CN118013233A - 一种重型商用车预见性巡航测试工况构建方法 - Google Patents
一种重型商用车预见性巡航测试工况构建方法 Download PDFInfo
- Publication number
- CN118013233A CN118013233A CN202410408511.0A CN202410408511A CN118013233A CN 118013233 A CN118013233 A CN 118013233A CN 202410408511 A CN202410408511 A CN 202410408511A CN 118013233 A CN118013233 A CN 118013233A
- Authority
- CN
- China
- Prior art keywords
- microcirculation
- original
- gradient
- new
- road
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 28
- 238000010276 construction Methods 0.000 title claims abstract description 14
- 230000004089 microcirculation Effects 0.000 claims abstract description 126
- 238000006073 displacement reaction Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 9
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000004087 circulation Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 101000701876 Homo sapiens Serpin A9 Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 102000050111 human SERPINA9 Human genes 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000010998 test method 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
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及工况构建技术领域,公开了一种重型商用车预见性巡航测试工况构建方法。该方法包括S10、采集重型商用车的实际道路驾驶数据;S20、根据道路坡度对所述驾驶数据进行分割得到多个原始微循环,根据坡度和位移特征对所述多个原始微循环进行分类,得到具备不同特征的多个原始微循环组;S30、计算原始微循环组内坡度的分布概率;S40、根据所述坡度的分布概率随机生成新的微循环组;S50、根据所述新的微循环组和原始微循环组生成长驾驶循环,用于测试重型商用车预见性巡航性能。本申请提出了适用于预见性巡航测试的行驶位移‑坡度曲线,并且解决数据段过少的问题以及大量无效数据段问题。
Description
技术领域
本申请涉及工况构建技术领域,尤其涉及一种重型商用车预见性巡航测试工况构建方法。
背景技术
目前,减少商用车的燃油消耗对于汽车行业节能减排具有重大影响,考虑到重型商用车多数情况是工作在相对简单的高速公路条件,融合前方道路坡度信息的预测巡航控制是一个比较热点的研究方向。然而,针对预测巡航控制的验证或是通过仿真,或是在企业自己选定的实际道路工况,没有一种专门的道路循环工况用于预测巡航控制系统的台架或轮毂验证。考虑到实际的道路环境以及驾驶员的驾驶行为,车辆的测试过程需要标准的车辆驾驶循环,以保证验证对比的一致性。目前针对商用车的驾驶循环仍然是将道路坡度信息转换为速度-时间的信息,可能存在与实际道路不一致等问题。
国内外主流的驾驶工况构建策略为基于原始微循环的构建策略,将实际驾驶循环依据规则分散成小循环,并且基于特征将相似的循环分类,将不同类别的驾驶循环按比例随机地组合起来,最后生成符合实际的模拟长驾驶循环。由于最终生成的长驾驶循环对长度存在要求,而具备明显特征的数据段的数目取决于实际驾驶循环的情况,若原始循环提供的数据段数量不足或者无效数据段过多,则最终长驾驶循环的长度可能不能满足需求。
有鉴于此,特提出本申请。
发明内容
为解决上述问题,本申请提供一种重型商用车预见性巡航测试工况构建方法,提出了适用于预见性巡航测试的行驶位移-坡度曲线,并且解决数据段过少的问题以及大量无效数据段问题。
本申请提供的一种重型商用车预见性巡航测试工况构建方法,具体包括:
S10、采集重型商用车的实际道路驾驶数据;
S20、根据道路坡度对所述驾驶数据进行分割得到多个原始微循环,根据坡度和位移特征对所述多个原始微循环进行分类,得到具备不同特征的多个原始微循环组;所述微循环包括坡度-位移信息;
S30、计算原始微循环组内坡度的分布概率;
S40、根据所述坡度的分布概率随机生成新的微循环组;
S50、根据所述新的微循环组和原始微循环组生成长驾驶循环,用于测试重型商用车预见性巡航性能。
可选的,所述S20中的根据道路坡度对所述驾驶数据进行分割得到多个原始微循环,包括:
S201、对实际道路驾驶数据进行连续性处理并剔除坏点;
S203、搜索道路坡度为0且持续设定长度的路段,得到路段起始终止点并进行分割;
S204、针对分割后得到的原始微循环,剔除掉不符合设定要求的原始微循环。
可选的,所述设定要求包括:
原始微循环内最大坡度不超出路段设计道路坡度极限;或者,
道路坡度与驾驶车辆发动机最大输出转矩匹配。
可选的,所述S20中的根据坡度和位移特征对所述多个原始微循环进行分类,包括:
S205、提取每个原始微循环的特征;其中,所述特征至少包括最大坡度、最小坡度、平均坡度、上坡占比、下坡占比、平路占比和循环长度;
S206、使用主成分分析法对所述特征进行处理,生成新特征;
S207、根据所述新特征,使用聚类算法对所述多个原始微循环进行分类得到多个原始微循环组。
可选的,所述S30包括:
S301、从多个原始微循环组中选取靠近聚类中心点的典型微循环;
S302、计算所述典型微循环中,每一个位置对应坡度的分布情况,计算分布概率。
可选的,所述S40包括:
S401、采用马尔科夫过程,随机生成与分布概率匹配的新坡度。
可选的,在S401之后还包括:
S402、提取新的微循环组中每个微循环的特征,并使用主成分分析法对所述特征进行处理,生成新特征;
S403、根据所述新特征,计算新的微循环与多个原始微循环组聚类中心点的距离;
S404、如果距离大于设定值,则舍弃新的微循环。
可选的,在S404之后还包括:
S405、剔除掉不符合设定要求的新的微循环。
可选的,所述S50包括:
S501、获取多个原始微循环组中不同类别的分布比例;
S502、根据所述分布比例从新的微循环组和原始微循环组中选取微循环组生成长驾驶循环,用于测试重型商用车预见性巡航性能。
可选的,所述实际道路驾驶数据至少包括:车辆行驶车速、车辆行驶对应坡度、车辆加速度、相对于起始点的位移、车辆所处的海拔高度、发动机节气门开度与油门开度、发动机转矩与转速,以及能耗。
本申请实施例具有以下技术效果:
本申请在微循环方法的基础上,按照其中坡度的分布进行随机扩充,得到更多符合要求的样本。针对微循环法样本过少的问题进行了优化,同时也对过长的随机过程导致产生的大量无效数据段的冗余、数据样本特征分布不明显的问题进行了优化。
针对商用车的驾驶循环仍然是将道路坡度信息转换为速度-时间的信息,可能存在与实际道路不一致等问题,以及实际道路实验中,道路中坡度的大小和距离长短对于节能率影响较大的现实情况,本申请获取了具备典型坡度-位移特征的驾驶工况循环,为重型商用车辆在高速巡航工况进行试验台以及实车的测试提供了样式。
附图说明
为了更清楚地说明本申请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申请的一些实施方式,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它的附图。
图1是本申请提供的一种重型商用车预见性巡航测试工况构建方法的流程图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请所保护的范围。
图1是本申请提供的一种重型商用车预见性巡航测试工况构建方法的流程图,该方法用于构建重型商用车预见性巡航测试的工况。本申请仅对工况构建过程详细说明,不限定如何使用该工况进行预见性巡航测试的方法。本申请包括以下步骤:
S10、采集重型商用车的实际道路驾驶数据。
依据循环设计需求,选择预定的驾驶路线,可包括:平原、丘陵以及山地等等地形以及市区、城郊、高速公路驾驶场景。选择合适的驾驶员进行车辆的操控以及巡航驾驶的选择。实际驾驶过程的数据通过车载传感器直接获取得到,数据采集的对象可以包括:车辆行驶车速、车辆行驶对应坡度、车辆加速度、相对于起始点的位移、车辆所处的海拔高度、发动机节气门开度与油门开度、发动机转矩与转速、能耗等随着驾驶过程变化的量以及车辆固有参数等不会改变的量。
S20、根据道路坡度对所述驾驶数据进行分割得到多个原始微循环,根据坡度和位移特征对所述多个原始微循环进行分类,得到具备不同特征的多个原始微循环组;所述微循环包括坡度-位移信息。
实际道路驾驶数据需要经过预处理步骤再行分割,具体的,S201、对实际道路驾驶数据进行连续性处理并剔除坏点;S203、搜索道路坡度为0且持续设定长度的路段,得到路段起始终止点并进行分割;S204、针对分割后得到的原始微循环,剔除掉不符合设定要求的原始微循环。
其中,连续性处理时可以使用样条插值的方法,对不连续时间的数据段缺失的内容进行补齐,生成连续的数据段。设定要求包括:原始微循环内最大坡度不超出路段设计道路坡度极限;或者,道路坡度与驾驶车辆发动机最大输出转矩匹配。如果2个设定条件之一不满足,说明采集的数据有误,则不能参与工况构建。
接着,S205、提取每个原始微循环的特征;其中,所述特征至少包括最大坡度、最小坡度、平均坡度、上坡占比、下坡占比、平路占比和循环长度(即车辆行驶的距离);需要对各个微循环内的驾驶数据进行量化,应将各个参数进行归一化处理,以使得各个特征具备相同的权重;S206、使用主成分分析法对所述特征进行处理,生成新特征;S207、根据所述新特征,使用聚类算法对所述多个原始微循环进行分类得到多个原始微循环组。
其中,根据相邻时刻坡度的变大、变小或大致不变,可以确定一段时间内是上坡、下坡还是平路。上坡占比是上坡位移长度占该原始微循环的总位移的占比,下坡占比是下上坡位移长度占该原始微循环的总位移的占比,平路占比是平路位移长度占该原始微循环的总位移的占比。使用主成分分析法对数据的特征进行处理。若选择的特征较多,则需要对特征进行降维,选择最具代表性的两个特征作为描述微循环特征的特征值。主成分分析法的具体操作可以参见现有技术,此处不再赘述。根据新特征,使用K-means聚类的方式进行聚类分析,得到基于新特征的微循环分布,同时得到不同分布簇的样本中心点。事实上,该中心点具备同一分类的最典型的特征。
K-means聚类获取样本中心点的过程是在最小化准则函数的过程中得到聚类中心。
此公式是准则函数,是若干原始微循环的特征值,/>是具备不同道路特征的样本的中心点集,/>是基于道路坡度特征的聚类结果集。优化目标则是使得准则函数最小。获取步骤主要分为以下几步:
(1)任选K个初始道路特征值聚类中心:;
(2)按照最小距离的原则,将每个原始微循环的特征值依次分配到每一个特征值聚类中心/>,并依据道路特征值聚类中心对应的最小距离上限/>进行样本分类,分类到道路特征值聚类中心对应的集合/>中:
其中:代表迭代次数,/>代表聚类中心个数,/>为距离阈值。
(3)计算各个聚类中心的新向量值:。
其中,为原始微循环集属于/>的样本数量。
(4)迭代判断过程:如果下一步的样本中心点满足这样的条件:,即下一步的中心点与本步的中心点特征相差大于人为设定的较小值/>,则返回步骤(2)继续进行计算;如果下一步的样本中心点满足这样的条件:/>,即下一步的中心点与本步的中心点特征相差小于人为设定的较小值,则证明得到了收敛的中心点,最后输出聚类中心。
进一步的,获取分类后不同类别的微循环数量占比,以确定不同类别微循环分布比例,用于后续选取微循环组生成长驾驶循环。
S30、计算原始微循环组内坡度的分布概率。
根据实际驾驶数据段得到的原始微循环组的样本数量少,坡度特征不明显的特点,本申请按照特征进行聚类后,需要选择特征明显的微循环组进行样本扩充。具体的,S301、从多个原始微循环组中选取靠近聚类中心点的典型微循环;S302、计算所述典型微循环中,每一个位置对应坡度的分布情况,计算分布概率。
在具体实施时,以匹配度95%为基准,进一步筛选出聚类中心点附近的微循环,作为典型微循环。具体的,在聚类中心点附近筛选占总微循环数量5%的作为典型微循环,典型微循环的数量为多个。
对于一个微循环组中的多个典型微循环,提取每个位置处的坡度。将多个典型微循环的位置-坡度绘制到一张图像中,计算同一位置的坡度分布概率。此处的同一位置指的是在每个典型微循环中与初始位置距离相同的地方,并不是实际地理位置相同。这样,就获得了一个微循环组中每个位置的坡度分布概率。
S40、根据所述坡度的分布概率随机生成新的微循环组。
本申请基于随机过程,以随机的方法组合不同的道路坡度,生成全新的微循环组。基于微循环组内坡度的分布概率,随机生成大量坡度微循环。针对随机生成的坡度微循环进行筛选,选择符合约束且具备鲜明特征的微循环,扩充原始微循环组。
具体的,针对每个聚类中心点附近的一定数量的典型微循环,生成若干新的微循环。这样可以得到与每组微循环特征近乎一致的新的微循环。
S401、采用马尔科夫过程,随机生成与分布概率匹配的新坡度,以形成新的微循环组。S50、根据所述新的微循环组和原始微循环组生成长驾驶循环,用于测试重型商用车预见性巡航性能。
随机过程的表达形式如下:
其中,是本次道路坡度的选择,/>是下次道路坡度的选择,/>则是基于本次道路坡度值得到下次道路坡度值的状态转移概率。
上述的随机过程,事实上属于一种马尔科夫过程,即:下次的状态转移动作仅与本次的状态有关,与其余任何时刻的状态无关。针对本申请,状态转移的概率分布可以基于原始微循环组的统计结果获取,使用马尔科夫过程计算出新的微循环。例如,一个微循环组中一位置道路坡度是/>,下一位置的道路坡度是/>,则可以计算出状态转移概率,如此,针对每个微循环组可以计算出一系列的状态转移概率。在新的微循环组中随机设定坡度初值,并按照该一系列的状态转移概率构建后续每个位置的道路坡度。可以针对每个微循环组生成不少于2个的新的微循环组。
进一步的,新的微循环可能不具有明显特征,不符合约束条件,还需要进行筛选。具体的,S402、提取新的微循环组中每个微循环的特征,并使用主成分分析法对所述特征进行处理,生成新特征;特征至少包括最大坡度、最小坡度、平均坡度、上坡占比、下坡占比、平路占比和循环长度。S403、根据所述新特征,计算新的微循环与多个原始微循环组聚类中心点的距离;S404、如果距离大于设定值,说明新的微循环特征不明显,则舍弃新的微循环。
注意,S403中的聚类中心点应该是新的微循环所参照的典型微循环所属的聚类中心点。如果距离小于等于设定值,该新的微循环被分类该聚类中心点对应的类别。
S405、剔除掉不符合设定要求的新的微循环。设定要求包括:原始微循环内最大坡度不超出路段设计道路坡度极限;或者,道路坡度与驾驶车辆发动机最大输出转矩匹配。
S50、根据所述新的微循环组和原始微循环组生成长驾驶循环,用于测试重型商用车预见性巡航性能。
其中,长驾驶循环的驾驶长度根据测试需求进行设定,通过商用车平均驾驶车速以及期望的车辆驾驶时间计算出生成长驾驶循环的长度。
经过上述算法,新的微循环组和原始微循环组均被聚类为某个类别。
具体的,S501、获取多个原始微循环组中不同类别的分布比例,这可以通过前述聚类方法得到;S502、根据所述分布比例从新的微循环组和原始微循环组中选取微循环组生成长驾驶循环,用于测试重型商用车预见性巡航性能。例如,一共A、B、C3个类别,比例为2:1:7,就需要在A类中选取20%的微循环,在B类中选取10%的微循环,在C类中选取70%的微循环。可以随机选取,或者根据与聚类中心点的距离来选取。
针对实际驾驶情况,设计商用车长驾驶循环测试环境。考虑到商用车在高速上驾驶车速限速为60~100km/h,期望的驾驶测试时间大约是30~40min,可以设定长驾驶循环的长度大约是30~50km。因此,在生成驾驶循环时,可设定长驾驶循环的长度为40km。这样,在台架试验中,可以设定商用车以80km/h的车速进行驾驶,这样测试时间大约是30min,可以实现测试需求。
本申请提出了一种重型商用车高速巡航工况下道路循环工况构建方法,可以应用于重型商用车高速巡航控制算法的效果验证。该方法基于微循环方法获取原始数据片段,基于随机过程扩充数据片段,生成具有一定原始数据特征的全新长驾驶循环。生成方法兼具微循环法以及随机过程法的优点,可有效地生成具备一定代表性的长驾驶循环。
需要说明的是,本申请所用术语仅为了描述特定实施例,而非限制本申请范围。如本申请说明书中所示,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”或者其任何其它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它要素,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申请和简化描述,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申请的限制。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申请中的具体含义。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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申请各实施例技术方案。
Claims (10)
1.一种重型商用车预见性巡航测试工况构建方法,其特征在于,包括:
S10、采集重型商用车的实际道路驾驶数据;
S20、根据道路坡度对所述驾驶数据进行分割得到多个原始微循环,根据坡度和位移特征对所述多个原始微循环进行分类,得到具备不同特征的多个原始微循环组;所述微循环包括坡度-位移信息;
S30、计算原始微循环组内坡度的分布概率;
S40、根据所述坡度的分布概率随机生成新的微循环组;
S50、根据所述新的微循环组和原始微循环组生成长驾驶循环,用于测试重型商用车预见性巡航性能。
2.根据权利要求1所述的方法,其特征在于,所述S20中的根据道路坡度对所述驾驶数据进行分割得到多个原始微循环,包括:
S201、对实际道路驾驶数据进行连续性处理并剔除坏点;
S203、搜索道路坡度为0且持续设定长度的路段,得到路段起始终止点并进行分割;
S204、针对分割后得到的原始微循环,剔除掉不符合设定要求的原始微循环。
3.根据权利要求2所述的方法,其特征在于,所述设定要求包括:
原始微循环内最大坡度不超出路段设计道路坡度极限;或者,
道路坡度与驾驶车辆发动机最大输出转矩匹配。
4.根据权利要求1所述的方法,其特征在于,所述S20中的根据坡度和位移特征对所述多个原始微循环进行分类,包括:
S205、提取每个原始微循环的特征;其中,所述特征至少包括最大坡度、最小坡度、平均坡度、上坡占比、下坡占比、平路占比和循环长度;
S206、使用主成分分析法对所述特征进行处理,生成新特征;
S207、根据所述新特征,使用聚类算法对所述多个原始微循环进行分类得到多个原始微循环组。
5.根据权利要求4所述的方法,其特征在于,所述S30包括:
S301、从多个原始微循环组中选取靠近聚类中心点的典型微循环;
S302、计算所述典型微循环中,每一个位置对应坡度的分布情况,计算分布概率。
6.根据权利要求1所述的方法,其特征在于,所述S40包括:
S401、采用马尔科夫过程,随机生成与分布概率匹配的新坡度。
7.根据权利要求6所述的方法,其特征在于,在S401之后还包括:
S402、提取新的微循环组中每个微循环的特征,并使用主成分分析法对所述特征进行处理,生成新特征;
S403、根据所述新特征,计算新的微循环与多个原始微循环组聚类中心点的距离;
S404、如果距离大于设定值,则舍弃新的微循环。
8.根据权利要求7所述的方法,其特征在于,在S404之后还包括:
S405、剔除掉不符合设定要求的新的微循环。
9.根据权利要求1所述的方法,其特征在于,所述S50包括:
S501、获取多个原始微循环组中不同类别的分布比例;
S502、根据所述分布比例从新的微循环组和原始微循环组中选取微循环组生成长驾驶循环,用于测试重型商用车预见性巡航性能。
10.根据权利要求1-9任一项所述的方法,其特征在于,所述实际道路驾驶数据至少包括:车辆行驶车速、车辆行驶对应坡度、车辆加速度、相对于起始点的位移、车辆所处的海拔高度、发动机节气门开度与油门开度、发动机转矩与转速,以及能耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410408511.0A CN118013233B (zh) | 2024-04-07 | 2024-04-07 | 一种重型商用车预见性巡航测试工况构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410408511.0A CN118013233B (zh) | 2024-04-07 | 2024-04-07 | 一种重型商用车预见性巡航测试工况构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118013233A true CN118013233A (zh) | 2024-05-10 |
CN118013233B CN118013233B (zh) | 2024-08-02 |
Family
ID=90952717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410408511.0A Active CN118013233B (zh) | 2024-04-07 | 2024-04-07 | 一种重型商用车预见性巡航测试工况构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013233B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108639059A (zh) * | 2018-05-08 | 2018-10-12 | 清华大学 | 基于最小作用量原理的驾驶人操控行为量化方法及装置 |
CN108973979A (zh) * | 2018-07-18 | 2018-12-11 | 乾碳国际公司 | 混动车辆预测性功率控制系统方案 |
CN110786841A (zh) * | 2019-11-04 | 2020-02-14 | 苏州润迈德医疗科技有限公司 | 基于微循环阻力指数调节最大充血状态流速的方法及装置 |
CN114091182A (zh) * | 2021-11-25 | 2022-02-25 | 中汽研汽车检验中心(天津)有限公司 | 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 |
CN114148325A (zh) * | 2021-12-22 | 2022-03-08 | 吉林大学 | 重型混合动力商用车预见性能量管理方法 |
WO2023197535A1 (zh) * | 2022-04-13 | 2023-10-19 | 中国矿业大学 | 一种深部受限空间下无人有轨电机车坡度及弯道通行方法 |
JP2023164240A (ja) * | 2022-04-29 | 2023-11-10 | 中汽研汽車検験中心(天津)有限公司 | 車両速度-勾配複合動作条件サイクルテストの設計方法 |
CN117664601A (zh) * | 2024-01-31 | 2024-03-08 | 中汽研汽车检验中心(天津)有限公司 | 一种汽车预见性巡航技术节能效果测试评价方法及系统 |
-
2024
- 2024-04-07 CN CN202410408511.0A patent/CN118013233B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108639059A (zh) * | 2018-05-08 | 2018-10-12 | 清华大学 | 基于最小作用量原理的驾驶人操控行为量化方法及装置 |
CN108973979A (zh) * | 2018-07-18 | 2018-12-11 | 乾碳国际公司 | 混动车辆预测性功率控制系统方案 |
CN110786841A (zh) * | 2019-11-04 | 2020-02-14 | 苏州润迈德医疗科技有限公司 | 基于微循环阻力指数调节最大充血状态流速的方法及装置 |
CN114091182A (zh) * | 2021-11-25 | 2022-02-25 | 中汽研汽车检验中心(天津)有限公司 | 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 |
JP2023078054A (ja) * | 2021-11-25 | 2023-06-06 | 中汽研汽車検験中心(天津)有限公司 | 道路勾配情報を含む大型トラック走行モードの構築方法 |
CN114148325A (zh) * | 2021-12-22 | 2022-03-08 | 吉林大学 | 重型混合动力商用车预见性能量管理方法 |
WO2023197535A1 (zh) * | 2022-04-13 | 2023-10-19 | 中国矿业大学 | 一种深部受限空间下无人有轨电机车坡度及弯道通行方法 |
JP2023164240A (ja) * | 2022-04-29 | 2023-11-10 | 中汽研汽車検験中心(天津)有限公司 | 車両速度-勾配複合動作条件サイクルテストの設計方法 |
CN117664601A (zh) * | 2024-01-31 | 2024-03-08 | 中汽研汽车检验中心(天津)有限公司 | 一种汽车预见性巡航技术节能效果测试评价方法及系统 |
Non-Patent Citations (3)
Title |
---|
XINYI JIA, HEWU WANG: "Constructing representative driving cycle for heavy duty vehicle based on Markov chain method considering road slope", 《ENERGY AND AI》, 31 December 2021 (2021-12-31) * |
朱江苏;张英;吕文芝;刘刚;尹东东;姚泽光;: "基于道路坡度的重型牵引车典型工况提取方法", 内燃机与动力装置, no. 04, 15 August 2018 (2018-08-15) * |
李小海;: "纯电动车自适应巡航系统控制策略研究", 农业装备与车辆工程, no. 04, 10 April 2020 (2020-04-10) * |
Also Published As
Publication number | Publication date |
---|---|
CN118013233B (zh) | 2024-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an | |
CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
CN116187161B (zh) | 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 | |
CN106021961A (zh) | 基于遗传算法优化的城市标准循环工况构建方法 | |
CN110395245B (zh) | 一种基于固定路线驾驶信息的混动汽车能量管理系统 | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN113297795A (zh) | 一种纯电动汽车行驶工况构建方法 | |
CN110414584A (zh) | 混合粒子群及人工鱼群算法的汽车路谱聚类合成方法及系统 | |
CN113401123B (zh) | 融合驾驶模式信息的汽车预测巡航参数自整定控制系统 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
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 | |
CN111368879A (zh) | 一种基于深半监督神经网络的轨迹数据挖掘方法 | |
CN115422747A (zh) | 一种机动车尾气污染物排放量的计算方法和计算装置 | |
CN113642768A (zh) | 一种基于工况重构的车辆行驶能耗预测方法 | |
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 | |
CN114817371A (zh) | 一种基于XGBoost的车辆行驶工况识别方法 | |
CN114332825B (zh) | 基于深度学习的道路地形分布识别方法、设备和存储介质 | |
CN114896325A (zh) | 一种用于预期功能安全的场景测试评价方法与系统 | |
CN114118514A (zh) | 一种基于节能场景实时识别的整车能量流分布管理方法 | |
CN118013233B (zh) | 一种重型商用车预见性巡航测试工况构建方法 | |
CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 | |
CN117261904A (zh) | 一种自适应场景与风格的混动汽车驾驶模式决策方法 | |
CN108108841A (zh) | 一种基于大数据库的混合动力能量管理策略全局优化系统 | |
Kang et al. | Logical control approach to fuel efficiency optimization for commuting vehicles |
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 |