基于优化筛选的汽车道路滑行阻力数据处理

赫圣杰

（中国第一汽车股份有限公司天津技术开发分公司）

汽车道路滑行阻力即汽车在道路上的等速行驶阻力，对能耗排放等性能的研究具有重要意义。一般是通过道路滑行阻力试验测量汽车行驶阻力。目前试验还是按照GB 18352.5—2013《轻型汽车污染物排放限值及测量方法（中国第V阶段）》的附件CH中的规定进行试验[1]。目前，在数据处理过程中，道路试验工程师在进行数据处理时大多采用人工筛选法[2]，与人工筛选法相比，自筛选算法更加准确可靠，不但有效地减少了道路试验工程师和驾驶员的工作量，而且降低了试验成本。但自筛选算法快速找出的合格数组并不一定是最优数组，其代表的阻力曲线也不一定为最优阻力曲线。文章提出了一种优筛选算法，该算法在自筛选算法的基础上对数组子集判定和选取过程进行优化，通过计算得到最优阻力曲线及对应的最优数组。该算法可有效地缩短试验时间，降低试验成本，也有助于企业更充分地利用有限的试验资源。

1 道路滑行阻力试验

道路滑行阻力试验的目的在于测量汽车在道路上等速行驶时的阻力，以便可以在底盘测功机上模拟该阻力进行综合油耗试验、整车排放试验及发动机标定等工作。

1.1 试验条件

文献[1]的附件CH对滑行阻力测量试验的试验条件及试验准备做出了明确规定，大气压力及温度采用试验时空气体积质量与基准状态的偏差（±7.5%）进行监控，空气体积质量的计算，如式（1）所示。

式中：ρ——在温度和压力状态下的干空气体积质量，kg/m3；

ρ0——在0℃和0.101 3 MPa状态下的干空气体积质量，ρ0=1.293 kg/m3；

P——绝对压力，MPa；

t——温度，℃。

由此得到基准状态下空气体积质量为1.189 kg/m3，允许试验的空气体积质量范围为1.100～1.278 kg/m3。

1.2 试验方法

将汽车加速到比选定试验车速（V/（km/h））高出10 km/h的车速，变速器置于“空挡”位置。测量汽车从V2=V+ΔV减速至V1=V1-ΔV所需时间（T1/s），一般ΔV=5 km/h。在相反方向进行同样的试验,测量V2减速至V1所需时间（T2/s）。计算T1和T2的算术平均值Ti。

Ti——单次试验平均滑行时间，s；

n——试验次数，次。

式中：τ——标准系数，由表1给定；

s——标准偏差。

表1 标准系数表

2 数据处理方法

2.1 自筛选算法

自筛选算法的核心思想是穷举法，即是将所有滑行数据组视为一个母集合，将集合内的数组通过排列组合形成子集合，逐个对各子集合进行判定，从中挑出符合判定的子集合，子集合内的数组即为有效数据组。

相比传统人工筛选法，自筛选算法进行滑行阻力数据处理更为快捷可靠，但也存在一定缺陷：自筛选算法可以迅速地找到符合判定的有效数据组，但无法保证该数据组为最优解。简单来说，自筛选算法仅仅对数据组的有效性进行判定，从头至尾遍历数据，是筛选到的第1个合格数据组。该组数据符合判定要求，但也可能是一般甚至较差的数据，导致用其计算得到的滑行阻力偏大。

2.2 优筛选算法

优筛选算法以自筛选算法为基础，对数组子集判定和选取过程进行优化：

1）在高低速段分别找到符合判定标准的所有子集合。

2）将高低速段的子集合进行全排列匹配，得到滑行时间数组（T120～10）。

3）计算 T120～10对应的滑行阻力数组（F120～10），如式（4）所示。

式中：F120～10——滑行阻力数组，N；

mr——基准质量，kg；

T120～10——滑行时间数组，s；

k——阻力系数。

4）运用最小二乘法进行二项式拟合，得到滑行阻力曲线参数，通过该参数，计算拟合阻力数组F'120～10。

5）计算拟合阻力和值，找到最小和值Fi=min（F'120～10），该值所对应的 Ti即为最优解。

6）逆向匹配在T120～10中找到Ti对应的高低速段子集合作为原始数据。

优筛选算法在自筛选算法的基础上，以拟合后滑行阻力和值作为判定依据对通过判定的数据进行优选，通过此方法可以得到滑行阻力通带，如图1所示[3]，工程师可以根据实际情况在阻力通带中选择合适的滑行阻力曲线作为试验结果。

图1 汽车道路滑行阻力试验通带曲线图

3 实例分析

3.1 试验汽车

试验汽车为国产某品牌轿车，基准质量1 285 kg。试验汽车运行状况良好，磨合3 000 km后调整完毕，轮胎型号为205/50 R16，轮胎气压230 kPa，轮胎花纹符合试验要求，其余项目均已确认。

3.2 试验设备和试验场地

试验设备包括风速仪、空盒气压表及整车动态性能测试系统，试验设备参数，如表2所示。试验场地为交通部公路交通试验场（北京试验场）性能试验道路（长直线）。

表2 道路试验设备参数表

3.3 试验数据采集

滑行试验的起始车速为125 km/h，结束车速为5km/h。在实际试验过程中，起始车速最高可达130km/h，结束车速为0。受试验场地长度限制，滑行试验一般都分2段进行[4-5]。

本次试验时环境温度18.3℃，大气压力101.3kPa，高速段取 125～65 km/h、低速段取 75～5 km/h，试验员在高低速段分别进行了14次及11次滑行试验，采得滑行数据，如表3和表4所示。

表3 高速段滑行时间原始数据表 s

表4 低速段滑行时间原始数据表 s

3.4 试验数据处理

3.4.1 自筛选算法试验结果

采用自筛选算法对试验数据进行处理，得到高速段合格的组合为第 2，3，4，5，8，9 及 10 组，低速段合格的组合为第1，3，6，8及9组。假定阻力系数为1.5%，通过计算得到滑行阻力数组，如表5所示。并运用最小二乘法进行二项式拟合得到曲线方程，如式（5）所示。

式中:F——滑行阻力，N；

V——试验车速，km/h。

表5 滑行阻力试验-自筛选算法试验结果表

3.4.2 优筛选算法试验结果

采用优筛选算法对试验数据进行处理，得到高速段合格的组合为第 3，4，5，6，8，10，12，13 及 14 组，低速段合格的组合为第3，4，6，8，9及11组。假定阻力系数为1.5%，通过式（4）计算得到滑行阻力数组，如表6所示。并运用最小二乘法进行二项式拟合得到曲线方程，如式（6）所示。

表6 滑行阻力试验-优筛选算法试验结果表

3.4.3 试验结果对比

本次试验中，可找到高速段共有15 927个数据组合，其中合格的有29组数据；低速段共有1 945个数据组合，合格的有41组数据。合格数据组全排列匹配后共计1 189个组合，即可以得到1 189条阻力曲线。

自筛选算法为顺序查找，输出的结果为高低速段的第1组合格数据，也就是全排列匹配组合中的第1组数据。该组数据所代表阻力曲线不一定是这1189条当中的最优解。

通过优筛选算法，将全排列匹配后得到的1 189组数据分别进行特征点阻力计算并求其和值，取阻力和值最小的数据组作为输出。结果显示，高速段第20组和低速段第15组匹配得到的数据为最优数据（全排列第794组数据），其代表了此次试验所能得到的最小滑行阻力曲线。

优筛选算法得到的特征点阻力和值比自筛选算法少30 N，特征点滑行总时间延长0.727 s。对于此次试验而言，两者特征点阻力和值偏差为0.62%，几乎可以忽略，但在110 km/h特征点处的阻力值减少了2.26%。经实车验证，优筛选算法得到的阻力曲线使汽车的综合油耗降低了1.55%。

4 结论

文章分析了自筛选算法的优点与不足之处，并在此基础上提出了优筛选算法。优筛选算法对全部合格数组进行分析、重组及筛选，从中找到最优数据及对应的最优滑行阻力曲线。实例证明优筛选算法所提供的滑行阻力曲线可以有效地降低汽车的综合油耗值。另外，滑行阻力通带概念的提出为汽车道路滑行阻力的研究工作提供了一个新的方向。