莊繼暉，謝 輝，嚴(yán) 英

(天津大學(xué)內(nèi)燃機(jī)燃燒學(xué)國家重點(diǎn)實(shí)驗(yàn)室，天津 300072)

汽車行駛工況是針對某一類型的車輛(如轎車、輕型車、重型車等)指定用來代表在特定環(huán)境(如城區(qū)、郊區(qū))的車輛行駛車速-時間歷程[1]．受到道路特征、地理特征以及交通流量等因素的影響，使得不同地區(qū)和典型城市的行駛工況具有不同的特點(diǎn)．通過獲取和分析汽車的行駛工況能夠?yàn)榭疾燔囕v在某一地區(qū)的排放水平和能量消耗分布提供數(shù)據(jù)依據(jù)；同時對車輛動力系統(tǒng)匹配以及控制策略的優(yōu)化具有重要的指導(dǎo)作用．

電動汽車作為新能源動力車輛，具有高效、節(jié)能、零排放等特點(diǎn)，為環(huán)保和節(jié)能提供了全新的途徑．在研制符合環(huán)保法規(guī)要求的電動汽車的過程中，對道路行駛工況的開發(fā)研究是一個重要環(huán)節(jié)．目前我國輕型車采用的測試循環(huán)是歐洲的行駛工況 ECE15+EUDC[2]，但是我國各城市交通狀況以及道路狀況等與歐洲國家存在著不同的差異，因此研究符合我國交通特征的車輛實(shí)際行駛工況具有重要的意義．一般來說，車輛道路行駛工況的開發(fā)包括試驗(yàn)規(guī)劃、數(shù)據(jù)采集、數(shù)據(jù)分析和工況驗(yàn)證4個過程[3-4]．在數(shù)據(jù)采集過程中，通常采用車載數(shù)據(jù)記錄儀或者 GPS導(dǎo)航儀等設(shè)備來獲得車速等數(shù)據(jù)．車載數(shù)據(jù)記錄儀能夠獲得精度和準(zhǔn)確度較高的數(shù)據(jù)，但是受存儲空間的限制，不適合車輛數(shù)據(jù)的長時間連續(xù)記錄；而 GPS導(dǎo)航儀由于 GPS信號漂移等原因會給車速的測量帶來一定的誤差．為此，筆者提出了一種基于 GPRS的遠(yuǎn)程采集道路行駛工況數(shù)據(jù)的方法；并利用自組織映射(self-organizing map，SOM)網(wǎng)絡(luò)對車輛的運(yùn)動學(xué)片段進(jìn)行聚類，獲得與實(shí)際運(yùn)行中交通狀況相對應(yīng)的類集合；最后運(yùn)用主要特征參數(shù)構(gòu)造出適用的、時間序列較短的行駛工況，從而實(shí)現(xiàn)對電動汽車道路行駛工況的自學(xué)習(xí)．

1 基于GPRS的遠(yuǎn)程數(shù)據(jù)采集

行駛工況自學(xué)習(xí)流程如圖1所示.

圖1 行駛工況自學(xué)習(xí)流程Fig.1 Process of self-learning of driving cycle

通用分組無線業(yè)務(wù)GPRS采用分組交換技術(shù)，特別適用于間斷的、突發(fā)性的和頻繁的、點(diǎn)多分散、中小流量的數(shù)據(jù)傳輸[5]，因此 GPRS能夠很好地滿足電動汽車行駛工況數(shù)據(jù)遠(yuǎn)程采集的需要．整個系統(tǒng)結(jié)構(gòu)如圖2所示．

圖2 遠(yuǎn)程數(shù)據(jù)采集系統(tǒng)Fig.2 Structure of remote data collection system

遠(yuǎn)程數(shù)據(jù)采集原理如下：首先車載數(shù)據(jù)采集終端的CAN模塊通過CAN總線與電動汽車主控制器進(jìn)行數(shù)據(jù)交換，獲得車速和車輛運(yùn)行狀態(tài)信息，并將獲得的數(shù)據(jù)按照通信協(xié)議進(jìn)行數(shù)據(jù)打包成PDU分組數(shù)據(jù)單元；接著 PDU被傳送到 GSM 網(wǎng)絡(luò)中車載數(shù)據(jù)采集終端所處的服務(wù)GSN(serving GSN，SGSN)[6-7]；最后 SGSN把數(shù)據(jù)傳送到網(wǎng)關(guān) GSN(gateway GSN，GGSN)，GGSN 將收到的數(shù)據(jù)進(jìn)行解封裝處理，轉(zhuǎn)換為可在 Internet中傳送的格式，最終采集數(shù)據(jù)被連接到 Internet上的中央數(shù)據(jù)庫服務(wù)器接收，完成整個基于 GPRS遠(yuǎn)程數(shù)據(jù)采集的過程．遠(yuǎn)程采集的數(shù)據(jù)存儲在中央數(shù)據(jù)庫服務(wù)器中，必須對原始數(shù)據(jù)進(jìn)行處理和解析，才能構(gòu)建出車輛的實(shí)際行駛工況．

2 SOM在行駛工況自學(xué)習(xí)中的應(yīng)用

2.1 SOM神經(jīng)網(wǎng)絡(luò)

SOM網(wǎng)絡(luò)是由Kohonen于1981年提出的，其基本結(jié)構(gòu)如圖3所示，網(wǎng)絡(luò)由輸入層(神經(jīng)元數(shù)為N)和競爭層(神經(jīng)元數(shù)為M)構(gòu)成，輸入層和輸出層之間的神經(jīng)元形成全連接．SOM 網(wǎng)絡(luò)可以將任意維的輸入模式在輸出層上映射為一維、二維或更高維的離散圖形，并且保持網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)不變[8]．SOM 的聚類功能主要是基于以下2個規(guī)則[9-10]實(shí)現(xiàn)的．

(1)對于提供給網(wǎng)絡(luò)的任意一個輸入向量 ξ，確定響應(yīng)的輸出層獲勝神經(jīng)元S，其中

(2)確定獲勝神經(jīng)元 S的一個領(lǐng)域范圍 Ns，并調(diào)整 Ns范 圍 內(nèi) 神 經(jīng) 元 的 權(quán) 向 量 Wc= Wc+ ε（ ξ ?Wc） ,?c∈ NS，這個調(diào)整過程將使 Ns內(nèi)神經(jīng)元的權(quán)向量朝著輸入向量 ξ的方向靠近．學(xué)習(xí)率ε和領(lǐng)域 Ns隨著學(xué)習(xí)時間不斷縮小，所有的權(quán)向量會在輸出向量空間中相互分離開來，各自代表輸出空間的一類模式，即SOM的聚類功能．

圖3 SOM網(wǎng)絡(luò)的結(jié)構(gòu)Fig.3 Structure of SOM network

2.2 基于SOM網(wǎng)絡(luò)的行駛工況聚類分析

研究表明，車輛在不同路段、不同時間的道路狀況會有很大的差異，在構(gòu)建行駛工況中將運(yùn)動學(xué)片段總體樣本分成2類比較合理[11]．為了反映車輛的運(yùn)動學(xué)水平，本文定義了 15個特征值參數(shù)，如表 1所示，通過這些特征值可以了解其對應(yīng)的交通特性．首先對原始數(shù)據(jù)進(jìn)行運(yùn)動學(xué)片段的分割處理；然后應(yīng)用SOM 網(wǎng)絡(luò)的聚類分析技術(shù)，把電動汽車的運(yùn)動學(xué)片段分成 2類，形成實(shí)際行駛中對應(yīng)的暢通流、擁擠流(包括堵塞流)行駛特征．

以訓(xùn)練庫中的80個樣本作為訓(xùn)練樣本，20個樣本作為測試樣本，使用 Matlab的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行SOM網(wǎng)絡(luò)的構(gòu)建．通過SOM網(wǎng)絡(luò)，樣本被分為2類，形成擁擠流(包括堵塞流)、暢通流行駛特征的片段數(shù)據(jù)庫——庫1和庫2．庫1的特征參數(shù)顯著反映了擁擠流(包括堵塞流)情況下運(yùn)動學(xué)片段的特點(diǎn)．相比庫 1而言，庫 2的平均速度、平均運(yùn)行速度以及平均運(yùn)行距離均明顯增大，而平均加、減加速度和怠速時間明顯減少，這說明經(jīng)過 SOM 聚類分析后的運(yùn)動學(xué)片段是有效的，與電動汽車實(shí)際行駛情況具有很好的對應(yīng)關(guān)系．

表1 運(yùn)動學(xué)特征值表Tab.1 Characteristics of kinematics

2.3 行駛工況的在線構(gòu)建

經(jīng)過 SOM 的聚類分析后，得到了 3個片段庫，分別為原始數(shù)據(jù)片段庫(綜合行駛工況片段庫)、擁擠道路行駛工況片段庫和暢通行駛工況片段庫．在這 3個片段庫的基礎(chǔ)上構(gòu)建反映擁擠道路、暢通道路和綜合道路行駛特征的 3種行駛工況．行駛工況的構(gòu)建過程如下：首先，從對應(yīng)的短行程樣本庫中隨機(jī)挑選n個短行程，組成一個約900～1 200 s[12]的工況，并計(jì)算其主要特征值；其次，進(jìn)行工況的有效性判斷，如果計(jì)算出的特征值與樣本中相應(yīng)特征值的誤差不超過10%，則認(rèn)為此工況滿足有效性判定條件，能夠成為反映對應(yīng)道路行駛特征的行駛工況；否則，再次隨機(jī)挑選 n個短行程組成新的工況，計(jì)算其特征值誤差，直到滿足誤差允許范圍內(nèi)的工況出現(xiàn)為止．

根據(jù)上述過程構(gòu)建出的 3種行駛工況見圖 4～圖6．圖4為擁擠道路行駛工況，工況時長1,222,s，運(yùn)行距離2.66,km，平均速度7.8,km/h．圖5為暢通道路行駛工況，工況時長 1,083,s，運(yùn)行距離 8.52,km，平均速度 28.3,km/h．圖 6為綜合行駛工況，工況時長1,040,s，運(yùn)行距離6.25,km，平均速度21.6,km/h．

圖4 擁擠道路行駛工況Fig.4 Driving cycle of congested condition

圖5 暢通道路行駛工況Fig.5 Driving cycle of straightway condition

圖6 綜合道路行駛工況Fig.6 Driving cycle of general condition

為了驗(yàn)證構(gòu)建出來的工況的有效性，對構(gòu)建工況和實(shí)際工況進(jìn)行了相對誤差分析．獲得如下結(jié)果，與表1相對應(yīng)的各參數(shù)的平均相對誤差分別為 2.97%、5.18%、6.26%、7.37%、6.11%、4.33%、8.01%、7.55%、4.42%、7.23%、8.26%、6.35%、5.77%、7.28%、7.57%．分析結(jié)果表明構(gòu)建出的工況與實(shí)際工況的特征參數(shù)的相對誤差在 10%以內(nèi)，說明構(gòu)建出的行駛工況能夠比較真實(shí)地反映該地區(qū)車輛運(yùn)行的實(shí)際狀況．

本文構(gòu)建的汽車行駛工況與歐洲工況相比有自己的特點(diǎn)，見表 2．具體表現(xiàn)為綜合工況的平均速度比歐洲工況的略高 7.28%；綜合工況下的平均加速度相對較低，,比歐洲工況的低19.1%， 其平均減速度為-0.58 m/s2，也比歐洲工況的低了19.4%，這反映出歐洲國家的總體道路設(shè)施水平要高于天津市的水平．在加減速工況所占比例上，綜合工況值分別高于歐洲工況的 7.8%和 19.4%，勻速工況比例基本相當(dāng)．而在怠速所占比例上，綜合工況值略小于歐洲工況值，道路綜合通行能力處于中等情況；但是擁擠道路工況與暢通行駛工況在怠速工況比例上相差較大，說明天津不同路段之間的道路工況相差比較大；近年來天津市快速道路網(wǎng)得到不斷的完善和發(fā)展，使得非繁華地段的道路通行能力較高，相應(yīng)地，其怠速比例也比較低．綜合而言，以天津市為代表的車輛行駛工況和歐洲的 ECE15工況存在較大差異，使用本文方法構(gòu)建出的工況更能代表我國車輛真實(shí)運(yùn)行狀況，能夠?yàn)殡妱悠嚮诘缆沸旭偣r控制策略的自適應(yīng)優(yōu)化提供更為可靠和有效的基礎(chǔ)數(shù)據(jù)．

表2 天津與歐洲行駛工況的比較Tab.2 Comparison of driving cycle between in Europe and in Tianjin

3 結(jié) 語

本文提出了一種基于 GPRS的遠(yuǎn)程數(shù)據(jù)采集方法，并通過自行開發(fā)的車載數(shù)據(jù)采集終端實(shí)現(xiàn)了電動汽車道路行駛數(shù)據(jù)的遠(yuǎn)程采集，為電動汽車的行駛工況開發(fā)提供了基礎(chǔ)數(shù)據(jù)源．同時將 SOM網(wǎng)絡(luò)應(yīng)用于行駛工況的開發(fā)，利用 SOM 的聚類分析技術(shù)對輸入的運(yùn)動學(xué)片段進(jìn)行分類和行駛工況的自學(xué)習(xí)，構(gòu)建出擁擠、暢通和綜合行駛 3種行駛工況．所構(gòu)建的行駛工況與歐洲行駛工況的比較結(jié)果表明，SOM 自學(xué)習(xí)構(gòu)建的行駛工況滿足一般規(guī)律，能夠反映天津市道路交通的特征．

［1］ Dembski N，Guezennec Y，Soliman A. Analysis and experimental refinement of real-world driving cycles[C]// SAE Paper. Detroit，2002，2002-01-0069.

［2］ 國家環(huán)境保護(hù)總局. GB 18352.1—2001 輕型汽車排氣污染物排放限值及測量方法[S]. 2001.

Ministry of Environmental Protection of the People′s Republic of China. GB 18352.1—2001 Limits and Measurement Methods for Emissions of Pollutants from Light-Duty Vehicles[S]. 2001(in Chinese).

［3］ 楊延相，蔡曉林. 天津市道路汽車行駛工況的研究(B)[J]. 汽車工程，2002，24(2)：172-176.

Yang Yanxiang，Cai Xiaolin. Study on vehicle driving cycle on road in Tianjin(B)[J]. Automotive Engineering，2002，24(2)：172-176(in Chinese).

［4］ de Haan P，Mario K. Real-World Driving Cycles for Emission Measurements：ARTEM IS and Swiss Cycles(E)[R]. Swiss Agency for Environment，F(xiàn)orests and Landscape(SAEFL)，2001.

［5］ Meyer M. TCP performance over GPRS[C]//IEEE Wireless Communications and Networking Conference. New Orleans，USA，1999，3：1248-1252.

［6］ Tsao Shiao-Li. Scalable gateway GPRS support node for GPRS/UMTS networks[C]// Proceedings of 56th IEEE Vehicular Technology Conference. Vancouver，Canada，2002，4：2239-2243.

［7］ Mishra A. Performance and architecture of SGSN and GGSN of general packet radio service(GPRS)[C]//IEEE Global Telecommunications Conference，GLOBECOM '01. US，2001，6：3494-3498.

［8］ Koikkalainen P. Tree structured self-organizing maps[G]// Oja E，Kaski S. Kohonen Maps. Amsterdam：Elsevier，1999：121-130.

［9］ Kohonen T. Self-Organizing and Associative Memory[M]. Heidelberg：Springer，1984.

［10］ 張敏靈，陳兆乾，周志華. SOM 算法、LVQ 算法及其變體綜述[J]. 計(jì)算機(jī)科學(xué)，2002，29(7)：97-100.

Zhang Minling，Chen Zhaoqian，Zhou Zhihua. Survey on SOM algorithm，LVQ algorithm and their variants[J]. Computer Science，2002，29(7)：97-100(in Chinese).

［11］ Ronald E K，Thomas A H. Development of the federal urban driving schedule[C]// SAE Paper. 1975，730553.

［12］ 李孟良，李 洧，方茂東，等. 道路車輛實(shí)際行駛工況解析方法研究[J]. 武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版，2003，27(1)：69-72.

Li Mengliang，Li Wei，F(xiàn)ang Maodong，et al. The parse method of actual running cycle of vehicle on road[J].Journal of Wuhan University of Technology：Transportation Science and Engineering，2003，27(1)：69-72(in Chinese).