城市道路汽車行駛工況的構(gòu)建

朱彤

摘 要：汽車行駛工況是汽車各項(xiàng)性能指標(biāo)進(jìn)行標(biāo)定優(yōu)化時(shí)的主要基準(zhǔn)。文章根據(jù)某城市實(shí)時(shí)采集的乘用車數(shù)據(jù)，在對(duì)數(shù)據(jù)進(jìn)行預(yù)處理的基礎(chǔ)上，基于K均值聚類分析法對(duì)汽車運(yùn)動(dòng)學(xué)片段曲線的特征極值進(jìn)行劃分，利用運(yùn)動(dòng)學(xué)片段間的“親疏程度”篩選出汽車行駛工況的候選片段，從而構(gòu)建出一條最貼合該城市內(nèi)車輛實(shí)際運(yùn)行情況的行駛工況曲線。

關(guān)鍵詞：汽車行駛工況;預(yù)處理;特征提取;K均值聚類分析

中圖分類號(hào)：U467 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：1671-7988（2020）11-250-04

Abstract：?Driving cycle is the main benchmark for the calibration and optimization of vehicle performance indicators. Based on the real-time collected passenger car data of a city， on the basis of preprocessing the data， this paper divides the feature extremum of the kinematic segment curve of the vehicle based on the K-means clustering analysis method， and selects the candidate segments of the vehicle driving conditions by using the "affinity degree" between the kinematic segments， so as to build a driving cycle mode that fits the actual operation of the vehicle in the city best.

Keywords： Driving cycle;?Preprocessing;?Feature extraction;?K-means clustering analysis

CLC NO.： U467 ?Document Code： A ?Article ID： 1671-7988（2020）11-250-04

前言

汽車行駛工況又稱車輛測(cè)試循環(huán)，它本是用汽車在一定時(shí)間段內(nèi)（一般時(shí)間范圍為1800s）的行駛時(shí)速度-時(shí)間曲線圖。因其能體現(xiàn)出汽車在道路行駛時(shí)的運(yùn)動(dòng)學(xué)特征，所以成為車輛能耗/排放測(cè)試方法和限值標(biāo)準(zhǔn)的基礎(chǔ)，更是汽車各項(xiàng)性能指標(biāo)標(biāo)定優(yōu)化時(shí)的主要基準(zhǔn)。

本世紀(jì)以來(lái)，我國(guó)汽車行業(yè)相關(guān)技術(shù)標(biāo)準(zhǔn)多以引用國(guó)外標(biāo)準(zhǔn)為主，而行駛工況采用的是歐洲的NEDC行駛工況[1]。隨著經(jīng)濟(jì)的快速發(fā)展，我國(guó)汽車保有量迅速上升，國(guó)內(nèi)城市的交通狀況發(fā)生很大改變，原先采用的NEDC行駛工況標(biāo)準(zhǔn)已經(jīng)開(kāi)始不適應(yīng)新時(shí)代的交通狀況。汽車行駛工況作為汽車行業(yè)創(chuàng)新開(kāi)發(fā)、指標(biāo)評(píng)價(jià)的重要基礎(chǔ)依據(jù)，本身就具有極高的深入研究?jī)r(jià)值，而我國(guó)由于社會(huì)發(fā)展差異化及國(guó)情的特殊性，對(duì)汽車行駛工況普遍特征的總結(jié)和特殊特征的深度挖掘更存在著迫切需要。

本文利用某城市實(shí)時(shí)采集的同一輛輕型汽車實(shí)際行駛數(shù)據(jù)（采樣頻率1Hz），搭建了一個(gè)符合城市道路情況的汽車行駛工況模型。在經(jīng)過(guò)對(duì)離散數(shù)據(jù)的插值擬合與不良數(shù)據(jù)的剔除后，劃分提取出符合實(shí)際運(yùn)動(dòng)特性的運(yùn)動(dòng)學(xué)片段，然后基于運(yùn)動(dòng)學(xué)片段分析法、主成分分析法對(duì)實(shí)測(cè)汽車數(shù)據(jù)進(jìn)行降維，經(jīng)模式識(shí)別提取運(yùn)動(dòng)學(xué)片段曲線的特征極值。

在此基礎(chǔ)上，基于K均值聚類分析法對(duì)汽車運(yùn)動(dòng)學(xué)片段曲線的特征極值進(jìn)行劃分，利用運(yùn)動(dòng)學(xué)片段間的“親疏程度”篩選出汽車行駛工況的候選片段，從而構(gòu)建出一條最貼合該城市內(nèi)車輛實(shí)際運(yùn)行情況的行駛工況曲線。

1?數(shù)據(jù)預(yù)處理

在汽車行駛工況的構(gòu)建過(guò)程中，由于傳輸信號(hào)不穩(wěn)定、電磁干擾、解碼錯(cuò)誤等各種原因會(huì)不可避免地導(dǎo)致所采集數(shù)據(jù)的質(zhì)量嚴(yán)重下降。為提高數(shù)據(jù)質(zhì)量，同時(shí)確保研究結(jié)果的可信度，本文使用MATLAB軟件對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理工作。

（1）數(shù)據(jù)轉(zhuǎn)換

為了將給定的日期字符串（date）轉(zhuǎn)換為日期數(shù)字（Time），實(shí)現(xiàn)對(duì)時(shí)間項(xiàng)的處理，使用MATLAB軟件中的自帶函數(shù)datenum按照如下格式進(jìn)行強(qiáng)制轉(zhuǎn)換：

（1）

（2）數(shù)據(jù)過(guò)濾

由于直接記錄的原始數(shù)據(jù)中存在一定的誤差，本文根據(jù)不良數(shù)據(jù)的結(jié)構(gòu)類型進(jìn)行分析、歸納后分批次處理。對(duì)于離散數(shù)據(jù)進(jìn)行擬合插值，對(duì)異常數(shù)據(jù)進(jìn)行修正迭代，對(duì)于非正常狀態(tài)數(shù)據(jù)進(jìn)行剔除。

2 模型構(gòu)建

在數(shù)據(jù)預(yù)處理的基礎(chǔ)上可以實(shí)現(xiàn)將行駛工況的數(shù)據(jù)劃分為運(yùn)動(dòng)學(xué)片段，并經(jīng)多次篩選出不同數(shù)量的特征參數(shù)做為主成分分析，最終本文選出11個(gè)特征參數(shù)進(jìn)行研究，這11個(gè)特征參數(shù)具體展示如表1所示。

2.1 主成分分析法

主成分分析（PCA）于1901年被Pearson第一次提出，主要用于處理多維數(shù)據(jù)。其在數(shù)學(xué)上的常規(guī)處理是將原始n個(gè)指標(biāo)做線性組合，作為新的綜合指標(biāo)[2]。

以是否收斂作為判別標(biāo)準(zhǔn)，本文中K均值聚類算法的分析過(guò)程中應(yīng)設(shè)立2個(gè)聚類中心，此時(shí)運(yùn)動(dòng)學(xué)片段經(jīng)迭代后其結(jié)果為收斂（當(dāng)聚類中心的數(shù)目設(shè)為3時(shí)，運(yùn)動(dòng)學(xué)片段經(jīng)迭代后的結(jié)果呈發(fā)散狀態(tài)），因此本文選取的聚類中心數(shù)為2。

3 汽車工況曲線的擬合

通過(guò)運(yùn)動(dòng)學(xué)片段的迭代，本文選取10個(gè)距離聚類中心最近的運(yùn)動(dòng)學(xué)片段，使用MATLAB軟件將總共20個(gè)運(yùn)動(dòng)學(xué)片段中最具代表性的數(shù)據(jù)特征結(jié)合在一起，構(gòu)建一個(gè)具有普適刻畫特征的汽車行駛工況曲線。總時(shí)長(zhǎng)為2180s的汽車行駛工況展示如下圖（1）：

本文以平均速度（km/h）、平均行駛速度（km/h）等特征參數(shù)為指標(biāo)構(gòu)建汽車運(yùn)動(dòng)特征評(píng)估體系，計(jì)算出了汽車行駛工況與該城市所采集數(shù)據(jù)的各指標(biāo)值特征參數(shù)差異率的對(duì)比，如表（6）所示。

由表（6）可以發(fā)現(xiàn)：汽車行駛工況與實(shí)測(cè)數(shù)據(jù)在平均加減速度、最大加速度、最大減速度速度標(biāo)準(zhǔn)差及加速度標(biāo)準(zhǔn)差上誤差較小，在平均速度和平均行駛速度上存在較大誤差，這是由于汽車運(yùn)動(dòng)時(shí)長(zhǎng)的不同導(dǎo)致的，因而可以被忽略。

4?結(jié)論

正確、合理的數(shù)據(jù)預(yù)處理是下一步信息提取的前提和基礎(chǔ)保證，針對(duì)原始數(shù)據(jù)存在的問(wèn)題以及后期提取運(yùn)動(dòng)學(xué)片段信息的需要，本文使用MATLAB軟件對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)編寫程序完成數(shù)據(jù)的讀取、轉(zhuǎn)換、篩查及計(jì)算分析等操作，主要包括數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)過(guò)濾兩部分，并最終給出各文件原始數(shù)據(jù)經(jīng)過(guò)處理后的記錄數(shù)。

本文以所得數(shù)據(jù)為例，將大量行駛工況的數(shù)據(jù)劃分為運(yùn)動(dòng)學(xué)片段，并經(jīng)過(guò)多次篩選不同數(shù)量的特征參數(shù)做為主成分分析，最終選出11個(gè)特征參數(shù)進(jìn)行研究。首先用主成分分析法對(duì)運(yùn)動(dòng)學(xué)片段進(jìn)行降維處理，然后接著利用K均值聚類技術(shù)對(duì)其進(jìn)行分類，根據(jù)片段之間的“親疏程度”作出篩選，在構(gòu)建出一條具有代表性的行駛工況曲線的同時(shí)形成一個(gè)完善的汽車運(yùn)動(dòng)特征評(píng)價(jià)體系。

本次利用城市汽車行駛數(shù)據(jù)進(jìn)行行駛工況的構(gòu)建研究中，使用的模型可靠便捷，所構(gòu)建曲線與實(shí)際工況吻合程度較高，在保證計(jì)算準(zhǔn)確度的同時(shí)具有一定的科學(xué)價(jià)值，可以為后續(xù)的研究提供良好思路。

參考文獻(xiàn)

[1] 石敏.輕型汽車行駛工況構(gòu)建的研究[D].天津理工大學(xué)，2014.

[2] 陸璇.實(shí)用多元統(tǒng)計(jì)分析（第四版）[M].北京：清華大學(xué)出版社，2001.

[3] 石琴，鄭與波，姜平.基于運(yùn)動(dòng)學(xué)片段的城市道路行駛工況的研究[J].汽車工程， 2011， 33（3）：256-261.

[4] 范金城，梅長(zhǎng)林.數(shù)據(jù)分析[M].北京：科學(xué)出版社，2002.

[5] Lin J， Niemeier D A.Exploratory analysis comparing a stochastic driving cycle to California's regulatory cycle[J].Atmospheric Envi?-ronment，?2002，36（38）：5759-5770.

[6]?姜平，石琴，陳無(wú)畏，黃志鵬.基于小波分析的城市道路行駛工況構(gòu)建的研究[J].汽車工程， 2011（1）：70-73.