CN112508317A - 一种基于多源动力总成车型驾驶性主客观关联评分方法 - Google Patents
一种基于多源动力总成车型驾驶性主客观关联评分方法 Download PDFInfo
- Publication number
- CN112508317A CN112508317A CN202010902066.5A CN202010902066A CN112508317A CN 112508317 A CN112508317 A CN 112508317A CN 202010902066 A CN202010902066 A CN 202010902066A CN 112508317 A CN112508317 A CN 112508317A
- Authority
- CN
- China
- Prior art keywords
- working condition
- vehicle
- subjective
- database
- starting
- 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
Links
- 238000013077 scoring method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 92
- 238000011156 evaluation Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 238000012417 linear regression Methods 0.000 claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000011084 recovery Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000011065 in-situ storage Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 8
- 230000003068 static effect Effects 0.000 description 7
- 230000001052 transient effect Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种多源动力总成车型驾驶性主客观关联评分方法,包括以下步骤:步骤1:测试与数据采集;步骤2:合格工况识别;步骤3:特征指标提取:提取不同一级工况及二级子工况下表征车辆特点的特征指标;步骤4:工况评分及整体驾驶性评分:采用多元线性回归方法得到二级子工况评分模型,基于二级子工况评分模型得到二级子工况评分,利用分层法,将二级子工况评分导出为车辆整体驾驶性评分。本方法旨在将主观评价与客观数学评价关联,实现驾驶性主客观评分方法的关联,提高驾驶性评分的客观性和可重复性,并降低评价成本。
Description
技术领域
本发明涉及汽车评价技术领域,具体涉及到一种基于多源动力总成车型驾驶性主客观关联评分方法。
背景技术
驾驶性反映了驾驶员在汽车纵向行驶过程中人车交互综合感知,描述了车辆行驶时驾驶员的动态感觉(纵向加速度、冲击、俯仰等)、决策行为(基于感觉的相关判断)、操作行为(换挡、踩踏板)和车辆的瞬态响应的交互关系,并以驾驶员的期望满意度为最终评价依据,现有技术大多以主观评价为主,存在评价结果主观、重复性差、成本高等诸多不足,本方法旨在将主观评价与客观数学评价关联,实现驾驶性主客观评分方法的关联,提高驾驶性评分的客观性和可重复性,并降低评价成本。
同济大学黄伟、刘海江等通过对信号进行预处理,将D-S证据理论与句法模式相结合应用到特征点的识别中,并最终准确识别出起步工况评价指标特征点,并基于模糊神经网络建立了驾驶性的评价体系和方法,其所提出的方法也可用于其他工况和性能指标的评价中。但是其研究应用的范围较小,没有研究其他工况和指标的适用性,且主要针对传统燃油车型,没有关于混合动力和新能源车型的研究。《起动工况驾驶性评价指标特征点识别方法》《车辆起步工况驾驶性品质评价方法研究》。
此外,黄伟等还通过建立稳态车速下瞬态油门变工况测试规范,对车辆数据进行测试,并进行离散化判断,获取最小工况单元,并获取稳态车速下瞬态油门的评价指标。该专利只涉及稳态车速工况的指标识别。《一种稳车速下的瞬态油门变工况驾驶性指标识别算法》。
黄伟等建立了整车的驾驶性评价指标体系,通过划分目标层和指标层对整车驾驶性进行评价,本专利与该专利在工况区分上有一定的类似,但本专利针对混合动力车型,在评分方法、指标选择上均与该专利有很大不同,且公开专利申请资料中的工况并未说明识别和计算方法,且本专利主要针对的是评价指标和主观评分关联的方法。《一种针对整车驾驶性的评价指标体系》。
谷俊等根据油门瞬变工况对整车油门瞬变工况驾驶性进行评分,专利包含的方法与本专利为两种不同的方法,且本专利涉及的评价工况更全面,评价也更加客观稳定。《一种油门瞬变工况驾驶性评价方法及系统》。
除此之外,现有主观评价技术主要有以下不足:
1)主观性:受主观评价分析师主观因素影响较大,难以保证评分的客观性和准确性。
2)重复性差:同一个主观评价分析师对同一车型,在不同时间给出的评价可能存在较大差异。
3)成本高:需要主观评价工程师实车测试,并分析相关数据,人员和时间成本都很高。
4)功能单一:只能够得出车辆工况的单一评分,不能够实时分析数据,并提出有效的改进建议。
有鉴于此,特提出本发明。
发明内容
本发明的目的在于将传感器和数据采集系统采集的多源动力总成车辆特定工况行驶数据用客观的数学方法将之转化为容易评价车辆驾驶性能的评分指标,对主客观评分进行关联,并能够对车辆驾驶性的改善提出相应的改进措施。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于多源动力总成车型驾驶性主客观关联评分方法,包括:
步骤1:测试与数据采集:基于测试车型选择需要测试的一级工况和二级子工况,测试车辆在不同测试条件下的参数,采集不同一级工况和二级子工况的车辆行驶信息和驾驶员操作信息保存至数据库DATABASE_S1;
步骤2:合格工况识别:将识别出的合格一级工况及二级子工况的车辆行驶信息及驾驶员操作信息进行绘图,并保存至数据库DATABASE_S2;
步骤3:特征指标提取:基于DATABASE_S2,提取不同一级工况及二级子工况下表征车辆特点的特征指标,并将提取到特征指标和对应工况信息保存至数据库DATABASE_S3,同时将驾驶性评价专家对二级子工况评分结果同步保存至DATABASE_S3;
步骤4:工况评分及整体驾驶性评分:基于DATABASE_S3,采用多元线性回归方法得到二级子工况评分模型,基于二级子工况评分模型得到二级子工况评分,将二级子工况评分和对应二级子工况保存至数据库DATABASE_S4,基于DATABASE_S4,利用分层法,将二级子工况评分导出为车辆整体驾驶性评分。
优选的,需要测试的一级工况包括:原地启动关闭工况、行车启动关闭工况、怠速充电工况、起步工况、加速工况、减速能量回收工况、匀速工况、换挡工况、Tip-in工况、Tip-out工况、模式切换工况。
优选的,每个二级子工况工况包括不同特征指标,特征指标包括:发动机启动延迟时间、发动机启动时抖动、发动机关闭时抖动、行车发动机启动冲击、起步响应延迟时间、起步冲击、起步涌动、起步跌拌、加速响应延迟、加速冲击、转速限制、减速能量回收强度、减速单调性、换挡延迟和换挡过程冲击。
优选的,采集的车辆行驶信息包括车速信息、油门踏板信息、制动信息、挡位信息、发动机相关信息、驱动电机相关信息以及扭矩、功率、加速度。
优选的,特征指标包括:发动机启动延迟时间、发动机启动时抖动、发动机关闭时抖动、行车发动机启动冲击、起步响应延迟时间、起步冲击、起步涌动、起步跌拌、加速响应延迟、加速冲击、转速限制、减速能量回收强度、减速单调性、换挡延迟、换挡过程冲击。
优选的,多元线性回归方法的具体过程为:
设输出变量y,y为二级子工况的主观评价分数,通过DATABASE_S3中驾驶性评价专家评分获得;设输入变量x1,x2,…,xk,x1,x2,…,xk为特征指标;
多元线性回归方法的线型回归模型,即二级子工况评分模型为:
y=β0+β1x1+β2x2+…+βkxk+ε;
其中β0,β1,…βk为k+1个回归参数,ε为估测误差。
优选的,基于二级子工况评分模型得到二级子工况评分的步骤包括:
设获得n组观测值,则可将回归模型写成矩阵的形式:
Y=Xβ+ε,式中:
其中,y1,y2…yn为n组观测值中y的值;β0,β1...βk为n组观测值每行特征指标x的回归参数;ε为n组观测值每行特征指标x与β的乘积,与n组观测值主观评价分数y的估测误差;x11...x1k为为第1组观测值的特征指标,x21...x2k为为第2组观测值的特征指标,xn1...xnk为为第n组观测值的特征指标;
通过计算出的β值和步骤3中的特征指标求解出相应的二级子工况评分;
步骤3中特征指标有对应驾驶型专家评分时,通过模型得出的二级子工况评价分数可用于与驾驶性评价专家评分对比验证,确认回归模型准确性;
若步骤3中特征指标无对应驾驶性评价专家评分,则可通过已有回归模型执行二级子工况评分;其中,已有回归模型为存在驾驶性评价专家评分的其他多源动力总成车型得到的回归模型。
优选的,计算β值的方法包括以下步骤:
优选的,所述分层法包括以下步骤:将与整车评分有关的元素分解成二级子工况、特征指标组成的层次结构,然后通过比较递阶层次结构各层中两两元素的相对重要性,获得底层元素对上层某元素的相对重要程度序列,从而将DATABASE_S4导出为车辆评分。
优选的,比较递阶层次结构各层中两两元素的相对重要性的步骤包括:基于DATABASE_S4,计算各个二级子工况的判断比较矩阵,用于确定二级子工况评分对一级工况评分的影响权重:
采用了两两相互比较的方法构造判断比较矩阵U=(uij)n×n,其中uij>0,uij与uji互为倒数,uij=1(i,j=1,2,…,n),uij表示Ai对Aj的重要性数值;
对比较矩阵进行基本的一致性判断,若判断比较矩阵没有问题,则求取判断比较矩阵的最大特征值并求出相应的特征向量;
UW=λmaxW;
U为判断比较矩阵,λmax为最大特征值,W为特征向量。W归一化后即为权重向量,其中归一化后的W中的每个分量即为对应的A的权值;对特征向量进行归一化处理,最后可以得出各个二级子工况对一级工况评分的影响权重。
与现有识别方法相比,本方法存在的有益效果是:提出了针对多源动力车型的新的工况评价体系,针对多源动力车型的特点,提出了特定的评价工况;围绕新的评价工况体系,针对工况设计了特定特征特征指标,这些指标融合了传统的特征指标,又在其基础上针对多源动力车型的特定评价工况提出了新的特征指标,并基于多元线性回归的方法,对特征指标和客观评分进行关联,并求解评分模型。该方法针对多源动力车型,能够准确计算多源动力车型的工况评分和整体车辆评分。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明总体流程框图;
图2为本发明评分核心部分实现方法及迭代优化流程;
图3为本发明分层法的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行清楚、完整的描述。显然,所描述的实施例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的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
本实施例中多源动力总成车型驾驶性主客观关联评价方法的执行主体为电脑、服务器以及车辆的行车电脑(VCU)等具备一定运算能力的装置。
下面对本发明多源动力总成车型驾驶性主客观关联评分方法进行说明。
结合图1对本发明的具体流程进行说明。
步骤S101:测试与数据采集。根据评价体系中不同工况的要求,组织不同工况的试验,也可以基于测试车型选择需要测试的工况;在车辆适当的位置布置所需传感器,用于测试车辆在不同测试条件下的参数,将不同一级工况和二级子工况的数据进行采集和存储,形成原始数据库DATABASE_S1。优选的,采集和存储的数据为不同工况下车辆行驶信息和驾驶员的操作信息。
优选的,需要测试的一级工况包括但不限于:原地启动关闭工况、行车启动关闭工况、怠速充电工况、起步工况、加速工况、减速能量回收工况、匀速工况、换挡工况、Tip-in工况、Tip-out工况、模式切换工况。
具体的,需要测试的一级工况包括:
1.原地启动工况:是指车辆处于静止状态,挡位处于P挡或N挡,发动机转速从0rpm上升至稳定怠速转速的过程;
2.原地关闭工况:是指车辆处于静止状态,挡位处于P挡或N挡,发动机转速开始下降直至低于30rpm的过程;
3.行车启动工况:是指车辆处于行车状态,挡位处于非P挡或N挡,发动机转速从0rpm直至收敛于同步转速的过程;
4.行车关闭工况:是指车辆处于行车状态,挡位处于非P挡或N挡,发动机转速开始下降直至低于30rpm的过程;
5.怠速充电工况:是指车辆处于静止状态,挡位处于P挡或N挡,电池电量低于充电限值,发动机启动后以某转速给电池充电的过程;
6.起步工况:分为蠕行起步、静态起步、动态起步和坡道起步四个二级子工况。其中蠕行起步工况是指车辆从静止状态松开制动踏板,挡位处于非P挡或N挡,不踩加速踏板,车辆开始移动并达到稳定车速的过程;静态起步工况是指车辆从静止状态松开制动踏板,挡位处于非P挡或N挡,踩下任意加速踏板开度直至挡位发生变化的过程;动态起步工况是指车辆在行车过程中踩下制动踏板至车速小于某一设定车速阈值,松开制动踏板,并在短时间内再次踩下加速踏板加速的过程;坡道起步工况是指车辆置于坡度大于某设定坡度阈值的坡道上,松开制动踏板,踩下任意加速踏板开度直至挡位发生变化的过程;
7.加速工况:分为全油门加速、恒油门加速和缓油门加速三个二级子工况。其中全油门加速工况是指车辆未踩制动踏板,加速踏板处于100%油门开度,且挡位处于某一固定挡位未发生换挡的加速过程;恒油门加速工况是指车辆未踩制动踏板,加速踏板处于某一小于100%开度的恒定开度,且挡位处于某一固定挡位未发生换挡的加速过程;缓油门加速工况是指车辆未踩制动踏板,持续踩下加速踏板,且踩踏速率小于某速率阈值,使加速踏板开度持续增加的加速过程;
8.减速能量回收工况:分为滑行减速能量回收和制动减速能量回收两个二级子工况。其中滑行减速能量回收工况是指未踩加速踏板,且未踩制动踏板,车辆从某一车速开始滑行减速的过程;制动减速能量回收是指未踩加速踏板,但踩下任意开度的制动踏板,车辆从某一车速开始制动减速的过程;
9.匀速工况:是指车速恒定,挡位置于某一固定挡位或挡位未发生变化,加速踏板开度处于某一恒定位置(允许在波动阈值范围内变化)的过程;
10.换挡工况:分为动力升挡、动力降挡、减速升挡、减速降挡、Tip in降挡、Tipout升挡、行进间换挡七个二级子工况,其中动力升挡是指驾驶员以小于Tip in踩踏速率踩下加速踏板时发生的挡位升高过程;动力降挡是指驾驶员有较大扭矩需求时,以小于Tipin踩踏速率踩下加速踏板时发生的挡位降低过程;减速升挡是指车辆在滑行或制动减速过程中发生挡位升高的过程;减速降挡是指驾驶员大油门加速之后进入减速过程中发生的挡位降低过程;Tip in降挡是指驾驶员以大于等于Tip in踩踏速率踩下加速踏板过程中发生的挡位降低过程;Tip out升挡是指驾驶员以大于Tip out速率松开加速踏板过程中发生的挡位升高过程;行进间换挡是指驾驶员在车辆蠕行过程中在D挡和R挡之间进行挡位切换的过程。
11.Tip-in工况:是指车辆在以任意车速行进过程中,突然踩下加速踏板,且踩踏速率大于某一设定阈值的加速过程;
12.Tip-out工况:是指车辆在以任意车速行进过程中,突然松开加速踏板,且松开速率大于某一设定阈值的减速过程;
13.模式切换工况:是指车辆在不同动力源驱动模式之间相互切换的过程,如EV至HEV模式、HEV模式至EV模式。
上述工况可进一步细分为若干二级子工况,测试时需要测试人员严格按照工况要求进行驾驶测试。
具体的,每个二级子工况包括不同特征指标,特征指标包括:
1.发动机启动延迟时间:发动机转速从30rpm到500rpm的时间;
2.发动机启动时抖动:发动机转速从零到最高转速的纵向加速度VDV值(VDV为震动剂量,计算方式为:,其中表示测试时间内第i个纵向加速度);
3.发动机关闭时抖动:从发动机转速开始下降到转速为零的时间段内高通滤波纵向加速度的VDV值;
4.行车发动机启动冲击:发动机启动过程中纵向加速度最大正向变化斜率;
5.起步响应延迟时间:从踩下加速踏板到纵向加速度增加1m/s2的时间;
6.起步冲击:踩下加速踏板后纵向加速度的最大正梯度;
7.起步抖动:起步过程中纵向加速度的均方根值;
8.起步跌拌:加速度累积过程中最大负加速度幅值;
9.加速抖动:踩下加速踏板到车速达到稳定车速的时间段内,高通滤波后纵向加速度的均方根值;
10.加速冲击:踩下加速踏板后纵向加速度的最大正向变化斜率;
11.Tip in冲击:踩下加速踏板后,加速度最大正斜率
12.Tip in跌拌:从踩下加速踏板到纵向加速度达到工况内最大值的时间内,加速度最大负向变化幅值;
13.Tip in抖动:从踩下加速度踏板到纵向加速度达到稳定水平的时间内,经过高通滤波后加速度信号的均方根值;
14.减速能量回收冲击:减速过程中加速度最大变化幅值的平均斜率;
15.减速单调性:减速过程加速度最大正向变化幅值;
16.换挡延迟:挡位信号变化后,到传动比开始变化的时间;
17.换挡过程冲击:换挡过程中,最大幅值的加速度单次正向变化时的加速度平均变化斜率。
采集车辆行驶信息时,本实施例中所采集的信息包括但不限于:车辆CAN总线信息、传感器信息等。
通过CAN总线数据采集设备和传感器数据采集设备,对不同工况下的车辆行驶信息及驾驶员操作信息进行采集,所采集的车辆行驶信息包括但不限于:车速信息、油门踏板信息、制动信息、挡位信息、发动机相关信息、驱动电机相关信息以及扭矩、功率、加速度等信息。
进行不同工况试验时应当按照工况的要求进行试验,保证测试数据满足工况要求,同时对每个工况应当进行多次重复试验,在保证数据冗余的同时方便对数据进行检查,剔除由于操作失误导致的偏差较大错误数据,保证工况特征指标计算时数据的有效性和准确性。
本实施例介绍了一种获取车辆数据的方式,实际获取数据方式不应局限于本实施例。本实施例中数据库中车辆行驶信息主要依赖于CAN总线和加速度信号传感器信息,实际测试中这些信息也可以通过在车辆上安装速度传感器以及扭矩传感器等外置传感器获取。
将以上测试数据整理保存形成原始数据库DATABASE_S1。
优选的,在数据库中应当确保保存的数据格式一致,方便后续扩充数据库,并进行S103中迭代优化模型等。
步骤S102:合格工况识别。对DATABASE_S1进行处理分析,进一步辨识其中符合工况要求的数据,剔除不满足工况要求的数据,并将处理后的数据保存至数据库DATABASE_S2。
优选的,步骤S101中每个工况下可能包含若干不同测试条件的二级子工况,对每一个二级子工况需要进行单独识别。
优选的,合格工况识别有两种实现方式:
方式(a):通过随车电脑或其他具有计算、显示功能的设备实时对工况信息进行计算处理(在线识别),识别测试数据中满足工况要求的数据段。
若在线识别无合格工况数据则对测试工况进行重复测试,直至测试工况满足各工况要求。
方式(b):基于DATABASE_S1,对数据进行离线处理,识别满足合格工况要求的工况。
优选的,将识别出的合格一级工况及二级子工况的车辆行驶信息及驾驶员操作信息进行绘图,并保存至数据库DATABASE_S2。
步骤S103:特征指标提取。基于DATABASE_S2,针对不同工况,提取表征不同工况下车辆特点的特征指标;对数据进行工况特征指标提取,其中需要对数据做不同方式的滤波处理。
根据对不同工况所评判的指标不同,选取不同的特征指标,基于S102中的数据库DATABASE_S2对每个工况的特征指标进行提取。
每个工况包含不同的特征指标,这些特征指标包括但不限于:发动机启动延迟时间、发动机启动时抖动、发动机关闭时抖动、行车发动机启动冲击、起步响应延迟时间、起步冲击、起步涌动、起步跌拌、加速响应延迟、加速冲击、转速限制、减速能量回收强度、减速单调性、换挡延迟、换挡过程冲击等。
将对应二级子工况的特征指标进行计算并存储,形成数据库DATABASE_S3;同时,由驾驶性评价专家对二级子工况进行评分,作为原始评分数据同步保存至DATABASE_S3。
优选的,对于单一工况可能包含若干特征指标,分别用不同的算法分别对不同工况的不同指标进行计算,并将计算的结果与对应工况信息保存至数据库DATABASE_S3。
步骤S104:工况评分及整车驾驶性评分,计算模型迭代流程如图2所示。
优选的,根据评分对象不同,可将工况评分分为两部分,其中:
第一部分为二级子工况评分,基于DATABASE_S3,采用多元线性回归方法得到二级子工况评分模型,基于此评分模型,可以得到不同二级子工况的评分,并将评分和对应二级子工况保存至数据库DATABASE_S4。
上述多元线性回归方法的具体过程如下:
设输出变量y:这里指相应的二级子工况的主观评价分数,通过DATABASE_S3中驾驶性评价专家评分获得。
输入变量x1,x2,…,xk:这里指特征指标,可以直接是特征指标数值,也可以设置成为多个特征指标数值的乘积来体现非线性特征。
线型回归模型为:
y=β0+β1x1+β2x2+…+βkxk+ε
其中β0,β1,…βk为k+1个回归参数,ε为估测误差。
如果获得n组观测值,则可将回归模型写成矩阵的形式:
Y=Xβ+ε
式中:
其中,y1,y2…yn为n组观测值中y的值;β0,β1...βk为n组观测值每行特征指标x的回归参数;ε为n组观测值每行特征指标x与β的乘积,与n组观测值主观评价分数y的估测误差;x11...x1k为为第1组观测值的特征指标,x21...x2k为为第2组观测值的特征指标,xn1...xnk为为第n组观测值的特征指标;
通过计算出的β估计值,则可以通过S103中计算得到的特征指标数值求解出相应的二级子工况评价分数。
S103中特征指标有对应驾驶型专家评分时,通过模型得出的二级子工况评价分数可用于与驾驶性评价专家评分对比验证,确认模型准确性。
若步骤S103中特征指标无对应驾驶性评价专家评分,则可通过已有回归模型执行二级子工况评分;其中,已有回归模型为存在驾驶性评价专家评分的其他多源动力总成车型得到的回归模型。
使用MATLAB工具,多元线性回归方法在matlab中有内置的函数regress,可进行一元及多元的线性回归分析,其基本的调用方式如下:
b=regress(y,X)
上段函数中,b为需要求解的回归参数,y为样本的输出变量,在本评分方法中则为样本中二级子工况的具体主观评分数值,X为特征指标,可人为设定,在本评分方法中也可以直接使用样本中的特征指标数值。
当回归参数求解过后,可得到对应二级子工况的评分模型,评分模型可以通过输入的计算好的各个二级子工况的特征指标数值来获得各个二级子工况的具体评分,并将具体评分数据保存至数据库DATABASE_S4。
第二部分基于DATABASE_S4,采用分层分析法,将与整车评分有关的元素分解成二级子工况、特征指标组成的层次结构,如图3所示,然后通过比较递阶层次结构各层中两两元素的相对重要性,获得底层元素对上层某元素的相对重要程度序列,从而将DATABASE_S4导出为车辆评分。
基于DATABASE_S4,计算各个二级子工况的判断比较矩阵,用于确定二级子工况评分对一级工况评分的影响权重:
采用了两两相互比较的方法构造判断比较矩阵U=(uij)n×n,其中uij>0,uij与uji互为倒数,uij=1(i,j=1,2,…,n),如表1所示,uij表示Ai对Aj的重要性数值,常用的取值方式为1-9标度法,如表2所示。
表1标度取值表
表2 1-9标度法
然后对比较矩阵进行基本的一致性判断,若判断比较矩阵没有问题,则求取判断比较矩阵的最大特征值并求出相应的特征向量。
UW=λmaxW
U为判断比较矩阵,λmax为最大特征值,W为特征向量。W归一化后即为权重向量,其中归一化后的W中的每个分量即为对应的A的权值。
对特征向量进行归一化处理,最后可以得出各个二级子工况对一级工况评分的影响权重。
其中,使用MATLAB工具,可以调用函数eig求取矩阵的特征值和特征向量,调用方式如下:
[V,D]=eig(A)
其中A为判断比较矩阵,返回值D为所有方阵特征值构成的对角矩阵,V为每个特征值对应的特征向量构成的方阵。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种基于多源动力总成车型驾驶性主客观关联评分方法,其特征在于,包括:
步骤1:测试与数据采集:基于测试车型选择需要测试的一级工况和二级子工况,测试车辆在不同测试条件下的参数,采集不同一级工况和二级子工况的车辆行驶信息和驾驶员操作信息保存至数据库DATABASE_S1;
步骤2:合格工况识别:将识别出的合格一级工况及二级子工况的车辆行驶信息及驾驶员操作信息进行绘图,并保存至数据库DATABASE_S2;
步骤3:特征指标提取:基于DATABASE_S2,提取不同一级工况及二级子工况下表征车辆特点的特征指标,并将提取到特征指标和对应工况信息保存至数据库DATABASE_S3,同时将驾驶性评价专家对二级子工况评分结果同步保存至DATABASE_S3;
步骤4:工况评分及整体驾驶性评分:基于DATABASE_S3,采用多元线性回归方法得到二级子工况评分模型,基于二级子工况评分模型得到二级子工况评分,将二级子工况评分和对应二级子工况保存至数据库DATABASE_S4,基于DATABASE_S4,利用分层法,将二级子工况评分导出为车辆整体驾驶性评分。
2.根据权利要求1所述的基于多源动力总成车型驾驶性主客观关联评分方法,其特征在于,需要测试的一级工况包括:原地启动关闭工况、行车启动关闭工况、怠速充电工况、起步工况、加速工况、减速能量回收工况、匀速工况、换挡工况、Tip-in工况、Tip-out工况、模式切换工况。
3.根据权利要求1所述的基于多源动力总成车型驾驶性主客观关联评分方法,其特征在于,每个二级子工况工况包括不同特征指标,特征指标包括:发动机启动延迟时间、发动机启动时抖动、发动机关闭时抖动、行车发动机启动冲击、起步响应延迟时间、起步冲击、起步涌动、起步跌拌、加速响应延迟、加速冲击、转速限制、减速能量回收强度、减速单调性、换挡延迟和换挡过程冲击。
4.根据权利要求1所述的基于多源动力总成车型驾驶性主客观关联评分方法,其特征在于,采集的车辆行驶信息包括车速信息、油门踏板信息、制动信息、挡位信息、发动机相关信息、驱动电机相关信息以及扭矩、功率、加速度。
5.根据权利要求1所述的基于多源动力总成车型驾驶性主客观关联评分方法,其特征在于,特征指标包括:发动机启动延迟时间、发动机启动时抖动、发动机关闭时抖动、行车发动机启动冲击、起步响应延迟时间、起步冲击、起步涌动、起步跌拌、加速响应延迟、加速冲击、转速限制、减速能量回收强度、减速单调性、换挡延迟、换挡过程冲击。
6.根据权利要求1所述的基于多源动力总成车型驾驶性主客观关联评分方法,其特征在于,多元线性回归方法的具体过程为:
设输出变量y,y为二级子工况的主观评价分数,通过DATABASE_S3中驾驶性评价专家评分获得;设输入变量x1,x2,…,xk,x1,x2,…,xk为特征指标;
多元线性回归方法的线型回归模型,即二级子工况评分模型为:
y=β0+β1x1+β2x2+…+βkxk+ε;
其中β0,β1,…βk为k+1个回归参数,ε为估测误差。
7.根据权利要求6所述的基于多源动力总成车型驾驶性主客观关联评分方法,其特征在于,基于二级子工况评分模型得到二级子工况评分的步骤包括:
设获得n组观测值,则可将回归模型写成矩阵的形式:
Y=Xβ+ε,式中:
其中,y1,y2…yn为n组观测值中y的值;β0,β1...βk为n组观测值每行特征指标x的回归参数;ε为n组观测值每行特征指标x与β的乘积,与n组观测值主观评价分数y的估测误差;x11...x1k为为第1组观测值的特征指标,x21...x2k为为第2组观测值的特征指标,xn1...xnk为为第n组观测值的特征指标;
通过计算出的β值和步骤3中的特征指标求解出相应的二级子工况评分;
步骤3中特征指标有对应驾驶型专家评分时,通过模型得出的二级子工况评价分数可用于与驾驶性评价专家评分对比验证,确认回归模型准确性;
若步骤3中特征指标无对应驾驶性评价专家评分,则可通过已有回归模型执行二级子工况评分;其中,已有回归模型为存在驾驶性评价专家评分的其他多源动力总成车型得到的回归模型。
9.根据权利要求1所述的基于多源动力总成车型驾驶性主客观关联评分方法,其特征在于,所述分层法包括以下步骤:将与整车评分有关的元素分解成二级子工况、特征指标组成的层次结构,然后通过比较递阶层次结构各层中两两元素的相对重要性,获得底层元素对上层某元素的相对重要程度序列,从而将DATABASE_S4导出为车辆评分。
10.根据权利要求9所述的基于多源动力总成车型驾驶性主客观关联评分方法,其特征在于,比较递阶层次结构各层中两两元素的相对重要性的步骤包括:基于DATABASE_S4,计算各个二级子工况的判断比较矩阵,用于确定二级子工况评分对一级工况评分的影响权重:
采用了两两相互比较的方法构造判断比较矩阵U=(uij)n×n,其中uij>0,uij与uji互为倒数,uij=1(i,j=1,2,…,n),uij表示Ai对Aj的重要性数值;
对比较矩阵进行基本的一致性判断,若判断比较矩阵没有问题,则求取判断比较矩阵的最大特征值并求出相应的特征向量;
UW=λmaxW;
U为判断比较矩阵,λmax为最大特征值,W为特征向量。W归一化后即为权重向量,其中归一化后的W中的每个分量即为对应的A的权值;对特征向量进行归一化处理,最后可以得出各个二级子工况对一级工况评分的影响权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902066.5A CN112508317A (zh) | 2020-09-01 | 2020-09-01 | 一种基于多源动力总成车型驾驶性主客观关联评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902066.5A CN112508317A (zh) | 2020-09-01 | 2020-09-01 | 一种基于多源动力总成车型驾驶性主客观关联评分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112508317A true CN112508317A (zh) | 2021-03-16 |
Family
ID=74953473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010902066.5A Pending CN112508317A (zh) | 2020-09-01 | 2020-09-01 | 一种基于多源动力总成车型驾驶性主客观关联评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508317A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029593A (zh) * | 2021-03-26 | 2021-06-25 | 奇瑞新能源汽车股份有限公司 | 汽车驾驶性的评价方法及装置 |
CN113291315A (zh) * | 2021-05-28 | 2021-08-24 | 中汽研(天津)汽车工程研究院有限公司 | 一种针对多源动力总成车型的整车驾驶性工况自动识别方法 |
CN113360371A (zh) * | 2021-05-17 | 2021-09-07 | 同济大学 | 一种基于机器学习的汽车人机交互评测系统 |
CN113469458A (zh) * | 2021-07-22 | 2021-10-01 | 南京领行科技股份有限公司 | 驾驶习惯评价方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491999A (zh) * | 2018-02-10 | 2018-09-04 | 山东国金汽车制造有限公司 | 一种对电动汽车稳态噪声主观评价的客观量化方法 |
CN109100157A (zh) * | 2018-08-20 | 2018-12-28 | 中国汽车技术研究中心有限公司 | 一种用于p2构型混合动力汽车驾驶性测试装置及方法 |
CN109697169A (zh) * | 2019-03-25 | 2019-04-30 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种自动驾驶系统的测试方法和装置 |
CN109747654A (zh) * | 2019-01-11 | 2019-05-14 | 吉林大学 | 一种面向工况的混合动力汽车控制参数标定方法 |
CN110619482A (zh) * | 2019-09-27 | 2019-12-27 | 深圳前海车米云图科技有限公司 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
CN111428960A (zh) * | 2020-01-10 | 2020-07-17 | 武汉理工大学 | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 |
-
2020
- 2020-09-01 CN CN202010902066.5A patent/CN112508317A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108491999A (zh) * | 2018-02-10 | 2018-09-04 | 山东国金汽车制造有限公司 | 一种对电动汽车稳态噪声主观评价的客观量化方法 |
CN109100157A (zh) * | 2018-08-20 | 2018-12-28 | 中国汽车技术研究中心有限公司 | 一种用于p2构型混合动力汽车驾驶性测试装置及方法 |
CN109747654A (zh) * | 2019-01-11 | 2019-05-14 | 吉林大学 | 一种面向工况的混合动力汽车控制参数标定方法 |
CN109697169A (zh) * | 2019-03-25 | 2019-04-30 | 深兰人工智能芯片研究院(江苏)有限公司 | 一种自动驾驶系统的测试方法和装置 |
CN110619482A (zh) * | 2019-09-27 | 2019-12-27 | 深圳前海车米云图科技有限公司 | 基于逻辑回归和单层次分析赋权法的驾驶行为评分方法 |
CN111428960A (zh) * | 2020-01-10 | 2020-07-17 | 武汉理工大学 | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 |
Non-Patent Citations (1)
Title |
---|
孙坚: "驾驶性评价及其仿真方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113029593A (zh) * | 2021-03-26 | 2021-06-25 | 奇瑞新能源汽车股份有限公司 | 汽车驾驶性的评价方法及装置 |
CN113360371A (zh) * | 2021-05-17 | 2021-09-07 | 同济大学 | 一种基于机器学习的汽车人机交互评测系统 |
CN113360371B (zh) * | 2021-05-17 | 2022-10-25 | 同济大学 | 一种基于机器学习的汽车人机交互评测系统 |
CN113291315A (zh) * | 2021-05-28 | 2021-08-24 | 中汽研(天津)汽车工程研究院有限公司 | 一种针对多源动力总成车型的整车驾驶性工况自动识别方法 |
CN113469458A (zh) * | 2021-07-22 | 2021-10-01 | 南京领行科技股份有限公司 | 驾驶习惯评价方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508317A (zh) | 一种基于多源动力总成车型驾驶性主客观关联评分方法 | |
US11675937B2 (en) | Method for simulation-based analysis of a motor vehicle | |
EP3137870B1 (de) | System und verfahren zur analyse der energieeffizienz eines fahrzeugs | |
CN111428960B (zh) | 一种融合多源车载传感器信息的智能车辆驾驶性自动化评价方法 | |
CN107544290A (zh) | 一种新能源汽车性能评估分析和优化系统及方法 | |
DE102014006319A1 (de) | System zur Beurteilung und/oder Optimierung des Betriebsverhaltens eines Fahrzeugs | |
CN110543098B (zh) | 插电式混合动力系统构型的选择方法 | |
CN102177049A (zh) | 用于车辆故障诊断的基准值的生成 | |
WO2013053461A1 (de) | Verfahren und vorrichtung zum erkennen von drehzahl-/drehmomentschwankungen in einer antriebsvorrichtung | |
Goos et al. | Automatic evaluation and optimization of generic hybrid vehicle topologies using dynamic programming | |
CN107133374A (zh) | 一种模态工况的构建方法 | |
CN115492928A (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 | |
Murgovski et al. | A methodology and a tool for evaluating hybrid electric powertrain configurations | |
Guse et al. | Objectified Evaluation and Classification of Passenger Vehicles Longitudinal Drivability Capabilities in Automated Load Change Drive Maneuvers at Engine-in-the-Loop Test Benches | |
Khodabakhshian et al. | Optimization of gear shifting and torque split for improved fuel efficiency and drivability of HEVs | |
Walters et al. | Analysis lead drivability assessment | |
Zhou et al. | Objective Evaluation of Drivability in Passenger Cars with Dual‐Clutch Transmission: A Case Study of Static Gearshift Condition | |
CN113291315A (zh) | 一种针对多源动力总成车型的整车驾驶性工况自动识别方法 | |
Xia et al. | Experimental Study on Drivability of Passenger Car with DCT Based on the Data-Driven Objective Evaluation Model | |
Lei et al. | Starting quality assessment and optimization for automated manual transmission | |
CN115966037B (zh) | 一种燃料电池汽车驾驶行为经济性的评价方法及装置 | |
Kim et al. | Prediction of cumulative damage by analysis of automatic transmission endurance test mode | |
CN114264487B (zh) | 手自一体车辆动力性能测试方法、分析优化方法 | |
Lee et al. | Model-based fuel economy technology assessment | |
WO2022223565A1 (de) | Vorrichtung und verfahren, insbesondere computerimplementiertes verfahren, zum testen |
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: 20210316 |