CN112415892B - 一种汽油机起动标定控制参数优化方法 - Google Patents
一种汽油机起动标定控制参数优化方法 Download PDFInfo
- Publication number
- CN112415892B CN112415892B CN202011251944.8A CN202011251944A CN112415892B CN 112415892 B CN112415892 B CN 112415892B CN 202011251944 A CN202011251944 A CN 202011251944A CN 112415892 B CN112415892 B CN 112415892B
- Authority
- CN
- China
- Prior art keywords
- starting
- calibration control
- parameters
- parameter
- model
- 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.)
- Active
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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (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)
- Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
Abstract
本发明公开了一种汽油机起动标定控制参数优化方法,获取起动标定控制参数和起动加权目标参数;基于起动标定控制参数和起动加权目标参数两者之间的贡献度关系模型降维起动标定控制参数;基于降维后的起动标定控制参数和起动加权目标参数两者之间的关系建立最终关系模型。本发明其不仅可以有效降低汽油机起动标定参数优化时间,而且能够给出合理有效的起动控制优化方向,对减小汽油机起动标定开发周期和积累起动标定开发经验有较大益处。
Description
技术领域
本发明属于汽车控制系统技术领域,具体公开了一种汽油机起动标定控制参数优化方法。
背景技术
汽油机起动标定控制面临控制策略复杂、控制参数多、参数调节困难的问题。依靠经验调整喷油、点火和进气等起动标定控制参数,无法短时间内使喷油、点火和进气控制达到合理或最优。喷油、点火、进气控制差,会使汽油机起动困难,油耗和排放恶化,降低整车舒适性;良好的喷油、点火和进气控制可以减小汽油机油耗和排放,保证汽油机起动可靠性,提升整车NVH性能;同时消费者对汽车性能要求的提升,及汽油机电控系统的日趋复杂,依靠经验优化汽油机起动标定控制参数更加困难。因此,亟待开发一种新的策略及方法快速合理优化汽油机起动过程。
发明内容
为消除背景技术中所提到的技术问题,本发明公开了一种汽油机起动标定控制参数优化方法,其不仅可以有效降低汽油机起动标定控制参数优化时间,而且能够给出合理有效的起动控制优化方向,对减小汽油机起动标定开发周期和积累起动标定开发经验有较大益处。
本发明公开了一种汽油机起动标定控制参数优化方法,获取起动标定控制参数和起动加权目标参数;基于起动标定控制参数和起动加权目标参数两者之间的贡献度关系模型降维起动标定控制参数;基于降维后的起动标定控制参数和起动加权目标参数两者之间的关系建立最终关系模型,并基于最终关系模型和优化算法优化起动标定控制参数。
本发明的一种优选实施方案中,对起动标定控制参数降维的方法包括:步骤a,建立起xgboost提升树机器学习模型建立贡献度关系模型;步骤b,基于贡献度关系模型确定每个起动标定控制参数的贡献度值;步骤c,基于每个起动标定控制参数贡献度值判断是否过滤该起动标定控制参数。
本发明的一种优选实施方案中,当且仅当某个起动标定控制参数的贡献度值大于3%时,保留该起动标定控制参数。
本发明的一种优选实施方案中,建立最终关系模型的方法包括:步骤一,基于起动标定控制参数建立样本,做起动标定试验,基于样本建立A%的用于建模的训练样本集合和B%的用于验证模型的测试样本集合,A+B=100且A>B且A≥70;步骤二,基于xgboost提升树机器学习模型对训练样本集合建模形成第一关系模型,基于深度学习神经网络模型对训练样本集合建模形成第二关系模型;步骤三,基于第一关系模型和第二关系模型确定最终关系模型;步骤四,基于测试样本和决定系数R2判断最终关系模型是否合格,若不合格返回步骤二。
本发明的一种优选实施方案中,步骤一中,基于起动标定控制参数的喷油控制参数标定表格、进气控制参数标定表格和点火控制参数标定表格获取样本;基于上述样本进行多次起动标定试验,获取起动加权目标参数。
本发明的一种优选实施方案中,起动加权目标参数的获取方法包括:获取样本各个目标参数的均值和标准差,通过该均值和标准差将起动标定控制参数获取的目标参数正规化,各正规化后的目标参数权值规定如下,在<0℃和23℃温度下,起动颗粒物排放质量PM权值为0.4,起动时间、起动峰值转速、起动累计油耗权值各为0.2;在其他温度下,起动颗粒物排放质量PM权值为0.2;起动时间、起动峰值转速权值为0.3,起动累计油耗权值为0.2。
本发明的一种优选实施方案中,所述起动加权目标参数包括但不限于加权求和归一化起动时间、起动峰值转速、起动颗粒物排放质量PM、起动累计油耗。
本发明的一种优选实施方案中,步骤三中,输入训练样本集合的某一样本至第一关系模型获取第一加权目标参数,输入训练样本集合的同一样本至第二关系模型获取第二加权目标参数;获取第一加权目标参数与实际加权目标参数之差的第一绝对值,获取第二加权目标参数与实际加权目标参数之差的第二绝对值;若第一绝对值>第二绝对值,则该样本使用第二关系模型;若第一绝对值<第二绝对值,则该样本使用第一关系模型;统计使用第一关系模型的样本数为n1,统计使用第二关系模型的样本数为n2,该某样本的预测加权目标参数=n1/(n1+n2)*第一加权目标参数+n2/(n1+n2)*第二加权目标参数。
本发明的一种优选实施方案中,步骤四中,对最终关系模型采用测试样本和决定系数R2评价最终模型,R2>0.9。
本发明的一种优选实施方案中,基于最终关系模型和优化算法对起动标定控制参数进行优化,结合优化算法,保证起动加权目标参数最小,并采用起动标定试验进行验证。
本发明的有益效果是:本发明主要通过设计起动工况喷油、进气及点火控制策略,考虑汽油机起动工况喷油、进气和点火各可标定参数对起动时间、起动峰值转速、起动曲线平滑性、起动累计油耗、起动阶段颗粒物排放质量PM等起动评价指标加权权值的影响,采用xgboost提升树模型和深度学习神经网络模型拟合各标定参数和起动评价指标的机器学习模型,基于机器学习模型识别各标定参数对起动评价指标加权权值的贡献度,过滤贡献度较小的标定参数,从而达到降维和合理筛选起动标定参数;最后,基于机器学习模型和优化算法对起动标定参数进行优化,使起动评价指标加权权值达到最小。综上,可以快速有效优化整车汽油机起动过程。
附图说明
图1是本发明实施例提供的一种汽油机起动标定控制参数优化方法的流程图;
图2是本发明实施例提供的一种汽油机起动标定控制参数优化方法的起动喷油控制原理图;
图3是本发明实施例提供的一种汽油机起动标定控制参数优化方法的起动进气控制原理图;
图4是本发明实施例提供的一种汽油机起动标定控制参数优化方法的起动点火控制原理图;
图5是本发明实施例提供的一种汽油机起动标定控制参数优化方法的机器学习模型图。
具体实施方式
下面通过附图以及列举本发明的一些可选实施例的方式,对本发明的技术方案(包括优选技术方案)做进一步的详细描述。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作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。
本发明公开了一种汽油机起动标定控制参数优化方法,获取起动标定控制参数和起动加权目标参数;基于起动标定控制参数和起动加权目标参数两者之间的贡献度关系模型降维起动标定控制参数;基于降维后的起动标定控制参数和起动加权目标参数两者之间的关系建立最终关系模型。
优选地,对起动标定控制参数降维的方法包括:步骤a,建立起xgboost提升树机器学习模型建立贡献度关系模型;步骤b,基于贡献度关系模型确定每个起动标定控制参数的贡献度值;步骤c,基于每个起动标定控制参数贡献度值判断是否过滤该起动标定控制参数。
优选地,当且仅当某个起动标定控制参数的贡献度值大于3%时,保留该起动标定控制参数。
优选地,建立最终关系模型的方法包括:步骤一,基于起动标定控制参数建立样本,做启动标定试验,基于样本建立A%的用于建模的训练样本集合和B%的用于验证模型的测试样本集合,A+B=100且A>B且A≥70;步骤二,基于xgboost提升树机器学习模型对训练样本集合建模形成第一关系模型,基于深度学习神经网络模型对训练样本集合建模形成第二关系模型;步骤三,基于第一关系模型和第二关系模型确定最终关系模型,若第一绝对值>第二绝对值,则该样本使用第二关系模型;若第一绝对值<第二绝对值,则该样本使用第一关系模型;步骤四,基于测试样本和决定系数R2判断最终关系模型是否合格,若不合格返回步骤二。
优选地,步骤一中,基于起动标定控制参数的喷油控制参数标定表格、进气控制参数标定表格和点火控制参数标定表格获取样本;基于上述样本进行多次起动标定试验,获取起动加权目标参数。
优选地,起动加权目标参数的获取方法包括:获取样本各个目标参数的均值和标准差,通过该均值和标准差将起动标定控制参数获取的目标参数正规化,各正规化后的目标参数权值规定如下,在<0℃和23℃温度下,起动颗粒物排放质量PM权值为0.4,起动时间、起动峰值转速、起动累计油耗权值各为0.2;在其他温度下,起动颗粒物排放质量PM权值为0.2;起动时间、起动峰值转速权值为0.3,起动累计油耗权值为0.2。
优选地,所述起动加权目标参数包括但不限于加权求和归一化起动时间、起动峰值转速、起动颗粒物排放质量PM、起动累计油耗。
优选地,步骤三中,输入训练样本集合的某一样本至第一关系模型获取第一加权目标参数,输入训练样本集合的同一样本至第二关系模型获取第二加权目标参数;获取第一加权目标参数与实际加权目标参数之差的第一绝对值,获取第二加权目标参数与实际加权目标参数之差的第二绝对值,若第一绝对值>第二绝对值,则该样本使用第二关系模型;若第一绝对值<第二绝对值,则该样本使用第一关系模型;统计使用第一关系模型的样本数为n1,统计使用第二关系模型的样本数为n2,该样本的预测加权目标参数=n1/(n1+n2)*第一加权目标参数+n2/(n1+n2)*第二加权目标参数。
优选地,步骤四中,对最终关系模型采用测试样本和决定系数R2评价最终模型,R2>0.9。
优选地,基于最终关系模型和优化算法对起动标定控制参数进行优化,保证起动加权目标参数最小,并采用起动标定试验进行验证。
综上可知,本发明采用的技术方案是主要包括以下步骤:
(1)、考虑环境因素及汽油机运行参数合理设计起动喷油、进气及点火起动控制策略;
(2)、根据所设计起动控制策略,选取起动喷油、进气、点火起动标定控制参数,通过试验设计方法选取多组起动标定控制参数试验样本;
(3)、采用试验样本进行汽油机起动试验,测量起动时间、起动峰值转速、起动颗粒物排放质量PM、起动累计油耗等目标参数,归一化各目标参数后加权求和目标参数,获取最终加权目标参数;
(4)、通过xgboost提升树机器学习模型拟合标定控制参数和起动加权目标参数的关系,通过模型计算各标定控制参数对起动加权目标参数的贡献度,对贡献度小于等于3%的标定参数进行过滤,只保留贡献度大于3%的标定参数进行深度机器学习建模;
(5)、使用xgboost机器学习方法和深度学习神经网络方法建立起动标定控制参数与加权目标参数的关系模型,模型具体情况如下:某一样本,通过xgboost机器学习模型和深度学习神经网络模型分别会计算出加权目标参数,选择其中与实际加权目标控制参数差值绝对值较小的为预测值;并采用决定系数R2评价最终机器学习模型,R2应大于0.9。
(6)、根据选取的机器学习模型,采用优化算法对起动标定控制参数进行优化,可使加权起动目标参数达到最小,并对加权最优目标参数进行试验验证。
具体的,
(1)、如图2、3、4,根据不同地区试验环境及汽油机运行参数差异,设计汽油机起动喷油、进气及点火控制策略。其综合考虑了首次起动和重复起动等不同起动工况;
(2)、如图2所示,根据起动喷油控制原理图,选择合理的喷油控制可标定参数,具体标定参数表格包含:起动燃油衰减系数、起动海拔水温燃油补偿系数、各缸燃油不均匀度补偿系数、重复起动燃油补偿系数、热浸置起动燃油补偿系数、起动喷油油压阈值、需求喷油次数、喷油起始角、喷油截止角等;根据起动水温、喷油循环次数、环境压力、各气缸进气量、发动机转速、停机时间、起动进气温度表等环境条件和汽油机实际运行参数查询可标定参数表中对应需标定控制参数;
(3)、如图3所示,根据起动进气控制原理图,选择合理的进气控制可标定参数,具体标定参数表格包含:起动拖动气量、起动平均指示压力、起动气量增益系数等;根据起动环境压力、起动水温、发动机转速和目标怠速等环境条件和汽油机实际运行参数查询可标定参数表中对应需标定控制参数;
(4)、如图4所示,根据起动点火控制原理图,选择合理的点火控制可标定参数,具体标定参数表格包含:起动点火角标定参数、点火线圈充磁时间;根据冷却水温度、目标怠速、发动机转速、系统电压等环境条件和汽油机实际运行参数查询对应需标定控制参数;
(5)、采用试验设计方法在合理数值范围内选取(1)、(2)、(3)步骤中的需标定参数试验样本;
(6)、根据试验样本进行多次起动标定试验,获取起动时间、起动峰值转速、起动颗粒物排放质量PM、起动累计油耗等目标参数,并加权求和起动时间、起动峰值转速、起动颗粒物排放质量PM、起动累计油耗等目标参数,获取起动加权目标参数;其中各目标参数权值通过下述方式获取:求取试验样本目标参数的均值和标准差,通过该均值和标准差将原始起动标定控制参数获取的目标参数正规化,各正规化后的目标参数权值规定如下:在<0℃和23℃温度下,起动颗粒物排放质量PM权值为0.4,起动时间、起动峰值转速、起动累计油耗权值各为0.2;在其他温度下,起动颗粒物排放质量PM权值为0.2;起动时间、起动峰值转速权值为0.3,起动累计油耗权值为0.2。
(7)、通过xgboost提升树机器学习模型拟合标定控制参数和起动加权目标参数的关系,通过模型计算各标定控制参数对起动加权目标参数的贡献度,对贡献度小于等于3%的标定参数进行过滤,只保留贡献度大于3%的标定参数进行深度机器学习建模;
进一步可通过主成分分析、相关系数分析和共线性分析等特征分析方法对起动标定控制参数进行筛选和降维度处理;
(8)、将实际试验获取的起动加权目标参数和起动标定控制参数组成的样本按照0.8和0.2的比例分为训练样本集合和测试样本集合,利用训练样本集合和机器学习方法(包含xgboost和深度学习神经网络模型)建立起动标定控制参数与目标参数之间的关系模型;模型具体情况如下:训练集中某一样本,通过xgboost机器学习模型和深度学习神经网络模型分别会计算出加权目标参数,优选地,输入训练样本集合的某一样本至第一关系模型获取第一加权目标参数,输入训练样本集合的同一样本至第二关系模型获取第二加权目标参数;获取第一加权目标参数与实际加权目标参数之差的第一绝对值,获取第二加权目标参数与实际加权目标参数之差的第二绝对值,若第一绝对值>第二绝对值,则该样本使用第二关系模型;若第一绝对值<第二绝对值,则该样本使用第一关系模型;统计使用第一关系模型的样本数为n1,统计使用第二关系模型的样本数为n2,该样本的预测加权目标参数=n1/(n1+n2)*第一加权目标参数+n2/(n1+n2)*第二加权目标参数。如图5所示;使用测试样本集,并采用决定系数R2评价最终机器学习模型,R2应大于0.9,否则对xgboost或者深度学习神经网络模型进行调参。
(9)、基于机器学习模型,采用优化算法(遗传算法、蚁群算法、模拟退火算法、梯度下降法等)对起动标定控制参数进行优化,使起动加权目标参数最小;并采用起动标定试验进行验证,若不符合试验要求,则重新进行(7)、(8)、(9)步骤。
本领域技术人员容易理解,以上仅为本发明的较佳实施例而已,并不以限制本发明,凡在本发明的精神和原则下所做的任何修改、组合、替换、改进等均包含在本发明的保护范围之内。
Claims (8)
1.一种汽油机起动标定控制参数优化方法,其特征在于:获取起动标定控制参数和起动加权目标参数;基于起动标定控制参数和起动加权目标参数两者之间的贡献度关系模型降维起动标定控制参数;基于降维后的起动标定控制参数和起动加权目标参数两者之间的关系建立最终关系模型;基于最终关系模型采用优化算法对起动标定控制参数进行优化;
建立最终关系模型的方法包括:
步骤一,做起动标定试验,根据起动标定控制参数获取起动加权目标参数,基于起动标定控制参数和加权目标参数建立样本,基于样本建立A%的用于建模的训练样本集合和B%的用于验证模型的测试样本集合,A+B=100且A>B且A≥70;
步骤二,基于xgboost提升树机器学习模型对训练样本集合建模形成第一关系模型,基于深度学习神经网络模型对训练样本集合建模形成第二关系模型;
步骤三,基于第一关系模型和第二关系模型确定最终关系模型;
步骤四,基于测试样本和决定系数R2判断最终关系模型是否合格,若不合格返回步骤二;
步骤三中,
输入训练样本集合的某一样本至第一关系模型获取第一加权目标参数,输入训练样本集合的同一样本至第二关系模型获取第二加权目标参数;
获取第一加权目标参数与实际加权目标参数之差的第一绝对值,获取第二加权目标参数与实际加权目标参数之差的第二绝对值;
若第一绝对值>第二绝对值,则该样本使用第二关系模型;若第一绝对值<第二绝对值,则该样本使用第一关系模型;
统计使用第一关系模型的样本数为n1,统计使用第二关系模型的样本数为n2,该样本的预测加权目标参数=n1/(n1+n2)*第一加权目标参数+n2/(n1+n2)*第二加权目标参数。
2.根据权利要求1的汽油机起动标定控制参数优化方法,其特征在于:对起动标定控制参数降维的方法包括:
步骤a,建立起xgboost提升树机器学习模型建立贡献度关系模型;
步骤b,基于贡献度关系模型确定每个起动标定控制参数的贡献度值;
步骤c,基于每个起动标定控制参数贡献度值判断是否过滤该起动标定控制参数。
3.根据权利要求2的汽油机起动标定控制参数优化方法,其特征在于:当且仅当某个起动标定控制参数的贡献度值大于3%时,保留该起动标定控制参数。
4.根据权利要求1的汽油机起动标定控制参数优化方法,其特征在于:步骤一中,基于起动标定控制参数的喷油控制参数标定表格、进气控制参数标定表格和点火控制参数标定表格获取样本;基于上述样本进行多次起动标定试验,获取起动加权目标参数。
5.根据权利要求4的汽油机起动标定控制参数优化方法,其特征在于:起动加权目标参数为各正规化参数的加权求和,起动加权目标参数的获取方法包括:获取样本各个目标参数的均值和标准差,通过该均值和标准差将起动标定控制参数获取的目标参数正规化,各正规化后的目标参数权值规定如下,在<0℃和23℃温度下,起动颗粒物排放质量PM权值为0.4,起动时间、起动峰值转速、起动累计油耗权值各为0.2;在其他温度下,起动颗粒物排放质量PM权值为0.2;起动时间、起动峰值转速权值各为0.3,起动累计油耗权值为0.2。
6.根据权利要求5的汽油机起动标定控制参数优化方法,其特征在于:所述起动加权目标参数包括加权求和归一化起动时间和起动峰值转速和起动颗粒物排放质量PM和起动累计油耗。
7.根据权利要求1的汽油机起动标定控制参数优化方法,其特征在于:步骤四中,对最终关系模型采用测试样本和决定系数R2评价最终模型,R2>0.9。
8.根据权利要求1的汽油机起动标定控制参数优化方法,其特征在于:基于最终关系模型和优化算法对起动标定控制参数进行优化,保证起动加权目标参数最小,并采用起动标定试验进行验证。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251944.8A CN112415892B (zh) | 2020-11-09 | 2020-11-09 | 一种汽油机起动标定控制参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011251944.8A CN112415892B (zh) | 2020-11-09 | 2020-11-09 | 一种汽油机起动标定控制参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112415892A CN112415892A (zh) | 2021-02-26 |
CN112415892B true CN112415892B (zh) | 2022-05-03 |
Family
ID=74781473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011251944.8A Active CN112415892B (zh) | 2020-11-09 | 2020-11-09 | 一种汽油机起动标定控制参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112415892B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113153549B (zh) * | 2021-04-07 | 2022-11-22 | 东风柳州汽车有限公司 | 改善发动机启动后性能的控制方法、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104900061A (zh) * | 2015-05-29 | 2015-09-09 | 内蒙古工业大学 | 路段行程时间监测方法及装置 |
CN108803343A (zh) * | 2018-07-24 | 2018-11-13 | 国家能源投资集团有限责任公司 | 甲醇制烯烃反应器的控制方法及装置 |
CN108873829A (zh) * | 2018-05-28 | 2018-11-23 | 上海新增鼎数据科技有限公司 | 一种基于梯度提升决策树的磷酸生产参数控制方法 |
CN109747654A (zh) * | 2019-01-11 | 2019-05-14 | 吉林大学 | 一种面向工况的混合动力汽车控制参数标定方法 |
CN110379463A (zh) * | 2019-06-05 | 2019-10-25 | 山东大学 | 基于机器学习的海洋藻类成因分析及浓度预测方法和系统 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060020923A1 (en) * | 2004-06-15 | 2006-01-26 | K5 Systems Inc. | System and method for monitoring performance of arbitrary groupings of network infrastructure and applications |
-
2020
- 2020-11-09 CN CN202011251944.8A patent/CN112415892B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104900061A (zh) * | 2015-05-29 | 2015-09-09 | 内蒙古工业大学 | 路段行程时间监测方法及装置 |
CN108873829A (zh) * | 2018-05-28 | 2018-11-23 | 上海新增鼎数据科技有限公司 | 一种基于梯度提升决策树的磷酸生产参数控制方法 |
CN108803343A (zh) * | 2018-07-24 | 2018-11-13 | 国家能源投资集团有限责任公司 | 甲醇制烯烃反应器的控制方法及装置 |
CN109747654A (zh) * | 2019-01-11 | 2019-05-14 | 吉林大学 | 一种面向工况的混合动力汽车控制参数标定方法 |
CN110379463A (zh) * | 2019-06-05 | 2019-10-25 | 山东大学 | 基于机器学习的海洋藻类成因分析及浓度预测方法和系统 |
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 |
Non-Patent Citations (1)
Title |
---|
某三缸汽油机起动时间和峰值转速多目标优化设计;陈孔武 等;《内燃机工程》;20190630;第40卷(第3期);第87-93、101页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112415892A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523701A (zh) | 车辆运行状况的评估方法、装置、计算机设备和存储介质 | |
de Nola et al. | Volumetric efficiency estimation based on neural networks to reduce the experimental effort in engine base calibration | |
CN112415892B (zh) | 一种汽油机起动标定控制参数优化方法 | |
CN105116730A (zh) | 基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法 | |
CN110363391A (zh) | 一种基于灰色关联度的发动机性能综合评价方法 | |
CN115084600A (zh) | 基于大数据的氢燃料电池电堆输出性能分析方法 | |
de Nola et al. | A Model-Based Computer Aided Calibration Methodology Enhancing Accuracy, Time and Experimental Effort Savings Through Regression Techniques and Neural Networks | |
Lu et al. | A fuzzy system for automotive fault diagnosis: Fast rule generation and self-tuning | |
CN117131437A (zh) | 发动机振动故障隔离方法 | |
CN113090420B (zh) | 一种基于多分类逻辑回归算法的egr流量诊断方法 | |
CN115263505A (zh) | 一种车辆nox排放预测方法、装置及存储介质 | |
CN112782974B (zh) | 一种控制参数标定方法 | |
CN114934848A (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 | |
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 | |
CN110276525B (zh) | 基于燃油经济性的发动机关键技术评估方法 | |
US20220243636A1 (en) | Determining a Sensor Error of a Sensor in an Exhaust Gas System of a Motor Vehicle | |
US11840974B2 (en) | Intelligent mass air flow (MAF) prediction system with neural network | |
CN114091540B (zh) | 柴油机冷试智能检测模型构建方法、检测方法及系统 | |
CN117829023A (zh) | 基于多目标的柴油微粒捕集器优化方法 | |
CN112628001B (zh) | 一种热机怠速的设定方法及装置 | |
CN117574757A (zh) | 一种高精度柴油机实时仿真计算模型构建方法 | |
Fletcher et al. | Automated engine calibration validation for real world driving conditions | |
Jahirul et al. | Predictability of artificial neural network (ANN) in performance prediction of a retrofitted CNG engine | |
CN114781069A (zh) | 一种基于整车热平衡试验数据库开发冷却系统性能分析工具的构建方法以及分析方法 | |
CN114723182A (zh) | 由油品烃组成快速预测汽车常规气态污染物排放的方法 |
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 |