CN117951487A - 基于云计算的重型货运车辆总重辨识及置信度评估方法 - Google Patents
基于云计算的重型货运车辆总重辨识及置信度评估方法 Download PDFInfo
- Publication number
- CN117951487A CN117951487A CN202410356394.8A CN202410356394A CN117951487A CN 117951487 A CN117951487 A CN 117951487A CN 202410356394 A CN202410356394 A CN 202410356394A CN 117951487 A CN117951487 A CN 117951487A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- point
- vehicle running
- time
- 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 29
- 230000003068 static effect Effects 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 12
- 230000005484 gravity Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000005540 biological transmission Effects 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000005096 rolling process Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 230000006855 networking Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供一种基于云计算的重型货运车辆总重辨识及置信度评估方法,包括以下步骤:S1:车辆静态参数进行初始化;S2:获取车辆行驶数据;S3:对车辆行驶数据进行预处理;S4:进行车辆行驶参数和道路构建参数的运算;S5:构建基于车辆纵向动力学模型的总重辨识器;S6:构建总重辨识的置信度估计模型;本发明提出的基于云计算的重型货运车辆总重辨识及置信度评估方法,利用车联网数据通过云计算实现车辆总重的实时辨识,有利于规范化重型货运车辆的在途全程监管,并为车辆行程利用率的优化提供可靠依据;不需要额外加装重力感应器,避免提高车辆成本,对于一般车辆与小规模车队也能够普遍推广。
Description
技术领域
本发明涉及车辆状态估计技术领域,尤其涉及基于云计算的重型货运车辆总重辨识及置信度评估方法。
背景技术
随着大数据科学、5G通讯及人工智能等技术的发展,汽车的电动化、网联化和智能化逐渐成为汽车行业的发展方向;智能网联汽车是指搭载先进的车载传感器、控制器、执行器等设备,使车辆具有复杂环境感知、智能决策、协同控制等功能;智能网联汽车极大便利了车辆运行工况下各类参数的获取,基于智能网联汽车的车辆工况测量数据,对整车重量进行辨识估计,是车联网数据的重要应用方案之一;
通过对车辆总重估计算法的研究开发,能够实时获取到车辆的载货运输状态,实现对车辆在途行驶状态的全程监控,进而实现对车辆超载现象的有效监管,在一定程度上避免交通运输事故的发生;同时,通过车辆实时总重的获取,在避免货车异常装卸货行为的同时,也能够反应相应区域内车辆的行程利用率,从而帮助货运公司合理调配货车,避免车辆运力资源的浪费,提高交通运输效率;
现有技术中对于车辆实时总重的获取通常采用以下两种方式:一是通过额外加装重力感应传感器,二是通过司机手动上传车辆实时总重;这两种方式分别存在以下弊端:加装重力感应器会导致车辆成本升高,一般车辆与小规模车队难以普遍推广;而通过司机手动上传数据,其真实性与准确性又将受到司机个人因素的影响。
发明内容
本发明的目的是为了解决现有技术中存在的缺点,而提出的基于云计算的重型货运车辆总重辨识及置信度评估方法。
本发明提出基于云计算的重型货运车辆总重辨识及置信度评估方法,包括以下步骤:
S1:车辆静态参数进行初始化;
所述车辆静态参数包括车辆识别号、车型、发动机类型、车辆宽度、高程、后轴速比、各档位传动比、车轮滚动半径、发动机扭矩、变速器传动比、车辆迎风面积等;
所述车辆识别号在同一车型下唯一;
工程师已知车辆识别号、车型、发动机类型,并根据已知的三个静态参数通过SQL语句在车辆信息数据库中查询对应的车辆宽度、高程、后轴速比、各档位传动比、车轮滚动半径、发动机扭矩、变速器传动比、车辆迎风面积等车辆静态参数的数值,根据查询结果对车辆静态参数进行初始化;
所述车辆信息数据库中包含车辆具体的参数信息。
S2:获取车辆行驶数据;
所述车辆包含GPS模块、车辆管理系统、车辆通信模块;
通过GPS模块获取时间戳、海拔、行驶速度等车辆行驶数据;
通过车辆管理系统获取发动机转速、发动机需求扭矩、当前档位、制动状态等车辆行驶数据;
车辆通信模块将GPS模块和车辆管理系统获取的车辆行驶数据上传到TSP云平台。
S3:对车辆行驶数据进行预处理;
TSP云平台接收车辆行驶数据并在TSP平台中对车辆行驶数据进行预处理,包括如下子步骤:
S31:辨识车辆行驶数据是否存在异常;
所述异常包括单点数据缺失、单点大幅跳变、测量高频噪声,具体的辨识方法包括如下子步骤:
S311:辨识是否存在单点数据缺失;
辨识TSP云平台中的车辆行驶数据是否存在单点数据缺失,具体的判断方法如下:
如果时间戳连续,同时存在任一车辆行驶数据由正常数值变为异常数值,所述异常数值包括0或非有效值,则为单点数据缺失;
工程师事先设定时间戳中断的阈值,如果时间戳不连续且不连续的时间戳中断的时长少于阈值,则所述时间戳中断为可接受的中断,所述中断的时间戳内的车辆行驶数据为单点数据缺失;
S312:辨识是否存在单点大幅跳变;
根据大幅跳变辨识公式辨识TSP云平台中的车辆行驶数据是否存在单点大幅跳变,具体的大幅跳变辨识公式如下:
>δ;
所述为t时刻下的车辆行驶数据、/>为t-1时刻下的车辆行驶数据、/>为t时刻下的时间戳、/>为t-1时刻下的时间戳,δ为工程师事先设定的具体的辨识标准值;
如果车辆行驶数据符合大幅跳变公式,即时间戳连续且存在任一车辆行驶数据在连续时间戳内的差值大于设定的标准值,则后一时刻的车辆行驶数据为单点大幅跳变;
S313:辨识是否存在测量高频噪声;
辨识TSP云平台中的车辆行驶数据是否存在测量高频噪声,即连续的时间戳内,存在车辆行驶数据在特定数值范围内发生无规则小幅波动,则所述车辆行驶数据存在测量高频噪声;
S32:进行数据清洗;
包括如下子步骤:
S321:对单点数据缺失进行数据填充;
如果步骤S311辨识出车辆行驶数据中存在单点数据缺失,所述单点数据缺失具体包括发动机转速缺失、高程缺失和当前档位数据缺失;
如果单点数据缺失为发动机转速缺失或高程缺失,则通过异常数值点前后距离最近的非异常数值通过线性差值算法进行填充;
如果单点数据缺失为当前档位信息缺失,则使用上一时刻的非异常数值通过线性差值算法进行填充;
S322:对单点大幅跳变进行数据剔除;
如果步骤S312辨识出车辆行驶数据中存在单点大幅跳变,所述单点大幅跳变包括发动机扭矩单点大幅跳变、高程单点大幅跳变,则通过delete函数删除符合辨识标准的大幅跳变数据;
S323:对测量高频噪声进行清洗;
如果步骤S313辨识出车辆行驶数据中存在测量高频噪声,所述测量高频噪声主要存在于发动机转速和发动机扭矩中,则通过Savitzky-Golay滤波器对测量高频噪声进行清洗;
车辆行驶数据清洗完成。
S4:进行车辆行驶参数和道路构建参数的运算;
工程师根据车辆静态参数、车辆行驶数据获取车辆行驶参数和道路构建参数;
所述车辆行驶参数包括车辆行驶速度、车辆加速度等;
所述道路构建参数为道路坡度;
设车辆行驶速度为u,车辆加速度为a,道路坡度为;
所述;
所述a=;
所述n为发动机转速,r为车轮滚动半径,为变速器传动比,/>为后轴速比,∆t为时间步长;
所述时间步长为两个数据点之间的时间差值;
所述=/>;
所述k为向后计算的时间步长,为t时刻的高程值,/>为t+k时刻的高程值,所述高程值单位为m,u车辆行驶速度,所述u单位为m/s;
进一步地,所述向后计算的时间步长k满足,。
S5:构建基于车辆纵向动力学模型的总重辨识器;
采用驱动工况下的车辆纵向动力学模型:
;
其中,g为重力加速度,M为汽车质量,f为摩擦阻力系数,为道路坡度,C D为空气阻力系数,ρ 为空气密度,u为车辆行驶速度,a为车辆加速度,/>为发动机扭矩,/>为变速器传动比,/>为后轴速比,/>为传动系统总效率,r为车轮滚动半径、A为车辆迎风面积、/>为汽车转动惯量换算系数;
所述=1+/>1+/>2*/>,/>1=0.03、/>2=0.03,/>为车辆档位传动比;
所述g重力加速度、f摩擦阻力系数、C D空气阻力系数、ρ空气密度、传动系统总效率为默认值;
基于车辆动力学模型,计算出车辆质量M;
构建的总重辨识器具体如下:
其中:
;
所述为遗忘因子,/>为默认值;
为车辆纵向动力学模型公式中汽车质量M的系数,即/>的值;
所述P(k)指当前点的误差值,设定初始时刻数值:P(k=0)=1、,对每个顺序时间点k依次计算P(k),对总重/>进行修正;
所述K(k)为每个时间点k的修正系数;
将各时间步长下的车辆纵向动力学模型公式中的各个输入参数依次输入上述模型,得到参数的输出序列,该序列即为各时刻下的总重辨识。
与现有技术相比,本发明的有益效果为:
本发明提出的基于云计算的重型货运车辆总重辨识及置信度评估方法,利用车联网数据通过云计算实现车辆总重的实时辨识,有利于规范化重型货运车辆的在途全程监管,并为车辆行程利用率的优化提供可靠依据;不需要额外加装重力感应器,避免提高车辆成本,对于一般车辆与小规模车队也能够普遍推广;
同时,通过云计算实现车辆总重的实时辨不需要司机手动上传数据,能够确保数据的真实性与准确性。
附图说明
图1为本发明基于云计算的重型货运车辆总重辨识及置信度评估方法的步骤流程图。
具体实施方式
为使对本发明的目的、构造、特征、及其功能有进一步的了解,兹配合实施例详细说明如下。
实施例1
如图1所示,本发明提出基于云计算的重型货运车辆总重辨识及置信度评估方法,包括以下步骤:
S1:车辆静态参数进行初始化;
所述车辆静态参数包括车辆识别号、车型、发动机类型、车辆宽度、高程、后轴速比、各档位传动比、车轮滚动半径、发动机扭矩、变速器传动比、车辆迎风面积等;
所述车辆识别号在同一车型下唯一;
工程师已知车辆识别号、车型、发动机类型,并根据已知的三个静态参数通过SQL语句在车辆信息数据库中查询对应的车辆宽度、高程、后轴速比、各档位传动比、车轮滚动半径、发动机扭矩、变速器传动比、车辆迎风面积等车辆静态参数的数值,根据查询结果对车辆静态参数进行初始化;
所述车辆信息数据库中包含车辆具体的参数信息。
S2:获取车辆行驶数据;
所述车辆包含GPS模块、车辆管理系统、车辆通信模块;
通过GPS模块获取时间戳、海拔、行驶速度等车辆行驶数据;
通过车辆管理系统获取发动机转速、发动机需求扭矩、当前档位、制动状态等车辆行驶数据;
车辆通信模块将GPS模块和车辆管理系统获取的车辆行驶数据上传到TSP云平台。
S3:对车辆行驶数据进行预处理;
TSP云平台接收车辆行驶数据并在TSP平台中对车辆行驶数据进行预处理,包括如下子步骤:
S31:辨识车辆行驶数据是否存在异常;
所述异常包括单点数据缺失、单点大幅跳变、测量高频噪声,具体的辨识方法包括如下子步骤:
S311:辨识是否存在单点数据缺失;
辨识TSP云平台中的车辆行驶数据是否存在单点数据缺失,具体的判断方法如下:
如果时间戳连续,同时存在任一车辆行驶数据由正常数值变为异常数值,所述异常数值包括0或非有效值,则为单点数据缺失;
工程师事先设定时间戳中断的阈值,如果时间戳不连续且不连续的时间戳中断的时长少于阈值,则所述时间戳中断为可接受的中断,所述中断的时间戳内的车辆行驶数据为单点数据缺失;
S312:辨识是否存在单点大幅跳变;
根据大幅跳变辨识公式辨识TSP云平台中的车辆行驶数据是否存在单点大幅跳变,具体的大幅跳变辨识公式如下:
>δ;
所述为t时刻下的车辆行驶数据、/>为t-1时刻下的车辆行驶数据、/>为t时刻下的时间戳、/>为t-1时刻下的时间戳,δ为工程师事先设定的具体的辨识标准值;
如果车辆行驶数据符合大幅跳变公式,即时间戳连续且存在任一车辆行驶数据在连续时间戳内的差值大于设定的标准值,则后一时刻的车辆行驶数据为单点大幅跳变;
S313:辨识是否存在测量高频噪声;
辨识TSP云平台中的车辆行驶数据是否存在测量高频噪声,即连续的时间戳内,存在车辆行驶数据在特定数值范围内发生无规则小幅波动,则所述车辆行驶数据存在测量高频噪声;
S32:进行数据清洗;
包括如下子步骤:
S321:对单点数据缺失进行数据填充;
如果步骤S311辨识出车辆行驶数据中存在单点数据缺失,所述单点数据缺失具体包括发动机转速缺失、高程缺失和当前档位数据缺失;
如果单点数据缺失为发动机转速缺失或高程缺失,则通过异常数值点前后距离最近的非异常数值通过线性差值算法进行填充;
如果单点数据缺失为当前档位信息缺失,则使用上一时刻的非异常数值通过线性差值算法进行填充;
S322:对单点大幅跳变进行数据剔除;
如果步骤S312辨识出车辆行驶数据中存在单点大幅跳变,所述单点大幅跳变包括发动机扭矩单点大幅跳变、高程单点大幅跳变,则通过delete函数删除符合辨识标准的大幅跳变数据;
S323:对测量高频噪声进行清洗;
如果步骤S313辨识出车辆行驶数据中存在测量高频噪声,所述测量高频噪声主要存在于发动机转速和发动机扭矩中,则通过Savitzky-Golay滤波器对测量高频噪声进行清洗;
车辆行驶数据清洗完成。
S4:进行车辆行驶参数和道路构建参数的运算;
工程师根据车辆静态参数、车辆行驶数据获取车辆行驶参数和道路构建参数;
所述车辆行驶参数包括车辆行驶速度、车辆加速度等;
所述道路构建参数为道路坡度;
设车辆行驶速度为u,车辆加速度为a,道路坡度为;
所述;
所述a=;
所述n为发动机转速,r为车轮滚动半径,为变速器传动比,/>为后轴速比,∆t为时间步长;
所述时间步长为两个数据点之间的时间差值;
所述=/>;
所述k为向后计算的时间步长,为t时刻的高程值,/>为t+k时刻的高程值,所述高程值单位为m,u车辆行驶速度,所述u单位为m/s;
进一步地,所述向后计算的时间步长k满足,。
S5:构建基于车辆纵向动力学模型的总重辨识器;
采用驱动工况下的车辆纵向动力学模型:
;
其中,g为重力加速度,M为汽车质量,f为摩擦阻力系数,为道路坡度,C D为空气阻力系数,ρ 为空气密度,u为车辆行驶速度,a为车辆加速度,/>为发动机扭矩,/>为变速器传动比,/>为后轴速比,/>为传动系统总效率,r为车轮滚动半径、A为车辆迎风面积、/>为汽车转动惯量换算系数;
所述=1+/>1+/>2*/>,/>1=0.03、/>2=0.03,/>为车辆档位传动比;
所述g重力加速度、f摩擦阻力系数、C D空气阻力系数、ρ空气密度、传动系统总效率为默认值;
基于车辆动力学模型,计算出车辆质量M;
构建的总重辨识器具体如下:;
其中:
;
;
;
所述为遗忘因子,/>为默认值;
为车辆纵向动力学模型公式中汽车质量M的系数,即/>的值;
所述P(k)指当前点的误差值,设定初始时刻数值:P(k=0)=1、,对每个顺序时间点k依次计算P(k),对总重/>进行修正;
所述K(k)为每个时间点k的修正系数;
将各时间步长下的车辆纵向动力学模型公式中的各个输入参数依次输入上述模型,得到参数的输出序列,该序列即为各时刻下的总重辨识。
进一步地,还可以构建总重辨识的置信度估计模型;
将车辆速度、加速度、发动机扭矩、道路坡度为输入参数,输入到双向长短时记忆网络深度学习模型中,所述输出结果为总重辨识结果准确度,实现对车辆各时刻下的总重辨识的置信度评估。
通过对车辆各时刻下的总重辨识进行置信度评估,可以提高车辆总重辨识的可信度,同时,如果置信度评估过低,可以及时进行检测。
本发明已由上述相关实施例加以描述,然而上述实施例仅为实施本发明的范例。必需指出的是,已揭露的实施例并未限制本发明的范围。相反地,在不脱离本发明的精神和范围内所作的更动与润饰,均属本发明的专利保护范围。
Claims (5)
1.一种基于云计算的重型货运车辆总重辨识方法,其特征在于:包括以下步骤:
S1:车辆静态参数进行初始化;
所述车辆静态参数包括车辆识别号、车型、发动机类型、车辆宽度、高程、后轴速比、各档位传动比、车轮滚动半径、发动机扭矩、变速器传动比、车辆迎风面积;
已知车辆识别号、车型、发动机类型,并根据已知的三个静态参数通过SQL语句在车辆信息数据库中查询对应的车辆宽度、高程、后轴速比、各档位传动比、车轮滚动半径、发动机扭矩、变速器传动比、车辆迎风面积的车辆静态参数的数值,根据查询结果对车辆静态参数进行初始化;
所述车辆信息数据库中包含车辆具体的参数信息;
S2:获取车辆行驶数据;
所述车辆包含GPS模块、车辆管理系统、车辆通信模块;
通过GPS模块获取时间戳、海拔、行驶速度的车辆行驶数据;
通过车辆管理系统获取发动机转速、发动机需求扭矩、当前档位、制动状态的车辆行驶数据;
车辆通信模块将GPS模块和车辆管理系统获取的车辆行驶数据上传到TSP云平台;
S3:对车辆行驶数据进行预处理;
TSP云平台接收车辆行驶数据并在TSP平台中对车辆行驶数据进行预处理,包括如下子步骤:
S31:辨识车辆行驶数据是否存在异常;
所述异常包括单点数据缺失、单点大幅跳变、测量高频噪声;
S32:进行数据清洗;
所述数据清洗包括对单点数据缺失进行数据填充、单点大幅跳变进行数据剔除和对测量高频噪声进行清洗;
S4:进行车辆行驶参数和道路构建参数的运算;
根据车辆静态参数、车辆行驶数据获取车辆行驶参数和道路构建参数;
所述车辆行驶参数包括车辆行驶速度、车辆加速度;
所述道路构建参数为道路坡度;
S5:构建基于车辆纵向动力学模型的总重辨识器;
采用驱动工况下的车辆纵向动力学模型,基于车辆动力学模型,计算出车辆质量M并构建总重辨识器,得到车辆在各时刻下的总重辨识。
2.如权利要求1所述的基于云计算的重型货运车辆总重辨识方法,其特征在于:
步骤S31中,具体的辨识方法包括如下子步骤:
S311:辨识是否存在单点数据缺失;
辨识TSP云平台中的车辆行驶数据是否存在单点数据缺失,具体的判断方法如下:
如果时间戳连续,同时存在任一车辆行驶数据由正常数值变为异常数值,所述异常数值包括0或非有效值,则为单点数据缺失;
事先设定时间戳中断的阈值,如果时间戳不连续且不连续的时间戳中断的时长少于阈值,则所述时间戳中断为可接受的中断,所述中断的时间戳内的车辆行驶数据为单点数据缺失;
S312:辨识是否存在单点大幅跳变;
根据大幅跳变辨识公式辨识TSP云平台中的车辆行驶数据是否存在单点大幅跳变,具体的大幅跳变辨识公式如下:
>δ;
所述为t时刻下的车辆行驶数据、/>为t-1时刻下的车辆行驶数据、/>为t时刻下的时间戳、/>为t-1时刻下的时间戳,δ为事先设定的具体的辨识标准值;
如果车辆行驶数据符合大幅跳变公式,即时间戳连续且存在任一车辆行驶数据在连续时间戳内的差值大于设定的标准值,则后一时刻的车辆行驶数据为单点大幅跳变;
S313:辨识是否存在测量高频噪声;
辨识TSP云平台中的车辆行驶数据是否存在测量高频噪声,即连续的时间戳内,存在车辆行驶数据在特定数值范围内发生无规则小幅波动,则所述车辆行驶数据存在测量高频噪声。
3.如权利要求2所述的基于云计算的重型货运车辆总重辨识方法,其特征在于:
步骤S32包括如下子步骤:
S321:对单点数据缺失进行数据填充;
如果步骤S311辨识出车辆行驶数据中存在单点数据缺失,所述单点数据缺失具体包括发动机转速缺失、高程缺失和当前档位数据缺失;
如果单点数据缺失为发动机转速缺失或高程缺失,则通过异常数值点前后距离最近的非异常数值通过线性差值算法进行填充;
如果单点数据缺失为当前档位信息缺失,则使用上一时刻的非异常数值通过线性差值算法进行填充;
S322:对单点大幅跳变进行数据剔除;
如果步骤S312辨识出车辆行驶数据中存在单点大幅跳变,所述单点大幅跳变包括发动机扭矩单点大幅跳变、高程单点大幅跳变,则通过delete函数删除符合辨识标准的大幅跳变数据;
S323:对测量高频噪声进行清洗;
如果步骤S313辨识出车辆行驶数据中存在测量高频噪声,所述测量高频噪声主要存在于发动机转速和发动机扭矩中,则通过Savitzky-Golay滤波器对测量高频噪声进行清洗;
车辆行驶数据清洗完成。
4.如权利要求1所述的基于云计算的重型货运车辆总重辨识方法,其特征在于:
步骤S4中,具体的构建方法如下:
设车辆行驶速度为u,车辆加速度为a,道路坡度为;
所述;
所述a=;
所述n为发动机转速,r为车轮滚动半径,为变速器传动比,/>为后轴速比,∆t为时间步长;
所述时间步长为两个数据点之间的时间差值;
所述=/>;
所述k为向后计算的时间步长,为t时刻的高程值,/>为t+k时刻的高程值,所述高程值单位为m,u车辆行驶速度,所述u单位为m/s;
进一步地,所述向后计算的时间步长k满足,。
5.如权利要求1所述的基于云计算的重型货运车辆总重辨识方法,其特征在于:
步骤S5中,所述车辆纵向动力学模型如下:
;
其中,g为重力加速度,M为汽车质量,f为摩擦阻力系数,为道路坡度,C D为空气阻力系数,ρ 为空气密度,u为车辆行驶速度,a为车辆加速度,/>为发动机扭矩,/>为变速器传动比,/>为后轴速比,/>为传动系统总效率,r为车轮滚动半径、A为车辆迎风面积、/>为汽车转动惯量换算系数;
所述=1+/>1+/>2*/>,/>1=0.03、/>2=0.03,/>为车辆档位传动比;
所述g重力加速度、f摩擦阻力系数、C D空气阻力系数、ρ空气密度、传动系统总效率为默认值;
基于车辆动力学模型,计算出车辆质量M;
构建的总重辨识器具体如下:;
其中:;
;
;
所述为遗忘因子,/>为默认值;
为车辆纵向动力学模型公式中汽车质量M的系数,即/>的值;
所述P(k)指当前点的误差值,设定初始时刻数值:P(k=0)=1、,对每个顺序时间点k依次计算P(k),对总重/>进行修正;
所述K(k)为每个时间点k的修正系数;
将各时间步长下的车辆纵向动力学模型公式中的各个输入参数依次输入上述模型,得到参数的输出序列,该序列即为各时刻下的总重辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410356394.8A CN117951487B (zh) | 2024-03-27 | 2024-03-27 | 基于云计算的重型货运车辆总重辨识及置信度评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410356394.8A CN117951487B (zh) | 2024-03-27 | 2024-03-27 | 基于云计算的重型货运车辆总重辨识及置信度评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117951487A true CN117951487A (zh) | 2024-04-30 |
CN117951487B CN117951487B (zh) | 2024-06-18 |
Family
ID=90799853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410356394.8A Active CN117951487B (zh) | 2024-03-27 | 2024-03-27 | 基于云计算的重型货运车辆总重辨识及置信度评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951487B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030019A (zh) * | 2018-06-20 | 2018-12-18 | 吉林大学 | 一种汽车质量的在线估计方法 |
CN112613406A (zh) * | 2020-12-24 | 2021-04-06 | 吉林大学 | 一种基于大数据的商用车多维度运行评估方法 |
WO2021223334A1 (zh) * | 2020-05-06 | 2021-11-11 | 北京理工大学 | 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 |
CN113763707A (zh) * | 2021-08-19 | 2021-12-07 | 东南大学 | 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法 |
-
2024
- 2024-03-27 CN CN202410356394.8A patent/CN117951487B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109030019A (zh) * | 2018-06-20 | 2018-12-18 | 吉林大学 | 一种汽车质量的在线估计方法 |
WO2021223334A1 (zh) * | 2020-05-06 | 2021-11-11 | 北京理工大学 | 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 |
CN112613406A (zh) * | 2020-12-24 | 2021-04-06 | 吉林大学 | 一种基于大数据的商用车多维度运行评估方法 |
CN113763707A (zh) * | 2021-08-19 | 2021-12-07 | 东南大学 | 一种基于号牌数据的路段溢流和车道阻挡状态辨识方法 |
Non-Patent Citations (1)
Title |
---|
舒玉春;: "整车负载识别算法研究", 内燃机与配件, no. 06, 30 March 2018 (2018-03-30), pages 31 - 34 * |
Also Published As
Publication number | Publication date |
---|---|
CN117951487B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106840097B (zh) | 一种基于自适应扩展卡尔曼滤波的道路坡度估计方法 | |
JP5214738B2 (ja) | 車両の荷重の推定方法 | |
CN113788021B (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
CN112613406B (zh) | 一种基于大数据的商用车多维度运行评估方法 | |
CN105000019A (zh) | 用于检测、追踪和估计静止的路边物体的方法和系统 | |
CA3006072C (en) | Systems and methods of determining road quality | |
CN109477754A (zh) | 用于确定机动车辆总质量估计值的方法和装置 | |
CN105416294A (zh) | 一种重型汽车列车参数估计方法 | |
CN112896178B (zh) | 一种计算车辆总质量的方法和系统 | |
CN111198032A (zh) | 汽车质量实时估算方法 | |
CN117951487B (zh) | 基于云计算的重型货运车辆总重辨识及置信度评估方法 | |
Si et al. | Big data-based driving pattern clustering and evaluation in combination with driving circumstances | |
Kan et al. | A deep learning engine power model for estimating the fuel consumption of heavy-duty trucks | |
CN116348752A (zh) | 用于轮胎磨损预测的分级数据结构和方法 | |
CN114644001A (zh) | 一种车辆载重预测方法、装置、存储介质及车辆 | |
CN116674571A (zh) | 一种基于数据置信度因子的汽车质量与坡度实时估计方法 | |
US20170174216A1 (en) | Vehicle controls including dynamic vehicle parameter determination | |
US20230001940A1 (en) | Method and Device for Optimum Parameterization of a Driving Dynamics Control System for Vehicles | |
CN113095126B (zh) | 道路交通态势识别方法、系统和存储介质 | |
CN112298135B (zh) | 一种车辆制动距离优化方法 | |
CN114067285A (zh) | 一种基于二值化的卷积神经网络车辆分类方法 | |
CN117325879B (zh) | 一种四轮分布式电驱动汽车状态评估方法及系统 | |
Torabi | Fuel-efficient driving strategies | |
US20240109548A1 (en) | Systems and methods for determining an estimated weight of a vehicle | |
CN117565870B (zh) | 一种越野无人车辆坡道路段超低车速预测控制方法 |
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 | ||
GR01 | Patent grant |