CN113297685A - 一种车辆运行工况模式识别方法 - Google Patents

Abstract

本发明提供了一种车辆运行工况模式识别方法，包括以下步骤：S1、获取车辆运行状态信息；S2、基于道路工况和驾驶工况对步骤S1中获取的车辆运行状态信息进行网格单元划分，并选取初始单元数据；S3、建立车辆行驶工况参数化模型，包括道路工况参数化模型和驾驶风格参数化模型；S4、复合步骤S2中网格单元划分后的行驶工况信息，构建马尔科夫链转移矩阵；S5、通过MCMC方法对步骤S4得到的各工况转移矩阵进行采样迭代，计算输出稳定的行驶工况比例分布；S6、联合实车试验，验证MCMC方法对车辆***运行模式的识别效果；本发明基于实车试验数据，提升具有参数时变以及非线性特性的车辆***运行工况模式识别精度，有效实现了路面与驾驶员风格的一致性识别。

Description

一种车辆运行工况模式识别方法

技术领域

本发明属于汽车制造技术领域，尤其是涉及一种车辆运行工况模式识别方法。

背景技术

车辆电动化、智能化、网联化以及共享化是汽车工业发展的必然趋势，自动驾驶车辆底盘性能的提升仍是当今国际学术界与工业界研究的热点与难点问题。自动驾驶车辆能够依据车辆运动状态与周围环境等，自主判定车辆运行工况，进而可主动的实时调控车辆底盘性能使其具有最佳的整车动力学性能。与此同时，驾驶员与路面信息输入作为车辆外界的核心输入来源，其信息的精确一致性识别，对合理高效地获取车辆运行工况，研究各工况特性对自动驾驶车辆底盘协同控制、能源管理及整车疲劳耐久性等方面的影响差异，将对自动驾驶整车性能的开发具有显著意义。

由于车辆运行环境的复杂性及驾驶员心理波动的不确定性，使得基于数据的环境友好型循环模型得到了广泛研究；然而，目前相关资料在识别车辆运行模式过程中多采用单一或多个相互独立的行驶工况信息进行分析，未能实现驾驶员与道路等级信息的一致性识别，且对应的实车试验数据相对较少；因此，亟需一种车辆运行工况模式识别方法。

发明内容

有鉴于此，本发明旨在提出一种车辆运行工况模式识别方法，以解决上述驾驶员与道路等级信息的一致性识别问题，进一步提升具有参数时变以及非线性特性的车辆***运行工况模式识别精度，基于实车试验数据，有效实现路面与驾驶员风格的一致性识别。

为达到上述目的，本发明的技术方案是这样实现的：

一种车辆运行工况模式识别方法，包括以下步骤：

S1、获取车辆运行状态信息；

S2、基于道路工况和驾驶工况对步骤S1中获取的车辆运行状态信息进行网格单元划分，并选取初始单元数据；

S3、建立车辆行驶工况参数化模型，包括道路工况参数化模型和驾驶风格参数化模型；

S4、复合步骤S2中网格单元划分后的行驶工况信息，构建马尔科夫链转移矩阵；

S5、通过MCMC方法对步骤S4得到的各工况转移矩阵进行采样迭代，计算输出稳定的行驶工况比例分布；

S6、联合实车试验，验证MCMC方法对车辆***运行模式的识别效果。

进一步的，步骤S1中获取的车辆运行状态信息包括悬架动行程、纵向加速度、横向加速度、垂向加速度、侧向加速度、油门开度和车速。

进一步的，步骤S2中获取的初始单元数据为50m。

进一步的，步骤S3中建立车辆行驶工况参数化模型包括同步执行的步骤A和步骤B：

步骤A具体包括：

A1、获取道路工况相关状态参数，包括车速、纵向加速度、横向加速度、垂向加速度和悬架动行程；

A2、建立道路工况参数化模型；

A3、判定路面等级工况；

步骤B具体包括：

B1、获取驾驶工况相关状态参数，包括车速、纵向加速度、侧向加速度和油门开度

B2、建立驾驶风格参数化模型；

B3、判定驾驶风格类型。

进一步的，步骤A2中建立道路工况参数化模型包括如下步骤：

A201、道路工况的表征，具体公式为：

；

式中，IRI指数是单位行驶里程内标准1/4车辆模型悬架动行程的累积量，z是悬架动行程，单位为mm，L是车辆行驶里程，单位为m；

A202、确定车速与悬架动行程累积量关系，具体公式为：

；

且

；式中，IRI₀为车辆以80km/h行驶测得的悬架动行程累计量，v是车速。

进一步的，步骤B2中建立驾驶风格工况参数化模型包括如下步骤：

B201、对步骤B1中获取的驾驶工况相关状态参数，利用状态参数的均值、最大值及标准差作为评价指标对驾驶风格进行表征；

B202、利用PCA方法对步骤B201中的评价指标进行PCA降维处理，以提高驾驶风格分类的识别效率，具体包括如下步骤：

B2021、对原始数据进行标准化处理，具体公式为：

；

式中，i=1, 2, 3… n; j=1, 2,3… 12；x _ij 为原始数据，x _j 为原始数据第j个变量的均值；σ _j 为原始数据第j个变量的标准差；

B2022、构建协方差矩阵，具体公式为：

；

p _ij 为标准化处理后的数据，p _i 、p _j 为标准化处理后数据第i或j个变量的均值，n为原始数据的样本量，s _ij 为标准化处理后数据的协方差；

B2023、求取协方差矩阵的特征值λ _i 及相应的特征向量a _i ；

B2024、计算主成分贡献率τ _j 及累积贡献率η _j ；

B2025、计算主成分值l _j ：l _j =a _j ^T *P。

进一步的，步骤B3中，利用K-Mean算法，并基于PCA降维结果选取3个指标作为聚类依据分析驾驶风格，具体算法流程如下：

B301、从数据中随机选择3个样本作为聚类中心；

B302、计算样本l _i 与聚类中心μ _j 的距离d _ij ,并将该样本划分为距离该样本最小的聚类中心所对应的类别：

；

式中，μ _j 表示聚类中心；

B303、重新计算各类样本点的聚类中心：

；

式中，C _j 为聚类簇；

B304、判断聚类中心是否发生变化，聚类中心发生变化则重复步骤B302和步骤B303，否则输出聚类结果。

进一步的，步骤S4中构建马尔科夫链转移矩阵采用公式为：

；

式中，N _ij 为离散数据中车辆由行驶状态i变到状态j的次数，N _i 为离散数据中车辆处于行驶状态i的次数。

相对于现有技术，本发明所述的一种车辆运行工况模式识别方法具有以下有益效果：

（1）本发明所述的一种车辆运行工况模式识别方法基于实车试验数据，可较好实现复杂行驶工况下路面与驾驶员风格反应的车辆运行模式精确在线识别；

（2）本发明所述的一种车辆运行工况模式识别方法可有效解决驾驶员与道路等级信息的一致性识别难题，进一步提升具有参数时变以及非线性特性的车辆***运行工况模式识别精度。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的一种车辆运行工况模式识别方法流程图；

图2为本发明实施例所述的车速及道路类型对悬架动行程累积量关系示意图；

图3为本发明实施例所述的主成分贡献累计率示意图；

图4为本发明实施例所述的K-Mean聚类分析结构图；

图5为本发明实施例所述的不同网格单元的国际平整度指数比较示意图；

图6为本发明实施例所述的车速与时间变化波动图；

图7为本发明实施例所述的悬架动行程与时间变化波动图；

图8为本发明实施例所述的纵向加速度与时间变化波动图；

图9为本发明实施例所述的横向加速度与时间变化波动图；

图10为本发明实施例所述的油门开度与时间变化波动图；

图11为本发明实施例所述的垂向加速度与时间变化波动图；

图12为本发明实施例所述的MCMC采样迭代过程图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

下面将参考附图并结合实施例来详细说明本发明。

请参阅图1所示，一种车辆运行工况模式识别方法，包括以下步骤：

S1、获取车辆运行状态信息；

S2、基于道路工况和驾驶工况对步骤S1中获取的车辆运行状态信息进行网格单元划分，并选取初始单元数据；

S3、建立车辆行驶工况参数化模型，包括道路工况参数化模型和驾驶风格参数化模型；

S4、复合步骤S2中网格单元划分后的行驶工况信息，构建马尔科夫链转移矩阵；

S5、通过MCMC方法对步骤S4得到的各工况转移矩阵进行采样迭代，计算输出稳定的行驶工况比例分布；

S6、联合实车试验，验证MCMC方法对车辆***运行模式的识别效果。

步骤S1中获取的车辆运行状态信息包括悬架动行程、纵向加速度、横向加速度、垂向加速度、侧向加速度、油门开度和车速。

步骤S2中获取的初始单元数据为50m；依据网格单元的收敛性判定准则，当行驶里程达到50m时，初值对计算结果的影响可近似为零。

步骤S3中建立车辆行驶工况参数化模型包括同步执行的步骤A和步骤B：

步骤A具体包括：

A1、获取道路工况相关状态参数，包括车速、纵向加速度、横向加速度、垂向加速度和悬架动行程；

A2、建立道路工况参数化模型；

A3、判定路面等级工况；

步骤B具体包括：

B1、获取驾驶工况相关状态参数，包括车速、纵向加速度、侧向加速度和油门开度

B2、建立驾驶风格参数化模型；

B3、判定驾驶风格类型。

步骤A2中建立道路工况参数化模型包括如下步骤：

A201、道路工况的表征，具体公式为：

；

式中，IRI指数是单位行驶里程内标准1/4车辆模型悬架动行程的累积量，z是悬架动行程，单位为mm，L是车辆行驶里程，单位为m；在工程应用中，基于测量的悬架动行程，可将IRI指数转化为离散型：

；

式中，z(x _i )是车辆位于x _i 位置时悬架动行程（m），N是单位行驶里程内采集的数据量；

IRI与广泛使用的国家标准化组织（ISO）定义的标准路面之间存在明确的转换关系，ISO定义中的参考点功率谱密度值C _sp与IRI取值间可用下式进行转换：

；

其中，a=2.21；

A202、确定车速与悬架动行程累积量关系，具体公式为：

；

且

；式中，IRI₀为车辆以80km/h行驶测得的悬架动行程累计量，v是车速；利用标准路面等级（ISO-A~H）划分规则，通过研究不同车速与道路激励工况下的悬架动行程数值变化，进一步研究车速与悬架动行程累计量的关系，具体如图2所示。

由图2可知，悬架动行程累计量与车速及道路等级之间存在较强的非线性关系，且对于同一路面等级，低速行驶工况下对应的动行程累积量较高速行驶时的动行程累积量大。

步骤B2中建立驾驶风格工况参数化模型包括如下步骤：

B201、对步骤B1中获取的驾驶工况相关状态参数(车速、纵向加速度、侧向加速度和油门开度四组数据)，利用上述四组数据的均值、最大值及标准差作为评价指标对驾驶风格进行表征，具体如表1所示：

表1

B202、利用PCA方法对步骤B201中的评价指标(上述四组数据形成的12个评价指标)进行PCA降维处理，以提高驾驶风格分类的识别效率，具体包括如下步骤：

B2021、对原始数据进行标准化处理，具体公式为：

；

式中，i=1, 2, 3… n; j=1, 2,3… 12；x _ij 为原始数据，x _j 为原始数据第j个变量的均值；σ _j 为原始数据第j个变量的标准差；

B2022、构建协方差矩阵，具体公式为：

；

p _ij 为标准化处理后的数据，p _i 、p _j 为标准化处理后数据第i或j个变量的均值，n为原始数据的样本量，s _ij 为标准化处理后数据的协方差，

B2023、求取协方差矩阵的特征值λ _i 及相应的特征向量a _i ；

B2024、计算主成分贡献率τ _j 及累积贡献率η _j ；

B2025、计算主成分值l _j ：l _j =a _j ^T *P；为保证主成分变量可较好有效覆盖原始变量信息，累积贡献率应大于85%；根据图3所示累计贡献率计算结果，本专利申请选择3个主成分变量作为后续驾驶风格聚类分析的评价指标。

步骤B3中，利用K-Mean算法，并基于PCA降维结果选取3个指标作为聚类依据分析驾驶风格，具体算法流程如下：

B301、从数据中随机选择3个样本作为聚类中心；

B302、计算样本l _i 与聚类中心μ _j 的距离d _ij ,并将该样本划分为距离该样本最小的聚类中心所对应的类别：

；

式中，μ _j 表示聚类中心；

B303、重新计算各类样本点的聚类中心：

；

式中，C _j 为聚类簇；

B304、判断聚类中心是否发生变化，聚类中心发生变化则重复步骤B302和步骤B303，否则输出聚类结果，通过K-Mean聚类迭代计算，可有效获取各驾驶风格聚类结果，具体如图4所示，在后续基于K-Mean聚类算法的驾驶风格识别中，依据采集样本点到各聚类中心的距离可实时精确识别该样本点的驾驶风格。

马尔科夫链是描述状态值和时间参数均为离散的随机过程，即在t时刻车辆处于状态x _i的情况下，t+1时刻所处的状态只与t时刻状态有关，而与t-1，t-2,…，时刻状态无关，若车辆行驶工况由t时刻状态x_i变到t+1时刻所处的状态x _j的概率为P _ij ，则称P _ij 为马尔科夫链的一步状态转移概率；

；

对于离散数据而言，步骤S4中状态转移概率由下式表示：

；

式中，N _ij 为离散数据中车辆由行驶状态i变到状态j的次数，N _i 为离散数据中车辆处于行驶状态i的次数。

本方案实施时，利用SUV车辆进行相关道路试验，选取10名不同年龄、性别的驾驶员分别进行测试，其中，青年、壮年、中老年驾驶员比例为3:5:2，男女比例为7:3，驾驶员采用自由驾驶的方式进行试验。

与此同时，为便于后续车辆运行工况模式的高效识别，本文依据路面功率谱密度值与IRI指数转换关系，且结合试验场实际路面信息，可将ISO-A~H级路面将划分为平坦路面、一般路面以及坑洼路面三种。

试验场路面相关数采设备参数如表2所示：

表2

通过对以上10名驾驶员中随机选取其中一名驾驶员，利用数采设备及滤波处理后，可有效获取试验车辆的车速、悬架动行程、质心纵向与横向加速度、油门开度及轴头垂向加速度相关数据如图6~图11所示。

与此同时，基于图6~图11的试验数据，结合上述识别方法，亦可利用以上试验数据对MCMC方法迭代收敛进行有效分析，进而实现了车辆运行工况模式的一致性识别，如图12所示，即各工况比例分布随MCMC采样迭代的变化情况，其中第一行至第三行表示车辆行驶的道路工况分别为平坦路面、一般路面和坑洼路面三种；第一列至第三列表示驾驶员的驾驶风格分别为温柔型、一般型和激进型三类，由此构成9种行驶工况，以第一行第一列所示工况为例，该工况表示温柔型驾驶员行驶在平坦道路时该工况所占比例的分布情况，由图12可知，在MCMC采样迭代初期，该工况的比例分布波动幅度较大，由0.0111迅速增至0.0231，经过一段波动后，当采集样本量达到12000时，该工况的所占比例增加至0.0305，且此后一直在其附近进行小幅波动，该工况的比例分布趋于稳定。

此外，由于MCMC采样迭代具有一定随机性，各工况的收敛速度也有所不同，但各工况最终均获得稳定的工况比例分布，较好地实现了复杂工况下车辆运行模式的识别，且对应的MCMC迭代车辆运行工况比例与实际工况比例分布误差不超过20%。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种车辆运行工况模式识别方法，其特征在于，包括以下步骤：

S1、获取车辆运行状态信息；

S2、基于道路工况和驾驶工况对步骤S1中获取的车辆运行状态信息进行网格单元划分，并选取初始单元数据；

S3、建立车辆行驶工况参数化模型，包括道路工况参数化模型和驾驶风格参数化模型；

S4、复合步骤S2中网格单元划分后的行驶工况信息，构建马尔科夫链转移矩阵；

S5、通过MCMC方法对步骤S4得到的各工况转移矩阵进行采样迭代，计算输出稳定的行驶工况比例分布；

S6、联合实车试验，验证MCMC方法对车辆***运行模式的识别效果。

2.根据权利要求1所述的一种车辆运行工况模式识别方法，其特征在于：步骤S1中获取的车辆运行状态信息包括悬架动行程、纵向加速度、横向加速度、垂向加速度、侧向加速度、油门开度和车速。

3.根据权利要求1所述的一种车辆运行工况模式识别方法，其特征在于：步骤S2中获取的初始单元数据为50m。

4.根据权利要求1所述的一种车辆运行工况模式识别方法，其特征在于：步骤S3中建立车辆行驶工况参数化模型包括同步执行的步骤A和步骤B：

步骤A具体包括：

A1、获取道路工况相关状态参数，包括车速、纵向加速度、横向加速度、垂向加速度和悬架动行程；

A2、建立道路工况参数化模型；

A3、判定路面等级工况；

步骤B具体包括：

B1、获取驾驶工况相关状态参数，包括车速、纵向加速度、侧向加速度和油门开度

B2、建立驾驶风格参数化模型；

B3、判定驾驶风格类型。

5.根据权利要求4所述的一种车辆运行工况模式识别方法，其特征在于：步骤A2中建立道路工况参数化模型包括如下步骤：

A201、道路工况的表征，具体公式为：

；

式中，IRI指数是单位行驶里程内标准1/4车辆模型悬架动行程的累积量，z是悬架动行程，单位为mm，L是车辆行驶里程，单位为m；

A202、确定车速与悬架动行程累积量关系，具体公式为：

；

且

；式中，IRI₀为车辆以80km/h行驶测得的悬架动行程累计 量，v是车速。

6.根据权利要求4所述的一种车辆运行工况模式识别方法，其特征在于：步骤B2中建立驾驶风格工况参数化模型包括如下步骤：

B201、对步骤B1中获取的驾驶工况相关状态参数，利用状态参数的均值、最大值及标准差作为评价指标对驾驶风格进行表征；

B202、利用PCA方法对步骤B201中的评价指标进行PCA降维处理，以提高驾驶风格分类的识别效率，具体包括如下步骤：

B2021、对原始数据进行标准化处理，具体公式为：

；

式中，i=1, 2, 3… n; j=1, 2,3… 12；x _ij 为原始数据，x _j 为原始数据第j个变量的均值；σ _j 为原始数据第j个变量的标准差；

B2022、构建协方差矩阵，具体公式为：

；

p _ij 为标准化处理后的数据，p _i 、p _j 为标准化处理后数据第i或j个变量的均值，n为原始数据的样本量，s _ij 为标准化处理后数据的协方差；

B2023、求取协方差矩阵的特征值λ _i 及相应的特征向量a _i ；

B2024、计算主成分贡献率τ _j 及累积贡献率η _j ；

B2025、计算主成分值l _j ：l _j =a _j ^T *P。

7.根据权利要求4所述的一种车辆运行工况模式识别方法，其特征在于：步骤B3中，利用K-Mean算法，并基于PCA降维结果选取3个指标作为聚类依据分析驾驶风格，具体算法流程如下：

B301、从数据中随机选择3个样本作为聚类中心；

B302、计算样本l _i 与聚类中心μ _j 的距离d _ij ,并将该样本划分为距离该样本最小的聚类中心所对应的类别：

；

式中，μ _j 表示聚类中心；

B303、重新计算各类样本点的聚类中心：

；

式中，C _j 为聚类簇；

B304、判断聚类中心是否发生变化，聚类中心发生变化则重复步骤B302和步骤B303，否则输出聚类结果。

8.根据权利要求1所述的一种车辆运行工况模式识别方法，其特征在于：步骤S4中构建马尔科夫链转移矩阵采用公式为：

；

式中，N _ij 为离散数据中车辆由行驶状态i变到状态j的次数，N _i 为离散数据中车辆处于行驶状态i的次数。

Images