[发明专利]一种固定式智能骑行台档位划分和功率拟合方法

摘要

一种固定式智能骑行台档位划分和功率拟合方法，首先对固定式智能骑行台控制线路板的PWM波百分比进行调整；然后，通过功率测试机对智能骑行台不同PWM波百分比时的速度值和相应的功率值进行测试和记录，每次测试前需要对骑行台的初始温度进行测量和记录，使初始温度的差值控制在预设的范围内。其次，对调整后的PWM波百分比、测试后记录的速度值、相应的功率值、温度值再利用机器学习之无监督学习中的K‑means算法进行聚类，聚类前先对数据进行异常处理，和标准化处理，然后再利用K‑means算法进行聚类，再根据聚类得到的权重，获取PWM波的分类的类别数，即档位数，最后再根据权重对数据进行局部加权多项式回归计算功率速度曲线，由曲线获得骑行台的最终输出功率。

主权项

1.一种固定式智能骑行台档位划分和功率拟合方法，具体步骤如下：步骤1：获取固定式智能骑行台PWM波百分比、速度值、功率值、初始温度值数据；在进行固定式智能骑行台的档位划分和功率拟合前，需要对固定式智能骑行台控制线路板的PWM波百分比进行调整；不同的PWM波百分比模拟出骑行时的上下坡阻力不同；再利用速度‑功率测试机对不同PWM波百分比情况下的固定式智能骑行台运行中的速度值和功率值进行测试与采集，将采集到的速度值、功率值以及对应的PWM波百分比进行记录；对于每次根据不同的PWM波百分比进行速度与功率测试前，需要使用工业级温度测量仪测量固定式智能骑行台的初始温度，确保每次测量前固定式智能骑行台的初始温度差值在预设的范围内，并记录下每次测量前的初始温度值大小；测试中，每次对固定式智能骑行台控制线路板的PWM波百分比进行调整，PWM波百分比可以从0.0％调整至100.0％；每次测试调整的PWM波幅度可以根据需要进行设置；并且为了确保数据的可靠性，需要对每种PWM波百分比情况下的固定式智能骑行台做多次测试，并记录相应PWM波百分比对应的初始温度值、速度值和功率值数据；步骤2：对由步骤1获得的原始数据进行异常值处理；由于速度‑功率测试机以及工业级温度测量仪自身的测量误差，以及数据记录时记录失误和测试中存在的外界扰动，使步骤1获得的数据中存在一些明显高于或低于正常值的功率特征；如果不对这些数据进行处理，将会影响聚类的可靠性；对于异常值的处理用平均值来修正；步骤3：对由步骤2获得的数据进行标准化处理；由于骑行台速度和功率数据中既有温度特征又有速度特征，不同特征之间量纲和数值范围不同；如果不同特征之间数值差值过大，会导致数值小的特征在聚类时起到的作用变小；为了解决上述问题，需要先对数据进行标准化，使得各个特征的分布都接近标准正态分布；使用的数据标准化方法如下：其中xi代表第i个特征，μi代表该特征的均值，σi代表该特征的标准差，m代表数据的总条数，xij代表第j条数据第i个特征，T代表矩阵的转置；步骤4：用K‑means算法对经过预处理的数据进行聚类；K‑means算法是一个重复移动类中心点的过程，把类的中心点，也称重心(centroids)，移动到其包含成员的平均位置，使得有相似性的数据形成一个个的簇，然后重新划分其内部成员；k是给定的超参数，表示类的数量；K‑means可以自动分配样本到不同的类，但是不能决定究竟要分几个类；k必须是一个比训练集样本数小的正整数；K‑means的参数是类的重心位置和其内部观测值的位置；K‑means参数的最优解是以成本函数最小化为目标；K‑means损失函数J定义如下：其中，k代表要分成的类数，Ci代表第i个簇，μi代表第i个簇的重心，T代表矩阵的转置；实现损失函数最小化的迭代算法如下：(1)随机选取k个重心；(2)遍历所有数据，将每个数据划分到最近的簇中；(3)计算每个簇的平均值，并作为新的重心；(4)重复步骤(2)和步骤(3)，直到这k个簇的重心不再发生明显变化；步骤5：用局部加权法确定每个档位的PWM波；由步骤4聚类所得的每个档位中，每个数据对应的PWM波都不同，需要确定一个唯一的PWM波才能对骑行台进行控制；显然，每个类的PWM波是由该类中数据的PWM波加权相加所得，权值的大小与数据和该类重心距离大小的平方有关；确定类PWM波的公式如下：其中，PWMi是第i类的PWM波，Ci代表第i个簇，pj是第i类中第j个数据的PWM波，Wi是权重，ρj代表是第i类中第j个数据的和重心的距离系数，μi代表第i个簇的重心；步骤6：用局部加权多项式回归计算功率速度曲线；显然，由步骤4聚类得到的每个档位所对应的功率速度曲线不同，且功率速度的关系并不是一条曲线；为了能更精确的拟合功率速度曲线，使用局部加权多项式回归；用四阶的多项式回归拟合功率速度曲线；构造4阶多项式特征如下：X＝[x0,x1,x2,x3,x4]   (8)其中X是由x组成的多项式，x代表速度；定义损失函数如下：其中yj、X分别代表第i档中的第j个数据对应的功率和速度多项式，θ是曲线的回归系数，T代表矩阵的转置；让L_i(θ)对θ求偏导，并令得出如下最优回归系数矩阵：最终，第i档的功率速度曲线表示如下：即最终的速度功率拟合曲线，再由速度功率拟合曲线获得骑行台最终的输出功率。