郑州市乘用车行驶工况的构建

2018-08-28高建平孙中博郗建国

机械设计与制造 2018年8期

高建平，丁伟，孙中博，郗建国

1 引言

行驶工况用于确定车辆污染物排放量和燃油消耗量、新车型的技术开发和评估以及测定在交通控制方面的风险等是汽车工业的一项核心技术[1]。

文献[2]采用了定步长截取法构建武汉市公交车工况，但最后构建的工况需要人为去修正，准确性不高；文献[3]采用速度-加速度矩阵分析法构建了合肥市汽车行驶工况但只是单纯的考虑用速度-加速度这一个特征参数来选择速度片段，而没有考虑其他特征参数对速度片段选择的影响；文献[4]提出一种以模型为基础构建工况的方法，但这种方法理论性极强，给数据处理、程序编写带来了很大困难，实用性差。

基于上述情况，本研究从道路的实际交通状况着手，通过对实际道路行驶工况进行运动学片段划分并对其聚类分析，自动形成与实际交通状况相对应的高速工况、中速工况、低速工况，最后从各类工况中选择代表性工况组成郑州市乘用车综合工况。

2 实际行驶工况的采集

在广泛查阅相关文献的基础上发现可以将车辆行驶工况的构建的技术过程归纳，如图1所示。

图1 车辆行驶工况构建的基本过程Fig.1 Basic Process of Vehicle Driving Cycle

试验用车搭载为某公司开发的数据采集终端设备，如图2所示。采样间隔为1s。车载终端正常工作状态下可与整车的ECU进行通讯，采集CAN总线的发动机转速、发动机转矩等信息，通过GPS模块采集时间、速度、行驶里程、海拔等信息，通过连接GPRS网络，把采集到的CAN信息和GPS信息发送至远程服务器数据库，实现对车辆实时数据的采集。

3 数据处理

3.1 短行程划分

运动学片段（短行程）：车辆从一个怠速开始到下一个怠速开始的运动过程[5]，如图3所示。在每个短行程中，定义4类工况：（1）怠速工况，发动机工作，但 v（车速）为 0的连续过程；（2）加速工况，a（加速度）≥0.15m/s2并且v≠0的连续过程；（3）减速工况，a≤－0.15m/s2并且 v≠0 的连续过程；（4）匀速工况，a ＜0.15m/s2并且v≠0的连续过程。

图3 短行程示意图Fig.3 Sketch Map of Short Stroke

本研究定义了12个反映短行程特征的特征参数，如表1所示。

表1 短行程特征参数Tab.1 Short Stroke Characteristic Value

在MATLAB中编写程序将采集的613792条行驶数据划分为5555个短行程并求解出特征参数矩阵，如表2所示。

表2 特征参数矩阵Tab.2 Characteristic Parameter Matrix

3.2 主成分分析

为了减少计算量，引入主成分分析方法[6]（PCA）对特征参数进行降维处理。在MATLAB中编制程序对特征参数矩阵进行PCA处理，前D个主成分的累积贡献率计算公式为：

式中：λi—第 i个主成分的特征值。贡献率表明 D1、D2、D3…D12综合变量的能力，贡献率越大综合变量的能力越强。各主成分的贡献率和累计贡献率，如表3所示。

表3 主成分的贡献率和累积贡献率Tab.3 Contribution Rate and Cumulative Contribution Rate of Each Principal Componen

通过表3可以看出，前3个主成分的特征值都大于l以上并且前3个主成分特征值的累积贡献率达到了80.06%，所以选取前3个主成分进行进一步分析，主成分分析的同时也可以得到主成分的得分矩阵[7]，得分反映的是各主成分与其对应短行程的相关性，如表4所示。

表4 短行程主成分得分Tab.4 Short Stroke Principal Component Score

3.3 聚类分析

聚类技术可以将短行程分成不同的类，这些类与类之间差异明显、分割清晰，且自成体系[8]。据一般道路交通特征，可以分成三个类别，分别为高速、中速、低速工况[9]。K-means聚类的流程，如图4所示。

图4 K-means聚类流程图Fig.4 K-Means Clustering Process

本研究在MATLAB中编程实现K-means聚类对数据进行处理，聚类的对象是主成分得分，聚类结果，如图6所示。通过对比图5和图6发现聚类界限比较清晰。各类短行程的特征参数如表5所示（其中V1：每一类短行程的平均车速，S1：每一类短行程的平均运行距离，T1：每一类短行程的平均持续时间，Pi、Pa、Pd、Pc分别为怠速、加速、减速、匀速比例）。

图5 短行程三维散点图Fig.5 Short Stroke 3D Scatter Plot

图6 K-means聚类后短行程三维散点图Fig.6 3D Scatter Plots of Short Stroke After K-Means Clustering

表5 聚成3类各类的短行程特征参数Tab.5 Short-Stroke Three Characteristic Parameters

从表5中可以发现：第1类短行程长度最短（平均为130 m），平均速度最低为6.4km/h，怠速比例最高为41.2%，此类短行程代表了拥堵交通下的低速工况；第3类短行程可以自由地加速，必要时减速，加减速比例较高，而怠速比例较低，对应于中速工况；第2类短行程的怠速比例最低仅为8.6%，短行程的平均长度最长为2.8km，平均速度最高为31.8 km/h，加速比例最大，匀速比例也是最高的为31.5%，对应于高速工况。

4 工况构建与验证

参考国外标准工况将城市循环工况的时间取为1200s左右[8]。根据各类短行程总时间占整个试验数据时间的比例和构建的循环工况时间可确定各类短行程在构建的工况中所占的时间，其计算公式如下：

式中：ta—类a在构建的工况中的时间；ta，b—类a中第b个短行程的时间；nb—簇a中的短行程的总数；tall—试验数据总时间；tcycle—最终构建的代表性工况的时间。

根据各短行程在构建的工况中所占的时间和各类短行程与其聚类中心的距离大小，从低速工况中选取的短行程编号为1281、194、1117、934、3214、967、375、457，从中速工况中选取的短行程编号为 2291、1002、4936、2915、3300、455、5236、1365，从高速工况中选取的短行程编号为2862，构建的郑州市城市乘用车代表性工况，如图7所示。

图7 郑州市乘用车代表性工况Fig.7 Representative Driving Cycle of Passenger Cars in Zhengzhou

通过对图7的数据分析可知，郑州市乘用车循环工况总运行时间为1225s，行驶距离为5.8km，最高速度为54.7km/h，平均速度为17.04km/h，平均运行速度为25.4km/h，最大加速度为2.89m/s2，最大减速度为-1.94m/s2，怠速比例为32.98%，加速比例为24.57%，减速比例为23.67%，匀速比例为18.78%。

为了验证所构建的郑州市乘用车循环工况的可靠性，本研究从特征参数、速度-加速度联合分布、仿真验证三个方面进行验证。首先将原始工况与构建的郑州市乘用车循环工况的特征参数进行对比，结果，如表6所示。Fm为构建的工况特征参数与原始工况特征参数相对误差的平均值，通过Fm的大小来判定构建的工况精度[10]。Fm的计算公式如下：

式中：Δ—特征参数的相对误差；εi（i=1，2，3…8）—各特征参数的加权值，为了研究方便取为1。

表6 循环工况与原始工况特征参数对比Tab.6 Driving Cycle Characteristic Parameter Comparison with Experimental Data

从表6中可以看出构建的循环工况与原始工况特征参数误差只有Ad-means相对误差为16.7%大于10%，其余特征参数的误差均小于10%，并且Fm=6.9%，符合精度要求。

图8 构建的工况速度-加速度联合分布Fig.8 Construction Driving Cycle Velocity-Acceleration Joint Distribution

构建工况与原始工况在速度-加速度区间分布如果误差平均值小于10%，那么构建的工况就是合理的[8]。构建的工况速度-加速度区间分布与原始工况速度-加速度区间分布比较接近，经过计算构建后的工况的速度和加速度区间分布概率与原始工况的速度和加速度区间分布概率的误差平均值为1.5%小于10%，符合要求，如图8、图9所示。