[發明專利]基于先驗信息和大數據的汽車運行工況設計方法

有效

• 申請號: 201711100950.1
• 申請日: 2017-11-10
• 公開（公告）號: CN107908853B
• 公開（公告）日: 2020-07-31
• 發明（設計）人: 施樹明;張曼;林楠;李文茹
• 申請（專利權）人: 吉林大學
• 主分類號: G06F30/15
• 分類號: G06F30/15;G06F30/20
• 代理公司: 長春吉大專利代理有限責任公司 22201
• 代理人: 姜姍姍;趙炳仁

1.基于先驗信息和大數據的汽車運行工況設計方法，其特征在于：包括以下三個階段：

一、確定表達代表性的特征參數

根據馬爾科夫鏈的遍歷性理論以及大數據重采樣的統計分析，確定設計工況具有代表性的特征參數；具體步驟如下：

1)根據馬爾科夫鏈遍歷性理論確定速度的特征參數：

馬爾科夫鏈在任一時刻n∈T₁的一維分布：

p(n)＝p(0)P(n) (1)

式中，p(n)為馬爾科夫鏈任一時刻n∈T₁時的一維分布，p(0)為初始分布，P(n)為第n步轉移概率矩陣；

由C-K方程可知，第n步轉移概率矩陣為

P(n)＝Pⁿ (2)

另由馬爾科夫鏈遍歷性理論可知，存在極限分布，見公式(3)

π＝πP (3)

式中，π＝(π₁，π₂，...，π_N)為極限分布，P為一步轉移概率矩陣；

若用π作為鏈的初始分布，即p(0)＝π，由公式(1)，(2)和(3)式，有

p(n)＝p(0)P(n)＝πPⁿ＝πP^n-1＝…＝πP＝π (4)

則馬爾科夫鏈在任一時刻n∈T₁的一維分布p(n)永遠與π一致；

由(4)式可知，有限個狀態的馬爾科夫鏈經過任意步的轉移均趨向于同一個極限分布，也即平穩分布；根據汽車運行工況具有強馬爾科夫性，即從一個狀態到另一個狀態的轉移，必存在確定的轉移概率；故以速度作為狀態，低采樣頻率大數據的工況時間序列和高采樣頻率的工況時間序列對應著相同的平穩分布；因此，根據低采樣頻率的大數據確定評價工況代表性的速度特征參數，包括怠速時間比例％、平均速度km/h、平均行駛速度km/h和行駛速度標準差km/h；

2)根據重采樣數據的統計分析確定加速度特征參數

對低采樣頻率的大數據使用重采樣技術，得到1Hz數據的重采樣時間序列；利用重采樣序列和原始工況序列的一致性，統計重采樣數據的VA分布相關的加速度特征指標，VA分布為速度和加速度概率分布，用來評價設計工況的代表性；最終確定重采樣數據的加速時間比例％、勻速行駛時間比例％、減速時間比例％、PKE m/s²、平均加速度m/s²、平均減速度m/s²和VA分布相關系數共7個加速度相關特征參數；

其中，PKE計算如下

PKE表示單位距離上的正加速動能；V_f和V_z分別是單個加速過程中終止和起始速度，D為總行駛里程；

二、統計先驗信息

把典型工況數據庫和重采樣數據庫作為先驗工況數據庫，統計其狀態和狀態轉移信息，作為設計工況的先驗信息；具體步驟如下：

1)統計先驗轉移概率矩陣庫

選取國內外典型工況和第一階段步驟2)的重采樣工況，構成先驗工況數據庫；首先，確定速度范圍為0到最大值V_max，加速度范圍為最小值A_min到最大值A_max，設置速度步長為gapV，加速度步長為gapA；然后，定義怠速區間，對應的速度區間為0到加速度范圍為到最后，在一個編碼空間中，定義所有工況的狀態；使用區間碼表示參數某個區間內的值，第i時刻的速度V_i的區間碼m_i為

m_i＝floor(V_i/gapV)+1

加速度A_i的區間碼n_i為

n_i＝floor((A_i-A_min)/gapA)+1

然后由第i時刻的速度區間碼m_i和加速度區間碼n_i計算第i時刻的狀態s_i為

s_i＝m_i+(n_i-1)×M

其中，M為速度區間碼個數，M＝floor(V_max/gapV)+1

根據公式(5)計算各個工況的狀態轉移概率矩陣；

其中，p_ij為一維空間狀態s_i到一維空間狀態s_j的轉移概率，S為空間狀態集合，N_ij為狀態s_i到s_j的轉移頻數，N_i為狀態s_i到任意狀態的轉移頻率；最終得到先驗轉移概率矩陣庫，記為ETPMs；

2)統計先驗轉移矩陣

在ETPMs中每個轉移概率矩陣當前狀態和下一狀態的二維平面上，統計多個矩陣的狀態和狀態轉移信息；狀態按照從小到大排列，將ETPMs中的狀態和狀態轉移一一對應到一個狀態轉移矩陣上；此矩陣稱之為先驗轉移矩陣，記ETM，用來表達原始工況數據庫的狀態和狀態是否存在轉移關系的可行域；

三、利用基于先驗信息的新遺傳算法設計工況

利用第一階段步驟1)的速度特征參數和步驟2)的加速度特征參數設計目標函數，利用第二階段步驟1)的ETPMs構造種群和設計變異算子，步驟2)的ETM設計交叉算子，最后由四部分組成的新遺傳算法設計運行工況；具體步驟如下：

1)初始種群構造

首先，在第二階段步驟1)的ETPMs中隨機選擇一個狀態轉移概率矩陣；然后基于馬爾科夫鏈隨機模擬方法生成一定長度狀態序列，具體如下：選取怠速狀態為初始狀態X(1)＝s_k0，根據偽隨機數，在0到1之間取隨機數r₁；選擇滿足公式(6)的狀態作為序列的下一狀態X(2)＝s_k1，不斷重復，直至生成一定長度且終止狀態為怠速狀態的工況序列；然后采用整數編碼，把狀態編碼為基因，序列編碼為染色體；重復以上所有步驟得到多條染色體，可隨機組成任意大小的初始種群；

2)目標函數設計

首先，設定第一階段步驟1)和步驟2)得到的特征參數相對允許偏差絕對值；然后根據公式(7)表達設計工況與原始工況的一致性；

|I_oi-I_ei(X)|≤d_i，i＝1，2，…，n (7)

其中X為設計工況，I_o為來自第一階段步驟1)和步驟2)中確定的特征參數，I_e為設計工況的對應的特征參數，d為允許偏差，n為特征參數的個數；

將公式(7)轉化成公式(8)

最后，通過構造輔助公式(9)，得到最后的目標函數(10)

3)滿足馬爾科夫性的交叉算子設計

首先，隨機選擇任意相同長度兩個個體X⁽¹⁾，X⁽²⁾；利用階段二步驟2)的ETM，在X⁽¹⁾，X⁽²⁾隨機地找到同時滿足(11)至(14)的四個相鄰基因

其中，與與是X⁽¹⁾中的兩對相鄰基因，與與是X⁽²⁾中兩對相鄰基因，且i不一定等于j，i'不一定等于j'；

然后，X⁽¹⁾和X⁽²⁾相互交換i到i'和j到j'之間的非等位交叉段，生成符合馬爾科夫性的交叉個體；

4)滿足馬爾科夫性的變異算子設計

首先，在階段二步驟1)的ETPMs中隨機選擇一個狀態轉移概率矩陣；然后根據起點和終點狀態為怠速狀態和一定長度的要求，利用第三階段步驟1)的隨機模擬方法生成一條狀態序列；采用整數編碼后作為變異個體；

5)新遺傳算法實施進化

設定種群大小和迭代次數，由以上四個步驟組成的新遺傳算法進化輸出至最佳適應值，并解碼其對應的工況狀態序列，最后得到速度和加速度的時間序列，即設計工況。