CC BY
18
DOI: 10.24412/2413-2527-2022-230-19-24
Способ фильтрации данных GPS для цикла
движения. Исследование топливной экономичности специального автомобиля
О. А. Дурницын Тюменский индустриальный университет Тюмень, Россия durnitsynoa@mail.ru
Аннотация. Устройства сбора данных Глобальной системы позиционирования, или GPS, зарекомендовали себя как полезные инструменты для сбора реальных данных о движении и статистики. Данные, собранные этими устройствами, предоставляют ценную информацию при изучении параметров движения транспортных средств. Эти данные имеют неоценимое значение для анализа расхода топлива и производительности транспортных средств. Без надежной информации о скорости и времени достоверность полученных показателей для циклов движения, таких как ускорение, мощность и расстояние, становится сомнительной. В этом исследовании рассматриваются некоторые общие источники ошибок, присутствующие в собранных необработанных данных GPS, и представлен подробный процесс фильтрации, предназначенный для устранения этих проблем, с последующим построением графика влияния ошибок на корректность расчета экономии топлива. Проанализированы данные испытаний для тяжелых условий эксплуатации. Представлены графические сравнения необработанных и отфильтрованных циклов, а также проведен статистический анализ для определения влияния предлагаемого процесса фильтрации на необработанные данные. Наконец, статья завершается оценкой общих преимуществ фильтрации данных GPS и представляет опыт расчета топливной экономичности автобетоносмесителя, для которого был построен цикл.
Ключевые слова: GPS data, фильтрация сигнала, фильтрация данных, расход топлива, ездовой цикл.
Введение
Экономичный характер и простота установки, связанные с системами сбора данных GPS, способствовали тому, что регистрация данных бортовой системы глобального позиционирования быстро стала одним из наиболее популярных методов сбора реальной информации о работе транспортного средства [1-3]. Связанные данные о скорости и времени транспортного средства, полученные этими устройствами, представляют особый интерес при выполнении моделирования транспортного средства и анализа цикла движения [4, 5]. Однако из-за чувствительности этих нижестоящих приложений как к качеству, так и к целостности исходных данных GPS, уникальное рабочее поведение и ошибки, присущие регистраторам данных GPS, вызвали необходимость в новом процессе фильтрации. Идеальным методом фильтрации для улучшения качества необработанных данных GPS является тот, который сводит к минимуму последствия ошибок регистрации данных GPS, таких как внезапная потеря сигнала, скачки данных,
белый шум сигнала и колебания нулевой скорости при сохранении целостности исходных данных [6]. Это означает удаление или замену любых ошибочных точек данных при одновременном сведении к минимуму общего объема измененных данных. Идеальный метод фильтрации также должен быть достаточно гибким для применения к данным GPS, полученным с различных устройств. Таким образом, любой предлагаемый метод фильтрации должен учитывать различия в качестве данных, доступных через различные GPS-считыватели данных, а также различные назначения транспортных средств или типы, в которых могут быть установлены регистраторы. Представленный подход к фильтрации данных GPS состоит из трех различных фильтров, разработанных и расположенных специально для удовлетворения этих критериев. В попытке учесть распространенные ошибки, связанные с анализом данных о скорости и времени GPS, в среде STAMM 3.0 был разработан общий метод обработки данных GPS, который использует серию линейно прогрессирующих логических фильтров данных [7, 8].
Чтобы оценить эффективность предлагаемого процесса фильтрации данных GPS, исследователи проанализировали более 170 индивидуальных циклов движения, полученных с помощью GPS-устройств, установленных на борту тяжелых транспортных средств.
Циклы движения, проанализированные в рамках этого исследования, содержат связанную информацию о скорости и времени, собранную с помощью встроенных GPS-систем автоматического сбора данных, и содержат информацию о движении либо за один рабочий день транспортного средства, либо за смену. Были рассчитаны статистические данные, касающиеся количества данных, измененных на каждом этапе фильтрации, и проанализированы результаты процесса фильтрации. В дополнение к изучению величины данных, измененных в процессе фильтрации, были выполнены расчеты анализа приводного цикла для оценки влияния фильтрации на динамику базового цикла. Последующим шагом стала оценка топливной экономичности с построением графика.
Логический подход к фильтрации
Предлагаемый процесс фильтрации для анализа данных GPS о скорости и времени для циклов движения состоит из трех логических фильтров, расположенных в порядке возрастания сложности. Они заключаются в следующем:
1. Удаление повторяющихся записей и данных с отрицательными значениями или дифференциальными временными шагами.
2. Замена внешних значений высокой/низкой скорости.
3. Устранение колебаний сигнала нулевой скорости при остановке транспортного средства.
В качестве начального шага в процессе фильтрации необходимо удалить любые точки данных с повторяющимися значениями времени и точки данных, которые имеют отрицательные или нулевые дифференциальные значения времени (т. е. время в точке 2 меньше времени в точке 1, или время в точке 2 равно времени в точке 1). Чтобы удалить эти точки, фильтр сначала вычисляет разностные значения времени для каждой из точек данных в исходном наборе, а затем удаляет все, у которых разностные значения времени меньше или равны нулю.
Этот шаг должен быть выполнен в первую очередь из-за влияния разницы во времени при расчете ускорения на основе информации о скорости. Если существуют повторяющиеся записи времени, то по определению ускорения из базовой кинематики ускорение в повторяющейся точке будет приближаться к бесконечности. Если бы ошибочная информация о времени не была удалена на этом предварительном этапе, мы не смогли бы выполнить точные вычисления на основе дифференциальной/интегральной информации о времени, и будущие этапы фильтрации, основанные на этой информации, были бы невозможны.
На втором этапе процесса фильтрации любые ошибочные точки данных, такие как скачки скоростных данных с одной выборкой и отсев сигнала с отрицательной скоростью, которые присутствуют в наборе данных, удаляются и заменяются интерполированными данными. Для достижения этой цели каждое значение скорости в наборе образцов обрабатывается через фильтр и сравнивается индивидуально с выбранными предельными значениями высокой/низкой скорости. Если обнаружено, что точка данных находится за выбранными пределами, фильтр заменяет исходную точку выборки данных информацией о скорости, полученной из интерполяции кубического сплайна, полученной из соседних данных [8]. В качестве дополнительного шага в процессе интерполяции отфильтрованная скорость транспортного средства ограничена нижней границей до нуля километров в час, чтобы облегчить моделирование транспортного средства.
Применение контролируемых пользователем ограничений обеспечивает гибкость при обработке данных и улучшает качество результатов, когда известны ограничения скорости транспортного средства. На рисунке 1 ограничение высокой скорости в 75 км/ч использовалось в сочетании с фильтром внешней скорости для удаления ошибочного всплеска сигнала высокой скорости в образце данных GPS о транспортном средстве. Ограничение было применено при условии, что скорость, превышающая 75 км в час, может быть отнесена к всплескам сигнала, а не к нормальной работе. В случае неизвестных транспортных средств рекомендуется выбирать более консервативные высокие/низкие эксплуатационные пределы, чтобы избежать удаления точной информации. Использование регулируемых пределов в фильтре внешних скоростей обеспечивает уникальное преимущество при фильтрации большого количества циклов
движения, поскольку пределы фильтрации можно регулировать для отдельных типов транспортных средств.
Рис. 1. Результаты фильтрации по удаленной скорости для выборочных данных GPS о транспортном средстве
Устранение колебаний нулевой скорости GPS
На третьем этапе процесса фильтрации устраняется эффект, называемый колебанием нулевой скорости. Колебание нулевой скорости появляется, когда работает GPS-навигатор, а автомобиль останавливается и работает на холостом ходу в течение длительного периода времени. Во время длительных простоев регистраторы данных GPS часто регистрируют очень малое значение скорости (0,1 или 0,2 км/ч) из-за повторного запроса сигнала спутника GPS, который происходит при остановке транспортного средства. Чтобы устранить небольшие колебания скорости транспортного средства, регистрируемые GPS-системы сбора данных в течение этих периодов, фильтр колебаний нулевой скорости проверяет расстояние, пройденное во время каждого отрезка в цикле движения, и сравнивает значение с заданным пользователем пределом. Если расстояние, пройденное в ходе отрезка, ниже предельного значения, вся поездка заменяется значениями данных с нулевой скоростью. Как показано на рисунке 2, применение ограничения расстояния в 0,001 км к выборочным данным GPS приводит к удалению низкоскоростного отрезка. При выполнении традиционных вычислений расстояния на основе интеграции с использованием связанной информации о скорости и времени удаление данных о колебании на нулевой скорости приводит к уменьшению расчетных расстояний, которые в большей степени отражают фактическую эксплуатацию транспортного средства.
Следующий шаг в процессе фильтрации — фильтр ложной нулевой скорости — удаляет одноточечные записи данных с нулевой скоростью, которые являются результатом временного пропадания сигнала GPS. Подобно фильтру удаленной скорости, фильтр с ложным нулем удаляет записи о ложной нулевой скорости, проверяя значение каждой отдельной точки скорости в наборе данных по отношению к ее ближайшим соседям. Если заданное значение записи скорости равно нулю, а соседние точки с каждой стороны отличны от нуля, точка нулевой скорости заменяется точкой, полученной из интерполяции кубического сплайна всего оставшегося набора данных.
Рис. 2. Результаты фильтра дрейфа колебаний нулевой скорости для выборочных данных GPS транспортного средства
Этот простой фильтр, показанный на рисунке 3, улучшает непрерывность исходных данных, заменяя значительные выбросы в данных данными, более репрезентативными для реальной эксплуатации транспортного средства. Устраняя резкие изменения скорости, улучшаются расчеты энергии при анализе цикла движения; что еще более важно, в сценариях моделирования транспортного средства модель способна точно следовать заданной траектории скорости и времени [9].
Рис. 3. Ложные результаты фильтра нулевой скорости для выборочных данных GPS о транспортном средстве
На этом этапе алгоритм фильтрации пытается исправить пробелы в связанном сигнале GPS со скоростью и временем, вызванные эффектами городских каньонов и внезапной потерей сигнала. Используя предоставленный пользователем предел временного промежутка, фильтр проверяет информацию о отметке времени, полученную из входного потока данных GPS, и пытается выполнить интерполяцию по любым промежуткам сигнала, продолжительность которых меньше указанного предела. Если длитель-
ность интервала сигнала меньше предельного значения, алгоритм генерирует монотонно увеличивающиеся по времени сигналы на основе частоты дискретизации базовых исходных данных. Чтобы сгенерировать «новые» данные о скорости, к вновь сгенерированной временной области применяется та же интерполированная подгонка кубической сплайновой кривой, которая использовалась на предыдущих этапах фильтрации. Если фильтр обнаруживает временной интервал, превышающий заданный пользователем предел, как показано на рисунке 4, фильтр увеличивает или уменьшает скорость транспортного средства в зависимости от того, находится ли точка данных на передней или задней границе промежутка в сигнале. Таким образом, рампа строится на основе заданных пользователем пределов ускорения/замедления. Конструкция пандусов особенно важна при попытке адаптировать полевые данные для приложений динамометрии шасси и моделирования транспортных средств. Устранение временных разрывов — это единственный шаг в процессе фильтрации, который добавит данные к существующему набору данных GPS (связанная информация о времени и скорости). Наряду с тестированием/экспериментальными приложениями восстановление сигнала, обеспечиваемое фильтром разрыва сигнала, также важно на эмпирическом уровне при изучении рабочего цикла транспортного средства, особенно при выполнении анализа работы в режиме реального времени.
Рис. 4. Результаты фильтрации разрыва сигнала для выборочных данных GPS транспортного средства
Удаление шума из необработанных сигналов данных GPS и обеспечение дополнительных условий сглаживания являются неотъемлемой частью подготовки исходных данных для использования в приложениях для моделирования транспортного средства.
Например, устранение существующих переходных процессов сигнала и фонового шума особенно важно при проведении длительных испытаний шасси. Вместо того, чтобы пытаться следовать сильно изменяющейся траектории скорости и времени из-за компонентов шума сигнала, испытательный персонал может поддерживать более естественное поведение при движении и следовать плавному профилю,
более соответствующему типичному поведению при поездках. При моделировании транспортных средств удаление оставшегося сигнального шума позволяет избежать осложнений, возникающих при моделировании передовых стратегий управления транспортным средством. За-шумленные профили скорости генерируют неверную информацию о потребляемой мощности, что приводит к неточным расчетам состояния заряда и энергопотребления, что напрямую коррелирует с уменьшенными моделируемыми значениями экономии топлива.
Изучая результаты фильтрации для набора данных о транспортных средствах большой грузоподъемности, можно заметить, что по сравнению с приблизительной 20-процентной фильтрацией данных для данных о транспортных средствах малой грузоподъемности, данные о транспортных средствах большой грузоподъемности, рассмотренные в исследовании, показали фильтрацию в среднем менее 5 %. Когда игнорируются два этапа фильтрации, которые добавляют/удаляют данные, фильтрации подвергается в среднем менее 0,5 % собранных необработанных данных. При проведении сравнений анализа цикла движения как для необработанных, так и для отфильтрованных образцов GPS-цикла движения большегрузных транспортных средств, удаленные данные, по-видимому, оказывают минимальное влияние на качество необработанных данных о большегрузных транспортных средствах. В среднем максимальная и средняя скорость движения цикла снижаются, в то время как общая скорость цикла увеличивается, что предполагает устранение сбоев и скачков сигнала. Выполняя парные /-тесты для определения влияния фильтрации на показатели цикла привода, было обнаружено, что предлагаемый процесс фильтрации приводит к статистически значимым изменениям в средних значениях для каждого из рассмотренных показателей цикла привода. Однако, изучая различия в средних, медианных и стандартных отклонениях исследуемых показателей, оказывается, что, хотя изменения в среднем являются статистически значимыми, изменения в данных в целом минимальны.
Оценка экономии топлива
Поскольку особое внимание уделено повышению топливной экономичности автомобиля, способность правильно моделировать характеристики автомобиля по своей сути имеет решающее значение для цикла движения. В качестве окончательного сравнения сгенерированных циклов с собранной базой данных каждый сгенерированный цикл был прогнан через обычный симулятор для оценки экономии топлива. На рисунке 5 показано сравнение сгенерированной оценки экономии топлива в цикле со средней измеренной суточной экономией топлива, а также 95-процентый доверительный интервал для каждого среднего измеренного значения. Интервалы доверия были рассчитаны на основе количества точек данных в неделю и разницы между этими точками. На этом рисунке показано, что сгенерированный цикл попадает в доверительный интервал для каждого тестового города, что указывает на то, что сгенерированные города являются репрезентативными для типичных характеристик транспортных средств для каждого еженедельного набора данных [10].
Топливная экономичность (лЛ 00 км)*100 / Этапы исследования
Рис. 5. Сравнение экономии топлива в генерируемых циклах с базовыми данными
Заключение
Основываясь на результатах данного исследования, можно сделать вывод, что предлагаемая фильтрация данных GPS адекватно удовлетворяет требованиям, предъявляемым к идеальному фильтру данных GPS. Исключая удаление ошибочных данных и добавление потерянных компонентов сигнала, предлагаемый процесс фильтрации минимально влияет на исходные данные, одновременно обеспечивая значительное улучшение качества данных, необходимых для расчета показателей цикла движения, используемых в рамках анализа цикла движения и приложений для моделирования транспортных средств.
Анализируя отфильтрованные результаты из наборов данных как для легких, так и для тяжелых транспортных средств, пробелы в сборе сигналов и лежащие в их основе проблемы со сбором данных являются гораздо более важным компонентом процесса фильтрации, нежели предполагалось ранее. Потеря сигнала GPS является наибольшим фактором, способствующим снижению качества данных в разбивке по точкам, и оказывает по меньшей мере на порядок большее влияние на процесс фильтрации, чем другие источники ошибок. Однако, изучив результаты анализа рабочего цикла на основе отфильтрованных и необработанных данных как для наборов данных о транспортных средствах большой грузоподъемности, было также показано, что устранение скачков данных является ключевым шагом в получении точных оценок скорости/ускорения транспортного средства. Основываясь на результатах этого исследования в сочетании с возросшим интересом к интеграции информации о высоте/уклоне дороги в инженерный анализ, в будущем рекомендуется разработать дополнительные методы фильтрации для восстановления собранной GPS информации о высоте. Объеди-
нение дополнительного измерения с процессом фильтрации должно предоставить дополнительные возможности фильтрации на основе логики, которые в настоящее время отсутствуют при анализе данных в одном измерении и оценке топливной эффективности.
Литература
1. Маняшин, А. В. Прогнозирование и планирование ресурсов на автомобильном транспорте с использованием информационных технологий. — Тюмень: ТюмГНГУ, 2015. — 145 с.
2. Маняшин, С. А. Автоматизация исследований режимов движения автомобилей в городе / С. А. Маняшин, А. В. Маняшин // Проблемы эксплуатации систем транспорта: Сборник материалов Всероссийской научно-практической конференции, посвященной 45-летию со дня основания Тюменского индустриального института им. Ленинского комсомола (Тюмень, Россия, 06 ноября 2008 г.) / отв. ред. В. И. Бауэр. — Тюмень: ТюмГНГУ, 2008. — С. 197-198.
3. Кувыкин, В. И. Анализ оптимальных решений в задачах нелинейного программирования / В. И. Кувыкин, Е. В. Кувыкина, М. Ю. Петухов // Вестник Нижегородского университета им. Н. И. Лобачевского. 2011. № 4 (5). С. 2285-2286.
4. Маняшин, С. А. Методика исследования режимов движения автомобилей в городских условиях / С. А. Маня-шин, А. В. Маняшин // Проблемы эксплуатации и обслуживания транспортно-технологических машин: Материалы Международной научно-технической конференции (Тюмень, Россия, 14 апреля 2008 г.) / отв. ред. Н. С. Захаров. — Тюмень, ТюмГНГУ, 2008. — С. 126-128.
5. Вычисление низкотемпературных характеристик дизельного топлива с помощью искусственных нейронных сетей / С. Маринович, Т. Боланча, С. Юкич, [и др.] // Химия и технология топлив и масел. 2012. № 1 (569). С. 47-51.
6. Ясницкий, Л. Н. Интеллектуальные системы: Учебник. — Москва: Лаборатория знаний, 2016. — 221 с. — (Учебник для высшей школы).
7. A Dual Strategy for Controlling Energy Consumption and Air Pollution in China's Metropolis of Beijing / Y. Zhang, H. Wang, S. Liang, [et al.] // Energy. 2015. Vol. 81. Pp. 294-303. DOI: 10.1016/j.energy.2014.12.041.
8. CO2 Emissions from Fuel Combustion 2016. — Paris: International Energy Agency, 2016. — 533 p.
DOI: 10.1787/co2_fuel-2016-en.
9. Wang, J. Fuel Consumption Model for Conventional Diesel Buses / J. Wang, H. A. Rakha // Applied Energy. 2016. Vol. 170. Pp. 394-402. DOI: 10.1016/j.apenergy.2016.02.124.
10. Typaldos, P. Minimization of Fuel Consumption for Vehicle Trajectories / P. Typaldos, I. Papamichail, M. Papageor-giou // IEEE Transactions on Intelligent Transportation Systems. 2020. Vol. 21, Is. 4. Pp. 1716-1727.
DOI: 10.1109/TITS.2020.2972770.
DOI: 10.24412/2413-2527-2022-230-19-24
A Way to Filter GPS Data for a Driving Cycle. Investigation of the Fuel Efficiency of a Special Car
O. A. Dumitsyn Industrial University of Tyumen Tyumen, Russia durnitsynoa@mail. ru
Abstract. Global Positioning System data collection devices have proven to be useful tools for collecting real-world traffic data and statistics. The data collected by these devices provide valuable information when studying vehicle movement parameters. For vehicle modeling, this data is invaluable for analyzing fuel consumption and vehicle performance. Without reliable information about speed and time, the reliability of the obtained indicators for motion cycles, such as acceleration, power and distance, becomes questionable. This study examines some common sources of errors present in the collected raw GPS data, and presents a detailed filtering process designed to eliminate these problems, followed by plotting the impact of errors on the correctness of the calculation of fuel economy. The test data for severe operating conditions are analyzed. Graphical comparisons of raw and filtered cycles are presented, as well as statistical analysis to determine the effect of the proposed filtering process on the raw data. Finally, the article concludes with an assessment of the general advantages of filtering GPS data and presents the experience of calculating the fuel efficiency of the concrete mixer truck for which the cycle was built.
Keywords: GPS data, signal filtering, data filtering, fuel consumption, driving cycle.
References
1. Manyashin A. V. Forecasting and planning resources in road transport using information technology [Prognozirovanie i planirovanie resursov na avtomobil'nom transporte s ispol'zovaniem informatsionnykh tekhnologiy]. Tyumen, Tyumen State Oil and Gas University, 2015, 145 p.
2. Manyashin S. A., Manyashin A. V. Automation of Researches of Modes of Movement of Cars in the City [Avtoma-tizatsiya issledovaniy rezhimov dvizheniya avtomobiley v gorode], Problems of Operation of Transport Systems: Collection of materials of the All-Russian Scientific and Practical Conference [Problemy ekspluatatsii sistem transporta: Sbornik mate-rialov Vserossiyskoy nauchno-prakticheskoy konferentsii], Tyumen, Russia, November 06, 2008. Tyumen, Tyumen State Oil and Gas University, 2008, Pp. 197-198.
3. Kuvykin V. I., Kuvykina E. V., Petukhov M. Yu. The Analysis of Optimal Solutions in Non Linear Programming Problems [Analiz optimal'nykh resheniy v zadachakh nelineynogo
programmirovaniya], Vestnik of Lobachevsky State University of Nizhni Novgorod [Vestnik Nizhegorodskogo universiteta imeni N. I. Lobachevskogo], 2011, No. 4 (5), Pp. 2285-2286.
4. Manyashin S. A., Manyashin A. V. Methodology for Research of Modes of Movement of Cars in Urban Conditions [Metodika issledovaniya rezhimov dvizheniya avtomobiley v gorodskikh usloviyakh], Problems of Operation and Maintenance of Transport and Technological Machines: Proceedings of the International Scientific and Technical Conference [Problemy ekspluatatsii i obsluzhivaniya transportno-tekhnologicheskikh mashin: Materialy Mezhdunarodnoy nauchno-tekhnicheskoy konferentsii], Tyumen, Russia, April 14, 2008. Tyumen, Tyumen State Oil and Gas University, 2008, Pp. 126-128.
5. Marinovich S., Bolanca T., Ukich S., et al. Calculation of Low-Temperature Properties of Diesel Fuel Using Artificial Neural Networks [Vychislenie nizkotemperaturnykh kharakter-istik dizel'nogo topliva s pomoshch'yu iskusstvennykh ney-ronnykh setey], Chemistry and Technology of Fuels and Oils [Khimiya i tekhnologiya topliv i masel], 2012, No. 1 (569), Pp. 47-51.
6. Yasnitsky L. N. Intelligent Systems: Textbook [Intel-lektual'nye sistemy: Uchebnik]. Moscow, Laboratory of Knowledge, 2016, 221 p.
7. Zhang Y., Wang H., Liang S., et al. A Dual Strategy for Controlling Energy Consumption and Air Pollution in China's Metropolis of Beijing, Energy, 2015, Vol. 81, Pp. 294-303. DOI: 10.1016/j.energy.2014.12.041.
8. CO2 Emissions from Fuel Combustion 2016. Paris, International Energy Agency, 2016, 533 p.
DOI: 10.1787/co2_fuel-2016-en.
9. Wang J., Rakha H. A. Fuel Consumption Model for Conventional Diesel Buses, Applied Energy, 2016, Vol. 170. Pp. 394-402. DOI: 10.1016/j.apenergy.2016.02.124.
10. Typaldos P., Papamichail I., Papageorgiou M. Minimization of Fuel Consumption for Vehicle Trajectories, IEEE Transactions on Intelligent Transportation Systems, 2020, Vol. 21, Is. 4, Pp. 1716-1727.
DOI: 10.1109/TITS.2020.2972770.
HHmenneKmyanbHbie техноnогии Ha mpaHcnopme. 2022. № 2
24
