一种基于改进的短行程法的汽车行驶工况构建方法

摘要

本发明涉及汽车行驶性能测试技术领域，公开了一种基于改进的短行程法的汽车行驶工况构建方法，主要在于获取车速信号数据后将数据划分多个运动片段，并针对怠速部分数据进行多次数据优化处理，然后在优化完成后对运动片段进行特征提取并采用主成分分析法对运动片段特征进行特征降维，并采用K‑Means++聚类方法对降维后的运动片段进行无监督聚类分析，最终得到多个候选工况，并计算候选工况中不包含极值的特征参数，然后与总体数据计算相对误差值，选取平均误差最小的工况作为代表工况输出。本发明具有提升行驶工况数据质量和数据片段代表性，降低工况与总体数据的相对误差，提高行驶工况分析结果准确性的有益效果。

说明书

技术领域

本发明涉及汽车行驶性能测试技术领域，具体涉及一种基于改进的短行程法的汽车行驶工况构建方法。

背景技术

汽车运行工况是指汽车运输行驶过程中的工作状况，按汽车的运动形式主要有起步、加速、等速、减速、转弯、上下坡、停车等行驶工况。汽车行驶工况又称车辆测试循环，是描述汽车行驶的速度-时间曲线，在采集大量实测数据的基础上，构建实际道路循环工况是车辆优化测试和仿真的数据支撑，汽车行驶工况是汽车行业一项重要的基础标准，是汽车产品开发过程中的重要设计输入，是汽车各项性能指标标定优化时的主要基准，也是评价汽车排放、油耗、控制策略和参数匹配的重要依据，是汽车研究中共性的核心技术。

近年来，随着汽车技术的发展，汽车行驶工况也逐渐被汽车厂商重视起来，随着对汽车行驶工况的研究，虽然现在汽车行驶工况的构建方法也取得了一定的研究成果，但是仍然存在许多问题，例如目前汽车行驶工况的构建方法主要基于短行程法进行运动片段分解，简单的将行驶过程分解为怠速和运动两部分进行组合，缺少中间处理环节，怠速部分的数据未得到处理且零速较多，在候选工况合成时剔除率较高，也就导致合成候选工况的运动片段可选择片段过少，且怠速较高，因此现在汽车行驶工况分析结果的准确率较差。

发明内容

本发明意在提供一种基于改进的短行程法的汽车行驶工况构建方法，以提高对汽车行驶工况分析结果的准确性。

为达到上述目的，本发明采用如下技术方案：一种基于改进的短行程法的汽车行驶工况构建方法，包括以下步骤：

步骤S1，获取车速信号数据并对车速信号数据进行预处理后得到第一数据集合，将第一数据集合划分为多个运动片段；

步骤S2，对运动片段进行多次优化，并在优化完成后对运动片段进行数据特征提取；

步骤S3，采用主成分分析法对运动片段的数据特征进行特征降维，并采用K-Means++聚类方法对降维后的运动片段进行无监督聚类分析，根据聚类结果结合各类簇占总体数据时长比例，并设定工况总时长，从聚类中心附近筛选构建多个候选工况；

步骤S4，计算候选工况中不包含极值的特征参数，并与总体数据计算相对误差值，选取平均误差最小的工况作为代表工况输出。

本方案的原理及优点是：实际应用时，首先通过将目标车辆的原始报文数据解析出相应的车速信号数据，然后再对车速信号数据的怠速部分进行优化处理，剔除掉不合格的数据，以提高数据的有效性，同时采用主成分分析法对运动片段特征进行特征降维，并采用K-Means++聚类方法对降维后的运动片段进行无监督聚类分析，根据聚类结果结合各类簇占总体数据时长比例，并设定工况总时长，从聚类中心附近筛选构建多个候选工况，最后计算候选工况中不包含极值的特征参数，并与总体数据计算相对误差值，选取平均误差最小的工况作为代表工况输出。相比于现有技术，本发明的优点在于通过对怠速部分的优化处理，有效提升了行驶工况数据质量和数据片段代表性，明显降低了工况与总体数据的相对误差，大幅提高了行驶工况分析结果准确性。

优选的，作为一种改进，预处理为，对车速信号数据进行清洗，删除明显异常的数据，并采用线性插值填补缺失一秒的数据。

有益效果：通过对车速信号数据的处理，剔除无效的数据，提高数据的有效性，便于后续进行行驶工况的构建，同时还能提高工况输出结果的准确性。

优选的，作为一种改进，明显异常的数据包括时间重复、车速异常、经纬度异常和加速度异常的数据。

有益效果：考虑到驾驶情况的复杂性，也就导致采集到的数据会出现很多异常数据，因此在数据处理计算前将异常数据先清理，减少后续数据的计算量，提高计算结果精度。

优选的，作为一种改进，多个运动片段包括怠速运动片段、加速运动片段、匀速运动片段和减速运动片段。

有益效果：根据汽车实际的行驶状态，将运动片段划分为上述四种类型，便于对车速数据进行统一划分以及在后续行驶工况的分析中提高数据分析的精准度，进而保证输出工况的准确性。

优选的，作为一种改进，对运动片段进行多次优化为，对怠速部分的运动状态进行优化处理，区分出怠速异常、停车异常状态，对运动片段进行第一次优化；对优化后的运动片段进行第二次优化，剔除片段过短，片段中时间缺失率过高以及片段中时间缺失过长的片段。

有益效果：先后进行两次优化，能够有效提升数据质量，进行提高后续工况分析结果的可靠性和准确性，保证得到最准确的工况信息。

优选的，作为一种改进，数据特征包括片段里程、片段时长、加速时间占比、匀速时间占比、减速时间占比、怠速时间占比、最大速度、平均速度、平均行驶速度、速度标准差、最大加速度、平均加速度、加速度标准差、最大减速度、平均减速度和减速度标准差。

有益效果：选取上述特征来计算分析工况的车速数据，提高数据分析过程的可靠性，从而保证工况输出结果的准确性，

优选的，作为一种改进，在对运动片段的数据特征进行特征降维时，选择贡献率大于第一阈值的前4个主成分进行后续分析计算。

有益效果：对运动片段特征进行特征降维，能够有效减少数据的计算量，并消除数据的相关性，提高对行驶工况分析结果的准确性，同时通过限定贡献率的阈值，能够有效剔除数据量，提高分析计算速度。

优选的，作为一种改进，第一阈值为85％。

有益效果：根据方差计算出此阈值，能够对后续分析计算的主成分类型进行精准限定，在保证数据可靠性的同时，精简数据量，提高行驶工况的分析速度。

优选的，作为一种改进，根据聚类结果结合各类簇占总体数据时长比例时，将每个类别的速度特征定义为低速、中低速、中高速和高速四个区间。

有益效果：根据时长对速度特征进行区间划分，不仅能够保证运动片段的完整性，同时还能使速度区间划分更符合工况的实际情况，保证后续输出的工况分析结果的准确性。

优选的，作为一种改进，从聚类中心附近筛选构建多个候选工况为，对聚类中心附近的满足时长要求的运动片段进行组合拼接，筛选构建出多个候选行驶工况。

有益效果：选择聚类中心附近的运动片段进行组合拼接，能够保证构建出的行驶工况的数据的准确性，并且在后续对工况进行误差计算时，也能够有效保证计算速度和计算结果准确度，进而保证得到的行驶工况的准确性。

附图说明

图1为本发明一种基于改进的短行程法的汽车行驶工况构建方法实施例一的流程示意图。

图2为本发明一种基于改进的短行程法的汽车行驶工况构建方法实施例一的行驶工况示意图。

具体实施方式

下面通过具体实施方式进一步详细说明：

实施例一：

本实施例基本如附图1所示：一种基于改进的短行程法的汽车行驶工况构建方法，包括以下步骤：

步骤S1，获取车速信号数据并对车速信号数据进行预处理后得到第一数据集合，将第一数据集合划分为多个运动片段；

步骤S2，对运动片段进行多次优化，并在优化完成后对运动片段进行数据特征提取；

步骤S3，采用主成分分析法对运动片段的数据特征进行特征降维，并采用K-Means++聚类方法对降维后的运动片段进行无监督聚类分析，根据聚类结果结合各类簇占总体数据时长比例，并设定工况总时长，从聚类中心附近筛选构建多个候选工况；

步骤S4，计算候选工况中不包含极值的特征参数，并与总体数据计算相对误差值，选取平均误差最小的工况作为代表工况输出。

具体的，步骤S1中，对车速信号数据进行预处理为，对车速信号数据进行清洗，删除明显异常的数据，包括时间重复、车速异常、经纬度异常和加速度异常的数据，并采用线性插值填补缺失一秒的数据，然后采用传统的短行程法，记录每一个速度为0的怠速起始点作为分割点，将处理后的数据划分为多个运动片段，包括怠速运动片段、加速运动片段、匀速运动片段和减速运动片段。

具体的，步骤S2中，对运动片段进行多次优化时，第一次优化，主要是对怠速运动片段的运动状态进行优化处理，区分出怠速异常、停车异常状态，其中，车速<10km/h且不全为0称为怠速，车速长时间保持0称为停车，怠速时间超过180秒称为怠速异常，停车时间超过180秒称为停车异常。第一种情况，对怠速运动片段，以180秒作为怠速异常的划分阈值，查看180秒时车速是否为0，若不为0，则按怠速异常处理，删除180秒之后的异常数据；第二种情况，若第180秒时车速为0，若周围没有大量为0的车速值，则按怠速异常处理，删除180秒之后的异常数据；第三种情况，若第180秒车速为0，且处在很长一段全0车速区间内，则按停车异常处理，只保留前5秒和后5秒的数据。

然后再对优化后的运动片段进行第二次优化，剔除片段过短(即总时长小于10秒的片段)，片段中时间缺失率过高(缺失率超过10％)，以及片段中时间缺失过长的片段(即缺失时间超过20秒的片段)，通过剔除这三种不合格的片段，能够极大程度提高数据的真实可靠性，减少无效数据量，降低数据计算分析任务量，从而提高对行驶工况分析效率和分析结果的准确性；最后再对运动片段进行数据特征提取，如表1所示，数据特征包括片段里程、片段时长、加速时间占比、匀速时间占比、减速时间占比、怠速时间占比、最大速度、平均速度、平均行驶速度、速度标准差、最大加速度、平均加速度、加速度标准差、最大减速度、平均减速度和减速度标准差。

表1：运动片段数据特征表

具体的，步骤S3中，采用主成分分析法对运动片段的数据特征进行特征降维后，选择累计贡献率大于85％的前4个主成分进行后续计算，主成分分析结果如表2所示，并采用K-Means++聚类方法对降维后的运动片段进行无监督聚类分析，再根据聚类结果中每个类别的速度特征定义低速、中低速、中高速、高速四个区间，考虑到运动学片段完整性，将汽车的行驶工况时长限制在1500-2300秒各类簇片段时长范围，计算公式如下：

式中，T

表2：各主成分方差贡献率

计算得到每个区间对应的时间长度范围，低速：173-266s，中低速：267-410s，中高速：575-880s，高速：485-744s，同时，为避免选择到类别模糊的运动片段，在拼接每一类的运动片段时，选择离质心较近的满足时长要求的片段，进行组合拼接，总共构建12个候选工况。

最后计算候选工况中不包含极值的特征参数，结果如表3所示，并与优化后的四个区间的总数据计算相对误差值，选取误差率最小的工况作为代表工况输出，结果如附图2所示。

表3：候选工况结果表

本实施例的具体实施过程如下：

第一步，将目标车辆行驶的GB32960国标原始报文数据解析出相应的车速信号数据，并对获取到的车速信号数据进行清洗，删除明显异常的数据，包括时间重复、车速异常、经纬度异常和加速度异常的数据，并采用线性插值填补缺失一秒的数据，然后采用传统的短行程法，记录每一个速度为0的怠速起始点作为分割点，将处理后的数据划分为怠速运动片段、加速运动片段、匀速运动片段和减速运动片段这四个运动片段。

第二步，对怠速部分的运动片段进行优化处理，区分判断出怠速异常和停车异常状态，其中，车速<10km/h且不全为0称为怠速，车速长时间保持0称为停车，怠速时间超过180秒称为怠速异常，停车时间超过180秒称为停车异常。总共考虑到三种情况，第一种情况，对怠速运动片段，以180秒作为怠速异常的划分阈值，查看180秒时车速是否为0，若不为0，则按怠速异常处理，删除180秒之后的异常数据；第二种情况，若第180秒时车速为0，若周围没有大量为0的车速值，则按怠速异常处理，删除180秒之后的异常数据；第三种情况，若第180秒车速为0，且处在很长一段全0车速区间内，则按停车异常处理，只保留前5秒和后5秒的数据。

第三步，对优化后的运动片段进行第二次优化，剔除总时长小于10秒的片段，片段中时间缺失率超过10％的片段以及片段中时间缺失超过20秒的片段，最后再对优化后的运动片段进行数据特征提取，其中，数据特征包括片段里程、片段时长、加速时间占比、匀速时间占比、减速时间占比、怠速时间占比、最大速度、平均速度、平均行驶速度、速度标准差、最大加速度、平均加速度、加速度标准差、最大减速度、平均减速度和减速度标准差。

第四步，采用主成分分析法对运动片段的数据特征进行特征降维，选择累计贡献率大于85％的前4个主成分进行后续计算，然后采用K-Means++聚类方法对降维后的运动片段进行无监督聚类分析，再根据聚类结果中每个类别的速度特征定义低速、中低速、中高速、高速四个区间，考虑到运动学片段完整性，将汽车的行驶工况时长限制在1500-2300秒各类簇片段时长范围，并根据对应公式计算得到每个区间对应的时间长度范围，其中，低速：173-266s，中低速：267-410s，中高速：575-880s，高速：485-744s，同时，为避免选择到类别模糊的运动片段，在拼接每一类的运动片段时，选择离质心较近的满足时长要求的片段，进行组合拼接，总共构建12个候选行驶工况。

第五步，计算候选行驶工况中不包含极值的特征参数，并与优化后的四个区间的总数据计算相对误差值，选取平均误差最小的工况作为代表工况输出。

汽车行驶工况是汽车行业一项重要的基础标准，是汽车产品开发过程中的重要设计输入，是汽车各项性能指标标定优化时的主要基准，也是评价汽车排放、油耗、控制策略和参数匹配的重要依据，是汽车研究中共性的核心技术，因此，随着汽车技术的发展，越来越多的汽车厂商对汽车行驶工况的研究重视了起来。目前行驶工况的构建方法主要基于短行程法进行运动片段分解，简单的来说就是将汽车的行驶过程分解为怠速和运动两部分进行组合，而这种方式又存在一定的缺陷，因其缺少中间处理环节，怠速部分的数据未得到处理且零速较多，在候选工况合成时剔除率较高，也就导致合成候选工况的运动片段可选择片段过少，且怠速较高，因此导致最终汽车行驶工况的输出结果的准确性较低，不能反映真实的行驶情况。

而本方案针对行驶工况的研究分析，重点避开了常规概念中的行驶工况主要研究运动过程的偏见，将侧重点选择在怠速部分，出发点意想不到，同时对怠速运动片段进行数据优化，特别是区分出怠速异常和停车异常的状态，进行有效减少了怠速部分的无效数据量，进而提升数据质量，保障分析结果准确性，具有非显而易见性。具体的，则是基于改进的短行程法对汽车行驶工况进行构建，主要改进了进行运动片段划分的短行程法，记录每一个速度为0的怠速起始点作为分割点，将处理后的数据划分为多个运动片段，包括怠速运动片段、加速运动片段、匀速运动片段和减速运动片段，从而增加了可选的运动片段数量，再对传统短行程法的怠速片段部分进行数据优化，不仅区分出怠速异常和停车异常状态，同时针对多种情况对数据进行优化处理，并且还剔除了片段过短、片段中时间缺失率过高以及片段中时间缺失过长的片段，进一步提升了数据质量和数据片段的代表性，最后对数据优化处理后的运动片段进行特征提取并进行特征降维分析，并选择质心附近的片段进行组合拼接，构建多个候选工况，最后结合优化后的四个区间的总数据对个候选工况进行误差计算，选择平均误差最小的候选工况最为代表工况输出，明显降低输出工况与总体数据的相对误差，保证工况分析结果的准确性，进而为汽车性能的研究提供真实可靠的参考数据。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。