本發(fā)明屬于汽車整車標(biāo)定，具體涉及一種新能源汽車自動優(yōu)化標(biāo)定方法。

背景技術(shù)：

1、傳統(tǒng)的經(jīng)濟性汽車標(biāo)定方法以汽車標(biāo)準(zhǔn)行駛工況為測試工況，忽略了不同駕駛風(fēng)格對能耗的影響，且以全局最優(yōu)為目的的控制參數(shù)標(biāo)定完成后不再更改，然而，車輛的行駛環(huán)境并非一成不變，當(dāng)駕駛員風(fēng)格、行駛工況發(fā)生變化時，固定的標(biāo)定參數(shù)會導(dǎo)致車輛能耗惡化，未能充分考慮實際行駛過程中差異化的行駛工況和駕駛風(fēng)格的影響，從而使標(biāo)定參數(shù)對環(huán)境的適應(yīng)性差。目前，市場對新能源汽車的可靠度、舒適性和經(jīng)濟性要求越來越高，這要求各大車企和研發(fā)機構(gòu)要準(zhǔn)確、快速的開發(fā)汽車電子控制系統(tǒng)產(chǎn)品，傳統(tǒng)的標(biāo)定方法是通過工程師的個人經(jīng)驗進行人工標(biāo)定，然后根據(jù)試驗結(jié)果去修正參數(shù)，再次進行試驗，如此循環(huán)下去，直至尋找到合適的控制參數(shù)，這種標(biāo)定的方法需要花費大量的時間與人力，且工程師利用經(jīng)驗選取的控制參數(shù)容易錯過最優(yōu)控制參數(shù)，導(dǎo)致標(biāo)定結(jié)果不佳。

2、現(xiàn)有研究中，中國專利cn110254417a公開了一種基于實際工況與駕駛風(fēng)格雙識別的混合動力汽車控制方法，其技術(shù)方案中，利用lvq神經(jīng)網(wǎng)絡(luò)對不同工況和不同工況對應(yīng)的不同類型駕駛風(fēng)格進行離線訓(xùn)練得到基于lvq神經(jīng)網(wǎng)絡(luò)的工況和駕駛風(fēng)格識別模型；根據(jù)得到的在不同類型行駛工況下反映駕駛風(fēng)格的工況對車輛控制參數(shù)進行優(yōu)化，得到最優(yōu)控制參數(shù)，設(shè)置動態(tài)識別策略，使發(fā)動機工作在高效區(qū)，以此大大提高燃油經(jīng)濟性是一種可行方案，但是工況具有明顯的時序特征，將工況時序特征納入考慮可以提高工況識別模型的精確度，且沒有考慮參數(shù)優(yōu)化標(biāo)定過程的復(fù)雜性，隨著標(biāo)定參數(shù)的增加，會導(dǎo)致工作量急劇增加。中國專利cn112859878a涉及一種混合動力無人駕駛車輛的控制參數(shù)自動標(biāo)定方法，其采用模擬退火算法作為控制參數(shù)優(yōu)化方法，通過將當(dāng)前控制參數(shù)標(biāo)定至整車控制器中進行測試，然后通過算法不斷迭代，若測試結(jié)果達到能耗要求，則停止優(yōu)化，記錄下當(dāng)前控制參數(shù)，完成標(biāo)定工作。但是，此種標(biāo)定方法只介紹了一種情況，且未考慮差異化環(huán)境影響下標(biāo)定參數(shù)適應(yīng)性差的問題，而且其目標(biāo)設(shè)置與約束條件比較單一，未考慮其他關(guān)鍵要素。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種新能源汽車自動優(yōu)化標(biāo)定方法，該標(biāo)定方法能夠通過自動優(yōu)化標(biāo)定方法中的參數(shù)修正模塊、標(biāo)定參數(shù)設(shè)置模塊、數(shù)據(jù)庫模塊、工況調(diào)用模塊對控制參數(shù)總參數(shù)庫進行優(yōu)化更新，增強了參數(shù)對多變環(huán)境的適應(yīng)性，解決了實際行駛過程中差異化的行駛工況和駕駛風(fēng)格影響下的標(biāo)定參數(shù)適應(yīng)性差的問題。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種新能源汽車自動優(yōu)化標(biāo)定方法，包括以下步驟：

4、s1、根據(jù)工況數(shù)據(jù)特征選取特征參數(shù)，所述特征參數(shù)包括平均車速、速度大于30km/h所占時間比例、最大加速度；

5、s2、根據(jù)所提取特征參數(shù)聚類優(yōu)化得到局部代表性工況，通過將局部代表性工況進行組合得到綜合循環(huán)工況，根據(jù)所得工況信息分別構(gòu)建實時工況識別模型與駕駛風(fēng)格識別模型；

6、s3、根據(jù)不同局部代表性工況與多種駕駛風(fēng)格類型相互組合得到n組車輛控制參數(shù)，然后構(gòu)建控制參數(shù)總參數(shù)庫；

7、s4、根據(jù)所設(shè)計的自動優(yōu)化標(biāo)定方法，確定以整車能耗最小為目標(biāo)，動力性能為約束條件，建立自動優(yōu)化標(biāo)定模型；所述自動優(yōu)化標(biāo)定方法包括參數(shù)修正模塊、標(biāo)定參數(shù)設(shè)置模塊、數(shù)據(jù)庫模塊、工況調(diào)用模塊，

8、s5、將試驗過程與優(yōu)化計算結(jié)合起來，依據(jù)優(yōu)化目標(biāo)組織優(yōu)化實驗，在線進行優(yōu)化計算，自動確定出一組最佳控制參數(shù)作為下次試驗新參數(shù)，根據(jù)優(yōu)化目標(biāo)不斷迭代，直至取得最優(yōu)解或達到算法要求、將控制參數(shù)總參數(shù)庫逐一完成自動化標(biāo)定。

9、進一步的，所述工況數(shù)據(jù)由新能源客車實車測試所得，提取特征參數(shù)前需要對工況樣本數(shù)據(jù)劃分為規(guī)定時間的短行程片段，運用主成分分析法提取短行程主要特征，獲得貢獻度高的幾組信息。

10、進一步的，在步驟s2中根據(jù)特征參數(shù)繪制出工況塊三維散點圖，同時應(yīng)用遺傳算法對初始聚類中心進行優(yōu)化，獲取遺傳優(yōu)化后的初始聚類中心，然后通過聚類分析后的結(jié)果，獲取局部代表性工況，所述局部代表性工況包括城區(qū)暢通工況、城區(qū)擁堵工況、郊區(qū)暢通工況、快速路工況。

11、進一步的，參考國外標(biāo)準(zhǔn)工況，將城市典型工況持續(xù)時間取為1600秒左右，利用各代表性工況在整個記錄數(shù)據(jù)中所占時間比例，可確定其在最終構(gòu)建的工況中所占時間，得到綜合循環(huán)工況。

12、進一步的，所述實時工況識別模型的具體操作包括如下步驟：

13、r1：構(gòu)建bi-lstm神經(jīng)網(wǎng)絡(luò)，將主成分分析所得各短行程主成分，以貢獻度高的前幾個主成分作為辨識模型輸入變量，各序列中短行程主成分按次序排列即可得到時序輸入層，根據(jù)工況類別數(shù)設(shè)置隱含層神經(jīng)元數(shù)量，在反向傳播過程中采用均方誤差的形式計算損失函數(shù)，各工況類別概率值作為輸出；

14、r2、從短行程樣本中各取百分之九十作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)進行深度學(xué)習(xí)訓(xùn)練，得到基于bi-lstm神經(jīng)網(wǎng)絡(luò)的實時工況識別模型。

15、進一步的，所述駕駛風(fēng)格識別模型的具體操作布置包括：

16、z1、采用svm算法識別駕駛風(fēng)格，以駕駛風(fēng)格特征為輸入信息，合理設(shè)置支持向量機核函數(shù)，構(gòu)建出一個最優(yōu)超平面，將輸入信息正確分隔開來，得到駕駛風(fēng)格分類模型；

17、z2、通過使用貝葉斯優(yōu)化去搜索svm最佳超參數(shù)組合，首先采用交叉驗證法對超參數(shù)進行初步篩選，找到性能較好的超參數(shù)范圍，然后使用貝葉斯優(yōu)化在這個范圍內(nèi)進行更精細(xì)的搜索，以此建立改進svm算法的駕駛風(fēng)格識別模型；

18、z3、以測試集作為輸入，進行改進svm算法駕駛風(fēng)格辨識精度訓(xùn)練，得到基于改進svm的駕駛風(fēng)格識別模型。

19、進一步的，根據(jù)駕駛風(fēng)格辨識模型識別所得駕駛風(fēng)格與工況識別模型所識別的局部代表性工況進行結(jié)合，根據(jù)能耗與動力性要求，以一種駕駛風(fēng)格對應(yīng)全部工況類型的模式將所需優(yōu)化參數(shù)進行數(shù)據(jù)庫的創(chuàng)建與分類。

20、進一步的，所述參數(shù)修正模塊用于判斷控制參數(shù)測試結(jié)果是否滿足標(biāo)定目標(biāo)，在控制參數(shù)測試結(jié)果不滿足的情況下，參數(shù)修正模塊需要繼續(xù)優(yōu)化生成新的控制參數(shù)，直至控制參數(shù)測試結(jié)果滿足標(biāo)定目標(biāo)，得到符合條件的控制參數(shù)。

21、所述標(biāo)定參數(shù)設(shè)置模塊用于將生成的新的控制參數(shù)存儲至整車控制器中，并將最終獲得的最優(yōu)控制參數(shù)標(biāo)定進整車控制器中；所述數(shù)據(jù)庫模塊用于存儲試驗過程中所傳遞的測試數(shù)據(jù)，給參數(shù)修正模塊提供所需調(diào)用的測試數(shù)據(jù)；所述工況調(diào)用模塊用于識別控制參數(shù)總數(shù)庫輸出的新一組參數(shù)，并調(diào)用儲存的對應(yīng)工況信息輸入給臺架設(shè)備。

22、進一步的，所述控制參數(shù)總數(shù)據(jù)庫通過自動優(yōu)化標(biāo)定流程，依次輸出每組控制參數(shù)進入標(biāo)定參數(shù)設(shè)置模塊，當(dāng)每組參數(shù)優(yōu)化標(biāo)定完成后，調(diào)配下一組參數(shù)繼續(xù)進行，通過試驗驗證得到最優(yōu)控制參數(shù)總數(shù)據(jù)庫。

23、本發(fā)明的有益效果為：本發(fā)明所提供的一種新能源汽車自動優(yōu)化標(biāo)定方法與現(xiàn)有常規(guī)的汽車標(biāo)定方法相比較而言，能夠通過將實車所測樣本總體數(shù)據(jù)進行預(yù)處理，聚類優(yōu)化得到各種局部代表性工況，并運用實車測試數(shù)據(jù)訓(xùn)練工況識別模塊與駕駛風(fēng)格識別模塊，將識別所得不同工況與駕駛風(fēng)格相結(jié)合，得到車輛總控制參數(shù)數(shù)據(jù)庫，然后通過自動優(yōu)化標(biāo)定方法中的參數(shù)修正模塊、標(biāo)定參數(shù)設(shè)置模塊、數(shù)據(jù)庫模塊、工況調(diào)用模塊對控制參數(shù)總參數(shù)庫進行優(yōu)化更新，從而解決了實際行駛過程中差異化的行駛工況和駕駛風(fēng)格影響下的標(biāo)定參數(shù)適應(yīng)性差的問題，實現(xiàn)了標(biāo)定參數(shù)的深度優(yōu)化，增強了參數(shù)對多變環(huán)境的適應(yīng)性，大大優(yōu)化了新能源汽車的能耗。