CN116821775A - 一种基于机器学习的载重估计方法 - Google Patents
一种基于机器学习的载重估计方法 Download PDFInfo
- Publication number
- CN116821775A CN116821775A CN202311091137.8A CN202311091137A CN116821775A CN 116821775 A CN116821775 A CN 116821775A CN 202311091137 A CN202311091137 A CN 202311091137A CN 116821775 A CN116821775 A CN 116821775A
- Authority
- CN
- China
- Prior art keywords
- data
- machine learning
- load
- torque
- estimation method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000001133 acceleration Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000000087 stabilizing effect Effects 0.000 claims abstract description 8
- 238000007635 classification algorithm Methods 0.000 claims abstract description 7
- 238000005096 rolling process Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 230000006855 networking Effects 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明涉及商用车智能网联技术领域,具体公开了一种基于机器学习的载重估计方法,首先是提取稳态工况,对历史运行数据进行工况划分,得到稳定数据段,包括挡位、扭矩稳定,后计算稳定数据段的加速度、坡度、平均车速,平均扭矩,结合汽车行驶方程式,计算载重,然后建立工况筛选模型,引入二分类算法,结合实测载重数据,训练出一个分类超平面,进而识别出不同工况下计算的载重数据准或不准,最后得到车辆载重计算模型;本发明对车辆运行数据进行工况划分,减小了动力学方程中参数误差对精度的影响,同时通过二分类算法,从而得到载重计算的工况划分模型,降低使用成本,提高载重估计的准确性。
Description
技术领域
本发明涉及商用车智能网联技术领域,具体涉及一种基于机器学习的载重估计方法。
背景技术
随着智能网联技术的发展,商用车大数据研究会涉及到车辆运行场景回溯,需要使用回传数据计算车辆载重,而常规的载重计算方式有两种,第一种需要加装传感器,这种方法加大了使用成本,第二种需要采集高频率CAN线数据在ECU上实时估算,这种方法对数据质量要求比较高。因此,迫切需要设计一种基于机器学习的载重估计方法,在不加传感器的基础上解决回传数据的载重估算是本领域技术人员亟待解决的技术问题。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供一种基于机器学习的载重估计方法。
本发明解决其技术问题所采用的技术方案是:一种基于机器学习的载重估计方法,包括以下步骤:
S1:数据采集终端采集行车数据;
S2:数据采集终端经过数据传输系统将采集的数据传输给数据平台;
S3:对数据平台的数据进行预处理;
S4:工况特征提取,提取无制动信号时的挡位、扭矩稳定的运行片段;
S5:输入整车参数;
S6:使用汽车行驶方程式计算载重m;
S7:建立工况筛选模型,使用二分类算法;
S8:得到载重结果,每个启停段里的多个扭矩稳定段的载重值求均值。
优选的是,所述步骤S1中的行车数据包括GPS、车速、转速、扭矩、主制动、挡位传递信息,所有行车数据信息使用传感器采集后传递给数据采集终端。
优选的是,所述步骤S3中的预处理使用开关量深采样、多项式插值的方法将数据频率不固定的数据时间对齐,使用均值滤波对海拔数据进行平滑。
优选的是,所述步骤S4中的工况特征提取先进行启停划分,然后识别相同挡位下的扭矩稳定段,定义下边界=-a(n.m),上边界=b(n.m),a和b相等或不相等,用于定义扭矩偏差在合理范围内,Ttq差分后,识别上边界到下边界之间的值,对应的时间段为扭矩稳定段,提取出该时间段内和纵向动力学方程相关的信号,包括平均扭矩Ttq、平均车速V、平均加速度a、平均坡度alpha。
优选的是,所述步骤S5中的整车参数包括迎风面积A、空气阻力系数Cd、滚动阻力系数f、效率ETt、各挡速比ig、主减速比io、滚动半径r和汽车旋转质量换算系数d。
优选的是,所述效率ETt包括后桥效率、变速箱效率、附件效率。
优选的是,所述步骤S6中的汽车行驶方程式的公式如下:
牵引力=滚动阻力+空气阻力+坡道阻力+加速阻力,
。
优选的是,所述公式中:ETt表示效率;Ttq为扭矩(n.m);ig为各挡速比;io为主减速比;r为滚动半径;m表示车货总重,单位为kg;g为重力加速度;f为滚动阻力系数;alpha为坡度,即道路和水平地面的夹角;Cd表示空气阻力系数;A为迎风面积,单位为m2,即汽车行驶方向的投影面积;V为汽车的行驶速度,单位为km/h;d表示汽车旋转质量换算系数,d>1;a表示加速度,单位为m/s2;计算时,要求计算片段内不踩制动,不换挡。
优选的是,所述步骤S7中的工况筛选模型首次使用时,使用二分类算法得到载重的计算值和测量值的相对误差,构造分类器模型来预测非连续变量事件发生或不发生,区分特定工况,进而识别出不同工况下计算的载重数据准或不准,从而得到工况筛选模型,后续使用时,如果有测量载重数据,使用二分类算法修正工况筛选模型,如果没有测量数据,直接使用工况筛选模型。
本发明具有以下有益效果:
本发明设计的基于机器学习的载重估计方法通过二分类算法得到载重计算模型,该方法的创新点是对车辆运行数据进行工况划分,得到挡位、扭矩均稳定的运行片段,样本缩减到挡位扭矩均稳定的片段,减小了动力学方程中参数误差对精度的影响,同时通过二分类算法,识别出什么工况下算的准,什么工况下算的不准,从而得到载重计算的工况划分模型,降低使用成本,提高载重估计的准确性。
附图说明
图1是基于机器学习的载重估计方法的流程图。
图2是基于机器学习的载重估计方法的系统框图。
具体实施方式
以下将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地进一步详细的说明。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于机器学习的载重计算系统,主要包含六个部分:数据采集终端、数据传输系统、数据预处理、工况特征提取、整车参数、工况筛选模型。
采用基于机器学习的载重计算系统的计算方法,首先是提取稳态工况,对历史运行数据进行工况划分,得到稳定数据段(挡位、扭矩稳定)后计算稳定数据段的加速度、坡度、平均车速,平均扭矩,结合汽车行驶方程式,计算载重,然后建立工况筛选模型,引入二分类算法,结合实测载重数据,训练出一个分类超平面,识别出什么情况算的准,什么情况算的不准,最后得到车辆载重计算模型。
具体步骤如下:
第一步:使用传感器采集GPS、车速、转速、扭矩、主制动、挡位传递给数据采集终端。
第二步:数据采集终端经过数据传输系统将采集的数据传输给数据平台。
第三步:对数据平台的数据进行预处理,使用开关量深采样,多项式插值的方法将数据时间对齐(数据频率不固定),使用均值滤波对海拔数据进行平滑。
第四步:工况特征提取,提取无制动信号时的挡位、扭矩稳定的运行片段,先进行启停划分,然后识别相同挡位下的扭矩稳定段,定义下边界=-a(n.m),上边界=b(n.m)(a和b相等或不相等,用于定义扭矩偏差在合理范围内),Ttq差分后,识别上边界到下边界之间的值,对应的时间段为扭矩稳定段,提取出该时间段内和纵向动力学方程相关的信号,包括平均扭矩Ttq、平均车速V、平均加速度a、平均坡度alpha。
第五步:输入整车参数,包括迎风面积A、空气阻力系数Cd、滚动阻力系数f、效率ETt(后桥效率、变速箱效率、附件效率)、各挡速比ig、主减速比io、滚动半径r和汽车旋转质量换算系数d。
第六步:使用汽车行驶方程式计算载重m,公式如下:
牵引力=滚动阻力+空气阻力+坡道阻力+加速阻力
。
公式中:ETt表示效率;Ttq为扭矩(n.m);ig为各挡速比;io为主减速比;r为滚动半径;m表示车货总重,单位为kg;g为重力加速度;f为滚动阻力系数;alpha为坡度,即道路和水平地面的夹角;Cd表示空气阻力系数;A为迎风面积,单位为m2,即汽车行驶方向的投影面积;V为汽车的行驶速度,单位为km/h;d表示汽车旋转质量换算系数,d>1;a表示加速度,单位为m/s2;计算时,要求计算片段内不踩制动,不换挡。
第七步:建立工况筛选模型,工况筛选模型首次使用时,使用二分类算法得到载重的计算值和测量值的相对误差,构造分类器模型来预测非连续变量事件发生或不发生,区分特定工况,进而识别出不同工况下计算的载重数据准或不准,从而得到工况筛选模型,后续使用时,如果有测量载重数据,使用二分类算法修正工况筛选模型,如果没有测量数据,直接使用工况筛选模型。
第八步:得到载重结果,每个启停段里的多个扭矩稳定段的载重值求均值。
本发明不局限于上述实施方式,任何人应得知在本发明的启示下作出的结构变化,凡是与本发明具有相同或相近的技术方案,均落入本发明的保护范围之内。
本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (9)
1.一种基于机器学习的载重估计方法,其特征在于,包括以下步骤:
S1:数据采集终端采集行车数据;
S2:数据采集终端经过数据传输系统将采集的数据传输给数据平台;
S3:对数据平台的数据进行预处理;
S4:工况特征提取,提取无制动信号时的挡位、扭矩稳定的运行片段;
S5:输入整车参数;
S6:使用汽车行驶方程式计算载重m;
S7:建立工况筛选模型,使用二分类算法;
S8:得到载重结果,每个启停段里的多个扭矩稳定段的载重值求均值。
2.根据权利要求1所述的基于机器学习的载重估计方法,其特征在于,所述步骤S1中的行车数据包括GPS、车速、转速、扭矩、主制动、挡位传递信息,所有行车数据信息使用传感器采集后传递给数据采集终端。
3.根据权利要求1所述的基于机器学习的载重估计方法,其特征在于,所述步骤S3中的预处理使用开关量深采样、多项式插值的方法将数据频率不固定的数据时间对齐,使用均值滤波对海拔数据进行平滑。
4.根据权利要求1所述的基于机器学习的载重估计方法,其特征在于,所述步骤S4中的工况特征提取先进行启停划分,然后识别相同挡位下的扭矩稳定段,定义下边界=-a(n.m),上边界=b(n.m),a和b相等或不相等,用于定义扭矩偏差在合理范围内,Ttq差分后,识别上边界到下边界之间的值,对应的时间段为扭矩稳定段,提取出该时间段内和纵向动力学方程相关的信号,包括平均扭矩Ttq、平均车速V、平均加速度a、平均坡度alpha。
5.根据权利要求1所述的基于机器学习的载重估计方法,其特征在于,所述步骤S5中的整车参数包括迎风面积A、空气阻力系数Cd、滚动阻力系数f、效率ETt、各挡速比ig、主减速比io、滚动半径r和汽车旋转质量换算系数d。
6.根据权利要求5所述的基于机器学习的载重估计方法,其特征在于,所述效率ETt包括后桥效率、变速箱效率、附件效率。
7.根据权利要求1所述的基于机器学习的载重估计方法,其特征在于,所述步骤S6中的汽车行驶方程式的公式如下:
牵引力=滚动阻力+空气阻力+坡道阻力+加速阻力,
。
8.根据权利要求7所述的基于机器学习的载重估计方法,其特征在于,所述公式中:ETt表示效率;Ttq为扭矩(n.m);ig为各挡速比;io为主减速比;r为滚动半径;m表示车货总重,单位为kg;g为重力加速度;f为滚动阻力系数;alpha为坡度,即道路和水平地面的夹角;Cd表示空气阻力系数;A为迎风面积,单位为m2,即汽车行驶方向的投影面积;V为汽车的行驶速度,单位为km/h;d表示汽车旋转质量换算系数,d>1;a表示加速度,单位为m/s2;计算时,要求计算片段内不踩制动,不换挡。
9.根据权利要求1所述的基于机器学习的载重估计方法,其特征在于,所述步骤S7中的工况筛选模型首次使用时,使用二分类算法得到载重的计算值和测量值的相对误差,构造分类器模型来预测非连续变量事件发生或不发生,区分特定工况,进而识别出不同工况下计算的载重数据准或不准,从而得到工况筛选模型,后续使用时,如果有测量载重数据,使用二分类算法修正工况筛选模型,如果没有测量数据,直接使用工况筛选模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311091137.8A CN116821775A (zh) | 2023-08-29 | 2023-08-29 | 一种基于机器学习的载重估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311091137.8A CN116821775A (zh) | 2023-08-29 | 2023-08-29 | 一种基于机器学习的载重估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116821775A true CN116821775A (zh) | 2023-09-29 |
Family
ID=88115278
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311091137.8A Pending CN116821775A (zh) | 2023-08-29 | 2023-08-29 | 一种基于机器学习的载重估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821775A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494585A (zh) * | 2023-12-29 | 2024-02-02 | 中汽研汽车检验中心(天津)有限公司 | 一种基于互信息和数据模糊化的商用车实际载重预测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107901916A (zh) * | 2017-11-15 | 2018-04-13 | 康明斯天远(河北)科技有限公司 | 一种无需增装传感器的车辆载重获取方法 |
CN112819031A (zh) * | 2021-01-04 | 2021-05-18 | 中国汽车技术研究中心有限公司 | 车载重量预测方法及系统、电子设备、介质 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
CN113715805A (zh) * | 2021-10-09 | 2021-11-30 | 南京天航智能装备研究院有限公司 | 一种基于工况辨识的规则融合深度强化学习能量管理方法 |
CN113987927A (zh) * | 2021-10-21 | 2022-01-28 | 浙江飞碟汽车制造有限公司 | 一种商用车车载质量检测方法 |
CN115246409A (zh) * | 2022-04-22 | 2022-10-28 | 长城汽车股份有限公司 | 汽车质量和路面坡度的估算方法以及装置 |
CN115503736A (zh) * | 2022-10-24 | 2022-12-23 | 吉林大学 | 一种基于发动机扭矩估算的汽车质量估计方法 |
WO2023001289A1 (zh) * | 2021-07-22 | 2023-01-26 | 中国第一汽车股份有限公司 | 车辆滚动阻力获取方法、获取模块及存储介质 |
CN115871684A (zh) * | 2023-01-05 | 2023-03-31 | 中汽研汽车检验中心(天津)有限公司 | 基于网联运行数据和机器学习的重型车辆质量估算方法 |
US20230153625A1 (en) * | 2021-11-17 | 2023-05-18 | Samsung Electronics Co., Ltd. | System and method for torque-based structured pruning for deep neural networks |
CN116187161A (zh) * | 2022-12-16 | 2023-05-30 | 江苏大学 | 一种智能网联环境下混合动力客车智能能量管理方法及系统 |
-
2023
- 2023-08-29 CN CN202311091137.8A patent/CN116821775A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107901916A (zh) * | 2017-11-15 | 2018-04-13 | 康明斯天远(河北)科技有限公司 | 一种无需增装传感器的车辆载重获取方法 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
CN112819031A (zh) * | 2021-01-04 | 2021-05-18 | 中国汽车技术研究中心有限公司 | 车载重量预测方法及系统、电子设备、介质 |
WO2023001289A1 (zh) * | 2021-07-22 | 2023-01-26 | 中国第一汽车股份有限公司 | 车辆滚动阻力获取方法、获取模块及存储介质 |
CN113715805A (zh) * | 2021-10-09 | 2021-11-30 | 南京天航智能装备研究院有限公司 | 一种基于工况辨识的规则融合深度强化学习能量管理方法 |
CN113987927A (zh) * | 2021-10-21 | 2022-01-28 | 浙江飞碟汽车制造有限公司 | 一种商用车车载质量检测方法 |
US20230153625A1 (en) * | 2021-11-17 | 2023-05-18 | Samsung Electronics Co., Ltd. | System and method for torque-based structured pruning for deep neural networks |
CN115246409A (zh) * | 2022-04-22 | 2022-10-28 | 长城汽车股份有限公司 | 汽车质量和路面坡度的估算方法以及装置 |
CN115503736A (zh) * | 2022-10-24 | 2022-12-23 | 吉林大学 | 一种基于发动机扭矩估算的汽车质量估计方法 |
CN116187161A (zh) * | 2022-12-16 | 2023-05-30 | 江苏大学 | 一种智能网联环境下混合动力客车智能能量管理方法及系统 |
CN115871684A (zh) * | 2023-01-05 | 2023-03-31 | 中汽研汽车检验中心(天津)有限公司 | 基于网联运行数据和机器学习的重型车辆质量估算方法 |
Non-Patent Citations (1)
Title |
---|
李鑫,金晓红: "《矿山无人驾驶》", 中国矿业大学出版社, pages: 88 - 94 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494585A (zh) * | 2023-12-29 | 2024-02-02 | 中汽研汽车检验中心(天津)有限公司 | 一种基于互信息和数据模糊化的商用车实际载重预测方法 |
CN117494585B (zh) * | 2023-12-29 | 2024-04-02 | 中汽研汽车检验中心(天津)有限公司 | 一种基于互信息和数据模糊化的商用车实际载重预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111806449A (zh) | 一种纯电动车的整车质量和路面坡度的估算方法 | |
CN101590832B (zh) | 行驶能量学习装置以及方法 | |
CN102486400B (zh) | 车辆质量辨识方法和装置 | |
CN108944935A (zh) | 一种考虑参数耦合关系的汽车质量和道路坡度估计方法 | |
CN102627108B (zh) | 一种基于高频信息提取的整车质量估算方法 | |
CN108871788B (zh) | 一种自动变速器换挡品质测试台架的校验方法 | |
CN106740870A (zh) | 一种考虑换挡因素的车辆质量估计方法 | |
CN107677484A (zh) | 车辆测试系统,存储其程序的存储介质,车辆测试方法和行驶阻力设定装置 | |
CN107458380A (zh) | 一种适用于综合驾驶工况下的道路坡度实时估计方法 | |
CN116821775A (zh) | 一种基于机器学习的载重估计方法 | |
CN110398280A (zh) | 一种测量车辆荷载的车载终端及测量、计算方法 | |
CN114954494B (zh) | 一种重型商用车辆载重快速估计方法 | |
CN105329191A (zh) | 一种高效节能的电动汽车续航控制系统 | |
CN105046050A (zh) | 一种基于汽车动力学的动态坡度计算方法 | |
EP3891512B1 (en) | System and method for providing an indication of driving performance | |
CN114379559A (zh) | 一种基于车辆信息采集系统的驾驶风险评价特征画像方法 | |
CN113639838B (zh) | 一种车辆自动称重系统 | |
CN109597346A (zh) | 一种新型商用车负载识别及坡道估计方法 | |
CN109190153A (zh) | 一种能耗计算方法及其系统 | |
CN116662897A (zh) | 一种基于转毂数据的车辆载重预测方法 | |
CN105128698B (zh) | 一种电动汽车续航控制系统 | |
CN114564791B (zh) | 一种基于车辆运行数据的公交车总重量测量方法 | |
CN115503736A (zh) | 一种基于发动机扭矩估算的汽车质量估计方法 | |
CN116026609A (zh) | 一种车辆实际行驶阻力的估算方法 | |
CN109934252B (zh) | 一种动态贝叶斯网络参数自更新的轮毂电机状态识别方法 |
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 |