CN107545122A - 一种基于神经网络的车辆气体排放物的模拟仿真系统 - Google Patents
一种基于神经网络的车辆气体排放物的模拟仿真系统 Download PDFInfo
- Publication number
- CN107545122A CN107545122A CN201710891692.7A CN201710891692A CN107545122A CN 107545122 A CN107545122 A CN 107545122A CN 201710891692 A CN201710891692 A CN 201710891692A CN 107545122 A CN107545122 A CN 107545122A
- Authority
- CN
- China
- Prior art keywords
- neutral net
- module
- simulation
- vehicle
- emission
- 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
Abstract
本发明涉及一种基于神经网络的车辆气体排放物的模拟仿真系统,包括:基础仿真模型建立模块、神经网络输入数据处理模块、神经网络模型模块、神经网络训练模块和排放物计算输出模块。首先,基础仿真模型建立模块对发动机、传动系统及整车建立模型。然后,神经网络输入数据处理模块对模型进行仿真,得到原始排放数据。原始排放数据、催化器参数和排放影响条件相结合,得到神经网络模型模块的输入数据。神经网络模型模块对输入数据完成模拟计算,得到整车的最终排放数据。最后,排放物计算输出模块加入特殊工况,对最终排放数据进行修正。本发明结合神经网络技术和整车在运行测试循环时排放物的生成及转化规律,准确的对整车排放结果进行预测。
Description
技术领域
本发明涉及乘车辆性能模拟仿真,具体涉及一种基于神经网络的车辆气体排放物的模拟仿真系统。
背景技术
汽车领域节能减排的要求中,整车性能的两个最重要的指标是油耗和排放。整车性能开发过程中的设计、选型和匹配工作也都围绕着这两个关键指标进行。在整车开发过程中,CAE(Computer Aided Engineering)工具得到了广泛的应用,随着CAE应用的日益成熟,可以在整车开发早期对性能进行分析和评价,从而可以指导设计、选型和匹配工作更加合理,减少开发轮次和整车试验工作量,缩短开发周期并节约开发成本。
乘用车的油耗和排放法规测试都是整车结构开发完成后,在底盘测功机上完成的,如果最终测试的结果不能够满足法规要求,则需要对整车的初始设计及匹配方案重新调整改进,增加了开发风险、开发周期和开发成本,所以对乘用车而言,应用CAE工具进行早期的油耗和排放测试就显得尤其重要。目前,对于整车油耗的模拟仿真技术已经发展的非常成熟,形成了一套完善的仿真和评价体系,但是排放方面尽管有多种模拟仿真的尝试,但大多存在很大的局限性,真正在整车开发过程中得到实际应用的并不多。汽车尾管排放物主要由发动机原始排放和催化器转换效率这两个主要因素决定,排放测试结果又受到多种因素的影响,如发动机的原始排放、运行状态、暖机过程、催化器起燃过程、催化器的结构及配方等,涉及到多种复杂的物理和化学过程,要进行详细的模拟预测确实存在着较大的挑战。
目前,汽车排放物模拟仿真尝试主要集中在两个方向,一种是催化器效率采用一个经验值,采用缸内燃烧的CFD(Computational Fluid Dynamics)模拟发动机原始排放。另一种是发动机原始排放采用发动机台架测试数据,通过模拟发动机催化器内的物理和化学反应来预测催化器转换效率。然而这两种方法都存在一定的局限性,第一种方法需要对复杂的燃烧过程中的物理化学过程进行模拟,需要建立发动机与燃烧相关结构的详细三维模型,并且划分数量巨大的网格,导致计算时间长,累计误差大,中间过程对最终结果的影响因素多,整体精度不高,并且不能很好的反映催化器转化效率的影响因素。第二种方法主要对催化器中化学反应进行模拟,需要定义化学反应方程式并应用已有试验数据标定化学反应系数,决定催化转换效率,并与发动机原始排放的试验数据相结合进行最终排放物的预测,这种方法对起燃过程、暖机过程等影响因素考虑的不够,而且化学反应系数标定的过程也非常复杂,已有数据标定的化学反应系数只与当前催化器的结构和配方对应,对于其他催化器方案的代表性差,并且这种方法采用发动机原始排放的测试数据不能很好的反映发动机瞬态排放性能,适用性不好。
发明内容
本发明的目的是基于试验数据和排放物催化转化规律的半经验模拟仿真系统,结合神经网络技术和整车在运行测试循环时排放物的生成及转化规律,提出一种在整车开发初期就能够准确的对整车排放结果进行预测的模拟仿真系统。
具体的技术方案为:
一种基于神经网络的车辆气体排放物的模拟仿真系统,包括:依次连接的基础仿真模型建立模块、神经网络输入数据处理模块、神经网络模型模块和排放物计算输出模块。所述神经网络模型模块还独立连接神经网络训练模块。
所述基础仿真模型建立模块用于发动机、传动系统及整车的基本数据的输入,建立整车与发动机的动力传动关系,并与神经网络输入数据处理模块和排放物计算输出模块传递数据。
所述神经网络输入数据处理模块对所述基础仿真模型建立模块中的基础数据和动力传动关系进行模拟仿真,得到原始排放数据。并将原始排放数据、催化器参数和排放影响条件相结合,进而得到神经网络模型模块的输入数据。
所述神经网络训练模块用于建立和训练神经网络数学模型,并将训练完成的神经网络数学模型输出到神经网络模型模块。
所述神经网络模型模块对神经网络输入数据处理模块的输入数据完成模拟计算,进而得到整车的最终排放数据。
所述排放物计算输出模块接受基础仿真模型建立模块和神经网络输入数据处理模块的数据传递,并应用神经网络训练模块的训练结果,加入特殊工况时对排放值的规定,对最终排放数据进行修正。
具体的,所述原始排放数据包括:排放物浓度、排气的体积流量、由整车测试循环决定的发动机运行工况。
具体的,所述催化器参数包括:催化器的目数、截面积、长度、贵金属含量。
具体的,所述排放影响条件包括:不同运行阶段的排放特性差别、发动机混合气浓度偏离理论空燃比的程度、整车运行时,加速或减速时油门踏板变化率、排气温度对催化器中化学反应的影响、载体温度、排气与催化器的接触面积、催化剂含量。
具体的,所述神经网络训练模块独立于仿真模型的软件环境,通过实测参数对神经网络数学模型进行训练,训练的过程中,决定神经网络结构-即神经网络层数、每层神经元个数,同时还要决定神经网络基本参数和训练方法。
具体的,所述神经网络训练模块中训练并得到神经网络数学模型并输出到神经网络模型模块的具体处理过程为:
步骤一、在神经网络训练模块中确定训练算法,设置神经网络基本参数,确定神经网络数学模型。
步骤二、对神经网络数学模型输入实测参数,并通过神经网络数学模型计算得到模拟排放结果。
步骤三、将模拟排放结果与实测参数对应的经验排放结果进行校验和误差分析,并评价神经网络训练模块的稳定性。
步骤四、验证神经网络数学模型的泛化能力是否合格。若不合格,则调整神经网络基本参数值,重复步骤一到步骤四。若合格,确定神经网络数学模型并输出到神经网络模型模块中。
具体的,所述神经网络训练模块的实测参数包括:运行时间、油门踏板、时间、燃油流量、空气流量、理论空燃比、发动机转速和扭矩、稳态排气温度、排气温度修正和催化器的载体截面积、长度、目数、起燃因子、载体目数、截面积、排气流量、贵金属含量、排气体积流量。
具体的,所述特殊工况包括发动机减速断油工况和怠速工况。
具体的,所述神经网络模型模块的输入数据作归一化处理。
具体的,所述泛化能力是否合格是根据两个条件进行判断:一是模拟排放结果与实测参数对应的历史经验排放结果的拟合精度是否达标。二是模拟排放结果是否符合正确排放规律。
本发明的有益效果有:
1、本发明基于试验数据和排放物催化转化规律的半经验模拟仿真方法,结合神经网络算法,为整车策划阶段和性能开发初期动力总成选型提供简单有效的排放性能评估手段。
2、本发明考虑了整车动力性和经济性等因素,并与仿真分析方法相结合,对整车开发初期不同动力总成选型方案进行全面的预测和评价。
3、本发明避免了其他仿真分析方法中对复杂的燃烧过程中物理化学过程运算,也不会出现由于三维计算网格过多或者化学反应动力学中反应参数过多带来的误差增大因素。同时由于只对影响排放物的最主要因素进行运算,对其他复杂的次要影响因素由神经网络的训练过程来体现,使得整个计算的稳定性、通用性和模型的泛化能力都较其他仿真方法有很大的优势。
4、本发明能够在整车选型早期选择最优方案,避免整车开发完成后在实际测试阶段才暴漏出油耗或排放性能达不到设计要求而进行反复修改调整的问题,大大缩短开发周期,节约开发成本。
5、本发明还可用于整车动力总成选型方案的优化,以动力性、经济性、排放、成本等为主要考量因素,对动力总成不同配置方案进行对比分析,选择最符合企业要求的最佳解决方案。
附图说明
图1为本发明的系统流程图;
图2为神经网络的训练流程图。
具体实施方式
下面根据说明书附图对本发明作进一步的描述。
本发明在商用软件GT-Suite平台上,引入神经网络模型模块和神经网络训练模块,根据试验数据和排放物流经催化器的特性确定神经网络的神经网络基本参数,并确定出神经网络的训练方法,保证神经网络的仿真精度,同时还具备神经网络基本参数上下浮动的泛化能力,从而提供一种能够快速、方便、准确、稳定的整车排放物仿真方法。
一种基于神经网络的车辆气体排放物的模拟仿真系统,包括:基础仿真模型建立模块、神经网络输入数据处理模块、神经网络模型模块、神经网络训练模块和排放物计算输出模块。
如图1所示,首先,所述基础仿真模型建立模块根据发动机、传动系统及整车的基本数据,建立整车与发动机的动力传动关系,建立并协调与神经网络输入数据处理模块、神经网络模型模块、神经网络训练模块和排放物计算输出模块之间的关系。
然后,所述神经网络输入数据处理模块对所述基础仿真模型建立模块中的基础数据和动力传动关系进行模拟仿真,得到原始排放数据。将原始排放数据、催化器参数和排放影响条件相结合,进而得到神经网络模型模块的输入数据。
然后,从神经网络训练模块中训练得到的神经网络数学模型模块输出到神经网络模型模块,进而神经网络模型模块对输入数据进行模拟计算,得到整车的最终排放数据。
最后,排放物计算输出模块加入特殊工况,对最终排放数据进行修正,并以符合法规要求的g/km为单位输出。
基础仿真模型建立模块根据发动机、传动系统及整车的基本数据,建立整车与发动机的动力传动关系,建立并协调与神经网络输入数据处理模块、神经网络模型模块、神经网络训练模块和排放物计算输出模块之间的关系。
神经网络输入数据处理模块建立整车与发动机的动力传动关系,计算发动机排放气体在经过催化器前的原始排放数据,其主要计算部分根据发动机的特性数据,比如油耗、三种排放物(NOx、THC和CO)等输入信息,结合发动机传动系统-离合器、变速器和主减速比、轮胎等,与整车建立运动和受力关系,根据整车的测试循环,模型可以计算出发动机的运行工况,从而确定出发动机的燃油消耗量和原始排放数据。整车减速断油和发动机暖机过程修正也在此模块中完成。再根据排放物在催化器中进行转化反应的基本规律和影响因素,加入催化器长度、截面积、目数等结构参数,加入贵金属含量、催化器载体温度、起燃因子等直接影响转化效率的因素,得到神经网络模型模块的输入数据,如表一所示。
表一:神经网络模型模块的输入数据
其中:
输入1主要考虑不同运行阶段的排放特性差别,如最开始阶段由于发动机和催化器温度较低,导致转换效率低。
输入2计算实时的发动机混合气浓度偏离理论空燃比的程度。
输入3考虑整车运行时,发动机经常处在加速或减速的非稳态过程,引入油门踏板变化率这个反映偏离稳态程度。
输入4考虑排气温度对催化器中化学反应的影响,为反映发动机暖机过程,引入发动机排气温度修正因子。
输入5主要考虑载体温度,以一个基本的实测载体温度为基础,加入催化器长度、截面积、目数等结构影响修真因子和由目数和壁厚决定的起燃因子。
输入6主要功能为根据排气流量和催化器孔数,计算单个催化器孔所流经的排气流量,用来反映排气与催化器的接触面积。
输入7计算排气在催化器中的停留时间,加入单位长度催化剂含量,用来体现化学反应的时间和强度。
神经网络模型模块的输入数据需作归一化处理,确保神经网络计算的精度和稳定性。
神经网络训练模块独立于仿真模型的软件环境,需要用实测数据进行训练。通过实测参数对神经网络数学模型进行训练,训练的过程中,决定神经网络结构-即神经网络层数、每层神经元个数,同时还要决定神经网络基本参数和训练方法。
如图2所示,神经网络数学模型需要用实测参数进行训练,以确定表一中的七个输入与最终排放数据的关系。神经网络训练模块中训练并得到神经网络数学模型并输出到神经网络模型模块,具体处理过程为:
步骤一、在神经网络训练模块中确定训练算法,输入神经网络基本参数,确定神经网络数学模型。在神经网络训练模块中确定训练算法。本发明应用的神经网络工具中包含全局多项式(Global Polynomial)、径向基函数(Radial Basis)、自组织局部线性(Self-Organizing Local Linear)、自组织局部非线性(Self-Organizing Local Non-Linear)和前馈算法(Feed Forward)五种不同的训练方法,对于排放物计算这种复杂的问题,应用前馈算法在精度和稳定性方面都优于其他四种算法,所以本发明中应用前馈算法,并通过调整其中的神经网络基本参数达到预期的训练效果。
步骤二、对神经网络模型模块输入实测参数,并得到模拟排放结果。实测参数包括:运行时间、油门踏板、时间、燃油流量、空气流量、理论空燃比、发动机转速和扭矩、稳态排气温度、排气温度修正和催化器的载体截面积、长度、目数、起燃因子、载体目数、截面积、排气流量、贵金属含量、排气体积流量。
步骤三、将模拟排放结果与实测参数对应的经验排放结果进行校验和误差分析,并评价神经网络训练模块的稳定性,要求稳定性在5%以内。
步骤四、验证神经网络数学模型的泛化能力是否合格。泛化能力是否合格是根据两个条件:一是模拟排放结果与实测参数对应的经验排放结果的拟合精度达标;二是模拟排放结果符合正确排放规律。
若不合格,则在±15%的范围内调整神经网络基本参数,重复步骤一到步骤四;若合格,确定神经网络数学模型并输出数学模型给神经网络模型模块。
经过这四个步骤后满足要求的训练结果以*.nno文件保存,作为最终排放物计算的输入输出对应关系。
排放物计算输出模块加入了对发动机减速断油工况和怠速工况等不适合神经网络计算的特殊情况时对排放值的特殊规定,作为神经网络对整个排放计算的修正,最终的排放计算值以g/km为单位输出。
本发明结合了神经网络技术和整车在运行测试循环时排放物的生成及转化规律,获得的是一种基于试验数据和排放物催化转化规律的半经验模拟仿真系统。
Claims (10)
1.一种基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于,包括:依次连接的基础仿真模型建立模块、神经网络输入数据处理模块、神经网络模型模块和排放物计算输出模块;所述神经网络模型模块还独立连接神经网络训练模块;
所述基础仿真模型建立模块用于发动机、传动系统及整车的基本数据的输入,建立整车与发动机的动力传动关系,并与神经网络输入数据处理模块和排放物计算输出模块传递数据;
所述神经网络输入数据处理模块对所述基础仿真模型建立模块中的基础数据和动力传动关系进行模拟仿真,得到原始排放数据;并将原始排放数据、催化器参数和排放影响条件相结合,进而得到神经网络模型模块的输入数据;
所述神经网络训练模块用于建立和训练神经网络数学模型,并将训练完成的神经网络数学模型输出到神经网络模型模块;
所述神经网络模型模块对神经网络输入数据处理模块的输入数据完成模拟计算,进而得到整车的最终排放数据;
所述排放物计算输出模块接受基础仿真模型建立模块和神经网络输入数据处理模块的数据传递,并应用神经网络训练模块的训练结果,加入特殊工况时对排放值的规定,对最终排放数据进行修正。
2.根据权利要求1所述的基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于,所述原始排放数据包括:排放物浓度、排气的体积流量、由整车测试循环决定的发动机运行工况。
3.根据权利要求1所述的基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于,所述催化器参数包括:催化器的目数、截面积、长度、贵金属含量。
4.根据权利要求1所述的基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于,所述排放影响条件包括:不同运行阶段的排放特性差别、发动机混合气浓度偏离理论空燃比的程度、整车运行时,加速或减速时油门踏板变化率、排气温度对催化器中化学反应的影响、载体温度、排气与催化器的接触面积、催化剂含量。
5.根据权利要求1所述的基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于,所述神经网络训练模块独立于仿真模型的软件环境,通过实测参数对神经网络数学模型进行训练,训练的过程中,决定神经网络结构-即神经网络层数、每层神经元个数,同时还要决定神经网络基本参数和训练方法。
6.根据权利要求1或5所述的基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于,所述神经网络训练模块中训练并得到神经网络数学模型并输出到神经网络模型模块的具体处理过程为:
步骤一、在神经网络训练模块中确定训练算法,设置神经网络基本参数,确定神经网络数学模型;
步骤二、对神经网络数学模型输入实测参数,并通过神经网络数学模型计算得到模拟排放结果;
步骤三、将模拟排放结果与实测参数对应的经验排放结果进行校验和误差分析,并评价神经网络训练模块的稳定性;
步骤四、验证神经网络数学模型的泛化能力是否合格;若不合格,则调整神经网络基本参数值,重复步骤一到步骤四;若合格,确定神经网络数学模型并输出到神经网络模型模块中。
7.权利要求6所述的基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于,所述神经网络训练模块的实测参数包括:运行时间、油门踏板、时间、燃油流量、空气流量、理论空燃比、发动机转速和扭矩、稳态排气温度、排气温度修正和催化器的载体截面积、长度、目数、起燃因子、载体目数、截面积、排气流量、贵金属含量、排气体积流量。
8.根据权利要求1所述的基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于:所述特殊工况包括发动机减速断油工况和怠速工况。
9.根据权利要求1所述的基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于:所述神经网络模型模块的输入数据作归一化处理。
10.根据权利要求6所述的基于神经网络的车辆气体排放物的模拟仿真系统,其特征在于:所述泛化能力是否合格是根据两个条件进行判断:一是模拟排放结果与实测参数对应的历史经验排放结果的拟合精度是否达标;二是模拟排放结果是否符合正确排放规律。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710891692.7A CN107545122A (zh) | 2017-09-27 | 2017-09-27 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710891692.7A CN107545122A (zh) | 2017-09-27 | 2017-09-27 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107545122A true CN107545122A (zh) | 2018-01-05 |
Family
ID=60964547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710891692.7A Pending CN107545122A (zh) | 2017-09-27 | 2017-09-27 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107545122A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658987A (zh) * | 2018-12-14 | 2019-04-19 | 中海石油炼化有限责任公司 | 一种加氢精制催化剂载体性质预测方法 |
CN110414089A (zh) * | 2019-07-10 | 2019-11-05 | 一汽解放汽车有限公司 | 基于发动机万有特性的整车pems排放的仿真预测方法 |
CN110863919A (zh) * | 2018-08-27 | 2020-03-06 | 现代自动车株式会社 | 发动机虚拟测试环境系统与发动机管理系统映射方法 |
CN111027146A (zh) * | 2019-12-30 | 2020-04-17 | 行蜂科技(深圳)有限责任公司 | 一种车辆载荷动态实时计算方法 |
WO2020187113A1 (zh) * | 2019-03-15 | 2020-09-24 | 中国汽车技术研究中心有限公司 | 一种用于预测单车排放量的方法 |
CN112241800A (zh) * | 2019-07-16 | 2021-01-19 | 宝山钢铁股份有限公司 | 一种焦炉VOCs污染物排放量的计算方法 |
CN112883653A (zh) * | 2021-03-19 | 2021-06-01 | 广西玉柴机器股份有限公司 | 基于人工智能的发动机实时模型的建模方法 |
CN113239963A (zh) * | 2021-04-13 | 2021-08-10 | 联合汽车电子有限公司 | 车辆数据的处理方法、装置、设备、车辆和存储介质 |
CN113449382A (zh) * | 2021-07-05 | 2021-09-28 | 江苏伟博动力技术有限公司 | 一种整车排放结果的仿真方法及系统 |
CN114674573A (zh) * | 2022-02-24 | 2022-06-28 | 重庆长安汽车股份有限公司 | 一种适用于任意测试边界的实际道路排放rde评估方法 |
CN115219207A (zh) * | 2021-09-23 | 2022-10-21 | 广州汽车集团股份有限公司 | 发动机排放预测方法、试验上位机及存储介质 |
CN117054104A (zh) * | 2023-08-15 | 2023-11-14 | 广州天马集团天马摩托车有限公司 | 一种摩托车发动机性能测试平台及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1855091A1 (de) * | 2006-05-09 | 2007-11-14 | Ford Global Technologies, LLC | Verbesserung der Wiederholbarkeit bei Verbrauchmessungen durch Normierung |
CN102588129A (zh) * | 2012-02-07 | 2012-07-18 | 上海艾铭思汽车控制系统有限公司 | 高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法 |
CN106056210A (zh) * | 2016-06-07 | 2016-10-26 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
CN106055840A (zh) * | 2016-06-30 | 2016-10-26 | 重庆长安汽车股份有限公司 | 一种三元催化器选型的设计方法 |
-
2017
- 2017-09-27 CN CN201710891692.7A patent/CN107545122A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1855091A1 (de) * | 2006-05-09 | 2007-11-14 | Ford Global Technologies, LLC | Verbesserung der Wiederholbarkeit bei Verbrauchmessungen durch Normierung |
CN102588129A (zh) * | 2012-02-07 | 2012-07-18 | 上海艾铭思汽车控制系统有限公司 | 高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法 |
CN106056210A (zh) * | 2016-06-07 | 2016-10-26 | 浙江工业大学 | 一种基于混合神经网络的pm2.5浓度值预测方法 |
CN106055840A (zh) * | 2016-06-30 | 2016-10-26 | 重庆长安汽车股份有限公司 | 一种三元催化器选型的设计方法 |
Non-Patent Citations (1)
Title |
---|
周斌: "基于BP神经网络的内燃机排放性能建模与应用研究", 《中国优秀博硕士学位论文全文数据库 (博士) 工程科技II辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110863919A (zh) * | 2018-08-27 | 2020-03-06 | 现代自动车株式会社 | 发动机虚拟测试环境系统与发动机管理系统映射方法 |
CN110863919B (zh) * | 2018-08-27 | 2023-08-08 | 现代自动车株式会社 | 发动机虚拟测试环境系统与发动机管理系统映射方法 |
CN109658987A (zh) * | 2018-12-14 | 2019-04-19 | 中海石油炼化有限责任公司 | 一种加氢精制催化剂载体性质预测方法 |
WO2020187113A1 (zh) * | 2019-03-15 | 2020-09-24 | 中国汽车技术研究中心有限公司 | 一种用于预测单车排放量的方法 |
CN110414089A (zh) * | 2019-07-10 | 2019-11-05 | 一汽解放汽车有限公司 | 基于发动机万有特性的整车pems排放的仿真预测方法 |
CN112241800A (zh) * | 2019-07-16 | 2021-01-19 | 宝山钢铁股份有限公司 | 一种焦炉VOCs污染物排放量的计算方法 |
CN112241800B (zh) * | 2019-07-16 | 2022-10-21 | 宝山钢铁股份有限公司 | 一种焦炉VOCs污染物排放量的计算方法 |
CN111027146A (zh) * | 2019-12-30 | 2020-04-17 | 行蜂科技(深圳)有限责任公司 | 一种车辆载荷动态实时计算方法 |
CN111027146B (zh) * | 2019-12-30 | 2023-11-24 | 行蜂科技(深圳)有限责任公司 | 一种车辆载荷动态实时计算方法 |
CN112883653B (zh) * | 2021-03-19 | 2022-06-24 | 广西玉柴机器股份有限公司 | 基于人工智能的发动机实时模型的建模方法 |
CN112883653A (zh) * | 2021-03-19 | 2021-06-01 | 广西玉柴机器股份有限公司 | 基于人工智能的发动机实时模型的建模方法 |
CN113239963A (zh) * | 2021-04-13 | 2021-08-10 | 联合汽车电子有限公司 | 车辆数据的处理方法、装置、设备、车辆和存储介质 |
CN113239963B (zh) * | 2021-04-13 | 2024-03-01 | 联合汽车电子有限公司 | 车辆数据的处理方法、装置、设备、车辆和存储介质 |
CN113449382B (zh) * | 2021-07-05 | 2022-03-22 | 江苏伟博动力技术有限公司 | 一种整车排放结果的仿真方法及系统 |
CN113449382A (zh) * | 2021-07-05 | 2021-09-28 | 江苏伟博动力技术有限公司 | 一种整车排放结果的仿真方法及系统 |
CN115219207A (zh) * | 2021-09-23 | 2022-10-21 | 广州汽车集团股份有限公司 | 发动机排放预测方法、试验上位机及存储介质 |
CN115219207B (zh) * | 2021-09-23 | 2023-08-25 | 广州汽车集团股份有限公司 | 发动机排放预测方法、试验上位机及存储介质 |
CN114674573A (zh) * | 2022-02-24 | 2022-06-28 | 重庆长安汽车股份有限公司 | 一种适用于任意测试边界的实际道路排放rde评估方法 |
CN114674573B (zh) * | 2022-02-24 | 2023-08-11 | 重庆长安汽车股份有限公司 | 一种适用于任意测试边界的实际道路排放rde评估方法 |
CN117054104A (zh) * | 2023-08-15 | 2023-11-14 | 广州天马集团天马摩托车有限公司 | 一种摩托车发动机性能测试平台及系统 |
CN117054104B (zh) * | 2023-08-15 | 2024-02-06 | 广州天马集团天马摩托车有限公司 | 一种摩托车发动机性能测试平台及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545122A (zh) | 一种基于神经网络的车辆气体排放物的模拟仿真系统 | |
Faris et al. | Vehicle fuel consumption and emission modelling: an in-depth literature review | |
CN109681299B (zh) | 柴油机Urea-SCR系统发动机控制方法 | |
Koltsakis et al. | Development and application range of mathematical models for 3-way catalytic converters | |
US20090293457A1 (en) | System and method for controlling NOx reactant supply | |
CN109635520A (zh) | 一种汽车驾驶性仿真方法及装置 | |
CN110414089A (zh) | 基于发动机万有特性的整车pems排放的仿真预测方法 | |
West et al. | Development of data-based light-duty modal emissions and fuel consumption models | |
RU2679692C2 (ru) | Способ калибровки регулирующего устройства, которое управляет или регулирует технический процесс, который описывается кинетическими уравнениями реакции, в частности для калибровки регулирующего устройства, управляющего или регулирующего нейтрализацию отработанного газа в потоке отработанного газа двигателя внутреннего сгорания | |
Cloudt et al. | Virtual exhaust line for model-based diesel aftertreatment development | |
Kötter et al. | Powertrain calibration based on X-in-theLoop: Virtualization in the vehicle development process | |
JP5721464B2 (ja) | シミュレーション装置 | |
Park et al. | State-of-the-art automobile emissions models and applications in North America and Europe for sustainable transportation | |
Suzuki et al. | Modeling of diesel engine components for model-based control (second report): prediction of combustion with high speed calculation diesel combustion model | |
Brace | Prediction of diesel engine exhaust emissions using artificial neural networks | |
Knaus et al. | System Simulation in Automotive Industry | |
Dohner | Optimal control solution of the automotive emission-constrained minimum fuel problem | |
JP4192803B2 (ja) | エンジン性能の予測解析方法、予測解析システム及びその制御プログラム | |
Crişan-Lupa et al. | Research applied to exhaust gas after-treatment systems in 1.6 L Zsg 416 Ford engine | |
WO2023008547A1 (ja) | 車両要素レスポンス学習方法、車両要素レスポンス算出方法、車両要素レスポンス学習システム、及び、車両要素レスポンス学習プログラム | |
Kolayath et al. | Fuel Economy Prediction of the Two Wheeler through System Simulation | |
Lin et al. | Model-based diagnostics of ammonia storage non-uniformity for a selective catalytic reduction system | |
Smallbone et al. | Virtual performance and emissions mapping for diesel engine design optimization | |
Wurzenberger et al. | Optimization of hybrid power trains-physical based modeling for concept design | |
Gaballo et al. | Application of a modular simulation approach: optimizations from combustion to vehicle management |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180105 |
|
RJ01 | Rejection of invention patent application after publication |