基于相似性优化模型样本的实车锂电池健康状态分析

为更好地解决电动汽车动力电池健康状态（SOH）在线估计问题,减少实车采集数据中的冗余样本,改善运行工况不稳定导致的特征丢失,提升实车电池SOH估计的精度,提出一种基于增量容量分析方法（ICA）提取特征和动态时间规整（DTW）优化特征样本的SOH估计方法。首先对实车电池充电循环数据应用增量容量分析提取电池IC曲线,以曲线峰高度等形状特征作为健康因子。采用动态时间规整作相似性判据,基于IC曲线形状计算电池充电循环样本的相似度,保留与基准充电循环相似的充电循环数据,优化训练样本,最后采用全连接神经网络（MLP）模型进行SOH估计。以实车运行电池数据进行对比实验,结果表明该方法可明显改善训练样本质量,提升电池SOH估计精度。     

基于行驶工况识别的纯电动汽车续驶里程估算

本文中采用主成分分析和模糊聚类相结合的行驶工况识别方法进行纯电动汽车续驶里程的估算。首先选取20个具有代表性的循环工况数据,将其划分为215个工况片段,并选用12个特征参数对其进行主成分分析、模糊C聚类分析和行驶工况识别;然后在MATLAB/Simulink下建立纯电动汽车整车模型,进行行驶工况识别、整车能量消耗和续驶里程仿真估算;最后在转鼓试验台上进行ECE15工况下实车测试验证,结果表明:续驶里程仿真估算值与测试值的最大绝对误差为1.905km,平均绝对误差为0.742km,相对误差小于3%。     

基于遗传算法和支持向量机的汽车行驶工况识别

为了提高支持向量机算法应用在行驶工况识别上的准确率,提出一种基于遗传算法优化策略.基于主成分分析理论对实车采集的4种典型城市工况载荷谱数据提取特征参数,并以此作为识别模型的输入参数,然后通过网格搜索法确定参数寻优空间,再由遗传算法在此范围内精确寻优.仿真试验结果显示,运用这种基于遗传算法优化支持向量机建立的识别模型分类识别精确度比之前提高了3.44％.     

基于无迹卡尔曼滤波和门控循环单元的道路坡度估计

针对外接激光雷达等传感器普适性差,而传统道路坡度估计方法仅根据车载CAN总线数据在车辆起步、换挡、制动和停车4种特殊工况中的估计误差较大的问题,提出了一种基于无迹卡尔曼滤波（UKF）和门控循环单元（GRU）的道路坡度估计方法。根据车速等数据识别工况,在非特殊工况下,建立车辆动力学模型并采用UKF来估计坡度;在特殊工况下,将规律性不稳定的时序坡度转换为距序坡度,并利用GRU进行短距坡度预测。仿真和实车试验结果表明：在非特殊工况下,该方法通过UKF可准确估计道路坡度;在特殊工况下,该方法通过GRU可有效跟踪距序坡度变化趋势,显著提高了道路坡度估计精度。     

危险驾驶工况场景的复杂度评估方法研究

本文中提出了一种对危险驾驶工况场景数据的采集和复杂度评估的方法。与大型实车路试中自然驾驶数据的采集方法不同的是,本文中基于高级驾驶辅助系统采集其报警前后数据,并将其作为危险驾驶工况数据进行研究;在分析危险驾驶工况场景数据及其影响因素的基础上,构建了包含不同环境、交通流和车辆相关因素的危险驾驶工况场景的复杂度评价指标体系;基于专家评分结果,应用层次分析法确定指标权重,得到了对危险驾驶工况场景进行复杂度评价的模型与方法,可用于智能汽车的仿真测试。     

自卸车循环工况研究

通过大量自卸车用户使用情况调研和实车试验,应用数理统计和多参数统计理论,解析出自卸车行驶循环工况.利用CRUISE软件建立了自卸车整车模型,并用此模型对所建自卸车行驶循环工况的载荷分布进行了仿真分析.     

基于车身减速度估计的ABS路面识别方法

为改善制动防抱死系统(ABS)的控制效果,进行了大量实车道路试验,通过深入分析试验数据,提出了一种基于车身减速度估计的路面识别方法,从理论上证明了该方法的合理性,并结合试验数据说明了该方法的原理。将路面识别模块嵌入到ABS软件中,以捷达GTX轿车为试验车进行了干路面和雪路面工况下的实车试验。结果表明:基于车身减速度估计的路面识别方法能准确识别路面类型,ABS可根据路面识别结果采取不同的控制算法,最终改善了制动控制效果,提高了ABS对路面的适应性。     

基于深度学习的网约车需求预测研究

网约车需求预测是一个典型的时间序列预测任务,准确的网约车需求预测能够辅助网约车平台合理地派单和规划路径,从而降低网约车的空驶率,具有重要的研究意义。文章利用长短时记忆模型（LSTM）及门控循环单元（GRU）进行网约车需求预测,对比了同一地区休息日和工作日,一周和一个月内的网约车需求及其变化,构建基于LSTM和GRU的需求预测模型,使用历史数据对未来需求进行预测,使用Geohash代码对西安市进行区域划分,对数据和划分的网格进行匹配得到汇总数据,采用线性模型进行对照试验,结果表明,LSTM和GRU在网约车需求预测中的表现优于线性模型,二者相比LSTM预测精度更高。     

基于模糊推理的驾驶员意图识别研究

对驾驶员换档操作进行了动力学分析,定义了平直道路匀速行驶的平衡节气门开度和相对节气门开度,研究了典型工况下驾驶员操作特征,将平直道路行驶时的驾驶员意图分为相互关联的五类,并在此基础上提出了将驾驶环境和驾驶员操作相统一的识别方法。根据相应的实车实验数据和经验收集,制定了模糊推理的规则库,建立了多输入单输出的模糊推理模型。对实车实验数据进行了离线识别验证,能够比较准确完整的识别驾驶员意图。     

基于制动意图识别的增程式重型商用车复合制动控制策略

为了提高增程式重型商用车制动能量回收率和制动性能,通过分析大量实车制动数据,以制动踏板位移和制动踏板位移变化率为输入设计制动意图的模糊推理规则,采用LQV神经模糊系统建立制动意图识别模型;在制动力分配要求、电机再生制动约束、蓄电池约束等约束条件下,基于制动意图识别建立机-电复合制动控制策略,并通过60km·h~(-1)初速单次制动工况仿真、中国典型城市公交工况(CCBC工况)仿真和实车试验验证复合制动控制策略的性能。研究结果表明:提出的复合制动控制策略能够准确识别驾驶人的制动意图,优化制动力分配,提高制动能量回收率;其中60km·h~(-1)初速单次制动工况下轻度制动和中度制动的能量回收率分别为19.05%和15.69%,CCBC工况下制动能量回收率达到了16.65%;提出的复合制动控制策略能够满足实车制动需求,在30km·h~(-1)初速单次制动工况下轻度制动和中度制动时,蓄电池SOC分别上升了0.019%和0.011%。因此,基于制动意图识别的复合制动控制策略能够显著提高电动汽车的能量利用效率,是一种提升电动汽车经济性的有效方法。     

基于自然驾驶数据的驾驶人换道决策识别研究

为实现人机共驾模式下智能系统对驾驶人换道决策的准确识别,将换道决策细分并提出了基于改进的极端梯度提升(XGBoost)的换道决策识别模型。以实车试验采集的自然驾驶数据作为输入,并采用滑动时间窗法确定识别时刻,建立各识别时间窗口下基于XGBoost的换道决策识别模型,同时运用交叉检验和网格搜索(GS)算法进一步提升模型性能,最后利用验证集数据评估所构建GS-XGBoost模型的识别性能,并与机器学习及深度学习模型进行对比。结果表明,所提出的模型在具体换道决策辨识上具有较好的实时性和准确性,且在1.8 s和1.6 s时间窗下的识别准确率最高,达到86.2%。     

基于FCM聚类算法的电动车城市循环工况构建

针对传统循环工况难以表征电动汽车特性的问题,以典型大中型城市西安为研究对象,对电动汽车城市循环工况构建方法进行了研究。研究工作主要体现在试验路线构建、试验数据处理和循环工况合成。在试验路线构建过程中,首先以2016年西安市城市道路交通地图为参考,应用ArcGIS软件计算了西安市城市道路总长度及各种类型道路长度,然后采集了西安市各种类型道路进行交通流量,采用重复抽样假设检验法确定了试验路线长度,采用层次分析法获得了试验路线中各种类型道路的长度和比例,并且基于西安市城市道路整体综合特征构建了试验路线。在试验数据处理过程中,首先采用小波分解和重构法对原始数据进行去噪,然后基于主成分分析法确定了运动学片段特征参数,基于模糊C均值(FCM)聚类分析法将试验数据划分成稳定流动工况、拥堵工况、畅通工况3种运动学片段。在循环工况合成过程中,根据3种运动学片段类的比例,选取离聚类中心最近的运动学片段合成一个完整的行驶工况。最后将西安市城市循环工况与中国典型工况,NEDC,UDDS,ECE15,EUDC,FTP-15等行驶工况的特征参数进行了对比,并且进行了试验对比研究。试验结果表明:西安城市工况下的续驶里程与实际续驶里程相差11. 72 km,相对误差为3. 91%,说明所建立的电动汽车城市循环工况能够真实反映西安市交通总体特征,所构建的行驶工况具有较高的真实性。     

驾驶员避撞转向行为的改进K-means聚类与识别

本文中根据不同工况驾驶员转向行为数据,提出了基于驾驶员避撞转向行为特征的聚类算法。首先搭建驾驶模拟器,采集了定半径转向、常规换道和紧急避撞转向工况下的驾驶行为数据,通过对比正常行驶和紧急避障工况下驾驶员转向行为数据,定性分析了紧急避撞转向特点。之后,利用皮尔逊相关系数法分析了描述驾驶员转向行为的观测变量与紧急避撞转向行为的相关性,得出转向盘转速与转向工况的相关性最高。接着,以转向盘转速作为聚类特征参数,利用改进K均值(K-means++)聚类方法对转向行为数据进行了聚类,将转向行为划分为正常转向和紧急避撞转向,实现了紧急避撞转向工况的识别。最后,通过实车试验验证了所提出的紧急避撞转向行为K-means++聚类方法可有效识别驾驶员紧急避撞转向行为,聚类精度达96.7%。     

基于危险性的汽车ACC切车场景设计研究

针对汽车自适应巡航控制系统功能测试需求，基于曝光度及危险性分析设计ACC切车场景。基于自然驾驶数据，通过对切车工况数据特征进行分析，提取切车工况，并基于先验的智能驾驶模型、最优化方法和扫描线种子填充算法设计了关键切车场景。基于场景仿真软件完成了关键切车场景的构建及对ACC功能模块的仿真验证，并进行了危险切车场景仿真分析。结果表明基于考量场景曝光度及危险性的自然驾驶关键切车场景提取与设计方法，可有效设计开发汽车自适应巡航控制系统典型测试场景。     

基于VP分布的乘用车运行工况设计方法研究

提出了一种用于设计汽车运行工况的新方法,以速度和功率（velocityandpower,VP）分布一致性为设计目标,建立满意准则模型进行汽车运行工况设计。在分析处理实车试验数据的基础上,设计开发了长春市乘用车运行工况,并且通过分析设计工况的油耗特性,验证了基于VP分布的运行工况设计方法的合理性。     

基于ReliefF-RBF的路面不平度识别算法研究

路面不平度对道路车辆行驶安全性及车辆动力学响应具有重要影响。通过将路面不平度识别与先进悬架控制结合,有望能进一步提升乘员舒适性和车辆的操纵稳定性。现有基于数据驱动的路面分类方法难以高效处理时变参数与车速,现有基于模型的路面识别算法需要已知精确车辆模型,在实际应用中面临车辆物理参数难以获得的问题。提出一种融合模型和数据驱动的路面分类算法,采用基于模型的方法反算等效路面轮廓,结合数据预处理方法,对车辆响应和反算等效路面轮廓数据进行滤波;对等效路面轮廓和响应信息进行时域频域特征计算,采用ReliefF算法进行关键特征提取,构建基于径向基函数神经网络的路面分类器,进行路面分级识别;通过仿真试验和实车试验验证了不同车辆参数和车速下所提出的算法鲁棒性。     

快递运输车油耗研究与动力配置优化

以快递运输车为研究对象,针对用户使用情况进行了调研和实车道路采集,解析出快递运输车典型用户行驶循环工况。基于所提取的循环工况进行了综合油耗仿真分析,并进行了客户试验验证。结果表明,仿真计算油耗与客户实际使用油耗一致,得出适合快递运输车的最佳动力配置。     

基于改进K-均值聚类算法的合肥市电动客车行驶工况构建

为构建合肥市电动客车行驶工况,选取合肥市4条典型线路的12辆电动公交车进行连续一周的数据采集,基于短行程分析法将经过处理的有效数据分割成24 595个片段并计算特征值,采用主成分分析法和改进K-均值(K-Means)聚类算法对短行程特征值进行降维与聚类,根据类中心距离从聚类结果中选出类代表短行程,从而构建出合肥市电动客车的行驶工况。将所构建的工况与实车采集数据及国内外典型行驶工况进行对比,结果表明,构建的行驶工况能更准确地反映合肥市电动客车的行驶特征。     

增程式电动汽车能耗测试仿真试验研究

增程式电动汽车采用与传统混合动力电动汽车同样的能耗测试标准，但二者在工作原理和系统构架等方面存在显著差异。通过搭建增程式电动汽车仿真模型，采用全球统一的轻型车测试循环（WLTC）工况进行电量消耗模式（CD）和电量保持模式（CS）的能耗仿真试验，再基于实车试验室数据对仿真模型进行对比验证。最后，开展采用中国轻型汽车行驶工况（CLTC）的能耗仿真试验，分析增程式电动汽车在两种不同工况下的能耗表现。结果表明：采用仿真手段能较好地实现对增程式电动汽车的能耗测试，且综合结果与试验室数据较为相符，采用CLTC工况的能耗测试表现要显著优于WLTC工况的能耗测试表现。     

基于主成分分析和学习向量量化神经网络的制动工况路面识别与验证

开展车辆制动时路面类型识别的研究，提出一种基于主成分分析-学习向量量化神经网络 （Principal Component Analysis - Learning Vector Quantization，PCA-LVQ） 的制动工况路面识别方法。利用主成分分析对多维度驾驶数据降维处理，提取能表征路面特征的主要成分，采用学习向量量化神经网络对降维处理后的驾驶数据进行训练，并用于路面特征分类，使用制动工况下实车试验数据和硬件在环仿真数据进行验证。结果表明，所提出的 PCA-LVQ算法能准确识别路面类型特征，路面识别的精度达到 97%，与传统 BP神经网络的路面类型特征识别精度提升 7%；同时，在不同车速下，基于PCA-LVQ算法也能较准确地识别路面类型特征。