城市道路汽車行駛工況的構建

　　摘 要：汽車行駛工況是汽車各項性能指標進行標定優化時的主要基準。文章根據某城市實時采集的乘用車數據，在對數據進行預處理的基礎上，基于K均值聚類分析法對汽車運動學片段曲線的特征極值進行劃分，利用運動學片段間的“親疏程度”篩選出汽車行駛工況的候選片段，從而構建出一條最貼合該城市內車輛實際運行情況的行駛工況曲線。

　　關鍵詞：汽車行駛工況;預處理;特征提取;K均值聚類分析

　　前言

　　汽車行駛工況又稱車輛測試循環，它本是用汽車在一定時間段內(一般時間范圍為1800s)的行駛時速度-時間曲線圖。因其能體現出汽車在道路行駛時的運動學特征，所以成為車輛能耗/排放測試方法和限值標準的基礎，更是汽車各項性能指標標定優化時的主要基準。

　　本世紀以來，我國汽車行業相關技術標準多以引用國外標準為主，而行駛工況采用的是歐洲的NEDC行駛工況[1]。隨著經濟的快速發展，我國汽車保有量迅速上升，國內城市的交通狀況發生很大改變，原先采用的NEDC行駛工況標準已經開始不適應新時代的交通狀況。汽車行駛工況作為汽車行業創新開發、指標評價的重要基礎依據，本身就具有極高的深入研究價值，而我國由于社會發展差異化及國情的特殊性，對汽車行駛工況普遍特征的總結和特殊特征的深度挖掘更存在著迫切需要。

　　本文利用某城市實時采集的同一輛輕型汽車實際行駛數據(采樣頻率1Hz)，搭建了一個符合城市道路情況的汽車行駛工況模型。在經過對離散數據的插值擬合與不良數據的剔除后，劃分提取出符合實際運動特性的運動學片段，然后基于運動學片段分析法、主成分分析法對實測汽車數據進行降維，經模式識別提取運動學片段曲線的特征極值。

　　在此基礎上，基于K均值聚類分析法對汽車運動學片段曲線的特征極值進行劃分，利用運動學片段間的“親疏程度”篩選出汽車行駛工況的候選片段，從而構建出一條最貼合該城市內車輛實際運行情況的行駛工況曲線。

　　1 數據預處理

　　在汽車行駛工況的構建過程中，由于傳輸信號不穩定、電磁干擾、解碼錯誤等各種原因會不可避免地導致所采集數據的質量嚴重下降。為提高數據質量，同時確保研究結果的可信度，本文使用MATLAB軟件對原始數據進行預處理工作。

　　(1)數據轉換

　　為了將給定的日期字符串(date)轉換為日期數字(Time)，實現對時間項的處理，使用MATLAB軟件中的自帶函數datenum按照如下格式進行強制轉換：

　　(1)

　　(2)數據過濾

　　由于直接記錄的原始數據中存在一定的誤差，本文根據不良數據的結構類型進行分析、歸納后分批次處理。對于離散數據進行擬合插值，對異常數據進行修正迭代，對于非正常狀態數據進行剔除。

　　2 模型構建

　　在數據預處理的基礎上可以實現將行駛工況的數據劃分為運動學片段，并經多次篩選出不同數量的特征參數做為主成分分析，最終本文選出11個特征參數進行研究，這11個特征參數具體展示如表1所示。

　　2.1 主成分分析法

　　主成分分析(PCA)于1901年被Pearson第一次提出，主要用于處理多維數據。其在數學上的常規處理是將原始n個指標做線性組合，作為新的綜合指標[2]。

　　推薦閱讀：城市道路建設給排水施工非開挖技術的應用