CN112629880B - 车辆测试工况确定方法、装置及存储介质 - Google Patents

车辆测试工况确定方法、装置及存储介质 Download PDF

Info

Publication number
CN112629880B
CN112629880B CN202011458324.1A CN202011458324A CN112629880B CN 112629880 B CN112629880 B CN 112629880B CN 202011458324 A CN202011458324 A CN 202011458324A CN 112629880 B CN112629880 B CN 112629880B
Authority
CN
China
Prior art keywords
vehicle
working condition
data
determining
test
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.)
Active
Application number
CN202011458324.1A
Other languages
English (en)
Other versions
CN112629880A (zh
Inventor
张丽
白志浩
吴肇苏
徐飞
赵征澜
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.)
Dongfeng Motor Corp
Original Assignee
Dongfeng Motor Corp
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 Dongfeng Motor Corp filed Critical Dongfeng Motor Corp
Priority to CN202011458324.1A priority Critical patent/CN112629880B/zh
Publication of CN112629880A publication Critical patent/CN112629880A/zh
Application granted granted Critical
Publication of CN112629880B publication Critical patent/CN112629880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00Testing of vehicles
    • G01M17/007Wheeled or endless-tracked vehicles
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本说明书实施例公开一种车辆测试工况确定方法、装置及存储介质,所述方法包括:获取预设采样周期内目标类型车辆的车辆数据,车辆数据包括车速以及车辆工况;基于车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布;基于车辆数据、车速区间分布以及车辆工况分布,确定目标车辆测试工况的试验工况数据;基于试验工况数据以及标准工况数据,确定目标类型车辆的最终试验工况数据。上述方案中,由于采用的是目标类型车辆在实际运行过程中的车辆数据来确定最终试验工况数据,使得最终试验工况数据能够更加符合车辆的实际运行情况,基于最终试验工况数据设计出来的产品更满足用户的期望。

Description

车辆测试工况确定方法、装置及存储介质
技术领域
本说明书实施例涉及汽车领域,尤其涉及一种车辆测试工况确定方法、装置及存储介质。
背景技术
现有技术中,汽车的测试工况主要依赖于NEDC(New European Driving Cycle、新欧洲行驶工况)、CLTC(China light-duty Vehicle Test Cycle、中国轻型汽车行驶工况)、WLTC(Worldwide Light-duty Test Cycle,全球轻型车测试循环)。
但是不同车型(例如纯电动汽车、插电式混合动力汽车)的运行特征存在着较大差异,而且由于用户群体增加、道路变化、车辆性能以及功能迭代等因素,导致已有的循环工况不能反映实际车辆的运行状态,设计时应用的试验方法与实际运行工况存在偏差,导致最终设计出来的产品与用户期望的性能体验存在较大差异。
发明内容
本说明书实施例提供及一种车辆测试工况确定方法、装置及存储介质。
第一方面,本说明书实施例提供一种车辆测试工况确定方法,包括:
获取预设采样周期内目标类型车辆的车辆数据,所述车辆数据包括车速以及车辆工况;
基于所述车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布;
基于所述车辆数据、所述车速区间分布以及车辆工况分布,确定所述目标车辆测试工况的试验工况数据;
基于所述试验工况数据以及标准工况数据,确定所述目标类型车辆的最终试验工况数据。
可选地,所述基于所述车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布,包括:
将所述预设采样周期划分成n个运行周期,并基于所述车辆数据的采集时刻,确定每个运行周期对应的车辆数据,n为正整数;
基于所述每个运行周期对应的车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布。
可选地,基于所述每个运行周期对应的车辆数据,确定目标车辆测试工况的运行周期内车速区间分布,包括:
基于所述每个运行周期内的最高车速,将所述n个运行周期划分到M个车速区间中;
基于每个车速区间对应的运行周期总数量,确定所述每个车速区间的占比;
基于所述每个车速区间的占比,以及所述运行周期的时长,确定所述目标车辆测试工况中所述每个车速区间的运行时长。
可选地,所述目标类型车辆对应有X个车辆工况,基于所述每个运行周期对应的车辆数据,确定目标车辆测试工况的运行周期内车辆工况分布,包括:
针对所述每个车速区间,通过以下步骤获得所述目标车辆测试工况的运行周期内车辆工况分布:
确定该车速区间对应的运行周期的车辆数据中,属于每个车辆工况的车辆数据总数量;基于该车速区间下所述每个车辆工况的车辆数据总数量,确定该车速区间下所述每个车辆工况的占比;基于该车速区间下的所述每个车辆工况的占比,以及该车速区间的运行时长,确定所述目标车辆测试工况中该车速区间下的所述每个车辆工况的运行时长。
可选地,所述基于所述车辆数据、所述车速区间分布以及车辆工况分布,确定所述目标车辆测试工况的试验工况数据,包括:
针对所述每个车速区间,基于该车速区间的运行时长,以及该车速区间下的所述每个车辆工况的运行时长,确定区间格,共获得M×X个区间格;
基于所述车辆数据,确定每个区间格的数据;
对所述每个区间格的数据进行曲线拟合,得到所述每个区间格的特征曲线;
基于所述每个区间格的特征曲线,获取所述每个区间格的试验工况数据。
可选地,所述基于所述试验工况数据以及标准工况数据,确定所述目标类型车辆的最终试验工况数据,包括:
确定所述试验工况数据与标准工况数据之间的误差;
在所述误差不满足预设范围时,基于机器学习对所述试验工况数据进行调整,得到目标试验工况数据,其中,所述目标试验工况数据与所述标准工况数据之间的误差满足所述预设范围;
将所述目标试验工况数据作为所述目标类型车辆的最终试验工况数据。
可选地,所述在所述误差不满足预设范围时,基于机器学习对所述试验工况数据进行调整,得到目标试验工况数据,包括:
在所述误差不满足预设范围时,基于K近邻算法对所述试验工况数据进行调整,得到所述目标试验工况数据。
第二方面,本说明书实施例提供一种车辆测试工况确定装置,该装置包括:
获取模块,用于获取预设采样周期内目标类型车辆的车辆数据,所述车辆数据包括车速以及车辆工况;
第一处理模块,用于基于所述车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布;
第二处理模块,用于基于所述车辆数据、所述车速区间分布以及车辆工况分布,确定所述目标车辆测试工况的试验工况数据;
第三处理模块,用于基于所述试验工况数据以及标准工况数据,确定所述目标类型车辆的最终试验工况数据。
可选地,所述第一处理模块,用于:
将所述预设采样周期划分成n个运行周期,并基于所述车辆数据的采集时刻,确定每个运行周期对应的车辆数据,n为正整数;
基于所述每个运行周期对应的车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布。
可选地,所述第一处理模块,用于:
基于所述每个运行周期内的最高车速,将所述n个运行周期划分到M个车速区间中;
基于每个车速区间对应的运行周期总数量,确定所述每个车速区间的占比;
基于所述每个车速区间的占比,以及所述运行周期的时长,确定所述目标车辆测试工况中所述每个车速区间的运行时长。
可选地,所述第一处理模块,用于:
针对所述每个车速区间,通过以下步骤获得所述目标车辆测试工况的运行周期内车辆工况分布:
确定该车速区间对应的运行周期的车辆数据中,属于每个车辆工况的车辆数据总数量;基于该车速区间下所述每个车辆工况的车辆数据总数量,确定该车速区间下所述每个车辆工况的占比;基于该车速区间下的所述每个车辆工况的占比,以及该车速区间的运行时长,确定所述目标车辆测试工况中该车速区间下的所述每个车辆工况的运行时长。
可选地,所述第二处理模块,用于:
针对所述每个车速区间,基于该车速区间的运行时长,以及该车速区间下的所述每个车辆工况的运行时长,确定区间格,共获得M×X个区间格;
基于所述车辆数据,确定每个区间格的数据;
对所述每个区间格的数据进行曲线拟合,得到所述每个区间格的特征曲线;
基于所述每个区间格的特征曲线,获取所述每个区间格的试验工况数据。
可选地,所述第三处理模块,用于:
确定所述试验工况数据与标准工况数据之间的误差;
在所述误差不满足预设范围时,基于机器学习对所述试验工况数据进行调整,得到目标试验工况数据,其中,所述目标试验工况数据与所述标准工况数据之间的误差满足所述预设范围;
将所述目标试验工况数据作为所述目标类型车辆的最终试验工况数据。
可选地,所述第三处理模块,用于:
在所述误差不满足预设范围时,基于K近邻算法对所述试验工况数据进行调整,得到所述目标试验工况数据。
第三方面,本说明书实施例提供一种车辆测试工况确定装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行上述车辆测试工况确定方法的步骤。
第四方面,本说明书实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
本说明书实施例有益效果如下:
本说明书实施例提供的车辆测试工况确定方法,获取预设采样周期内目标类型车辆的车辆数据,车辆数据包括车速以及车辆工况;基于车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布;基于车辆数据、车速区间分布以及车辆工况分布,确定目标车辆测试工况的试验工况数据;基于试验工况数据以及标准工况数据,确定目标类型车辆的最终试验工况数据。上述方案中,由于采用的是目标类型车辆在实际运行过程中的车辆数据来确定最终试验工况数据,使得最终试验工况数据能够更加符合车辆的实际运行情况,基于最终试验工况数据设计出来的产品更满足用户的期望。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本说明书的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本说明书实施例第一方面提供的一种车辆测试工况确定方法的流程图;
图2为本说明书实施提供的一种目标车辆测试工况的区间格划分示意图;
图3为本说明书实施例第二方面提供的一种车辆测试工况确定装置的示意图。
具体实施方式
为了更好的理解上述技术方案,下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明,应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明,而不是对本说明书技术方案的限定,在不冲突的情况下,本说明书实施例以及实施例中的技术特征可以相互组合。
第一方面,本说明书实施例提供一种车辆测试工况确定方法,如图1所示,为本说明书实施例提供的一种车辆测试工况确定方法的流程图,该方法包括以下步骤:
步骤S11:获取预设采样周期内目标类型车辆的车辆数据,所述车辆数据包括车速以及车辆工况;
步骤S12:基于所述车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布;
步骤S13:基于所述车辆数据、所述车速区间分布以及车辆工况分布,确定所述目标车辆测试工况的试验工况数据;
步骤S14:基于所述试验工况数据以及标准工况数据,确定所述目标类型车辆的最终试验工况数据。
本说明书实施例中,可以通过车联网实现车辆与服务平台之间的通信,车辆能够实时采集自身的车辆数据,并将车辆数据上传到服务平台上,例如,将车辆数据上传至车辆远程监控平台。车辆数据上传的频率可以根据实际需要进行设置,例如每1s上传一次,或者每10s上传一次。
步骤S11中,预设数据采集周期可以根据实际需要进行设定,本说明书实施例中,预设采样周期可以根据车辆工况的迭代时间来确定,例如,如果车辆工况需要N年迭代一次,则可以将车辆数据的预设采样周期设置为N年,N可以为1、1.5等,这里不做限定。以N为1为例,则需要获取平台在1年内获取的所有车辆数据。
对于某一采集时刻采集到的车辆数据,可以包括该采集时刻下车速以及车辆工况,还可以包括其他数据,例如车辆类型、车辆状态、电机扭矩、电机功率等。车辆工况可以是直接获取的,也可以是通过对其他车辆数据处理得到的,如通过车辆状态和车速综合得到车辆工况。
针对不同的车辆类型,其运行特征也可能不同,本说明书实施例中,可以通过目标类型筛选出相应类型的车辆数据,并基于筛选出来的数据进行目标类型车辆的工况提取。以目标类型为混动车为例,为了提取混动车的运动特征,可以在预设采样周期内筛选出混动车的车辆数据。需要说明的是,在研究某类车型的运行特征时,可以按照燃油箱、纯电动、混动对车辆进行分类,还可以在大类下进行更细致的类别划分,例如,将混动类型划分为轻混、中混等,这里不做限定。
在获取了车辆数据之后,可以对车辆数据进行清洗,例如根据车辆数据的有效性、完整性以及连续性对车辆数据进行清洗。具体的,可以根据车辆数据的有效数据范围,将不满足有效数据范围的车辆数据进行去除。还可以根据车辆数据的分布情况,将离群明显的散点数据和异常突变的数据进行剔除。通过对车辆数据的清洗保证了数据的有效性。
步骤S12中,目标车辆测试工况中包含有各种车速区间以及车辆工况,例如,目标车辆测试工况中的车速区间可以包含有低速区间、中速区间、高速区间、超高速区间,车辆工况可以包括启动、加速、匀速、减速、怠速、停车工况。当然,车速区间和车辆工况可以根据实际需要进行设定,这里不做限定。本说明书实施例中,目标车辆测试工况为最终用于车辆测试的工况,目标车辆测试工况涵盖了全部的车速区间以及车辆工况,提供各种情况下的试验工况数据。
本说明书实施例中,为了确定目标车辆测试工况,需要确定目标车辆测试工况的运行周期内的车速区间分布以及车辆工况分布。其中,运行周期的时长可以根据实际需要进行设定,例如,运行周期时长为1800s,那么需要根据整个采样周期内的车辆数据,确定出一个运行周期(1800s)内的车速区间分布和车辆工况分布。
在具体实施过程中,车速区间分布以及车辆工况分布可以通过以下方式确定:将预设采样周期划分成n个运行周期,并基于车辆数据的采集时刻,确定每个运行周期对应的车辆数据,n为正整数;基于每个运行周期对应的车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布。
具体来讲,将预设采样周期划分成n个运行周期,可以是根据目标车辆测试工况的运行周期时长进行划分的,例如,目标车辆测试工况的运行周期时长为1800s,采样周期为1年,则将1年的采样周期划分为n个时长为1800s的运行周期。根据划分的n个运行周期,对应的将采集周期内获取的所有车辆数据也对应的划分为份,每一份数据与一个运行周期相对应。
车速区间分布可以通过以下方式确定:基于每个运行周期内的最高车速,将n个运行周期划分到M个车速区间中;基于每个车速区间对应的运行周期总数量,确定每个车速区间的占比;基于每个车速区间的占比,以及运行周期的时长,确定目标车辆测试工况中每个车速区间的运行时长。
针对每个运行周期,包含有在多个采集点采集到的车辆数据,包括车速和车辆工况,例如,以数据上传至平台的频率为每1s上传一次,运行周期为1800s为例,每个运行周期中就包含有1800个车速数据。确定每个运行周期内的最高车速,将最高车速与预设的各个车速区间对应的车速范围进行比较,以对每个运行周期进行车速区间的划分。
需要说明的是,M可以根据实际需要进行设定,本说明书实施例中,以M为4为例,车速区间包括低速区间、中速区间、高速区间以及超高速区间。各个车速区间对应的车速范围可以根据实际需要进行设定,例如,低速区间对应的车速范围为0<车速≤40km/h,中速区间对应的车速范围为40km/h<车速≤60km/h,高速区间对应的车速范围为40km/h<车速≤60km/h,超高速区间对应的车速范围为60km/h<车速≤120km/h。当某个运行周期内的最高车速位于低速区间,则该运行周期被划分在低速区间,该运行周期内的所有车辆数据也置于低速区间;当某个运行周期内的最高车速位于高速区间,则该运行周期被划分在高速区间,该运行周期内的所有车辆数据也至于高速区间。
进一步的,统计每个车速区间对应的运行周期总数量,将低速区间对应的运行周期总数量记为TN1,将中速区间对应的运行周期总数量记为TN2,将高速区间对应的运行周期总数量记为TN3,将超高速区间对应的运行周期总数量记为TN4,令TN=TN1+TN2+TN3+TN4,则低速区间占比i1=TN1/TN,中速区间占比i2=TN2/TN,高速区间占比i3=TN3/TN,超高速区间占比i4=TN4/TN。
基于每个车速区间的占比,计算一个运行周期内的各车速区间的运行时长。将运行周期时长记为T,低速区间的运行时长为T*i1,中速区间的运行时长为T*i2,高速区间的运行时长为T*i3,超高速区间的运行时长为T*i4。
车辆工况分布可以通过以下方式确定:针对每个车速区间,通过以下步骤获得目标车辆测试工况的运行周期内车辆工况分布:确定该车速区间对应的运行周期的车辆数据中,属于每个车辆工况的车辆数据总数量;基于该车速区间下每个车辆工况的车辆数据总数量,确定该车速区间下每个车辆工况的占比;基于该车速区间下的每个车辆工况的占比,以及该车速区间的运行时长,确定目标车辆测试工况中该车速区间下的每个车辆工况的运行时长。
本说明书实施例中,以车辆工况包括启动、加速、匀速、减速、怠速、停车6种工况为例来进行说明。针对每种车速区间,均包含有这6种工况,因此,需要对每种车速区间内各个车辆工况进行划分。具体来讲,在车速区间划分时,已经将n个运行周期的车辆数据分别置于不同的车速区间中,针对每个车速区间,基于置于该车速区间的车辆数据,通过该车速区间中属于各个车辆工况的车辆数据总数量。其中,低速区间中与启动、加速、匀速、减速、怠速、停车各工况对应的数据量分别为SN1、AN1、CN1、DN1、IN1、PN1,各工况之和DN=SN1+AN1+CN1+DN1+IN1+PN1;中速区间中与启动、加速、匀速、减速、怠速、停车各工况对应的数据量分别为SN2、AN2、CN2、DN2、IN2、PN2,各工况之和ZN=SN2+AN2+CN2+DN2+IN2+PN2;高速区间中与启动、加速、匀速、减速、怠速、停车各工况对应的数据量分别为SN3、AN3、CN3、DN3、IN3、PN3,各工况之和GN=SN3+AN3+CN3+DN3+IN3+PN3;超高速区间中与启动、加速、匀速、怠速、减速、停车各工况对应的数据量分别为SN4、AN4、CN4、DN4、IN4、PN4,各工况之和CN=SN4+AN4+CN4+DN4+IN4+PN4。
进一步的,确定每个车速区间内各个车辆工况的占比,低速区间启动、加速、匀速、减速、怠速、停车各车辆工况的占比分别为S1、A1、C1、D1、I1、P1,其中S1=S1/DN,A1=AN1/DN,C1=CN1/DN,D1=DN1/DN,I1=IN1/DN,P1=PN1/DN;中速区间启动、加速、匀速、减速、怠速、停车各车辆工况的占比分别为S2、A2、C2、D2、I2、P2,其中S2=SN2/ZN,A2=AN2/ZN,C2=CN2/ZN,D2=DN2/ZN,I2=IN2/ZN,P2=PN2/ZN;高速区间启动、加速、匀速、减速、怠速、停车各车辆工况的占比分别为S3、A3、C3、D3、I3、P3,其中S3=SN3/GN,A3=AN3/GN,C3=CN3/GN,D3=DN3/GN,I3=IN3/GN,P3=PN3/GN;超高速区间启动、加速、匀速、减速、怠速、停车各车辆工况的占比分别为S4、A4、C4、D4、I4、P4,其中S4=SN4/CN,A4=AN4/CN,C4=CN4/CN,D4=DN4/CN,I4=IN4/CN,P4=PN4/CN。
基于每个车速区间内各个车辆工况的占比,确定目标车辆测试工况中该车速区间下的每个车辆工况的运行时长。低速区间启动、加速、匀速、减速、怠速、停车各车辆工况的运行时长分别为T*i1*S1、T*i1*A1、T*i1*C1、T*i1*D1、T*i1*I1、T*i1*P1;中速区间启动、加速、匀速、减速、怠速、停车各车辆工况的运行时长分别为T*i1*S2、T*i2*A2、T*i2*C2、T*i2*D2、T*i2*I2、T*i2*P2;高速区间启动、加速、匀速、减速、怠速、停车各车辆工况的运行时长分别为T*i1*S3、T*i3*A3、T*i3*C3、T*i3*D3、T*i3*I3、T*i3*P3;超高速区间启动、加速、匀速、减速、怠速、停车各车辆工况的运行时长分别为T*i1*S4、T*i4*A4、T*i4*C4、T*i4*D4、T*i4*I4、T*i4*P4。
步骤S13中,由于目标车辆测试工况涵盖了全部的车速区间以及车辆工况,可以基于车速区间以及车辆工况对运行周期进行划分,以获得每种情况下的试验工况数据。在具体实施过程中,步骤S13可以通过以下方式实现:针对每个车速区间,基于该车速区间的运行时长,以及该车速区间下的每个车辆工况的运行时长,确定区间格,共获得M×X个区间格;基于车辆数据,确定每个区间格的数据;对每个区间格的数据进行曲线拟合,得到每个区间格的特征曲线;基于每个区间格的特征曲线,获取目标车辆测试工况的试验工况数据。
如图2所示,为本说明书实施例提供的一种目标车辆测试工况的区间格划分示意图,请参考图2,横坐标为运行周期的时间,横坐标的时间范围为0~1800s,纵坐标为车速。基于每个车速区间的运行时长,将运行周期划分为低速区间、中速区间、高速区间以及超高速区间,针对每个速度区间,基于该速度区间下的各个车辆工况的运行时长,将每个速度区间划分为启动、加速、匀速、减速、怠速、停车6个区间格。本说明书实施例中,车速区间的数量M为4,车辆工况的总数量X为6,则将整个运行周期划分成24个区间格。
需要说明的是,目标车辆测试工况中各个速度区间以及各个车辆工况的位置可以根据需要进行设定,本说明书实施例中以图2的划分方式为例来进行说明。图2中,随着时间的推移,车速区间依次为低速区间、中速区间、高速区间以及超高速区间,每个车速区间中,按照时间的先后顺序,车辆工况依次为启动、加速、匀速、减速、怠速、停车。
图2中,1、7、13、19为具有启动工况特征的区间格,2、8、14、20为具有加速工况特征的区间格,3、9、15、21为具有减速工况特征的区间格,3、9、15、21为具有工况减速特征的区间格,5、11、17、23为具有怠速工况特征的区间格,6、12、18、24为具有停车工况特征的区间格。针对每个区间格,对车辆数据进行筛选,只留下与该区间格工况对应的点,得到每个区间格的数据。
进一步的,对每个区间格的数据进行曲线拟合,得到每个区间格的特征曲线,沿用图2中的例子,需要拟合24条特征曲线。特征曲线的拟合可以通过多种方式来实现,本说明书实施例,基于最小二乘法来拟合特征曲线。
在具体实施过程中,确定每个区间格的用于拟合特征曲线的数据点,每个数据点的横坐标为时间,纵坐标为车速;对每个区间格的数据点进行拟合,得到每个区间格的拟合函数;针对每个区间格,计算该区间格的拟合函数与目标函数之间的误差平方;通过误差平方对拟合函数进行优化,并循环执行上述步骤,直到找出最优的拟合函数使得该区间格的拟合函数对应的误差平方最小。最优的拟合函数用来描述最终的区间格的特征曲线。进一步的,基于每个区间格最终的特征曲线,确定出各个区间格的试验工况数据。
步骤S14中,通过拟合得到的试验工况数据有可能无法达到标准工况的要求,以标准工况为WLTC为例,可以通过WLTC的标准工况数据对试验工况数据进行修正,以得到既符合车辆实际运行情况又符合标准工况要求的车辆测试工况数据,即最终试验工况数据。
在具体实施过程中,最终试验工况数据可以通过以下方式确定:确定试验工况数据与标准工况数据之间的误差;在误差不满足预设范围时,基于机器学习对试验工况数据进行调整,得到目标试验工况数据,其中,目标试验工况数据与标准工况数据之间的误差满足预设范围;将目标试验工况数据作为目标类型车辆的最终试验工况数据。
需要说明的是,机器学习的方式可以根据实际需要进行选择,如神经网络、深度学习、聚类算法等,本说明书实施例中,以机器学习为K近邻算法(k-Nearest Neighbor)为例来进行说明。
在具体实施过程中,确定与上述24个区间格分别对应的标准工况数据Bi,第一区间格标准工况数据为B1、…、第二十四区间格标准工况数据为B24。24个区间格对应的试验工况数据分别为Ai(i=1、2、…、24),第一区间格试验工况数据为A1、…、第二十四区间格试验工况数据为A24。
设置每个区间格的误差允许的预设范围ei={e1;e2;…;e24},根据不同时期的试验工况数据与标准工况数据的对比分析结果,判断误差出现的原因及合理性,可以适当的调整每个区间格的误差预设范围,即ei是不断迭代更新的。
确定试验工况数据与标准工况数据之间的误差Ci,其中,Ci=∑|Ai-Bi|。若始终有Ci≤ei,则试验工况数据为符合要求的数据,将试验工况数据作为最终试验工况数据。
若存在Cv=∑|Av-Bv|>ev(v∈i),则对Av进行修正。具体的修正过程如下:在第v个区间格的试验工况数据中确定出S个数据偏差值最大的数据点Avs,s=1、2、…、S;针对每个Avs,分别找出K个与偏差最大的数据点邻近的点,分别计算邻近点与偏差最大的数据点的距离,共获得K×S个训练数据,构建S个新的群组,每个群组有K个训练样本。
基于上述S个群组的训练样本进行训练:在第一次训练时,选取每个群组中最小距离的临近点替换偏差最大的数据点,采用替换后的数据计算Ci=∑|Ai-Bi|,若始终有Ci≤ei,则调整后的试验工况数据符合要求,将其作为最终实验工况数据。若第一次训练仍不符合要求,即Ci>ei,则进行第二次训练,选取每个群组中次小距离的邻近点替换偏差最大的数据点,再次使用替换后的数据计算Ci=∑|Ai-Bi|,若始终有Ci≤ei,则调整后的试验工况数据符合要求,将其作为最终实验工况数据,若不符合要求,则进行第三次训练…以此类推,直到始终有Ci≤ei,输出最终试验工况数据。
综上所述,本说明书实施例提供的方法,能够基于车联网大数据进行试验工况数据的提取,提取的试验工况数据能够更加符合车辆的实际运行情况,进而使得最终设计出来的产品更满足用户的期望,提高用户体验。
第二方面,基于同一发明构思,本说明书实施例提供一种车辆测试工况确定装置,如图3所示,该装置包括:
获取模块31,用于获取预设采样周期内目标类型车辆的车辆数据,所述车辆数据包括车速以及车辆工况;
第一处理模块32,用于基于所述车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布;
第二处理模块33,用于基于所述车辆数据、所述车速区间分布以及车辆工况分布,确定所述目标车辆测试工况的试验工况数据;
第三处理模块34,用于基于所述试验工况数据以及标准工况数据,确定所述目标类型车辆的最终试验工况数据。
可选地,第一处理模块32,用于:
将所述预设采样周期划分成n个运行周期,并基于所述车辆数据的采集时刻,确定每个运行周期对应的车辆数据,n为正整数;
基于所述每个运行周期对应的车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布。
可选地,第一处理模块32,用于:
基于所述每个运行周期内的最高车速,将所述n个运行周期划分到M个车速区间中;
基于每个车速区间对应的运行周期总数量,确定所述每个车速区间的占比;
基于所述每个车速区间的占比,以及所述运行周期的时长,确定所述目标车辆测试工况中所述每个车速区间的运行时长。
可选地,第一处理模块32,用于:
针对所述每个车速区间,通过以下步骤获得所述目标车辆测试工况的运行周期内车辆工况分布:
确定该车速区间对应的运行周期的车辆数据中,属于每个车辆工况的车辆数据总数量;基于该车速区间下所述每个车辆工况的车辆数据总数量,确定该车速区间下所述每个车辆工况的占比;基于该车速区间下的所述每个车辆工况的占比,以及该车速区间的运行时长,确定所述目标车辆测试工况中该车速区间下的所述每个车辆工况的运行时长。
可选地,第二处理模块33,用于:
针对所述每个车速区间,基于该车速区间的运行时长,以及该车速区间下的所述每个车辆工况的运行时长,确定区间格,共获得M×X个区间格;
基于所述车辆数据,确定每个区间格的数据;
对所述每个区间格的数据进行曲线拟合,得到所述每个区间格的特征曲线;
基于所述每个区间格的特征曲线,获取所述每个区间格的试验工况数据。
可选地,第三处理模块34,用于:
确定所述试验工况数据与标准工况数据之间的误差;
在所述误差不满足预设范围时,基于机器学习对所述试验工况数据进行调整,得到目标试验工况数据,其中,所述目标试验工况数据与所述标准工况数据之间的误差满足所述预设范围;
将所述目标试验工况数据作为所述目标类型车辆的最终试验工况数据。
可选地,第三处理模块34,用于:
在所述误差不满足预设范围时,基于K近邻算法对所述试验工况数据进行调整,得到所述目标试验工况数据。
关于上述装置,其中各个模块的具体功能已经在本说明书实施例提供的车辆测试工况确定方法的实施例中进行了详细描述,此处将不做详细阐述说明。
第三方面,基于与前述实施例中车辆测试工况确定方法同样的发明构思,本说明书实施例还提供一种车辆测试工况确定装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现前文所述车辆测试工况确定方法的步骤。
第四方面,基于与前述实施例中基于车辆测试工况确定方法的发明构思,本说明书实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述车辆测试工况确定方法的任一方法的步骤。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品,该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本说明书的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。
显然,本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样,倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内,则本说明书也意图包含这些改动和变型在内。

Claims (8)

1.一种车辆测试工况确定方法,其特征在于,所述方法包括:
获取预设采样周期内目标类型车辆的车辆数据,所述车辆数据包括车速以及车辆工况;
基于所述车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布;
基于所述车辆数据、所述车速区间分布以及车辆工况分布,确定所述目标车辆测试工况的试验工况数据;
基于所述试验工况数据以及标准工况数据,确定所述目标类型车辆的最终试验工况数据;所述基于所述试验工况数据以及标准工况数据,确定所述目标类型车辆的最终试验工况数据,包括:确定所述试验工况数据与标准工况数据之间的误差;在所述误差满足预设范围时,将所述试验工况数据确定为目标类型车辆的最终试验工况数据,在所述误差不满足预设范围时,基于机器学习对所述试验工况数据进行调整,得到目标试验工况数据,其中,所述目标试验工况数据与所述标准工况数据之间的误差满足所述预设范围;将所述目标试验工况数据作为所述目标类型车辆的最终试验工况数据,所述在所述误差不满足预设范围时,基于机器学习对所述试验工况数据进行调整,得到目标试验工况数据,包括:在所述误差不满足预设范围时,基于K近邻算法对所述试验工况数据进行调整,得到所述目标试验工况数据。
2.根据权利要求1所述的方法,其特征在于,所述基于所述车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布,包括:
将所述预设采样周期划分成n个运行周期,并基于所述车辆数据的采集时刻,确定每个运行周期对应的车辆数据,n为正整数;
基于所述每个运行周期对应的车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布。
3.根据权利要求2所述的方法,其特征在于,基于所述每个运行周期对应的车辆数据,确定目标车辆测试工况的运行周期内车速区间分布,包括:
基于所述每个运行周期内的最高车速,将所述n个运行周期划分到M个车速区间中;
基于每个车速区间对应的运行周期总数量,确定所述每个车速区间的占比;
基于所述每个车速区间的占比,以及所述运行周期的时长,确定所述目标车辆测试工况中所述每个车速区间的运行时长。
4.根据权利要求3所述的方法,其特征在于,所述目标类型车辆对应有X个车辆工况,基于所述每个运行周期对应的车辆数据,确定目标车辆测试工况的运行周期内车辆工况分布,包括:
针对所述每个车速区间,通过以下步骤获得所述目标车辆测试工况的运行周期内车辆工况分布:
确定该车速区间对应的运行周期的车辆数据中,属于每个车辆工况的车辆数据总数量;基于该车速区间下所述每个车辆工况的车辆数据总数量,确定该车速区间下所述每个车辆工况的占比;基于该车速区间下的所述每个车辆工况的占比,以及该车速区间的运行时长,确定所述目标车辆测试工况中该车速区间下的所述每个车辆工况的运行时长。
5.根据权利要求4所述的方法,其特征在于,所述基于所述车辆数据、所述车速区间分布以及车辆工况分布,确定所述目标车辆测试工况的试验工况数据,包括:
针对所述每个车速区间,基于该车速区间的运行时长,以及该车速区间下的所述每个车辆工况的运行时长,确定区间格,共获得M×X个区间格;
基于所述车辆数据,确定每个区间格的数据;
对所述每个区间格的数据进行曲线拟合,得到所述每个区间格的特征曲线;
基于所述每个区间格的特征曲线,获取所述每个区间格的试验工况数据。
6.一种车辆测试工况确定装置,其特征在于,所述装置包括:
获取模块,用于获取预设采样周期内目标类型车辆的车辆数据,所述车辆数据包括车速以及车辆工况;
第一处理模块,用于基于所述车辆数据,确定目标车辆测试工况的运行周期内车速区间分布以及车辆工况分布;
第二处理模块,用于基于所述车辆数据、所述车速区间分布以及车辆工况分布,确定所述目标车辆测试工况的试验工况数据;
第三处理模块,用于基于所述试验工况数据以及标准工况数据,确定所述目标类型车辆的最终试验工况数据;所述基于所述试验工况数据以及标准工况数据,确定所述目标类型车辆的最终试验工况数据,包括:确定所述试验工况数据与标准工况数据之间的误差;在所述误差满足预设范围时,将所述试验工况数据确定为目标类型车辆的最终试验工况数据,在所述误差不满足预设范围时,基于机器学习对所述试验工况数据进行调整,得到目标试验工况数据,其中,所述目标试验工况数据与所述标准工况数据之间的误差满足所述预设范围;将所述目标试验工况数据作为所述目标类型车辆的最终试验工况数据,所述在所述误差不满足预设范围时,基于机器学习对所述试验工况数据进行调整,得到目标试验工况数据,包括:在所述误差不满足预设范围时,基于K近邻算法对所述试验工况数据进行调整,得到所述目标试验工况数据。
7.一种车辆测试工况确定装置,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
8.一种计算机存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。
CN202011458324.1A 2020-12-10 2020-12-10 车辆测试工况确定方法、装置及存储介质 Active CN112629880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011458324.1A CN112629880B (zh) 2020-12-10 2020-12-10 车辆测试工况确定方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011458324.1A CN112629880B (zh) 2020-12-10 2020-12-10 车辆测试工况确定方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112629880A CN112629880A (zh) 2021-04-09
CN112629880B true CN112629880B (zh) 2022-02-22

Family

ID=75310035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011458324.1A Active CN112629880B (zh) 2020-12-10 2020-12-10 车辆测试工况确定方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112629880B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113553548B (zh) * 2021-07-19 2023-01-10 中汽研汽车检验中心(天津)有限公司 一种基于车联网大数据的实际运行工况VSPBin划分方法
CN114383857B (zh) * 2021-11-30 2024-04-19 江铃汽车股份有限公司 满足排放标准的耐久试验验证规范等效设计方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5101660A (en) * 1991-04-05 1992-04-07 Clayton Industries Method and apparatus for enabling two or four wheel drive vehicles to be tested under simulated road conditions
CN109506946A (zh) * 2018-10-19 2019-03-22 中国汽车技术研究中心有限公司 一种rde工况库开发及使用方法
CN111724505A (zh) * 2020-06-24 2020-09-29 北汽福田汽车股份有限公司 一种行驶工况构建方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107067722B (zh) * 2017-04-24 2020-04-21 中国汽车技术研究中心 一种车辆行驶工况构建方法
CN107093227B (zh) * 2017-05-05 2020-04-14 苏州海格新能源汽车电控系统科技有限公司 整车运行工况识别方法、装置和整车运行控制系统
CN107563423B (zh) * 2017-08-24 2020-07-03 北京交通发展研究院 一种轻型机动车生态驾驶行为的综合评价方法
CN109932191B (zh) * 2019-03-15 2021-10-15 中国汽车技术研究中心有限公司 一种实际道路行驶工况库及构建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5101660A (en) * 1991-04-05 1992-04-07 Clayton Industries Method and apparatus for enabling two or four wheel drive vehicles to be tested under simulated road conditions
CN109506946A (zh) * 2018-10-19 2019-03-22 中国汽车技术研究中心有限公司 一种rde工况库开发及使用方法
CN111724505A (zh) * 2020-06-24 2020-09-29 北汽福田汽车股份有限公司 一种行驶工况构建方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
太原市公交车行驶工况构建及排放特性研究;王志强;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20190815(第08期);第B027-221页 *

Also Published As

Publication number Publication date
CN112629880A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112629880B (zh) 车辆测试工况确定方法、装置及存储介质
CN110610260B (zh) 行车能耗预测系统、方法、存储介质和设备
CN109204063B (zh) 一种动力电池健康状态soh的获取方法、装置及车辆
DE102017219489A1 (de) Hybridfahrzeug und Verfahren zum Steuern eines Getriebes
GB2489777A (en) An Apparatus and Method for Estimating an Effective Frontal Area or Aerodynamic Resistance of a Vehicle
CN110728421B (zh) 一种基于充电需求大数据的路网充电优化方法
CN110705774A (zh) 一种车辆能耗分析的预测方法和系统
CN111348029B (zh) 一种考虑工况的混合动力汽车标定参数最优值确定方法
CN115084600A (zh) 基于大数据的氢燃料电池电堆输出性能分析方法
CN113553548B (zh) 一种基于车联网大数据的实际运行工况VSPBin划分方法
Yao et al. The smart black box: A value-driven automotive event data recorder
CN116468990A (zh) 一种基于集中判图的任务随机派发智能管理系统及方法
Zhang et al. Development of the driving cycle for Dalian city
CN113240002B (zh) 一种车联网大数据预处理系统、装置和方法
CN112829590B (zh) 基于整车经济性的纯电动车能量流计算方法、系统及介质
CN115146478A (zh) 基于优化算法的行驶工况构建方法、装置及相关设备
CN113076841A (zh) 一种车辆测试方法、装置和电子设备
CN112406560A (zh) 调整增程器发电功率的方法、装置、存储介质及车辆
CN116608260A (zh) 换档控制方法、装置、车辆及存储介质
CN112445969A (zh) 基于车联网的人机交互方法及其装置
CN115184810A (zh) 动力电池的老化特征因子提取方法、装置、设备及介质
CN112948752B (zh) 一种针对列车长运动片段的典型工况构建方法
CN116008812B (zh) 一种储能电站参数辨识加速的方法和装置
CN114627654B (zh) 一种基于时空特性的公交车载客量量化方法
CN116398307A (zh) 车辆节油驾驶推荐方法、装置及计算机可读存储介质

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