CN111652512A - 一种用于节能减排的多性能评价平台与方法 - Google Patents
一种用于节能减排的多性能评价平台与方法 Download PDFInfo
- Publication number
- CN111652512A CN111652512A CN202010502445.5A CN202010502445A CN111652512A CN 111652512 A CN111652512 A CN 111652512A CN 202010502445 A CN202010502445 A CN 202010502445A CN 111652512 A CN111652512 A CN 111652512A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- vehicle
- road
- emission reduction
- performance
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种用于节能减排的多性能评价平台与方法。所述评价平台包括数据采集系统、数据库系统、数据管理系统、模式识别系统、评价评分系统,其中,所述数据采集系统,用于采集驾驶员操作信息和汽车整车各路信号信息;所述数据库系统,用于建立“人‑车‑路”全工况数据库;所述数据处理系统,用于处理所采集的整车能耗水平评价指标数据,包括主成分特征参数的提取及降维;所述模式识别系统,用于实现基于“人‑车‑路”全工况模式自动识别;所述评价评分系统,用于基于驾驶工况、驾驶风格和驾驶路况三个维度进行评价。基于多目标性能优化的“人‑车‑路”全工况实时能量流管理平台与评价方法能够在动力性和经济性的基础上对车辆的品质进一步提升,更有效、更精确地实时车辆系统中运用和分析评价车辆的能耗水平,实现基于整车及动力总成的实时能量管理的评价及优化。
Description
技术领域:
本发明涉及混合动力汽车的能量管理领域,尤其涉及一种用于节能减排的多性能评价平台与方法。
背景技术:
动力经济性、驾驶性和节能减排是目前商用车和乘用车技术开发的关键性能指标,为了解决能量管理分析存在实时性差、集成化低、评价工况不合理的问题,在驾驶员、汽车和道路环境组成的闭环控制系统下,采用动态规划、模糊逻辑控制、解析法等能量管理优化方法,实现基于整车及动力总成的实时能量管理优化和评价。然而这些方法的不足之处是实时性较差和缺乏真正的在线解,并且在设计初期阶段,一般假设整车的整个行驶工况为既定条件,可能会严重影响能量管理策略及性能的提升和执行过程。
发明内容:
鉴于上述分析,本发明的目的就是为了克服现有技术存在的缺陷而提供一种用于节能减排的多性能评价平台与方法,基于多目标性能优化的“人-车-路”全工况实时能量流管理平台与评价方法能够在动力性和经济性的基础上对车辆的品质进一步提升,更有效、更精确地实时车辆系统中运用和分析评价车辆的能耗水平。本发明的有益效果:与现有技术相比,本发明所述的一种用于节能减排的多性能评价平台与方法具有以下优势:利用主成分分析和聚类方法完成特征参数的降维,并实现了对车辆运行样本数据库的计算和准确的分类;基于多目标性能优化的车辆能耗水平进行评价;提出基于“人-车-路”和驾驶环境的典型用户工况;在整车状态下集成多类型传感器实时同步采集硬件设备;搭建多性能目标优化的能量管理量产应用平台,实现基于整车及动力总成的实时能量管理的评价和优化。
本发明的目的可以通过以下技术方案来是实现:
一种用于节能减排的多性能评价平台,包括数据采集系统、数据库系统、数据处理系统、模式识别系统和评价评分系统;
所述数据采集系统,用于采集驾驶员操作信息和汽车整车各路信号信息;
所述数据库系统,用于建立“人-车-路”全工况数据库;
所述数据处理系统,用于处理所采集的整车能耗水平评价指标数据,包括主成分特征参数的提取及降维;
所述模式识别系统,用于实现基于“人-车-路”全工况模式自动识别;
所述评价评分系统,用于基于驾驶工况、驾驶风格和驾驶路况三个维度进行评价,并且所有评分均采用10分制。
进一步的,所述数据采集系统使用的设备可以包括至少以下一种或者几种的组合,包括三轴向加速度传感器、电流传感器、噪声传感器、位移传感器(手动)、换挡手柄传感器、油耗仪、数据采集系统硬件、陀螺仪、GPS、信号调理器、信号放大器、电源模块、摄像头、笔记本电脑,采集的汽车整车各路信号信息包括但不限于:车辆车速、发动机扭矩、发动机转速、油门踏板开度、制动踏板开度、挡位、整车纵向加速度、节气门开度、电池SOC、点火角、歧管压力、燃油消耗量、发动机负荷。
进一步的,“人-车-路”全工况数据库中的全工况包括法规工况和典型工况。
进一步的,提取车辆运行数据样本中的特征参数具体包括利用主成分分析对原始数据进行标准化处理并计算主成分贡献率来提取表征特征参数的k个主成分。
进一步的,对整车评价指标进行降维具体包括利用主成分分析计算协方差矩阵、特征值、特征向量、主成分得分及主成分贡献率;当k个主成分的累积贡献率达到80%以上时,提取前k个主成分作为新的特征参数,并作为神经网络模型的输入。
进一步的,对“人-车-路”全工况模式自动识别具体包括利用聚类分析对数据库进行分类,将数据库中的k个主成分的值作为聚类分类器的输入,依据初始特征参数进行分类。
进一步的,所述驾驶风格识别的主要有节能型、一般型和运动型三种。
进一步的,所述驾驶工况识别的主要有常规模式和特殊模式两种。
进一步的,所述驾驶路况识别的主要有拥堵、城市、市郊、高速、山路和坏路六种。
本发明的另一目的在于提出一种多性能综合评价方法,利用上述的用于节能减排的多性能评价平台实现,具体方法如下:
方法一:采用神经网络模型训练的多项式对驾驶性评分;
方法二:采用全局优化算法对能量管理算法评分;
进一步的,所述采用神经网络模型训练的多项式对驾驶性评分,具体包括对数据库系统的评价能耗水平指标数据进行归一化处理;构建神经网络拓扑模型并进行训练学习;根据评分体系公式计算评分。
所述该方法分别围绕驾驶风格、驾驶工况和驾驶路况三个维度进行评价。
进一步的,所述采用遗传算法对能量管理算法评分,具体包括利用主成分分析获取的k个主成分(特征参数)作为初始种群;采用十进制编码;选择、交叉、变异;评价群体;终止条件判断。
基于两种评价方法分别获得的评分,提出了多性能能量管理优化综合评分,具体为:将以上两种评价方法得到的评分通过加权的数学方法最终计算出一个综合评分,两种评分方法的各自的权重由经验判断,综合权重为100%。
附图说明:
图1为本发明实施例中的所述多性能实时能量流管理评价平台;
图2为本发明实施例中的所述神经网络模型训练的多项式对驾驶性评分方法;
图3为本发明实施例中的所述遗传算法对能量管理算法评分方法;
图4为本发明实施例中的所述多性能评价综合评分。
具体实施方式:
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行完整地描述,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供了一种用于节能减排的多性能评价平台与方法,包括数据采集系统,使用数采设备采集驾驶员操作信息和汽车整车各路信号信息,设备的选取主要取决于采集的信号种类,数采设备包括以下一种或者几种的组合,包括三轴向加速度传感器、电流传感器、噪声传感器、位移传感器(手动)、换挡手柄传感器、油耗仪、数据采集系统硬件、陀螺仪、GPS、信号调理器、信号放大器、电源模块、摄像头、笔记本电脑;数据库系统,通过数据采集系统建立“人-车-路”驾驶性全工况数据库,目的是为了实时基于多目标能量管理进行优化;数据处理系统,利用主成分分析对所采集的整车能耗水平评价指标数据库中的原始数据进行主成分特征参数的提取及降维;模式识别系统,利用K均值聚类完成基于“人-车-路”全工况模式自动识别分类;评价评分系统,所有评分均采用10分制,基于驾驶风格、驾驶工况和驾驶路况三个维度进行评价。
本实施例中,采集的汽车整车各路信号信息包括但不限于:车辆车速、发动机扭矩、发动机转速、油门踏板开度、制动踏板开度、挡位、整车纵向加速度、节气门开度、电池SOC、点火角、歧管压力、燃油消耗量、发动机负荷。
本实施例中,所述评价维度有驾驶风格、驾驶工况和驾驶路况三种。
本实施例中,利用主成分分析和聚类方法实现驾驶风格、驾驶工况和驾驶路况的自动识别,具体实施方式如下:
S1:对原始数据(n个特征参数)进行标准化处理,使一个m*n的矩阵标准化得到一个新的m*n矩阵,以此来消除量纲的影响。
标准化:
其中,μi表示矩阵每个元素所在列的平均值,σi表示所在列的标准差。
S2:借助MATLAB软件中的主成分分析算法计算协方差矩阵、协方差矩阵的特征值和特征向量、主成分得分、主成分的累积贡献率。假设x1、x2、…、xn为n个特征参数,协方差计算如公式,设协方差矩阵的特征值为λ1、λ2、…、λn,对应的特征向量为e1、e2、…、en,第k个主成分计算如公式,计算第k个主成分的贡献率如公式。
协方差:
Cov(xi,xj)=E[xi-E(xi)][xj-E(xj)]
第k个主成分:
其中,ek=(ek1,ek2,...,ekn)T
主成分贡献率:
S3:选取主成分个数。依据主成分贡献率选取主成分个数,当k个主成分的累积贡献率达到80%以上时,认为k个主成分表征n个特征参数。
S4:将数据库中的k个主成分的值作为聚类分类器的输入,将数据库的样本数分为多种类别,具体的,一般驾驶风格分为节能型、一般型和运动型三类;驾驶路况分为拥堵、城市、市郊、高速、山路和坏路六类,驾驶工况分为常规模式(启动、怠速、起步、蠕行、加速、匀速、减速)和特殊模式(纯电驱动模式切换至混合驱动模式,发动机单独驱动模式切换至混合驱动模式,混合驱动模式切换至纯电驱动模式,混合驱动模式切换至发动机单独驱动模式,怠速发电模式,制动能量回收模式和行车充电模式),设第k个初始聚点的集合是为:
Fi(0)={x:d(x,xi(0))≤d(x,xj(0)),j=1,2,...,k,i≠j}(i=1,2,...,k)
将样本分成不相交的k类,得到一个初始分类:
S5:从初始类F(0)开始计算新的聚点集合,计算
其中,mi是初始类F(0)中的样品数。
从新的聚点集合开始再进行分类,得到新的类:
S6:重复上述步骤t次(t值取决于三个维度对应类别的个数),得
若对某一个t,
则结束计算,驾驶风格被分为三类,驾驶路况被分为六类,驾驶工况被分为十四类,则聚类识别得到的结果作为方法一当中神经网络模型的输出,并根据初始特征参数判断这些类的样本的驾驶性能。
进一步的,采用基于多目标性能优化的用于节能减排的评价方法,对驾驶工况、驾驶风格和驾驶路况三个维度进行评价。
本发明的另一目的在于提出一种多性能评价方法,利用上述的用于节能减排的多性能评价平台实现,具体方法如下:
方法一:采用神经网络模型训练的多项式对驾驶性评分;
方法二:采用遗传算法对能量管理算法评分;
本实施例中提供了采用神经网络模型训练的多项式对驾驶性评分方法,具体实施方法如下:
步骤一:数据归一化处理:利用数据采集系统通过主成分分析方法得到的k个特征参数作为归一化处理的输入,具体为,采用最值法对表征n个特征参数的k个主成分参数值进行归一化处理,具体公式为:
其中x‘表示归一化后的值,x表示归一化前的值,μ表示均值,σ表示标准差。
步骤二:构建神经网络拓扑模型:所述人工神经网络模型为3层前馈神经网络,隐层节点数由经验公式所得,表达式为:
l为隐层个数,m为输出层个数,n为输入层个数,a为[0 10]之间的某个值。
输入层为归一化处理后的k个特征参数,输入层个数为k,输出层为聚类识别结果成功的概率,输出层个数为1,隐层中的神经元对应传递函数选择对称型Sigmoid函数,其表达式为:
输出层传递函数选择softmax函数,训练函数设置为traincsg函数。设置迭代次数为200次,
步骤三:用构建好的神经网络拓扑模型进行训练学习。训练神经网络,传输过程由输入层经隐含层到输出层,随机选取权重ω和偏置值b,并逐步调整ω和b,使得误差的值E最小,重复执行训练学习,当达到最大迭代次数或者阈值要求当中的任何一个条件即可训练停止。
步骤四:根据评分体系公式计算驾驶员行为评分。
建立十分制评分体系公式如下:
M=7+(1-N)*3
M为评价分数,N为神经网络输出的聚类识别结果成功的概率。将其带入评分体系公式,计算得出驾驶行为评分。
本实施例提供了采用遗传算法对能量管理算法评分方法,具体实施方法如下:
步骤一:选取初始种群
利用主成分分析获取的k个主成分(特征参数)适应度值较高,作为初始种群,其特性对遗传算法的进化效果和能量流管理评价有一定的影响。最终选取驾驶风格、驾驶工况和驾驶路况对应的特征参数分别作为各自的初始种群。
步骤二:编码
十进制编码,对其模式类别进行编码,驾驶风格:输入变量有k个,控制量有3个,依次编码为1、2、3,由此产生一个有k个染色体组成的个体;驾驶工况:输入变量有k’个,控制量有14个,依次编码为1、2、3、4、5、6、7、8、9、10、11、12、13、14,由此产生一个有k’个染色体组成的个体;驾驶路况:输入变量有k”个,控制量有6个,依次编码为1、2、3、4、5、6,由此产生一个有k”个染色体组成的个体。
步骤三:选择、交叉、变异过程
(3.1)选择:采用比例选择算子,则单个特征参数被选中的概率为:
其中,单个特征参数的适应度为D,被选中的概率为P,大小为k。
适应度是评价遗传算法各代种群中个体的优良程度,个体适应度的大小决定了被选中保留的几率,即个体适应度越高,遗传到下一代的概率越大,反之,适应度越低,个体被淘汰的概率越大。
(3.2)交叉:算法选择均匀交叉,使用matlab软件中的GA(遗传算法)工具箱,采用xovmp交叉算法:
New_GA=xovmp(Crt_GA,Pi,Num_GA)
其中,交叉概率为Pi,一般取值范围是0.4~0.99,交叉点数目为Num_GA,当前种群为Crt_GA,新种群为New_GA。
最终得到新一代的种群,即新的k个特征参数。
(3.3)变异:操作选择基本位变异,对于每一个新特征参数的对应的基因点,采用变异率确定其是否为变异点。通过使用matlab软件中的GA工具箱的mut函数,首先判断群体是否进行变异,其次对可以变异群体的个体编码随机选择变异位进行变异,最后产生新一代群体。
变异率根据经验一般选取0.01。
步骤四:评价群体
根据整车能量管理多目标性能指标实际问题,确定整车能耗评价函数:
其中,b为优化目标的权重因子,EC为整车能耗。
该评价函数的作用是评价遗传算法每一代群体中个体的优劣程度,表示某一个体对环境的适应能力。
步骤五:终止条件判断
在遗传算法过程中,当迭代次数达到预设的代数时,算法终止,输出最终评分,迭代次数一般设置为200次。如果不满足终止条件迭代次数,则返回步骤三。
基于两种评价方法分别获得的评分,提出了多性能能量管理优化综合评分,具体为:将以上两种评价方法得到的评分通过加权的数学方法最终计算出一个综合评分,两种评分方法的各自的权重由经验判断。
进一步的,根据经验,神经网络模型训练的多项式对驾驶性评分所占权重为60%,遗传算法对能量管理算法评分所占权重为40%,综合权重为100%。
进一步的,得到三种评分方法各自的权重,最终计算出多性能评价综合评分:
K=60%×A+40%×B
其中,K代表综合评分,A代表方法一,B代表方法二。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下作出各种变化。
Claims (5)
1.一种用于节能减排的多性能评价平台,其特征在于,包括:数据采集系统、数据库系统、数据处理系统、模式识别系统和评价评分系统。
2.根据权利要求1一种用于节能减排的多性能评价平台,其特征在于,所述数据采集系统,使用数据采集设备采集驾驶员操作信息和汽车整车各路信号信息,数据采集设备包括以下一种或者几种的组合,包括三轴向加速度传感器、电流传感器、噪声传感器、位移传感器(手动)、换挡手柄传感器、油耗仪、数据采集系统硬件、陀螺仪、GPS、信号调理器、信号放大器、电源模块、摄像头、笔记本电脑。
3.根据权利要求1一种用于节能减排的多性能评价平台,其特征在于,所述数据处理系统,利用主成分分析对所采集的整车能耗水平评价指标数据库中的原始数据进行主成分特征参数的提取及降维。
4.根据权利要求1一种用于节能减排的多性能评价平台,其特征在于,所述模式识别系统,利用K均值聚类完成基于“人-车-路”全工况模式自动识别分类。
5.一种用于节能减排的多性能评价方法,其特征在于,包括:
采用神经网络模型训练的多项式对驾驶性评分,包括对数据库系统的评价能耗水平指标数据进行归一化处理;构建神经网络拓扑模型并进行训练学习;根据评分体系公式计算评分。
采用遗传算法对能量管理算法评分,包括利用主成分分析获取的k个主成分(特征参数)作为初始种群;采用十进制编码;选择、交叉、变异;评价群体;终止条件判断。
基于两种评价方法分别获得的评分,提出了多性能能量管理优化综合评分,具体为:将以上两种评价方法得到的评分通过加权的数学方法最终计算出一个综合评分,两种评分方法的各自权重由经验判断,综合权重为100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010502445.5A CN111652512A (zh) | 2020-06-05 | 2020-06-05 | 一种用于节能减排的多性能评价平台与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010502445.5A CN111652512A (zh) | 2020-06-05 | 2020-06-05 | 一种用于节能减排的多性能评价平台与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652512A true CN111652512A (zh) | 2020-09-11 |
Family
ID=72349888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010502445.5A Withdrawn CN111652512A (zh) | 2020-06-05 | 2020-06-05 | 一种用于节能减排的多性能评价平台与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652512A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778140A (zh) * | 2022-06-17 | 2022-07-22 | 中汽研汽车检验中心(天津)有限公司 | 车辆能耗台架测试方法和系统 |
-
2020
- 2020-06-05 CN CN202010502445.5A patent/CN111652512A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114778140A (zh) * | 2022-06-17 | 2022-07-22 | 中汽研汽车检验中心(天津)有限公司 | 车辆能耗台架测试方法和系统 |
CN114778140B (zh) * | 2022-06-17 | 2022-08-23 | 中汽研汽车检验中心(天津)有限公司 | 车辆能耗台架测试方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111038485B (zh) | 基于驾驶风格识别的混合动力汽车控制方法及系统 | |
Huang et al. | An intelligent multifeature statistical approach for the discrimination of driving conditions of a hybrid electric vehicle | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
CN110321954A (zh) | 适合国内人群的驾驶风格分类和识别方法及系统 | |
CN112046489B (zh) | 一种基于因子分析和机器学习的驾驶风格辨识算法 | |
CN110486017B (zh) | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 | |
CN113401123B (zh) | 融合驾驶模式信息的汽车预测巡航参数自整定控制系统 | |
CN103921743A (zh) | 汽车行驶工况判别系统及其判别方法 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
CN111027618B (zh) | 一种汽车动力性和经济性期望量化方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
CN115492928B (zh) | 一种经济性、动力性和安全性综合最优换挡规律优化方法 | |
CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN117465301A (zh) | 基于数据驱动的燃料电池汽车实时能量管理方法 | |
CN111198501B (zh) | 一种由rbf神经网络确定燃油等效因子的方法 | |
CN111507365A (zh) | 一种基于模糊聚类的置信规则自动生成方法 | |
CN114912195A (zh) | 一种商用车空气动力学序列优化方法 | |
CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
CN111806443A (zh) | 一种纯电动重卡无人驾驶能耗优化方法 | |
CN111652512A (zh) | 一种用于节能减排的多性能评价平台与方法 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
Peng et al. | Shifting control optimisation of automatic transmission with congested conditions identification based on the support vector machine | |
CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 | |
CN111581887B (zh) | 一种虚拟环境中基于仿真学习的无人车智能训练方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200911 |
|
WW01 | Invention patent application withdrawn after publication |