PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Synthesis of naturalistic vehicle driving cycles using the Markov Chain Monte Carlo method

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Synteza eksploatacyjnych cykli jezdnych samochodów przy wykorzystaniu metody Monte Carlo z zastosowaniem łańcuchów Markowa
Języki publikacji
EN PL
Abstrakty
EN
Simulation methods commonly used throughout the design and verification process of various types of motor vehicles require development of naturalistic driving cycles. Optimization of parameters, testing and gradual increase in the degree of autonomy of vehicles is not possible based on standard driving cycles. Ensuring representativeness of synthesized time series based on collected databases requires algorithms using techniques based on stochastic and statistical models. A synthesis technique combining the MCMC method and multifractal analysis has been proposed and verified. The method allows simple determination of the speed profile compared to classic frequency analysis.
PL
Metody symulacyjne powszechnie stosowane w całym procesie projektowania i weryfikacji różnych typów pojazdów mechanicznych wymagają opracowania eksploatacyjnych cykli jezdnych. Optymalizacja parametrów, testowanie i stopniowe zwiększanie stopnia autonomiczności pojazdów nie jest możliwe na bazie standardowych cykli jezdnych. Zapewnienie reprezentatywności syntezowanych szeregów czasowych na podstawie zgromadzonych baz danych wymaga algorytmów wykorzystujących techniki bazujące na modelach stochastycznych i statystycznych. Zaproponowano i zweryfikowano technikę syntezy łączącą metodę Monte Carlo wykorzystującą łańcuch Markowa (MCMC) oraz analizę multifraktalną. Metoda umożliwia proste wyznaczenie profilu prędkości jazdy w porównaniu do klasycznej analizy częstotliwościowej.
Rocznik
Strony
316--322
Opis fizyczny
Bibliogr. 20 poz., rys., tab.
Twórcy
  • Department of Mechanical Engineering Kazimierz Pulaski University of Technology in Radom Malczewskiego 29., 26-600 Radom, Poland, andrzej.puchalski@uthrad.pl
  • Department of Mechanical Engineering Kazimierz Pulaski University of Technology in Radom Malczewskiego 29., 26-600 Radom, Poland, iwona.komorska@uthrad.pl
Bibliografia
  • 1. Brady J, O'Mahony M. Development of a driving cycle to evaluate the energy economy of electric vehicles in urban areas. Applied Energy 2016; 177: 165-178, https://doi.org/10.1016/j.apenergy.2016.05.094.
  • 2. Chłopek Z. The synthesis of driving tests according to the criterions of similarity of frequency characteristics. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2016; 18(4): 572-577, https://doi.org/10.17531/ein.2016.4.12.
  • 3. Dai M, Zhang Ch, Zhang D. Multifractal and singularity analysis of highway volume data. Physica A 2014; 407: 332-340, https://doi.org/10.1016/j.physa.2014.04.005.
  • 4. Esser A, Zeller M, Foulard S, Rinderknecht S. Synthesis of Representative and Multidimensional Driving Cycles. SAE International 2018; 2018-01-0095.
  • 5. Hereijgers K, Silvas E, Hofman T, Steinbuch M. Effect of using Synthetized Driving Cycles on Vehicle Fuel Consumption. IFAC papers 2017; 50-1: 7505-7510, https://doi.org/10.1016/j.ifacol.2017.08.1183.
  • 6. Lee T-K, Filipi ZS. Synthesis of real-world driving cycles using stochastic process and statistical methodology. International Journal of Vehicle Design 2011; 57(1): 17-36, https://doi.org/10.1504/IJVD.2011.043590.
  • 7. Liu Z, Ivanco A, Filipi Z. Naturalistic drive cycle synthesis for pickup trucks. Journal of Safety Research 2015; 54: 109-115, https://doi.org/10.1016/j.jsr.2015.06.005.
  • 8. Man Z, Shuming S, Nan L, Bingjian. High-efficiency Driving Cycle Generation Using a Markov Chain Evolution Algorithm. IEEE Transactions on Vehicular Technology. December 2018, https://doi.org/10.1109/TVT.2018.2887063.
  • 9. Mayakuntla SK, Vermab A. A novel methodology for construction of driving cycles for Indian cities. Transportation Research Part D 2018; 65: 725-735, https://doi.org/10.1016/j.trd.2018.10.013.
  • 10. Mukli P, Nagy Z, Eke A. Multifractal formalism by enforcing the universal behavior of scaling functions. Physica A 2015; 417: 150-167, https://doi.org/10.1016/j.physa.2014.09.002.
  • 11. Nyberg P, Frisk E, Nielsen L. Generation of Equivalent Driving Cycles Using Markov Chains and Mean Tractive Force Components. Proc. of IFAC, 2014; 8787-8792, https://doi.org/10.3182/20140824-6-ZA-1003.02239.
  • 12. Puchalski A, Komorska I. Binomial multifractal features of worldwide harmonized light duty vehicles test cycle. JVE Vibroengineering Procedia 2017; 13: 175-179, https://doi.org/10.21595/vp.2017.19074.
  • 13. Puchalski A, Komorska I. Multifractal Nature of Diesel Engine Rattle Noise in Vehicle. Archives of Acoustics 2017; 42(3): 469-474, https://doi.org/10.1515/aoa-2017-0049.
  • 14. Puchalski A, Ślęzak M, Komorska I, Wiśniowski P. Multifractal analysis vehicle's in-use speed profile for application in driving cycles. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2018; 20 (2): 177-181, https://doi.org/10.17531/ein.2018.2.02.
  • 15. Puchalski A, Komorska I. A generalised entropy in multifractal time signals analysis of mechanical vibration. JVE Journal of Vibroegineering 2018; 20 (4): 1667-1675, https://doi.org/10.21595/jve.2018.18871.
  • 16. Shang P, Lu Y, Kamae S. Detecting long-range correlation of traffic time series with multifractal detrended fluctuation analysis. Chaos, Solitions and Fractals 2008; 36: 82-90, https://doi.org/10.1016/j.chaos.2006.06.019.
  • 17. Silvas E, Hereijgers K, Peng H, Hofman T., Steinbuch M. Synthesis of Realistic Driving Cycles with High Accuracy and Computational Speed, Including Slope Information. IEEE Transaction Vehicular Technology 2016; 65(6): 4118-4128, https://doi.org/10.1109/TVT.2016.2546338.
  • 18. Tutuianu M, Marotta A et al. Development of a World-wide Worldwide harmonized Light duty driving Test Cycle (WLTC) and a possible pathway for its introduction in the European legislation. Transportation Research Part D Transport & Environment 2015; 40(4), 61-75, https://doi.org/10.1016/j.trd.2015.07.011.
  • 19. Yi Y, Pengjian S. Multiscale multifractal detrended cross-correlation analysis of traffic flow. Nonlinear Dynamics 2015; 81:1329-1347, https://doi.org/10.1007/s11071-015-2072-7.
  • 20. Zhao B, Lv Ch, Hofman T. Driving Cycle Aware Energy Management of Hybrid Electric Vehicles Using a Three Dimensional Markov Chain Model. Automotive Innovation 2019; 2: 146-156, https://doi.org/10.1007/s42154-019-00059-z.
Uwagi
Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-ba4c31e9-50bf-41c2-9b71-84f287aeb4af
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.