CN114564791B - 一种基于车辆运行数据的公交车总重量测量方法 - Google Patents

Abstract

本发明公开了一种基于车辆运行数据的公交车总重量测量方法，包括：获取目标公交车的行程状态数据；确定采样窗口，从而进行数据筛选，获取合适的样本数据集；基于获取到的合适的样本数据集，计算目标公交车的总重量大小比较标志；建立公交车行程状态数据修正模型，修正公交车的行程状态数据；结合修正的公交车行程状态数据，建立公交车总重量测量模型；结合总重量大小比较标志，通过模型参数拟合模型对公交车总重量测量模型的参数进行优化，得到参数优化后的公交车总重量测量模型；通过参数优化后的公交车总重量测量模型对目标公交车的总重量进行测量，得到测量结果。本发明具有测量准确度高、成本低、高效等优点。

Description

一种基于车辆运行数据的公交车总重量测量方法

技术领域

本发明涉及车辆智能识别的技术领域，尤其涉及到一种基于车辆运行数据的公交车总重量测量方法。

背景技术

车辆的总重量(车身重量加载重)是安全控制及其能量管理的关键参数。影响公交车油耗的因素有很多，其中车重因素对公交车辆行驶过程的油耗变化尤为明显。通常讲，车重越大，油耗越大。车重除反映公交线路的乘客数量外，还可作为自动换挡、车辆安全控制及混合动力能量管理的关键信号参数。

公交车重随着站点处乘客的上下车，在整个行驶过程中车重变化较大，因此公交车车重的实时估计是非常重要的。目前国内外都是针对轿车、货车、客车提出的车重估计算法，还没有针对公交车的相关研究。公交车辆运行工况复杂、换挡频繁、启动频繁、客流变化明显，数据采样窗口较窄，干扰因素多，且实时性分析要求相对较高，要实现公交车车重的实时估计有一定的难度。

现有的技术中：

1、上海交通大学在2011年使用改进型最小二乘法对广义坡度值和轿车整车总重量进行辨识。

2、2005年密西根大学的A.Vahidi使用带遗忘因子的递推最小二乘法实现了重型车辆(HDV)的车重和道路坡度还原，具有良好的精度，估计误差在5％之内。

3、基于基动能定理的城市客车总重量估计方法。通过远程数据采集系统采集车辆转速、发动机扭矩等实时数据。选取加速过程中的样本，在同一公交车站以相同档位进行车辆总重量估计，数据验证后的平均估计误差为2.92％。

但现有的技术均存在着各自的缺点：

1、上海交通大学2011年提出的“基于人—车—路系统的自动变速车辆智能换挡策略研究”一文，主要针对轿车的自动变速系统根据不同道路条件和驾驶员意图生成的智能型换挡策略，适用范围面比较狭窄，对于无自动变速系统的公交车并不适用。

2、2005年密西根大学的A.Vahidi提出的“Recursive least squares withforgetting for online estimation of vehicle mass and road grade:theory andexperiments”一文中，主要针对重型车辆(HDV)进行道路坡度的还原和车重的估计，重型车辆长时间长距离工作，而公交车辆运行工况复杂、换挡频繁、启动频繁、客流变化明显，数据采样窗口较窄，干扰因素多，因此此方案在公交车总重量估计上并不能很好地适用。

3、“基于基动能定理的城市客车质量估计方法”一文中，基模型的参数计算需要大量的实际载重数据支撑，其参数设定在不同类型车辆间存在较大差异，且其模型精度也受到载重数据误差的制约，难以提供精确的总重量数值。

发明内容

本发明的目的在于克服现有技术的不足，提供一种精确的基于车辆运行数据的公交车总重量测量方法。

为实现上述目的，本发明所提供的技术方案为：

一种基于车辆运行数据的公交车总重量测量方法，包括以下步骤：

S1、获取目标公交车的行程状态数据，包括目标公交车的实时承载人数、站点信息、档位和离合器的开合状态；

S2、基于步骤S1获取到的档位和离合器的开合状态，确定采样窗口，从而进行数据筛选，获取合适的样本数据集；

S3、基于步骤S2获取到的合适的样本数据集，计算目标公交车的总重量大小比较标志yi_k；

S4、建立公交车行程状态数据修正模型，去除状态环境对传感器监测的干扰，修正公交车的行程状态数据；

S5、结合修正的公交车行程状态数据，建立公交车总重量测量模型；

S6、结合总重量大小比较标志y_ik，通过模型参数拟合模型对公交车总重量测量模型的参数进行优化，得到参数优化后的公交车总重量测量模型；

S7、通过参数优化后的公交车总重量测量模型对目标公交车的总重量进行测量，得到测量结果。

进一步地，所述步骤S1中，还原站点信息、档位和离合器的开合状态包括：

基于目标公交车安装传感器获取状态的时间序列数据，对数据进行基础的修复和时空序列同步，得到各个时刻下目标公交车的各项状态数据集合；

根据采集的GPS信息和实际标定的站点GPS数据还原车辆运行的站点信息；

依据各个时刻下目标公交车的各项状态数据集合计算其每个时刻的档位和离合器状态。

进一步地，所述依据各个时刻下目标公交车的各项状态数据集合计算其每个时刻的档位和离合器状态包括：

对目标公交车的发动机转速、转速计输出轴转速进行滤波处理；

通过发动机转速和转速计输出轴转速计算实际传动比；

根据发动机转速、转速计输出轴转速、实际传动比进行换挡操作模式判断；

根据换挡操作模式和实际传动比计算与之匹配的档位和离合器的开合状态。

进一步地，所述进行换挡操作模式判断，具体如下：

若不对应任何档位的传动比，且波动大，则为换挡切换模式；

若实时传动比与对应档位的传动比有偏差，但波动小，则为换挡保持模式；

若发动机转速为650RPM，转速计输出轴转速为0，实时传动比接近无穷大，则为空档怠速模式。

进一步地，所述步骤S2中，确定采样窗口的条件如下：

(1)样本数据同一站点区间且属于同一档位；

(2)样本数据中的加速度大于0；

(3)样本数大于20；

(4)车辆不在制动状态；

(5)车辆离合器为非闭合状态。

进一步地，所述步骤S3包括：

对任意样本i和任意样本k，若i的公交车承载人数大于k的公交车承载人数，则判定i的车辆总重量大于k的车辆总重量，总重量大小比较标志y_ik＝1；若i的公交车承载人数小于k的公交车承载人数，则判定i的车辆总重量小于k的车辆总重量，总重量大小比较标志y_ik＝-1；若i的公交车承载人数等于k的公交车承载人数，则判定i的车辆总重量与k的车辆总重量接近，总重量大小比较标志y_ik＝0。

进一步地，所述步骤S4中，使用全连接神经网络MLP建立车辆行程状态数据修正模型，具体如下：

s′＝d+o+e＝MLP(d，w)

式中，s′为真实状态；d为传感器检测状态，包括发动机转速、转速计输出轴转速、车速、发动机扭矩、匹配的档位、离合器的开合状态、所属站点区间、车辆实时承载人数；o为偏差；e为随机偏差；w为MLP网络权值参数。

进一步地，所述步骤S5中，建立的公交车总重量测量模型如下：

m＝h(α，s′)+D(s′)

式中，α为动力学模型参数，s′为可监测的实际状态，h(α，s)为车辆运行动力学模型，D(s′)为实际状态下的偏差估计；

可监测的实际状态

其中

分别为发动机转速、发动机扭矩、车速、实际重力加速度、车辆加速度；

动力学模型参数α＝(a，b，c)，其中a为滚动摩擦阻力常量，b为滚动摩擦阻力因子，c为传动比系数；

车辆运行动力学模型

其中f为滚动阻力系数，i_gi₀为传动比，η_T为传动效率，r为车轮半径，δ为旋转质量换算系数；

实际状态下的偏差估计D(s′)由一个层数为3层，层神经元个数分别为8、8、8的全连接神经网络计算输出。

进一步地，所述步骤S6包括：

模型参数拟合模型如下：

aim：

min：max var(m_i)|for i＝1～p

subject to：

W∈R^u×q+q，α∈R^c

y_ik(m_i-m_k)≥0

m_ij＝M(d_ij，W，α)，for i＝1～p，for j＝1～o_i

M_min≤m_ij≤M_max，for i＝1～p，for j＝1～o_i

u为模型中全连接神经网络MLP个数，q为单个车辆行程状态数据修正模型所需的参数个数，q′为实际状态下的偏差估计使用的MLP网络参数个数；

c为动力学模型参数数目；

m_ij为行程i的第j个状态计算得到的车辆总重量的估计值；

M(d_ij，W，α)为测量车辆总重量的整体模型，d_ij为对应的输入状态数据，W为全连接神经网络MLP的参数，α为动力学参数；

若行程i的车辆总重量大于行程k的车辆总重量，则总重量大小比较标志y_ik＝1；

若行程i的车辆总重量小于行程k的车辆总重量，则总重量大小比较标志y_ik＝-1；

若行程i的车辆总重量与行程k的车辆总重量相等，则总重量大小比较标志y_ik＝0；

p为行程段数目，o_i为第i段行程的状态个数；

M_min和M_max分别为最小车辆总重量和最大车辆总重量；

最后使用遗传算法求解模型参数拟合模型，从而求得车辆总重量测量模型的所有参数。

与现有技术相比，本方案原理及优点如下：

1)本方案中，基于目标公交车运行的状态数据，不需要额外安装载重传感器，可以直接由目标公交车状态数据，计算获得目标公交车的总重量，降低了车辆总重量测量的成本。

2)本方案中对目标公交车的状态进行了载重比较，并且通过该方式约束车辆总重量测量模型参数的拟合，同时结合动力学模型和神经网络进行总重量计算，精确地利用目标公交车运行的状态数据完成了车辆总重量的计算。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明一种基于车辆运行数据的公交车总重量测量方法的流程图；

图2为本发明中测量公交车总重量的原理图；

图3为本发明中使用全连接神经网络MLP建立的公交车行程状态数据修正模型进行公交车行程状态数据修正的示意图；

图4为本发明中使用全连接神经网络MLP进行实际状态下的偏差估计的示意图。

具体实施方式

下面结合具体实施例对本发明作进一步说明：

本实施例所述的一种基于车辆运行数据的公交车总重量测量方法，包括以下步骤：

S1、获取目标车辆的行程状态数据，包括目标公交车的实时承载人数、站点信息、档位和离合器的开合状态；

本步骤中，还原站点信息、档位和离合器的开合状态包括：

基于目标公交车安装传感器获取状态的时间序列数据，对数据进行基础的修复和时空序列同步，得到各个时刻下目标公交车的各项状态数据集合；

根据采集的GPS信息和实际标定的站点GPS数据还原车辆运行的站点信息；

依据各个时刻下目标公交车的各项状态数据集合计算其每个时刻的档位和离合器状态，具体如下：

1)对目标公交车的发动机转速、转速计输出轴转速进行滤波处理；

2)通过发动机转速和转速计输出轴转速计算实际传动比；

3)根据发动机转速、转速计输出轴转速、实际传动比进行换挡操作模式判断，判断方式具体如下：

若不对应任何档位的传动比，且波动大，则为换挡切换模式；

若实时传动比与对应档位的传动比有偏差，但波动小，则为换挡保持模式；

若发动机转速为650RPM，转速计输出轴转速为0，实时传动比接近无穷大，则为空档怠速模式。

4)根据换挡操作模式和实际传动比计算与之匹配的档位和离合器的开合状态。

S2、基于步骤S1获取到的档位和离合器的开合状态，确定采样窗口，从而进行数据筛选，获取合适的样本数据集；

本步骤中，确定采样窗口的条件如下：

(1)样本数据同一站点区间且属于同一档位；

(2)样本数据中的加速度大于0；

(3)样本数大于20；

(4)车辆不在制动状态；

(5)车辆离合器为非闭合状态。

S3、基于步骤S2获取到的合适的样本数据集，计算目标公交车的总重量大小比较标志y_ik：

对任意样本i和任意样本k，若i的公交车承载人数大于k的公交车承载人数，则判定i的车辆总重量大于k的车辆总重量，总重量大小比较标志y_ik＝1；若i的公交车承载人数小于k的公交车承载人数，则判定i的车辆总重量小于k的车辆总重量，总重量大小比较标志y_ik＝-1；若i的公交车承载人数等于k的公交车承载人数，则判定i的车辆总重量与k的车辆总重量接近，总重量大小比较标志y_ik＝0。

S4、建立公交车行程状态数据修正模型，去除状态环境对传感器监测的干扰，修正公交车的行程状态数据；

本步骤使用全连接神经网络MLP建立车辆行程状态数据修正模型，其具体如下：

s′＝d+o+e＝MLP(d,w)

式中，s′为真实状态；d为传感器检测状态,包括发动机转速、转速计输出轴转速、车速、发动机扭矩、匹配的档位、离合器的开合状态、所属站点区间、车辆实时承载人数；o为偏差；e为随机偏差；w为MLP网络权值参数。

S5、结合修正的公交车行程状态数据，建立公交车总重量测量模型；

建立的公交车总重量测量模型如下：

m＝h(α,s′)+D(s′)

式中，α为动力学模型参数，s′为可监测的实际状态，h(α,s′)为车辆运行动力学模型，D(s′)为实际状态下的偏差估计；

可监测的实际状态

其中

分别为发动机转速、发动机扭矩、车速、实际重力加速度、车辆加速度；

动力学模型参数α＝(a，b，c)，其中a为滚动摩擦阻力常量，b为滚动摩擦阻力因子，c为传动比系数；

车辆运行动力学模型

其中f为滚动阻力系数，i_gi₀为传动比，η_T为传动效率，r为车轮半径，δ为旋转质量换算系数；

实际状态下的偏差估计D(s′)由一个层数为3层，层神经元个数分别为5、5、5的全连接神经网络计算输出。

S6、结合总重量大小比较标志y_ik，通过模型参数拟合模型对公交车总重量测量模型的参数进行优化，得到参数优化后的公交车总重量测量模型；

模型参数拟合模型如下：

aim：

min：max var(m_i)|for i＝1～p

subject to：

W∈R^u×q+q，α∈R^c

y_ik(m_i-m_k)≥0

m_ij＝M(d_ij，W，α)，for i＝1～p，for j＝1～o_i

M_min≤m_ij≤M_max，for i＝1～p，for j＝1～o_i

u为模型中全连接神经网络MLP个数，q为单个车辆行程状态数据修正模型所需的参数个数，q′为实际状态下的偏差估计使用的MLP网络参数个数；

c为动力学模型参数数目；

m_ij为行程i的第j个状态计算得到的车辆总重量的估计值；

M(d_ij，W，α)为测量车辆总重量的整体模型，d_ij为对应的输入状态数据，W为全连接神经网络MLP的参数，α为动力学参数；

若行程i的车辆总重量大于行程k的车辆总重量，则总重量大小比较标志y_ik＝1；

若行程i的车辆总重量小于行程k的车辆总重量，则总重量大小比较标志y_ik＝-1；

若行程i的车辆总重量与行程k的车辆总重量相等，则总重量大小比较标志y_ik＝0；

p为行程段数目，o_i为第i段行程的状态个数；

M_min和M_max分别为最小车辆总重量和最大车辆总重量；

最后使用遗传算法求解模型参数拟合模型，从而求得车辆总重量测量模型的所有参数。

S7、通过参数优化后的公交车总重量测量模型对目标公交车的总重量进行测量，得到测量结果。

本实施例基于目标公交车运行的状态数据，不需要额外安装载重传感器，可以直接由目标公交车状态数据，计算获得目标公交车的总重量，降低了车辆总重量测量的成本。还有的是，本实施例对目标公交车的状态进行了载重比较，并且通过该方式约束车辆总重量测量模型参数的拟合，同时结合动力学模型和神经网络进行总重量计算，精确地利用目标公交车运行的状态数据完成了车辆总重量的计算。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (7)

1.一种基于车辆运行数据的公交车总重量测量方法，其特征在于，包括以下步骤：

S1、获取目标公交车的行程状态数据，包括目标公交车的实时承载人数、站点信息、档位和离合器的开合状态；

S2、基于步骤S1获取到的档位和离合器的开合状态，确定采样窗口，从而进行数据筛选，获取合适的样本数据集；

S3、基于步骤S2获取到的合适的样本数据集，计算目标公交车的总重量大小比较标志y_ik；

S4、建立公交车行程状态数据修正模型，去除状态环境对传感器监测的干扰，修正公交车的行程状态数据；

S5、结合修正的公交车行程状态数据，建立公交车总重量测量模型；

S6、结合总重量大小比较标志yik，通过模型参数拟合模型对公交车总重量测量模型的参数进行优化，得到参数优化后的公交车总重量测量模型；

S7、通过参数优化后的公交车总重量测量模型对目标公交车的总重量进行测量，得到测量结果；

所述步骤S3包括：

对任意样本i和任意样本k，若i的公交车承载人数大于k的公交车承载人数，则判定i的车辆总重量大于k的车辆总重量，总重量大小比较标志y_ik＝1；若i的公交车承载人数小于k的公交车承载人数，则判定i的车辆总重量小于k的车辆总重量，总重量大小比较标志y_ik＝-1；若i的公交车承载人数等于k的公交车承载人数，则判定i的车辆总重量与k的车辆总重量接近，总重量大小比较标志y_ik＝0；

所述步骤S6包括：

模型参数拟合模型如下：

aim：

min：max var(m_i)|for i＝1～p

subject to：

W∈R^u×q+q，α∈R^c

y_ik(m_i-m_k)≥0

m_ij＝M(d_ij，W，α)，for i＝1～p，for j＝1～o_i

M_min≤m_ij≤M_max，for i＝1～p，for j＝1～o_i

u为模型中全连接神经网络MLP个数，q为单个车辆行程状态数据修正模型所需的参数个数，q′为实际状态下的偏差估计使用的MLP网络参数个数；

c为动力学模型参数数目；

m_ij为行程i的第j个状态计算得到的车辆总重量的估计值；

M(d_ij，W，α)为测量车辆总重量的整体模型，d_ij为对应的输入状态数据，W为全连接神经网络MLP的参数，α为动力学参数；

若行程i的车辆总重量大于行程k的车辆总重量，则总重量大小比较标志y_ik＝1；

若行程i的车辆总重量小于行程k的车辆总重量，则总重量大小比较标志y_ik＝-1；

若行程i的车辆总重量与行程k的车辆总重量相等，则总重量大小比较标志y_ik＝0；

p为行程段数目，o_i为第i段行程的状态个数；

M_min和M_max分别为最小车辆总重量和最大车辆总重量；

最后使用遗传算法求解模型参数拟合模型，从而求得车辆总重量测量模型的所有参数。

2.根据权利要求1所述的一种基于车辆运行数据的公交车总重量测量方法，其特征在于，所述步骤S1中，还原站点信息、档位和离合器的开合状态包括：

基于目标公交车安装传感器获取状态的时间序列数据，对数据进行基础的修复和时空序列同步，得到各个时刻下目标公交车的各项状态数据集合；

根据采集的GPS信息和实际标定的站点GPS数据还原车辆运行的站点信息；

依据各个时刻下目标公交车的各项状态数据集合计算其每个时刻的档位和离合器状态。

3.根据权利要求2所述的一种基于车辆运行数据的公交车总重量测量方法，其特征在于，所述依据各个时刻下目标公交车的各项状态数据集合计算其每个时刻的档位和离合器状态包括：

1)对目标公交车的发动机转速、转速计输出轴转速进行滤波处理；

2)通过发动机转速和转速计输出轴转速计算实际传动比；

3)根据发动机转速、转速计输出轴转速、实际传动比进行换挡操作模式判断；

4)根据换挡操作模式和实际传动比计算与之匹配的档位和离合器的开合状态。

4.根据权利要求3所述的一种基于车辆运行数据的公交车总重量测量方法，其特征在于，所述进行换挡操作模式判断，具体如下：

若不对应任何档位的传动比，且波动大，则为换挡切换模式；

若实时传动比与对应档位的传动比有偏差，但波动小，则为换挡保持模式；

若发动机转速为650RPM，转速计输出轴转速为0，实时传动比接近无穷大，则为空档怠速模式。

5.根据权利要求1所述的一种基于车辆运行数据的公交车总重量测量方法，其特征在于，所述步骤S2中，确定采样窗口的条件如下：

(1)样本数据同一站点区间且属于同一档位；

(2)样本数据中的加速度大于0；

(3)样本数大于20；

(4)车辆不在制动状态；

(5)车辆离合器为非闭合状态。

6.根据权利要求1所述的一种基于车辆运行数据的公交车总重量测量方法，其特征在于，所述步骤S4中，使用全连接神经网络MLP建立车辆行程状态数据修正模型，具体如下：

s′＝d+o+e＝MLP(d,w)

式中，s′为真实状态；d为传感器检测状态,包括发动机转速、转速计输出轴转速、车速、发动机扭矩、匹配的档位、离合器的开合状态、所属站点区间、车辆实时承载人数；o为偏差；e为随机偏差；w为MLP网络权值参数。

7.根据权利要求1所述的一种基于车辆运行数据的公交车总重量测量方法，其特征在于，所述步骤S5中，建立的公交车总重量测量模型如下：

m＝h(α,s′)+D(s′)

式中，α为动力学模型参数，s′为可监测的实际状态，h(α,s′)为车辆运行动力学模型，D(s′)为实际状态下的偏差估计；

可监测的实际状态

其中n,T_tq,u,g,

分别为发动机转速、发动机扭矩、车速、实际重力加速度、车辆加速度；

动力学模型参数α＝(a,b,c)，其中a为滚动摩擦阻力常量，b为滚动摩擦阻力因子，c为传动比系数；

车辆运行动力学模型

其中f为滚动阻力系数，i_gi₀为传动比，η_T为传动效率，r为车轮半径，δ为旋转质量换算系数；

实际状态下的偏差估计D(s′)由一个层数为3层，层神经元个数分别为5、5、5的全连接神经网络计算输出。

Images