汽車道路滑行阻力測量濾波算法研究

摘 要：底盤測功機作為一種重要的室內測試設備，準確的道路載荷阻力系數是其精確工作的先決條件。目前經常使用VBOX測量道路載荷阻力系數。VBOX測速依賴于精確的衛星定位來實現，日常使用中衛星信號易受環境干擾，導致測量精度下降，影響試驗結果的準確性。本文通過研究小波變換、最小二乘法濾波、滑動平均值濾波三種濾波算法對試驗數據處理效果和穩定性的影響，得出：（1）三種濾波算法對于滑行試驗數據穩定性都有著明顯的提升；（2）對于單獨的滑行工況，最小二乘法濾波表現最為優異；（3）對于復雜工況，小波濾波和滑動平均濾波都可進行較好的濾除噪聲信號，但是小波濾波算法不易受極值影響。

關鍵詞：汽車道路滑行阻力；小波變換；最小二乘法濾波；滑動平均值濾波

中圖分類號：U467.1 文獻標志碼：A 文章編號：1005-2550（2024）04-0095-07

Research on Filtering Algorithms for Automotive Road Load Coefficient Measurement

WANG Bin， HUA Bin， QIU Ran-ran

（ National Automobile Quality Inspection and Test Center （Xiangyang），

Xiangyang 441004， China）

Abstract： Chassis dynamometer， as an important indoor testing equipment， requires accurate road load coefficient as a prerequisite for precise operation. Currently， VBOX is commonly used to measure the road load coefficient. VBOX speed measurement relies on accurate satellite positioning， but the satellite signal is easily affected by environmental interference in daily use. leading to a decrease in measurement accuracy and affecting the accuracy of test results. This article studies the impact of three filtering algorithms， wavelet transform， least squares method filtering， and moving average filtering， on the accuracy of test results. The following conclusions are drawn： （1） The three filtering algorithms significantly improve the stability of the coastdown test data. （2） For individual coastdown conditions， the least squares method filtering performs the best. （3） For combined conditions， both wavelet filtering and moving average filtering can effectively filter out noise signals， but the wavelet filtering algorithm is less affected by extreme values， resulting in more stable filtered data.

Key Words： Automotive Road Load; Wavelet Transform; Least Squares Method Filtering; Moving Average Filtering

引 言

汽車的經濟性一直是汽車評價的重要維度，不管是傳統燃油車的油耗水平，還是新能源汽車的續駛里程，都是用戶在買車時重點關注的技術指標，一個車型的經濟性表現，對市場銷售量有著很大的影響。近幾年，隨著新能源汽車的高速發展，傳統車市場受到了很大挑戰。在大力推行新能源汽車的政策背景下，國家又于2017年09月出臺了“雙積分”政策，降低傳統車的油耗，增加新能源車型的研發和產出，已經是各個汽車企業不得不采取的措施。

由于道路試驗易受環境因素如風速、溫度等影響，而底盤測功機可以很大避免環境因素對汽車試驗結果的影響，因此，當前車輛燃油消耗量和續駛里程的測定主要依靠底盤測功機來模擬真實車輛的道路行駛阻力來進行。

在使用底盤測功機進行續駛里程、燃油消耗量等測試時，需要通過輸入阻力系數來模擬道路滑行阻力。阻力系數測量的準確性，會很大程度地影響試驗結果的準確性。文獻[1]使用Matlab將數據進行排列組合，篩選出統計精度合格的數據組合方式，來作為輸入數據求取道路阻力系數。文獻[2]、文獻[3]采用優化阻力系數的擬合方式來獲得阻力系數的最優解。本文使用濾波算法來過濾試驗過程不確定因素引起的噪聲信號，得到更逼近于真實狀態的試驗曲線（表現為統計精度的提升），以此來提升道路滑行阻力系數測量的準確性。

1 道路滑行阻力的試驗方法

在國標中，滑行阻力的測量方法把測量對象分為輕型車和重型車，輕型車道路載荷參照標準為GB 18352.6-2016附件CC，重型車道路載荷測量參考標準為GB/T 27840-2021附錄C。

1.1 道路滑行動力學模型

由（6）式可得，要測量vi車速對應的道路滑行阻力Fvi，只需要測量測量vi時 。

將Fvi帶入（5）式，進行擬合，可以得到滑行阻力曲線阻力系數A，B，C的值，為了盡量消除環境因素導致的空氣阻力不同，滑行試驗標準采用了阻力系數校正的方法，將阻力校正至基準狀態（大氣壓100kPa，溫度20℃，風速0m/s），最終得到基準狀態下滑行阻力曲線阻力系數A0，B0，C0的值，將該系數輸入底盤測功機來模擬道路載荷。

1.2 的測量

從上小節可得出，道路滑行阻力測量實際上就是測量   的過程，GB 18352.6-2016附件CC和GB/T 27840-2011附錄C中關于 的測量流程都有詳細規定。在實際測量中，通常先使用VBOX采用滑行法記錄車輛滑行過程中的速度—時間曲線，然后通過時間歷程曲線計算基準車速vi對應的車輛車速從（vi+?v）到（vi-?v）所用時間。基準車速vi下的第n對滑行試驗往返進行，往方向記為?ti-n-a、返方向記為?ti-n-b。對于每個基準車速，輕型車最少需要獲得3對測量結果，重型車最少需要獲得4對測量結果，重型車采用往返數據的算術平均值作為單次試驗結果?ti-n，輕型車使用雙向滑行時間的調合算術平均值（公式（7））。

依據標準要求，重型車統計精度pi要求在30km/h-70km/h速度點范圍內不大于4%，在其他速度點不大于5%，輕型車統計精度不大于3%。滑行阻力測試對數據穩定性有著比較高的要求，由表1可知，h隨著滑行次數的增加而減小，同標準差數據計算出的精度值也隨之下降，因此通常為了滿足統計精度要求，需要增加足夠的滑行次數，隨之而來的是人力和物力等成本的增加。因此在盡量少的滑行次數下能滿足試驗的統計學精度要求就顯得尤為重要，這就需要VBOX在試驗過程中有較高的測量精度。

圖1是某次滑行試驗中采集的135km/h-105km/h的數據，很容易看出，部分試驗數據跳動幅度較大，經分析，發現數據跳動幅度大的位置，衛星數量發生了突變（衛星數量減少，從9減小到6），經對比GPS定位圖和實地勘探，發現樣車在靠近防風林車道（圖1）試驗時出現上述情況。衛星信號強度受附近遮擋物影響，會影響試驗過程的數據準確性。試驗場防風林對降低道路側向風有著重要的作用的同時，也影響了衛星信號的強度。

VBOX手冊推薦在衛星數不小于9個時進行試驗，圖2是分別是衛星數為大于9（紅色）和小于9（黃色）的數據，可看出曲線雖有所改善，但仍有比較明顯的噪聲信號存在。

2 濾波算法

濾波算法通過量測已知量來估計系統狀態，盡可能降低噪聲信息對有用信息的影響，從而得到一個接近真實的狀態估計。滑行試驗在統計精度方面有著比較高的要求，而常用測量工具VBOX在衛星數比較少的情況下，存在著數據噪聲過大的問題，濾波算法是解決數據噪聲問題的強力工具。

2.1 小波變換

小波變換是一種信號的時間-頻率分析方法，具有多分辨率的特點，其在高頻部分具有較高的時間分辨率和較低的頻率分辨率，在低頻部分具有較低的時間分辨率和較高的頻率分辨率，很適合于探測正常信號中夾帶的瞬態反常信號并展示其成分[4]。

2.1.1 連續小波變換

將任意Li（R）空間中函數f（t）在小波基下進行展開，稱這種展開為函數f（t）的連續小波變換（Continue Wavelet Transform ，簡記為CWT），表達式為：

其中Ψ（x）為小波函數Ψ（x）的復數共軛，a為縮放因子，τ為平移因子。

2.1.2 離散小波變換

離散小波變換（Discret Wavelet Transform，簡記為DWT）和連續小波變換主要的區別是：離散小波變換對尺度和平移因子使用離散值。通常的做法是把尺度按冪級數進行離散化，即取a=a0m（m為整數，a0≠1，a0通常取2）。

2.1.3 小波分解

在實際應用中，DWT最有效的方法是使用濾波器，該算法被稱為Mallet算法。

圖3中LPF是低通濾波器，HPF是高通濾波器。信號S經過一對互補的濾波器分解成低頻和高頻分量，低頻分量通過下一級濾波器繼續分解成新的低頻和高頻分量。通常情況下，低頻信號的主頻部分也是低頻分量。

2.1.4 小波降噪

有效信號和噪聲具有不同的特性，噪聲的能量一般集中于高頻部分，降噪的核心在于對高頻部分進行過濾，以達到信噪分離的目的。小波變換可以將信號通過變換，得到信號在不同頻率和尺度下的系數。小波降噪就是根據信號的特性，選擇合適的閾值，濾除噪聲所在小波域，從而得到一個干凈的信號。硬閾值與軟閾值是兩種不同的閾值處理方法。下面分別介紹它們的原理和優缺點。

（1）硬閾值去噪：

硬閾值是指將小于閾值的小波系數置零，而保留其余系數。該方法可以快速地減少噪聲，但也會損失信號的細節信息，而且去噪后的信號會變得更加平滑。硬閾值去噪的公式如下：

（2）軟閾值去噪：

軟閾值是在硬閾值的基礎上引入了平滑性，即大于閾值的小波系數會減少一個預定的值，而小于閾值的小波系數則會變得更接近于0。軟閾值除了能減少噪聲之外，還能保留信號的細節信息。軟閾值去噪的公式如下：

其中sign（x（i） ）是x（i）的符號，x（i）表示信號的第i個小波系數，y（i）表示去噪后的小波系數，T是閾值。

需要注意的是，硬閾值和軟閾值的實現依賴于選擇合適的閾值T，而這個值需要根據特定的需求和數據集來確定。閾值選擇包括基于似然比、基于均值方差、基于小波系數和基于能量等方法。相比硬閾值法和軟閾值法，這些方法適用于噪聲特征難以確定或噪聲特性不穩定的情況，通常能夠獲得更好的降噪效果。

2.2 最小二乘濾波

最小二乘濾波基于最小二乘法是一種全局優化的濾波算法，旨在平滑小梯度區域，保留大梯度區域，尋找最接近樣本值的理論值，其評價函數如下[5]：

該算法通常存在信號輸出延遲，延遲時間為 。

3 濾波算法驗證

本節將使用VBOX衛星數低于8的數據，對前文講的三種濾波算法進行驗證。

3.1 小波變換數據特征分析

使用小波變換對原始數據進行分解（圖4），查看其頻率成分，可以看出原始信號中干擾信號主要為平均值約為0的白噪聲。上一節已經指出小波濾波、最小二乘濾波和滑動平均濾波都適用于濾除該噪聲信號。

3.2 小波濾波

本節使用基于能量譜的方法進行閾值選取，小波濾波流程如下：

（1）將信號進行小波變換；

（2）選擇第0層小波系數作為穩態分量，計算噪聲功率譜密度；

（3）使用2倍的功率譜平均密度作為閾值；

（4）使用軟閾值方法對小波系數進行處理；

（5）進行小波重構。

數據采樣頻率為100Hz，使用“db22”的小波進行數據處理，處理結果如圖5。可以看出，整體上小波濾波對于噪聲的過濾表現良好，同時，在噪聲極值比較大的區域，小波濾波算法也能很好地過濾掉極值的影響。

3.3 最小二乘濾波

本節最小二乘算法多項式次數設定為4，處理結果見圖6。可以看出，受多項式階數限制，最小二乘算法無法較好擬合復雜的曲線，不適用于復雜工況（指包含加速、減速等多種過程的工況，如圖6）下的濾波，但是，在單一工況下，最小二乘算法對于噪聲過濾表現出優異的性能，在噪聲極值比較大的區域也能很好地過濾掉極值的影響。

3.4 滑動平均值濾波

結合前文分析，本方法存在信號輸出延遲，延遲時間為 ，為了避免該問題發生，將滑動平均處理過程調整為當前點的前和后個數據進行平均，表達式為：

本節將滑動平均濾波N值設置為100（對應數據時長1s），處理結果見圖7，可以看出，濾波算法對于噪聲的過濾整體上表現良好，但是，在噪聲極值比較大的區域，算法易受極值的影響。

3.5 濾波結果對比

前文已經對三種濾波方法進行了驗證，本節主要針對這三種濾波方法從以下兩個方面進行濾波效果分析對比：

1. 濾波過濾效果；

2. 數據處理穩定性。

3.5.1 濾波效果對比

圖8分別使用三種方法對滑行過程曲線進行了濾波處理，可以看出，最小二乘濾波、小波濾波和滑動均值濾波均表現良好。通過觀察滑行段22-30s的局部數據容易得出，小波濾波和最小二乘濾波后信號更為平穩，不易受局部極值的影響，而滑動平均值濾波算法更易受極值影響。

3.5.2 滑行數據處理穩定性對比

在第1節中介紹了滑行試驗方法及數據精度評價方法，在本小節，使用4組滑行數據，每組包含十條質量較差的滑行數據，將數據使用不同濾波方法進行處理，并將原數據作為對照組進行數據穩定性對比。

由公式（8）可知，在試驗次數相同的情況下， 為常數，因此基準車速的統計精度pi可簡化為：

以p作為評價指標，對三種濾波算法的數據穩定性進行對比，p越小則統計精度越高，數據穩定性越好。

表2是四組滑行數據的平均統計精度對比，可以看出，使用濾波算法后，數據穩定性都有著明顯的提升。其中最小二乘濾波表現最為優異。

4 總結

道路滑行載荷測量準確度與速度-時間曲線的測量精度有著很重要的關系，提升VBOX在不利條件下的數據穩定性有著重要意義。本文通過研究標準試驗方法，建立汽車滑行動力學模型，提出以測量數據的統計精度作為濾波算法穩定性對比的評價指標，并對三種濾波算法濾波效果做了研究和對比，主要結論如下：

（1）三種濾波算法對于滑行試驗數據穩定性都有著明顯的提升。

（2）單獨的滑行工況，最小二乘法濾波表現最為優異。

（3）復雜工況下，小波濾波和滑動平均濾波都可進行較好的濾除噪聲信號，但是小波濾波算法不易受極值影響。

參考文獻：

[1]赫圣杰，唐曉莉. 汽車滑行阻力數據處理方法及軟件實現[J].汽車工程師，2015， （12）：33-36.

[2]朱衛東，劉學瓊，田勇.汽車滑行阻力系數的測定方法研究[J].汽車技術，2010（06）：40-42.

[3]劉福才，潘江華，韓宗奇.基于遺傳算法的汽車滑行阻力系數測定方法[J].汽車工程，2003，（06）：610-612+616.DOI：10.19562/j.chinasae.qcgc.2003.06.021.

[4]張德豐編著.MATLAB小波分析[M].機械工業出版社.2012.

[5]張舒瀚. 基于自適應迭代最小二乘濾波和多尺度分解的多模態醫學圖像融合算法[D].吉林：吉林大學.2022.

[6]liuzheng08.小波變換詳解. [DB/OL].[2023.5.21]. https：//blog.csdn.net/liuzheng081/article/details/95948725/.

[7]環境保護部、國家質檢總局.GB18352.6-2016輕型汽車污染物排放限值及測量方法（中國第六階段）[S].北京：中國環境出版社.2017.

[8]國家市場監督管理總局、中國國家標準化管理委員會. GB/T27840-2021重型商用車輛燃料消耗量測量方法[S]. 北京：中國質檢出版社.2021.

[9]張仕森，孫憲坤，尹玲，李世璽.基于小波降噪和神經網絡的GPS高程時序預測模型[J]. 全球定位系統，2019，44（03）：117-125.

王 斌

畢業于武漢理工大學 ，自動化專業，大學本科學歷，現就職于國家汽車質量檢驗檢測中心（襄陽），任整車性能試驗技術主管工程師，主要研究方向：整車性能試驗技術研究。

專家推薦語

張 旎

東風汽車集團有限公司研發總院 質量驗證中心

高級工程師

本研究通過對濾波算法的研究，提升了滑行數據的穩定性和精度，為后續滑行阻力計算提供了有力支持。通過對濾波算法的研究，有效降低了滑行組數，節省了滑行試驗的人力和物力，值得業內借鑒。