一种面向油耗优化的车辆工况转移规划方法

1.本发明涉及车辆控制领域，尤其涉及一种面向油耗优化的车辆工况转移规划方法。


背景技术：

2.随着车辆相关法规的不断出台和人们意识的不断觉醒，节油驾驶愈发成为一种必然的趋势。有研究表明在我国汽车行驶过程中主要包括怠速、加速、减速和匀速等工况，其中匀速行驶时间的比例不到30％，加速和减速的比例高达54.78％，而即使车辆在匀速行驶时发动机工况也并非完全不变。因此，研究车辆瞬态工况控制十分重要。
3.为了实现瞬态工况下的油耗优化，可对车辆工况转移路径进行规划。在已知始末工况的情况下，不同操作可能导致不同的工况转移路径，而随路径改变油耗也跟着变化，选取合适的工况转移路径能够降低车辆油耗。


技术实现要素：

4.本发明针对上述问题，提出了一种面向油耗优化的车辆工况转移规划方法。该方法通过离线处理对历史数据中的不同工况进行区域划分，将区域视为有向图中顶点，以区域间转移代价作为各顶点间距离，将车辆工况转移路径规划转变为有向图最短路径搜索，实现了车辆工况转移规划过程的简化和油耗优化。
5.一种面向油耗优化的车辆工况转移规划方法，包括以下步骤：
6.s1.依据车辆相关测试工况采集行车数据，包括车辆驾驶信息和发动机信息，用作离线分析与处理；
7.s2.选取合理的工况特征变量，并对相应行车历史数据归一化处理后进行聚类分区；
8.s3.依据行车历史数据对聚类所分各区进行信息提取，得到各区域关系及转移代价；
9.s4.依据各区间关系构建工况转移有向图，据此计算得到不同始末区域间的所有最小代价转移路径；其中：所述工况转移有向图构建过程：
10.将各区域转换为有向图中顶点；
11.并将以区域转移代价作为有向图中各顶点间距离；
12.根据工况转移有向图进行油耗最优路径搜索：将所有有向图节点分为两个部分，一部分存放所有出发点，另一部分存放所有终点；利用最短路径算法搜索所有始末点间存在的最短路径，该路径即为始末工况转移间油耗最低的路径，并构造对应的有向图最短路径搜索表；
13.s5.依据当前实际工况和目标工况信息，于历史数据中搜寻所有可能的两工况间的转移路径，并依据步骤s2中分区方法确定不同转移路径下所经过的区域，以此形成有向图中固定始末点的不同转移路径；判断当前工况和目标工况所属区域，以此作为有向图中
始末节点并依据步骤s4查找最小代价过渡路径，对比不同转移路径下统计区域所形成的有向图路径与最小代价过渡路径，选取两者相同的作为实际工况与目标工况间的最优转移路径并发出相应信号执行。
14.进一步，所述步骤s3中聚类分区方法可以得到每个工况所对应的区域，依据历史行车数据中的连续变化工况进行各区关系的构建：
15.若存在大量连续工况在两区域间进行过渡，则说明两区间联系较强，存在转移关系，需要进行区间的转移代价计算；
16.若两区间存在转移关系，则依据各区中所有的工况点计算其密度分布并确定该区间核心工况点；将终点区域再划分为多个小区间并确定其概率密度，分别计算起始区域中所有工况到该小区间中所有工况的转移油耗，将各个小区间的概率密度与转移油耗相乘并累加作为两区间的油耗转移代价；即：
[0017][0018]
其中：fc为两区间转移油耗，fci为初始区域到第i小区间的转移油耗，pi为第i小区间的概率密度。
[0019]
进一步，所述步骤s2中选取合理的工况特征变量，在对行车历史数据归一化处理后进行聚类分区过程：
[0020]
工况特征变量选取：选出与车辆油耗相关的特征变量，并对不同特征进行相关性分析以设定合理的特征变量组合方案；
[0021]
行车历史数据归一化处理：对历史行车数据中选取的x＝(x1,x2,x3,x4,...)特征进行处理，使其落入一个特定区间：
[0022][0023]
其中：x为归一化后变量数据，μ为相关变量的平均值，σ为相关变量的标准差；
[0024]
聚类分区划分：
[0025]
通过如下公式对聚类分区的数量进行确定：
[0026][0027]
其中：以误差平方和作为划分依据，计算不同类的数量k所对应的误差平方和sse，当sse下降率突然变缓即认为是最佳的k值；x为归一化处理后变量数据，mi为类i的平均值，ci为类别i的集合，k为类的数量；
[0028]
通过如下公式对聚类分区的类别进行划分：
[0029][0030]
其中：以欧式距离作为划分依据，计算每个工况到k个中心工况的距离d，若距离最小则将该工况归为该中心工况所属的类别；xi、xj为不同工况的变量数据，o为工况特征的数量，x
ik
、x
jk
为工况的不同特征。
[0031]
本发明还可以通过如下技术方案予以实施：
[0032]
车辆实际行驶过程中，实时获取车辆当前工况和需求工况的信息，分别作为初始
工况和目标工况，根据所述步骤s1中采集的历史行车数据搜寻所有始点工况为初始工况、终点工况为目标工况的转移路径，并根据所述步骤s2中聚类分区方法计算对应转移路径下各工况点所属区域，由此得到有向图中固定始末点的不同转移路径；
[0033]
根据所述步骤s2中聚类分区方法计算当前工况和需求工况所属区域作为有向图中的出发节点和最终节点，经有向图最短路径表搜索得到最短路径；
[0034]
将得到的最短路径与上一子步骤的有向图中的不同转移路径进行对比，选取相同的路径作为最优转移路径，并构造对应路径下的工况时序数据发送至汽车电控单元实现该路径。
[0035]
有益效果
[0036]
本发明的有益效果是：针对不同工况转移路径下油耗不同的情况，提出了一种基于历史数据的车辆工况路径转移规划方法。该方法对历史数据中的不同工况进行区域划分，将区域视为有向图中顶点，以区域间转移代价作为各顶点间距离，将车辆工况转移路径规划转变为有向图最短路径搜索。不仅实现了车辆工况转移规划过程的简化，还在更符合车辆实际情况的前提下进行了油耗优化。
附图说明
[0037]
图1是本发明方法流程图。
[0038]
图2是本发明涉及类分类变化示意图。
具体实施方式
[0039]
下面结合附图1进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
[0040]
如图1所示，一种面向油耗优化的车辆工况转移规划方法，包括以下步骤：
[0041]
步骤101：设计车辆测试工况，采集驾驶过程中的信息以作离线分析，包括但不限于：
[0042]
驾驶信息：速度、加速度、加速踏板开度、制动踏板、挡位和方向盘转角等信息；
[0043]
发动机信息：转速、扭矩、进气相关、相关阀门开闭和油耗等信息。
[0044]
步骤102：基于历史数据做工况聚类分区，包括特征变量选取子步骤、数据预处理子步骤和聚类分区子步骤。
[0045]
步骤101中所采集的数据涉及到车辆和发动机运行的各个状态，但并非所有变量都与车辆油耗有较大关系，因此需要选择合适的特征变量进行组合，使其反映油耗变化的能力最好，即与油耗的相关性最大。本案例中选取转速、扭矩和进气量这一特征组合来进行说明，即x＝(x1,x2,x3)中的三个特征。
[0046]
因采集的数据之间大小不一，为消除奇异样本数据导致的不良影响，使数据特征具有相同的度量尺度，在数据使用前要进行归一化处理。本案例使用归一化方法如下：对行车历史数据中选取的x＝(x1,x2,x3)特征进行处理，使其落入一个特定区间：
[0047][0048]
x为归一化后变量数据，μ为相关变量的平均值，σ为相关变量的标准差。
[0049]
数据归一化处理后利用无监督聚类方法进行类的划分，本案例使用改进k-means算法进行聚类：
[0050]
第一步为进行类的数量确定，以“肘部法则”中的误差平方和(sse)确定：
[0051][0052]
x为归一化处理后的变量数据，mi为类i的平均值，ci为类别i的集合，k为类的数量。
[0053]
随着k值不断增大，sse会逐渐下降，当sse下降率突然变缓即认为是最佳的k值，此时分为k个类别，且具有k个中心工况。本案例中sse的变化过程如图2所示，k值可取为6。
[0054]
第二步为进行类别的划分，以欧式距离作为划分依据，先随机确定k个中心工况，之后不断更新工况中心的位置，计算每个工况到k个中心工况的距离d，若距离最小则将该工况归为该中心工况所属的类别。
[0055][0056]
xi、xj为不同工况的变量数据，o为工况特征的数量，x
ik
、x
jk
为工况的不同特征。
[0057]
步骤103：基于历史数据进行区间关系和代价构建。根据步骤102中聚类分区方法可以得到每个工况所对应的区域，若相邻工况中存在大量连续工况在两区域间进行过渡，则说明两区间联系较强，视为存在转移关系；若只存在极少部分连续工况在两区间进行过渡，则说明两区间联系很弱，可进行忽略；若两区间存在转移关系，则依据各区中所有的工况点计算其密度分布并确定该区间核心工况点。将终点区域再划分为n个小区间并确定其概率密度，分别计算起始区域中所有工况到该小区间中所有工况的转移油耗，将各个小区间的概率密度与转移油耗相乘并累加作为两区间的油耗转移代价。
[0058][0059]
fc为两区间转移油耗，fci为初始区域到第i小区间的转移油耗，pi为第i小区间的概率密度。
[0060]
步骤104：基于工况转移的有向图进行最短路径搜索，包括以下子步骤：
[0061]
第一步为根据步骤3中各区关系及转移代价构建工况转移有向图：在对选取工况进行区域划分后，将各区域视为有向图中顶点，以区域转移代价定义各顶点间权重(即距离)，可以得到带有权重的有向图，此时实际工况路径规划问题转变为有向图最短路径搜索问题；
[0062]
第二步为根据工况转移有向图进行油耗最优路径搜索：将所有有向图节点分为两个部分，一部分存放所有出发点，另一部分存放所有终点，本案例采用floyd-warshall算法搜索任意出发点和终点间的最短路径：从出发点开始，依次将每个顶点作为媒介k，然后对于每一对始末点，查看是否存在一条经过k且距离比已知路径更短的路径，如果存在则更新它，否则就保留原路径。
[0063]
利用最短路径算法搜索所有始末点间可能存在的最短路径，该最短路径即为工况转移中油耗最低的路径，将所有最短路径存储为表的形式以便在线查询。
[0064]
步骤105：基于历史数据进行最优工况转移路径选择，包括以下子步骤：
[0065]
第一步为获取实际工况和目标工况间所有路径，依据步骤2中欧式距离公式判断
两工况所属区域，然后在历史行车数据中的连续变化工况中搜寻所有转移路径，最后统计转移路径中所经过的区域，以此形成有向图中固定始末点的不同转移路径。
[0066]
第二步为进行最优路径选择，将实际工况和目标工况所属区域分别作为步骤4中有向图最短路径搜索方法的出发节点和最终节点，将最短路径储存表中查询到的最短路径与第一步中所有转移路径对应的转移区域进行对比，选取相同的路径作为最优转移路径，若存在多条路径符合则选取转移时间更短的。
[0067]
第三步为最优转移路径实现，在确定最优转移路径后，该路径下的发动机转速、转矩等量的时序变化也随之确定。基于发动机自身控制，发送目标转速和扭矩等相关指令至汽车电控单元以改变发动机工况状态，完成最优转移路径中各工况的实现。
[0068]
本发明提出了基于聚类和最短路径的工况转移规划方法，将实际工况路径规划问题转变为有向图最短路径搜索问题，不仅实现了车辆工况转移规划过程的简化，还在更符合车辆实际情况的前提下进行了油耗优化。
[0069]
本发明方案所公开的技术手段不仅限于上述实施方式所公开的几类算法，还包括由以上各类算法的同类方法间任意组合所组成的技术方案。应当指出，在不脱离本发明原理的前提下，做出改进但没有创造性劳动的，所获得的所有其他实施例，都应当属于本发明保护的范围。

技术特征：
1.一种面向油耗优化的车辆工况转移规划方法，其特征在于，包括以下步骤：s1.依据车辆相关测试工况采集行车数据，包括车辆驾驶信息和发动机信息，用作离线分析与处理；s2.对获得的行车历史数据进行筛选，选取相应的工况特征变量进行聚类分区；s3.依据行车历史数据对聚类所分各区进行信息提取，得到各区域关系及转移代价；s4.依据各区间关系构建工况转移有向图，据此计算得到不同始末区域间的所有最小代价转移路径；其中：所述工况转移有向图构建过程：将各区域转换为有向图中顶点；并将以区域转移代价作为有向图中各顶点间距离；根据工况转移有向图进行油耗最优路径搜索：将所有有向图节点分为两个部分，一部分存放所有出发点，另一部分存放所有终点；利用最短路径算法搜索所有始末点间存在的最短路径，该路径即为始末工况转移间油耗最低的路径，并构造对应的有向图最短路径搜索表；s5.依据当前实际工况和目标工况信息，对历史数据中搜寻所有可能的两工况间的转移路径，并依据步骤s2中分区方法确定不同转移路径下所经过的区域，以此形成有向图中固定始末点的不同转移路径；判断当前工况和目标工况所属区域，以此作为有向图中始末节点并依据步骤s4查找最小代价过渡路径，对比不同转移路径下统计区域所形成的有向图路径与最小代价过渡路径，选取两者相同的作为实际工况与目标工况间的最优转移路径并发出相应信号执行。2.根据权利要求1所述的一种面向油耗优化的车辆工况转移规划方法，其特征在于，所述步骤s3中依据聚类分区方法可以得到每个工况所对应的区域，依据历史行车数据中的连续变化工况进行各区关系的构建：若存在大量连续工况在两区域间进行过渡，则说明两区间联系较强，存在转移关系，需要进行区间的转移代价计算；若两区间存在转移关系，则依据各区中所有的工况点计算其密度分布并确定该区间核心工况点；将终点区域再划分为多个小区间并确定其概率密度，分别计算起始区域中所有工况到该小区间中所有工况的转移油耗，将各个小区间的概率密度与转移油耗相乘并累加作为两区间的油耗转移代价；即：其中：fc为两区间转移油耗，fc
i
为初始区域到第i小区间的转移油耗，pi为第i小区间的概率密度。3.根据权利要求1所述的一种面向油耗优化的车辆工况转移规划方法，其特征在于，所述步骤s2选取合理的工况特征变量，在对行车历史数据归一化处理后进行聚类分区过程：工况特征变量选取：选出与车辆油耗相关的特征变量，并对不同特征进行相关性分析以设定合理的特征变量组合方案；行车历史数据归一化处理：对历史行车数据中选取的x＝(x1,x2,x3,x4,...)特征进行处理，使其落入一个特定区间：
其中：x为归一化后变量数据，μ为相关变量的平均值，σ为相关变量的标准差；聚类分区划分：通过如下公式对聚类分区的数量进行确定：其中：以误差平方和作为划分依据，计算不同类的数量k所对应的误差平方和sse，当sse下降率突然变缓即认为是最佳的k值；x为归一化处理后变量数据，m
i
为类i的平均值，c
i
为类别i的集合，k为类的数量；通过如下公式对聚类分区的类别进行划分：其中：以欧式距离作为划分依据，计算每个工况到k个中心工况的距离d，若距离最小则将该工况归为该中心工况所属的类别；x
i
、x
j
为不同工况的变量数据，o为工况特征的数量，x
ik
、x
jk
为工况的不同特征。4.根据权利要求1-3任一项所述的一种面向油耗优化的车辆工况转移规划方法的应用，其特征在于，车辆实际行驶过程中，实时获取车辆当前工况和需求工况的信息，分别作为初始工况和目标工况，根据所述步骤s1中采集的历史行车数据搜寻所有始点工况为初始工况、终点工况为目标工况的转移路径，并根据所述步骤s2中聚类分区方法计算对应转移路径下各工况点所属区域，由此得到有向图中固定始末点的不同转移路径；根据所述步骤s2中聚类分区方法计算当前工况和需求工况所属区域作为有向图中的出发节点和最终节点，经有向图最短路径表搜索得到最短路径；将得到的最短路径与上一子步骤的有向图中的不同转移路径进行对比，选取相同的路径作为最优转移路径，并构造对应路径下的工况时序数据发送至汽车电控单元实现该路径。

技术总结
本发明公开了一种面向油耗优化的车辆工况转移规划方法，包括：步骤1：依据车辆相关测试工况采集行车数据；步骤2：对获得的历史数据中的各变量进行筛选作为不同维度进行聚类分区；步骤3：依据连续工况数据对聚类所分各区进行信息提取，得到各区关系及转移代价；步骤4：依据各区间关系构建工况转移有向图，得到不同始末区域间的所有最小代价转移路径；步骤5：依据当前工况和目标工况信息，判断路径中各工况所经过的区域选取与步骤4中对应最小代价路径相同的作为最优转移路径；本发明对历史数据中的工况信息进行区域划分，后将各区域视为有向图中顶点，以区域间转移代价作为各顶点间距离，将车辆工况转移路径规划转变为有向图最短路径搜索。路径搜索。路径搜索。


技术研发人员：陈韬 张俊峰 范鸿钢
受保护的技术使用者：天津大学
技术研发日：2023.06.20
技术公布日：2023/9/20