城市公交司机进站操作特征对油耗影响分析

谢 辉，陈双喜，马红杰，黄登高

（天津大学内燃机燃烧学国家重点实验室，天津　300072）

城市公交司机进站操作特征对油耗影响分析

谢 辉，陈双喜，马红杰，黄登高

（天津大学内燃机燃烧学国家重点实验室，天津300072）

针对司机驾驶操作差异影响油耗的问题，基于远程监控系统采集的天津市某公交线路超过1×105，km的实车运行数据，提取了大量司机减速行为样本，采用曲线簇截面速度特征量提取的方法，分析了司机进站初始速度和速度运行区间的统计特征；研究了司机在同一站点的进站操作特征差异对油耗的影响，并利用GT-SUITE车辆模型，仿真验证了倒拖制动操作对进站油耗的影响.结果表明：同一站点司机进站初始速度符合正态分布，且减速过程存在一个狭窄的速度通道；平均倒拖时间百分比提高46.4%，进站油耗降低12.2%；降低了倒拖结束车速，可以提高进站燃油经济性.

减速行为；初始速度；倒拖时间百分比；油耗

远程监控系统的统计数据表明，公交车行驶油耗对司机的驾驶行为和道路工况非常敏感.Shirk等［1］认为司机操作特性是混合动力汽车能耗影响因素中唯一的主观因素，是所有能耗影响因素的输入接口.Sivak等［2］研究发现司机的操作决策水平、激进型驾驶风格对轻型车辆的油耗影响达25%.de Vlieger等［3］研究发现，在相同的道路工况、相同的车辆条件下，激进的司机驾驶行为相比温和的驾驶行为将增加40%的油耗，在拥挤路况下，这种差异表现得尤为显著.van Mierlo等［4］研究表明，通过改变司机驾驶行为或驾驶风格，油耗可以降低5%～25%.Sandberg［5］针对卡车司机驾驶行为的研究证实，司机踩加速踏板的深浅和换挡发动机转速的改变，可以导致5%的油耗差异.Bingham［6］研究表明，在没有任何额外驾驶任务的前提下，不同司机驾驶测试EV轿车，净能量损耗差别达到32%.文献［7］分析公交司机的出站驾驶特征，指出瞬时油耗对加速度水平很敏感，加速度从0.5，m/s2增加至1.5，m/s2，瞬时油耗增加67%.文献［8］借助Eco-Driving辅助系统，通过交通标志检测技术和减速曲线最优化算法，实现同一司机单次停车试验节油2，mL.文献［9］分析了司机遇红灯刹车行为速度曲线统计特征，并分析了天气因素对刹车行为的影响.文献［10］对司机安全驾驶行为进行研究，提出了一种从司机操作数据中提取司机驾驶特征的方法.

由此可见，司机驾驶行为的研究主要在驾驶特性分类辨识、安全驾驶辅助和节油潜力评估方面.实际上，对城市公交司机而言，驾驶任务决定了站点停车的要求.因此，司机进站驾驶辅助是实现公交节油的有效途径之一.

本研究通过远程监控系统实时采集公交车运行数据，分析司机进站过程统计特征和驾驶操作差异对油耗的影响规律，为进站驾驶辅助提供指导.

1　研究平台描述

采用了自主开发的车辆远程数据采集装置（简称信息单元），如图1所示，通过OBD（on-board diagnostics）接口实时采集车辆运行数据，通过GPS模块获取位置和时间信息，并利用GPRS模块实现数据的远程传输.同时，信息单元将所有数据以10，Hz的频率同步高速记录至SD卡.

信息单元与ECU（electric control unit）的数据交互是通过SAE J1939［11］协议实现的.采集的主要运行参数包括：发动机转速、转速计输出轴转速、发动机实际扭矩百分比、基于车轮的车辆速度、油门踏板位置、小时燃油消耗率等.

图1　信息单元实物Fig.1 Vehicle information unit on-board

远程数据采集及统计分析系统流程如图2所示.①信息单元通过CAN模块采集车辆ECU数据，通过GPS模块采集位置和时间信息；②无线网络将数据发送到转发中心；③转发中心将数据传输到监控平台，用于车辆实时监控；④SD卡记录数据用于油耗统计分析与节油策略研究.

图2　远程数据采集及统计分析系统流程Fig.2 Flow chart of remote data acquisition and static analysis system

研究过程中选择了3辆相同配置的柴油公交客车，型号为ZK6902HGA，发动机和车辆技术参数如表1所示.研究车辆运行线路为天津市503路，全程70.4，km，平均运行时间约160，min，从轻轨东海路站至天津西站北广场站，如图3所示.研究对象为6位男性司机，基本信息如表2所示，其中，A2、B2、C2是3辆车的副班司机.研究选取了2012年5月—2013年7月的运行数据，累计监控里程超过1×105，km.

图3　天津市503路公交运行线路Fig.3 Tianjin city No.503 bus route

表1　发动机和车辆技术参数Tab.1 Engine and vehicle technical parameters

表2　司机基本信息Tab.2 Driver personal information

2　数据预处理与进站片段划分

2.1行驶里程和油耗计算

CAN（controller area network）总线获得的原始车速数据中存在着一定的高频噪声，因而需要对其进行滤波处理.滤波后车速未失真，不影响驾驶行为分析，如图4所示.行驶里程和油耗分别通过对车速和小时燃油消耗率进行积分，计算公式分别为

式中：L为积分里程，km；v为基于车轮的车辆速度，km/h；F为积分油耗，L；H为小时燃油消耗率，L/h；Δt为CAN总线数据更新周期，Δ，t=0.1，s.积分油耗与实际加油的油耗数据对比，验证了通过CAN总线获得的油耗是可信的.

图4　实车速度原始数据和滤波后结果Fig.4 Raw velocity data and results after filtering

2.2司机进站片段划分

为了分析进站过程司机操作对油耗的影响，首先根据对实际数据的统计，按照如下划分条件提取进站片段，可以最大限度地排除道路工况因素的干扰，如图5所示，片段B和片段C不作为研究片段.

（1） 进站过程开始时刻加速踏板开度为0，挡位为最高挡或次高挡；

（2） 进站过程结束时刻车速为0；

（3） 进站初始速度v0大于30，km/h；

（4） 忽略由于交通拥堵或遇红灯造成的连续减速再加速的片段；

（5） 忽略由于交通拥堵或遇红灯造成的中途停车片段.

图5　进站片段划分示意Fig.5Segment division diagram of deceleration during bus stop

研究表明，司机主要通过当前车速决策驾驶操作（加速踏板、制动踏板和挡位）.对公交车司机而言，决策进站操作的车速是有差异的，但是站点位置是固定的.为简化分析起见，在满足上述划分条件的前提下，选择60，m的固定进站片段距离进行统计分析.从708圈、行驶方向为轻轨东海路站—西站北广场站的驾驶试验样本中，筛选了301个进站片段，其速度曲线如图6所示.

图6　司机进站速度曲线Fig.6 Driver deceleration velocity curves

从图6直观来看，不同司机在同一站点的减速过程是相似的，为了进一步分析进站片段统计特征，需要量化描述进站过程特征.

3　司机进站操作实车数据分析

3.1司机进站统计特征

速度是描述司机进站过程最直接、外在的参数.同一站点，各个司机面对的道路工况（天气、乘客载荷等）的统计学特征在概率上是一致的.因此，在一定程度上，进站初始速度能够反映司机进站过程对距离的预判经验和操作习惯.对301个进站片段进行速度特征分析和K-S分布检验，进站初始速度服从正态分布N（42.9，17.3），如图7所示.

图7　进站初始车速分布Fig.7 Initial velocity histogram during bus stop

对提取的单位进站距离横截面的速度特征量进行验证，横截面速度均服从正态分布，得到如图8所示的速度包络线和各分位点速度曲线.其中，Q1为速度上包络线，Q0.95和Q0.05分别为上包络线的95%和5%位置速度曲线，Q0.5为平均值速度曲线，Q0为速度下包络线.Q0.95和Q0.05的位置表明：同一站点减速过程存在一个狭窄的速度通道.

图8　进站速度包络线、95%分位点、平均值和5%分位点速度曲线Fig.8 Velocity graph of envelope curve，95% quantile，median and 5% quantile curve

3.2进站操作特征差异对油耗的影响规律

由图8可知，不同司机进站表现出相同的减速特征，但却有不同的油耗表现.考虑到公交投入运营后车辆属性的变化，在分析司机进站操作对油耗影响时，样本选取同一辆车的多次试验数据，以保证驾驶试验的道路工况（天气、乘客载荷等）统计学特征一致性.为研究司机进站操作差异对油耗的影响，从301个进站样本中选择9206号车司机B1和B2进站过程展开分析.为排除进站过程中由于空调开关造成油耗增加的影响，对数据进行空调开启校验.

筛选的83个样本平均车速和油耗见表3，油耗相对差异12.2%.特别说明的是，进站操作对油耗影响研究是在制动踏板信息缺乏的条件下开展的.因此，只分析倒拖制动过程对进站油耗的影响.

表3　司机进站过程样本平均车速和油耗Tab.3Samples average velocity and fuel consumption of driver behavior during bus stop

根据发动机和车辆动力学理论，ECU对倒拖过程采取断油策略，循环供油量为0；踩制动的过程由于引入真空助力制动系统扭矩需求，循环供油量增加.

根据对进站过程小时燃油消耗率的初步分析，选择倒拖时间百分比描述司机的进站操作特征.根据统计节油的思路，定义进站过程平均倒拖时间百分比Ta，其计算式为

式中：ti为第i个进站样本倒拖时间百分比；N为进站过程样本数.

在83个进站过程样本中，司机B1和B2的平均倒拖时间百分比分别为16.75%和31.25%，相对差异为46.4%.倒拖时间百分比的分布情况如图9所示.其中，司机B1完全不使用倒拖的样本为12个，占总进站样本比例为20.34%，而司机B2在所有的进站过程中均使用倒拖制动，这反映了两个司机进站过程驾驶经验的差异.

图9　司机进站过程倒拖时间百分比分布对比Fig.9Comparision of driver coast time percentage distribution of driver behavior during bus stop

司机进站过程倒拖制动时间的差异直接影响发动机转速分布的差异，如图10所示，最优司机是83个进站样本中燃油经济性相对最好的司机.司机B2发动机转速分布更接近最优司机的分布参数，燃油经济性更好.

图10　进站过程发动机转速分布Fig.10 Engine speed distribution during bus stop

实际上，在不同的驾驶试验中，司机在同一站点的进站过程也存在一定的差异，因此统计其他4位司机的进站特征，验证倒拖时间百分比对油耗的影响关系.图11所示为其他4位司机不使用倒拖制动和使用倒拖制动样本的进站平均油耗，这说明倒拖时间百分比对进站平均油耗的影响具有普遍性.

综上所述，司机提高进站过程的倒拖制动时间百分比，可以有效降低进站平均油耗.对司机B1和B2而言，倒拖时间百分比由16.75%提高到31.25%，相对提高46.4%，进站平均油耗从5.47，L/（100，km）降低到4.80，L/（100，km），相对降低12.2%.因此，利用车辆动力学的先验知识，减少刹车操作，可以降低进站平均油耗.

图11　司机不使用和使用倒拖制动的进站平均油耗Fig.11Average fuel consumption with coast and without coast during bus stop

4　司机进站操作仿真分析

4.1司机进站操作仿真模型

为模拟公交车进站过程，搭建了涵盖车辆模型、发动机模型、驾驶员模型、道路模型、车辆控制和事件管理器的GT-SUITE进站操作仿真平台，如图12所示，该仿真平台经过滑行试验数据验证.

图12　司机进站操作优化仿真模型Fig.12 Vehicle simulation model for deceleration driving operations optimization

4.2司机进站倒拖结束车速分析

根据前文对进站特征的统计分析，提高进站过程倒拖时间百分比可以降低油耗.利用进站操作仿真平台，设置不同倒拖制动结束车速仿真案例，以验证倒拖结束车速对进站油耗的影响.实车数据中司机进站过程的倒拖制动结束车速分布情况，如图13所示.

仿真案例的倒拖制动结束车速设置，如表4所示.v的设置方法为

图13　司机进站过程倒拖制动结束车速分布Fig.13 Driver coast end velocity distribution features during bus stop

以进站初始时刻挡位为5挡计算，最小倒拖结束车速为32.9，km/h，倒拖制动结束车速vc的案例设置满足

式中：ig为变速箱传动比；i0为主减速比；rw为车轮半径；nr为发动机恢复供油转速.

表4　进站过程仿真案例设置Tab.4 Simulation case setup during bus stop　　km/h

仿真的车速曲线如图14所示.各个仿真案例的初始阶段是相同的，目的是使车辆自由加速到稳定状态.仿真案例减速过程的油耗分别为55.9，mL、51.6，mL和46.9，mL，折算的百公里油耗分别为5.141，L、5.072，L和4.946，L.3种不同的倒拖制动结束速度，燃油经济性相差3.8%.需要特别说明的是，仿真减速距离比实际进站片段距离长，是由于仿真模型中减速过程由倒拖制动和脱挡滑行组成.

倒拖制动结束车速的差异，造成减速过程倒拖时间百分比和发动机工况点分布的差异，如图15所示，降低倒拖结束速度能够充分利用减速断油降低油耗.

图14　仿真案例的车速-距离曲线Fig.14 Velocity-distance curves for all simulation cases

图15　仿真发动机工况点分布Fig.15 Engine operating points distribution

5　结 论

（1） 基于曲线簇截面速度特征量提取的方法，分析了司机进站初始速度和速度运行区间统计特征.结果表明：同一站点司机进站初始速度符合正态分布，减速过程存在一个狭窄的速度通道.

（2） 分析了司机进站过程倒拖时间百分比差异对油耗的影响.结果表明：提高进站过程倒拖时间百分比，可以有效降低进站平均油耗，平均倒拖时间百分比提高46.4%，进站平均油耗降低12.2%.

（3） 利用GT-SUITE进站操作仿真平台，分析了倒拖结束车速对进站油耗的影响.仿真结果表明：降低倒拖结束车速，可以提高进站燃油经济性.

［1］Shirk M G，Geller B M. Factors affecting the fuel consumption of plug-in hybrid electric vehicles［C］// The25，th International Battery，Hybrid and Fuel Cell Electric Vehicle Symposium & Exposition. Shenzhen，China，2010：1-9.

［2］Sivak M，Schoettle B. Eco-driving：Strategic，tactical，and operational decisions of the driver that improve vehicle fuel economy［J］. Transport Policy，2011，22：96-99.

［3］De Vlieger I，de Keukeleere D，Kretzschmar J G. Environmental effects of driving behavior and congestion related to passenger cars［J］. Atmospheric Environment，2000，34（27）：4649-4655.

［4］Van Mierlo J，Maggetto G，van de Burgwal E，et al. Driving style and traffic measures-influence on vehicle emissions and fuel consumption［J］. Journal of Automobile Engineering，2004，218（1）：43-50.

［5］Sandberg T. Heavy Truck Modeling for Fuel Consumption Simulations and Measurements［D］. Linköping：Deportment of Electrical Engineering，Linköping University，2001.

［6］Bingham C. Power energy storage technologies and energy management［C］// 3，th Advanced Engine Control Symposium. Tianjin，China，2010：245-254.

［7］Munziah R. Bus Driving Behavior and Fuel Consump tion［D］. Southampton：University of Southampton，2012.

［8］Muñoz-Organero M，Magaña V C. Validating the impact on reducing fuel consumption by using an eco-driving assistant based on traffic sign detection and optimal deceleration patterns［J］. IEEE Transactions on Intelligent Transportation Systems，2013，14（2）：1023-1028.

［9］Berndt H，Wender S，Dietmayer K. Driver braking behavior during intersection approaches and implications for warning strategies for driver assistant systems［C］// IEEE Transactions on Intelligent Vehicles Symposium. Istanbul，Turkey，2007：245-251.

［10］Othman M R，Zhang Z，Imamura T，et al. A study of analysis method for driver features extraction［C］// IEEE International Conference on Systems，Man and Cybernetics. Singapore，2008：1501-1505.

［11］夏继强，孙 进，曹 磊，等. 基于 SAE J1939 的汽车网络监控系统设计［J］. 汽车工程，2007，29（6）：528-532.

Xia Jiqiang，Sun Jin，Cao Lei，et al. The design of SAE J1939-based vehicle network monitoring system［J］. Automotive Engineering，2007，29（6）：528-532（in Chinese）.

（责任编辑：孙立华）

Analysis on the Influence of Driver Deceleration Behavior During Bus Stop on Fuel Consumption

Xie Hui，Chen Shuangxi，Ma Hongjie，Huang Denggao
（State Key Laboratory of Engines，Tianjin University，Tianjin 300072，China）

The influence of driver behavior on fuel consumption was studied. Based on 100，000 kilometers' real-time data from a Tianjin bus route，which was collected by a wireless remote monitoring system，a large amount of driver deceleration behavior samples were acquired. The study focuses on the analysis on statistical characteristics of initial velocity and speed range by adopting curve cluster driver features extraction method. Results show that the initial velocity accords with normal distribution at the same bus stop，and there exists a narrow deceleration velocity corridor. Statistical analysis on the effect of two drivers' deceleration operations difference on fuel consumption at the same stop was conducted. Fuel consumption decreased by 12.2% when average engine coast time percentage increased by 46.4%. A GT-SUITE vehicle model was built to verify the relationship between deceleration operations and fuel consumption. By reducing the coast end velocity，fuel economy can be improved.

deceleration behavior；initial velocity；coast time percentage；fuel consumption

U469.72

A

0493-2137（2015）12-1091-07

10.11784/tdxbz201403047

2014-03-15；

2014-07-02.

科技部“中日韩”国际合作基金资助项目（2013DFG62890）.

谢 辉（1970，—），男，博士，教授.

谢 辉，xiehui@tju.edu.cn.

网络出版时间：2014-09-10. 网络出版地址：http://www.cnki.net/kcms/doi/10.11784/tdxbz201403047.html.