CN117453447B - 一种汽车电驱动系统的模拟测试方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种汽车电驱动系统的模拟测试方法，包括：采集若干维度的汽车测试数据序列；根据汽车测试数据序列得到局部维度偏离度；根据局部维度偏离度从测试数据中筛选出特征簇；根据特征簇构建二维坐标系，获取若干筛定数据点；根据筛定数据点得到方向数据点序列；根据方向数据点序列得到局部方向数据点段；根据相邻局部方向数据点段之间的距离得到方向倾向因子；根据方向倾向因子以及筛定数据点得到方向倾向程度；根据方向倾向程度得到核心方向数据点序列；根据核心方向数据点序列进行测试评测。本发明提高了聚类中心的准确性，提高了模拟测试的准确性。

Description

一种汽车电驱动系统的模拟测试方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种汽车电驱动系统的模拟测试方法。

背景技术

在汽车电驱动系统的模型测试过程中，通常对采集的测试数据进行聚类分析，根据聚类结果来对汽车的电驱动系统进行模拟测试；而传统方法通常通过ISODATA(Iterative Self Organizing Data Analysis Techniques Algorithm)迭代自组织聚类对测试数据进行聚类，但由于汽车电驱动系统的测试数据会随着时间变化的汽车的运行状态产生较大改变，传统的ISODATA迭代自组织聚类仅是根据测试数据之间的数值变化均值情况获取聚类中心，使获取的聚类中心的准确性较低，降低模拟测试的准确性。

发明内容

本发明提供一种汽车电驱动系统的模拟测试方法，以解决现有的问题：汽车电驱动系统的测试数据会随着时间变化的汽车的运行状态产生较大改变，传统的ISODATA迭代自组织聚类仅是根据测试数据之间的数值变化均值情况获取聚类中心，使获取的聚类中心的准确性较低，降低模拟测试的准确性。

本发明的一种汽车电驱动系统的模拟测试方法采用如下技术方案：

包括以下步骤：

采集若干维度的汽车测试数据序列，所述汽车测试数据序列包含多个测试数据；

将汽车测试数据序列划分为若干汽车测试数据段；根据汽车测试数据段中相邻测试数据之间的变化趋势差异得到每个测试数据的局部维度偏离度；根据局部维度偏离度从测试数据中筛选出若干特征簇；

根据特征簇构建二维坐标系，获取若干筛定数据点；根据筛定数据点在不同方向上测试数据的分布数量得到每个筛定数据点的方向数据点序列，所述方向数据点序列包含多个数据点；根据方向数据点序列中相邻数据点之间测试数据的差异，将方向数据点序列划分为若干局部方向数据点段；根据相邻局部方向数据点段之间的距离得到每个方向数据点序列的方向倾向因子；根据方向倾向因子以及筛定数据点两侧数据点之间的距离，得到每个方向数据点序列的方向倾向程度；根据方向倾向程度的大小从方向数据点序列中筛选出若干核心方向数据点序列；

根据核心方向数据点序列进行测试评测。

优选的，所述根据汽车测试数据段中相邻测试数据之间的变化趋势差异得到每个测试数据的局部维度偏离度，包括的具体方法为：

对于任意一个汽车测试数据段中任意两个相邻的测试数据，在两个测试数据中，将第二个测试数据与第一个测试数据的差值记为第一差值，将第二个测试数据在汽车测试数据段中的序号与第一个测试数据在汽车测试数据段中的序号的差值记为第二差值，将第一差值与第二差值的比值记为第一个测试数据的维度变化斜率；获取汽车测试数据段中所有测试数据的维度变化斜率；

式中，表示第/>个测试数据的局部维度偏离度；/>表示第/>个测试数据的维度变化斜率；/>表示第/>个测试数据的维度变化斜率；/>表示取绝对值。

优选的，所述根据局部维度偏离度从测试数据中筛选出若干特征簇，包括的具体方法为：

对任意一个汽车测试数据段中所有局部维度偏离度进行K-means聚类得到若干聚类簇，将每个聚类簇记为初筛聚类簇；对于任意一个初筛聚类簇，将初筛聚类簇中所有局部维度偏离度的均值记为初筛阈值，获取所有初筛聚类簇的初筛阈值，将初筛阈值最小的初筛聚类簇记为汽车测试数据段的特征簇。

优选的，所述根据特征簇构建二维坐标系，获取若干筛定数据点，包括的具体方法为：

以测试数据的数值大小为纵坐标，采集时刻为横坐标，根据横坐标与纵坐标构建二维坐标系，将所有汽车测试数据序列中所有测试数据输入二维坐标系，获取若干数据点；对于任意一个汽车测试数据序列上任意一个汽车测试数据段的特征簇，将汽车测试数据段的特征簇中每个测试数据记为筛定测试数据；对于任意一个筛定测试数据，将筛定测试数据对应的数据点记为筛定数据点。

优选的，所述根据筛定数据点在不同方向上测试数据的分布数量得到每个筛定数据点的方向数据点序列，包括的具体方法为：

预设四个度数T1、T2、T3、T4；对于任意一个筛定数据，过筛定数据点作与水平线夹角度数分别为T1、T2、T3、T4的直线，将每条直线均记为筛定数据点的方向直线；对于筛定数据点的任意一个方向直线，将方向直线上所有数据点按照采集时刻从小到大的顺序进行排列，将排列后的序列记为筛定数据点的方向数据点序列。

优选的，所述根据方向数据点序列中相邻数据点之间测试数据的差异，将方向数据点序列划分为若干局部方向数据点段，包括的具体方法为：

预设一个测试数据差异阈值T5，对于任意一个筛定数据点的任意一个方向数据点序列中任意两个相邻的数据点，若两个数据点之间测试数据的差值的绝对值大于T5，那么将两个数据点中第二个数据点作为分界点；获取所有分界点，将任意相邻两个分界点之间所有数据点构成的数据点记为局部方向数据点段，获取方向数据点序列的所有局部方向数据点段。

优选的，所述根据相邻局部方向数据点段之间的距离得到每个方向数据点序列的方向倾向因子，包括的具体方法为：

对于任意一个筛定数据点的任意一个方向数据点序列，将方向数据点序列中第个局部方向数据点段中第一个数据点与第/>个局部方向数据点段中第一个数据点之间的欧式距离记为第/>个局部方向数据点段与第/>个局部方向数据点段的维度差异距离；获取方向数据点序列中所有相邻两个局部方向数据点段的维度差异距离；根据方向数据点序列中所有相邻两个局部方向数据点段的维度差异距离；

式中，表示方向数据点序列的方向倾向因子；/>表示方向数据点序列中所有数据点的数量；/>表示筛定数据点的所有方向数据点序列的数量；/>表示第/>个方向数据点序列中所有数据点的数量；/>表示方向数据点序列中所有局部方向数据点段的数量；/>表示方向数据点序列中第/>个数据点与第/>个数据点的维度差异距离。

优选的，所述根据方向倾向因子以及筛定数据点两侧数据点之间的距离，得到每个方向数据点序列的方向倾向程度，包括的具体方法为：

式中，表示任意一个筛定数据点的任意一个方向数据点序列的方向倾向程度；/>表示方向数据点序列的方向倾向因子；/>表示筛定数据点的前一个数据点与筛定数据点之间的欧式距离；/>表示筛定数据点的后一个数据点与筛定数据点之间的欧式距离；/>表示预设的超参数。

优选的，所述根据方向倾向程度的大小从方向数据点序列中筛选出若干核心方向数据点序列，包括的具体方法为：

对于任意一个筛定数据点，将方向倾向程度最大的方向数据点序列记为筛定数据点的核心方向数据点序列。

优选的，所述根据核心方向数据点序列进行测试评测，包括的具体方法为：

对于任意一个筛定数据点，将筛定数据点的核心方向数据点序列中所有测试数据的均值记为筛定数据点的初筛测试值；获取所有筛定数据点的初筛测试值，将所有筛定数据点的初筛测试值的均值记为筛定测试值；

将筛定测试值作为聚类中心，根据聚类中心对所有测试数据进行聚类得到最后一次迭代过程中的所有聚类簇，并将每个聚类簇记为最终聚类簇；

预设一个最终筛选因子阈值T6，对于任意一个最终聚类簇，将最终聚类簇中所有测试数据的均值记为最终聚类簇的最终筛选因子，获取所有最终聚类簇的最终筛选因子，若所有最终聚类簇的最终筛选因子的最大值小于T6，那么汽车模拟测试的性能差；若所有最终聚类簇的最终筛选因子的最大值大于等于T6，那么汽车模拟测试的性能好。

本发明的技术方案的有益效果是：根据汽车测试数据序列中相邻测试数据之间的变化趋势差异得到局部维度偏离度，根据局部维度偏离度得到局部方向数据点段，根据局部方向数据点段得到方向倾向因子，根据方向倾向因子得到方向倾向程度，根据方向倾向程度得到核心方向数据点序列，根据核心方向数据点序列进行测试评测；本发明的局部维度偏离度反映了测试数据的维度变化趋势的明显情况，方向倾向因子反映了方向数据点序列上的数据点的连续性，方向倾向程度反映了筛定数据点在方向数据点序列上的延伸情况；提高了聚类中心的准确性，提高了模拟测试的准确性。

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附图作简单地介绍，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为本发明一种汽车电驱动系统的模拟测试方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种汽车电驱动系统的模拟测试方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种汽车电驱动系统的模拟测试方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种汽车电驱动系统的模拟测试方法的步骤流程图，该方法包括以下步骤：

步骤S001：采集若干维度的汽车测试数据序列。

需要说明的是，传统方法通常通过ISODATA(Iterative Self Organizing DataAnalysis Techniques Algorithm)迭代自组织聚类对测试数据进行聚类，但由于汽车电驱动系统的测试数据会随着时间变化的汽车的运行状态产生较大改变，传统的ISODATA迭代自组织聚类仅是根据测试数据之间的数值变化均值情况获取聚类中心，使获取的聚类中心的准确性较低，降低模拟测试的准确性。为此，本实施例提出了一种汽车电驱动系统的模拟测试方法。

具体的，为了实现本实施例提出的一种汽车电驱动系统的模拟测试方法，首先需要采集汽车测试数据序列，具体过程为：使用ADVISOR软件对汽车建立整车仿真模型，每隔5秒为一个采集时刻，依次输出一个车辆仿真速度数据、电机输出转矩数据、加速性能数据、爬坡度数据这四种维度数据种类；并将每次输出的车辆仿真速度数据、电机输出转矩数据、加速性能数据、爬坡度数据均记为一个初始测试数据；以任意一个维度种类为例，将该维度种类的所有初始测试数据按照采集时刻从小到大的顺序进行排列，将排列后的序列记为初始汽车测试数据序列；将该初始汽车测试数据序列中所有初始测试数据进行线性归一化，将归一化后的每个初始测试数据记为测试数据，并将这些测试数据构成的序列记为汽车测试数据序列；获取所有汽车测试数据序列。其中每个采样时刻对应多个测试数据。另外需要说明的是，本实施例以采集时刻为5秒、维度数据种类分别为车辆仿真速度数据、电机输出转矩数据、加速性能数据、爬坡度数据为例进行叙述，本实施例不进行具体限定，其中采集时刻、维度数据种类数量以及具体种类、汽车类型以及仿真软件可根据具体实施情况而定。

至此，通过上述方法得到所有汽车测试数据序列。

步骤S002：将汽车测试数据序列划分为若干汽车测试数据段；根据汽车测试数据段中相邻测试数据之间的变化趋势差异得到每个测试数据的局部维度偏离度；根据局部维度偏离度从测试数据中筛选出若干特征簇。

需要说明的是，常规情况下，聚类中心越处于数据集中的区域，那么最终获取的聚类簇内不同数据之间的关联性越强；同时汽车经仿真模拟的测试数据在同一维度内会不断变化，导致对应的连续性较大，若整体的测试数据变化较为均衡，那么对应的每个测试数据相较于整体的测试数据的偏移较小，使不同测试数据之间的关联性较强；为此，本实施例通过分析同一维度不同测试数据之间的变化差异得到对应的局部维度偏离度，以便后续分析处理。

具体的，对汽车测试数据序列中所有的测试数据进行聚类得到第一次迭代过程的所有聚类簇；以任意一个汽车测试数据序列为例，将该汽车测试数据序列经过的每个聚类簇记为该汽车测试数据序列的维度聚类簇；以任意一个维度聚类簇为例，将该汽车测试数据序列在该维度聚类簇中的数据段记为汽车测试数据段。其中每个汽车测试数据序列对应多个维度聚类簇，每个汽车测试数据序列对应多个汽车测试数据段，每个聚类簇包含多个汽车测试数据序列的汽车测试数据段；另外第一次迭代过程的所有聚类簇的获取方法是ISODATA迭代自组织聚类算法的公知内容，本实施例不再赘述。

进一步的，以该汽车测试数据段中任意两个相邻的测试数据为例，在这两个测试数据中，将第二个测试数据与第一个测试数据的差值记为第一差值，将第二个测试数据在该汽车测试数据段中的序号与第一个测试数据在该汽车测试数据段中的序号的差值记为第二差值，将第一差值与第二差值的比值记为第一个测试数据的维度变化斜率；获取该汽车测试数据段中所有测试数据的维度变化斜率。需要说明的是，该汽车测试数据段中最后一个测试数据的维度变化斜率本实施例默认为1。

进一步的，根据该汽车测试数据段中第个测试数据与第/>个测试数据之间维度变化斜率的差异，得到第/>个测试数据的局部维度偏离度。其中第/>个测试数据的局部维度偏离度的计算方法为：

式中，表示第/>个测试数据的局部维度偏离度，/>；/>表示第/>个测试数据的维度变化斜率；/>表示第/>个测试数据的维度变化斜率；/>表示取绝对值。其中若第/>个测试数据的局部维度偏离度越大，说明第/>个测试数据相对于该汽车测试数据段整体越离散，反映第/>个测试数据的维度变化趋势越明显。

进一步的，获取该汽车测试数据段中所有测试数据的局部维度偏离度，对所有局部维度偏离度进行K-means聚类得到若干聚类簇，将每个聚类簇记为初筛聚类簇；以任意一个初筛聚类簇为例，将该初筛聚类簇中所有局部维度偏离度的均值记为初筛阈值，获取所有初筛聚类簇的初筛阈值，将初筛阈值最小的初筛聚类簇记为该汽车测试数据段的特征簇，获取该汽车测试数据序列中所有汽车测试数据段的特征簇，获取所有汽车测试数据序列中所有汽车测试数据段的特征簇。其中K-means聚类算法是公知技术，本实施例不再赘述；另外K-means聚类算法需要预设簇的数量，其中本实施例以/>叙述，本实施例不进行具体限定，其中/>可根据实施情况而定。

至此，通过上述方法得到所有汽车测试数据序列中所有汽车测试数据段的特征簇。

步骤S003：根据特征簇构建二维坐标系，获取若干筛定数据点；根据筛定数据点在不同方向上测试数据的分布数量得到每个筛定数据点的方向数据点序列；根据方向数据点序列中相邻数据点之间测试数据的差异，将方向数据点序列划分为若干局部方向数据点段；根据相邻局部方向数据点段之间的距离得到每个方向数据点序列的方向倾向因子；根据方向倾向因子以及筛定数据点两侧数据点之间的距离，得到每个方向数据点序列的方向倾向程度；根据方向倾向程度的大小从方向数据点序列中筛选出若干核心方向数据点序列。

需要说明的是，汽车在运行时，首先启动汽车的电机，通过电机转动产生电机数据转矩数据，通过电机转动带动汽车运动产生车辆仿真速度数据，而在汽车运动时同时还会产生加速性能数据以及爬坡度数据，使这些不同维度的测试数据之间互相关联，同时也在互相影响；而汽车在运行时会始终伴随着时间变化，同时会使不同维度的测试数据受不同采集时刻间隔的影响。而传统的ISODATA迭代自组织聚类仅是根据测试数据之间的数值变化情况获取聚类中心，使获取的聚类中心的准确性较低，降低模拟测试的准确性。为了提高模拟测试的准确性，本实施例通过结合采集时间，综合多维的角度确定聚类中心，以便后续分析处理。

具体的，以测试数据的数值大小为纵坐标，采集时刻为横坐标，根据横坐标与纵坐标构建二维坐标系，将所有汽车测试数据序列中所有测试数据输入该二维坐标系，获取若干数据点；以任意一个汽车测试数据序列上任意一个汽车测试数据段的特征簇为例，将该汽车测试数据段的特征簇中每个测试数据记为筛定测试数据；以任意一个筛定测试数据为例，将该筛定测试数据对应的数据点记为筛定数据点，预设四个度数T1、T2、T3、T4，其中本实施例以T1=0度、T2=45度、T3=90度、T4=135度为例进行叙述，本实施例不进行具体限定，其中T1、T2、T3、T4可根据具体实施情况而定；过该筛定数据点作与水平线夹角度数分别为T1、T2、T3、T4的直线，将每条直线均记为该筛定数据点的方向直线；以该筛定数据点的任意一个方向直线为例，将该方向直线上所有数据点按照采集时刻从小到大的顺序进行排列，将排列后的序列记为该筛定数据点的方向数据点序列。其中每个测试数据对应一个数据点，每个数据点对应一个测试数据的数值大小以及一个采集时刻。

进一步的，预设一个测试数据差异阈值T5，其中本实施例以T5=0.2为例进行叙述，本实施例不进行具体限定，其中T5可根据具体实施情况而定；以该筛定数据点的该方向数据点序列中任意两个相邻的数据点为例，若这两个数据点之间测试数据的差值的绝对值大于T5，那么将这两个数据点中第二个数据点作为分界点；获取所有分界点，将任意相邻两个分界点之间所有数据点构成的数据点记为局部方向数据点段，获取该方向数据点序列的所有局部方向数据点段。需要说明的是，本实施例将该方向数据点序列中第一个数据点与第一个分界点之间的数据段记为一个局部方向数据点段，将该方向数据点序列中最后一个数据点与最后一个分界点之间的数据段记为一个局部方向数据点段。其中每个数据点对应多个方向数据点序列，每个方向数据点序列对应一个方向直线，每个方向数据点序列包含多个局部方向数据点段。

进一步的，将该方向数据点序列中第个局部方向数据点段中第一个数据点与第个局部方向数据点段中第一个数据点之间的欧式距离记为第/>个局部方向数据点段与第/>个局部方向数据点段的维度差异距离；获取该方向数据点序列中所有相邻两个局部方向数据点段的维度差异距离；根据该方向数据点序列中所有相邻两个局部方向数据点段的维度差异距离，得到该方向数据点序列的方向倾向因子。其中欧式距离的获取是公知技术，本实施例不再赘述；该方向数据点序列的方向倾向因子的计算方法为：

式中，表示该方向数据点序列的方向倾向因子；/>表示该方向数据点序列中所有数据点的数量；/>表示该筛定数据点的所有方向数据点序列的数量；/>表示第/>个方向数据点序列中所有数据点的数量；/>表示该方向数据点序列中所有局部方向数据点段的数量；/>表示该方向数据点序列中第/>个局部方向数据点段与第/>个局部方向数据点段的维度差异距离。其中若该方向数据点序列的方向倾向因子越大，说明该方向数据点序列上的数据点的连续性越好，反映该方向数据点序列对应的方向直线上分布越集中。

进一步的，根据该方向数据点序列的方向倾向因子以及该筛定数据点周围数据点之间的欧式距离，得到该方向数据点序列的方向倾向程度。其中该方向数据点序列的方向倾向程度的计算方法为：

式中，表示该方向数据点序列的方向倾向程度；/>表示该方向数据点序列的方向倾向因子；/>表示该筛定数据点的前一个数据点与该筛定数据点之间的欧式距离；/>表示该筛定数据点的后一个数据点与该筛定数据点之间的欧式距离；/>表示预设的超参数，本实施例预设/>，用于防止分母为0。其中若该方向数据点序列的方向倾向程度越大，说明该筛定数据点在该方向数据点序列上的延伸越大，反映该方向数据点序列对应的方向直线越有可能是该筛定数据点核心延伸的方向。

进一步的，获取该筛定数据点的所有方向数据点序列的方向倾向程度，将方向倾向程度最大的方向数据点序列记为该筛定数据点的核心方向数据点序列；获取所有筛定数据点的核心方向数据点序列。

至此，通过上述方法得到所有筛定数据点的核心方向数据点序列。

步骤S004：根据核心方向数据点序列进行测试评测。

具体的，以任意一个筛定数据点为例，将该筛定数据点的核心方向数据点序列中所有测试数据的均值记为该筛定数据点的初筛测试值；获取所有筛定数据点的初筛测试值，将所有筛定数据点的初筛测试值的均值记为筛定测试值。将筛定测试值作为聚类中心，根据聚类中心对所有测试数据进行聚类得到最后一次迭代过程中的所有聚类簇，并将每个聚类簇记为最终聚类簇。其中根据聚类中心进行聚类获取最后一次迭代过程中的所有聚类簇的过程是ISODATA迭代自组织聚类算法的公知内容，本实施例不再赘述。

进一步的，预设一个最终筛选因子阈值T6，其中本实施例以T6=0.7为例进行叙述，本实施例不进行具体限定，其中T7可根据具体实施情况而定；以任意一个最终聚类簇为例，将该最终聚类簇中所有测试数据的均值记为该最终聚类簇的最终筛选因子，获取所有最终聚类簇的最终筛选因子，若所有最终聚类簇的最终筛选因子的最大值小于T6，那么认为汽车模拟测试的性能差；若所有最终聚类簇的最终筛选因子的最大值大于等于T6，那么认为汽车模拟测试的性能好。

至此，本实施例完成。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种汽车电驱动系统的模拟测试方法，其特征在于，该方法包括以下步骤：

采集若干维度的汽车测试数据序列，所述汽车测试数据序列包含多个测试数据；

将汽车测试数据序列划分为若干汽车测试数据段；根据汽车测试数据段中相邻测试数据之间的变化趋势差异得到每个测试数据的局部维度偏离度；根据局部维度偏离度从测试数据中筛选出若干特征簇；

根据特征簇构建二维坐标系，获取若干筛定数据点；根据筛定数据点在不同方向上测试数据的分布数量得到每个筛定数据点的方向数据点序列，所述方向数据点序列包含多个数据点；根据方向数据点序列中相邻数据点之间测试数据的差异，将方向数据点序列划分为若干局部方向数据点段；根据相邻局部方向数据点段之间的距离得到每个方向数据点序列的方向倾向因子；根据方向倾向因子以及筛定数据点两侧数据点之间的距离，得到每个方向数据点序列的方向倾向程度；根据方向倾向程度的大小从方向数据点序列中筛选出若干核心方向数据点序列；

根据核心方向数据点序列进行测试评测；

所述根据汽车测试数据段中相邻测试数据之间的变化趋势差异得到每个测试数据的局部维度偏离度，包括的具体方法为：

对于任意一个汽车测试数据段中任意两个相邻的测试数据，在两个测试数据中，将第二个测试数据与第一个测试数据的差值记为第一差值，将第二个测试数据在汽车测试数据段中的序号与第一个测试数据在汽车测试数据段中的序号的差值记为第二差值，将第一差值与第二差值的比值记为第一个测试数据的维度变化斜率；获取汽车测试数据段中所有测试数据的维度变化斜率；

式中，表示第/>个测试数据的局部维度偏离度；/>表示第/>个测试数据的维度变化斜率；/>表示第/>个测试数据的维度变化斜率；/>表示取绝对值；

所述根据特征簇构建二维坐标系，获取若干筛定数据点，包括的具体方法为：

以测试数据的数值大小为纵坐标，采集时刻为横坐标，根据横坐标与纵坐标构建二维坐标系，将所有汽车测试数据序列中所有测试数据输入二维坐标系，获取若干数据点；对于任意一个汽车测试数据序列上任意一个汽车测试数据段的特征簇，将汽车测试数据段的特征簇中每个测试数据记为筛定测试数据；对于任意一个筛定测试数据，将筛定测试数据对应的数据点记为筛定数据点；

所述根据筛定数据点在不同方向上测试数据的分布数量得到每个筛定数据点的方向数据点序列，包括的具体方法为：

预设四个度数T1、T2、T3、T4；对于任意一个筛定数据，过筛定数据点作与水平线夹角度数分别为T1、T2、T3、T4的直线，将每条直线均记为筛定数据点的方向直线；对于筛定数据点的任意一个方向直线，将方向直线上所有数据点按照采集时刻从小到大的顺序进行排列，将排列后的序列记为筛定数据点的方向数据点序列；

所述根据相邻局部方向数据点段之间的距离得到每个方向数据点序列的方向倾向因子，包括的具体方法为：

对于任意一个筛定数据点的任意一个方向数据点序列，将方向数据点序列中第个局部方向数据点段中第一个数据点与第/>个局部方向数据点段中第一个数据点之间的欧式距离记为第/>个局部方向数据点段与第/>个局部方向数据点段的维度差异距离；获取方向数据点序列中所有相邻两个局部方向数据点段的维度差异距离；根据方向数据点序列中所有相邻两个局部方向数据点段的维度差异距离；

式中，表示方向数据点序列的方向倾向因子；/>表示方向数据点序列中所有数据点的数量；/>表示筛定数据点的所有方向数据点序列的数量；/>表示第/>个方向数据点序列中所有数据点的数量；/>表示方向数据点序列中所有局部方向数据点段的数量；/>表示方向数据点序列中第/>个局部方向数据点段与第/>个局部方向数据点段的维度差异距离；

所述根据方向倾向因子以及筛定数据点两侧数据点之间的距离，得到每个方向数据点序列的方向倾向程度，包括的具体方法为：

式中，表示任意一个筛定数据点的任意一个方向数据点序列的方向倾向程度；/>表示方向数据点序列的方向倾向因子；/>表示筛定数据点的前一个数据点与筛定数据点之间的欧式距离；/>表示筛定数据点的后一个数据点与筛定数据点之间的欧式距离；/>表示预设的超参数。

2.根据权利要求1所述一种汽车电驱动系统的模拟测试方法，其特征在于，所述根据局部维度偏离度从测试数据中筛选出若干特征簇，包括的具体方法为：

对任意一个汽车测试数据段中所有局部维度偏离度进行K-means聚类得到若干聚类簇，将每个聚类簇记为初筛聚类簇；对于任意一个初筛聚类簇，将初筛聚类簇中所有局部维度偏离度的均值记为初筛阈值，获取所有初筛聚类簇的初筛阈值，将初筛阈值最小的初筛聚类簇记为汽车测试数据段的特征簇。

3.根据权利要求1所述一种汽车电驱动系统的模拟测试方法，其特征在于，所述根据方向数据点序列中相邻数据点之间测试数据的差异，将方向数据点序列划分为若干局部方向数据点段，包括的具体方法为：

预设一个测试数据差异阈值T5，对于任意一个筛定数据点的任意一个方向数据点序列中任意两个相邻的数据点，若两个数据点之间测试数据的差值的绝对值大于T5，那么将两个数据点中第二个数据点作为分界点；获取所有分界点，将任意相邻两个分界点之间所有数据点构成的数据点记为局部方向数据点段，获取方向数据点序列的所有局部方向数据点段。

4.根据权利要求1所述一种汽车电驱动系统的模拟测试方法，其特征在于，所述根据方向倾向程度的大小从方向数据点序列中筛选出若干核心方向数据点序列，包括的具体方法为：

对于任意一个筛定数据点，将方向倾向程度最大的方向数据点序列记为筛定数据点的核心方向数据点序列。

5.根据权利要求1所述一种汽车电驱动系统的模拟测试方法，其特征在于，所述根据核心方向数据点序列进行测试评测，包括的具体方法为：

对于任意一个筛定数据点，将筛定数据点的核心方向数据点序列中所有测试数据的均值记为筛定数据点的初筛测试值；获取所有筛定数据点的初筛测试值，将所有筛定数据点的初筛测试值的均值记为筛定测试值；

将筛定测试值作为聚类中心，根据聚类中心对所有测试数据进行聚类得到最后一次迭代过程中的所有聚类簇，并将每个聚类簇记为最终聚类簇；

预设一个最终筛选因子阈值T6，对于任意一个最终聚类簇，将最终聚类簇中所有测试数据的均值记为最终聚类簇的最终筛选因子，获取所有最终聚类簇的最终筛选因子，若所有最终聚类簇的最终筛选因子的最大值小于T6，那么汽车模拟测试的性能差；若所有最终聚类簇的最终筛选因子的最大值大于等于T6，那么汽车模拟测试的性能好。