某重型燃氣車行駛工況構建研究

馮凡 陳瑞峰 梁健

摘 要：行駛工況是一段復雜的運動特征的集合 受到動力總成、車輛載荷、駕駛員行為、天氣等多種因素的影響。文章通過對400余臺重型燃氣車運行數據的分析處理 通過改變初始簇中心位置迭代計算出固定的聚類中心 對K-均值聚類進行優化 構建出行駛工況。所構建的行駛工況與原樣本的相關性達到了0.999和0.942。

關鍵詞：行駛工況;簇中心位置;重型燃氣車

中圖分類號：U461? 文獻標識碼：A? 文章編號：1671-7988（2020）18-58-03

Abstract： Driving cycle is a combination of sophisticated motion segments， which is affected by many factors， such as power assembly， load of vehicle， driver behavior， seasons and whether and so on. In this paper， through analyzing and processing the data of more than 400 LNG heavy-duty vehicles， the fixed cluster center is calculated iteratively by changing the initial cluster center position， and the K-means clustering is optimized and the running condition is constructed. The correlation between this driving condition and the original samples reaches 0.999 and 0.942， which shows agreements with original data.

Keywords： Driving cycle; Center position of cluster; LNG Heavy-duty vehicle

CLC NO.： U461? Document Code： A? Article ID： 1671-7988（2020）18-58-03

引言

BP世界能源統計年鑒2019年數據表明 2018年全球能源消費產生的碳排放總量780億m? 增速達到2% [1]。國內外研究人員對汽車降低碳排放進行了多方面的研究 例如：發動機尾氣后處理、發動機缸內凈化、優化燃燒模式、替代燃料使用等。在整車的排放研究中主要依據車輛實際行駛工況進行 而對車輛實際運行狀態行駛工況的相關研究較為缺乏 特別是重型燃氣車輛的行駛工況研究。

整車行駛工況是一段復雜運動段特征的集合 受動力總成、車輛載荷、駕駛員行為、天氣和道路交通等因素的影響。研究人員針對柴油車、汽油車和電動車的行駛工況進行了大量研究。楊陽等人[2]研究構建了西安市高新區純電動客車的循環工況 蔡鍔等人[3]構建了西安市早晚高峰之間的乘用車行駛工況 詹森等人[4]采用K均值聚類方法 構建了典型的城市循環工況 李耀華等人[5]采用聚類方法構建了西安市電動公交車的行駛工況 路堯[6]等人采用速度-加速度概率分布和片段持續時間的累積頻率分布的方法 構建了輕型汽車的行駛工況 劉子譚等人[7]通過優化的K均值聚類構建了廣州市行駛工況。

但是 對于重型燃氣車行駛工況研究的相關文獻較少。結合我國重型燃氣車保有量逐年上升的趨勢 迫切需要研究并構建重型燃氣車輛的行駛工況 用于排放、氣耗的研究驗證。

本文基于某量產重型燃氣商用車型的實際運行數據 采用優化的K-均值聚類方法 構建整車行駛工況 為動力匹配優化、排放與氣耗研究提供依據。

1 數據采集與處理

1.1 數據采集

選取相同動力總成的量產重型燃氣車447輛作為分析對象。2019年11月至12月為期兩個月的采樣周期內 對所選車輛的運行參數進行不間斷采集? 共采集數據樣本7000余萬條。

1.2 運動學片段劃分

通過采集的負荷率、轉速和車速 推算出車輛總質量。篩選出整車質量大于44噸的所有數據段落 根據轉速與車速參數提取從t1到t2的時間段落內的運行數據。t1為發動機為怠速狀態且車速為0的時刻 t2為車速在t1之后首次降至0的時刻。

篩選提取有效數據段落141116個。

1.3 運動學片段數據處理

汽車的運行過程可以描述為時間-速度的關系 每個運動片段采用時間、車速、加速度3個維度進行說明 通過表1所列的11個參數具體描述每個片段的運動學特征。

通過標準化后的特征值計算貢獻率 分析主要影響因素[9]。選擇累計貢獻率達到80%的前3項主要影響因素 前3項主要影響因素方差貢獻率累計為82.3%。結果如圖1所示。

2 工況構建

2.1 數據聚類

采用K-均值法對數據進行聚類時出現的局部最優與全局最優沖突問題。為避免該問題 采取了變更簇初始中心的方法 從選取不同的初始中心位置 到聚類后的中心位置不發生變化為止 此時符合全局最優。本文采取的初始聚類中心如表3所示。

最終有60445條片段聚為高速工況 80671條片段聚為低速工況 高速工況片段占比43% 低速片段占比57%。

2.2 工況合成

隨機選取時長>800s的高速工況運動學片段 時長>1000s的低速工況運動學片段。分別構造合成898s的高速工況片斷和1190s的低速工況片斷。合成完整的該重型燃氣車行駛工況。構造的行駛工況如圖2、圖3、圖4所示。

3 構建工況分析與對比

3.1 構建工況分析

構造的重型燃氣車行駛工況時長為2088s 里程為15.75km 特征值如表4所示：

對比高速工況與低速工況的轉速分布 發現低轉速區間內750r/min所占比例僅次于怠速轉速 實際工況對應車速<5km/h。轉速分布如圖5、圖6所示。此階段燃氣消耗較高 燃氣經濟性優化可在該工況進行重點優化。

采用相關系數的方法[8]對所構建的工況進行驗證 高速、低速工況樣本相關系數分別為0.999和0.962 能夠較好的反映樣本的運動學特征。

3.2 工況對比

通過與CHTC循環工況對比 所構建工況與CHTC-TT工況較為符合。工況對比如表5所示。

4 結束語

本文以實際量產車型運行為例 采用改變初始簇中心位置迭代計算出固定的聚類中心 對K-均值聚類進行優化。所構建的高速、低速工況樣本相關系數分別達到0.999和0.962 能夠較好的反映樣本的運動學特征。

所構建的工況與發布的中國行駛工況CHTC-TT工況相似 為車輛后續的動力匹配優化、排放與氣耗研究提供了依據。

參考文獻

[1] BP Statistical Review of World Energy[R]. London：BP，2019.

[2] 楊陽，李耀華，劉鵬.基于西安高新區循環工況的純電動城市客車動力系統匹配及仿真研究[J].西華大學學報（自燃科學版），2018， 37（2）：87-93.

[3] 蔡鍔，李陽陽，李春明，等.基于K-均值聚類算法的西安市汽車行駛工況合成技術研究[J].汽車技術，2015，（8）：33-36.

[4] 詹森，秦大同，曾育平.基于遺傳優化K均值聚類算法工況識別的混合動力汽車能量管理策略[J].中國公路學報，2016，29（4）：130-137.

[5] 李耀華，宋偉萍，任田園，等.基于聚類和比功率分布的西安城市公交行駛工況研究[J].重慶交通大學學報（自然科學版），2020，39 （4）：23-30.

[6] 路堯.中國輕型汽車行駛工況開發[D].北京：北京理工大學動力工程及工程熱物理系，2016.

[7] 劉子譚，朱平，劉旭鵬，等. K均值聚類改進與行駛工況構建研究[J].汽車技術，2019，（11）：57-62.

[8] 郝艷召，張潔，王生昌，等.武漢市公交車典型行駛工況的構建[J].交通信息與安全，2014， 32（6）：139-145.

[9] 馬志雄，李孟良，張富興，等.主成分分析法在車輛實際行駛工況開發中的應用[J].武漢理工大學學報，2004，26（4）：32-35.