بهینه سازی کنترلی مبتنی بر داده برای خودروهای گازسوز از طریق مهندسی ویژگی، خوشه بندی و یادگیری ماشین

سامانه های حمل ونقل هوشمند به طور فزاینده ای به مدل های مبتنی بر داده تکیه می کنند تا بازده انرژی را بهبود بخشیده و میزان انتشار آلاینده ها را کاهش دهند. در خودروهای سوخت رسانی شده با گاز طبیعی فشرده (CNG) دینامیک مصرف سوخت تحت تاثیر رفتار راننده، شرایط عملیاتی و وضعیت خودرو قرار دارد. این مقاله یک فرایند کامل را پیشنهاد می کند شامل گردآوری داده، مهندسی ویژگی، تحلیل آماری، خوشه بندی و یادگیری نظارت شده تا وضعیت های رانندگی را طبقه بندی کرده و راهبردهای کنترلی بلادرنگی ارائه دهد که موجب کاهش مصرف CNG می شوند. برای نشان دادن این رویکرد یک مجموعه داده مصنوعی از تلمتری CNG مورد تحلیل قرار گرفته است. با استخراج ویژگی های فیزیکی، آموزش یک رگرسور جنگل تصادفی، خوشه بندی رویدادهای با مصرف بالا و سپس آموزش یک طبقه بند جنگل تصادفی نشان داده می شود که چارچوب پیشنهادی می تواند به دقتی بیش از ۹۲٪ در مجموعه داده ی آزمایشی دست یابد. سپس مدل بر داده های واقعی و دیده نشده ی رانندگی اعتبارسنجی می شود و توانایی آن در شناسایی رویدادهای پرمصرف و با اثر بالا- که تنها بخش کوچکی از کل زمان رانندگی را تشکیل می دهند- نشان داده می شود. خوشه های حاصل و تاثیر واقعی آنها ضرورت اجرای اقدامات کنترلی هدفمند برای بهبود صرفه جویی در مصرف سوخت را توجیه می کنند.

Keywords:

خودروهای گاز طبیعی فشرده (CNG) , مصرف سوخت , مهندسی ویژگی , خوشه بندی , طبقه بندی رفتار راننده