基于用户数据的整车结构耐久“试验场-用户”关联特性分析

doi:10.19562/j.chinasae.qcgc.2025.08.019

摘要/Abstract

摘要：

基于现有试验场结构耐久规范难以全面捕捉实际用户运行条件下的复杂载荷特性，导致试验场工况与用户工况之间存在差异，本文以用户大数据为基础，分析了用户结构耐久工况特征并进一步研究了“试验场-用户”关联特性。首先，对用户数据进行预处理并采用多元时序自适应分割方法构建用户运行片段，从时域、频域和损伤3个角度构建片段特征参数。其次，采用线性和非线性两种方法进行特征参数降维，基于K-Means聚类算法将用户的运行片段划分为6类典型工况，进一步探讨了各典型工况的运行特征、损伤贡献及不同城市用户数据的差异性。最后，通过试验场强化路面和典型工况的映射关系进行相似性分析；通过损伤目标、功率谱密度、外推雨流进行差异性分析，结合“损伤等级-车速”联合分布对产生差异的原因进行探讨。研究成果为用户使用条件下试验场整车结构耐久性试验工况的选取、全寿命周期目标的确定和现有试验场规范的优化提供了参考和依据。

关键词: 用户运行大数据, 结构耐久, 工况特征, 试验场与用户关联

Abstract:

Current structural durability specification of the proving ground fail to fully capture the complex load characteristics under the actual user operating conditions， which results in a discrepancy between the proving ground conditions and the actual user use. In this study the characteristics of user structural durability are analyzed based on user big data. Furthermore， the characteristics of the 'proving ground-user' correlation are studied. Firstly， the user data is subjected to preprocessing， and a multivariate time-sequence adaptive segmentation method is employed to construct user-operating segments. The characteristic parameters of operating segments are constructed from three perspectives： time domain， frequency domain and damage. Subsequently， linear and nonlinear methods are employed for feature parameter dimensionality reduction. K-Means clustering is employed to categorize the data into six typical operating conditions. For each typical operating condition， operating characteristics， damage contributions， and inter-city variations in user data are analyzed. Finally， a similarity analysis is conducted to map the relationship between the proving ground reinforced pavement and typical operating conditions. Differences in damage targets， power spectral densities， and extrapolated rain flow are analyzed， and the reasons for the differences are explored through the joint ‘damage level-speed’ distribution. The findings provide a foundation for selecting structural durability test conditions， defining life cycle objectives， and improving proving ground specifications under user conditions.

Key words: user-operated big data, structural durability, condition characterization, proving ground and user association

赵礼辉,徐晓宇,翁硕,刘东俭,张东东. 基于用户数据的整车结构耐久“试验场-用户”关联特性分析[J]. 汽车工程, 2025, 47(8): 1634-1645.

Lihui Zhao,Xiaoyu Xu,Shuo Weng,Dongjian Liu,Dongdong Zhang. Research on Vehicle Structural Durability Based on User Data and the Correlation Between “Proving Ground and User”[J]. Automotive Engineering, 2025, 47(8): 1634-1645.

图/表 32

图1

图2

图3

表1

图4

图5

图6

表2

运行片段特征参数定义表"

序号	轮位标识符	特征参数	参数意义	单位
1	LF_ RF_ LR_ RR_	$A m a x$	轮心垂向加速度最大值	$g$
2		$A m a x - r a n g e$	轮心垂向加速度最大幅值	$g$
3		$A R M S$	轮心垂向加速度均方根	$g$
4		$A d a m a g e$	轮心垂向加速度损伤
5		$A P S D 1$	频谱分析0～3 Hz累计能量	$g 2 / H z$
6		$A P S D 2$	频谱分析3～6 Hz累计能量	$g 2 / H z$
7		$A P S D 3$	频谱分析6～9 Hz累计能量	$g 2 / H z$
8		$A P S D 4$	频谱分析9～15 Hz累计能量	$g 2 / H z$
9		$A P S D 5$	频谱分析15～25 Hz累计能量	$g 2 / H z$
10		$V m e a n$	车速的均值	$m / s$
11		$A m e a n$	车身质心加速度的均值	$m / s 2$

表2

图7

图8

表3

图9

图10

图11

图12

图13

图14

图15

图16

图17

图18

图19

图20

图21

图22

表4

表5

图23

图24

图25

图26

图27

参考文献 18

[1]	荣兵，肖攀. 汽车试验场载荷谱等效分析技术研究［J］. 汽车工程学报，2019，9 （5）： 366-372.
	RONG B，XIAO P. Study on equivalent analysis of road load spectrum on proving grounds［J］. Chinese Journal of Automotive Engineering，2019， 9 （5）： 366-372.
[2]	杨永乐，董帅，王庆华，等. 基于信号权重分析的汽车耐久性用户关联模型优化求解方法［J］. 中国公路学报， 2024， 37 （2）： 304-314.
	YONG Y L，DONG S，WANG Q H，et al. Optimized solution method for vehicle durability user-correlated model based on signal weight analysis［J］. China Journal of Highway and Transport，2024， 37 （2）： 304-314.
[3]	赵礼辉，刘斌，井清，等. 轻型商用车全寿命周期目标里程与运行工况研究［J］. 汽车工程，2018，40（3）： 342-348.
	ZHAO L H，LIU B，JING Q，et al. A research on target mileage and operation conditions in total life cycle for light commercial vehicles［J］. Automotive Engineering，2018，40（3）： 342-348.
[4]	赵礼辉，李佳欣，井清，等. 关联用户的汽车试验场耐久性评价路况循环方法研究［J］. 汽车工程，2020，42（1）： 127-133.
	ZHAO L H，LI J H，JING Q，et al. Research on the method of determining road condition cycles of durability test of correlated user automobile test field［J］. Automotive Engineering，2020，42（1）：127-133.
[5]	LIANG R， WU Z， WU S. Durability analysis and test research of vehicle proving ground based on user road load spectrum［C］. 2021 3rd International Conference on Robotics and Computer Vision （ICRCV）. IEEE， 2021： 91-97.
[6]	邹喜红，凌龙，陈静，等. 用户关联的驱动桥试验场耐久性试验规范研究［J］. 中国机械工程， 2022， 33 （14）： 1670-1679.
	ZHOU X H，LIN L，CHEN J，et al. Research on durability test specifications of user-association drive axle test fields ［J］. China Mechanical Engineering，2022， 33 （14）： 1670-1679.
[7]	赵礼辉，王震，冯金芝，等. 基于用户大数据的电动汽车驱动系统可靠性试验循环工况构建方法［J］. 机械工程学报， 2021， 57 （14）： 129-140.
	ZHAO L H，WANG Z，FENG J Z，et al. Construction method for reliability test driving cycle of electric vehicle drive system based on users’ big data ［J］. Journal of Mechanical Engineering，2021， 57 （14）： 129-140.
[8]	赵礼辉，周驰，徐侃峰，等. 基于用户大数据的电子助力制动器可靠性工况特征研究［J］. 汽车工程， 2021， 43 （9）： 1375-1382，1393.
	ZHAO L H，ZHOU C，XU K F，et al. Research on reliability condition characteristics of electronic brake booster based on user big data［J］. Automotive Engineering，2021， 43 （9）： 1375-1382，1393.
[9]	张新宇. 车辆结构试验场疲劳耐久试验规范及台架试验研究［D］. 北京：清华大学， 2014.
	ZHANG X Y. Research on proving ground testing standard and rig testing of durability performance of vehicle structure［D］. Beijing： Tsinghua University，2014.
[10]	HELMBRECHT M，OLAVERRI-MONREAL C，BENGLER K，et al. How electric vehicles affect driving behavioral patterns［J］. Intelligent Transportation Systems Magazine，IEEE，2014，6（3）： 22-32.
[11]	王震，周驰，赵礼辉. 一种基于电驱总成载荷特征融合与聚类的用户筛选方法： CN202210237252. 0［P］. 2022-06-10.
	WANG Z，ZHOU C，ZHAO L H. A user selection method based on the fusion and clustering of electric drive assembly load characteristics： CN202210237252. 0［P］. 2022-06-10.
[12]	王震. 运行数据下电驱动系统剩余寿命动态预测方法研究［D］. 上海：上海理工大学， 2024.
	WANG Z. Research on dynamic prediction method for remaining life of electric drive system under operation data［D］. Shanghai： University of Shanghai for Science & Technology，2024.
[13]	GHARGHABI S， DING Y， YEH C C M， et al. Matrix profile VIII： domain agnostic online semantic segmentation at superhuman performance levels［C］. 2017 IEEE International Conference on Data Mining. Piscataway： IEEE， 2017： 117-126.
[14]	DELDARI S， SMITH D V， SADRI A， et al. Espresso： entropy and shape aware time-series segmentation for processing heterogeneous sensor data［J］. Proceedings of the ACM on Interactive Mobile Wearable and Ubiquitous Technologies， 2020， 4（3）： 1-24.
[15]	JOLLIFFE I T. Principal component analysis for special types of data［M］. Springer New York， 2002.
[16]	李新正，王述红，侯钦宽，等. 基于t-SNE的多参数岩体结构面分步聚类方法［J］. 岩土力学， 2024， 45 （5）： 1540-1550.
	LI X Z，WANG S H，HOU Q K，et al. A stepwise clustering method of rock discontinuities dominated by multivariate parameters based on t-SNE［J］. Rock and Soil Mechanics，2024， 45 （5）： 1540-1550.
[17]	韩敏，李宇，韩冰. 基于改进结构保持数据降维方法的故障诊断研究［J］. 自动化学报，2021，47（2）：338-348.
	HAN M，LI Y，HAN B. Research on fault diagnosis of data dimension reduction based on improved structure preserving algorithm ［J］. Acta Automatica Sinica，2021， 47（2）：338-348.
[18]	门玉琢，李显生，于海波. 与用户相关的汽车可靠性试验新方法［J］. 机械工程学报， 2008， 44（2）： 223-229.
	MEN Y Z，LI X Y，YU H B. New method for automobile reliability test correlated with customers［J］. Journal of Mechanical Engineering，2008， 44（2）： 223-229.

强化路面名称	长度/m	车速要求/（km·h^-1）
比利时路	550	35
混凝土补丁路	200	40
拱形路	120	45
扭曲路	90	15
沟渠路	100	40
波纹路	300	35

指标	PCA	t-SNE	最优方法
压力值	0.18	0.21	PCA
低维可信度	0.74	0.92	t-SNE
分类准确性	82%	94%	t-SNE
KL散度	0.41	0.16	t-SNE

工况	t-SNE维度1	t-SNE维度2	t-SNE维度3
1	-11.34	9.21	-11.62
2	-23.55	-5.06	1.92
3	-4.46	9.78	15.89
4	21.20	3.04	5.89
5	14.81	0.33	-9.93
6	0.04	-10.91	0.30

用户工况	对应试验场强化路面
1	转向
2	扭曲路
3	拱形路、长波路
4	比利时路、混凝土补丁
5	鹅卵石路
6	正弦波路、森林路