余卓平，顧 天，冷 搏，熊 璐 Yu Zhuoping，Gu Tian，Leng Bo，Xiong Lu

汽車行駛工況識別模型搭建的方法研究

余卓平，顧 天，冷 搏，熊 璐 Yu Zhuoping，Gu Tian，Leng Bo，Xiong Lu

（同濟大學(xué) 汽車學(xué)院，上海 201804）

汽車行駛工況的識別，可以用于優(yōu)化車輛能量策略，在獲得分類好的工況數(shù)據(jù)樣本后進行輸入輸出的模式識別。對于現(xiàn)有的工況識別模型進行分析總結(jié)，根據(jù)工況數(shù)據(jù)前處理過程劃分為基于實車采集數(shù)據(jù)和基于已知循環(huán)工況兩種工況識別模型。同時給出構(gòu)建工況識別模型流程，包括了工況塊的劃分，特征參數(shù)的選擇，確定參考循環(huán)工況構(gòu)建樣本，主流的工況識別方法，以及樣本模型的搭建與實車數(shù)據(jù)的驗證。最后總結(jié)工況識別模型的特點，提出構(gòu)建工況識別模型的思路。

行駛工況；模式識別；模型搭建

0 引 言

汽車駕駛工況識別的核心思想是給定若干代表不同路況條件的典型循環(huán)工況，通過離線優(yōu)化方法得到各個典型駕駛循環(huán)的全局優(yōu)化結(jié)果，并提煉出相應(yīng)的離線優(yōu)化控制參數(shù)，建立離線控制參數(shù)數(shù)據(jù)庫。在車輛的實際運行過程中，通過提取實際行駛工況的特征參數(shù)，運用某種識別方法識別車輛正在經(jīng)歷的實際行駛工況特征接近于哪個典型循環(huán)工況，選擇最適合的離線優(yōu)化控制參數(shù)進行能量管理，其能量管理策略如圖1所示。

圖1 基于工況識別的能量管理策略

行駛工況識別本質(zhì)屬于模式識別在實際工程中的一種應(yīng)用，當(dāng)前優(yōu)化整車能量管理控制策略的工況識別方法中，主流的分類方式基本上按照工況識別使用的方法進行區(qū)分；神經(jīng)網(wǎng)絡(luò)、模糊控制、聚類分析等方法均為工況識別模型的構(gòu)建提供了理論基礎(chǔ)。一個典型的神經(jīng)網(wǎng)絡(luò)工況識別模型如圖2所示，一個基于聚類分析方法工況識別模型如圖3所示。

上述所有模式識別模型都需要建立在分類好的樣本的基礎(chǔ)上，所以數(shù)據(jù)的前處理過程非常關(guān)鍵。雖然這些識別方法迥異，但都是在獲得分類好的工況數(shù)據(jù)樣本后進行輸入輸出的模式識別。現(xiàn)有的工況識別的方法按照工況數(shù)據(jù)前處理過程可總結(jié)為2大類型：基于實車采集數(shù)據(jù)構(gòu)建工況識別模型、基于已知循環(huán)工況構(gòu)建工況識別模型。

圖2 典型的神經(jīng)網(wǎng)絡(luò)模式識別[1]

圖3 典型的聚類分析[2]

1 實車數(shù)據(jù)構(gòu)建工況識別模型

實車采集數(shù)據(jù)通常是用來進行當(dāng)?shù)貙嵻嚬r構(gòu)建，但其在工況構(gòu)建的過程中也將實際情況下車輛行駛數(shù)據(jù)進行了處理和分類，而這種處理和分類的樣本通?？梢灾苯佑脕順?gòu)造工況識別模型。其整體流程為：

（1）將車輛行駛數(shù)據(jù)進行短行程分割，如圖4所示，若時間間隔為150 s，則被分為如圖4所示的4個工況塊；

圖4 實車數(shù)據(jù)分割示意圖[3]

（2）提取分割好后的工況塊的特征參數(shù)并對特征參數(shù)進行降維，如圖5所示；

（3）根據(jù)城市工況的循環(huán)特點（手動）將樣本數(shù)據(jù)分成類，并進行-means聚類；

（4）在類行駛工況中各自選取一種典型工況組成代表工況，完成工況構(gòu)建，如圖6所示，用速度-時間曲線表示；

圖5 工況塊特征參數(shù)提取[4]

圖6 實車聚類出來的典型工況[5]

（5）將之前完成好分類的樣本用以構(gòu)建工況識別模型；

（6）工況識別驗證。

表1為使用該方式構(gòu)建工況識別模型的具體分析。

表1 實車采集數(shù)據(jù)構(gòu)建工況識別模型

注：①行程分析法：選取相鄰兩個停車點間的運動片段；②stopngo工況：鬧市區(qū)擁堵走走停停；urban工況：次干道生活區(qū)低速；suburban工況：主干道中速；rural 工況：近郊區(qū)中高速；③LVQ：（Learning Vector Quantization，學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)訓(xùn)練），BP神經(jīng)網(wǎng)絡(luò)：（Back Propagation，誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)）。

這種工況識別模型構(gòu)建雖然流程較為復(fù)雜，但以實車采集數(shù)據(jù)為基礎(chǔ)，識別樣本更能反映實際道路的情形。

2 基于已知循環(huán)工況構(gòu)建工況識別模型

該方法沒有實車的已知數(shù)據(jù)，通過對各國已有的循環(huán)工況提取各種特征進行分析聚類，得到分類樣本后構(gòu)建工況識別模型。根據(jù)已知循環(huán)工況處理方式的不同，該方法又可以細分為以下幾種。

2.1 基于少數(shù)典型循環(huán)工況

首先設(shè)定好需要模型識別的工況類型，然后針對不同工況類型選擇能夠代表該種類型的典型工況。工況類型劃分通常為市區(qū)擁堵、市郊工況、高速工況，如圖7所示。

圖7 典型工況示意[7]

該方法的整體流程為：

（1）根據(jù)汽車城市行駛特點將工況分類；

（2）找到不同類別下的典型工況，如圖7所示；

（3）為增加樣本數(shù)對典型工況進行劃分，如圖8所示；

（4）選取合適的特征參數(shù)；

（5）根據(jù)樣本搭建工況識別模型；

（6）工況識別模型驗證。

圖8 劃分典型工況增加樣本數(shù)[8]

相比基于實車數(shù)據(jù)進行的工況識別模型搭建，該種方法操作起來較為簡單，不需要額外對數(shù)據(jù)進行聚類分析，只需將不同典型工況進行切割和劃分，從而獲得足夠多的樣本供模型訓(xùn)練。表2為使用該方式構(gòu)建工況識別模型的具體分析。

表2 基于少數(shù)典型循環(huán)工況構(gòu)建工況識別模型

2.2 基于多種循環(huán)工況

這種方法選取多國不同的多種循環(huán)工況，將這些循環(huán)工況按照一定方法進行聚類，在不分段的情況下將這些樣本作為構(gòu)建工況識別模型的基礎(chǔ)。

該方法的整體流程為：

（1）搜索各國大量循環(huán)工況；

（2）設(shè)置特征參數(shù)，直接對該工況進行聚類分析；

（3）根據(jù)樣本搭建工況識別模型；

（4）工況識別模型驗證。

表3為使用該方式構(gòu)建工況識別模型的具體分析。

這種方法與基于少數(shù)典型循環(huán)工況的識別方法相比，省去了工況塊的劃分，將整個工況作為一個樣本構(gòu)建模型，這使得樣本個數(shù)受限于工況的個數(shù)，適用于對數(shù)據(jù)量依賴較小的模型。

表3 基于多種循環(huán)工況構(gòu)建工況識別模型

3 構(gòu)建工況識別模型的比較分析

將上述所有方法的特點進行整理可以得出，基于實車數(shù)據(jù)構(gòu)建工況識別模型的優(yōu)點為以實車采集數(shù)據(jù)為基礎(chǔ)，識別樣本更能反映實際道路的情形，并且樣本數(shù)量大，利于訓(xùn)練工況識別模型；缺點為數(shù)據(jù)前處理過程復(fù)雜，需要劃分工況并進行聚類分析。

基于少數(shù)典型工況構(gòu)建工況識別模型的特點在于數(shù)據(jù)前期處理過程較為簡單，不用進行聚類，但需要劃分工況段增加樣本數(shù)量，雖然樣本種類較為單薄，但樣本數(shù)量較大，利于模型訓(xùn)練。

基于多種典型工況構(gòu)建工況識別模型的特點在于數(shù)據(jù)前期處理過程簡單，需進行聚類，但不劃分工況段，雖然使用樣本種類較多，但不劃分工況段導(dǎo)致樣本數(shù)量明顯偏少，適用于構(gòu)建簡單的識別模型。

4 結(jié) 論

綜上所述，在沒有實車采集數(shù)據(jù)的情況下，可以采用少數(shù)典型循環(huán)工況構(gòu)建工況識別模型，或者對多種循環(huán)工況構(gòu)建工況識別模型所描述的方法進行改進。

改進的思路為將多種循環(huán)工況數(shù)據(jù)當(dāng)作實車數(shù)據(jù)，按照實車數(shù)據(jù)的方式進行劃分和處理，充分利用多種工況的數(shù)據(jù)增加樣本數(shù)據(jù)量以求達到模型泛化能力的增強。

汽車行駛工況識別模型的發(fā)展方向可分為兩種：一種是根據(jù)汽車城市行駛特點將工況進行分類，找到不同類型下的典型工況，為增加樣本數(shù)對典型工況進行劃分，選擇合適的特征參數(shù)，得到分類好的樣本；另一種是搜索全國多種循環(huán)工況，將所有工況數(shù)據(jù)進行行程劃分，選取特征參數(shù)并對特征參數(shù)進行降維，根據(jù)城市工況特點將樣本數(shù)據(jù)進行分類，并對樣本進行聚類分析得到分類好的樣本。神經(jīng)網(wǎng)絡(luò)作為最常用的工況識別方法，具有運算高效簡便、復(fù)雜工況識別能力強的特點，所以兩種發(fā)展方向都會依靠所得樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的工況識別模型，并對模型進行準確性的驗證和統(tǒng)計。

[1]羅少華. 基于工況識別的混聯(lián)式混合動力汽車能量管理策略研究[D]. 重慶：重慶大學(xué)，2016.

[2]呂建美，牛禮民，秦子晨，等. 并聯(lián)混合動力汽車工況識別與參數(shù)優(yōu)化[J]. 安徽工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2018，35（3）：232-239.

[3]詹森. 基于工況與駕駛風(fēng)格識別的混合動力汽車能量管理策略研究[D]. 重慶：重慶大學(xué)，2016.

[4]呂仁志. 基于工況與駕駛意圖識別的HEV控制策略[D]. 大連：大連理工大學(xué)，2013.

[5]姜濤. 基于工況識別的插電式混合動力汽車控制策略研究[D]. 合肥：合肥工業(yè)大學(xué)，2018.

[6]陳玉成. 基于工況識別的混合動力汽車控制策略研究[D]. 濟南：山東大學(xué)，2017.

[7]章楠. 基于工況在線識別的汽車電能管理系統(tǒng)的研究與實現(xiàn)[D]. 合肥：合肥工業(yè)大學(xué)，2018.

[8]鄧濤，盧任之，李亞南，等. 基于LVQ工況識別的混合動力汽車自適應(yīng)能量管理控制策略[J]. 中國機械工程，2016，27（3）：420-425.

[9]鄧濤，羅俊林，韓海碩，等. 混合動力汽車工況識別自適應(yīng)能量管理策略[J]. 西安交通大學(xué)學(xué)報，2018，52（1）：77-83.

[10]劉永剛，解慶波，秦大同，等. 基于工況識別的混合動力汽車能量管理策略優(yōu)化[J]. 機械傳動，2016（5）：64-69.

U461.6

A

10.14175/j.issn.1002-4581.2020.01.011

1002-4581（2020）01-0039-04