基于S-method時頻分析的制動意圖識別方法

孫嘉兵 李志光 謝志鵬

摘 要：為了提高電動汽車制動能量回收效率，不可避免需要增加制動意圖判斷的準確率，提出了基于S-method時頻分析的制動意圖識別方法。鑒于S-method處理非平穩信號兼顧算法響應時間和時頻分辨率的優點，通過建立S-method時頻模型的基礎上，運用奇異值分解方法提取特征值。最后，運用聚類算法識別駕駛員制動意圖。實驗結果表明，該方法能實時有效識別中等制動和平緩制動。

關鍵詞：電動汽車;S-method;奇異值分解;聚類識別

中圖分類號：U467 ?文獻標識碼：B ?文章編號：1671-7988（2020）10-166-04

Brake Intent Recognition Method based on S-method Time Frequency Analysis

Sun Jiabing， Li Zhiguang， Xie Zhipeng

（Geely Automotive Research Institute （ Ningbo ） Co.， Ltd.， Zhejiang Ningbo 315000 ）

Abstract：?In order to improve the braking energy recovery efficiency of electric vehicles，?it is necessary to increase the accuracy of braking intent judgment， a method of braking intent recognition based on S-method time frequency analysis is proposed. S-method handles non-stable signals to take into account the algorithm response time and time frequency resolution， the characteristic values are extracted by using the singular value decomposition method on the basis of establishing the S-method time frequency model. Finally， the clustering algorithm is used to identify the braking intent. The results show that the method can effectively identify the medium brake and the slow braking.

Keywords：?Electric vehicles; S-method;?SVD;?Clustering identification

CLC NO.：?U467 ?Document Code： B??Article ID： 1671-7988（2020）10-166-04

1 前言

新能源汽車制動過程中，駕駛員操作制動踏板的過程中，再生制動和機械制動會以踏板意圖為判據，在運動過程中的占比隨時進行調整。再生制動的能量回收程度也決定了整車的能耗，因此提高識別駕駛員操作制動踏板的意圖非常重要，制動意圖判定的實時性和準確性對于制動能量回收效率意義重大。參考國外制動意圖識別技術現狀，可知國外在量產車型上，已經應用了制動意圖識別技術，但沒有公開技術細節。

國內學者對制動意圖識別技術進行了相關的研究，主要針對踏板行程和位移變化率以及角速度展開的相關研究，但涉及到信號處理領域和特征提取的相關研究很少。文獻[10]中對駕駛員制動意圖進行辨識視角以制動踏板角速度等為參考依據^[10]，文獻[11]中確定了以制動踏板角速度和制動管路壓力為依據識別制動意圖^?[11]。文獻[12]中以制動踏板位移為制動意圖識別的參數^[12]。文獻[13]中以制動踏板位移和變化率為特征值，在車速為參考值下識別駕駛員的制動意圖^[13]。

本文提出了基于S-method時頻分析的制動意圖識別方法。首先運用建立S-method時頻模型的基礎上，運用奇異值分解方法提取特征值，最后，運用聚類算法識別剎車意圖。實時且效識別駕駛員制動意圖。

2?S-method時頻分析

S-method時頻分析方法需要了解譜圖SP方法和魏格納-維爾分布WVD的相關概念。

2.1 譜圖SP

譜圖是線性時頻方法STFT的模平方。

STFT定義如下：

其中h（t）為用以截斷信號的窗函數。

在實際應用中，常采用它的能譜分布表示方法，即譜圖表示：

2.2 魏格納-維爾分布WVD

非穩態信號X（t），WVD是其自相關函數?的傅里葉變換形式，其WVD的表達式如下：

WVD處理線性調頻信號時，時頻聚集度最優，但在處理非穩態信號時受到交叉項干擾^[1]，會影響時頻聚集度。

2.3 S-method時頻分析方法

S-method時頻分析方法與信號譜圖SP方法和WVD關系密切，時頻分析方法定義如下：

P（θ）是一個可變的，長度很短的窗函數，當P（θ）取不同的值時，表達式會有如下的變化：

當P（θ）介于兩者之間時，S-method時頻分析方法有著優秀的時頻聚集度，混疊項同時得到抑制。

2.4?奇異值分解

奇異值分解經過分解后的奇異值穩定性能好，即矩陣中的某些元素發生變化時，其奇異值變化不明顯^[2]。

矩陣，則存在正交矩陣：

使得

即

則式（8）為矩陣A的奇異值分解。其中，U和V分別是A的奇異值向量，這種重要的矩陣分解理論有較好的穩定性，適用于工程計算。

3 聚類識別

K-均值聚類算法應用于奇異值向量，對制動踏板意圖進行聚類識別。算法的步驟如下^[3]。

（1）假設k個聚類中心的數據集，計算數據集中每個元素與各聚類中心的距離，其中i=1，2…，n，j=1，2，…，k，找到每個元素最近的聚類中心，并將每個元素歸到該聚類中心，此時。

（2）計算新的聚類中心

（3）迭代終止條件

如果J收斂迭代停止，否則重復步驟（1）繼續。

4 基于S-method時頻分析的制動意圖識別

4.1 制動意圖識別算法流程

S-method時頻分析方法在處理時域制動信號優于WVD和SP方法，通過S-method時頻分析方法將制動時域信號轉換成時頻譜圖，再將時頻譜圖看成一個矩陣平面，然后將矩陣平面進行奇異值分解，得到特征向量，最后用聚類識別的算法將制動信號進行快速識別，有效快速的識別出制動類型，為電動汽車能量有效回收提供依據。流程圖見圖1。

4.2 S-method時頻矩陣的奇異值分解

圖2和圖3分別為截取的一段中等制動和平穩制動踏板信號數據，采用S-method時頻分析方法得到時頻譜矩陣，通過對比圖4和圖5時頻矩陣可以看出兩種信號的幅值在頻率和時間的分布特征差別明顯，沒有出現混疊干擾。

將通過S-method時頻分析方法得到的時頻譜矩陣進行奇異值分解計算求得特征向量序列。從圖6可以看出兩種工況的奇異值向量特征差別明顯，可以作為判斷依據。

5 實驗驗證

5.1 離線驗證

分別選擇5組中等制動數據和5組平緩制動數據作為檢測樣本數據^[4]，分別按照順序進行編號，根據前述的方法求得奇異值向量，并將前三階奇異值作為特征值進行聚類意圖識別，因為從圖6可以看出階次靠前的數據具有明顯的特征差別。識別結果表2所示。

表1可以得出，兩類制動意圖被識別算法準確歸類，樣本數據的正確歸類，足以說明該算法得到的判據具有較強的魯棒性，證明了該方法的有效性。

5.2 實時驗證

實時驗證采用某混動型SUV動態測試臺架，采用CANoe設備中的I/O通道進行制動踏板行程的電壓模擬量進行數據采集，將采集到的數據通過CANoe/MATLAB接口導入到MATLAB中，實現CANoe與MATLAB的關聯，通過要求駕駛員操作制動踏板平緩制動和中等制動交替進行采集。通過該算法的計算，識別結果如圖7所示?；赟-method時頻分析算法可以準確的識別駕駛員的制動意圖。并且后期在操作頻度加快時也能正確識別制動意圖，從每次制動到識別出制動意圖的時間都在0.4s以內，符合制動意圖響應速度要求。

6 結論

（1）S-method時頻分析方法保持了較好的時頻聚集度，兼顧了算法響應時間和時頻分辨率，得到的時頻矩陣保留了更有效的時頻信息，經過奇異值分解后得到的特征向量魯棒性更強，為識別出制動類型提供有效的判據。

（2）基于S-method時頻分析算法有著較好的實時性。離線實驗表明，可實時對駕駛員操作制動踏板意圖進行準確辨識，在線實驗表明，本算法可實時并且準確對制動意圖進行辨識，具有一定的參考價值。

參考文獻

[1]?李秀梅，楊國青.幾種時頻方法的性能比較[J].計算機仿真，2015， 32（3）：220-224.

[2]?秦洪懋，孫嘉兵，孫寧.基于Winger分布和奇異值分解的軸承故障診斷[J].機械強度，2015，37（1）：028-031.

[3]?王波，唐先智，等.基于EEMD和熵理論的汽車制動意圖識別方法[J].汽車工程，2018，40（8）：935-941.

[4]?唐先智，王波，楊樹軍，等.基于Hilbert-Huang變換的制動意圖聚類識別[J].汽車工程，2016，38（5）：580-586.

[5]?TANG L，LV H，TU L.An EEMD-based multi-csale fuzzy entro-py approach for complexity analysis in clean energy markets[J].?Applied Soft Computing，2017，56：124-133.

[6]?MOHAMMED A A，HARISS M，NUAWI M Z.Utilizing Hilbert-?Huang transform in detection some of mechanical properties of the refractory metals[J].Mechanical Systems &?Signal Processing，?2016，s 68-69（19） ：449-461.

[7]?ZVOKELJ M，ZUPAN S，PREBIL I.EEMD-based multiscale ICA method for slewing bearing fault detection and diagnosis[J].Journal of Sound&Vibration，2016，370： 394-423.

[8]?SHEN C，LI J，ZHANG X，et al.A noise reduction method for dual-?mass micro-electromechanical gyroscopes based on sample entropy empirical mode decomposition and timefrequencypeakfil?tering?[J].Sensors，2016，16（6）.

[9]?SHAHRIVARI S，JALILI S.Single-pass and linear-time k-means

clustering based on Map Reduce[J].?Information Systems，2016，60?（C）：1-12.

[10]?孫逸神.基于模糊邏輯的制動意圖離線識別方法研究[J].北京汽車，2009（6）：21-23.

[11]?張元才，余卓平，徐樂，等.基于制動意圖的電動汽車復合制動系統制動力分配策略研究[J].汽車工程，2009，31（3）：244-249.

[12]?王英范，寧國寶，余卓平.乘用車駕駛員制動意圖識別參數的選擇[J].汽車工程，2011，33（3）：213-216.

[13]?林逸，沈沉，王軍，等.汽車線控制動技術及發展[J].汽車技術，2005 （12）：1-3.

[14] ROODY S S.Modeling drivers' behavior during panic braking for brake assist application，using neural networks and logistic regres?-sion and a comparison[C].SAE Paper 2011-01-2384.

[15]?王慶年，王俊，陳慧勇，等.混合動力車輛中的加速與制動意圖識別[J].吉林大學學報（工學版），2014，44（2）：281-286