用户数据下电动汽车驱–制动载荷构建

Construction of Drive-Brake Load for Electric Vehicles Based on User Data

摘要: 对基于用户运行数据的电动汽车驱–制动载荷工况研究，是电驱动系统可靠性设计与评价验证的前提和基础。本文通过构建车辆纵向动力学模型以获取电驱动系统工况载荷，并结合实测数据验证模型的有效性；基于七个地域累计100万公里的用户实际运行数据，分析用户在不同工况下的运行时间、行驶里程和损伤贡献；结果表明，加速段时间与里程占比最大；进一步统计不同工况片段各部件损伤，结果表明，加减速时的扭矩波动是轴类失效的主导工况，连续高速行驶较大扭矩工况导致齿轮、轴承失效，而匀速、怠速工况对应低速较小扭矩波动工况，对各部件损伤贡献量较小。研究成果为电驱动系统的可靠性正向设计与验证提供了参考和依据。

Abstract: The research on the driving braking load conditions of electric vehicles based on user operation data is the prerequisite and foundation for the reliability design and evaluation verification of electric drive systems. This article constructs a longitudinal dynamic model of the vehicle to obtain the working load of the electric drive system, and verifies the effectiveness of the model with measured data; Based on accumulated 1 million kilometers of actual user operation data from seven regions, analyze the user’s operating time, mileage, and damage contribution under different working con- ditions; The results indicate that the proportion of acceleration time to mileage is the highest; Further statistics on the damage of various components in different operating conditions show that torque fluctuations during acceleration and deceleration are the dominant driving conditions for shaft failures. Continuous high-speed driving with high torque conditions leads to gear and bearing failures, while constant speed and idle conditions correspond to low-speed and small torque fluctuation conditions, with relatively small contributions to the damage of various components. The research results provide reference and basis for the reliability positive design and verification of electric drive systems.

1. 引言

纯电动汽车是新能源汽车的重要类型之一，其运行依靠电驱动系统把电能有效地转化为机械能，进而保障车辆的动力输出和行驶控制。与传统汽车不同，电驱动系统的瞬态响应更快，且具备能量回收功能。这导致在实际使用中，电驱动系统承受的载荷变化更为强烈。特别是在车辆频繁启停以及加减速的情况下，电机输出的高瞬态扭矩会极大地增加部件所受的冲击载荷，使部件面临更高的疲劳损伤风险[1]。因此从电动汽车实际使用情况出发，探究电驱动系统的载荷特性，同时制定出与之匹配的可靠性试验方法，是新能源汽车行业当前共同面临的一个技术关键。

多年来，围绕中国用户相关的整车及零部件可靠性试验方法，主要基于用户调研和小样本的典型工况载荷数据逐步形成了多方面的有效方法，包括全生命周期可靠性目标及工况构成[2]、典型工况载荷采集的最小样本量[3]，以及多维度用户–试验–台架载荷谱的损伤分析[4]，为整车及零部件可靠性试验提供了重要支撑。然而，这些方法无法全面顾及用户实际使用情况，其根源在于数据获取受限。这些数据通常来源于特定场景或少量用户调研，无法包含不同地区、路况和驾驶行为的丰富情况。所以急需依靠更大范围、大量样本的用户数据来提供支持。

随着车联网和人工智能技术的发展，用户大数据的应用为解决这一问题提供了新的思路[5]。车联网大数据能够涵盖不同区域、路况和驾驶习惯下的实际运行数据，全面反映极端工况和多样化使用条件。但在实际应用过程中，仍面临采集成本高、周期长、数据质量差等问题[6]。针对这一局限，结合车辆动力学模型的仿真方法是一种有效的补充。近年来，基于车辆动力学模型的模糊控制经济性换挡策略[7]、动力学集成控制模型[8]及正交试验–动力系统优化[9]，以上方法为电动汽车的经济性、舒适性及动力性优化方面提供了有力支持，同时，在可靠性领域，相关学者提出用户行驶工况–动力学模型–控制器负荷特性模型–寿命提升[10]的方法，为高可靠车用电机控制器的设计提供重要参考。因此，以用户历史车速数据为基础，结合车辆纵向动力学模型仿真获取驱–制动载荷，这一方法作为实车数据的有效补充，对于降低数据获取成本提供了可行的解决方案，并为制定符合用户工况的可靠性试验规范奠定基础。

本文针对电动汽车驱制动系统可靠性精益开发的需求，依托于课题组积累的用户载荷大数据，通过构建车辆纵向动力学模型，实现用户实际运行数据向电驱动系统工况载荷的转化；分析用户在不同工况下的运行时间、里程、损伤贡献；从而为电驱动系统的可靠性正向设计及验证提供依据。

2. 用户数据采集与预处理

本文借助分布式用户大数据云平台进行数据样本的采集，其中涵盖了中国华东、华南、华北、华中、东北和西北六大地域的用户车辆运行数据，其中包括上海、贵阳、重庆、长春、青岛、西宁和盐城这七座城市共200个用户一个最小循环周期[11]的运行数据。所采集的用户数据包括时间戳、GPS、车速、转速、扭矩等信息，采样频率为1 Hz。为了确保不同区域的多样性，每个城市用户样本数不少于20个。针对数据采集过程中由于信号不良、长时间停车所产生的异常数据进行剔除。经过数据预处理[12]后，用户数据运行总时长为26,041 h，总行驶里程为100万km。部分用于数据采集的车辆以及用户行驶轨迹如图1、图2所示。

Figure 1. Data collection vehicle

图1. 数据采集车

Figure 2. Partial user driving trajectory map

图2. 部分用户行驶轨迹图

3. 电驱动系统工况载荷构建

电机转速和扭矩作为电动汽车驱–制动载荷，通常通过CAN总线进行实时采集。然而，若要大规模地采集用户车辆的转速和扭矩数据，不但会耗费大量时间与资源，而且难以保障数据质量。因此，可依据用户实际行驶的车速数据，利用车辆纵向动力学模型，快速获取电机转速和扭矩数据。随后，将其与试验车辆实际采集到的转速和扭矩数据，分别在时域、频域以及损伤域展开验证，以此保证仿真模型的精准性，为深入探究不同工况下的载荷特性给予数据依据。

3.1. 车辆纵向动力学模型

车辆行驶方向的趋势取决于运动方向所受作用力，车辆的驱动力F_t由电机的扭矩产生，通过传动装置传递到驱动轮。汽车在行驶过程中的阻力主要有滚动阻力F_f、空气阻力F_w、坡道阻力F_i以及加速阻力F_j，图3为车辆上坡时的受力分析图。

Figure 3. Vehicle uphill force analysis diagram

图3. 车辆上坡受力分析图

汽车的行驶阻力可以表示为[13]：

$\{\begin{array}{l}{F}_f=mgf\cos \alpha \hfill \\ F_w=\frac{C_{D}A{v}^2}{21.15}\hfill \\ F_i=mg\sin \alpha \hfill \\ F_j=m\frac{\text{d}v}{\text{d}t}\hfill \end{array}$ (1)

式中，F_t是汽车驱动力(N)；F_f是汽车滚动阻力(N)；F_w是空气阻力(N)；F_i是坡道阻力(N)；F_j是加速阻力(N)；m是整车质量；v是车辆速度(km/h)；dv/dt是行驶加速度(m/s²)；A是汽车迎风面积；C_D是空气阻力系数；$\alpha$ 是坡度角(˚)；f是滚动阻力系数。

滚动阻力系数在良好路面上的计算方法为：

$f=f_0+f_1\left(\frac{v}{100}\right)+f_4{\left(\frac{v}{100}\right)}^4$ (2)

根据驱动力计算公式、驱动力–阻力平衡方程、减速器转速比公式可计算出电机扭矩、转速：

$\{\begin{array}{l}{F}_t=F_f+F_w+F_i+F_j\\ T=\frac{F_{t}r}{i_g\eta }\\ n=\frac{v{i}_g}{0.377r}\end{array}$ (3)

式中，T是电机扭矩(N·m)；i_g是减速器传动比；$\eta$ 是传动系机械效率；r是车轮滚动半径(m)；n是电机转速(RPM)。

3.2. 模型验证

以某SUV试验车为研究对象，通过对比车辆纵向动力学模型(图4)仿真得出的转速、扭矩与实际采集数据，验证该模型的有效性，所需动力学模型参数如下表1所示。

Figure 4. Vehicle longitudinal dynamics model

图4. 车辆纵向动力学模型

Table 1. Dynamics model parameters

表1. 动力学模型参数

参数名称	数值
整车质量m/kg	2600
轮胎半径r/m	0.36
滚动阻力系数 f0、f1、f4	0.015
	0.0015
	0.0002
空气阻力系数CD	0.24
汽车迎风面积A/m^2	2.5
传动系统机械效率η	0.95
总传动比ig	10
参数名称	数值

以试验车采集的车速数据为输入，通过车辆纵向动力学模型进行仿真，计算得到电机转速和扭矩数据。在对比分析时，仿真数据与试验车实际采集的转速和扭矩数据均来源于用户实际道路运行工况片段。具体而言，工况数据覆盖典型的加速、减速、匀速和怠速阶段，确保了多种使用情景下的代表性。将这些数据在相同的时间区间内进行对比分析，其时间范围为用户的完整行驶片段，对比内容包括时域、频域、雨流循环及损伤特性，相关结果如图5、图6、图7、图8及表2所示。其中损伤误差控制在10%以内，该仿真结果在工程应用中的可接受误差范围内[14]。

Figure 5. Rotational speed time domain comparison

图5. 转速时域对比

Figure 6. Torque speed time domain comparison

图6. 扭矩时域对比

Figure 7. Torque frequency domain comparison

图7. 扭矩频域对比

Figure 8. Torque rainflow comparison

图8. 扭矩雨流对比

Table 2. Torque damage comparison

表2. 扭矩损伤对比

参数名称	真实值损伤	仿真值损伤	误差
数值	0.25647	0.28058	9.39%

4. 电驱动系统机械部件损伤计算模型

电驱动系统集成了多种机械部件以实现动力传递，不同部件在载荷传递过程中受力特性各异，因此其失效机理和模式也存在显著差异。例如，轴类部件主要因交变扭矩产生疲劳失效；齿轮则易在啮合过程中出现疲劳断裂、点蚀和磨损；轴承则因接触疲劳及润滑恶化导致磨损失效。针对以上关键部件，建立精确的损伤计算模型对于评估电驱动系统的可靠性具有重要意义。

4.1. 轴系损伤模型

电驱动系统运行过程中伴随着转速、扭矩的非同步变化，对于不同部件进行损伤等效与关联需采用不同的计数方式[15]。本文针对轴类部件，其损伤来源于扭矩的交变加载，通过雨流循环计数提取不同工况片段中扭矩时间历程的扭矩变程N_k与频次n_R,i，基于Miner线性累积损伤准则计算每个片段损伤D_s，式中，N_f,i为N_k载荷等级下的疲劳寿命。

$D_s={\displaystyle {\sum }_{i=1}^{N_k}\frac{n_{R,i}}{N_{f,i}}}$ (4)

4.2. 齿轮损伤模型

针对齿轮类部件，其载荷大小与输入扭矩相关，载荷循环次数与输入转速相关。因此对于电驱动系统中损伤与转速、扭矩联合影响的部件，通过对转速与扭矩时间序列进行联合计数，得出转速扭矩联合分布矩阵，得出第i级扭矩载荷下旋转圈数r_i，除以第i级载荷下的疲劳寿命N_i得出第i级扭矩载荷下对应的损伤，单个运行片段对齿轮造成总的损伤D_g根据线性累积损伤准则得出。

$D_g={\displaystyle {\sum }_{i=1}^{N_k}\frac{r_i}{N_i}}$ (5)

4.3. 轴承损伤模型

针对轴承类部件，其载荷主要由减速器输入轴斜齿轮所受扭矩，以及轴承斜齿轮所受圆周力和径向力组合而成。对于轴承损伤模型的计算方法可基于ISO281-2007标准计算轴承的额定动载荷、当量动载荷以确定其基本额定寿命及损伤[16]。

轴承在当量动载荷为P₁的运转条件下，滚道的寿命L₁，若在此工况下运转了N₁转，则P₁的运转条件下轴承的当量损伤为：D₁ = N₁/L₁。若轴承经历一段随机道路载荷，依次在P₁，P₂，···，P_n当量负荷作用下运转了N₁，N₂，···，N_n转，则该随机道路载荷对轴承造成的损伤为：

$D={\displaystyle \sum _{i=1}^n{D}_i}={\displaystyle \sum _{i=1}^n\frac{N_i}{L_i}}$ (6)

5. 不同工况下典型特征分析

根据上文预处理后的用户运行数据，通过设置速度、加速度阈值进行用户工况片段划分，划分依据如表3所示，分别提取加速段、减速段、匀速段、怠速段如图9所示。

Table 3. Fragment division criteria

表3. 片段划分依据

运行片段	速度/km∙h^−^1	加速度/m∙s^−^2
加速段	V > 5	a > 0.15
减速段	V > 5	a < −0.15
匀速段	V > 5	−0.15 ≤ a ≤ 0.15
怠速段	V ≤ 5	−0.15 ≤ a ≤ 0.15

Figure 9. Fragment division diagram

图9. 片段划分示意图

5.1. 不同工况总体分析

基于上述片段划分依据，对实际运行工况进行细化，完成了不同工况片段的划分，并结合车辆纵向动力学模型获取各片段对应的转速和扭矩，构建了以用户运行数据为基础的工况载荷数据库，并统计总体工况下电机转速–扭矩联合分布如图10所示。

Figure 10. Motor speed-torque joint distribution

图10. 电机转速–扭矩联合分布

从图10可知，电机正扭矩(在0~350 N∙m之间)相较于负扭矩上限较高，主要因为确保车辆在加速时能够获得足够的动力，提升车辆的加速性能。而在汽车制动系统中，当减速度小于特定阈值时，车辆仅依靠再生制动力矩进行制动，充分利用电机的能量回收。而当减速度大于阈值时，电机会输出最大再生制动力矩，此时若仍不能满足制动需求，剩余部分的会由制动扭矩机械制动提供。

5.2. 工况时间、里程比例

对每个运行片段的运行时间、里程进行统计，汇总各个工况片段的总时间、里程占比，如图11所示。加速段时间较长，其时间占比为39%，对应里程占比最大，为43%；怠速段代表汽车处于即将停止状态或在极缓慢的移动中，其时间占比为13%，里程占比为仅为1%。

Figure 11. Overall analysis of operating conditions. (a) Proportion of operating time; (b) Proportion of operating mileage

图11. 工况总体分析。(a) 工况时间比例；(b) 工况里程比例

5.3. 工况损伤比例

通过电驱动系统机械部件损伤计算模型，统计不同工况片段各部件损伤，得到轴系、齿轮、轴承各工况损伤占比如图12所示。

Figure 12. Component damage proportions under different operating conditions. (a) Damage ratio of each working condition of the shaft system; (b) Damage ratio of gears under various working conditions; (c) Damage ratio of bearings under various operating conditions

图12. 不同工况下各部件损伤占比。(a) 轴系各工况损伤比例；(b) 齿轮各工况损伤比例；(c) 轴承各工况损伤比例

从图12可得，加减速时引起较大的转矩波动是轴类失效的主导工况，而连续高速行驶较大转矩工况是齿轮、轴承失效的主导工况。怠速工况对应低速较小转矩的行驶工况对各部件损伤贡献量较小。

6. 结论

本文针对电动汽车驱–制动系统的工况载荷特性进行研究，提出基于用户实际运行数据通过车辆纵向动力学模型实现从用户数据到电驱动系统驱–制动载荷的有效转化，分析用户在不同工况下的运行时间、行驶里程和损伤贡献，结果表明，加速段的时间占比为39%，行驶里程占比达到43%，而怠速段的时间占比为13%，但对应的行驶里程占比仅为1%；加减速过程中扭矩波动较大，成为轴类部件失效的主要工况。而在持续高速行驶时，较大的转矩负荷则是齿轮和轴承失效的关键因素。相比之下，怠速工况下的低速、小转矩运行对各部件的损伤贡献相对较小。该结果为电驱动系统的可靠性正向设计及验证提供依据。