基于大數(shù)據(jù)的電動(dòng)輕卡驅(qū)動(dòng)系統(tǒng)可靠性工況構(gòu)建

鐘根丁，程小強(qiáng)，龔春輝

基于大數(shù)據(jù)的電動(dòng)輕卡驅(qū)動(dòng)系統(tǒng)可靠性工況構(gòu)建

鐘根丁，程小強(qiáng)，龔春輝

（江鈴汽車股份有限公司 江西省多功能乘用車工程研究中心，江西 南昌 330000）

基于車聯(lián)網(wǎng)T-BOX采集的用戶大數(shù)據(jù)，采用短行程分析法，關(guān)聯(lián)駕駛特性及電驅(qū)動(dòng)系統(tǒng)的特性構(gòu)建出工況特征參數(shù)，采用主成分分析法對(duì)特征參數(shù)降維，利用K-Means聚類出5類不同典型的工況。結(jié)合驅(qū)動(dòng)系統(tǒng)軸系損傷及線性損傷理論，選出具有代表性的短行程，構(gòu)建新的可靠性工況載荷譜。

大數(shù)據(jù)；可靠性；聚類分析

前言

2020全年，我國新能源商用車?yán)塾?jì)完成銷量為12.1萬輛，其中純電動(dòng)商用車銷量為11.6萬輛，插電式混合動(dòng)力商用車銷量為0.4萬輛。綜合來看，目前我國新能源商用車市場(chǎng)銷售也主要以純電動(dòng)商用車為主。驅(qū)動(dòng)系統(tǒng)作為純電動(dòng)商用車的核心部件，其可靠性是影響客戶滿意度的重要因素。當(dāng)前電驅(qū)動(dòng)系統(tǒng)可靠性規(guī)范均是針對(duì)額定/最大轉(zhuǎn)速與轉(zhuǎn)矩等極限工況編制的恒應(yīng)力/低交變?cè)囼?yàn)載荷譜，難以有效反映用戶實(shí)際運(yùn)行條件下動(dòng)態(tài)交變載荷的損傷效果[1]。通過對(duì)電驅(qū)動(dòng)系統(tǒng)可靠性工況特征研究，制定更合理的可靠性試驗(yàn)載荷譜及規(guī)范，對(duì)純電動(dòng)商用車的電驅(qū)動(dòng)系統(tǒng)的開發(fā)與驗(yàn)證具有重要的意義。

本文依托新能源車輛管理平臺(tái)，以某純電動(dòng)輕卡車型的用戶行駛數(shù)據(jù)為基礎(chǔ)，通過短行程分析法，構(gòu)建短行程的特征參數(shù)，利用主成分分析及無監(jiān)督機(jī)器學(xué)習(xí)的聚類方法，在結(jié)合電驅(qū)動(dòng)系統(tǒng)的損傷強(qiáng)度對(duì)用戶實(shí)際使用條件下的可靠性工況進(jìn)行識(shí)別，構(gòu)造新的綜合可靠性工況，為驗(yàn)證電驅(qū)動(dòng)系統(tǒng)的可靠性提供數(shù)據(jù)支撐。

1 樣本選擇及數(shù)據(jù)提取

在新能源車輛管理平臺(tái)上，某純電動(dòng)輕卡通過車載T-BOX設(shè)備采集樣車CAN信號(hào)上傳至云端，從平臺(tái)系統(tǒng)上可以下載需要分析的數(shù)據(jù)，如時(shí)間、車速、轉(zhuǎn)速、扭矩等信號(hào)參數(shù)。為保證數(shù)據(jù)分析的精度，T-BOX設(shè)備的采集頻率為1 Hz。本次選取全國不同地區(qū)共20個(gè)用戶作為樣本，提取其行駛一個(gè)月的數(shù)據(jù)作為分析。用戶的選擇，主要考慮車型的主銷區(qū)域，并且能覆蓋全國各個(gè)涵蓋華中、華北、華東、西北 4 個(gè)地區(qū)。圖1為某個(gè)用戶行駛軌跡圖。

圖1 某個(gè)用戶行駛軌跡圖

T-BOX采集的數(shù)據(jù)因受設(shè)備、信號(hào)傳輸?shù)纫蛩氐挠绊懀瑢?dǎo)致獲取的數(shù)據(jù)存在丟失、異常等情況，需要對(duì)數(shù)據(jù)做預(yù)處理，剔除異常以及無效的數(shù)據(jù)，避免影響數(shù)據(jù)分析。

2 數(shù)據(jù)分析及處理

2.1 短行程劃分

本文采用短行程法對(duì)行駛工況數(shù)據(jù)進(jìn)行分析，短行程是指從車速為零開始到下一個(gè)車速為零的運(yùn)動(dòng)行程，通常包括一個(gè)怠速部分和一個(gè)行駛部分[2]。一個(gè)短行程通常包含怠速、加速、勻速和減速四種運(yùn)動(dòng)模式，如下圖2所示。

圖2 短行程示意圖

2.2 特征參數(shù)構(gòu)建

汽車行駛工況，是由多個(gè)具有代表性的短行程工況組合而成。選取具有代表性的短行程工況，需要參考一定的標(biāo)準(zhǔn)及依據(jù)。通常采用一定的參數(shù)來評(píng)估工況，結(jié)合電動(dòng)車的電驅(qū)動(dòng)系統(tǒng)的特性，除時(shí)間、車速、加速度外，需要特別考慮扭矩變化對(duì)電驅(qū)動(dòng)系統(tǒng)的影響，綜合考慮，共設(shè)定15個(gè)短行程特征參數(shù)。

表1 短行程特征參數(shù)

特征值定義 T/s總時(shí)間 S/m總里程 V_max/(km/h)最大速度 V_mean/(km/h)平均速度 V_std/(km/h)速度標(biāo)準(zhǔn)差 P_acc/%加速時(shí)間比例 P_dec/%減速時(shí)間比例 a_std/(m/s2)加速度標(biāo)準(zhǔn)差 a_max/(m/s2)最大加速度 a_min/(m/s2)最小減速度 a_acc_mean/(m/s2)加速段平均加速度 a_dec_mean/(m/s2)減速段平均減速度 Trq_p_mean/(N·m)平均正扭矩 Trq_n_mean/(N·m)平均負(fù)扭矩 Trq_std/(N·m)扭矩標(biāo)準(zhǔn)差

2.3 主成分分析

主成分分析（Principal Components Analysis），簡(jiǎn)稱 PCA，是基于降維思想下產(chǎn)生的處理高維數(shù)據(jù)的方法。常用于高維數(shù)據(jù)的降維，用于提取數(shù)據(jù)的主要特征分量。提取主成分時(shí)，按照各主成分累積貢獻(xiàn)率大于80%提取出前6個(gè)主成分，各主成分貢獻(xiàn)率和累積貢獻(xiàn)率見表2所示。將原始15維的矩陣數(shù)據(jù)轉(zhuǎn)化為6維的主成分矩陣數(shù)據(jù)進(jìn)行分析。

表2 主成分貢獻(xiàn)率及累計(jì)貢獻(xiàn)率

主成分貢獻(xiàn)率/%累計(jì)貢獻(xiàn)率/% M140.14140.141 M217.15457.295 M39.25766.552 M47.94774.499 M55.05479.553 M64.70184.254 ……………… M150.294100.000

2.4 聚類分析

對(duì)主成分矩陣數(shù)據(jù)采用K-Means無監(jiān)督學(xué)習(xí)進(jìn)行聚類，取K=5，將工況行程聚類成5大類。5類短行程的分布情況如下表3所示。

表3 聚類工況統(tǒng)計(jì)

聚類時(shí)間占比/%里程占比/%短行程占比/% 110.8317.8919.12 211.1818.1720.92 342.1415.5513.05 429.0640.8241.24

3 行駛工況構(gòu)建

3.1 損傷理論

電動(dòng)車的電驅(qū)動(dòng)系統(tǒng)的損傷，按軸系損傷貢獻(xiàn)作為計(jì)算依據(jù)，以電機(jī)輸出扭矩、轉(zhuǎn)速產(chǎn)生的交變載荷形成的不同的損傷強(qiáng)度，采用線性損傷的數(shù)學(xué)模型進(jìn)行計(jì)算[3-4]。線性累積損傷原理假設(shè)損傷（壽命耗盡）是累積相加的，電機(jī)轉(zhuǎn)矩—轉(zhuǎn)數(shù)相關(guān)線性疲勞累積損傷為：

式中：D為載荷第級(jí)產(chǎn)生的疲勞損傷；n為電機(jī)在轉(zhuǎn)矩T下的轉(zhuǎn)數(shù)；N為在轉(zhuǎn)矩T時(shí)的疲勞壽命（失效轉(zhuǎn)數(shù)）；T由轉(zhuǎn)矩—壽命（-）曲線確定?？偟膿p傷表示每個(gè)單獨(dú)損傷（d）的累積過程，由n和N的比值來定義?？赏ㄟ^傳動(dòng)系統(tǒng)基準(zhǔn)抗疲勞與壽命關(guān)系得出：

式中：T為電機(jī)扭矩；T為疲勞強(qiáng)度系數(shù)；為疲勞強(qiáng)度指數(shù)。計(jì)算在某一扭矩T下的轉(zhuǎn)數(shù)N，通過公式（1）、（2）可以計(jì)算出其對(duì)應(yīng)的疲勞壽命N和損傷d。

3.2 工況構(gòu)建

根據(jù)聚類結(jié)果分成的5類，提取典型短行程工況，除考慮該短行程的相關(guān)系數(shù)，需結(jié)合該短行程的損傷貢獻(xiàn)，以實(shí)現(xiàn)加速驗(yàn)證的目的[4]。選取損傷值較大，且相關(guān)系數(shù)較大的短行程，作為具有代表性的短行程工況。

表4 子工況參數(shù)表

工況相關(guān)系數(shù)時(shí)間/s單位時(shí)間損傷值 工況1_10.8092139.50E?09 工況1_20.925694.26E?09 工況1_30.8151153.98E?09 工況2_10.886287.77E?10 工況2_20.8982151.95E?09 工況3_10.9391193.44E?08 工況3_20.887993.15E?08 工況4_10.8231419.94E?09 工況4_20.893764.88E?09 工況4_30.8792014.65E?09 工況5_10.8365943.14E?09

圖3 可靠性綜合工況

基于單位時(shí)間的損傷強(qiáng)度及相關(guān)系數(shù)，損傷強(qiáng)度選取90%分位以上，相關(guān)系數(shù)大于0.8，并結(jié)合各聚類占比情況，共選取11個(gè)子工況作為典型工況，用于構(gòu)建新的工況。選取的11個(gè)子工況參數(shù)如表4所示，新構(gòu)建的綜合工況如圖3所示。

3.3 工況對(duì)比

對(duì)選取的短行程的工況與原始數(shù)據(jù)對(duì)比分析見表5所示，新構(gòu)建的工況的損傷貢獻(xiàn)在5個(gè)聚類上分布基本相當(dāng)，為實(shí)現(xiàn)加速驗(yàn)證的目的，時(shí)間分布上存在一定的差異。新構(gòu)建的工況總時(shí)間為1 870 s，基于相同的損傷強(qiáng)度，經(jīng)計(jì)算其驗(yàn)證時(shí)間周期可以壓縮至原工況的1/12。

表5 工況對(duì)比

聚類原工況時(shí)間占比/%原工況損傷占比/%新工況時(shí)間占比/%新工況損傷占比/% 114.0318.0621.2318.51 221.711.9412.992.95 36.3247.1011.6648.06 431.9118.0622.3518.05 526.0314.8431.7612.44

4 結(jié)論

基于新能源車輛管理平臺(tái)獲取的純電動(dòng)輕卡的實(shí)際客戶數(shù)據(jù)，將其行駛工況特性聚類成5大類，結(jié)合電驅(qū)動(dòng)系統(tǒng)的損傷強(qiáng)度，提取出11個(gè)短行程子工況，構(gòu)建成1 870 s的可靠性綜合工況。新構(gòu)建的工況，為電動(dòng)輕卡電驅(qū)動(dòng)系統(tǒng)的可靠性驗(yàn)證提供了依據(jù)和參考，不僅與實(shí)際客戶的行駛工況高度關(guān)聯(lián)，同時(shí)也能極大地提高驗(yàn)證效率，壓縮驗(yàn)證周期。

[1] 趙禮輝.基于用戶大數(shù)據(jù)的電驅(qū)動(dòng)系統(tǒng)可靠性工況特征研究[J].汽車工程,2020,42(10):1386-1396.

[2] 宋怡帆.基于聚類和Python語言的深圳市城市道路車輛行駛工況構(gòu)建[D].西安:長(zhǎng)安大學(xué),2018.

[3] 門玉琢,劉博等.與典型用戶數(shù)據(jù)相關(guān)的乘用車傳動(dòng)系臺(tái)架可靠性試驗(yàn)載荷譜制定研究[J].汽車工程,2017,39(11):1286-1293.

[4] 鐘根丁.基于客戶關(guān)聯(lián)的純電動(dòng)輕卡驅(qū)動(dòng)電機(jī)可靠性臺(tái)架試驗(yàn)研究[J].汽車實(shí)用技術(shù),2021,46(8):90-92.

Construction of Reliability Working Condition of Electric Light Truck Drive System Based on Big Data

ZHONG Gending, CHEN Xiaoqiang, GONG Chunhui

( Product research and Development Institute Jiangling Motors. Co., Ltd., Jiangxi Nanchang 330000 )

Based on the user big data collected by the Internet of vehicles T-box, the working condition characteristic parameters are constructed by using the short travel analysis method and associating the driving characteristics and the characteristics of the electric drive system. The dimension of the characteristic parameters is reduced by using the principal component analysis method, and five different typical working conditions are clustered by K-means. Combined with the shafting damage and linear damage theory of the drive system, the representative short stroke is selected and a new reliability working condition load spectrum is constructed.

Big data;Reliability;Cluster analysis

A

1671-7988(2021)22-129-03

U467

A

1671-7988(2021)22-129-03

CLC NO.: U467

鐘根丁，助理工程師，就職于江鈴汽車股份有限公司，研究方向：整車耐久可靠性耐久測(cè)試及開發(fā)、大數(shù)據(jù)場(chǎng)景化分析。

10.16638/j.cnki.1671-7988.2021.022.033