低溫城市行駛工況的構(gòu)建與研究

龍會游 袁正 嚴杰 黃憲波 陳智穎

摘 要：通過大量低溫城市地區(qū)的車輛道路行駛數(shù)據(jù)，統(tǒng)計出每個運動學片段的特征參數(shù)，應(yīng)用主成分分析和聚類算法提煉出運動學片段的主要特征和類別，按相應(yīng)類的比例選取運動學片段，根據(jù)統(tǒng)計分析的概率隨機選擇并重組選取的運動學片段，構(gòu)建出相應(yīng)的低溫城市行駛工況。最終計算低溫城市行駛工況與原始數(shù)據(jù)樣本的相關(guān)系數(shù)，得出兩者之間相關(guān)系數(shù)大于0.95的結(jié)論。

關(guān)鍵詞：低溫地區(qū);主成分分析;聚類算法;相關(guān)系數(shù)

中圖分類號：U12 ?文獻標識碼：A ?文章編號：1671-7988（2020）09-98-04

Construction and Research of Low-temperature City Driving Conditions

Long Huiyou， Yuan Zheng， Yan Jie， Huang Xianbo， Chen Zhiying

（?Guangzhou Automobile Group Co.， Ltd. Automotive Engineering Research Institute， Guangdong Guangzhou 511434?）

Abstract：?Based on a large amount of vehicle road driving data in low-temperature urban areas， the feature parameters of each kinematic segment are calculated. The principal features and categories of the kinematic segment are extracted by applying principal component analysis and clustering algorithms. Segment， randomly select and reorganize the selected kinematic segment according to the probability of statistical analysis to construct the corresponding low-temperature urban driving conditions. Finally， calculate the correlation coefficient between low-temperature city driving conditions and the original data sample， and conclude that the correlation coefficient between the two is greater than 0.95.

Keywords： Low temperature area; Principal component analysis; Clustering algorithm; Correlation coefficient

CLC NO.：?U12 ?Document Code： A ?Article ID： 1671-7988（2020）09-98-04

1?前言

車輛行駛工況是針對某一類型車輛（如乘用車、公交車、重型車輛等），在特定交通環(huán)境（如高速公路，城市道路）下，用來描述車輛行駛特征的時間-速度曲線。行駛工況主要目的是用于確定車輛污染物排放量和燃油消耗量、新車型的技術(shù)開發(fā)和評估、以及測定交通控制方面的風險等，是汽車工業(yè)一項共性核心技術(shù)^[1]。目前，世界上的車輛行駛工況主要有中國工況（CLTC）、全球輕型汽車測試循環(huán)（WLTP）、美國車輛道路行駛工況（FTP75）等。其中，中國工況（CLTC）是基于全國道路數(shù)據(jù)開發(fā)的綜合工況，但是由于低溫城市地區(qū)的氣候、環(huán)境、人口密度等不同，會影響汽車行駛時的加減速、怠速等工況特征的分布，導(dǎo)致低溫城市地區(qū)的工況和中國工況（CLTC）會有一定的區(qū)別。因此，本文以低溫城市地區(qū)的乘用車為研究對象，采集了大量的實際道路數(shù)據(jù)，應(yīng)用數(shù)理統(tǒng)計、主成分分析和聚類分析等理論分析了低溫城市行駛工況的特征參數(shù)，并進行相關(guān)系數(shù)分析，構(gòu)建出低溫城市行駛工況，對乘用車在低溫城市地區(qū)的汽車性能評價具有一定的指導(dǎo)意義。

2 道路數(shù)據(jù)采集和行駛工況構(gòu)建方法

2.1?道路數(shù)據(jù)采集

本文的低溫地區(qū)指全年最低氣溫低于-20℃的地區(qū)。為了采集到真實有效的低溫城市工況數(shù)據(jù)，首先對全國各地的溫度分布進行了統(tǒng)計，以全國各地1整年的氣象溫度數(shù)據(jù)為基礎(chǔ)，繪制全國溫度分布圖，如圖1所示，低溫地區(qū)的分布范圍主要在北京、東北、西北地區(qū)。其中西北地區(qū)在黑河-騰沖線以上，人口分布稀少，因此低溫的道路數(shù)據(jù)來源主要來自北京和東北地區(qū)。在低溫地區(qū)分布的范圍內(nèi)，隨機選取10個典型的城市進行道路數(shù)據(jù)采集，分別是北京、哈爾濱、長春、沈陽、黑河、四平、松原、伊春、遼源和通化。

2.2?行駛工況構(gòu)建方法

確定行駛工況就是對車輛的實際行駛狀況進行調(diào)查，并對道路行駛數(shù)據(jù)進行分析，運用相關(guān)數(shù)學理論方法建立起來的典型道路車輛行駛狀況的定量描述^[2]。本文用到的數(shù)據(jù)分析方法如下所述。

2.2.1?剔除無效數(shù)據(jù)

原始數(shù)據(jù)中包含很多無效的數(shù)據(jù)點，需對其進行剔除過濾。剔除的內(nèi)容包括速度信號丟失點、加速度突變點和平滑過濾處理等。為了更方便的統(tǒng)計城市行駛工況的特征參數(shù)，將最大速度大于50km/h的運動學片段進行了刪除^[3]。

2.2.2?查找運動學片段

運動學片段是構(gòu)成整車行駛工況的基本組成部分^[4]。如圖1所示，將記錄的車速曲線在連續(xù)的停頓處分割成單個的運動學片段，每個運動學片段包含加速，最大車速，減速和怠速四個部分，前一個運動學片段的運行終點即是下一個運動學片段的起點，如此反復(fù)分割，直到將所有的原始數(shù)據(jù)分割完成，組成一個運動學片段庫。

2.2.3?特征參數(shù)統(tǒng)計

特征參數(shù)是表征每個運動學片段自身特點的一系列統(tǒng)計值，本文主要從速度、加速度等方面進行了統(tǒng)計。每個片段之間的特征參數(shù)值是各不相同的，根據(jù)這些參數(shù)能夠區(qū)分不同類別的行駛工況。本文統(tǒng)計的特征參數(shù)如表1所示。

2.2.4?主成分分析

多變量大樣本無疑會為研究和應(yīng)用提供了豐富的信息，但是許多變量之間可能存在相關(guān)性，從而增加了問題分析的復(fù)雜性。比如，勻速比例和加速度標準差這兩個參數(shù)之間是有一定相關(guān)性的。因此需要找到一個合理的方法，在減少需要分析的指標同時，盡量減少原指標包含信息的損失，以達到對所收集數(shù)據(jù)進行全面分析的目的。主成分分析就是用來分離識別出影響運動學片段的主要變量和次要變量，化繁為簡進行數(shù)據(jù)處理分析^[5]。

2.2.5?聚類算法

K-means聚類算法其基本思想是算法首先隨機的選擇一些對象，每個對象初始地代表了一個簇的平均值或中心^[6]。對剩余的每個對象，根據(jù)其與各個簇中心的距離，將它賦給最近的簇，然后重新計算每個簇的平均值。這個過程不斷重復(fù)，直到準則函數(shù)收斂通過迭代把數(shù)據(jù)對象劃分到不同的簇中，使簇內(nèi)部對象之間的相似度很大，而簇之間對象的相似度很小。通過K-means聚類算法將大量的運動學片段進行聚類，得到若干類別的運動學片段庫，為構(gòu)建行駛工況提供數(shù)據(jù)支撐。

3?道路行駛數(shù)據(jù)分析結(jié)果

3.1?總體樣本的特征參數(shù)統(tǒng)計

在對采集到的大量原始數(shù)據(jù)進行預(yù)處理和運動學片段切割之后，統(tǒng)計出總體樣本的特征參數(shù)，統(tǒng)計結(jié)果如表2所示，城市工況的平均速度低，行駛時間短，行駛速度低于40km/h的時間占比超過90%。

3.2?主成分分析結(jié)果

應(yīng)用主成分分析技術(shù)，對低溫城市行駛片段的特征參數(shù)進行統(tǒng)計分析，得到特征參數(shù)的成分計算值。如表3所示，平均速度、最大速度、速度標準差等參數(shù)屬于第一主成分，代表了每個運動學片段的主要特征值。

各主成分貢獻率如圖3所示，其中前7個主成分的貢獻率大于90%，可以很好地反映原變量的信息。

3.3?聚類分析在整車行駛循環(huán)工況合成中的應(yīng)用

應(yīng)用K-means 聚類算法，在對大量的運動學片段數(shù)據(jù)進行不同分類結(jié)果的比較后，最終將105236個片段分為了5類，聚類結(jié)果如表4所示。

3.4?各類別的特征參數(shù)統(tǒng)計

根據(jù)聚類分析的結(jié)果，對每一類的特征參數(shù)進行統(tǒng)計，得到的結(jié)果如表5所示。從表5可以看出，不同類別之間的特征參數(shù)差異很大，這些差異也是路面狀況與交通環(huán)境不同的反映^[7]。

4 行駛工況的曲線構(gòu)建

行駛工況按相應(yīng)類的比例提取運動學片段，隨機重組選取的運動學片段，構(gòu)建出相應(yīng)的低溫城市行駛工況，選擇基準如表6所示。工況曲線的總時間為3600s，根據(jù)原始數(shù)據(jù)統(tǒng)計的怠速比例為14.0%，計算得到怠速時間為505s，用工況總時間減去怠速時間，得到所有運動片段構(gòu)成的運行時間為3095s。

最終構(gòu)成的行駛工況表現(xiàn)為時間-速度曲線，逐秒表示，1s對應(yīng)一個車速，組合成完整的低溫城市行駛工況如圖3所示。

5?相關(guān)系數(shù)判定

相關(guān)系數(shù)是研究變量之間線性相關(guān)程度的量。當相關(guān)系數(shù)為1時，說明兩個變量變化時的正向相似度最大，也即是完全正相關(guān)^[8]。

將城市行駛工況與采集的原始數(shù)據(jù)樣本的特征參數(shù)值進行相關(guān)系數(shù)分析，結(jié)果如表7所示。兩者之間的相關(guān)系數(shù)大于0.95，說明兩者之間的正相關(guān)程度很高，驗證了低溫城市行駛工況的有效性。

6?結(jié)論

本文在低溫城市地區(qū)的大量用戶試驗基礎(chǔ)上，應(yīng)用主成分分析解析出前7個主成分的貢獻率超過90%，依據(jù)K-means聚類算法將大量的運動學片段分成了5類，最后按類別比例隨機選取運動學片段構(gòu)建出低溫城市行駛工況。通過對比分析原始數(shù)據(jù)和所構(gòu)建工況之間的相關(guān)系數(shù)，得出兩者之間的

特征參數(shù)值的相關(guān)系數(shù)大于0.95的結(jié)論，從而驗證了所構(gòu)建工況的合理性，完成了低溫城市行駛工況的開發(fā)。

參考文獻

[1]?李孟良，朱西產(chǎn)，張建偉，等.典型城市車輛行駛工況構(gòu)成的研究[J].汽車工程，2005，27：557-560.

[2]?胡正云.乘用車城市行駛工況構(gòu)建方法研究[J].公路交通科技，?2019，36（11）：142-150.

[3]?徐小俊，李君，劉宇，等.電動汽車城市行駛工況構(gòu)建[J].科學技術(shù)與工程，2017，17（35）：330-335.

[4]?M. Mourad， Khaled R.M. Mahmoud. Performance investigation of passenger vehicle fueled by propanol/gasoline blend according to a city driving cycle[J]. Energy， 2018， 149.

[5]?段俊輝.南昌市公交車行駛工況研究[J].汽車零部件，2011（12）：71?-77.

[6]?付娜.應(yīng)用聚類分析對交通事故進行分析之方法探討[J].品牌（理論版），2010（10）：98-99.

[7]?趙強.商用車快運行駛工況的構(gòu)建與研究[C].中國汽車工程學會.第19屆亞太汽車工程年會暨2017中國汽車工程學會年會論文集.中國汽車工程學會：中國汽車工程學會，2017：1554-1561.

[8]?周汽一，張艷輝，鄧陽慶，等.重型普通載貨汽車典型用戶的整車行駛循環(huán)工況研究[J].汽車技術(shù)，2012（03）：39-42.