高溫地區乘用車行駛工況的構建與研究

龍會游 嚴杰 袁正 余明明

摘 要：通過采集大量的高溫地區乘用車道路行駛數據，應用主成分分析和聚類算法等數理統計方法，解析出每個運動學片段的特征參數和所屬類別，隨機選擇并重組選取的運動學片段構建出相應的行駛工況，最后計算所構建的高溫地區行駛工況與原始數據樣本的相關系數，得出兩者之間相關系數大于0.95的結論。

關鍵詞：運動學片段;主成分分析;聚類算法;相關系數

1 前言

車輛行駛工況，即汽車運行工況，是指汽車運輸行駛過程中的工作狀況。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、新車型的技術開發和評估、以及測定交通控制方面的風險等，是汽車工業一項共性核心技術[1]。目前，中國工況項目歷時三年時間，在全國41個代表性城市采集了5050輛車共計5500萬公里的車輛行駛數據，完成了更加符合我國實際道路行駛狀況[2]。但是，由于高溫地區的氣候、環境、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，導致高溫地區的行駛工況具有一定的獨特性。因此，本文以高溫地區的乘用車為研究對象，采集了大量的實際道路數據，應用數理統計、主成分分析和聚類分析等理論分析構建出相應的行駛工況，對乘用車在高溫地區的汽車性能評價具有一定的指導意義。

2 數據采集和工況構建

2.1 數據采集

本文的高溫地區指全年最高氣溫高于40℃的地區。為了采集到有效的道路行駛數據，以全國各省市1整年的氣象溫度數據為基礎，繪制全國溫度分布圖。如圖1所示，高溫地區的分布范圍主要在重慶和新疆地區，因此選擇重慶和吐魯番進行實際道路數據的采集，完成道路數據的搜集。

2.2 工況構建

2.2.1 運動學片段

運動學片段是構成整車行駛工況的基本組成部分[3]。一個運動學片段可以看作一個具有周期性的運動學速度-時間曲線圖。如圖2所示，運動學片段由怠速段和運動段組成，其中怠速段指的是速度一直保持為0的曲線，運動段指的是速度始終大于0的曲線。

將運動學片段庫按速度區域劃分為城市區、市郊區和高速區，相應的劃分標準如下：

式中，表示每個運動學片段的最大速度。

2.2.2 特征參數

特征參數是表征每個運動學片段自身特點的一系列統計值[4]。本文主要從速度、加速度等方面進行了統計，特征參數的統計結果如表1所示。

2.2.3 主成分分析

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，化繁為簡進行數據處理分析[5]。主成分分析法將多個變量轉換出少數幾個不相關的變量來，但轉換后的變量能比較全面地反映整個數據集。這是因為數據集中的原始變量之間存在一定的相關關系，可用較少的綜合變量來表達各原始變量之間的信息。

2.2.4 聚類分析

聚類分析的基本思想是算法首先隨機的選擇一些對象，對最靠近他們的對象進行歸類，通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果[6]。本文使用的K-Means是聚類算法中的最常用的一種，算法最大的特點是簡單，好理解，運算速度快，但是只能應用于連續型的數據，并且一定要在聚類前需要手工指定要分成幾類。

3 數據分析結果

3.1 總體樣本的特征參數

總體樣本的特征參數統計結果如表2所示，其中城市區的平均速度低，行駛時間短，怠速比例高達23%;高速區的行駛特征則相反，平均速度高，行駛時間較長，怠速比例僅6%。

3.2 主成分分析結果

應用主成分分析技術，分別對城市區、市郊區和高速區的運動學片段特征參數進行統計分析，得到各個特征參數的成分計算值如表3、表4和表5所示。

各速度區的主成分貢獻率如圖3所示，其中城市區和市郊區的前6個主成分的貢獻率大于90%，而高速區的前7個主成分的貢獻率大于90%。

3.3 聚類結果

本文使用MATLAB自帶的K-Means 聚類函數，對采集的大量運動學片段數據進行不同分類結果的比較后，最后將城市區的所有片段分成5類，市郊區的所有片段分成3類，高速區的所有片段分成3類。

3.4 類間特征參數對比

根據K-Means 聚類函數計算的結果，對每一類的特征參數進行統計，可以得到不同類別數據之間的差異。以城市區的聚類結果為例，對每一類計算相應的特征參數，得到的結果如表6所示，不同類別之間的特征參數差異很大，這些差異也是路面狀況與交通環境不同的反映[7]。

4 工況曲線構建

行駛工況按相應類的比例提取運動學片段，隨機重組選取的運動學片段，構建出相應的高溫地區乘用車行駛工況。工況構建的基準如表7所示，行駛工況的總時間為5400s，每個速度區的時間長度和怠速時間根據原始數據統計的結果計算得到。

最終構成的行駛工況表現為時間-速度曲線，逐秒表示，1s對應一個車速，組合成完整的低溫城市行駛工況如圖4所示。

5 相關系數判定

相關系數是研究變量之間線性相關程度的量，一般用字母 r 表示。由于研究對象的不同，相關系數有多種定義方式，較為常用的是皮爾遜相關系數。依據相關現象之間的不同特征，其統計指標的名稱有所不同，本文使用的是簡單相關系數，反映了兩變量之間的線性相關關系。

將城市、市郊和高速行駛工況與采集的原始數據樣本的特征參數值進行相關系數分析，結果如表8所示，各總體樣本和對應的工況曲線之間的相關系數均大于0.95，驗證了高溫地區乘用車行駛工況的有效性。

6 結論

本文在高溫地區大量乘用車用戶試驗的基礎上，提取不同速度區的運動學片段特征，依據主成分分析和K-means聚類算法將大量的運動學片段進行了分類，最后按類別比例隨機選取運動學片段構建出高溫地區乘用車行駛工況，工況由城市區、市郊區和高速區三個部分組成，總時長5400s。通過對比分析原始數據和所構建工況之間的相關系數，得出兩者之間的特征參數值的相關系數大于0.95的結論，從而驗證了所構建工況的合理性。

參考文獻：

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

[2]楊延相，蔡曉林，杜青，劉昌文，劉杰.天津市道路汽車行駛工況的研究[J].汽車工程，2002（03）：200-204.

[3]趙強. 商用車快運行駛工況的構建與研究[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.

[4]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工況研究[J].汽車技術，2012（03）：39-42.

[5]Long Peng，Guoqing Han，Arnold Landjobo Pagou，Jin Shu. Electric submersible pump broken shaft fault diagnosis based on principal component analysis[J]. Journal of Petroleum Science and Engineering，2020，191.

[6]王駿，王士同，鄧趙紅.聚類分析研究中的若干問題[J].控制與決策，2012，27（03）：321-328.

[7]朱西產，李孟良，馬志雄，張富興，艾國和.車輛行駛工況開發方法[J].江蘇大學學報（自然科學版），2005（02）：110-113.