車聯(lián)網(wǎng)數(shù)據(jù)的PCA-LVQ行駛工況識(shí)別方法與測(cè)試

鄭國(guó)峰，林 鑫，張承偉，肖 攀，張學(xué)東

(1.中國(guó)汽車工程研究院股份有限公司， 重慶 401122；2.重慶交通大學(xué) 機(jī)電與車輛工程學(xué)院， 重慶 400074)

0 引言

汽車駕駛過程中的典型行駛工況對(duì)整車的耐久性能有著顯著影響。在整車耐久性規(guī)范制定或修訂時(shí)，用戶典型工況的比例，直接決定規(guī)范能否反應(yīng)用戶實(shí)際駕駛情況，典型工況的識(shí)別顯得尤為重要。在傳統(tǒng)的整車耐久規(guī)范開發(fā)與修訂中，典型行駛工況往往通過整車GPS信號(hào)獲取，但GPS所包含的典型道路的信息，嚴(yán)重依賴于圖商的后臺(tái)數(shù)據(jù)，在缺乏相關(guān)數(shù)據(jù)庫的前提下，對(duì)整車典型行駛工況的識(shí)別顯得較為困難。但隨著人工智能算法的出現(xiàn)，基于用戶車聯(lián)網(wǎng)數(shù)據(jù)的典型行駛工況識(shí)別方法逐漸得到關(guān)注。

基于人工智能算法的整車典型行駛工況識(shí)別方法，國(guó)內(nèi)外相關(guān)學(xué)者做了相關(guān)的研究，較為典型的有：詹森等[1-2]提出了基于聚類算法的工況識(shí)別方法，以優(yōu)化整車能量管理策略。林歆悠等[3]采用學(xué)習(xí)向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)模型對(duì)典型行駛工況進(jìn)行在線識(shí)別，結(jié)合動(dòng)態(tài)規(guī)劃算法，制定了基于工況識(shí)別的控制策略。田毅等[4]基于模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)典型行駛工況進(jìn)行識(shí)別，結(jié)合模糊控制策略和遺傳算法改善了混合動(dòng)力汽車的燃油經(jīng)濟(jì)性和排放性。羅婷等[5]分別采用模糊C均值聚類、概率神經(jīng)網(wǎng)絡(luò)、LVQ神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的工況識(shí)別方法進(jìn)行了典型行駛工況分類，為能量管理策略提供了基礎(chǔ)。Langari等[6]在設(shè)計(jì)混動(dòng)汽車能源管理系統(tǒng)時(shí)，植入了基于LVQ神經(jīng)網(wǎng)絡(luò)模型的駕駛工況在線識(shí)別算法。以上研究均采用人工智能算法進(jìn)行典型行駛工況識(shí)別，助力新能源汽車能量管理，實(shí)現(xiàn)整車能量?jī)?yōu)化，對(duì)于商用車耐久性規(guī)范開發(fā)時(shí)的典型行駛工況識(shí)別，鮮有文獻(xiàn)報(bào)道。此外文獻(xiàn)報(bào)道的智能算法主要以速度和加速度作為輸出，進(jìn)行模型的訓(xùn)練，但在實(shí)際情況中，典型行駛工況除與速度相關(guān)外，還與用戶的駕駛習(xí)慣密切相關(guān)，在進(jìn)行模型訓(xùn)練時(shí)需要考慮，以提高模型訓(xùn)練的精度[7]。

針對(duì)商用車耐久性規(guī)范開發(fā)或修訂的問題，提出基于主成分分析-學(xué)習(xí)向量量化(PCA-LVQ)神經(jīng)網(wǎng)絡(luò)的典型工況識(shí)別算法。基于用戶車聯(lián)網(wǎng)數(shù)據(jù)，首先對(duì)速度、剎車頻次、駕駛時(shí)間等多維度特征參數(shù)進(jìn)行主成分分析(PCA)，實(shí)現(xiàn)輸入信息降維處理，避免冗余信息帶來的識(shí)別誤差。其次將降維后的信息輸入到LVQ神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，并將模型用于用戶典型駕駛工況的識(shí)別，分別對(duì)模型識(shí)別的影響因素進(jìn)行了研究。結(jié)果表明：基于PCA-LVQ神經(jīng)網(wǎng)絡(luò)的典型駕駛工況識(shí)別方法能夠有效地進(jìn)行工況識(shí)別，工況識(shí)別的精度與運(yùn)動(dòng)學(xué)片段長(zhǎng)度相關(guān)，還受訓(xùn)練樣本量和識(shí)別量的影響，但不受工況順序影響。

1 PCA-LVQ的典型駕駛工況識(shí)別模型構(gòu)建

通過用戶的駕駛數(shù)據(jù)，可反映典型駕駛工況的類型，但需要經(jīng)過預(yù)處理后才能用于典型駕駛工況的識(shí)別,見圖1。用戶實(shí)車采集的數(shù)據(jù)記為Xi(tj)，其中i=1，2，…，N為采集通道的數(shù)量,j表示單個(gè)通道采集數(shù)據(jù)的總量。

圖1 典型駕駛工況識(shí)別的用戶數(shù)據(jù)預(yù)處理示意圖

由于實(shí)車數(shù)據(jù)采集通道較多，并且通道之間存在相關(guān)性，為了能夠準(zhǔn)確地提取工況信息，首先采用PCA法，對(duì)多維通道數(shù)據(jù)進(jìn)行降維處理，再將降維后的數(shù)據(jù)按照等距離原則，將通道數(shù)據(jù)分塊為M個(gè)塊工況，計(jì)算每個(gè)通道下塊工況的特征參數(shù)。以特征參數(shù)作為訓(xùn)練參數(shù)，構(gòu)建PCA-LVQ典型駕駛工況識(shí)別模型，用于工況識(shí)別。

1.1 基于PCA的數(shù)據(jù)降維

PCA基本思想是使用正交變換將一組可能相關(guān)的變量轉(zhuǎn)換為一組線性不相關(guān)的獨(dú)立變量。通過正交變換，采用較少的獨(dú)立變量指標(biāo)來最大程度地反映原多個(gè)指標(biāo)才能表達(dá)的信息，實(shí)現(xiàn)數(shù)據(jù)壓縮的目的。其基本步驟如下：

1) 對(duì)輸入矩陣進(jìn)行標(biāo)準(zhǔn)化，使其均值為0，標(biāo)準(zhǔn)差為1，得到標(biāo)準(zhǔn)化矩陣。

2) 計(jì)算標(biāo)準(zhǔn)化矩陣的相關(guān)系數(shù)矩陣。

3) 計(jì)算相關(guān)系數(shù)矩陣的特征值，將矩陣的特征值按降序排列，并求出每個(gè)特征值對(duì)應(yīng)的特征向量。

4) 計(jì)算主成分貢獻(xiàn)率和累計(jì)貢獻(xiàn)率。其中第一個(gè)主成分的貢獻(xiàn)率最大，表明第一主成分的獨(dú)立性最強(qiáng)，綜合表達(dá)原始變量的能力最好。

為了能夠更好地識(shí)別典型駕駛工況，取累積貢獻(xiàn)率達(dá)到90%以上的特征值，從而識(shí)別出眾多變量中的主成分。

1.2 LVQ神經(jīng)網(wǎng)絡(luò)的模式識(shí)別

對(duì)于復(fù)雜非線性問題的分類識(shí)別問題，LVQ神經(jīng)網(wǎng)絡(luò)表現(xiàn)出優(yōu)異而準(zhǔn)確的模式識(shí)別性能，因而得到廣泛應(yīng)用。算法通過尋找輸入與輸出數(shù)據(jù)之間的某種密切關(guān)系，實(shí)現(xiàn)特征提取和統(tǒng)計(jì)分類，見圖2。

圖2 LVQ網(wǎng)絡(luò)結(jié)構(gòu)

LVQ主要由輸入層、競(jìng)爭(zhēng)層和輸出層3層神經(jīng)元組成。輸入層將信息依次完全傳遞到競(jìng)爭(zhēng)層，而競(jìng)爭(zhēng)層部分傳遞到輸出層。競(jìng)爭(zhēng)層將對(duì)輸入信息進(jìn)行分類，輸出層將競(jìng)爭(zhēng)層傳遞過來的分類信息轉(zhuǎn)換為用戶所定義的期望類別。

LVQ神經(jīng)網(wǎng)絡(luò)是一種結(jié)合了競(jìng)爭(zhēng)學(xué)習(xí)規(guī)則和有教師學(xué)習(xí)規(guī)則的算法，其對(duì)網(wǎng)絡(luò)的訓(xùn)練需要一組有教師信號(hào)的樣本。利用訓(xùn)練樣本集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練完畢后再進(jìn)行模式的識(shí)別。當(dāng)某個(gè)有待識(shí)別的模式輸入到網(wǎng)絡(luò)時(shí)，與輸入模式距離最近的競(jìng)爭(zhēng)層神經(jīng)元將被激活，競(jìng)爭(zhēng)神經(jīng)元狀態(tài)為1，而其他神經(jīng)元的連接權(quán)值均為0。被激活的競(jìng)爭(zhēng)神經(jīng)元將會(huì)使輸出層神經(jīng)元的權(quán)值為1，而其他未被激活的競(jìng)爭(zhēng)神經(jīng)元將會(huì)使輸出層神經(jīng)元的權(quán)值為0[8-9]。

1.3 PCA-LVQ工況識(shí)別算法

商用車車聯(lián)網(wǎng)數(shù)據(jù)量豐富，通過PCA算法將豐富的數(shù)據(jù)信息進(jìn)行降維處理，提取典型駕駛工況識(shí)別的主要通道信息，并輸入到LVQ中進(jìn)行典型駕駛工況模式識(shí)別，算法的主要步驟如下：

2) 將每個(gè)通道的特征參數(shù)組成矩陣形式，并作為算法輸入。輸入數(shù)據(jù)維度為i×k的矩陣，表示為X=(xnp)i×k(n=1,2,…,i;p=1,2,…,k)，其中i為通道數(shù)量，k為變量指標(biāo)的數(shù)量。

3) 對(duì)輸入矩陣X=(xnp)i×k進(jìn)行標(biāo)準(zhǔn)化，使其均值為0，標(biāo)準(zhǔn)差為1，得到標(biāo)準(zhǔn)化矩陣Y=(ynp)i×k，標(biāo)準(zhǔn)化矩陣中的每個(gè)元素為:

ynp=(xnp-minxp)/(maxxp-minxp)

(1)

4) 標(biāo)準(zhǔn)化矩陣Yi×k的相關(guān)系數(shù)矩陣R的求解。相關(guān)系數(shù)矩陣的每個(gè)元素rnp的值為：

(2)

5) 相關(guān)系數(shù)矩陣R的特征值求解。將矩陣R的特征值λ按降序排列，并求出每個(gè)特征值對(duì)應(yīng)的特征向量。

6) 計(jì)算輸入矩陣主成分貢獻(xiàn)率和累計(jì)貢獻(xiàn)率：

(3)

其中有q個(gè)主成分，則累計(jì)貢獻(xiàn)率可表達(dá)為：

(4)

取累積貢獻(xiàn)率達(dá)到90%以上的特征值，采用λm(m≤i)表示對(duì)應(yīng)的m個(gè)主成分對(duì)應(yīng)的特征值，從而將眾多變量中的主成分識(shí)別出來。

7) 將PCA后的矩陣X=(x1p，x2p，…，xqp)作為L(zhǎng)VQ的輸入層數(shù)據(jù)。并初始化輸入層與競(jìng)爭(zhēng)層之間的權(quán)值ωab(其中下表a表示輸入層的編號(hào)，b表示競(jìng)爭(zhēng)層的編號(hào))，給定訓(xùn)練時(shí)的初始學(xué)習(xí)率η0(η0>0)和訓(xùn)練的目標(biāo)次數(shù)t′。

8) 計(jì)算競(jìng)爭(zhēng)層神經(jīng)元與輸入向量的距離：

(5)

9) 選擇與輸入向量距離最小的競(jìng)爭(zhēng)層神經(jīng)元。若‖ndist‖c最小，記與之連接的線性輸出神經(jīng)元的類標(biāo)簽為dc。

10) 記訓(xùn)練樣本對(duì)應(yīng)的類標(biāo)簽為de，若dc=de，則用如下方法調(diào)整權(quán)值：

ωab_new=ωab_old+η(x-ωab_old)

(6)

否則，按如下方式進(jìn)行權(quán)值更新：

ωab_new=ωab_old-η(x-ωab_old)

(7)

11) 更新網(wǎng)絡(luò)學(xué)習(xí)速率：

(8)

12) 當(dāng)滿足t

13) 經(jīng)過以上訓(xùn)練得到PCA-LVQ工況識(shí)別模型。將待識(shí)別的工況數(shù)據(jù)按照訓(xùn)練時(shí)的格式進(jìn)行輸入，進(jìn)行工況識(shí)別。

14) 由于工況識(shí)別受樣本量等因素的影響，PCA-LVQ模型需根據(jù)實(shí)際情況進(jìn)行算法修正。

2 工況識(shí)別與驗(yàn)證

以商用物流車為研究對(duì)象進(jìn)行用戶典型駕駛工況的識(shí)別。商用物流車用戶駕駛，其中高速、國(guó)道2種典型工況占目標(biāo)里程95%以上，是影響整車耐久性的關(guān)鍵因素。用戶目標(biāo)里程下高速、國(guó)道工況的占比輸入，將對(duì)整車耐久性規(guī)范開發(fā)精度產(chǎn)生重要影響。

2.1 數(shù)據(jù)采集與預(yù)處理

基于商用車車聯(lián)網(wǎng)大數(shù)據(jù)平臺(tái)，隨機(jī)抽取某一定時(shí)間段內(nèi)某用戶的駕駛數(shù)據(jù)。這些數(shù)據(jù)包含：駕駛累計(jì)總里程、剎車信號(hào)、踏板信號(hào)、整車速度、油耗等27個(gè)信號(hào)數(shù)據(jù)，以及由GPS傳感器同步輸出的經(jīng)、緯度和海拔等信號(hào)數(shù)據(jù)。

用戶駕駛路線起點(diǎn)為河南省新鄉(xiāng)市，沿G4高速經(jīng)湖北、湖南到達(dá)廣州，從廣州出發(fā)經(jīng)貴州到達(dá)四川成都，在成都沿318國(guó)道和京藏高速到達(dá)拉薩市，全程8 636 km。以其中200 km的高速工況駕駛數(shù)據(jù)為例，整車速度、油門和剎車踏板信號(hào)隨里程的變化見圖3。

圖3 整車速度、油門和剎車踏板信號(hào)隨里程的變化

圖3中整車速度為0～100 km/h變化的信號(hào)，相應(yīng)油門踏板信號(hào)在0～100%變化，剎車踏板為0、1信號(hào)?；谡囁俣刃盘?hào)，還可計(jì)算其加減速信息，以及在每個(gè)運(yùn)動(dòng)片段內(nèi)的最大/最小速度信息。

2.2 工況識(shí)別

2.2.1用戶數(shù)據(jù)的PCA

以實(shí)車采集高速和國(guó)道工況下的信號(hào)，作為神經(jīng)網(wǎng)絡(luò)工況識(shí)別模型的訓(xùn)練樣本，其中高速工況下里程為1 380 km，國(guó)道工況下里程為745 km。

文獻(xiàn)多數(shù)選擇平均速度、最大速度/加速度/減速度、勻速/加速/減速時(shí)間比等與速度相關(guān)的參數(shù)維度作為訓(xùn)練參數(shù)[10]。對(duì)于訓(xùn)練參數(shù)的維度，并非越多越好。訓(xùn)練參數(shù)的維度越多越容易造成信息的冗余，導(dǎo)致所訓(xùn)練的模型對(duì)某些維度參數(shù)出現(xiàn)識(shí)別誤差。

考慮到整車在不同典型駕駛工況下，相同駕駛里程內(nèi)的駕駛時(shí)間、剎車頻次、油門踏板百分比、整車速度、油耗等均有所不同，這里不僅采用速度相關(guān)的參數(shù)(平均速度Vm、最大速度Vmax、最小速度Vmin、最大加速度Amax)進(jìn)行訓(xùn)練，還將采用剎車頻次Fb、油門踏板累計(jì)頻次Fp、相同距離內(nèi)的駕駛時(shí)間t、發(fā)動(dòng)機(jī)最大/最小轉(zhuǎn)速RPMmax/RPMmin、相同距離內(nèi)的油耗E、以及整車z向加速度信號(hào)Az等作為訓(xùn)練參數(shù)[11-12]。

基于PCA-LVQ典型駕駛工況識(shí)別模型，首先對(duì)以上11個(gè)維度的輸入信息進(jìn)行降維處理。得到的主成分及貢獻(xiàn)率如表1所示。

表1 各主成分貢獻(xiàn)率及累計(jì)貢獻(xiàn)率

根據(jù)表1，前6個(gè)主成分特征值的貢獻(xiàn)率達(dá)到90%以上，能夠獨(dú)立地代表所輸入的11個(gè)維度的變量信息，因此選取前6個(gè)主成分進(jìn)行分析。

此外，為了能夠判斷6個(gè)主成分所代表的維度信息，將6個(gè)主成分下每個(gè)維度的相關(guān)系數(shù)矩陣元素進(jìn)行總結(jié)，如表2所示。

表2 主成分相關(guān)系數(shù)矩陣元素

根據(jù)表2相關(guān)系數(shù)的情況，可以判斷：第一主成分主要反映平均速度和最大速度；第二主成分主要反映剎車頻次；第三主成分主要反映相同距離內(nèi)的駕駛時(shí)間；第四主成分主要反映整車z向加速度信息；第五主成分主要反映發(fā)動(dòng)機(jī)最大轉(zhuǎn)速；第六主成分主要反映最大加速度。

根據(jù)主成分與特征參數(shù)的相關(guān)性可以判斷，能夠反映典型工況的主要維度包含：平均速度Vm、最大速度Vmax、最大加速度Amax、相同距離內(nèi)的駕駛時(shí)間t、發(fā)動(dòng)機(jī)最大轉(zhuǎn)速RPMmax、油門踏板累計(jì)頻次Fp、以及整車z向加速度信號(hào)Az。

2.2.2典型工況識(shí)別

設(shè)置LVQ神經(jīng)網(wǎng)絡(luò)工況識(shí)別模型的學(xué)習(xí)率為0.02，系統(tǒng)誤差閾值為0.01。按照1.3節(jié)的樣本學(xué)習(xí)算法對(duì)典型工況識(shí)別模型進(jìn)行訓(xùn)練，當(dāng)工況識(shí)別模型的系統(tǒng)誤差下降到0.01以下，認(rèn)為完成識(shí)別工況模型的訓(xùn)練，可以運(yùn)用到實(shí)際工況的識(shí)別中。

(9)

2.3 識(shí)別結(jié)果與分析

以實(shí)車采集高速工況下250 km和國(guó)道工況下170 km的數(shù)據(jù)作為工況識(shí)別對(duì)象，輸入到2.2節(jié)的PCA-LVQ工況識(shí)別模型中。定義工況識(shí)別的精度：

(10)

其中:Ca(l)為第l個(gè)有待識(shí)別塊工況的實(shí)際對(duì)應(yīng)的典型道路工況，Cr(l)為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)工況識(shí)別模型所識(shí)別出的第l個(gè)塊工況對(duì)應(yīng)的典型道路工況，L為塊工況的總數(shù)量。

2.3.1PCA-LVQ與LVQ工況識(shí)別結(jié)果對(duì)比

PCA-LVQ工況識(shí)別算法是在LVQ神經(jīng)網(wǎng)絡(luò)工況識(shí)別的基礎(chǔ)上，為了避免由于信息冗余帶來的識(shí)別誤差，增加了PCA算法，對(duì)輸入信息實(shí)現(xiàn)降維處理。為了對(duì)比改進(jìn)算法的優(yōu)勢(shì)，利用相同的信息分別對(duì)PCA-LVQ與LVQ工況識(shí)別算法進(jìn)行訓(xùn)練，并利用相同的輸入信號(hào)進(jìn)行典型工況的識(shí)別。

考慮到訓(xùn)練的塊工況長(zhǎng)度對(duì)識(shí)別結(jié)果的影響，分別采用不同長(zhǎng)度的塊工況對(duì)PCA-LVQ和LVQ工況識(shí)別模型進(jìn)行訓(xùn)練。

根據(jù)圖4(a)和(b)，可得到如下結(jié)論：

圖4 不同算法下工況識(shí)別結(jié)果隨塊工況長(zhǎng)度變化情況

1) 基于PCA-LVQ模型得到的工況識(shí)別精度比LVQ模型顯著提高。主要在于PCA-LVQ通過降維，消除了工況識(shí)別輸入的冗余信息，使得工況的識(shí)別精度有所提高。

2) 塊工況長(zhǎng)度對(duì)識(shí)別精度有顯著影響。隨著塊工況長(zhǎng)度的增加，高速和國(guó)道工況下的識(shí)別精度均呈現(xiàn)先增高后減小的趨勢(shì)。說明在進(jìn)行駕駛工況識(shí)別時(shí)，所劃分的運(yùn)動(dòng)學(xué)片段長(zhǎng)度，對(duì)典型駕駛工況識(shí)別的精度有顯著影響。

3) 有一個(gè)最優(yōu)的塊工況長(zhǎng)度，使得識(shí)別精度最高。對(duì)比PCA-LVQ模型的識(shí)別結(jié)果，塊工況長(zhǎng)度為5 km時(shí)高速工況識(shí)別精度最高，塊工況長(zhǎng)度為6 km時(shí)國(guó)道工況識(shí)別精度最高，分別為97.96%和100.00%。

4) 與國(guó)道工況相比，高速工況識(shí)別精度更為穩(wěn)定。與國(guó)道工況相比，高速工況的駕駛環(huán)境較好，其駕駛數(shù)據(jù)更為穩(wěn)定，采用不同塊工況長(zhǎng)度劃分后，識(shí)別得到的工況精度也更加穩(wěn)定。國(guó)道工況由于駕駛環(huán)境較差，駕駛員操作頻繁，識(shí)別得到的工況精度有一定的浮動(dòng)。

2.3.2PCA-LVQ誤識(shí)別分析

以塊工況長(zhǎng)度5 km為例，基于PCA-LVQ工況識(shí)別算法得到的識(shí)別結(jié)果見圖5。其中高速工況用標(biāo)簽“1”表示，國(guó)道工況用標(biāo)簽“2”表示。

圖5 塊工況長(zhǎng)度5 km的工況識(shí)別結(jié)果

根據(jù)圖5，序號(hào)為1～49的塊工況為高速工況，序號(hào)為50～83的塊工況為國(guó)道工況。在高速工況下，訓(xùn)練的模型將1號(hào)塊工況誤識(shí)別為國(guó)道工況；在國(guó)道工況下，訓(xùn)練的模型將68號(hào)塊工況誤識(shí)別為高速工況。

為了判斷工況誤識(shí)別的原因，繪制部分參數(shù)的分布，并判斷誤識(shí)別塊工況的相應(yīng)參數(shù)(駕駛平均速度、剎車頻次、油門踏板百分比)在分布圖中的位置情況，將誤識(shí)別工況的相關(guān)參數(shù)在圖中標(biāo)記，具體見圖6。

根據(jù)圖6可知，整體分布來看：高速工況的最高車速較大，最大加速度較小，油門踏板的平均行程較高；而國(guó)道工況最高車速較小，最大加速度較高，油門踏板的平均行程較低。

將誤識(shí)別工況標(biāo)記在圖6中，其中紅色粗點(diǎn)為1號(hào)誤識(shí)別工況，黑色粗點(diǎn)為68號(hào)誤識(shí)別工況。圖6標(biāo)記的誤識(shí)別工況表明：1號(hào)塊工況的最大速度偏低，最高加速度較大，油門踏板平均行程較小，這是該工況被誤識(shí)別的主要原因；而68號(hào)塊工況的最大速度雖較低，但最高加速度較小，油門踏板平均行程較高，導(dǎo)致該工況被誤識(shí)別為高速工況。

圖6 誤識(shí)別工況的參數(shù)標(biāo)記

誤識(shí)別的核心原因在于：高速和國(guó)道工況各特征參數(shù)的分布有較多交叉區(qū)域，通過某個(gè)或某幾個(gè)特征參數(shù)較難實(shí)現(xiàn)工況的準(zhǔn)確識(shí)別，但過多的特征參數(shù)信息輸入又將導(dǎo)致信息冗余，造成識(shí)別誤差。因此所提出的PCA法能夠有效解決以上問題。

2.3.3典型工況順序?qū)r識(shí)別精度的影響

由于商用物流車的實(shí)際運(yùn)行工況中，高速與國(guó)道工況是交叉進(jìn)行的，為了分析工況順序?qū)ψR(shí)別精度的影響，將圖5所示的典型工況的順序進(jìn)行調(diào)整，以驗(yàn)證算法對(duì)工況順序的魯棒性。

將序號(hào)為50～83的國(guó)道工況前置，序號(hào)為1～49的高速工況后置，識(shí)別結(jié)果如圖7(a)所示；將國(guó)道工況和高速工況分段混合，識(shí)別結(jié)果如圖7(b)所示。

圖7 不同工況順序下的模型識(shí)別結(jié)果

根據(jù)圖7可知，基于PCA-LVQ模型的高速工況和國(guó)道工況的識(shí)別精度沒有發(fā)生變化，并且誤識(shí)別的工況與圖5所示工況保持相同。結(jié)果表明：2種工況相互混合交叉，基于PCA-LVQ典型駕駛工況識(shí)別模型的精度不變，不因順序的不同而發(fā)生變化。

2.3.4模型訓(xùn)練樣本量對(duì)工況識(shí)別精度的影響

根據(jù)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的性質(zhì)可知，網(wǎng)絡(luò)訓(xùn)練的樣本量越大，所得到的模型越精確，識(shí)別出的工況結(jié)果則越準(zhǔn)確。以識(shí)別量與訓(xùn)練樣本量之比為橫坐標(biāo)，不同駕駛工況識(shí)別精度的變化情況見圖8。

圖8 不同駕駛工況識(shí)別精度的變化情況

根據(jù)圖8，2種典型工況下，隨著識(shí)別樣本量的增加，典型駕駛工況識(shí)別的精度呈現(xiàn)下降趨勢(shì)，在識(shí)別樣本量與訓(xùn)練樣本量比值為1附近趨于平穩(wěn)，保持在79%左右。主要原因在于：隨著識(shí)別樣本量的增加，識(shí)別的誤差逐漸累計(jì)，當(dāng)識(shí)別樣本量與訓(xùn)練樣本量比值大于1后，累計(jì)誤差趨于平穩(wěn)。因此要求識(shí)別的效果越好，需要提供大量的訓(xùn)練樣本量，但在實(shí)際工程中，訓(xùn)練樣本量不可能無限大，反而是識(shí)別的樣本量要求較多。結(jié)果表明：在模型訓(xùn)練樣本與典型工況識(shí)別樣本量相當(dāng)時(shí)，典型工況的識(shí)別精度保持在79%左右，能夠有效地對(duì)典型工況進(jìn)行識(shí)別。

3 結(jié)論

1) 所提出的典型駕駛工況識(shí)別方法和流程，普適于各類車型耐久規(guī)范開發(fā)中的典型工況識(shí)別，但模型訓(xùn)練的輸入信號(hào)等有所差異。

2) 基于PCA-LVQ典型駕駛工況識(shí)別模型，識(shí)別結(jié)果精度與用戶試車數(shù)據(jù)的塊工況劃分的長(zhǎng)度相關(guān)。最優(yōu)的塊工況長(zhǎng)度為一個(gè)運(yùn)動(dòng)學(xué)片段的長(zhǎng)度，具體需要根據(jù)實(shí)測(cè)數(shù)據(jù)進(jìn)行分析判斷。

3) 典型駕駛工況識(shí)別精度還受訓(xùn)練樣本量和識(shí)別量的影響，當(dāng)識(shí)別樣本量與訓(xùn)練樣本量相當(dāng)后，累計(jì)誤差趨于平穩(wěn)?？梢詫?duì)算法進(jìn)行修正，將識(shí)別的正確工況作為訓(xùn)練集輸入到模型中，可進(jìn)一步提高算法精度。

4) 將不同工況相互混合交叉，基于PCA-LVQ典型駕駛工況識(shí)別模型的識(shí)別精度，以及誤識(shí)別的工況塊不變，可見模型不受工況順序影響。