CN114359609A - 车辆负载信息挖掘方法、装置及电子设备 - Google Patents
车辆负载信息挖掘方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114359609A CN114359609A CN202111657326.8A CN202111657326A CN114359609A CN 114359609 A CN114359609 A CN 114359609A CN 202111657326 A CN202111657326 A CN 202111657326A CN 114359609 A CN114359609 A CN 114359609A
- Authority
- CN
- China
- Prior art keywords
- load information
- vehicle
- target
- model
- target torque
- 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
- 238000005065 mining Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000001133 acceleration Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000009471 action Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请涉及一种车辆负载信息挖掘方法、装置及电子设备。车辆负载信息挖掘方法,包括:分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,多个目标扭矩集合与多种负载类型一一对应;针对多个目标扭矩集合中的每个目标扭矩集合,基于目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后负载信息识别模型的模型斜率,以获得多个模型斜率,负载信息识别模型为控速器输出扭矩与加速度的一元一次方程;对多个模型斜率进行聚类处理,获得聚类结果;基于聚类结果,获得目标车辆的负载信息挖掘结果。本申请实施例提供的车辆负载信息挖掘方法具备快速识别车辆负载信息的能力,具有较强的鲁棒性及通用性。
Description
技术领域
本申请涉及大数据挖掘技术领域,具体而言,涉及一种车辆负载信息挖掘方法、装置及电子设备。
背景技术
车辆负载信息可以理解为目标车辆在行驶过程中,因实际搭乘人员数量、物品重量而造成的整车质量的差异信息。
现有技术中,车辆负载信息识别算法主要分为两种,第一种是基于额外传感器实现的,也即,通过全球定位系统测量道路标高进而计算道路坡度,道路坡度确定后,整车质量则可以通过纵向动力学方程获得,或通过在目标车辆中加装加速度传感器,再通过加速度传感器测量纵向加速度,用于对坡道进行估计。第二种是基于车辆动力学实现的,也即,使用目标车辆的现有传感器,测量目标车辆在不同坡道路面上的行驶状态参数,再通过分析目标车辆在不同坡道路面上的行驶状态参数差异来识别整车质量与坡度大小,且该方法主要针对已知车型。
但实际应用场景中,例如,在开展试车场与用户关联试验规范制定时,为了获取用户真实驾驶习惯下目标车辆所承受的损伤,需要对大量用户和多种车型开展车辆负载信息的挖掘,所以,相关信息统计需求数据量极大,那么,采用上述第一种方案就会存在设备成本过高,以及数据获取周期过长、数据获取费用过高等问题,最终,超出企业所能承受的范围。采用上述第二种方案虽然设备成本较低,但现有方法中基本均需要获取车型动力系统的标定信息或车辆整体的标定信息,对于需要针对多种车型同步开展负载信息识别的情况,相关标定同样会导致数据获取周期过长、数据获取费用过高的问题。
发明内容
本申请的目的在于,提供一种车辆负载信息挖掘方法、装置及电子设备,以解决上述问题。
本申请实施例提供的车辆负载信息挖掘方法,包括:
分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,多个目标扭矩集合与多种负载类型一一对应;
针对多个目标扭矩集合中的每个目标扭矩集合,基于目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后负载信息识别模型的模型斜率,以获得多个模型斜率,负载信息识别模型为控速器输出扭矩与加速度的一元一次方程;
对多个模型斜率进行聚类处理,获得聚类结果;
基于聚类结果,获得目标车辆的负载信息挖掘结果。
结合第一方面,本申请实施例还提供了第一方面的第一种可选的实施方式,分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合之前,车辆负载信息挖掘方法还包括:
分别获取目标车辆在多种负载类型下行驶时采集的单次启停数据集;
在每获取到一个单次启停数据集之后,对单次启停数据集中包括的控制器输出扭矩进行滤波处理。
结合第一方面,本申请实施例还提供了第一方面的第二种可选的实施方式,分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,包括:
针对目标车辆在每种负载类型下行驶时采集的单次启停数据集,从单次启停数据集中截取出初始扭矩集合、行驶速度集合和制动踏板动作表征数据集合;
结合行驶速度集合和制动踏板动作表征数据集合,从初始扭矩集合中截取出行驶速度位于目标速度区间,且制动踏板未动作时所对应的目标扭矩集合。
结合第一方面,本申请实施例还提供了第一方面的第三种可选的实施方式,针对多个目标扭矩集合中的每个目标扭矩集合,基于目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后负载信息识别模型的模型斜率,以获得多个模型斜率之前,车辆负载信息挖掘方法还包括:
根据车辆动力学理论,创建目标车辆在行驶过程中所采集的动力学方程;
将所述动力学方程转换为负载信息识别模型。
结合第一方面,本申请实施例还提供了第一方面的第四种可选的实施方式,对多个模型斜率进行聚类处理,获得聚类结果,包括:
通过K-Means聚类算法,对多个模型斜率进行聚类处理,获得聚类结果。
第二方面,本申请实施例提供的车辆负载信息挖掘装置,包括:
数据截取模块,用于分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,多个目标扭矩集合与多种负载类型一一对应;
拟合计算模块,用于针对多个目标扭矩集合中的每个目标扭矩集合,基于目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后负载信息识别模型的模型斜率,以获得多个模型斜率,负载信息识别模型为控速器输出扭矩与加速度的一元一次方程;
聚类处理模块,用于对多个模型斜率进行聚类处理,获得聚类结果;
结果分析模块,用于基于聚类结果,获得目标车辆的负载信息挖掘结果。
结合第二方面,本申请实施例还提供了第二方面的第一种可选的实施方式,数据截取模块包括:
第一数据截取单元,用于针对目标车辆在每种负载类型下行驶时采集的单次启停数据集,从单次启停数据集中截取出初始扭矩集合、行驶速度集合和制动踏板动作表征数据集合;
第二数据截取单元,用于结合行驶速度集合和制动踏板动作表征数据集合,从初始扭矩集合中截取出行驶速度位于目标速度区间,且制动踏板未动作时所对应的目标扭矩集合。
结合第二方面,本申请实施例还提供了第二方面的第三种可选的实施方式,车辆负载信息挖掘装置还包括:
第一创建模块,用于根据车辆动力学理论,创建目标车辆在行驶过程中所采集的动力学方程;
第二创建模块,用于将所述动力学方程转换为负载信息识别模型。
第三方面,本申请实施例提供的电子设备,包括:
处理器;以及
存储器,存储器上存储有计算机程序;
其中,计算机程序包括指令,指令在由处理器执行时,使处理器执行第一方面,或第一方面的任意一种可选的实施方式所提供的车辆负载信息挖掘方法。
第四方面,本申请实施例还提供了一种计算机可读存储介质,存储有计算机指令,计算机指令用于使计算机执行第一方面,或第一方面的任意一种可选的实施方式所提供的车辆负载信息挖掘方法。
本申请提供的车辆负载信息挖掘方法中,首先,分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,其中,多个目标扭矩集合与多种负载类型一一对应,此后,针对多个目标扭矩集合中的每个目标扭矩集合,基于目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后负载信息识别模型的模型斜率,以获得多个模型斜率,其中,负载信息识别模型为控速器输出扭矩与加速度的一元一次方程,最后,对多个模型斜率进行聚类处理,获得聚类结果,再基于聚类结果,获得目标车辆的负载信息挖掘结果。相对于现有技术而言,本申请实施例提供的车辆负载信息挖掘方法无需进行标定,且不依赖于车辆特征参数等信息的输入,具备快速识别车辆负载信息的能力,同时,具有较强的鲁棒性及通用性,因此,通过该方法能够有效地在短时间内以最为经济的方式开展用户实际用车时车辆负载信息的大数据挖掘,以便为后续试车场规范制定或车型问题解析提供更为合理准确的数据支撑。
本申请实施例提供的车辆负载信息挖掘装置、电子设备及计算机可读存储介质具有与上述车辆负载信息挖局方法相同的有益效果,此处不作赘述。
附图说明
在下面结合附图对于示例性实施例的描述中,本申请的更多细节、特征和优点被公开,在附图中:
图1为本申请实施例提供的一种车辆负载信息挖掘方法的步骤流程图。
图2为本申请实施例提供的一种单次启停数据集获取过程的辅助性示意图。
图3为本申请实施例提供的一种滤波处理前后控制器输出扭矩的对比图。
图4为本申请实施例提供的一种目标扭矩集合的截取结果示意图。
图5为本申请实施例提供的一种负载信息识别模型的拟合结果示意图。
图6为本申请实施例提供的一种模型斜率和模型截距示意图。
图7为本申请实施例提供的一种聚类结果示意图。
图8为本申请实施例提供的一种车辆负载信息挖掘装置的示意性结构框图。
图9为本申请实施例提供的一种电子设备的示意性结构框图。
附图标号:100-车辆负载信息挖掘装置;110-数据截取模块;120-拟合计算模块;130-聚类处理模块;140-结果分析模块;200-电子设备;210-计算单元;220-只读存储器;230-随机访问存储器;240-总线;250-输入/输出接口;260-输入单元;270-输出单元;280-存储单元;290-通信单元。
具体实施方式
下面将结合附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例,然而,应当理解的是,本申请可以通过各种形式来实现,且不应该被解释为限于这里阐述的实施例,相反,提供这些实施例是为了更加透彻和完整地理解本申请,此外,本申请的附图及实施例仅用于示例性作用,并非用于限制本申请的保护范围。
还应当理解的是,本申请的方法实施例中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤,本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”,术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”,术语“另一实施例”表示“至少一个另外的实施例”,术语“一些实施例”表示“至少一些实施例”,其他术语的相关定义将在下文描述中给出。此外,需要说明的是,本申请实施例中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或相互依存关系。
需要说明的是,本申请实施例中提及的“一个”、“多个”的修饰是示意性,而非限制性的,本领域技术人员应当理解的是,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
此外,还需要说明的是,本申请实施方式中的多个装置之间所交互的消息或信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
以下结合附图描述本申请实施例提供的一种车辆负载信息挖掘方法、车辆负载信息挖掘方法、装置及电子设备。
请参阅图1,本申请实施例提供的车辆负载信息挖掘方法包括步骤S100、步骤S200、步骤S300和步骤S400。
步骤S100,分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,多个目标扭矩集合与多种负载类型一一对应。
其中,目标车辆可以是任意类型的客车、货车,例如,公共交通车辆、出租车等,目标车辆也可以是私家车,本申请实施例对此不作限制。
此外,负载类型可以划分为空载、轻度负载、中度负载、中重度负载和重度负载这五中类型。以目标车辆为出租车为例,其负载类型为空载时,具体负载情况可以是司机单人驾驶,无乘客,其负载类型为轻度负载时,具体负载情况可以是除司机单人驾驶之外,还包括乘客1人,其负载类型为中度负载时,具体负载情况可以是除司机单人驾驶之外,还包括乘客2人,其负载类型为中重度负载时,具体负载情况可以是除司机单人驾驶之外,还包括乘客3人,其负载类型为重度负载时,具体负载情况可以是除司机单人驾驶之外,还包括乘客4人。
此外,本申请实施例中,在执行步骤S100之前,还可以包括步骤S001和步骤S002。
步骤S001,分别获取目标车辆在多种负载类型下行驶时采集的单次启停数据集。
本申请实施例中,单次启停数据集可以理解为,目标车辆在一次启停过程(目标车辆启动、加速运行、相对稳定运行、减速运行到停止的过程)中,所采集的数据信息集合,可以包括控制器输出扭矩和制动踏板动作表征数据,其中,控制器为目标车辆的电机或减速器,制动踏板动作表征数据用于表征制动踏板位置。
此外,本申请实施例中,可以基于控制器局域网络(Controller Area Network,CAN)技术,分别采集目标车辆在多种负载类型下行驶时采集的整体数据信息集合,此后,再以行驶速度0作为特征点,从采集的每个整体数据信息集合中截取对应的单次启停数据集,也即,可以获取每两个连续的行驶速度0之间所对应的数据信息集合,作为一个单次启停数据集,以图2所示为例,可以截取出两个单次启动数据集。
步骤S002,在每获取到一个单次启停数据集之后,对单次启停数据集中包括的控制器输出扭矩进行滤波处理。
本申请实施例中,在每获取到一个单次启停数据集之后,可以通过0.5Hz的8阶巴特伍斯低通滤波算法对单次启停数据集中包括的控制器输出扭矩进行滤波处理,以去除动力输出轻微抖动对后续负载信息识别模型拟合造成的影响。
以图3为例,示出了滤波处理前后控制器输出扭矩的对比,显然,滤波处理后的控制器输出扭矩更为光滑。
此外,需要说明的是,本申请实施例中,也可以采用滤波处理在先,单次启停数据集截取在后的步骤顺序,也即,在基于CAN技术,分别采集目标车辆在多种负载类型下行驶时采集的整体数据信息集合之后,先对整体数据信息集合进行滤波处理,再以行驶速度0作为特征点,从采集的每个整体数据信息集合中截取对应的单次启停数据集。
回到步骤S100,实际实施时,其可以包括步骤S110和步骤S120。
步骤S110,针对目标车辆在每种负载类型下行驶时采集的单次启停数据集,从单次启停数据集中截取出初始扭矩集合、行驶速度集合和制动踏板动作表征数据集合。
可以理解的是,本申请实施例中,目标车辆在每种负载类型下行驶时采集的单次启停数据集均包括多个子数据集,例如,至少包括初始扭矩集合、行驶速度集合和制动踏板动作表征数据集合,执行步骤S110时,可以针对目标车辆在每种负载类型下行驶时采集的单次启停数据集,从单次启停数据集中截取出初始扭矩集合、行驶速度集合和制动踏板动作表征数据集合。
步骤S120,结合行驶速度集合和制动踏板动作表征数据集合,从初始扭矩集合中截取出行驶速度位于目标速度区间,且制动踏板未动作时所对应的目标扭矩集合。
其中,目标速度区间可以是,但不限于5km/h~20km/h(如图4所示为目标速度区间5km/h~20km/h时,截取出的目标扭矩集合,以及对应的目标车辆的纵向加速度),具体可以根据实际应用需求设定,本申请实施例对此不作限制。
此外,可以理解的是,本申请实施例中,同一个初始扭矩集合中至少可以截取一个目标扭矩集合,一些情况下,也可以截取多个目标扭矩集合。
步骤S200,针对多个目标扭矩集合中的每个目标扭矩集合,基于目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后负载信息识别模型的模型斜率,以获得多个模型斜率,负载信息识别模型为控速器输出扭矩与加速度的一元一次方程。
本申请实施例中,在执行步骤S200之前,可以预先创建负载信息识别模型。由于目标车辆配载不同时,在相同控制器输出扭矩下,目标车辆产生的加速度特性存在较大差异,因此,可以基于相关差异性,提出车辆负载识别模型,也即,本申请实施例中,负载信息识别模型的创建可以通过步骤S003和步骤S004实现,此外,需要说明的是,步骤S200中目标车辆产生的加速度为纵向加速度。
步骤S003,根据车辆动力学理论,创建目标车辆在行驶过程中所采集的动力学方程。
根据车辆动力学理论,创建目标车辆在行驶过程中所采集的动力学方程表示为方程(1)。
Ft=Ff+Fw+Fi+Fj (1)
且方程(1)中存在:
Ft=Tmirη/r=TmC1 (2)
Ff=mgfcosα=mcosαC2 (3)
Fw=CdAv2/21.15=v2C3 (4)
Fi=mgsinα (5)
Fj=γmdv/dt=(m+C4)dv/dt (7)
其中,Ft-车辆牵引力;
Tm-电机或减速器输出扭矩,也即,控制器输出扭矩;
ir-电机至轮边的减速比;
r-车轮滚动半径;
η-电机至轮边的扭矩传递效率;
C1-由于ir、r、η在同一目标车辆的行驶过程中基本维持不变,因此,可以视相关参数的乘积为常数,通过C1替代;
Ff-车辆滚动阻力;
m-整车质量;
g-重力加速度;
f-滚动摩擦系数,由于该值在同一区域道路上差异不大,因此,可以近似为常数;
Fi-坡道阻力;
α-坡道角度;
Fj-加速阻力;
γ-旋转惯量换算系数;
Iw-车轮转动惯量,近似为常数;
If-飞轮等转动惯量,常数;
v-目标车辆的行驶速度;
t-时间;
Fw-空气阻力;
Cd-空气阻力系数;
A-目标车辆的迎风面积;
C3-由于目标车辆在同一区域道路行驶时,Cd值差异不大,且车辆迎风面积A为常数,因此,可以视两者之积为常数C3。
步骤S004,将动力学方程转换为负载信息识别模型。
首先,可以获取目标车辆处于空载状态,且在水平平整地面行驶时,根据动力学方程转换获得的第一中间方程。
目标车辆处于空载状态,且在水平平整地面行驶时,通过下标m代表目标车辆空载时的相关参数,可以将方程(1)转换为第一中间方程,也即:
TmC1=mmC2+v2C3+(mm+C4)dv/dt (8)
此后,忽略空气阻力,以将第一中间方程转换为第二中间方程。
为了避免紧急加速打滑、制动力矩加入导致的控制器输出扭矩与行驶速度关系失准,同时,避免空气阻力计算误差带来的影响,还可以通过忽略空气阻力,以将第一中间方程转换为第二中间方程,其为自变量为目标车辆的加速度,变量为控制器输出扭矩的一元一次方程,该方程斜率与截距均与车辆负载相关。
第二方程式为:
TmC1=(mm+C4)dv/dt+mmC2 (9)
最后,考虑坡道阻力,以将第二中间方程转换为负载信息识别模型。
为避免坡道起步造成的负载识别错误,需要进一步考虑有坡度情况下的车辆动力学公式,也即,需要考虑坡道阻力,同时,通过下标r代表目标车辆空载时的相关参数,以将第二中间方程转换为负载信息识别模型,也即,方程(10),其中,i为常数,当目标车辆上坡时该值等于正1,当目标车辆下坡时,该值取负1。
负载信息识别模型同样为自变量为目标车辆的加速度,变量为控制器输出扭矩的一元一次方程,提取同样的行驶速度,只要目标车辆的整车质量不变,模型斜率即不会发生较大变化,当出现坡度时,其变化的只有模型截距。此外,通过方程(11)易得,通常滚动摩擦系数f的取值范围在0.02~0.015区间内,则相位β幅值的取值范围在1°左右,且其符号由上坡还是下坡的系数i决定的。
且方程(10)中存在:
ψ=arctan(mrC2/imrg)=arctan(gf/gi)=arctan(f/i) (11)
在创建好负载信息识别模型之后,便可以执行步骤S200,也即,针对多个目标扭矩集合中的每个目标扭矩集合,基于该目标扭矩集合,对目标车辆在对应启停过程中采集到的控制器输出扭矩,以及推导出的加速度进行最小合成拟合,具体如图5所示,此后,计算拟合之后负载信息识别模型的模型斜率和模型截距,也即,拟合直线的斜率和截距。
示例性的,图6为通过某山区城市出租车司机一天内46个初始扭矩集合中,满足截取要求(行驶速度位于目标速度区间,且制动踏板未动作)的61段数据(也即,61个目标扭矩集合),对负载信息识别模型进行拟合后所对应的模型斜率和模型截距,可以看出,模型斜率围绕一个固定值小幅波动,模型截距则出现了大幅的波动,这与山区城市特点也是极为吻合的,也印证了负载信息识别模型的判断。
步骤S300,对多个模型斜率进行聚类处理,获得聚类结果。
本申请实施例中,可以通过K-Means聚类算法,对多个模型斜率进行聚类处理,获得聚类结果。
示例性的,对图6所示的多个模型斜率进行聚类处理,可以获得图7所示的聚类结果。
步骤S400,基于聚类结果,获得目标车辆的负载信息挖掘结果。
根据负载信息识别模型,可知目标车辆的整车质量越大,则模型斜率越大,那么,结合聚类结果,以及前述关于负载类型的划分,便可以获得目标车辆的负载信息挖掘结果。
示例性的,基于图7所示的聚类结果,可以获得表1所示负载信息挖掘结果。
表1
综上所述,本申请提供的车辆负载信息挖掘方法中,首先,分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,其中,多个目标扭矩集合与多种负载类型一一对应,此后,针对多个目标扭矩集合中的每个目标扭矩集合,基于目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后负载信息识别模型的模型斜率,以获得多个模型斜率,其中,负载信息识别模型为控速器输出扭矩与加速度的一元一次方程,最后,对多个模型斜率进行聚类处理,获得聚类结果,再基于聚类结果,获得目标车辆的负载信息挖掘结果。相对于现有技术而言,本申请实施例提供的车辆负载信息挖掘方法无需进行标定,且不依赖于车辆特征参数等信息的输入,具备快速识别车辆负载信息的能力,同时,具有较强的鲁棒性及通用性,因此,通过该方法能够有效地在短时间内以最为经济的方式开展用户实际用车时车辆负载信息的大数据挖掘,以便为后续试车场规范制定或车型问题解析提供更为合理准确的数据支撑。
基于与上述车辆负载信息挖掘方法相同的发明构思,本申请实施例还提供了一种车辆负载信息挖掘装置100。请参阅图8,本申请实施例提供的车辆负载信息挖掘装置100包括数据截取模块110、拟合计算模块120、聚类处理模块130和结果分析模块140。
数据截取模块110,用于分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,多个目标扭矩集合与多种负载类型一一对应。
拟合计算模块120,用于针对多个目标扭矩集合中的每个目标扭矩集合,基于目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后负载信息识别模型的模型斜率,以获得多个模型斜率,负载信息识别模型为控速器输出扭矩与加速度的一元一次方程。
聚类处理模块130,用于对多个模型斜率进行聚类处理,获得聚类结果。
结果分析模块140,用于基于聚类结果,获得目标车辆的负载信息挖掘结果。
本申请实施例中,车辆负载信息挖掘装置100还可以包括数据集获取模块和滤波处理模块。
数据集获取模块,用于分别获取目标车辆在多种负载类型下行驶时采集的单次启停数据集。
滤波处理模块,用于在每获取到一个单次启停数据集之后,对单次启停数据集中包括的控制器输出扭矩进行滤波处理。
本申请实施例中,数据截取模块110可以包括第一数据截取单元和第二数据截取单元。
第一数据截取单元,用于针对目标车辆在每种负载类型下行驶时采集的单次启停数据集,从单次启停数据集中截取出初始扭矩集合、行驶速度集合和制动踏板动作表征数据集合。
第二数据截取单元,用于结合行驶速度集合和制动踏板动作表征数据集合,从初始扭矩集合中截取出行驶速度位于目标速度区间,且制动踏板未动作时所对应的目标扭矩集合。
本申请实施例中,车辆负载信息挖掘装置100还可以包括第一创建模块和第二创建模块。
第一创建模块,用于根据车辆动力学理论,创建目标车辆在行驶过程中所采集的动力学方程。
第二创建模块,用于将动力学方程转换为负载信息识别模型。
本申请实施例中,聚类处理模块130具体可以用于通过K-Means聚类算法,对多个模型斜率进行聚类处理,获得聚类结果。
由于本申请实施例提供的车辆负载信息挖掘装置100是基于与上述车辆负载信息挖掘方法相同的发明构思实现的,因此,车辆负载信息挖掘装置100中,每个软件模块的具体描述,均可参见本申请实施例提供车辆负载信息挖掘方法实施例中对应步骤的相关描述,此处不作赘述。
此外,本申请实施例提供的车辆负载信息挖掘装置具有与上述车辆负载信息挖局方法相同的有益效果,此处同样不作赘述。
本申请实施例还提供了一种电子设备,包括:至少一个处理器,以及与至少一个处理器通信连接的存储器。存储器存储有能够被至少一个处理器执行的计算机程序,计算机程序在被至少一个处理器执行时用于使电子设备执行本申请实施例提供的车辆负载信息挖掘方法。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机指令,计算机指令用于使计算机执行本申请实施例提供的车辆负载信息挖掘方法。
本申请实施例还提供一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现本申请实施例提供的车辆负载信息挖掘方法。
此外,本申请实施例提供的电子设备、计算机可读存储介质和计算机程序产品具有与上述车辆负载信息挖局方法相同的有益效果,此处同样不作赘述。
进一步地,请参阅图9,为本申请实施例提供的一种电子设备200的示意性结构框图,其是可以应用于本申请实施例提供的车辆负载信息挖掘方法和车辆负载信息挖掘装置的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或要求的本申请的实现。
电子设备200包括计算单元210,其可以根据存储在只读存储器(Read-OnlyMemory,ROM)220中的计算机程序或从存储单元280加载到随机访问存储器(Random AccessMemory,RAM)230中的计算机程序,来执行各种适当的动作和处理。在RAM 230中,还可存储电子设备200操作所需的各种程序和数据。计算单元210、ROM 220以及RAM 230通过总线240彼此相连。输入/输出(I/O)接口250也连接至总线240。
电子设备200电子设备200中的多个部件连接至I/O接口250,包括:输入单元260、输出单元270、存储单元280以及通信单元290。输入单元260可以是能向电子设备200电子设备200输入信息的任何类型的设备,输入单元260可以接收输入的数字或字符信息,以及涉及与电子设备的用户设置和/或功能控制有关的键信号输入。输出单元270可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元250可以包括但不限于磁盘、光盘。通信单元290允许电子设备200电子设备200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如,蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元210可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元210的一些示例包括但不限于现场可编程逻辑门阵列(Field Programmable GateArray,FPGA)、中央处理单元(Central Processing Unit,CPU)、数字信号处理器(DigitalSignal Process,DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元210执行上文所描述的各个方法和处理。例如,在一些实施例中,执行方法(例如,前述车辆负载信息挖掘方法中的步骤S100、步骤S200、步骤S300和步骤S400)可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元280。在一些实施例中,计算机程序的部分或全部可以经由ROM 220和/或通信单元290而被载入和/或安装到电子设备200电子设备200上。在一些实施例中,计算单元210可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法(例如,前述车辆负载信息挖掘方法中的步骤S100、步骤S200、步骤S300和步骤S400)。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory,EPROM)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
如本申请使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(Programmable Logic Device,PLD),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,阴极射线管(Cathode Ray Tube,CRT)或液晶显示器(Liquid Crystal Display,LCD)监视器);以及键盘和指向装置(例如,鼠标或轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈或触觉反馈);并且可以用任何形式(包括声输入、语音输入或触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或包括中间件部件的计算系统(例如,应用服务器)或包括前端部件的计算系统(例如,具有图形用户界面或网络浏览器的用户计算机,用户可以通过该图形用户界面或该网络浏览器来与此处描述的系统和技术的实施方式交互)或包括这种后台部件、中间件部件或前端部件的任何组合的计算系统中。可以通过任何形式或介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来涉及客户端和服务器的关系。
Claims (10)
1.一种车辆负载信息挖掘方法,其特征在于,包括:
分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,所述多个目标扭矩集合与所述多种负载类型一一对应;
针对所述多个目标扭矩集合中的每个目标扭矩集合,基于所述目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后所述负载信息识别模型的模型斜率,以获得多个模型斜率,所述负载信息识别模型为控速器输出扭矩与加速度的一元一次方程;
对所述多个模型斜率进行聚类处理,获得聚类结果;
基于所述聚类结果,获得所述目标车辆的负载信息挖掘结果。
2.根据权利要求1所述的车辆负载信息挖掘方法,其特征在于,所述分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合之前,所述车辆负载信息挖掘方法还包括:
分别获取所述目标车辆在多种负载类型下行驶时采集的单次启停数据集;
在每获取到一个单次启停数据集之后,对所述单次启停数据集中包括的控制器输出扭矩进行滤波处理。
3.根据权利要求1所述的车辆负载信息挖掘方法,其特征在于,所述分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,包括:
针对所述目标车辆在每种负载类型下行驶时采集的单次启停数据集,从所述单次启停数据集中截取出初始扭矩集合、行驶速度集合和制动踏板动作表征数据集合;
结合所述行驶速度集合和所述制动踏板动作表征数据集合,从所述初始扭矩集合中截取出行驶速度位于目标速度区间,且制动踏板未动作时所对应的目标扭矩集合。
4.根据权利要求1所述的车辆负载信息挖掘方法,其特征在于,所述针对所述多个目标扭矩集合中的每个目标扭矩集合,基于所述目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后所述负载信息识别模型的模型斜率,以获得多个模型斜率之前,所述车辆负载信息挖掘方法还包括:
根据车辆动力学理论,创建目标车辆在行驶过程中所采集的动力学方程;
将所述动力学方程转换为所述负载信息识别模型。
5.根据权利要求1所述的车辆负载信息挖掘方法,其特征在于,所述对所述多个模型斜率进行聚类处理,获得聚类结果,包括:
通过K-Means聚类算法,对所述多个模型斜率进行聚类处理,获得聚类结果。
6.一种车辆负载信息挖掘装置,其特征在于,包括:
数据截取模块,用于分别对目标车辆在多种负载类型下行驶时采集的单次启停数据集进行截取,获得的多个目标扭矩集合,所述多个目标扭矩集合与所述多种负载类型一一对应;
拟合计算模块,用于针对所述多个目标扭矩集合中的每个目标扭矩集合,基于所述目标扭矩集合,对负载信息识别模型进行拟合,并计算拟合之后所述负载信息识别模型的模型斜率,以获得多个模型斜率,所述负载信息识别模型为控速器输出扭矩与加速度的一元一次方程;
聚类处理模块,用于对所述多个模型斜率进行聚类处理,获得聚类结果;
结果分析模块,用于基于所述聚类结果,获得所述目标车辆的负载信息挖掘结果。
7.根据权利要求6所述的车辆负载信息挖掘装置,其特征在于,所述数据截取模块包括:
第一数据截取单元,用于针对所述目标车辆在每种负载类型下行驶时采集的单次启停数据集,从所述单次启停数据集中截取出初始扭矩集合、行驶速度集合和制动踏板动作表征数据集合;
第二数据截取单元,用于结合所述行驶速度集合和所述制动踏板动作表征数据集合,从所述初始扭矩集合中截取出行驶速度位于目标速度区间,且制动踏板未动作时所对应的目标扭矩集合。
8.根据权利要求6所述的车辆负载信息挖掘装置,其特征在于,所述车辆负载信息挖掘装置还包括:
第一创建模块,用于根据车辆动力学理论,创建目标车辆在行驶过程中所采集的动力学方程;
第二创建模块,用于将所述动力学方程转换为所述负载信息识别模型。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,所述存储器上存储有计算机程序;
其中,所述计算机程序包括指令,所述指令在由所述处理器执行时,使所述处理器执行权利要求1~5中任意一项所述的车辆负载信息挖掘方法。
10.一种计算机可读存储介质,其特征在于,存储有计算机指令,所述计算机指令用于使计算机执行权利要求1~5中任意一项所述的车辆负载信息挖掘方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657326.8A CN114359609A (zh) | 2021-12-30 | 2021-12-30 | 车辆负载信息挖掘方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657326.8A CN114359609A (zh) | 2021-12-30 | 2021-12-30 | 车辆负载信息挖掘方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114359609A true CN114359609A (zh) | 2022-04-15 |
Family
ID=81106043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111657326.8A Pending CN114359609A (zh) | 2021-12-30 | 2021-12-30 | 车辆负载信息挖掘方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114359609A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109455185A (zh) * | 2018-09-12 | 2019-03-12 | 汽解放汽车有限公司 | 一种根据汽车行驶方程式对车辆负载系数进行估算的方法 |
CN110501941A (zh) * | 2019-08-16 | 2019-11-26 | 东南大学 | 一种电动汽车整车控制模型获取方法 |
CN110920552A (zh) * | 2019-11-15 | 2020-03-27 | 吉林大学 | 防止高速路上碰撞后发生连环事故的车辆安全系统及方法 |
CN111055830A (zh) * | 2019-11-27 | 2020-04-24 | 苏州智加科技有限公司 | 一种车辆自动驾驶传动系统的控制方法及装置 |
JP2021501091A (ja) * | 2017-09-10 | 2021-01-14 | タクタイル モビリティ リミテッド | 車両モニタ |
CN113264056A (zh) * | 2021-05-25 | 2021-08-17 | 三一汽车制造有限公司 | 车重估算方法、装置、车辆和可读存储介质 |
-
2021
- 2021-12-30 CN CN202111657326.8A patent/CN114359609A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021501091A (ja) * | 2017-09-10 | 2021-01-14 | タクタイル モビリティ リミテッド | 車両モニタ |
CN109455185A (zh) * | 2018-09-12 | 2019-03-12 | 汽解放汽车有限公司 | 一种根据汽车行驶方程式对车辆负载系数进行估算的方法 |
CN110501941A (zh) * | 2019-08-16 | 2019-11-26 | 东南大学 | 一种电动汽车整车控制模型获取方法 |
CN110920552A (zh) * | 2019-11-15 | 2020-03-27 | 吉林大学 | 防止高速路上碰撞后发生连环事故的车辆安全系统及方法 |
CN111055830A (zh) * | 2019-11-27 | 2020-04-24 | 苏州智加科技有限公司 | 一种车辆自动驾驶传动系统的控制方法及装置 |
CN113264056A (zh) * | 2021-05-25 | 2021-08-17 | 三一汽车制造有限公司 | 车重估算方法、装置、车辆和可读存储介质 |
Non-Patent Citations (3)
Title |
---|
GUO, LL ET AL: "A state observation and torque compensation-based acceleration slip regulation control approach for a four-wheel independent drive electric vehicle under slope driving", PROCEEDINGS OF THE INSTITUTION OF MECHANICAL ENGINEERS PART D-JOURNAL OF AUTOMOBILE ENGINEERING, 31 October 2020 (2020-10-31) * |
王少威;万山明;周理兵;黄声华;: "利用蚁群算法辨识PMSM伺服系统负载转矩和转动惯量", 电工技术学报, no. 06, 30 June 2011 (2011-06-30) * |
门玉琢;于海波;韩愈;: "用户相关汽车动力传动系可靠性试验新方法", 振动与冲击, no. 11, 15 June 2013 (2013-06-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10717421B2 (en) | Braking force distribution method and system of multiple train units | |
US8068974B2 (en) | Methods and systems for determining driver efficiency and operating modes in a hybrid vehicle | |
US10661666B2 (en) | Traction distribution method and system of power-distributed train | |
US8660784B2 (en) | Methods and systems for determining driver efficiency in a vehicle | |
US8315751B2 (en) | Methods, program products, and systems for controlling braking in a hybrid vehicle | |
CN106534366A (zh) | 驾驶行为分析方法、装置及系统 | |
EP2480436B1 (en) | Method for estimating the height of the gravity centre of a vehicle | |
US20170008525A1 (en) | Intelligent vehicle management system | |
US9616898B2 (en) | System and method for determining effective road grade characteristic | |
WO2022160783A1 (zh) | 车辆防滑控制方法、装置、电子设备及介质 | |
CN112389208B (zh) | 自动驾驶车辆能量回收方法、系统、终端、介质及车辆 | |
CN111546903B (zh) | 滑行扭矩的确定方法、装置、设备及存储介质 | |
CN110271555B (zh) | 一种整车重量确定方法、装置、设备及存储介质 | |
CN115503632A (zh) | 无人驾驶矿用车辆制动距离获取方法、装置、电子设备及存储介质 | |
CN114359609A (zh) | 车辆负载信息挖掘方法、装置及电子设备 | |
WO2024021909A1 (zh) | 车辆电功率确定方法、装置、电子设备及存储介质 | |
CN114834408B (zh) | 汽车制动方法及系统 | |
CN110126815B (zh) | 用于协助交通工具的驾驶控制的方法、装置、设备和介质 | |
CN116501025A (zh) | 控制参数的标定方法、装置、电子设备及可读存储介质 | |
CN116278778A (zh) | 基于能量回收的电动车辆制动方法、装置、设备及介质 | |
CN115742761A (zh) | 车辆的陡坡缓降方法、装置、车辆及存储介质 | |
CN113815621A (zh) | 坡度计算方法、装置、车辆及计算机可读存储介质 | |
CN114655277B (zh) | 重载列车智能驾驶超速防护曲线计算方法及相关设备 | |
Shi et al. | Modeling of the Evolution of the Brake Friction in Disc Brakes Based on a Novel Observer | |
CN116161046B (zh) | 坡度估计值的确定方法及装置、存储介质及电子装置 |
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 |