随着汽车的日益普及,人们开始重视汽车驾驶过程中驾驶乐趣,科学评价汽车驾驶性越来越重要。混合动力汽车技术是目前汽车发展的一个重要方向,其驾驶性的合理评价对开发混合动力汽车具有重要作用,国际上还处于发展之中,有必要针对混合动力汽车驾驶性客观评价进行深入研究。目前,常用的机器学习的方法不适用于混合动力汽车驾驶性工况的识别,本文创造性地提出使用基于规则与模糊逻辑结合的方法建立混合动力汽车驾驶工况识别模型。为了进一步提高混合动力汽车驾驶性评分准确度,本文提出使用神经网络建立混合动力汽车驾驶性评分模型。具体研究内容如下:一、本文对混合动力汽车驾驶性评分标准展开研究,确定采用SAE J1060的评分标准。对混合动力汽车起步工况评价指标展开研究,通过相关性分析,确定了起步工况评价指标。将数据分析中结构化、指标化思维引入混合动力汽车驾驶性研究过程,建立包含8大主工况、42个评价指标的整车驾驶性评分维度。二、制定了一套适用于混合动力汽车驾驶性评价测试方案,为下文的起步工况识别模型及驾驶性评分模型的验证提供了实验样本。三、本文创新性地解决了“常用的机器学习方法不适用于混合动力汽车驾驶工况识别”。提出采用确定规则与模糊逻辑结合的方法建立混动车驾驶工况识别模型,研究了去模糊化方法、隶属度函数对工况识别模型的影响。进一步地对混动车驾驶工况识别模型的有效性进行验证,结果表明,建立的混动车驾驶工况识别模型识别准确度达到94%,满足使用要求。四、为提高混合动力汽车驾驶性评分的准确度,提出了驾驶性评分模型构建的新方法。使用Bp神经网络与线性神经网络分别构建了各级工况评分模型和整车评分模型,研究了隐含层数、传递函数对评分模型的影响。进一步地对各级工况评分模型和整车评分模型的有效性进行验证,结果表明:样本均方误差较小、目标值与实际值的相关性较高、实际输出与期望输出偏差范围小,所以该驾驶性评分模型具有较好的准确性,满足工程开发的使用要求。本文解决了混合动力汽车驾驶性客观化评价过程中“驾驶工况识别”及“驾驶性评分模型构建”两大技术难题,建立较高识别准确率的混动车驾驶工况识别模型,搭建了准确的混动车驾驶性评分模型,为进一步开展混合动力汽车驾驶性客观评价提供了一定的理论参考。