【技術實現步驟摘要】
本專利技術涉及汽車，尤其是一種汽車行駛工況多尺度識別方法。
技術介紹
1、混合動力汽車因其較高的燃油效率和較低的排放而受到廣泛關注。為了進一步提升混動汽車的能效和駕駛體驗，對車輛行駛工況的準確識別和分類至關重要。現有的混動汽車工況識別方法多基于單一的工況分類策略，這些方法往往無法有效應對復雜多變的實際行駛條件。在動態變化的行駛環境中，車輛需要根據不同的工況調整其動力系統的工作模式，以達到最佳的動力性能和燃油經濟性。為了解決這一問題，一些研究者提出了一些工況分類方法，然而，這些方法在處理工況突變和復雜行駛模式時仍存在局限性，難以實現精確的工況識別。另外，現有的工況識別在應對突變工況時往往缺乏靈活性。
技術實現思路
1、本專利技術的目的就是為了提高識別車輛行駛工況尤其是突變工況的準確性而提供的一種汽車行駛工況多尺度識別方法。
2、本專利技術的目的可以通過以下技術方案來實現：
3、本專利技術提出一種汽車行駛工況多尺度識別方法，方法包括以下步驟：
4、s1、獲取行駛工況數據并預處理，得到預處理后的工況數據以及長期工況類別；
5、s2、對于預處理后的工況數據進行短期工況樣本劃分及長期工況樣本劃分，對長期工況類別按長期工況樣本劃分，和長期工況樣本一一對應；
6、s3、對劃分后的工況數據進行特征參數計算，得到每段工況樣本的特征參數數據；
7、s4、工況樣本的特征參數數據進行主成分分析并降維；
8、s5、將主成分降
9、s6、基于降維后的特征參數數據、短期工況類別和長期工況類別進行模型訓練，得到多時間尺度工況識別模型，所述多時間尺度工況識別模型獲取實際工況數據，輸出識別結果。
10、進一步地，所述預處理具體為：
11、a1、檢查行駛工況數據的數量是否達到閾值，若不是，則基于循環重構或者數據增強技術擴充行駛工況數據，返回a1，反之執行a2；
12、a2、檢查a1得到的行駛工況數據是否存在缺失值和異常值，若是，則進行缺失值處理和異常值處理，然后執行a3，反之直接執行a3；。
13、a3、對a2得到的行駛工況數據識別長期工況類別，同時是否存在數量閾值以上的連續零值，若是則去除連續零值并在行駛工況數據中標記為長時間停車長期工況，得到預處理后的工況數據，然后執行a4，反之得到預處理后的工況數據，直接執行a4；
14、a4、由預處理后的工況數據計算得到加速度。
15、進一步地，s2中進行短期工況樣本劃分及長期工況樣本劃分的具體步驟為：
16、b1、選取預處理后的工況數據中第1到t個數據點組成第1段工況樣本；
17、b2、間隔δt個數據點，選取預處理后的工況數據第(1+δt)到(1+δt+t)個數據點組成第2段工況樣本；
18、b3、重復上述步驟；
19、b4、選取預處理后的工況數據第(1+kδt)到(1+kδt+t)個數據點組成最后一段工況樣本(k∈z,1+kδt+t≤n<1+kδt+δt+t)，采用不同的工況樣本長度t重復上述步驟，劃分得到短期工況樣本劃分及長期工況樣本。
20、進一步地，s3的具體步驟為：
21、d1、由劃分后的工況數據計算得到最大速度其中vi表示各個工況樣本的速度；
22、d2、由劃分后的工況數據計算得到平均速度
23、d3、由劃分后的工況數據計算得到最大加速度其中，ai表示各個工況樣本的加速度；
24、d4、由劃分后的工況數據計算得到最大減速度
25、d5、由劃分后的工況數據計算得到平均加速度
26、d6、由劃分后的工況數據計算得到平均減速度
27、d7、由劃分后的工況數據計算得到加速時間比其中
28、d8、由劃分后的工況數據計算得到減速時間比
29、d9、由劃分后的工況數據計算得到勻速時間比
30、d10、由劃分后的工況數據計算得到怠速時間比上述參數組成特征參數數據。
31、進一步地，s4的具體步驟為：
32、對短期工況樣本和長期工況樣本對應的特征參數數據分別執行以下操作：
33、e1、將特征參數數據組成對應特征參數矩陣x，x的行數為工況樣本數，列數為特征個數；
34、e2、對特征參數矩陣x進行標準化處理，將每個特征參數減去其均值，然后除以其標準差，得到標準化處理后的特征參數矩陣xstd；
35、e3、對標準化處理后的特征參數矩陣xstd計算其協方差矩陣；
36、e4、求解協方差矩陣的特征值和特征向量；
37、e5、計算主成分貢獻率以及累計貢獻率；
38、e6、選取滿足累計貢獻率大于95％的前k個最大的特征值對應的特征向量a1,a2,…,ak作為主成分；
39、e7、將主成分a1,a2,…,ak合成投影矩陣p＝[a1,a2,…,ak]；
40、e8、基于投影矩陣將特征參數矩陣xstd投影到由主成分定義的新空間中，得到主成分降維后的數據y＝xstdp。
41、進一步地，協方差矩陣為：
42、
43、其中，∑是協方差矩陣，n是工況樣本數。
44、進一步地，求解協方差矩陣的特征值和特征向量具體為：
45、det(∑-入i)＝0
46、(∑-入i)a＝0
47、式中，λ是特征值，i是單位矩陣，a是特征向量。
48、進一步地，主成分貢獻率以及累計貢獻率為：
49、
50、其中，di為主成分貢獻率，ri為累計貢獻率。
51、進一步地，s5的具體步驟為：
52、對短期工況樣本對應的主成分降維后的特征參數數據進行k-means聚類，得到短期工況類別。
53、進一步地，s6的步驟為：
54、g1、將降維后的特征參數數據作為特征，短期工況類別和長期工況類別作為標簽，劃分驗證集、訓練集和測試集；
55、g2、選取多層感知器神經網絡作為多時間尺度工況識別模型主體架構，損失函數選取交叉熵損失函數，優化器選取adam優化器，利用訓練集的數據進行模型訓練，同時觀測模型在驗證集上的損失及準確率，在相鄰兩次驗證集損失低于閾值時結束訓練過程；
56、g3、對訓練完成的多時間尺度工況識別模型利用測試集數據測試模型性能；
57、g4、調整訓練參數，重復上述步驟，直至得到最終的多時間尺度工況識別模型，基于最終的多時間尺度工況識別模型獲取實際工況數據，輸出識別結果。
58、與現有技術相比，本專利技術具有以下有益效果：
59、本專利技術引入多時間尺度分析與識別，能夠同時識別短期工況以及長期工況，能夠識別到怠速、勻速、加速、減速、急停、急起本文檔來自技高網...
【技術保護點】
1.一種汽車行駛工況多尺度識別方法，其特征在于，方法包括以下步驟：
2.根據權利要求1所述的一種汽車行駛工況多尺度識別方法，其特征在于，所述預處理具體為：
3.根據權利要求1所述的一種汽車行駛工況多尺度識別方法，其特征在于，S2中進行短期工況樣本劃分及長期工況樣本劃分的具體步驟為：
4.根據權利要求1所述的一種汽車行駛工況多尺度識別方法，其特征在于，S3的具體步驟為：
5.根據權利要求1所述的一種汽車行駛工況多尺度識別方法，其特征在于，S4的具體步驟為：
6.根據權利要求5所述的一種汽車行駛工況多尺度識別方法，其特征在于，協方差矩陣為：
7.根據權利要求6所述的一種汽車行駛工況多尺度識別方法，其特征在于，求解協方差矩陣的特征值和特征向量具體為：
8.根據權利要求7所述的一種汽車行駛工況多尺度識別方法，其特征在于，主成分貢獻率以及累計貢獻率為：
9.根據權利要求1所述的一種汽車行駛工況多尺度識別方法，其特征在于，S5的具體步驟為：
10.根據權利要求1所述的一種汽車行駛工況多
...【技術特征摘要】
1.一種汽車行駛工況多尺度識別方法，其特征在于，方法包括以下步驟：
2.根據權利要求1所述的一種汽車行駛工況多尺度識別方法，其特征在于，所述預處理具體為：
3.根據權利要求1所述的一種汽車行駛工況多尺度識別方法，其特征在于，s2中進行短期工況樣本劃分及長期工況樣本劃分的具體步驟為：
4.根據權利要求1所述的一種汽車行駛工況多尺度識別方法，其特征在于，s3的具體步驟為：
5.根據權利要求1所述的一種汽車行駛工況多尺度識別方法，其特征在于，s4的具體步驟為：
【專利技術屬性】
技術研發人員：劉單珂，單沐榮，陳昊，王雪娥，王一博，曾憲泰，于立軍，劉音孜，李睿，
申請(專利權)人：上海交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。