打开文本图片集
摘 要：采用企业车辆运行大数据为数据来源，进行典型重卡工况构建方法的研究。通过K均值聚类分析方法进行实测数据的处理，优化初始聚类中心选取保证聚类的可靠性和收敛性，提出以速度区间进行划分运动学片段，更加客观的表征工况特征。并通过马尔可夫原理实现特征工况的构建，最后通过试验验证了该工况构建方法的可行性和精准性。
关键词：汽车行驶工况;K-均值聚类分析;马尔可夫原理;运动学片段中图分类号：U467 文献标识码：A 文章编号：1671-7988（2019）20-61-03
Research on Driving Cycle of Heavy Truck Based on Big Data
Yang Chen， Liu Linlei
（ Shaanxi Automobile Group Co.， Lt， Shaanxi Xi’an 710021 ）
Abstract： The big data of enterprise vehicle operation is used as the data source to study the construction method of typical heavy truck driving cycle. The dimension reduction of measured data was carried out by k-means clustering analysis method， the selection of primary clustering center was optimized to ensure the reliability and convergence of clustering， and the kinematics fragment were divided by the velocity interval to characterize the driving cycle more objectively. Finally， the feasibility and accuracy of the method were verified through experiments.Keywords： Driving cycle; K-means clustering analysis; Markov process; Kinematics fragmentCLC NO.： U467 Document Code： A Article ID： 1671-7988（2019）20-61-03
1 前言
汽车行驶工况又称车辆测试循环，是描述典型车辆行驶的速度-时间曲线，用于确定车辆污染物排放量、燃油消耗量、新车型技术开发和评估以及测定交通控制的风险等，是汽车工业一项共性的核心技术[1]。目前行业的工况构建主要是针对城市工况，且采用的是从起步到停车作为一个工况片段进行整个行驶工况的构建，该方法比较适用于城市工况，针对重型卡车该方法构建的工况往往有所偏差，进行车辆燃油经济性模拟仿真与真实燃油消耗偏差较大。在数据处理中往往采用K-Means聚类，该方法对初始聚类中心较为敏感，无法保证聚类结果的稳定性。
为此，本文采用了300辆重卡典型工况区域内运行数据作为研究对象，按速度区间、加减速工况划分工况片段，针对初始聚类中心进行优化，并结合马尔可夫原理进行工况构建，能够更加客观的表征区域工况。
2 数据采集与处理
数据是采用车载GPS行车记录仪采集，选取典型销售区域的300辆车进行一个月的不间断的后台数据采集，路线运行如图1所示，主要采集的是河南的日用工业品市场车辆的运行数据。数据采集的频率为1Hz，能够采集发动机的转速、扭矩、油门开度、进气压力等参数，通过电信网络将数据传输至信息平台，只要车辆行驶就会有数据传输，能够保证采集数据的真实性和连续性。
图1 车辆行驶路线
采集的数据中存在因路面激励导致的车辆颠簸，会出现瞬时的加速度大于5m/s2的情况，不能真实的反应实际的工况特点，因此将加速度大于5m/s2的数据进行剔除，能够有效的保证工况构建的合理性和准确性。
3 基于改進K-Means聚类方法的运动学片段分析
3.1 K-Means聚类方法优化研究
K-Means聚类方法能够快速的实现数据的分析，但其缺点也很明显，初始聚类中心选取的随机性，会导致聚类结果偏差很大，聚类结果收敛性无法保障。本次针对该方法进行优化，以保证更为真实的聚类结果。
针对所有样本数据进行分类，形成不同的数据集合，来表示数据的关系和结构，这是K-Means聚类方法的最终目的。最初的中心点的选取是在数据库中随机抽选的，可能出现所选取的中心点偏离数据集合的高密度区。初始聚类中心的选取由随机抽取变更为由基础算法来选定，从数据集中随机抽取K个数据对象组成一个集合，重复随机抽样M次，得到M个点集：（x11，x12，…，x1n），（x21， x22，…，x2n），…，（xm1， xm2，…，xmn），然后进行欧式距离计算并根据图2改进后的方法进行，最终选取聚类中心。
根据运行工况集合X=（x1，x2，…，xm），从中的任意两个不同的工况片段，计算两工况xi与xj之间的欧氏距离：
同理，两个聚类中心点ci=（ci1，，ci2，…，cin）和cj=（cj1， cj2，…，cjn）之间的欧氏距离为：
式中i=1，2，3，…，k-1;j=i+1，i+2，…，k
分别求出M组中的k个工况集的最小欧式距离min1（d（xi，xj））， min1（d（xi，xj））， …，min1（d（xi，xj）），以该组数据中与其他点距离最远的数据作为该组数据集的中心点，进而得到M个不同工况的聚类中心，然后根据以下流程得到K个不同的工况数据中心，按照此方法进行工况数据的K-Means聚类，以保证聚类结果的可靠性和收敛性。
图2 改进K—Means聚类算法中心点选取
3.2 运动学片段分析
我國目前多参照欧洲的工况进行适应性改进[2]，并且我国学者针对不同的城市建立了本地的工况[3～5]，针对所采集的所有数据，进行汇总分析，按速度区间进行划分，重卡车辆较乘用车工况更加复杂，是国道和高速的综合运行。车速比较分散，不仅仅与道路性质有关，也和车流量有关。
图3 车速分布占比
汽车行驶状态定义[6]：怠速为发动机正在工作但车速为0的运行状态;加速为汽车加速度大于0.1 m/s2的连续过程;匀速为汽车加速度的绝对值小于0.1 m/s2，同时并不是驻车状态的连续运行过程;减速为汽车加速度绝对值大于0.1 m/s2的运行过程。
从0Km/h到100Km/h对加速、减速等过程进行划分运动学片段，不同行驶状态形成数据集合，S1={1，2，3，…}，本次选取最大加速度amax，最小加速度amin，平均加速度aaverage，平均车速vaverage来表征不同的数据片段。0Km/h到100Km/h的数据片段共计n个，就可以得到一个特征向量矩阵Xn×4。
图4 0-10Km/h部分加速工况片段
根据改进后的聚类方法进行不同速度区间段的运动片段分类，最终将0Km/h到100Km/h的加速行驶状态，划分为4类，其累计贡献度超过85%，虽然有一定的信息损失，但对最终的结果影响较小[7]。
表1 聚类中心
4 马尔可夫原理构建工况
马尔可夫过程是一个随机过程，那么不同的数据段组成一系列的事件，Ri，i=1，2，3…T及相应的状态空间S={1，2，3，…}，S中每一项都只与前一项相关[7]。用聚类中心所代表的运动学片段来替换整个工况中该类所有运动学片段，这样就能形成一个有时间顺序的不同的运动学片段集合，对所有的运动学片段进行编号，然后就形成了一个数据集合。根据贝叶斯公式能够计算出一个有顺序的概率集合，从而能够计算出不同的运动学片段所能够转移成为其它工况片段的概率。
以0Km/h到10Km/h的加速过程为例，其工况片段聚类结果为4类，分别记为M11、M12、M13、M14，或者为10Km/h到20Km/h的加速过程M2j，根据马尔可夫原理就能够计算出两个加速过程的转移概率。
M11事件转移为M2j事件的概率P可以表示为：
表2 M11后续工况片段出现的概率
则运动学片段M11后面的工况最可能的是M22，以此类推完成M22运动学片段后续的工况片段，进而完成整个行驶工况的构建。起始工况片段选取整个工况数据集中出现概率最高的片段，按照上述方法进行合成，直到达到合理的长度为止。
表3 起始工况片段出现的概率
与原行驶工况相比，最大误差为3.1%，可靠性较强，能够有助于简化计算流程，并能够针对我国区域跨度大的特点，针对物流运输热点路线进行工况合成，有助于产品的精准研发。
图5 组合行驶工况
表4 主要参数对比
与原行驶工况相比，最大误差为3.1%，与实际行驶工况进行比对，百公里燃油误差为1%，有助于更加真实的反应车辆的实际运行行驶工况。
5 结束语
基于企业数据平台大数据，分速度区间进行运动学片段划分，采用运动学片段来表征不同的行驶状态，并结合马尔可夫原理完成转移概率的计算，最终以特征工况完成典型工况的构建。并通过实例验证了构建工况的准确性，也验证了该方法的可行性和精准性。
参考文献
[1] 石琴，郑与波，姜平.基于运动学片段的城市道路工况的研究.[J]汽车工程.2011，33（3）：256～261.
[2] 张建伟，李孟良，艾国和等.车辆行驶工况与特征的研究.汽车工程[J].2005，27（2）：220～224，245.
[3] 蔡锷，李阳阳，李春阳等.基于K-均值聚类算法的西安市汽车行驶工况合成技术研究.[J]汽车技术，2015（8）：33～36.
[4] 胡志远，秦艳，谭丕强等.基于大样本的上海市乘用车行驶工况构建.[J]同济大学学报（自然科学版），2015，43（10）：1523～1527.
[5] 李孟良，张建伟，张富等.中国城市乘用车实际行驶工况的研究.[J]汽车工程2006，28（6）：554～557，529.
[6] 彭育辉，杨辉宝，李孟良等.基于K-均值聚类分析的城市道路汽车行驶工况构建方法研究.汽车技术[J]，2017（11）：13～18.
[7] 范金城，梅长林.数据分析.[M]北京：科学出版社，2010.
[8] Jie lin，Niemeier D A.Estimating Regional Air Quality Vehiccle Em -ission Inventories：Constructing Robust Driving Cycles.SAE. 2002.
作者简介：杨忱，就职于陕西汽车集团有限责任公司。