发明内容
本发明为了解决现有技术中存在的上述至少一个技术问题,提供了一种基于随机预测与机器学习的车辆行驶工况在线识别方法。
本发明采用如下的技术方案实现:一种基于随机预测与机器学习的车辆行驶工况在线识别方法,包括以下步骤:
S101: 数据预处理模块读取车辆的实时行驶数据,包括车速、加速踏板开度和制动踏板开度;
S102:驾驶风格识别模型读取数据预处理模块输出的实时车速、加速踏板开度、加速踏板变化率、制动踏板开度和制动踏板变化率,并输出实时驾驶风格类型;
S103:短期行驶工况预测模型同时读取数据预处理模块输出的实时车速和驾驶风格识别模型输出的实时驾驶风格类型,并输出当前时间点之后一段时间内的预测车速序列;
S104:工况数据合成模块同时读取数据预处理模块输出的当前时间点之前一段时间内的历史车速序列和短期行驶工况预测模型输出的当前时间点之后一段时间内的预测车速序列,并将实时更新的历史车速序列与预测车速序列进行拼接,构建包含有未来工况变化趋势的组合工况数据;
S105:实时行驶工况识别模型读取工况数据合成模块输出的组合工况数据的特征参数,在线识别车辆的实时行驶工况类型。
优选地,步骤S101中,车辆的实时行驶数据通过整车CAN总线读取,历史车速序列通过滑动时间窗的形式实时更新,并将超出时间窗宽度的历史行驶数据舍弃。
优选地,步骤S102中,驾驶风格识别模型基于学习向量量化神经网络LVQNN建立,其中输入层的输入为实时车速、加速踏板开度、加速踏板变化率、制动踏板开度和制动踏板变化率;输出层的输出分别为
三种驾驶风格类型,分别对应温和型、普通型和激进型三种风格。
优选地,步骤S103中,短期行驶工况预测模型采用马尔科夫链随机预测算法建立,马尔科夫链以车速和加速度作为工况状态划分的依据,并依据各个状态间的转移频次构建状态转移概率矩阵;短期行驶工况预测模型的输出经过滤波处理后得到最终的预测车速序列。
优选地,步骤S104中,组合工况数据的总长度等于历史车速序列的长度和预测车速序列的长度之和,且组合工况数据的总长度为固定值,预测车速序列的长度可变,其依据上一预测周期的车速的均方根误差确定。
式中,
为经过滤波处理后的预测车速值,/>
为真实车速值;/>
为预测时域的长度,等于预测车速序列的长度;
设预测时域的长度的最小值为
,最大值为/>
,预测时域的变化步长为/>
,且/>
,/>
为正整数;/>
、/>
为车速的均方根误差的两个预设值;
当上一预测周期的车速的均方根误差
时,若上一预测周期的预测时域的长度小于/>
,则当前预测时域的长度相比上一预测周期增加/>
,否则当前预测时域的长度保持与上一预测周期的长度一致;
当上一预测周期的车速的均方根误差
时,若上一预测周期的预测时域的长度大于/>
,则当前预测时域的长度相比上一预测周期减小/>
,否则当前预测时域的长度保持与上一预测周期的长度一致;
当上一预测周期的车速的均方根误差
,当前预测时域的长度保持与上一预测周期的长度一致。
优选地,预测时域的长度的最小值
为10s,最大值/>
为30s,预测时域的变化步长/>
为5s,预设值/>
为3km/h,预设值/>
为5km/h。
优选地,步骤S105中,实时行驶工况识别模型基于学***均减速度、最大加速度、最大车速、平均行驶车速、低速行驶时间比例、加速时间比例;输出层的输出为
三种实时行驶工况类型,分别对应低速行驶工况、中速行驶工况和高速行驶工况。
优选地,车辆行驶工况在线识别方法中模型的训练和测试过程包括以下步骤:
S201:定义行驶工况类型,根据车速的幅值和车速的变化频率,在标准循环工况库中选取各类行驶工况的典型标准循环工况;
S202:对典型标准循环工况进行片段划分,建立行驶工况数据集,并划分为第一数据集和第二数据集;
S203:将第一数据集作为输入,对驾驶风格识别模型进行训练和测试;
S204:将第一数据集作为输入,计算各种驾驶风格下的马尔科夫状态转移概率矩阵,并获取工况片段末端时刻的预测车速序列;
S205:将第一数据集中的工况片段与其相应的预测车速序列进行组合,构建组合工况数据集;以组合工况数据集作为输入,对实时行驶工况识别模型进行训练和测试;
S206:提取出训练好的模型参数,植入行驶工况识别***的相应模型中,并采用第二数据集进行测试,得到完整的行驶工况识别***。
优选地,行驶工况数据集是由多个典型的标准循环工况经过随机片段划分后得到的大量长度不相等的工况片段构成;
工况片段是通过随机数抽样的方式得到,即对每个标准工况进行起始时间和长度两个方面的二维随机抽样,片段抽取的起始时间
和片段长度/>
表示为:
式中,
为标准工况的时间长度;/>
和/>
为片段长度的最大值和最小值;/>
和
为0到1之间的随机数。
与现有技术相比,本发明的有益效果是:
本发明在传统行驶工况识别方法中加入驾驶风格识别和随机预测算法,实现将历史车速数据和未来车速的预测数据的组合数据作为识别对象,增强识别对象中当前行驶工况的特征,降低工况识别***对历史车速数据的依赖程度,在保证行驶工况识别精度的同时提高识别结果的实时性。将其应用于新能源汽车的能量管理***(EMS)中,可以增强***的自适应性,改善整车的动力性、经济性和使用寿命。
本发明通过选取标准循环工况建立模型训练和测试的数据集,避免了采用真实行驶工况数据建立数据集的复杂过程,提升了工况识别***的开发效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅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是本实施例中行驶工况在线识别方法的流程示意图;
图2是本实施例中数据预处理过程中数据的滚动更新过程示意图;
图3是本实施例中学习向量量化神经网络的结构示意图;
图4是本实施例中短期行驶工况预测模型中马尔科夫状态转移概率矩阵的示意图;
图5是本实施例中预测时域的长度的逻辑切换规则图;
图6是本实施例中工况识别***的训练和测试过程示意图;
图7是本实施例中用于构建工况数据集的各类行驶工况的典型标准循环工况的示意图。
具体实施方式
结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚,完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部实施例。基于本发明的实施例,本领域的普通技术人员在没有做出创造性劳动的前提下所得到的所有其他实施方式,都属于本发明所保护的范围。
须知,本说明书附图所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应落在本发明所揭示的技术内容能涵盖的范围内,需要说明的是,在本说明书中,诸如第一和第二之类的关系术语仅仅用来将一个实体与另外几个实体区分开来,而不一定要求或者暗示这些实体之间存在任何实际的关系或者顺序。
本发明提供了一种实施例:
如图1所示,一种基于随机预测与机器学习的车辆行驶工况在线识别方法,包括以下步骤:
S101: 数据预处理模块读取车辆的实时行驶数据,包括车速、加速踏板开度和制动踏板开度;
S102:驾驶风格识别模型读取数据预处理模块输出的实时车速、加速踏板开度、加速踏板变化率、制动踏板开度和制动踏板变化率,并输出实时驾驶风格类型;
S103:短期行驶工况预测模型同时读取数据预处理模块输出的实时车速和驾驶风格识别模型输出的实时驾驶风格类型,并输出当前时间点之后一段时间内的预测车速序列;
S104:工况数据合成模块同时读取数据预处理模块输出的当前时间点之前一段时间内的历史车速序列和短期行驶工况预测模型输出的当前时间点之后一段时间内的预测车速序列,并将实时更新的历史车速序列与预测车速序列进行拼接,构建包含有未来工况变化趋势的组合工况数据;
S105:实时行驶工况识别模型读取工况数据合成模块输出的组合工况数据的特征参数,在线识别车辆的实时行驶工况类型。
具体的,车辆的实时行驶数据通过整车CAN总线读取,数据预处理模块实时存储和更新历史行驶数据;如图2所示,以车速数据为例,历史车速序列通过滑动时间窗的形式实时更新,假设当前时刻为
,时间窗宽度为/>
,在/>
时刻,数据预处理过程记录的历史车速数据为/>
,并将超出时间窗宽度的历史行驶数据舍弃。本实施例中,设置以1秒的时间间隔不断滚动更新滑动窗口内的车速序列。
驾驶风格识别模型基于学习向量量化神经网络LVQNN-1建立,如图3所示,学习向量量化神经网络包含输入层、竞争层和输出层,其中输入层与竞争层之间为完全连接,输出层的每个神经元只与竞争层中的一组神经元连接。
代表输入层与竞争层之间的连接权值,训练过程中/>
被逐渐调整到聚类中心,/>
代表竞争层和输出层之间的连接权值,其值固定为1。通过计算竞争层神经元与输入向量的距离,判定距离最小的竞争层神经元获胜,与获胜神经元相连的输出神经元输出为1,其它输出神经元为0。
其中输入层的输入为实时车速、加速踏板开度、加速踏板变化率、制动踏板开度和制动踏板变化率,分别对应图1中的
;输出层的输出分别为/>
三种驾驶风格类型,分别对应温和型、普通型和激进型三种风格。设置输入层神经元数量为5,竞争层神经元数量为11,线性输出层神经元数量为3,学习率为0.01,误差阈值为0.01。
短期行驶工况预测模型采用马尔科夫链随机预测算法建立,马尔科夫链以车速和加速度作为工况状态划分的依据,并依据各个状态间的转移频次构建状态转移概率矩阵;以车速和加速度作为工况状态划分的依据,将具有相似行驶状态的采样点分为一个区间,并将每个区间标记为一种状态。选定速度和加速度的范围为0到130km/h和-3到3m/s2,状态区间的间隔分别为1km/h和0.05m/s2。
具体地,模型依据当前车速信息,以预测时域的长度
为最大时间尺度,统计不同时间尺度下行驶工况中各状态之间的转移概率,构建不同时间尺度的多步状态转移概率矩阵,如图4所示,通过在预测第/>
时刻的车速时调用尺度为/>
的概率矩阵来提升不同预测时域下预测车速的精度,各个时间尺度下的转移概率表示为:
式中,
均为状态,/>
表示马尔科夫链在/>
时刻以/>
为时间尺度的一步转移概率。
状态转移概率矩阵
表示在不同的时间尺度/>
下,不同状态间迁移的概率,矩阵中各个元素表示为:
式中,
表示行驶工况中,当预测时长为/>
时,从状态/>
转移到状态/>
的频数;
表示行驶工况中,当预测时长为/>
时,从状态/>
转移到下一时刻任意状态的总和。
依据当前行驶状态
和相应时间尺度的状态转移概率矩阵/>
,通过随机过程决策下一时刻转移到的状态/>
。本实施例中,车速变化的随机性采用蒙特卡洛法进行模拟,即产生一个0到1之间的随机数/>
,满足如下不等式:
式中,
为经过/>
时间后的预测车速;/>
为当前车速,/>
为当前状态/>
到预测状态/>
的车速跨度;/>
为单个车速跨度代表的速度值。
短期行驶工况预测模型的输出经过滤波处理后得到最终的预测车速序列,采用4点均值滤波对预测结果进行平滑处理,消除预测结果中的高频噪声,则滤波后
时刻的车速预测值/>
表示为:
本文设定最大预测时域的长度为30秒,预测时域间隔为1秒。
组合工况数据的总长度等于历史车速序列的长度和预测车速序列的长度之和,且组合工况数据的总长度为固定值,预测车速序列的长度可变,其依据上一预测周期的车速的均方根误差确定。
式中,
为经过滤波处理后的预测车速值,/>
为真实车速值;/>
为预测时域的长度,等于预测车速序列的长度;
设预测时域的长度的最小值为
,最大值为/>
,预测时域的变化步长为/>
,且/>
,/>
为正整数;/>
、/>
为车速的均方根误差的两个预设值;
当上一预测周期的车速的均方根误差
时,若上一预测周期的预测时域的长度小于/>
,则当前预测时域的长度相比上一预测周期增加/>
,否则当前预测时域的长度保持与上一预测周期的长度一致;
当上一预测周期的车速的均方根误差
时,若上一预测周期的预测时域的长度大于/>
,则当前预测时域的长度相比上一预测周期减小/>
,否则当前预测时域的长度保持与上一预测周期的长度一致;
当上一预测周期的车速的均方根误差
,当前预测时域的长度保持与上一预测周期的长度一致。
作为优选的方案,预测时域的长度的最小值
为10s,最大值/>
为30s,预测时域的变化步长/>
为5s,预设值/>
为3km/h,预设值/>
为5km/h,预测时域的长度的逻辑切换规则如图5所示。
实时行驶工况识别模型基于学***均减速度、最大加速度、最大车速、平均行驶车速、低速行驶时间比例、加速时间比例;输出层的输出为
三种实时行驶工况类型,分别对应低速行驶工况、中速行驶工况和高速行驶工况,设置输入层神经元数量等于特征参数数量,竞争层神经元数量为11,线性输出层神经元数量为3,学习率为0.01,误差阈值为0.01。
为了对各种行驶工况类型之间的差异性进行描述,定义了16个特征参数,如表1所示。
为了获得最佳的特征参数组合,避免特征参数过多而引入重复信息,增加***计算量,通过主成分分析(PCA)和大量的对比分析,确定出以平均减速度、最大加速度、最大车速、平均行驶车速、低速行驶时间比例、加速时间比例作为实时行驶工况识别模型的输入。
如图6、图7所示,车辆行驶工况在线识别方法中模型的训练和测试过程包括以下步骤:
S201:定义行驶工况类型,根据车速的幅值和车速的变化频率,在标准循环工况库中选取各类行驶工况的典型标准循环工况;高速工况具有较高的平均行驶车速,且车速的变化频率较低;低速工况的平均行驶车速较低,车速变化频率较高;中速工况的平均行驶车速和车速变化频率均处于中均等水平;
S202:对典型标准循环工况进行片段划分,建立行驶工况数据集,并划分为第一数据集和第二数据集;第一数据集和第二数据集分别占行驶工况数据集的70%和30%。
S203:将第一数据集作为输入,对驾驶风格识别模型进行训练和测试;
S204:将第一数据集作为输入,计算各种驾驶风格下的马尔科夫状态转移概率矩阵,并获取工况片段末端时刻的预测车速序列;
S205:将第一数据集中的工况片段与其相应的预测车速序列进行组合,构建组合工况数据集;以组合工况数据集作为输入,对实时行驶工况识别模型进行训练和测试;
S206:提取出训练好的模型参数,植入行驶工况识别***的相应模型中,并采用第二数据集进行测试,得到完整的行驶工况识别***。
行驶工况数据集是由多个典型的标准循环工况经过随机片段划分后得到的大量长度不相等的工况片段构成;工况片段是通过随机数抽样的方式得到,即对每个标准工况进行起始时间和长度两个方面的二维随机抽样,片段抽取的起始时间
和片段长度/>
表示为:/>
式中,
为标准工况的时间长度;/>
和/>
为片段长度的最大值和最小值;/>
和
为0到1之间的随机数。
驾驶风格的分类指标为各片段的平均车速
,平均加速度/>
,平均加度变化率/>
,平均减速度/>
,平均减速度变化率/>
,各个指标的计算公式为:
式中,
和/>
分别为工况片段中各时刻的速度值和加速度值,/>
为工况片段的数据总数,/>
和/>
分别为工况片段中加速度值大于0和小于0的数据总数。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应该涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。