تحقیقات موتور

تحقیقات موتور

تحلیل رفتار رانندگی از منظر مصرف سوخت با استفاده از داده‌های واحد مدیریت موتور مبتنی بر هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان
نیما رستگار 1
محمد باربد امیرمزلقانی 2
سیامک علیزاده‌نیا 3
مریم امیرمزلقانی 4
1 دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران
2 دانشکده مهندسی کامپیوتر، دانشگاه تهران، تهران، ایران
3 اداره برنامه‌ریزی راهبردی، شرکت تحقیق، طراحی و تولید موتور ایران‌خودرو (ایپکو)، تهران، ایران
4 دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران
10.22034/er.2024.2028070.1051
چکیده
در این پژوهش، تحلیل مفهومی بر روی رفتار رانندگی با تمرکز بر مصرف سوخت و خوشه‌بندی رانندگان ارائه شده است. داده‌های رانندگی 80 نفر توسط یک دستگاه ضبط‌کننده داده که به درگاه OBD خودرو متصل می‌شود، جمع‌آوری شدند. ویژگی‌های مهم مرتبط با مصرف سوخت توسط جدول همبستگی و مفاهیم موجود در حوزه قوای محرکه استخراج شدند. در این راستا، برخی متغیرهای کلیدی مانند شتاب‌گیری و ترمزگیری نیز تعریف شده و محاسبه شدند. سپس الگو‌های همبستگی‏ بر روی ویژگی‌های استخراج‌شده به منظور پیش‌بینی مصرف سوخت اعمال شدند. در این تحلیل، تأثیرگذارترین عوامل رفتار رانندگی بر مصرف سوخت و میزان اثر آن‌ها بدست آمدند. سپس روش‏‌های یادگیری رایانه‌‏ای بدون نظارت به کار گرفته شدند تا رانندگان بر اساس نحوه رانندگی خود در خوشه‌های مختلف خوشه‌بندی شوند. بررسی مقایسه‌ای بر روی روش‏‌های مختلف برای ارزیابی کارایی روش‌های مختلف خوشه‌بندی انجام شده است. در پایان، پیشنهادات ارزشمندی برای سازندگان خودرو، سیاستگذاران و رانندگان با توجه نتایج ارائه شده است که به تأکید اثر رفتار رانندگی بر بهره‌وری سوخت و ظرفیت‏‌های آن برای سامانه‏‌های دستیار رانندگی می‌پردازد.
کلیدواژه‌ها
رفتار رانندگی
خوشه‌بندی رانندگان
مصرف سوخت
یادگیری رایانه‏ای
هوش مصنوعی

عنوان مقاله English

Analyzing driving behavior for fuel efficiency using ECU data based on artificial intelligence

نویسندگان English

Nima Rastegar 1
Mohammad Barbod Amirmazlaghani 2
Siamak Alizadehnia 3
Maryam Amirmazlaghani 4
1 Mechanical Engineering Department, Sharif University of Technology, Tehran, Iran
2 Computer Engineering Department, University of Tehran, Tehran, Iran
3 Department of Strategy Planning, Irankhodro Powertrain Company (IPCo), Tehran, Iran
4 Computer Engineering Department, Amirkabir University of Technology, Tehran, Iran
چکیده English

In this study, a comprehensive analysis of driving behavior with an emphasis on fuel consumption and driver categorization is presented. Data from 80 drivers were collected using a custom-designed datalogger connected to the vehicle’s On-Board Diagnostics (OBD) port. Critical features related to driving patterns were extracted through a correlation matrix and concepts in the field of powertrains. Key variables such as acceleration and deceleration were identified and derived. Regression models were applied to predict fuel consumption based on this driving feature. Through this analysis, the most influential factors affecting fuel efficiency were highlighted. Additionally, unsupervised machine learning techniques were employed to cluster drivers into distinct groups based on their driving styles. A comparative study of various algorithms was conducted to evaluate the efficacy of different clustering methods. Valuable insights for automotive manufacturers, policymakers, and drivers are offered by the results, emphasizing the role of driving behavior in fuel efficiency and the potential for tailored driver assistance systems.

کلیدواژه‌ها English

Driving Behavior
Drivers Clustering
Fuel Consumption
Machine Learning
Artificial Intelligence
[1] Aminzadegan S, Shahriari M, Mehranfar F, Abramović B. Factors affecting the emission of pollutants in different types of transportation: A literature review. Energy Reports. 2022 Nov 1;8:2508-29. doi: 10.1016/j.egyr.2022.01.161
[2] Czerwinski F. Current Trends in Automotive Lightweighting Strategies and Materials. Materials. 2021 Nov 3;14(21):6631. doi: 10.3390/ma14216631
[3] Shuai S, Yinhui W, Li X, Fu H, Xiao J. Impact of Octane Number on Fuel Efficiency of Modern Vehicles. SAE International Journal of Fuels and Lubricants. 2013 Nov 1;6(3):702-12. doi: 10.4271/2013-01-2614
[4] Wang Y, Biswas A, Rodriguez R, Keshavarz-Motamed Z, Emadi A. Hybrid electric vehicle specific engines: State-of-the-art review. Energy Reports. 2022 Nov 1;8:832-51. doi: 10.1016/j.egyr.2021.11.265
[5] Huang R, Ni J, Shi X, Wang Q, Cheng Z. Assessing and Characterizing the Effect of Altitude on Fuel Economy, Particle Number and Gaseous Emissions Performance of Gasoline Vehicles under Real Driving. SAE Technical Paper. 2023 Apr 1. doi: 10.4271/2023-01-0381
[6] Zervas E. Impact of Altitude on Fuel Consumption of a Gasoline Passenger Car. Fuel. 2011 Jul 1;90(6);2340-42. doi: 10.1016/j.fuel.2011.02.004
[7] Meseguer J, Calafate C, Cano J, Manzoni P. Assessing the Impact of Driving Behavior on Instantaneous Fuel Consumption. 12th Annual IEEE Consumer Communications and Networking Conference; 2015 January 09-12; Las Vegas, NV, USA. IEEE; 2015. p. 443-8.
[8] Zhang Z, Demir E, Mason R, Di Cairano-Gilfedder C. Understanding Freight Drivers' Behavior and the Impact on Vehicles' Fuel Consumption and CO2e Emissions. Operational Research. 2023 Dec;23:1-35. doi: 10.1007/s12351-023-00798-2
[9] Peng P, Qin W, Xu Y, Miyajima C, Takeda K. Impact of Driver Behavior on Fuel Consumption: Classification, Evaluation and Prediction Using Machine Learning. IEEE Access. 2019 Jun 3;7:78515-32. doi: 10.1109/ACCESS.2019.2920489
[10] Asadi A, Azadi M, Khalesi MH, Moosavian A. Investigating the effects of geographics climate on the characteristics of statistical data and driving cycle. The Journal of Engine Research. 2023 Jun 22;70(2):37-65. doi: 10.22034/er.2023.2009114.1013 [In Persian]
[11] Loesche D. The Growing Gap Between Declared and Real Fuel Consumption of Passenger Cars. Statista. 2017 November 06.
[12] Moosavian A, Abdolmaleki S, Rezaei M, Nejat M. Driving Cycle Extraction of Tehran City’s West Region for a Car with Turbocharged Engine using Microtrip Clustering Method. The Journal of Engine Research. 2019;55:3-12. [In Persian]

  • تاریخ دریافت 15 اردیبهشت 1403
  • تاریخ بازنگری 06 خرداد 1403
  • تاریخ پذیرش 06 خرداد 1403