道路行驶工况（精选7篇）
道路行驶工况 篇1
1 数据采集
1.1 测试系统
本研究的行驶工况测试系统由测试车辆、AM-2600S机动车道路实验数据处理系统和AM-400电喷式汽油机流量传感器组成。车速由安装在车头的OS-Ⅱ光电车速传感器测得, 燃油消耗量由串联在供油管上的AM-400电喷式汽油机流量传感器测得。测试系统每1 s采样一次。所有设备与仪器集装成一体, 安装在车内, 如图1所示。
试验车辆为昌河爱迪尔CH7111A微型面包车, 车况良好。该车为5座, 手动换挡。
1.2测试路线及时间
以交通流量调查结果和城市道路级别划分为主要依据, 并结合交通研究领域的“路段频率和覆盖率”概念来确定路段, 在查阅大量的资料后拟订了本课题研究的实验路线如下:
实验路线1:屯溪路与马鞍山路交叉口―工大北门口―屯徽立交, 屯桐交叉口―金屯立交―五里屯立交。
实验路线2:五里墩-屯溪路-屯溪路桥-明光路-胜利路-站前路-火车站。
实验路线3:火车站-南二环砀山路-环湖东路-东流路-徽州大道-四牌楼。
实验路线4:四牌楼-徽州大道-芜湖路-马鞍山路-工大东门。
4条测试路线基本包括了合肥市的各类道路并满足基于此行驶工况下汽车排放数据的采集和处理。
每条测试路段连续采样14 d, 包括星期六和星期日。采样时间为每天上午07∶30～11∶30, 下午13∶00～18∶00。驾驶员采用固定路线跟车法, 跟随测试路段上的平均车流行驶, 保持一定车距, 不强行超车, 不脱档滑行, 正常驾驶进行数据采集。在所选择道路上每天往返行驶12次。对4条测试线路上的不同道路进行数据采集并归类。测试车辆紧跟车流, 从而能够代表被测道路的真实行驶特征。
1.3数据采集
实验数据的采集工作, 主要通过一套安装在测试车辆上的车载数据采集装置 (主要由记录仪、速度传感器、储存记忆卡等部分组成) 来完成。当车辆行驶时, 速度传感器将路面上的各种信号传递给记录仪, 然后与记录仪所记下的行驶时间和行驶距离一并转存到记录仪内的储存记忆卡上。
采集的数据是构建车辆行驶工况所需要的原始数据。在发动机点火时开始采集, 熄火时停止采集 (见图2) 。
2 行驶模式和行驶段的定义
为了分析行驶特性, 并生成有代表性的形式循环, 有必要使用一些统计学的方法处理在真实路段行驶而得到的大量原始数据。
行驶数据被分成下面4种典型的行驶模式。
1) 怠速工况。发动机工作但车速为零的连续过程。
2) 加速工况。汽车的加速度大于0.1 m/s2的连续过程。
3) 减速工况。汽车的加速度小于-0.1 m/s2的连续过程。
4) 匀速工况。汽车的加速度的绝对值小于0.1 m/s2且车速不为零的连续过程。
行驶段定义为从一个怠速工况开始, 结束于下一个怠速工况开始的过程。
3 行驶数据的评价准则数
为了具体的描述行驶工况, 本文选取了10个特征参数:平均路面功率, kW;平均行驶速度, km/h;平均速度, km/h, 怠速比例, %, 加速比例, %;减速比例, %;匀速比例, %;平均加速度, m/s2;最大减速度, m/s2;最大加速度, m/s2。
表1给出了合肥市道路实际行驶特征参数的统计分析结果。
4 合肥市道路行驶工况的分布规律
图3和图4分别给出了市区和市郊的数据点分布。可以看出市区图中工况点主要集中在10～20 km/h的低速范围内, 其余速度范围内的工况点很少;而市郊图中在高速区成山脊状隆起。在高速条件下市郊的匀速工况比例比市区高, 而且市郊加减速度的幅值和比例都比较高。相反, 市区的怠速比例比市郊高很多, 绝大多数工况点的加减速度都不大, 即多数工况都处于小加减速状态。说明了市区道路的拥挤, 车流的不畅通, 红绿灯多, 难有高速度和高加速度的情况;而市郊正相反, 高速匀速工况很多, 同时较大的加减速工况也很多。
5 合肥市道路代表性行驶工况
1) 对实验所得的大量统计数据进行加工处理, 得到每一行驶段的特征参数。
2) 对各个行驶段的参数进行统计分析, 得到基于全部采样数据和全部测试段的准则数平均值。
3) 按照行驶段的平均行驶距离或平均行驶时间以及测试距离或时间的目标要求, 确定合成循环所需的行驶段数目。
4) 从全部行驶数据中, 随机抽取给定数目的行驶段。若这些行驶段准则数的平均值与全部测试数据准则数的平均值相对误差小于所给定的误差范围, 则选中;若不满足要求, 则放弃, 继续抽取新的行驶段, 直到满足要求为止。由这些行驶段所构成的行驶状况即为所合成的代表性行驶工况。
根据以上原则, 我们从由实测数据划分的行驶段中, 先按市区行驶段和市郊行驶段分别合成合肥市市区道路代表性行驶工况和合肥市市郊道路代表性行驶工况, 再用所有的行驶段合成合肥市道路代表性行驶工况, 如图5、图6、图7所示。
6 合肥市道路行驶工况与标准测试循环工况比较
用前面定义的10个特征参数来分析这些行驶工况, 表2给出了合成的市区道路代表性行驶工况和市郊道路代表性行驶工况的分析结果, 并将其与标准的美国FTP75, 欧洲的ECE15及日本的10-15工况进行对比。
从表2可以看出合肥市的行驶工况有它自己的特征。例如, 在市区平均速度和平均行驶速度, 都比美国的FTP75低得多, 但比较接近于欧洲的ECE15和日本的10工况模式。怠速比例和匀速比例都明显低于ECE15、FTP75和日本的10工况模式, 但加速比例和减速比例却明显高于这三者。这些特征主要是因为中国道路交通条件要比其他国家复杂, 市区道路中影响汽车行驶的因素太多。
而在市郊平均行驶速度比欧洲的ECE15的高速公路和美国的EPA高速公路低, 但比较接近与日本的15工况模式。
7 合肥市道路行驶工况与部分城市道路行驶工况的比较
表3列出了合肥市城市道路行驶工况与北京市、天津市、大连市、上海市、广州市等城市综合工况的比较。
从表3可看出, 合肥市各工况与北京市、天津市工况比较相近, 与大连市、上海市、广州市综合工况相差较大。比较可以看出, 由于国内城市交通中混合交通流较为严重, 普遍存在较高的加、减速时间比率及较低的匀速时间比例, 反映出国内城市道路汽车行驶工况的一般规律和特点。
8 结束语
以跟车法采集车辆行驶数据, 以加速度时间曲线所定义的行驶运动学片段代表行驶状况, 并用一些特征参数对其进行描述, 通过随机组合、误差比较的方法得到的行驶工况, 可以真实的反应车辆的实际操作状态。通过合肥市道路行驶工况与标准测试循环工况的比较, 可以看出国内的道路行驶状况与标准测试循环工况有很大差距, 直接运用欧洲的行驶工况ECE15作为中国的测试循环工况并不合适;通过合肥市道路行驶工况与部分城市道路行驶工况的比较, 可以看出国内各个地区的道路汽车行驶工况比较接近, 完全可以研究出适合我国道路状况的行驶工况。
参考文献
[1]朱西产, 李孟良, 马志雄, 等.车辆行驶工况开发方法[J].江苏大学学报, 2005, 26 (2) :110-112.
[2]李孟良, 朱西产, 张建伟, 等.典型城市车辆行驶工况构成的研究[J].汽车工程, 2005, 27 (5) :558-560.
[3]刘希玲, 丁焰.我国城市汽车行驶工况调查研究[J].环境科学研究, 2000, 13 (1) :23-28.
[4]赵慧, 张镇顺, 熊永达.香港城区汽车行驶工况的研究[J].环境科学学报, 2000, 20 (3) :12-16.
[5]王海鲲, 陈长虹, 黄成, 等.上海市城区典型道路行驶特征研究[J].交通环保, 2005, 26 (3) :35-39.
[6]张志涌, 杨祖樱等.MATLAB教程[M].北京:北京航空航天大学出版社, 2007.
[7]蔡士源.Excel VBA语法字典[M].北京:中国青年出版社, 2005 (9) :106-112.
[8]谭浩强, 袁玫, 薛淑斌.Visual Basic程序设计[M].北京:清华大学出版社, 2005.
道路行驶工况 篇2
对车辆行驶工况进行研究, 可以对机动车排放污染物和燃料消耗量进行正确评价, 这也符合我国实际道路交通状况中的车辆行驶工况, 为发动机及车辆燃料消耗和排放物的检测以及优化方案的制定提供基础数据。目前, 循环工况的检测和评价结果与实际的车辆运行状况还有一定差别, 能量没有被充分利用, 针对我国市区行驶工况进行能量利用率研究, 为汽车安全、节能、环保提供研究方向。
1 国内外行驶工况概述
1.1 车辆行驶工况的定义及意义
汽车行驶工况 (Driving Cycle) 又被称为汽车运转循环, 以某一类车辆 (如乘用车、公交车等) 作为参照, 表现为在特定行驶环境 (如城区道路, 快速路等) 限制下的车辆行驶速度同时间历程的差。开发行驶工况的意义主要有以下几方面:为考察某类车辆在某一地区的排放水平或燃油消耗量提供检测依据;为车辆设计的动力匹配提供参考依据;满足汽车检测及维护制度的需要。
1.2 国外车辆行驶工况的研究
作为世界行驶工况发展的最高水平和风向杆, 世界三大工况分别为欧洲行驶工况 (ECE15+EU-DC) 、美国行驶工况 (FTP75) 和日本行驶工况 (JPAN10) , 三大工况分别对应了汽车工业发展水平最高的三个国家和地区。
1.2.1 欧洲行驶工况
欧洲目前采用的是ECE+EUDC工况。该工况由两部分组成:第一部分主要反映市区内的实际车辆行驶状况, 可以看成简化的城市行驶过程, 该部分由15种行驶方式组成, 通常被称为“十五工况法”, 主要反映机动车在欧洲城市内的行驶特征, 该工况共进行4个15工况循环, 测试时间持续780s, 总行驶里程为4.052km, 平均车速为18.7km/h;第二部分为一个附加的市郊行驶工况 (EUDC) , 代表市郊车辆运行过程, 平均速度为62.6km/h, 该部分最高车速为120km/h, 测试时间为400s, 行驶里程为6.955km。欧洲行驶工况在世界范围内得到认可并被大多数国家采纳。目前, 我国汽车工业领域也采用欧洲行驶工况。
1.2.2 美国行驶工况
1972年, 美国环保局将LA-4C工况用作认证车辆排放的测试程序 (简称FTP72) , 即LA-4C工况。按照LA-4C工况对车辆排放进行检测, 被认为是最严格的工况标准。1975年, FTP-72被扩充成FTP-75, FTP-75工况的持续时间为2 475s, 最高车速为91.2km/h, 平均速度为31.4km/h。FTP-75工况更真实地反映了汽车在美国城市道路行驶时的特征, 因而, FTP-75已成为目前美国城市汽车运行的标准工况。
1.2.3 日本行驶工况
随着日本汽车业的发展, 日本制定了第一个汽车行驶工况, 也就是Japan10工况, 随着城市结构、交通流量等的改变, 目前日本使用的是经过JPana10改进后的Janpan10-15工况。Japan10-5由3个10工况循环和一个15工况循环构成, 工况运行时间为660s, 最高车速为70km/h, 平均速度为22.7km/h。
1.3 国内行驶工况研究
在法规采用的行驶工况中, 我国现行的国标《乘用车辆燃料消耗量试验方法》 (GB/T12545-2001) 和《电动汽车—能量消耗率和续驶里程—试验方法》 (GB/T 18368-2001) 都是基于ECE15工况。在轻型汽车燃料消耗量试验中, 模拟城市工况循环燃料消耗量试验, 使用ECE-15工况, 如图1所示, 本文在此基础上进行研究。
随着我国汽车工业的发展, 国内许多高校、科研院所以及对环保要求较高的大城市, 都进行了车辆行驶工况和汽车污染物排放控制等方面的研究, 构建了各自的车辆行驶工况, 积累了大量的宝贵经验, 取得了一定的研究成果。
2 汽车行驶工况下的能量利用率相关定义
汽车在一定的行驶工况下, 都要消耗一定的能量, 本文从能量利用率的全新角度对能量进行研究, 并给出相关定义。
2.1 能耗量
能耗量, 用Ec表示, 简称能耗, 是指汽车运行过程中消耗的能量, 一般用汽车在单位运行里程或单位运行时间的燃料消耗量来表示。即只要车辆在道路上以一定速度行驶, 就有一定的能量消耗, 并使其获得相应的能量状态。
2.2 能态
能态, 用Es表示, 简称能量状态, 汽车以一定速度运行时的能量状态, 即随着速度的变化而变化。例如, 加速行驶时, 速度升高, 其能量状态增高, 由低态向高态转变, 匀速行驶能态保持不变;减速行驶, 速度降低时, 能量状态降低, 由高态向低态转变。若车辆运行速度为0, 则能量状态为0。根据能量守恒原理, 在能量状态的保持和变化过程中, 必然有能量消耗或吸收的转化。
2.3 能量利用率
由能耗量的定义可知, 汽车只要在道路上运行就会消耗燃料, 从而产生能量损失, 能量能否被充分利用是问题的关键。汽车在行驶工况下行驶, 当减速行驶至速度为0时, 能量由一定的状态变为0, 这时汽车行驶了一段距离;如果汽车在同一循环工况下减速时的速度没有任何制动, 能量也保持在一定状态, 变为0, 此时汽车就会行驶一段距离, 此时的距离远远大于前者, 如果后者的能量被100%利用, 则可以定义前者的距离与后者距离之比为车辆在减速时能量为0时的利用率。
2.4 能量利用率模型
本文应用能量利用率的定义来计算汽车在行驶工况下的能量利用率问题, 以欧洲行驶工况为基础进行深入研究。图2是一个工况的基本循环, 包括加速过程、匀速过程、减速过程, 在加速过程中, 能量由0升高到一定值, 匀速过程保持能量状态不变, 减速能态降低至0, 整个过程都有能耗产生, 为了更好地进行分析, 燃油消耗暂时不考虑, 只考虑由于速度变化, 能态发生变化的能量利用率问题。在行驶工况的每个过程都会行驶一定距离, 根据各自距离提出了全行程能量利用率、半行程能量利用率、自由行程能量利用率的概念, 具体计算见式 (1) 、式 (2) 和式 (3)
式中:Y1, Y2, Y3分别为全程能量利用率, 半程能量利用率和自由行程能量利用率;S加, S匀, S减分别为加速阶段行驶距离, 匀速阶段行驶距离和减速阶段行驶距离;S自为车辆自由行驶距离。
3 汽车行驶工况下的能量利用率计算
由上文能量利用率的定义可知, 如计算各行程的能量利用率, 必须先计算汽车在没有任何制动情况下减速至0时的自由行驶距离, 下面介绍自由行驶距离的计算。
3.1 自由行驶距离计算
车辆在水平道路上等速行驶时, 必须克服来自地面的滚动阻力和来自空气的空气阻力;当汽车在坡道上坡行驶时, 还必须克服坡度阻力;加速行驶时, 还需要克服加速阻力。假设车辆在良好的道路上自由行驶, 当速度降为0时, 主要克服滚动阻力和空气阻力。
3.1.1 滚动阻力介绍
滚动阻力是指车轮滚动时, 轮胎与路面的接触区域产生法向、切向的相互作用力, 滚动阻力是由滚动阻力系数决定的, 滚动阻力计算式为
式中:Ff为滚动阻力;W为车轮负荷, 这里用车载重表示;f为滚动阻力系数。
滚动阻力系数与路面的种类、行驶车速以及轮胎的构造、材料、气压等有关。滚动阻力随着路面状况的不同而不同, 本文主要研究的是车辆在良好沥青或混凝土路面下的中、低速行驶情况, 滚动阻力系数取0.010~0.018。
3.1.2 空气阻力介绍
汽车在直线行驶时会受到空气的作用力, 在行驶方向上的分力被称为空气阻力, 空气阻力由空气阻力系数和迎风面积决定, 在无风条件下的空气阻力计算式为
式中:CD为空气阻力系数;A为迎风面积, m2;ua为无风情况时汽车的行驶速度, m/s或km/h。
不同车型的迎风面积和空气阻力系数各不相同, 本文研究的是轻型车辆在循环工况下的行驶情况, 因此, 迎风面积取1.7~2.1m2, 空气阻力系数取0.030~0.041。
3.1.3 计算公式
由动能定理可知车辆自由行驶距离为 (Ff+Fw) S自=21mv22-21mv12, 整理得
式中:v1, v2为分别为车辆行驶的初速度和末速度;m为轻型汽车的质量, 取1 500kg。
3.2 能量利用率计算
本文以我国《轻型汽车排放污染物测试方法》中规定的市区工况为研究对象, 表1为循环单元中各工况下的加速度、减速度、速度和时间等。
通过图3和图4可知无论阻力系数和迎风面积取最小值还是最大值, 能量利用率都没有被完全利用, 全行程能量利用率最高, 体现了汽车行驶工况下的自由行程能量利用率最低, 不到40%, 剩余60%由于各种原因被消耗掉, 能量利用率的提高还有很大的潜力。
4 结语
综合以上分析, 车辆的行驶工况虽然对新能源车辆的开发, 某种车辆的排放检查等方面起到很好的效果, 但在此工况下行驶时能量没有被充分利用, 能量利用率都不高, 从整个循环看全行程利用率较高, 超过了50%, 自由行程能量利用率较低, 不到40%, 能量利用率与各阻力系数、迎风面积和速度的大小有关, 随着速度的增加和阻力系数、迎风面积的增加, 能量利用率呈上升趋势。能量利用率的提出可从其它角度为车辆节能, 减少能量排放提供新思路。
摘要：随着机动车保有量的不断增加, 汽车燃油消耗迅速增加, 能源短缺问题越来越严峻。汽车的污染物排放、燃油消耗量和运行经济性受汽车实际行驶工况的影响较大。在分析国内外行驶工况研究现状的基础上, 根据车辆在城市混合道路上经历加速、匀速、减速、怠速各种工况变化的行驶情况, 定义能耗、能态、能量利用率的概念, 利用车辆没有制动行驶克服空气阻力和滚动阻力下的自由行驶距离构建能量利用率模型, 并将此模型在我国市区的行驶工况下进行应用, 计算出标准工况下的能量利用率。研究表明:车辆的能量利用率不到40%, 提升空间较大, 为减少能源消耗提供新的研究方向。
关键词：城市交通,能量利用率,行驶工况,混合道路,空气阻力,滚动阻力
参考文献
[1]李庆虎.混合交通环境条件下行驶工况的仿真分析[D].湖北:合肥工业大学, 2010.
[2]李友文.混合交通环境条件下行驶工况的仿真分析[D].湖北:合肥工业大学, 2010.
[3]朱保珍.西安市实际道路车辆行驶工况研究[D].西安:长安大学, 2009.
[4]石琴, 郑与波, 姜平.基于运动学片段的城市道路行驶工况的研究[J].汽车工程, 2011, 33 (3) :256-261.
[5]潘姝月, 周雅夫.城市公交车行驶工况的研究[J].机械设计与制造, 2010 (2) :263-265.
[6]王岐东, 贺克斌, 姚志良, 等.中国城市机动车行驶工况研究[J].环境污染与防治, 2010, 29 (10) :745-748.
道路行驶工况 篇3
汽车行驶工况是基于对车辆实际行驶特征进行筛选, 从而用行驶曲线的形式来把握一个地区范围内汽车行驶的普遍状况[1]。特定地区的行驶曲线应以该地区的交通状况作为基础, 但我国目前使用的机动车排放标准以及电动汽车能量消耗率和续驶里程实验方法都是以欧洲标准工况NEDC为基础的。NEDC工况是根据欧洲国家的交通状况、城市结构等解析出的, 其制订的目的是为欧洲国家提供满足其实际行驶状况的道路行驶工况。近年来的研究初步表明, 我国交通状况、城市结构甚至交通规则等与欧洲国家均有很大差异[2], 因此, NEDC工况并不能完全反映我国车辆的实际行驶状况。
本文通过自由行驶法来采集制作工况的数据, 即车主只需要按各自正常目的驾驶车辆, 在道路的选择上没有规定, 随意性强, 其优点在于可以获得大量数据, 消除随机因素的影响, 更加符合实际情况, 缺点在于不能提供关于位置、交通流等任何信息[3]。
试验通过行驶记录仪采集CAN总线上的车速信号, 测试车辆为某A级乘用车, 测试时间为上下班时间 (上午7:00—8:00和下午5:00—6:00) , 测试过程中紧跟行驶车流。
2 数据处理
本文数据处理的主要步骤如图1所示:
为了克服自由行驶法不能提供关于位置、交通流等任何信息的缺点, 所以把车辆的行驶工况看作是一个运动学过程的记录, 车辆从起步出发至目的地停车, 受道路交通状况影响, 其间会经过多次起步、停车操作, 可由一个接一个的“怠速开始—运行结束”组成[4]。将车辆从一个怠速开始到下一个怠速开始的运动定义为运动学片段。运动学片段是整个行驶工况中最小的不可再分割的单元。由于受到交通流的影响, 运动学片段相互之间差异较大, 有的速度快, 有的怠速时间长, 这些特征可以反映出这个片段内在的信息。
本文从时间、距离、速度、加速度四个方面衍生出15个特征值来描述运动片段, 如表1所示。其中加速时间、减速时间、加速段平均加速度、减速段的平均减速度是需要提前定义清楚加速和减速的概念后才好进行计算的, 考虑到测量设备的误差, 本文将加速过程定义为加速度大于0.15m/s的过程, 减速过程定义为加速度小于-0.15m/s的过程, 匀速过程定义为速度大于0.5m/s的过程, 加速度定义为在0±0.15m/s的过程, 怠速过程定义为速度在0±0.5m/s, 同时加速度在0±0.15m/s2的过程。
根据特征值判断, 删除某些由于测量误差造成不符合常理的片段, 最后得到823段运动片段。整个数据处理过程将试验原始数据转换成823行、15列的矩阵。
3 数据分析
3.1 主成分分析
从数据中可以发现15个特征值之间并不是不相关的, 而是存在一定的相关性, 特征值与特征值之间并不相互独立, 从而使得这些特征值所提供的信息在重要性上有所不同, 而且在一定程度上还有所重叠。同时原始数据还存在一个数据量过大的问题, 特征值太多会增加计算时间, 特征值太少又会丢失一些信息。
通过主成分分析的方法恰好可以解决以上两个问题。主成分分析是利用降维的思想, 在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法, 从而更容易抓住主要矛盾, 揭示事物内部变量之间的规律, 同时使问题得到简化, 提高分析效率[5]。通过线性变换的方法原来15个变量变换为新的15个变量, 用特征值 (方差) 来表示新变量对整体信息的贡献程度。将特征值从大到小排序可得图2, 可以看出前6个变量的特征值较大, 经计算总共达到了总体的95.56%, 也就是说如果用这6个特征值来代替原来的数据, 可以保留95.56%的信息量, 这样既减少了数据量, 而且新的特征值互不相关, 同时还不会损失过多的信息。
3.2 聚类分析
NEDC工况分为市区运转循环和市郊运转循环, 分别代表道路拥挤和道路畅通的两种特性, 市区运转循环平均车速低、行驶距离短、有效行驶时间短, 市郊运转循环平均车速高、行驶距离长、有效行驶时间长。为此本文也希望将上海市上下班期间的道路行驶工况分为这两种特性。但由于自由行驶法不能提供关于位置、交通流等任何信息, 所以光从数据上是很难辨别哪些片段是在拥挤路段上行驶的, 哪些片段是在畅通路段上行驶的, 所以这里使用聚类分析的方法将试验数据分为两类。
聚类分析的基本思想是在样品之间定义距离, 距离代表样品之间的相似程度。按相似程度的大小, 将样品逐一归类, 关系密切的类聚集到一个小的分类单位, 然后逐步扩大, 使得关系疏远的聚合到一个大的分类单元, 直到所有的样品都聚类完毕[6]。本文聚类分析的样品就是823段运动片段, 每个片段有6个特征值。
从几何角度来看, 样品是6维空间中的一点, 本文用欧式距离来测量样品之间的距离, 其后采用K均值聚类方法, 这种聚类方法运用在数据容量较大并且准确的基础上, 首先将样品粗略分一下类, 为此需要决定初始聚点。由于我们的目的是得到拥挤道路行驶工况和畅通道路行驶工况, 所以我们定义平均速度低、运行时间短、运行距离短是拥挤道路行驶工况的主要特征, 平均速度高、运行时间长、运行距离长的是畅通道路行驶工况的主要特征。为此选择最极端即样品之间的距离最长的两个片段为聚点, 如图3和图4所示。
其后每个样品根据欧式距离以最靠近的初始聚点聚类, 这样得到一个初始分类。初始分类计算质心, 并将质心作为新的聚点。这样依次重复计算下去。由于K均值聚类存在收敛性, 所以当分类趋于稳定时聚类结束。最终得到拥挤工况库与畅通工况库, 如图5和图6所示。
3.3 组成综合工况并计算评价值
综合工况需要能反映出实际道路的信息, 又不能增加试验与仿真的工作量, 所以必须控制道路行驶工况的时间长度不能太短或太长。世界上大多数排放工况或者研究工况的一般时间长度控制在1 200秒左右, 以NEDC工况为例, 总时间为1 180秒, 其中市区运转循环时长780秒, 市郊运转循环时长400秒。为此通过计算机随机从两个库中抽取若干片段, 拼接后计算时间是否满足这两个条件, 如果不满足重新抽取片段。其后为了评价工况与实际的贴合程度, 这里引入了评价值的概念, 评价值定义为工况的特征值的质心与库的特征值的质心之间的距离, 如图7所示。距离越短就说明这个工况越能反映整个库的特性。
计算所有满足条件的工况评价值, 找出其中最小值, 再将构成这条工况的片段组合在一起, 也就生成了最能反映道路信息的道路行驶工况。拥挤工况和畅通工况分别如图8和图9所示。将图8和图9组合一起即为行程上海地区上下班时期车辆行驶的综合工况。
4 数据应用
目前我国开展了电动汽车重大专项研究, 在电动汽车设计开发过程中, 道路行驶工况的建立是车辆设计的基础, 决定着控制策略的优劣, 尤其是在当今在蓄电池技术没有质的突破之前, 优化电动汽车控制策略, 以提高蓄电池的续航能力, 这离不开建立符合实际道路条件的道路行驶工况。为此, 本文以某开发阶段的纯电动汽车为对象, 使用GT Suit软件对上海市上下班期间道路行驶工况与NEDC工况分别教学了仿真, 仿真结果如表2所示。
从仿真结果可以发现, 上海上下班期间拥挤工况与畅通工况的距离分别为4.12m和6.3km, 时间长度为1 043s, 符合时间长度的要求, 同时发现, 上海市上下班期间拥挤工况和畅通工况的能量消耗率都比NEDC工况市区运转循环和市郊运转循环的能量消耗率要高, 最直接的反应就是在用户使用这辆电动汽车上下班, 续驶里程会比标准工况法得到的续驶里程少。
5 结语
综上所述, 本文从实际道路数据出发, 通过对数据的分段、数据的特征值计算, 把原始道路信息量化, 其后通过主成分析、聚类分析将原始数据分为两个数据库, 再分别从两个库中抽取若干片段组成符合一定条件的综合工况, 最后比较评价值得到能代表实际道路信息的道路行驶工况曲线, 由此得出以下结论。
(1) 上海市上下班道路行驶工况有如下几个特点:怠速时间长、加速减速频繁、很少匀速行驶、行车速度低。
(2) 现在无论是《GBT 18386-2005电动汽车能量消耗率和续驶里程实验方法》还是ECE R101, 无一例外都将NEDC作为电动汽车能量消耗率及续驶里程的道路工况, 但NEDC工况其实与上海实际的道路行驶工况是有区别的, 实际的能量消耗率会更大。
(3) 本文的道路行驶工况只针对上海市上下班期间, 在时间上具有一定的局限性。随着工况研究的深入和试验时间的增加, 逐步完善原始数据库, 才能将车辆设计的适用性向更大的范围推进。
参考文献
[1]杜爱民, 步曦, 陈礼璠, 等.上海市公交车行驶工况的调查和研究[J].同济大学学报:自然科学版, 2006, 34 (7) :943-946.
[2]张富兴.城市车辆行驶工况的研究[D].武汉:武汉理工大学, 2005.
[3]朱西产, 李孟良, 马志雄, 等.车辆行驶工况开发方法[J].江苏大学学报:自然科学版, 2005, 26 (2) :110-113.
[4]张津涛.电动汽车城市道路行驶工况自学习方法[D].天津:天津大学, 2008.
[5]何晓群.多元统计分析[M].北京:中国人民大学出版社, 2004.
道路行驶工况 篇4
在崎岖月面环境中行驶的月球车,经常会遇到月海、月坑、月脉、月谷、月溪等地貌类型。虽然可通过路径规划设计出一条较平坦的无障碍路线,但那只是避开了大的陨石坑和岩石等,而在行进途中仍可能遇到小的石块、陡坡、月坑等障碍。而对于这些数量较多、尺寸较小的障碍,如果采用避障的方法将会耗费很多的时间与功率(节约能耗对于能源有限的月球车来说是很重要的),这就要求月球车在这种非平坦地形情况下能自动调整行走状态或通过地面遥操作,克服地形障碍,安全地行驶至指定目标点。
在月球车运动控制策略方面,不少学者作了相关方面的研究。例如,Iagnemma等[1]对转向-摇臂式月球车在松软月面中的运动控制进行了系统研究;Ishigami等[2]研究了月球车坡道行驶时运动控制问题;陈世荣[3]对摇杆-转向架式月球车月面通过性能进行了研究;邓宗全等[4]结合摇臂式移动系统的结构特点,对月球车行进于崎岖地形时的协调运动控制进行了研究;葛平淑等[5]对六轮月球车路径跟踪控制进行了研究;孙鹏等[6]对深空探测车可变直径车轮牵引通过性进行了分析。在这些研究中,对月球车坡道行驶过程中运动控制策略的研究甚少。月球车驱动的整体协调控制策略可以确保月球车正常的行驶能力,并且在完成路径跟踪的同时节省能量的消耗,降低车轮、机构的磨损,延长月球车的工作时间。
1 月球车坡道行驶地面力学模型
当月球车在坡道上匀速行驶时,其受力情况如图1所示,FDP为挂钩牵引力,Fn为车轮正压力,G为月球车重力,z为车轮轮轴心的下陷量,ϕ为斜坡倾角。L1、L2分别为质心到前后车轮与月面接触点在坡道方向上的距离,H为质心到坡道的垂直距离,这三个参数可通过确定月球车的质心和姿态得到。根据准静力平衡关系,可得
FDP1+FDP2+FDP3=Gsin ϕ (1)
Fn1+Fn2+Fn3=Gcos ϕ (2)
图2所示为月球车车轮在松软月壤上运动时,车轮与月壤的相互作用模型。其中,T为由驱动器施加在车轮转轴上的扭矩,ω为车轮的角速度,v为车轮轮心转轴处的线速度;θ1为接近角,θ2为离去角,θm表示最大应力点的接近角。θm=(c1+c2s)θ1,其中c1、c2与接触面特性有关,一般情况,取c1≈0.4,0≤c2≤0.3,s为车轮滑转率,车轮与土壤作用区内任意一点的剪应力记为τ,正应力记为σ[7]。
根据Ishigami等[8]在Bekker 承压模型和Wong的承压理论基础上提出的承压改进模型,可获得正应力的计算公式:
式中,kc为土壤黏性模量;kϕ为土壤剪切模量;r为轮胎半径;b为轮胎宽度;n为变形指数,通常取值为1。
根据Janosi等[9]的塑性土壤剪切模型,可获得剪应力计算公式:
式中,c为土壤的内聚力;φ为土壤的内摩擦角;k为土壤的剪切变形模量。
根据准静力平衡关系可得:
上述模型未知数多,比较复杂,不便于月球车软土动力学仿真模块程序的编写,需对模型进行简化修正。
Iagnemma等[10]在Vincent研究的基础上,提出以直线代替复杂的应力曲线。另外,一般情况下,θ2很小,几乎为0,为了简化计算,进一步假设θ2=0,这样简化后的应力公式可表示为
其中,α(θ)为应力(正应力或剪应力),αm为最大应力(正应力或剪应力)。根据Iagnemma的试验,简化后的正应力与实际正应力误差在9.34%之内,剪应力误差在12.15%之内[10]。
这样就可以得到作用力的简化公式:
其中
可以看出,简化后的力学模型的计算过程变得很简洁,只要测出车轮的最大下陷量z,就可以计算出驱动力和正压力,这样便于月球车软土动力学仿真模块程序的编写。
基于Bekker承压模型,车轮静下陷量z可由下式求得[11]:
式中,W为车轮载荷;
实际上,月球车在爬坡过程中,后面车轮往往行驶在前面车轮形成的车辙中,月面的土壤被“扰动”而发生了明显的变形,使得后续车轮接触的月壤的许多特征将不同于月壤处于未扰动和变形前的特征。很多学者在计算前后车轮沉陷量过程中,往往将前后车轮采用相同的计算方法,忽略了月球车实际行驶状况,因此,本文将月球车行驶过程中前后车轮的沉陷量分开计算。
图3所示是Bekker土壤模型的典型载荷-沉陷关系曲线,该图包含了三段曲线:沉陷量z随着载荷P的增加而增加的加载曲线OA;土壤变形没有完全恢复,从而导致一部分不可恢复的塑性变形曲线OB和可恢复的弹性变形BA′的卸载曲线AB;重复加载后,初始阶段沉陷-压力关系曲线为BA,到达A随后则为曲线AC,如此往复。根据载荷-沉陷关系,月球车行驶过程中,前面车轮的载荷-沉陷关系可用OA段来表示,当月面承受载荷到达A点时,对应的沉陷量的大小为OA′,车轮行驶过后,由于弹性土壤的恢复能力,月面下陷深度为OB段;月球车后面的车轮在前面车轮行驶过的月面上行驶时,相当于一个重复加载的过程,沉陷量随载荷的变化曲线为BA-AC,当载荷到达C点时,对应的沉陷量在E点[12]。
对于前面车轮,采用Bekker沉陷模型进行计算:
对于后面车轮的沉陷量计算,应该在原有计算的结果上减去前面车轮的沉陷量,并且还需加上弹性土壤的回弹量:
z2=z′2-z1+ze
式中,z2为后面车轮实际沉陷量;z′2为后轮修正前沉陷量;z1为前面车轮沉陷量;ze为土壤的回弹量。
如果后轮重复加载所施加的压力在BA段,则后轮的沉陷量可以通过近似直线的AB段方程来进行计算,AB段直线方程为
P=PA-kAB(zA-z)
则沉陷量可表示为
式中,zA为A点即前面车轮对应的沉陷量;kAB为直线AB的斜率,可以通过试验测得;PA为A点即前面车轮对应的载荷。
综上所述,修正后月球车后面车轮的沉陷量可表示为
这样月球车坡道行驶地面力学模型就可以表示为
2 月球车坡道行驶运动控制策略
月球车在坡道上行驶时,其运动控制策略主要是考虑其坡道通过性能和驱动效率。月球车无法通过坡道主要原因是车轮牵引能力不足或者悬架失稳使车体发生倾翻。一般选取月球车所能通过的最大坡道的坡度角ϕmax作为其通过性能的评价指标,当坡度角大于ϕmax时,采取的运动控制策略是避障。当坡度角小于ϕmax时,说明月球车有足够的驱动力爬上坡道,但由于月球车的能源是有限的,为保证月球车系统的能耗最小,应尽可能提高驱动效率,因此采取的运动控制策略是应尽可能在最高驱动效率下运动。
2.1 月球车坡道行驶通过性分析及其运动控制策略
2.1.1 坡道牵引通过性
月球车坡道牵引通过性是指在驱动电机功率足够的情况下,月球车的车轮能产生足够的牵引力来克服坡道阻力以通过坡道的能力。
当月球车在坡道上匀速行驶时,若车轮运动产生的切向力为FT,滚动阻力为FR,则车轮牵引力FDP可表示为
FDP=FT-FR
当驱动电机功率足够时,车轮牵引力主要取决于车轮与路面的附着情况。假定月球车在月面上的最大附着系数为μ,滚动阻力系数为f,则
FT≤Fnμ
FR≤Fnf
FDP=FT-FR≤Fn(μ-f)
FDP1+FDP2+FDP3≤(Fn1+Fn2+Fn3)(μ-f) (14)
将式(1)、式(2)代入式(14),可得
Gsinϕ≤Gcosϕ(μ-f)
tanϕ≤(μ-f)
ϕ≤arctan(μ-f) (15)
由于月球表面引力较小而且地面松软、遍布灰尘,故可认为月球车在月面上的最大附着系数应该达到0.6～0.7,而滚动阻力系数较小,一般为0.2～0.3,这里取μ=0.6,f=0.2,代入式(15),可求得月球车爬坡角度应满足:ϕ≤21.8°。
2.1.2 坡道倾翻稳定性
月球车坡道倾翻稳定性是指在路面附着条件足够的情况下,月球车在坡道上行驶时不发生悬架运动失效或车体倾翻的能力。这里仅讨论纵向坡道倾翻稳定性,选用月球车在上坡时不发生纵向翻倾的最大坡度角ϕmax作为评价指标。
月球车不发生纵向翻倾的条件是月球车的质心落在车轮的支撑范围之内,根据图1中的几何关系,最大坡度角ϕmax可通过以下公式计算:
本文分析所依据的月球车样车模型中,L1=430mm、L2=630mm、H=700mm,代入式(16),可求得月球车爬坡时不发生翻倾的最大坡度角为42.5°。
通过以上分析可得出,月球车能够爬上的最大路面坡度角小于其上坡车体发生翻倾对应的坡度角,因此月球车的上坡通过性主要由其牵引通过性决定。因此,月球车坡路行驶时的运动控制策略之一是:最大坡度角超过21.8°时,应避障。
2.2 月球车坡道行驶车轮驱动效率分析及其运动控制策略
当月球车在坡道上行驶时,为保证足够的车轮牵引力,应考虑增加车轮转速、提高滑转率。然而滑转率增加,车轮下陷也增加,使得运动阻力也增加,从而降低了驱动效率。月球车的能源是有限的,车轮驱动效率降低,月球车前进相同路程消耗的能量也就增加,月球车可以探测的月球环境范围就变小,可见车轮在月壤上的驱动效率对于能源节约有很大影响。因此在保证其通过性的前提下,如何提高驱动效率,使系统能耗最小,是月球车坡路行驶运动控制规划的最终目标。
驱动效率ηr是月球车车轮输出功率与输入功率之比,反映了车轮功率传递过程中的能量损失,可以用下式计算:
式中,ωr为驱动轮角速度;Tr为驱动力矩。
从上式可以看出,影响驱动效率的主要因素有滑转率、车轮的下陷深度。
月球车在松软月面坡道上行驶,当滑转率比较小时,车轮下陷深度较小,驱动效率较高。随着滑转率的增加,车轮下陷深度也随着增加,车轮前进需要克服更大的压实阻力,降低了驱动效率,但是下陷深度增加也使得车轮与月壤正应力、剪切应力以及接触面积增加,牵引力也获得增加,不过牵引力增加的速度小于阻力增加的速度,所以车轮下陷深度增加时牵引力和前进阻力都增加,但驱动效率降低。因此存在一个最佳滑转率,其对应的车轮驱动效率最高。
月球车车轮的滑转率跟车轮转速有关,通过控制驱动电机的给定电压从而控制车轮转速,进而控制滑转率,就可达到控制驱动效率的目的。因此,月球车坡道行驶时的运动控制策略之二是:在具有足够的车轮牵引力下,应控制月球车在最佳滑转率下运动,以保证车轮驱动效率最高。
3 仿真试验
在月球车三维可视化仿真平台中,月球车动力学模型是基于多体动力学仿真系统Vortex实现的,它提供了一个月球车与地面接触的刚性模型。在此基础上,加入用C++编写的软土动力学计算模块、电机驱动控制模块,设置好各模块接口之间的数据传递,可实现联合仿真。系统仿真的物理环境由Vortex来设置,利用Vortex函数来设置仿真环境的重力加速度,大小为月球重力加速度值,以虚拟月面重力场环境。试验条件参数为:车轮载荷30N、车轮半径0.175m、车轮宽度0.135m、车轮齿数24个;月球表面重力加速度设为1.63m/s2;月球土壤特性参数月面黏聚模量kc=1380Pa/mm-1(m为土壤的变形指数,决定kc的可变量纲)、月面摩擦模量kϕ=814 520Pa/mm;Bekker承压指数n=1.0、内摩擦角φ=0.541、剪切变形模量k=0.018、土壤的内聚力c=172.0Pa。
月球车在坡道行驶时的仿真效果如图4所示。
图5、图6所示分别为月球车以0.04m/s的速度爬上20°坡时车轮正压力和车轮牵引力变化仿真曲线。由于仿真平台中月面设置成崎岖不平的,所以月球车爬坡过程中,其三个车轮的正压力、牵引力是波动的。从图中可以看出,在上坡过程中,月球车后轮的正压力、牵引力最大,而中间车轮正压力、牵引力最小。主要原因是月球车爬坡时,由于月球车本身重力的作用,使得后轮受力增大,车轮下陷深度增大,后轮正压力和牵引力都相应增大。而中间车轮与后轮同与副摇臂铰接,可绕主摇臂摆动,所以后轮下陷,中间车轮则往上抬,使得下陷深度减少,中间轮正压力和牵引力相应减小。由于设置的路面是不平的,在30s处坡面有个小突起,所以正压力和牵引力在30s左右时出现较剧烈波动。
1.后轮正压力 2.前轮正压力 3.中间轮正压力
1.后轮牵引力 2.前轮牵引力 3.中间轮牵引力
图7所示为月球车爬坡时车轮正压力随月面坡度角的变化曲线,从图中可以看出,后轮正压力随坡度角增大而增加,而中间轮正压力随坡度角增大而减小。当坡度角为43°左右时,中轮正压力接近为0,就是说车轮将脱离月面,即月球车有失稳倾翻的趋势,这与前面分析的月球车爬坡时不发生翻倾的最大坡度角基本接近。
1.后轮正压力 2.前轮正压力 3.中间轮正压力
图8所示为车轮牵引力随月面坡度角的变化曲线,同样,后轮牵引力随坡度角增大而增加,而中间轮牵引力随坡度角增大而减少。从图中可看出,当坡度角度为20°左右时,中间轮的牵引力约为12N,而车轮载荷30N,根据前面分析,若最大爬坡角度为21.8°,则车轮重力在坡面方向的分力刚好为12N,两者基本一致。
1.后轮牵引力 2.前轮牵引力 3.中间轮牵引力
图9所示为驱动效率与滑转率的关系曲线,从图中可看出,滑转率小时,驱动效率高,达到最大驱动效率后,驱动效率随滑转率增大而下降,因此,存在一个最佳滑转率使得驱动效率最高。图9中最佳滑转率为0.28,此时驱动效率最高达0.78。图10所示为车轮最大驱动效率随月面坡度角的变化曲线,驱动效率随着坡度角的增大而减小。图11所示为最佳滑转率随坡度角的变化曲线,从图中可以看出最佳滑转率随着坡度角的增加而增大。月球车在斜坡面行驶时,车轮的牵引力不仅要克服车轮的月面运动阻力,还要克服车体重量在斜坡面方向的分力,随着坡度角的增加,所需牵引力增大,所以应增加车轮转速提高滑转率。利用最佳滑转率随坡度变化曲线就可以控制不同坡度下月球车的运动速度,从而达到提高驱动效率,节约能量的目的。
1.后轮驱动效率 2.前轮驱动效率 3.中间轮驱动效率
图12为在上海某航天研究所软土实验室进行的月球车爬坡性能试验,左图为试验样车,右图为试验坡道,坡道的车辙是样车通过时留下的。试验结果表明,当月球车以0.04m/s的速度行驶时,月球车能爬上的最大坡度角为22°,与仿真试验的结果基本吻合。
4 结论
(1)建立了月球车爬坡地面力学模型,在分析月球车轮地相互作用的基础上,对月球车受力模型进行简化修正,以便于月球车软土动力学仿真模块程序的编写。
(2)在月球车爬坡过程中,考虑后面车轮行驶在前面车轮形成的车辙中时,月面的土壤扰动和变形对车轮最大沉陷量的影响,将月球车行驶过程中前后车轮的沉陷量分开计算,使建立的车轮爬坡地面力学模型更加准确。
(3)通过对月球车坡路行驶过程分析,得出当坡度角大于21.8°时,应进行避障的运动控制策略。而在具有足够的车轮牵引力下,通过控制驱动电机的给定电压,从而控制车轮转速,使月球车在最佳滑转率下行驶,达到使驱动效率最高,系统能耗最小的运动控制策略。
(4)利用月球车三维可视化仿真平台,对月球车爬坡过程和运动控制策略进行仿真验证,并与实验室试验结果进行比较,仿真结果与试验结果、理论分析基本吻合。
摘要：坡道是崎岖月面环境的典型路况,在分析月球车轮地相互作用模型并对其进行修正的基础上,建立月球车坡道行驶地面力学模型。同时考虑前面车轮对月壤扰动变形的影响,提出了月球车行驶过程中前后车轮沉陷量的计算方法。最后通过分析月球车坡路行驶运动过程,得出如下结论:当坡度角大于21.8°时,应进行避障,而当月球车具有足够的车轮牵引力时,应控制车轮转速,使月球车在最佳滑转率下行驶。在月球车三维可视化仿真平台中进行了仿真验证和试验验证。
关键词：月球车,坡道行驶,地面力学模型,运动控制策略
参考文献
[1]Iagnemma K,Dubowsky S.Traction Control ofWheeled Robotic Vehicles in Rough Terrain withApplication to Planetary Rovers[J].The Interna-tional Journal of Robotics Research,2004,23:1029-1040.
[2]Ishigami G,Nagatani K,Yoshida K.Slope TraversalControls for Planetary Exploration Rover on SandyTerrain[J].Journal of Field Robotics,2009,26(3):264-286.
[3]陈世荣.摇杆-转向架式月球车月面通过性能研究[D].合肥:中国科学技术大学,2009.
[4]邓宗全,侯绪研,高海波,等.基于运动协调控制的摇臂式探测车路径多属性决策[J].吉林大学学报,2008,38(4):930-935.
[5]葛平淑,王荣本,郭烈.基于模糊逻辑的六轮月球车路径跟踪控制[J].吉林大学学报,2011,41(2):503-508.
[6]孙鹏,高峰,李雯,等.深空探测车可变直径车轮牵引通过性分析[J].北京航空航天大学学报,2007,33(12):1404-1407.
[7]Ishigami G,Miwa A,Nagatani K,et al.Terrame-chanics-based Model for Steering Maneuver ofPlanetary Exploration Rovers on Loose Soil[J].Journal of Field Robotics,2007,24(3):233-250.
[8]Ishigami G,Miwa A,Nagatani K,et al.Terrame-chanics-based Analysis on Slope Traversability fora Planetary Exploration rover[C]//InternationalSymposium on Space Technology and Science.To-kyo:Japan Society for Aeronautical and Space Sci-ences,2006:1025-1030.
[9]Jansoi Z,Hanamto B.The Analytical Determinationof Drawbar Pull as a Function of Slip for TrackedVehicles in Deformable Soils[C]//InternationalConference of the International Society forTerrain-Vehicle Systems.Turin:ISTVS,1961:707-726.
[10]Iagnemma K,Kang S,Shibly H,et al.Online Ter-rain Parameter Estimation for Wheeled Mobile Ro-bots with Application to Planetary Rovers[J].IEEE Trans.Robitics,2004,20(5):921-927.
[11]杨艳春,鲍劲松,金烨.基于虚拟现实环境的六轮月球车运动性能分析[J].上海交通大学学报,2010,44(8):1079-1083.
道路行驶工况 篇5
车辆行驶工况的开发具有很重大的意义, 其主要作用可以体现在以下三个方面。首先可以为考察某一区域的车辆排放以及能源消耗, 进而考察该地区车辆排放对环境污染造成的影响有多大;其次可以为当地车辆的动力匹配提供数据支持, 例如该地区普遍行驶规律如何, 选多大马力和功率的发动机最适合;此外, 也为车辆性能检测和维护提供依据。
上世纪我国大量引进德国汽车技术和成品, 因而我国所采用的是欧洲车辆工况, 并根据我国实际情况经过一部分完善形成我国的国家标准。但由于我国每个地区之间的环境气候、城市结构、交通法规、交通状况、经济发展状况等有很大的不同, 用单一的国标来给所有地区实行统一标准化很明显是不准确的, 因此单独来研究构建适合某一地区的车辆行驶工况就显得十分有意义。
根据定义不同种类的车辆, 其行驶工况都是不尽相同的。本文主要是要构建一套适合长春市冬季公共汽车的行驶工况, 公共汽车相对于一般乘用车辆具有平均速度低、起停频繁、怠速状态多、加速度小等特点, 因此我国所采用的不论是国标还是欧标都不能满足该使用需求。选取长春市典型路段进行多车次的实车试验, 最终构建出适合长春市冬季的主干道公共汽车行驶工况, 为长春市的公共汽车动力选配以及排放检测提供了数据支持。
1 试验方案
1.1 工况构建方法
本文所采用的公共汽车行驶工况方法是基于运动片段拟合构建的[1,2]。根据试验结果, 本文提取出整条线路完整的速度-时间数据, 进而依怠速阶段将所有的数据划分为若干独立的行程片段, 即将某怠速阶段到下一怠速阶段的一整段速度不为0的数据划分为一个行程片段[3,4], 之后将分别求出各个行程片段的所以27个特征值指标, 其中15个特征值指标用于拟合工况, 12个指标用于拟合工况的有效性检验。之后, 将各片段特征值构建特征值矩阵, 并利用Matlab软件和SPSS数理统计软件对这些矩阵进行主成分分析和聚类分析, 分别完成数据片段的降维和聚类处理, 之后进行有效性验证[5];并最终拟合成一条能代表实车数据的速度-时间联合分布曲线, 完成工况构建。
构建流程图如图1所示。
1.2 数据采集方法以及路线确定
平均车流法又被称为代表性工况法, 这种方法要求驾驶员在规划的试验时间和试验道路上依据交通情况, 随平均车流稳定行驶, 驾驶员在行车过程当中不刻意的去加速或者减速。此方法受驾驶员主观影响性较小, 而较大的受到交通情况和道路情况等客观环境的影响, 因此采用平均车流法需要事先规划好试验道路和试验时间段, 才能良好的体现出该道路行驶的真实情况。
由于本文要测试特定线路的公共汽车行驶信息, 只需要根据需要来确定选择哪几条线路作为测试线路即可, 因此选择平均车流法作为此次的数据采集方法。本文选取了长春市主干道306路为调查样本进行取样试验。
1.3 试验数据采集
现行的无论是车辆自带的速度传感器还是外部高精度传感器, 其速度的信号脉冲一般是车轮每转一周发射6个、24个和48个脉冲信号。试验表明, 当脉冲信号数量较低时, 会使测量到的加速度平滑性下降, 也会低估匀速阶段所占的比例, 因此本文采集数据时选择车轮每转一周传感器发射48个脉冲信号, 以获得良好的试验数据。
现行较主流的数据记录仪的采样频率包括5Hz、2Hz和1Hz三种, 频率越大则采样间隔相对越小, 这样采集到的数据越平滑, 但是过高的采样频率会过分平滑加速和减速阶段, 而且同时需要考虑后期数据采集的方便性。本文所选取的采样频率为1 Hz, 即采样间隔为1 s。
经过研究表明, 试验数据量和试验结果的准确性具有如图2的关系曲线[6,7]。由图2可以看出, 当采样数据量达到临界值n之前, 结果准确性和数据采集量呈正相关, 但是当达到临界值n后, 递增效果就不明显了。
本文所做试验路段为经过筛选的典型路段, 可以很好地代表长春市的公共汽车行驶工况, 并且数据量均在6 000~8 000 s之间, 经验证已经满足该数据量大于或等于该临界值。因此, 可以认为试验数据可以较准确地描述典型路段的实际状况。
1.4 试验车辆选择
公共汽车参数主要包括公共汽车型号、车身外形尺寸、动力类型、轴距、核定载客量等方面内容。表1为本次试验所选公共汽车技术参数。
2 试验数据计算及预处理
本文采用平均车流法分别对长春主干道306路公共汽车试验数据进行了数据采集, 通过主成分分析方法和聚类分析方法对长春市公共汽车行驶工况进行分析, 并最终拟合出900~1 200 s的行驶工况曲线。具体路线图如图3。
2.1 实验数据整理及修正
本试验数据通过FUGAWI软件进行采集输入, 采集时间间隔为1 s, 根据不同次数的试验结果发现, 采集的数据一般为6 000~8 000 s, 并经转换生成一系列TXT文件输出保存。由于GPS对于低速车辆的速度测定存在误差, 所以本文必须把录入的数据中存在问题的进行一定的矫正。
例如, 当公共汽车在怠速状态时, 电脑上会显示目标不规律的位置偏移和跳动, 而软件中记录的速度也会存在0 m/s~2 m/s范围内的偏差, 这时需要记下来误差出现的地方, 以便后续数据处理时把波动速度修改为0 m/s。
2.2 试验数据行程片段划分
本文通过对公交运行的状态划分为若干个行程片段, 再通过主成分分析和聚类分析, 对其进行处理后得出结果准确而且精简的模态工况。根据上文中定义, 每个行程片段的始末速度为0 m/s, 因此, 根据加速度的大小每一个行程片段都将包含四种典型的行驶状态, 即加速状态、匀速状态、减速状态和怠速状态。具体分类如下[8]。
(1) 加速状态:汽车加速度≥0.15 m/s2, 同时汽车速度≠0 m/s。
(2) 匀速状态:汽车加速度绝对值≤0.15 m/s2, 同时汽车速度≠0 m/s。
(3) 减速状态:汽车加速度≤—0.15 m/s2, 同时汽车速度≠0 m/s。
(4) 怠速状态:汽车发动机运转, 但是汽车速度=0 m/s。
2.3 行程片段特征值计算
本文选取了15个片段特征值来描述公共汽车行驶工况, 并作为评价标准以及此后主成分分析和聚类分析的数据基础[9], 如表2所示。
除此之外, 还另外选取了17个片段特征值用于判断特征值有效性, 这些特征值可以为之后的工况构建时片段提取提供有效性验证依据, 主要包括各阈值的速度和加速度所占整体比例等[10], 如表3所示。
经过对文中所提15个特征值的调整, 选取更加符合调查情况的指标, 最终所选取的15个特征值分别为运行时间t、加速比例ta/t、减速比例td/t、匀速比例tc/t、怠速比例ti/t、运行距离S、最大速度Vmax、平均速度Vm、平均速度 (不包含怠速状态) Vmr、速度标准偏差Vsd、最大加速度amax、加速段平均加速度aa、最大减速度amin、减速度平均减速度ad和加速度标准偏差asd。
本文所做线路试验均分两次 (上下行) 记录, 因此, 在处理数据前应该先把数据合并, 方便进一步处理。根据上文论述, 将合并数据中的误差记录点导入Excel表格修正后, 用Matlab软件进行特征值计算, 结果为:主干线306路共包含数据点5 698个, 经分段后所得行程片段317个。
3 长春市主干道公共汽车行驶工况构建
3.1 主成分分析
所谓主成分分析法是指将初始的多个统计分析变量经过降维后得到少个变量, 而且可以较精确的表达原有分析结果的分析方法。数学表达式如下:
本节内容将根据长春市典型路段的处理数据, 利用Matlab软件和SPSS统计分析软件对线路进行主成分分析, 最终得到线路的主成分个数、主成分得分、因子载荷图等相关信息。
1) 因子变量解释贡献率
由上述内容可知, 主成分解释方差, 即所求协方差矩阵的特征值表征了各主成分包含的信息量的大小, 由表4数据可得, 选取前三个总贡献率达到88.815%的主成分, 可认为这三个主成分可以良好的表征初始的15个数据片段特征值。
2) 因子载荷矩阵
得到各成分的解释贡献率之后, 可以计算出各成分的因子载荷矩阵, 在该矩阵当中可以清楚地看到初始的15个特征值因子在各主成分中所占载荷大小, 这样可以观察每一种主成分所包含的因子包含哪些, 进而明白各主成分所表示的片段特征值含义有哪些, 306路分析结果见表5。
通过旋转后的因子载荷矩阵结果, 可以知道:
第一主成分主要表征的因子包括运行时间t、减速比例td/t、运行距离S、最大速度Vmax、平均速度Vm、平均速度 (不包含怠速状态) Vmr、速度标准偏差Vsd、最大加速度amax、加速段平均加速度aa、最大减速度amin、减速度平均减速度ad和加速度标准偏差asd。
第二主成分包括加速比例ta/t。
第三主成分包括匀速比例tc/t、怠速比例ti/t。
3.2 聚类分析
本文所采用的聚类方法是快速聚类法, 快速聚类法是指依据样本中个体之间某类性质的亲属程度, 将相类似的个体快速的逐次聚类而进行快速归类的方法。
利用第一节中306路主成分分析的结果, 将观察数据分为317个数据片段, 进行主成分分析后得到了主成分分析的一个317×3的数字矩阵, 利用SPSS18.0软件对该矩阵进行聚类分析。通过实车试验分析, 本文确定306路主要行驶特征主要分为三类, 主要得到以下结果:
1) 最终聚类中心之间的距离
本次处理过程将迭代次数上限设置为10, 经过系统的反复迭代, 得到最终聚类结果的聚类中心距离如表6所示。
2) 每一类中样本点数
在SPSS18.0软件中可以设置每一样本点所属类别, 这样可以清楚地观察到每一类中包含的数据片段有哪些, 进而为后续确定每一类中片段的行驶规律提供了研究基础。
3) 聚类成员表
由表8可以看出所有317个数据片段都是有效片段, 这里给出每一样本点所属类别, 之后根据该表在Matlab中找到各片段原始数据。
3.3 工况构建
在进行主成分分析和聚类分析之后, 利用有效性检验特征值和预拟合数据的相关系数来分析处理后的数据, 在保证各片段的15个行驶工况特征值和整体特征值的相关性系数在0.95以上的情况下, 提取900~1 200 s的预拟合数据, 之后依据片段有效性验证特征值验证预拟合数据, 保证各阈值段的速度、加速度等时间比例不超过原始数据误差的10%, 则可以认为拟合数据通过验证, 最终将选取的数据拟合成为工况曲线。
306路实车试验包含5 695个样本点, 为了考察长春市的交通状况, 试验时间选择在早上7点30分开始, 为早高峰阶段。306路试验数据整体的特征值如表9所示。
通过Matlab各片段特征值和整体特征值的相关性检验所选取的预拟合数据如表10所示。从表10可以看到, 每一类中所有片段的特征值和该类整体特征值的相关性系数都在0.95以上, 这样就保证了每一片段对于该类的代表性。
表11给出了经过相关性检验的预拟合数据的有效性检验, 包括预拟合数据各阈值速度、加速度所占比例以及加速比例、减速比例、怠速比例和匀速比例和原始数据整体的相对误差。
经过有效性检验, 发现各特征值和整体误差都没超过10%, 可以认为数据是有效的, 所选数据包括第一类16个片段, 第二类3个片段和第三类4个片段共计1 161 s数据;将所选片段数据按类拟合后, 用Matla将所选取数据拟合成典型的行驶工况如图4所示。
4 结论与展望
(1) 在研究国内外现状的基础上, 分析了长春市城市经济发展、城市规划以及交通流量等方面的内容, 并依据特点选取主干道作为研究路线;依据国家相关标准确定冬季试验时间为2013年1月。然后搭建试验系统, 通过两个时段的实车试验得到约300 00 s的试验数据, 提出了运动学片段的提取方法并定义了合适的运动学片段特征值, 得到特征值矩阵。
(2) 通过主成分分析法将特征值矩阵降维, 比较后得到一个可以准确描述和表征原来矩阵的主成分矩阵。然后通过实车试验分析和聚类分析确定合适的分类数为3, 分析数据后确定这三个分类的意义:持续较久的低速运行、持续较久的中高速运行以及短时间内频繁启停。
(3) 在主成分分析和聚类分析之后, 进行了数据的相关性检验, 确保所选择数据片段正确归为某一对应分类;进行了所选择拟合片段的有效性检验, 以确保所拟合曲线和试验中实际工况的运行特征一致;构建了简化后的1 200 s长春市主干道公共汽车行驶工况。
(4) 目前国际上的车辆行驶工况绝大部分时乘用车, 对于公共汽车的行驶工况仍然没有一个统一的标准, 因此如若可以将本文研究内容受到其他国家和组织的认可, 从而构建国际性的标准, 那么对于公共汽车行驶工况的发展和应用必然有很大的推动作用。
参考文献
[1]余志生.汽车理论 (第三版) [M].机械工业出版, 2010, 10:38-39.
[2]朱西产, 李孟良, 马志雄, 等.车辆行驶工况开发方法[J].江苏大学学报, 2005, 26 (2) :110-112.
[3]马志雄.典型城市公共汽车实际行驶工况的开发及研究[D].武汉:武汉理工大学汽车学院, 2003, 11.
[4]吴晓栋.基于上海市道路运行条件的并联式混合动力汽车部件选型及控制策略设计研究[D].上海:同济大学汽车学院, 2013, 8.
[5]艾国和, 乔维高, 李孟良, 等.车辆行驶运动学参数构成分析[J].公路交通科技, 2006, 2:154-157.
[6]李江.交通工程学[M].北京:人民交通出版社, 2002.
[7]姚志良, 马永亮, 贺克兵, 等.宁波市实际道路下汽车排放特征的研究[J].环境科学学报, 2006, 26 (8) :1229-1234.
[8]锁国涛.武汉市公共汽车行驶工况及发动机循环工况的研究[D].湖北:武汉理工大学, 2006.
[9]訾琨, 黄永青, 涂先库, 杨仁法.宁波市区汽车行驶工况和污染物排放调查研究[J].内燃机工程, 2006, 01.
[10]姚志良, 王歧东, 等.成都市实际道路汽车行驶工况的研究[J].北京工商大学学报, 2004, 22 (1) :18-20, 24.
[11]Andre.M.In Actual Use Car Testing:70000 Kilometers and10000 Trips by 55French Cars under Real Conditions.SAE Technical Paper Series 910039.
道路行驶工况 篇6
行驶工况 (Driving Cycle) 又称汽车运行循环, 是指针对某一类型车辆, 在特定的时间条件和交通环境下描述车辆行驶特征速度-时间的变化规律, 用来评价车辆排放及油耗的特定使用环境, 具有权威性和完整性, 是汽车运用过程中的主要研究对象。研究表明, 车辆的能耗和排放性能对行驶工况极其敏感, 保证法规要求的测试工况与实际行驶工况的一致性对于对减少车辆在实际道路上的排放是至关重要的[1]。我国目前广泛使用的测试循环是欧洲的ECE15, 理论上, 不同国家和不同地域都有适用于各种车型的实际道路工况, 而欧洲的ECE15工况与我国实际道路情况的差异也是相当明显的[2,3,4], 用欧洲的工况对中国的车辆进行排放水平测试、能量消耗检测、动力总成匹配是不适合的。因此, 建立我国的城市道路工况是一项意义重大的研究课题, 然而找到一个快速、准确的工况合成方法是完成这项研究课题的关键点。研究特定线路行驶工况的快速合成方法, 对于城市公交客车建立基于工况自适应的驾驶优化控制策略具有更重要的意义。
本研究以天津市滨海公交503路公交数据为研究对象, 搭建了工况数据采集及分析平台。真实、全面的车辆行驶工况样本数据是工况合成工作的基础, 通过设计合理的车辆行驶工况数据采集方案, 采集了共1400圈超过15万公里的车辆运行数据, 覆盖了不同城市道路类型、不同季节、不同运行时段、不同司机类型及不同附件 (含空调) 使用情况。
1 研究对象与方法
本文采用了天津大学与中通客车新能源工程中心共同开发的车辆行驶工况数据采集平台, 该平台包含两个部分:车载智能信息终端和远程监控统计分析系统, 它们共同实现车辆运行状况的实时在线监控和数据的采集与统计分析。
1.1 研究对象
本研究选择了天津市滨海公交503路3辆配置完全相同的柴油公交客车, 该线路里程总长为70.4km, 从轻轨东海路站至天津西站北广场站, 途径64个站点, 并跨越了新区、城郊、市区三种典型路况。研究选取2013年5月~2015年10月期间的运行数据, 累计监控里程超过15万公里。图1为本文所采集的公交车运行线路图。
1.2 车载智能信息终端
车载智能信息终端通过CCP协议与公交车辆的ECU进行通讯, 实时获取车辆速度和位置信息, 并将数据通过GPRS网络进行实时上传和本地SD卡记录。为了提升本系统的数据采集能力、扩大采集变量的个数并提高数据采集频率、保证所采集的数据连续可信, 本研究在终端原有的J1939通讯协议基础上, 加入支持CCP协议通讯的模块, 能够最大限度提升数据采集的频率和变量支持个数。
1.3 远程监控统计分析系统
远程监控统计分析系统, 主要用于接收车载智能信息终端实时传送来的采集数据, 对数据进行预处理, 进行线路工况的快速合成, 其工作流程如图2所示。对实时接收车载智能信息终端传送的车辆数据, 进行畸剔除、遗失数据重构、有效性判断等预处理。根据GPS位置信息以及运行速度特征, 实时划分片段和进行分类, 再将不同类型的片段写入相应的片段数据库。依据典型特征, 从片段数据库生成备选数据库。
通过实时分类处理工况片段和实时构建备选片段数据库, 将工况合成运算中的基础运算分时到数据接收过程, 可以大大节省后续合成算法中片段优选和比对时间, 是快速合成算法的一个关键环节。另外, 也可以利用车载智能信息终端的运算能力, 将工况片段处理的基础运算前置到车载智能信息终端中, 可为线路工况的在线合成奠定重要基础。
2 工况数据预处理
2.1 工况片段划分
由于503线路单程距离长, 交通状况复杂, 横跨了市区、高速路、郊区三种不同的典型工况 (表1) , 因此为了使合成的工况最大限度接近该线路的实际情况, 将整条线路的工况片段按照三种不同的地理类型来分类, 分别合成三种不同的典型工况, 再将三种工况进行组合得到最终的线路典型工况。
在将整条线路分为三个不同的工况类型之后, 需要从各类数据中提取短行程片段和怠速片段, 分别构建该工况类型的短行程片段数据库和怠速片段数据库。短行程片段定义为车辆从开始运行到结束的行驶部分, 把怠速片段定义为车辆的发动机处于工作状态但车速为零的行驶部分, 如图3所示。
由于根据地域类型切分的工况片段会存在部分误差, 如郊区片段中会出现车辆极低速运行的情况, 而高速片段中也会出现中速运行的情况。因此, 为了使3种工况类型之间的区分更加明显, 对于短行程片段数据库进行进一步修正, 将片段分为低速 (v≤30km/h) , 中速 (30km/h<v≤50km/h) 和高速 (v≥50km/h) 三类, 如图4所示。
通过修正后得到的样本数据片段数据库概况见表2。
在用片段组合的方式合成典型工况之前, 首先要确定需要合成的典型工况的持续时间。本文选取与WLTP测试循环相同的工况时长1800s作为标准, 通过计算得到市区片段持续时间为560s, 高速路片段持续时间为620s, 郊区片段持续时间分别为620s。
2.2 工况片段选取
确定了三种不同工况的持续时间后, 分别对其进行典型工况构建, 在这里, 沿用WLTP的短行程和怠速片段选取方法[6], 计算模型如公式 (1) 和公式 (2) 所示。
在确定了每个工况类型所需片段的个数之后, 采取WLTP提出的累计频率法来选取短行程片段和怠速片段, 如图5所示。
首先通过片段数据库建立累计频率图, 然后将Y轴分为NST+1 (N1+1) 段, 则每一点对应频率函数上的X点即为所需选取的短行程 (怠速) 片段时间。通过此方法得到的结果见表4。
3 典型工况构建
确定了各类工况的备选短行程片段数据库后, 需要将备选短行程数据库中的短行程片段进行随机组合到备选典型行驶工况。在WLTP工况合成算法中[6], 通过计算速度-加速度分布的欧式距离方式, 选取欧式值最小的备选典型行驶工况作为该工况类型的最优工况。利用这种方法, 可以检验备选工况的速度与加速度分布于总体样本的接近程度。这种遍历方法的优势是能够找到与总体样本最接近的行驶工况作为代表这一区域的典型行驶工况, 而且基于累积频率分布的片段选取方法能够覆盖到更多的片段类型, 能够代表实际工况下的车辆运行状态。但是从表4可以看出来, 在市区工况的合成中, 每一组时间长度的片段个数都在200个以上, 这样如果进行遍历寻优的话需要进行3.322×1022次迭代运算, 而如果需要用此方法合成某一个城市或某一个国家的典型行驶工况时, 样本量会更加庞大, 那样, 最终需要进行寻优运算的运算次数是极其庞大的。因此, 本研究针对此问题提出了短行程寻优组合与聚类分析相结合的典型工况合成方法, 在将各时间长度片段随机组合之前先将该组片段进行主成分分析和聚类分析, 选取距离聚类中心最近的若干样本进行组合, 大大减少了迭代计算的次数。
3.1 工况片段归类分析
短行程片段的实质是运动学片段, 国内外的学者对于运动学片段的研究都是采用特征参数法, 本研究中选取23个特征参数的组合来描述短行程片段的特征 (表5) 。
主成分分析是针对多变量分析的常用方法。表5中描述工况片段的参数总共有23个, 在计算过程中, 如果全部利用这些参数势必造成计算量大, 计算耗时的问题, 于是考虑用主成分分析的方法, 对工况片段的特征参数进行降维处理, 即减少变量的个数。以市区工况为例, 在MATLAB程序中选取18个特征参数对备选片段数据库中持续时间为14s的短行程片段进行主成分分析, 前5个主成分的累计贡献率超过了90%, 如果各线性组合可以反映原变量80%以上的信息, 就能够满足车辆实际行驶工况的开发需求。本文为了数据分析的精度, 选取前5个主成分进行分析, 五个主成分所占的贡献率分别是59.83%, 16.02%, 5.82%, 5.55%, 3.79% (图6) 。
得到工况片段运动学参数的主成分后即可利用K均值聚类算法实现工况片段的快速聚类。基于上面对特征参数的主成分分析, 使用K均值聚类的方法将样本进行聚类分析, 选取距离聚类中心的N个片段作为备选片段进行寻优求解。本文使用MATLAB中的k-means函数实现聚类操作, 将短行程片段数据库中不同时间长度的片段进行了聚类分析, 然后根据聚类结果将工况片段重新组合成备选的工况片段数据库。
3.2 构建典型工况
通过主成分分析和聚类分析, 重新得到了各个工况类型的备选数据库。在此基础上进行片段随机组合之后的寻优操作, 找到与总体样本的速度-加速度分布欧式距离最近的工况, 得到该地域类型的典型行驶工况。之后将三种不同类型的典型行驶工况进行组合, 得到天津市滨海公交503路的典型行驶工况。
4 结论
本研究依托车辆行驶工况数据采集和分析平台, 提出了基于联合分布检验与聚类分析相结合的工况合成快速方法。并利用改进的WLTP工况合成方法完成了对滨海公交503线路典型行驶工况的构建。由于在工况片段的选取过程中摒弃了传统WLTP方法中依靠计算工况片段速度-加速度分布欧式距离的方式选取工况片段的方法, 采用先对工况片段进行主成分分析和聚类分析, 再将各工况片段随机组合的方法来构建工况, 避免了传统WLTP合成方法中的随机抽样过程, 解决了由此带来的计算量大和合成耗时过长的问题。结果表明, 在处理本文所解决的问题时, 本文所提方法相对传统WLTP方法将极大地减少运算量和运算时间。
摘要：针对WLTP方法在合成车辆行驶工况时的计算量大、耗时过长的问题, 本文提出了基于预归类分析的工况快速合成方法。该方法将整条线路工况分为三个典型地域工况类型, 在数据采集传送过程中, 将数据分类存放于短行程和怠速片段数据库。在合成工况时, 先对工况片段进行主成分和聚类的预归类分析, 再将各工况片段随机组合构建工况, 从而避免WLTP方法由于随机选择工况片段造成的弊端。结果显示, 在合成典型工况时, 本文所提方法的计算量及计算用时大大降低。
关键词：城市公交,工况快速合成,归类分析
参考文献
[1]马冬, 丁焰, 刘志华, 等.轻型汽车实际行驶工况的排放研究[J].安全与环境学报, 2008, 5 (5) :66~68.
[2]杨延相, 蔡晓林, 杜青, 等.天津市道路汽车行驶工况的研究[J].汽车工程, 2002, 24 (03) :200~204.
[3]李孟良, 苏茂辉, 马金荣, 等.北京地区实际行驶工况下柴油机负荷分布研究[J].车用发动机, 2007, 01 (01) :27~29.
[4]蔡锷, 李阳阳, 李春明, 等.基于K-均值聚类算法的西安市汽车行驶工况合成技术研究[J].汽车技术, 2015, 08 (08) :33~36.
[5]曾小荣, 孔令文, 杨学易, 等.主成分分析在车辆行驶工况中的应用[J].汽车实用技术, 2014, 05 (5) :5~9.
道路行驶工况 篇7
汽车行驶工况是描述车辆行驶的速度-时间曲线。近年来, 国内外学者对行驶工况进行了深入研究。Ericsson[1]对影响行驶工况的关键因素以及对汽车的油耗与排放有明显影响的因素进行了研究。Wang等[2]研究了中国城市行驶工况与欧美地区城市行驶工况的差异。文献[3-6]对上海、北京和广州三个城市进行了为期两年的车辆实际行驶工况调查研究、试验和数据采集分析, 用实测的方式研究了中国典型城市乘用车的行驶工况。文献[7]采取试验和调查的方式对上海市典型道路行驶特征进行了研究。文献[8]采取试验和调查的方式对天津市道路行驶工况进行了研究。马志雄等[9]研究了动态聚类法在车辆实际行驶工况开发中的应用。
自组织映射 (self-organizing maps, SOM) 算法不能提供非常精确的聚类信息, 但可以通过训练函数得到权值分布, 从而增强了样本的可聚类性[10,11,12], 而FCM算法在给定聚类中心和聚类数的情况下可以接近最优聚类。因此, 本文将SOM网络得到的权值中心作为FCM的初始聚类中心, 从而使聚类结果更加接近最优聚类, 采用改进的FCM聚类法构建了合肥市道路行驶工况。
1 行驶工况构建的基本理论与方法
1.1 主成分分析
在实际问题中, 不同变量之间有一定相关性。当变量较多且变量间有一定的相关性时, 分析问题的复杂性就会增加。主成分分析即设法将原来变量重新组合成一组新的相互无关的几个变量来代替原来变量, 同时根据实际需要从中取几个综合变量以尽可能多地反映原来变量的信息。具体步骤如下。
(1) 确定分析变量, 采集数据。假设有n个样本, 每个样本有p个变量 (记为x1, x2, …, xp) , 则构成一个n×p型的矩阵:
(2) 数据的标准化处理。为了消除量纲对数据处理的影响, 对原始数据进行标准化:yij= (xij-xi) /si, 其中, yij (i=1, 2, …, n;j=1, 2, …, p) 为标准化后的变量值;xij为实际变量值;xi为算术平均值;si为标准差, 则处理后的数据矩阵为
(3) 计算特征根与相应的标准正交特征向量。相关系数矩阵Z为
其中, zij (i=1, 2, …, n;j=1, 2, …, p) 为原变量zi与zj的相关系数, zij=zji, 其计算公式为
根据行列式|λE-Z|=0 (其中λ为特征值, E为单位矩阵) , 求出矩阵Z的p个特征值, 各主成分的方差贡献大小按特征根顺序排列, 且依次递减, 即λ1≥λ2≥…≥λp≥0。然后对每个特征值λj解方程组Z b=λjb对应于每个特征值的特征向量bj。
(4) 计算主成分贡献率及累计贡献率。主成分分析把p个原始变量y1, y2, …, yp的总方差分解为p个独立的变量g1, g2, …, gp的方差之和, 第j个主成分yj的方差贡献率为
第一主成分贡献率最大, 表明g1综合原始变量的能力最强, 而g2, g3, …, gp的综合能力依次递减。如果只取其中的m个主成分 (m
(5) 得到新综合变量:
其中, l11, l12, …, lmp为主成分得分系数, y1, y2, …, yp为样本标准化处理后的数据。f1, f2, …, fm分别称为原变量x1, x2, …, xp的第1, 第2, …, 第m个主成分。式 (7) 用矩阵表示为
1.2 SOM网络学习算法
SOM算法作为一种聚类和高维可视化方面的无监督学习算法, 是通过模拟人脑对信号处理的特点而发展起来的一种人工神经网络。SOM网络是由输入层和输出层 (竞争层) 构成的两层网络, 其结构如图1[12]所示。其中输入层的神经元个数的选取视输入网络的向量个数而定, 输出层的神经元个数取决于最终要区分的类别的个数。网络是全连接的, 每个输入神经元节点通过权值Wij (i=1, 2, …, M;j=1, 2, …, N) 与所有的输出神经元节点相连接。其基本思想是通过网络训练, 把相类似的输入映射到同一个输出节点上, 从而实现对输入数据的聚类。SOM算法的具体过程如下[13?17]。
(1) 初始化, 对初始权值向量选择较小的权值, 设定学习效率的初值及学习总次数T。
(2) 给网络提供一个输入模式:
(3) 竞争, 确定样本的获胜神经元。计算欧氏距离dj, 即输入样本与每个输出神经元j之间的距离:
并计算出一个具有最小距离的神经元j*, 即确定某个单元k, 对于任意j, 都有dk=min (dj) 。
(4) 修正输出的神经元j*及其邻接神经元的权值。公式如下:
其中, η (t) 为一个增益项, 并随时间变化逐渐减小到零, 一般取值范围为0~1。
(5) 令t←t+1, 重复步骤 (2) ~步骤 (4) , 直到映射不再发生明显变化时停止训练, 输出聚类结果。
1.3 FCM聚类
FCM聚类是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法, 通过迭代使各样本距离模糊聚类中心的距离加权和最小。
设目标函数式为
其中, n为样本数, c∈[2, n]为聚类类别个数, uij为第j个样本属于第i类的隶属度, dij为第j个样本距离第i类聚类中心的距离, 一般可设为欧氏距离。mf∈[1, ∞) 是模糊加权指数, 用来控制隶属矩阵的模糊程度, 本文取mf=2。{x1, x2, …, xn}是一个含有n个样本的集合。将这n个样本划分为c类, 用V={v1, v2, …, vc}表示这c个类的中心。设U= (uij) c×n, 矩阵U的元素uij表示j (j=1, 2, …, n) 个样本属于第i (i=1, 2, …, c) 类的隶属度, uij满足如下条件:
算法流程如下:
(1) 定义类别数c (2≤c
(2) 随机产生一个聚类中心ωi (k) , i=1, 2, …, c, 并令循环次数k←1。
(3) 隶属度计算公式为
(4) 修正聚类中心为
(5) 误差计算公式为
如果e<ξ, 算法结束;否则k←k+1, 转步骤 (3) 。
(6) 算法结束后, 由得到的隶属度矩阵确定数据所属的类, 显示最后聚类结果。
2 道路行驶工况的构建
2.1 数据采集
本文以合肥市典型道路为采集对象, 选取屯溪路、明光路、环湖东路进行样本采集。采样时间为7:30~11:30和13:00~18:00, 对采样路线连续采样两周, 包括车流量的高峰期与非高峰期以及工作日与非工作日的各个时段。驾驶员采用固定路线跟车法, 跟随测试路段上的车流行驶进行数据采集。
2.2 运动学片段划分及特征参数
车辆在正常的行驶过程中, 受道路交通状况的影响, 总是频繁地加速、减速、怠速。为便于处理数据, 本文定义运动学片段为车辆从一个怠速开始到下一个怠速开始的运动过程。在数据处理过程中, 本文将行驶工况按以下原则定义: (1) 怠速工况, 即发动机工作并且速度v=0的行驶状态; (2) 加速工况, 即车辆加速度a≥0.36m/s2且速度v≠0的行驶状态; (3) 减速工况, 即车辆加速度a≤-0.36m/s2且速度v≠0的行驶状态; (4) 匀速工况, 即车辆加速度|a|≤0.36m/s2且速度v≠0的行驶状态。
描述汽车运行状态的参数有很多, 如果选择过多的参数表征汽车的行驶状态, 会使计算变得复杂, 可能会给分析工作带来不必要的困难;如果参数选择过少, 可能不足以描述真实的汽车运行状态。综上考虑, 本文定义了以下11个参数:Pa (加速比例) 、Pd (减速比例) 、Pc (匀速比例) 、Pi (怠速比例) 、vm (平均速度) 、vmr (平均运行速度) 、vmax (最大速度) 、amax (最大加速度) 、amin (最小加速度) 、vsd (速度标准偏差) 、asd (加速度标准偏差) 。
对采集到的13 000多组数据进行预处理后, 将数据分成96个运动学片段, 再分别计算各个运动学片段的特征参数, 结果见表1。
2.3 主成分分析及聚类解析
用高级统计软件SPSS对各运动学片段的全部特征值参数进行主成分分析, 得到前11个主成分, 分别用Mi (i=1, 2, …, 11) 表示。各主成分的贡献率及累积贡献率见表2。
通常选取累积贡献率达到80%左右且特征值大于1的变量进行主成分分析。由表2可以看出, 前3个主成分特征值的累积贡献率达到了82.221%, 而且前3个主成分的特征值都大于1, 所以选取前3个主成分进行聚类分析。
在主成分分析的基础上, 可以得到各运动学片段在前3个主成分上的得分, 见表3。
将主成分得分作为新的综合变量, 进行聚类分析。为了防止奇异样本数据的存在所引起的神经网络训练时间增加, 并可能引起网络无法收敛, 必须对新的综合变量进行归一化处理, 归一化处理的表达式为
其中, Y为归一化后的数据, Xmax、Xmin分别为样本数据的最大值和最小值。运用MATLAB中的SOM神经网络工具箱创建SOM神经网络, 将实际道路的交通状况分为3类, 即低速、中速、高速, 所以竞争层的结构设为1×3。由于神经网络的聚类性能受训练步数的影响, 故经多次试验, 将训练步数设为30、60、100。比较3次训练结果可以发现, 训练60次和100次时输出神经元权值基本保持不变, 说明SOM网络已经收敛, 如图2、图3所示。其中, W (i, 1) 、W (i, 2) 、W (i, 3) 分别为第i个点到第1、第2、第3类聚类中心的权值。
选取SOM网络训练100次时的竞争层神经元权值作为FCM聚类的初始聚类中心, 可以有效地避免聚类陷入非最优聚类, 从而使聚类结果更接近最优聚类。竞争层神经元权值见表4。
改进前后的FCM聚类结果如图4、图5所示。从图5可以直观地看出, 改进后的FCM聚类法将96个运动学片段分成3类。第1类为“×”, 位于图形的上方, 由24个片段组成;第2类为“□”, 位于图形的右侧, 由4个片段组成;第3类为“+”, 位于图形的下方, 由68个片段组成;○、*、◇分别代表3个聚类中心。
本文代表性工况的持续时间选取为1000s左右。根据相关系数大小和各类别的时间长度比, 改进后的FCM聚类法从第1类选取片段93, 从第2类选取片段51, 从第3类选取片段56、62、64、74, 用MATLAB拟合的工况如图6所示。改进前的FCM聚类法从第1类选取片段44、65, 从第2类选取片段36、56、84、89, 从第3类选取片段6、64, 拟合工况如图7所示。
3 代表性工况精度分析
3.1 基于特征参数的误差分析
将改进后的FCM聚类法和改进前的FCM聚类法得到的特征参数及试验数据的特征参数进行比较, 结果见表5。
通过表5可以计算出, 改进后的FCM聚类法得到的特征参数与试验数据的平均相对误差仅为5.72%。而改进前的FCM聚类法在特征参数vm与vmr上存在较大误差, 且大部分特征参数误差比改进的FCM聚类法大, 所以采用改进后的FCM聚类法构建的行驶工况在特征参数值方面更能反映试验数据, 精度更高更合理。
3.2 两个独立样本加速度分布的K?S检验
把整个行驶过程的加速度分为3类[18,19]: (-∞, -0.98) m/s2, [-0.98, 0.98]m/s2, (0.98, +∞) m/s2;每类加速度的速度又分为6类:[0, 10) m/s, [10, 20) m/s, [20, 30) m/s, [30, 40) m/s, [40, 50) m/s, [50, +∞) m/s。为检验代表性工况加速度分布与试验数据的加速度分布的相似性, 进行了两个独立样本的K-S检验, 检验结果见表6。结果发现, 改进后的FCM聚类方法拟合工况的加速度分布与试验数据的相似水平都比改进前的FCM聚类方法好, 即改进后的FCM聚类方法拟合工况在模型事件加速度分布上优于改进前的FCM聚类方法, 能更好地复制行驶工况的加速度频率。
4 结论
(1) 进行聚类分析时, 考虑到FCM聚类法可能使聚类结果陷入局部最优, 本文提出了改进的FCM聚类法, 使聚类结果更接近全局最优, 从而更好地反映汽车在行驶过程中速度与加速度分布, 使得特征参数的平均相对误差更小, 为构建城市道路行驶工况提供了一种新的思路。