朱彤

摘 要：汽車行駛工況是汽車各項性能指標(biāo)進(jìn)行標(biāo)定優(yōu)化時的主要基準(zhǔn)。文章根據(jù)某城市實時采集的乘用車數(shù)據(jù)，在對數(shù)據(jù)進(jìn)行預(yù)處理的基礎(chǔ)上，基于K均值聚類分析法對汽車運動學(xué)片段曲線的特征極值進(jìn)行劃分，利用運動學(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)車輛實際運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：U467 ?文獻(xiàn)標(biāo)識碼：A ?文章編號：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試循環(huán)，它本是用汽車在一定時間段內(nèi)（一般時間范圍為1800s）的行駛時速度-時間曲線圖。因其能體現(xiàn)出汽車在道路行駛時的運動學(xué)特征，所以成為車輛能耗/排放測試方法和限值標(biāo)準(zhǔn)的基礎(chǔ)，更是汽車各項性能指標(biāo)標(biāo)定優(yōu)化時的主要基準(zhǔn)。

本世紀(jì)以來，我國汽車行業(yè)相關(guān)技術(shù)標(biāo)準(zhǔn)多以引用國外標(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，我國汽車保有量迅速上升，國內(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)開始不適應(yīng)新時代的交通狀況。汽車行駛工況作為汽車行業(yè)創(chuàng)新開發(fā)、指標(biāo)評價的重要基礎(chǔ)依據(jù)，本身就具有極高的深入研究價值，而我國由于社會發(fā)展差異化及國情的特殊性，對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。

本文利用某城市實時采集的同一輛輕型汽車實際行駛數(shù)據(jù)（采樣頻率1Hz），搭建了一個符合城市道路情況的汽車行駛工況模型。在經(jīng)過對離散數(shù)據(jù)的插值擬合與不良數(shù)據(jù)的剔除后，劃分提取出符合實際運動特性的運動學(xué)片段，然后基于運動學(xué)片段分析法、主成分分析法對實測汽車數(shù)據(jù)進(jìn)行降維，經(jīng)模式識別提取運動學(xué)片段曲線的特征極值。

在此基礎(chǔ)上，基于K均值聚類分析法對汽車運動學(xué)片段曲線的特征極值進(jìn)行劃分，利用運動學(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)車輛實際運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)建過程中，由于傳輸信號不穩(wěn)定、電磁干擾、解碼錯誤等各種原因會不可避免地導(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，同時確保研究結(jié)果的可信度，本文使用MATLAB軟件對原始數(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），實現(xiàn)對時間項的處理，使用MATLAB軟件中的自帶函數(shù)datenum按照如下格式進(jìn)行強制轉(zhuǎn)換：

（1）

（2）數(shù)據(jù)過濾

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。對于離散數(shù)據(jù)進(jìn)行擬合插值，對異常數(shù)據(jù)進(jìn)行修正迭代，對于非正常狀態(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)上可以實現(xiàn)將行駛工況的數(shù)據(jù)劃分為運動學(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個特征參數(shù)進(jìn)行研究，這11個特征參數(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程中應(yīng)設(shè)立2個聚類中心，此時運動學(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，運動學(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

通過運動學(xué)片段的迭代，本文選取10個距離聚類中心最近的運動學(xué)片段，使用MATLAB軟件將總共20個運動學(xué)片段中最具代表性的數(shù)據(jù)特征結(jié)合在一起，構(gòu)建一個具有普適刻畫特征的汽車行駛工況曲線?？倳r長為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)建汽車運動特征評估體系，計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)差異率的對比，如表（6）所示。

由表（6）可以發(fā)現(xiàn)：汽車行駛工況與實測數(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，這是由于汽車運動時長的不同導(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，針對原始數(shù)據(jù)存在的問題以及后期提取運動學(xué)片段信息的需要，本文使用MATLAB軟件對原始數(shù)據(jù)進(jìn)行預(yù)處理，通過編寫程序完成數(shù)據(jù)的讀取、轉(zhuǎn)換、篩查及計算分析等操作，主要包括數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)過濾兩部分，并最終給出各文件原始數(shù)據(jù)經(jīng)過處理后的記錄數(shù)。

本文以所得數(shù)據(jù)為例，將大量行駛工況的數(shù)據(jù)劃分為運動學(xué)片段，并經(jīng)過多次篩選不同數(shù)量的特征參數(shù)做為主成分分析，最終選出11個特征參數(shù)進(jìn)行研究。首先用主成分分析法對運動學(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形成一個完善的汽車運動特征評價體系。

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)建曲線與實際工況吻合程度較高，在保證計算準(zhǔn)確度的同時具有一定的科學(xué)價值，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.實用多元統(tǒng)計分析（第四版）[M].北京：清華大學(xué)出版社，2001.

[3] 石琴，鄭與波，姜平.基于運動學(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.