CN111806443A - 一种纯电动重卡无人驾驶能耗优化方法 - Google Patents

一种纯电动重卡无人驾驶能耗优化方法 Download PDF

Info

Publication number
CN111806443A
CN111806443A CN202010440262.5A CN202010440262A CN111806443A CN 111806443 A CN111806443 A CN 111806443A CN 202010440262 A CN202010440262 A CN 202010440262A CN 111806443 A CN111806443 A CN 111806443A
Authority
CN
China
Prior art keywords
vehicle
energy consumption
road
heavy truck
pure electric
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.)
Pending
Application number
CN202010440262.5A
Other languages
English (en)
Inventor
胡芮平
陈方明
周道武
江涛
杨合祥
贺小卒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Burleton Technology Co ltd
Original Assignee
Burleton Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Burleton Technology Co ltd filed Critical Burleton Technology Co ltd
Priority to CN202010440262.5A priority Critical patent/CN111806443A/zh
Publication of CN111806443A publication Critical patent/CN111806443A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/08—Electric propulsion units
    • B60W2510/081—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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/10—Weight
    • 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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/20—Tyre data
    • 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
    • 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
    • B60W2552/05—Type of road, e.g. motorways, local streets, paved or unpaved roads
    • 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
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/40—Altitude
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明申请公开了一种纯电动重卡无人驾驶能耗优化方法，包括基于影响车辆能耗的历史数据，训练RBF神经网络模型，得到评估模型；将实时的车辆运行数据输入所述评估模型中，确定实际车辆运行中的最优输出扭矩；其中，所述影响车辆能耗的历史数据至少包括历史路况信息、第一车辆技术参数、第一车辆使用信息和第一车辆行驶时的气候信息；所述实时的车辆运行数据，至少包括实时路况信息、第二车辆技术参数、第二车辆使用信息和第二车辆行驶时的气候信息。本发明申请解决了由于常规的无人驾驶重卡的输出功率固定，导致不能根据实际道路情况进行输出调整、能源消耗大的技术问题。

Description

一种纯电动重卡无人驾驶能耗优化方法
技术领域
本发明申请涉及无人驾驶领域，具体而言，涉及一种纯电动重卡无人驾驶能耗优化方法。
背景技术
露天矿运输费用是整个露天矿生产开采费用的最重要组成部分。在矿山实际生产中运输成本通常占露天矿总成本的50％～65％，在矿石总成本和生产过程总劳动量中，运输成本和运输劳动量要占50％以上。因此，优化运输道路、降低运输费用是提高露天矿生产利润，实现露天矿系统优化目标的重要环节。
露天矿区的运输方式主要是以重卡运输为主，但传统的重卡，油价高，燃油利用率低，经济性不好，而且污染严重，纯电动重卡无污染，使用纯电代替燃油，电能利用率高，经济性比传统重卡要好很多，因此纯电动重卡替代传统燃油重卡是大势所趋，无人驾驶更是未来智慧矿山重中之重，同时如何进一步优化重卡无人驾驶能耗，也必然会成为露天矿生产作业中无人驾驶亟待解决的问题。与国外的无人化矿山相比，目前国内大多数的露天矿仍然采用人工驾驶车辆进行运输的方式。安全事故频发、司机招聘困难、管理运营成本高已经成为矿区生产痛点。随着智慧矿山的建设，以及无人驾驶技术的飞速发展，国内部分矿山开始应用无人驾驶卡车进行物料运输，无人驾驶重卡的应用不仅降低了人力成本，而且使得露天矿区的生产作业更加高效合理。为了合理的对无人驾驶重卡的输出功率进行控制，减少运输过程中产生的能源消耗，因此，有必要研究一种无人驾驶重卡能耗优化技术。
发明内容
本发明申请的主要目的在于提供一种纯电动重卡无人驾驶能耗优化方法，以解决由于常规的无人驾驶重卡的输出功率固定，导致不能根据实际道路情况进行输出调整、能源消耗大的技术问题。
为了实现上述目的，提供了一种纯电动重卡无人驾驶能耗优化方法。
根据本发明申请的纯电动重卡无人驾驶能耗优化方法包括：
基于影响车辆能耗的历史数据，训练RBF神经网络模型，得到评估模型；
将实时的车辆运行数据输入所述评估模型中，确定实际车辆运行中的最优输出扭矩；
其中，所述影响车辆能耗的历史数据至少包括历史路况信息、第一车辆技术参数、第一车辆使用信息和第一车辆行驶时的气候信息；
所述实时的车辆运行数据，至少包括实时路况信息、第二车辆技术参数、第二车辆使用信息和第二车辆行驶时的气候信息。
进一步的，所述基于影响车辆能耗的历史数据，训练RBF神经网络模型，得到评估模型还包括，训练RBF神经网络模型，获取回归模型，所述回归模型输出的利用回归模型中的输出为预设车辆运行中的最优输出扭矩。
进一步的，还包括根据所述预设车辆运行中的最优输出扭矩和所述实际车辆运行中的最优输出扭矩的偏差值，对于车辆运行状态进行实时调整；其中所述车辆运行状态包括电机转速。
进一步的，所述历史路况信息和实时路况信息包括，路面坡度、路面结构和路面平整度。
进一步的，所述历史路况信息基于矿路运输网数据库获取。
进一步的，所述矿路运输网数据库包括运输道路网模型，以所述矿路运输网数据库中的道路的中心线代替每条道路，将所述矿路运输网数据库中的道路按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点，根据实际情况和测量数据赋予路况信息，形成运输道路网模型。
进一步，所述第一车辆技术参数和诉述第二车辆技术参数至少包括电机转速、电机速比、整车质量和轮胎参数，所述轮胎参数包括轮胎的型号。
进一步的，所述第一车辆行驶时的气候信息和所述第二车辆行驶时的气候信息至少包括，天气状况、海拔高度和平均气温。
进一步的，所述RBF神经网络模型是以至少包括路面坡度、电机速比、轮胎型号、整车质量、天气状况、电机转速作为输入变量，以电机扭矩为输出变量构建的。
在本发明申请实施例中，采用一种无人驾驶重卡能耗节能方法的方式，通过合理地对无人驾驶重卡的电驱动系统电机转速和输出功率进行实时调整，从而达到运输过程中的能耗进一步优化的目的，从而实现了降低能耗的技术效果，进而解决了由于常规的无人驾驶重卡的输出功率固定，导致不能根据实际道路情况进行输出调整、能源消耗大的技术问题。
附图说明
构成本发明申请的一部分的附图用来提供对本发明申请的进一步理解，使得本发明申请的其它特征、目的和优点变得更明显。本发明申请的示意性实施例附图及其说明用于解释本发明申请，并不构成对本发明申请的不当限定。在附图中：
图1是根据本发明申请实施例中关于纯电动重卡无人驾驶的能耗影响因素分析图；
图2是根据本发明申请实施例中关于车辆运行状态在线评估模型建立的流程图；
图3是根据本发明申请实施例中RBF网络的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明申请方案，下面将结合本发明申请实施例中的附图，对本发明申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明申请一部分的实施例，而不是全部的实施例。基于本发明申请中的实施例，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，都应当属于本发明申请保护的范围。
需要说明的是，本发明申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本发明申请中的具体含义。
此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明申请中的具体含义。
需要说明的是，在不冲突的情况下，本发明申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明申请。
与现有技术相比，本发明申请建立了无人驾驶重卡实时运行状态的评估模型，可以做到对无人驾驶重卡各项运行数据的实时监测，并进行实时动态调整，使得无人驾驶重卡电驱动系统一直保持最佳的状态运行，从而达到能耗优化的目标。
具体实施例
在本发明申请优选的实施例中，提供一种纯电动重卡无人驾驶能耗优化方法，包括：
S1：基于影响车辆能耗的历史数据，训练RBF神经网络模型，得到评估模型；
其中，所述影响车辆能耗的历史数据至少包括历史路况信息、第一车辆技术参数、第一车辆使用信息和第一车辆行驶的气候信息；所述历史路况信息和实时路况信息均包括路面坡度、路面结构和路面平整度；所述第一车辆行驶时的气候信息和所述第二车辆行驶时的气候信息至少包括，天气状况、海拔高度和平均气温。
在本发明申请优选的实施例中，所述RBF神经网络模型是以至少包括路面坡度、电机速比、轮胎型号、整车质量、天气状况、电机转速作为输入变量，以电机扭矩为输出变量构建的。
所述基于影响车辆能耗的历史数据，训练RBF神经网络模型，得到评估模型还包括，训练RBF神经网络模型，获取回归模型，所述回归模型输出的利用回归模型中的输出为预设车辆运行中的最优输出扭矩。
在本发明申请优选的实施例中，所述历史路况信息基于邝露运输王数据库获取，所述矿路运输网数据库包括运输道路网模型，以所述矿路运输网数据库中的道路的中心线代替每条道路，将所述矿路运输网数据库中的道路按照道路属性划分区段(所述道路属性可以是线性路段、弯曲路段、直线坡道等)，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点，根据实际情况和测量数据赋予路况信息，形成运输道路网模型。
S2：将实时的车辆运行数据输入所述评估模型中，确定实际车辆运行中的最优输出扭矩；
在本发明申请优选的实施例中，还包括根据所述预设车辆运行中的最优输出扭矩和所述实际车辆运行中的最优输出扭矩的偏差值，对于车辆运行状态进行实时调整；其中所述车辆运行状态包括电机转速。
在本发明申请优选的实施例中，首先，根据露天矿区现场的实际数据建立运输道路网模型，并分析运输道路网中的路面坡度、路面结构和路面平整度，建立包含露天矿区道路状况的矿路运输数据库；
然后，对影响无人驾驶重卡运行能耗的因素进行分析，并统计一段时间的历史数据建立基础信息数据库；
最后，根据历史数据训练基于RBF神经网络的回归模型，建立车辆运行状态的评估模型，从而对车辆的实时运行数据进行监测，动态调整电驱动系统电机转速和输出功率，从而达到能耗优化的目标。
本发明申请以道路的中心线代替每条道路，将所述矿路运输网数据库中的道路按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点，根据实际情况和测量数据赋予路况信息，形成某段时期内的运输道路网模型。
其中，影响无人运输车辆能耗的因素包括：路况信息、车辆基础技术参数(第一车辆技术参数/第二车辆技术参数)、车辆使用信息、车辆行驶时的气候信息。
本发明申请将所有影响车辆能耗的因素进行编号处理，每个参数的历史统计数据作为样本矩阵X，其中，原始变量为：
路面平均坡度x1，地面类型x2，路面平整度x3，电驱动系统电机压缩比x4，电驱动系统电机比能耗x5，整车质量x6，轮胎型号x7，维修保养状态x8，轮胎气压x9，轮胎磨损程度x10，天气状态x11，平均气温x12，平均海拔高度x13，电机转速x14；
采用主成分分析法对所有影响车辆能耗的因素进行分析，选择路面平均坡度、电驱动系统速比、整车质量、轮胎型号、天气状况、电机转速6个影响因素作为表述样本内容的主要数据来计算各项主成分的系数，作为RBF神经网络的输入参数，所述回归模型的输出参数即为纯电动重卡电机的最优输出扭矩。
本发明申请在Pytorch平台中建立并训练RBF神经网络，其隐藏层中的高斯基函数由K-Means算法计算得到，网络的训练采用SGD(StochasticGradientDescent)。
当纯电动处于日常的运行状态时，利用多种车载传感器，实时监测无人驾驶重卡的运行数据，并通过与最佳输出参数的对比分析，实现对无人驾驶重卡运行状态的实时动态调整，通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶重卡的电驱动系统电机最佳输出功率和电驱动系统电机最佳转速，达到能耗优化的目标。该运行数据包括电机转速、电机速比等。
与现有技术相比，本发明申请建立了无人驾驶重卡实时运行状态的评估模型，可以做到对无人驾驶重卡各项运行数据的实时监测，并进行实时动态调整，使得无人驾驶重卡电驱动系统一直保持最佳的状态运行，从而达到能耗优化的目标。
下面结合附图和实施例详细说明本发明申请的实施方式。
如图1所示，本发明申请提出了一种基于露天矿区路径的无人驾驶重卡能耗节能技术，该技术的实施过程主要包含以下步骤：
1、露天矿区道路状况基础数据库的建立
通过对露天矿区现场实地数据的测量，建立露天矿道路运输网模型，并对每条路径的路面坡度、路面结构、路面平整度等因素进行分析，建立露天矿区道路状况数据库。
对现场的实地测量数据进行统计，依据露天矿现状图，构建露天矿路网模型。考虑固定性较强的生产干线和部分生产支线。以道路的中心线代替每条道路，将运输系统按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点。根据实际情况和测量数据赋予路况信息，形成某段时期内运输系统的路网模型。
2、无人驾驶重卡能耗技术参数分析
影响无人运输车辆能耗的因素主要有以下几个方面：道路状况、车辆技术参数、车辆应用水平、气候和天气因素等。
1)道路状况
首先，运输道路状况是影响无人驾驶重卡能耗的主要因素，包括路面坡度、地面类型、路面平整度等。路面坡度大的路段所遇到的行车阻力较大，因而所产生的能耗也较高。不同地面类型的强度不同，所造成的摩擦阻力也不相同。另外，路面平整度较差的话，车辆就一直处于低档位行驶状态，低速行驶出于非额定时速能耗必然会增加。
2)车辆技术参数
无人驾驶重卡本身的技术参数会从根本上决定能耗的情况，例如电驱动系统电机的输出参数、车辆整车的质量、轮胎的型号、电机转速等。其中，电驱动系统电机的内部结构和类型占主要因素。电驱动系统电机主要分为两大类：永磁同步电机和异步电机，目前我国主要用的都是永磁同步电机，永磁同步电机的效率越高就证明运行的能耗利用率越高，另外，电驱动系统电机的内部结构会影响比能耗的。重卡质量的大小对于能耗也有不可忽视的作用。车轮的滚动阻力、坡度阻力和加速阻力都受汽车质量影响，这些阻力都会影响能耗。
3)车辆应用水平
车辆应用水平是指车辆在使用的过程中所呈现的运行状态，主要有维修保养状况、轮胎气压和磨损程度等几个方面。车辆在使用一段时间后，要进行日常的保养和修理，使得电驱动系统电机和轮胎等零部件处于最佳的运行状态，从而减少车辆运行能耗损失。保持合适的胎压可以降低能耗；当轮胎磨损严重时或吃胎时，阻力也会增大，因此轮胎不正常时要及时更换轮胎以减少能耗。
4)气候和天气因素
露天矿区的气候和天气条件也会对无人驾驶重卡的能耗情况造成影响。车辆运行时温度高低也会影响能量的消耗，空气温度低会使电池性能无法充分发挥，导致电机能量利用率不高，但电解液物质不断消耗，最终时间久了会导能耗增加，能量利用率不足。露天矿区海拔的也会影响重卡的使用，海拔会影响重卡实际运营路线的绘制，若预测海拔的传感器精度不够，会使电子地图不精准，在实时数据的计算中出现偏差也会导致，能耗计算出现问题，进而影响电驱动系统高效工作区不稳定，进而电驱动系统电机效率降低，电驱动系统电机的电量消耗增加。另外，还需要考虑正常天气和雨雪天气下的道路状况对无人驾驶重卡的能耗影响。
3、多参数作用下无人驾驶重卡能耗分析模型
通过对无人驾驶重卡能耗影响因素的分析，建立指标对各个影响因素进行量化。以国内某大型露天煤矿为对象，采集一段时期的历史统计数据，并进行分析。为了简化数据量太大造成的问题，通过主成分分析的方法对影响因素进行降维处理，分析车辆能耗的主要影响因素。然后利用历史数据建立基于RBF神经网络的回归模型，并确定电机的最优输出扭矩。从而建立无人驾驶重卡运行实时运行状态的评估模型。
3.1影响因素指标量化处理
为了能建立准确有效的能耗模型，在对试验数据进行分析处理前，对原始试验数据进行了整理，每一组能耗原始试验数据包括以下内容：
路面状况因素：路面平均坡度g，地面类型s，路面平整度RQI
车辆技术参数：电驱动系统电机速比，整车能耗，整车质量，轮胎型号、电机转速。
车辆应用水平：维修保养状态，轮胎气压，轮胎磨损程度
气候天气因素：天气状态，平均气温T，平均海拔高度H
3.2获取历史统计数据
根据车辆不同运行状态的参数特征，将现有的历史数据进行统计分类，即可得到各个运行状态的样本数据。以国内某大型煤矿为采集对象，采集一段时期的历史统计数据，建立数据库并进行分析。
1)道路状况数据库的建立
制定露天矿道路状况数据统计表，统计露天矿道路状况的历史数据,本历史数据的来源是通过使用坡度传感器通过CAN通讯发送到整车数据采集设备，用来记录路面状况、整车数据采集设备用来记录整车运行数据、天气气象仪记录天气状况。本发明申请中设计的道路状况数据统计表如下,：
路段编号 路面类型 平均坡度(％) 曲度(°/km) 平整度(m/km)
01 碎石路面 10 20 2
02 土路面 7 15 1.5
∶ ∶ ∶ ∶ ∶
2)运输车辆基础数据库的建立
对露天矿无人驾驶重卡的基础技术参数进行统计，并对车辆目前的应用水平进行分析。本发明申请中设计的运输车辆基础数据统计表如下：
Figure BDA0002503777280000111
3)气候天气数据库的建立
同样地，对露天煤矿的气候条件和历史天气数据进行统计。本发明申请中设计的气候天气数据统计表如下：
时间 平均气温(℃) 天气状况 风力风向 平均海拔高度(m)
2019.7.1 22 晴 南风3-4级 1000
2019.7.2 23 晴转多云 西南风微风 1000
∶ ∶ ∶ ∶ ∶
3.3主成分分析降维
主成分分析法的实质是在不改变样本数据结构的情况下，通过旋转多维空间的坐标将原变量转换成两两不相关的主成分，同时尽可能反映原变量所包含的信息，从而简化计算。在本发明申请中,为了筛选出对车辆能耗影响最大的因素，采用主成分分析方法对所有影响因素进行分析，从而简化模型的输入参数，同时降低模型的计算复杂度。
假设样本矩阵A为：
Figure BDA0002503777280000121
式中，样本数据A中第u个参数类型中的第r个样本数据为：aur，其中n＝1,2,…,n且r＝1,2,…,p；au＝[au1au2…aup]T为维列向量。
样本矩阵的均值为：
Figure BDA0002503777280000122
式中
Figure BDA0002503777280000123
中的任一元素
Figure BDA0002503777280000124
协方差矩阵H的表达式为：
Figure BDA0002503777280000125
对于n行p列的样本矩阵A而言，经过矩阵变换后即得到样本协方差矩阵H，其为p行p列的方阵，故式()之后的u＝1,2,…,p且v＝1,2,…,p。
协方差矩阵H中的任一元素Huv为：
Figure BDA0002503777280000126
式中，au′u和au′v分别为样本矩阵A中的某个元素，其中u′＝1,2,…,p；
Figure BDA0002503777280000127
样本相关矩阵R为：
Figure BDA0002503777280000128
其中，
Figure BDA0002503777280000129
设Huv的p个特征值分别为,且
Figure BDA00025037772800001210
且
Figure BDA00025037772800001211
大于等于零其单位正交特征向量为：
Figure BDA00025037772800001212
则第u个样本的主成分yu为：
Figure BDA00025037772800001213
在本发明申请中，将所有影响车辆能耗的因素进行编号处理，每个参数的历史统计数据作为样本矩阵A。其中，原始变量为：
路面平均坡度x1，地面类型x2，路面平整度x3，电驱动系统电机速比为x4，电驱动系统整车能耗x5，整车质量x6，轮胎型号x7，维修保养状态x8，轮胎气压x9，轮胎磨损程度x10，天气状态x11，平均气温x12，平均海拔高度x13，电机转速x14。
经过上述的降维过程，变量x1，x4，x6，x7，x11，x14的累计贡献率达到了90％以上，而其他变量的累计贡献率则很小，可以忽略不计。因此，选择路面平均坡度、电驱动系统电机速比、整车质量、轮胎型号、天气状况、电机转速6个影响因素作为表述样本内容的主要数据来计算各项主成分的系数。将原训练样本的13种原始变量转换为6项主成分，即可作为RBF神经网络的输入参数。
3.4基于RBF网络的回归模型
RBF(RadialBasis Function)神经网络是一种常用来做回归，函数近似和时序序列预测的人工神经网络，本发明申请利用RBF神经网络通过对训练数据的学习，构建影响能耗主要因素和最优电机扭矩之间的非线性关系。
通过对能耗影响因素的分析，建立了以路面坡度、电机速比(车辆当前速比)、轮胎型号、整车质量、天气状况、电机转速(车速)等六个主要影响因素作为输入变量，以电机扭矩为输出变量的RBF神经网络。
该RBF神经网络共有三层，其中第一层为输入层，负责接收一个为6维的输入向量，其每一维代表3.3中计算出的对能耗影响较大的因素。第二层为隐藏层，隐藏层包含的神经元的激活函数为高斯函数，高斯函数中的均值和方差以及神经元的个数均有K-Means聚类方法通过对训练数据分析后决定。第三层为输出层，是对隐藏层输出的加权，加权权重和偏置由后向传播学习而得。RBF网络的示意图如图3所示。
所述RBF神经网络所使用的K-Means算法过程如下：
随机选取k个聚类中心a1,a2,…,ak,ai∈R5；
若聚类还未收敛，转向第3步；
将每一个数据点赋给距其最近的聚类中心(采用二范式距离)；
将每一个聚类中心ai更新为属于该聚类的数据点的中心，转向第2步。
本RBF神经网络选取2019年7月1日到2019年7月20日的1000组历史统计数据进行训练，其中800组构成训练数据集，100组为验证数据集，用于调整隐藏层中的神经元个数的超参数，剩余的100组为测试集，用于测试模型的回归效果。
本发明申请利用pytorch进行模型的搭建和训练，pytorch中的Autograd模块提供了方便的利用梯度进行模型训练的工具。通过继承nn.Module，便可构建一个RBF类，并可在forward method中搭建具有三层网络的前向模型。搭建好模型后利用梯度下降的方法对模型进行训练，选取SGD(StochasticGradientDescent)为训练的优化器，通过模型在验证集上的表现调整隐藏层中的神经元个数。
通过样本数据的训练，建立了多参数作用下无人驾驶重卡的能耗分析模型。当车辆处于日常的运行状态时，利用多种车载传感器，实时监测无人驾驶重卡的运行数据。并通过与最佳输出参数的对比分析，实现对无人驾驶重卡运行状态的实时动态调整。通过分析不同路况下的车辆最佳运行参数，以确定无人驾驶重卡的电驱动系统电机最佳输出扭矩，从而达到能耗的优化目的。
以上所述仅为本发明申请的优选实施例而已，并不用于限制本发明申请，对于本领域的技术人员来说，本发明申请可以有各种更改和变化。凡在本发明申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明申请的保护范围之内。

Claims (9)

1.一种纯电动重卡无人驾驶能耗优化方法，其特征在于，包括：
基于影响车辆能耗的历史数据，训练RBF神经网络模型，得到评估模型；
将实时的车辆运行数据输入所述评估模型中，确定实际车辆运行中的最优输出扭矩；
其中，所述影响车辆能耗的历史数据至少包括历史路况信息、第一车辆技术参数、第一车辆使用信息和第一车辆行驶时的气候信息；
所述实时的车辆运行数据，至少包括实时路况信息、第二车辆技术参数、第二车辆使用信息和第二车辆行驶时的气候信息。
2.根据权利要求1所述的纯电动重卡无人驾驶能耗优化方法，其特征在于，所述基于影响车辆能耗的历史数据，训练RBF神经网络模型，得到评估模型还包括，训练RBF神经网络模型，获取回归模型，所述回归模型输出的利用回归模型中的输出为预设车辆运行中的最优输出扭矩。
3.根据权利要求2所述的纯电动重卡无人驾驶能耗优化方法，其特征在于，还包括根据所述预设车辆运行中的最优输出扭矩和所述实际车辆运行中的最优输出扭矩的偏差值，对于车辆运行状态进行实时调整；其中所述车辆运行状态包括电机转速。
4.根据权利要求1所述的纯电动重卡无人驾驶能耗优化方法，其特征在于，所述历史路况信息和实时路况信息均包括，路面坡度、路面结构和路面平整度。
5.根据权利要求4所述的纯电动重卡无人驾驶能耗优化方法，其特征在于，所述历史路况信息基于矿路运输网数据库获取。
6.根据权利要求5所述的纯电动重卡无人驾驶能耗优化方法，其特征在于，所述矿路运输网数据库包括运输道路网模型，以所述矿路运输网数据库中的道路的中心线代替每条道路，将所述矿路运输网数据库中的道路按照道路属性划分区段，区段连接的交叉点、采掘点、卸载点设为道路网络拓扑图节点，根据实际情况和测量数据赋予路况信息，形成运输道路网模型。
7.根据权利要求1所述的纯电动重卡无人驾驶能耗优化方法，其特征在于，所述第一车辆技术参数和诉述第二车辆技术参数至少包括电机转速、电机速比、整车质量和轮胎参数，所述轮胎参数包括轮胎的型号。
8.根据权利要求1所述的纯电动重卡无人驾驶能耗优化方法，其特征在于，所述第一车辆行驶时的气候信息和所述第二车辆行驶时的气候信息至少包括，天气状况、海拔高度和平均气温。
9.根据权利要求1所述的纯电动重卡无人驾驶能耗优化方法，其特征在于，所述RBF神经网络模型是以至少包括路面坡度、电机速比、轮胎型号、整车质量、天气状况、电机转速作为输入变量，以电机扭矩为输出变量构建的。
CN202010440262.5A 2020-05-22 2020-05-22 一种纯电动重卡无人驾驶能耗优化方法 Pending CN111806443A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010440262.5A CN111806443A (zh) 2020-05-22 2020-05-22 一种纯电动重卡无人驾驶能耗优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010440262.5A CN111806443A (zh) 2020-05-22 2020-05-22 一种纯电动重卡无人驾驶能耗优化方法

Publications (1)

Publication Number Publication Date
CN111806443A true CN111806443A (zh) 2020-10-23

Family

ID=72848391

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010440262.5A Pending CN111806443A (zh) 2020-05-22 2020-05-22 一种纯电动重卡无人驾驶能耗优化方法

Country Status (1)

Country Link
CN (1) CN111806443A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836301A (zh) * 2021-02-19 2021-05-25 腾讯科技（深圳）有限公司 车辆能耗的预测方法和装置、存储介质及电子设备
CN113942515A (zh) * 2021-10-26 2022-01-18 日立楼宇技术（广州）有限公司 Agv车辆能耗优化方法、装置、设备、存储介质及程序产品
CN114329908A (zh) * 2021-12-06 2022-04-12 一汽奔腾轿车有限公司 一种基于聚类工况点的电驱效率计算方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
CN106844947A (zh) * 2017-01-18 2017-06-13 清华大学 一种基于高阶相关学习的机车节能优化自动驾驶方法
CN108805193A (zh) * 2018-06-01 2018-11-13 广东电网有限责任公司 一种基于混合策略的电力缺失数据填充方法
CN109035836A (zh) * 2018-08-14 2018-12-18 青岛海信网络科技股份有限公司 一种交通设备运维系统
CN109606384A (zh) * 2018-12-29 2019-04-12 百度在线网络技术（北京）有限公司 车辆控制方法、装置、设备和存储介质
CN110322075A (zh) * 2019-07-10 2019-10-11 上饶市中科院云计算中心大数据研究院 一种基于混合优化rbf神经网络的景区客流量预测方法及系统
CN110341724A (zh) * 2019-07-10 2019-10-18 博雷顿科技有限公司 一种电动汽车驾驶模式切换方法
CN110486017A (zh) * 2019-08-30 2019-11-22 西安建筑科技大学 一种基于露天矿区路径的无人驾驶车辆能耗节能方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
CN106844947A (zh) * 2017-01-18 2017-06-13 清华大学 一种基于高阶相关学习的机车节能优化自动驾驶方法
CN108805193A (zh) * 2018-06-01 2018-11-13 广东电网有限责任公司 一种基于混合策略的电力缺失数据填充方法
CN109035836A (zh) * 2018-08-14 2018-12-18 青岛海信网络科技股份有限公司 一种交通设备运维系统
CN109606384A (zh) * 2018-12-29 2019-04-12 百度在线网络技术（北京）有限公司 车辆控制方法、装置、设备和存储介质
CN110322075A (zh) * 2019-07-10 2019-10-11 上饶市中科院云计算中心大数据研究院 一种基于混合优化rbf神经网络的景区客流量预测方法及系统
CN110341724A (zh) * 2019-07-10 2019-10-18 博雷顿科技有限公司 一种电动汽车驾驶模式切换方法
CN110486017A (zh) * 2019-08-30 2019-11-22 西安建筑科技大学 一种基于露天矿区路径的无人驾驶车辆能耗节能方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
方卫华: "《跨拦河建筑物安全状态感知、融合与预测》", 31 December 2018, 河海大学出版社 *
林强: "《机器学习》", 31 May 2019 *
薛福亮: "《电子商务推荐相关技术分析及其改进机制》", 30 June 2014 *
裔隽 等: "《Python机器学习实战》", 28 February 2018, 科学技术文献出版社 *
陈雯柏: "《人工神经网络原理与实践》", 31 January 2016 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836301A (zh) * 2021-02-19 2021-05-25 腾讯科技（深圳）有限公司 车辆能耗的预测方法和装置、存储介质及电子设备
CN113942515A (zh) * 2021-10-26 2022-01-18 日立楼宇技术（广州）有限公司 Agv车辆能耗优化方法、装置、设备、存储介质及程序产品
CN113942515B (zh) * 2021-10-26 2023-08-22 日立楼宇技术（广州）有限公司 Agv车辆能耗优化方法、装置、设备、存储介质及程序产品
CN114329908A (zh) * 2021-12-06 2022-04-12 一汽奔腾轿车有限公司 一种基于聚类工况点的电驱效率计算方法

Similar Documents

Publication Publication Date Title
CN111806443A (zh) 一种纯电动重卡无人驾驶能耗优化方法
CN111452619B (zh) 电动车辆在线能耗预测方法及系统
CN108256714A (zh) 一种基于车联网大数据的行车轨迹实时风险评估模型
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
CN104260724B (zh) 一种车辆智能预测控制系统及其方法
CN107153737B (zh) 基于力学-经验法的路面最佳轴载周期确定方法
CN105160883A (zh) 一种基于大数据的节能驾驶行为分析方法
CN107862864A (zh) 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN103895649B (zh) 一种驾驶员安全驾驶预警方法
CN103914985A (zh) 一种混合动力客车未来车速轨迹预测方法
CN106897826A (zh) 一种交通事故风险评估方法及系统
CN109552338A (zh) 一种纯电动汽车生态驾驶行为评估方法及系统
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
CN110956329A (zh) 基于分布式光伏与电动汽车时空分布的负荷预测方法
CN113159435B (zh) 一种新能源车辆剩余驾驶里程预测方法及系统
CN103440525A (zh) 基于Vague值相似度量改进算法的城市湖库水华应急治理多目标多层次决策方法
CN114819305B (zh) 一种基于碳排放度量尺度下的路径规划方法
CN105678406A (zh) 一种基于云模型的短期负荷预测方法
CN114510778A (zh) 基于混合智能优化lstm的轨道不平顺预测方法
CN117238126A (zh) 一种连续流道路场景下的交通事故风险评估方法
CN109960889B (zh) 轨道交通工具线路典型速度-时间行驶工况构建方法
CN113128834B (zh) 一种国省干线重载交通数据判定及分级系统
CN107066501A (zh) 一种基于道路相似性的机动车尾气遥测设备布点方法
CN111152780B (zh) 一种基于“信息层-物质层-能量层”框架的车辆全局能量管理方法
CN111985782A (zh) 基于环境感知的自动驾驶有轨电车运行风险评估方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201023