汽車行駛工況特征參數(shù)優(yōu)化研究*

唐香蕉， 滿興家， 闕雨晨， 詹 森

（1.上海通用五菱汽車股份有限公司， 廣西 柳州 545007；2.重慶交通大學(xué)， 重慶 400074）

1 引言

影響汽車燃油經(jīng)濟(jì)性的因素不僅包括汽車的類型結(jié)構(gòu)和控制策略，而且還有行駛工況［1］，通過對不同的行駛工況進(jìn)行識別，然后再調(diào)整汽車的控制策略可以提高汽車的燃油經(jīng)濟(jì)性。而合理優(yōu)化行駛工況特征參數(shù)個(gè)數(shù)，不僅能夠減少工況識別過程的運(yùn)算量，還能夠提高工況識別的效率，因此行駛工況特征參數(shù)優(yōu)化具有理論意義和實(shí)用價(jià)值。

目前一般采用兩種方法優(yōu)化行駛工況的特征參數(shù)，一是分析特征參數(shù)對燃油經(jīng)濟(jì)性等車輛性能的影響，二是分析特征參數(shù)表征行駛工況特征的能力［2-5］。周楠等［6］運(yùn)用正交實(shí)驗(yàn)法分析10種行駛工況特征參數(shù)對油耗的影響，得到影響汽車燃油經(jīng)濟(jì)性的代表性特征參數(shù)有：平均速度、平均減速度、平均加速度和怠速時(shí)間比等。Ericsson E等［7］通過對特征參數(shù)與汽車燃油經(jīng)濟(jì)性和油耗進(jìn)行回歸分析，將62種特征參數(shù)優(yōu)化減少到8種。Chan-Chao Lin等［8］以平均驅(qū)動(dòng)功率、驅(qū)動(dòng)功率標(biāo)準(zhǔn)差、平均制動(dòng)功率和停車時(shí)間作為混合動(dòng)力汽車道路工況特征參數(shù)，用統(tǒng)計(jì)數(shù)據(jù)分析了這4個(gè)參數(shù)之間的相關(guān)性，最后選擇平均驅(qū)動(dòng)功率和驅(qū)動(dòng)功率標(biāo)準(zhǔn)差作為代表性特征參數(shù)。Xi Huang等［9］通過分析多種特征參數(shù)在不同道路工況類型下的差異程度，得出平均速度、最大加速度、最小加速度和停車時(shí)間比例為代表性特征參數(shù)。然而僅考慮特征參數(shù)對燃油經(jīng)濟(jì)性等車輛性能的影響或表征行駛工況特征的能力，不能夠得到最優(yōu)的代表性特征參數(shù)，且現(xiàn)有的研究沒有考慮到特征參數(shù)變化程度和變化速度對工況識別的影響，因此本文提出綜合考慮各特征參數(shù)之間的相關(guān)性、各特征參數(shù)同油耗的相關(guān)性以及各參數(shù)的變化速率和變化程度的行駛工況特征參數(shù)優(yōu)化方法。研究結(jié)果表明該方法所獲得的代表性特征參數(shù)能夠很好地對行駛工況進(jìn)行識別，同時(shí)減少運(yùn)算量，提高工況識別效率和識別速度。

2 工況數(shù)據(jù)采集、預(yù)處理和工況段定義

2.1 工況數(shù)據(jù)采集

1） 工況數(shù)據(jù)采集設(shè)備：搭載美國ATI公司開發(fā)的ATI vision network hub工具箱的試驗(yàn)車，試驗(yàn)用車的部分基本參數(shù)如表1所示。

表1 實(shí)驗(yàn)用車的部分基本參數(shù)

2） 工況數(shù)據(jù)采集方案：駕駛實(shí)驗(yàn)車在高速公路、市郊、居民生活區(qū)、城市中心繁華地帶的某路段反復(fù)行駛以采集基礎(chǔ)實(shí)驗(yàn)數(shù)據(jù)。采樣數(shù)據(jù)共30組，采樣周期為0.1s，實(shí)驗(yàn)時(shí)間包括上下班高峰、雙休日、同一天不同時(shí)段，以保證有足夠的樣本容量和測試數(shù)據(jù)的可靠性。

通過實(shí)驗(yàn)車在選定的路段進(jìn)行30組數(shù)據(jù)采集，數(shù)據(jù)時(shí)長共約18h，最終整理得到所需行駛工況數(shù)據(jù)。

2.2 工況數(shù)據(jù)預(yù)處理

在試驗(yàn)車采集到的數(shù)據(jù)中，由于駕駛員不可避免的不當(dāng)操作，汽車會產(chǎn)生脈沖噪聲和高頻噪聲，這兩種噪聲會影響到最終的實(shí)驗(yàn)結(jié)果，需要運(yùn)用濾波器消除這兩種噪聲，降噪前后的數(shù)據(jù)如圖1所示。

圖1 降噪前后的數(shù)據(jù)對比圖

具體方法是采用脈沖噪聲濾波器去除工況曲線的奇點(diǎn)，再通過高頻噪聲濾波器使工況曲線平滑。脈沖噪聲濾波器由公式（1）定義：

式（1）中的vt為t時(shí)刻的車速；式（2）中選取t時(shí)刻前后h秒內(nèi)的車速分配權(quán)值再取平均值得到平滑后的車速，K（x）為在t時(shí)刻前后車速的權(quán)值，本文h取值為4s，K（x）的計(jì)算公式為［10］：

2.3 工況段定義

車輛在行駛過程中從某時(shí)刻開始，經(jīng)過t秒后，到達(dá)下一時(shí)刻，兩個(gè)時(shí)刻之間的運(yùn)動(dòng)過程作為一個(gè)數(shù)據(jù)單元，這種運(yùn)動(dòng)學(xué)片段稱之為工況段。當(dāng)識別周期大于150s時(shí)，識別精度趨于穩(wěn)定［9］，所以本文將t取150。以圖2為例，一段行駛工況可劃分為4個(gè)工況段。

圖2 工況段的劃分

3 相關(guān)系數(shù)、變化程度系數(shù)、變化速率系數(shù)定義

相關(guān)系數(shù)是用以反映變量之間相關(guān)關(guān)系密切程度的統(tǒng)計(jì)指標(biāo)，相關(guān)系數(shù)r由公式（4）定義［11］：

式中：xi，yi——樣本容量為n的兩個(gè)樣本數(shù)據(jù)的第i個(gè)樣本；x，y——兩個(gè)樣本數(shù)據(jù)的平均值。

通常情況下通過以下取值范圍判斷變量的相關(guān)程度：相關(guān)系數(shù)在0.8～1.0為極強(qiáng)相關(guān)；相關(guān)系數(shù)在0.6～0.8為強(qiáng)相關(guān)；相關(guān)系數(shù)在0.4～0.6為中等強(qiáng)度相關(guān)；相關(guān)系數(shù)在0.2～0.4為弱相關(guān)；相關(guān)系數(shù)在0～0.2為極弱相關(guān)或不相關(guān)。

變化程度系數(shù)用于反映某變量在樣本之間的差異程度。變化速率系數(shù)用于反映一段時(shí)間內(nèi)，某變量數(shù)值上變化的快慢。變化程度系數(shù)由公式（5）定義，變化速率系數(shù)由公式（6）定義：

式中：xt——樣本容量為n的數(shù)據(jù)庫中，第t個(gè)樣本的值；f0.98，f0.02——某變量累積分布函數(shù)值分別在0.98和0.02時(shí)的變量值。本文選取f0.98和f0.02是為了消除樣本中某些奇點(diǎn)對試驗(yàn)結(jié)果的影響，提高試驗(yàn)的準(zhǔn)確性。

累積分布函數(shù)是概率密度函數(shù)的積分，用以完整描述一個(gè)實(shí)隨機(jī)變量的概率分布。累積分布函數(shù)由公式（7）定義：

式中：X——某隨機(jī)變量；P（X<=x）——隨機(jī)變量X小于或者等于某個(gè)數(shù)值x的概率。

4 特征參數(shù)優(yōu)化

4.1 特征參數(shù)選取

工況特征參數(shù)的作用是用來進(jìn)行工況識別，目前工況特征參數(shù)約有62種，本文將工況數(shù)據(jù)按照150s的間隔劃分為工況段，從劃分的工況段中提取14種常用的工況特征參數(shù)：平均速度vmean、最大車速vmax、平均加速度amean、平均正加速度ameana、平均負(fù)加速度ameand、怠速時(shí)間比ridel、巡航時(shí)間比rdrive、最大加速度amax、最小加速度amin、行駛距離s、速度方差vvar、加速度方差avar、速度平方和vspa、加速度平方和aspa。

4.2 特征參數(shù)的初步分析

提取后的特征參數(shù)數(shù)據(jù)的頻率直方圖如圖3所示，特征參數(shù)與傳統(tǒng)汽車燃油消耗量的關(guān)系如圖4所示。由于篇幅有限本文僅列舉平均速度vmean、巡航時(shí)間比rdrive、最大車速vmax、平均正加速度ameana的頻率直方圖和燃油消耗量關(guān)系圖。

從圖3中可以發(fā)現(xiàn)，每個(gè)特征參數(shù)都有各自的頻率分布特點(diǎn)，從圖4中可以看出，每個(gè)特征參數(shù)與燃油消耗量的關(guān)系存在一定的差異。

圖3 特征參數(shù)的頻率直方圖

圖4 特征參數(shù)與燃油消耗量的關(guān)系圖

4.3 特征參數(shù)優(yōu)化

目前特征參數(shù)優(yōu)化的傳統(tǒng)方法有兩種，一是分析特征參數(shù)對燃油經(jīng)濟(jì)性等車輛性能的影響，二是分析特征參數(shù)表征行駛工況特征的能力。本文提出的方法是：通過分析各特征參數(shù)之間的相關(guān)性和特征參數(shù)分別同傳統(tǒng)汽車、混合動(dòng)力汽車油耗之間的相關(guān)性，將兩種傳統(tǒng)方法相結(jié)合，并在此基礎(chǔ)上根據(jù)特征參數(shù)各樣本之間差異越大，相鄰樣本之間變化越明顯，越能夠更好地進(jìn)行工況識別的原則，增加對特征參數(shù)變化程度和變化速率的分析，最后分析得到優(yōu)化后的代表性特征參數(shù)。具體步驟如下。

1） 通過各特征參數(shù)之間的相關(guān)性來分析各特征參數(shù)表征行駛工況的能力，認(rèn)為相關(guān)系數(shù)在0.8以上的特征參數(shù)可以相互替代。

2） 分析特征參數(shù)分別同傳統(tǒng)汽車和混合動(dòng)力汽車油耗之間的相關(guān)性，判定特征參數(shù)對燃油經(jīng)濟(jì)性的影響，相關(guān)系數(shù)在0.2以上才認(rèn)定該特征參數(shù)與汽車燃油經(jīng)濟(jì)性相關(guān)。

3） 應(yīng)用變化程度和變化速率公式得到各特征參數(shù)的變化程度系數(shù)和變化速率系數(shù)，兩系數(shù)在0.2以上，被認(rèn)為符合要求。

各特征參數(shù)之間的相關(guān)系數(shù)如表2所示，各個(gè)特征參數(shù)同傳統(tǒng)汽車和混合動(dòng)力汽車油耗的相關(guān)系數(shù)如表3所示，各參數(shù)的變化程度系數(shù)R1和變化速率系數(shù)R2如表4所示。混合動(dòng)力汽車的油耗數(shù)據(jù)是通過應(yīng)用MATLAB/Simulink搭建整車模型仿真獲取的。所仿真的混合動(dòng)力汽車整車結(jié)構(gòu)如圖5所示。主要零部件包括發(fā)動(dòng)機(jī)、ISG（Integrated Starter/Generator） 電機(jī)、濕式多片離合器C1、CVT變速器、差速器、電池組等。動(dòng)力系統(tǒng)參數(shù)如表5所示。

表2 各特征參數(shù)之間相關(guān)系數(shù)

表3 各特征參數(shù)與油耗之間的相關(guān)系數(shù)

表4 各特征參數(shù)變化程度系數(shù)和變化速率系數(shù)表

圖5 整車動(dòng)力系統(tǒng)結(jié)構(gòu)

表5 該混合動(dòng)力汽車動(dòng)力系統(tǒng)參數(shù)

通過以上3步優(yōu)化，最終選取平均速度vmean和巡航時(shí)間比rdrive作為代表性特征參數(shù)。平均速度vmean和巡航時(shí)間比rdrive的定義為：

式中：n——某工況段的總時(shí)間長度；vi——在某工況塊內(nèi)i時(shí)刻的車速；ndrive——某工況塊內(nèi)速度不為0的時(shí)間長度。

5 行駛工況識別

5.1 BP神經(jīng)網(wǎng)絡(luò)

本文采用BP神經(jīng)網(wǎng)絡(luò)對汽車行駛工況進(jìn)行識別，其原理如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)原理圖

第1層是輸入層，每個(gè)神經(jīng)元作為一個(gè)輸入xi；第2層是隱含層，如公式（10）所示。

式中，xi——輸入信號；yh——隱含層輸出；f1——隱含層輸出轉(zhuǎn)移函數(shù)；yv——模糊層輸出；f2——模糊層輸出轉(zhuǎn)移函數(shù)；yf——輸出層；f3——輸出層輸出轉(zhuǎn)移函數(shù)；wih——輸入層至隱含層連接權(quán)值；whj——隱含層至模糊層連接權(quán)值；wjk——模糊層至輸出層連接權(quán)值。

5.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

預(yù)處理后的工況數(shù)據(jù)劃分為913個(gè)工況段，提取出14種工況段的特征參數(shù)，并將這些工況段分為4類，分別代表城市鬧市工況、城市生活區(qū)工況、城市郊區(qū)工況和高速公路工況。將這4類工況作為工況識別的輸出。14種工況識別特征參數(shù)的組合一共有16382種，本文綜合考慮工況識別特征參數(shù)組合中特征參數(shù)的數(shù)量和所含代表性特征參數(shù)的個(gè)數(shù)，選取7類特征參數(shù)組合方式對測試工況進(jìn)行工況識別，這7類特征參數(shù)組合方式如下：

A：平均速度vmean、巡航時(shí)間比rdrive。

B：行駛距離s、怠速時(shí)間比ridel、加速度平方和aspa、加速度方差avar、速度方差vvar、最大加速度amax、最大車速vmax、平均加速度amean、平均速度vmean、平均正加速度ameana、平均負(fù)加速度ameand、最小加速度amin、巡航時(shí)間比rdrive、速度方差vvar。

C：平均速度vmean。

D：行駛距離s、怠速時(shí)間比ridel、加速度平方和aspa、加速度方差avar、速度方差vvar、最大加速度amax、最大車速vmax、平均加速度amean、平均正加速度ameana、平均負(fù)加速度ameand、最小加速度amin、速度方差vvar。

E：平均正加速度ameana、平均負(fù)加速度ameand、最小加速度amin、巡航時(shí)間比rdrive、速度方差vvar。

F：行駛距離s、怠速時(shí)間比ridel、加速度平方和aspa、加速度方差avar、速度方差vvar、最大加速度amax、最大車速vmax、平均加速度amean、平均速度vmean、平均正加速度ameana。

G：最大車速vmax、平均加速度amean、平均速度vmean、平均正加速度ameana、平均負(fù)加速度ameand、最小加速度amin、巡航時(shí)間比rdrive、速度方差vvar。

因此神經(jīng)網(wǎng)絡(luò)的輸入層分別為［913×14］、［913×2］、［913×1］、［913×12］、［913×5］、［913×9］、［913×7］的兩個(gè)數(shù)組，輸出層為913個(gè)工況段對應(yīng)的4種不同工況類別［913×4］。

5.3 基于BP神經(jīng)網(wǎng)絡(luò)的工況識別

用采集到的一段城市行駛工況進(jìn)行工況識別的仿真驗(yàn)證，此行駛工況共長56580s，測試工況如圖7所示，圖8為測試工況的實(shí)際分類結(jié)果。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對測試工況進(jìn)行工況識別，圖9是運(yùn)用A～G類特征參數(shù)組合方式進(jìn)行工況識別的結(jié)果。圖9中的工況類別a、b、c、d分別代表城市鬧市工況、城市生活區(qū)工況、城市郊區(qū)工況和高速公路工況。

圖7 測試工況

圖8 測試工況實(shí)際工況類別

圖9 運(yùn)用各類特征參數(shù)組合工況識別結(jié)果

5.4 工況識別結(jié)果分析

運(yùn)用A～G類特征參數(shù)組合方式對測試工況進(jìn)行工況識別的準(zhǔn)確率分別為：99.8%、97.61%、75.33%、81.17%、92.04%、93.37%、94.43%。工況識別速度是取每種組合方式對測試工況進(jìn)行10次工況識別后的速度平均值，A～G類特征參數(shù)組合方式的工況識別速度分別為0.0174s、0.4224s、0.0160s、0.4018s、0.0162s、0.0299s、0.0231s。

通過上述數(shù)據(jù)可以發(fā)現(xiàn)：只包含兩個(gè)代表性特征參數(shù)的A類特征參數(shù)組合方式，識別準(zhǔn)確率最高，識別速度相對較快；不包含兩個(gè)代表性特征參數(shù)而包含其它12種特征參數(shù)的D類特征參數(shù)組合方式，識別準(zhǔn)確率較低，識別速度慢；包含一個(gè)代表性特征參數(shù)的E、F、G類特征參數(shù)組合方式識別準(zhǔn)確率較高，識別速度一般；只有一個(gè)代表性特征參數(shù)的C類特征參數(shù)組合方式，識別速度雖然快，但是識別準(zhǔn)確率最低。

因此我們可以得出結(jié)論：工況識別速度與工況識別特征參數(shù)的個(gè)數(shù)密切相關(guān)系，工況識別的特征參數(shù)個(gè)數(shù)越少，工況識別速度越快；工況識別的準(zhǔn)確率取決于特征參數(shù)組合方式是否包含代表性特征參數(shù)，隨包含代表性特征參數(shù)的增加，識別精度會在一定程度上提高；綜合考慮識別準(zhǔn)確率和識別速度，只包含代表性特征參數(shù)平均速度和巡航時(shí)間比的特征參數(shù)組合方式為最優(yōu)組合方式。

6 結(jié)論

1） 為了進(jìn)一步提高工況識別的精度和速度，通過實(shí)車實(shí)驗(yàn)采集某城市汽車運(yùn)行工況數(shù)據(jù)，將預(yù)處理后的工況數(shù)據(jù)劃分為工況段，再提取出工況的特征參數(shù)。綜合考慮各特征參數(shù)之間的相關(guān)性、各特征參數(shù)同油耗的相關(guān)性以及各參數(shù)的變化速率和變化程度，對行駛工況特征參數(shù)進(jìn)行優(yōu)化，得到平均速度和巡航時(shí)間比兩個(gè)代表性特征參數(shù)。

2） 選用7種特征參數(shù)組合方式，并應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對測試工況進(jìn)行識別。識別結(jié)果表明：工況識別的特征參數(shù)個(gè)數(shù)越少，工況識別速度越快；工況識別的準(zhǔn)確率取決于特征參數(shù)組合方式是否包含代表性特征參數(shù)，隨包含代表性特征參數(shù)的增加，識別精度會在一定程度上提高，而只包含代表性特征參數(shù)的組合為最優(yōu)組合，能夠很好地對行駛工況進(jìn)行識別，識別精度高、速度快，驗(yàn)證了行駛工況特征參數(shù)優(yōu)化方法的有效性。