城市道路汽車行駛工況的構(gòu)建

　　摘 要：汽車行駛工況是汽車各項(xiàng)性能指標(biāo)進(jìn)行標(biāo)定優(yōu)化時(shí)的主要基準(zhǔn)。文章根據(jù)某城市實(shí)時(shí)采集的乘用車數(shù)據(jù)，在對(duì)數(shù)據(jù)進(jìn)行預(yù)處理的基礎(chǔ)上，基于K均值聚類分析法對(duì)汽車運(yùn)動(dòng)學(xué)片段曲線的特征極值進(jìn)行劃分，利用運(yùn)動(dòng)學(xué)片段間的“親疏程度”篩選出汽車行駛工況的候選片段，從而構(gòu)建出一條最貼合該城市內(nèi)車輛實(shí)際運(yùn)行情況的行駛工況曲線。

　　關(guān)鍵詞：汽車行駛工況;預(yù)處理;特征提取;K均值聚類分析

　　前言

　　汽車行駛工況又稱車輛測(cè)試循環(huán)，它本是用汽車在一定時(shí)間段內(nèi)(一般時(shí)間范圍為1800s)的行駛時(shí)速度-時(shí)間曲線圖。因其能體現(xiàn)出汽車在道路行駛時(shí)的運(yùn)動(dòng)學(xué)特征，所以成為車輛能耗/排放測(cè)試方法和限值標(biāo)準(zhǔn)的基礎(chǔ)，更是汽車各項(xiàng)性能指標(biāo)標(biāo)定優(yōu)化時(shí)的主要基準(zhǔn)。

　　本世紀(jì)以來(lái)，我國(guó)汽車行業(yè)相關(guān)技術(shù)標(biāo)準(zhǔn)多以引用國(guó)外標(biāo)準(zhǔn)為主，而行駛工況采用的是歐洲的NEDC行駛工況[1]。隨著經(jīng)濟(jì)的快速發(fā)展，我國(guó)汽車保有量迅速上升，國(guó)內(nèi)城市的交通狀況發(fā)生很大改變，原先采用的NEDC行駛工況標(biāo)準(zhǔn)已經(jīng)開(kāi)始不適應(yīng)新時(shí)代的交通狀況。汽車行駛工況作為汽車行業(yè)創(chuàng)新開(kāi)發(fā)、指標(biāo)評(píng)價(jià)的重要基礎(chǔ)依據(jù)，本身就具有極高的深入研究?jī)r(jià)值，而我國(guó)由于社會(huì)發(fā)展差異化及國(guó)情的特殊性，對(duì)汽車行駛工況普遍特征的總結(jié)和特殊特征的深度挖掘更存在著迫切需要。

　　本文利用某城市實(shí)時(shí)采集的同一輛輕型汽車實(shí)際行駛數(shù)據(jù)(采樣頻率1Hz)，搭建了一個(gè)符合城市道路情況的汽車行駛工況模型。在經(jīng)過(guò)對(duì)離散數(shù)據(jù)的插值擬合與不良數(shù)據(jù)的剔除后，劃分提取出符合實(shí)際運(yùn)動(dòng)特性的運(yùn)動(dòng)學(xué)片段，然后基于運(yùn)動(dòng)學(xué)片段分析法、主成分分析法對(duì)實(shí)測(cè)汽車數(shù)據(jù)進(jìn)行降維，經(jīng)模式識(shí)別提取運(yùn)動(dòng)學(xué)片段曲線的特征極值。

　　在此基礎(chǔ)上，基于K均值聚類分析法對(duì)汽車運(yùn)動(dòng)學(xué)片段曲線的特征極值進(jìn)行劃分，利用運(yùn)動(dòng)學(xué)片段間的“親疏程度”篩選出汽車行駛工況的候選片段，從而構(gòu)建出一條最貼合該城市內(nèi)車輛實(shí)際運(yùn)行情況的行駛工況曲線。

　　1 數(shù)據(jù)預(yù)處理

　　在汽車行駛工況的構(gòu)建過(guò)程中，由于傳輸信號(hào)不穩(wěn)定、電磁干擾、解碼錯(cuò)誤等各種原因會(huì)不可避免地導(dǎo)致所采集數(shù)據(jù)的質(zhì)量嚴(yán)重下降。為提高數(shù)據(jù)質(zhì)量，同時(shí)確保研究結(jié)果的可信度，本文使用MATLAB軟件對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理工作。

　　(1)數(shù)據(jù)轉(zhuǎn)換

　　為了將給定的日期字符串(date)轉(zhuǎn)換為日期數(shù)字(Time)，實(shí)現(xiàn)對(duì)時(shí)間項(xiàng)的處理，使用MATLAB軟件中的自帶函數(shù)datenum按照如下格式進(jìn)行強(qiáng)制轉(zhuǎn)換：

　　(1)

　　(2)數(shù)據(jù)過(guò)濾

　　由于直接記錄的原始數(shù)據(jù)中存在一定的誤差，本文根據(jù)不良數(shù)據(jù)的結(jié)構(gòu)類型進(jìn)行分析、歸納后分批次處理。對(duì)于離散數(shù)據(jù)進(jìn)行擬合插值，對(duì)異常數(shù)據(jù)進(jìn)行修正迭代，對(duì)于非正常狀態(tài)數(shù)據(jù)進(jìn)行剔除。

　　2 模型構(gòu)建

　　在數(shù)據(jù)預(yù)處理的基礎(chǔ)上可以實(shí)現(xiàn)將行駛工況的數(shù)據(jù)劃分為運(yùn)動(dòng)學(xué)片段，并經(jīng)多次篩選出不同數(shù)量的特征參數(shù)做為主成分分析，最終本文選出11個(gè)特征參數(shù)進(jìn)行研究，這11個(gè)特征參數(shù)具體展示如表1所示。

　　2.1 主成分分析法

　　主成分分析(PCA)于1901年被Pearson第一次提出，主要用于處理多維數(shù)據(jù)。其在數(shù)學(xué)上的常規(guī)處理是將原始n個(gè)指標(biāo)做線性組合，作為新的綜合指標(biāo)[2]。

　　推薦閱讀：城市道路建設(shè)給排水施工非開(kāi)挖技術(shù)的應(yīng)用