CN112883653B - 基于人工智能的发动机实时模型的建模方法 - Google Patents
基于人工智能的发动机实时模型的建模方法 Download PDFInfo
- Publication number
- CN112883653B CN112883653B CN202110295055.XA CN202110295055A CN112883653B CN 112883653 B CN112883653 B CN 112883653B CN 202110295055 A CN202110295055 A CN 202110295055A CN 112883653 B CN112883653 B CN 112883653B
- Authority
- CN
- China
- Prior art keywords
- model
- injection
- engine
- modeling
- neural network
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Abstract
本发明公开了一种基于人工智能的发动机实时模型的建模方法,包括以下试验设计及试验测量步骤、发动机子系统特性获取及建模步骤、发动机气缸的人工智能神经网络建模步骤、将在发动机子系统特性获取及建模步骤中建立的模型进行耦合计算,并进行一系列迭代后收敛计算以及模型集成于HIL系统步骤等步骤。本发明的整套建模方法,其可以使最终气缸模型能够体现电控参数的影响;保证输入电控变量个数不变的前提下,简化最终气缸模块神经网络模型的输入变量个数,从而提升模型输出结果的精度;提升发动机摩擦功计算的精度,建立能够考虑电控参数影响的摩擦功模型。
Description
技术领域
本发明是关于内燃机领域,特别是关于一种基于人工智能的发动机实时模型的建模方法。
背景技术
发动机实时模型是一种数值模型,主要用于硬件在回路(HIL硬件在环(hardware-in-the-loop,HIL)系统)仿真,该环节是当前汽车电控开发V流程(如图1所示)中极为重要的一环。硬件在回路(以下简称HIL系统)是将发动机实时模型放到专有的HIL硬件设备中模拟真实的发动机工作,HIL设备将发动机实时模型的数字信号转换为电流信号,与真实的电子控制单元(ECU:Electronic Control Unit)通信,并将ECU的电流信号转换为数值信号传递到发动机实时模型中。因此,电控工程师可通过HIL系统对ECU进行电控参数标定。
发动机电控开发的HIL系统中的发动机实时模型发展主要经历了三个阶段:
1)第一阶段,使用多个表格建立发动机实时模型。将发动机子系统的一些特性曲线(及曲面)储存在表格文件中,通过对表格进行插值的方式模拟真实发动机工作。这种方法计算速度最快,但精度很低。但由于其建模的方便,特别适合非专业发动机公司,例如dSpace,Mathworks等公司均能提供这类表格模型。随着发动机实时模型技术的发展,这种模型逐步被淘汰,但由于其建模的简便性,现在仍有一定的市场。
2)第二阶段,随着HIL设备硬件提升,计算速度得到改善。研究者开始对发动机一维热力学模型进行简化,提高模型运算速度,以满足HIL设备的实时性要求。传统的一维热力学模型虽然精度高,但计算速度慢,无法应用于实时模型中,通常将一维管路模型简化为零维模型(容积模型),多个气缸简化为单个气缸等,提升模型运算速度。由于模型大幅简化,导致精度损失较大,预测能力弱,因此这种方法只是一个过渡的方法。
3)第三阶段,在第二阶段的基础上,引入人工智能神经网络的方法,将气缸模块(油耗及排放)通过神经网络的方式进行建模。在高校有一些学者进行了此类研究,把整个气缸当作一个“黑箱子”进行建模,没有考虑喷油与燃烧的特性,仅从数学的角度进行油耗及排放的预测。这类模型具有较快的运行速度,同时可以达到较高的精度,是未来HIL系统中发动机实时模型发展的大趋势。
现有技术的建模方法存在以下缺点:
1)某些电控变量在模型中的影响无法体现。这是因为气缸建模时,把仅从数学建模的角度去分析问题,将气缸作为一个“黑箱子”进行神经网络训练。当某些电控变量(例如预喷油量)对模型最终的输出(油耗及排放)的影响显著小于其它关键电控变量(例如主喷角度)时,从数学角度分析,这些变量的引入反而还会影响模型训练的精度。因此,研究者们会舍弃掉这些变量来保证模型训练结果的吻合性。这就不可避免的导致“黑箱子”(如图2所示)模型无法模拟这些变量改变后的对燃烧系统带来的影响。
2)当前气缸模型输入参数过多,导致网络模型精度较差。现有气缸模型在建模时,将整个气缸当作一个“黑箱子”考虑,要实现电控参数标定,必须要把需要标定的电控参数作为神经网络的输入变量,这必然导致神经网络模型的输入变量数目庞大。根据神经网络的基本原理,相同数量的训练数据情况下,输入变量越多,最终模型的训练结果就会越差(为达到相同训练精度需要的训练数据指数级增加)。如果为保证模型精度,必须缩减模型的输入变量个数,这将使最终模型的工程化应用(例如电控标定)的能力大打折扣。
3)由于基于现有的热力学模型无法考虑发动摩擦功在电控参数变化后的影响。发动机摩擦功(发动机模型的一个子系统)在计算时,通常采用传统的半经验公式模型,例如Chen-Flynn模型仅认为摩擦功受转速及爆压影响,无法考虑电控参数改变后摩擦的变化。因此,需要提出新的模型才能满足发动机实时模型的需求。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种基于人工智能的发动机实时模型的建模方法,其可以使最终气缸模型能够体现电控参数的影响;保证输入电控变量个数不变的前提下,简化最终气缸模块神经网络模型的输入变量个数,从而提升模型输出结果的精度;提升发动机摩擦功计算的精度,建立能够考虑电控参数影响的摩擦功模型。
为实现上述目的,本发明提供了一种基于人工智能的发动机实时模型的建模方法,包括以下试验设计及试验测量步骤、发动机子系统特性获取及建模步骤、发动机气缸的人工智能神经网络建模步骤、将在发动机子系统特性获取及建模步骤中建立的模型进行耦合计算,并进行一系列迭代后收敛计算以及模型集成于HIL系统步骤等步骤。
试验设计及试验测量步骤包括试验设计及试验测试;试验设计为考虑电控参数对燃烧及排放的影响,在试验设计时需要测量出电控参数的自变量变化后的发动机性能和排放指标的变化情况的针对性设计,并测量喷油规律及燃烧分析结果;试验测试为使用高精度的测试设备对测试结果进行碳平衡分析。
发动机子系统特性获取及建模步骤包括节气门和EGR子系统特性获取、增压子系统特性获取、摩擦数值子系统特性获取及各个管路的容积腔子系统特性获取;节气门和EGR子系统特性获取针对节气门和EGR两个子系统的阀门开度的变化进行试验,并采用最小二乘法建模;增压子系统特性获取使用原厂提供的增压器MAP数据,并使用万有特性数据修正增压器MAP数据;摩擦数值子系统特性获取使用转速、功率、MFB10及MFB90参数进行摩擦数值建模;各个管路的容积腔子系统特性获取使用传统的零维容积模型,根据气体属性快速计算各个管路的容积腔的压力及温度变化情况。
发动机气缸的人工智能神经网络建模步骤包括喷油特性换算、获取气缸散热模型、燃烧速率神经网络模型及油耗及排放神经网络模型;喷油特性换算通过实测的喷油速率曲线获取电控参数与实际喷油时刻的关系,并将喷油角度的电控数值转换为实际的喷油参数;获取气缸散热模型通过燃烧分析数据计算出气缸热损失(散热量),并以散热量为输出,以机油温度、水温、转速及喷油总量作为模型的输入,及通过神经网络的训练建立发动机的气缸散热模型;燃烧速率神经网络模型以轨压、EGR率、空燃比、转速和实际的喷油参数为输入,以燃烧速率指标为输出建立燃烧速率神经网络模型;油耗及排放神经网络模型将空燃比、气缸进出口压力、EGR率及燃烧速率指标作为输入建立油耗及排放神经网络模型。
将在发动机子系统特性获取及建模步骤中建立的模型进行耦合计算,并进行一系列迭代后收敛计算;以及
模型集成于HIL系统步骤包括将发动机子系统特性获取及建模步骤建立的模型生成FMU文件,并将生成的FMU文件放到HIL系统中,同时设置输入输出端口,以实现在HIL系统中进行电控标定。
在一优选的实施方式中,电控参数包括预喷参数、主喷参数、后喷参数、远后喷参数以及节气门和EGR阀的开度参数。
在一优选的实施方式中,发动机子系统特性获取及建模步骤和发动机气缸的人工智能神经网络建模步骤建立的模型为Simulink模型。
在一优选的实施方式中,实际的喷油参数包括预喷参数、主喷参数、后喷参数以及远后喷参数。
在一优选的实施方式中,实际的喷油参数为预喷参数、主喷参数、后喷参数以及远后喷参数的实际喷射角度与喷油量。
在一优选的实施方式中,燃烧速率指标包括MFB10、MFB50及MFB90数据。
在一优选的实施方式中,燃烧速率指标的MFB10、MFB50及MFB90数据为燃烧完成10%、50%及90%时刻对应的曲轴转角。
在一优选的实施方式中,发动机子系统特性获取及建模步骤采用传统热力学建模方式。
在一优选的实施方式中,气缸进出口压力包括增压压力及涡前压力。
在一优选的实施方式中,预喷参数包括预喷正时及预喷油量、主喷参数包括主喷正时及主喷油量、后喷参数包括后喷正时及后喷油量以及远后喷参数包括远后喷正时及远后喷油量。
与现有技术相比,本发明的基于人工智能的发动机实时模型的建模方法具有以下有益效果:本发明根据发动机的燃烧特性,将燃烧放热速率的几个关键指标融合到了最终的油耗(及排放)神经网络模型中,从而使模型具备进行喷油参数的电控标定的能力;燃烧特性的变化会影响发动机摩擦功,本发明将燃烧特性的关键指标(MFB10和MFB90)融合到了摩擦功模型中,从而使最终的模型在进行电控标定时,具备预测摩擦功变化的能力;本发明能够获取精确的冷却模型,从而能使最终的发动机实时模型能够适应更广泛的发动机运行环境,特别是高寒高温环境,提高在HIL系统中高温高寒环境下的电控标定精度。
附图说明
图1是根据现有技术一实施方式的汽车行业电控开发V流程的示意图;
图2是根据现有技术一实施方式的传统气缸神经网络模型的流程示意图;
图3是根据本发明一实施方式的主要建模的流程示意图;
图4是根据本发明一实施方式的气缸神经网络模型的建模流程示意图;
图5是根据本发明一实施方式的气缸神经网络模型的缸散热量(Qw)计算方法示意图;
图6是根据本发明一实施方式的喷油速率曲线(喷油延迟)的实际测量示意图;
图7是根据本发明一实施方式的轨压与喷射时间的曲线关系示意图;
图8是根据本发明一实施方式的建模方法的实时模型的结构布置示意图。
主要附图标记说明:
1-压气机前进气容腔,2-增压器,3-中冷器,4-节气门,5-节气门后容腔,6-进气歧管容腔,7-气缸模型,8-涡后排气容腔,9-涡前排气容腔,10-EGR阀,11-排气歧管容腔。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
如图3所示,根据本发明优选实施方式的一种基于人工智能的发动机实时模型的建模方法,包括以下试验设计及试验测量步骤、发动机子系统特性获取及建模步骤、发动机气缸的人工智能神经网络建模步骤、将在发动机子系统特性获取及建模步骤中建立的模型进行耦合计算,并进行一系列迭代后收敛计算以及模型集成于HIL系统步骤等步骤。
请参阅图3,在一些实施方式中,本发明的基于人工智能的发动机实时模型的建模方法的主要建模步骤如下:
(1)试验设计及试验测量部分:
1.1)试验设计:为考虑电控参数(预喷、主喷、后喷及远后喷、节气门和EGR阀开度)对燃烧及排放的影响,在试验设计时需要针对性的进行设计,测量出这些自变量变化后的发动机性能和排放指标的变化情况。除此之外,还需测量喷油规律及燃烧分析结果用于后续的气缸模型分阶段建模。
1.2)试验测试:为获取高精度的试验数据,必须使用高精度的测试设备,并且对测试结果进行碳平衡分析,从而保证试验数据的精度。
(2)发动机子系统特性获取及建模(采用Simulink模型):
2.1)节气门和EGR系统:建模方法与传统热力学建模方式相同,在试验时需针对这两个子系统阀门开度的变化进行试验,即子系统的专项试验。由于是单因素分析,无需引入复杂的神经网络模型,建模时使用传统的最小二乘法建模,提升模型的计算速度及计算结果的稳定性。
2.2)增压系统:建模方法与传统热力学建模方式相同,均使用增压器厂提供的MAP数据,并使用万有特性数据修正,根据经验,能够满足精度的要求。
2.3)摩擦数值模型:传统发动机开发者认为摩擦功主要受转速和爆压两个参数影响,但经发明人实验和研究发现使用传统的转速和爆压两个参数建模无法很好的模拟电控参数变对发动机摩擦的影响。因此,本方案通过大量试验数据分析提出,摩擦数值模型应使用转速、功率、MFB10(燃烧完成10%时刻对应的曲轴转角)和MFB90(燃烧完成90%时刻对应的曲轴转角)四个参数进行建模。
2.4)各个管路的容积腔:建模方法与传统热力学建模方式相同,使用传统的零维容积模型,根据气体属性可快速计算容积腔的压力及温度变化情况。
(3)发动机气缸的人工智能神经网络建模:(采用Simulink模型),请参阅图4至图7。
3.1)喷油特性换算:通过实测的喷油速率曲线获取电控参数与实际喷油时刻的关系,将喷油角度的电控数值转换为实际的喷油参数。例如电控喷油角度为-10degCA,实际喷油器喷油会存在一个延迟(真实值可能是-9.2degCA)。使用真实的值作为后续建模依据,能提高模型的精度。
3.2)获取气缸散热模型(请参阅图5):传统气缸散热模型使用半经验公式进行计算,气缸散热量(Qw)为壁面对流换热系数(α)与温差(△T)的乘积,即Qw=α*△T=α*(Tc-Tw),。其中,对于壁面对流换热系数(α),通常采用Woschni公式,认为壁面对流换热系数(α)仅与爆压和气缸壁面温度相关;对于缸内温度(Tc),可通过测量的缸压推算根据理想气体公式(PV=mRT)估算出缸内温度(Tc);对于壁面温度(Tw),当前无手段测量或推算,只能根据工程师经验进行推测壁温,误差很大。针对当前的情况,本发明提出,通过燃烧分析数据可计算出气缸散热量,本发明在此基础上提出以计算出的气缸散热量为输出,以机油温度、水温、转速及总喷油量四个参数作为模型的输入,通过神经网络的训练,可建立发动机的气缸散热模型,这样的散热模型更符合工程应用。
3.3)燃烧速率神经网络模型,输入为轨压、EGR率、空燃比、转速和实际的喷油参数(预喷、主喷、后喷和远后喷的实际喷射角度与油量),输出为燃烧速率指标(MFB10\MFB50\MFB90)。因为根据发动机的基本物性,燃烧速率的这几个指标对最终的油耗与排放况起着显著的影响。
3.4)油耗及排放神经网络模型,将空燃比、气缸进出口压力(增压压力和涡前压力)、EGR率与燃烧速率指标(MFB10\MFB50\MFB90:表示燃烧完成10%\50%\90%时刻对应的曲轴转角,这是发动机燃烧分析常用的指标)作为输入,建立神经网络模型,从而能大幅度减少输入变量,提高精度。因为从神经网络的数学计算角度分析,模型的输入量越少,相同规模的输入数据理论上便可达到更高的模型精度。
请参阅图7,在一些实施方式中,喷油延迟的时间统计(仅是为了展示,喷油延迟不是一个固定值,而是不同情况下的值是不一样的)。
(4)发动机气缸模型与子系统模型需要耦合计算,并进行一系列迭代后,计算才能收敛。由于没有复杂的物理模型及半经验公式,计算速度能满足HIL系统的实时性要求。
(5)模型集成到HIL系统上,将第二步建立好的Simulink模型生成FMU文件,放到HIL系统中,设置好输入输出端口,即可实现在HIL上进行电控标定。
如图8所示,在一些实施方式中,本发明的整套建模方法的方案主要包括:燃烧混合气经过压气机前进气容腔1、增压器2、中冷器3、节气门4、节气门后容腔5、进气歧管容腔6后进入气缸模型7;废气由排气歧管容腔11、涡前排气容腔9、增压器2、涡后排气容腔后排出;其中从排气歧管容腔11排出的部分废气还需要经过EGR阀10处理后再经过节气门后容腔5后再次进入到进气歧管容腔6和气缸模型7完成二次燃烧。
综上所述,本发明的基于人工智能的发动机实时模型的建模方法具有以下优点:本发明根据发动机的燃烧特性,将燃烧放热速率的几个关键指标融合到了最终的油耗(及排放)神经网络模型中,从而使模型具备进行喷油参数的电控标定的能力;燃烧特性的变化会影响发动机摩擦功,本发明将燃烧特性的关键指标(MFB10和MFB90)融合到了摩擦功模型中,从而使最终的模型在进行电控标定时,具备预测摩擦功变化的能力;本发明能够获取精确的冷却模型,从而能使最终的发动机实时模型能够适应更广泛的发动机运行环境,特别是高寒高温环境,提高在HIL系统中高温高寒环境下的电控标定精度。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于人工智能的发动机实时模型的建模方法,其特征在于,包括以下步骤:
试验设计及试验测量步骤,其包括:
试验设计:为考虑电控参数对燃烧及排放的影响,在试验设计时需要测量出所述电控参数的自变量变化后的发动机性能和排放指标的变化情况的针对性设计,并测量喷油规律及燃烧分析结果;及
试验测试:使用高精度的测试设备对测试结果进行碳平衡分析;
发动机子系统特性获取及建模步骤,其包括:
节气门和EGR子系统特性获取:针对节气门和EGR两个子系统的阀门开度的变化进行试验,并采用最小二乘法建模;
增压子系统特性获取:使用原厂提供的增压器MAP数据,并使用万有特性数据修正所述增压器MAP数据;
摩擦数值子系统特性获取:使用转速、功率、MFB10及MFB90参数进行摩擦数值建模;及
各个管路的容积腔子系统特性获取:使用传统的零维容积模型,根据气体属性快速计算所述各个管路的容积腔的压力及温度变化情况;
发动机气缸的人工智能神经网络建模步骤,其包括:
喷油特性换算:通过实测的喷油速率曲线获取电控参数与实际喷油时刻的关系,并将喷油角度的电控数值转换为实际的喷油参数;
获取气缸散热模型:通过燃烧分析数据计算出气缸热损失,并以散热量为输出,以机油温度、水温、转速及喷油总量作为模型的输入,及通过神经网络的训练建立发动机的所述气缸散热模型;
燃烧速率神经网络模型:以轨压、EGR率、空燃比、转速和实际的喷油参数为输入,以燃烧速率指标为输出建立所述燃烧速率神经网络模型;及
油耗及排放神经网络模型:将所述空燃比、气缸进出口压力、所述EGR率及所述燃烧速率指标作为输入建立所述油耗及排放神经网络模型;
将在所述发动机子系统特性获取及建模步骤中建立的模型进行耦合计算,并进行一系列迭代后收敛计算;以及
模型集成于HIL系统步骤,其包括:将所述发动机子系统特性获取及建模步骤建立的模型生成FMU文件,并将生成的所述FMU文件放到所述HIL系统中,同时设置输入输出端口,以实现在所述HIL系统中进行电控标定。
2.如权利要求1所述的基于人工智能的发动机实时模型的建模方法,其特征在于,所述电控参数包括预喷参数、主喷参数、后喷参数、远后喷参数以及节气门和EGR阀的开度参数。
3.如权利要求1所述的基于人工智能的发动机实时模型的建模方法,其特征在于,所述发动机子系统特性获取及建模步骤和所述发动机气缸的人工智能神经网络建模步骤建立的模型为Simulink模型。
4.如权利要求2所述的基于人工智能的发动机实时模型的建模方法,其特征在于,所述实际的喷油参数包括所述预喷参数、所述主喷参数、所述后喷参数以及所述远后喷参数。
5.如权利要求2所述的基于人工智能的发动机实时模型的建模方法,其特征在于,所述实际的喷油参数为所述预喷参数、所述主喷参数、所述后喷参数以及所述远后喷参数的实际喷射角度与喷油量。
6.如权利要求1所述的基于人工智能的发动机实时模型的建模方法,其特征在于,所述燃烧速率指标包括MFB10、MFB50及MFB90数据。
7.如权利要求6所述的基于人工智能的发动机实时模型的建模方法,其特征在于,所述燃烧速率指标的所述MFB10、所述MFB50及所述MFB90数据为燃烧完成10%、50%及90%时刻对应的曲轴转角。
8.如权利要求1所述的基于人工智能的发动机实时模型的建模方法,其特征在于,所述发动机子系统特性获取及建模步骤采用传统热力学建模方式。
9.如权利要求1所述的基于人工智能的发动机实时模型的建模方法,其特征在于,所述气缸进出口压力包括增压压力及涡前压力。
10.如权利要求2所述的基于人工智能的发动机实时模型的建模方法,其特征在于,所述预喷参数包括预喷正时及预喷油量、所述主喷参数包括主喷正时及主喷油量、所述后喷参数包括后喷正时及后喷油量以及所述远后喷参数包括远后喷正时及远后喷油量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295055.XA CN112883653B (zh) | 2021-03-19 | 2021-03-19 | 基于人工智能的发动机实时模型的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110295055.XA CN112883653B (zh) | 2021-03-19 | 2021-03-19 | 基于人工智能的发动机实时模型的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883653A CN112883653A (zh) | 2021-06-01 |
CN112883653B true CN112883653B (zh) | 2022-06-24 |
Family
ID=76041372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110295055.XA Active CN112883653B (zh) | 2021-03-19 | 2021-03-19 | 基于人工智能的发动机实时模型的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883653B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113669142B (zh) * | 2021-08-31 | 2022-12-06 | 东风商用车有限公司 | 一种发动机原排碳烟质量流量估算方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102758699A (zh) * | 2011-04-26 | 2012-10-31 | 通用汽车环球科技运作有限责任公司 | 气缸压力参数校正系统和方法 |
CN104102781A (zh) * | 2014-07-18 | 2014-10-15 | 上汽通用五菱汽车股份有限公司 | 一种基于多目标优化的发动机性能优化方法 |
CN104111650A (zh) * | 2014-06-27 | 2014-10-22 | 潍柴动力股份有限公司 | 一种双燃料发动机控制器仿真测试系统 |
CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6741087B1 (ja) * | 2019-02-01 | 2020-08-19 | トヨタ自動車株式会社 | 内燃機関の制御装置、車載電子制御ユニット、機械学習システム、内燃機関の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置 |
-
2021
- 2021-03-19 CN CN202110295055.XA patent/CN112883653B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102758699A (zh) * | 2011-04-26 | 2012-10-31 | 通用汽车环球科技运作有限责任公司 | 气缸压力参数校正系统和方法 |
CN104111650A (zh) * | 2014-06-27 | 2014-10-22 | 潍柴动力股份有限公司 | 一种双燃料发动机控制器仿真测试系统 |
CN104102781A (zh) * | 2014-07-18 | 2014-10-15 | 上汽通用五菱汽车股份有限公司 | 一种基于多目标优化的发动机性能优化方法 |
CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
Non-Patent Citations (1)
Title |
---|
汽油机电液式可变气门正时系统响应性能仿真与试验;班智博 等;《农业机械学报》;20130930;第44卷(第9期);12-18 * |
Also Published As
Publication number | Publication date |
---|---|
CN112883653A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2004274541B2 (en) | Method for controlling combustion in an internal combustion engine and predicting performance and emissions | |
US7142975B2 (en) | Virtual cylinder pressure sensor with individual estimators for pressure-related values | |
Winterbone et al. | A wholly dynamic model of a turbocharged diesel engine for transfer function evaluation | |
Yan et al. | Design and robustness analysis of discrete observers for diesel engine in-cylinder oxygen mass fraction cycle-by-cycle estimation | |
Wu et al. | A hardware-in-the-loop (HIL) bench test of a GT-power fast running model for rapid control prototyping (RCP) verification | |
He et al. | Development and validation of a mean value engine model for integrated engine and control system simulation | |
CN112883653B (zh) | 基于人工智能的发动机实时模型的建模方法 | |
Canova | Development and validation of a control-oriented library for the simulation of automotive engines | |
CN106460711B (zh) | 用于在内燃机的气缸内进行充气检测的方法和装置 | |
Broomhead et al. | Model reduction of diesel mean value engine models | |
Pulpeiro Gonzalez et al. | Modeling the gas exchange processes of a modern diesel engine with an integrated physics-based and data-driven approach | |
Unver et al. | Modeling and validation of turbocharged diesel engine airpath and combustion systems | |
Guardiola et al. | Integration of intermittent measurement from in-cylinder pressure resonance in a multi-sensor mass flow estimator | |
de Nola et al. | Enhancing the accuracy of engine calibration through a computer aided calibration algorithm | |
WO2017167220A1 (zh) | 内燃机阿特金森循环进气量的计算方法以及系统 | |
Gottorf et al. | Lean Approach for Virtual Calibration Using Hardware-in-the-Loop and Electronic Control Unit (ECU)-Capable Engine Simulation | |
CN106960092B (zh) | 韦伯燃烧规则经验参数自动校准方法 | |
Pacitti et al. | Real-time crank-resolved engine simulation for testing new engine management systems | |
Andric et al. | Calibration procedure for measurement-based fast running model for hardware-in-the-loop powertrain systems | |
CN109405935B (zh) | 一种空气流量传感器检测装置及检测方法 | |
Chaudhari et al. | Improving Calibration Quality by Virtual Testing Approach for BS VI Emission Norms | |
de Nola et al. | Definition of a Methodology Promoting the Use of 1D Thermo-Fluid Dynamic Analysis for the Reduction of the Experimental Effort in Engine Base Calibration | |
Xu et al. | Physical model for real-time simultaneous estimation of intake mass and cylinder pressure in an si engine | |
Wang | A study of model-based control strategy for a gasoline turbocharged direct injection spark ignited engine | |
Nguyen et al. | Simulation environment for analysis and controller design of Diesel engines |
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 |