CN102567782A - 一种基于神经网络的汽车发动机转矩的估算方法 - Google Patents
一种基于神经网络的汽车发动机转矩的估算方法 Download PDFInfo
- Publication number
- CN102567782A CN102567782A CN2011104327377A CN201110432737A CN102567782A CN 102567782 A CN102567782 A CN 102567782A CN 2011104327377 A CN2011104327377 A CN 2011104327377A CN 201110432737 A CN201110432737 A CN 201110432737A CN 102567782 A CN102567782 A CN 102567782A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- engine
- training
- motor car
- 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.)
- Pending
Links
Images
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于神经网络的汽车发动机转矩的估算方法,属于汽车发动机技术领域。它解决了现有技术中发动机的输出转矩的测量困难和估算不准确的问题。本发明的主要步骤如下:(1)设置网络规模,建立神经网络模型;(2)以实验台发动机测试得到实验数据作为学习数据,对学习数据进一步预处理后获取学习样本;(3)对各组学习样本分别采用BP算法训练神经网络得到个体网络的最优模型参数及其权值,并集成个体网络;(4)发动机输出转矩估算,把检测到的实时汽车发动机油门开度和发动机转速输入训练好的集成神经网络,神经网络输出发动机输出转矩的估计值。该方法能有效地估算出发动机的输出转矩,且易于实现、逻辑性强。
Description
技术领域
本发明属于汽车发动机技术领域,涉及一种基于神经网络的汽车发动机转矩的估算方法。
背景技术
转矩或功率的控制是并联式混合动力汽车的能量管理策略,其中基于功率的控制在进行功率分配时会受到发动机和电动机转速变化的影响,而控制转矩则相对简单且方便易行,只要控制发动机和电动机在进行状态切换时的转矩即可。对于控制转矩的能量管理策略方式在进行协调控制时,首先要估算出发动机的转矩用于反馈。
现有的技术中对于发动机转矩的反馈方法主要有两类:利用转矩传感器直接测量,但成本高,且在实车上安装传感器比较困难,同时转矩传感器的有效使用期短;另一种方法是间接估算出发动机的转矩。而通常估算转矩的方式有两种:基于发动机平均值模型、基于发动机曲轴瞬时转速。这两种方法的工作量非常庞大,而且在很多情况下难以真实的反映发动机这个复杂非线系统的特性,转矩估算的误差较大。
BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。
神经网络不仅具有网络学习速度快、网络推理精度高的优点,而且对于一些复杂的非线性而又难以建立数学模型的问题也能很好的解决。由于神经网络可以充分得逼近任意不确定系统的非线性关系,且能进行大规模并行运算、容错能力强、快速寻找优化解和联想存储等能力。如何很好的把神经网络运用到汽车发动机转矩的估算方法中,一直是并联式混合动力汽车发动机和电动机协调控制的研究重点。
发明内容
本发明针对现有的技术存在上述问题,提出了一种基于神经网络的汽车发动机转矩的估算方法,该方法以较小的计算代价、强大的泛化能力有效地估算出发动机的输出转矩,且易于实现、逻辑性强。
本发明通过下列技术方案来实现:
一种基于神经网络的汽车发动机转矩的估算方法,主要步骤如下:
(1)设置网络规模,建立神经网络模型
取汽车发动机油门开度和发动机转速作为输入量,发动机的输出转矩为输出量来构建适应输入输出地集成神经网络系统,选用BP神经网络用于实现汽车发动机转矩的建模;
BP神经网络是一种按误差逆传播算法训练的多层前馈网络,BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。
(2)获取学习样本
以发动机台架试验测试得到的发动机油门开度、发动机转速作为输入量和相应发动机输出转矩为输出量的实验数据作为学习数据,对学习数据进一步预处理后为学习样本;
利用发动机台架试验的真实实验数据既提高操作的方便性,同时又不失真实性。试验台可以选用AVL公司的PUMA试验台进行实验数据的收集,实验数据包括α(10%~40%)、发动机转述n(800~4800r/min),及在上述情况下对应输出地发动机输出转矩Te(N.m)。
(3)训练BP神经网络,并集成个体网络
在步骤(1)确定的BP神经网络模型和步骤(2)得到的学习样本的基础上,对各组学习样本分别采用BP算法训练神经网络得到个体网络的最优模型参数及其权值,并集成个体网络;
BP算法为误差反向传播算法,在学习过程中由两个过程组成:信号的正向传播与误差的反向传播。正向传播方式为:从输入层输入学习样本经过各隐层进行处理后经输出层输出。若输出层实际输出与期望输出对比,则转入误差反向传播过程。误差反向传播方式为:输出值与期望输出值的对比输出误差反向逐层通过隐层并输出返回给输入层。通过将输出误差反传,将误差分摊给各层所有单元,从而获得各层单元的误差信号,进而修正各单元的权值,即为一个权值的调整的过程。正向传播与误差反向传播的各层权值调整过程周而复始地进行,一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。权值不断调整的过程结束,则网络的学习训练过程完成。
(4)发动机输出转矩估算
把检测到的实时汽车发动机油门开度和发动机转速输入到步骤(3)训练好的集成神经网络,神经网络输出发动机输出转矩的估计值。
利用训练好的神经网络,输入发动机任何油门开度和发动机转速,神经网络能准确估算出发动机输出转矩。
在上述基于神经网络的汽车发动机转矩的估算方法中,所述的步骤(1)中集成神经网络通过集成多个神经网络弱学习器,对训练样本进行拟合。
采用集成多个神经网络弱学习器的方法有效提高了系统的预测精度和稳定性,同时增强系统的泛化能力。
在上述基于神经网络的汽车发动机转矩的估算方法中,所述的步骤(2)中以汽车发动机的油门开度与发动机转速的期望输入和在该发动机油门开度和转速下对应的发动机输出转矩的期望输出为学习数据,在整个量程内以油门开度和发动机转速的一定间隔获取多组学习数据。
在整个量程内以等油门开度和等发动机转速间隔取多组学习数据的方式使得下一步在数据的预处理中,对于误差较大的值能够更加容易查找剔除掉。使得学习样本的精准度更高。
在上述的基于神经网络的汽车发动机转矩的估算方法中,所述的步骤(2)中学习数据的预处理方式有以下两步:
第一步,对学习数据进行归一化处理,使其范围在0~1之间;
第二步,将归一化后的数据划分为三类:①所有的实验数据称为所有数据;②在上述的所有数据中通过剔除各油门开度误差较大的数据或插值少量数据的方式进行筛选,筛选出后的数据为部分数据;③将上述的部分数据根据相同的油门开度进行分组,相同的油门开度分为一组,该组数据称为分组数据,且每组分组数据按发动机转速大小进行排列。
在上述的基于神经网络的汽车发动机转矩的估算方法中,所述的学习样本包括部分数据、分组数据。
在上述的基于神经网络的汽车发动机转矩的估算方法中,所述的训练神经网络的方式是先把分组数据依次输入神经网络的输入层,对神经网络进行BP算法的分组数据训练,在训练完分组数据后再输入部分数据对神经网络进行部分数据训练。
对实验数据的高效预处理是有效进行神经网络训练的前提,精化学习样本,同时通过训练方式的不同,对学习样本进行高精度拟合,使训练成的神经网络模型不仅能够提高神经网络模型的曲线拟合度,同时还能在任何一个油门开度在其对应发动机转速下准确估算出发动机的输出转矩。
在上述的基于神经网络的汽车发动机转矩的估算方法中,所述的训练神经网络的方式是把部分数据直接输入神经网络的输入层,对神经网络进行BP算法的数据训练。
在上述的基于神经网络的汽车发动机转矩的估算方法中,所述的步骤(1)中建立的神经网络模型为利用matlab软件建立0.0001训练精度下的simulink模型,所述的simulink模型中所用的隐层传递函数为tan-sigmod函数,输出层传递函数为log-sigmod函数。
在建立神经网络模型时选择上述合适的传递函数,不仅能正确反映出油门开度、转速与转矩之间的函数关系,同时能够估算出准确地转矩。而且训练精度越高,训练的神经网络模型的曲线拟合相关度也随之提高,但过高的训练精度不能对输出值进行准确地估算,因此确定准确地的训练精度对本发明的估算输出转矩有很大的影响。根据实验证明0.0001训练精度下地神经网络模型不仅曲线拟合相关度高,同时估算出的发动机输出转矩更接近实际值。
在上述的基于神经网络的汽车发动机转矩的估算方法中,所述的步骤(1)中BP神经网络为3层(5×4×1)神经网络。建立准确地神经网络模型除了要选择合适的传递函数,同时要神经网络的层数、神经元数目都对神经网络有一定的影响。神经网络层数越多,神经元的数目就可越多。对层数不同的神经网络,只要选择好各自合适的神经元数目和训练精度就能达到最优的训练结果。无论层数增多还是神经元数目增多,神经网络训练所用的学习时间就会越长。神经网络层数层数过多时,反向传播误差信号在靠近输入层时就越不可靠,用这个不可靠的误差来修正权值,会使网络学习效果变差。
在上述的基于神经网络的汽车发动机转矩的估算方法中,所述的步骤(1)中BP神经网络为2层(3×1)神经网络根据不同模型训练结果对比,确定神经网络层数为2层时不仅曲线拟合相关度高,同时发动机的输出转矩估算值准确性高,神经网络层数为2层时时神经网络的汽车发动机转矩的估算最优模式。
在上述的基于神经网络的汽车发动机转矩的估算方法中,所述的神经网络包括多节点的输入层、多节点的隐层和单节点的输出层。在神经网络层数已经确定的基础上,神经元数目太少会造成网络的不适性,而神经元数目太多又回引起神经网络的过适性。同时神经元数目越多或神经网络层数越多,该神经网络可设置的训练精度就越高。
现有技术相比,本发明具有以下优点:
1、本发明采用神经网络BP算法来实现对发动机输出转矩的估算,所需的输入量油门开度和发动机转速容易检测,从而使得对于估算的发动机的实际转矩更加方便,且由于神经网络泛化能力强,发动机实际转矩的估计值比较准确,范围广。
2、本发明采用多个网络的适当程度地对数据样本进行拟合,使得不同的网络之间具有一定的差异度,有效地提高集成网络的总体泛化误差,有效提高汽车能量管理的稳定性和协调控制精度。
3、本发明通过对实验数据的预处理作为神经网络的学习样本,控制了神经网络的学习学习时间,同时提高学习效果。
4、本发明在学习样本的基础上对神经网络的训练模式进行了改进,通过先训练分组数据再训练部分数据,该训练方式可以提高神经网络的训练精度,同时提高曲线拟合相关度。
5、本发明对比多层神经网络不同训练精度情况下的神经网络模型对应不同的训练方式得到的实验结果确定最后模式下的神经网络在发动机转矩估算中的最后确定最优模式为二层神经网络。该模式具有可靠的实验认证,具有真实性,效果明显。
附图说明
图1是本发明的实现过程示意图;
图2是本发明的神经网络训练示意图;
图3是本发明的多层神经网络结构示意图;
图4是本发明采用的BP网络的训练原理示意图;
图5是本发明的三层BP网络实验结果对比示意图;
图6是通过实验台测出的实验数据表格;
图7是本发明的二层BP网络实验结果对比示意图。
具体实施方式
以下是本发明的具体实施例并结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
实施例一,如图1、图2、图3、图4所示,一种基于神经网络的汽车发动机转矩的估算方法,其特征在于,主要步骤如下:
(1)设置网络规模,建立神经网络模型
取汽车发动机油门开度和发动机转速作为输入量,发动机的输出转矩为输出量来构建适应输入输出地集成神经网络系统,集成神经网络通过集成多个神经网络弱学习器,对训练样本进行拟合。选用具有多节点的输入层、多节点的隐层、单节点的输出层结构的三层BP神经网络用于实现汽车发动机转矩的建模。
利用matlab软件建立0.0001训练精度下的simulink模型为神经网络模型,simulink模型中所用的隐层传递函数为tan-sigmod函数,输出层传递函数为log-sigmod函数。建立3层(5×4×1)网络的神经网络模型。
(2)获取学习样本
以实验台发动机测试得到的发动机油门开度、发动机转速作为输入量和相应发动机输出转矩为输出量的实验数据作为学习数据,对学习数据进一步预处理后为学习样本,学习样本包括部分数据、分组数据。
以汽车发动机的油门开度和发动机转速的期望输入和在该发动机油门开度和转速下对应的发动机输出转矩的期望输出为学习数据。
学习数据的预处理方式有以下两步:
第一步,对学习数据进行归一化处理,使其范围在0~1之间;
第二步,将归一化后的数据划分为三类:①所有的实验数据称为所有数据;②在上述的所有数据中通过剔除各油门开度误差较大的数据或插值少量数据的方式进行筛选,筛选出后的数据为部分数据;③将上述的部分数据根据相同的油门开度进行分组,相同的油门开度分为一组,该组数据称为分组数据,且每组分组数据按发动机转速大小进行排列。
(3)训练BP神经网络,并集成个体网络
在步骤(1)确定的BP神经网络模型和步骤(2)得到的学习样本的基础上,对各组学习样本分别采用BP算法训练神经网络得到个体网络的最优模型参数及其权值,并集成个体网络;
训练神经网络的方式是先把分组数据依次输入神经网络的输入层,对神经网络进行BP算法的分组数据训练,在训练完分组数据后再输入部分数据对神经网络进行部分数据训练。
(4)发动机输出转矩估算
把检测到的实时汽车发动机油门开度和发动机转速输入到步骤(3)训练好的集成神经网络,神经网络输出发动机输出转矩的估计值。
如图4所示,BP误差反向传播算法,在学习过程中由两个过程组成:信号的正向传播与误差的反向传播。正向传播方式为:从输入层输入学习样本经过各隐层进行处理后经输出层输出。若输出层实际输出与期望输出对比,则转入误差反向传播过程。误差反向传播方式为:输出值与期望输出值的对比输出误差反向逐层通过隐层并输出返回给输入层。通过将输出误差反传,将误差分摊给各层所有单元,从而获得各层单元的误差信号,进而修正各单元的权值,即为一个权值的调整的过程。正向传播与误差反向传播的各层权值调整过程周而复始地进行,一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。权值不断调整的过程结束,则网络的学习训练过程完成。
下面进行三层BP神经网络的对比实验来阐述训练精度和训练方式对估算结果的影响:
通过matlab软件,选用隐层传递函数为tan-sigmod函数,输出层传递函数为log-sigmod函数的simulink模型,建立3层(5×4×1)网络神经网络模型,此神经网络含有两个输入量的输入层、隐层和一个节点的输出层。
如图6所示,选用AVL公司的PUMA试验台进行实验数据的收集,实验数据包括α(10%~40%)、发动机转述n(800~4800r/min),及在上述情况下对应输出地发动机输出转矩Te(N.m)。包含如图6所有的实验数据称为所有数据,在进行对神经网络训练之前先对实验数据进行预处理。对表格中的实验数据进行归一化处理,即实验数据在0~1之间,方便在图标上进行显示。同时剔除实验数据中误差较大的数据,如α=40%,n=1000r/min时的转矩Te明显过大,进行剔除,通过上述方式进行剔除或插入的小数数据后剩下的实验数据为部分数据;根据油门开度相同把部分数据分成若干组,对应图6的实验数据分成四组,分别为P1=[α10;n],P2=[α20;n],P3=[α30;n],P4=[α40;n],表示发动机油门开度α分别在10%、20%、30%、40%的情况下对应的发动机转速和转矩,上述根据油门开度分组的数据为分组数据。
选择不同的训练精度和学习样本输入建立好的神经网络模型中,对神经网络进行训练,得到如图5的各种实验结果对比图,下面对图5的实验结果进行分析:
图5中图(a)是只对部分数据进行神经网络模型训练的结果,通过观察图(a)中的网络估计数据、网络拟合数据和实验数据可以看出,网络拟合数据与实验数据充分拟合,可见只对部分数据进行训练的训练方式训练的神经网络模型的曲线拟合度相关度比较高,基本达到99.9%;同时看网络估计数据曲线和网络拟合数据曲线的间隔均匀程度可以观察出,只对部分数据进行训练的神经网络模型在估算准确度一般,基本达到85%。此训练模式的训练精度为0.0001。
图5中图(b)是对神经网络依次进行先分组数据训练,分组数据全部训练完后再进行部分数据训练的神经网络实验结果,同理这种训练方式下地神经网络模型的曲线拟合度相关度跟部分数据进行训练的曲线拟合度相关度相同,估算结果较好,基本达到90%。此训练模式的训练精度为0.0001。
图5中图(c)是对神经网络依次进行先分组数据训练,分组数据全部训练完后再进行部分数据训练的神经网络实验结果,此训练模式的训练精度同时可达到0.00001,此实验结果显示该曲线的拟合度相关度可达100%,但是估算准确度较差。同时,对比图(a)、图、(b)、图(c)可以看出,对神经网络模型先进行分组数据训练再训练部分数据的方式可以提高训练精度或估算准确度。
图5中图(d)是对神经网络模型先进行部分数据训练,在训练部分数据训练好的神经网络上再进行分组数据训练的实验结果,训练精度为0.0001,在图(d)可以看出网络拟合数据与实验数据偏离较大,同时网络估计数据曲线可以看出,估算的转矩偏离实际值较大。可见先训练部分数据再进行训练分组数据的训练方式不可取。
通过对神经网络的训练模式进行对比实验后,可以看出单独的部分数据训练方式和先训练分组数据再训练部分数据的神经网络训练方式在三层神经网络建模下,曲线拟合相关度和估算结果都比较准确。先训练分组数据后再训练部分数据的训练方式不仅可以提高神经网络的训练精度,在曲线拟合相关度上更好,注意训练精度,估计结果的准确度也较高。
汽车上安装有发动机油门开度传感器和发动机转速传感器,油门开度传感器和转速传感器实时对运行中的汽车进行特定位置的检测,同时传感器把检测到的实时汽车发动机油门开度和发动机转速输出,并输入到步骤(3)中训练好的集成神经网络中,神经网络根据发动机的油门开度和发动机转速情况实时估算出发动机输出转矩,并输出发动机输出转矩的估计值给并联式混合动力汽车的能量管理系统中,使并联式混合动力汽车的能量管理能够更加简便、高效的实行监控和管理。
实施例二,如图1、图2所示,同上实施例一的方法建立具有2层(3×1)网络的BP神经网络用于实现汽车发动机转矩的建模,对比图5和图7在不同层不同训练精度下的对比实验结果,可确定估算输出转矩的神经网络最优模式。所建立的两层神经网络为2个输入量,3个节点的隐层和一个输出层。,
如图7所示,下面进行二层BP神经网络对比部分数据和先训练分组数据后再训练实验来阐述本发明的估算方法所带来的有益效果:
图7中图(a′)为对部分数据进行训练的神经网络的实验结果图,训练精度为0.0001,由图的实验结果可以看出对于部分数据训练的二层神经网络模型的曲线拟合相关度高达99.9%,同时输出转矩的估算结果也比较准确。
图7中图(b′)为先依次训练分组数据后再训练部分数据得到的神经网络的实验结果图,训练精度为0.0001,由图的实验结果可以看出此训练方式下训练成的神经网络模型的曲线拟合相关度高达99.9%,同时输出转矩的估算结果准确度也比较高。
总结两个实施例的不同实验结果,可见本发明的两种训练模式在三层神经网络和二神经网络上能很好的实现,但先依次训练分组数据后再训练部分数据的训练方式可以提高训练精度,在曲线拟合方面更优。同时对比图5中的(b)图和图7图(b′)图在转矩的估算准确度图7图(b′)表现更优,即训练精度为0.0001的先训练分组数据再训练部分数据的训练方式下二层神经网络模型为最优模型。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于神经网络的汽车发动机转矩的估算方法,其特征在于,主要步骤如下:
(1)设置网络规模,建立神经网络模型
取汽车发动机油门开度和发动机转速作为输入量,发动机的输出转矩为输出量来构建适应输入输出地集成神经网络系统,选用具有输入层、隐层、输出层结构的BP神经网络用于实现汽车发动机转矩的建模;
(2)获取学习样本
以实验台发动机测试得到的发动机油门开度、发动机转速作为输入量和相应发动机输出转矩为输出量的实验数据作为学习数据,对学习数据进一步预处理后为学习样本;
(3)训练BP神经网络,并集成个体网络
在步骤(1)确定的BP神经网络模型和步骤(2)得到的学习样本的基础上,对各组学习样本分别采用BP算法训练神经网络得到个体网络的最优模型参数及其权值,并集成个体网络;
(4)发动机输出转矩估算
把检测到的实时汽车发动机油门开度和发动机转速输入到步骤(3)训练好的集成神经网络,神经网络输出发动机输出转矩的估计值。
2.根据权利要求1所述的基于神经网络的汽车发动机转矩的估算方法,其特征在于,所述的步骤(1)中集成神经网络通过集成多个神经网络弱学习器,对训练样本进行拟合。
3.根据权利要求1所述的基于神经网络的汽车发动机转矩的估算方法,其特征在于,所述的步骤(2)中以汽车发动机的油门开度和发动机转速的期望输入和在该发动机油门开度和转速下对应的发动机输出转矩的期望输出为学习数据,在整个量程内以油门开度和发动机转速的一定间隔获取多组学习数据。
4.根据权利要求1所述的基于神经网络的汽车发动机转矩的估算方法,其特征在于,所述的学习样本包括部分数据、分组数据,所述的步骤(2)中学习数据的预处理方式有以下两步:
第一步,对学习数据进行归一化处理,使其范围在0~1之间;
第二步,将归一化后的数据划分为三类:①所有的实验数据称为所有数据;②在上述的所有数据中通过剔除各油门开度误差较大的数据或插值少量数据的方式进行筛选,筛选出后的数据为部分数据;③将上述的部分数据根据相同的油门开度进行分组,相同的油门开度分为一组,该组数据称为分组数据,且每组分组数据按发动机转速大小进行排列,
5.根据权利要求5所述的基于神经网络的汽车发动机转矩的估算方法,其特征在于,所述的训练神经网络的方式是把部分数据直接输入神经网络的输入层,对神经网络进行BP算法的数据训练。
6.根据权利要求5所述的基于神经网络的汽车发动机转矩的估算方法,其特征在于,所述的训练神经网络的方式是先把分组数据依次输入神经网络的输入层,对神经网络进行BP算法的分组数据训练,在训练完分组数据后再输入部分数据对神经网络进行部分数据训练。
7.根据权利要求1所述的基于神经网络的汽车发动机转矩的估算方法,其特征在于,所述的步骤(1)中建立的神经网络模型为利用matlab软件建立0.0001训练精度下的simulink模型,所述的simulink模型中所用的隐层传递函数为tan-sigmod函数,输出层传递函数为log-sigmod函数。
8.根据权利要求1所述的基于神经网络的汽车发动机转矩的估算方法,其特征在于,所述的步骤(1)中BP神经网络为3层(5×4×1)的神经网络。
9.根据权利要求1所述的基于神经网络的汽车发动机转矩的估算方法,其特征在于,所述的步骤(1)中BP神经网络为2层(3×1)神经网络。
10.根据权利要求1所述的基于神经网络的汽车发动机转矩的估算方法,其特征在于,所述的BP神经网络包括多节点的输入层、多节点的隐层和单节点的输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104327377A CN102567782A (zh) | 2011-12-21 | 2011-12-21 | 一种基于神经网络的汽车发动机转矩的估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104327377A CN102567782A (zh) | 2011-12-21 | 2011-12-21 | 一种基于神经网络的汽车发动机转矩的估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102567782A true CN102567782A (zh) | 2012-07-11 |
Family
ID=46413154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104327377A Pending CN102567782A (zh) | 2011-12-21 | 2011-12-21 | 一种基于神经网络的汽车发动机转矩的估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102567782A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568256A (zh) * | 2014-10-07 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 发动机扭矩检测系统及方法 |
CN107092274A (zh) * | 2017-06-13 | 2017-08-25 | 长沙灵动航空科技有限公司 | 一种基于油电混合的无人机控制方法 |
CN109849656A (zh) * | 2019-03-28 | 2019-06-07 | 潍柴动力股份有限公司 | 一种油门开度的调整方法及装置 |
CN110298374A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
CN111177868A (zh) * | 2020-01-02 | 2020-05-19 | 辽宁石油化工大学 | 一种基于bp神经网络降低全特性空间曲面拟合误差的方法 |
CN112610339A (zh) * | 2021-01-13 | 2021-04-06 | 南京航空航天大学 | 一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法 |
CN114749899A (zh) * | 2022-03-28 | 2022-07-15 | 五邑大学 | 基于强化学习的电批锁附螺丝方法及系统 |
WO2023124893A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳先进技术研究院 | 基于神经网络的转矩估测方法、装置、设备及存储介质 |
CN117590989A (zh) * | 2024-01-19 | 2024-02-23 | 天津市新策电子设备科技有限公司 | 基于神经网络的电机转速在线估算装置及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067401A (zh) * | 2006-05-02 | 2007-11-07 | 通用汽车环球科技运作公司 | 冗余转矩安全通路 |
CN101630144A (zh) * | 2009-08-18 | 2010-01-20 | 湖南大学 | 电子节气门的自学习逆模型控制方法 |
CN102278391A (zh) * | 2011-06-28 | 2011-12-14 | 北京工业大学 | 一种基于转速的离合器控制方法 |
-
2011
- 2011-12-21 CN CN2011104327377A patent/CN102567782A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067401A (zh) * | 2006-05-02 | 2007-11-07 | 通用汽车环球科技运作公司 | 冗余转矩安全通路 |
CN101630144A (zh) * | 2009-08-18 | 2010-01-20 | 湖南大学 | 电子节气门的自学习逆模型控制方法 |
CN102278391A (zh) * | 2011-06-28 | 2011-12-14 | 北京工业大学 | 一种基于转速的离合器控制方法 |
Non-Patent Citations (4)
Title |
---|
严运兵等: "并联混合动力汽车的发动机转矩估计", 《汽车工程》 * |
吴晓刚等: "发动机输出转矩的改进BP神经网络估计", 《电机与控制学报》 * |
杜常清等: "基于BP神经网络的发动机转矩估计", 《汽车工程》 * |
胡建军等: "神经网络的BP算法在发动机建模中的应用", 《重庆大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104568256A (zh) * | 2014-10-07 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 发动机扭矩检测系统及方法 |
CN107092274A (zh) * | 2017-06-13 | 2017-08-25 | 长沙灵动航空科技有限公司 | 一种基于油电混合的无人机控制方法 |
CN109849656B (zh) * | 2019-03-28 | 2021-04-16 | 潍柴动力股份有限公司 | 一种油门开度的调整方法及装置 |
CN109849656A (zh) * | 2019-03-28 | 2019-06-07 | 潍柴动力股份有限公司 | 一种油门开度的调整方法及装置 |
CN110298374A (zh) * | 2019-05-09 | 2019-10-01 | 清华大学 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
CN110298374B (zh) * | 2019-05-09 | 2021-07-20 | 清华大学 | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 |
CN111177868A (zh) * | 2020-01-02 | 2020-05-19 | 辽宁石油化工大学 | 一种基于bp神经网络降低全特性空间曲面拟合误差的方法 |
CN112610339A (zh) * | 2021-01-13 | 2021-04-06 | 南京航空航天大学 | 一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法 |
CN112610339B (zh) * | 2021-01-13 | 2021-12-28 | 南京航空航天大学 | 一种基于适量信息融合卷积神经网络的变循环发动机参数估计方法 |
WO2023124893A1 (zh) * | 2021-12-31 | 2023-07-06 | 深圳先进技术研究院 | 基于神经网络的转矩估测方法、装置、设备及存储介质 |
CN114749899A (zh) * | 2022-03-28 | 2022-07-15 | 五邑大学 | 基于强化学习的电批锁附螺丝方法及系统 |
CN117590989A (zh) * | 2024-01-19 | 2024-02-23 | 天津市新策电子设备科技有限公司 | 基于神经网络的电机转速在线估算装置及方法 |
CN117590989B (zh) * | 2024-01-19 | 2024-04-30 | 天津市新策电子设备科技有限公司 | 基于神经网络的电机转速在线估算装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102567782A (zh) | 一种基于神经网络的汽车发动机转矩的估算方法 | |
CN110245745B (zh) | 基于集成双向循环神经网络的设备剩余使用寿命预测方法 | |
CN104849671B (zh) | 一种基于组合神经网络的电池组容量检测系统 | |
CN109978229A (zh) | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 | |
CN109828304B (zh) | 一种基于深度学习的利用地震数据预测岩性序列模型的方法 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
CN108038300A (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
Mamo et al. | Long short-term memory with attention mechanism for state of charge estimation of lithium-ion batteries | |
CN106501721A (zh) | 一种基于生物进化的锂电池soc估算方法 | |
CN105644548A (zh) | 混合动力汽车的能量控制方法及装置 | |
EP3871938A1 (en) | Method and device for determining pavement rating, storage medium and automobile | |
Wu et al. | The SOC estimation of power Li-Ion battery based on ANFIS model | |
CN106401757B (zh) | 发动机的断缸模式实现方法、系统及车辆 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN108804800A (zh) | 基于回声状态网络的锂离子电池soc在线预测方法 | |
CN108830325A (zh) | 一种基于学习的振动信息地形分类识别方法 | |
CN111597750A (zh) | 一种基于bp神经网络的混合动力汽车能量管理方法 | |
CN107168292A (zh) | 基于elm算法的水下航行器电路故障诊断方法 | |
CN113657651A (zh) | 基于深度迁移学习的柴油车排放预测方法、介质及设备 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
Wei | Design of Web based expert system of electronic control engine fault diagnosis | |
CN110077389B (zh) | 一种插电式混合动力电动汽车能量管理方法 | |
Pau et al. | Microcontroller architectures for battery state of charge prediction with tiny neural networks | |
CN114676870A (zh) | 车速预测方法、车速预测模型训练方法和相关装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120711 |