基于高斯核层次聚类的汽车工况构建

现有的车况构建主要采用K-means方法对运动学片段进行聚类,该方法需要通过经验确定聚类的个数,然而人工经验在数据量大和情况复杂时很容易带来误差。因此,本文在对不良数据进行处理、定义怠慢区并对运动学片段进行分割之后,构建基于高斯核的层次聚类算法,对片段进行聚类后确定构建工况的候选集,以解决这个难题。本文还引入统计特征、形状特征、熵特征等共14个运动学片段,作为聚类运动学片段的有效特征。根据运动学片段类别及时间比例,构建了1300 s的工况图。实验结果表明,本文构建的工况图具一定的有效性和实用性。

基于卡尔曼滤波与均值聚类的汽车工况研究

针对现有汽车行驶工况不能满足城市交通情况实际需求的问题,提出一种基于卡尔曼滤波与均值聚类的汽车行驶工况构建方法。首先,对车辆行驶数据进行预处理,去除异常数据;然后,结合卡尔曼滤波从微行程中提取偏度、峰度等特征参数,再利用主成分分析法进行降维,采用均值聚类算法将微行程划分为堵塞、一般和畅通3类,并引入轮廓系数作为聚类评价;最后,根据与聚类中心距离最近的原则选取9个具有代表性的微行程,生成符合实际交通特征的综合行驶工况,从特征值和比功率两个方面对工况进行验证与对比分析。结果表明,所构建工况的特征参数平均相对误差与比功率分布误差较小,均远小于对比工况的误差值。因此,基于卡尔曼滤波与均值聚类构建汽车工况可以更准确地反映汽车实际行驶状况。

引入油门开度的汽车续航测试工况构建研究

现有的用于续航测试的车速-时间汽车行驶工况未能考虑油门开度对油耗测试的影响,导致测定油耗相较于实际油耗偏差较大。引入油门开度构建汽车行驶工况可以综合考虑负荷与车速变化对行车油耗的影响。通过划分车速-油门开度行驶片段,利用主成分分析、聚类分析和相关性分析等方法筛选行驶片段,拼接行驶片段构建车速-油门开度-时间三维工况曲线。研究发现,相较于二维工况曲线,基于三维工况曲线测定油耗与实测油耗的偏差减少了12.673%。

基于聚类算法的汽车行驶工况构建方法研究

构建符合地区经济和交通发展状况的汽车行驶工况具有重要意义。文章采用主成分分析和聚类算法构建适应地区实际情况的汽车行驶工况。首先,根据问题实际对原始数据进行清洗,降低采集误差对结果的影响,再进行运动学片段划分;其次,采用主成分分析法和K-means聚类算法对运动学片段进行分类;最后,采用最小偏差采样方法分别选取每类的代表性片段以合成最终工况。文章所构建的工况的各特征值与原始数据之间的相对误差均值在5%以内,能够有效反映汽车实际行驶状况。

模拟汽车动态工况下SPHC钢的腐蚀行为

文章通过热轧钢板(SPHC)钢在汽车动态行驶过程中,经过温湿度环境仓运行后的腐蚀速率,并采用扫描电子显微镜(SEM)检测手段分别分析了SPHC钢经历7天、11天、15天试验后的锈层微观形貌,初步探究SPHC钢在特定工况下的腐蚀变化规律。结果表明,在模拟汽车动态工况下,SPHC钢每天喷3%NaCl的腐蚀速率要高于0.5%NaCl,但是两者的腐蚀速率都随着试验时间呈现相同趋势的非线性变化。当试验1天至7天时,腐蚀速率先急剧增大,锈层表面及其中间具有大量的裂纹,此时为初期加速腐蚀;当试验到11天时,腐蚀速率下降到低点,此时锈层较为致密,增强了SPHC钢的耐蚀性;当试验到15天时,腐蚀速率又上升到一个高点。此时锈层剥落,基体严重腐蚀,耐蚀性最差。

基于K-均值聚类分析的城市道路汽车行驶工况构建方法研究

以实时采集的乘用车行驶数据为数据源,进行了城市道路汽车行驶工况构建方法的研究。分别运用运动学片段分析法、主成分分析法和K均值聚类分析法对实测数据进行降维和分类,提出以Silhouette函数实现对聚类结果的筛选,以减少人为选择的误差,并根据聚类中心的大小筛选所需运动学片段构建候选工况。在目标代表工况的遴选方面,提出了综合6个特征参数和最大SAFD差异值的评价标准。最后通过试验验证了该行驶工况构建方法的有效性和精确性。

城市道路汽车行驶工况及排放污染物的测试和分析研究

为了适应欧Ⅲ排放法规的需要,针对西安市区城市道路上正常行驶汽车的工况及排放情况进行研究,通过采用GPS测速系统和IPEXD便携式排放测量仪,快速、准确的获取汽车正常行驶过程中的即时速度及瞬间排放污染物等客观数据,进而具体分析汽车在城市道路上的行驶工况及排放情况,最终计算得出西安市城市道路上行驶汽车的相应工况、即时速度与瞬间排放之间的关系。其中,本文主要研究以汽油为燃料的车辆在城市道路条件下行驶时尾气排放中的HC、CO、NOX三种污染物,客观分析并确定日常城市道路条件下汽车行驶工况对其排放的相关影响。

基于神经网络的汽车行驶工况识别方法研究

混动车辆能量管理实现自适应控制策略的前提是对汽车行驶工况的正确识别。针对此问题提出了一种基于神经网络的车辆行驶工况识别方法。首先通过采集车辆实际行驶路谱,整理出3种典型工况。在此基础上,运用方差分析工具,筛选提取10项特征,用于路谱的辨别,并且整理成用于训练的数据。采用Matlab建立目标神经网络,经过训练和测试,模型识别率达到98.5%。经过综合工况的验证,模型识别率良好,达到预期效果。

基于聚类分析的汽车行驶工况构建研究

为了制定汽车的能耗规范标准,优化汽车驾驶性能,以城市道路上实际行驶的车辆为研究对象,对汽车行驶工况进行分析。将采集到的汽车实际道路行驶数据划分为运动学片段,并选取18个特征参数作进一步研究。首先基于主成分分析法对提取出的运动学片段特征参数进行降维处理;然后利用K均值聚类(K-means)方法对降维后的主成分参数进行聚类分析;最后基于总体特征参数偏差最小的片段选取方法构建汽车行驶工况曲线并建立汽车运动特征评估体系。将所构建的工况与实车采集数据进行对比,各项特征参数误差均小于8%,分析结果验证了将主成分分析法和K-means聚类算法应用于城市道路行驶工况研究中的可行性和有效性,以及基于聚类分析的汽车行驶工况构建的合理性。

电动汽车驱动用IPM电机全工况控制策略整合

建立了一套完整的电动汽车驱动控制算法,以便在满足电机大转矩启动、高效率运行、宽范围调速的前提下,使电动汽车的动力自动适应不同的行驶工况。在凸极式永磁(IPM)同步电机启动、运行、调速等矢量控制策略的前期研究基础上,整合了面对不同行驶工况的驱动电机控制算法;利用矢量控制的电压限制和电流限制,在IPM电机的不同运行区域,在不同控制策略之间,可随工况变化而相互切换。在电动汽车实际负载、工况条件下,搭建仿真模型和实验平台。结果表明:该切换算法实现了不同工况对应控制策略的平滑切换条件和控制策略。因而,验证了这种全工况控制策略整合的有效性和可行性。

一种新的汽车运行工况模式

本文分析了现有的描述汽车运行工况的多工况循环模式的不足之处,提出了一种较为合理的运行模式,这种模式基于用概率来表示汽车发动机各种工况的使用频度,故称为概率模式。最后还讨论了概率模式在实际工作中的应用。

电动汽车能耗估算算法设计与应用研究

为了更准确的预测车辆的剩余里程、更合理地设计整车能量管理策略、更及时地反馈给用户精确的车辆能耗水平,需要对电动汽车能耗的算法进行研究,并分解为主要的耗能模块。本文首先基于电动汽车动力经济性模型对车辆的主要耗能模块进行划分;然后从能耗的应用场景推导其计算方法;接着从实际用户的云端数据仿真计算电动汽车的能耗;最后简述电动汽车能耗在剩余里程估算、仪表显示、增程式能源管理等领域的应用。算法关键改进点:1、采用近5km里程的电动汽车能耗估算其能耗;2、采用剔除车辆动能的方式预估能耗;3、最近里程跨越怠速状态的情况采用逐步过渡方式。分析表明,该算法对于能源管理与用户节能驾驶习惯养成具有促进作用。为了考虑算法的落地实施,对仪表、智能大屏、整车控制器、云监控平台均做了分工研究。

汽车运行工况的构建方法

为快速准确地构建汽车运行工况,使用行车记录仪采集设备记录了上海市某辆轻型汽车的行驶数据,连续3次采集了包括3个不同时间段的信息,采样频率为1 Hz。为研究汽车行驶工况,首先使用平滑处理、剔除、划归滑窗法对庞大的汽车运行工况数据进行了预处理,将724处时间不连续的情况进行了调查,分为3类进行不同处理。采用移动平均滤波器Smooth函数进行了平滑处理,以消除速度异常值。将长期停车进行怠速处理后,使用滑窗法处理了怠速数据。然后对运动学片段进行切取并提取特征值,将13个特征降维得到4个主成分。接着在轮廓系数法等3种方法选择类别的基础上,应用K-means聚类分析法,不断验证确定将数据集划分成了3类最优情况,分别为走走停停、高速行驶和低速行驶,与现实情况基本吻合。最后根据每类的时间占比,从中选取最具代表性的15个片段,构建出了时长为1254 s的汽车运行工况,得到的结果误差很低,误差率不超过10%。此汽车运行工况的构建模型对汽车运行工况数据处理过程十分细致,且能在初始聚类中心的基础上不断寻优。

面向汽车运行工况设计的马氏链非等长交叉进化算法

为解决马尔科夫链和传统遗传算法设计汽车运行工况时效率低、质量差的问题,提出用于设计汽车运行工况的马氏链非等长交叉进化方法.设计子代满足马尔科夫链转移关系的非等长交叉算子,解除等位等长交叉段的限制,使遗传算法更好地适用于汽车运行工况的设计.根据试验数据,应用马氏链非等长交叉进化方法构建非等长初始种群,使用满意准则模型和指数加权平均数设定目标函数,设计三参数汽车运行工况.随机生成3种不同长度的三参数高速公路代表性工况.分析结果表明,期望运行工况与原始数据库特征参数的相对偏差均在设定范围内,速度和加速联合分布相关系数均高于90%,生成工况具有代表性.相比于马尔科夫链和传统遗传算法相结合的设计方法,马氏链非等长交叉进化方法的平均运行工况生成效率提高了66%,运行工况质量更优.

基于聚类分析与0-1规划轻型汽车行驶工况构建方法

针对汽车行驶工况构建的问题,文中对福州市实际汽车行驶数据进行数据挖掘,提出一种结合聚类分析和“0-1”规划的汽车行驶工况的构建方法.其步骤为:对原始数据预处理,并将行驶数据划分为共1751条运动学片段;对所有片段主成分分析,以其中前两个主成分为特征作K均值聚类;选取具有代表性的片段为备选并作“0-1”规划,得到最优行驶工况构建方案.实验结果表明:该方案与实际数据相比,平均误差比约为4.5%;与国际五项典型工况相比,该方案误差仅为其他方案误差的约10%,证明了构建新型的、符合所在城市的车辆行驶工况的必要性.

基于PCA主成分分析和K-means算法的汽车行驶工况数据量化研究

随着我国经济的快速发展,从汽车大国到汽车强国的逐步转变,汽车数量也急剧增加。本文针对轻型汽车实际道路行驶采集的数据(采样频率1Hz),处理为各个运动学片段,采用PCA结合K-means++聚类方法,对处理后数据样本进行降维处理,分析其中主要特征成分,将各运动学片段依据综合特征指标归类,计算主要特征参数,使用相关系数筛选典型特征片段。构建典型汽车行驶工况曲线。使用K-means聚类处理数据段,计算处理结果并分析与总体样本特征偏差范围,判断工况曲线构建的合理性,是否符合世界WLTC工况标准。结合汽车标准行驶工况比较分析综合特征指标差异。

基于降噪自编码器降维的汽车行驶工况分析

近年,随着环境治理要求的不断提升,汽车尾气作为污染的主要来源之一.汽车工业是我国如今重点关注的对象,而汽车行驶工况在是汽车工业界内被看做是反映汽车性能的主要标准,因此对于工况的研究就成了时下急需的研究项目之一.本文根据汽车行驶工况的各项行业参数,研究出一种通用的反映我国不同地区汽车行驶工况的方法.同时在对复杂数据降维时,利用了深度学习中的降噪自编码器降维方式,取得了较优且贴合实际意义的实验效果.本文数据来源于对上海市嘉定区汽车实验所得,在对数据处理后,经过本征模态分析、特征提取、动态时间规划、小波分解等不同手段和方式实现了对通用工况图的构建,为以后我国其余城市和总体大致的工况图构建提供参考.

基于主成分和聚类分析的汽车行驶工况构建

基于城市汽车实际道路行驶采集的数据,运用主成分和K-means聚类分析,对汽车行驶工况进行构建并分析误差.首先,对5种类型的原始数据,依次进行时间不连续数据、尖点数据、毛刺噪声数据以及怠速异常数据等预处理;其次基于预处理后的数据,对运动学片段进行划分,同时引入14个相关的运动特征指标,采用主成分分析进行降维处理并选取了具有代表性的5个主成分,基于K-means聚类分析算法将其运动学片段按照拥堵路况、一般拥堵路况和通畅路况分为3类,再根据聚类结果选取最优工况片段,从而得到最终的工况曲线.最后,对汽车行驶工况与所采集数据源的各运动特征值进行误差分析,验证了所构建的汽车行驶工况的合理性.

ADCSM:一种细粒度汽车行驶工况模型构建方法

汽车行驶工况体现了汽车道路行驶的运动学特征,现有的行驶工况构建方法往往存在着构建粒度不细、精度不高的问题。为了解决工况构建的粒度和精度问题,提出了一种细粒度汽车行驶工况模型构建方法(Construction method of Automobile Driving Cycles based on SOM and Markov model,ADCSM)。首先行驶数据进行Daubechies-4阶小波分析降噪,划分短行程,对短行程提取了10个特征,将短行程特征输入SOM神经网络,然后聚类到(1*3)神经网络中,得到聚类结果序列,并建立了马尔可夫模型,最终通过ADCSM算法完成工况构建。对所构建的工况进行了验证,并将所得工况与传统的K-means聚类构建方法的结果进行了比较分析。实验结果表明,ADCSM最终误差为4.07%,而传统的K-means误差为8.77%,ADCSM利用了SOM神经网络聚类的方法,比传统K-means方法聚类精度更高,并具备了工况自学习能力。ADCSM利用马尔可夫模型方法体现了城市行驶状况的转换关系,与传统K-means行驶工况构建方法相比粒度更细,故合成的行驶工况效果更好,更能反映城市特征。

汽车行驶工况传动轴转矩值测试装置

汽车行驶工况传动轴上的瞬时转矩值的测量,对汽车动力性、燃油经济性及其影响因素的研究有重要的意义。根据汽车传动轴高速旋转和信号传输受车身电器及机械装置干扰大的特点,研制了一套红外传输信号的汽车行驶工况传动轴转矩值测试装置。该装置在扭转试验机和底盘测功机上分别进行了动静态标定及在五菱牌LZW1010VH型汽车上进行了试用试验。结果表明该装置操作方便、测试精度高、制造费用低。由于传动轴上的转矩信号采用无接触的红外光传输方式,所以该测试装置也可应用到其他高速旋转轴的转矩值测试(监控)行业。