Верификация параметров математической модели расхода топлива седельного тягача в реальном времени в привязке к цифровой модели местности

Введение (постановка задачи и актуальность). Предложен физически обоснованный метод рекомендаций оптимальной скорости, который минимизирует прогнозный расход топлива на коротком горизонте с учётом ограничений по ускорениям, скоростным лимитам и сцене дорожного движения. Метод опирается на синхронизированные телеметрию CAN и цифровую модель местности, а также на регрессионную модель, идентифицирующую приведённые коэффициенты модели расхода топлива. Валидация на реальных маршрутах показала экономию топлива без увеличения времени в пути.

Цель исследования – определить и верифицировать методику формирования уставки скорости, позволяющую снижать расход топлива тяжёлых грузовых автомобилей в реальных условиях эксплуатации.

Методология и методы. Предлагаемый подход структурирован в три взаимосвязанных этапа: 1) регрессионная идентификация параметров физически обоснованной модели расхода топлива по признакам, извлечённым из телематики CAN и цифровой модели местности; 2) краткогоризонтная выпуклая оптимизация уставки скорости с использованием L2-регуляризации; 3) введение перцепционных ограничений, формируемых модулем компьютерного зрения YOLO, что обеспечивает соблюдение требований безопасности и соответствие рекомендаций текущей дорожной обстановке.

Результаты и научная новизна. Получена устойчивая модель соответствия «признаки → коэффициенты», обеспечивающая точные прогнозы расхода топлива; на маршрутах продемонстрирована экономия топлива при соблюдении ограничений дорожной сцены.

Научная новизна – совмещение физически осмысленной регрессионной модели с перцепцией и онлайн-оптимизацией уставки скорости.

Практическая значимость. Метод внедряется на штатном ЭБУ/мини-ПК, требует только CAN и картографических данных; генерирует рекомендации для HMI в виде числа и цветовой шкалы, либо управляет интеллектуальным круиз-контролем. Позволяет снижать расход без увеличения времени в пути.

1. Nariendra P.W., Lestiani M.E. Calibration of HDM‑4 model for fuel consumption in heavy-duty trucks: integration of telematics, engine speed, and aerodynamics // Automotive Experiences. – 2025. – V. 8, no. 1. – P. 109–121. DOI: 10.31603/ae.12862.

2. Du K., Shi Q., Song J., Chen D., Liu W. Prediction of truck fuel consumption based on crossformer-lstm characteristic distillation // Applied Sciences. – 2025. – V. 15, no. 1. – Art. 283. DOI: 10.3390/app15010283.

3. Semenov I., Świderski A., Borucka A., Guzanek P. Concept of early prediction and identification of truck vehicle failures supported by in-vehicle telematics platform based on abnormality detection algorithm // Applied Sciences. – 2024. – V. 14. – Art. 7191. DOI: 10.3390/app14167191.

4. Ghazikhani A., Davoodipoor S., Fathollahi-Fard A.M., Gheibi M., Moezzi R. Robust truck transit time prediction through GPS data and regression algorithms in mixed traffic scenarios // Mathematics. – 2024. – V. 12. – Art. 2004. DOI: 10.3390/math12132004.

5. Chu H., Na X., Liu H., Wang Y., Yang Z., Zhang L., Chen H. Real-time co-optimization of gear shifting and engine torque for predictive cruise control of heavy-duty trucks // Chinese Journal of Mechanical Engineering. – 2024. – V. 37. – Art. 42. DOI: 10.1186/s10033-024-01015-7.

6. D’Agostino V., Verdone G.M., Cardone M. An overview about FPT industrial telematic service for monitoring and diagnostic purposes: first approaches to signal logger data from heavy-duty commercial vehicles // Journal of Physics: Conference Series. – 2024. – V. 2893. – Art. 012106. DOI: 10.1088/1742-6596/2893/1/012106.

7. Srinagesh A., Aparna Ch., Chandra Sekhara Rao M.V.P. A GPS-enabled fuel sensor based vehicle tracking system for fleet management using the internet of things // Scalable Computing: Practice and Experience. – 2025. – V. 26, no. 1. – P. 34–47. DOI: 10.12694/scpe.v26i1.3479.

8. Huynh N.B.P., Nguyen D.T. Implementation of an IoT-based System for monitoring parameters and tracking transport vehicles // Journal of Technical Education Science. – 2024. – V. 19, no. 6. DOI: 10.54644/jte.2024.1619.

9. Рахматов Р.И., Тремясов В.В., Ликеев А.П., Малкин И.В., Казаков А.В., Кузьмин А.О. Исследования модальных характеристик c целью комплексной валидации расчётной модели на примере кузова современного автотранспортного средства // Труды НАМИ. – 2023. – № 3 (294). – С. 6–32. DOI: 10.51187/0135-3152-2023-3-6-32. EDN: RGMKBI.

10. Katreddi S., Thiruvengadam A. Trip based modeling of fuel consumption in modern heavy-duty vehicles using artificial intelligence // Energies. – 2021. – V. 14, no. 24. – Art. 8592. DOI: 10.3390/en14248592.

11. Katreddi S., Kasani S., Thiruvengadam A. A review of applications of artificial intelligence in heavy duty trucks // Energies. – 2022. – V. 15, no. 20. – Art. 7457. DOI: 10.3390/en15207457.

12. Vimalesan V. Enhancing fuel economy in heavy-duty trucks: a contemporary approach // International Journal of Scientific Research and Management. – 2024. – V. 12, no. 11. – P. 1692–1694. DOI: 10.18535/ijsrm/v12i11.ec05.

13. Шелгинских И.Н. Рациональное демпфирование в системе подрессоривания для обеспечения устойчивости автомобиля при высокоскоростном маневрировании // Труды НАМИ. – 2019. – № 1 (276). – С. 55–63. EDN: XODCRH.

14. Djidrov M.Z. Challenges in damage detection for real-time monitoring and predictive maintenance methodology // SAR Journal. – 2024. – V. 7, no. 4. – P. 310–316. DOI: 10.18421/SAR74-04.