接采用新欧洲标准行驶循环(NEDC)行驶工况对汽车产品能耗/排放的认证[2]。近年来，随着汽车保有量的快速增长，我国道路交通状况发生很大变化，政府、企业和民众日渐发现以NEDC工况为基准所优化标定的汽车，实际油耗与法规认证结果偏差越来越大[3]。欧洲在多年的实践中也发现NEDC工况的诸多不足，转而采用世界轻型车测试循环(WLTC)，但该工况怠速时间比和平均速度这两个最主要的工况特征，与我国实际汽车行驶工况的差异更大[4]。另一方面，我国地域辽广，各个城市的发展程度、气候条件及交通状况的不同，使得各个城市的汽车行驶工况特征存在明显的不同[5]。为了更好地理解建立汽车行驶工况曲线的重要性，深入研究作为车辆开发、评价的基础的依据，制定反映我国实际道路行驶状况的测试工况，显得越来越重要。

技术实现思路

[0003]针对上述现有技术存在的问题，由于汽车行驶数据的采集设备直接记录的原始采集数据往往会包含一些不良数据，因此，需设计合理的方法对原始不良数据进行预处理，从而完成运动学片段的提取根据上述经预处理后的数据，利用主成分分析和聚类分析法，生成一条能体现参与数据采集汽车行驶特征的汽车行驶工况曲线，并与原始数据进行比较，归纳检验结果。
[0004]为了实现上述目的，本专利技术采用的技术方案是：一种新的汽车行驶工况构造方法，包括如下步骤：
[0005]步骤一、数据预处理：
[0006]对数据产生影响的情况进行了数据的分析预处理，具体步骤如下：
[0007](1)针对GPS信号缺失数据的处理，此时将不连续段的数据变成连续段的数据；为判断时间数据的连续性，通过时间序列分析；直接提取连续的时间片段，从而直接对每个连续的时间片段进行数据分析；
[0008](2)针对长时间低速行驶的数据处理，将该数据的速度直接赋值为0m/s，此时的数据仍然是连续的时间段；
[0009](3)对加、减速度异常情况的处理，对异常的数据直接去除，此时连续段的时间数据变成不连续段的时间数据；根据每一时刻的加速度公式，计算得出该车每一时刻的加速度，如式(1)所示：
[0010][0011]式中，a
k,k
‑1为第k秒和第k
‑
1秒之间加速度，v
k
为第k秒速度，t
k
为第k秒时刻，N为连续段内总点数；由于认为一辆汽车从0km/h至100km/h的加速时间大于7s，即一般汽车的最大加速度为3.968m/s2，同时最大减速度为7.5～8m/s2，根据这两个判断标准，对不在该加速度范围内的数据进行剔除；
[0012](4)由于步骤(3)中剔除了加减速度异常的数据，此时部分连续时间段数据变成不连续数据；需继续对不连续的数据段重复步骤(1)的处理方法，使之变成连续的数据段；
[0013](5)针对怠速数据的处理，对每一个连续时间段，将怠速时间超过180s的数据部分进行删除，保留小于180s的怠速部分；因为该数据的处理过程是在连续片段内进行的，故最后仍可以得出连续的时间片段。
[0014]步骤二、运动学片段提取
[0015]从步骤一中处理后的有效数据中提取出若干个运动学片段；
[0016]运动学片段是指汽车从怠速状态开始至下一个怠速状态开始之间的车速区间，将汽车的行驶过程视为多个运动学片段的组合；
[0017]运动学片段划分主要有两种方法，一种开始于怠速起点终止于下一个怠速起点；另一种开始于怠速终点终止于下一个怠速终点；
[0018]步骤三、汽车行驶工况建立：
[0019](1)特征参数的选取：通过数据处理后得到的运动学片段数据库，确定9个特征参数来代表，运动学片段信息，并计算完成了每个运动学片段特征参数，得到运动学片段特征参数数据库；
[0020]9个特征参数分别为平均速度v
m
、平均行驶速度v
r
、平均加速度a
w
、平均减速度a
d
、怠速时间比P0、加速时间比P
w
、减速时间比P
d
、速度标准差σ
v
、加速度标准差σ
a
；
[0021](2)主成分分析：运用主成分分析，在不致损失原变量太多信息的条件下尽可能地减小数据变量个数，降低数据维度、简化计算，得出采用3个主成分变量来代替原来的9个特征参数数据，即，通过SPSS软件得到的协方差矩阵、特征值和原始变量标准化后的数据计算得出3个主成分变量；
[0022](3)K
‑
Means聚类分析：
[0023]聚类分析算法的核心是确定中心点，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇；选取的K值决定了样本的聚类效果；让簇内的点的距离尽量小，而让簇间的距离尽量的大，采用的聚类距离为欧氏距离，如式(14)所示：
[0024][0025]将步骤三中(2)中主成分分析得到的3个主成分，运用SAS软件中的procfastclus过程对这三个主成分进行K
‑
Means聚类分析；经主成分分析的数据聚成三类行驶工况，分别为1类为拥堵，2类为畅通，3类为特别拥堵；
[0026](4)工况曲线拟合
[0027]距离最终聚点距离越近的运动学片段的汽车行驶工况曲线，越能代表该类别的总体汽车行驶工况曲线；
[0028]从聚类后的各个类别中提取一定的比例的片段进行拟合，最终将各个类别的片段组合构成一条长度在规定时间内的汽车行驶工况曲线。
[0029]进一步的，所述对步骤二中的第一种方案进行运动学片段分析，因此需找出怠速时段的怠速起点和运动学片段的最后一个速度为0m/s的点，进行划分运动学片段；
[0030]怠速时段的怠速起点，即速度、加速度取值同为0；与运动学片段的最后一个速度为0m/s的点为同一点；由于一个完整的运动学片段中，与怠速起点的速度和加速度特征的相同的点不止一个，而满足怠速终点特征的的点只有一个；因此，只需要找到连续片段最后一个速度为0m/s的点；已知最后一个速度为0m/s的点同时满足如下特征如式(2)所示：
[0031][0032]进一步的，所述步骤三中(2)主成分分析运用主成分分析，在不致损失原变量太多信息的条件下尽可能地减小数据变量个数，降低数据维度、简化计算；每个主成分的贡献率计算方法如式(13)所示：
[0033][0034]其中，λ1，λ2，
…
...

【技术保护点】

【技术特征摘要】
1.一种新的汽车行驶工况构造方法，其特征在于：包括如下步骤：步骤一、数据预处理：对数据产生影响的情况进行了数据的分析预处理，具体步骤如下：(1)针对GPS信号缺失数据的处理，此时将不连续段的数据变成连续段的数据；为判断时间数据的连续性，通过时间序列分析；直接提取连续的时间片段，从而直接对每个连续的时间片段进行数据分析；(2)针对长时间低速行驶的数据处理，将该数据的速度直接赋值为0m/s，此时的数据仍然是连续的时间段；(3)对加、减速度异常情况的处理，对异常的数据直接去除，此时连续段的时间数据变成不连续段的时间数据；根据每一时刻的加速度公式，计算得出该车每一时刻的加速度，如式(1)所示：式中，a
k,k
‑1为第k秒和第k
‑
1秒之间加速度，v
k
为第k秒速度，t
k
为第k秒时刻，N为连续段内总点数；由于认为一辆汽车从0km/h至100km/h的加速时间大于7s，即一般汽车的最大加速度为3.968m/s2，同时最大减速度为7.5～8m/s2，根据这两个判断标准，对不在该加速度范围内的数据进行剔除；(4)由于步骤(3)中剔除了加减速度异常的数据，此时部分连续时间段数据变成不连续数据；需继续对不连续的数据段重复步骤(1)的处理方法，使之变成连续的数据段；(5)针对怠速数据的处理，对每一个连续时间段，将怠速时间超过180s的数据部分进行删除，保留小于180s的怠速部分；因为该数据的处理过程是在连续片段内进行的，故最后仍可以得出连续的时间片段。步骤二、运动学片段提取从步骤一中处理后的有效数据中提取出若干个运动学片段；运动学片段是指汽车从怠速状态开始至下一个怠速状态开始之间的车速区间，将汽车的行驶过程视为多个运动学片段的组合；运动学片段划分主要有两种方法，一种开始于怠速起点终止于下一个怠速起点；另一种开始于怠速终点终止于下一个怠速终点；步骤三、汽车行驶工况建立：(1)特征参数的选取：通过数据处理后得到的运动学片段数据库，确定9个特征参数来代表，运动学片段信息，并计算完成了每个运动学片段特征参数，得到运动学片段特征参数数据库；9个特征参数分别为平均速度v
m
、平均行驶速度v
r
、平均加速度a
w
、平均减速度a
d
、怠速时间比P0、加速时间比P
w
、减速时间比P
d
、速度标准差σ
v
、加速度标准差σ
a
；(2)主成分分析：运用主成分分析，在不致损失原变量太多信息的条件下尽可能地减小数据变量个数，降低数据维度、简化计算，得出采用3个主成分变量来代替原来的9个特征参数数据，即，通过SPSS软件得到的协方差矩阵、特征值和原始变量标准化后的数据计算得出3个主成分变量；(3)K
‑
Means聚类分析：
聚类分析算法的核心是确定中心点，对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇；选取的K值决定了样本的聚类效果；让簇内的点的距离尽量小，而让簇间的距离尽量的大，采用的聚类距离为欧氏距离，如式(14)所示：将步骤三中(2)中主成分分析得到的3个主成分，运用SAS软件中的procfas...

【专利技术属性】
技术研发人员：金晶亮，温晴岚，张霰月，程思齐，张庆亮，郭晓君，
申请(专利权)人：南通大学，
类型：发明
国别省市：