一种汽车起重机典型行驶工况构建方法

摘要

本发明提供了一种汽车起重机典型行驶工况构建方法，涉及汽车起重机技术领域。本发明所述的汽车起重机典型行驶工况构建方法，包括：采集汽车起重机的运行数据，对所述运行数据进行预处理，提取行驶速度‑时间片段；根据所述行驶速度‑时间片段获得正常行驶工况的短行驶速度‑时间片段，确定所述短行驶速度‑时间片段的特征参数；根据所述特征参数构建主成分样本矩阵，对所述主成分样本矩阵进行聚类分析，获得短行驶速度‑时间片段样本库；根据所述短行驶速度‑时间片段样本库构建所述汽车起重机的典型行驶工况。本发明所述的技术方案，获取正常行驶的短行驶速度‑时间片段数据以构建汽车起重机的典型行驶工况，提高了工况聚类和工况构建的精度。

说明书

技术领域

本发明涉及汽车起重机技术领域，具体而言，涉及一种汽车起重机典型行驶工况构建方法。

背景技术

汽车起重机行驶工况是指汽车起重机在道路下行驶的速度-时间曲线，主要用于测试汽车起重机的油耗和排放等性能，匹配动力系统，以达到平衡起重机动力经济性的目的。

近年来，针对乘用车行驶工况构建展开了一系列研究，通常研究者采用试验车在指定的试验路线上行驶，再对采集到的数据进行短行驶片段切割、聚类算法以及短行驶片段组合方法，获得精度较高的典型行驶工况。汽车起重机与乘用车行驶工况存在较大差异，行驶过程启停频繁，行驶数据包含正常行驶工况、作业区域行驶工况和作业工况，难以通过常规的路试试验获取常用的行驶工况，导致的问题包括但不限于：不能精准定位客户发动机载荷分布，无法针对性优化发动机程序及附件匹配，难以平衡动力性经济性。

发明内容

本发明解决的问题是如何构建汽车起重机典型行驶工况。

为解决上述问题，本发明提供一种汽车起重机典型行驶工况构建方法，包括：采集汽车起重机的运行数据，对所述运行数据进行预处理，提取行驶速度-时间片段；根据所述行驶速度-时间片段获得正常行驶工况的短行驶速度-时间片段，确定所述短行驶速度-时间片段的特征参数；根据所述特征参数构建主成分样本矩阵，对所述主成分样本矩阵进行聚类分析，获得短行驶速度-时间片段样本库；根据所述短行驶速度-时间片段样本库构建所述汽车起重机的典型行驶工况。

本发明所述的汽车起重机典型行驶工况构建方法，通过获取正常行驶的短行驶速度-时间片段数据构建主成分样本矩阵，对主成分样本矩阵进行聚类分析，根据聚类获得的短行驶速度-时间片段样本库构建汽车起重机的典型行驶工况，提高了工况聚类和工况构建的精度。

可选地，所述采集汽车起重机的运行数据包括：通过所述汽车起重机的车载T-Box记录所述汽车起重机的所述运行数据；通过CAN总线采集所述运行数据，并发送至大数据分析平台。

本发明所述的汽车起重机典型行驶工况构建方法，可通过大数据分析平台对大量客户的实际行驶数据进行线下处理，体现汽车起重机实际工作情况。

可选地，所述对所述运行数据进行预处理，提取行驶速度-时间片段包括：剔除所述运行数据中的异常数据，根据剔除所述异常数据后的所述运行数据确定所述行驶速度-时间片段。

本发明所述的汽车起重机典型行驶工况构建方法，通过从大数据分析平台获取运行数据，剔除运行数据中的异常数据，根据剔除异常数据后的运行数据确定行驶速度-时间片段，实现运行数据的预处理和行驶速度-时间片段的提取，提高了工况聚类和工况构建的精度。

可选地，所述根据所述行驶速度-时间片段获得正常行驶工况的短行驶速度-时间片段包括：根据分割点将所述行驶速度-时间片段划分为多个短行驶速度-时间片段，其中，所述分割点为所述行驶速度-时间片段中加速度a＝0m/s

本发明所述的汽车起重机典型行驶工况构建方法，通过怠速状态将行驶速度-时间片段划分成多个短行驶速度-时间片段，删除作业区域行驶工况短行驶片段，获得正常行驶工况的短行驶片段，提高了工况聚类和工况构建的精度。

可选地，所述确定所述短行驶速度-时间片段的特征参数包括：对所述短行驶速度-时间片段进行特征参数计算，确定所述特征参数，其中，所述特征参数包括描述性参数、统计性参数和油耗参数。

本发明所述的汽车起重机典型行驶工况构建方法，通过设置特征参数包括描述性参数、统计性参数和油耗参数，使得构建的工况能准确反应汽车起重机的实际行驶特征，实现汽车起重机典型行驶路谱的构建，能够给出准确度高的典型行驶工况。

可选地，所述根据所述特征参数构建主成分样本矩阵包括：根据所述特征参数构建特征矩阵；对所述特征矩阵处理，根据处理后的所述特征矩阵构建所述主成分样本矩阵。

本发明所述的汽车起重机典型行驶工况构建方法，根据特征参数构建特征矩阵，对特征矩阵处理，根据处理后的特征矩阵构建主成分样本矩阵，完成主成分分析。

可选地，所述根据处理后的所述特征矩阵构建所述主成分样本矩阵包括：根据处理后的所述特征矩阵确定样本协方差矩阵，根据所述样本协方差矩阵确定主成分；计算所述主成分的方差占比，根据所述方差占比选取主成分样本特征；提取等同于所述主成分样本特征的特征数量的主成分组成所述主成分样本矩阵。

本发明所述的汽车起重机典型行驶工况构建方法，根据处理后的特征矩阵确定样本协方差矩阵，根据样本协方差矩阵确定主成分，计算主成分的方差占比，根据方差占比选取主成分样本特征，提取等同于主成分样本特征的特征数量的主成分组成主成分样本矩阵，完成主成分分析。

可选地，所述对所述主成分样本矩阵进行聚类分析，获得短行驶速度-时间片段样本库包括：采用k均值聚类方法对所述主成分样本矩阵进行聚类分析，选取样本平均轮廓系数最小时的聚类数参数K，获得K类所述短行驶速度-时间片段样本库。

本发明所述的汽车起重机典型行驶工况构建方法，通过k均值聚类方法对所述主成分样本矩阵进行聚类分析，选取样本平均轮廓系数最小时的聚类数参数K，获得K类所述短行驶速度-时间片段样本库，从而能够获得精度较高的典型行驶工况。

可选地，所述根据所述短行驶速度-时间片段样本库构建所述汽车起重机的典型行驶工况包括：根据所述短行驶速度-时间片段样本库确定典型工况中各类行驶工况的行驶时长以及相对偏差，其中，所述相对偏差指各类所述短行驶速度-时间片段的特征值与各类所述短行驶速度-时间片段样本库的特征值均值的偏差；根据所述相对偏差的大小对各类所述短行驶速度-时间片段排序并提取序列，当满足行驶时长要求以及相对偏差要求时，根据所述序列拼接所述短行驶速度-时间片段以构建所述汽车起重机的典型行驶工况。

本发明所述的汽车起重机典型行驶工况构建方法，通过拼接满足行驶时长要求以及相对偏差要求的短行驶速度-时间片段，构建汽车起重机的典型行驶工况，按照特征参数偏差提取短行程进行典型工况构建，兼顾速度、加速度、油耗等特征，获得高精度的典型行驶工况。

可选地，所述相对偏差由所述特征参数的数量、所述短行驶速度-时间片段和所述短行驶速度-时间片段样本库确定。

本发明所述的汽车起重机典型行驶工况构建方法，通过设置相对偏差由特征参数的数量、短行驶速度-时间片段和短行驶速度-时间片段样本库确定，兼顾速度、加速度、油耗等特征，获得高精度的典型行驶工况。

附图说明

图1为本发明实施例的汽车起重机典型行驶工况构建方法的流程示意图；

图2为本发明实施例的运行数据的传输示意图；

图3为本发明实施例的单台汽车起重机某天原始速度-时间曲线示意图；

图4为本发明实施例的短行驶速度-时间片段示意图；

图5为本发明实施例的主成分分析贡献度示意图；

图6为本发明实施例的聚类结果示意图；

图7为本发明实施例的典型行驶工况速度-时间曲线示意图。

具体实施方式

国内乘用车排放标准通常采用新欧洲测试循环(NEDC)行驶工况和世界轻型汽车测试循环(WLTC)行驶工况，商用车通常采用重型商用车测试循环(C-WTVC)行驶工况，没有专用的汽车起重机行驶工况及其构建方法。汽车起重机目前主要采用C-WTVC行驶工况，该行驶工况与起重机实际的行驶工况偏差大，不能精准定位客户发动机载荷分布，无法针对性优化发动机程序及附件匹配，难以平衡动力性经济性。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

如图1所示，本发明实施例提供一种汽车起重机典型行驶工况构建方法，包括：采集汽车起重机的运行数据，对所述运行数据进行预处理，提取行驶速度-时间片段；根据所述行驶速度-时间片段获得正常行驶工况的短行驶速度-时间片段，确定所述短行驶速度-时间片段的特征参数；根据所述特征参数构建主成分样本矩阵，对所述主成分样本矩阵进行聚类分析，获得短行驶速度-时间片段样本库；根据所述短行驶速度-时间片段样本库构建所述汽车起重机的典型行驶工况。

具体地，在本实施例中，汽车起重机典型行驶工况构建方法包括：采集汽车起重机的运行数据，结合图2所示，采集起重机运行数据后，上传至物联网云平台，通过存储服务器存储大数据，利用大数据分析平台和计算服务器，数据分析人员和业务专家可以对运行数据进行线下处理，因此本实施例不采用常规的路试试验而是通过获取大量客户的实际行驶数据，能体现汽车起重机实际工作情况。

对运行数据进行预处理，提取行驶速度-时间片段，包括从云平台获取运行数据，并采取包括剔除异常数据在内的方式对运行数据进行预处理，从而提取行驶速度-时间片段。

根据行驶速度-时间片段获得正常行驶工况的短行驶速度-时间片段，即将行驶速度-时间片段划分成多个短行驶速度-时间片段，删除速度传感器异常短行驶片段、作业区域行驶工况短行驶片段，获得正常行驶工况的短行驶速度-时间片段。针对起重机的行驶特点，将运行数据中的正常行驶工况、作业区域行驶工况和作业工况分隔开，获取正常行驶的短行驶速度-时间片段数据，提高了工况聚类和工况构建的精度。

确定短行驶速度-时间片段的特征参数，特征参数包括描述性参数、统计性参数和油耗参数，由于行驶工况的油耗也是汽车起重机的主要关注特征，现有的短行驶片段组合方法通常按照速度与加速度的分布进行组合，没有考虑短行程油耗特征的影响，本实施例按照特征参数偏差提取短行程进行典型工况构建，兼顾速度、加速度、油耗等特征，以获得高精度的典型行驶工况。

根据特征参数构建主成分样本矩阵，即根据特征参数构建主成分样本矩阵，并对样本矩阵中的特征参数进行标准化处理，以消除不同特征参数单位和幅值的干扰。

对主成分样本矩阵进行聚类分析，获得短行驶速度-时间片段样本库，即对主成分样本矩阵进行聚类分析，当聚类效果满足要求时，确定短行驶速度-时间片段样本库。

根据短行驶速度-时间片段样本库构建汽车起重机的典型行驶工况，包括：确定典型工况中各类行驶工况的行驶时长；计算各类别短行驶速度-时间片段特征值与各类别样本库特征值均值的相对偏差，按从小到大排序选取各类别短行驶速度-时间片段，直到满足行驶时长要求；最后依次拼接选取的短行驶速度-时间片段，完成典型行驶工况构建。

以下以某型号汽车起重机为例，对汽车起重机典型行驶工况构建方法详细介绍。

选用客户正常使用的50台起重机2020年7月26日至2020年12月6日的行驶数据，单台车某天原始速度-时间曲线如图3所示。删除速度、加速度异常的数据，插值填充丢失数据，共提取出30770速度-时间片段。结合图4所示，将行驶速度-时间片段划分成多个短行驶速度-时间片段。

构建短行程特征参数共23个，对特征参数进行主成分分析，样本参数贡献率如图5所示，提取出主成分和>80％的特征共6个，构造特征矩阵。

结合图6所示，对特征矩阵进行聚类分析，将样本共分为3类，第1类循环时长短，平均速度4km/h，怠速占比(31％)，加减速速占比很低，视为市区低速行驶工况；第2类循环时长中等，平均速度21km/h，加减速频繁，视为市区与郊区的中低速行驶工况；第3类循环时长长，平均速度47km/h，怠速占比极低(3％)，匀速占比高，视为高速行驶工况。

构建典型行驶工况，图7为拼接的典型行驶工况，表1为典型行驶工况与实际数据的主要特征值差异率，可以看出，各特征参数的差异率基本维持在7％范围以内，说明所构建行驶工况能够代表实际道路车辆的行驶特征。

表1典型工况与实际工况对比

在本实施例中，通过获取正常行驶的短行驶速度-时间片段数据构建主成分样本矩阵，对主成分样本矩阵进行聚类分析，根据聚类获得的短行驶速度-时间片段样本库构建汽车起重机的典型行驶工况，提高了工况聚类和工况构建的精度。

可选地，所述采集汽车起重机的运行数据包括：通过所述汽车起重机的车载T-Box记录所述汽车起重机的所述运行数据；通过CAN总线采集所述运行数据，并发送至大数据分析平台。

具体地，在本实施例中，采集汽车起重机的运行数据包括：通过汽车起重机的车载T-Box记录汽车起重机的运行数据；采集器通过CAN总线采集运行数据，并发送至大数据分析平台。即汽车起重机搭载有车载T-Box(Telematics Box，远程信息处理器)，在行驶过程中可以记录目标车辆行驶的位置信息、时间信息、速度信息、轨迹信息等行车记录数据以及作业信息数据。采集器通过CAN(Controller Area Network,控制器局域网络)总线采集汽车起重机运行数据，包括行驶速度v、工作时长t、取力状态F、发动机油耗L等，通过4G/5G信号传输至物联网云平台后发送至大数据分析平台。结合图2所示，通过大数据分析平台和计算服务器，数据分析人员和业务专家可以对运行数据进行线下处理，因此本实施例不采用常规的路试试验而是通过获取大量客户的实际行驶数据，能体现汽车起重机实际工作情况。通过CAN总线直接从实际运行的起重机中获得行驶数据，获得汽车起重机的真实行驶状态，避免了人为干扰因素。

在本实施例中，通过大数据分析平台对大量客户的实际行驶数据进行线下处理，体现汽车起重机实际工作情况。

可选地，所述对所述运行数据进行预处理，提取行驶速度-时间片段包括：剔除所述运行数据中的异常数据，根据剔除所述异常数据后的所述运行数据确定所述行驶速度-时间片段。

具体地，在本实施例中，对运行数据进行预处理，提取行驶速度-时间片段包括：例如从大数据分析平台获取运行数据，剔除运行数据中的异常数据，根据剔除异常数据后的运行数据确定行驶速度-时间片段，即包括数据获取和数据筛选。

数据获取：从物联网云平台输出50台起重机180天的行驶数据，提取出取力状态F＝0的行驶速度v和工作时长t；得到起重机行驶工况。

数据筛选：获取行驶速度-时间片段加速度

其中，v

在本实施例中，通过从大数据分析平台获取运行数据，剔除运行数据中的异常数据，根据剔除异常数据后的运行数据确定行驶速度-时间片段，实现运行数据的预处理和行驶速度-时间片段的提取，提高了工况聚类和工况构建的精度。

可选地，所述根据所述行驶速度-时间片段获得正常行驶工况的短行驶速度-时间片段包括：根据分割点将所述行驶速度-时间片段划分为多个短行驶速度-时间片段，其中，所述分割点为所述行驶速度-时间片段中加速度a＝0m/s

具体地，在本实施例中，根据行驶速度-时间片段获得正常行驶工况的短行驶速度-时间片段包括：

将行驶速度-时间片段中加速度a＝0m/s

计算每个短行驶片段的片段时长t

获得正常行驶工况的短行驶速度-时间片段。

在本实施例中，通过怠速状态将行驶速度-时间片段划分成多个短行驶速度-时间片段，删除作业区域行驶工况短行驶片段，获得正常行驶工况的短行驶片段，提高了工况聚类和工况构建的精度。

可选地，所述确定所述短行驶速度-时间片段的特征参数包括：对所述短行驶速度-时间片段进行特征参数计算，确定所述特征参数，其中，所述特征参数包括描述性参数、统计性参数和油耗参数。

具体地，在本实施例中，确定短行驶速度-时间片段的特征参数包括：对短行驶速度-时间片段进行特征参数计算，确定特征参数，其中，特征参数包括描述性参数、统计性参数和油耗参数。

描述性参数8个，包括：

运行时长t，平均速度

其中，k为该短行驶速度-时间片段中的总数据量，v

统计性参数14个，具体参数如下：车速分别位于区间[0,0]、(0,10]、(10,20]、(20,30]、(30,40]、(40,50]、(50,60]、(60,70]、(70,80]、(80,120]km/h的比例，分别用V

怠速时长占比T

匀速时长占比T

减速时长占比T

加速时长占比T

油耗参数1个，包括发动机百公里油耗，计算公式为：

其中，L

由于在工况构建过程中考虑平均速度、平均加速度、平均减速度、怠速时长占比、加速时长占比、减速时长占比、匀速时长占比和百公里油耗等8个特征的偏差，使得构建的工况能准确反应汽车起重机的实际行驶特征。

在本实施例中，通过设置特征参数包括描述性参数、统计性参数和油耗参数，使得构建的工况能准确反应汽车起重机的实际行驶特征，实现汽车起重机典型行驶路谱的构建，能够给出准确度高的典型行驶工况。

可选地，所述根据所述特征参数构建主成分样本矩阵包括：根据所述特征参数构建特征矩阵；对所述特征矩阵处理，根据处理后的所述特征矩阵构建所述主成分样本矩阵。

具体地，在本实施例中，根据特征参数构建主成分样本矩阵包括：

根据特征参数构建特征矩阵：以x

对特征矩阵标准化处理：

为消除不同特征参数单位和幅值的干扰，利用如下公式对数据进行标准化处理：

其中，x'

根据标准化处理后的特征矩阵构建主成分样本矩阵：计算得到样本协方差矩阵

其中，s

Y

其中，Y

计算各个主成方差占比：

其中，P

在本实施例中，根据特征参数构建特征矩阵，对特征矩阵处理，根据处理后的特征矩阵构建主成分样本矩阵，完成主成分分析。

可选地，所述根据处理后的所述特征矩阵构建所述主成分样本矩阵包括：根据处理后的所述特征矩阵确定样本协方差矩阵，根据所述样本协方差矩阵确定主成分；计算所述主成分的方差占比，根据所述方差占比选取主成分样本特征；提取等同于所述主成分样本特征的特征数量的主成分组成所述主成分样本矩阵。

具体地，在本实施例中，根据处理后的特征矩阵构建主成分样本矩阵包括：根据处理后的特征矩阵确定样本协方差矩阵，根据样本协方差矩阵确定主成分；计算主成分的方差占比，根据方差占比选取主成分样本特征；提取等同于主成分样本特征的特征数量的主成分组成主成分样本矩阵。即根据标准化处理后的特征矩阵确定样本协方差矩阵S，将协方差矩阵S的特征值λ和特征向量e成对组合记为(λ

在本实施例中，根据处理后的特征矩阵确定样本协方差矩阵，根据样本协方差矩阵确定主成分，计算主成分的方差占比，根据方差占比选取主成分样本特征，提取等同于主成分样本特征的特征数量的主成分组成主成分样本矩阵，完成主成分分析。

可选地，所述对所述主成分样本矩阵进行聚类分析，获得短行驶速度-时间片段样本库包括：采用k均值聚类方法对所述主成分样本矩阵进行聚类分析，选取样本平均轮廓系数最小时的聚类数参数K，获得K类所述短行驶速度-时间片段样本库。

具体地，在本实施例中，对主成分样本矩阵进行聚类分析，获得短行驶速度-时间片段样本库包括：

采用k均值聚类方法对主成分样本矩阵进行聚类分析，选取样本平均轮廓系数最小时的聚类数参数K，获得K类短行驶速度-时间片段样本库，其中，各个样本点轮廓系数计算公式为：

其中，a是当前样本点与其所在簇其他样本的平均距离，b是当前样本点与其他簇样本的平均距离。

在本实施例中，通过k均值聚类方法对所述主成分样本矩阵进行聚类分析，选取样本平均轮廓系数最小时的聚类数参数K，获得K类所述短行驶速度-时间片段样本库，从而能够获得精度较高的典型行驶工况。

可选地，所述根据所述短行驶速度-时间片段样本库构建所述汽车起重机的典型行驶工况包括：根据所述短行驶速度-时间片段样本库确定典型工况中各类行驶工况的行驶时长以及相对偏差，其中，所述相对偏差指各类所述短行驶速度-时间片段的特征值与各类所述短行驶速度-时间片段样本库的特征值均值的偏差；根据所述相对偏差的大小对各类所述短行驶速度-时间片段排序并提取序列，当满足行驶时长要求以及相对偏差要求时，根据所述序列拼接所述短行驶速度-时间片段以构建所述汽车起重机的典型行驶工况。

具体地，在本实施例中，根据短行驶速度-时间片段样本库构建汽车起重机的典型行驶工况包括：

根据短行驶速度-时间片段样本库确定典型工况中各类行驶工况的行驶时长以及相对偏差，其中，相对偏差指各类短行驶速度-时间片段的特征值与各类短行驶速度-时间片段样本库的特征值均值的偏差，按照以下公式确定行驶时长：

t

其中，t

按照以下公式计算各类别短行驶速度-时间片段特征值与各类别样本库特征值均值的相对偏差，按从小到大排序；

其中，N为特征参数数量，C

根据相对偏差的大小对各类短行驶速度-时间片段排序并提取序列，由于短行驶速度-时间片段速度起始与结束速度均为0，因此，后选取的短行驶速度-时间片段可以和前一片段无缝拼接，当满足行驶时长要求以及相对偏差要求时，根据序列拼接短行驶速度-时间片段以构建汽车起重机的典型行驶工况。

在本实施例中，通过拼接满足行驶时长要求以及相对偏差要求的短行驶速度-时间片段，构建汽车起重机的典型行驶工况，按照特征参数偏差提取短行程进行典型工况构建，兼顾速度、加速度、油耗等特征，获得高精度的典型行驶工况。

可选地，所述相对偏差由所述特征参数的数量、所述短行驶速度-时间片段和所述短行驶速度-时间片段样本库确定。

具体地，在本实施例中，相对偏差由特征参数的数量、短行驶速度-时间片段和短行驶速度-时间片段样本库确定，即通过特征参数的数量N、第k类的第j个样本关于第l个特征参数的统计值以及第k类样本数据库关于第l个特征参数的统计值确定相对偏差，兼顾速度、加速度、油耗等特征，获得高精度的典型行驶工况。

在本实施例中，通过设置相对偏差由特征参数的数量、短行驶速度-时间片段和短行驶速度-时间片段样本库确定，兼顾速度、加速度、油耗等特征，获得高精度的典型行驶工况。

虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。