乘用車城市綜合工況設(shè)計方法研究

霍海濤 張鑫 劉元治 張強 馬騰 馬沫凱

（1. 中國第一汽車股份有限公司 新能源開發(fā)院，長春 130013；2. 汽車振動噪聲與安全控制綜合技術(shù)國家重點實驗室，長春 130013）

主題詞：工況設(shè)計 新能源汽車 乘用車

1 引言

目前，世界各國都有本國法規(guī)規(guī)定的適用于本國的車輛道路循環(huán)工況，如業(yè)內(nèi)熟知的歐盟車輛道路循環(huán)工況NEDC、日本的車輛道路循環(huán)工況10.15、美國的車輛道路循環(huán)工況FTP-75 以及中國的中國工況CATC，這些車輛道路工況在世界各地被廣發(fā)采用。

上述這些工況覆蓋的范圍主要是國家重點城市，其開發(fā)車輛有明確投放目標(biāo)市場/城市，其代表性不足以支持車輛的經(jīng)濟性開發(fā)。本文主要針對開發(fā)車輛的目標(biāo)投放城市，進行針對性的工況設(shè)計，用于支持開發(fā)車輛投放目標(biāo)城市的代表工況的經(jīng)濟性優(yōu)化[1-4]。

2 關(guān)鍵原理研究

2.1 工況特征值

2.1.1 工況特征值確定

汽車行業(yè)表述工況的普遍方法是用時間與車速的曲線，但實際上，單從車速這一個維度很難完整的表述一個工況的所有行駛特征。

本文采用李寧在《城市道路車輛行駛工況的構(gòu)建與研究》[5]中提到的特征值構(gòu)成方法，計算2部分特征值：

（1）各個運動學(xué)片段的特征值;

（2）整體實驗數(shù)據(jù)的特征值。

通過運動學(xué)片段特征值的分析（主成分分析、聚類分析），構(gòu)建目標(biāo)行駛工況，通過對比目標(biāo)行駛工況與整體實驗數(shù)據(jù)的特征值的誤差，來決定構(gòu)建的目標(biāo)行駛工況對目標(biāo)城市實際道路工況的代表性。該誤差超出一定范圍，即可認(rèn)為所構(gòu)建的道路循環(huán)工況無法代表實際的車輛道路循環(huán)工況。

按照這種準(zhǔn)則，選擇誤差范圍最小的車輛道路循環(huán)工況代表車輛實際循環(huán)工況。

本研究方法采用的運動學(xué)片段特征值構(gòu)成為：行駛時間、行駛距離、平均車速、最大車速、車速標(biāo)準(zhǔn)差、加速段平均加速度、最大加速度、加速段標(biāo)準(zhǔn)差、減速段平均減速段、最大減速度、減速段標(biāo)準(zhǔn)差、加速比例、減速比例、勻速比例、怠速比例、RPA，表1 列出共計16個特征參數(shù)，這些特征參數(shù)即表示運動學(xué)片段或者城市實際道路工況的行駛特征。

表1 工況特征參數(shù)

2.1.2 工況特征值相關(guān)性

如上文所述，構(gòu)成各運動學(xué)片段或道路工況的各個工況特征值表征了車輛實際道路循環(huán)工況的行駛特征，換言之每個特征值都提供了該運動學(xué)片段、道路工況的某些信息，即如上16個特征值可以認(rèn)為是車輛道路循環(huán)工況構(gòu)建的依據(jù)，這些特征值隨著城市道路的不同、實際環(huán)境的變化，其所代表的形式特征也將有相應(yīng)的變化，當(dāng)然這些信息可能存在重疊、一定程度上的相關(guān)性，比如行駛時間、最大車速、平均車速之間存在一定的相關(guān)性或者特征重復(fù)性等[6-9]。

2.2 主成分分析原理

主成分分析是一種統(tǒng)計學(xué)方法，通過線性變換將一組線性相關(guān)的變量（指標(biāo)）組合變換成另一組不相關(guān)的相互獨立的變量（綜合指標(biāo)），用較少的變量來代替原來較多的變量，生成的新變量稱為主成分。

通過對采集到的大量車輛運行工況數(shù)據(jù)進行篩選和運動學(xué)片段的劃分可以得到運動學(xué)片段的總體樣本，然后通過計算得到運動學(xué)片段總體樣本的特征參數(shù)值。可以利用SPSS 軟件中的因子分析對特征值參數(shù)進行主成分分析，達到對特征值變量進行降維處理的目的。

由于各個特征值變量量綱不同，在主成分分析前需要對原始特征值變量進行標(biāo)準(zhǔn)化處理，通過主成分分析得到了各個主成分的特征值、貢獻率和累計貢獻率，總方差解釋表。

2.3 聚類分析原理

聚類分析(Cluster analysis)是一種將研究對象分為相對同質(zhì)的群組(Clusters)的統(tǒng)計分析技術(shù)[10]。

本文采用劃分法進行聚類分析，首先指定部分?jǐn)?shù)據(jù)作為聚類中心，然后通過反復(fù)迭代來改變分組，每次分組的改變將其他數(shù)據(jù)向事先指定的中心類數(shù)據(jù)靠近，直至聚類中心點收斂。由于本文直接使用Spss軟件完成的數(shù)據(jù)分析，在此不對聚類分析做詳細的介紹。

在典型工況制定中，可以按照各個運動學(xué)片段的主成分綜合得分進行聚類，即利用“主成分相應(yīng)特征根的平方根與特征向量的乘積為因子載荷量”的性質(zhì)，進行主成分變量的表達式編輯，得到主成分的表達式。

3 運動學(xué)片段

運動學(xué)片段是車輛從一個怠速開始到下一個怠速開始的行駛片段（包括前一個怠速時間階段）。王軍方等[6]提出運動學(xué)片段分類方法，本文將運動學(xué)片段分為4 個行駛狀態(tài)：怠速狀態(tài)、加速狀態(tài)、減速狀態(tài)及勻速狀態(tài)，且每個運動學(xué)片段的時間>20 s，如圖1。

圖1 運動學(xué)片段

3.1 運動學(xué)片段設(shè)計原則

從車輛道路循環(huán)工況大數(shù)據(jù)中提取數(shù)據(jù)合成代表工況需要運用短行程法構(gòu)建，所以起始階段需要進行運動學(xué)片段的劃分。

不包括運動學(xué)片段所包含的4個行駛狀態(tài)的片段應(yīng)予以舍棄；存在較長斷點的數(shù)據(jù)應(yīng)予以舍棄。

3.2 運動學(xué)狀態(tài)劃分定義

數(shù)據(jù)處理注意事項：加減速度的選取以加速度的閾值作為劃分原則，目前國內(nèi)外將運動學(xué)片段的運動學(xué)狀態(tài)劃分為3 種方式（如表2），本方法在對所采集數(shù)據(jù)的加速度進行數(shù)值統(tǒng)計分析的基礎(chǔ)上，實施方案采用第1種劃分方式。

表2 運動學(xué)狀態(tài)劃分種類

3.3 運動學(xué)片段分類

為了達到支持車輛經(jīng)濟性優(yōu)化的目的，合成的工況需要根據(jù)所有運動學(xué)片段的速度、加速度的大小進行分類，以使經(jīng)濟性的策略優(yōu)化更加具體。據(jù)此，按照表3對車輛道路循環(huán)工況的大數(shù)據(jù)進行分類。

3.4 設(shè)計步驟預(yù)覽

第1 步，工況設(shè)計的初期應(yīng)該建立行駛工況數(shù)據(jù)庫，并處理奇異點刪除無效片段；

第2 步，使用已建立的工況數(shù)據(jù)庫進行運動學(xué)片段的生成；

第3步，分別計算各運動學(xué)片段的特征值；

第4 步，按照表3 的分類方法將所有運動學(xué)片段分為6類；

表3 運動學(xué)片段的分類

第5步，各類運動學(xué)片段依次進行主成分分析，即將原來變量重新組成一組新的無相關(guān)性的若干綜合變量，同時根據(jù)需要從中取出幾個較少的綜合變量盡可能多地反應(yīng)原變量的信息；

第6 步，設(shè)計分類總數(shù)并使用已有的主成分進行聚類迭代；

第7 步，使用各類片段中靠近歐式中心的運動學(xué)片段進行組合，形成合成工況。

表4 工況設(shè)計步驟簡述

3.5 數(shù)據(jù)源特征

3.5.1 數(shù)據(jù)源信息簡介

本文使用的數(shù)據(jù)來源于出租車行駛數(shù)據(jù)（GPS 采集）、企業(yè)員工私家車上下班數(shù)據(jù)（行車記錄儀采集）、自主設(shè)計代表性路線的企業(yè)試驗車輛行駛數(shù)據(jù)（行車記錄儀采集）、郊區(qū)行駛數(shù)據(jù)等。

表5 數(shù)據(jù)源基本信息

由以上的所有數(shù)據(jù)構(gòu)成了本文進行工況合成設(shè)計的數(shù)據(jù)源，此過程中需要注意將數(shù)據(jù)的采樣頻率統(tǒng)一調(diào)整為10 Hz。

3.5.2 數(shù)據(jù)源特征計算

首先，按照下面（1）～（7）的步驟進行數(shù)據(jù)的預(yù)處理。

（1）將車速≤1 km/h的車速點修正為0 km/h；

（2）將車速>150 km/h 的車速點修正為其前一時刻的車速；

（3）加速度>4 m/s2的車速點修正為加速度為3 m/s2的車速點；

（4）減速度<-5 m/s2的車速點修正為加速度為3 m/s2的車速點；

（5）去除<4 km/h的蠕動車速點；

（6）去除>5 min的怠速點；

（7）統(tǒng)一數(shù)據(jù)的采樣頻率為1 Hz，統(tǒng)一頻率過程中若出現(xiàn)某租數(shù)據(jù)循環(huán)的最后一點車速大于0，則給該組數(shù)據(jù)的最后時刻添加一個0車速點。

數(shù)據(jù)預(yù)處理完成后，按照表1 中列出的工況行駛特征參數(shù)，計算數(shù)據(jù)源的所有運動學(xué)片段的行駛特征，如表6 示列出了高速2 類數(shù)據(jù)源的行駛特征參數(shù)。

表6 2類高速數(shù)據(jù)源的行駛特征

下面以高速經(jīng)濟型數(shù)據(jù)源合成最終工況的過程，來說明合成工況的成果。

3.5.3 數(shù)據(jù)源特征相關(guān)性

通過SPSS 軟件，針對高速經(jīng)濟型數(shù)據(jù)源，計算如表1 所示的16 個行駛特征參數(shù)的相關(guān)性，結(jié)果如表7所示，表中各數(shù)值均為相關(guān)系數(shù)，無單位，系數(shù)越接近1代表相關(guān)性越大。

表7 特征參數(shù)相關(guān)性結(jié)果展示

由計算結(jié)果可知，各特征參數(shù)之間存在一定的相關(guān)性，且里程、平均車速、與最大車速與其他特征參數(shù)間的相關(guān)性相對較大。此結(jié)果驗證了主成分分析的必要性。

3.6 主成分分析

通過SPSS 軟件，依次計算主成分方差、因子載荷矩陣，可得到組合后的新運動學(xué)特征參數(shù)與原變量的對應(yīng)系數(shù)，結(jié)果如表8所示。

表8 運動學(xué)特征參數(shù)的相關(guān)系數(shù)

因子載荷矩陣表達的是運動學(xué)特征參數(shù)與主成分的相關(guān)性載荷矩陣，若某個特征參數(shù)在其主成分上的絕對值越大，即表示此特征參數(shù)與該主成分的相關(guān)性越高。如表8可以看出，里程、平均車速、最大車速在各主成分中的參與系數(shù)為最高。

3.7 聚類分析

通過建立新的主成分表達式，并在SPSS 軟件上計算各新的主成分的貢獻率。通過SPSS 軟件計算聚類數(shù)分別為2、3、4、5、6、7、8 時類內(nèi)距離大?。ū?），當(dāng)Xi≤X2×10%（Xi為聚i類時的類內(nèi)距離，X2為聚2類時的類內(nèi)距離）時，認(rèn)為聚類數(shù)合適，由下表知聚類數(shù)應(yīng)選擇8類。

表9 不同聚類數(shù)量的類內(nèi)距離結(jié)果

3.8 合成工況

按照每一類微行程的總時間/所有微行程（如：高速經(jīng)濟型）總時間這一比例，選擇每一類微行程中歐式距離盡量小的微行程，然后組合成工況。最終合成的6類工況，如圖2。

圖2 合成后的典型工況

3.9 評價

由主成分載荷因子分析可知，平均車速、最大車速、車速標(biāo)準(zhǔn)差在新的主成分中的占比較大，因此，這通過計算這3 個行駛特征參數(shù)的累計平均誤差（表10），以此誤差來評價合成工況的結(jié)果。

表10 合成工況與源數(shù)據(jù)的特征累計誤差

4 結(jié)束語

以優(yōu)化目標(biāo)投放城市的在研車型的經(jīng)濟性優(yōu)化為目的，確定了長春市代表性工況設(shè)計的方案。

依據(jù)已有近16 000個運行片段的行駛工況數(shù)據(jù)，經(jīng)過運動學(xué)片段的分類、主成分分析、聚類分析，共設(shè)計出6個長春市代表性工況，完成了對混動車輛動力總成模式的切換條件的優(yōu)化，并形成了工況設(shè)計的自主積累。