基于微行程间隔时长预测的智能起停控制方法技术

本发明专利技术公开了一种基于微行程间隔时长预测的智能起停控制方法，其工况数据采集模块对速度工况数据的采集和存储；有效速度序列特征提取模块对采集的工况数据进行分析判断数据的有效性，确定有效速度时间序列的长度，并提取特征；数据训练模块采集并存储的数据将作为训练样本，对训练样本数据提取特征并判断其所属类别，将训练数据的特征和类别信息输入支持向量机模型进行学习，保存学习到的模型；微行程间隔时长预测模块对实时采集的数据提取相同特征，并使用训练得到的模型预测微行程间隔时长类别；本发明专利技术的控制模块根据微行程间隔时长预测的结果关闭发动机或保持怠速状态，节约了能源，减少了油耗，并根据实际情况对预测结果进行判断。

Intelligent microstroke interval prediction on-off control method based on

The invention discloses an intelligent microstroke interval based on time prediction on-off control method, the operating data acquisition module for data acquisition and storage conditions and speed; effective speed sequence feature extraction condition data acquisition module for analysis to determine the effectiveness of the data, to determine the effective rate of the length of time series, and feature extraction the data acquisition and storage module; the training data will be used as training samples to the training sample data and determine the feature extraction of the categories, the training data characteristics and the type of information input into support vector machine model for learning, learning to save the model; microstroke interval prediction data module on the real-time extraction of the same the characteristics, and the micro distance interval classes using the trained prediction model; the control module based on the micro interval pre trip The result of the test closes the engine or keeps idle state, saves energy, reduces fuel consumption, and judges the prediction result according to the actual situation.

【技术实现步骤摘要】
基于微行程间隔时长预测的智能起停控制方法
本专利技术涉及一种基于微行程间隔时长预测的智能起停控制方法，属于车辆节能控制领域，尤其涉及通过机器学习方法预测车辆行驶过程中的怠速时间长度，通过时间长度判断决定是否需要关闭发动机。
技术介绍
随着汽车保有量的不断增加，如何有效地节约能源减少排放已经成为亟待解决的问题。为了满足车辆燃油经济性的要求，近年来生产的汽车大部分都配备了自动起停系统，能够在车辆静止，发动机处于怠速工况时自动关闭发动机减少不必要的燃油消耗。现有的自动起停系统在NEDC工况下节油率能够达到3.37％-5.04％。NEDC工况是欧洲标准测试工况，属于模态工况，其中有较长的怠速工况，目前欧洲、中国、澳大利亚等国家或地区均使用NEDC测试工况评价开发车型。车辆的行驶工况是由一系列微行程及两个微行程间隔的怠速工况组成，其中微行程是指从车速为0开始到再次车速为0结束的一个车辆运动的时间速度序列。由于车辆实际的运行工况与NEDC工况有着明显的不同，两个微行程间隔时长变化范围较大，这使得自动起停系统不能达到应有的节油效果。目前国内现有的车辆以家用为主，主要用于上下班出行，经常行驶于上下班高峰时段的大密度交通流中，在这种工况下微行程之间时间间隔大多较短，使得现有的自动起停系统频繁地关闭和启动发动机，这不仅会大大影响驾驶的舒适性而且会导致比怠速更多的燃油消耗，这是由于发动机起动需要混合气加浓，发动机热起动一次的油耗相当于发动机怠速6～8秒的油耗，如一台排量1,489mL、直列4缸16气门的发动机，怠速油耗是0.18mL/s，试验表明该发动机热起动一次的油耗为1.2mL，怠速时间6.7s以上才能节约燃油消耗，如果再考虑蓄电池起动过程能量消耗而导致的发动机间接油耗，以及随着车辆使用年限的增加发动机劣化加剧而导致起动油耗随之增加，因此怠速时间只有超过10s以上关闭发动机才能节约油耗。
技术实现思路
本专利技术针对自动起停系统的上述问题，提出了基于微行程间隔时长预测的智能起停控制方法，根据实际的运行工况预测车辆的微行程间隔时长，如果预测的微行程间隔时长在阈值范围内(10秒)则关闭发动机，否则保持怠速状态，如果实际情况下预测有误则直接关闭发动机。本专利技术包括工况数据采集模块、有效速度序列特征提取模块、数据训练模块、微行程间隔时长预测模块和控制模块；工况数据采集模块对速度工况数据的采集和存储；有效速度序列特征提取模块对采集的工况数据进行分析判断数据的有效性，确定有效速度时间序列的长度，并提取特征；数据训练模块采集并存储的数据将作为训练样本，对训练样本数据提取特征并判断其所属类别，将训练数据的特征和类别信息输入支持向量机模型进行学习，保存学习到的模型；微行程间隔时长预测模块对实时采集的数据提取相同特征，并使用训练得到的模型预测微行程间隔时长类别；控制模块根据微行程间隔时长预测的结果关闭发动机或保持怠速状态，并根据实际情况对预测结果进行判断。所述的工况数据采集模块在车辆行驶的过程中实时采集车辆速度时间序列。所述的有效速度序列特征提取模块通过中值滤波方法去除实时采集的速度数据中由于设备波动原因出现的数据噪音，并循环确定固定长度的有效速度时间序列，在根据速度时间序列提取速度特征，速度均值、方差、加速度均值、方差、加速时间百分比、减速时间百分比、匀速时间百分比以及单位时间内停车次数。所述的数据训练模块根据训练数据的实际情况对训练数据分类，微行程间隔时长超过10s为需要关闭发动机类(当前微行程间隔时长需要关闭发动机，小于等于10s为无需关闭发动机类(当前微行程间隔时长无需关闭发动机)，将训练数据的特征和类别输入支持向量机模型进行训练并保存模型。所述的微行程间隔时长预测模块对实时时间速度序列数据提取特征，使用训练得到的支持向量机模型对实时数据进行分类。控制模块根据预测的结果控制发动机的启动和关闭。本专利技术的有益效果：根据实际的运行工况预测车辆的微行程间隔时长，如果预测的微行程间隔时长在阈值范围内(10秒)则关闭发动机，否则保持怠速状态，如果实际情况下预测有误则直接关闭发动机。节约了能源，减少了油耗。附图说明图1是本专利技术中微行程时间间隔预测流程图。图2是本专利技术中支持向量机分类示意图。图3是本专利技术中分类结果比较图。图4是本专利技术中控制系统流程图。具体实施方式为了实现基于微行程时间间隔预测的智能起停系统，首先预测微型程的间隔时间然后根据预测结果进行起停控制。在与测试时，先使用训练数据离线训练支持向量机模型，根据训练得到的模型预测微型程时间间隔，如图1所示。训练数据预处理首先，使用大量车辆行驶工况数据作为训练数据，确定有效速度时间序列。在本专利技术中，有效速度时间序列是指怠速工况发生前的速度时间序列，而速度时间序列长度是根据大量不同时间间隔的数据相关性确定。当间隔时间越长速度相关性越弱，使用其预测下一时刻工况就越不准确，当时间间隔为59s时，速度数据几乎不存在相关性。而当间隔越短时，相关性越高，但是但间隔时间内的速度时间序列包含的信息越少，容易引发过配问题，影响预测效果。因此综合考虑这两方面因素，即保证数据存在相关性，又同时包含足够多的信息，因此本专利技术选择怠速前30s作为可以用于预测怠速时间长度的有效速度时间序列。根据每项工况数据实际的怠速时间以及设定的阈值对工况数据进行人工分类。在本专利技术中，根据公式(1)对采集的速度工况进行分类，分为有效怠速起停类(1类)和无效怠速起停类(-1类)，其中Tis为关闭发动机的时间长度，在本专利技术中相当于微行程间隔时间长度。支持向量机模型训练对分好类的速度工况数据提取特征，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、加速时间百分比、减速时间百分比、匀速时间百分比以及单位时间内停车次数。完成特征提取后，将特征数据和类别信息输入支持向量机模型进行学习。支持向量机的原理是寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，能够使超平面两侧的空白区域最大化，如图2所示。给定训练样本集合(xi,yi),i＝1,2,…,l,x∈Rn,y∈{±1}，xi其中为从速度时间序列中提取的特征，yi为根据公式(2)对训练数据的分类结果。超平面记做(w·x)+b＝0，为使分类对所有样本正确分类并且具备分类间隔，就要求它满足如下约束：yi[(w·xi)+b]≥1i＝1,2,…,l，可以计算出分类间隔2/||w||，因此构造最优超平面的问题就转化为在约束式下求：为了解决该约束最优化问题，进入Largrange函数：式中，ai＞0为Lagrange乘数。约束最优化问题的解由Lagrange函数的鞍点决定，并且最优化问题的解在鞍点处满足对w和b的偏导为0，将该问题转换为相应的对偶问题即：解得最优解计算最优权值向量w*和b*，分别为：式中，下标因此得到最优分类超平面(w*·x)+b*＝0，而最优分类函数为：在本专利技术中，微行程间隔时间的分类是一个二分类问题，非常适合用支持向量机进行分类。以上的具体实施内容都属于预测模型的训练部分，无需在线完成，不会影响起停系统的实时性，也无需大的存储空间用来存储训练数据只需要保存训练得到的超平面模型。使用支持向量机的分类结果如图本文档来自技高网...

【技术保护点】
一种基于微行程间隔时长预测的智能起停控制方法，其特征在于：包括工况数据采集模块、有效速度序列特征提取模块、数据训练模块、微行程间隔时长预测模块和控制模块；工况数据采集模块对速度工况数据的采集和存储；有效速度序列特征提取模块对采集的工况数据进行分析判断数据的有效性，确定有效速度时间序列的长度，并提取特征；数据训练模块采集并存储的数据将作为训练样本，对训练样本数据提取特征并判断其所属类别，将训练数据的特征和类别信息输入支持向量机模型进行学习，保存学习到的模型；微行程间隔时长预测模块对实时采集的数据提取相同特征，并使用训练得到的模型预测微行程间隔时长类别；控制模块根据微行程间隔时长预测的结果关闭发动机或保持怠速状态，并根据实际情况对预测结果进行判断。

【技术特征摘要】
1.一种基于微行程间隔时长预测的智能起停控制方法，其特征在于：包括工况数据采集模块、有效速度序列特征提取模块、数据训练模块、微行程间隔时长预测模块和控制模块；工况数据采集模块对速度工况数据的采集和存储；有效速度序列特征提取模块对采集的工况数据进行分析判断数据的有效性，确定有效速度时间序列的长度，并提取特征；数据训练模块采集并存储的数据将作为训练样本，对训练样本数据提取特征并判断其所属类别，将训练数据的特征和类别信息输入支持向量机模型进行学习，保存学习到的模型；微行程间隔时长预测模块对实时采集的数据提取相同特征，并使用训练得到的模型预测微行程间隔时长类别；控制模块根据微行程间隔时长预测的结果关闭发动机或保持怠速状态，并根据实际情况对预测结果进行判断。2.根据权利要求1所述的一种基于微行程间隔时长预测的智能起停控制方法，其特征在于：所述的工况数据采集模块在车辆行驶的过程中实时采集车辆速度时间序列。3.根据权利要求1所述的一种基于微行程间隔时长预测的智能起停控制方法，其特...

【专利技术属性】
技术研发人员：隗海林，包翠竹，李明达，豆雪珊，田崇河，郭运珍，李洪雪，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22