朱 華，牛禮民，張泉泉

(安徽工業(yè)大學(xué)機械工程學(xué)院，安徽馬鞍山243032)

汽車行駛工況又稱汽車運轉(zhuǎn)循環(huán)，用來描述某一類車輛在一定交通環(huán)境下的行駛特征，即速度—時間歷程，直接反映車輛行駛過程中速度的變化情況及其駕駛平穩(wěn)性，據(jù)此可確定車輛污染物排放量和燃油消耗量。因此，研究汽車行駛工況可為新型汽車的技術(shù)開發(fā)、評估以及交通風(fēng)險測定與控制等提供參考依據(jù)[1-2]。目前，國內(nèi)外學(xué)者對汽車行駛工況進行了研究，并構(gòu)建合理的典型工況或以城市行駛特征為基礎(chǔ)的行駛工況。Nyberg等[3]利用馬爾可夫鏈與EqDC(equivalent driving cycle)相結(jié)合的方法從標準行駛工況中生成新的行駛工況，該工況比原標準工況更具代表性；Amirjamshidi等[4]利用多倫多濱水地區(qū)微觀交通模型開發(fā)行駛工況，經(jīng)仿真驗證該工況更具有代表性；曹騫等[5]以馬爾科夫鏈為基礎(chǔ)，采用改進的Kneser-Ney平滑方法估計狀態(tài)轉(zhuǎn)移概率，提出了代表行駛工況的構(gòu)建算法，并利用沈陽市乘用車行駛數(shù)據(jù)庫構(gòu)建代表行駛工況，經(jīng)對比驗證，構(gòu)建的工況能夠準確反映總體行駛特征。由于交通環(huán)境的影響，汽車實際行駛工況有較大的隨機性和不確定性，同時系統(tǒng)響應(yīng)速度隨識別復(fù)雜程度的增長而降低，對此較少學(xué)者設(shè)計相應(yīng)數(shù)據(jù)庫對汽車行駛工況進行預(yù)判。鑒于此，文中通過提取行駛工況特征參數(shù)，利用K-Means聚類分析得到4種工況類別的特征參數(shù)范圍，同時在MY SQL軟件上建立行駛工況數(shù)據(jù)庫，且利用JAVA編程語言編寫查詢及自動判定等程序，完成系列功能，以期系統(tǒng)快速準確地反映汽車行駛工況、增強汽車對不同行駛工況的適應(yīng)性。

1 行駛工況特征參數(shù)提取及工況分類

1.1 行駛工況特征參數(shù)的提取

行駛工況的特征參數(shù)表現(xiàn)汽車在行駛過程中經(jīng)歷的歷史數(shù)據(jù)特點，是工況識別研究的基礎(chǔ)。此外，工況特征參數(shù)與燃油消耗之間相互影響，直接影響工況識別結(jié)果的準確度。與車輛工作狀態(tài)參數(shù)息息相關(guān)的特征參數(shù)主要有行駛距離、行駛時間、最高速度、平均速度、最大加速度、減速段最大加速度、平均加速度、減速段平均加速度、停車怠速比、加速時間比、減速時間比等。上述特征參數(shù)相互影響、相互制約，對車輛工作狀態(tài)參數(shù)的相關(guān)影響程度不一，工況識別時若選擇上述所有參數(shù)作為特征參數(shù)，則將影響識別的準確性和實時性。其中最高速度、平均速度、最大加速度、減速段最大加速度、平均加速度、減速段平均加速度和停車怠速比可較好地反映工況特征，參考文獻[6-8]并考慮本文需求，將此7 個參數(shù)作為工況識別特征參數(shù)，選取ADVISOR車輛仿真軟件中具有代表性的32種行駛工況進行分析。

考慮到汽車行駛過程中對于不同工況，即使各工況路程相同，其經(jīng)歷的時間也不同，文中根據(jù)經(jīng)歷的時間計算工況的特征值，其計算公式如下。1)工況經(jīng)歷時間內(nèi)最高速度vmax

2)工況經(jīng)歷時間內(nèi)平均速度vavg

其中：k為工況采樣點數(shù)量；Str為工況總路程；ttr為工況經(jīng)歷時間。

3)工況經(jīng)歷時間內(nèi)最大加速度aacc_max和減速段最大反向加速度(簡稱最大減速度)adec_max

4)工況經(jīng)歷時間內(nèi)平均加速度aacc_avg和減速段平均反向加速度(簡稱平均減速度)adec_avg

其中：aacc(t)為加速段加速度，aacc(t)=dv/dt；adec(t)為減速段加速度，adce(t)=dv/dt；v為速度；t為時間。

5)工況經(jīng)歷時間內(nèi)停車怠速比（v=0所占時間/總時間）rtr_idl

其中tidl為工況中v=0 怠速狀態(tài)經(jīng)歷的時間。

由此可得出32種行駛工況的識別特征參數(shù)，如表1。

表1 32種行駛工況識別特征參數(shù)Tab.1 Identification characteristics of 32 driving cycles

1.2 行駛工況的分類

從表1可看出：部分工況識別特征參數(shù)有明顯的規(guī)律性特征變化，如最高速度和平均速度，且其在不同工況下差別很大；有些參數(shù)沒有明顯的特征變化，如最大加速度和最大減速度。因此，將32 種工況隨機排列，組成一個包括全部工況類別的綜合工況，依次對7個特征參數(shù)進行分析。以最高速度和平均速度為例，對綜合工況每100 s取一次值，將所取的參數(shù)數(shù)據(jù)繪制成綜合工況散點圖，如圖1。

K-Means聚類屬于無監(jiān)督自主學(xué)習(xí)，可將未注明類別的行駛工況數(shù)據(jù)自動劃分為不同類別[9-10]。根據(jù)文獻[11]，將車輛的行駛工況分為市區(qū)擁堵工況、城市工況、郊區(qū)工況及高速工況4種類別，即隨機選取4個初始聚類中心，將其他參數(shù)作為一個數(shù)組，然后計算數(shù)組同初始聚類中心的歐氏距離，與數(shù)組距離近的聚類中心為該數(shù)組所屬的簇，當前形成的簇為一種工況類別。因此，在MATLAB中編寫K-Means 聚類程序?qū)D1的綜合工況散點進行聚類，結(jié)果如圖2。圖2中對應(yīng)4種工況類別：聚類結(jié)果1表示市區(qū)擁堵工況；聚類結(jié)果2表示城市工況；聚類結(jié)果3表示郊區(qū)工況；聚類結(jié)果4表示高速工況。

圖1 綜合工況散點圖Fig.1 Scatter diagram of comprehensive driving cycle

圖2 綜合工況聚類結(jié)果Fig.2 Clustering results of comprehensive driving cycle

將車速曲線作時間函數(shù)進行分析，這一曲線的特征參數(shù)，如最高點與最低點的相對位置、變化速率的大小以及加速減速的次數(shù)等，即可作為交通擁堵或暢通的函數(shù)[12-14]。結(jié)合圖2可得到每個工況類別下最高速度和平均速度的一個區(qū)間范圍，并由此可區(qū)分32種行駛工況所屬類別。同理，將其他特征參數(shù)依次進行取值、聚類分析，最終每個工況類別下每個特征參數(shù)均可得到一個區(qū)間范圍，結(jié)果如表2。同時，將32種行駛工況具體分類，結(jié)果如表3。

表2 行駛工況類別特征參數(shù)Tab.2 Characteristic parameters of driving cycles’category

表3 32種行駛工況具體分類Tab.3 Specific classification of 32 driving cycles

行駛工況的識別具有實時性，因此定時采集當前行駛工況的特征參數(shù)會產(chǎn)生大量的行駛工況數(shù)據(jù)。為方便這些數(shù)據(jù)的查詢和插入，建立行駛工況數(shù)據(jù)庫。

2 行駛工況數(shù)據(jù)庫的建立

混合動力汽車的控制策略受行駛工況制約，且極大影響整車性能，如尾氣排放和燃油消耗。通過實時確定車輛的行駛狀態(tài)，查詢7個行駛工況特征參數(shù)，且與工況數(shù)據(jù)庫進行對比，核實是否符合工況數(shù)據(jù)庫已有的歷史行駛工況，若符合，即提示行駛工況所屬類別；若不符合，先存儲當前行駛工況數(shù)據(jù)，之后進行自動判定，最后提示該工況所屬類別，從而進一步使車輛駕駛模式能夠很好地適應(yīng)工況的變化，如圖3所示，構(gòu)建工況數(shù)據(jù)庫。

圖3 行駛工況數(shù)據(jù)庫的工作流程Fig.3 Working flow of the driving cycles database

2.1 初始數(shù)據(jù)庫的建立

進行工況識別時，若將車輛行駛狀態(tài)數(shù)據(jù)先存儲在數(shù)據(jù)庫中，再提取數(shù)據(jù)進行工況識別，則工況識別的時間延遲較長。因此考慮將車輛標準工況數(shù)據(jù)識別結(jié)果直接存入數(shù)據(jù)庫，車輛再次達到相同行駛狀態(tài)時讀取歷史工況數(shù)據(jù)的時間將極大縮短，數(shù)據(jù)庫占用的存儲空間也隨之減小。MY SQL是開源的數(shù)據(jù)管理系統(tǒng)，也是一種標準化的語言，易存儲、更新和存取信息，故文中采用MY SQL構(gòu)建初始工況數(shù)據(jù)庫，結(jié)果如圖4。圖4顯示了32種行駛工況的具體參數(shù)以及所屬類別，后續(xù)隨機輸入的行駛工況數(shù)據(jù)將與此進行對比。

圖4 初始行駛工況數(shù)據(jù)庫Fig.4 Initial driving cycles database

2.2 查詢界面的建立

查詢界面需要實現(xiàn)的是：當輸入工況特征參數(shù)后，通過服務(wù)器進入數(shù)據(jù)庫且與初始工況數(shù)據(jù)進行對比，若與初始工況數(shù)據(jù)不符，則輸入工況數(shù)據(jù)且存儲。文中利用JAVA語言在ECLIPSE上建立查詢界面。建立查詢界面之前，編寫程序登錄MY SQL。之后在服務(wù)器端口創(chuàng)建一個搜索界面顯示輸入的工況數(shù)據(jù)(如圖5)，以方便隨時了解實時汽車行駛狀態(tài)和更改誤輸入工況數(shù)據(jù)，且設(shè)置一鍵重置，以快捷輸入下組數(shù)據(jù)。

2.3 行駛工況數(shù)據(jù)的存儲及自動判定

輸入工況數(shù)據(jù)，經(jīng)查詢?nèi)襞c數(shù)據(jù)庫中初始工況數(shù)據(jù)不匹配，則提示該組工況數(shù)據(jù)不存在，并詢問是否將該數(shù)據(jù)插入數(shù)據(jù)庫中。

圖5 查詢界面Fig.5 Interface of query

在工況數(shù)據(jù)插入數(shù)據(jù)庫之后，啟動自動判定程序，根據(jù)表2中各工況類別的每個特征參數(shù)區(qū)間范圍，將輸入的工況數(shù)據(jù)歸分到所屬類別，并顯示結(jié)果。如圖6。

圖6 行駛工況數(shù)據(jù)查詢成功界面Fig.6 Successful interface for query data of driving cycle

3 模擬與分析

為驗證自動判定依據(jù)的正確性，將文獻[7，11]中待識別工況每100 s作為一個工況樣本，依次計算出工況樣本的識別特征參數(shù)并進行分類，分類結(jié)果與文獻[7，11]中的識別結(jié)果一致。同時為驗證構(gòu)建工況數(shù)據(jù)庫是否可以完成設(shè)計的功能，隨機輸入兩段行駛工況數(shù)據(jù)。第一段行駛工況數(shù)據(jù)：最高車速88.19 km/h；平均車速34.51 km/h；最大加速度2.28 m/s2；減速段最大加速度-2.73 m/s2；平均加速度0.5 m/s2；減速段平均加速度-0.6 m/s2；停車怠速比0.295。第二段行駛工況數(shù)據(jù)：最高車速87.32 km/h；平均車速34.56 km/h；最大加速度2.19 m/s2；減速段最大加速度-2.97 m/s2；平均加速度0.56 m/s2；減速段平均加速度-0.69 m/s2；停車怠速比0.329 687。最后在MY SQL中檢測是否存在輸入工況。

第一段行駛工況數(shù)據(jù)事先存儲在數(shù)據(jù)庫中，當再次輸入查詢時，經(jīng)過對比就可直接顯示出所屬類別，如圖7，8所示。第二段行駛工況數(shù)據(jù)事先沒有存儲在數(shù)據(jù)庫中，輸入查詢時，通過7個行駛工況特征參數(shù)依次對比原數(shù)據(jù)庫中的歷史行駛工況數(shù)據(jù)，若無對應(yīng)的行駛工況數(shù)據(jù)，則提示當前數(shù)據(jù)不存在，之后隨機生成工況名，存儲當前輸入的工況數(shù)據(jù)，并提示插入成功，如圖9所示。當再次點擊查詢時，7個行駛工況特征參數(shù)根據(jù)表2中各工況類別對應(yīng)每個特征參數(shù)的取值范圍進行自動判定，隨后顯示出當前行駛工況數(shù)據(jù)所屬類別，如圖10，11所示。

圖7 第一段行駛工況數(shù)據(jù)查詢成功界面Fig.7 Successful interface for data query in the first driving cycle

圖8 MY SQL中存儲的第一段行駛工況數(shù)據(jù)Fig.8 The first section of driving cycle data stored in MY SQL

圖9 第二段行駛工況數(shù)據(jù)插入成功界面Fig.9 Successful interface for inserting data in the second driving cycle

圖10 第二段行駛工況數(shù)據(jù)查詢成功界面Fig.10 Successful interface for data query in the second driving cycle

圖11 MY SQL中存儲的第二段行駛工況數(shù)據(jù)Fig.11 The second section of driving cycle data of stored in MY SQL

當輸出當前工況所屬類別，按照當前行駛工況類型下的需求功率最優(yōu)分配方式協(xié)調(diào)發(fā)動機和電動機之間的功率分配：在市區(qū)擁堵工況和城市工況下，需求扭矩以分配給電動機為主，車輛以純電動工作模式運行較多；在郊區(qū)工況和高速工路工況下，混合動力汽車協(xié)調(diào)電動機和發(fā)動機之間的扭矩分配，使發(fā)動機工作點更好地維持在發(fā)動機最佳效率曲線附近。隨著工況數(shù)據(jù)庫的不斷擴充，對后續(xù)輸入查詢將更快捷，可較大程度地提高系統(tǒng)的響應(yīng)速度。

4 結(jié) 論

以混合動力汽車的工況數(shù)據(jù)為研究對象，利用MY SQL建立混合動力汽車工況數(shù)據(jù)庫，并完成查詢、存儲及自動判定等功能，所得主要結(jié)論如下：

1)對于建立的混合動力汽車工況數(shù)據(jù)庫，通過提取ADVISOR 中32 種行駛工況的7 個特征參數(shù)，采用K-Means聚類算法進行聚類，得到市區(qū)擁堵工況、城市工況、郊區(qū)工況以及高速工況4種工況類別每個特征參數(shù)的區(qū)間范圍，區(qū)間范圍可作為工況數(shù)據(jù)自動判定的依據(jù)；

2)利用JAVA程序設(shè)計查詢工況數(shù)據(jù)、保存工況數(shù)據(jù)等界面，完成工況數(shù)據(jù)對比、自動判定等系列功能，經(jīng)模擬分析表明，在MY SQL中建立的數(shù)據(jù)庫可以完整無誤地存儲隨機輸入的工況數(shù)據(jù)，隨著工況數(shù)據(jù)庫的不斷擴充，后續(xù)輸入查詢數(shù)據(jù)將更快捷，可較大程度地提高系統(tǒng)的響應(yīng)速度；

3)設(shè)計的自動判定程序可對隨機工況準確分類，但有些行駛工況的特征參數(shù)相似程度較大，如何選取更有效的特征參數(shù)，以及提取更具有代表性的特征參數(shù)將是進一步研究的內(nèi)容。