某重型燃?xì)廛囆旭偣r構(gòu)建研究

馮凡 陳瑞峰 梁健

摘 要：行駛工況是一段復(fù)雜的運(yùn)動(dòng)特征的集合 受到動(dòng)力總成、車輛載荷、駕駛員行為、天氣等多種因素的影響。文章通過對400余臺重型燃?xì)廛囘\(yùn)行數(shù)據(jù)的分析處理 通過改變初始簇中心位置迭代計(jì)算出固定的聚類中心 對K-均值聚類進(jìn)行優(yōu)化 構(gòu)建出行駛工況。所構(gòu)建的行駛工況與原樣本的相關(guān)性達(dá)到了0.999和0.942。

關(guān)鍵詞：行駛工況;簇中心位置;重型燃?xì)廛?/p>

中圖分類號：U461? 文獻(xiàn)標(biāo)識碼：A? 文章編號：1671-7988（2020）18-58-03

Abstract： Driving cycle is a combination of sophisticated motion segments， which is affected by many factors， such as power assembly， load of vehicle， driver behavior， seasons and whether and so on. In this paper， through analyzing and processing the data of more than 400 LNG heavy-duty vehicles， the fixed cluster center is calculated iteratively by changing the initial cluster center position， and the K-means clustering is optimized and the running condition is constructed. The correlation between this driving condition and the original samples reaches 0.999 and 0.942， which shows agreements with original data.

Keywords： Driving cycle; Center position of cluster; LNG Heavy-duty vehicle

CLC NO.： U461? Document Code： A? Article ID： 1671-7988（2020）18-58-03

引言

BP世界能源統(tǒng)計(jì)年鑒2019年數(shù)據(jù)表明 2018年全球能源消費(fèi)產(chǎn)生的碳排放總量780億m? 增速達(dá)到2% [1]。國內(nèi)外研究人員對汽車降低碳排放進(jìn)行了多方面的研究 例如：發(fā)動(dòng)機(jī)尾氣后處理、發(fā)動(dòng)機(jī)缸內(nèi)凈化、優(yōu)化燃燒模式、替代燃料使用等。在整車的排放研究中主要依據(jù)車輛實(shí)際行駛工況進(jìn)行 而對車輛實(shí)際運(yùn)行狀態(tài)行駛工況的相關(guān)研究較為缺乏 特別是重型燃?xì)廛囕v的行駛工況研究。

整車行駛工況是一段復(fù)雜運(yùn)動(dòng)段特征的集合 受動(dòng)力總成、車輛載荷、駕駛員行為、天氣和道路交通等因素的影響。研究人員針對柴油車、汽油車和電動(dòng)車的行駛工況進(jìn)行了大量研究。楊陽等人[2]研究構(gòu)建了西安市高新區(qū)純電動(dòng)客車的循環(huán)工況 蔡鍔等人[3]構(gòu)建了西安市早晚高峰之間的乘用車行駛工況 詹森等人[4]采用K均值聚類方法 構(gòu)建了典型的城市循環(huán)工況 李耀華等人[5]采用聚類方法構(gòu)建了西安市電動(dòng)公交車的行駛工況 路堯[6]等人采用速度-加速度概率分布和片段持續(xù)時(shí)間的累積頻率分布的方法 構(gòu)建了輕型汽車的行駛工況 劉子譚等人[7]通過優(yōu)化的K均值聚類構(gòu)建了廣州市行駛工況。

但是 對于重型燃?xì)廛囆旭偣r研究的相關(guān)文獻(xiàn)較少。結(jié)合我國重型燃?xì)廛嚤Ｓ辛恐鹉晟仙内厔?迫切需要研究并構(gòu)建重型燃?xì)廛囕v的行駛工況 用于排放、氣耗的研究驗(yàn)證。

本文基于某量產(chǎn)重型燃?xì)馍逃密囆偷膶?shí)際運(yùn)行數(shù)據(jù) 采用優(yōu)化的K-均值聚類方法 構(gòu)建整車行駛工況 為動(dòng)力匹配優(yōu)化、排放與氣耗研究提供依據(jù)。

1 數(shù)據(jù)采集與處理

1.1 數(shù)據(jù)采集

選取相同動(dòng)力總成的量產(chǎn)重型燃?xì)廛?47輛作為分析對象。2019年11月至12月為期兩個(gè)月的采樣周期內(nèi) 對所選車輛的運(yùn)行參數(shù)進(jìn)行不間斷采集? 共采集數(shù)據(jù)樣本7000余萬條。

1.2 運(yùn)動(dòng)學(xué)片段劃分

通過采集的負(fù)荷率、轉(zhuǎn)速和車速 推算出車輛總質(zhì)量。篩選出整車質(zhì)量大于44噸的所有數(shù)據(jù)段落 根據(jù)轉(zhuǎn)速與車速參數(shù)提取從t1到t2的時(shí)間段落內(nèi)的運(yùn)行數(shù)據(jù)。t1為發(fā)動(dòng)機(jī)為怠速狀態(tài)且車速為0的時(shí)刻 t2為車速在t1之后首次降至0的時(shí)刻。

篩選提取有效數(shù)據(jù)段落141116個(gè)。

1.3 運(yùn)動(dòng)學(xué)片段數(shù)據(jù)處理

汽車的運(yùn)行過程可以描述為時(shí)間-速度的關(guān)系 每個(gè)運(yùn)動(dòng)片段采用時(shí)間、車速、加速度3個(gè)維度進(jìn)行說明 通過表1所列的11個(gè)參數(shù)具體描述每個(gè)片段的運(yùn)動(dòng)學(xué)特征。

通過標(biāo)準(zhǔn)化后的特征值計(jì)算貢獻(xiàn)率 分析主要影響因素[9]。選擇累計(jì)貢獻(xiàn)率達(dá)到80%的前3項(xiàng)主要影響因素 前3項(xiàng)主要影響因素方差貢獻(xiàn)率累計(jì)為82.3%。結(jié)果如圖1所示。

2 工況構(gòu)建

2.1 數(shù)據(jù)聚類

采用K-均值法對數(shù)據(jù)進(jìn)行聚類時(shí)出現(xiàn)的局部最優(yōu)與全局最優(yōu)沖突問題。為避免該問題 采取了變更簇初始中心的方法 從選取不同的初始中心位置 到聚類后的中心位置不發(fā)生變化為止 此時(shí)符合全局最優(yōu)。本文采取的初始聚類中心如表3所示。

最終有60445條片段聚為高速工況 80671條片段聚為低速工況 高速工況片段占比43% 低速片段占比57%。

2.2 工況合成

隨機(jī)選取時(shí)長>800s的高速工況運(yùn)動(dòng)學(xué)片段 時(shí)長>1000s的低速工況運(yùn)動(dòng)學(xué)片段。分別構(gòu)造合成898s的高速工況片斷和1190s的低速工況片斷。合成完整的該重型燃?xì)廛囆旭偣r。構(gòu)造的行駛工況如圖2、圖3、圖4所示。

3 構(gòu)建工況分析與對比

3.1 構(gòu)建工況分析

構(gòu)造的重型燃?xì)廛囆旭偣r時(shí)長為2088s 里程為15.75km 特征值如表4所示：

對比高速工況與低速工況的轉(zhuǎn)速分布 發(fā)現(xiàn)低轉(zhuǎn)速區(qū)間內(nèi)750r/min所占比例僅次于怠速轉(zhuǎn)速 實(shí)際工況對應(yīng)車速<5km/h。轉(zhuǎn)速分布如圖5、圖6所示。此階段燃?xì)庀妮^高 燃?xì)饨?jīng)濟(jì)性優(yōu)化可在該工況進(jìn)行重點(diǎn)優(yōu)化。

采用相關(guān)系數(shù)的方法[8]對所構(gòu)建的工況進(jìn)行驗(yàn)證 高速、低速工況樣本相關(guān)系數(shù)分別為0.999和0.962 能夠較好的反映樣本的運(yùn)動(dòng)學(xué)特征。

3.2 工況對比

通過與CHTC循環(huán)工況對比 所構(gòu)建工況與CHTC-TT工況較為符合。工況對比如表5所示。

4 結(jié)束語

本文以實(shí)際量產(chǎn)車型運(yùn)行為例 采用改變初始簇中心位置迭代計(jì)算出固定的聚類中心 對K-均值聚類進(jìn)行優(yōu)化。所構(gòu)建的高速、低速工況樣本相關(guān)系數(shù)分別達(dá)到0.999和0.962 能夠較好的反映樣本的運(yùn)動(dòng)學(xué)特征。

所構(gòu)建的工況與發(fā)布的中國行駛工況CHTC-TT工況相似 為車輛后續(xù)的動(dòng)力匹配優(yōu)化、排放與氣耗研究提供了依據(jù)。

參考文獻(xiàn)

[1] BP Statistical Review of World Energy[R]. London：BP，2019.

[2] 楊陽，李耀華，劉鵬.基于西安高新區(qū)循環(huán)工況的純電動(dòng)城市客車動(dòng)力系統(tǒng)匹配及仿真研究[J].西華大學(xué)學(xué)報(bào)（自燃科學(xué)版），2018， 37（2）：87-93.

[3] 蔡鍔，李陽陽，李春明，等.基于K-均值聚類算法的西安市汽車行駛工況合成技術(shù)研究[J].汽車技術(shù)，2015，（8）：33-36.

[4] 詹森，秦大同，曾育平.基于遺傳優(yōu)化K均值聚類算法工況識別的混合動(dòng)力汽車能量管理策略[J].中國公路學(xué)報(bào)，2016，29（4）：130-137.

[5] 李耀華，宋偉萍，任田園，等.基于聚類和比功率分布的西安城市公交行駛工況研究[J].重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，39 （4）：23-30.

[6] 路堯.中國輕型汽車行駛工況開發(fā)[D].北京：北京理工大學(xué)動(dòng)力工程及工程熱物理系，2016.

[7] 劉子譚，朱平，劉旭鵬，等. K均值聚類改進(jìn)與行駛工況構(gòu)建研究[J].汽車技術(shù)，2019，（11）：57-62.

[8] 郝艷召，張潔，王生昌，等.武漢市公交車典型行駛工況的構(gòu)建[J].交通信息與安全，2014， 32（6）：139-145.

[9] 馬志雄，李孟良，張富興，等.主成分分析法在車輛實(shí)際行駛工況開發(fā)中的應(yīng)用[J].武漢理工大學(xué)學(xué)報(bào)，2004，26（4）：32-35.