小波变换在道路行驶工况构建中应用.docVIP

小波变换在道路行驶工况构建中应用 　　摘 要：目前通常用聚类的方法构建行驶工况，虽然聚类法有很高的精度，但是构建汽车行驶工况的数据含有波动性、不规则性的部分。为了进一步提高构建精度，首先用FCM聚类方法对行驶工况数据进行聚类，然后采用小波变换对构建好的工况进行压缩重构。理论分析及试验结果表明，与用传统方法构建的行驶工况相比，小波变换得到的行驶工况能有效提高所构建行驶工况的精度。 　　关键词：数据采集；汽车试验；小波变换；行驶工况；FCM聚类 　　中图分类号：U461.8文献标文献标识码：A文献标DOI：10.3969/j.issn.2095-1469.2014.01.08 　　Abstract：At present， Clustering Algorithm has been widely used in the construction of the urban vehicle driving cycle. Though Clustering Algorithm has high accuracy， driving cycle data contains fluctuant and irregular parts. In order to further improve the building accuracy， the paper first used Fuzzy C Means（FCM） Algorithm to cluster， and then employed wavelet transformation to compress and reconstruct the urban vehicle driving cycle. The theoretical analysis and experimental results indicate that the driving cycle obtained from wavelet transformation can fully improve the building accuracy in comparison with the traditional method. 　　Key words：data collection； automotive test； wavelet transformation； driving cycle； fuzzy c means（FCM） clustering 　　随着汽车数量的增加，城市道路汽车行驶工况越来越复杂，汽车行驶工况的变化对汽车的燃油消耗、污染物的排放、环境的保护等都有很大的影响，因此，对我国城市道路行驶工况的研究具有重要的现实意义。近些年，国内外学者对行驶工况进行了深入研究。瑞典Lund大学Ericsson[1]教授领导的课题组对影响行驶工况的关键因素及对汽车的油耗与排放有明显影响的因素进行了研究；李孟良[2-5]等人对上海、北京和广州3个城市进行了为期两年的车辆实际行驶工况调查研究、试验和数据采集与分析，用实测的方式研究了中国典型城市乘用车的行驶工况；马志雄[6]等人研究了动态聚类法在车辆实际行驶工况开发中的应用。 　　目前，车辆行驶工况通常用聚类的方法进行构建，虽然有很高的聚类精度，但行驶工况数据中含有的波动性的、不规则性的部分，会导致聚类精度降低。小波分析是一种新的信号分析方法，具有多分辨分析的特点，在时域与频域都有良好的表征信号局部特征能力，它被广泛运用于信号处理、图像处理、地震勘探等方面。但是，利用小波分析对行驶工况数据进行分析的并不多。而事实上，利用小波分析对数据进行去噪、滤波后，可以使原始数据更有规则性，更能反映真实情况。本文运用小波变换对构建的行驶工况数据进行压缩重构，并对重构后的数据进行了特征参数分析。理论分析及试验结果表明，小波重构后的数据用于行驶工况的构建，能有效提高所构建行驶工况的精度。 　　1 构建行驶工况的基本理论与方法 　　1.1 主成分分析 　　在实际问题中，不同变量之间是有一定相关性。当变量较多且变量间有一定的相关性时，分析问题的复杂性就会增加。主成分分析是设法将原来变量重新组合成一组新的互相无关的几个变量来代替原来变量，同时根据实际需要从中取几个较少的综合变量尽可能多地反映原来变量的信息。 　　1.2 FCM聚类 　　运用小波变换对行驶工况数据进行分析，可以得到小波系数，对得到的高频系数进行阈值处理，对不同尺度的信号选择不同的阈值。各尺度保留绝对值大于等于阈值的系数。 　　2 道路行驶工况的构建 　　2.1 试验原则及数据采集 　　本文选取合肥市典型道路为数据采集对象。选取屯溪路、明光路、环湖东路进行样本采集。采样时间为上午7：30～11：30和下午13：00～18：00，对