CN108569297A - 一种车辆行驶工况的识别方法及系统 - Google Patents
一种车辆行驶工况的识别方法及系统 Download PDFInfo
- Publication number
- CN108569297A CN108569297A CN201710149079.8A CN201710149079A CN108569297A CN 108569297 A CN108569297 A CN 108569297A CN 201710149079 A CN201710149079 A CN 201710149079A CN 108569297 A CN108569297 A CN 108569297A
- Authority
- CN
- China
- Prior art keywords
- operating mode
- segment
- mode segment
- cluster result
- cycle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000001133 acceleration Effects 0.000 claims abstract description 74
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000004069 differentiation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/076—Slope angle of the road
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/11—Pitch movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/112—Roll movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/114—Yaw movement
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及数据分析领域，尤其涉及一种车辆行驶工况的识别方法及系统。本发明通过采集车辆行驶的速度、横滚角速度、俯仰角速度和偏航角速度；根据所述车辆行驶的速度，得到怠速工况片段；根据所述横滚角速度、俯仰角速度和偏航角速度计算车辆行驶的垂直加速度；根据所述垂直加速度方向的变化情况，得到坡道工况片段；所述坡道工况片段包括上坡路段工况片段、下坡路段工况片段、平缓路段工况片段和坡道转变工况片段；聚类预设的车辆行驶工况片段样本集合，得到最佳聚类结果；根据所述最佳聚类结果识别所述待怠速工况片段或所述坡道工况片段。有利于提高车辆行驶工况的可辨识度。
Description
技术领域
本发明涉及数据分析领域，尤其涉及一种车辆行驶工况的识别方法及系统。
背景技术
随着经济、科技的飞速发展与社会环保意识的不断增强，新能源汽车、车联网技术在国内外受到广泛热捧、应用以及大力推广。汽车用户行车中往往会担忧剩余的能量是否足够驱动车辆抵达目的地，其中以纯电动为主的新能源汽车用户的焦虑表现尤为突出。当前，新能源汽车、车联网技术这两大汽车技术研究领域方兴未艾，续驶里程估计更是备受研究人员关注，也是相关领域人员的研究热点。对于续驶里程的估计，通常会选择采用工况法或等速法，若是考虑估计的准确程度一般又以工况法为首选，例如，申请号为CN201310151533.5、CN201310237344.X和CN201510458873.1的专利文献均使用工况法估计续驶里程。显然，车辆行驶工况分类的合理性和识别待分类的车辆行驶工况的准确性，都会直接影响到续驶里程估计结果的准确程度。
现有技术常使用模糊C均值方法聚类，其主要的考量是可直接根据聚类后所得到的聚类中心对待分类对象归类。但是，在聚类之前需要事先规定类别数，才能通过不断校正聚类中心完成聚类。由于车辆工况行驶的特征参数间的差异性并不容易分辨，因此最佳聚类的类别数难以直接由人工确定。此外，无量纲化处理通常会涉及样本各特征参数的均值、标准差、最大值、最小值等统计量，这也就要求具有较大数量的聚类样本，才能准确地进行无量纲化处理。而C均值聚类方法的聚类中心是由迭代方式得到的，当样本数量较大时，迭代的成本也就相对较高，并且还难以很好地收敛到最优解，而车辆工况行驶的特征参数种类多，必须对不同特征参数进行无量纲化处理才能够得到合理的聚类结果。因此，现有技术中常用的模糊C均值方法不适用于聚类车辆行驶工况，使用模糊C均值方法所得的聚类中心进行车辆行驶工况识别时，很难利用新辨识的片段对聚类中心进行有效更新。
发明内容
本发明所要解决的技术问题是：提供一种车辆行驶工况的识别方法及系统，提高车辆行驶工况的可辨识度。
为了解决上述技术问题，本发明采用的技术方案为：
本发明提供一种车辆行驶工况的识别方法，包括：
S1、采集车辆行驶的速度、横滚角速度、俯仰角速度和偏航角速度；
S2、根据所述车辆行驶的速度，得到怠速工况片段；
S3、根据所述横滚角速度、俯仰角速度和偏航角速度计算车辆行驶的垂直加速度；
S4、根据所述垂直加速度方向的变化情况，得到坡道工况片段；所述坡道工况片段包括上坡路段工况片段、下坡路段工况片段、平缓路段工况片段和坡道转变工况片段；
S5、聚类预设的车辆行驶工况片段样本集合，得到最佳聚类结果；
S6、根据所述最佳聚类结果识别所述怠速工况片段或所述坡道工况片段。
本发明还提供一种车辆行驶工况的识别系统，包括：
采集模块，用于采集车辆行驶的速度、横滚角速度、俯仰角速度和偏航角速度；
获取模块，用于根据所述车辆行驶的速度，得到怠速工况片段；
计算模块，用于根据所述横滚角速度、俯仰角速度和偏航角速度计算车辆行驶的垂直加速度；
划分模块，用于根据所述垂直加速度方向的变化情况，得到坡道工况片段；所述坡道工况片段包括上坡路段工况片段、下坡路段工况片段、平缓路段工况片段和坡道转变工况片段；
聚类模块，用于聚类预设的车辆行驶工况片段样本集合，得到最佳聚类结果；
识别模块，用于根据所述最佳聚类结果识别所述怠速工况片段或所述坡道工况片段。
本发明的有益效果在于：本发明通过在以怠速状态划分车辆行驶工况的基础上，根据垂直加速度判断坡道转变状态以划分不同的坡道路段，在工况片段划分更合理且精细的同时提高工况片段的可辨识度和工况类别的区分程度。
附图说明
图1为本发明提供的一种车辆行驶工况的识别方法的具体实施方式的流程框图；
图2为本发明提供的一种车辆行驶工况的识别系统的具体实施方式的结构框图；
图3为四种路段的示意图；
图4为四种路段的组合示意图；
标号说明：
1、采集模块；2、获取模块；3、计算模块；4、划分模块；5、聚类模块；6、识别模块。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于：通过在以怠速状态划分车辆行驶工况的基础上，根据垂直加速度判断坡道转变状态以划分不同的坡道路段，在工况片段划分更合理且精细的同时提高工况片段的可辨识度，提高工况类别的区分程度。
名词解释：
如图1所示，本发明提供一种车辆行驶工况的识别方法，包括：
S1、采集车辆行驶的速度、横滚角速度、俯仰角速度和偏航角速度；
S2、根据所述车辆行驶的速度，得到怠速工况片段；
S3、根据所述横滚角速度、俯仰角速度和偏航角速度计算车辆行驶的垂直加速度；
S4、根据所述垂直加速度方向的变化情况，得到坡道工况片段；所述坡道工况片段包括上坡路段工况片段、下坡路段工况片段、平缓路段工况片段和坡道转变工况片段；
S5、聚类预设的车辆行驶工况片段样本集合，得到最佳聚类结果；
S6、根据所述最佳聚类结果识别所述怠速工况片段或所述坡道工况片段。
进一步地，所述S2具体为：
预设怠速阈值；
当所述车辆行驶的速度由不小于所述怠速阈值转变为小于所述怠速阈值时，标记当前系统时间为怠速状态开始时刻；
当所述车辆行驶的速度由不大于所述怠速阈值转变为大于所述怠速阈值时，标记当前系统时间为怠速状态结束时刻；
根据所述怠速状态开始时刻至所述怠速状态结束时刻的车辆行驶工况生成所述怠速工况片段。
进一步地，所述S6具体为：
获取所述最佳聚类结果所包含的种类；
计算预设的已分类工况片段样本集合中每一种类出现的概率，得到朴素贝叶斯分类器的先验概率；
统计每一种类各特征参数的期望与方差，得到每一种类各特征参数对应的概率密度函数；
提取所述怠速工况片段或所述坡道工况片段的特征参数；所述特征参数包括速度平均值、速度最大值、前进加速度平均值、前进加速度最大值、前进加速度标准差、垂直加速度平均值、垂直加速度标准差、加速时间、减速时间；
根据所述待分类的工况片段的特征参数计算得到每一种类各特征参数对应的概率密度函数值；
设置朴素贝叶斯分类器的似然度为每一种类各特征参数对应的概率密度函数值的乘积；
朴素贝叶斯分类器根据所述先验概率和所述似然度计算得到每一种类的后验概率；
设置所述待分类的工况片段的类别为最大后验概率对应的所述种类。
由上述描述可知，提取所述坡道工况片段的特征参数，包括速度平均值、速度最大值、前进加速度平均值、前进加速度最大值、前进加速度标准差、垂直加速度平均值、垂直加速度标准差、加速时间和减速时间可反映路面颠簸状况，有利于提高工况片段识别结果的准确度。此外，朴素贝叶斯分类器具有计算简单、高效等特点，特征参数不再需要进行无量纲化的处理，提高了分类的效率；此外，朴素贝叶斯分类器参数的更新过程也易于实现，有利于提高分类的精确性。
进一步地，还包括：
添加所述待分类的工况片段及所述待分类的工况片段的类别至所述已分类工况片段样本集合，得到更新后的已分类工况片段样本集合；
根据所述更新后的已分类工况片段样本集合更新所述朴素贝叶斯分类器的先验概率和每一种类各特征参数的概率密度函数。
由上述描述可知，根据新获取的车辆行驶工况不断校正朴素贝叶斯分类器的参数，提高了识别车辆行驶工况的准确度。
进一步地，所述S5具体为：
根据预设的车辆行驶工况片段样本集合的特征参数构造特征参数矩阵；
转换所述特征参数矩阵为模糊等价矩阵；
根据不同的预设截断值得到聚类结果集合；
计算所述聚类结果集合中各聚类结果的F统计量；
根据所述F统计量，得到所述最佳聚类结果。
由上述描述可知，构建模糊等价矩阵对车辆行驶工况片段样本的特征参数进行动态聚类，并通过F统计量选取出最佳的聚类结果，由于本发明对车辆行驶工况聚类的类别数由F统计量确定，使得聚类过程更具客观性与目的性，提高了车辆行驶工况聚类的合理性，从而提高了识别车辆行驶过程中的工况片段的准确性。
进一步地，根据所述F统计量，得到最佳聚类结果，具体为：
计算所述聚类结果集合中各聚类结果的F统计量与对应的F分布临界值的差值；
设置具有最大所述差值且所述差值大于零的所述聚类结果为最佳聚类结果。
由上述描述可知，F统计量越大表示类间距离越大，类内距离越小，类与类的区分效果越好。
如图2所示，本发明还提供一种车辆行驶工况的系统，包括：
采集模块1，用于采集车辆行驶的速度、横滚角速度、俯仰角速度和偏航角速度；
获取模块2，用于根据所述车辆行驶的速度，得到怠速工况片段；
计算模块3，用于根据所述横滚角速度、俯仰角速度和偏航角速度计算车辆行驶的垂直加速度；
划分模块4，用于根据所述垂直加速度方向的变化情况，得到坡道工况片段；所述坡道工况片段包括上坡路段工况片段、下坡路段工况片段、平缓路段工况片段和坡道转变工况片段；
聚类模块5，用于聚类预设的车辆行驶工况片段样本集合，得到最佳聚类结果；
识别模块6，用于根据所述最佳聚类结果识别所述怠速工况片段或所述坡道工况片段。
进一步地，所述识别模块包括：
第一获取单元，用于获取所述最佳聚类结果所包含的种类；
第一计算单元，用于计算预设的已分类工况片段样本集合中每一种类出现的概率，得到朴素贝叶斯分类器的先验概率；
统计单元，用于统计每一种类各特征参数的期望与方差，得到每一种类各特征参数对应的概率密度函数；
提取单元，用于提取所述怠速工况片段或所述坡道工况片段的特征参数；所述特征参数包括速度平均值、速度最大值、前进加速度平均值、前进加速度最大值、前进加速度标准差、垂直加速度平均值、垂直加速度标准差、加速时间、减速时间；
第二计算单元，用于根据所述待分类的工况片段的特征参数计算得到每一种类各特征参数对应的概率密度函数值；
第一设置单元，用于设置朴素贝叶斯分类器的似然度为每一种类各特征参数对应的概率密度函数值的乘积；
第三计算单元，用于朴素贝叶斯分类器根据所述先验概率和所述似然度计算得到每一种类的后验概率；
第二设置单元，用于设置所述待分类的工况片段的类别为最大后验概率对应的所述种类。
进一步地，还包括：
添加模块，用于添加所述待分类的工况片段及所述待分类的工况片段的类别至所述已分类工况片段样本集合，得到更新后的已分类工况片段样本集合；
更新模块，用于根据所述更新后的已分类工况片段样本集合更新所述朴素贝叶斯分类器的先验概率和每一种类各特征参数的概率密度函数。
进一步地，所述聚类模块包括：
构造单元，用于根据预设的车辆行驶工况片段样本集合的特征参数构造特征参数矩阵；
转换单元，用于转换所述特征参数矩阵为模糊等价矩阵；
第二获取单元，用于根据不同的预设截断值得到聚类结果集合；
第四计算单元，用于计算所述聚类结果集合中各聚类结果的F统计量；
第三获取单元，用于根据所述F统计量，得到所述最佳聚类结果；
第四设置单元，用于设置具有最大所述差值且所述差值大于零的所述聚类结果为最佳聚类结果。
本发明的实施例为：
S1、采集车辆行驶的速度、横滚角速度、俯仰角速度和偏航角速度；
以车辆的前进、侧向、垂直方向分别为x轴、y轴和z轴，建立空间直角坐标系；计算车辆前进、侧向、垂直方向轴由第i-1时刻到第i时刻的横滚角速度、俯仰角速度和偏航角速度；
其中，第i-1时刻到第i时刻的横滚角速度、俯仰角速度和偏航角速度的计算公式分别为αi-1/2＝(ωα,i-1+ωα,i)Δt/2、βi-1/2＝(ωβ,i-1+ωβ,i)Δt/2和γi-1/2＝(ωγ,i-1+ωγ,i)Δt/2；
其中，Δt为采样时间间隔，ωα,i-1和ωα,i分别为第i-1时刻和第i时刻陀螺仪采集的横滚角速度，ωβ,i-1和ωβ,i分别为第i-1时刻和第i时刻陀螺仪采集的俯仰角速度、ωγ,i-1和ωγ,i分别为第i-1时刻和第i时刻陀螺仪采集的偏航角速度。
S2、根据所述车辆行驶的速度，得到怠速工况片段；具体为：
预设怠速阈值；
当所述车辆行驶的速度由不小于所述怠速阈值转变为小于所述怠速阈值时，标记当前系统时间为怠速状态开始时刻；
当所述车辆行驶的速度由不大于所述怠速阈值转变为大于所述怠速阈值时，标记当前系统时间为怠速状态结束时刻；
根据所述怠速状态开始时刻至所述怠速状态结束时刻的车辆行驶工况生成所述怠速工况片段。
S3、根据所述横滚角速度、俯仰角速度和偏航角速度计算车辆行驶的垂直加速度；
计算第i时刻车辆的加速度，表达式为其中，t表示向量或矩阵的转置，并且和满足如下形式：
第i时刻车辆的加速度又记为三个分量分别为前进加速度、侧向加速度、垂直加速度；
S4、根据所述垂直加速度方向的变化情况划分所述怠速工况片段，得到坡道工况片段；所述坡道工况片段包括上坡路段工况片段、下坡路段工况片段、平缓路段工况片段和坡道转变工况片段；具体为：
如图3所示的四种路段，车辆在行驶时垂直加速度保持相对方向不变，其中图3(a)和图3(b)所示的两种路段的垂直加速度的方向向下，图3(c)和图3(d)所示的两种路段的垂直加速度的方向向上。图4为图3中四种路段的若干组合，对比路段承接间虚线部分则可区分出上坡路段、下坡路段和平缓路段。若垂直加速度在一段时间内保持相对方向不变并且其大小关于时间的积分运算数值超过预设阈值，则将相应的片段定义为坡道转变工况片段，各种类型的工况片段共同构成车辆行驶工况片段样本。根据实际情况，还可根据其它特征将坡道转变工况片段进一步划分，使得每个工况片段内车辆行驶的工作条件或环境状况尽可能单一，从而提高工况片段的可辨识度。
S5、聚类预设的车辆行驶工况片段样本集合，得到最佳聚类结果；具体为：
S51、根据预设的车辆行驶工况片段样本集合的特征参数构造特征参数矩阵；
其中，所述特征参数包括速度平均值、速度最大值、前进加速度平均值、前进加速度最大值、前进加速度标准差、垂直加速度平均值、垂直加速度标准差、加速时间、减速时间等统计量；
其中，车辆行驶工况片段样本集合中各工况片段样本的特征参数向量表示为(s1,s2,…,sk)，特征参数矩阵表示为
其中，k为大于零的自然数，表示特征参数的个数；n为大于零的自然数，表示车辆行驶工况片段样本集合中工况片段的个数。
S52、转换所述特征参数矩阵为模糊等价矩阵；具体为：
通过极差变换方法无量纲化处理所述特征参数矩阵，得到无量纲矩阵；
其中，极差变换的公式为
通过欧式距离法、海明距离法或者夹角余弦法等方法计算车辆行驶工况片段样本集合中各工况片段两两之间的模糊相似度，得到模糊相似矩阵；
逐次平方所述模糊相似矩阵直至获得传递闭包，得到模糊等价矩阵。
S53、根据不同的预设截断值得到聚类结果集合；
S54、计算所述聚类结果集合中各聚类结果的F统计量；
其中，F统计量的计算公式为：
Jr表示分到第r类的工况片段集合，nr为集合Jr中工况片段个数。F统计量服从于自由度为m-1，n-m的F分布。
S55、根据所述F统计量，得到最佳聚类结果；具体为：
计算所述聚类结果集合中各聚类结果的F统计量与对应的F分布临界值的差值；
设置具有最大所述差值且所述差值大于零的所述聚类结果为最佳聚类结果；
即最佳聚类需同时满足以下两个条件：
F-Fε(m-1,n-m)＞0
max(F-Fε(m-1,n-m))
显然，类间距离越大，类内距离越小，F统计量越大，则类与类的区分效果越好。因此，使得F-Fε(m-1,n-m)＞0(Fε(m-1,n-m)为对应F分布的ε临界值)且值最大的聚类结果即为最佳聚类结果。
S6、根据所述最佳聚类结果识别所述怠速工况片段或所述坡道工况片段；具体为：
S61、获取所述最佳聚类结果所包含的种类；
其中，假设最佳聚类结果将工况分为v类；
S62、计算预设的已分类工况片段样本集合中每一种类出现的概率，得到朴素贝叶斯分类器的先验概率；
其中，从已分类的车辆行驶工况片段样本中，统计出每个类别发生的频率，并将其近似于概率作为贝叶斯公式的先验概率P(Jr)；
S63、统计每一种类各特征参数的期望与方差，得到每一种类各特征参数对应的概率密度函数；
S64、提取所述怠速工况片段或所述坡道工况片段的特征参数；所述特征参数包括速度平均值、速度最大值、前进加速度平均值、前进加速度最大值、前进加速度标准差、垂直加速度平均值、垂直加速度标准差、加速时间、减速时间；
现有技术直接使用速度的标量的变化率计算加速度，然而车辆在行驶中速度的方向却是时刻在发生变化的，因此，特征参数包括加速度可更准确地反映车辆行驶的实际状况，进一步地垂直加速度标准差可反映路面的颠簸状况，从而可更为合理精细地划分工况片段。
S65、根据所述待分类的工况片段的特征参数计算得到每一种类各特征参数对应的概率密度函数值；设置朴素贝叶斯分类器的似然度为每一种类各特征参数对应的概率密度函数值的乘积；
其中，在特征参数中，假定标准差和时间服从于指数分布，其它特征参数服从于正态分布。进而，通过统计每一类别各特征参数的期望与方差确定它们的概率密度函数，由待分类的车辆行驶工况片段的特征参数可计算得到相应的概率密度函数值，并将其视为相对条件概率P(sq|Jr)，则有贝叶斯公式的似然度为
S66、朴素贝叶斯分类器根据所述先验概率和所述似然度计算得到每一种类的后验概率；
其中，后验概率的计算公式为：
S67、设置所述待分类的工况片段的类别为最大后验概率对应的所述种类；
其中，比较每一类别的后验概率，并获取最大后验概率对应的聚类结果中的类别τ，则认为所述待分类的车辆行驶工况片段为第τ类工况；
S7、添加所述待分类的工况片段及所述待分类的工况片段的类别至所述已分类工况片段样本集合，得到更新后的已分类工况片段样本集合；根据所述更新后的已分类工况片段样本集合更新所述朴素贝叶斯分类器的先验概率和每一种类各特征参数的概率密度函数。
综上所述，本发明提供的一种车辆行驶工况的识别方法及系统，利用速度、陀螺仪数据，通过建立数学模型，得到汽车前进、侧向、垂直三个加速度分量。在以怠速状态划分工况的基础上，提出根据垂直加速度判断坡道转变状态以划分不同坡道路段，并提取包括反映路面颠簸状况的垂直加速度统计量在内的速度、时间和加速度等方面的特征参数，在工况片段划分更为合理且精细的同时提高工况片段的可辨识度，使得各工况类别的区分程度更加清晰。结合以往大量车辆行驶数据，通过工况片段的划分及特征参数的提取，构建模糊等价矩阵进行动态聚类；在最佳聚类结果的基础上，采用朴素贝叶斯分类器对当前所划分工况片段进行归类辨识，同时进行分类器参数的实时更新。本发明的聚类类别数由所定义的F统计量确定，这使得聚类过程更具客观性与目的性；同时，所采用的朴素贝叶斯分类器具有计算简单、高效等特点，并且特征参数不再需要进行无量纲化的处理，而且分类器参数的更新过程也易于实现。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种车辆行驶工况的识别方法，其特征在于，包括：
S1、采集车辆行驶的速度、横滚角速度、俯仰角速度和偏航角速度；
S2、根据所述车辆行驶的速度，得到怠速工况片段；
S3、根据所述横滚角速度、俯仰角速度和偏航角速度计算车辆行驶的垂直加速度；
S4、根据所述垂直加速度方向的变化情况，得到坡道工况片段；所述坡道工况片段包括上坡路段工况片段、下坡路段工况片段、平缓路段工况片段和坡道转变工况片段；
S5、聚类预设的车辆行驶工况片段样本集合，得到最佳聚类结果；
S6、根据所述最佳聚类结果识别所述怠速工况片段或所述坡道工况片段。
2.根据权利要求1所述的车辆行驶工况的识别方法，其特征在于，所述S2具体为：
预设怠速阈值；
当所述车辆行驶的速度由不小于所述怠速阈值转变为小于所述怠速阈值时，标记当前系统时间为怠速状态开始时刻；
当所述车辆行驶的速度由不大于所述怠速阈值转变为大于所述怠速阈值时，标记当前系统时间为怠速状态结束时刻；根据所述怠速状态开始时刻至所述怠速状态结束时刻的车辆行驶工况生成所述怠速工况片段。
3.根据权利要求1所述的车辆行驶工况的识别方法，其特征在于，所述S6具体为：
获取所述最佳聚类结果所包含的种类；
计算预设的已分类工况片段样本集合中每一种类出现的概率，得到朴素贝叶斯分类器的先验概率；
统计每一种类各特征参数的期望与方差，得到每一种类各特征参数对应的概率密度函数；
提取所述怠速工况片段或所述坡道工况片段的特征参数；所述特征参数包括速度平均值、速度最大值、前进加速度平均值、前进加速度最大值、前进加速度标准差、垂直加速度平均值、垂直加速度标准差、加速时间、减速时间；
根据所述待分类的工况片段的特征参数计算得到每一种类各特征参数对应的概率密度函数值；
设置朴素贝叶斯分类器的似然度为每一种类各特征参数对应的概率密度函数值的乘积；
朴素贝叶斯分类器根据所述先验概率和所述似然度计算得到每一种类的后验概率；
设置所述待分类的工况片段的类别为最大后验概率对应的所述种类。
4.根据权利要求3所述的车辆行驶工况的识别方法，其特征在于，还包括：
添加所述待分类的工况片段及所述待分类的工况片段的类别至所述已分类工况片段样本集合，得到更新后的已分类工况片段样本集合；
根据所述更新后的已分类工况片段样本集合更新所述朴素贝叶斯分类器的先验概率和每一种类各特征参数的概率密度函数。
5.根据权利要求1所述的车辆行驶工况的识别方法，其特征在于，所述S5具体为：
根据预设的车辆行驶工况片段样本集合的特征参数构造特征参数矩阵；
转换所述特征参数矩阵为模糊等价矩阵；
根据不同的预设截断值得到聚类结果集合；
计算所述聚类结果集合中各聚类结果的F统计量；
根据所述F统计量，得到所述最佳聚类结果。
6.根据权利要求5所述的车辆行驶工况的识别方法，其特征在于，根据所述F统计量，得到最佳聚类结果，具体为：
计算所述聚类结果集合中各聚类结果的F统计量与对应的F分布临界值的差值；
设置具有最大所述差值且所述差值大于零的所述聚类结果为最佳聚类结果。
7.一种车辆行驶工况的识别系统，其特征在于，包括：
采集模块，用于采集车辆行驶的速度、横滚角速度、俯仰角速度和偏航角速度；
获取模块，用于根据所述车辆行驶的速度，得到怠速工况片段；
计算模块，用于根据所述横滚角速度、俯仰角速度和偏航角速度计算车辆行驶的垂直加速度；
划分模块，用于根据所述垂直加速度方向的变化情况，得到坡道工况片段；所述坡道工况片段包括上坡路段工况片段、下坡路段工况片段、平缓路段工况片段和坡道转变工况片段；
聚类模块，用于聚类预设的车辆行驶工况片段样本集合，得到最佳聚类结果；
识别模块，用于根据所述最佳聚类结果识别所述怠速工况片段或所述坡道工况片段。
8.根据权利要求7所述的车辆行驶工况的识别系统，其特征在于，所述识别模块包括：
第一获取单元，用于获取所述最佳聚类结果所包含的种类；
第一计算单元，用于计算预设的已分类工况片段样本集合中每一种类出现的概率，得到朴素贝叶斯分类器的先验概率；
统计单元，用于统计每一种类各特征参数的期望与方差，得到每一种类各特征参数对应的概率密度函数；
提取单元，用于提取所述待分类的工况片段的特征参数；所述特征参数包括速度平均值、速度最大值、前进加速度平均值、前进加速度最大值、前进加速度标准差、垂直加速度平均值、垂直加速度标准差、加速时间、减速时间；
第二计算单元，用于根据所述待分类的工况片段的特征参数计算得到每一种类各特征参数对应的概率密度函数值；
第一设置单元，用于设置朴素贝叶斯分类器的似然度为每一种类各特征参数对应的概率密度函数值的乘积；
第三计算单元，用于朴素贝叶斯分类器根据所述先验概率和所述似然度计算得到每一种类的后验概率；
第二设置单元，用于设置所述待分类的工况片段的类别为最大后验概率对应的所述种类。
9.根据权利要求7所述的车辆行驶工况的识别系统，其特征在于，还包括：
添加模块，用于添加所述待分类的工况片段及所述待分类的工况片段的类别至所述已分类工况片段样本集合，得到更新后的已分类工况片段样本集合；
更新模块，用于根据所述更新后的已分类工况片段样本集合更新所述朴素贝叶斯分类器的先验概率和每一种类各特征参数的概率密度函数。
10.根据权利要求7所述的车辆行驶工况的识别系统，其特征在于，所述聚类模块包括：
构造单元，用于根据预设的车辆行驶工况片段样本集合的特征参数构造特征参数矩阵；
转换单元，用于转换所述特征参数矩阵为模糊等价矩阵；
第二获取单元，用于根据不同的预设截断值得到聚类结果集合；
第四计算单元，用于计算所述聚类结果集合中各聚类结果的F统计量；
第三获取单元，用于根据所述F统计量，得到所述最佳聚类结果；
第四设置单元，用于设置具有最大所述差值且所述差值大于零的所述聚类结果为最佳聚类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710149079.8A CN108569297B (zh) | 2017-03-14 | 2017-03-14 | 一种车辆行驶工况的识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710149079.8A CN108569297B (zh) | 2017-03-14 | 2017-03-14 | 一种车辆行驶工况的识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108569297A true CN108569297A (zh) | 2018-09-25 |
| CN108569297B CN108569297B (zh) | 2021-02-26 |
Family
ID=63578345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710149079.8A Active CN108569297B (zh) | 2017-03-14 | 2017-03-14 | 一种车辆行驶工况的识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108569297B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110502726A (zh) * | 2019-08-28 | 2019-11-26 | 西南交通大学 | 一种轨道车辆车内噪音预测方法及装置 |
| CN110696816A (zh) * | 2019-10-22 | 2020-01-17 | 河南科技大学 | 基于工况分类的动态协调混合动力汽车能量管理方法 |
| CN111127696A (zh) * | 2018-10-29 | 2020-05-08 | 上海汽车集团股份有限公司 | 一种数据处理方法及装置 |
| CN111222542A (zh) * | 2019-12-17 | 2020-06-02 | 宁波工程学院 | 基于l1正则化的混合动力公交车工况有效特征选取方法 |
| CN112560994A (zh) * | 2020-12-26 | 2021-03-26 | 东软睿驰汽车技术（沈阳）有限公司 | 一种基于时序的车辆工况分类方法及装置 |
| CN113635907A (zh) * | 2020-04-24 | 2021-11-12 | 顺丰科技有限公司 | 一种驾驶行为的检测方法、装置、电子设备及其存储介质 |
| CN113744530A (zh) * | 2021-09-08 | 2021-12-03 | 河南科技大学 | 一种车辆工况的构建方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102416950A (zh) * | 2011-10-31 | 2012-04-18 | 大连理工大学 | 一种基于最小等效燃油消耗的混合动力汽车控制方法 |
| KR20130061250A (ko) * | 2011-12-01 | 2013-06-11 | 현대자동차주식회사 | 차량의 주변 장애물 추적방법 |
| CN103921743A (zh) * | 2014-05-08 | 2014-07-16 | 长春工业大学 | 汽车行驶工况判别系统及其判别方法 |
| US20150166072A1 (en) * | 2013-10-17 | 2015-06-18 | Richard M. Powers | Systems and methods for predicting weather performance for a vehicle |
| CN105868787A (zh) * | 2016-03-31 | 2016-08-17 | 江苏大学 | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 |
| CN106203856A (zh) * | 2016-07-18 | 2016-12-07 | 交通运输部公路科学研究所 | 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法 |
-
2017
- 2017-03-14 CN CN201710149079.8A patent/CN108569297B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102416950A (zh) * | 2011-10-31 | 2012-04-18 | 大连理工大学 | 一种基于最小等效燃油消耗的混合动力汽车控制方法 |
| KR20130061250A (ko) * | 2011-12-01 | 2013-06-11 | 현대자동차주식회사 | 차량의 주변 장애물 추적방법 |
| US20150166072A1 (en) * | 2013-10-17 | 2015-06-18 | Richard M. Powers | Systems and methods for predicting weather performance for a vehicle |
| CN103921743A (zh) * | 2014-05-08 | 2014-07-16 | 长春工业大学 | 汽车行驶工况判别系统及其判别方法 |
| CN105868787A (zh) * | 2016-03-31 | 2016-08-17 | 江苏大学 | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 |
| CN106203856A (zh) * | 2016-07-18 | 2016-12-07 | 交通运输部公路科学研究所 | 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马志雄、朱西产、李孟良、乔维高、张富兴: "动态聚类法在车辆实际行驶工况开发中的应用", 《武汉理工大学学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127696A (zh) * | 2018-10-29 | 2020-05-08 | 上海汽车集团股份有限公司 | 一种数据处理方法及装置 |
| CN110502726A (zh) * | 2019-08-28 | 2019-11-26 | 西南交通大学 | 一种轨道车辆车内噪音预测方法及装置 |
| CN110502726B (zh) * | 2019-08-28 | 2021-04-27 | 西南交通大学 | 一种轨道车辆车内噪音预测方法及装置 |
| CN110696816A (zh) * | 2019-10-22 | 2020-01-17 | 河南科技大学 | 基于工况分类的动态协调混合动力汽车能量管理方法 |
| CN111222542A (zh) * | 2019-12-17 | 2020-06-02 | 宁波工程学院 | 基于l1正则化的混合动力公交车工况有效特征选取方法 |
| CN111222542B (zh) * | 2019-12-17 | 2023-06-20 | 宁波工程学院 | 基于l1正则化的混合动力公交车工况有效特征选取方法 |
| CN113635907A (zh) * | 2020-04-24 | 2021-11-12 | 顺丰科技有限公司 | 一种驾驶行为的检测方法、装置、电子设备及其存储介质 |
| CN113635907B (zh) * | 2020-04-24 | 2023-03-14 | 丰图科技(深圳)有限公司 | 一种驾驶行为的检测方法、装置、电子设备及其存储介质 |
| CN112560994A (zh) * | 2020-12-26 | 2021-03-26 | 东软睿驰汽车技术（沈阳）有限公司 | 一种基于时序的车辆工况分类方法及装置 |
| CN112560994B (zh) * | 2020-12-26 | 2024-05-03 | 东软睿驰汽车技术（沈阳）有限公司 | 一种基于时序的车辆工况分类方法及装置 |
| CN113744530A (zh) * | 2021-09-08 | 2021-12-03 | 河南科技大学 | 一种车辆工况的构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108569297B (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108569297A (zh) | 一种车辆行驶工况的识别方法及系统 | |
| CN111038485B (zh) | 基于驾驶风格识别的混合动力汽车控制方法及系统 | |
| CN106228185B (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
| CN109409252A (zh) | 一种基于改进型ssd网络的车辆行人多目标检测方法 | |
| CN103400105B (zh) | 一种姿态归一化的非正面人脸表情识别方法 | |
| CN105760888B (zh) | 一种基于属性聚类的邻域粗糙集集成学习方法 | |
| CN107066555B (zh) | 面向专业领域的在线主题检测方法 | |
| CN105868787A (zh) | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 | |
| Xiao et al. | Based on grid-search and PSO parameter optimization for Support Vector Machine | |
| CN101763515A (zh) | 一种基于计算机视觉的实时手势交互方法 | |
| CN110084211B (zh) | 一种动作识别方法 | |
| CN106055653A (zh) | 基于图像语义注释的视频浓缩对象检索方法 | |
| CN104899607B (zh) | 一种传统云纹图案的自动分类方法 | |
| CN101799875B (zh) | 一种目标检测方法 | |
| CN107273805A (zh) | 一种基于视觉特性的gm‑hmm预测驾驶行为方法 | |
| CN107240097A (zh) | 基于mkl‑svm‑pso算法的肺结节图像处理方法 | |
| CN102663401A (zh) | 一种图像特征提取和描述方法 | |
| CN113792387A (zh) | 飞行器积冰冰形模拟方法、装置、计算机设备及存储介质 | |
| Li et al. | A SARS-CoV-2 microscopic image dataset with ground truth images and visual features | |
| Deng et al. | Dual threshold based unsupervised face image clustering | |
| CN103077405A (zh) | 一种基于Fisher判别分析的贝叶斯分类方法 | |
| Zhou et al. | Seat belt detection using convolutional neural network bn-alexnet | |
| CN110929761A (zh) | 智能系统安全体系态势感知构架中采集样本的平衡方法 | |
| KR20110037184A (ko) | 뉴로-퍼지 시스템과 병렬처리 프로세서가 결합된, 파이프라이닝 컴퓨터 시스템, 이를 이용하여 영상에서 물체를 인식하는 방법 및 장치 | |
| Wijnhoven et al. | Unsupervised sub-categorization for object detection: Finding cars from a driving vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |