[发明专利]基于先验信息和大数据的汽车运行工况设计方法

摘要

本发明涉及基于先验信息和大数据的汽车运行工况设计方法，包括以下三个阶段：一、确定表达代表性的特征参数；二、把典型工况数据库和重采样数据库作为先验工况数据库，统计其状态和状态转移信息，作为设计工况的先验信息；三、利用基于先验信息的新遗传算法设计工况；本发明是一种利用低采样频率的大数据设计汽车运行工况的新方法，有效解决了当前汽车运行工况设计方法对小于1Hz的低采样频率数据无效的问题。

主权项

基于先验信息和大数据的汽车运行工况设计方法，其特征在于：包括以下三个阶段：一、确定表达代表性的特征参数根据马尔科夫链的遍历性理论以及大数据重采样的统计分析，确定设计工况具有代表性的特征参数；具体步骤如下：1)根据马尔科夫链遍历性理论确定速度的特征参数：马尔科夫链在任一时刻n∈T1的一维分布：p(n)＝p(0)P(n)   (1)式中，p(n)为马尔科夫链任一时刻n∈T1时的一维分布，p(0)为初始分布，P(n)为第n步转移概率矩阵；由C‑K方程可知，第n步转移概率矩阵为P(n)＝Pn   (2)另由马尔科夫链遍历性理论可知，存在极限分布，见公式(3)π＝πP   (3)式中，π＝(π1,π2,…,πN)为极限分布，P为一步转移概率矩阵；若用π作为链的初始分布，即p(0)＝π，由公式(1)，(2)和(3)式，有p(n)＝p(0)P(n)＝πPn＝πPn‑1＝…＝πP＝π   (4)则马尔科夫链在任一时刻n∈T1的一维分布p(n)永远与π一致；由(4)式可知，有限个状态的马尔科夫链经过任意步的转移均趋向于同一个极限分布，也即平稳分布；根据汽车运行工况具有强马尔科夫性，即从一个状态到另一个状态的转移，必存在确定的转移概率；故以速度作为状态，低采样频率大数据的工况时间序列和高采样频率的工况时间序列对应着相同的平稳分布；因此，根据低采样频率的大数据确定评价工况代表性的速度特征参数，包括怠速时间比例(％)、平均速度(km/h)、平均行驶速度(km/h)和行驶速度标准差(km/h)；2)根据重采样数据的统计分析确定加速度特征参数对低采样频率的大数据使用重采样技术，得到近似1Hz数据的重采样时间序列。利用重采样序列和原始工况序列较高的一致性，统计重采样数据的VA分布(速度和加速度概率分布)相关的常见加速度特征指标，用来评价设计工况的代表性；最终确定重采样数据的加速时间比例(％)、匀速行驶时间比例(％)、减速时间比例(％)、PKE(m/s2)、平均加速度(m/s2)、平均减速度(m/s2)和VA分布相关系数共7个加速度相关特征参数；其中，PKE计算如下PKE=ΣVf2-Vi2D,dVdt>0]]>PKE表示单位距离上的正加速动能；Vf和Vi分别是单个加速过程中终止和起始速度，D为总行驶里程；二、统计先验信息把典型工况数据库和重采样数据库作为先验工况数据库，统计其状态和状态转移信息，作为设计工况的先验信息；具体步骤如下：1)统计先验转移概率矩阵库选取国内外典型工况和第一阶段步骤2)的重采样工况，构成先验工况数据库；首先，确定速度范围为0到最大值Vmax，加速度范围为最小值Amin到最大值Amax，设置速度步长为gapV，加速度步长为gapA；然后，定义怠速区间，对应的速度区间为0到加速度范围为到最后，在一个编码空间中，定义所有工况的状态；使用区间码表示参数某个区间内的值，第i时刻的速度Vi的区间码mi为mi＝floor(Vi/gapV)+1加速度Ai的区间码ni为ni＝floor((Ai‑Amin)/gapA)+1然后由第i时刻的速度区间码mi和加速度区间码ni计算第i时刻的状态si为si＝mi+(ni‑1)×M其中，M为速度区间码个数，M＝floor(Vmax/gapV)+1根据公式(5)计算各个工况的状态转移概率矩阵；P=p11p12...p1mp21p22...p2m.........pm1pm2...pmm,(i,j∈S)---(5)]]>其中，pij为一维空间状态si到一维空间状态sj的转移概率，S为空间状态集合，Nij为状态si到sj的转移频数，Ni为状态si到任意状态的转移频率；最终得到先验转移概率矩阵库，记为ETPMs(Empirical Transition Probability Matrix)；2)统计先验转移矩阵在ETPMs中每个转移概率矩阵当前状态和下一状态的二维平面上，统计多个矩阵的状态和状态转移信息；状态按照从小到大排列，将ETPMs中的状态和状态转移一一对应到一个状态转移矩阵上；此矩阵称之为先验转移矩阵，记ETM(Empirical Transition Matrix)，用来表达原始工况数据库的状态和状态是否存在转移关系的可行域；三、利用基于先验信息的新遗传算法设计工况利用第一阶段步骤1)的速度特征参数和步骤2)的加速度特征参数设计目标函数，利用第二阶段步骤1)的ETPMs构造种群和设计变异算子，步骤2)的EPM设计交叉算子，最后由四部分组成的新遗传算法设计运行工况；具体步骤如下：1)初始种群构造首先，在第二阶段步骤1)的ETPMs中随机选择一个状态转移概率矩阵；然后基于马尔科夫链随机模拟方法生成一定长度状态序列，具体如下：选取怠速状态为初始状态X(1)＝k0，根据伪随机数，在0到1之间取随机数r1；选择满足公式(6)的状态作为序列的下一状态X(2)＝k1，不断重复，直至生成一定长度且终止状态为怠速状态的工况序列；然后采用整数编码，把状态编码为基因，序列编码为染色体；重复以上所有步骤得到多条染色体，可随机组成任意大小的初始种群；Σj=1k1-1pk0j≤r1≤Σj=1k1pk0j---(6)]]>2)目标函数设计首先，设定第一阶段步骤1)和步骤2)得到的特征参数相对允许偏差绝对值；然后根据公式(7)表达设计工况与原始工况的一致性；|Ioi‑Iei(X)|≤di,(i＝1,2,…,n)   (7)其中X为设计工况，Io为来自第一阶段步骤1)和步骤2)中确定的特征参数，Ie为设计工况的对应的特征参数，d为允许偏差，n为特征参数的个数；将公式(7)转化成公式(8)fi(X)=|1-Iei(X)Ioi|,f‾i=diIoi---(8)]]>最后，通过构造辅助公式(9)，得到最后的目标函数(10)Ti(X)=fi(X)+f‾i-min(fi(X),f‾i)---(9)]]>F=minx∈S(1nΣj=1nTj(X))---(10)]]>3)满足马尔科夫性的交叉算子设计首先，随机选择任意相同长度两个个体X(1)，X(2)；利用阶段一步骤2)的ETM，在X(1)，X(2)随机地找到同时满足(11)至(14)的四个相邻基因ETM{X(2)=xj+1(2)|X(1)=xi(1)}>0---(11)]]>ETM{X(1)=xi+1(1)|X(2)=xj(2)}>0---(12)]]>ETM{X(2)=xj′+1(2)|X(1)=xi′(1)}>0---(13)]]>ETM{X(1)=xi′+1(1)|X(2)=xj′(2)}>0---(14)]]>其中，与与是X(1)中的两对相邻基因，与与是X(2)中两对相邻基因，且i不一定等于j，i'不一定等于j'；然后，X(1)和X(2)相互交换i到i'和j到j'之间的非等位交叉段，生成符合马尔科夫性的交叉个体；4)满足马尔科夫性的变异算子设计首先，在阶段一步骤1)的ETPMs中随机选择一个状态转移概率矩阵；然后根据起点和终点状态为怠速状态和一定长度的要求，利用第三阶段步骤1)的随机模拟方法生成一条状态序列；采用整数编码后作为变异个体；5)新遗传算法实施进化设定种群大小和迭代次数，由以上四个阶段组成的新遗传算法进化输出至最佳适应值，并解码其对应的工况状态序列，最后得到速度和加速度的时间序列，即设计工况。