CN108563844A - 一种增压柴油机最佳egr率确定方法 - Google Patents
一种增压柴油机最佳egr率确定方法 Download PDFInfo
- Publication number
- CN108563844A CN108563844A CN201810257384.3A CN201810257384A CN108563844A CN 108563844 A CN108563844 A CN 108563844A CN 201810257384 A CN201810257384 A CN 201810257384A CN 108563844 A CN108563844 A CN 108563844A
- Authority
- CN
- China
- Prior art keywords
- egr rate
- diesel engine
- decision
- optimal
- load
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Output Control And Ontrol Of Special Type Engine (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种增压柴油机最佳EGR率确定方法,属于柴油机控制领域,解决了现有技术中EGR率不准确的问题,包含如下步骤:步骤(1):构建效果样本矩阵,进行初始建模;步骤(2):定义最优序列和子序列,构建最优关联分析模型,求解最优关联度;步骤(3):根据柴油机不同负荷,赋值NOX权重;步骤(4):求解综合权重向量;步骤(5):代入初始建模,得出综合评估值,对不同EGR率性能进行优劣排序,得到当前工况下的最佳EGR率。本发明兼顾主观性和客观性,提高了决策结果的合理性,从理论上保证决策结果更加贴近实际情况且可操作性强,易于在实际操作中应用。
Description
技术领域
本发明属于柴油机控制领域,尤其涉及一种增压柴油机最佳EGR率确定方法。
背景技术
EGR是排气再循环的缩写,即内燃机在燃烧后将排出气体的一部分分离出、并导入进气侧使其再度燃烧的技术。主要目的为降低排出气体中的氮氧化物与分担部分负荷时可提高燃料消耗率。
废气再循环是目前降低柴油机NOX排放的主要措施,其实现过程主要是将排气中的一部分废气引入到进气管,同新鲜空气混合后进入气缸重新参与燃烧的过程。EGR技术关键在于使足够的废气回流到进气管,克服增压柴油机高工况下增压压力高于排气压力导致的EGR废气回流困难的问题,并根据发动机的不同工况给出最佳的EGR率。
不同EGR率对柴油机的燃烧与排放性能影响不同,因此在确定最佳EGR率时,必须兼顾柴油机的动力性、经济性以及排放性能。既要尽可能的降低废气中NOX,同时又能尽可能小的影响颗粒等其他污染物的排放。目前,普遍采取的办法是:通过大量试验获取发动机的运行参数,通过对试验结果进行主观综合分析,确定出试验工况下的最佳EGR率。其中,在综合分析中不同研究者都采用了不同的确定原则。如有学者采用工况点颗粒物不超过原机为原则,有学者则采用在PM不超过原机的基础上,考虑油耗的增加程度、NOX的改善程度等综合因素,低负荷时选择高EGR率,高负荷时选择低EGR率。该种方法存在一个共同的缺点,那就是缺少明确的理论指导,不同的研究者会因主观判断上的差异,导致结果也存在很大差异。
不同工况下EGR性能评估及最佳EGR率的决策属于典型的多目标决策问题。因此,考虑引入多目标灰色决策来实现最佳EGR率的决策。多目标灰色决策作为灰色系统理论中的重要分支,在针对若干方案中选择最好方案的决策问题上有着独特的优势,因具有计算复杂度低,识别效果高的特点而广泛应用于航空航天、电子电力等领域。但是由于传统决策模型中权重的主观性,因此越来越多的学者对权重的优化进行了重点研究,其中,极大熵原理分析便是其中代表方法。此外,灰色关联分析是灰色系统理论中十分活跃的一个分支,其基本思想是根据序列的曲线几何形状来判断不同序列之间的联系是否紧密。主要是通过线性插值的方法将系统因素的离散行为观测值转化为分段连读的折线,进而根据折线的几何特征构造测度关联程度的模型,目前已经广发应用于多个领域。
综上所述,如何采用明确的理论去确定最佳EGR率成为EGR性能优化的关键问题,有必要对其进行深入研究。
发明内容
本发明的目的在于公开计算结果准确,可操作性强的一种增压柴油机最佳EGR率确定方法。
本发明的目的是这样实现的:
一种增压柴油机最佳EGR率确定方法,包含如下步骤:
步骤(1):构建效果样本矩阵,进行初始建模:
采集每个工况下、不同EGR率对应的试验数据,构成效果样本矩阵各EGR率方案的局势决策是在同等实验条件下进行;选取主要EGR性能参数作为决策目标,各决策目标采用下限效果测度:
对效果样本矩阵的形式进行优化,得到基于优化效果样本矩阵采用传统灰色决策模型进行初始建模:
上式中,矩阵uij'的行向量代表决策目标,矩阵uij'的列向量代表EGR率,代表一定EGR率时K决策目标下的效果样本值;m、n为常数。
步骤(2):定义最优序列和子序列,构建最优关联分析模型,求解最优关联度:
选取每一个决策目标对应的理论最优值xmax,k(k=1,2,3,4,5),则最优序列Xmax:
Xmax={xmax,1,xmax,2,…,xmax,k};
以不同EGR率对应的各决策目标值为子序列:Xi={x1,x2,…,xk},i代表当前工况下不同EGR率,k代表不同决策目标;
采用灰关联求得各子序列与最优序列之间的关联度ri;构建最优关联分析模型,求解最优关联度ri。
步骤(3):根据柴油机不同负荷,赋值NOX权重η3:
若柴油机处于低负荷工况,定义为小于或等于25%负荷时,令NOX权重η3=0.3;若柴油机处于高负荷工况,定义为大于或等于75%负荷时,令NOX权重η3=0.5;若柴油机处于中等负荷工况,定义为大于25%负荷且小于75%负荷时,令NOX权重η3=0.4。
步骤(4):求解综合权重向量:
构建优化效果样本矩阵uij',并求解优化后一致效果测度rij':
上式中,决策目标K包括燃油消耗油耗、缸内爆压、CO及碳烟。
定义为事件a1在决策目标k下的“最优”测度,为事件a1在决策目标k下的“最差”测度。
则:
上式中,e+(rij',v(k)+)是决策目标k下的一致效果测度与对应的最优测度的差,e-(rij',v(k)-)是决策目标k下的一致效果测度与对应的最差测度的差;
上式中,E+(ηk)是事件a1下不同EGR率在决策目标k下的所有对策的一致效果测度与对应的最优测度的偏差,E-(ηk)是事件a1下不同EGR率在决策目标k下的所有对策的一致效果测度与对应的最差测度的偏差;ηk是目标权重;
则有多目标优化问题
对施加灰熵的极大化约束:
将和转化为下单目标优化问题:
构造拉格朗日函数:
用拉格朗日函数求解最终的ηk:
η1k=(1-η3)·ηk(k=1,2,3,4,5),求解综合权重向量η1k。
步骤(5):代入初始建模,得出综合评估值,对不同EGR率性能进行优劣排序,得到当前工况下的最佳EGR率:
将综合权重向量η1k代入初始建模求解综合效果测度矩阵R,结合最优关联度得到综合评估值R'=R·ri,根据最优决策原则,对不同EGR率性能进行优劣排序,得到当前工况下的最佳EGR率。
本发明的有益效果为:
本发明将不同工况EGR的实际特点考虑在优化模型中,兼顾主观性和客观性,可以有效解决目前主流方法中对主观判断的“单纯依赖”问题,从而大大提高了决策结果的合理性。本发明还通过最优关联分析直观地从数据发掘的角度判断各EGR率方案之间的优劣程度,从理论上保证决策结果更加贴近实际情况。同时本发明可操作性强,易于在实际操作中应用。
附图说明
图1是一种增压柴油机最佳EGR率确定方法综览图。
具体实施方式
下面结合附图来进一步描述本发明:
实施例1:
如图1,一种增压柴油机最佳EGR率确定方法:
步骤(1):构建效果样本矩阵,进行初始建模:
采集每个工况下、不同EGR率对应的试验数据,构成效果样本矩阵各EGR率方案的局势决策是在同等实验条件下进行;选取主要EGR性能参数作为决策目标,各决策目标采用下限效果测度:
对效果样本矩阵的形式进行优化,得到基于优化效果样本矩阵采用传统灰色决策模型进行初始建模:
上式中,矩阵uij'的行向量代表决策目标,矩阵uij'的列向量代表EGR率,代表一定EGR率时K决策目标下的效果样本值;m、n为常数。
步骤(2):定义最优序列和子序列,构建最优关联分析模型,求解最优关联度:
选取每一个决策目标对应的理论最优值xmax,k(k=1,2,3,4,5),则最优序列Xmax:
Xmax={xmax,1,xmax,2,…,xmax,k};
以不同EGR率对应的各决策目标值为子序列:Xi={x1,x2,…,xk},i代表当前工况下不同EGR率,k代表不同决策目标;
采用灰关联求得各子序列与最优序列之间的关联度ri;构建最优关联分析模型,求解最优关联度ri。
步骤(3):根据柴油机不同负荷,赋值NOX权重η3:
若柴油机处于低负荷工况,定义为小于或等于25%负荷时,令NOX权重η3=0.3;若柴油机处于高负荷工况,定义为大于或等于75%负荷时,令NOX权重η3=0.5;若柴油机处于中等负荷工况,定义为大于25%负荷且小于75%负荷时,令NOX权重η3=0.4。
步骤(4):求解综合权重向量:
构建优化效果样本矩阵uij',并求解优化后一致效果测度rij':
上式中,决策目标K包括燃油消耗油耗、缸内爆压、CO及碳烟。
定义为事件a1在决策目标k下的“最优”测度,为事件a1在决策目标k下的“最差”测度。
则:
上式中,e+(rij',v(k)+)是决策目标k下的一致效果测度与对应的最优测度的差,e-(rij',v(k)-)是决策目标k下的一致效果测度与对应的最差测度的差;
上式中,E+(ηk)是事件a1下不同EGR率在决策目标k下的所有对策的一致效果测度与对应的最优测度的偏差,E-(ηk)是事件a1下不同EGR率在决策目标k下的所有对策的一致效果测度与对应的最差测度的偏差;ηk是目标权重;
则有多目标优化问题
对施加灰熵的极大化约束:
将和转化为下单目标优化问题:
构造拉格朗日函数:
用拉格朗日函数求解最终的ηk:
η1k=(1-η3)·ηk(k=1,2,3,4,5),求解综合权重向量η1k。
步骤(5):代入初始建模,得出综合评估值,对不同EGR率性能进行优劣排序,得到当前工况下的最佳EGR率:
将综合权重向量η1k代入初始建模求解综合效果测度矩阵R,结合最优关联度得到综合评估值R'=R·ri,根据最优决策原则,对不同EGR率性能进行优劣排序,得到当前工况下的最佳EGR率。
实施例2:一种增压柴油机最佳EGR率确定方法:
步骤(1):通过试验获取不同工况、不同EGR率下增压柴油机的主要运行参数。本实施方式选取哈尔滨工程大学TBD234V12型相继增压柴油机的试验数据,分别选取了9个工况下,5个不同EGR率的试验数据,主要选取参数为燃油消耗油耗、缸内爆压、NOX、CO及碳烟,具体试验数据如表1所示:
表1部分工况点试验数据
步骤(2):采用多目标灰色局势决策方法对EGR决策问题进行初始建模。以OP1工况为例,具体包括以下步骤:
步骤(2.1):首先确定决策目标,分别为:燃油消耗油耗、缸内爆压、NOX、CO及碳烟。构造效果样本矩阵
其中,矩阵行向量i代表依次代表燃油消耗率、CO、NOX、碳烟和缸内爆压,列向量j代表不同EGR率,如第一列代表EGR率为2.4%。
步骤(2.2):确定决策目标效果测度。由于所选所选决策目标均为越小越好,故效果测度均选择下限效果测度,故可得k目标下一致效果测度矩阵:
步骤(2.3):求解最优关联度。构建最优序列和子序列,如表2所示:
表2关联序列
求解得到各子序列与最优序列的关联度依次为:
ri=[0.9138,0.9373,0.9223,0.8877,0.9079]
步骤(2.4)求解综合权重向量η1k及综合效果矩阵R。
目前EGR的主要目的在于降低NOX排放,而EGR率的控制必须随着发动机的不同工况、排放特性、经济性和动力性的要求的不断调整,基本的原则则是:①怠速、暖机和低负荷时,为保证柴油机工作的稳定性和经济性,一般不采取EGR循环。②加速工况宜采用较低EGR率。③随着柴油机负荷的增加,EGR率应相应增加。
因此,考虑将该基本原则转化为初始条件引入到优化决策模型中,NOX指标权重η的大小反映着当前工况下EGR的重要程度。若柴油机处于低负荷工况(定义≤25%负荷),令NOX权重η3=0.3;若柴油机处于高负荷工况(定义≥75%负荷),令NOX权重η3=0.5;若柴油机处于中等负荷工况(定义25%<负荷百分数<75%),令NOX权重η3=0.4。
由于该工况属于低速工况,因此η3=0.3,求解优化后的综合权重:η1k=[0.1364,0.1456,0.3000,0.2258,0.1922];将η1k代入传统决策模型中求得优化后综合效果矩阵
R=[0.8876,0.8968,0.8798,0.8172,0.7405]。
步骤(2.5):求解最终综合评估值R',并根据最优原则进行优劣排序。
R'=[0.8111,0.8406,0.8115,0.7254,0.6723]
由结果可知,OP1工况下各EGR率的性能优劣排序为:4.6%>8.6%>2.4%>10.4%>11.6%,即在该工况下最佳EGR率为4.6%。
同理,可求得工况点OP2和OP3的最终评估值:
OP2:
R=[0.7992,0.8052,0.8258,0.7796,0.7423]
OP3:
R=[0.7610,0.7978,0.8086,0.8180,0.8057]
由结果可知,工况OP2和OP3下最佳EGR率分别为7.5%和9.1%。其中OP2属于中等负荷工况,OP3属于高负荷工况。随着负荷的增加,NOX排放量上升,宜适当增加EGR率;当处于高负荷工况,NOX排放浓度较高,为了保证排放性能,宜采用较高的EGR率,但应避免因EGR率过高导致的负面影响。这与传统的决策原则均是一致的,这也说明了本发明所提出的方法的有效性和可行性。
与现有技术相比,本发明将不同工况EGR的实际特点考虑在优化模型中,兼顾主观性和客观性,可以有效解决目前主流方法中对主观判断的“单纯依赖”问题,从而大大提高了决策结果的合理性。本发明还通过最优关联分析直观地从数据发掘的角度判断各EGR率方案之间的优劣程度,从理论上保证决策结果更加贴近实际情况。同时本发明可操作性强,易于在实际操作中应用。
以上所述并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种增压柴油机最佳EGR率确定方法,包含如下步骤:
步骤(1):构建效果样本矩阵,进行初始建模;
步骤(2):定义最优序列和子序列,构建最优关联分析模型,求解最优关联度;
步骤(3):根据柴油机不同负荷,赋值NOX权重;
步骤(4):求解综合权重向量;
步骤(5):代入初始建模,得出综合评估值,对不同EGR率性能进行优劣排序,得到当前工况下的最佳EGR率。
2.根据权利要求1所述的一种增压柴油机最佳EGR率确定方法,其特征在于:所述的步骤(2)具体为:
选取每一个决策目标对应的理论最优值xmax,k(k=1,2,3,4,5),则最优序列Xmax:
Xmax={xmax,1,xmax,2,…,xmax,k};
以不同EGR率对应的各决策目标值为子序列:
Xi={x1,x2,…,xk};
上式中,i代表当前工况下不同EGR率,k代表不同决策目标;
采用灰关联求得各子序列与最优序列之间的关联度ri;
构建最优关联分析模型,求解最优关联度ri。
3.根据权利要求1所述的一种增压柴油机最佳EGR率确定方法,其特征在于:所述的步骤(3)具体为:
若柴油机处于低负荷工况,定义为小于或等于25%负荷时,令NOX权重η3=0.3;若柴油机处于高负荷工况,定义为大于或等于75%负荷时,令NOX权重η3=0.5;若柴油机处于中等负荷工况,定义为大于25%负荷且小于75%负荷时,令NOX权重η3=0.4。
4.根据权利要求1所述的一种增压柴油机最佳EGR率确定方法,其特征在于:所述的步骤(4)具体为:
构建优化效果样本矩阵uij',并求解优化后一致效果测度rij':
上式中,决策目标K包括燃油消耗油耗、缸内爆压、CO及碳烟;
定义为事件a1在决策目标k下的“最优”测度,为事件a1在决策目标k下的“最差”测度;
则:
上式中,e+(r′ij,v(k)+)是决策目标k下的一致效果测度与对应的最优测度的差,e-(r′ij,v(k)-)是决策目标k下的一致效果测度与对应的最差测度的差;
则:
上式中,E+(ηk)是事件a1下不同EGR率在决策目标k下的所有对策的一致效果测度与对应的最优测度的偏差,E-(ηk)是事件a1下不同EGR率在决策目标k下的所有对策的一致效果测度与对应的最差测度的偏差;ηk是目标权重;
则有多目标优化问题
对施加灰熵的极大化约束:
将和转化为下单目标优化问题:
构造拉格朗日函数:
用拉格朗日函数求解最终的ηk:
η1k=(1-η3)·ηk(k=1,2,3,4,5)。
5.根据权利要求1所述的一种增压柴油机最佳EGR率确定方法,其特征在于:所述的步骤(5)具体为:
将综合权重向量η1k代入初始建模求解综合效果测度矩阵R,结合最优关联度得到综合评估值R'=R·ri,根据最优决策原则,对不同EGR率性能进行优劣排序,得到当前工况下的最佳EGR率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257384.3A CN108563844B (zh) | 2018-03-27 | 2018-03-27 | 一种增压柴油机最佳egr率确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810257384.3A CN108563844B (zh) | 2018-03-27 | 2018-03-27 | 一种增压柴油机最佳egr率确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108563844A true CN108563844A (zh) | 2018-09-21 |
CN108563844B CN108563844B (zh) | 2022-04-12 |
Family
ID=63533501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810257384.3A Active CN108563844B (zh) | 2018-03-27 | 2018-03-27 | 一种增压柴油机最佳egr率确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108563844B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113705890A (zh) * | 2021-08-27 | 2021-11-26 | 太原理工大学 | 一种基于近似模型的柴油机排放污染物控制方法 |
CN114562371A (zh) * | 2020-11-27 | 2022-05-31 | 长城汽车股份有限公司 | 车辆的最优废气再循环率的确定方法、装置、存储介质及车辆 |
CN114577480A (zh) * | 2022-03-02 | 2022-06-03 | 中国船舶重工集团柴油机有限公司 | 一种基于序列变换的柴油机状态监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090030847A (ko) * | 2007-09-21 | 2009-03-25 | 현대자동차주식회사 | Egr 쿨러의 성능 진단 방법 |
CN107203832A (zh) * | 2017-04-07 | 2017-09-26 | 哈尔滨工程大学 | 基于主客观赋权‑多目标灰色决策‑灰关联分析的增压柴油机最佳egr性能评估方法 |
CN107476903A (zh) * | 2017-08-31 | 2017-12-15 | 哈尔滨工程大学 | 一种增压柴油机egr性能评估及最佳egr率确定方法 |
-
2018
- 2018-03-27 CN CN201810257384.3A patent/CN108563844B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090030847A (ko) * | 2007-09-21 | 2009-03-25 | 현대자동차주식회사 | Egr 쿨러의 성능 진단 방법 |
CN107203832A (zh) * | 2017-04-07 | 2017-09-26 | 哈尔滨工程大学 | 基于主客观赋权‑多目标灰色决策‑灰关联分析的增压柴油机最佳egr性能评估方法 |
CN107476903A (zh) * | 2017-08-31 | 2017-12-15 | 哈尔滨工程大学 | 一种增压柴油机egr性能评估及最佳egr率确定方法 |
Non-Patent Citations (1)
Title |
---|
祖象欢等: "增压柴油机EGR性能及决策仿真平台设计与实现", 《应用科技》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114562371A (zh) * | 2020-11-27 | 2022-05-31 | 长城汽车股份有限公司 | 车辆的最优废气再循环率的确定方法、装置、存储介质及车辆 |
CN113705890A (zh) * | 2021-08-27 | 2021-11-26 | 太原理工大学 | 一种基于近似模型的柴油机排放污染物控制方法 |
CN113705890B (zh) * | 2021-08-27 | 2023-06-20 | 太原理工大学 | 一种基于近似模型的柴油机排放污染物控制方法 |
CN114577480A (zh) * | 2022-03-02 | 2022-06-03 | 中国船舶重工集团柴油机有限公司 | 一种基于序列变换的柴油机状态监测方法及系统 |
CN114577480B (zh) * | 2022-03-02 | 2023-11-10 | 中船发动机有限公司 | 一种基于序列变换的柴油机状态监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108563844B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cook et al. | Automotive powertrain control—A survey | |
US10991174B2 (en) | Machine learning device of amount of unburned fuel, machine learning method, learned model, electronic control unit, method of production of electronic control unit, and machine learning system | |
CN107203832B (zh) | 基于主客观赋权-多目标灰色决策-灰关联分析的增压柴油机最佳egr性能评估方法 | |
CN102162405B (zh) | 用于十六烷变化的自适应柴油发动机控制 | |
CN107218141B (zh) | 发动机组件中的监管模型预测性控制 | |
CN108563844A (zh) | 一种增压柴油机最佳egr率确定方法 | |
CN107476903A (zh) | 一种增压柴油机egr性能评估及最佳egr率确定方法 | |
Roy et al. | ANN metamodel assisted Particle Swarm Optimization of the performance-emission trade-off characteristics of a single cylinder CRDI engine under CNG dual-fuel operation | |
CN108757228A (zh) | 一种增压柴油机egr性能评估方法 | |
CN114970404A (zh) | 基于缸内燃烧cfd分析的发动机油耗计算及优化方法 | |
Smaling | System architecture analysis and selection under uncertainty | |
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 | |
Xia et al. | Constrained optimization of fuel efficiency for RCCI engines | |
Shen et al. | Chance-constrained optimization for torque tracking control with improving fuel economy in spark-ignition engines | |
US11719181B2 (en) | Internal combustion engine controller | |
Bharath et al. | Impact of Active Control Turbocharging on the Fuel Economy and Emissions of a Light-Duty Reactivity Controlled Compression Ignition Engine: A Simulation Study | |
KR101906703B1 (ko) | 하이브리드 차량의 동력 제어 방법 및 장치 | |
Benz | Model-based optimal emission control of diesel engines | |
Zeng et al. | Model based calibration for improving fuel economy of a turbocharged diesel engine | |
CN114707290B (zh) | 一种高效低排放发动机技术参数决策方法 | |
Bargende et al. | Potential of the methanol-powered SI engine in the hybrid powertrain: A simulative investigation | |
CN115114785B (zh) | 一种发动机性能指标参数化快速预测方法 | |
Wagner et al. | Characterizing lean spark ignition combustion instability in terms of a low-order map | |
Xiao et al. | Integrated optimization of dedicated engine and energy management strategy for the plug-in hybrid commercial vehicle at high altitude | |
Johnson et al. | 48V Exhaust Gas Recirculation Pump: Reducing Carbon Dioxide with High-Efficiency Turbochargers without Increasing Engine-Out NOx |
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 |