基于S-method时频分析的制动意图识别方法

孙嘉兵 李志光 谢志鹏

摘 要：为了提高电动汽车制动能量回收效率，不可避免需要增加制动意图判断的准确率，提出了基于S-method时频分析的制动意图识别方法。鉴于S-method处理非平稳信号兼顾算法响应时间和时频分辨率的优点，通过建立S-method时频模型的基础上，运用奇异值分解方法提取特征值。最后，运用聚类算法识别驾驶员制动意图。实验结果表明，该方法能实时有效识别中等制动和平缓制动。

关键词：电动汽车;S-method;奇异值分解;聚类识别

中图分类号：U467  文献标识码：B  文章编号：1671-7988（2020）10-166-04

Brake Intent Recognition Method based on S-method Time Frequency Analysis

Sun Jiabing， Li Zhiguang， Xie Zhipeng

（Geely Automotive Research Institute （ Ningbo ） Co.， Ltd.， Zhejiang Ningbo 315000 ）

Abstract： In order to improve the braking energy recovery efficiency of electric vehicles， it is necessary to increase the accuracy of braking intent judgment， a method of braking intent recognition based on S-method time frequency analysis is proposed. S-method handles non-stable signals to take into account the algorithm response time and time frequency resolution， the characteristic values are extracted by using the singular value decomposition method on the basis of establishing the S-method time frequency model. Finally， the clustering algorithm is used to identify the braking intent. The results show that the method can effectively identify the medium brake and the slow braking.

Keywords： Electric vehicles; S-method; SVD; Clustering identification

CLC NO.： U467  Document Code： B  Article ID： 1671-7988（2020）10-166-04

1 前言

新能源汽車制动过程中，驾驶员操作制动踏板的过程中，再生制动和机械制动会以踏板意图为判据，在运动过程中的占比随时进行调整。再生制动的能量回收程度也决定了整车的能耗，因此提高识别驾驶员操作制动踏板的意图非常重要，制动意图判定的实时性和准确性对于制动能量回收效率意义重大。参考国外制动意图识别技术现状，可知国外在量产车型上，已经应用了制动意图识别技术，但没有公开技术细节。

国内学者对制动意图识别技术进行了相关的研究，主要针对踏板行程和位移变化率以及角速度展开的相关研究，但涉及到信号处理领域和特征提取的相关研究很少。文献[10]中对驾驶员制动意图进行辨识视角以制动踏板角速度等为参考依据^[10]，文献[11]中确定了以制动踏板角速度和制动管路压力为依据识别制动意图 ^[11]。文献[12]中以制动踏板位移为制动意图识别的参数^[12]。文献[13]中以制动踏板位移和变化率为特征值，在车速为参考值下识别驾驶员的制动意图^[13]。

本文提出了基于S-method时频分析的制动意图识别方法。首先运用建立S-method时频模型的基础上，运用奇异值分解方法提取特征值，最后，运用聚类算法识别刹车意图。实时且效识别驾驶员制动意图。

2 S-method时频分析

S-method时频分析方法需要了解谱图SP方法和魏格纳-维尔分布WVD的相关概念。

2.1 谱图SP

谱图是线性时频方法STFT的模平方。

STFT定义如下：

其中h（t）为用以截断信号的窗函数。

在实际应用中，常采用它的能谱分布表示方法，即谱图表示：

2.2 魏格纳-维尔分布WVD

非稳态信号X（t），WVD是其自相关函数 的傅里叶变换形式，其WVD的表达式如下：

WVD处理线性调频信号时，时频聚集度最优，但在处理非稳态信号时受到交叉项干扰^[1]，会影响时频聚集度。

2.3 S-method时频分析方法

S-method时频分析方法与信号谱图SP方法和WVD关系密切，时频分析方法定义如下：

P（θ）是一个可变的，长度很短的窗函数，当P（θ）取不同的值时，表达式会有如下的变化：

当P（θ）介于两者之间时，S-method时频分析方法有着优秀的时频聚集度，混叠项同时得到抑制。

2.4 奇异值分解

奇异值分解经过分解后的奇异值稳定性能好，即矩阵中的某些元素发生变化时，其奇异值变化不明显^[2]。

矩阵，则存在正交矩阵：

使得

即

则式（8）为矩阵A的奇异值分解。其中，U和V分别是A的奇异值向量，这种重要的矩阵分解理论有较好的稳定性，适用于工程计算。

3 聚类识别

K-均值聚类算法应用于奇异值向量，对制动踏板意图进行聚类识别。算法的步骤如下^[3]。

（1）假设k个聚类中心的数据集，计算数据集中每个元素与各聚类中心的距离，其中i=1，2…，n，j=1，2，…，k，找到每个元素最近的聚类中心，并將每个元素归到该聚类中心，此时。

（2）计算新的聚类中心

（3）迭代终止条件

如果J收敛迭代停止，否则重复步骤（1）继续。

4 基于S-method时频分析的制动意图识别

4.1 制动意图识别算法流程

S-method时频分析方法在处理时域制动信号优于WVD和SP方法，通过S-method时频分析方法将制动时域信号转换成时频谱图，再将时频谱图看成一个矩阵平面，然后将矩阵平面进行奇异值分解，得到特征向量，最后用聚类识别的算法将制动信号进行快速识别，有效快速的识别出制动类型，为电动汽车能量有效回收提供依据。流程图见图1。

4.2 S-method时频矩阵的奇异值分解

图2和图3分别为截取的一段中等制动和平稳制动踏板信号数据，采用S-method时频分析方法得到时频谱矩阵，通过对比图4和图5时频矩阵可以看出两种信号的幅值在频率和时间的分布特征差别明显，没有出现混叠干扰。

将通过S-method时频分析方法得到的时频谱矩阵进行奇异值分解计算求得特征向量序列。从图6可以看出两种工况的奇异值向量特征差别明显，可以作为判断依据。

5 实验验证

5.1 离线验证

分别选择5组中等制动数据和5组平缓制动数据作为检测样本数据^[4]，分别按照顺序进行编号，根据前述的方法求得奇异值向量，并将前三阶奇异值作为特征值进行聚类意图识别，因为从图6可以看出阶次靠前的数据具有明显的特征差别。识别结果表2所示。

表1可以得出，两类制动意图被识别算法准确归类，样本数据的正确归类，足以说明该算法得到的判据具有较强的鲁棒性，证明了该方法的有效性。

5.2 实时验证

实时验证采用某混动型SUV动态测试台架，采用CANoe设备中的I/O通道进行制动踏板行程的电压模拟量进行数据采集，将采集到的数据通过CANoe/MATLAB接口导入到MATLAB中，实现CANoe与MATLAB的关联，通过要求驾驶员操作制动踏板平缓制动和中等制动交替进行采集。通过该算法的计算，识别结果如图7所示。基于S-method时频分析算法可以准确的识别驾驶员的制动意图。并且后期在操作频度加快时也能正确识别制动意图，从每次制动到识别出制动意图的时间都在0.4s以内，符合制动意图响应速度要求。

6 结论

（1）S-method时频分析方法保持了较好的时频聚集度，兼顾了算法响应时间和时频分辨率，得到的时频矩阵保留了更有效的时频信息，经过奇异值分解后得到的特征向量鲁棒性更强，为识别出制动类型提供有效的判据。

（2）基于S-method时频分析算法有着较好的实时性。离线实验表明，可实时对驾驶员操作制动踏板意图进行准确辨识，在线实验表明，本算法可实时并且准确对制动意图进行辨识，具有一定的参考价值。

参考文献

[1] 李秀梅，杨国青.几种时频方法的性能比较[J].计算机仿真，2015， 32（3）：220-224.

[2] 秦洪懋，孫嘉兵，孙宁.基于Winger分布和奇异值分解的轴承故障诊断[J].机械强度，2015，37（1）：028-031.

[3] 王波，唐先智，等.基于EEMD和熵理论的汽车制动意图识别方法[J].汽车工程，2018，40（8）：935-941.

[4] 唐先智，王波，杨树军，等.基于Hilbert-Huang变换的制动意图聚类识别[J].汽车工程，2016，38（5）：580-586.

[5] TANG L，LV H，TU L.An EEMD-based multi-csale fuzzy entro-py approach for complexity analysis in clean energy markets[J]. Applied Soft Computing，2017，56：124-133.

[6] MOHAMMED A A，HARISS M，NUAWI M Z.Utilizing Hilbert- Huang transform in detection some of mechanical properties of the refractory metals[J].Mechanical Systems & Signal Processing， 2016，s 68-69（19） ：449-461.

[7] ZVOKELJ M，ZUPAN S，PREBIL I.EEMD-based multiscale ICA method for slewing bearing fault detection and diagnosis[J].Journal of Sound&Vibration，2016，370： 394-423.

[8] SHEN C，LI J，ZHANG X，et al.A noise reduction method for dual- mass micro-electromechanical gyroscopes based on sample entropy empirical mode decomposition and timefrequencypeakfil tering [J].Sensors，2016，16（6）.

[9] SHAHRIVARI S，JALILI S.Single-pass and linear-time k-means

clustering based on Map Reduce[J]. Information Systems，2016，60 （C）：1-12.

[10] 孙逸神.基于模糊逻辑的制动意图离线识别方法研究[J].北京汽车，2009（6）：21-23.

[11] 张元才，余卓平，徐乐，等.基于制动意图的电动汽车复合制动系统制动力分配策略研究[J].汽车工程，2009，31（3）：244-249.

[12] 王英范，宁国宝，余卓平.乘用车驾驶员制动意图识别参数的选择[J].汽车工程，2011，33（3）：213-216.

[13] 林逸，沈沉，王军，等.汽车线控制动技术及发展[J].汽车技术，2005 （12）：1-3.

[14] ROODY S S.Modeling drivers' behavior during panic braking for brake assist application，using neural networks and logistic regres -sion and a comparison[C].SAE Paper 2011-01-2384.

[15] 王庆年，王俊，陈慧勇，等.混合动力车辆中的加速与制动意图识别[J].吉林大学学报（工学版），2014，44（2）：281-286