混合动力汽车行驶工况数据库的建立与分析

朱 华，牛礼民，张泉泉

(安徽工业大学机械工程学院，安徽马鞍山243032)

汽车行驶工况又称汽车运转循环，用来描述某一类车辆在一定交通环境下的行驶特征，即速度—时间历程，直接反映车辆行驶过程中速度的变化情况及其驾驶平稳性，据此可确定车辆污染物排放量和燃油消耗量。因此，研究汽车行驶工况可为新型汽车的技术开发、评估以及交通风险测定与控制等提供参考依据[1-2]。目前，国内外学者对汽车行驶工况进行了研究，并构建合理的典型工况或以城市行驶特征为基础的行驶工况。Nyberg等[3]利用马尔可夫链与EqDC(equivalent driving cycle)相结合的方法从标准行驶工况中生成新的行驶工况，该工况比原标准工况更具代表性；Amirjamshidi等[4]利用多伦多滨水地区微观交通模型开发行驶工况，经仿真验证该工况更具有代表性；曹骞等[5]以马尔科夫链为基础，采用改进的Kneser-Ney平滑方法估计状态转移概率，提出了代表行驶工况的构建算法，并利用沈阳市乘用车行驶数据库构建代表行驶工况，经对比验证，构建的工况能够准确反映总体行驶特征。由于交通环境的影响，汽车实际行驶工况有较大的随机性和不确定性，同时系统响应速度随识别复杂程度的增长而降低，对此较少学者设计相应数据库对汽车行驶工况进行预判。鉴于此，文中通过提取行驶工况特征参数，利用K-Means聚类分析得到4种工况类别的特征参数范围，同时在MY SQL软件上建立行驶工况数据库，且利用JAVA编程语言编写查询及自动判定等程序，完成系列功能，以期系统快速准确地反映汽车行驶工况、增强汽车对不同行驶工况的适应性。

1 行驶工况特征参数提取及工况分类

1.1 行驶工况特征参数的提取

行驶工况的特征参数表现汽车在行驶过程中经历的历史数据特点，是工况识别研究的基础。此外，工况特征参数与燃油消耗之间相互影响，直接影响工况识别结果的准确度。与车辆工作状态参数息息相关的特征参数主要有行驶距离、行驶时间、最高速度、平均速度、最大加速度、减速段最大加速度、平均加速度、减速段平均加速度、停车怠速比、加速时间比、减速时间比等。上述特征参数相互影响、相互制约，对车辆工作状态参数的相关影响程度不一，工况识别时若选择上述所有参数作为特征参数，则将影响识别的准确性和实时性。其中最高速度、平均速度、最大加速度、减速段最大加速度、平均加速度、减速段平均加速度和停车怠速比可较好地反映工况特征，参考文献[6-8]并考虑本文需求，将此7 个参数作为工况识别特征参数，选取ADVISOR车辆仿真软件中具有代表性的32种行驶工况进行分析。

考虑到汽车行驶过程中对于不同工况，即使各工况路程相同，其经历的时间也不同，文中根据经历的时间计算工况的特征值，其计算公式如下。1)工况经历时间内最高速度vmax

2)工况经历时间内平均速度vavg

其中：k为工况采样点数量；Str为工况总路程；ttr为工况经历时间。

3)工况经历时间内最大加速度aacc_max和减速段最大反向加速度(简称最大减速度)adec_max

4)工况经历时间内平均加速度aacc_avg和减速段平均反向加速度(简称平均减速度)adec_avg

其中：aacc(t)为加速段加速度，aacc(t)=dv/dt；adec(t)为减速段加速度，adce(t)=dv/dt；v为速度；t为时间。

5)工况经历时间内停车怠速比（v=0所占时间/总时间）rtr_idl

其中tidl为工况中v=0 怠速状态经历的时间。

由此可得出32种行驶工况的识别特征参数，如表1。

表1 32种行驶工况识别特征参数Tab.1 Identification characteristics of 32 driving cycles

1.2 行驶工况的分类

从表1可看出：部分工况识别特征参数有明显的规律性特征变化，如最高速度和平均速度，且其在不同工况下差别很大；有些参数没有明显的特征变化，如最大加速度和最大减速度。因此，将32 种工况随机排列，组成一个包括全部工况类别的综合工况，依次对7个特征参数进行分析。以最高速度和平均速度为例，对综合工况每100 s取一次值，将所取的参数数据绘制成综合工况散点图，如图1。

K-Means聚类属于无监督自主学习，可将未注明类别的行驶工况数据自动划分为不同类别[9-10]。根据文献[11]，将车辆的行驶工况分为市区拥堵工况、城市工况、郊区工况及高速工况4种类别，即随机选取4个初始聚类中心，将其他参数作为一个数组，然后计算数组同初始聚类中心的欧氏距离，与数组距离近的聚类中心为该数组所属的簇，当前形成的簇为一种工况类别。因此，在MATLAB中编写K-Means 聚类程序将图1的综合工况散点进行聚类，结果如图2。图2中对应4种工况类别：聚类结果1表示市区拥堵工况；聚类结果2表示城市工况；聚类结果3表示郊区工况；聚类结果4表示高速工况。

图1 综合工况散点图Fig.1 Scatter diagram of comprehensive driving cycle

图2 综合工况聚类结果Fig.2 Clustering results of comprehensive driving cycle

将车速曲线作时间函数进行分析，这一曲线的特征参数，如最高点与最低点的相对位置、变化速率的大小以及加速减速的次数等，即可作为交通拥堵或畅通的函数[12-14]。结合图2可得到每个工况类别下最高速度和平均速度的一个区间范围，并由此可区分32种行驶工况所属类别。同理，将其他特征参数依次进行取值、聚类分析，最终每个工况类别下每个特征参数均可得到一个区间范围，结果如表2。同时，将32种行驶工况具体分类，结果如表3。

表2 行驶工况类别特征参数Tab.2 Characteristic parameters of driving cycles’category

表3 32种行驶工况具体分类Tab.3 Specific classification of 32 driving cycles

行驶工况的识别具有实时性，因此定时采集当前行驶工况的特征参数会产生大量的行驶工况数据。为方便这些数据的查询和插入，建立行驶工况数据库。

2 行驶工况数据库的建立

混合动力汽车的控制策略受行驶工况制约，且极大影响整车性能，如尾气排放和燃油消耗。通过实时确定车辆的行驶状态，查询7个行驶工况特征参数，且与工况数据库进行对比，核实是否符合工况数据库已有的历史行驶工况，若符合，即提示行驶工况所属类别；若不符合，先存储当前行驶工况数据，之后进行自动判定，最后提示该工况所属类别，从而进一步使车辆驾驶模式能够很好地适应工况的变化，如图3所示，构建工况数据库。

图3 行驶工况数据库的工作流程Fig.3 Working flow of the driving cycles database

2.1 初始数据库的建立

进行工况识别时，若将车辆行驶状态数据先存储在数据库中，再提取数据进行工况识别，则工况识别的时间延迟较长。因此考虑将车辆标准工况数据识别结果直接存入数据库，车辆再次达到相同行驶状态时读取历史工况数据的时间将极大缩短，数据库占用的存储空间也随之减小。MY SQL是开源的数据管理系统，也是一种标准化的语言，易存储、更新和存取信息，故文中采用MY SQL构建初始工况数据库，结果如图4。图4显示了32种行驶工况的具体参数以及所属类别，后续随机输入的行驶工况数据将与此进行对比。

图4 初始行驶工况数据库Fig.4 Initial driving cycles database

2.2 查询界面的建立

查询界面需要实现的是：当输入工况特征参数后，通过服务器进入数据库且与初始工况数据进行对比，若与初始工况数据不符，则输入工况数据且存储。文中利用JAVA语言在ECLIPSE上建立查询界面。建立查询界面之前，编写程序登录MY SQL。之后在服务器端口创建一个搜索界面显示输入的工况数据(如图5)，以方便随时了解实时汽车行驶状态和更改误输入工况数据，且设置一键重置，以快捷输入下组数据。

2.3 行驶工况数据的存储及自动判定

输入工况数据，经查询若与数据库中初始工况数据不匹配，则提示该组工况数据不存在，并询问是否将该数据插入数据库中。

图5 查询界面Fig.5 Interface of query

在工况数据插入数据库之后，启动自动判定程序，根据表2中各工况类别的每个特征参数区间范围，将输入的工况数据归分到所属类别，并显示结果。如图6。

图6 行驶工况数据查询成功界面Fig.6 Successful interface for query data of driving cycle

3 模拟与分析

为验证自动判定依据的正确性，将文献[7，11]中待识别工况每100 s作为一个工况样本，依次计算出工况样本的识别特征参数并进行分类，分类结果与文献[7，11]中的识别结果一致。同时为验证构建工况数据库是否可以完成设计的功能，随机输入两段行驶工况数据。第一段行驶工况数据：最高车速88.19 km/h；平均车速34.51 km/h；最大加速度2.28 m/s2；减速段最大加速度-2.73 m/s2；平均加速度0.5 m/s2；减速段平均加速度-0.6 m/s2；停车怠速比0.295。第二段行驶工况数据：最高车速87.32 km/h；平均车速34.56 km/h；最大加速度2.19 m/s2；减速段最大加速度-2.97 m/s2；平均加速度0.56 m/s2；减速段平均加速度-0.69 m/s2；停车怠速比0.329 687。最后在MY SQL中检测是否存在输入工况。

第一段行驶工况数据事先存储在数据库中，当再次输入查询时，经过对比就可直接显示出所属类别，如图7，8所示。第二段行驶工况数据事先没有存储在数据库中，输入查询时，通过7个行驶工况特征参数依次对比原数据库中的历史行驶工况数据，若无对应的行驶工况数据，则提示当前数据不存在，之后随机生成工况名，存储当前输入的工况数据，并提示插入成功，如图9所示。当再次点击查询时，7个行驶工况特征参数根据表2中各工况类别对应每个特征参数的取值范围进行自动判定，随后显示出当前行驶工况数据所属类别，如图10，11所示。

图7 第一段行驶工况数据查询成功界面Fig.7 Successful interface for data query in the first driving cycle

图8 MY SQL中存储的第一段行驶工况数据Fig.8 The first section of driving cycle data stored in MY SQL

图9 第二段行驶工况数据插入成功界面Fig.9 Successful interface for inserting data in the second driving cycle

图10 第二段行驶工况数据查询成功界面Fig.10 Successful interface for data query in the second driving cycle

图11 MY SQL中存储的第二段行驶工况数据Fig.11 The second section of driving cycle data of stored in MY SQL

当输出当前工况所属类别，按照当前行驶工况类型下的需求功率最优分配方式协调发动机和电动机之间的功率分配：在市区拥堵工况和城市工况下，需求扭矩以分配给电动机为主，车辆以纯电动工作模式运行较多；在郊区工况和高速工路工况下，混合动力汽车协调电动机和发动机之间的扭矩分配，使发动机工作点更好地维持在发动机最佳效率曲线附近。随着工况数据库的不断扩充，对后续输入查询将更快捷，可较大程度地提高系统的响应速度。

4 结 论

以混合动力汽车的工况数据为研究对象，利用MY SQL建立混合动力汽车工况数据库，并完成查询、存储及自动判定等功能，所得主要结论如下：

1)对于建立的混合动力汽车工况数据库，通过提取ADVISOR 中32 种行驶工况的7 个特征参数，采用K-Means聚类算法进行聚类，得到市区拥堵工况、城市工况、郊区工况以及高速工况4种工况类别每个特征参数的区间范围，区间范围可作为工况数据自动判定的依据；

2)利用JAVA程序设计查询工况数据、保存工况数据等界面，完成工况数据对比、自动判定等系列功能，经模拟分析表明，在MY SQL中建立的数据库可以完整无误地存储随机输入的工况数据，随着工况数据库的不断扩充，后续输入查询数据将更快捷，可较大程度地提高系统的响应速度；

3)设计的自动判定程序可对随机工况准确分类，但有些行驶工况的特征参数相似程度较大，如何选取更有效的特征参数，以及提取更具有代表性的特征参数将是进一步研究的内容。