某重型燃气车行驶工况构建研究

冯凡 陈瑞峰 梁健

摘 要：行驶工况是一段复杂的运动特征的集合 受到动力总成、车辆载荷、驾驶员行为、天气等多种因素的影响。文章通过对400余台重型燃气车运行数据的分析处理 通过改变初始簇中心位置迭代计算出固定的聚类中心 对K-均值聚类进行优化 构建出行驶工况。所构建的行驶工况与原样本的相关性达到了0.999和0.942。

关键词：行驶工况;簇中心位置;重型燃气车

中图分类号：U461  文献标识码：A  文章编号：1671-7988（2020）18-58-03

Abstract： Driving cycle is a combination of sophisticated motion segments， which is affected by many factors， such as power assembly， load of vehicle， driver behavior， seasons and whether and so on. In this paper， through analyzing and processing the data of more than 400 LNG heavy-duty vehicles， the fixed cluster center is calculated iteratively by changing the initial cluster center position， and the K-means clustering is optimized and the running condition is constructed. The correlation between this driving condition and the original samples reaches 0.999 and 0.942， which shows agreements with original data.

Keywords： Driving cycle; Center position of cluster; LNG Heavy-duty vehicle

CLC NO.： U461  Document Code： A  Article ID： 1671-7988（2020）18-58-03

引言

BP世界能源统计年鉴2019年数据表明 2018年全球能源消费产生的碳排放总量780亿m? 增速达到2% [1]。国内外研究人员对汽车降低碳排放进行了多方面的研究 例如：发动机尾气后处理、发动机缸内净化、优化燃烧模式、替代燃料使用等。在整车的排放研究中主要依据车辆实际行驶工况进行 而对车辆实际运行状态行驶工况的相关研究较为缺乏 特别是重型燃气车辆的行驶工况研究。

整车行驶工况是一段复杂运动段特征的集合 受动力总成、车辆载荷、驾驶员行为、天气和道路交通等因素的影响。研究人员针对柴油车、汽油车和电动车的行驶工况进行了大量研究。杨阳等人[2]研究构建了西安市高新区纯电动客车的循环工况 蔡锷等人[3]构建了西安市早晚高峰之间的乘用车行驶工况 詹森等人[4]采用K均值聚类方法 构建了典型的城市循环工况 李耀华等人[5]采用聚类方法构建了西安市电动公交车的行驶工况 路尧[6]等人采用速度-加速度概率分布和片段持续时间的累积频率分布的方法 构建了轻型汽车的行驶工况 刘子谭等人[7]通过优化的K均值聚类构建了广州市行驶工况。

但是 对于重型燃气车行驶工况研究的相关文献较少。结合我国重型燃气车保有量逐年上升的趋势 迫切需要研究并构建重型燃气车辆的行驶工况 用于排放、气耗的研究验证。

本文基于某量产重型燃气商用车型的实际运行数据 采用优化的K-均值聚类方法 构建整车行驶工况 为动力匹配优化、排放与气耗研究提供依据。

1 数据采集与处理

1.1 数据采集

选取相同动力总成的量产重型燃气车447辆作为分析对象。2019年11月至12月为期两个月的采样周期内 对所选车辆的运行参数进行不间断采集  共采集数据样本7000余万条。

1.2 运动学片段划分

通过采集的负荷率、转速和车速 推算出车辆总质量。筛选出整车质量大于44吨的所有数据段落 根据转速与车速参数提取从t1到t2的时间段落内的运行数据。t1为发动机为怠速状态且车速为0的时刻 t2为车速在t1之后首次降至0的时刻。

筛选提取有效数据段落141116个。

1.3 运动学片段数据处理

汽车的运行过程可以描述为时间-速度的关系 每个运动片段采用时间、车速、加速度3个维度进行说明 通过表1所列的11个参数具体描述每个片段的运动学特征。

通过标准化后的特征值计算贡献率 分析主要影响因素[9]。选择累计贡献率达到80%的前3项主要影响因素 前3项主要影响因素方差贡献率累计为82.3%。结果如图1所示。

2 工况构建

2.1 数据聚类

采用K-均值法对数据进行聚类时出现的局部最优与全局最优冲突问题。为避免该问题 采取了变更簇初始中心的方法 从选取不同的初始中心位置 到聚類后的中心位置不发生变化为止 此时符合全局最优。本文采取的初始聚类中心如表3所示。

最终有60445条片段聚为高速工况 80671条片段聚为低速工况 高速工况片段占比43% 低速片段占比57%。

2.2 工况合成

随机选取时长>800s的高速工况运动学片段 时长>1000s的低速工况运动学片段。分别构造合成898s的高速工况片断和1190s的低速工况片断。合成完整的该重型燃气车行驶工况。构造的行驶工况如图2、图3、图4所示。

3 构建工况分析与对比

3.1 构建工况分析

构造的重型燃气车行驶工况时长为2088s 里程为15.75km 特征值如表4所示：

对比高速工况与低速工况的转速分布 发现低转速区间内750r/min所占比例仅次于怠速转速 实际工况对应车速<5km/h。转速分布如图5、图6所示。此阶段燃气消耗较高 燃气经济性优化可在该工况进行重点优化。

采用相关系数的方法[8]对所构建的工况进行验证 高速、低速工况样本相关系数分别为0.999和0.962 能够较好的反映样本的运动学特征。

3.2 工况对比

通过与CHTC循环工况对比 所构建工况与CHTC-TT工况较为符合。工况对比如表5所示。

4 结束语

本文以实际量产车型运行为例 采用改变初始簇中心位置迭代计算出固定的聚类中心 对K-均值聚类进行优化。所构建的高速、低速工况样本相关系数分别达到0.999和0.962 能够较好的反映样本的运动学特征。

所构建的工况与发布的中国行驶工况CHTC-TT工况相似 为车辆后续的动力匹配优化、排放与气耗研究提供了依据。

参考文献

[1] BP Statistical Review of World Energy[R]. London：BP，2019.

[2] 杨阳，李耀华，刘鹏.基于西安高新区循环工况的纯电动城市客车动力系统匹配及仿真研究[J].西华大学学报（自燃科学版），2018， 37（2）：87-93.

[3] 蔡锷，李阳阳，李春明，等.基于K-均值聚类算法的西安市汽车行驶工况合成技术研究[J].汽车技术，2015，（8）：33-36.

[4] 詹森，秦大同，曾育平.基于遗传优化K均值聚类算法工况识别的混合动力汽车能量管理策略[J].中国公路学报，2016，29（4）：130-137.

[5] 李耀华，宋伟萍，任田园，等.基于聚类和比功率分布的西安城市公交行驶工况研究[J].重庆交通大学学报（自然科学版），2020，39 （4）：23-30.

[6] 路尧.中国轻型汽车行驶工况开发[D].北京：北京理工大学动力工程及工程热物理系，2016.

[7] 刘子谭，朱平，刘旭鹏，等. K均值聚类改进与行驶工况构建研究[J].汽车技术，2019，（11）：57-62.

[8] 郝艳召，张洁，王生昌，等.武汉市公交车典型行驶工況的构建[J].交通信息与安全，2014， 32（6）：139-145.

[9] 马志雄，李孟良，张富兴，等.主成分分析法在车辆实际行驶工况开发中的应用[J].武汉理工大学学报，2004，26（4）：32-35.