秦大同，王 康，馮繼豪，劉永剛

（重慶大學(xué)，機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶 400044）

前言

換擋策略對(duì)車(chē)輛動(dòng)力性和經(jīng)濟(jì)性等性能的影響較大［1］，目前國(guó)內(nèi)外學(xué)者對(duì)自動(dòng)變速車(chē)輛的換擋策略進(jìn)行了深入研究，主要分為兩類(lèi)：基于車(chē)輛動(dòng)力學(xué)制定換擋規(guī)律和基于智能算法訓(xùn)練擋位決策模型?；谲?chē)輛動(dòng)力學(xué)制定換擋規(guī)律，一般通過(guò)建立目標(biāo)車(chē)輛動(dòng)力學(xué)模型，在動(dòng)力性等約束條件下，利用解析法等求取換擋規(guī)律，但該方法對(duì)不同行駛工況和駕駛風(fēng)格的適應(yīng)性差。文獻(xiàn)［2］和文獻(xiàn)［3］中通過(guò)優(yōu)化特定工況下的換擋規(guī)律來(lái)提升其適應(yīng)性。其中Song等［2］通過(guò)識(shí)別上下坡工況并修正該工況下的換擋規(guī)律，使車(chē)輛對(duì)該工況有較好的適應(yīng)性。文獻(xiàn)［4］和文獻(xiàn)［5］中通過(guò)動(dòng)態(tài)規(guī)劃算法在給定約束下求取已知工況的最佳換擋規(guī)律。但該類(lèi)方法在實(shí)車(chē)應(yīng)用過(guò)程中，為提升車(chē)輛綜合性能還須耗費(fèi)大量人力物力在各類(lèi)工況下做人工標(biāo)定，且制定完成的換擋規(guī)律很難再更新。

基于智能算法訓(xùn)練擋位決策模型，一般通過(guò)考慮駕駛風(fēng)格、駕駛意圖和行駛工況的影響，利用支持向量機(jī)等智能算法學(xué)習(xí)熟練駕駛員的換擋策略，再通過(guò)訓(xùn)練好的模型控制變速器換擋。張?jiān)獋b［1］通過(guò)多維數(shù)據(jù)識(shí)別行駛工況，再利用支持向量機(jī)訓(xùn)練擋位決策模型，并驗(yàn)證該擋位決策模型的合理性。陳清洪等［6］利用動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)擬合駕駛員換擋點(diǎn)進(jìn)而控制換擋。該類(lèi)方法可較好學(xué)習(xí)熟練駕駛員的換擋策略，適應(yīng)性也較強(qiáng)，是擋位決策智能化的一個(gè)重要發(fā)展方向。但該類(lèi)方法使用的智能算法計(jì)算量大，須裝備高性能計(jì)算芯片，目前無(wú)法大量應(yīng)用于實(shí)車(chē)。

鑒于上述研究的不足，本文中結(jié)合兩類(lèi)方法的長(zhǎng)處，提出了一種通過(guò)挖掘海量行駛數(shù)據(jù)制定換擋規(guī)律的方法。首先，設(shè)計(jì)試驗(yàn)采集熟練駕駛員駕車(chē)行駛數(shù)據(jù)，再通過(guò)數(shù)據(jù)的清洗、集成與特征拓展和平直道路數(shù)據(jù)的篩選、特征提取、離群點(diǎn)去除與數(shù)據(jù)標(biāo)準(zhǔn)化來(lái)提取影響平直道路換擋策略的3個(gè)最主要特征的標(biāo)準(zhǔn)化數(shù)據(jù)，然后通過(guò)對(duì)各擋位下決策值分類(lèi)精度最高的隨機(jī)森林算法生成三參數(shù)換擋規(guī)律。通過(guò)挖掘熟練駕駛員在平直道路上駕車(chē)行駛數(shù)據(jù)中的換擋策略來(lái)制定換擋規(guī)律，可將熟練駕駛員對(duì)車(chē)況和道路工況等的綜合考量融入換擋規(guī)律中，并增強(qiáng)其工況適應(yīng)性，避免了復(fù)雜的人-車(chē)-路建模和人工標(biāo)定過(guò)程，縮減了開(kāi)發(fā)周期；通過(guò)將訓(xùn)練過(guò)的擋位決策模型轉(zhuǎn)換為換擋規(guī)律，使該方法可直接應(yīng)用于實(shí)際車(chē)輛。

1 數(shù)據(jù)采集

為使數(shù)據(jù)挖掘結(jié)果更具實(shí)用性，設(shè)計(jì)了實(shí)車(chē)道路數(shù)據(jù)采集試驗(yàn)。為避免不同駕駛風(fēng)格對(duì)換擋策略挖掘的影響，按文獻(xiàn)［7］中的方法，選擇20位駕駛風(fēng)格為“標(biāo)準(zhǔn)型”的熟練駕駛員進(jìn)行數(shù)據(jù)采集試驗(yàn)，其駕齡都超過(guò)2年，平均駕齡為8.6年。假設(shè)數(shù)據(jù)采集試驗(yàn)中熟練駕駛員的換擋策略為最佳換擋策略，不對(duì)其換擋策略根據(jù)最佳經(jīng)濟(jì)性等指標(biāo)進(jìn)行篩選或修正。

試驗(yàn)車(chē)為某型裝備7擋DCT變速器的SUV，通過(guò)車(chē)輛OBD接口和Vehicle Recorder數(shù)據(jù)采集設(shè)備讀取行駛數(shù)據(jù)，如圖1所示。

圖1 試驗(yàn)車(chē)輛與數(shù)據(jù)采集設(shè)備

為保證采集數(shù)據(jù)更全面和更接近實(shí)際行駛環(huán)境，在重慶市公路交通網(wǎng)中選取了一段包含市區(qū)道路、城郊道路、山路和快速路的行駛路線(xiàn)，路線(xiàn)總長(zhǎng)約為100 km，如圖2所示。

圖2 數(shù)據(jù)采集試驗(yàn)行駛路線(xiàn)

在確認(rèn)駕駛員適應(yīng)試驗(yàn)車(chē)操作特性后，開(kāi)始試驗(yàn)，最終共采集109.88 h行駛數(shù)據(jù)。采集數(shù)據(jù)包括實(shí)際擋位、目標(biāo)擋位、轉(zhuǎn)向盤(pán)轉(zhuǎn)角、車(chē)速、縱向加速度、制動(dòng)油壓、節(jié)氣門(mén)開(kāi)度、加速踏板位置、發(fā)動(dòng)機(jī)轉(zhuǎn)速和發(fā)動(dòng)機(jī)轉(zhuǎn)矩等。因?yàn)椴杉臄?shù)據(jù)來(lái)源于多個(gè)傳感器，其時(shí)序信息不一致，且部分?jǐn)?shù)據(jù)存在噪聲和缺失值，故須進(jìn)行數(shù)據(jù)預(yù)處理，以便后續(xù)對(duì)換擋規(guī)律的挖掘。

2 數(shù)據(jù)預(yù)處理

圖3為本文挖掘的平直道路下熟練駕駛員換擋策略方法的整體結(jié)構(gòu)框圖。數(shù)據(jù)預(yù)處理部分主要包括數(shù)據(jù)清洗與集成、特征拓展與數(shù)據(jù)篩選、主要特征提取、離群點(diǎn)去除和數(shù)據(jù)標(biāo)準(zhǔn)化。

圖3 換擋規(guī)律挖掘方法結(jié)構(gòu)框圖

2.1 數(shù)據(jù)清洗與集成

由于CAN通信偶發(fā)性丟包等因素會(huì)導(dǎo)致部分?jǐn)?shù)據(jù)缺失，故須進(jìn)行缺失值處理。經(jīng)檢測(cè)發(fā)現(xiàn)縱向加速度數(shù)據(jù)存在少量缺失值，且系統(tǒng)用“-16”表示該缺失值，如圖4（a）所示。缺失值的處理方法可分為刪除和填充兩類(lèi)?？v向加速度數(shù)據(jù)中缺失值一般單個(gè)出現(xiàn)，若直接刪除會(huì)影響后續(xù)數(shù)據(jù)處理，因此本文通過(guò)區(qū)域中心度量來(lái)填充該缺失值，處理結(jié)果見(jiàn)圖4（b）。

圖4 異常值處理

車(chē)身振動(dòng)等因素會(huì)導(dǎo)致采集數(shù)據(jù)包含噪聲，本文采集數(shù)據(jù)中存在噪聲的數(shù)據(jù)有：車(chē)速、縱向加速度、制動(dòng)油壓和發(fā)動(dòng)機(jī)轉(zhuǎn)矩。因?yàn)榇嬖谠肼暤奶卣髡急容^大，如不進(jìn)行去噪處理，將會(huì)嚴(yán)重影響數(shù)據(jù)挖掘效果。為此，利用去噪效果較好的小波去噪算法對(duì)4個(gè)含噪聲特征進(jìn)行去噪處理，閾值函數(shù)選擇硬閾值。因?yàn)?個(gè)特征的頻譜特性不同，故針對(duì)該4個(gè)特征采用的小波基函數(shù)分別為：sym3、haar、sym3、db6，分解層數(shù)分別為4、3、4、4，處理結(jié)果見(jiàn)圖5。

圖5 去噪處理結(jié)果

表1為各特征采樣頻率和采樣精度。由表可知，由于涉及多個(gè)傳感器，各特征的采樣頻率和時(shí)序信息不統(tǒng)一。如果時(shí)序信息不能保證一致，則無(wú)法同時(shí)分析多個(gè)特征，數(shù)據(jù)挖掘效果也會(huì)變差，因此須進(jìn)行頻率統(tǒng)一和時(shí)序?qū)R處理。該處理一般采用插值的方法，為保證處理后的數(shù)據(jù)不失真，本文采用樣條插值算法，并以車(chē)速的采樣頻率和時(shí)序信息作為基準(zhǔn)。

表1 各特征采樣頻率和采樣精度

2.2 特征拓展與數(shù)據(jù)篩選

通過(guò)車(chē)載傳感器采集的數(shù)據(jù)還不夠全面，可能遺漏對(duì)于換擋規(guī)律挖掘非常重要的信息，例如挖掘平直道路換擋規(guī)律還需要道路坡度數(shù)據(jù)。因此須通過(guò)已有數(shù)據(jù)拓展出較為全面的特征組合。本文根據(jù)文獻(xiàn)［8］中提出的方法，由實(shí)際擋位、車(chē)速、縱向加速度、發(fā)動(dòng)機(jī)轉(zhuǎn)矩和實(shí)車(chē)參數(shù)估計(jì)道路坡度（road slope，RS；序號(hào)：11），再由部分特征對(duì)時(shí)間求導(dǎo)來(lái)拓展特征，如表2和圖6所示。

圖6 拓展特征部分展示

表2 特征拓展

文中所述平直道路工況是指車(chē)輛水平直線(xiàn)行駛工況，且試驗(yàn)車(chē)廠(chǎng)商提供的參數(shù)中轉(zhuǎn)向盤(pán)自由行程為18°，同時(shí)試驗(yàn)車(chē)在水平地面行駛時(shí)，估計(jì)的坡度值在±2%范圍內(nèi)波動(dòng)，此外停車(chē)工況無(wú)關(guān)擋位決策。因此提取車(chē)速大于0，且轉(zhuǎn)向盤(pán)轉(zhuǎn)角在±18°范圍內(nèi)，同時(shí)坡度在±2%范圍內(nèi)的數(shù)據(jù)點(diǎn)作為平直道路工況的數(shù)據(jù)點(diǎn)。

2.3 主要特征提取

本文最終目標(biāo)是提取三參數(shù)換擋曲面，因此須提取影響換擋策略的3個(gè)最主要特征，為避免冗余特征干擾，在特征重要性分析前須去除冗余特征［9］。上述19個(gè)特征中，實(shí)際擋位和目標(biāo)擋位屬于標(biāo)簽特征，轉(zhuǎn)向盤(pán)轉(zhuǎn)角和坡度屬于篩選特征，縱向加速度是車(chē)載加速度計(jì)測(cè)得的不包含重力加速度分量的相對(duì)加速度，且已由車(chē)速拓展成縱向絕對(duì)加速度，所以先去除該5個(gè)特征。為進(jìn)一步去除冗余特征，還須分析剩余14個(gè)特征的相關(guān)性。經(jīng)Kolmogorov-Smirnov檢驗(yàn)，14個(gè)特征都不符合正態(tài)分布，故通過(guò)spearman相關(guān)系數(shù)分析14個(gè)特征彼此間的相關(guān)性，結(jié)果見(jiàn)表3。表3中車(chē)速、制動(dòng)油壓、節(jié)氣門(mén)開(kāi)度、加速踏板位置、發(fā)動(dòng)機(jī)轉(zhuǎn)速和發(fā)動(dòng)機(jī)轉(zhuǎn)矩的特征名分別簡(jiǎn)寫(xiě)為VS（vehicle speed）、BP（brake pressure）、TP（throttle position）、APP（accelerator pedal position）、ES（engine speed）和ET（engine torque）。

spearman相關(guān)系數(shù)絕對(duì)值大于0.6表明特征間有強(qiáng)關(guān)聯(lián)性［10］。為得到關(guān)聯(lián)性最小的特征組合，對(duì)比表3中相關(guān)系數(shù)值，將節(jié)氣門(mén)開(kāi)度、發(fā)動(dòng)機(jī)轉(zhuǎn)速、發(fā)動(dòng)機(jī)轉(zhuǎn)矩和縱向絕對(duì)加速度去除。冗余特征去除后，剩余10個(gè)特征，為篩選出3個(gè)最主要特征，還須進(jìn)行特征重要性分析。

表3 特征間spearman相關(guān)系數(shù)

文中將換擋規(guī)律挖掘轉(zhuǎn)換為每個(gè)擋位下的升降擋和保持的分類(lèi)問(wèn)題，降低了分類(lèi)難度，有效提高了分類(lèi)精度，但也須為每個(gè)擋位建立一個(gè)分類(lèi)模型，以對(duì)每個(gè)擋位分別進(jìn)行特征重要性分析。通過(guò)可評(píng)價(jià)分類(lèi)效果的信息增益度量來(lái)衡量各特征的重要性：

式中：D表示某一分組；m為類(lèi)的總數(shù)；pi為D中任一數(shù)據(jù)屬于i類(lèi)的非零概率；F表示某一特征；v表示D子分組的個(gè)數(shù)。結(jié)果見(jiàn)表4。

表4中各擋位下車(chē)速、加速踏板位置、發(fā)動(dòng)機(jī)角加速度3個(gè)特征的重要性都排前三，且重要性之和最低為0.831。為降低換擋規(guī)律的復(fù)雜度和增強(qiáng)其實(shí)用性，將車(chē)速、加速踏板位置和發(fā)動(dòng)機(jī)角加速度作為各擋位分類(lèi)模型的辨識(shí)特征。

表4 各擋位下特征信息增益度量值

2.4 離群點(diǎn)去除與數(shù)據(jù)標(biāo)準(zhǔn)化

因?yàn)轫殞?duì)每個(gè)擋位下的升擋點(diǎn)、保持點(diǎn)和降擋點(diǎn)進(jìn)行分類(lèi)，但每個(gè)擋位數(shù)據(jù)中都存在離群點(diǎn)，而離群點(diǎn)的存在會(huì)影響分類(lèi)精度，故須進(jìn)行離群點(diǎn)去除。選擇基于密度且不受數(shù)據(jù)分布影響的Local Outlier Factor算法對(duì)每個(gè)擋位的離群點(diǎn)進(jìn)行檢測(cè)和去除［11］，各擋位下升擋點(diǎn)、保持點(diǎn)、降擋點(diǎn)和離群點(diǎn)分布見(jiàn)圖7。

圖7 各擋位下升擋點(diǎn)、降擋點(diǎn)、保持點(diǎn)和離群點(diǎn)分布

此外，由于最終選取的3個(gè)重要特征的量綱不同，為避免其對(duì)分類(lèi)算法精度的影響，采用魯棒性較好的均值絕對(duì)差z分?jǐn)?shù)方法對(duì)各擋位數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，其計(jì)算公式為

式中：x'i為標(biāo)準(zhǔn)化處理后的數(shù)據(jù)；xi為原始數(shù)據(jù)為x的均值；sA為均值絕對(duì)偏差。

數(shù)據(jù)預(yù)處理后，最終得到的各擋位數(shù)據(jù)點(diǎn)個(gè)數(shù)分別為350 958、812 092、942 934、856 130、889 210、942 720、1 067 440。其中1擋數(shù)據(jù)點(diǎn)明顯少于其它擋位，經(jīng)分析是因?yàn)檗D(zhuǎn)彎和爬坡一般在低擋位，而本文挖掘的是平直道路換擋規(guī)律，因此通過(guò)數(shù)據(jù)篩選，1擋的數(shù)據(jù)點(diǎn)較少。此外，行駛路線(xiàn)中有較多高速路或快速路，同時(shí)該工況下彎道和坡道較少，因此處理后的數(shù)據(jù)中高擋位數(shù)據(jù)較多。

3 換擋規(guī)律挖掘

在經(jīng)過(guò)數(shù)據(jù)預(yù)處理得到的各擋位數(shù)據(jù)中，1擋數(shù)據(jù)有升擋和保持兩類(lèi)，7擋數(shù)據(jù)有保持和降擋兩類(lèi)，其余5擋數(shù)據(jù)有升擋、保持和降擋3類(lèi)。因此須對(duì)7組數(shù)據(jù)分別訓(xùn)練分類(lèi)模型，目前有監(jiān)督學(xué)習(xí)中分類(lèi)效果較好的算法：C4.5、邏輯回歸、K最近鄰、樸素貝葉斯、支持向量機(jī)和隨機(jī)森林等［12］。其中C4.5算法易過(guò)擬合，邏輯回歸算法和K最近鄰算法在處理數(shù)據(jù)不平衡問(wèn)題上效果較差。而本文處理的分類(lèi)問(wèn)題要求分類(lèi)算法不能過(guò)擬合，否則會(huì)導(dǎo)致分類(lèi)模型外延性差，且影響后續(xù)升降擋曲面的生成，同時(shí)原始數(shù)據(jù)集中升擋點(diǎn)和降擋點(diǎn)數(shù)量相對(duì)保持點(diǎn)較少，所以分類(lèi)算法須克服數(shù)據(jù)不平衡問(wèn)題［13］。因此本文采用樸素貝葉斯（naive Bayes，NB）、支持向量機(jī)（support vector machine，SVM）和隨機(jī)森林（random forest，RF）3種分類(lèi)算法分別對(duì)7組數(shù)據(jù)進(jìn)行分類(lèi)，其中SVM采用4種核函數(shù)，分別為linear核函數(shù)、polynomial核 函 數(shù)、RBF核函數(shù)和sigmoid核 函 數(shù)。之后通過(guò)10-折交叉驗(yàn)證的平均準(zhǔn)確率比較各算法的分類(lèi)精度，并篩選出效果最好的分類(lèi)算法用于各擋位數(shù)據(jù)點(diǎn)的分類(lèi)。各算法對(duì)決策值的分類(lèi)精度見(jiàn)表5。

3.1 換擋策略學(xué)習(xí)

分類(lèi)算法精度對(duì)比見(jiàn)表5。由表可知，6種分類(lèi)算法在4擋、5擋和6擋的分類(lèi)精度都稍低于其它擋位。對(duì)比表4可以發(fā)現(xiàn)，這是因?yàn)?個(gè)重要特征在4擋、5擋和6擋的重要性之和低于其它擋位，也即3個(gè)重要特征在4擋、5擋和6擋中對(duì)升擋、保持和降擋的區(qū)分能力稍弱。

表5 分類(lèi)算法精度對(duì)比 %

對(duì)比6種分類(lèi)算法，其中NB的分類(lèi)精度最差，RF最高，且RF在所有擋位的分類(lèi)精度都超過(guò)了93%，平均分類(lèi)精度更是達(dá)到了96.12%。圖8為各擋位下RF混淆矩陣。在圖8中，每個(gè)擋位下，“保持”的識(shí)別率最高，這是因?yàn)椤氨３帧鳖?lèi)數(shù)據(jù)點(diǎn)的占比很大，導(dǎo)致算法在追求總分類(lèi)精度時(shí)犧牲了小類(lèi)的識(shí)別率，但每個(gè)擋位的升擋和降擋識(shí)別率最低也達(dá)到83.50%，且大部分超過(guò)90%，與“保持”類(lèi)識(shí)別率相近，這表明RF具有很強(qiáng)的抗數(shù)據(jù)不平衡能力，可以很好處理本文中的分類(lèi)問(wèn)題，因此采用RF對(duì)7個(gè)擋位分別建立分類(lèi)模型。

圖8 各擋位下RF混淆矩陣

3.2 換擋規(guī)律提取

在提取換擋曲面時(shí)，先對(duì)由車(chē)速、加速踏板位置和發(fā)動(dòng)機(jī)角加速度構(gòu)成的三維空間按離散精度生成待分類(lèi)點(diǎn)集，并通過(guò)訓(xùn)練好的分類(lèi)模型對(duì)所有離散點(diǎn)進(jìn)行分類(lèi)，再分別提取升降擋點(diǎn)群的邊界點(diǎn)生成換擋曲面。表4中各擋位下車(chē)速都很重要，因此將車(chē)速特征作為主特征，用另兩個(gè)特征構(gòu)成換擋曲面。因?yàn)樯龘跏菑牡退俚礁咚?，降擋是從高速到低速，所以將分?lèi)后的升擋點(diǎn)群在車(chē)速維度（車(chē)速值左小右大）的最左曲面作為升擋曲面，將降擋點(diǎn)群在車(chē)速維度的最右曲面作為降擋曲面。

根據(jù)圖7中數(shù)據(jù)點(diǎn)分布情況，設(shè)置待分類(lèi)空間中車(chē)速、加速踏板位置和發(fā)動(dòng)機(jī)角加速度取值范圍分別為0～160 km∕h、0～100%和-30 000°∕s2～30 000°∕s2。由發(fā)動(dòng)機(jī)轉(zhuǎn)速采樣精度和采樣時(shí)間得發(fā)動(dòng)機(jī)角加速度精度為150°∕s2，而車(chē)速和加速踏板行程的精度分別為0.000 25 km∕h和0.002%，在考慮計(jì)算成本后，設(shè)置各特征離散精度分別為0.01 km∕h、0.01%和150°∕s2，則待分類(lèi)點(diǎn)共有6.4×1010個(gè)，換擋曲面共有4×106個(gè)數(shù)據(jù)點(diǎn)。此外，在對(duì)各擋位數(shù)據(jù)點(diǎn)分類(lèi)前要根據(jù)式（2）標(biāo)準(zhǔn)化數(shù)據(jù)，并在分類(lèi)后將數(shù)據(jù)還原，最終提取的換擋規(guī)律見(jiàn)圖9。

圖9中換擋曲面并不光滑，這表明局部最優(yōu)點(diǎn)被保留，且升降擋曲面都有隨著加速踏板行程變大，對(duì)應(yīng)車(chē)速變大的趨勢(shì)，這與動(dòng)力性換擋規(guī)律相似。此外，換擋曲面有交叉情況，但本文挖掘的是各擋位下升降擋換擋規(guī)律，生成的換擋規(guī)律也需逐級(jí)判斷升降擋，因此換擋曲面交叉不影響擋位決策。

圖9 數(shù)據(jù)挖掘換擋規(guī)律

4 仿真驗(yàn)證

為驗(yàn)證所挖掘換擋規(guī)律的實(shí)用性，同時(shí)考慮試驗(yàn)安全性，在Simulink環(huán)境中搭建模型并進(jìn)行仿真驗(yàn)證。該仿真模型由駕駛員模型、車(chē)輛動(dòng)力學(xué)模型和道路模型組成，其中駕駛員模型以PID控制為基礎(chǔ)建立，車(chē)輛動(dòng)力學(xué)模型由發(fā)動(dòng)機(jī)模型、變速器模型和行駛阻力模型組成，道路模型由道路坡度和循環(huán)工況組成。其中車(chē)輛動(dòng)力學(xué)模型中的各項(xiàng)參數(shù)采用試驗(yàn)車(chē)參數(shù)，如表6所示。

表6 實(shí)車(chē)參數(shù)

仿真驗(yàn)證中，通過(guò)文獻(xiàn)［14］中的方法制定經(jīng)濟(jì)性換擋規(guī)律和動(dòng)力性換擋規(guī)律，并與本文所挖掘的換擋規(guī)律作對(duì)比。仿真驗(yàn)證包含兩個(gè)部分，第一部分是百公里加速仿真，主要對(duì)比動(dòng)力性，第二部分是CLTC-P循環(huán)工況仿真，主要對(duì)比經(jīng)濟(jì)性和換擋次數(shù)。采用的CLTC-P循環(huán)工況為中國(guó)乘用車(chē)行駛工況，其累計(jì)里程為14 480 m，更接近國(guó)內(nèi)乘用車(chē)駕駛實(shí)際情況，且包含數(shù)據(jù)采集試驗(yàn)中的城市工況、郊區(qū)工況和高速工況（分別對(duì)應(yīng)圖12中0-674、675-1 367和1 368-1 800 s工況），可全面檢驗(yàn)所挖掘換擋規(guī)律的實(shí)用性。

此外，發(fā)動(dòng)機(jī)角加速度很少出現(xiàn)絕對(duì)值大于30 000°∕s2的情況，且圖9中的每個(gè)換擋曲面上，當(dāng)發(fā)動(dòng)機(jī)角加速度絕對(duì)值大于25 000°∕s2時(shí)，每一加速踏板位置下車(chē)速值基本不變，因此仿真中當(dāng)發(fā)動(dòng)機(jī)角加速度絕對(duì)值超過(guò)30 000°∕s2時(shí)，默認(rèn)其絕對(duì)值為30 000°∕s2。

4.1 百公里加速仿真

百公里加速仿真中，駕駛員模型的加速踏板行程設(shè)置為100%，制動(dòng)壓力設(shè)置為0，轉(zhuǎn)向盤(pán)轉(zhuǎn)角設(shè)置為0，道路模型中道路坡度設(shè)置為0，不設(shè)置循環(huán)工況，仿真結(jié)果如圖10和圖11所示。

圖10中數(shù)據(jù)挖掘換擋和經(jīng)濟(jì)性換擋的加速時(shí)間較動(dòng)力性換擋分別超出17.52%和45.71%。且經(jīng)濟(jì)性換擋的換擋節(jié)奏最快，車(chē)速到100 km∕h時(shí)，其擋位為7擋，而數(shù)據(jù)挖掘換擋為4擋，動(dòng)力性換擋為3擋，這也導(dǎo)致其動(dòng)力性一直弱于其它兩種換擋規(guī)律。此外，數(shù)據(jù)挖掘換擋的換擋趨勢(shì)介于經(jīng)濟(jì)性換擋和動(dòng)力性換擋之間，雖加速時(shí)間比動(dòng)力性換擋多1.51 s，但其動(dòng)力性較經(jīng)濟(jì)性換擋有明顯提升。圖11中因升擋時(shí)變速器傳動(dòng)比降低，發(fā)動(dòng)機(jī)轉(zhuǎn)速下降，導(dǎo)致?lián)Q擋時(shí)發(fā)動(dòng)機(jī)角加速度先下降后升高。

圖10 百公里加速仿真結(jié)果

圖11 百公里加速仿真中數(shù)據(jù)挖掘換擋相關(guān)參數(shù)

4.2 CLTC-P循環(huán)工況仿真

CLTC-P循環(huán)工況仿真中，駕駛員模型的轉(zhuǎn)向盤(pán)轉(zhuǎn)角設(shè)置為0，道路模型中道路坡度設(shè)置為0，循環(huán)工況設(shè)置為CLTC-P，仿真結(jié)果如表7、圖12和圖13所示。

表7表明，數(shù)據(jù)挖掘換擋油耗接近經(jīng)濟(jì)性換擋，且動(dòng)力性換擋油耗較大。圖12中經(jīng)濟(jì)性換擋節(jié)奏同樣很快，而動(dòng)力性換擋節(jié)奏較遲緩，表7中換擋次數(shù)數(shù)據(jù)也體現(xiàn)了這一點(diǎn)。同時(shí)，經(jīng)濟(jì)性換擋為追求經(jīng)濟(jì)性經(jīng)常出現(xiàn)低速高擋位的情況，雖有效降低了油耗，但換擋次數(shù)較另兩種換擋規(guī)律猛增。不過(guò)經(jīng)濟(jì)性換擋在高速工況中能跟隨車(chē)速的變化及時(shí)換擋，更適應(yīng)該工況，而動(dòng)力性換擋更適應(yīng)城市工況，其換擋次數(shù)少，在城市工況中可避免頻繁換擋，但在另兩個(gè)工況中則會(huì)出現(xiàn)延遲升擋的情況，相比于動(dòng)力性∕經(jīng)濟(jì)性換擋，數(shù)據(jù)挖掘換擋則始終能根據(jù)車(chē)速變化情況及時(shí)調(diào)整擋位，對(duì)城市工況、郊區(qū)工況和高速工況都有較強(qiáng)的適應(yīng)性。動(dòng)力性換擋雖在換擋次數(shù)方面表現(xiàn)較好，但這只是其延遲升擋帶來(lái)的好處，而缺點(diǎn)則是平均油耗較經(jīng)濟(jì)性換擋增加了20.66%。與經(jīng)濟(jì)性換擋相比，數(shù)據(jù)挖掘換擋規(guī)律，在平均油耗微增0.89%情況下，換擋次數(shù)大幅減少了63.33%，在保證較強(qiáng)經(jīng)濟(jì)性的同時(shí)也減少了變速器的磨損。

表7 換擋次數(shù)和平均油耗

由圖12和圖13可見(jiàn)，數(shù)據(jù)挖掘換擋規(guī)律具有較強(qiáng)的實(shí)用性，即更接近經(jīng)濟(jì)性換擋規(guī)律，經(jīng)濟(jì)性較好，但其動(dòng)力性比經(jīng)濟(jì)性換擋也有較大提升，較動(dòng)力性換擋也未大幅下降。總的來(lái)說(shuō)，數(shù)據(jù)挖掘換擋規(guī)律在保持較低油耗的同時(shí)，顯著提高了車(chē)輛動(dòng)力性，減少了換擋次數(shù)，在經(jīng)濟(jì)性和動(dòng)力性間有較好平衡，綜合性能較好，這驗(yàn)證了本文所提方法對(duì)熟練駕駛員換擋策略的有效挖掘，也驗(yàn)證了所挖掘換擋規(guī)律的實(shí)用性。

圖12 CLTC-P循環(huán)工況仿真結(jié)果

圖13 CLTC-P循環(huán)工況仿真中數(shù)據(jù)挖掘換擋相關(guān)參數(shù)

此外，經(jīng)在CPU為i5-9400F∕2.9 GHz、內(nèi)存為16 G∕2400 MHz的計(jì)算機(jī)上測(cè)試，由隨機(jī)森林算法訓(xùn)練的擋位決策模型預(yù)測(cè)一次擋位的平均用時(shí)為1.38×10-4ms，而由三參數(shù)換擋規(guī)律查詢(xún)一次擋位的平均用時(shí)為3.8×10-5ms，下降了72.46%，明顯降低了計(jì)算量。且現(xiàn)有變速器控制芯片的計(jì)算性能遠(yuǎn)不如上述計(jì)算機(jī)，因此基于智能算法的擋位決策模型無(wú)法廣泛用于現(xiàn)有實(shí)車(chē)。而由本文方法制定的三參數(shù)換擋規(guī)律數(shù)表不需要高性能芯片，可通過(guò)替換現(xiàn)有變速器換擋規(guī)律數(shù)表直接應(yīng)用于實(shí)車(chē)，普適性更好。

5 結(jié)論

針對(duì)目前自動(dòng)變速車(chē)輛擋位決策方法對(duì)環(huán)境適應(yīng)性差或難以直接應(yīng)用于實(shí)車(chē)的問(wèn)題，本文通過(guò)挖掘熟練駕駛員駕車(chē)行駛數(shù)據(jù)來(lái)提取平直道路三參數(shù)換擋規(guī)律。首先通過(guò)數(shù)據(jù)預(yù)處理從試驗(yàn)采集數(shù)據(jù)中提取出平直道路工況下3個(gè)最重要特征（車(chē)速、加速踏板位置和發(fā)動(dòng)機(jī)角加速度）的標(biāo)準(zhǔn)化數(shù)據(jù)，然后比較6種機(jī)器學(xué)習(xí)算法對(duì)各擋位下3種決策值的分類(lèi)效果，選用效果最好的隨機(jī)森林算法提取各擋位下?lián)Q擋規(guī)律。仿真結(jié)果表明，該方法普適性好，能有效提取熟練駕駛員換擋策略，提取的換擋規(guī)律適應(yīng)性較好，在保證較好經(jīng)濟(jì)性的同時(shí)，也具有較好的動(dòng)力性，且換擋次數(shù)較少，綜合性能好。