CN114662620B - 一种市场用户的汽车耐久载荷数据处理方法和装置 - Google Patents

一种市场用户的汽车耐久载荷数据处理方法和装置 Download PDF

Info

Publication number
CN114662620B
CN114662620B CN202210566586.2A CN202210566586A CN114662620B CN 114662620 B CN114662620 B CN 114662620B CN 202210566586 A CN202210566586 A CN 202210566586A CN 114662620 B CN114662620 B CN 114662620B
Authority
CN
China
Prior art keywords
data
signal data
working condition
key
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210566586.2A
Other languages
English (en)
Other versions
CN114662620A (zh
Inventor
丁鼎
韩广宇
张永仁
卢放
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lantu Automobile Technology Co Ltd
Original Assignee
Lantu Automobile Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lantu Automobile Technology Co Ltd filed Critical Lantu Automobile Technology Co Ltd
Priority to CN202210566586.2A priority Critical patent/CN114662620B/zh
Publication of CN114662620A publication Critical patent/CN114662620A/zh
Application granted granted Critical
Publication of CN114662620B publication Critical patent/CN114662620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种市场用户的汽车耐久载荷数据处理方法和装置，包括：定义新能源汽车市场用户数据的关键耐久载荷信号，本提案以电机驱动***总成为例介绍耐久载荷信号的选择及依据；定义市场用户耐久载荷信号的子工况片段，本提案以电机驱动***总成为例详细介绍市场用户耐久载荷数据的压缩及切割成子工况的算法；基于市场用户耐久载荷数据子工况片段进行聚类运算，基于多步迭代法求解市场用户耐久载荷数据的概率密度函数的均值向量及协方差矩阵，基于均值向量及协方差矩阵计算不同子工况到中心工况的离散度距离，基于离散度距离进行多步迭代，从而聚类生成市场用户耐久载荷数据子工况片段集合，用于指导汽车的整车及台架耐久试验规范的制定。

Description

一种市场用户的汽车耐久载荷数据处理方法和装置
技术领域
本发明涉及汽车耐久技术领域，尤其涉及一种市场用户的汽车耐久载荷数据处理方法和装置。
背景技术
汽车的耐久试验验证一般根据主机厂的开发经验进行制定，或者根据市场用户的调查问卷调研用户的使用情况。然而，汽车的耐久试验其实与主机厂的开发过程和用户的实际使用情况密不可分的。
也就是说，相关技术中的汽车耐久试验验证的结果是片面的，只会依赖于主机厂的开发经验，或者仅仅依赖于调查问卷中从用户使用过程中收集的用户体验而实施汽车耐久试验，导致汽车耐久试验的准确性较低，无法实现整车成本及整车安全可靠的最佳平衡。
发明内容
本申请实施例通过提供一种市场用户的汽车耐久载荷数据处理方法和装置，解决了现有技术中汽车耐久试验的试验结果存在片面性，准确性较低的技术问题，实现了结合用户的实际使用工况，获取用户在使用过程中的汽车工况数据，提高汽车耐久试验的全面性以及验证准确性的技术效果。
第一方面，本申请提供了一种市场用户的汽车耐久载荷数据处理方法，方法包括：
获取汽车的目标***总成的关键耐久载荷信号数据；
按照上次停车车速时刻、车速最大峰值时刻以及到下次停车时刻的时间顺序，将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段，F为正整数；
对F个子工况片段进行聚类操作，得到K类目标工况，K类目标工况用于对汽车进行耐久试验。
进一步地，当目标***总成为电机驱动***总成时，获取汽车的目标***总成的关键耐久载荷信号数据，包括：
获取电机驱动***总成的关键耐久载荷信号数据，关键耐久载荷信号数据包括驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据和差速信号数据。
进一步地，获取电机驱动***总成的差速信号数据，包括：
获取汽车的左轮轮速信号数据和右轮轮速信号数据；
根据左轮轮速信号数据和右轮轮速信号数据的差值，确定差速信号数据。
进一步地，在获取汽车的目标***总成的关键耐久载荷信号数据之后，在将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段之前，方法还包括：
从汽车的车联网***中获取汽车的监测信号数据，监测信号数据包括车速信号数据、方向盘信号数据、制动踏板信号数据、轮速信号数据；
根据监测信号数据的变化趋势，识别关键耐久载荷信号数据中是否存在异常数据；
当关键耐久载荷信号数据中存在异常数据时，对异常数据进行修正，并依赖于修正后的异常数据对关键耐久载荷信号数据进行更新。
进一步地，在依赖于修正后的异常数据对关键耐久载荷信号数据进行更新之后，在将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段之前，方法还包括：
根据预设的关键点数据筛选条件，识别关键耐久载荷信号数据的关键点数据；
获取目标***总成的关重信号数据通道预设阈值；
在保留关键耐久载荷信号数据中的所有关键点数据的前提下，从关键耐久载荷信号数据去除小于关重信号数据通道预设阈值的信号数据，得到压缩后的关键耐久载荷信号数据。
进一步地，对F个子工况片段进行聚类操作，得到K类目标工况，包括：
步骤1，确定F个子工况片段中每个子工况片段的均值向量和协方差矩阵；
步骤2，从F个子工况片段中随机选取K个子工况片段作为K类目标工况的中心工况；
步骤3，根据F个子工况片段中各个非中心工况片段的均值向量和协方差矩阵，以及K个中心工况中各个中心工况的均值向量和协方差矩阵，确定各个非中心工况与各个中心工况之间的离散度距离；
步骤4，根据各个非中心工况与各个中心工况之间的离散度距离，将各个非中心工况划分至K类目标工况所在的数据集合，得到K个数据集合；
步骤5，针对每个数据集合，将数据集合中的子工况片段按照时间先后顺序连接成新的数据片段，确定新的数据片段的均值向量和协方差矩阵，并将新的数据片段的均值向量和协方差矩阵，作为该数据集合对应的中心工况更新后的均值向量和协方差矩阵；
步骤6，针对各个中心工况更新后的均值向量和协方差矩阵，重复执行步骤3-5，直至得到的K个数据集合中各个数据集合的均值向量和协方差矩阵的变化幅度小于预设幅度阈值。
第二方面，本申请提供了一种市场用户的汽车耐久载荷数据处理装置，装置包括：
关键耐久载荷信号数据获取模块，用于获取汽车的目标***总成的关键耐久载荷信号数据；
子工况片段划分模块，用于按照上次停车车速时刻、车速最大峰值时刻以及到下次停车时刻的时间顺序，将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段，F为正整数；
聚类模块，用于对F个子工况片段进行聚类操作，得到K类目标工况，K类目标工况用于对汽车进行耐久试验。
进一步地，关键耐久载荷信号数据获取模块，具体用于：
当目标***总成为电机驱动***总成时，获取电机驱动***总成的关键耐久载荷信号数据，关键耐久载荷信号数据包括驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据和差速信号数据。
第三方面，本申请提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行以实现如第一方面提供的一种市场用户的汽车耐久载荷数据处理方法。
第四方面，本申请提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如第一方面提供的一种市场用户的汽车耐久载荷数据处理方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明首先定义新能源汽车市场用户数据的关键耐久载荷信号，具体以新能源汽车的电机驱动***总成为例详细介绍耐久载荷信号的选择及依据；然后，定义市场用户耐久载荷信号的子工况片段，具体是以新能源汽车的电机驱动***总成为例详细介绍市场用户耐久载荷数据的压缩及切割成子工况的算法；最后，基于市场用户耐久载荷数据子工况片段进行聚类运算，具体地，以新能源汽车的电机驱动***总成为例，详细介绍基于多步迭代法求解市场用户耐久载荷数据的概率密度函数的均值向量及协方差矩阵，基于均值向量及协方差矩阵计算不同子工况到中心工况的离散度距离，基于离散度距离进行多步迭代，从而聚类生成市场用户耐久载荷数据子工况片段集合，基于得到的子工况片段集合可以用于指导汽车的整车及台架耐久试验规范的制定。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种市场用户的汽车耐久载荷数据处理方法的流程示意图；
图2为本申请提供的一种市场用户的汽车耐久载荷数据处理装置的结构示意图；
图3为本申请提供的一种电子设备的结构示意图。
具体实施方式
本申请实施例通过提供一种市场用户的汽车耐久载荷数据处理方法，解决了现有技术中汽车耐久试验的试验结果存在片面性，准确性较低的技术问题。
本申请实施例的技术方案为解决上述技术问题，总体思路如下：
一种市场用户的汽车耐久载荷数据处理方法，方法包括：获取汽车的目标***总成的关键耐久载荷信号数据；按照上次停车车速时刻、车速最大峰值时刻以及到下次停车时刻的时间顺序，将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段，F为正整数；对F个子工况片段进行聚类操作，得到K类目标工况，K类目标工况用于对汽车进行耐久试验。
本实施例首先定义新能源汽车市场用户数据的关键耐久载荷信号，具体以新能源汽车的电机驱动***总成为例详细介绍耐久载荷信号的选择及依据；然后，定义市场用户耐久载荷信号的子工况片段，具体是以新能源汽车的电机驱动***总成为例详细介绍市场用户耐久载荷数据的压缩及切割成子工况的算法；最后，基于市场用户耐久载荷数据子工况片段进行聚类运算，具体地，以新能源汽车的电机驱动***总成为例，详细介绍基于多步迭代法求解市场用户耐久载荷数据的概率密度函数的均值向量及协方差矩阵，基于均值向量及协方差矩阵计算不同子工况到中心工况的离散度距离，基于离散度距离进行多步迭代，从而聚类生成市场用户耐久载荷数据子工况片段集合，基于得到的子工况片段集合可以用于指导汽车的整车及台架耐久试验规范的制定。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
首先说明，本文中出现的术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
交付给市场用户的新能源汽车上都会装载TBOX***（Telematics Box，车联网***，简称TBOX），TBOX可以用远距离通信和信息科学技术，为汽车提供行车数据采集、远程查询和控制、监测故障等等服务，还可以为用户提供故障诊断、道路救援、远程开锁、控制空调等等服务。TBOX里面储存有汽车在行使过程中的内部信号数据，汽车厂商在经过用户允许的情况下可以通过大数据平台调用TBOX里面的数据，以读取汽车在行使过程中的内部信号数据。
汽车包括多个不同的子***，每个子***受到的耐久载荷激励不同，所以针对不同的子***的耐久试验，需要从TBOX不同的信号数据通道中获取对应子***的相关数据。汽车子***的类型以及各个子***对应的关键信号数据通道可以参考表1。
表1
Figure 373062DEST_PATH_IMAGE001
Figure 495739DEST_PATH_IMAGE002
本实施例提供的一种市场用户的汽车耐久载荷数据处理方法主要以电机驱动***总成为例，对汽车耐久载荷数据处理方法进行说明。
具体地，本实施例提供了如图1所示的一种市场用户的汽车耐久载荷数据处理方法，方法包括步骤S11-步骤S13。
步骤S11，获取汽车的目标***总成的关键耐久载荷信号数据。
目标***总成可以是表1中的悬架***、转向***、制动***、车身***和动力***等，也可以是汽车中其他的***总成，本实施例对此不作限制。本实施例后续以新能源汽车的电机驱动***总成为例，说明市场用户的汽车耐久载荷数据处理方法。
当目标***总成为电机驱动***总成时，获取汽车的目标***总成的关键耐久载荷信号数据，包括：获取电机驱动***总成的关键耐久载荷信号数据，关键耐久载荷信号数据包括驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据和差速信号数据。
新能源汽车的电机驱动***总成包括：电机总成、减速器总成、差速器总成。
针对电机总成及减速器总成，TBOX里面的信号数据通道包含：驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据，这3个信号数据可以体现电机总成及减速器总成受到的机械负载（即驱动电机扭矩负载和驱动电机转速负载）及环境负载（即电机水温度）。
针对差速器总成，除了受到驱动电机输入的扭矩及转速载荷外，还受到左右轮速的差速载荷，TBOX里面的信号数据通道没有左右轮速的差速信号数据，但是包含单个的轮速信号数据，因此可以基于左轮速信号数据减去右轮速信号数据，就可以得到左右轮速的差速信号数据。
具体地，可以从TBOX中获取汽车的左轮轮速信号数据和右轮轮速信号数据；根据左轮轮速信号数据和右轮轮速信号数据的差值，确定差速信号数据。
本实施例根据电机驱动***总成的结构组成和载荷组成，将以驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据、左右轮速的差速信号数据为汽车电机驱动***总成的关键耐久载荷信号数据，以说明汽车市场用户耐久载荷数据的处理方法。
步骤S12，按照上次停车车速时刻、车速最大峰值时刻以及到下次停车时刻的时间顺序，将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段，F为正整数。
在实际处理时，可以将已获取的驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据、左右轮速的差速信号数据，定义为如下表达式：
Figure 862129DEST_PATH_IMAGE003
Figure 44849DEST_PATH_IMAGE004
Figure 751817DEST_PATH_IMAGE005
Figure 819130DEST_PATH_IMAGE006
Figure 164661DEST_PATH_IMAGE007
其中：
Figure 642916DEST_PATH_IMAGE008
——表示新能源汽车市场用户数据矩阵；
Figure 441107DEST_PATH_IMAGE009
——表示新能源汽车市场用户数据矩阵的时间序列数据数，例如，A1矩阵包括T个时间片段的数量；
Figure 312111DEST_PATH_IMAGE010
——表示新能源汽车市场用户的驱动电机扭矩信号数据；
Figure 512149DEST_PATH_IMAGE011
——表示驱动电机扭矩信号数据中时间序列为i时刻的数据值；
Figure 161305DEST_PATH_IMAGE012
——表示新能源汽车市场用户的驱动电机转速信号数据；
Figure 446792DEST_PATH_IMAGE013
——表示驱动电机转速信号数据中时间序列为i时刻的数据值；
Figure 855908DEST_PATH_IMAGE014
——表示新能源汽车市场用户的电机水温度信号数据；
Figure 910452DEST_PATH_IMAGE015
——表示电机水温度信号数据中时间序列为i时刻的数据值；
Figure 996088DEST_PATH_IMAGE016
——表示新能源汽车市场用户的左右轮速的差速信号数据；
Figure 644239DEST_PATH_IMAGE017
——表示左右轮速的差速信号数据中时间序列为i时刻的数据值。
针对上述新能源汽车市场用户数据矩阵A，可以实施如下操作1和操作2。
【操作1】
基于新能源市场用户车辆的TBOX内部的监测信号数据，例如：车速信号数据、方向盘信号数据、制动踏板信号数据、轮速信号数据等，识别数据矩阵A数据是否存在峰值异常、均值漂移等问题，以确保数据的有效性。
具体可以包括如下步骤：
步骤1，在获取汽车的目标***总成（此处以电机驱动***总成为例进行说明）的关键耐久载荷信号数据之后，在将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段之前，从汽车的车联网***中获取汽车的监测信号数据，监测信号数据包括车速信号数据、方向盘信号数据、制动踏板信号数据、轮速信号数据；
步骤2，根据监测信号数据的变化趋势，识别关键耐久载荷信号数据中是否存在异常数据；
步骤3，当关键耐久载荷信号数据中存在异常数据时，对异常数据进行修正，并依赖于修正后的异常数据对关键耐久载荷信号数据进行更新。
例如，车速与电机转速存在关联关系，通常情况下，车速高，电机转速也就高，因此，可以通过车速的变化趋势，确定驱动电机转速信号数据是否存在异常，若存在异常，则针对异常数据进行处理，具体可以是去除、修正或补充，可以根据实际情况采取合适的处理方式。
【操作2】
针对目标***总成（此处以电机驱动***总成为例进行说明）的关键耐久载荷信号数据，可以设定一个阀值，当关键耐久载荷信号数据均小于这个阀值则该数据不参与后续的计算，进而实现压缩数据规模的目的，降低后续计算量。在进行数据压缩的过程中，应当在不减少关键点数据的条件下尽可能压缩数据矩阵A的数据规模，以减小后续的计算量。具体可以分解为如下步骤：
步骤1，在依赖于修正后的异常数据对关键耐久载荷信号数据进行更新之后，在将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段之前，根据预设的关键点数据筛选条件，识别关键耐久载荷信号数据的关键点数据；
步骤2，获取电机驱动***总成的关重信号数据通道预设阈值；
步骤3，在保留关键耐久载荷信号数据中的所有关键点数据的前提下，从关键耐久载荷信号数据去除小于关重信号数据通道预设阈值的信号数据，得到压缩后的关键耐久载荷信号数据。
预设的关键点数据筛选条件可以包括如下条件1和条件2。如果关键耐久载荷信号数据（也即用户数据矩阵A）中的数据点
Figure 716100DEST_PATH_IMAGE018
同时满足以下两个条件，则定义为关键点数据：
条件1：
Figure 749784DEST_PATH_IMAGE019
条件2：
Figure 881688DEST_PATH_IMAGE020
满足条件1的前提下，
Figure 751555DEST_PATH_IMAGE021
Figure 627107DEST_PATH_IMAGE022
Figure 515297DEST_PATH_IMAGE023
其中：
Figure 818103DEST_PATH_IMAGE024
——表示关键耐久载荷信号数据中第j种信号数据在时间序列为i时刻的数 据值，
Figure 440845DEST_PATH_IMAGE025
，其中j=1表示为驱动电机扭矩信号数据，其中j=2表示为驱动电机转速信号 数据，其中j=3表示为电机水温度信号数据，其中j=4表示为左右轮速的差速信号数据；
Figure 854509DEST_PATH_IMAGE026
、
Figure 862785DEST_PATH_IMAGE027
、
Figure 336492DEST_PATH_IMAGE028
、
Figure 180951DEST_PATH_IMAGE029
——分别表示关键耐久载荷信号数据中第j种信号数据在时间序列（i-1）、（i+1）、i、e时刻的数据值；
Figure 398306DEST_PATH_IMAGE030
、
Figure 526668DEST_PATH_IMAGE031
、
Figure 46642DEST_PATH_IMAGE032
、
Figure 503031DEST_PATH_IMAGE033
——分别表示时间序列对应的时刻值
Figure 400709DEST_PATH_IMAGE030
、
Figure 524523DEST_PATH_IMAGE031
、
Figure 215398DEST_PATH_IMAGE032
、
Figure 549297DEST_PATH_IMAGE033
；
Figure 842875DEST_PATH_IMAGE034
——表示关键耐久载荷信号数据中第j种信号数据在时间序列为i时刻的数据向量；
Figure 696561DEST_PATH_IMAGE035
——表示关键耐久载荷信号数据中第j种信号数据在时间序列为e时刻的数据向量；
Figure 682972DEST_PATH_IMAGE036
、
Figure 973008DEST_PATH_IMAGE037
——表示中间计算向量；
Figure 70277DEST_PATH_IMAGE038
——表示向量相乘；
Figure 778470DEST_PATH_IMAGE039
、
Figure 325995DEST_PATH_IMAGE040
——表示向量的模；
Figure 978693DEST_PATH_IMAGE041
——表示常数阀值参数，
Figure 755019DEST_PATH_IMAGE042
；
Figure 442352DEST_PATH_IMAGE043
——表示常数阀值参数，
Figure 160778DEST_PATH_IMAGE044
；
Figure 300773DEST_PATH_IMAGE045
——表示常数阀值参数；
Figure 615211DEST_PATH_IMAGE046
——表示时间常数增量参数。
根据上述两个条件对关键耐久载荷信号数据中的关键点数据进行筛选，在保留关键耐久载荷信号数据中的所有关键点数据的前提下，从关键耐久载荷信号数据去除小于关重信号数据通道预设阈值的信号数据，得到压缩后的关键耐久载荷信号数据，最终得到的经过压缩后的新能源汽车市场用户数据矩阵
Figure 157050DEST_PATH_IMAGE047
，定义表达式如下：
Figure 780799DEST_PATH_IMAGE048
其中：
Figure 408089DEST_PATH_IMAGE049
——表示压缩后的新能源汽车市场用户数据矩阵；
Figure 526218DEST_PATH_IMAGE050
——表示压缩后的新能源汽车市场用户的驱动电机扭矩信号数据；
Figure 312777DEST_PATH_IMAGE051
——表示压缩后的新能源汽车市场用户的驱动电机转速信号数据；
Figure 248372DEST_PATH_IMAGE052
——表示压缩后的新能源汽车市场用户的电机水温度信号数据；
Figure 238325DEST_PATH_IMAGE053
——表示压缩后的新能源汽车市场用户的左右轮速的差速信号数据。
按照车速信号数据V的变化趋势，即由接近停车车速的时刻（例如车速为0的时刻）到下一个车速最大的时刻再到接近停车车速时刻（例如车速为0的时刻），将数据矩阵
Figure 284778DEST_PATH_IMAGE054
分割为F个子工况片段，定义表达式如下：
Figure 925844DEST_PATH_IMAGE055
Figure 642127DEST_PATH_IMAGE056
Figure 244010DEST_PATH_IMAGE057
Figure 959068DEST_PATH_IMAGE058
Figure 330007DEST_PATH_IMAGE059
Figure 217191DEST_PATH_IMAGE060
其中：
Figure 571949DEST_PATH_IMAGE061
——表示压缩后的新能源汽车市场用户数据矩阵；
Figure 819260DEST_PATH_IMAGE062
——表示新能源汽车市场用户数据矩阵的第g个片段；
F——表示新能源汽车市场用户数据矩阵的共计子工况个数；
Figure 185650DEST_PATH_IMAGE063
——表示驱动电机扭矩信号数据的第g个片段的数据时序向量；
Figure 633949DEST_PATH_IMAGE064
——表示驱动电机转速信号数据的第g个片段的数据时序向量；
Figure 69478DEST_PATH_IMAGE065
——表示电机水温度信号数据的第g个片段的数据时序向量；
Figure 995846DEST_PATH_IMAGE066
——表示左右轮速的差速信号数据的第g个片段的时序向量；
Figure 482322DEST_PATH_IMAGE067
——表示驱动电机扭矩信号数据的第g个片段的第h个数据的数值；
Figure 835943DEST_PATH_IMAGE068
——表示驱动电机转速信号数据的第g个片段的第h个数据的数值；
Figure 758769DEST_PATH_IMAGE069
——表示电机水温度信号数据的第g个片段的第h个数据的数值；
Figure 488827DEST_PATH_IMAGE070
——表示左右轮速的差速信号数据的第g个片段的第h个数据的数值；
Figure 564231DEST_PATH_IMAGE071
——表示市场用户数据矩阵的第g个片段的共计数据个数。
步骤S13，对F个子工况片段进行聚类操作，得到K类目标工况，K类目标工况用于对汽车进行耐久试验。
步骤S13具体可分解为如下多个步骤：
步骤1，确定F个子工况片段中每个子工况片段的均值向量和协方差矩阵；
步骤2，从F个子工况片段中随机选取K个子工况片段作为K类目标工况的中心工况；
步骤3，根据F个子工况片段中各个非中心工况片段的均值向量和协方差矩阵，以及K个中心工况中各个中心工况的均值向量和协方差矩阵，确定各个非中心工况与各个中心工况之间的离散度距离；
步骤4，根据各个非中心工况与各个中心工况之间的离散度距离，将各个非中心工况划分至K类目标工况所在的数据集合，得到K个数据集合；
步骤5，针对每个数据集合，将数据集合中的子工况片段按照时间先后顺序连接成新的数据片段，确定新的数据片段的均值向量和协方差矩阵，并将新的数据片段的均值向量和协方差矩阵，作为该数据集合对应的中心工况更新后的均值向量和协方差矩阵；
步骤6，针对各个中心工况更新后的均值向量和协方差矩阵，重复执行步骤3-5，直至得到的K个数据集合中各个数据集合的均值向量和协方差矩阵的变化幅度小于预设幅度阈值。
确定F个子工况片段中每个子工况片段的均值向量和协方差矩阵的方法具体可以包括：
约定新能源汽车市场用户数据矩阵变量的概率密度函数
Figure 88753DEST_PATH_IMAGE072
的表达式如下：
Figure 764454DEST_PATH_IMAGE073
Figure 907990DEST_PATH_IMAGE074
其中：
Figure 962534DEST_PATH_IMAGE075
——表示数据矩阵变量的概率密度函数；
Figure 313750DEST_PATH_IMAGE076
——表示变量向量，其中：变量
Figure 86534DEST_PATH_IMAGE077
表示驱动电机扭矩信号数据变量，变量
Figure 768182DEST_PATH_IMAGE078
表示驱动电机转速信号数据变量，变量
Figure 942811DEST_PATH_IMAGE079
表示电机水温度信号数据变量，变量
Figure 933770DEST_PATH_IMAGE080
表示左右轮速的差速信号数据变量；
Figure 334795DEST_PATH_IMAGE081
——表示数据矩阵变量的数据通道数，本提案共计4个数据通道，即驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据、左右轮速的差速信号数据，故取值为4；
Figure 944768DEST_PATH_IMAGE082
——表示变量向量
Figure 98538DEST_PATH_IMAGE076
的均值向量；
Figure 401343DEST_PATH_IMAGE083
——表示变量向量
Figure 758506DEST_PATH_IMAGE076
的协方差矩阵；
Figure 172170DEST_PATH_IMAGE084
——表示变量向量
Figure 440166DEST_PATH_IMAGE076
的协方差矩阵的逆矩阵；
Figure 913873DEST_PATH_IMAGE085
——表示变量向量
Figure 23911DEST_PATH_IMAGE076
的协方差矩阵的行列式；
上角标
Figure 100321DEST_PATH_IMAGE086
——表示矩阵的转置运算。
针对F个子工况片段中的第g个片段的数据矩阵
Figure 104049DEST_PATH_IMAGE087
进行概率密度函数
Figure 624023DEST_PATH_IMAGE088
求解，即是求解数据矩阵
Figure 80412DEST_PATH_IMAGE087
对应的均值向量
Figure 960512DEST_PATH_IMAGE089
及协方差矩阵
Figure 553168DEST_PATH_IMAGE090
，其对应的求解表达式如下：
Figure 244043DEST_PATH_IMAGE091
Figure 187728DEST_PATH_IMAGE092
Figure 137099DEST_PATH_IMAGE093
Figure 849840DEST_PATH_IMAGE094
Figure 446037DEST_PATH_IMAGE095
Figure 267232DEST_PATH_IMAGE096
根据此约束条件进行求解：
Figure 364501DEST_PATH_IMAGE097
令
Figure 72694DEST_PATH_IMAGE098
令
Figure 964426DEST_PATH_IMAGE099
令
Figure 7337DEST_PATH_IMAGE100
Figure 173877DEST_PATH_IMAGE101
根据迭代进行求解：
1、
Figure 470997DEST_PATH_IMAGE102
及
Figure 799210DEST_PATH_IMAGE103
的数值不变，更新
Figure 594997DEST_PATH_IMAGE104
：
Figure 440593DEST_PATH_IMAGE105
=
Figure 716853DEST_PATH_IMAGE106
；
2、
Figure 606181DEST_PATH_IMAGE107
及
Figure 374417DEST_PATH_IMAGE103
的数值不变，更新
Figure 351600DEST_PATH_IMAGE108
：
Figure 144019DEST_PATH_IMAGE109
=
Figure 814034DEST_PATH_IMAGE110
；
3、
Figure 538408DEST_PATH_IMAGE111
及
Figure 319282DEST_PATH_IMAGE112
的数值不变，更新
Figure 960348DEST_PATH_IMAGE113
：
Figure 801265DEST_PATH_IMAGE114
=
Figure 544093DEST_PATH_IMAGE115
；
迭代直到
Figure 863079DEST_PATH_IMAGE105
、
Figure 358651DEST_PATH_IMAGE109
、
Figure 370469DEST_PATH_IMAGE114
的变化量小于预设定的阀值或者到达最大的迭代次数，则停止迭代。
其中：
Figure 69435DEST_PATH_IMAGE116
——表示迭代次数；
Figure 457691DEST_PATH_IMAGE117
、
Figure 807770DEST_PATH_IMAGE118
、
Figure 990490DEST_PATH_IMAGE119
、
Figure 442331DEST_PATH_IMAGE120
——表示均值向量
Figure 368698DEST_PATH_IMAGE121
的每一行数值；
Figure 573284DEST_PATH_IMAGE122
——表示求解数据的均值；
Figure 192484DEST_PATH_IMAGE123
——表示中间计算矩阵；
Figure 131621DEST_PATH_IMAGE124
——表示市场用户数据矩阵的第g个片段的共计数据个数；
Figure 861680DEST_PATH_IMAGE125
——表示中间计算矩阵；
Figure 920771DEST_PATH_IMAGE126
——表示协方差矩阵
Figure 710873DEST_PATH_IMAGE127
的逆矩阵；
Figure 871727DEST_PATH_IMAGE128
——表示协方差矩阵
Figure 139897DEST_PATH_IMAGE127
的逆矩阵；
Figure 319075DEST_PATH_IMAGE129
——表示求最小值运算；
Figure 14498DEST_PATH_IMAGE130
——表示求解矩阵的行列式；
Figure 662648DEST_PATH_IMAGE131
——表示求解矩阵主对角线（从左上方至右下方的对角线）上各个元素的总和；
Figure 734509DEST_PATH_IMAGE132
——表示正则化参数矩阵；
Figure 299352DEST_PATH_IMAGE133
——表示中间计算矩阵；
Figure 41043DEST_PATH_IMAGE134
——表示矩阵
Figure 301123DEST_PATH_IMAGE132
与矩阵
Figure 318887DEST_PATH_IMAGE133
的哈达玛积(Hadamard product)，哈达玛积(Hadamard product)是矩阵的一类运算，若A=(aij)和B=(bij)是两个同阶矩阵，若cij=aij×bij，则称矩阵C=(cij)为A和B的哈达玛积或称基本积；
Figure 488968DEST_PATH_IMAGE135
——表示求解矩阵的1-范数，例如：矩阵A，矩阵A的1-范数表示为
Figure 526194DEST_PATH_IMAGE136
，
Figure 398204DEST_PATH_IMAGE137
，即所有矩阵列向量绝对值之和的最大值；
Figure 811868DEST_PATH_IMAGE138
、
Figure 836456DEST_PATH_IMAGE139
——表示中间计算函数；
Figure 44583DEST_PATH_IMAGE140
——表示计算函数；
Figure 403889DEST_PATH_IMAGE141
——表示中间计算矩阵；
Figure 90086DEST_PATH_IMAGE142
——表示阀值系数；
Figure 969180DEST_PATH_IMAGE143
——表示求解矩阵的F-范数，矩阵的F-范数为把一个矩阵中每个元素的平方求和后开根号；
Figure 348209DEST_PATH_IMAGE144
——表示求解矩阵的F-范数
Figure 929232DEST_PATH_IMAGE145
的平方数。
通过上述步骤，可以得到市场用户数据矩阵
Figure 684698DEST_PATH_IMAGE146
的任意片段数据概率密度函数对应的均值向量及协方差矩阵，例如：第g个片段数据矩阵
Figure 418299DEST_PATH_IMAGE147
概率密度函数
Figure 233808DEST_PATH_IMAGE148
对应的均值向量
Figure 302127DEST_PATH_IMAGE149
及协方差矩阵
Figure 533388DEST_PATH_IMAGE150
，从而针对新能源汽车市场用户数据矩阵的子工况进行聚类，具体的聚类过程如下：
由前述可知，针对新能源汽车市场用户数据矩阵
Figure 980550DEST_PATH_IMAGE146
，将数据矩阵
Figure 91595DEST_PATH_IMAGE146
分割为F个子工况片段，定义表达式如下：
Figure 663521DEST_PATH_IMAGE151
从F个子工况片段中随机选取K个子工况片段，将这K个子工况片段作为K类目标工况暂定的中心工况，K类目标工况可以根据项目的实际经验进行确定，也可以根据项目需求进行设定。在合理范围内，K越大，工况种类越多，那么计算量就越大。例如，F取10000，K取10，10000个子工况片段分别记为N1、N2、…、N999、N10000，从这10000个子工况片段中随机选择10个子工况片段，例如选择N2、N9、N81、N350、N450、N600、N750、N850、N950、N999，将N2作为第一目标工况的中心工况，将N9作为第二目标工况的中心工况，依次类推。通常情况下，F与K之间的差异性越大，本实施例的方案的优势将会体现得更明显，本实施例适用于F为上万数值的耐久数据处理。
将F个子工况片段中除选中的K个中心工况外的其他工况记为非中心工况（F-K个非中心工况），针对每个非中心工况，确定非中心工况与各个中心工况之间的离散度距离。
将任意非中心工况记为
Figure 760790DEST_PATH_IMAGE152
，将任意中心工况记为
Figure 452672DEST_PATH_IMAGE153
，将对应的离散度距离记为
Figure 609984DEST_PATH_IMAGE154
，求解离散度距离的表达式如下：
Figure 403627DEST_PATH_IMAGE155
其中：
Figure 39008DEST_PATH_IMAGE156
——表示市场用户数据矩阵的非中心工况片段
Figure 850975DEST_PATH_IMAGE157
与场用户数据矩阵的中心工况
Figure 179188DEST_PATH_IMAGE158
之间的离散度距离；
Figure 194549DEST_PATH_IMAGE159
——
Figure 633620DEST_PATH_IMAGE157
对应的协方差矩阵；
Figure 175460DEST_PATH_IMAGE160
——
Figure 805068DEST_PATH_IMAGE158
对应的协方差矩阵；
Figure 432358DEST_PATH_IMAGE161
、
Figure 284908DEST_PATH_IMAGE162
——矩阵
Figure 337046DEST_PATH_IMAGE159
及矩阵
Figure 7062DEST_PATH_IMAGE160
对应的行列式；
Figure 997015DEST_PATH_IMAGE163
——
Figure 777889DEST_PATH_IMAGE157
对应的均值向量；
Figure 418955DEST_PATH_IMAGE164
——
Figure 994292DEST_PATH_IMAGE158
对应的均值向量；
Figure 596175DEST_PATH_IMAGE165
——
Figure 56106DEST_PATH_IMAGE157
对应的协方差矩阵的逆矩阵。
根据各个非中心工况与各个中心工况之间的离散度距离，将非中心工况进行分类，将非中心工况划分至各个中心工况所对应的数据集合中。其中，若某个非中心工况与各个中心工况中的某个中心工况之间的离散度距离最小，则将该非中心工况归类为离散度距离最小的那个中心工况中。
依此规则完成了一轮归类。
针对每个中心工况对应的数据集合，按照上述提供的均值向量和协方差矩阵的计算方式，重新确定每个数据集合对应的均值向量和协方差矩阵，并将重新确定的均值向量和协方差矩阵作为该数据集合对应的中心工况的均值向量和协方差矩阵。
根据更新后的均值向量和协方差矩阵，重复上述的步骤3-6，针对各个非中心工况（F-K个非中心工况），确定非中心工况与各个中心工况之间的离散度距离，即确定非中心工况对应的均值向量和协方差矩阵，与各个中心工况更新后的均值向量和协方差矩阵之间的离散度距离，再根据离散度距离将非中心工况进行归类，直到得到的各个数据集合中的均值向量和协方差矩阵的变化幅度符合预设条件（即小于预设幅度阈值），则可终止聚类算法操作。
最终得到的各个数据集合（具体为K类数据集合）体现了K种目标工况，可以将其作为典型工况作为整车耐久试验及台架耐久试验的输入，在后续对汽车进行耐久试验验证时，就可以将K种目标工况对应的数据输入到试验中，也就在耐久试验中考虑了用户的实际使用工况，提高汽车耐久试验的全面性以及验证准确性。
本实施例提供的一种市场用户的汽车耐久载荷数据处理方法，首先，定义新能源汽车市场用户数据的关键耐久载荷信号（本实施例以新能源汽车的电机驱动***总成为例详细介绍耐久载荷信号的选择及依据），然后，定义市场用户耐久载荷信号的子工况片段（本提案以新能源汽车的电机驱动***总成为例详细介绍市场用户耐久载荷数据的压缩及切割成子工况的算法），最后，基于市场用户耐久载荷数据子工况片段进行聚类运算，具体地，以新能源汽车的电机驱动***总成为例，详细介绍基于多步迭代法求解市场用户耐久载荷数据的概率密度函数的均值向量及协方差矩阵，基于均值向量及协方差矩阵计算不同子工况到中心工况的离散度距离，基于离散度距离进行多步迭代，从而聚类生成市场用户耐久载荷数据子工况片段集合，基于得到的子工况片段集合可以用于指导汽车的整车及台架耐久试验规范的制定。
本实施例直接基于TBOX中的汽车用户耐久载荷数据进行分析，进而归纳出汽车耐久载荷数据的子工况集合，可以应用于指导汽车整车及台架耐久试验规范的制定。本实施例将汽车的耐久试验验证与汽车用户的使用工况进行强关联，从而在设计源头上实现整车成本及整车安全可靠的最佳平衡。本实施例提供的方案的应用扩展强，可以应用于新能源汽车的电机驱动***总成以外的其他子***的子工况的确定。
基于同一发明构思，本实施例提供了如图2所示的一种市场用户的汽车耐久载荷数据处理装置，装置包括：
关键耐久载荷信号数据获取模块21，用于获取汽车的目标***总成的关键耐久载荷信号数据；
子工况片段划分模块22，用于按照上次停车车速时刻、车速最大峰值时刻以及到下次停车时刻的时间顺序，将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段，F为正整数；
聚类模块23，用于对F个子工况片段进行聚类操作，得到K类目标工况，K类目标工况用于对汽车进行耐久试验。
进一步地，关键耐久载荷信号数据获取模块21用于：
当目标***总成为电机驱动***总成时，获取电机驱动***总成的关键耐久载荷信号数据，关键耐久载荷信号数据包括驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据和差速信号数据。
进一步地，关键耐久载荷信号数据获取模块21，具体用于：
获取汽车的左轮轮速信号数据和右轮轮速信号数据；
根据左轮轮速信号数据和右轮轮速信号数据的差值，确定差速信号数据。
进一步地，装置还包括：
监测信号数据获取模块，用于在获取汽车的目标***总成的关键耐久载荷信号数据之后，在将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段之前，从汽车的车联网***中获取汽车的监测信号数据，监测信号数据包括车速信号数据、方向盘信号数据、制动踏板信号数据、轮速信号数据；
异常数据识别模块，用于根据监测信号数据的变化趋势，识别关键耐久载荷信号数据中是否存在异常数据；
异常数据修正模块，用于当关键耐久载荷信号数据中存在异常数据时，对异常数据进行修正，并依赖于修正后的异常数据对关键耐久载荷信号数据进行更新。
进一步地，装置还包括：
关键点数据识别模块，用于在依赖于修正后的异常数据对关键耐久载荷信号数据进行更新之后，在将关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段之前，根据预设的关键点数据筛选条件，识别关键耐久载荷信号数据的关键点数据；
关重信号数据通道预设阈值获取模块，用于获取目标***总成的关重信号数据通道预设阈值；
压缩模块，用于在保留关键耐久载荷信号数据中的所有关键点数据的前提下，从关键耐久载荷信号数据去除小于关重信号数据通道预设阈值的信号数据，得到压缩后的关键耐久载荷信号数据。
进一步地，聚类模块23具体用于执行：
步骤1，确定F个子工况片段中每个子工况片段的均值向量和协方差矩阵；
步骤2，从F个子工况片段中随机选取K个子工况片段作为K类目标工况的中心工况；
步骤3，根据F个子工况片段中各个非中心工况片段的均值向量和协方差矩阵，以及K个中心工况中各个中心工况的均值向量和协方差矩阵，确定各个非中心工况与各个中心工况之间的离散度距离；
步骤4，根据各个非中心工况与各个中心工况之间的离散度距离，将各个非中心工况划分至K类目标工况所在的数据集合，得到K个数据集合；
步骤5，针对每个数据集合，将数据集合中的子工况片段按照时间先后顺序连接成新的数据片段，确定新的数据片段的均值向量和协方差矩阵，并将新的数据片段的均值向量和协方差矩阵，作为该数据集合对应的中心工况更新后的均值向量和协方差矩阵；
步骤6，针对各个中心工况更新后的均值向量和协方差矩阵，重复执行步骤3-5，直至得到的K个数据集合中各个数据集合的均值向量和协方差矩阵的变化幅度小于预设幅度阈值。
基于同一发明构思，本实施例提供了如图3所示的一种电子设备，包括：
处理器31；
用于存储处理器31可执行指令的存储器32；
其中，处理器31被配置为执行以实现如上述提供的一种市场用户的汽车耐久载荷数据处理方法。
基于同一发明构思，本实施例提供了一种非临时性计算机可读存储介质，当存储介质中的指令由电子设备的处理器31执行时，使得电子设备能够执行实现如上述提供的一种市场用户的汽车耐久载荷数据处理方法。
由于本实施例所介绍的电子设备为实施本申请实施例中信息处理的方法所采用的电子设备，故而基于本申请实施例中所介绍的信息处理的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中信息处理的方法所采用的电子设备，都属于本申请所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种市场用户的汽车耐久载荷数据处理方法，其特征在于，所述方法包括：
从TBOX获取汽车的目标***总成的关键耐久载荷信号数据；
按照上次停车车速时刻、车速最大峰值时刻以及到下次停车时刻的时间顺序，将所述关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段，F为正整数；
对F个子工况片段进行聚类操作，得到K类目标工况，所述K类目标工况用于对汽车进行耐久试验；
所述对F个子工况片段进行聚类操作，得到K类目标工况，包括：
步骤1，确定所述F个子工况片段中每个子工况片段的均值向量和协方差矩阵；
步骤2，从所述F个子工况片段中随机选取K个子工况片段作为K类目标工况的中心工况；
步骤3，根据所述F个子工况片段中各个非中心工况片段的均值向量和协方差矩阵，以及K个中心工况中各个中心工况的均值向量和协方差矩阵，确定各个非中心工况与各个中心工况之间的离散度距离；
步骤4，根据各个非中心工况与各个中心工况之间的离散度距离，将各个非中心工况划分至K类目标工况所在的数据集合，得到K个数据集合；
步骤5，针对每个数据集合，将数据集合中的子工况片段按照时间先后顺序连接成新的数据片段，确定新的数据片段的均值向量和协方差矩阵，并将新的数据片段的均值向量和协方差矩阵，作为该数据集合对应的中心工况更新后的均值向量和协方差矩阵；
步骤6，针对各个中心工况更新后的均值向量和协方差矩阵，重复执行步骤3-5，直至得到的K个数据集合中各个数据集合的均值向量和协方差矩阵的变化幅度小于预设幅度阈值；
在将所述关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段之前，所述方法还包括：
根据预设的关键点数据筛选条件，识别所述关键耐久载荷信号数据的关键点数据；
获取所述目标***总成的关重信号数据通道预设阈值；
在保留所述关键耐久载荷信号数据中的所有关键点数据的前提下，从所述关键耐久载荷信号数据去除小于所述关重信号数据通道预设阈值的信号数据，得到压缩后的所述关键耐久载荷信号数据。
2.如权利要求1所述的方法，其特征在于，当所述目标***总成为电机驱动***总成时，所述获取汽车的目标***总成的关键耐久载荷信号数据，包括：
获取所述电机驱动***总成的关键耐久载荷信号数据，所述关键耐久载荷信号数据包括驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据和差速信号数据。
3.如权利要求2所述的方法，其特征在于，所述获取所述电机驱动***总成的差速信号数据，包括：
获取汽车的左轮轮速信号数据和右轮轮速信号数据；
根据所述左轮轮速信号数据和所述右轮轮速信号数据的差值，确定所述差速信号数据。
4.如权利要求1所述的方法，其特征在于，在获取汽车的目标***总成的关键耐久载荷信号数据之后，在将所述关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段之前，所述方法还包括：
从汽车的车联网***中获取汽车的监测信号数据，所述监测信号数据包括车速信号数据、方向盘信号数据、制动踏板信号数据、轮速信号数据；
根据所述监测信号数据的变化趋势，识别所述关键耐久载荷信号数据中是否存在异常数据；
当所述关键耐久载荷信号数据中存在异常数据时，对异常数据进行修正，并依赖于修正后的异常数据对所述关键耐久载荷信号数据进行更新。
5.一种市场用户的汽车耐久载荷数据处理装置，其特征在于，所述装置包括：
关键耐久载荷信号数据获取模块，用于从TBOX获取汽车的目标***总成的关键耐久载荷信号数据；
子工况片段划分模块，用于按照上次停车车速时刻、车速最大峰值时刻以及到下次停车时刻的时间顺序，将所述关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段，F为正整数；
聚类模块，用于对F个子工况片段进行聚类操作，得到K类目标工况，所述K类目标工况用于对汽车进行耐久试验；
所述聚类模块具体用于执行：
步骤1，确定所述F个子工况片段中每个子工况片段的均值向量和协方差矩阵；
步骤2，从所述F个子工况片段中随机选取K个子工况片段作为K类目标工况的中心工况；
步骤3，根据所述F个子工况片段中各个非中心工况片段的均值向量和协方差矩阵，以及K个中心工况中各个中心工况的均值向量和协方差矩阵，确定各个非中心工况与各个中心工况之间的离散度距离；
步骤4，根据各个非中心工况与各个中心工况之间的离散度距离，将各个非中心工况划分至K类目标工况所在的数据集合，得到K个数据集合；
步骤5，针对每个数据集合，将数据集合中的子工况片段按照时间先后顺序连接成新的数据片段，确定新的数据片段的均值向量和协方差矩阵，并将新的数据片段的均值向量和协方差矩阵，作为该数据集合对应的中心工况更新后的均值向量和协方差矩阵；
步骤6，针对各个中心工况更新后的均值向量和协方差矩阵，重复执行步骤3-5，直至得到的K个数据集合中各个数据集合的均值向量和协方差矩阵的变化幅度小于预设幅度阈值；
所述装置还包括：
关键点数据识别模块，具体用于在将所述关键耐久载荷信号数据中的各种类数据分别划分为F个子工况片段之前，根据预设的关键点数据筛选条件，识别所述关键耐久载荷信号数据的关键点数据；
获取所述目标***总成的关重信号数据通道预设阈值；
在保留所述关键耐久载荷信号数据中的所有关键点数据的前提下，从所述关键耐久载荷信号数据去除小于所述关重信号数据通道预设阈值的信号数据，得到压缩后的所述关键耐久载荷信号数据。
6.如权利要求5所述的装置，其特征在于，所述关键耐久载荷信号数据获取模块，具体用于：
当所述目标***总成为电机驱动***总成时，获取所述电机驱动***总成的关键耐久载荷信号数据，所述关键耐久载荷信号数据包括驱动电机扭矩信号数据、驱动电机转速信号数据、电机水温度信号数据和差速信号数据。
7.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行以实现如权利要求1至4中任一项所述的一种市场用户的汽车耐久载荷数据处理方法。
8.一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行实现如权利要求1至4中任一项所述的一种市场用户的汽车耐久载荷数据处理方法。
CN202210566586.2A 2022-05-24 2022-05-24 一种市场用户的汽车耐久载荷数据处理方法和装置 Active CN114662620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210566586.2A CN114662620B (zh) 2022-05-24 2022-05-24 一种市场用户的汽车耐久载荷数据处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210566586.2A CN114662620B (zh) 2022-05-24 2022-05-24 一种市场用户的汽车耐久载荷数据处理方法和装置

Publications (2)

Publication Number Publication Date
CN114662620A CN114662620A (zh) 2022-06-24
CN114662620B true CN114662620B (zh) 2022-10-21

Family

ID=82037960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210566586.2A Active CN114662620B (zh) 2022-05-24 2022-05-24 一种市场用户的汽车耐久载荷数据处理方法和装置

Country Status (1)

Country Link
CN (1) CN114662620B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841292B (zh) * 2022-07-04 2022-11-01 岚图汽车科技有限公司 一种汽车转向***台架耐久试验载荷的获取方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108919755B (zh) * 2018-06-11 2020-06-16 宁波大学 一种基于多块非线***叉关系模型的分布式故障检测方法
CN109615014B (zh) * 2018-12-17 2023-08-22 清华大学 一种基于kl散度优化的3d物体数据分类***与方法
CN111896274A (zh) * 2020-08-14 2020-11-06 东风汽车集团有限公司 一种两驱电动车型的整车电驱动总成耐久试验制定方法
CN112650063B (zh) * 2020-12-30 2022-04-29 浙江大学 一种基于半监督增量高斯混合回归的自适应软测量方法
CN114136656B (zh) * 2021-11-29 2023-12-08 中国第一汽车股份有限公司 一种纯电动营运汽车电机台架试验工况的构建方法
CN114298184A (zh) * 2021-12-20 2022-04-08 北京理工大学 一种基于机器学习和优化算法的新能源公交工况构建方法

Also Published As

Publication number Publication date
CN114662620A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
Okuda et al. Modeling and analysis of driving behavior based on a probability-weighted ARX model
CN114662620B (zh) 一种市场用户的汽车耐久载荷数据处理方法和装置
Cateni et al. A hybrid feature selection method for classification purposes
US11084499B2 (en) Erroneous operation determination device
CN113239599A (zh) 基于bp神经网络的智能轮胎磨损寿命预估方法及装置
CN114329921A (zh) 一种整车可靠性性能的评估方法、装置、设备和介质
CN111340074B (zh) 基于改进的rbf神经网络的驾驶员制动意图辨识方法
CN115563503A (zh) 基于车辆历史数据的故障预测方法、***和存储介质
Bickel et al. How do digital engineering and included AI based assistance tools change the product development process and the involved engineers
Revanur et al. Embeddings based parallel stacked autoencoder approach for dimensionality reduction and predictive maintenance of vehicles
CN112016756A (zh) 数据预测的方法和装置
CN115675099A (zh) 一种基于驾驶员风格识别的纯电动汽车制动能量回收方法
CN113799788A (zh) 用于处理信号的方法、计算机程序和设备
CN111047142B (zh) 一种基于层次分析法的汽车评分方法及***
CN113433931B (zh) 基于特征工况的汽车can总线关键信号解析方法
Apfelbeck et al. Predicting Subjective Impressions of the Roll Dynamics of Passenger Cars Using Characteristic Values in the Time and Frequency Domains
CN114162132B (zh) 一种基于主客观评价的驾驶模式识别方法
CN115438731A (zh) 一种基于混合采样的公平感知集成模型训练方法
CN110475258B (zh) 一种基站的可靠性评估方法和***
CN115115531A (zh) 图像去噪方法、装置、车辆及存储介质
CN113919189A (zh) 一种基于物理轮胎模型的整车路噪分析方法
Malik et al. Enhancing transportation safety: An integrated approach using FLFS and OSNCA for advanced driving behavior analysis
Zehelein et al. Automotive damper defect detection using novelty detection methods
CN113705961B (zh) 基于车辆动力总成功能的风险等级评估分解方法及装置
US11620817B2 (en) Hardware-accelerated operation of artificial neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant