CN112782974A - 一种控制参数标定方法 - Google Patents
一种控制参数标定方法 Download PDFInfo
- Publication number
- CN112782974A CN112782974A CN202011200520.9A CN202011200520A CN112782974A CN 112782974 A CN112782974 A CN 112782974A CN 202011200520 A CN202011200520 A CN 202011200520A CN 112782974 A CN112782974 A CN 112782974A
- Authority
- CN
- China
- Prior art keywords
- link
- factor
- warming
- starting
- evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供了一种控制参数标定方法,包括预测环节、评估环节和优化环节;预测环节通过简化模型计算得到起动后暖机因子;评估环节包括将预测环节计算得到的起动后暖机因子与目标当量空燃比曲线进行比较,得到评估结果;优化环节包括:以多组不同取值的控制参数作为输入,重复执行预测环节和评估环节,得到多个评估结果,选择评估结果中满足预设条件的评估结果所对应的控制参数作为标定结果。如此配置,一方面,用计算机仿真代替了大部分的人工试验,缩短了单次试验的时间,另一方面,用算法代替了人工调参过程,减轻了操作人员的工作量,解决了现有技术中起动后暖机因子的控制参数的标定过程周期长,工时和试验资源耗费严重的问题。
Description
技术领域
本发明涉及车辆技术领域,特别涉及一种控制参数标定方法。
背景技术
在汽车的运行过程中,起动是指从驾驶员拧动点火钥匙开始,一直持续到发动机转速上升到起动结束转速,并能维持自身运转的过程。起动结束后,发动机进入起动后暖机阶段。此时,与起动过程中根据起动温度预设固定喷油量有所不同,发动机管理系统(EMS)已经根据进气量来计算喷油量。随着燃烧室以及进气管温度不断的升高,燃烧稳定性越来越好,发动机的运转状况逐渐向正常怠速转变,起动后暖机就是为了实现向正常怠速阶段的平稳过渡。
发动机管理系统根据起动后暖机因子(afstwm)对喷油量进行的补偿和衰减,以满足发动机正常运行的要求。afstwm影响发动机起动后暖机过程中燃烧的状况,进而影响整车排放和起动平顺性。所以afstwm的控制参数标定是发动机标定过程中的重要部分。
由于,afstwm与当量空燃比lambda有着一定的比例关系,lambda曲线又与具体的项目配置、发动机型号和起动温度等有关;通过调整afstwm中的各项匹配参数,调整afstwm的曲线形状,进而影响当量空燃比lambda的曲线形状,从而使其达到相应的要求。也就是说,可以将lambda曲线作为标定的参考依据。
目前,起动模块中起动后暖机因子的标定是工程师依托整车起动试验数据进行性能标定。针对一个全新的标定项目,向ECU中导入预设的基础标定数据,在不同的起动温度点进行整车起动试验,冷起动需要在专门的低温试验室开展,利用测试软件和测试硬件获取发动机的起动试验数据。对于全新的起动项目,数据预设后,工程师在每个起动温度点进行多次试验,多次数据调整,直到当量空燃比曲线满足项目需要为止,耗费大量工时和试验资源。同时由于试验车辆需要冷机处理,满足起动温度要求后才能开展起动试验,所以通常每天只能做一到两次起动试验。这些因素都使得起动的整个标定工作周期变得很长,导致工作强度大,成本投入高。这大大限制了发动机标定的效率提高,难以满足汽车行业的发展需求。
通过上述分析可知,现有技术中,起动后暖机因子的控制参数的标定过程,依赖试验和工程师经验,存在标定周期长,工时和试验资源耗费严重的问题。
发明内容
本发明的目的在于提供一种控制参数标定方法,用于解决现有技术中起动后暖机因子的控制参数的标定过程周期长,工时和试验资源耗费严重的问题。
为了解决上述技术问题,本发明提供了一种控制参数标定方法,用于标定起动后暖机因子的控制参数,所述控制参数标定方法包括预测环节、评估环节和优化环节;
所述预测环节包括:将控制参数划分为第一参数和第二参数;使用第一简化模型计算得到起动后系数,所述第一简化模型的输入参数包括所述第一参数;使用第二简化模型计算得到暖机因子,所述第二简化模型的输入参数包括所述第二参数;以所述起动后系数和所述暖机因子作为输入,使用第三简化模型计算得到起动后暖机因子;
所述评估环节包括将所述预测环节计算得到的起动后暖机因子与目标当量空燃比曲线进行比较,得到评估结果;
所述优化环节包括:以多组不同取值的控制参数作为输入,重复执行所述预测环节和所述评估环节,得到多个评估结果,选择所述评估结果中满足预设条件的评估结果所对应的控制参数作为标定结果。
可选的,所述第一参数包括发动机起动温度、发动机转速、发动机冷却水温和海拔修正因子。
可选的,所述第一简化模型的输入参数还包括,进行滤波计算后的发动机起动温度。
可选的,所述第二参数包括发动机起动温度、发动机转速、发动机冷却水温和发动机负荷。
可选的,所述第一简化模型、所述第二简化模型以及所述第三简化模型中的至少一个采用向量化方法计算。
可选的,所述评估环节包括:
将所述目标当量空燃比曲线转化为目标起动后暖机因子曲线;
将所述预测环节的计算得到的起动后暖机因子与所述目标起动后暖机因子曲线进行比较,将两者的吻合程度作为所述评估结果。
可选的,所述吻合程度的评价指标包括所述预测环节的计算结果与所述目标起动后暖机因子曲线的均方差。
可选的,所述优化环节采用启发式算法生成多组不同取值的控制参数。
可选的,所述启发式算法包括差分进化算法。
可选的,所述优化环节采用并行计算加速优化过程。
与现有技术相比,本发明提供的一种控制参数标定方法包括预测环节、评估环节和优化环节;所述预测环节通过简化模型计算得到起动后暖机因子;所述评估环节包括将所述预测环节计算得到的起动后暖机因子与目标当量空燃比曲线进行比较,得到评估结果;所述优化环节包括:以多组不同取值的控制参数作为输入,重复执行所述预测环节和所述评估环节,得到多个评估结果,选择所述评估结果中满足预设条件的评估结果所对应的控制参数作为标定结果。如此配置,一方面,用计算机仿真代替了大部分的人工试验,缩短了单次试验的时间,另一方面,用算法代替了人工调参过程,减轻了操作人员的工作量,解决了现有技术中起动后暖机因子的控制参数的标定过程周期长,工时和试验资源耗费严重的问题。
附图说明
本领域的普通技术人员将会理解,提供的附图用于更好地理解本发明,而不对本发明的范围构成任何限定。其中:
图1是本发明一实施例的控制参数标定方法流程示意图;
图2是本发明一实施例的预测环节流程示意图;
图3是本发明一实施例的优化环节流程示意图。
具体实施方式
为使本发明的目的、优点和特征更加清楚,以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是,附图均采用非常简化的形式且未按比例绘制,仅用以方便、明晰地辅助说明本发明实施例的目的。此外,附图所展示的结构往往是实际结构的一部分。特别的,各附图需要展示的侧重点不同,有时会采用不同的比例。
如在本发明中所使用的,单数形式“一”、“一个”以及“该”包括复数对象,术语“或”通常是以包括“和/或”的含义而进行使用的,术语“若干”通常是以包括“至少一个”的含义而进行使用的,术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的,此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征,“一端”与“另一端”以及“近端”与“远端”通常是指相对应的两部分,其不仅包括端点,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。此外,如在本发明中所使用的,一元件设置于另一元件,通常仅表示两元件之间存在连接、耦合、配合或传动关系,且两元件之间可以是直接的或通过中间元件间接的连接、耦合、配合或传动,而不能理解为指示或暗示两元件之间的空间位置关系,即一元件可以在另一元件的内部、外部、上方、下方或一侧等任意方位,除非内容另外明确指出外。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的核心思想在于提供一种控制参数标定方法,用于解决现有技术中起动后暖机因子的控制参数的标定过程周期长,工时和试验资源耗费严重的问题。
以下参考附图进行描述。
请参考图1至图3,其中,图1是本发明一实施例的控制参数标定方法流程示意图;图2是本发明一实施例的预测环节流程示意图;图3是本发明一实施例的优化环节流程示意图。
如图1所示,本实施例提供了一种控制参数标定方法,用于标定起动后暖机因子的控制参数,所述控制参数标定方法包括预测环节、评估环节和优化环节;
请同时参考图2,所述预测环节包括:将控制参数划分为第一参数和第二参数;使用第一简化模型计算得到起动后系数,所述第一简化模型的输入参数包括所述第一参数;使用第二简化模型计算得到暖机因子,所述第二简化模型的输入参数包括所述第二参数;以所述起动后系数和所述暖机因子作为输入,使用第三简化模型计算得到起动后暖机因子;
所述评估环节包括将所述预测环节计算得到的起动后暖机因子与目标当量空燃比曲线进行比较,得到评估结果;
请同时参考图3,所述优化环节包括:以多组不同取值的控制参数作为输入,重复执行所述预测环节和所述评估环节,得到多个评估结果,选择所述评估结果中满足预设条件的评估结果所对应的控制参数作为标定结果。
上述配置可以获得如下有益效果:
第一、以计算机仿真代替了大部分的人工试验,大大缩短了标定周期;
第二、将所述预测环节划分为先通过所述第一简化模型输出所述起动后系数以及所述第二简化模型输出所述暖机因子,再通过所述第三简化模型通过所述起动后系数和所述暖机因子计算输出所述起动后暖机因子,细化了预测环节的内部逻辑,与仅用用一个笼统的模型对整个预测环节进行抽象的方案相比,计算精度更高,更不容易造成过拟合的问题,以及拟合过程收敛速度更快。
第三、通过所述控制参数与所述起动后系数的相关性分析,以及所述控制参数与所述暖机因子的相关性分析,将所述控制参数划分为所述第一参数和所述第二参数,分别参与两个不同的简化模型的计算,在保证计算精度的前提下,简化了模型,减少了仿真过程的计算负担。
第四、使用优化环节替代人工调参过程,既减轻了操作人员的工作量,也摆脱了对操作人员需要有调参经验的要求。
需理解,所述第一简化模型,所述第二简化模型以及所述第三简化模型均通过大量的试验数据以及后续的数据处理得到的,其具体实现方式可以是多样的,例如,使用插值模型,也可以通过统计学的方法得到的拟合曲线,特别是二次线性拟合曲线,也可以是通过神经网络训练得到的模型,或者先根据理论分析得到 理论模型,再通过试验数据将该理论模型的参数进行标定得到上述模型。本领域技术人员可根据实际与现有技术,对不同的车型、不同的标定需求选择对应的合适模型。
请参考图1,在一实施例中,所述预测环节的输入参数还包括试验数据,所述试验数据是指所述控制参数标定方法在具体针对某一种特定的车型实施时,所做的少量的前期试验数据,应当与前述得到所述第一简化模型,所述第二简化模型以及所述第三简化模型的大量试验数据做区别地理解。这里的试验数据能够辅助预测环节得到更为精确的预测数据,有利于加速后续优化环节的收敛过程。
需理解,目标当量空燃比曲线可通过以下手段获取。首先需要将基础试验中基准曲线展示给工程师,包括:当量空燃比曲线、起动后暖机因子曲线、发动机转速曲线、发动机负荷曲线、发动机起动喷油标志位曲线、发动机冷却水温曲线。然后通过以下方法之一进行目标当量空燃比曲线的设定:第一种方法,工程师依据前述试验曲线和标定标准要求,在特定画图区域通过点击给定目标点,原始当量空燃比变化较大区域需要给定较多点,变化平缓区域给定少量点,使给定的点尽可能符合目标当量空燃比曲线的形状变化;连接给定的目标点,使用插值方法补足缺失的点,从而得到目标当量空燃比曲线。第二种方法,对原当量空燃比曲线进行调整修剪,使用删除坏点、拖拉曲线等方法在原当量空燃比曲线的基础上得到一条新的符合标定标准的当量空燃比曲线。
需理解,所述的预设条件一般为最优的评估结果,其具体评价标准是所有评估结果中的最大值或者最小值,其最大或最小的选择可根据所述评估结果的数学/物理含义决定;所述的预设条件也可以是其他标准,例如所述评估结果小于某个预设的值或者优化过程满足某个停止条件,例如迭代的种群超过100代等等。
需理解,所述优化环节所需要的生成多组不同取值的控制参数,生成逻辑可以是无反馈地生成控制参数,也可以是先生成第一批控制参数,然后根据评估环节的结果进行生成策略的调整,再生成第二批的控制参数,如此循环直至获得标定结果。具体的生成算法可以是多种的,例如,梯度下降法、拟牛顿法、共轭梯度法、动量优化法等常规优化算法,又例如,穷举法、变步长的穷举法、正交试验法、启发式算法等直接从解空间入手分析并生成待评估的控制参数的方法。
请参考图2,在一实施例中,所述第一参数包括发动机起动温度、发动机转速、发动机冷却水温和海拔修正因子。优选地,所述第一简化模型的输入参数还包括,进行滤波计算后的发动机起动温度。即,所述第一简化模型为:
afst = f(sttmp, spd, cltmp, alt, asctn (sttmp))
式中,afst为起动后系数,sttmp为发动机起动温度,spd为发动机转速,cltmp为发动机冷却水温,alt为海拔修正因子,asctn()为滤波模块,例如:
mean(new)=mean(old)+m*(C1-mean(old)),
通过m滤波对起动后系数进行衰减,得到起动后衰减曲线。在m滤波计算公式中,mean(new)、mean(old)分别为当前时刻滤波结果和上一时刻滤波结果;m为滤波系数,当滤波值大于或等于第一阈值时,m取第一滤波系数;当滤波值小于第一阈值且大于或等于第二阈值时,m取第二滤波系数;当滤波值小于第二阈值时,m取第三滤波系数。C1为一常数,默认设置为0。当所述滤波值所属的滤波区间发生变化时,对应的m仍会保持原有的值,并在一定的延时后才按照上述规则发生变化。
在一实施例中,所述第二参数包括发动机起动温度、发动机转速、发动机冷却水温和发动机负荷。即,
wm = f(sttmp, spd, cltmp, ld)
式中,wm为暖机因子,sttmp为发动机起动温度,spd为发动机转速,cltmp为发动机冷却水温,ld为发动机负荷。
最后,起动后暖机因子afstwm可由下式计算:
afstwm = f(afst, wm)
上述控制参数的选择、分类以及处理,是发明人通过大量的试验和仿真得到的。发明人首先选定了备选的多个控制参数,然后,通过改变单个变量进行试验,并通过试验结果考察每一个控制参数与所述起动后系数或者所述暖机因子的相关性,并同时考虑两个参数之间的二次项与所述起动后系数或者所述暖机因子的相关性,确定了每个简化模型的输入参数。随后再考察对每个控制参数进行滤波与否对结果的影响,确定了需要进行滤波操作的控制参数。最后又根据确定的输入参数重新进行试验,验证选择的参数组合是否符合需要的预测精度。上述过程需要重复多次,以达到最佳的效果。本实施例所示出的方案就是一种较优的参数组合,通过以上参数组合,可以在保证预测精度的同时,减少计算量,具有较优的综合效果。
需理解,所述第一简化模型和所述第二简化模型的输入参数,还包括其他的可能,例如,其他的控制参数、一部分的所述试验参数、工程师的经验约束参数等等,不应当理解为,所述第一简化模型和所述第二简化模型的输入参数仅包括上述实施例提及的输入参数。
优选地,所述第一简化模型、所述第二简化模型以及所述第三简化模型中的至少一个采用向量化方法计算。更优选地,所述第一简化模型、所述第二简化模型以及所述第三简化模型均采用向量化方法计算。所述向量化方法是一种特殊的并行计算的方式,可以同一时间执行多次操作,快速得到计算结果。本领域技术人员可结合现有的公知常识,理解向量化方法的计算。
在一实施例中,所述评估环节包括:
将所述目标当量空燃比曲线转化为目标起动后暖机因子曲线;
将所述预测环节的计算得到的起动后暖机因子与所述目标起动后暖机因子曲线进行比较,将两者的吻合程度作为所述评估结果。
需理解,所述目标当量空燃比曲线与所述目标起动后暖机因子曲线之间存在着转换关系,因此所述比较过程存在如下方案,例如,将目标空燃比曲线转化为目标起动后暖机因子曲线后进行比较;或者将计算得到的起动后暖机因子曲线转化为空燃比曲线进行比较;或者将目标空燃比曲线转化为目标第一曲线,同时将计算得到的起动后暖机因子曲线转化为第一曲线进行比较,所述第一曲线是指任意一种通过数学变换可以得到的曲线;或者直接将目标当量空燃比曲线作为比较对象,并辅以一些数学上的等价变换得到评价结果。上述的评估方法,都应当视为本申请权利要求的保护范围。但是先将所述目标当量空燃比曲线转化为目标起动后暖机因子曲线,思路较为清晰和直观,也方便所述控制参数标定方法在计算机编程实现过程中的错误修正。
可以采用以下式子将所述目标当量空燃比曲线转化为目标起动后暖机因子曲线:
afstwm_target=afstwm_curve*(lambda_target/lambda_curve)*C2
其中afstwm_target为需要获取的目标起动后暖机因子曲线,lambda_target为前述设定的目标当量空燃比曲线,afstwm_curve和lambda_curve为试验数据中的起动后暖机因子曲线和当量空燃比曲线,C2为经验系数。经过上述方法,工程师可以非常准确快速地给出符合标定要求的目标起动后暖机因子曲线afstwm_target,这也是给后续的优化环节设定优化目标的基础。在此基础上,只需要关心预设的控制参数通过预测环节得到的afstwm曲线是否与所述目标起动后暖机因子曲线吻合,简化了整个方法的流程。
有许多指标都可以描述两条曲线的吻合程度,例如两条曲线差值的最大值。优选地,所述吻合程度的评价指标包括所述预测环节的计算结果与所述目标起动后暖机因子曲线的均方差。需理解,上述评价指标既可以是单纯地使用所述均方差,也可以是先得到所述均方差再通过对所述均方差进行有限次简单运算得到评价指标,例如将均方差的值乘以预定的系数等,也可以通过多个评价指标进行综合评价,其中的一个评价指标为所述均方差,例如将评价指标定为(所述均方差+两条曲线差值的最大值)/2。均方差能反映一个数据集的离散程度,所述吻合程度的评价指标包括所述预测环节的计算结果与所述目标起动后暖机因子曲线的均方差是本标定工况下评价两条曲线吻合程度的较为适合的指标。
优选地,所述优化环节采用启发式算法生成多组不同取值的控制参数。如此配置,可以忽略所述预测环节的模型细节,便于后续更换优化所述预测环节的算法或者更换评价环节中的目标曲线,而不会造成整个标定方法的失效。所述启发式算法的备选方案有,例如遗传算法,蚁群算法、模拟退火法、粒子群算法等。在一个较优的实施例中,所述启发式算法包括差分进化算法。具体如下:
将所述预测环节的计算结果与所述目标起动后暖机因子曲线的均方差作为差分进化算法的适应度评价函数,以极小值作为差分进化算法的进化方向。根据起动温度,从标定数据中选取需要进行寻优操作的标定数据,将其组合成一个向量;将需要寻优操作的标定数据的限值组合成限值向量;将标定数据之间的约束关系写成向量表达式。在差分进化算法内,在标定数据限值范围内和约束关系基础下,采用浮点矢量进行编码随机生成初代种群个体;请参考图1,所述约束关系由工程师经验提供。使用基础标定数据随机替换初代种群中的一个个体。以初代种群作为父代种群,从父代个体间选择两个个体进行向量做差生成差分矢量;选择另外一个个体与差分矢量求和生成试验个体。对父代个体与相应的试验个体进行交叉操作,生成新的子代个体。利用并行计算技术,使用所述评价环节对试验种群进行适应度评价。如果新个体的适应度优于父代个体,则使用新一代个体取代旧个体,否则仍旧保留旧个体。将试验种群中最优个体的适应度函数值与设定的目标值进行比较,如果达到目标值,则终止迭代,输出满足要求的函数值对应的标定数据;否则进行下一代种群的差分进化。
进一步地,在进化初期,对控制参数使用自适应表达式,使整个进化过程快速进行。随着差分进化算法进化代数的增加,会使种群的多样性变小,收敛到局部最优解,此时对控制参数使用概率表达式,使差分进化算法跳出局部最优解,朝全局最优解方向前进,最终得到全局最优解。
较优地,所述优化环节采用并行计算加速优化过程。
由于启发式但其本身的计算依旧是一个消耗计算时间较大的过程,例如差分进化算法要对每一代的每个个体进行适应度评价,也就是每个个体要做一次完整的所述预测环节计算以及所述评估指标计算。考虑到每代种群的个体不应少于100,进化代数不应低于100,完整的进化过程将是一个非常大的计算时间消耗;对于其他的启发式算法,也有类似的计算量。利用现代计算机普遍具有的多核技术优势,可以通过并行计算技术加速进化算法的计算过程。
进一步地,所述控制参数标定方法还包括,在得到标定后的控制参数后,通过一次人工试验,验证该控制参数的效果。从而进一步增加所述控制参数标定方法的有效性。现有技术中,需要对
综上,现有技术中,采用手工标定起动后暖机因子的控制参数,工程师需要在每个起动温度点进行起动试验,拿到起动数据之后,依据经验反复调整标定数据,然后上车验证,每个起动温度点要进行多次起动试验才能满足项目需要;而为了达到特定的起动温度,车辆需要进行冷机处理,所以一天只能进行一到两次起动试验。整个起动后暖机因子的标定工作包含多个起动温度,所以整个起动项目的匹配工作,需要耗费大量试验时间和试验资源。本实施例提供的一种控制参数标定方法包括预测环节、评估环节和优化环节;所述预测环节通过简化模型计算得到起动后暖机因子;所述评估环节包括将所述预测环节计算得到的起动后暖机因子与目标当量空燃比曲线进行比较,得到评估结果;所述优化环节包括:以多组不同取值的控制参数作为输入,重复执行所述预测环节和所述评估环节,得到多个评估结果,选择所述评估结果中满足预设条件的评估结果所对应的控制参数作为标定结果。如此配置,一方面,用计算机仿真代替了大部分的人工试验,缩短了单次试验的时间;另一方面,用算法代替了人工调参过程,减轻了操作人员的工作量,从而大大减少了人工试验次数,解决了现有技术中起动后暖机因子的控制参数的标定过程周期长,工时和试验资源耗费严重的问题。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种控制参数标定方法,用于标定起动后暖机因子的控制参数,其特征在于,包括预测环节、评估环节和优化环节;
所述预测环节包括:将控制参数划分为第一参数和第二参数;使用第一简化模型计算得到起动后系数,所述第一简化模型的输入参数包括所述第一参数;使用第二简化模型计算得到暖机因子,所述第二简化模型的输入参数包括所述第二参数;以所述起动后系数和所述暖机因子作为输入,使用第三简化模型计算得到起动后暖机因子;
所述评估环节包括将所述预测环节计算得到的起动后暖机因子与目标当量空燃比曲线进行比较,得到评估结果;
所述优化环节包括:以多组不同取值的控制参数作为输入,重复执行所述预测环节和所述评估环节,得到多个评估结果,选择所述评估结果中满足预设条件的评估结果所对应的控制参数作为标定结果。
2.根据权利要求1所述的控制参数标定方法,其特征在于,所述第一参数包括发动机起动温度、发动机转速、发动机冷却水温和海拔修正因子。
3.根据权利要求2所述的控制参数标定方法,其特征在于,所述第一简化模型的输入参数还包括,进行滤波计算后的发动机起动温度。
4.根据权利要求1所述的控制参数标定方法,其特征在于,所述第二参数包括发动机起动温度、发动机转速、发动机冷却水温和发动机负荷。
5.根据权利要求1所述的控制参数标定方法,其特征在于,所述第一简化模型、所述第二简化模型以及所述第三简化模型中的至少一个采用向量化方法计算。
6.根据权利要求1所述的控制参数标定方法,其特征在于,所述评估环节包括:
将所述目标当量空燃比曲线转化为目标起动后暖机因子曲线;
将所述预测环节的计算得到的起动后暖机因子与所述目标起动后暖机因子曲线进行比较,将两者的吻合程度作为所述评估结果。
7.根据权利要求6所述的控制参数标定方法,其特征在于,所述吻合程度的评价指标包括所述预测环节的计算结果与所述目标起动后暖机因子曲线的均方差。
8.根据权利要求1所述的控制参数标定方法,其特征在于,所述优化环节采用启发式算法生成多组不同取值的控制参数。
9.根据权利要求8所述的控制参数标定方法,其特征在于,所述启发式算法包括差分进化算法。
10.根据权利要求8所述的控制参数标定方法,其特征在于,所述优化环节采用并行计算加速优化过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200520.9A CN112782974B (zh) | 2020-11-02 | 2020-11-02 | 一种控制参数标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200520.9A CN112782974B (zh) | 2020-11-02 | 2020-11-02 | 一种控制参数标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112782974A true CN112782974A (zh) | 2021-05-11 |
CN112782974B CN112782974B (zh) | 2023-01-10 |
Family
ID=75750153
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011200520.9A Active CN112782974B (zh) | 2020-11-02 | 2020-11-02 | 一种控制参数标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112782974B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687643A (zh) * | 2021-08-31 | 2021-11-23 | 重庆长安新能源汽车科技有限公司 | 一种电动汽车的电机主动短路功能测试系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172274A1 (en) * | 2012-12-13 | 2014-06-19 | GM Global Technology Operations LLC | Systems and methods for fuel control during cold starts |
CN104912680A (zh) * | 2015-06-26 | 2015-09-16 | 潍柴动力股份有限公司 | 汽车发动机及其暖机控制方法、装置 |
CN106774256A (zh) * | 2016-12-17 | 2017-05-31 | 广州汽车集团股份有限公司 | 一种整车冷起动自动标定系统及方法 |
CN109839549A (zh) * | 2017-11-24 | 2019-06-04 | 上海汽车集团股份有限公司 | 整车启动系统工作状态的实时监测方法和装置 |
CN111651913A (zh) * | 2020-05-13 | 2020-09-11 | 上海交通大学 | 一种汽车发动机性能预测及辅助标定方法及系统 |
-
2020
- 2020-11-02 CN CN202011200520.9A patent/CN112782974B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172274A1 (en) * | 2012-12-13 | 2014-06-19 | GM Global Technology Operations LLC | Systems and methods for fuel control during cold starts |
CN104912680A (zh) * | 2015-06-26 | 2015-09-16 | 潍柴动力股份有限公司 | 汽车发动机及其暖机控制方法、装置 |
CN106774256A (zh) * | 2016-12-17 | 2017-05-31 | 广州汽车集团股份有限公司 | 一种整车冷起动自动标定系统及方法 |
CN109839549A (zh) * | 2017-11-24 | 2019-06-04 | 上海汽车集团股份有限公司 | 整车启动系统工作状态的实时监测方法和装置 |
CN111651913A (zh) * | 2020-05-13 | 2020-09-11 | 上海交通大学 | 一种汽车发动机性能预测及辅助标定方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687643A (zh) * | 2021-08-31 | 2021-11-23 | 重庆长安新能源汽车科技有限公司 | 一种电动汽车的电机主动短路功能测试系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112782974B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3617915B1 (en) | Engine virtual test environment system and engine management system mapping method | |
CN111337258B (zh) | 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 | |
Shen et al. | Gaussian mixture model clustering-based knock threshold learning in automotive engines | |
KR102206324B1 (ko) | 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법 | |
JP2003013794A (ja) | 車両用制御パラメータの適合方法及び適合装置 | |
CN110442974B (zh) | 马蹄焰玻璃窑蓄热室性能优化方法和装置 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
JP4286880B2 (ja) | 制御パラメータを探索するためのプログラム | |
EP2104014B1 (en) | Apparatus and method for optimizing measurement points for measuring object to be controlled | |
CN112782974B (zh) | 一种控制参数标定方法 | |
Pal et al. | Constrained surrogate-based engine calibration using lower confidence bound | |
CN113673089B (zh) | 一种发动机性能确定方法、装置以及电子设备 | |
US20090204376A1 (en) | Method for measuring a nonlinear dynamic real system | |
RU2697943C1 (ru) | Устройство управления двигателем внутреннего сгорания | |
Cosadia et al. | Traversing the V-Cycle with a Single Simulation-Application to the Renault 1.5 dCi Passenger Car Diesel Engine | |
CN114934848B (zh) | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 | |
CN112883653B (zh) | 基于人工智能的发动机实时模型的建模方法 | |
CN112415892B (zh) | 一种汽油机起动标定控制参数优化方法 | |
CN111275320B (zh) | 一种发电机组的性能调整数据处理方法、系统和存储介质 | |
Wagner et al. | Low-order map approximations of lean cyclic dispersion in premixed spark ignition engines | |
CN107092723B (zh) | 双韦伯燃烧规则经验参数自动校准方法 | |
CN106960092B (zh) | 韦伯燃烧规则经验参数自动校准方法 | |
CN114676525A (zh) | 一种发动机水套放热量仿真预测方法、系统 | |
CN112182744B (zh) | 一种egr率预测方法、装置、设备和介质 | |
Arbuckle et al. | Optimization strategies applied to exhaust system design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |