基于新能源汽车远程监控数据的驾驶行为识别建模和应用,本文是有关新能源汽车论文写作资料范文与新能源和建模和驾驶方面毕业论文格式范文.
新能源汽车论文参考文献：
本文在基于新能源汽车监控系统采集的驾驶数据基础上,选取具有代表性的6种不良驾驶行为,进行特征分析,并将其归纳为加速度组合类和转弯类2种主要的特征行为,并对不同驾驶行为进行模式识别建模,同时采用多层次模糊评价法对驾驶员进行不良驾驶行为评价案例分析,及采用Spearman非参数统计方法对不良驾驶行为对实际能耗的影响案例分析.
国内新能源汽车作为正在培育和发展的战略性新兴产业之一,是未来汽车工业发展的方向.而在车辆行驶过程中,驾驶员的驾驶操作行为对车辆行驶安全、车辆寿命,特别是新能源汽车电池的使用寿命,是一个重要影响因素.因此,驾驶员作为道路交通系统的核心组成部分,其任何不良驾驶行为都会对新能源汽车的电池使用寿命及车辆能耗产生较大影响.
不良驾驶行为的类型及特征分析急制动
急制动行为的判断特征为：当车速为非0时,制动踏板深度信息由0突然增大,同时加速度在短时间内由0或者正数变为负数,且持续一段时间,即此时车速急剧降低,说明发生了一次急制动过程.
猛加速起步
猛加速起步识别需要同时满足2个基本状态：起步和猛加速.通过判断车速是否为0作为起步标志.
而猛加速过程具有瞬时性,瞬时性定义该操作执行时间通常为2 s内,若起步标志发生的同时,加速踏板深度状态非0,且此时加速度在该时间内骤变为大于某阈值,则识别该过程为猛加速起步.
加速后瞬时制动
识别加速后瞬时制动行为的方式是：车辆行驶过程中,车速不等于0,且车速在一定的允许范围内波动变化是属于正常驾驶行为.当车辆行驶中出现相邻2个时间点的速度变化超过阈值,且加速踏板被踩下信号与制动踏板被踩下信号交替更换出现,此时加速度方向为正负交替变换,判别此时车辆出现了加速后瞬时制动行为.
加速-制动-加速
单个加速度行为判断方法原理类似于急制动分析方法原理,分析侧重点在于判断2个连续的加速度变化操作,当加速度波动幅度大于设定阈值时,加速踏板与制动踏板信号交替发生,同时分析是否存在相邻的2个操作点之间发生了先正后负的加速度值变化,并以此作为加速-制动-加速行为的判断标识.
转弯识别
车辆转弯的特征识别方式：车辆正常行驶状态下,通过计算按时间顺序排序的每3个连续位置点相邻方向夹角,若当前方向夹角值大于10°~15°时,结合当前记录的车辆位置方向变化,可认为发生了转弯.但是由于转弯是一个连续的过程,在计算产生一系列的方向夹角时,需要将整个弯道行驶过程识别出来,弯道起点的标记是方向夹角为0°,弯道终点的标记同样是方向夹角为0°,并以起点和终点记录当前转弯过程,便于接下来对转弯过程的车辆工况研究.
转弯加速/重制动
转弯加速/重制动行为主要涉及转弯识别、加速踏板信息、制动信息.该行为的判断特征为：车辆在行驶过程中,先由转弯识别原理识别出弯道轨迹位置,记录过弯过程的相关车辆行驶信息,包括加速踏板信息、制动信息、车速信息、位置方位信息等.若转弯的同时检测到制动信号,则判断为转弯同时制动行为；若转弯过程检测到加速信号,则判断为转弯同时制动行为.
不良驾驶行为的模式识别建模
通过对6种不良驾驶行为的传感器信息进行共性分析与特征提取,可将这些行为划分为加速度组合类和基于地理位置的弯道识别类2种.若相应的驾驶行为数据信息触发了对应的不良驾驶行为识别算法,则按照具体的检测指标进行逐层细化分析,最终实现对上述不良驾驶行为的识别,从而能够很好地避免无谓的数据扫描与繁杂的算法识别运算,提高监控系统的检测运算效率及检测的实时性与准确性,实现在监控系统的部署与应用.
加速度组合识别建模
加速度作为反映车辆行驶状态的重要指标之一,其变化趋势能够进一步反映车辆驾驶操作的实际特征.因为上述提到的6种行为都与加速度密切相关.特别在新能源汽车上应用上,电功率指标数据是作为判断连续的加速度方向变化的重要参考指标,如加速-制动-加速.
加速度组合分析算法首先判断车辆处于行驶中状态,然后判断由系统返回的加速度信号,若加速度处于正常变化范围状态,则识别为正常行驶操作；若加速度大于正常波动变化范围,即加速度大于设定的阈值时,则开始进行算法分析.
然后,进一步判断加速度方向,进而当加速度方向为正时,识别当前行为是猛加速,否则属于急制动行为.
二维转弯识别建模
基于GPS定位信息得到车辆行驶的经纬度二维信息,对其建模实现过程如下：
其中,需要使用到的指标为车辆行驶时间、车速、经度、纬度.尤其指出的是,在计算方向夹角前,需要对原始的行驶经纬度数据进行移动平均算法处理,使数据趋于平滑,避免当车辆出现S型行驶轨迹以及正常更换车道行驶的小幅度轨迹偏移等被误识别为转弯.经纬度数据经过平滑处理后,取按时间顺序的连续3个时刻的正常行驶状态下的经纬度,计算每三点之间两两相对距离.进而计算3个两两之间对应的相对距离,再通过余弦定理计算三点间的方向夹角,通常认为当这个夹角大于10°时,认为发生了转弯行为.计算出来的结果单位为km,计算精度与谷歌地图的距离精度差不多,相差范围在0.2 m以下.
当结合加速度组合算法时,则可以进一步识别转弯加速/制动行为.
由制动识别弯道的方法,结合加速度组合算法进一步识别转弯重制动/加速驾驶行为.该行为分析算法步骤如下：
第一步：以一辆车为单位,由该车Vin码取出车辆工况表中某段行驶的开始1 min后至结束1 min前的时间、车速、经纬度数据以及电功率数据；第二步：识别出转弯位置,并记录转弯期间的车速信息、位置信息、时间信息,计算其期间的车速平均值,并判断是否超过车速阈值.同时计算其期间的加速度变化是否超出变化阈值.若同时超过相应的阈值,则认为发生而来转弯超速/制动行为,返回对应的转弯起止点位置信息、发生时间点以及累计该行为发生的次数；第三步：判断当前车辆所有行驶路段是否全部被遍历,若完成,则迭代结束,并记录对应的急制动驾驶行为发生时间、地点、发生总数；第四步：若车队所有车辆都被遍历完之后,则算法结束,否则,并返回第一步,识别下一辆车的加速-制动-加速行为.
部分判别阈值的确定
由于目前没有对于不良驾驶行为判断的定量指标界定,为了明确评判的指标,参考了国家道路安全行动计划科目三考试车的细则及目前智能汽车的安全驾驶参数指标值.其中在无人驾驶领域对于起步阶段的质量研究中,薛金林等人提到,根据汽车排放试验要求,对车辆起步时的加速度做了细节的讨论,在他们的研究中,通过对加速度踏板开度等指标进行研究,对起步阶段的时间判定也提供了一定的参考.
不良驾驶行为的应用根据上述6种不良驾驶行为的行为分析,确定了其基本特征与识别算法,通过监测系统的检测、识别与报警,可以实时有效地提醒、警示驾驶员注意改正不良驾驶习惯.然后,进一步对一段时间内驾驶员的不良驾驶行为进行评价分析和研究其对车辆能耗的相关性分析,从而得出驾驶员存在上述不良驾驶行为操作后的风险程度以及影响,也是设计新能源汽车不良驾驶行为监控系统的一个拓展与延伸,可使车队管理者和驾驶员充分认识到上述不良驾驶行为产生的风险,从而提高驾驶安全意识,纠正上述不良行为与习惯.
不良驾驶行为的综合评价
对驾驶员驾驶行为进行综合评价,需要结合相应的不良驾驶操作进行分析,这里采用模糊综合评价方法对不良驾驶行为严重程度进行评价,得到对驾驶员的驾驶行为定性评价.
基于不良驾驶行为对驾驶员进行综合评价分析,相应的多层次模糊综合评价模型的建立,主要包括以下步骤：
1. 确定因素集合；
2. 确定评语集合；
3. 确定各因素的权重；
4. 确定模糊综合判断矩阵；
5. 综合评价.
下面通过引入一个实例对出现以上不良驾驶行为的驾驶员的实验结果进行分析,数据来源于新能源汽车监控系统一天的驾驶运行数据.以下是该驾驶员在一天的出勤行驶过程中,记录的不良驾驶行为的次数.具体数值如表1.
基于不良驾驶行为发生次数来定义其带来的危险程度,可以进一步量化为计算值,以便于进行模糊评价的计算.通过专家实验测试得到单个不良驾驶行为发生次数的评价表,数据详情如表2.
对照上述专家评判表1以及不良驾驶行为统计次数表2,可得该驾驶员的整体模糊评价矩阵R,其中R1、R2对应二级指标的模糊评价矩阵如表3所示.
根据经验确定2个一级指标U1和U2的权重及二级指标权重进而对2个子因素集进行一级模糊综合评价得到6种不良驾驶行为整体的综合评价模糊向量,然后运用加权平均原则,通过分析不良驾驶行为类别评判表,将评判结果很优秀、良好、一般、差和很差分别取5、4、3、2、1,结合评判表计算每种行为数值数值并进行归纳处理,并计算该驾驶员最终评价结果.
不良驾驶行为对电池能耗的影响
目前为止,尚且很少有人研究如何根据驾驶员驾驶行为的优劣去探究对汽车能耗的影响问题.在更多的研究当中,往往是将驾驶员驾驶行为进行分类和归纳评估,而缺乏研究不同类型驾驶员对油耗影响的定量评价.
本文认为研究一种基于不良驾驶行为的方法对评价驾驶行为与油耗的影响具有重要意义,并可对驾驶员节油策略提供指导,尤其对于当前的新能源动力汽车,电池技术尚未完全成熟,良好的驾驶行为习惯能延长电池使用寿命,节省企业成本.在固定公交线路上,公交路况所反映的统计学特征是一致的.在研究过程中,通过统计数据横向比较不同驾驶员驾驶操作对油耗的影响以排除公交路况对油耗的影响.
研究不良驾驶行为对能耗的影响,需要从其发生频数出发,分别以6种不良驾驶行为作为自变量,能耗指标作为因变量,研究不同类型的不良驾驶行为变化规律,寻找与能耗的内在联系.在实际的驾驶行为数据中,相应的不良驾驶行为发生次数是不满足正态分布或者近似正态分布的条件,因此本文采用非参数研究方法进行展开讨论.
在非参数相关性分析的方法中主要有
Spearman和Kendall’tau-b 2种基于秩变量的趋势研究,本文采用Spearman非参数方法对不良驾驶行为与能耗的相关性分析.
Spearman相关系数是Pearson相关系数的非参数形式,是根据数据的排秩而不是根据其变量的实际数值来计算的.因此,需要对变量原始数值进行数据排秩,根据各秩使用Spearman相关系数计算公式进行计算,Spearman相关系数算法分析步骤如下：
1. 排秩处理；
2. 计算Spearman相关系数.
相关系数值区间为-1~1 ,绝对值越大,表示相关性越强,相关系数的符号表示变量之间相关的方向.
基于公交车能耗分析的案例应用
基于控制变量的实验方法,选取同一段公交路线的7天的驾驶数据,不考虑气候因素的影响,统计其不良驾驶行为发生的次数,详细数据见表4.
由表4可以看出,数据序列均无结点,根据公式计算7个变量的秩值序列,由得到的序列可根据相关公式计算7个变量中两两变量间的Spearman相关系数如表5.
表5中,能耗与猛加速起步相关系数最大,值为0.9642,其次是加速-制动-加速、转弯重制动、加
速后瞬时制动,而转弯加速相关程度不高,急制动相关性为零.需要指出的是,在汽车实际驾驶中,能耗的变化仍受多方面的影响比如气候、零部件损耗等.
结论
1.提取出不良驾驶行为中的共有特征并建模,
建模需要用到的指标包括车辆的速度、加速度、转向盘转角、电功率信息、电池信息、制动信息、挡位信息、GPS定位信息等；
2.可通过本文提及6种不良驾驶行为做为评判驾驶员驾驶行为习惯的基本依据；
3.结果表明,能耗与猛加速起步行为相关系数
最大,其次是加速-制动-加速行为、转弯重制动行为、加速后瞬时制动行为,而转弯加速行为和急制动行为相关程度不高；
4.基于以上研究内容,不良驾驶行为的识别与
应用对新能源汽车能耗的控制能够起到比较重要的作用,可以为规范化车队驾驶员整体管理的提供了科学的参考意义.
此文总结：这篇文章为关于新能源汽车方面的大学硕士和本科毕业论文以及新能源和建模和驾驶相关新能源汽车论文开题报告范文和职称论文写作参考文献资料.
新能源汽车月度数据追踪
4 月,新能源汽车产销分别完成37306 辆和34361 辆,比上年同期分别增长19 0 和7 9 14 月,新能源汽车生产95856 辆,比上年同期增长1 4；销售90402 辆,比上年同期下降0 .
新能源汽车重要数据追踪
地方推广（2016 122017 1）北京6 万辆3000 个17339 个近日,据报道,北京市交通委新闻发言人容军表示,2017 年小客车增量指标仍然控制在15 万辆,其中普通指标9 万,新能源指标.
新能源汽车维修专业的课程设计
随着社会的不断发展,我国的环境污染问题越来越严重,环境污染的污染源也包括很多,其中汽车尾气是一种主要的大气污染来源,为了遏制我国环境的进一步恶化,解决我国的环境污染问题,政府提出了在我国大力发展新能源.
中国新能源汽车变迁史
改革开放40年的过程,是各行各业不断革新的历程 从无到有,再到发展壮大,任何新事物都来之不易,中国新能源汽车发展同样如此 从早期的寥寥无几,到如今的处处开花,汽车电动化势头已起 顶着绿色环保、政府补贴.