基于微行程間隔時長預(yù)測的智能起?？刂品椒ㄅc流程

本發(fā)明涉及一種基于微行程間隔時長預(yù)測的智能起?？刂品椒?，屬于車輛節(jié)能控制領(lǐng)域，尤其涉及通過機器學習方法預(yù)測車輛行駛過程中的怠速時間長度，通過時間長度判斷決定是否需要關(guān)閉發(fā)動機。

背景技術(shù)：

隨著汽車保有量的不斷增加，如何有效地節(jié)約能源減少排放已經(jīng)成為亟待解決的問題。為了滿足車輛燃油經(jīng)濟性的要求，近年來生產(chǎn)的汽車大部分都配備了自動起停系統(tǒng)，能夠在車輛靜止，發(fā)動機處于怠速工況時自動關(guān)閉發(fā)動機減少不必要的燃油消耗。現(xiàn)有的自動起停系統(tǒng)在NEDC工況下節(jié)油率能夠達到3.37％-5.04％。NEDC工況是歐洲標準測試工況，屬于模態(tài)工況，其中有較長的怠速工況，目前歐洲、中國、澳大利亞等國家或地區(qū)均使用NEDC測試工況評價開發(fā)車型。車輛的行駛工況是由一系列微行程及兩個微行程間隔的怠速工況組成，其中微行程是指從車速為0開始到再次車速為0結(jié)束的一個車輛運動的時間速度序列。

由于車輛實際的運行工況與NEDC工況有著明顯的不同，兩個微行程間隔時長變化范圍較大，這使得自動起停系統(tǒng)不能達到應(yīng)有的節(jié)油效果。目前國內(nèi)現(xiàn)有的車輛以家用為主，主要用于上下班出行，經(jīng)常行駛于上下班高峰時段的大密度交通流中，在這種工況下微行程之間時間間隔大多較短，使得現(xiàn)有的自動起停系統(tǒng)頻繁地關(guān)閉和啟動發(fā)動機，這不僅會大大影響駕駛的舒適性而且會導致比怠速更多的燃油消耗，這是由于發(fā)動機起動需要混合氣加濃，發(fā)動機熱起動一次的油耗相當于發(fā)動機怠速6～8秒的油耗，如一臺排量1,489mL、直列4缸16氣門的發(fā)動機，怠速油耗是0.18mL/s，試驗表明該發(fā)動機熱起動一次的油耗為1.2mL，怠速時間6.7s以上才能節(jié)約燃油消耗，如果再考慮蓄電池起動過程能量消耗而導致的發(fā)動機間接油耗，以及隨著車輛使用年限的增加發(fā)動機劣化加劇而導致起動油耗隨之增加，因此怠速時間只有超過10s以上關(guān)閉發(fā)動機才能節(jié)約油耗。

技術(shù)實現(xiàn)要素：

本發(fā)明針對自動起停系統(tǒng)的上述問題，提出了基于微行程間隔時長預(yù)測的智能起?？刂品椒?，根據(jù)實際的運行工況預(yù)測車輛的微行程間隔時長，如果預(yù)測的微行程間隔時長在閾值范圍內(nèi)(10秒)則關(guān)閉發(fā)動機，否則保持怠速狀態(tài)，如果實際情況下預(yù)測有誤則直接關(guān)閉發(fā)動機。

本發(fā)明包括工況數(shù)據(jù)采集模塊、有效速度序列特征提取模塊、數(shù)據(jù)訓練模塊、微行程間隔時長預(yù)測模塊和控制模塊；

工況數(shù)據(jù)采集模塊對速度工況數(shù)據(jù)的采集和存儲；

有效速度序列特征提取模塊對采集的工況數(shù)據(jù)進行分析判斷數(shù)據(jù)的有效性，確定有效速度時間序列的長度，并提取特征；

數(shù)據(jù)訓練模塊采集并存儲的數(shù)據(jù)將作為訓練樣本，對訓練樣本數(shù)據(jù)提取特征并判斷其所屬類別，將訓練數(shù)據(jù)的特征和類別信息輸入支持向量機模型進行學習，保存學習到的模型；

微行程間隔時長預(yù)測模塊對實時采集的數(shù)據(jù)提取相同特征，并使用訓練得到的模型預(yù)測微行程間隔時長類別；

控制模塊根據(jù)微行程間隔時長預(yù)測的結(jié)果關(guān)閉發(fā)動機或保持怠速狀態(tài)，并根據(jù)實際情況對預(yù)測結(jié)果進行判斷。

所述的工況數(shù)據(jù)采集模塊在車輛行駛的過程中實時采集車輛速度時間序列。

所述的有效速度序列特征提取模塊通過中值濾波方法去除實時采集的速度數(shù)據(jù)中由于設(shè)備波動原因出現(xiàn)的數(shù)據(jù)噪音，并循環(huán)確定固定長度的有效速度時間序列，在根據(jù)速度時間序列提取速度特征，速度均值、方差、加速度均值、方差、加速時間百分比、減速時間百分比、勻速時間百分比以及單位時間內(nèi)停車次數(shù)。

所述的數(shù)據(jù)訓練模塊根據(jù)訓練數(shù)據(jù)的實際情況對訓練數(shù)據(jù)分類，微行程間隔時長超過10s為需要關(guān)閉發(fā)動機類(當前微行程間隔時長需要關(guān)閉發(fā)動機，小于等于10s為無需關(guān)閉發(fā)動機類(當前微行程間隔時長無需關(guān)閉發(fā)動機)，將訓練數(shù)據(jù)的特征和類別輸入支持向量機模型進行訓練并保存模型。

所述的微行程間隔時長預(yù)測模塊對實時時間速度序列數(shù)據(jù)提取特征，使用訓練得到的支持向量機模型對實時數(shù)據(jù)進行分類。

控制模塊根據(jù)預(yù)測的結(jié)果控制發(fā)動機的啟動和關(guān)閉。

本發(fā)明的有益效果：

根據(jù)實際的運行工況預(yù)測車輛的微行程間隔時長，如果預(yù)測的微行程間隔時長在閾值范圍內(nèi)(10秒)則關(guān)閉發(fā)動機，否則保持怠速狀態(tài)，如果實際情況下預(yù)測有誤則直接關(guān)閉發(fā)動機。節(jié)約了能源，減少了油耗。

附圖說明

圖1是本發(fā)明中微行程時間間隔預(yù)測流程圖。

圖2是本發(fā)明中支持向量機分類示意圖。

圖3是本發(fā)明中分類結(jié)果比較圖。

圖4是本發(fā)明中控制系統(tǒng)流程圖。

具體實施方式

為了實現(xiàn)基于微行程時間間隔預(yù)測的智能起停系統(tǒng)，首先預(yù)測微型程的間隔時間然后根據(jù)預(yù)測結(jié)果進行起?？刂啤Ｔ谂c測試時，先使用訓練數(shù)據(jù)離線訓練支持向量機模型，根據(jù)訓練得到的模型預(yù)測微型程時間間隔，如圖1所示。

訓練數(shù)據(jù)預(yù)處理

首先，使用大量車輛行駛工況數(shù)據(jù)作為訓練數(shù)據(jù)，確定有效速度時間序列。在本發(fā)明中，有效速度時間序列是指怠速工況發(fā)生前的速度時間序列，而速度時間序列長度是根據(jù)大量不同時間間隔的數(shù)據(jù)相關(guān)性確定。當間隔時間越長速度相關(guān)性越弱，使用其預(yù)測下一時刻工況就越不準確，當時間間隔為59s時，速度數(shù)據(jù)幾乎不存在相關(guān)性。而當間隔越短時，相關(guān)性越高，但是但間隔時間內(nèi)的速度時間序列包含的信息越少，容易引發(fā)過配問題，影響預(yù)測效果。因此綜合考慮這兩方面因素，即保證數(shù)據(jù)存在相關(guān)性，又同時包含足夠多的信息，因此本發(fā)明選擇怠速前30s作為可以用于預(yù)測怠速時間長度的有效速度時間序列。

根據(jù)每項工況數(shù)據(jù)實際的怠速時間以及設(shè)定的閾值對工況數(shù)據(jù)進行人工分類。在本發(fā)明中，根據(jù)公式(1)對采集的速度工況進行分類，分為有效怠速起停類(1類)和無效怠速起停類(-1類)，其中T_is為關(guān)閉發(fā)動機的時間長度，在本發(fā)明中相當于微行程間隔時間長度。

支持向量機模型訓練

對分好類的速度工況數(shù)據(jù)提取特征，特征包括速度均值、方差、加速度均值、方差、速度的25％中位值、速度75％中位值、加速度25％中位值、加速度75％中位值、加速時間百分比、減速時間百分比、勻速時間百分比以及單位時間內(nèi)停車次數(shù)。完成特征提取后，將特征數(shù)據(jù)和類別信息輸入支持向量機模型進行學習。

支持向量機的原理是尋找一個滿足分類要求的最優(yōu)分類超平面，使得該超平面在保證分類精度的同時，能夠使超平面兩側(cè)的空白區(qū)域最大化，如圖2所示。給定訓練樣本集合(x_i,y_i),i＝1,2,…,l,x∈Rⁿ,y∈{±1}，x_i其中為從速度時間序列中提取的特征，y_i為根據(jù)公式(2)對訓練數(shù)據(jù)的分類結(jié)果。超平面記做(w·x)+b＝0，為使分類對所有樣本正確分類并且具備分類間隔，就要求它滿足如下約束：y_i[(w·x_i)+b]≥1i＝1,2,…,l，可以計算出分類間隔2/||w||，因此構(gòu)造最優(yōu)超平面的問題就轉(zhuǎn)化為在約束式下求：

為了解決該約束最優(yōu)化問題，進入Largrange函數(shù)：

式中，a_i＞0為Lagrange乘數(shù)。約束最優(yōu)化問題的解由Lagrange函數(shù)的鞍點決定，并且最優(yōu)化問題的解在鞍點處滿足對w和b的偏導為0，將該問題轉(zhuǎn)換為相應(yīng)的對偶問題即：

解得最優(yōu)解

計算最優(yōu)權(quán)值向量w^*和b^*，分別為：

式中，下標因此得到最優(yōu)分類超平面(w^*·x)+b^*＝0，而最優(yōu)分類函數(shù)為：

在本發(fā)明中，微行程間隔時間的分類是一個二分類問題，非常適合用支持向量機進行分類。以上的具體實施內(nèi)容都屬于預(yù)測模型的訓練部分，無需在線完成，不會影響起停系統(tǒng)的實時性，也無需大的存儲空間用來存儲訓練數(shù)據(jù)只需要保存訓練得到的超平面模型。使用支持向量機的分類結(jié)果如圖3所示，實驗分類的準確率能夠達到72％以上。

微行程間隔時長測試及智能起?？刂?/p>

離線訓練好支持向量機模型后，實時提取車輛的速度時間序列數(shù)據(jù)，當速度高于10km/h時，無需對當前行駛狀態(tài)進行分類；當速度低于10km/h時，開始循環(huán)截取有效的速度時間序列，對有效速度時間序列提取特征，所提取的特征內(nèi)容和順序均與訓練數(shù)據(jù)提取的特征一致。根據(jù)所提取的特征和訓練得到的超平面對實時提取的數(shù)據(jù)進行分類。

將分類結(jié)果輸入控制器，如果屬于有效怠速起停類則關(guān)閉發(fā)動機，如果屬于無效怠速起停類則不關(guān)閉發(fā)動機，如圖4所示。在被判定為無效怠速起停類后，如果根據(jù)實際的情況，在超出10s后，車輛依然處于停車狀態(tài)則說明預(yù)判錯誤，需立即關(guān)閉發(fā)動機。