CN114764597A - 一种基于分层聚类的电驱动系统可靠性工况提取方法 - Google Patents

一种基于分层聚类的电驱动系统可靠性工况提取方法 Download PDF

Info

Publication number
CN114764597A
CN114764597A CN202210403111.1A CN202210403111A CN114764597A CN 114764597 A CN114764597 A CN 114764597A CN 202210403111 A CN202210403111 A CN 202210403111A CN 114764597 A CN114764597 A CN 114764597A
Authority
CN
China
Prior art keywords
clustering
characteristic parameters
drive system
electric drive
working conditions
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
CN202210403111.1A
Other languages
English (en)
Inventor
赵礼辉
李乐
陈锴
邓思城
王震
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.)
Linui Shanghai Intelligent Technology Co ltd
Original Assignee
Linui Shanghai Intelligent 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 Linui Shanghai Intelligent Technology Co ltd filed Critical Linui Shanghai Intelligent Technology Co ltd
Priority to CN202210403111.1A priority Critical patent/CN114764597A/zh
Publication of CN114764597A publication Critical patent/CN114764597A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于分层聚类的电驱动系统可靠性工况提取方法,包括：基于分层聚类原理进行分层聚类可行性分析；基于用户运行数据库，将运行片段与怠速片段进行切分，基于运行片段进行特征参数构造；基于特征参数中的车速基本特征参数进行第一次聚类；结合第一次聚类，基于特征参数中的车速波动特征参数进行第二次聚类；基于第二次聚类，获得聚类结果和工况比例构成。本发明把不同的特征参数分批，对用户运行片段进行聚类，获取最优聚类数，相对于单次聚类，得到的典型工况更加详细多样，可为后续电驱动系统载荷谱的编制提供帮助与依据，提高载荷谱的加速效果。

Description

一种基于分层聚类的电驱动系统可靠性工况提取方法
技术领域
本发明属于用户工况辨识技术领域，尤其涉及一种基于分层聚类的电驱动系统可靠性工况提取方法。
背景技术
用户实际运行过程中，不同工况下车辆部件载荷有不同特征与损伤效果。通过提取用户不同典型工况，不仅能得到用户行驶过程中各工况里程与时间占比，分析用户工况构成，还能从典型工况对电驱动系统机械部件造成的载荷及损伤作用效果出发，分析不同零部件下各工况损伤比例特征，以较高单位损伤强度下的运行片段代替该工况中其他片段进行可靠性快速试验，能够加速试验进程，同时该片段具有一定的代表性，为后续加速试验载荷谱编制提供最为合适的随机载荷工况片段来源。目前典型工况提取方法主要是对实际用户数据进行片段划分、特征参数构造、聚类提取典型工况片段。
发明内容
本发明的目的在于提出一种基于分层聚类的电驱动系统可靠性工况提取方法，将构造的特征参数按批次进行聚类分析，每次聚类按照单一方面特征进行聚类，解决特征维数过多、构成复杂的问题，提高了类别数与聚类效果。
为实现上述目的，本发明提供了一种基于分层聚类的电驱动系统可靠性工况提取方法，包括：
基于分层聚类原理进行分层聚类可行性分析；
基于用户运行数据库，将运行片段与怠速片段进行切分，基于运行片段进行特征参数构造；
基于特征参数中的车速基本特征参数进行第一次聚类；
结合第一次聚类，基于特征参数中的车速波动特征参数进行第二次聚类；
基于第二次聚类，获得聚类结果和工况比例构成。
可选的，分层聚类可行性分析包括：基于K-means聚类原理，采用CH指标分析特征参数分层与不分层对二次聚类的影响，验证分层聚类的可行性。
可选的，所述CH指标主要是从簇间距离与簇内距离的比值来评价聚类结果的有效性，计算公式如下：
Figure BDA0003601103990000021
Figure BDA0003601103990000022
Figure BDA0003601103990000023
其中，tr(B)为类间离差矩阵的迹，tr(W)为类内离差矩阵的迹，z代表整个样本数据集的均值，zj代表第j类Cj的均值，n为聚类数目，k为当前的类。
可选的，特征参数构造的过程包括：先使用速度基本特征参数分为3大类工况，其次通过速度波动特征参数对所述3大类工况进行二次聚类，最终获得3大类13种细分工况；其中，特征参数计算方法如下，一个运行片段由N个速度数据点组成，采样频率为1Hz，则总时间为Pz＝N；
Figure BDA0003601103990000031
式中，vi为ti时刻的行驶车速，Mileage为行驶里程；
Vmax＝max(vi,i＝1,2,…,N)
Figure BDA0003601103990000032
Figure BDA0003601103990000033
式中，Vmax为最大速度，Vm为平均速度，Vsd为速度标准差。
可选的，第一次聚类的过程包括：基于特征参数进行车速基本特征参数聚类，采用CH指标提取3类典型工况，所述3类典型工况包括高速、中速、低速。
可选的，第二次聚类的过程包括：基于3类典型工况，采用车速波动特征参数聚类，获得聚类结果。
可选的，所述聚类结果包括：3大类13种细分工况。
可选的，工况比例构成包括：基于3大类13种细分工况进行行驶时间与里程对比分析提取可靠性典型工况。
本发明技术效果：本发明公开了一种基于分层聚类的电驱动系统可靠性工况提取方法，通过使用把不同的特征参数分批，对用户运行片段进行聚类，不仅起到了便于获取最优聚类数的效果，且相对于单次聚类，得到的典型工况更加详细多样，为后续电驱动系统载荷谱的编制提供帮助与依据，提高载荷谱的加速效果；还通过详细的工况特征比例构成，分析整体用户的驾驶工况特征，为对应高损伤部件进行优化设计。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例基于分层聚类的电驱动系统可靠性工况提取方法的流程示意图；
图2为本发明实施例特征统一聚类结果图；
图3为本发明实施例特征分层聚类结果；
图4为本发明实施例特征参数说明；
图5为本发明实施例分层聚类特征参数分配；
图6为本发明实施例速度基本特征参数聚类结果；
图7为本发明实施例高速工况聚类结果；
图8为本发明实施例中速工况聚类结果；
图9为本发明实施例低速工况聚类结果；
图10为本发明实施例各工况行驶时间占比图；
图11为本发明实施例各工况行驶里程占比图。
具体实施方式
需要说明的是，在不冲突的情况下，本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申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1-11所示，本实施例中提供一种基于分层聚类的电驱动系统可靠性工况提取方法，包括：
基于分层聚类原理进行分层聚类可行性分析；
基于用户运行数据库，将运行片段与怠速片段进行切分，基于运行片段进行特征参数构造；
基于特征参数中的车速基本特征参数进行第一次聚类；
结合第一次聚类，基于特征参数中的车速波动特征参数进行第二次聚类；
基于第二次聚类，获得聚类结果和工况比例构成。
进一步优化方案，分层聚类可行性分析包括：基于K-means聚类原理，采用CH指标分析特征参数分层与不分层对二次聚类的影响，验证分层聚类的可行性。
进一步优化方案，所述CH指标主要是从簇间距离与簇内距离的比值来评价聚类结果的有效性，计算公式如下：
Figure BDA0003601103990000051
Figure BDA0003601103990000052
Figure BDA0003601103990000053
其中，tr(B)为类间离差矩阵的迹，tr(W)为类内离差矩阵的迹，z代表整个样本数据集的均值，zj代表第j类Cj的均值，n为聚类数目，k为当前的类。
进一步优化方案，特征参数构造的过程包括：先使用速度基本特征参数分为3大类工况，其次通过速度波动特征参数对所述3大类工况进行二次聚类，最终获得3大类13种细分工况；其中，特征参数计算方法如下，一个运行片段由N个速度数据点组成，采样频率为1Hz，则总时间为Pz＝N；
Figure BDA0003601103990000061
式中，vi为ti时刻的行驶车速，Mileage为行驶里程；
Vmax＝max(vi,i＝1,2,…,N)
Figure BDA0003601103990000062
Figure BDA0003601103990000063
式中，Vmax为最大速度，Vm为平均速度，Vsd为速度标准差。
进一步优化方案，第一次聚类的过程包括：基于特征参数进行车速基本特征参数聚类，采用CH指标提取3类典型工况，所述3类典型工况包括高速、中速、低速。
进一步优化方案，第二次聚类的过程包括：基于3类典型工况，采用车速波动特征参数聚类，获得聚类结果。
进一步优化方案，所述聚类结果包括：3大类13种细分工况。
进一步优化方案，工况比例构成包括：基于3大类13种细分工况进行行驶时间与里程对比分析提取可靠性典型工况。
本发明总体实施方案流程如图1所示，包含分层聚类原理、分层聚类特征参数构造、车速基本特征参数聚类、车速波动相关参数二次聚类、工况比例构成与损伤对比。具体方案如下所述：
步骤1、分层聚类不仅聚类分层，对应的聚类特征参数同样分层，与两次聚类使用相同特征参数不同，第二次最优聚类数评价指标不再是类别数越少指标越好。
使用相同特征参数聚类，第一次使用特征参数已经使得各类簇十分紧凑，再使用相同特征参数聚类，聚类评价指标将会是类别数越少越好，强行聚类将会导致效果差。
本发明使用的聚类方法皆为K-means聚类。
常用CH指标、肘部法则、轮廓系数、DB指数判断聚类效果。
本发明以CH指标说明分层聚类的优势，并进一步分析特征参数分层与不分层对二次聚类的影响，验证分层聚类的可行性。
CH指标主要是从簇间距离与簇内距离的比值来评价聚类结果的有效性，计算公式如下：
Figure BDA0003601103990000071
Figure BDA0003601103990000072
Figure BDA0003601103990000073
上式中，tr(B)为类间离差矩阵的迹，tr(W)为类内离差矩阵的迹，z代表整个样本数据集的均值，zj代表第j类Cj的均值，n为聚类数目，k为当前的类。当类间距离越大，类内距离越小，CH(k)值越大，聚类效果越好。
设共有400组片段数据，第i组片段速度基本特征参数为n1i、n2i，速度波动特征参数为n3i、n4i，假设使用主成分分析法，可将n1i、n2i、n3i、n4i降维成m1i、m2i，使用降维后数据归一化后进行二次聚类，如图2所示，可知首次最优聚类指标为：
CHmax＝CH(k＝4) (1)
第一次聚类可分为4大类，若继续使用相同特征参数进行二次聚类，由各类别片段在m1与m2作为横纵坐标下的分布可知，4种类别皆不适于再次进行聚类。
若各类别片段不与图2结果所示无法进行再次聚类，假设类别1通过CH指标分析可知再聚为3类最优，由于特征参数相同，则在第一次使用CH指标进行判断时，类别1再分为3类，即类别数为6时CH值最大，为最优聚类数，结果与式(1)相矛盾。
因此CH指标将不推荐使用相同特征参数进行二次聚类。
综上可知，再聚类使用不同特征参数进行才能算分层聚类，否则只是二次单层级聚类。
分层聚类由于每次聚类特征参数不同，因此CH指标两次判定依据完全不同，不存在第二次聚类必定皆推荐为不聚类最优。
首先使用特征参数n1、n2归一化后进行第一次聚类，第二次使用特征参数n3、n4归一化后进行聚类，如图3所示。图中片段使用特征参数n1与n2分别作为横纵坐标的分布，是会完全不同于片段使用特征参数n3与n4分别作为横纵坐标的分布，因此会出现第一大类C1可能再分类为3类最优，而C2不适合再进行聚类，则C2整体作为一类，则一共分成2大类工况，4种细分工况。
步骤2，共30位用户年运行数据，将运行片段与怠速片段进行切分，获得运行段297162个，怠速段415451个。对运行片段进行特征参数构造，如表1所示，特征说明如图4所示。
表1
序号 特征参数 参数意义
1 V_max 最大速度
2 V_m 速度均值
3 V_sd 速度标准差
4 Pz 行驶时间
5 Mileage 行驶里程
6 V_ripple_num 速度波动次数
7 V_ripple_time 波动平均时间
8 V_acc_mean 加速速度变化比
9 V_dec_mean 加速速度变化比
10 V_acc_max 最大加速度便变化
11 V_dec_max 最小加速度便变化
12 V_acc_time 最长加速时间
13 V_dec_time 最长减速时间
步骤3，分层聚类参数分配如图5所示。使用表1中1-5维数据进行速度基本特征参数的聚类，使用CH指标判定为3类最佳，可得聚类结果如图6所示，分为高速、中速、低速共三大类工况。
步骤4，基于已提取的高速、中速、低速三大类典型工况，使用表1所示的6-13维特征参数进行二次聚类，即使用速度波动相关特征参数进行聚类。根据CH指标，高速、中速、低速分别为3、3、7类聚类效果最佳，聚类结果如图7至图9所示，工况说明如表2所示。
表2
Figure BDA0003601103990000101
步骤5，统计3大类13种工况行驶时间与历程比例构成，如图10与图11所示，13种工况中，在中速的C6工况下行驶里程最长，在低速C10工况下行驶里程最短，与行驶时间结果相同，低速工况虽然其片段较少多，但是片段平均行驶时间短、行驶速度低，导致整体行驶时间与里程在最低水平。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于分层聚类的电驱动系统可靠性工况提取方法，其特征在于，包括：
基于分层聚类原理进行分层聚类可行性分析；
基于用户运行数据库，将运行片段与怠速片段进行切分，基于运行片段进行特征参数构造；
基于特征参数中的车速基本特征参数进行第一次聚类；
结合第一次聚类，基于特征参数中的车速波动特征参数进行第二次聚类；
基于第二次聚类，获得聚类结果和工况比例构成。
2.如权利要求1所述的基于分层聚类的电驱动系统可靠性工况提取方法，其特征在于，分层聚类可行性分析包括：基于K-means聚类原理，采用CH指标分析特征参数分层与不分层对二次聚类的影响，验证分层聚类的可行性。
3.如权利要求2所述的基于分层聚类的电驱动系统可靠性工况提取方法，其特征在于，所述CH指标主要是从簇间距离与簇内距离的比值来评价聚类结果的有效性，计算公式如下：
Figure FDA0003601103980000011
Figure FDA0003601103980000012
Figure FDA0003601103980000013
其中，tr(B)为类间离差矩阵的迹，tr(W)为类内离差矩阵的迹，z代表整个样本数据集的均值，zj代表第j类Cj的均值，n为聚类数目，k为当前的类。
4.如权利要求3所述的基于分层聚类的电驱动系统可靠性工况提取方法，其特征在于，特征参数构造的过程包括：先使用速度基本特征参数分为3大类工况，其次通过速度波动特征参数对所述3大类工况进行二次聚类，最终获得3大类13种细分工况；其中，特征参数计算方法如下，一个运行片段由N个速度数据点组成，采样频率为1Hz，则总时间为Pz＝N；
Figure FDA0003601103980000021
式中，vi为ti时刻的行驶车速，Mileage为行驶里程；
Vmax＝max(vi,i＝1,2,…,N)
Figure FDA0003601103980000022
Figure FDA0003601103980000023
式中，Vmax为最大速度，Vm为平均速度，Vsd为速度标准差。
5.如权利要求4所述的基于分层聚类的电驱动系统可靠性工况提取方法，其特征在于，第一次聚类的过程包括：基于特征参数进行车速基本特征参数聚类，采用CH指标提取3类典型工况，所述3类典型工况包括高速、中速、低速。
6.如权利要求5所述的基于分层聚类的电驱动系统可靠性工况提取方法，其特征在于，第二次聚类的过程包括：基于3类典型工况，采用车速波动特征参数聚类，获得聚类结果。
7.如权利要求6所述的基于分层聚类的电驱动系统可靠性工况提取方法，其特征在于，所述聚类结果包括：3大类13种细分工况。
8.如权利要求7所述的基于分层聚类的电驱动系统可靠性工况提取方法，其特征在于，工况比例构成包括：基于3大类13种细分工况进行行驶时间与里程对比分析提取可靠性典型工况。
CN202210403111.1A 2022-04-18 2022-04-18 一种基于分层聚类的电驱动系统可靠性工况提取方法 Pending CN114764597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210403111.1A CN114764597A (zh) 2022-04-18 2022-04-18 一种基于分层聚类的电驱动系统可靠性工况提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210403111.1A CN114764597A (zh) 2022-04-18 2022-04-18 一种基于分层聚类的电驱动系统可靠性工况提取方法

Publications (1)

Publication Number Publication Date
CN114764597A true CN114764597A (zh) 2022-07-19

Family

ID=82364717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210403111.1A Pending CN114764597A (zh) 2022-04-18 2022-04-18 一种基于分层聚类的电驱动系统可靠性工况提取方法

Country Status (1)

Country Link
CN (1) CN114764597A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130013255A1 (en) * 2011-07-06 2013-01-10 Honeywell International Inc. Automatic identification of operating parameters for power plants
CN103921743A (zh) * 2014-05-08 2014-07-16 长春工业大学 汽车行驶工况判别系统及其判别方法
CN110254417A (zh) * 2019-06-27 2019-09-20 清华大学苏州汽车研究院（吴江） 基于实际工况与驾驶风格双识别的混合动力汽车控制方法
CN111581893A (zh) * 2020-04-03 2020-08-25 上海理工大学 一种电驱动总成机械系统可靠性试验载荷谱的编制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130013255A1 (en) * 2011-07-06 2013-01-10 Honeywell International Inc. Automatic identification of operating parameters for power plants
CN103921743A (zh) * 2014-05-08 2014-07-16 长春工业大学 汽车行驶工况判别系统及其判别方法
CN110254417A (zh) * 2019-06-27 2019-09-20 清华大学苏州汽车研究院（吴江） 基于实际工况与驾驶风格双识别的混合动力汽车控制方法
CN111581893A (zh) * 2020-04-03 2020-08-25 上海理工大学 一种电驱动总成机械系统可靠性试验载荷谱的编制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘应吉;夏鸿文;姚羽;刘梦雅: "组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法", 公路交通科技, no. 003, 31 December 2018 (2018-12-31) *
赵礼辉等: "基于用户大数据的电驱动系统可靠性工况特征研究", 汽车工程, 25 October 2020 (2020-10-25), pages 1386 - 1396 *

Similar Documents

Publication Publication Date Title
CN111581893B (zh) 一种电驱动总成机械系统可靠性试验载荷谱的编制方法
CN109552338B (zh) 一种纯电动汽车生态驾驶行为评估方法及系统
CN109635852B (zh) 一种基于多维属性的用户画像构建与聚类方法
CN108844725A (zh) 一种汽车发动机轴瓦磨损故障诊断方法
CN113297795A (zh) 一种纯电动汽车行驶工况构建方法
CN110705774A (zh) 一种车辆能耗分析的预测方法和系统
CN111126438B (zh) 一种驾驶行为识别方法及系统
CN110633729A (zh) 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法
CN109255094A (zh) 基于SVR_Adaboost改进算法的商用货车质量估计方法
CN113689594A (zh) 一种新的汽车行驶工况构造方法
CN106326581A (zh) 一种续驶里程的确定方法、装置及汽车
CN114091182A (zh) 一种包含道路坡度信息的重型载货汽车行驶工况构建方法
CN112885080B (zh) 一种新能源汽车的行驶工况构建方法
CN111368919A (zh) 特征数据构建方法、数据集构建方法、数据分类方法、emc故障的诊断方法和系统
CN114971156A (zh) 一种基于大数据危险场景的驾驶风格分析方法
CN112948965A (zh) 一种基于机器学习和统计验证的汽车行驶工况的构建方法
CN115809435A (zh) 基于模拟器的汽车运行故障识别方法
CN111666657A (zh) 一种平面交叉口噪声监测布点方法
CN114611604A (zh) 一种基于电驱总成载荷特征融合与聚类的用户筛选方法
CN114764597A (zh) 一种基于分层聚类的电驱动系统可靠性工况提取方法
CN115545102A (zh) 一种基于随机森林的车辆能耗监测方法
CN115266135A (zh) 基于用户工况测试数据的油耗量化分析方法
CN114970730A (zh) 一种多特征纯电动汽车行驶工况构建方法
Lian et al. Research on adaptive control strategy optimization of hybrid electric vehicle
CN113704891A (zh) 一种电子制动助力器可靠性快速试验载荷谱及编制方法

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