CN111456840A - 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 - Google Patents
一种基于rbf神经网络的内燃机冷却水流量智能控制方法 Download PDFInfo
- Publication number
- CN111456840A CN111456840A CN202010418794.9A CN202010418794A CN111456840A CN 111456840 A CN111456840 A CN 111456840A CN 202010418794 A CN202010418794 A CN 202010418794A CN 111456840 A CN111456840 A CN 111456840A
- Authority
- CN
- China
- Prior art keywords
- temperature
- internal combustion
- combustion engine
- neural network
- cooling water
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01P—COOLING OF MACHINES OR ENGINES IN GENERAL; COOLING OF INTERNAL-COMBUSTION ENGINES
- F01P7/00—Controlling of coolant flow
- F01P7/14—Controlling of coolant flow the coolant being liquid
- F01P7/16—Controlling of coolant flow the coolant being liquid by thermostatic control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于RBF神经网络的内燃机冷却水流量智能控制方法,该方法设计适用于内燃机水温预测的RBF神经网络模型,并使用测量获得的内燃机的温度数据集对设计的RBF神经网络模型进行训练和测试;通过RBF神经网络模型计算获得内燃机的水温预测温度,再计算预测温度与目标水温的温度差,根据温度差调控冷却水流量,对内燃机的运行温度进行温度补偿,从而使内燃机的运行水温实时处于目标水温区间内。本发明将现代电子信息技术应用到内燃机冷却循环系统的控制中,实现保证内燃机在任何气候环境下始终维持或接近最佳温度区间内工作,从而真正达到减少零件磨损加剧,减少尾气排放,改善内燃机工作方式,进而节能减排的目的。
Description
技术领域
本发明涉及一种基于RBF神经网络的内燃机冷却水流量智能控制方法。
背景技术
节能减排不仅关系到国家的能源安全,而且可显著降低运输成本和车辆运维成本,影响大气污染防治成效,是国内外汽车行业发展的大趋势。节能减排与国家的能源安全息息相关,中国是石油消耗第二大国,有效降低内燃机燃油消耗已成为我国内燃机产业发展的重要趋势,也直接关系到我国能源安全战略。燃油占整个运输成本的30~50%,并且由于车辆发动机由冷启动造成的磨损率高达78%,因此节能减排可显著降低运输成本和节省车辆运维成本。节能减排还直接关系到大气污染防治的成效,节油与节能减排相辅相成,减少能源消耗必然会降低排放。另外节能减排是国内外汽车行业发展的大趋势,社会发展的亟需。近年来,在高档汽油轿车上,如奔驰车,宝马等,部分使用了新型电子节温器,目的也是对车辆循环系统进行更有效的控制,达到节能和减排的目的。
大多数内燃机都有冷却循环系统,用于保障内燃机的正常工作环境,主要是温度环境。内燃机最佳的工作环境温度一般在:85℃~95℃之间。但事实上绝大多数内燃机却在机体水温低于85℃的情况下工作,尤其是柴油发动机一般都在50℃~75℃之间工作,这样就会使零件磨损加剧,尾气排放恶化,内燃机工作粗暴、功率下降、油耗增加。目前国际国内柴油车辆,主要采用节温器实现温度调节,而节温器有诸多不足之处:1)无法将内燃机水温控制在最佳工作温度范围内;2)不能将内燃机磨损程度降到最低;3)不能良好地控制内燃机水温,导致燃油燃烧不良,会不同程度地增加燃油消耗量;4)不能良好地控制内燃机工作温度,燃油燃烧不充分,会产生更多的废气及有毒气体,污染环境、危害人类身体健康;5)不能将内燃机水温控制在最佳工作范围内,冬季车内气温低,司机乘客感觉寒冷难忍。
发明内容
针对上述存在的问题,本发明提供一种基于RBF神经网络的内燃机冷却水流量智能控制方法。将现代电子信息技术,软件技术和传感器技术应用到内燃机冷却循环系统的控制中,利用RBF神经网络与一种新型内燃机流体控制阀相结合,对内燃机工作时产生的热量进行控制,实现保证内燃机在任何气候环境下始终维持或接近最佳温度区间内工作。具体技术方案如下:
一种基于RBF神经网络的内燃机冷却水流量智能控制方法,包括步骤如下:
步骤1:测量内燃机的温度数据并对该温度数据进行预处理,获得由水温和水温变化率组成的二维数据集,并将该二维数据集划分成训练集和测试集;
步骤2:设计适用于内燃机水温预测的RBF神经网络模型;
步骤4:设定目标水温区间[T0,T1],并计算步骤3中的预测温度与目标水温区间的温度差ΔT,其计算公式如下:
根据温度差ΔT调控冷却水流量进行温度补偿,从而使内燃机运行水温实时处于目标水温区间内。
作为优选的技术方案的,步骤1中,所述测量内燃机的温度数据为通过温度传感器测量,其为一段时间的内燃机运行水温数据;该数据长度固定为n,每次更新舍弃最开始数据,最后形成由水温和水温变化率组成的二维数据集,然后将该二维数据集进行归一化预处理后划分成训练集和测试集。划分方式为将固定长度为n的二维数据集中,前n-1列作为训练集,最后2列作为测试集;训练集两列一组进行处理,设定每次训练组数和训练次数。例如,n=1、2、3、4、5……;测试时,1预测2、2预测3……。当n=5,划分时,训练集为12、23、34,测试集为45。
作为优选的技术方案的,步骤2中,所述适用于内燃机水温预测的RBF神经网络模型包括输入层、输出层、隐藏层三层神经网络;
所述输入层设计为2维,分别为水温和水温变化率,输入层到隐藏层权值固定为1;
所述输出层设计为1维,为下一时刻水温预测值,输出层神经元将隐藏层的RBF加权叠加;
所述隐藏层设计为1层,其转换函数为径向基函数。
所述RBF神经网络模型的神经网络映射公式为:
式中:x∈Rn为输入量;fr(x)为输出量;Φ(·)为非线性转化函数;ωi为加权值,ω0为初始权值;ci∈Rn为第i个隶属度函数的中心;m为中心的个数;P为输入参数矩阵。
作为进一步优选的技术方案的,所述非线性转化函数Φ(·)是高斯函数,其计算公式为:
其中,u为差向量的模;δ为标准化常数。
作为优选的技术方案的,步骤3中,所述对步骤2中设计的RBF神经网络模型进行训练具体操作如下:
步骤3-1:随机初始化网络输入层与RBF层之间的权值ωij,设置初始学习率a(0);其中,i=1,···,n;j=1,···,m;n表示输入层节点数,m表示RBF层节点数;
步骤3-2:向网络输入x(t);x(t)表示t时刻的n维输入向量;
步骤3-3:计算输入节点到每一输出节点j之间的距离dj,其计算公式为:
其中,ωij(t)表示t时刻的权值;并选择具有最小距离dj的节点j*为获胜输出节点;
步骤3-4:对j*更新权值,更新权值的公式为:
ωij(t+1)=ωij(t)+a(t)*(xi(t)-ωij(t))
其中,a(t)表示t时刻的学习率,它随t的增加不断减小,ωij(t+1)表示t+1时刻的权值;
步骤3-5:设定阈值,对训练过程判断,如果ωij的变化量小于阈值,则训练过程结束,否则转到重复训练过程。
作为优选的技术方案的,步骤3中,所述对步骤2中设计的RBF神经网络模型进行测试以测试为,以步骤1的中测试集为输入数据集,经过RBF神经网络模型计算得到内燃机下一时刻水温的预测期望值,即预测温度。
作为优选的技术方案的,步骤4中,所述调控冷却水流量为通过步进电机控制内燃机冷却水的流体控制阀,控制冷却水流量进行温度补偿,使内燃机水温实时处于目标水温区间内。所述温度补偿方式为:当预测温度大于目标温度时,说明当前冷却水流量过小,通过步进电机调节冷却水流控制阀,增大流向散热器冷却水的流量,冷却水流量增大会降低内燃机温度,使内燃机温度降到目标温度区间,从而达到温度补偿的目的;当预测温度小于目标温度时,说明当前冷却水流量过大,通过步进电机调节冷却水流控制阀,减小流向散热器冷却水的流量,冷却水流量减小会增加内燃机温度,使内燃机温度升到目标温度区间,从而达到温度补偿的目的;当预测温度处于目标温度区间时,说明当前冷却水流量合理,通过步进电机调节冷却水流控制阀,维持流向散热器冷却水的流量,使内燃机温度恒定在目标温度区间,从而达到温度补偿的目的。
本发明的有益效果是:
本发明通过将现代电子信息技术,软件技术和传感器技术应用到内燃机冷却循环系统的控制中,利用RBF神经网络与一种新型内燃机流体控制阀相结合,对内燃机工作时产生的热量进行控制,能将内燃机工作水温精确地控制在最佳工作温度范围内,实现保证内燃机在任何气候环境下始终维持或接近最佳温度区间内工作。解决目前内燃发动机工作时不能完全保持在最佳温度区间工作的难题,尤其是解决了柴油内燃机普遍温度低的问题。实现了内燃机冷却循环系统的闭环控制。使内燃机始终在最佳的环境中工作,从而真正达到减少零件磨损加剧,减少尾气排放恶化,改善内燃机工作方式、提升内燃机的功率、减小油耗,同时实现了节能减排的目的,为减少雾霾做贡献。
将内燃机水温控制在最佳工作温度范围内的具体好处包括:
1)通过将内燃机水温控制在最佳工作温度范围内,各相对运转的零部件磨擦面可形成良好的油膜,能降低各部件磨损程度,延长内燃机使用寿命;2)将内燃机水温控制在最佳工作温度范围内,燃烧室的燃油能充分燃烧,起到节约燃油的作用;3)精确控制内燃机工作水温,燃油燃烧充分,就能少产废气、毒气,减轻环境污染程度,为全人类身体健康提供了一份保障;4)将内燃机水温控制在最佳工作范围内,在寒冷的冬季车内气温适宜,司机和乘客感觉温暖如春;而且车辆风挡除霜好,司机工作视线好,提高了司机操作安全性。
附图说明
图1为本发明基于RBF神经网络的内燃机冷却水流量智能控制方法的流程示意图;
图2为本发明的RBF神经网络拓扑图;
图3为本发明的控制内燃机冷却水流量的流体控制阀结构示意图。
具体实施方式
下面将结合实施例及附图,对本发明的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。具体实施例如下:
实施例1
本实施例是一种基于RBF神经网络的内燃机冷却水流量智能控制方法,其控制流程如图1所示,该方法包括步骤如下:
步骤1:确定温度采样频率,采用温度传感器测量内燃机运行一段时间的内燃机运行水温数据,该段数据长度固定为n,且每次更新舍弃最开始数据,最后形成由水温和水温变化率组成的二维数据集;然后进行归一化预处理后划分成训练集和测试集。划分方式为将固定长度为n的二维数据集中,前n-1列作为训练集,最后2列作为测试集;训练集两列一组进行处理,设定每次训练组数和训练次数。例如,n=1、2、3、4、5……;测试时,1预测2、2预测3……。当n=5,划分时,训练集为12、23、34,测试集为45。45
步骤2:设计适用于内燃机水温预测的RBF神经网络模型,其拓扑图如图2所示。
该RBF神经网络模型是一个只有一个隐藏层的三层前馈神经网络,包括输入层、输出层、隐藏层三层神经网络;隐藏层中每个神经元中心和局部感受域决定了RBF的位置和宽度。
所述输入层设计为2维,分别为水温和水温变化率,输入层到隐藏层权值固定为1;
所述输出层设计为1维,为下一时刻水温预测值,输出层神经元将隐藏层的RBF加权叠加;
所述隐藏层设计为1层,其转换函数为径向基函数。
该RBF神经网络模型的神经网络映射公式为:
式中:x∈Rn为输入量;fr(x)为输出量;Φ(·)为非线性转化函数;ωi为加权值,ω0为初始权值;ci∈Rn为第i个隶属度函数的中心;m为中心的个数;P为输入参数矩阵。
优选的,上述神经网络映射公式中,所述非线性转化函数Φ(·)是高斯函数,其计算公式为:
其中,u为差向量的模;δ为标准化常数。
步骤3:使用步骤1中划分的训练集和测试集对步骤2中设计的RBF神经网络模型进行训练和测试,并通过RBF神经网络模型计算对内燃机的水温进行预测,获得内燃机运行下一时刻的预测温度。
所述对RBF神经网络模型进行训练是以步骤1中划分的训练集为输入数集,具体操作如下:
步骤3-1:随机初始化网络输入层与RBF层之间的权值ωij,设置初始学习率a(0);其中,i=1,···,n;j=1,···,m;n表示输入层节点数,m表示RBF层节点数;
步骤3-2:向网络输入x(t);x(t)表示t时刻的n维输入向量;
步骤3-3:计算输入节点到每一输出节点j之间的距离dj,其计算公式为:
其中,ωij(t)表示t时刻的权值;并选择具有最小距离dj的节点j*为获胜输出节点;
步骤3-4:对j*更新权值,更新权值的公式为:
ωij(t+1)=ωij(t)+a(t)*(xi(t)-ωij(t))
其中,a(t)表示t时刻的学习率,它随t的增加不断减小,ωij(t+1)表示t+1时刻的权值;
步骤3-5:设定阈值为0.05,对训练过程判断,如果ωij的变化量小于阈值,则训练过程结束,否则转到重复训练过程。
步骤4:根据内燃机所服务的具体的机器,设定内燃机运行的目标水温区间[T0,T1],并计算步骤3中计算得到的预测温度与目标水温的温度差ΔT,其公式如下:
根据温温度差ΔT通过步进电机控制内燃机冷却水的流体控制阀,控制冷却水流量进行温度补偿,使内燃机水温实时处于目标水温区间内。
所述温度补偿方式为:
当预测温度大于目标温度时,说明当前冷却水流量过小,通过步进电机调节冷却水流控制阀,增大流向散热器冷却水的流量,冷却水流量增大会降低内燃机温度,使内燃机温度降到目标温度区间,从而达到温度补偿的目的;
当预测温度小于目标温度时,说明当前冷却水流量过大,通过步进电机调节冷却水流控制阀,减小流向散热器冷却水的流量,而冷却水流量减小会增加内燃机温度,使内燃机温度升到目标温度区间,从而达到温度补偿的目的;
当预测温度处于目标温度区间时,说明当前冷却水流量合理,通过步进电机调节冷却水流控制阀,维持流向散热器冷却水的流量,使内燃机温度恒定在目标温度区间,从而达到温度补偿的目的。
实施例2
本实施例是对实施例1中所述的基于RBF神经网络的内燃机冷却水流量智能控制方法进行实践检测。将设有可执行施例1中所述的内燃机冷却水流量智能控制方法的内燃机冷却水流体控制阀,其结构如图3所示,车辆冷却循环控制系统控制阀总成入水口与发动机出水口相连接,车辆冷却循环控制系统控制阀总成大循环出水口与水箱散热器入水口相连接。安装于汽车上,送“黑龙江省汽车产品质量监督检验站”进行检测。
本实施例所用汽车型号:豪泺ZZ3317N3867C1;
发动机型号:WD615.96E;
测试路线长度:1132.2公里;
测试路线地形:平地
测试日均行驶距离:377.4公里;
测试结果:日均节油量:15.9升;节油率为8.14%。
以此计算:该汽车每月可节约485升燃油,每年可节约5800升燃油。柴油以6.17元/升计算,年可节约支出3.6万元,用户可在1~2个月内收回购置内燃机冷却水流体控制阀的成本,因此,本发明方法具有突出的实质性特点及显著的效果。
实施例3
本实施例是对实施例1中所述的基于RBF神经网络的内燃机冷却水流量智能控制方法进行进一步实际检测,评估其对内燃机水温控制的效果。
本实施例测试的基本信息如表1所示,测试时间为2018年6月,测试车辆相同,驾驶员相同,设定的目标温度区间为:60℃~80℃。
测试结果如表2所示,其中平均温升速率指汽车启动至水温升至70℃的平均升温速度;平均温降速率指水温达到最高温度后下降至温度稳定的平均降温速度;高温时长指水温维持在80℃及以上温度的时间长度。
表1.基本信息
表2.采用本发明方法与未采用本发明方法车辆内燃机运行参数对比
由表2中测试所得参数对比的结果可以看出,采用本发明内燃机冷却水流量智能控制方法,汽车内燃机的平均工作温度维持在70℃,明显优于传统的59℃;在温升、温降方面也都优于传统方法。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于RBF神经网络的内燃机冷却水流量智能控制方法,其特征在于:包括步骤如下:
步骤1:测量内燃机的温度数据并对该温度数据进行预处理,获得由水温和水温变化率组成的二维数据集,并将该二维数据集划分成训练集和测试集;
步骤2:设计适用于内燃机水温预测的RBF神经网络模型;
步骤3:使用步骤1中划分的训练集和测试集对步骤2中设计的RBF神经网络模型进行训练和测试,并通过RBF神经网络模型对内燃机的水温预测,获得内燃机运行下一时刻的预测温度;
步骤4:设定目标水温区间,并计算步骤3中的预测温度与目标水温区间边界值的温度差,根据温度差调控冷却水流量进行温度补偿,从而使内燃机运行水温实时处于目标水温区间内。
2.根据权利要求1所述的基于RBF神经网络的内燃机冷却水流量智能控制方法,其特征在于:步骤1中,所述测量内燃机的温度数据为通过温度传感器测量,其为一段时间的内燃机运行水温数据;该数据长度固定为n,每次更新舍弃最开始数据,最后形成由水温和水温变化率组成的二维数据集,该二维数据集进行归一化预处理后划分成训练集和测试集。
3.根据权利要求2所述的基于RBF神经网络的内燃机冷却水流量智能控制方法,其特征在于:将固定长度为n的二维数据集中,前n-1列作为训练集,最后2列作为测试集;训练集两列一组进行处理,设定每次训练组数和训练次数。
4.根据权利要求1所述的基于RBF神经网络的内燃机冷却水流量智能控制方法,其特征在于:步骤2中,所述适用于内燃机水温预测的RBF神经网络模型包括输入层、输出层、隐藏层三层神经网络;
所述输入层设计为2维,分别为水温和水温变化率,输入层到隐藏层权值固定为1;
所述输出层设计为1维,为下一时刻水温预测值,输出层神经元将隐藏层的RBF加权叠加;
所述隐藏层设计为1层,其转换函数为径向基函数。
7.根据权利要求1所述的基于RBF神经网络的内燃机冷却水流量智能控制方法,其特征在于:步骤3中,所述对步骤2中设计的RBF神经网络模型进行训练具体操作为:
步骤3-1:随机初始化网络输入层与RBF层之间的权值ωij,设置初始学习率a(0);其中,i=1,···,n;j=1,···,m;n表示输入层节点数,m表示RBF层节点数;
步骤3-2:向网络输入x(t);x(t)表示t时刻的n维输入向量;
步骤3-3:计算输入节点到每一输出节点j之间的距离dj,其计算公式为:
其中,ωij(t)表示t时刻的权值;并选择具有最小距离dj的节点j*为获胜输出节点;
步骤3-4:对j*更新权值,更新权值的公式为:
ωij(t+1)=ωij(t)+a(t)*(xi(t)-ωij(t))
其中,a(t)表示t时刻的学习率,它随t的增加不断减小,ωij(t+1)表示t+1时刻的权值;
步骤3-5:设定阈值,对训练过程判断,如果ωij的变化量小于阈值,则训练过程结束,否则转到重复训练过程。
8.根据权利要求7所述的基于RBF神经网络的内燃机冷却水流量智能控制方法,其特征在于:步骤3中,所述对步骤2中设计的RBF神经网络模型进行测试为,以步骤1的中测试集为输入数据集,经过RBF神经网络模型计算得到内燃机下一时刻水温的预测期望值,即预测温度。
9.根据权利要求1所述的基于RBF神经网络的内燃机冷却水流量智能控制方法,其特征在于:步骤4中,所述调控冷却水流量为通过步进电机控制内燃机冷却水的流体控制阀,控制冷却水流量进行温度补偿,使内燃机水温实时处于目标水温区间内。
10.根据权利要求9所述的基于RBF神经网络的内燃机冷却水流量智能控制方法,其特征在于:所述温度补偿的方式为:
当预测温度大于目标温度时,增大流向散热器冷却水的流量,使内燃机温度降到目标温度区间,从而达到温度补偿的目的;
当预测温度小于目标温度时,减小流向散热器冷却水的流量,使内燃机温度升到目标温度区间,从而达到温度补偿的目的;
当预测温度处于目标温度区间时,维持流向散热器冷却水的流量,使内燃机温度恒定在目标温度区间,从而达到温度补偿的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010418794.9A CN111456840B (zh) | 2020-05-18 | 2020-05-18 | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010418794.9A CN111456840B (zh) | 2020-05-18 | 2020-05-18 | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111456840A true CN111456840A (zh) | 2020-07-28 |
CN111456840B CN111456840B (zh) | 2022-01-14 |
Family
ID=71682785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010418794.9A Active CN111456840B (zh) | 2020-05-18 | 2020-05-18 | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111456840B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238076A (zh) * | 2021-05-10 | 2021-08-10 | 西北工业大学 | 一种基于深度学习的复杂流场测量方法与系统 |
CN115328232A (zh) * | 2022-09-01 | 2022-11-11 | 厦门宇昊软件有限公司 | 一种温度控制方法和系统 |
CN115419497A (zh) * | 2022-08-31 | 2022-12-02 | 潍柴动力股份有限公司 | 一种电子节温器监控方法、装置、设备、存储介质和车辆 |
CN115808944A (zh) * | 2023-02-09 | 2023-03-17 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
CN117743974A (zh) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10007241A1 (de) * | 2000-02-17 | 2001-09-06 | Daimler Chrysler Ag | Verfahren zur Regelung eines Kühlwasserkreislaufes einer Brennkraftmaschine |
JP2008009935A (ja) * | 2006-06-30 | 2008-01-17 | Kagawa Univ | データ処理装置,データ処理方法,作業機械の遠隔診断システム及び作業機械の遠隔診断方法 |
US20110118917A1 (en) * | 2009-11-17 | 2011-05-19 | Hyundai Motor Company | Method for controlling cooling of power converter for hybrid electric vehicle |
CN104102782A (zh) * | 2014-07-18 | 2014-10-15 | 上海电力学院 | 压水堆核电站反应堆温度rbf神经网络控制方法 |
CN106870099A (zh) * | 2017-03-09 | 2017-06-20 | 山东大学 | 一种基于固定路谱的混合动力车辆热管理系统的控制方法 |
CN109447236A (zh) * | 2018-09-28 | 2019-03-08 | 重庆邮电大学 | 一种混合动力汽车热管理系统的故障诊断方法 |
CN110221241A (zh) * | 2019-04-29 | 2019-09-10 | 西安电子科技大学 | 一种基于rbf神经网络的低仰角doa估计方法 |
-
2020
- 2020-05-18 CN CN202010418794.9A patent/CN111456840B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10007241A1 (de) * | 2000-02-17 | 2001-09-06 | Daimler Chrysler Ag | Verfahren zur Regelung eines Kühlwasserkreislaufes einer Brennkraftmaschine |
JP2008009935A (ja) * | 2006-06-30 | 2008-01-17 | Kagawa Univ | データ処理装置,データ処理方法,作業機械の遠隔診断システム及び作業機械の遠隔診断方法 |
US20110118917A1 (en) * | 2009-11-17 | 2011-05-19 | Hyundai Motor Company | Method for controlling cooling of power converter for hybrid electric vehicle |
CN104102782A (zh) * | 2014-07-18 | 2014-10-15 | 上海电力学院 | 压水堆核电站反应堆温度rbf神经网络控制方法 |
CN106870099A (zh) * | 2017-03-09 | 2017-06-20 | 山东大学 | 一种基于固定路谱的混合动力车辆热管理系统的控制方法 |
CN109447236A (zh) * | 2018-09-28 | 2019-03-08 | 重庆邮电大学 | 一种混合动力汽车热管理系统的故障诊断方法 |
CN110221241A (zh) * | 2019-04-29 | 2019-09-10 | 西安电子科技大学 | 一种基于rbf神经网络的低仰角doa估计方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113238076A (zh) * | 2021-05-10 | 2021-08-10 | 西北工业大学 | 一种基于深度学习的复杂流场测量方法与系统 |
CN113238076B (zh) * | 2021-05-10 | 2022-12-06 | 西北工业大学 | 一种基于深度学习的复杂流场测量方法 |
CN115419497A (zh) * | 2022-08-31 | 2022-12-02 | 潍柴动力股份有限公司 | 一种电子节温器监控方法、装置、设备、存储介质和车辆 |
CN115419497B (zh) * | 2022-08-31 | 2024-02-23 | 潍柴动力股份有限公司 | 一种电子节温器监控方法、装置、设备、存储介质和车辆 |
CN115328232A (zh) * | 2022-09-01 | 2022-11-11 | 厦门宇昊软件有限公司 | 一种温度控制方法和系统 |
CN115328232B (zh) * | 2022-09-01 | 2023-12-19 | 厦门宇昊软件有限公司 | 一种温度控制方法和系统 |
CN115808944A (zh) * | 2023-02-09 | 2023-03-17 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
CN115808944B (zh) * | 2023-02-09 | 2023-06-02 | 国能大渡河枕头坝发电有限公司 | 一种定子温升试验控制方法 |
CN117743974A (zh) * | 2024-02-21 | 2024-03-22 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
CN117743974B (zh) * | 2024-02-21 | 2024-05-03 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111456840B (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111456840B (zh) | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 | |
CN110775043B (zh) | 一种基于电池寿命衰减模式识别的混动汽车能量优化方法 | |
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
CN108819934B (zh) | 一种混合动力车辆的动力分配控制方法 | |
Khayyam | Adaptive intelligent control of vehicle air conditioning system | |
Seo et al. | Prediction of instantaneous real-world emissions from diesel light-duty vehicles based on an integrated artificial neural network and vehicle dynamics model | |
Sun et al. | Energy consumption simulation and economic benefit analysis for urban electric commercial-vehicles | |
CN110435412A (zh) | 一种基于bp神经网络商用车智能格栅多开度控制方法 | |
CN102975713A (zh) | 基于模型预测控制的混合动力汽车控制方法 | |
CN110486017B (zh) | 一种基于露天矿区路径的无人驾驶车辆能耗节能方法 | |
CN108961468B (zh) | 一种基于集成学习的船舶动力系统故障诊断方法 | |
CN110641456A (zh) | 一种基于pmp原理的插电式混合动力系统双态自适应控制方法 | |
CN109779736B (zh) | 一种发动机电控硅油风扇的节能优化控制方法及系统 | |
CN112983608A (zh) | 颗粒捕集器碳载量计算方法、系统、控制器和存储介质 | |
CN112700047A (zh) | 基于bp神经网络的油量损耗预测方法 | |
CN110733493A (zh) | 一种混合动力电动汽车的功率分配方法 | |
Kolachalama et al. | Using Deep Learning to Predict the Engine Operating Point in Real-Time | |
US20220058522A1 (en) | Model learning system, model learning method, and server | |
CN115062842A (zh) | 基于实时路况和气象状况的机动车排放预测方法及系统 | |
Uthathip et al. | Application of ANFIS Model for Thailand's Electric Vehicle Consumption. | |
Pan et al. | Driving cycle construction and combined driving cycle prediction for fuzzy energy management of electric vehicles | |
Xu et al. | Study on the influence of high and low temperature environment on the energy consumption of battery electric vehicles | |
Tóth-Nagy et al. | Further validation of artificial neural network-based emissions simulation models for conventional and hybrid electric vehicles | |
CN115750054A (zh) | 一种发动机NOx排放监控系统及方法 | |
Brace et al. | An operating point optimizer for the design and calibration of an integrated diesel/continuously variable transmission powertrain |
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 |