CN113090406B - 自学习方法、车辆及可读存储介质 - Google Patents

Abstract

本发明提供了一种自学习方法、车辆及可读存储介质。其中，所述自学习方法包括：若所述车辆满足所述预设条件，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并开始自学习以修正所述车辆的控制模型。如此配置，通过主动干预车辆的运行工况，使得自学习数据的产生条件得到改善，增加了自学习过程的有效时长和自学习数据的有效性，解决了现有技术中的自学习方法被动地根据车辆的运行参数进行自学习，学习效率低的问题。

Description

自学习方法、车辆及可读存储介质

技术领域

本发明涉及车辆技术领域，特别涉及一种自学习方法、车辆及可读存储介质。

背景技术

车辆在出厂时内置了多个控制模型，一些控制模型用于输出车辆运行参数的预测值，另一些控制模型则用于直接输出控制参数。上述控制模型为了车辆得以在较优的工况下运行，提供了帮助。

但是，即使是相同型号的车辆，在出厂时也不可能做到任何零件的尺寸参数是完全相同的；在出厂后，又会受到不同的应用场景、不同用户的驾驶习惯的影响、以及零部件老化和磨损等影响。于是，车辆在出厂时内置的控制模型的输出与理想输出之间会存在偏差。为了提高车辆在运行过程中的控制效果，消除偏差，需要引入在线自学习方法。

然而，当前车辆的在线自学习方法，在实际工作过程中，只是被动地根据车辆的运行参数进行自学习，由此，导致了至少两个方面的问题：1)在特定场合下，车辆的部分参数不稳定，从而导致了该时间段的数据无法用于自学习，造成了数据浪费；2)部分工况在车辆使用过程中出现的时长较短或者没有出现，导致这些工况下的自学习需要的数据不够充足，难以达到期望的自学习效果。

综上所述，现有技术中的自学习方法，被动地根据车辆的运行参数进行自学习，学习效率低。

发明内容

本发明的目的在于提供一种自学习方法、车辆及可读存储介质，以解决现有技术中的自学习方法被动地根据车辆的运行参数进行自学习，学习效率低的问题。

为了解决上述技术问题，根据本发明的第一个方面，提供了一种自学习方法，应用于车辆的控制模型，所述车辆的运行工况包括至少一个预设工况，所述自学习方法包括：若所述车辆满足预设条件，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并开始自学习以修正所述控制模型。

可选的，所述自学习方法包括：若所述车辆满足所述预设条件，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并以第一速率开始自学习以修正所述控制模型；若所述车辆不满足预设条件，以第二速率开始自学习以修正所述控制模型；所述第一速率大于所述第二速率。

可选的，所述车辆的运行工况包括至少两个预设工况。

可选的，所述预设工况基于所述车辆的发动机负荷百分比和所述车辆的发动机转速划分；或者，所述预设工况基于所述车辆的发动机扭矩和所述车辆的发动机转速划分。

可选的，所述预设条件包括：所述车辆仅保持在一个所述预设工况下运行仍能实现接收到的控制指令的控制意图。

可选的，选择所述预设工况的步骤包括：若当前已经开始自学习，选择当前的所述预设工况，以使所述车辆仅保持在当前的所述预设工况下运行仍能实现接收到的控制指令的控制意图；否则，根据所述预设工况的优先级排序选择所述预设工况。

可选的，所述预设工况的优先级基于所述预设工况的基础权重、所述预设工况的历史停留时长以及所述预设工况当前的自学习状态中的至少一者得到。

可选的，所述自学习状态的取值包括未稳定、稳定和故障；所述自学习状态基于所述控制模型在所述预设工况下的偏差得到。

为了解决上述技术问题，本发明还提供了一种可读存储介质，所述可读存储介质上存储有程序，所述程序运行时，执行上述的自学习方法。

为了解决上述技术问题，本发明还提供了一种车辆，所述车辆的运行工况包括至少一个预设工况，所述车辆包括控制器，其中，所述控制器用于在所述车辆满足预设条件时，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并开始自学习以修正所述车辆的控制模型。

与现有技术相比，本发明提供的一种自学习方法、车辆及可读存储介质中，所述自学习方法包括：若所述车辆满足预设条件，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并开始自学习以修正所述控制模型。如此配置，通过主动干预车辆的运行工况，使得自学习数据的产生条件得到改善，增加了自学习过程的有效时长和自学习数据的有效性，解决了现有技术中的自学习方法被动地根据车辆的运行参数进行自学习，学习效率低的问题。

附图说明

本领域的普通技术人员将会理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：

图1是本发明一实施例的预设工况的划分示意图；

图2是本发明一实施例的自学习方法的流程示意图；

图3是本发明一实施例的发动机控制器的控制流程图；

图4是本发明一实施例的混合动力整车控制器的控制流程图。

具体实施方式

为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。

如在本发明中所使用的，单数形式“一”、“一个”以及“该”包括复数对象，术语“或”通常是以包括“和/或”的含义而进行使用的，术语“若干”通常是以包括“至少一个”的含义而进行使用的，术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的，此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征，术语“近端”通常是靠近操作者的一端，“一端”与“另一端”以及“近端”与“远端”通常是指相对应的两部分，其不仅包括端点，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。此外，如在本发明中所使用的，一元件设置于另一元件，通常仅表示两元件之间存在连接、耦合、配合或传动关系，且两元件之间可以是直接的或通过中间元件间接的连接、耦合、配合或传动，而不能理解为指示或暗示两元件之间的空间位置关系，即一元件可以在另一元件的内部、外部、上方、下方或一侧等任意方位，除非内容另外明确指出外。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的核心思想在于提供一种自学习方法、车辆及可读存储介质，以解决现有技术中的自学习方法被动地根据车辆的运行参数进行自学习，学习效率低的问题。

以下参考附图进行描述。

请参考图1至图2，其中，图1是本发明一实施例的预设工况的划分示意图；图2是本发明一实施例的自学习方法的流程示意图；图3是本发明一实施例的发动机控制器的控制流程图；图4是本发明一实施例的混合动力整车控制器的控制流程图。

本实施例提供了一种自学习方法，所述自学习方法可用于车辆的多种不同的控制模型。为了便于理解，在本实施例中，以所述车辆的空燃比模型为例进行说明。本领域技术人员可以根据本实施例的相关描述以及现有技术，将所述自学习方法应用于所述车辆的其他的控制模型。

随着排放和油耗法规的不断加严，越来越多的发动机和混合动力新技术被应用到新开发车型上。对于一辆搭载特定发动机的整车而言，影响整车排放性能的因素有很多，比如混合动力扭矩分配策略、发动机原始排放特性、催化器选型(贵金属含量、配比等)、空燃比(lambda)控制偏差等。而空燃比偏差的影响因素又有很多，如动态工况负荷预测精度、动态工况燃油油膜补偿量，稳态空燃比预控偏差等，其中稳态空燃比预控偏差涉及到车辆老化和散差等因素，比如凸轮轴安装偏差、燃油压力传感器误差、喷油器积炭流量特性改变等。由此可见，稳态空燃比预控偏差的影响因素多，这些因素最终会影响车辆全生命周期的排放特性，在动力总成控制上通常解决空燃比预控偏差来改善排放特性、提高排放一致性的主要手段就是空燃比偏差自学习(也称混合气自学习)，通过自学习来降低空燃比开环控制状态下的空燃比偏差，同时提升空燃比闭环控制精度。

空燃比偏差自学习方法有很多，常见的有如下三种：

1)单点法－即将发动机运行工况主要划分为两个区间，怠速和非怠速，分别存储空燃比偏差值；

2)斜率截距法－单点法的拓展，基于特定工况区间的发动机油路和气路偏差，用最小二乘法等线性回归方法拟合出斜率截距作为非怠速和怠速工况区间的空燃比偏差自学习值；

3)分区法－将发动机运行工况划分为多个区间，分别存储空燃比偏差，如网格MAP法、神经网络法等。

由于单点法及其拓展方法只能存储少量的空燃比偏差自学习值，无法覆盖不同工况的预控偏差，不能充分发挥混合气自学习值改善空燃比偏差并提高排放一致性的优势，因此分区混合气自学习逐渐成为主流方法，而基于网格MAP的分区混合气自学习方法更为常见，请参考图1，其基本原理如下：

(1)空燃比偏差数据采集：采集WLTC(Worldwide Harmonized Light VehiclesTest Cycle，世界统一轻型车辆试验循环，一种车辆油耗测试循环)或RDE(Real DriveEmission，实际行驶污染物排放测试)等工况的转速、负荷(喷油量或离合器端扭矩)、温度(冷却液温度)及空燃比偏差等数据，提取出适合自学习的特定工况点数据，用于网格划分。网格的划分可以根据经验来划分，也可以采用聚类等方法。

(2)空燃比偏差在线自学习：自学习值的网格划分好之后以MAP形式存储在ECU(Engine Control Unit，发动机控制器)中，ECU根据当前工况点A所属网格对应的自学习值(V0，V1，V2和V3)使用线性插值的方法得到当前工况点A的自学习值(即模型值)，并被ECU用于发动机喷油量和排放控制。自学习条件满足时(如工况稳定)根据工况点A的实际空燃比偏差，使用NLMS(Normalized Least Mean Square，归一化最小均方算法)或RLS(Recursiveleast squares，递归最小二乘)等算法实现网格值在线更新自学习值(V0～V3)。

由于稳态空燃比偏差在线自学习需要满足工况相对稳定的条件，因此自学习完成并学稳定需要一定的时间，且偏差越大自学习的时间越长。在混动项目上会有很多网格点的值没有及时更新(接近初始值)，但这些网格点工况区域却经常用得到，比如高速小负荷或低速大负荷因工况点停留的时间较短不能满足自学习条件，这些工况下的网格点的自学习值就很难稳定，这必然对混合动力整车排放控制产生负面影响。这也是其他的一些所述控制模型共同存在的问题。

请参考图2，本实施例提供的自学习方法，应用于车辆的控制模型，所述模型为空燃比模型，所述车辆的运行工况包括至少一个预设工况，所述自学习方法包括：

S10若所述车辆满足预设条件，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并以第一速率开始自学习以修正所述控制模型。

如此配置，由于所述自学习方法主动地影响所述车辆的运行工况，能够使得所述车辆以较长的时间保持在同一个所述预设工况下，便于所述空燃比模型得到稳定的学习结果。

在一些实施例中，当所述车辆不满足所述预设条件时，可以选择不学习或者其他的策略，在本实施例中，所述学习方法还包括：

S20若所述车辆不满足预设条件，以第二速率开始自学习以修正所述控制模型；所述第一速率大于所述第二速率。

如此配置，能够较大程度地利用车辆的运行数据，进一步提高学习效率。由于所述车辆满足所述预设条件时，所述车辆的运行参数的自学习效果更好，因此通过配置所述第一速率大于所述第二速率以获得较优的自学习效率。

所述第一速率大于所述第二速率，应当这样理解，当被输入同样的数据流时，所述第一速率的学习收敛需要的数据量小于所述第二速率的学习收敛需要的数据量。其具体实现方式可以根据现有技术进行设置，例如，可以在所述第一速率下学习时，对修正值乘上一个较大的权重系数，在所述第二速率下学习时，对修正值乘上一个较小的权重系数。自学习修正所述控制模型的具体逻辑，可以根据现有技术进行设置，例如，使用前述内容中提及的NLMS或RLS算法。

在车辆进行自学习之前，还需要判断当前车辆的状态是否可以进行自学习，例如，在空燃比模型自学习之前，需要判断当前工况下转速是否相对稳定、负荷(或扭矩)是否相对稳定、实际空燃比是否相对稳定，是否无碳罐冲洗需求，系统是否无影响自学习值的故障等条件。在本实施例中，将上述判断逻辑视为更上一级的控制逻辑，也就是说，当所述自学习方法被调用时，认为已经有其他的控制逻辑进行了判断，认为当前可以进行自学习。

将图1所示的所述自学习方法进行综合理解，当以所述第二速率进行自学习时，属于常规自学习，学习率比较慢；当以所述第一速率进行自学习时，提高学习率，可以加快自学习速率，保证空燃比偏差很快学到自学习中。

较优地，所述第一速率又包括多个子速率，所述自学习方法还可以根据具体工况，选择特定的所述子速率进行学习。

请参考图1，在本实施例中，所述车辆的运行工况包括至少两个预设工况，所述预设工况基于所述车辆的发动机负荷百分比和所述车辆的发动机转速划分；或者，所述预设工况基于所述车辆的发动机扭矩和所述车辆的发动机转速划分。

例如，发动机负荷在20％～40％之间，发动机转速在1000～2000之间，被划分为一个预设工况。需理解，图1仅仅是一种可能的划分情况，在实际应用中，尤其是针对非空燃比模型时，可以根据其他参数进行所述预设工况的划分；所述预设工况在划分示意图中所占的面积也并非是需要相等的，所述预设工况在划分示意图中所占的形状也并非一定是矩形，可以是其他的形状，包括不规则的划分图形。所述预设工况可以根据经验来划分，也可以采用聚类算法等方法进行划分，划分的主要原则是使得划分后的模型精度较高。在此并不讨论何种划分方式可以达到较优的控制模型，仅仅假设已经有一种前序的处理方式已经对所述车辆的运行工况进行了合理的划分。

较优地，所述预设条件包括：所述车辆仅保持在一个所述预设工况下运行仍能实现接收到的控制指令的控制意图。

如此配置，使得所述自学习方法在运行时，可以获得驾驶员无感知的效果，不影响驾驶员的驾驶体验；另一方面也不会影响一些主动控制策略的控制效果。需理解，所述控制指令的来源包括驾驶员和一部分的控制策略。判断过程可以基于当前驾驶员扭矩需求和发动机、电机的最大输出能力判断。例如，一个所述预设工况下，所述车辆的发动机可以输出最大为100NM的扭矩(超过100NM后，所述预设工况便不能保持，进入另一个不同的所述预设工况)，当前的控制意图为输出120NM的扭矩，而所述电机最大可输出40NM的扭矩，则确定当前的所述预设工况可以保持，若所述电机最大可输出10NM的扭矩，则确定当前的所述预设工况不可以保持。

保持一个所述预设工况的同时实现控制意图可以这样理解，在一实施例中，发动机的输出扭矩小于100NM为第一预设工况，发动机的输出扭矩大于或者等于100NM为第二预设工况。当前发动机的输出扭矩为90NM，此时，收到的控制指令是输出130NM的扭矩。在现有技术中，控制算法基于现有逻辑进行分配，安排发动机输出的目标扭矩为110NM，电机的输出扭矩为20NM，共计130NM。在这种情况下，车辆的运行工况在所述第一预设工况和所述第二预设工况之间发生了切换，若此时进行自学习，则学习效果不理想。当本实施例提供的自学习算法介入控制逻辑后，控制逻辑安排发动机输出的扭矩仍然为90NM，而电机的输出扭矩为40NM，共计130NM。此时，控制意图仍然被实现了。但是车辆始终保持在所述第一预设工况下运行，具有较好的学习效果。或许，“发动机输出90NM，电机输出40NM”的方案比“发动机输出110NM，电机输出20NM”的方案在能耗上不是较优的方案，但是在能耗和自学习的综合效果上，是较优的方案。在另外一种情况下，假设当前工况完全可以在所述第二预设工况下完成，但是由于一些原因(例如所述第一预设工况下的训练时间过短)，也可以将车辆当前的运行工况调整至所述第一预设工况下进行训练，获得能耗和自学习的综合效果较优的方案。

需理解，在一些其他的实施例中，也可以选择其他的预设条件，例如，使所述车辆仅保持在一个所述预设工况下运行超出接收到的控制指令的控制意图的偏差小于预设偏差。所述预设偏差为1％、5％或10％等。但是本实施例中的方案是较优的方案。

在本实施例中，选择所述预设工况的步骤包括：若当前已经开始自学习，选择当前的所述预设工况，以使所述车辆仅保持在当前的所述预设工况下运行仍能实现接收到的控制指令的控制意图；否则，根据所述预设工况的优先级排序选择所述预设工况。

需理解，若当前尚未开始自学习或者当前已经开始自学习但是当前的所述预设工况无法保持(即保持的同时实现控制意图)时，选择所述预设工况的步骤都会执行根据所述预设工况的优先级排序选择所述预设工况。一般而言，选择当前的所述预设工况进行学习的情况发生在所述车辆先前处于步骤S20所对应的工况，随后刚刚转变为步骤S10所对应的工况之时。需理解，根据所述预设工况的优先级排序选择所述预设工况时，也需要判断所选择的工况能否在保持的同时实现接收到的控制指令的控制意图。根据优先级排序选择所述预设工况的逻辑可以是，从高到低选择能够使得保持在所述预设工况下运行仍能实现接收到的控制指令的控制意图的所述预设工况，也可以是只选择优先级最高的所述预设工况，并判断该预设工况能否被保持。

较优地，所述预设工况的优先级基于所述预设工况的基础权重、所述预设工况的历史停留时长以及所述预设工况当前的自学习状态中的至少一者得到。

例如，所述预设工况的优先级可以用P＝(Ib*It)*(1-S)计算，其中，P为所述预设工况的优先级；Ib为所述预设工况的基础权重，在出厂时设置；It由所述预设工况的历史停留时长计算得到，其值可以是根据所述预设工况的总历史停留时长计算，也可以是所述预设工况的近N天的历史停留时长；可以直接将时长作为It，也可以经过换算，例如取对数、或者归一化计算等；总之，本发明不限定It的具体计算方式，只要是所述预设工况的历史停留时长的增函数(或者不减函数)，都可以认为是It的计算方式。S与所述自学习状态相关，在本实施例中，所述自学习状态的取值包括未稳定(此时，S取0)、稳定(此时，S取1)和故障(此时，S取-1)；所述自学习状态基于所述控制模型在所述预设工况下的偏差得到。在一实施例中，当所述预设工况中对应的空燃比偏差小于阀值(如1％)且持续一段时间后，自学习状态从未稳定变为稳定。当一个自学习值超过故障阀值(如25％)则该自学习值周边四个所述预设工况的自学习状态变为故障，除上述的四个所述预设工况外的其他所有所述预设工况均变成未稳定状态，故障修复后变成当前的状态(稳定或未稳定)。所述自学习值与图1中的实心点相对应。需理解，在其他的实施例中，所述自学习状态的取值还可能包括其他的可能。

在一实施例中，对所述预设工况的优先级进行计算得到的结果如表1所示。

表1所述预设工况的自学习优先级计算结果

预设工况编号	0	1	2	3	4	5	6	7	8	9	10	…
													Ib*It	0	1	2	4	3	2	2	5	3	5	3	…
S	0	1	0	1	-1	1	0	1	0	1	0	…
													P＝(Ib*It)*(1-S)	0	0	2	0	6	0	2	0	3	0	3	…

需理解，P＝(Ib*It)*(1-S)仅仅是一种可能的计算方式，在其他的实施例中，也可以使用其他的方式进行所述工况的优先级计算。计算的原则是，历史停留时长越长的，基础权重越大的所述预设工况的优先级越高，同时自学习状态为稳定的所述预设工况的优先级最低。另外，在一些实施例中，也可以仅通过所述预设工况的基础权重、所述预设工况的历史停留时长以及所述预设工况当前的自学习状态中的一个或者两个参数进行计算。例如，在一个示范性的实施例中，仅通过所述预设工况的基础权重计算优先级，也就是说，所有所述预设工况的优先级是固定不变的，在这个实施例中，具有逻辑清晰简单的优势。但是综合考虑，将所述预设工况的基础权重、所述预设工况的历史停留时长以及所述预设工况当前的自学习状态综合考虑计算得到优先级的方案是较优的。

本实施例还提供了一种可读存储介质，所述可读存储介质上存储有程序，所述程序运行时，执行上述的自学习方法。

本实施例还提供了一种车辆，其特征在于，所述车辆的运行工况包括至少一个预设工况，所述车辆包括控制器，其中，所述控制器用于在所述车辆满足所述预设条件时，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并开始自学习以修正所述车辆的控制模型。

所述控制器可以包括一个或者至少两个控制器单元，若所述控制器单元的数量为至少两个，所述控制器单元之间通过通讯连接的方式进行协作，共同完成上述的自学习方法。

在一个示范性的实施例中，所述控制器包括ECU(Engine Control Unit，发动机控制器)和HCU(Hybrid Control Unit，混合动力整车控制器)。

请参考图3，所述ECU用于响应HCU发送的自学习请求以所述第一速率开始自学习，并用于在未接收到HCU发送的自学习请求时，根据自身的逻辑判断以所述第二速率开始自学习。请参考图4，所述HCU用于根据当前车辆工况决定是否发送自学习请求给所述ECU以驱使所述ECU以所述第一速率开始自学习。在图4中，“可将工况稳定在当前预设工况”应当这样理解，根据驾驶员的扭矩需求、电池剩余容量，能否通过调节变速箱速比/电机扭矩/充电功率等参数，将工况稳定在当前的所述预设工况。“可将工况稳定在优先级最高的预设工况”也应当按照上述思路进行理解。

需理解，所述ECU和所述HCU各自实现所述自学习方法的一部分流程，并通过预设协议进行协同工作，共同实现所述自学习方法的完整流程。本领域技术人员可以根据实际需求和公知常识，选择不同的控制器单元，并将所述自学习方法的部分流程分别设置于不同的所述控制器单元中。同时为了让所述控制器单元协同工作，设置额外的预设协议以实现所述控制器单元之间的协同工作。将所述自学习方法的部分流程分别设置于不同的所述控制器单元中得到的具体的车辆形式，应当认为属于本实施例提及的所述车辆。

所述车辆的其他部件以及其他功能的工作原理，本领域技术人员可以根据现有技术进行设置，在此不做详细的描述。

本实施例中提供的所述可读存储介质和所述车辆，都应用了上述的自学习方法，因而也获得了自学习效率较高的效果。

综上所述，本实施例提供的一种自学习方法、车辆及可读存储介质中，所述自学习方法包括：若所述车辆满足所述预设条件，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并开始自学习以修正所述控制模型。如此配置，通过主动干预车辆的运行工况，使得自学习数据的产生条件得到改善，增加了自学习过程的有效时长和自学习数据的有效性，解决了现有技术中的自学习方法被动地根据车辆的运行参数进行自学习，学习效率低的问题。

上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于本发明技术方案的保护范围。

Claims (6)

1.一种自学习方法，其特征在于，应用于车辆的控制模型，所述车辆的运行工况包括至少一个预设工况，所述自学习方法包括：

若所述车辆满足预设条件，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并开始自学习以修正所述控制模型；

所述预设条件包括：所述车辆仅保持在一个所述预设工况下运行仍能实现接收到的控制指令的控制意图；

选择所述预设工况的步骤包括：若当前已经开始自学习，选择当前的所述预设工况，以使所述车辆仅保持在当前的所述预设工况下运行仍能实现接收到的控制指令的控制意图；若当前未开始自学习，根据所述预设工况的优先级排序选择所述预设工况；

所述预设工况的优先级基于所述预设工况的基础权重、所述预设工况的历史停留时长以及所述预设工况当前的自学习状态中的至少一者得到；

所述自学习状态的取值包括未稳定、稳定和故障；所述自学习状态基于所述控制模型在所述预设工况下的偏差得到。

2.根据权利要求1所述的自学习方法，其特征在于，所述自学习方法包括：

若所述车辆满足所述预设条件，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并以第一速率开始自学习以修正所述控制模型；

若所述车辆不满足预设条件，以第二速率开始自学习以修正所述控制模型；

所述第一速率大于所述第二速率。

3.根据权利要求1或2所述的自学习方法，其特征在于，所述车辆的运行工况包括至少两个预设工况。

4.根据权利要求3所述的自学习方法，其特征在于，所述预设工况基于所述车辆的发动机负荷百分比和所述车辆的发动机转速划分；或者，所述预设工况基于所述车辆的发动机扭矩和所述车辆的发动机转速划分。

5.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序运行时，执行如权利要求1～4中任一项所述的自学习方法。

6.一种车辆，其特征在于，所述车辆的运行工况包括至少一个预设工况，所述车辆包括控制器，其中，

所述控制器用于在所述车辆满足预设条件时，选择一个所述预设工况，控制所述车辆保持在选择的所述预设工况下运行，并开始自学习以修正所述车辆的控制模型；

所述预设条件包括：所述车辆仅保持在一个所述预设工况下运行仍能实现接收到的控制指令的控制意图；

选择所述预设工况的步骤包括：若当前已经开始自学习，选择当前的所述预设工况，以使所述车辆仅保持在当前的所述预设工况下运行仍能实现接收到的控制指令的控制意图；若当前未开始自学习，根据所述预设工况的优先级排序选择所述预设工况；

所述预设工况的优先级基于所述预设工况的基础权重、所述预设工况的历史停留时长以及所述预设工况当前的自学习状态中的至少一者得到；

所述自学习状态的取值包括未稳定、稳定和故障；所述自学习状态基于所述控制模型在所述预设工况下的偏差得到。

Images