基于大数据的电动轻卡驱动系统可靠性工况构建

钟根丁，程小强，龚春辉

基于大数据的电动轻卡驱动系统可靠性工况构建

钟根丁，程小强，龚春辉

（江铃汽车股份有限公司 江西省多功能乘用车工程研究中心，江西 南昌 330000）

基于车联网T-BOX采集的用户大数据，采用短行程分析法，关联驾驶特性及电驱动系统的特性构建出工况特征参数，采用主成分分析法对特征参数降维，利用K-Means聚类出5类不同典型的工况。结合驱动系统轴系损伤及线性损伤理论，选出具有代表性的短行程，构建新的可靠性工况载荷谱。

大数据；可靠性；聚类分析

前言

2020全年，我国新能源商用车累计完成销量为12.1万辆，其中纯电动商用车销量为11.6万辆，插电式混合动力商用车销量为0.4万辆。综合来看，目前我国新能源商用车市场销售也主要以纯电动商用车为主。驱动系统作为纯电动商用车的核心部件，其可靠性是影响客户满意度的重要因素。当前电驱动系统可靠性规范均是针对额定/最大转速与转矩等极限工况编制的恒应力/低交变试验载荷谱，难以有效反映用户实际运行条件下动态交变载荷的损伤效果[1]。通过对电驱动系统可靠性工况特征研究，制定更合理的可靠性试验载荷谱及规范，对纯电动商用车的电驱动系统的开发与验证具有重要的意义。

本文依托新能源车辆管理平台，以某纯电动轻卡车型的用户行驶数据为基础，通过短行程分析法，构建短行程的特征参数，利用主成分分析及无监督机器学习的聚类方法，在结合电驱动系统的损伤强度对用户实际使用条件下的可靠性工况进行识别，构造新的综合可靠性工况，为验证电驱动系统的可靠性提供数据支撑。

1 样本选择及数据提取

在新能源车辆管理平台上，某纯电动轻卡通过车载T-BOX设备采集样车CAN信号上传至云端，从平台系统上可以下载需要分析的数据，如时间、车速、转速、扭矩等信号参数。为保证数据分析的精度，T-BOX设备的采集频率为1 Hz。本次选取全国不同地区共20个用户作为样本，提取其行驶一个月的数据作为分析。用户的选择，主要考虑车型的主销区域，并且能覆盖全国各个涵盖华中、华北、华东、西北 4 个地区。图1为某个用户行驶轨迹图。

图1 某个用户行驶轨迹图

T-BOX采集的数据因受设备、信号传输等因素的影响，导致获取的数据存在丢失、异常等情况，需要对数据做预处理，剔除异常以及无效的数据，避免影响数据分析。

2 数据分析及处理

2.1 短行程划分

本文采用短行程法对行驶工况数据进行分析，短行程是指从车速为零开始到下一个车速为零的运动行程，通常包括一个怠速部分和一个行驶部分[2]。一个短行程通常包含怠速、加速、匀速和减速四种运动模式，如下图2所示。

图2 短行程示意图

2.2 特征参数构建

汽车行驶工况，是由多个具有代表性的短行程工况组合而成。选取具有代表性的短行程工况，需要参考一定的标准及依据。通常采用一定的参数来评估工况，结合电动车的电驱动系统的特性，除时间、车速、加速度外，需要特别考虑扭矩变化对电驱动系统的影响，综合考虑，共设定15个短行程特征参数。

表1 短行程特征参数

特征值定义 T/s总时间 S/m总里程 V_max/(km/h)最大速度 V_mean/(km/h)平均速度 V_std/(km/h)速度标准差 P_acc/%加速时间比例 P_dec/%减速时间比例 a_std/(m/s2)加速度标准差 a_max/(m/s2)最大加速度 a_min/(m/s2)最小减速度 a_acc_mean/(m/s2)加速段平均加速度 a_dec_mean/(m/s2)减速段平均减速度 Trq_p_mean/(N·m)平均正扭矩 Trq_n_mean/(N·m)平均负扭矩 Trq_std/(N·m)扭矩标准差

2.3 主成分分析

主成分分析（Principal Components Analysis），简称 PCA，是基于降维思想下产生的处理高维数据的方法。常用于高维数据的降维，用于提取数据的主要特征分量。提取主成分时，按照各主成分累积贡献率大于80%提取出前6个主成分，各主成分贡献率和累积贡献率见表2所示。将原始15维的矩阵数据转化为6维的主成分矩阵数据进行分析。

表2 主成分贡献率及累计贡献率

主成分贡献率/%累计贡献率/% M140.14140.141 M217.15457.295 M39.25766.552 M47.94774.499 M55.05479.553 M64.70184.254 ……………… M150.294100.000

2.4 聚类分析

对主成分矩阵数据采用K-Means无监督学习进行聚类，取K=5，将工况行程聚类成5大类。5类短行程的分布情况如下表3所示。

表3 聚类工况统计

聚类时间占比/%里程占比/%短行程占比/% 110.8317.8919.12 211.1818.1720.92 342.1415.5513.05 429.0640.8241.24

3 行驶工况构建

3.1 损伤理论

电动车的电驱动系统的损伤，按轴系损伤贡献作为计算依据，以电机输出扭矩、转速产生的交变载荷形成的不同的损伤强度，采用线性损伤的数学模型进行计算[3-4]。线性累积损伤原理假设损伤（寿命耗尽）是累积相加的，电机转矩—转数相关线性疲劳累积损伤为：

式中：D为载荷第级产生的疲劳损伤；n为电机在转矩T下的转数；N为在转矩T时的疲劳寿命（失效转数）；T由转矩—寿命（-）曲线确定。总的损伤表示每个单独损伤（d）的累积过程，由n和N的比值来定义。可通过传动系统基准抗疲劳与寿命关系得出：

式中：T为电机扭矩；T为疲劳强度系数；为疲劳强度指数。计算在某一扭矩T下的转数N，通过公式（1）、（2）可以计算出其对应的疲劳寿命N和损伤d。

3.2 工况构建

根据聚类结果分成的5类，提取典型短行程工况，除考虑该短行程的相关系数，需结合该短行程的损伤贡献，以实现加速验证的目的[4]。选取损伤值较大，且相关系数较大的短行程，作为具有代表性的短行程工况。

表4 子工况参数表

工况相关系数时间/s单位时间损伤值 工况1_10.8092139.50E−09 工况1_20.925694.26E−09 工况1_30.8151153.98E−09 工况2_10.886287.77E−10 工况2_20.8982151.95E−09 工况3_10.9391193.44E−08 工况3_20.887993.15E−08 工况4_10.8231419.94E−09 工况4_20.893764.88E−09 工况4_30.8792014.65E−09 工况5_10.8365943.14E−09

图3 可靠性综合工况

基于单位时间的损伤强度及相关系数，损伤强度选取90%分位以上，相关系数大于0.8，并结合各聚类占比情况，共选取11个子工况作为典型工况，用于构建新的工况。选取的11个子工况参数如表4所示，新构建的综合工况如图3所示。

3.3 工况对比

对选取的短行程的工况与原始数据对比分析见表5所示，新构建的工况的损伤贡献在5个聚类上分布基本相当，为实现加速验证的目的，时间分布上存在一定的差异。新构建的工况总时间为1 870 s，基于相同的损伤强度，经计算其验证时间周期可以压缩至原工况的1/12。

表5 工况对比

聚类原工况时间占比/%原工况损伤占比/%新工况时间占比/%新工况损伤占比/% 114.0318.0621.2318.51 221.711.9412.992.95 36.3247.1011.6648.06 431.9118.0622.3518.05 526.0314.8431.7612.44

4 结论

基于新能源车辆管理平台获取的纯电动轻卡的实际客户数据，将其行驶工况特性聚类成5大类，结合电驱动系统的损伤强度，提取出11个短行程子工况，构建成1 870 s的可靠性综合工况。新构建的工况，为电动轻卡电驱动系统的可靠性验证提供了依据和参考，不仅与实际客户的行驶工况高度关联，同时也能极大地提高验证效率，压缩验证周期。

[1] 赵礼辉.基于用户大数据的电驱动系统可靠性工况特征研究[J].汽车工程,2020,42(10):1386-1396.

[2] 宋怡帆.基于聚类和Python语言的深圳市城市道路车辆行驶工况构建[D].西安:长安大学,2018.

[3] 门玉琢,刘博等.与典型用户数据相关的乘用车传动系台架可靠性试验载荷谱制定研究[J].汽车工程,2017,39(11):1286-1293.

[4] 钟根丁.基于客户关联的纯电动轻卡驱动电机可靠性台架试验研究[J].汽车实用技术,2021,46(8):90-92.

Construction of Reliability Working Condition of Electric Light Truck Drive System Based on Big Data

ZHONG Gending, CHEN Xiaoqiang, GONG Chunhui

( Product research and Development Institute Jiangling Motors. Co., Ltd., Jiangxi Nanchang 330000 )

Based on the user big data collected by the Internet of vehicles T-box, the working condition characteristic parameters are constructed by using the short travel analysis method and associating the driving characteristics and the characteristics of the electric drive system. The dimension of the characteristic parameters is reduced by using the principal component analysis method, and five different typical working conditions are clustered by K-means. Combined with the shafting damage and linear damage theory of the drive system, the representative short stroke is selected and a new reliability working condition load spectrum is constructed.

Big data;Reliability;Cluster analysis

A

1671-7988(2021)22-129-03

U467

A

1671-7988(2021)22-129-03

CLC NO.: U467

钟根丁，助理工程师，就职于江铃汽车股份有限公司，研究方向：整车耐久可靠性耐久测试及开发、大数据场景化分析。

10.16638/j.cnki.1671-7988.2021.022.033