CN116702096A - 车辆高原环境道路滑行阻力测算方法及装置 - Google Patents
车辆高原环境道路滑行阻力测算方法及装置 Download PDFInfo
- Publication number
- CN116702096A CN116702096A CN202310976673.XA CN202310976673A CN116702096A CN 116702096 A CN116702096 A CN 116702096A CN 202310976673 A CN202310976673 A CN 202310976673A CN 116702096 A CN116702096 A CN 116702096A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parameters
- road
- sliding
- working condition
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 154
- 238000012549 training Methods 0.000 claims abstract description 84
- 238000003062 neural network model Methods 0.000 claims abstract description 80
- 230000006870 function Effects 0.000 claims description 139
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000000691 measurement method Methods 0.000 claims description 10
- 230000005484 gravity Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000013101 initial test Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0028—Force sensors associated with force applying means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- 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
-
- 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种车辆高原环境道路滑行阻力测算方法及装置。本发明涉及数据处理相关技术领域。方法包括:获取多组训练值,每组所述训练值包括工况参数以及权重参数,所述工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数;对神经网络模型进行训练;将待测工况参数输入神经网络模型,得到关于待测工况参数的权重参数预测值,将权重参数预测值代入第一关系函数;将待测车速输入第一关系函数,得到待测车速对应的道路滑行阻力计算值。本发明解决了现有技术难以真正反映高原海拔条件下车辆实际道路滑行阻力的技术问题,实现了对不同环境、不同车辆的车辆滑行阻力的准确预测,提高预测精度。
Description
技术领域
本发明涉及数据处理相关技术领域,特别是一种车辆高原环境道路滑行阻力测算方法、装置、电子设备及存储介质。
背景技术
在实验室转鼓测试条件下,滑行阻力作为轻型汽车排放能耗测试的重要参数,直接影响排放能耗测量值。当前,汽车企业和检测机构仅进行0米海拔和20℃条件下的常规汽车滑行试验,得到该测试条件下的车辆滑行阻力。海拔高度和温度等环境因素对实际道路滑行阻力影响较大,因此需要测试不同海拔高度和温度条件下的滑行阻力。然而滑行试验对道路长度等有具体要求,如长度不小于2.5公里。而在高原海拔环境下,难以找到满足滑行试验长度的滑行道路。因此实际操作中通常在常规汽车滑行试验获得滑行阻力参数的基础上,根据经验乘以一个系数获得其他海拔高度和温度条件下滑行阻力,但是该方法误差较大,难以真正反映高原海拔条件下车辆实际道路滑行阻力。
发明内容
基于此,有必要针对现有技术难以真正反映高原海拔条件下车辆实际道路滑行阻力的技术问题,提供一种车辆高原环境道路滑行阻力测算方法、装置、电子设备及存储介质。
本发明提供一种车辆高原环境道路滑行阻力测算方法,包括:
获取多组训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数,所述工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,所述权重参数为道路滑行阻力与车速的第一关系函数的权重参数,所述第一关系函数为表示道路滑行阻力与车速关系的函数;
以每组所述训练值的所述工况参数作为输入,以所述工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练,得到训练后的神经网络模型,所述训练后的神经网络模型以所述工况参数为输入,输出关于所述工况参数的权重参数预测值;
获取待测工况参数,将所述待测工况参数输入所述神经网络模型,得到关于所述待测工况参数的权重参数预测值,将所述权重参数预测值代入所述第一关系函数,得到关于待测工况参数的第一关系函数;
获取待测车速,将所述待测车速输入关于所述待测工况参数的所述第一关系函数,得到所述待测车速对应的道路滑行阻力计算值。
进一步地,所述获取多组训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数,具体包括:
获取多组工况参数以及在每组所述工况参数下对车辆进行滑行阻力测试得到的测试值,每组所述工况参数包括一个或多个工况参数;
根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力,根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算所述第一关系函数的一个或多个权重参数;
以每组所述工况参数以及对应的权重参数组合为一组所述训练值。
更进一步地,所述根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力,具体包括:
计算每组所述工况参数下不同车速的道路滑行阻力为:
F=μW+½ρCDA[(v+SVx)2+Vy 2];
其中,F为道路滑行阻力,v为车速,μ为滚动阻力系数,W为车辆重力,ρ为空气密度,CD为偏转角非零时空气阻力系数,A为车辆迎风面积,Vx为平行于车辆行驶方向的风速分量,Vy为垂直于车辆行驶方向的风速分量,在Vx与车辆行驶方向相同时S=-1,否则为1。
更进一步地,所述根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算所述第一关系函数的一个或多个权重参数,具体包括:
建立道路滑行阻力与车速的第一关系函数为F = F0+F1v+F2v2,其中,F0、F1、F2为所述权重参数,v为车速。
进一步地,所述环境参数包括:海拔高度、环境温度、空气密度、日照时长、环境湿度,所述车辆参数包括:车辆整备质量、汽车迎风面积,所述滑行道路参数,包括道路长度、最优初始速度,所述滑行阻力测试为:在滑行道路上以所述最优初始速度进行滑行阻力测试,并记录所述环境参数、所述车辆参数以及所述滑行道路参数。
再进一步地,所述方法还包括:
获取所述车辆参数所对应车型在多个海拔高度进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
根据每种车型在每个海拔高度的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度的关于初始速度与滑行距离的第二关系函数,所述第二关系函数为:S=a+bvs+cvs 2,其中vs为所述初始速度,S为所述滑行距离,a,b,c为拟合系数;
获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取所述车辆参数所对应车型的所述第二关系函数;
将所述滑行距离输入所述第二关系函数,得到所述滑行距离对应的初始速度作为所述滑行道路的最优初始速度。
再进一步地,所述滑行道路参数还包括道路类型:
所述获取所述车辆参数所对应车型在多个海拔高度进行多次滑行试验得到的多组试验初始速度以及试验滑行距离,具体包括:获取所述车辆参数所对应车型在多个海拔高度多种道路类型进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
所述根据每种车型在每个海拔高度的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度的关于初始速度与滑行距离的第二关系函数,具体包括:根据每种车型在每个海拔高度每种道路类型的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度每种道路类型的关于初始速度与滑行距离的第二关系函数;
所述获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取所述车辆参数所对应车型的所述第二关系函数,具体包括:获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离、道路类型以及车辆参数,获取所述车辆参数所对应车型在所述海拔高度所述道路类型的关于初始速度与滑行距离的第二关系函数。
本发明提供一种车辆高原环境道路滑行阻力测算装置,包括:
训练值获取模块,用于获取多组训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数,所述工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,所述权重参数为道路滑行阻力与车速的第一关系函数的权重参数,所述第一关系函数为表示道路滑行阻力与车速关系的函数;
训练模块,用于以每组所述训练值的所述工况参数作为输入,以所述工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练,得到训练后的神经网络模型,所述训练后的神经网络模型以所述工况参数为输入,输出关于所述工况参数的权重参数预测值;
预测模块,用于获取待测工况参数,将所述待测工况参数输入所述神经网络模型,得到关于所述待测工况参数的权重参数预测值,将所述权重参数预测值代入所述第一关系函数,得到关于待测工况参数的第一关系函数;
道路滑行阻力计算模块,用于获取待测车速,将所述待测车速输入关于所述待测工况参数的所述第一关系函数,得到所述待测车速对应的道路滑行阻力计算值。
本发明提供一种电子设备,包括:
至少一个处理器;以及,
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被至少一个所述处理器执行的指令,所述指令被至少一个所述处理器执行,以使至少一个所述处理器能够执行如前所述的车辆高原环境道路滑行阻力测算方法。
本发明提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的车辆高原环境道路滑行阻力测算方法的所有步骤。
本发明基于多组训练值训练神经网络模型,得到训练后的神经网络模型,通过将待测工况参数输入神经网络模型,得到关于待测工况参数的权重参数预测值,由于训练值的工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,因此训练后的神经网络模型能够针对不同的高原环境给出对应的权重参数,从而构建满足待测工况参数的第一关系函数,并基于第一关系函数得到待测车速对应的道路滑行阻力计算值。本发明实现了对不同环境、不同车辆的车辆滑行阻力的准确预测,提高预测精度,同时减少训练时间。
附图说明
图1为本发明一实施例一种车辆高原环境道路滑行阻力测算方法的工作流程图;
图2为本发明另一实施例一种车辆高原环境道路滑行阻力测算方法的工作流程图;
图3为本发明一例子中道路滑行阻力与车速以及减速时间之间的关系示意图;
图4本发明一例子提供的一种在海拔为1914米、道路长度为800米(昆明市)的实际道路上进行滑行试验所获得的滑行阻力F与滑行速度的关系与通过神经网络模型预测得到的滑行阻力F与滑行速度的关系对比示意图;
图5为本发明一实施例一种车辆高原环境道路滑行阻力测算装置的示意图;
图6为本发明一种电子设备的硬件结构示意图。
具体实施方式
下面结合附图来进一步说明本发明的具体实施方式。其中相同的零部件用相同的附图标记表示。需要说明的是,下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向,词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
如图1所示为本发明一实施例一种车辆高原环境道路滑行阻力测算方法的工作流程图,包括:
步骤S101,获取多组训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数,所述工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,所述权重参数为道路滑行阻力与车速的第一关系函数的权重参数,所述第一关系函数为表示道路滑行阻力与车速关系的函数;
步骤S102,以每组所述训练值的所述工况参数作为输入,以所述工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练,得到训练后的神经网络模型,所述训练后的神经网络模型以所述工况参数为输入,输出关于所述工况参数的权重参数预测值;
步骤S103,获取待测工况参数,将所述待测工况参数输入所述神经网络模型,得到关于所述待测工况参数的权重参数预测值,将所述权重参数预测值代入所述第一关系函数,得到关于待测工况参数的第一关系函数;
步骤S104,获取待测车速,将所述待测车速输入关于所述待测工况参数的所述第一关系函数,得到所述待测车速对应的道路滑行阻力计算值。
具体来说,本发明可以应用在具有处理能力的电子设备,例如电脑上。
首先,执行步骤S101,获取多组训练值。训练值通过车辆在高原环境下进行滑行阻力测试后得到。
具体地,每组训练值包括一个或多个工况参数以及一个或多个权重参数。其中,工况参数包括环境参数、车辆参数以及滑行道路参数。
在一些实施例中,环境参数包括但不限于:海拔高度、环境温度、空气密度、日照时长、环境湿度;车辆参数,包括但不限于:车辆整备质量、汽车迎风面积;滑行道路参数,包括但不限于:道路长度、最优初始速度。
其中,滑行阻力测试为:在滑行道路上以所述最优初始速度进行滑行阻力测试,并记录滑行阻力测试时的车辆参数、滑行道路参数、环境参数、车速以及滑行阻力测试中不同车速下的测试值。然后根据测试值计算不同车速下的道路滑行阻力,基于车速以及对应的道路滑行阻力确定在该车辆参数、滑行道路参数、环境参数下,道路滑行阻力与车速的第一关系函数。其中,第一关系函数的输入为车速,输出为道路滑行阻力,第一关系函数将车速与权重参数进行计算得到对应的道路滑行阻力。
将该第一关系函数中所包括权重参数与对应的车辆参数、滑行道路参数、环境参数组合为一组训练值。通过改变不同的工况参数,得到不同的权重参数,并组合成多组训练值。
在得到多组训练值后,执行步骤S102,对神经网络模型进行训练。
神经网络模型可以采用现有成熟的神经网络模型进行训练,例如采用反向传播(Back Propagation,BP)神经网络模型。神经网络模型以每组所述训练值的所述工况参数作为输入,以所述工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练。在训练至所输出的权重参数预测值与测量得到的权重参数接近时训练结束。
在训练结束后,得到训练后的神经网络模型。训练后的神经网络模型,以工况参数为输入,输出关于所述工况参数的权重参数预测值。
训练完成后执行步骤S103,获取待测工况参数。待测工况参数为需要进行预测的工况参数。待测工况参数与训练组中的工况参数种类一致,同样包括待测的环境参数、车辆参数以及滑行道路参数。
在一些实施例中,待测的环境参数包括但不限于:待测的海拔高度、环境温度、空气密度;待测的车辆参数,包括但不限于:待测的车辆整备质量、汽车迎风面积;待测的滑行道路参数,包括但不限于:待测的道路长度、最优初始速度。
将待测工况参数输入神经网络模型后,得到神经网络模型输出的对应的权重参数预测值。基于权重参数预测值构建第一关系函数。具体来说,第一关系函数的自变量为车速、因变量为道路滑行阻力,而第一关系函数中用于与自变量进行计算的权重参数则采用神经网络模型预测得到权重参数预测值,从而构建出合适的第一关系函数。
之后执行步骤S104,将待测车速输入构建后的第一关系函数,得到对应的道路滑行阻力计算值。
在工况参数不变的情况下,通过第一关系函数能够得到与车速对应的道路滑行阻力。然而,当工况参数改变,则无法采用原来的第一关系函数进行计算。本发明通过神经网络模型进行预测。然而,如果直接通过神经网络模型预测不同工况参数下不同车速的道路滑行阻力,则需要大量数据,且神经网络模型的训练时间会非常长。因此,本发明并不通过神经网络模型预测道路滑行阻力,而只是预测不同工况参数下的道路滑行阻力与车速关系的第一关系函数的权重参数,然后根据预测出的权重参数预测值,构建对应的第一关系函数。因此,本发明一方面将工况参数与第一关系函数相关联,使得最后计算滑行道路阻力时能够引入工况参数的关系,同时在神经网络模型训练时,无需增加车速作为训练参数,大大减少了训练数据以及训练时间。
本发明基于多组训练值训练神经网络模型,得到训练后的神经网络模型,通过将待测工况参数输入神经网络模型,得到关于待测工况参数的权重参数预测值,由于训练值的工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,因此训练后的神经网络模型能够针对不同的高原环境给出对应的权重参数,从而构建满足待测工况参数的第一关系函数,并基于第一关系函数得到待测车速对应的道路滑行阻力计算值。本发明实现了对不同环境、不同车辆的车辆滑行阻力的准确预测,提高预测精度,同时减少训练时间。
如图2所示为本发明另一实施例中一种车辆高原环境道路滑行阻力测算方法的工作流程图,包括:
步骤S201,获取多组工况参数以及在每组所述工况参数下对车辆进行滑行阻力测试得到的测试值,每组所述工况参数包括一个或多个工况参数,所述工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数。
在其中一个实施例中,所述环境参数包括:海拔高度、环境温度、空气密度、日照时长、环境湿度,所述车辆参数包括:车辆整备质量、汽车迎风面积,所述滑行道路参数,包括道路长度、最优初始速度,所述滑行阻力测试为:在滑行道路上以所述最优初始速度进行滑行阻力测试,并记录所述环境参数、所述车辆参数以及所述滑行道路参数。
在其中一个实施例中,所述方法还包括:
获取所述车辆参数所对应车型在多个海拔高度进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
根据每种车型在每个海拔高度的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度的关于初始速度与滑行距离的第二关系函数,所述第二关系函数为:S=a+bvs+cvs 2,其中vs为所述初始速度,S为所述滑行距离,a,b,c为拟合系数;
获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取所述车辆参数所对应车型的所述第二关系函数;
将所述滑行距离输入所述第二关系函数,得到所述滑行距离对应的初始速度作为所述滑行道路的最优初始速度。
在其中一个实施例中,所述滑行道路参数还包括道路类型:
所述获取所述车辆参数所对应车型在多个海拔高度进行多次滑行试验得到的多组试验初始速度以及试验滑行距离,具体包括:获取所述车辆参数所对应车型在多个海拔高度多种道路类型进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
所述根据每种车型在每个海拔高度的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度的关于初始速度与滑行距离的第二关系函数,具体包括:根据每种车型在每个海拔高度每种道路类型的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度每种道路类型的关于初始速度与滑行距离的第二关系函数;
所述获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取所述车辆参数所对应车型的所述第二关系函数,具体包括:获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离、道路类型以及车辆参数,获取所述车辆参数所对应车型在所述海拔高度所述道路类型的关于初始速度与滑行距离的第二关系函数。
步骤S202,根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力,根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算第一关系函数的一个或多个权重参数,所述权重参数为道路滑行阻力与车速的第一关系函数的权重参数,所述第一关系函数为表示道路滑行阻力与车速关系的函数。
在其中一个实施例中,所述根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力,具体包括:
计算每组所述工况参数下不同车速的道路滑行阻力为:
F=μW+½ρCDA[(v+SVx)2+Vy 2];
其中,F为道路滑行阻力,v为车速,μ为滚动阻力系数,W为车辆重力,ρ为空气密度,CD为偏转角非零时空气阻力系数,A为车辆迎风面积,Vx为平行于车辆行驶方向的风速分量,Vy为垂直于车辆行驶方向的风速分量,在Vx与车辆行驶方向相同时S=-1,否则为1。
在其中一个实施例中,所述根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算所述第一关系函数的一个或多个权重参数,具体包括:
建立道路滑行阻力与车速的第一关系函数为F = F0+F1v+F2v2,其中,F0、F1、F2为所述权重参数,v为车速。
步骤S203,以每组所述工况参数以及对应的权重参数组合为一组所述训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数。
步骤S204,以每组所述训练值的所述工况参数作为输入,以所述工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练,得到训练后的神经网络模型,所述训练后的神经网络模型以所述工况参数为输入,输出关于所述工况参数的权重参数预测值。
步骤S205,获取待测工况参数,将所述待测工况参数输入所述神经网络模型,得到关于所述待测工况参数的权重参数预测值,将所述权重参数预测值代入所述第一关系函数,得到关于待测工况参数的第一关系函数。
步骤S206,获取待测车速,将所述待测车速输入关于所述待测工况参数的所述第一关系函数,得到所述待测车速对应的道路滑行阻力计算值。
具体来说,首先执行步骤S201,获取多组工况参数以及在每组所述工况参数下对车辆进行滑行阻力测试得到的测试值。
其中,测试值为用于计算道路滑行阻力的相关参数的值。
在一些实施例中,测试值包括车速、平行于车辆行驶方向的风速分量以及垂直于车辆行驶方向的风速分量。
在其中一个实施例中,所述滑行道路参数包括滑行距离以及最优初始速度,所述滑行阻力测试为:在滑行道路上以所述最优初始速度进行滑行阻力测试。
具体地,滑行阻力测试是在预先选定的滑行道路上以预设的最优初始速度作为被测车辆的初始速度,让车辆滑行以进行测试。
在其中一个实施例中,所述方法还包括:
获取所述车辆参数所对应车型在多个海拔高度进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
根据每种车型在每个海拔高度的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度的关于初始速度与滑行距离的第二关系函数,所述第二关系函数为:S=a+bvs+cvs 2,其中vs为所述初始速度,S为所述滑行距离,a,b,c为拟合系数;
获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取所述车辆参数所对应车型的所述第二关系函数;
将所述滑行距离输入所述第二关系函数,得到所述滑行距离对应的初始速度作为所述滑行道路的最优初始速度。
本实施例通过多组试验初始速度以及试验滑行距离拟合不同车型不同海拔高度的第二关系函数,从而在其他不同环境下,能够确定合适的最优初始速度。
在计算之前可以先确定实际道路的最优滑行初始速度Vmax,具体地:
(一)在某一海拔点选择一条满足汽车滑行试验方法要求的测试道路L1。测试道路L1长度记为S,单位米。其中建议选择的道路长度S≥500m。
(二)确定道路L1开展滑行试验的最优初始速度Vmax。
①假设“汽车道路滑行距离”公式为S=a+bvs+cvs 2(1)。
式中:a为常数(m);b、c分别为滑行距离的速度影响系数(m /(km.h-1))。
②在滑行道路上,以不同的初始速度进行多次滑行试验。滑行试验的初始速度vs从10km/h开始,以速度增量Δv逐次递增,直至滑行距离超出S为止,试验中分别记录试验初始速度Vs,n和对应的试验滑行距离Sn。式中:n为滑行试验次数,如vs,1=10km/h、vs,2=15km/h等。
此外,速度增量Δv为自定义量,优先选择在2.5~10km/h,优选为5km/h。
③在②测试基础上,对于公式(1)采用回归分析方法,利用最小二乘法确定上述相关系数a、b、c,得到该车型在该海拔高度的实际道路滑行距离的拟合曲线,该拟合曲线对应的函数则为该车型在该海拔高度的关于初始速度与滑行距离的第二关系函数。
通过选择不同的海拔高度,不同的车型在不同道路的测试,则能作出不同车型在不同海拔高度下的关于初始速度与滑行距离的第二关系函数。
当确定了滑行阻力测试后,获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取进行所述滑行阻力测试的所述车辆参数所对应车型的所述第二关系函数。然后,根据滑行阻力测试的测试道路的滑行距离S,利用公式(1)获得该道路最优初始速度vmax。对于得到的vmax数据,优选地,以增长方式取值5的整数倍数的最接近值,如vmax=41.7km/h,则取值45km/h。
在其中一个实施例中,所述滑行道路参数还包括道路类型:
所述获取所述车辆参数所对应车型在多个海拔高度进行多次滑行试验得到的多组试验初始速度以及试验滑行距离,具体包括:获取所述车辆参数所对应车型在多个海拔高度多种道路类型进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
所述根据每种车型在每个海拔高度的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度的关于初始速度与滑行距离的第二关系函数,具体包括:根据每种车型在每个海拔高度每种道路类型的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度每种道路类型的关于初始速度与滑行距离的第二关系函数;
所述获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取进行所述滑行阻力测试的所述车辆参数所对应车型的所述第二关系函数,具体包括:获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离、道路类型以及车辆参数,获取所述车辆参数所对应车型在所述海拔高度所述道路类型的关于初始速度与滑行距离的第二关系函数。
相同的初始速度,在不同的道路类型中的滑行距离不同。因此,本实施例增加道路类型,以获得更为准确的最优初始速度。
在一些实施例中,道路类型包括但不限于:沥青路面类型、混凝土路面类型。
然后执行步骤S202,根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力。
在其中一个实施例中,所述根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力,具体包括:
计算每组所述工况参数下不同车速的道路滑行阻力为:
F=μW+½ρCDA[(v+SVx)2+Vy 2](2);
其中,F为道路滑行阻力,v为车速,μ为滚动阻力系数,W为车辆重力,ρ为空气密度,CD为偏转角非零时空气阻力系数,A为车辆迎风面积,Vx为平行于车辆行驶方向的风速分量,Vy为垂直于车辆行驶方向的风速分量,在Vx与车辆行驶方向相同时S=-1,否则为1。
如图3所示为本发明一例子中道路滑行阻力与车速以及减速时间之间的关系示意图,其中,包括道路滑行阻力与滑行试验速度的第一关系曲线31以及减速时间与滑行试验速度的第二关系曲线32。可以看出,道路滑行阻力与滑行试验速度(即车速)直接相关,因此,可以根据车速计算道路滑行阻力。
具体来说,采用如下方式确定某一海拔点、某一测试道路的道路滑行阻力。
(一)记录环境参数和车辆参数作为工况参数
①记录环境参数,包括但不限于:海拔高度、环境温度、空气密度;
②记录车辆参数,包括但不限于:车辆整备质量、汽车迎风面积;
③记录滑行道路参数,包括但不限于:道路长度、最优初始速度。
(二)测算得到实际道路的道路滑行阻力
以上述获得的Vmax为滑行试验初始速度,按照标准要求在测试道路进行往返不少于3次滑行阻力测试,得到测试值,然后计算:
F=μW+½ρCDA[(v+SVx)2+Vy 2];
式中:F为道路滑行阻力,v为车速,μ为滚动阻力系数,W为车辆重力,ρ为空气密度,CD为偏转角非零时空气阻力系数,A为车辆迎风面积,Vx为平行于车辆行驶方向的风速分量,Vy为垂直于车辆行驶方向的风速分量,在Vx与车辆行驶方向相同时S=-1,否则为1。
其中,车速v、平行于车辆行驶方向的风速分量Vx、垂直于车辆行驶方向的风速分量Vy为通过滑行阻力测试得到的测试值。
然后执行步骤S203,根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算第一关系函数的一个或多个权重参数。
具体来说,权重参数为道路滑行阻力与车速的第一关系函数的权重参数,所述第一关系函数为表示道路滑行阻力与车速关系的函数。
在其中一个实施例中,所述根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算所述第一关系函数的一个或多个权重参数,具体包括:
建立道路滑行阻力与车速的第一关系函数为F = F0+F1v+F2v2,其中,F0、F1、F2为所述权重参数,v为车速。
具体来说,第一关系函数优选为一个二次函数:F = F0+F1v+F2v2(3);
其中,F0、F1、F2为所述权重参数,v为车速,F为道路滑行阻力。
对每组所述工况参数下进行的道路滑行测试,将滑行阻力测试过程中的车速v与根据前述公式(2)计算得到的道路滑行阻力,代入道路滑行阻力与车速的第一关系函数,即公式(3),然后采用回归分析方法和最小二乘法,计算得到其中的权重参数F0、F1、F2。
然后执行步骤S204,以每组所述工况参数以及对应的权重参数组合为一组所述训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数。
具体来说,建立不同工况参数以及对应的权重参数的数据库。例如建立不同车型、不同高原海拔环境、不同道路下的数据库。优选地:
根据GB18352.6国六标准中高原海拔拓展要求,在0~2400米等至少选择3个海拔点进行滑行试验,获得相应条件下的测试值。然后根据环境参数、车辆参数、滑行道路参数等数据,利用前述公式(2)获得相应的道路滑行阻力。
之后,根据道路滑行阻力以及对应的车速拟合公式(3),从而得出相应的权重参数F0、F1、F2。
最后,以环境参数为动态变量和输入参数,以车辆参数、滑行道路参数作为固定变量和输入参数,对应条件下获得的权重参数F0、F1、F2作为输出参数,建立多维度数据关联的“高原海拔环境滑行阻力参数”数据库。该数据库中的一组工况参数与对应的权重参数即为一组训练值。
步骤S205,以每组所述训练值的所述工况参数作为输入,以所述工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练,得到训练后的神经网络模型,所述训练后的神经网络模型以所述工况参数为输入,输出关于所述工况参数的权重参数预测值。
具体地,利用神经网络模型方法进行训练。神经网络模型以工况参数即环境参数、车辆参数、滑行道路参数作为输入,输出权重参数预测值。具体地,基于实际道路滑行阻力测试获得的不同工况参数下的权重参数,以每组训练值的工况参数作为输入,以工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练,对输入参数与输出参数间关系进行校准修正,训练和修正神经网络模型。
之后,可以进行验证。例如选择其他不少于3个海拔点及环境条件开展实际道路滑行阻力测试,获得实际权重参数;同时将海拔及环境条件等工况参数输入训练后的神经网络模型,得到输出的权重参数预测值。经对实际权重参数与权重参数预测值数据进行比较,如果数据偏差均处于±10%范围之内,则可以认为神经网络模型训练有效。
最后,将训练后的神经网络模型用于预测,执行步骤S206,获取待测工况参数,将所述待测工况参数输入所述神经网络模型,得到关于所述待测工况参数的权重参数预测值。
得到的权重参数预测值用于构建道路滑行阻力与车速的第一关系函数。例如将权重参数预测值F0、F1、F2代入前述公式(3)的第一关系函数,得到关于待测工况参数的第一关系函数。
执行步骤S207,获取待测车速,将所述待测车速输入关于所述待测工况参数的所述第一关系函数,得到所述待测车速对应的道路滑行阻力计算值。
在得到关于待测工况参数的第一关系函数后,将需要计算的待测车速代入关于待测工况参数的第一关系函数,则计算出待测工况参数下各种待测车速对应的道路滑行阻力。
图4是本发明一例子提供的一种在海拔为1914米、道路长度为800米(昆明市)的实际道路上进行滑行试验所获得的滑行阻力F与滑行速度的关系与通过神经网络模型预测得到的滑行阻力F与滑行速度的关系对比示意图;
本发明实施例提供的高原环境下车辆滑行阻力测算方法实现了任意条件下车辆滑行阻力的准确测算,例如针对高海拔环境等不便于开展实车滑行试验的环境,也可以测算出较准确的车辆滑行阻力。本发明实施例提供的高原环境下车辆滑行阻力测算方法可以由电子设备执行。
示例性的,参考如图4所示的一种在海拔为1914米、道路长度为800米(昆明市)的实际道路上进行滑行试验所获得的滑行阻力F与滑行速度的关系与通过神经网络模型预测得到的滑行阻力F与滑行速度的关系对比示意图。其中的曲线401表示在海拔为1914米、道路长度为800米(昆明市)的实际道路上进行滑行试验所获得的不同速度下的滑行阻力点拟合成的二次曲线(表达式为F =F0+F1×v+ F2×v2,图4中具体表示为y=0.07772x2-0.4407x+24.576),其中的R2=0.9941;曲线402表示通过神经网络模型预测得到的二次曲线,曲线402的权重参数由神经网络模型预测得到(图4中具体表示为y=0.0717x2-0.3865x+29.473)。从图4可以看到,通过神经网络模型预测得到的曲线402与进行滑行试验得到的曲线401基本一致。
本实施例通过建立第一关系函数并通过神经网络模型,确定第一关系函数的权重参数,然后构建第一关系函数,以计算具体的道路滑行阻力,大大减少了所需要的训练数据,提高训练效率。
基于相同的发明构思,如图5所示为本发明一实施例一种车辆高原环境道路滑行阻力测算装置的示意图,包括:
训练值获取模块501,用于获取多组训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数,所述工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,所述权重参数为道路滑行阻力与车速的第一关系函数的权重参数,所述第一关系函数为表示道路滑行阻力与车速关系的函数;
训练模块502,用于以每组所述训练值的所述工况参数作为输入,以所述工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练,得到训练后的神经网络模型,所述训练后的神经网络模型以所述工况参数为输入,输出关于所述工况参数的权重参数预测值;
预测模块503,用于获取待测工况参数,将所述待测工况参数输入所述神经网络模型,得到关于所述待测工况参数的权重参数预测值,将所述权重参数预测值代入所述第一关系函数,得到关于待测工况参数的第一关系函数;
道路滑行阻力计算模块504,用于获取待测车速,将所述待测车速输入关于所述待测工况参数的所述第一关系函数,得到所述待测车速对应的道路滑行阻力计算值。
本发明基于多组训练值训练神经网络模型,得到训练后的神经网络模型,通过将待测工况参数输入神经网络模型,得到关于待测工况参数的权重参数预测值,由于训练值的工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,因此训练后的神经网络模型能够针对不同的高原环境给出对应的权重参数,从而构建满足待测工况参数的第一关系函数,并基于第一关系函数得到待测车速对应的道路滑行阻力计算值。本发明实现了对不同环境、不同车辆的车辆滑行阻力的准确预测,提高预测精度,同时减少训练时间。
在其中一个实施例中,所述获取多组训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数,具体包括:
获取多组工况参数以及在每组所述工况参数下对车辆进行滑行阻力测试得到的测试值,每组所述工况参数包括一个或多个工况参数;
根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力,根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算所述第一关系函数的一个或多个权重参数;
以每组所述工况参数以及对应的权重参数组合为一组所述训练值。
在其中一个实施例中,所述根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力,具体包括:
计算每组所述工况参数下不同车速的道路滑行阻力为:
F=μW+½ρCDA[(v+SVx)2+Vy 2];
其中,F为道路滑行阻力,v为车速,μ为滚动阻力系数,W为车辆重力,ρ为空气密度,CD为偏转角非零时空气阻力系数,A为车辆迎风面积,Vx为平行于车辆行驶方向的风速分量,Vy为垂直于车辆行驶方向的风速分量,在Vx与车辆行驶方向相同时S=-1,否则为1。
在其中一个实施例中,所述根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算所述第一关系函数的一个或多个权重参数,具体包括:
建立道路滑行阻力与车速的第一关系函数为F = F0+F1v+F2v2,其中,F0、F1、F2为所述权重参数,v为车速。
在其中一个实施例中,所述环境参数包括:海拔高度、环境温度、空气密度、日照时长、环境湿度,所述车辆参数包括:车辆整备质量、汽车迎风面积,所述滑行道路参数,包括道路长度、最优初始速度,所述滑行阻力测试为:在滑行道路上以所述最优初始速度进行滑行阻力测试,并记录所述环境参数、所述车辆参数以及所述滑行道路参数。
在其中一个实施例中,所述装置还包括最优初始速度计算模块,用于:
获取所述车辆参数所对应车辆在多个海拔高度进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
根据每种车辆在每个海拔高度的多组所述试验初始速度以及所述试验滑行距离,确定每种车辆在每个海拔高度的关于初始速度与滑行距离的第二关系函数,所述第二关系函数为:S=a+bvs+cvs 2,其中vs为所述初始速度,S为所述滑行距离,a,b,c为拟合系数;
获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取所述车辆参数所对应车辆的所述第二关系函数;
将所述滑行距离输入所述第二关系函数,得到所述滑行距离对应的初始速度作为所述滑行道路的最优初始速度。
在其中一个实施例中,所述滑行道路参数还包括道路类型,所述最优初始速度计算模块,具体用于:
获取所述车辆参数所对应车型在多个海拔高度多种道路类型进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
根据每种车型在每个海拔高度每种道路类型的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度每种道路类型的关于初始速度与滑行距离的第二关系函数;
获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离、道路类型以及车辆参数,获取所述车辆参数所对应车型在所述海拔高度所述道路类型的关于初始速度与滑行距离的第二关系函数;
将所述滑行距离输入所述第二关系函数,得到所述滑行距离对应的初始速度作为所述滑行道路的最优初始速度。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
如图6所示为本发明一种电子设备的硬件结构示意图,包括:
至少一个处理器601;以及,
与至少一个所述处理器601通信连接的存储器602;其中,
所述存储器602存储有可被至少一个所述处理器执行的指令,所述指令被至少一个所述处理器执行,以使至少一个所述处理器能够执行如前所述的车辆高原环境道路滑行阻力测算方法。
图6中以一个处理器601为例。
电子设备还可以包括:输入装置603和显示装置604。
处理器601、存储器602、输入装置603及显示装置604可以通过总线或者其他方式连接,图中以通过总线连接为例。
存储器602作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的车辆高原环境道路滑行阻力测算方法对应的程序指令/模块,例如,图1、图2、图3所示的方法流程。处理器601通过运行存储在存储器602中的非易失性软件程序、指令以及模块,从而执行各种功能应用以及数据处理,即实现上述实施例中的车辆高原环境道路滑行阻力测算方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据车辆高原环境道路滑行阻力测算方法的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至执行车辆高原环境道路滑行阻力测算方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置603可接收输入的用户点击,以及产生与车辆高原环境道路滑行阻力测算方法的用户设置以及功能控制有关的信号输入。显示装置604可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器602中,当被所述一个或者多个处理器601运行时,执行上述任意方法实施例中的车辆高原环境道路滑行阻力测算方法。
本发明基于多组训练值训练神经网络模型,得到训练后的神经网络模型,通过将待测工况参数输入神经网络模型,得到关于待测工况参数的权重参数预测值,由于训练值的工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,因此训练后的神经网络模型能够针对不同的高原环境给出对应的权重参数,从而构建满足待测工况参数的第一关系函数,并基于第一关系函数得到待测车速对应的道路滑行阻力计算值。本发明实现了对不同环境、不同车辆的车辆滑行阻力的准确预测,提高预测精度,同时减少训练时间。
本发明一实施例提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的车辆高原环境道路滑行阻力测算方法的所有步骤。
在本公开的上下文中,存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。存储介质可以是机器可读信号介质或机器可读储存介质。可选地,存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RandomAccess Memory,RAM)、光盘只读存储器(Compact Disc ROM,CD-ROM)、磁带、软盘和光数据存储设备等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车辆高原环境道路滑行阻力测算方法,其特征在于,包括:
获取多组训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数,所述工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,所述权重参数为道路滑行阻力与车速的第一关系函数的权重参数,所述第一关系函数为表示道路滑行阻力与车速关系的函数;
以每组所述训练值的所述工况参数作为输入,以所述工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练,得到训练后的神经网络模型,所述训练后的神经网络模型以所述工况参数为输入,输出关于所述工况参数的权重参数预测值;
获取待测工况参数,将所述待测工况参数输入所述神经网络模型,得到关于所述待测工况参数的权重参数预测值,将所述权重参数预测值代入所述第一关系函数,得到关于待测工况参数的第一关系函数;
获取待测车速,将所述待测车速输入关于所述待测工况参数的所述第一关系函数,得到所述待测车速对应的道路滑行阻力计算值。
2.根据权利要求1所述的车辆高原环境道路滑行阻力测算方法,其特征在于,所述获取多组训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数,具体包括:
获取多组工况参数以及在每组所述工况参数下对车辆进行滑行阻力测试得到的测试值,每组所述工况参数包括一个或多个工况参数;
根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力,根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算所述第一关系函数的一个或多个权重参数;
以每组所述工况参数以及对应的权重参数组合为一组所述训练值。
3.根据权利要求2所述的车辆高原环境道路滑行阻力测算方法,其特征在于,所述根据所述测试值计算每组所述工况参数下不同车速的道路滑行阻力,具体包括:
计算每组所述工况参数下不同车速的道路滑行阻力为:
F=μW+½ρCDA[(v+SVx)2+Vy 2];
其中,F为道路滑行阻力,v为车速,μ为滚动阻力系数,W为车辆重力,ρ为空气密度,CD为偏转角非零时空气阻力系数,A为车辆迎风面积,Vx为平行于车辆行驶方向的风速分量,Vy为垂直于车辆行驶方向的风速分量,在Vx与车辆行驶方向相同时S=-1,否则为1。
4.根据权利要求2所述的车辆高原环境道路滑行阻力测算方法,其特征在于,所述根据每组所述工况参数下不同车速的道路滑行阻力与对应车速计算所述第一关系函数的一个或多个权重参数,具体包括:
建立道路滑行阻力与车速的第一关系函数为F= F0+F1v+F2v2,其中,F0、F1、F2为所述权重参数,v为车速。
5.根据权利要求1所述的车辆高原环境道路滑行阻力测算方法,其特征在于,所述环境参数包括:海拔高度、环境温度、空气密度、日照时长、环境湿度,所述车辆参数包括:车辆整备质量、汽车迎风面积,所述滑行道路参数,包括道路长度、最优初始速度,所述滑行阻力测试为:在滑行道路上以所述最优初始速度进行滑行阻力测试,并记录所述环境参数、所述车辆参数以及所述滑行道路参数。
6.根据权利要求5所述的车辆高原环境道路滑行阻力测算方法,其特征在于,所述方法还包括:
获取所述车辆参数所对应车型在多个海拔高度进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
根据每种车型在每个海拔高度的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度的关于初始速度与滑行距离的第二关系函数,所述第二关系函数为:S=a+bvs+cvs 2 ,其中vs为所述初始速度,S为所述滑行距离,a,b,c为拟合系数;
获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取所述车辆参数所对应车型的所述第二关系函数;
将所述滑行距离输入所述第二关系函数,得到所述滑行距离对应的初始速度作为所述滑行道路的最优初始速度。
7.根据权利要求6所述的车辆高原环境道路滑行阻力测算方法,其特征在于,所述滑行道路参数还包括道路类型:
所述获取所述车辆参数所对应车型在多个海拔高度进行多次滑行试验得到的多组试验初始速度以及试验滑行距离,具体包括:获取所述车辆参数所对应车型在多个海拔高度多种道路类型进行多次滑行试验得到的多组试验初始速度以及试验滑行距离;
所述根据每种车型在每个海拔高度的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度的关于初始速度与滑行距离的第二关系函数,具体包括:根据每种车型在每个海拔高度每种道路类型的多组所述试验初始速度以及所述试验滑行距离,确定每种车型在每个海拔高度每种道路类型的关于初始速度与滑行距离的第二关系函数;
所述获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离以及车辆参数,获取所述车辆参数所对应车型的所述第二关系函数,具体包括:获取进行所述滑行阻力测试的海拔高度、滑行道路的滑行距离、道路类型以及车辆参数,获取所述车辆参数所对应车型在所述海拔高度所述道路类型的关于初始速度与滑行距离的第二关系函数。
8.一种车辆高原环境道路滑行阻力测算装置,其特征在于,包括:
训练值获取模块,用于获取多组训练值,每组所述训练值包括一个或多个工况参数以及一个或多个权重参数,所述工况参数为车辆在高原环境下进行滑行阻力测试的环境参数、车辆参数以及滑行道路参数,所述权重参数为道路滑行阻力与车速的第一关系函数的权重参数,所述第一关系函数为表示道路滑行阻力与车速关系的函数;
训练模块,用于以每组所述训练值的所述工况参数作为输入,以所述工况参数下测量得到的权重参数作为目标值对神经网络模型进行训练,得到训练后的神经网络模型,所述训练后的神经网络模型以所述工况参数为输入,输出关于所述工况参数的权重参数预测值;
预测模块,用于获取待测工况参数,将所述待测工况参数输入所述神经网络模型,得到关于所述待测工况参数的权重参数预测值,将所述权重参数预测值代入所述第一关系函数,得到关于待测工况参数的第一关系函数;
道路滑行阻力计算模块,用于获取待测车速,将所述待测车速输入关于所述待测工况参数的所述第一关系函数,得到所述待测车速对应的道路滑行阻力计算值。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与至少一个所述处理器通信连接的存储器;其中,
所述存储器存储有可被至少一个所述处理器执行的指令,所述指令被至少一个所述处理器执行,以使至少一个所述处理器能够执行如权利要求1至7任一项所述的车辆高原环境道路滑行阻力测算方法。
10.一种存储介质,其特征在于,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如权利要求1至7任一项所述的车辆高原环境道路滑行阻力测算方法的所有步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310976673.XA CN116702096B (zh) | 2023-08-04 | 2023-08-04 | 车辆高原环境道路滑行阻力测算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310976673.XA CN116702096B (zh) | 2023-08-04 | 2023-08-04 | 车辆高原环境道路滑行阻力测算方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116702096A true CN116702096A (zh) | 2023-09-05 |
CN116702096B CN116702096B (zh) | 2023-10-03 |
Family
ID=87832553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310976673.XA Active CN116702096B (zh) | 2023-08-04 | 2023-08-04 | 车辆高原环境道路滑行阻力测算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702096B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074046A (zh) * | 2023-10-12 | 2023-11-17 | 中汽研汽车检验中心(昆明)有限公司 | 高原环境下汽车实验室排放测试方法及装置 |
CN117951924A (zh) * | 2024-03-27 | 2024-04-30 | 中汽研汽车检验中心(昆明)有限公司 | 一种高原环境下汽车性能的分析方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729671A (zh) * | 2017-10-25 | 2018-02-23 | 西安科技大学 | 一种基于支持向量机的矿井巷道摩擦阻力系数预测方法 |
CN109159783A (zh) * | 2018-08-23 | 2019-01-08 | 北京理工大学 | 一种针对分布式电驱动履带车辆的地面参量估计方法 |
CN111707343A (zh) * | 2020-06-23 | 2020-09-25 | 北京经纬恒润科技有限公司 | 一种确定车辆重量的方法及装置 |
CN112033697A (zh) * | 2020-09-07 | 2020-12-04 | 东风汽车集团有限公司 | 一种基于道路滑行阻力测试的风阻分析方法 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
WO2021227086A1 (zh) * | 2020-05-15 | 2021-11-18 | 华为技术有限公司 | 获取车辆滚动阻力系数的方法及装置 |
CN113779894A (zh) * | 2021-10-07 | 2021-12-10 | 北京航空航天大学 | 基于神经网络的管内碳氢燃料传热和阻力系数的预测方法 |
CN113849910A (zh) * | 2021-09-23 | 2021-12-28 | 四川大学 | 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 |
CN115855529A (zh) * | 2022-12-23 | 2023-03-28 | 中国重汽集团设计研究院有限公司 | 一种基于底盘测功机和环境仓的热管理试验方法及*** |
CN116484495A (zh) * | 2023-03-21 | 2023-07-25 | 西安交通大学 | 一种基于试验设计的气动数据融合建模方法 |
-
2023
- 2023-08-04 CN CN202310976673.XA patent/CN116702096B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729671A (zh) * | 2017-10-25 | 2018-02-23 | 西安科技大学 | 一种基于支持向量机的矿井巷道摩擦阻力系数预测方法 |
CN109159783A (zh) * | 2018-08-23 | 2019-01-08 | 北京理工大学 | 一种针对分布式电驱动履带车辆的地面参量估计方法 |
WO2021103625A1 (zh) * | 2019-11-25 | 2021-06-03 | 北京理工大学 | 一种基于前车与自车互动的短期车速工况实时预测方法 |
WO2021227086A1 (zh) * | 2020-05-15 | 2021-11-18 | 华为技术有限公司 | 获取车辆滚动阻力系数的方法及装置 |
CN111707343A (zh) * | 2020-06-23 | 2020-09-25 | 北京经纬恒润科技有限公司 | 一种确定车辆重量的方法及装置 |
CN112033697A (zh) * | 2020-09-07 | 2020-12-04 | 东风汽车集团有限公司 | 一种基于道路滑行阻力测试的风阻分析方法 |
CN113849910A (zh) * | 2021-09-23 | 2021-12-28 | 四川大学 | 一种基于Dropout的BiLSTM网络机翼阻力系数预测方法 |
CN113779894A (zh) * | 2021-10-07 | 2021-12-10 | 北京航空航天大学 | 基于神经网络的管内碳氢燃料传热和阻力系数的预测方法 |
CN115855529A (zh) * | 2022-12-23 | 2023-03-28 | 中国重汽集团设计研究院有限公司 | 一种基于底盘测功机和环境仓的热管理试验方法及*** |
CN116484495A (zh) * | 2023-03-21 | 2023-07-25 | 西安交通大学 | 一种基于试验设计的气动数据融合建模方法 |
Non-Patent Citations (6)
Title |
---|
TONGJIN WEI 等: "Trans-media resistance investigation of hybrid aerial underwater vehicle base on hydrodynamic experiments and machine learning", 《OCEAN ENGINEERING》, pages 1 - 22 * |
朱佳葆: "基于遗传算法和BP神经网络的车辆滑行阻力预测", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 035 - 134 * |
李井辉;申静波;闫铁;逯广东;刘珊珊;: "基于BP神经网络的摩擦系数预测方法研究", 《数学的实践与认识》, vol. 45, no. 23, pages 179 - 185 * |
连静;刘爽;李琳辉;周雅夫;杨帆;袁鲁山;: "插电式混合动力汽车车速预测及整车控制策略", 《控制理论与应用》, vol. 34, no. 05, pages 564 - 574 * |
郭晓年: "高海拔下轻型汽油车油耗及排放特性研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, pages 035 - 502 * |
魏宁;刘剑;: "基于BP神经网络的矿井摩擦阻力系数预测", 《矿业安全与环保》, vol. 45, no. 01, pages 57 - 60 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117074046A (zh) * | 2023-10-12 | 2023-11-17 | 中汽研汽车检验中心(昆明)有限公司 | 高原环境下汽车实验室排放测试方法及装置 |
CN117074046B (zh) * | 2023-10-12 | 2024-01-02 | 中汽研汽车检验中心(昆明)有限公司 | 高原环境下汽车实验室排放测试方法及装置 |
CN117951924A (zh) * | 2024-03-27 | 2024-04-30 | 中汽研汽车检验中心(昆明)有限公司 | 一种高原环境下汽车性能的分析方法及*** |
CN117951924B (zh) * | 2024-03-27 | 2024-07-12 | 中汽研汽车检验中心(昆明)有限公司 | 一种高原环境下汽车性能的分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN116702096B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116702096B (zh) | 车辆高原环境道路滑行阻力测算方法及装置 | |
US8874367B2 (en) | Method for estimating and displaying range of a vehicle | |
CN111806240B (zh) | 一种基于中国工况的电动汽车续驶里程预测方法 | |
US8989999B2 (en) | Vehicle range analysis using driving environment information with optional continuous averaging | |
CN110414803B (zh) | 不同网联程度下自动驾驶***智能水平的测评方法及装置 | |
JP5980170B2 (ja) | シミュレーション装置、シミュレーション方法及びプログラム | |
CN109033643B (zh) | 基于灵敏度分析的汽车操稳性瞬态性能参数优化方法 | |
CN105136264A (zh) | 一种基于多站点联合称重的重量获取方法及装置、称重*** | |
CN111024404A (zh) | 一种车辆道路阻力的测量方法、装置、设备及*** | |
CN105930565A (zh) | 基于线性策略的交叉熵算法的交通仿真模型参数标定方法 | |
CN108287076B (zh) | 一种阻力曲线的测试方法及装置 | |
CN108171975B (zh) | 一种基于路段和交叉口分布的城市汽车运行速度预测方法 | |
CN117074046B (zh) | 高原环境下汽车实验室排放测试方法及装置 | |
CN114384547A (zh) | 一种基于雷达传感器模型的保真度检测的评估方法及*** | |
JP2020109386A (ja) | モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム | |
US9086334B2 (en) | Method of determining the stress that should be applied to a tyre during a high-efficiency indoor endurance test | |
CN113389115A (zh) | 车辆特性和路面平整度检测方法、装置、设备及存储介质 | |
Shaw et al. | Instantaneous fuel consumption estimation using smartphones | |
CN109342078B (zh) | 电动四驱车型的经济性测试方法、装置及测试装置 | |
CN109990858B (zh) | 柴油-甲醇双燃料商用车燃料经济性计算方法及装置 | |
CN110160802A (zh) | 汽车爬坡车速测量方法及电子设备 | |
JP7320755B2 (ja) | 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム | |
CN112347558A (zh) | 一种基于概率波的闭环优化方法、***、电子设备和介质 | |
CN112364561B (zh) | 控车动作修正方法、装置、电子设备和存储介质 | |
CN114969962B (zh) | 车辆rde排放恶劣工况的生成方法、装置、设备及存储介质 |
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 |