CN115828438A - 汽车极限性能预测方法、介质、设备 - Google Patents
汽车极限性能预测方法、介质、设备 Download PDFInfo
- Publication number
- CN115828438A CN115828438A CN202310132237.4A CN202310132237A CN115828438A CN 115828438 A CN115828438 A CN 115828438A CN 202310132237 A CN202310132237 A CN 202310132237A CN 115828438 A CN115828438 A CN 115828438A
- Authority
- CN
- China
- Prior art keywords
- parameter
- vehicle
- performance index
- performance
- matrix
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 74
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000004378 air conditioning Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 108010046685 Rho Factor Proteins 0.000 claims 1
- 238000002360 preparation method Methods 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 46
- 230000002596 correlated effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,公开了一种汽车极限性能预测方法、介质、设备。方法包括:确定待预测的性能指标;确定车辆相关参数;构造正交矩阵,将正交矩阵中的每一行数值输入至仿真模型中,得到各个性能指标各自对应的一个数值;采用灰度关联法确定各个车辆相关参数和各个性能指标之间的灰色关联度,确定每一个性能指标的敏感参数;确定协方差,根据协方差的正负确定在优化性能指标时敏感参数的优化方向;根据各个性能指标各自的各个敏感参数的优化方向,确定各个性能指标的极限数值。本发明可以快速预测车辆性能潜力。
Description
技术领域
本发明涉及新能源汽车技术领域,尤其涉及一种汽车极限性能预测方法、介质、设备。
背景技术
车辆动力性、经济性是重要的指标,在车辆概念开发设计或性能优化提升阶段,需要通过仿真的手段对车辆参数进行系统性优化,了解当前条件下车辆的优化潜能。由于车辆模型内部逻辑复杂,并可能存在封装现象,无法通过分析模型公式直接得出影响车辆性能的参数。各个参数均可能对车辆同一性能产生影响,同一个参数可能对动力性和经济性都产生影响,而且车辆存在大量参数,逐一对每个参数进行数据变化,来找出对各种车辆性能的影响,将会浪费大量的时间。因此需要一种方案能够快速预测车辆性能潜力。
发明内容
为了解决上述至少一个技术问题,本发明提供了一种汽车极限性能预测方法、介质、设备。
根据第一方面,本发明实施例提供的汽车极限性能预测方法包括:
确定待预测的性能指标,所述性能指标包括动力性指标和经济性指标;
确定车辆相关参数,所述车辆相关参数包括整车参数、发动机参数、电池参数、电机参数、变速箱参数和空调参数;
根据各个车辆相关参数各自对应的多个数值构造正交矩阵,将所述正交矩阵中的每一行数值输入至仿真模型中,得到各个性能指标各自对应的一个数值;所述正交矩阵的每一行包括各个车辆相关参数各自对应的一个数值;
根据各个车辆相关参数各自对应的多个数值和各个性能指标各自对应的多个数值,采用灰度关联法确定各个车辆相关参数和各个性能指标之间的灰色关联度,并将各个车辆相关参数和每一个性能指标之间的各个灰色关联度中高于预设阈值的灰色关联度对应的车辆相关参数作为该性能指标的敏感参数;
根据每一个性能参数和对应的每一个敏感参数确定对应的协方差,并根据所述协方差的正负确定在优化该性能指标时该敏感参数的优化方向;
根据各个性能指标各自的各个敏感参数的优化方向,确定各个性能指标的极限数值。
根据第二方面,本发明实施例提供的计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行第一方面提供的方法。
根据第三方面,本发明实施例提供的计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现第一方面提供的方法。
本发明实施例具有以下技术效果:
首先确定待预测的性能指标、车辆相关参数,将各个车辆相关参数对应的各个数值构造成一个正交矩阵,将所述正交矩阵中的每一行数值输入至仿真模型中,得到各个性能指标各自对应一组性能值。进而根据各个车辆相关参数对应的多组参数值和各个性能指标对应的多组性能值,确定各个车辆相关参数和各个性能指标之间的灰色关联度,并将各个车辆相关参数和每一个性能指标之间的各个灰色关联度中高于预设阈值的灰色关联度对应的车辆相关参数作为该性能指标的敏感参数,从而针对每一个性能指标筛选出对该性能指标影响比较大的车辆相关参数,而删除影响不大的车辆相关参数,即实现了车辆相关参数的降维,避免了因为模型封装或者车辆模型过于复杂而导致的车辆相关参数的盲目选取,提高了后续步骤的执行效率,即提高了预测效率。接着根据每一个性能参数和每一个敏感参数确定对应的协方差,根据所述协方差的正负确定在优化该性能指标时该敏感参数的优化方向,进而根据敏感参数的优化方向进行敏感参数调整,从而根据调整后的多组参数值确定各个性能指标的极限数值。可见本发明实施例可以辨识出车辆相关参数与车辆动力性、经济性的相关性,确定参数变化方向,从而为车辆动力性、经济性提升指明了优化方向,从而可以快速预测出车辆的性能。
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是本发明一个实施例中汽车极限性能预测方法的流程示意图。
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。
第一方面,本发明实施例提供一种汽车极限性能预测方法,参见图1,该方法可以包括如下步骤S110~S160:
S110、确定待预测的性能指标,所述性能指标包括动力性指标和经济性指标;
在一个实施例中,所述动力性指标可以包括加速时间、最大爬坡度和最高车速中的至少一项;所述经济性指标可以包括电耗和续航里程中的至少一项。
其中,加速时间为从0加速到100km/h的时间。最高车速为车辆行驶的最高速度。最大爬坡度为最大的爬坡角度。电耗的单位为kWh/100km。续航里程为当车辆连续行驶直到电池电量为0时车辆不能再继续行驶时的里程数。
S120、确定车辆相关参数,所述车辆相关参数包括整车参数、发动机参数、电池参数、电机参数、变速箱参数和空调参数;
在一个实施例中,所述整车参数可以包括整车整备质量、前后轴荷、迎风面积、风阻系数、轮胎半径和滚阻系数中的至少一项;所述发动机参数可以包括发动机排量、发动机最大转速、发动机最大扭矩和发动机效率中的至少一项;所述电池参数可以包括电池质量、电池容量、电池模组串并联数量、电池内阻、最大放电功率限值和最大充电功率限值中的至少一项;所述电机参数可以包括峰值功率、最大扭矩、电机质量和电机效率中的至少一项;所述变速箱参数可以包括传动比、传动效率、换挡曲线、输入转矩限值和输出转矩限值中的至少一项;所述空调参数可以包括空压机功率、正温度系数功率、鼓风机功率和目标温度中的至少一项。
S130、根据各个车辆相关参数各自对应的多个数值构造正交矩阵,将所述正交矩阵中的每一行数值输入至仿真模型中,得到各个性能指标各自对应的一个数值;所述正交矩阵的每一行包括各个车辆相关参数各自对应的一个数值;
也就是说,首先为每一个车辆相关参数设置多个数值,然后将各个车辆相关参数各自对应的多个数值构造成为一个正交矩阵,正交矩阵中的每一行表示各个车辆相关参数的一组参数值,一组参数值中包括各个车辆相关参数各自对应的一个数值。然后将正交矩阵中的一行数值输入到仿真模型中,便得到各个性能指标的一组性能值,一组性能值中包括各个性能指标各自对应的一个数值。
例如,车辆相关参数的数量为k,为每一个车辆相关参数设置m个数值,则正交矩阵的行数为k(m-1)+1,列数为k。为了方便理解,取四个车辆相关参数即k为4,取m为3,每一个车辆相关参数的m个数值有明显的分组,例如,取较低值1、中间值2和较高值3,构造的正交矩阵参见下表1:
可见,通过上表1构造出的正交矩阵中包括9行数据,每一行数值对应一组参数值,一组参数值中包括这4个车辆相关参数的一个数值。将一行数值输入至仿真模型中,得到一组性能值,9行数值对应9组性能值。可见仅通过这9次仿真即可得出这四个车辆相关参数的三种数值状态对性能指标的影响。
S140、根据各个车辆相关参数各自对应的多个数值和各个性能指标各自对应的多个数值,采用灰度关联法确定各个车辆相关参数和各个性能指标之间的灰色关联度,并将各个车辆相关参数和每一个性能指标之间的各个灰色关联度中高于预设阈值的灰色关联度对应的车辆相关参数作为该性能指标的敏感参数;
可理解的是,动力性、经济性等指标的具体数值是通过仿真的手段得出,在仿真模型中输入一组参数值,通过仿真的手段便可以得到动力性、经济性等指标的一组具体数值,即一组性能值。由于各个车辆相关参数可能存在一部分数据对车辆性能没有影响或者影响较小,因此可以通过一定的方式筛选出对车辆性能影响比较大的车辆相关参数,而去掉那些影响很小的车辆相关参数。
在一个实施例中,S140中所述根据各个车辆相关参数各自对应的多个数值和各个性能指标各自对应的多个数值,采用灰度关联法确定各个车辆相关参数和各个性能指标之间的灰色关联度,具体可以包括S141~S143:
S141、构建初始矩阵,所述初始矩阵的第1行至第k行中的第i行第j列的元素为第i个车辆相关参数的第j个数值,所述初始矩阵的第k+1行至第k+k1行中的第k+i行第j列的元素为第i个性能指标的第j个数值,j大于等于1且小于等于n,n为每一个车辆相关参数和每一个性能指标的数值数量,k1为性能指标的数量,k为车辆相关参数的数量;
这里,针对初始矩阵的第1行至第k行中的第i行,i大于等于1且小于等于k。针对初始矩阵的第k+1行至第k+k1行中的第k+i行,i大于等于1且小于等于k1。
例如,构造的初始矩阵如下:
其中,X为初始矩阵。X 1 、X 2 ……X k 分别代表各个车辆相关参数各自对应的数值向量,在每一个数值向量中包括n的数值。以X 1 为例,x 1 (1)……x 1 (n)分别代表第一个车辆相关参数的第一个数值、第一个车辆相关参数的第二个数值……第一个车辆相关参数的第n个数值。X k (n)代表第k个车辆相关参数的第n个数值。X k+1 …X k+k1 代表各个性能指标各自对应的数值向量,在每一个数值向量中包括n个数值。X k+1 (1)……X k+1 (n)分别代表第一个性能指标的第1个数值、第1个性能指标的第2个数值……第1个性能指标的第n个数值。X k+k1 (1)……X k+k1 (n)分别代表第k1个性能指标的第1个数值、第k1个性能指标的第2个数值……第k1个性能指标的第n个数值。K为车辆相关参数的数量,k1为性能指标的数量,n为一个车辆相关参数、一个性能指标的数值的数量。
S142、对所述初始矩阵进行无量纲化处理,得到无量纲矩阵,根据所述无量纲矩阵计算对应的差矩阵,并确定所述差矩阵中的最大值和最小值;所述无量纲矩阵和所述差矩阵的行数和列数均为n,所述差矩阵中的第i行第j列的元素为所述无量纲矩阵中第i行第j列的元素与第i行第1列元素之间的差值的绝对值;
可理解的是,由于对所述初始矩阵进行无量纲化处理,因此无量纲矩阵中的各个矩阵是没有量纲的。由于不区分量纲,因此可以简化后续的计算步骤,否则在后续的计算步骤中需要考虑量纲,会比较复杂。
在一个实施例中,可以采用第一计算式计算所述无量纲矩阵中第i行第j列的元素,所述第一计算式为:
在得到无量纲矩阵之后,计算差矩阵,差矩阵的第i行第j列的元素为所述无量纲矩阵中第i行第j列的元素与第i行第1列元素之间的差值的绝对值,也就是说,可以通过如下计算式计算差矩阵的第i行第j列的元素:
接着,从差矩阵中选择出最大值和最小值。
S143、根据所述差矩阵、所述最大值和所述最小值计算每一个车辆相关参数和每一个性能指标的n个关联系数,并根据每一个车辆相关参数和每一个性能指标的n个关联系数计算该车辆相关参数和该性能指标之间的灰色关联度。
即,在得到差矩阵、差矩阵的最大值和最小值后,计算每一个车辆相关参数和每一个性能指标之间的各个关联系数,进而基于每一个车辆相关参数和每一个性能指标之间的各个关联系数计算这个车辆相关参数和这个性能指标之间的灰色关联度。
在一个实施例中,可以采用第二计算式计算第i个车辆相关参数和第n1个性能指标的第j个关联系数,所述第二计算式为:
其中,为第i个车辆相关参数和第n1个性能指标的第j个关联系数;Min为所述最小值;Max为所述最大值;ρ为分辨系数,ρ∈(0,1);为所述差矩阵中第i行第j列的元素。其中,分辨系数一般取0.5。i=1、2、3……k,n1取值为1、2……k1,j=1、2、3……n。
在一个实施例中,可以采用第三计算式计算所述灰色关联度,所述第三计算式为:
其中,为第i个车辆相关参数和第n1个性能指标的灰色关联度,为第i个车辆相关参数和第n1个性能指标的第j个关联系数。即,将一个车辆相关参数和一个性能指标的n个关联系数的平均值作为灰色关联度。i=1、2、3……k,n1取值为1、2……k1,j=1、2、3……n。
在计算得到各个车辆相关参数和各个性能指标之间的灰色关联度之后,在每一个性能指标和各个车辆相关参数之间的各个灰色关联度中,筛选出高于预设阈值的灰色关联度,将高于预设阈值的灰色关联度对应的车辆相关参数作为该性能指标的敏感参数,将小于等于预设阈值的灰色关联度对应的车辆相关参数去掉。
其中,一个性能指标和一个车辆相关参数之间的灰色关联度大于预设阈值,说明这个车辆相关参数对这个性能指标的影响比较大,这个车辆相关参数需要保留下来,作为这个性能指标的敏感参数。一个性能指标和一个车辆相关参数之间的灰色关联度小于等于预设阈值,说明这个车辆相关参数对这个性能指标的影响不大,这个车辆相关参数不需要保留下来。通过这种方式剔除了与性能指标相关性比较低的车辆相关参数,从而提高了优化效率。
可见,经过敏感参数筛选后,得到了每一个性能参数对应的敏感参数,各个性能参数的敏感参数可能不同,也可能相同,或者存在交叉部分。
S150、根据每一个性能参数和对应的每一个敏感参数确定对应的协方差,并根据所述协方差的正负确定在优化该性能指标时该敏感参数的优化方向;
也就是说,在完成敏感提取后,进行协方差计算,分析各个敏感参数与车辆性能指标是正相关还是负相关,由此确定敏感参数的优化方向。
在一个实施例中,可以采用第四计算式计算所述协方差,所述第四计算式为:
其中,为性能指标y和敏感参数x对应的协方差,y为一个性能指标,x为性能指标y的一个敏感参数,为敏感参数x的第i个数值,为敏感参数x的n个数值的平均值,为性能指标y的第i个数值,为性能指标y的n个数值的平均值,n为数值的数量。
例如,一个性能指标和一个敏感参数之间的协方差大于0,则说明这个敏感参数和这个性能指标是正相关,则在优化该性能指标时该敏感参数的优化方向为增大。一个性能指标和一个敏感参数之间的协方差小于0,则说明这个敏感参数和这个性能指标是负相关,则在优化该性能指标时该敏感参数的优化方向为减小。
S160、根据各个性能指标各自的各个敏感参数的优化方向,确定各个性能指标的极限数值。
在一个实施例中,S160可以包括:在每一个性能指标对应的各个敏感参数在各自的初始值的基础上,按照各自的优化方向调整多次,将每一次调整后的各个敏感参数输入至仿真模型中,得到该性能指标的一个数值,并根据每一个新能指标对应的多个数值的变化情况确定该性能指标的极限数值。
例如,针对性能指标a,设置对应的各个敏感参数的初始值,然后在初始值的基础上按照优化方向进行多次调整,得到多组参数值,然后将每一组参数值输入仿真模型中,得到一组性能值,多组参数值对应多组性能值。从每一组性能值中获取性能指标a的数值,根据多组性能值中性能指标a的数值的变化情况,得知随着各个敏感参数的变化性能指标a的变化曲线,进而将变化曲线中的峰值作为性能指标a的极限数值。
例如,以车辆百公里加速时间的极限数值预测为例,加速时间的敏感参数包括车辆质量、风阻系数、滚阻系数、轮胎半径、主减速器传动比、电机最大扭矩、电机额定功率、电池放电功率限值等一系列参数。由此构建敏感参数矩阵参见下表2。
其中,车辆质量、风阻系数、滚阻系数、轮胎半径为加速时间的负相关参数,因此这几个敏感参数的优化方向为减小。主减速器传动比、电机最大扭矩、电机额定功率、电池放电功率限值为加速时间的正相关参数,因此这几个敏感参数的优化方向为增大。在初始值的基础上进行了两次调整,一共得到了3组参数值。将三组参数值逐一输入到仿真模型中,得到三组性能值,从每一组性能值中提取出加速时间的数值,得到加速时间的三个数值,如果第二个数值大于第一个数值和第三个数值,说明第二个数值为峰值,因此将第二个数值作为加速时间的极限数值,从而实现对加速时间的极限预测。
可理解的是,这里仅举例了一个简单的例子,在实际操作中,一般需要形成较多数量的参数值,依据多组性能值中每一个性能指标的变化情况来确定该性能指标的极限数值,从而提高预测的准确度。
在本发明实施例提供的方法中,首先确定待预测的性能指标、车辆相关参数,将各个车辆相关参数对应的各个数值构造成一个正交矩阵,将所述正交矩阵中的每一行数值输入至仿真模型中,得到各个性能指标各自对应一组性能值。进而根据各个车辆相关参数对应的多组参数值和各个性能指标对应的多组性能值,确定各个车辆相关参数和各个性能指标之间的灰色关联度,并将各个车辆相关参数和每一个性能指标之间的各个灰色关联度中高于预设阈值的灰色关联度对应的车辆相关参数作为该性能指标的敏感参数,从而针对每一个性能指标筛选出对该性能指标影响比较大的车辆相关参数,而删除影响不大的车辆相关参数,即实现了车辆相关参数的降维,避免了因为模型封装或者车辆模型过于复杂而导致的车辆相关参数的盲目选取,提高了后续步骤的执行效率,即提高了预测效率。接着根据每一个性能参数和每一个敏感参数确定对应的协方差,根据所述协方差的正负确定在优化该性能指标时该敏感参数的优化方向,进而根据敏感参数的优化方向进行敏感参数调整,从而根据调整后的多组参数值确定各个性能指标的极限数值。可见本发明实施例可以辨识出车辆相关参数与车辆动力性、经济性的相关性,确定参数变化方向,从而为车辆动力性、经济性提升指明了优化方向,从而可以快速预测出车辆的性能。
可见,本发明实施例提供的方法中辨识车辆相关参数和性能指标之间的灰色关联度,从而筛选出对性能指标影响比较大的车辆相关参数作为敏感参数,实现了参数矩阵的降维,提高了后续的预测效率。而且辨识了车辆相关参数与车辆动力性、经济性的相关性,确定参数变化方向,从而为车辆动力性、经济性提升指明了优化方向,从而可以快速预测出车辆的性能。
第二方面,本申请实施例提供一种计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行第一方面提供的方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
可理解的是,本申请实施例提供的计算机可读介质中有关内容的解释、具体实施方式、有益效果、举例等内容可以参见第一方面提供的方法中的相应部分,此处不再赘述。
第三方面,本说明书一个实施例提供了一种计算设备,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现执行说明书中任一个实施例中的方法。
可理解的是,本申请实施例提供的计算设备中有关内容的解释、具体实施方式、有益效果、举例等内容可以参见第一方面提供的方法中的相应部分,此处不再赘述。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到,在上述一个或多个示例中,本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时,可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
需要说明的是,本发明所用术语仅为了描述特定实施例,而非限制本申请范围。如本发明说明书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”等应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
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)
1.一种汽车极限性能预测方法,其特征在于,包括:
确定待预测的性能指标,所述性能指标包括动力性指标和经济性指标;
确定车辆相关参数,所述车辆相关参数包括整车参数、发动机参数、电池参数、电机参数、变速箱参数和空调参数;
根据各个车辆相关参数各自对应的多个数值构造正交矩阵,将所述正交矩阵中的每一行数值输入至仿真模型中,得到各个性能指标各自对应的一个数值;所述正交矩阵的每一行包括各个车辆相关参数各自对应的一个数值;
根据各个车辆相关参数各自对应的多个数值和各个性能指标各自对应的多个数值,采用灰度关联法确定各个车辆相关参数和各个性能指标之间的灰色关联度,并将各个车辆相关参数和每一个性能指标之间的各个灰色关联度中高于预设阈值的灰色关联度对应的车辆相关参数作为该性能指标的敏感参数;
根据每一个性能参数和对应的每一个敏感参数确定对应的协方差,并根据所述协方差的正负确定在优化该性能指标时该敏感参数的优化方向;
根据各个性能指标各自的各个敏感参数的优化方向,确定各个性能指标的极限数值。
2.根据权利要求1所述的方法,其特征在于,所述动力性指标包括加速时间、最大爬坡度和最高车速中的至少一项;所述经济性指标包括电耗和续航里程中的至少一项;
和/或;所述整车参数包括整车整备质量、前后轴荷、迎风面积、风阻系数、轮胎半径和滚阻系数中的至少一项;所述发动机参数包括发动机排量、发动机最大转速、发动机最大扭矩和发动机效率中的至少一项;所述电池参数包括电池质量、电池容量、电池模组串并联数量、电池内阻、最大放电功率限值和最大充电功率限值中的至少一项;所述电机参数包括峰值功率、最大扭矩、电机质量和电机效率中的至少一项;所述变速箱参数包括传动比、传动效率、换挡曲线、输入转矩限值和输出转矩限值中的至少一项;所述空调参数包括空压机功率、正温度系数功率、鼓风机功率和目标温度中的至少一项。
3.根据权利要求1所述的方法,其特征在于,所述根据各个车辆相关参数各自对应的多个数值和各个性能指标各自对应的多个数值,采用灰度关联法确定各个车辆相关参数和各个性能指标之间的灰色关联度,包括:
构建初始矩阵,所述初始矩阵的第1行至第k行中的第i行第j列的元素为第i个车辆相关参数的第j个数值,所述初始矩阵的第k+1行至第k+k1行中的第k+i行第j列的元素为第i个性能指标的第j个数值,j大于等于1且小于等于n,n为每一个车辆相关参数和每一个性能指标的数值数量,k1为性能指标的数量,k为车辆相关参数的数量;
对所述初始矩阵进行无量纲化处理,得到无量纲矩阵,根据所述无量纲矩阵计算对应的差矩阵,并确定所述差矩阵中的最大值和最小值;所述无量纲矩阵和所述差矩阵的行数和列数均为n,所述差矩阵中的第i行第j列的元素为所述无量纲矩阵中第i行第j列的元素与第i行第1列元素之间的差值的绝对值;
根据所述差矩阵、所述最大值和所述最小值计算每一个车辆相关参数和每一个性能指标的n个关联系数,并根据每一个车辆相关参数和每一个性能指标的n个关联系数计算该车辆相关参数和该性能指标之间的灰色关联度。
8.根据权利要求1所述的方法,其特征在于,所述根据各个性能指标各自的各个敏感参数的优化方向,确定各个性能指标的极限数值,包括:
在每一个性能指标对应的各个敏感参数在各自的初始值的基础上,按照各自的优化方向调整多次,将每一次调整后的各个敏感参数输入至仿真模型中,得到该性能指标的一个数值,并根据每一个新能指标对应的多个数值的变化情况确定该性能指标的极限数值。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1~8任一项所述的方法。
10.一种计算设备,其特征在于,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1~8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132237.4A CN115828438B (zh) | 2023-02-20 | 2023-02-20 | 汽车极限性能预测方法、介质、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310132237.4A CN115828438B (zh) | 2023-02-20 | 2023-02-20 | 汽车极限性能预测方法、介质、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828438A true CN115828438A (zh) | 2023-03-21 |
CN115828438B CN115828438B (zh) | 2023-05-05 |
Family
ID=85521771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310132237.4A Active CN115828438B (zh) | 2023-02-20 | 2023-02-20 | 汽车极限性能预测方法、介质、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828438B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744416A (zh) * | 2024-02-20 | 2024-03-22 | 中汽研汽车检验中心(天津)有限公司 | 基于敏感性分析的车辆稳定性优化方法、设备和介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913326A (zh) * | 2016-04-06 | 2016-08-31 | 南京农业大学 | 约束性知识与精英个体策略遗传算法融合的作物生育期模型品种参数优化方法 |
CN110667566A (zh) * | 2019-10-17 | 2020-01-10 | 清华大学苏州汽车研究院(吴江) | 混合动力汽车匹配参数及控制策略协同组合优化方法 |
CN111652674A (zh) * | 2020-05-15 | 2020-09-11 | 拉扎斯网络科技(上海)有限公司 | 一种资源推荐方法以及装置 |
WO2020253676A1 (zh) * | 2019-06-20 | 2020-12-24 | 长城汽车股份有限公司 | 车速控制方法和系统 |
CN112857385A (zh) * | 2021-01-18 | 2021-05-28 | 北京理工大学 | 一种基于非均匀栅格模型的快速无人车局部路径规划方法 |
CN113742953A (zh) * | 2020-05-29 | 2021-12-03 | 广州汽车集团股份有限公司 | 车辆异响分析优化方法、装置、控制器及存储介质 |
CN114329788A (zh) * | 2021-12-31 | 2022-04-12 | 武汉理工大学 | 一种基于田口法和熵权灰色关联分析的车门优化设计方法 |
CN114940132A (zh) * | 2022-07-27 | 2022-08-26 | 中汽研汽车检验中心(天津)有限公司 | 电动车续航里程预测方法、测试方法和系统 |
CN115691140A (zh) * | 2022-11-02 | 2023-02-03 | 东南大学 | 一种汽车充电需求时空分布的分析与预测方法 |
-
2023
- 2023-02-20 CN CN202310132237.4A patent/CN115828438B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913326A (zh) * | 2016-04-06 | 2016-08-31 | 南京农业大学 | 约束性知识与精英个体策略遗传算法融合的作物生育期模型品种参数优化方法 |
WO2020253676A1 (zh) * | 2019-06-20 | 2020-12-24 | 长城汽车股份有限公司 | 车速控制方法和系统 |
CN110667566A (zh) * | 2019-10-17 | 2020-01-10 | 清华大学苏州汽车研究院(吴江) | 混合动力汽车匹配参数及控制策略协同组合优化方法 |
CN111652674A (zh) * | 2020-05-15 | 2020-09-11 | 拉扎斯网络科技(上海)有限公司 | 一种资源推荐方法以及装置 |
CN113742953A (zh) * | 2020-05-29 | 2021-12-03 | 广州汽车集团股份有限公司 | 车辆异响分析优化方法、装置、控制器及存储介质 |
CN112857385A (zh) * | 2021-01-18 | 2021-05-28 | 北京理工大学 | 一种基于非均匀栅格模型的快速无人车局部路径规划方法 |
CN114329788A (zh) * | 2021-12-31 | 2022-04-12 | 武汉理工大学 | 一种基于田口法和熵权灰色关联分析的车门优化设计方法 |
CN114940132A (zh) * | 2022-07-27 | 2022-08-26 | 中汽研汽车检验中心(天津)有限公司 | 电动车续航里程预测方法、测试方法和系统 |
CN115691140A (zh) * | 2022-11-02 | 2023-02-03 | 东南大学 | 一种汽车充电需求时空分布的分析与预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117744416A (zh) * | 2024-02-20 | 2024-03-22 | 中汽研汽车检验中心(天津)有限公司 | 基于敏感性分析的车辆稳定性优化方法、设备和介质 |
CN117744416B (zh) * | 2024-02-20 | 2024-05-03 | 中汽研汽车检验中心(天津)有限公司 | 基于敏感性分析的车辆稳定性优化方法、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115828438B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110126841B (zh) | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 | |
CN110091751B (zh) | 基于深度学习的电动汽车续航里程预测方法、设备及介质 | |
US20210284179A1 (en) | Vehicle health calibration | |
CN109033643B (zh) | 基于灵敏度分析的汽车操稳性瞬态性能参数优化方法 | |
CN115828438B (zh) | 汽车极限性能预测方法、介质、设备 | |
CN115828437B (zh) | 汽车性能指标综合优化方法、计算设备 | |
CN114636570A (zh) | 利用机器学习预测轮胎磨损的方法和装置 | |
JP7413806B2 (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
CN114329921A (zh) | 一种整车可靠性性能的评估方法、装置、设备和介质 | |
EP3418982B1 (en) | Speed optimality analysis for evaluating the optimality of a powertrain | |
CN113268879A (zh) | 列车操纵优化方法、装置、设备及存储介质 | |
CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
CN114997748A (zh) | 基于模型融合的新能源汽车运行安全风险预测方法及系统 | |
CN113127978B (zh) | 一种仪表板横梁轻量化的优化方法 | |
CN113740082B (zh) | 车辆公共道路载荷与耐久试验载荷的转换方法和装置 | |
CN113823096B (zh) | 用于仿真测试的随机交通流障碍物对象布置方法 | |
CN117851806A (zh) | 一种基于特征分析和机器学习的电动公交车能耗预测方法 | |
CN115952932B (zh) | 基于行驶路线的车辆电耗和氢耗预测方法 | |
CN112183984A (zh) | 驾驶行为处理方法、装置、存储介质和电子设备 | |
CN117382656B (zh) | 节油驾驶引导方法、装置、终端及存储介质 | |
CN114329342B (zh) | 基于极值-高斯混合分布模型的高速公路通行能力计算方法 | |
JP2023114373A (ja) | モデル更新装置、モデル更新方法、及びモデル更新プログラム | |
CN116580564B (zh) | 一种交通流预测方法及装置 | |
CN114919585B (zh) | 一种基于车辆动力学模型的车重及道路坡度的估算方法 | |
US20230176137A1 (en) | Method and system for determining a remaining useful lifetime of a battery |
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 |