一种基于多算法竞争并拼接微行程的随机路谱生成方法与流程
本发明涉及发动机微行程路谱生成方法,特别是一种基于多算法竞争并拼接微行程的随机路谱生成方法。
背景技术:
1、在车辆耐久性可靠性验证和新产品开发过程中,通常需要在台架试验上复现实际道路的各种复杂行驶工况以进行关键部件和整车系统的载荷模拟与寿命测试。传统的技术方案是直接采集若干辆样车的实际道路行驶数据作为台架测试的驱动输入。然而,这种基于实测的方法存在显著的固有缺陷。首先,受限于高昂的时间与经济成本,能够采集的数据总量往往极为有限,仅包含少量车辆在特定时期的行驶记录,其统计学样本的代表性严重不足,难以覆盖广大用户群体中千差万别的驾驶风格、道路类型及使用环境组合,导致合成的载荷谱无法充分反映真实世界中的全部可能负载。其次,台架耐久性试验往往需要持续数百乃至数千小时,而有限时长的实测数据通常无法直接满足或定制生成如此长时间周期的等效载荷谱需求。再者,实测数据中由特定驾驶者习惯所导致的某些极端驾驶工况可能缺失,使得基于此进行的台架试验遗漏了对相应临界失效模式的检验,从而带来潜在的质量风险。
2、为弥补实测路谱的不足,业界开发了以合成路谱为代表的随机路谱生成技术,其核心思想是从基础行驶数据中提取出具备统计代表性的基本行驶单元,并依据特定规则将其重新组合,以构造出满足指定时长和统计特性的合成驾驶工况。当前主流的技术方案主要包括以下几种:其一是随机抽取法,即从原始数据中随机截取若干子段落进行简单拼接。这种方法虽然操作简便,但缺乏统计设计,导致生成的合成工况在关键特征分布上与原始数据产生系统性偏差,代表性不佳。其二,基于单一聚类算法的k-means方法已成为目前最普遍采用的合成路径。该方法将切割后的微行程提取多维特征后,利用k-means算法进行聚类分组,再从每组中选取代表性片段进行拼接。然而,k-means算法在原理上假设数据簇为球形凸分布,对于实际驾驶数据中可能存在的复杂、不规则形状的类别划分效果不佳。此外,其聚类数目k值需要人为预先指定,具有一定的主观性和不确定性。其三,也有研究尝试使用基于马尔可夫链蒙特卡洛的方法,通过对微行程之间的转移概率进行建模来生成序列。此类方法能够在一定程度上保持序列的统计转移特性,但对特征维数敏感,在数据高维或稀疏时模型性能会显著下降。
3、总结现有合成路谱生成技术,普遍存在如下几方面局限性:第一,算法单一固化。多数商用工具或成熟方案仅依赖单一的聚类算法,用户无法了解针对当前特定的数据集,是否存在其他更优的算法能够生成代表性更好的路谱,缺乏对不同算法的横向对比与择优机制。第二,所生成的合成路谱在物理可行性上存在不足。现有方法在进行微行程拼接时,通常只关注速度或加速度信号的表面连续性,而忽视了与发动机工况直接相关的关键物理参数,特别是发动机转速。这种忽略可能导致拼接点前后出现发动机转速在物理上无法实现的瞬时剧烈跳变,例如前一片段以高转速结束,后一片段立即以低转速起始。这种不现实的工况在发动机台架上或无法执行,或会引发异常振动与磨损,从而影响试验的有效性与设备的耐久性。第三,评价体系片面。对合成路谱质量的评价往往仅依赖于速度分布的均值或方差等少数指标的误差比较,缺乏一个全面、多维度的综合性量化评估体系,未能将加速度分布、不同行驶模式的比例、动能强度以及物理约束遵守程度等关键维度纳入系统考量。第四,决策缺乏量化依据。在面对多种可能的合成算法或参数组合时,用户缺乏一个客观、自动化的评价与比较工具来量化各方案的优劣,并据此做出最优选择,通常只能依据经验进行主观判断。
4、公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
1、本发明的目的在于提供一种基于多算法竞争并拼接微行程的随机路谱生成方法,解决背景技术的问题。
2、为实现上述目的,本发明提供了一种基于多算法竞争并拼接微行程的随机路谱生成方法,包括如下步骤:s1:对车辆ecu原始行驶数据进行预处理与插值重采样以获取均匀、清洁的时间序列数据;s2:对重采样后的所述时间序列数据进行微行程切割,以连续停车事件为边界将行驶数据分割为多个微行程片段,提取每个微行程片段所包含的具有16维特征的向量,所述16维特征向量包括表征速度特征的13维特征以及3维转速特征;s3:通过统一数据接口并行调用7种机器学习聚类算法对所有的微行程片段进行分类,使得每一种算法均输出对应聚类分组;s4:对全部所述聚类分组,在每个分组内部依据微行程片段与组内特征中心的距离选取一个代表性的微行程片段;s5:对于选定的代表性的微行程片段序列,执行基于物理约束的拼接操作,在将两个相邻的微行程片段进行连接时,施加转速差阈值约束条件,检查前一微行程片段的结束转速与后一微行程片段的起始转速之间的绝对差值是否不大于预设的物理可允许阈值;s6:若满足所述转速差阈值约束条件,则执行微行程片段的拼接以形成整段连续的合成数据;若不满足所述转速差约束条件,则需从候选代表性微行程片段池中选择另一能够满足所述转速差约束条件的候选片段进行替换再拼接,在无法找到满足约束条件的候选片段的情况下可忽略该约束但须记录此次违反约束的拼接事件;s7:对已通过所述转速差约束拼接获得的合成数据即合成路谱,采用综合性的多维度量化评价指标体系进行评估,得到所述合成路谱的综合代表性量化得分,其中所述评价指标体系至少包括反映速度分布误差的指标子类、反映加速度分布误差的指标子类、反映行驶模式比例的指标子类以及反映符合所述转速差约束程度的指标子类;s8:基于所述综合代表性量化得分,对所有经过测试的7种机器学习聚类算法生成的各自合成路谱进行综合性能的量化排序,形成算法pk排名的列表,并根据所述pk排名列表自动推荐出一个最佳的聚类算法以及相应的最优参数配置方案;其中,所述7种机器学习聚类算法具体包括k-means算法、高斯混合模型gmm算法、基于密度的dbscan算法、ward法的层次聚类算法、one-class svm支持向量机算法、自编码器autoencoder结合k-means的算法以及均值漂移算法。
3、在本发明的一实施方式中,所述步骤s1具体包括:s11:从csv格式的原始ecu行驶数据文件中读取包含时间戳、车速、发动机转速、油门开度以及扭矩信号的字段数据;s12:对所述字段数据执行第一阶段预处理,去除数据记录中存在空缺值的所有数据行,并删除数据记录中存在的重复行;s13:对包含车速的所述字段数据执行第二阶段预处理,将车速数据的数值范围裁剪至设定的0到200公里/小时的实际物理可能区间内;s14:对包含发动机转速的所述字段数据执行第二阶段的预处理,将所有转速数值裁剪至大于或等于0的最小物理限值;s15:对经过步骤s11-s14的所述字段数据进行线性插值操作,直到数据序列被重采样至时间间隔严格为1秒,得到可供后续微行程切割的规范化的时序数据。
4、在本发明的一实施方式中,所述步骤s2进一步包括:
5、s21:定义停车的判断规则为车速连续不低于3秒的时间段内均保持小于或等于0.5公里/小时的极低速度状态,将满足所述停车判断规则的连续时段识别为停车段,并将相邻停车段之间所夹的行驶数据整体定义为一个微行程;
6、s22:在进行步骤s21的微行程切割同时,同步对车速序列和发动机转速序列执行相同的片段分割操作,以每个微行程片段中的车速点与发动机转速点的时间对应关系;
7、s23:对于任何持续时间长度小于10秒的过短的微行程片段,将其舍弃,剩余数据生成为有效数据;
8、s24:对所述有效数据从片段的内部行驶数据中提取构成所述16维特征向量的全部特征;
9、其中,所述16维特征中,包括表征速度特征的所述13维特征包括:微行程的持续总时间、微行程行驶过的总距离、微行程片段内车辆的平均速度、微行程片段内车辆达到的最高速度、微行程片段内车辆速度的95百分位数值、微行程片段内车辆速度的标准差、微行程片段内车辆加速度的平均值、微行程片段内车辆减速度的平均值、微行程片段内怠速状态的时间比例、微行程片段内巡航状态的时间比例以及微行程片段内所有数据点计算得到的动能强度pke平均值;
10、所述16维特征中,所述3维转速特征包括:微行程片段开始时刻记录的初始发动机转速、微行程片段结束时刻记录的终止发动机转速以及整个微行程片段内记录的发动机转速的平均值。
11、在本发明的一实施方式中,所述步骤s3的聚类分组包括:
12、s31:对于经过所述7种机器学习聚类算法处理后所输出的每一个聚类分组,计算所述聚类分组内所有属于该组的微行程片段的特征向量与所述聚类分组的组内特征向量中心之间的欧氏距离;
13、s32:建立并存储包含所述聚类分组中每个微行程片段与其组内特征中心的距离值的数据映射表;
14、s33:对于所述聚类分组中的每一个微行程片段,根据其距离值的大小定义其代表性程度的量化指标;其中,微行程片段的距离值的大小与代表性程度大小为反比关系;
15、s34:选择最具代表性的微行程片段作为聚类分组的最终代表片段;
16、s35:针对每一个经过算法聚类得到的聚类分组组别,均独立地执行上述基于距离和概率的选择操作,最终生成代表所有组别特征的、经挑选的代表性微行程片段的序列集合。
17、在本发明的一实施方式中,所述步骤s6包括:
18、检查相邻微行程首尾转速差:|δrpm| ≤ 50则允许拼接;否则从候选池另选;无合规候选时忽略约束并记录违规;相邻片段间插入3秒过渡段保证连续性。
19、在本发明的一实施方式中,所述步骤s7包括:
20、s71:定义一个总分为0至100分的综合代表分数作为量化评估所述合成路谱质量的总指标;
21、s72:构建六类维度指标加权计算模型,所述六类维度包括:速度分布误差、加速度分布误差、行驶模式误差、转速约束、kl散度、pearson相关系数;
22、s73:赋予所述六类维度权重,具体为速度分布误差占28%、加速度分布误差占23%、行驶模式误差占24%、转速约束占10%、kl散度占10%、pearson相关系数占5%,加权计算综合得分并评级。
23、第二方面,本发明提供了一种基于多算法竞争并拼接微行程的随机路谱生成系统,基于所述的一种基于多算法竞争并拼接微行程的随机路谱生成方法相同的构思,包括多个执行模块,所述执行模块在运行时实现所述的一种基于多算法竞争并拼接微行程的随机路谱生成方法。
24、第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述的一种基于多算法竞争并拼接微行程的随机路谱生成方法。
25、第四方面,本发明提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现所述的一种基于多算法竞争并拼接微行程的随机路谱生成方法。
26、与现有技术相比,本发明具有以下技术优势:
27、通过并行运行7种主流机器学习聚类算法,并构建一个涵盖速度分布误差、加速度分布误差、行驶模式比例误差等多维度的加权综合评价体系,自动对所有算法生成的路谱进行量化打分并形成pk排名,从而改变了传统单一k-means算法的局限性,通过多算法竞争的选拔机制,确保无论面对何种分布特性的真实驾驶数据,都能从中选出最匹配当前数据特性的最优算法,并生成在多个关键统计维度上对原始工况代表性最佳的合成路谱。
28、通过在微行程拼接环节引入物理约束,即检查并控制相邻片段首尾发动机转速差是否不超过预设阈值,并结合条件替换机制和过渡处理,满足了合成路谱物理可行性与工程可用性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com