基于優化篩選的汽車道路滑行阻力數據處理

赫圣杰

（中國第一汽車股份有限公司天津技術開發分公司）

汽車道路滑行阻力即汽車在道路上的等速行駛阻力，對能耗排放等性能的研究具有重要意義。一般是通過道路滑行阻力試驗測量汽車行駛阻力。目前試驗還是按照GB 18352.5—2013《輕型汽車污染物排放限值及測量方法（中國第V階段）》的附件CH中的規定進行試驗[1]。目前，在數據處理過程中，道路試驗工程師在進行數據處理時大多采用人工篩選法[2]，與人工篩選法相比，自篩選算法更加準確可靠，不但有效地減少了道路試驗工程師和駕駛員的工作量，而且降低了試驗成本。但自篩選算法快速找出的合格數組并不一定是最優數組，其代表的阻力曲線也不一定為最優阻力曲線。文章提出了一種優篩選算法，該算法在自篩選算法的基礎上對數組子集判定和選取過程進行優化，通過計算得到最優阻力曲線及對應的最優數組。該算法可有效地縮短試驗時間，降低試驗成本，也有助于企業更充分地利用有限的試驗資源。

1 道路滑行阻力試驗

道路滑行阻力試驗的目的在于測量汽車在道路上等速行駛時的阻力，以便可以在底盤測功機上模擬該阻力進行綜合油耗試驗、整車排放試驗及發動機標定等工作。

1.1 試驗條件

文獻[1]的附件CH對滑行阻力測量試驗的試驗條件及試驗準備做出了明確規定，大氣壓力及溫度采用試驗時空氣體積質量與基準狀態的偏差（±7.5%）進行監控，空氣體積質量的計算，如式（1）所示。

式中：ρ——在溫度和壓力狀態下的干空氣體積質量，kg/m3；

ρ0——在0℃和0.101 3 MPa狀態下的干空氣體積質量，ρ0=1.293 kg/m3；

P——絕對壓力，MPa；

t——溫度，℃。

由此得到基準狀態下空氣體積質量為1.189 kg/m3，允許試驗的空氣體積質量范圍為1.100～1.278 kg/m3。

1.2 試驗方法

將汽車加速到比選定試驗車速（V/（km/h））高出10 km/h的車速，變速器置于“空擋”位置。測量汽車從V2=V+ΔV減速至V1=V1-ΔV所需時間（T1/s），一般ΔV=5 km/h。在相反方向進行同樣的試驗,測量V2減速至V1所需時間（T2/s）。計算T1和T2的算術平均值Ti。

Ti——單次試驗平均滑行時間，s；

n——試驗次數，次。

式中：τ——標準系數，由表1給定；

s——標準偏差。

表1 標準系數表

2 數據處理方法

2.1 自篩選算法

自篩選算法的核心思想是窮舉法，即是將所有滑行數據組視為一個母集合，將集合內的數組通過排列組合形成子集合，逐個對各子集合進行判定，從中挑出符合判定的子集合，子集合內的數組即為有效數據組。

相比傳統人工篩選法，自篩選算法進行滑行阻力數據處理更為快捷可靠，但也存在一定缺陷：自篩選算法可以迅速地找到符合判定的有效數據組，但無法保證該數據組為最優解。簡單來說，自篩選算法僅僅對數據組的有效性進行判定，從頭至尾遍歷數據，是篩選到的第1個合格數據組。該組數據符合判定要求，但也可能是一般甚至較差的數據，導致用其計算得到的滑行阻力偏大。

2.2 優篩選算法

優篩選算法以自篩選算法為基礎，對數組子集判定和選取過程進行優化：

1）在高低速段分別找到符合判定標準的所有子集合。

2）將高低速段的子集合進行全排列匹配，得到滑行時間數組（T120～10）。

3）計算 T120～10對應的滑行阻力數組（F120～10），如式（4）所示。

式中：F120～10——滑行阻力數組，N；

mr——基準質量，kg；

T120～10——滑行時間數組，s；

k——阻力系數。

4）運用最小二乘法進行二項式擬合，得到滑行阻力曲線參數，通過該參數，計算擬合阻力數組F'120～10。

5）計算擬合阻力和值，找到最小和值Fi=min（F'120～10），該值所對應的 Ti即為最優解。

6）逆向匹配在T120～10中找到Ti對應的高低速段子集合作為原始數據。

優篩選算法在自篩選算法的基礎上，以擬合后滑行阻力和值作為判定依據對通過判定的數據進行優選，通過此方法可以得到滑行阻力通帶，如圖1所示[3]，工程師可以根據實際情況在阻力通帶中選擇合適的滑行阻力曲線作為試驗結果。

圖1 汽車道路滑行阻力試驗通帶曲線圖

3 實例分析

3.1 試驗汽車

試驗汽車為國產某品牌轎車，基準質量1 285 kg。試驗汽車運行狀況良好，磨合3 000 km后調整完畢，輪胎型號為205/50 R16，輪胎氣壓230 kPa，輪胎花紋符合試驗要求，其余項目均已確認。

3.2 試驗設備和試驗場地

試驗設備包括風速儀、空盒氣壓表及整車動態性能測試系統，試驗設備參數，如表2所示。試驗場地為交通部公路交通試驗場（北京試驗場）性能試驗道路（長直線）。

表2 道路試驗設備參數表

3.3 試驗數據采集

滑行試驗的起始車速為125 km/h，結束車速為5km/h。在實際試驗過程中，起始車速最高可達130km/h，結束車速為0。受試驗場地長度限制，滑行試驗一般都分2段進行[4-5]。

本次試驗時環境溫度18.3℃，大氣壓力101.3kPa，高速段取 125～65 km/h、低速段取 75～5 km/h，試驗員在高低速段分別進行了14次及11次滑行試驗，采得滑行數據，如表3和表4所示。

表3 高速段滑行時間原始數據表 s

表4 低速段滑行時間原始數據表 s

3.4 試驗數據處理

3.4.1 自篩選算法試驗結果

采用自篩選算法對試驗數據進行處理，得到高速段合格的組合為第 2，3，4，5，8，9 及 10 組，低速段合格的組合為第1，3，6，8及9組。假定阻力系數為1.5%，通過計算得到滑行阻力數組，如表5所示。并運用最小二乘法進行二項式擬合得到曲線方程，如式（5）所示。

式中:F——滑行阻力，N；

V——試驗車速，km/h。

表5 滑行阻力試驗-自篩選算法試驗結果表

3.4.2 優篩選算法試驗結果

采用優篩選算法對試驗數據進行處理，得到高速段合格的組合為第 3，4，5，6，8，10，12，13 及 14 組，低速段合格的組合為第3，4，6，8，9及11組。假定阻力系數為1.5%，通過式（4）計算得到滑行阻力數組，如表6所示。并運用最小二乘法進行二項式擬合得到曲線方程，如式（6）所示。

表6 滑行阻力試驗-優篩選算法試驗結果表

3.4.3 試驗結果對比

本次試驗中，可找到高速段共有15 927個數據組合，其中合格的有29組數據；低速段共有1 945個數據組合，合格的有41組數據。合格數據組全排列匹配后共計1 189個組合，即可以得到1 189條阻力曲線。

自篩選算法為順序查找，輸出的結果為高低速段的第1組合格數據，也就是全排列匹配組合中的第1組數據。該組數據所代表阻力曲線不一定是這1189條當中的最優解。

通過優篩選算法，將全排列匹配后得到的1 189組數據分別進行特征點阻力計算并求其和值，取阻力和值最小的數據組作為輸出。結果顯示，高速段第20組和低速段第15組匹配得到的數據為最優數據（全排列第794組數據），其代表了此次試驗所能得到的最小滑行阻力曲線。

優篩選算法得到的特征點阻力和值比自篩選算法少30 N，特征點滑行總時間延長0.727 s。對于此次試驗而言，兩者特征點阻力和值偏差為0.62%，幾乎可以忽略，但在110 km/h特征點處的阻力值減少了2.26%。經實車驗證，優篩選算法得到的阻力曲線使汽車的綜合油耗降低了1.55%。

4 結論

文章分析了自篩選算法的優點與不足之處，并在此基礎上提出了優篩選算法。優篩選算法對全部合格數組進行分析、重組及篩選，從中找到最優數據及對應的最優滑行阻力曲線。實例證明優篩選算法所提供的滑行阻力曲線可以有效地降低汽車的綜合油耗值。另外，滑行阻力通帶概念的提出為汽車道路滑行阻力的研究工作提供了一個新的方向。