CN113153521A - 一种利用人工神经网络预测车辆发动机扭矩的系统和方法 - Google Patents

一种利用人工神经网络预测车辆发动机扭矩的系统和方法 Download PDF

Info

Publication number
CN113153521A
CN113153521A CN202110027159.2A CN202110027159A CN113153521A CN 113153521 A CN113153521 A CN 113153521A CN 202110027159 A CN202110027159 A CN 202110027159A CN 113153521 A CN113153521 A CN 113153521A
Authority
CN
China
Prior art keywords
spark timing
neural network
timing
information
artificial neural
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
Application number
CN202110027159.2A
Other languages
English (en)
Other versions
CN113153521B (zh
Inventor
都炯洙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hyundai Kefico Corp
Original Assignee
Hyundai Kefico Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hyundai Kefico Corp filed Critical Hyundai Kefico Corp
Publication of CN113153521A publication Critical patent/CN113153521A/zh
Application granted granted Critical
Publication of CN113153521B publication Critical patent/CN113153521B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02B—INTERNAL-COMBUSTION PISTON ENGINES; COMBUSTION ENGINES IN GENERAL
    • F02B77/00—Component parts, details or accessories, not otherwise provided for
    • F02B77/08—Safety, indicating, or supervising devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02P—IGNITION, OTHER THAN COMPRESSION IGNITION, FOR INTERNAL-COMBUSTION ENGINES; TESTING OF IGNITION TIMING IN COMPRESSION-IGNITION ENGINES
    • F02P5/00—Advancing or retarding ignition; Control therefor
    • F02P5/04—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions
    • F02P5/145—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using electrical means
    • F02P5/15—Digital data processing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01L—CYCLICALLY OPERATING VALVES FOR MACHINES OR ENGINES
    • F01L13/00—Modifications of valve-gear to facilitate reversing, braking, starting, changing compression ratio, or other specific operations
    • F01L13/0015—Modifications of valve-gear to facilitate reversing, braking, starting, changing compression ratio, or other specific operations for optimising engine performances by modifying valve lift according to various working parameters, e.g. rotational speed, load, torque
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D13/00—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing
    • F02D13/02—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing during engine operation
    • F02D13/0203—Variable control of intake and exhaust valves
    • F02D13/0207—Variable control of intake and exhaust valves changing valve lift or valve lift and timing
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D13/00—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing
    • F02D13/02—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing during engine operation
    • F02D13/0203—Variable control of intake and exhaust valves
    • F02D13/0215—Variable control of intake and exhaust valves changing the valve timing only
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2438—Active learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02P—IGNITION, OTHER THAN COMPRESSION IGNITION, FOR INTERNAL-COMBUSTION ENGINES; TESTING OF IGNITION TIMING IN COMPRESSION-IGNITION ENGINES
    • F02P5/00—Advancing or retarding ignition; Control therefor
    • F02P5/04—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions
    • F02P5/145—Advancing or retarding ignition; Control therefor automatically, as a function of the working conditions of the engine or vehicle or of the atmospheric conditions using electrical means
    • F02P5/15—Digital data processing
    • F02P5/1502—Digital data processing using one central computing unit
    • 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
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D13/00—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing
    • F02D13/02—Controlling the engine output power by varying inlet or exhaust valve operating characteristics, e.g. timing during engine operation
    • F02D13/0203—Variable control of intake and exhaust valves
    • F02D13/0215—Variable control of intake and exhaust valves changing the valve timing only
    • F02D13/0219—Variable control of intake and exhaust valves changing the valve timing only by shifting the phase, i.e. the opening periods of the valves are constant
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1412—Introducing closed-loop corrections characterised by the control or regulation method using a predictive controller
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/1002—Output torque
    • F02D2200/1004—Estimation of the output torque
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/10—Parameters related to the engine output, e.g. engine torque or engine speed
    • F02D2200/101—Engine speed
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D37/00—Non-electrical conjoint control of two or more functions of engines, not otherwise provided for
    • F02D37/02—Non-electrical conjoint control of two or more functions of engines, not otherwise provided for one of the functions being ignition
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/12—Improving ICE efficiencies
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明提供了一种利用人工神经网络预测汽车发动机扭矩的方法，采用基于数据的人工神经网络模型，更准确地计算扭矩，降低校准和逻辑的开发成本。

Description

一种利用人工神经网络预测车辆发动机扭矩的系统和方法
技术领域
本发明一般涉及使用人工神经网络(ANN)预测车辆发动机扭矩的系统和方法，更加具体的，涉及一种关于预测汽车发动机扭矩的方法的技术，该方法利用人工智能学习确定汽油发动机的最小火花正时。
背景技术
一般来说，汽油发动机系统目前是采用基于热力学的模型来计算发动机的当前扭矩。相关技术的这种扭矩预测技术是根据影响汽油发动机燃烧过程中扭矩产生的因素来配置的。换句话说，在相关技术的扭矩预测技术中，已经使用基于热力学的模型来调整汽油发动机系统的扭矩。
这种现有技术中的基于热力学的相关技术模型，根据校准标定等各种信息，利用包括按面积计算的最大扭矩、按面积计算的最小火花正时、混合气中惰性气体的影响、空燃比的影响和点火效率等的表格，获得当前的发动机扭矩。换句话说，在相关技术中，构成了基于热力学的模型，并且使用物理定律解释了输入变量对输出的影响，并以公式和表格的形式表示。
然而，随着满足废气法规的最新技术的应用，这种扭矩计算逻辑变得更加复杂。另外，随着车辆技术的发展，汽油发动机系统变得更加复杂。因此，使用现有技术的基于热力学的模型来精确地计算转矩变得困难。
在该相关技术中，随着系统变得更加复杂，使用物理定律来表示相关数据更加困难。因此，模型的准确性可能降低，或者会产生过大的成本。换句话说，现有技术的扭矩预测技术存在校准成本增加的问题。
例如，由于难以实时测量惰性气体的量，所以通过建模间接预测惰性气体的量。但是，通过预测得到的数值并不准确，并且很难预测对惰性气体的影响。此外，在使用基于热力学的模型的扭矩预测方法中，由于各物理量的影响，模型的非线性是在一个表格上表示的。因此，表中设定的数值可能会对模型的精度产生很大影响，这是有问题的。
发明内容
因此，本发明提供了一种利用人工神经网络预测车辆发动机扭矩的系统和方法，通过应用基于数据的人工神经网络模型，可以克服基于热力学模型的局限性，从而更准确地计算出扭矩，并且降低校准和逻辑的开发成本。
为了实现上述目的，本发明提供了一种使用人工神经网络预测车辆发动机扭矩的方法。该方法可以包括：获取车辆发动机的工作点信息；由车辆发动机将工作点信息配置成n个数据集；从n个数据集中提取最小火花正时以获得最佳扭矩(MBT)信息；
构建人工神经网络，将由n个数据集组成的工作点信息确定为输入层，将火花正时信息和扭矩信息确定为输出层，并设有隐藏层；基于n个数据集，使用人工神经网络进行学习；将通过人工神经网络学习到的数据和火花正时效率曲线存储在车辆的ECU中。将当前的工作点信息输入到存储在ECU中的人工神经网络中，并输出人工神经网络中计算出的最小火花正时信息和最大扭矩信息。将ECU利用工作点信息计算出的火花正时(当前火花正时)信息与学习到的人工神经网络计算出的最小火花正时信息的差值输入到火花正时信息中，计算出火花正时效率；将扭矩信息与计算出的火花正时效率相乘，计算出实时扭矩。
此外，使用人工神经网络的学习可以通过反复改变权重和偏置值来进行。操作点信息可以包括发动机每分钟转速(RPM)、发动机负荷、排气阀打开(EVO)正时、进气阀关闭(IVC)正时和空燃比(lambda)中的至少一个。此外，工作点信息可以包括发动机转速、发动机负荷、EVO正时、排气阀关闭(EVC)正时、进气阀打开(IVO)正时、IVC正时和空燃比(lambda)中的至少一个。
此外，工作点信息还可以包括发动机转速、发动机负荷、EVO正时、排气阀升程(EVL)正时、IVC正时、进气阀升程(IVL)正时和空燃比(lambda)中的至少一个。在工作点信息的获取中，工作点信息和根据工作点信息的火花正时可以根据从全提前相位角的位置到全延缓相位角的位置的变化来获取。在隐藏层中，可以采用试错法。
如上所述，本发明具有以下效果：
首先，输入变量和输出变量之间的相关性仅由基于数据的学习来定义。因此，即使是基于热力学模型没有表达的部分，也可以包含在人工神经网络模型中，从而提高准确性。
第二，由于在复杂的系统中不需要用数字表达物理效应，，因此可以降低逻辑开发成本，从而有利地提高经济竞争力。
由于用人工神经网络基于数据的学习过程代替了基于热力学模型的设定表值的校准过程，因此具有可以显著降低成本的优点。
附图说明
通过以下结合附图的详细描述，将更清楚地理解本发明的上述和其他目的、特征和优点，其中:
图1是示出根据本发明的第一示例性实施例的发动机扭矩预测方法的流程图；
图2是示出根据本发明的第一示例性实施例的预测发动机扭矩的方法的顺序的图
图3是示出根据本发明的第一示例性实施例的人工神经网络的概念图。
具体实施方式
据理解，本文使用的术语"车辆"或"车辆"或其他类似术语包括一般的机动车，如乘用车，包括运动型多用途车(SUV)、公共汽车、卡车、各种商用车、水上交通工具，包括各种船只和船舶、飞机等，并包括混合动力车、电动车、内燃式、插电式混合动力车、氢动力车和其他替代燃料车(例如，来自石油以外的资源的燃料)。
虽然示例性实施例被描述为使用多个单元来执行示例性过程，但可以理解的是，示例性过程也可以由一个或多个模块执行。术语控制器/控制单元指的是包括存储器和处理器的硬件设备，并且被专门编程以执行本文所述的过程。存储器被配置为存储模块，而处理器被具体配置为执行所述模块以执行下文进一步描述的一个或多个过程。
本发明的控制逻辑可以在包含由处理器、控制器/控制单元等执行的可执行程序指令的计算机可读介质上实现为非暂时性计算机可读介质。计算机可读介质的实例包括但不限于ROM、RAM、光盘(CD)-ROM、磁带、软盘、闪存驱动器、智能卡和光学数据存储设备。计算机可读记录介质也可以分布在网络耦合的计算机系统中，以便计算机可读介质以分布式方式存储和执行，例如，由远程信息处理服务器或控制器区域网(CAN)执行。
本文使用的术语仅用于描述特定的实施例，而不是为了限制公开内容。如本文所使用的，单数形式"a"、"an"和"the"意在也包括复数形式，除非上下文清楚地表明。将进一步理解，术语"包括"和/或"组成"，当在本说明书中使用时，指明所述特征、整数、步骤、操作、元素和/或组件的存在，但不排除一个或多个其它特征、整数、步骤、操作、元素、组件和/或其组的存在或添加。如本文所使用的，术语"和/或"包括一个或多个相关列项的任何和所有组合。
除非特别说明或从上下文中明显看出，如本文所使用的，术语"大约"被理解为在本技术中的正常公差范围内，例如在平均值的2个标准差内。"大约"可以理解为所述值的10％、9％、8％、7％、6％、5％、4％、3％、2％、1％、0.5％、0.1％、0.05％或0.01％之内。除非从上下文中另有明确说明，本文提供的所有数值均由术语"大约"修饰。
由于本发明可以以各种形式修改并且可以具有各种实施例，因此将在附图中示出具体的示例性实施例并参考附图进行详细描述。然而，这并不是为了将本发明局限在具体的示例性实施例中，并且本发明应被解释为包括本发明的技术范围和技术启示内的各种变化、等同物和替代物。
在附图中，相同的元件将由相同的参考数字指定。诸如"第一"和"第二"这样的术语可在此用于描述各种元件，元件不应受到这些术语的限制。这些术语仅用于将一个元素与其他元素区分开来。因此，第一元素可被称为第二元素，类似地，第二元素可被称为第一元素。表达式"和/或"包括多个所述项目的任何一个或任何组合。
除非另有定义，否则本文使用的所有术语包括技术和科学术语具有与本公开所属技术领域技术人员通常理解的相同含义。将进一步理解，将进一步理解，诸如在常用词典中定义的那些术语，应被解释为具有与其在相关技术的上下文中的含义一致的含义，并且除非在此明确如此定义，否则将不以理想化或过于正式的意义来解释。
根据本公开的第一示例性实施例的车辆发动机可以具有连续可变气门正时(CVVT)机构。因此，一种预测发动机扭矩的方法如下。
首先，在步骤S1中，可以获得车辆发动机的工作点信息。特别是，操作点信息可以包括发动机的每分钟转速(RPM)、发动机负荷、排气阀打开(EVO)正时、进气阀关闭(IVC)正时和空燃比(lambda)中的至少一个。在步骤S1中，根据操作点信息和根据操作点信息的火花正时可以根据从全提前相位角的位置到全延缓相位角的位置的变化而获得。
换句话说，可以在各种转速，发动机负载，EVO和IVC正时以及空燃比变化的情况下，通过将火花正时从全提前相角的位置改变为全延迟相角的位置来测量扭矩。此外，根据本发明的另一示例性实施例的发动机系统可以具有连续可变气门持续时间(CVVD)机构而不是CVVT机构。工作点信息可以包括发动机RPM、发动机负载、EVO正时、排气门关闭(EVC)正时、进气门打开(IVO)正时、IVC正时和空燃比(lambda)中的至少一个。
此外，根据本公开的另一示例性实施例的发动机系统可以具有连续可变气门升程(CVVL)机构而不是CVVT机构。特别是，工作点信息可以包括发动机转速、发动机负荷、EVO正时、排气阀升程(EVL)正时、IVC正时、进气阀升程(IVL)正时和空燃比(lambda)中的至少一个。
之后，可以执行将事先从车辆发动机获得的工作点信息配置成n个数据集的步骤S2。特别是，可以将工作点信息提供为n个数量的组合数据集，包括发动机转速、发动机负荷、EVO正时、IVC正时和空燃比(lambda)中的至少一个。
之后，可以执行步骤S3，从上述配置的车辆发动机的n个数据集中提取关于最佳扭矩的最小火花正时(MBT)和火花正时效率曲线的信息。MBT表示获得发动机最大扭矩的最小火花正时。发动机应在最佳火花正时运行，但由于敲击等现象，可能无法获得最大扭矩。因此，实际火花正时应考虑燃烧室的温度、压力等超过工作点的情况来确定。一般来说，为了避免爆震，实际火花正时必须比MBT延缓的多。火花正时效率曲线是一种表示火花(点火)正时效率的表型数据。火花正时效率表示根据火花正时的转矩与最大转矩之比，在最佳(最小)火花正时时，其值为1，随着火花正时的延缓，其值减小。发动机的火花正时效率曲线的一个例子是火花正时的扭矩曲线。根据火花正时上的扭矩，发动机的火花正时效率曲线可以通过以下步骤确定。
具体而言，这些步骤可以包括：根据发动机火花正时的变化，按照n个工作点输入扭矩数据集的步骤，归一化步骤是将关于n个操作点的各个操作点的火花正时的扭矩除以相应的操作点的最大扭矩，并且将最大扭矩的火花正时平行移动为零(0)。分配斜率因子的步骤，通过该步骤，可以改变根据各操作点的扭矩数据集所指示的曲线的斜率，以及将曲线平行移动的移动因子分配给根据n个操作点的数据集。从具有未确定变量的逻辑函数中配置包括各数据集的差值的目标函数，将斜率因子和移动因子分配到该目标函数中；通过优化目标函数来推导未确定变量，确定逻辑函数；以及将逻辑函数确定为发动机的火花正时效率曲线。
对于包括MBT信息和火花正时效率曲线的n个数据集，构建并学习人工神经网络。换句话说，在步骤S4中，可以构建或生成人工神经网络。在该人工神经网络中，可以将由n个数据集构成的工作点信息确定为输入层，将火花正时信息和转矩信息确定为输出层，并提供隐藏层。
更具体地，如图1所示，车辆发动机可以包括人工神经网络300，该人工神经网络300包括输入层，隐藏层和输出层，更具体地，输入层接收由n个数据集组成的工作点信息200。输出层输出最小火花正时信息400和最大扭矩信息500。人工神经网络的输出层通过向输出层提供从MBT信息和火花正时效率曲线获得的最小火花正时和最大扭矩来配置。
隐藏层表示在输入层和输出层之间提供的人工神经元，即由节点组成的层。更具体地说，人工神经网络是机器学习的详细方法之一，具有连接多个作为神经细胞的神经元的网络形式。
人工神经网络按照结构和功能的不同，分为多种类型。最典型的人工神经网络是多层感知器，在单个输入层和单个输出层之间存在多个隐藏层。人工神经网络是各种模型的总称，如自组织图(SOM)、循环神经网络(RNN)和卷积神经网络(CNN)等。人工神经网络的类型有数十种。本公开的第一示例性实施例中应用的人工神经网络可以是前馈神经网络(FFNet)。
前馈神经网络是一种典型的人工神经网络(ANN)，输入数据只经过所有节点一次就进入输出层。第一层为输入层，最后一层为输出层，中间隐藏层不对外连接。此外，每层的节点都与下一层的节点相连，同一层的节点之间不存在连接。因此，本公开的第一示例性实施例中应用的人工神经网络被称为前馈神经网络。
以下，将更详细地描述根据本公开的第一示例性实施例的人工神经网络300。图3示出了根据本公开的第一示例性实施例的输入层、隐藏层和输出层之间的相关性。人工神经网络300的模型具有如图3所示的结构。隐藏层的数量越多或神经元的数量越多，相关关系可以表达得越复杂。
输入到输入层的信息可包括关于各工作点的信息(例如，转速、负载、EVO、IVC和lambda)。特别是，通过输出层输出的信息可包括最小火花正时信息400和最大扭矩信息500。在隐藏层中，在测量数据学习的过程中可以使用试错法。
之后，基于n个数据集的数量，使用人工神经网络300对车辆发动机进行学习步骤S5。使用人工神经网络300的学习步骤可以通过反复改变权重和偏置值来进行。人工神经网络300的模型仅使用数据和人工神经网络300的计算结构来定义输入和输出之间的关系，而不使用物理规律来解释物理现象的原因和结果。人工神经网络300的模型在输入和输出数据的基础上，通过机器学习算法反复改变权重和偏置值，即模型中的参数。这个过程被称为"学习"。要想学习成功，需要选择合适的输入和输出。学习中使用的数据量越大，人工神经网络300的模型就可能越通用。
之后，车辆发动机执行步骤S6：将通过人工神经网络300学习到的数据和火花正时效率曲线存储在车辆的ECU中。换句话说，人工神经网络和火花正时效率曲线是使用车辆中使用的ECU实现的。此后，车辆发动机执行步骤S7：将当前工作点信息200输入到存储在ECU中的人工神经网络300，并且输出在人工神经网络300中计算出的最小火花正时信息400和最大扭矩信息500。
随后，车辆发动机执行步骤S8：通过输入由ECU使用工作点信息计算的火花正时信息100和由学习的人工神经网络300计算的最小火花正时信息400之间的差来计算火花正时效率600。最后，车辆发动机可以通过将最大扭矩信息500与计算出的火花正时效率600相乘，通过实时计算当前扭矩700的步骤S9更准确地计算车辆发动机扭矩。然后，车辆可以根据计算出的车辆发动机扭矩进行操作。
虽然火花正时效率曲线可以基于n个数据集的数量获得，但随着人工神经网络的继续学习，火花正时效率曲线可以更准确地得出。根据车辆的老化等情况，当前工作点信息输出的最小火花正时信息400和最大扭矩信息500可以基于最新的火花正时效率曲线，而不是基于旧的火花正时效率曲线。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种利用人工神经网络预测车辆发动机扭矩的方法,包括:
通过处理器获取车辆发动机的n个配置的工作点的信息；
通过处理器在工作点中添加火花正时和扭矩，来配置n个工作点数据集；
通过处理器，从n个工作点数据集中提取最小火花正时、最大扭矩和火花正时效率曲线；
由处理器配置人工神经网络，包括具有n个工作点信息的输入层，具有最小火花正时和最大扭矩的输出层，以及输入层和输出层之间的隐藏层；
处理器利用人工神经网络从n个工作点数据集中进行学习；
通过将有关当前工作点的信息输入到学习的人工神经网络中，由处理器输出有关当前工作点信息的最小火花正时和最大扭矩；
由处理器根据当前工作点相关信息的当前火花正时和最小火花正时计算火花正时效率；以及根据火花正时效率计算电流扭矩。
2.根据权利要求1所述的方法，其特征在于，所述人工神经网络和使用所述人工神经网络的学习中学习到的火花正时效率曲线存储在电子控制单元中。
3.根据权利要求2所述的方法，其特征在于，关于当前工作点信息的最小火花正时和最大扭矩的输出是由存储在所述电子控制单元中的人工神经网络输出的。
4.根据权利要求1所述的方法，其特征在于，关于n个工作点的信息是通过将将火花正时从全迟钝相位角的位置移动到全提前相位角的位置而获得的。
5.根据权利要求1所述的方法，其特征在于，使用人工网络的学习是通过反复地改变权重和偏差值来进行的。
6.根据权利要求1所述的方法，其特征在于，关于操作点的信息包括每分钟转数、负荷和空燃比中的至少一个。
7.根据权利要求6所述的方法，其特征在于，当车辆发动机设有连续可变气门正时机构时，有关工作点的信息还包括排气门开启正时和进气门关闭正时。
8.根据权利要求6所述的方法，其特征在于，当车辆发动机配备有连续可变气门持续时间机构时，有关工作点的信息还包括排气门开启正时、排气门关闭正时、进气门开启正时和进气门关闭正时中的至少一个。
9.根据权利要求6所述的方法，其特征在于，当车辆发动机设有连续可变气门升程机构时，有关工作点的信息还包括排气门开启正时、排气门升程正时、进气门关闭正时和进气门升程正时。
10.一种利用人工神经网络预测车辆发动机扭矩的系统,包括:
存储器，被配置为用于存储程序指令；
处理器，被配置为用于执行程序指令，所述程序指令在执行时被配置为：
获取车辆发动机的n个配置工作点的信息；
通过在工作点中添加火花正时和扭矩，配置n个工作点数据集；
从n个工作点数据集中提取最小火花正时、最大扭矩和火花正时效率曲线；
配置人工神经网络，该人工神经网络包括具有n个工作点信息的输入层、具有最小火花正时和最大扭矩的输出层，以及输入层和输出层之间的隐藏层；
利用人工神经网络对n个工作点数据集进行学习；
通过将关于当前操作点的信息输入到学习的人工神经网络中，输出有关当前工作点信息的最小火花正时和最大扭矩；
根据当前工作点相关信息的当前火花正时和最小火花正时计算火花正时效率；以及根据火花正时效率计算电流扭矩。
CN202110027159.2A 2020-01-20 2021-01-09 一种利用人工神经网络预测车辆发动机扭矩的系统和方法 Active CN113153521B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0007390 2020-01-20
KR1020200007390A KR102165878B1 (ko) 2020-01-20 2020-01-20 인공신경망을 이용한 차량 엔진 토크 추정 방법

Publications (2)

Publication Number Publication Date
CN113153521A true CN113153521A (zh) 2021-07-23
CN113153521B CN113153521B (zh) 2023-01-17

Family

ID=72847475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110027159.2A Active CN113153521B (zh) 2020-01-20 2021-01-09 一种利用人工神经网络预测车辆发动机扭矩的系统和方法

Country Status (4)

Country Link
US (1) US11326572B2 (zh)
KR (1) KR102165878B1 (zh)
CN (1) CN113153521B (zh)
DE (1) DE102020007952A1 (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11586943B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network inputs in automotive predictive maintenance
US11775816B2 (en) 2019-08-12 2023-10-03 Micron Technology, Inc. Storage and access of neural network outputs in automotive predictive maintenance
US11635893B2 (en) 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
US11586194B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network models of automotive predictive maintenance
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires
US11748626B2 (en) 2019-08-12 2023-09-05 Micron Technology, Inc. Storage devices with neural network accelerators for automotive predictive maintenance
US11702086B2 (en) 2019-08-21 2023-07-18 Micron Technology, Inc. Intelligent recording of errant vehicle behaviors
US11361552B2 (en) 2019-08-21 2022-06-14 Micron Technology, Inc. Security operations of parked vehicles
US11498388B2 (en) 2019-08-21 2022-11-15 Micron Technology, Inc. Intelligent climate control in vehicles
US11435946B2 (en) 2019-09-05 2022-09-06 Micron Technology, Inc. Intelligent wear leveling with reduced write-amplification for data storage devices configured on autonomous vehicles
US11693562B2 (en) 2019-09-05 2023-07-04 Micron Technology, Inc. Bandwidth optimization for different types of operations scheduled in a data storage device
US11650746B2 (en) 2019-09-05 2023-05-16 Micron Technology, Inc. Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles
US11409654B2 (en) 2019-09-05 2022-08-09 Micron Technology, Inc. Intelligent optimization of caching operations in a data storage device
US11436076B2 (en) 2019-09-05 2022-09-06 Micron Technology, Inc. Predictive management of failing portions in a data storage device
US11250648B2 (en) 2019-12-18 2022-02-15 Micron Technology, Inc. Predictive maintenance of automotive transmission
US11709625B2 (en) 2020-02-14 2023-07-25 Micron Technology, Inc. Optimization of power usage of data storage devices
US11531339B2 (en) 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
US11459962B2 (en) * 2020-03-02 2022-10-04 Sparkcognitton, Inc. Electronic valve control
US11655775B1 (en) * 2021-08-20 2023-05-23 Ut-Battelle, Llc Combustion control using spiking neural networks

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050109318A1 (en) * 2003-11-21 2005-05-26 Denso Corporation Control device of internal combustion engine
US20070089697A1 (en) * 2005-10-20 2007-04-26 Hitachi, Ltd. Control apparatus for controlling internal combustion engines
US20090158830A1 (en) * 2007-12-20 2009-06-25 Malaczynski Gerard W Artificial neural network enhanced misfire detection system
CN105937456A (zh) * 2015-03-05 2016-09-14 通用汽车环球科技运作有限责任公司 百分之五十燃烧曲轴角的估计系统及方法
JP2019143579A (ja) * 2018-02-23 2019-08-29 三菱電機株式会社 内燃機関の制御装置及び制御方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS4840397B1 (zh) 1972-07-13 1973-11-30
DE19520605C1 (de) * 1995-06-06 1996-05-23 Daimler Benz Ag Verfahren und Einrichtung zur Regelung des Verbrennungsablaufs bei einem Otto-Verbrennungsmotor
US5740045A (en) * 1995-11-29 1998-04-14 General Motors Corporation Predictive spark controller
DE69729981T2 (de) * 1996-05-28 2004-12-16 Honda Giken Kogyo K.K. Gerät zur Steuerung des Luft/Kraftstoffverhältnisses, das ein neuronales Netzwerk benutzt
US5915359A (en) * 1996-12-13 1999-06-29 Ford Global Technologies, Inc. Method and system for determining and controlling A/F ratio during cold start engine operation
US6236908B1 (en) * 1997-05-07 2001-05-22 Ford Global Technologies, Inc. Virtual vehicle sensors based on neural networks trained using data generated by simulation models
JPH11287146A (ja) * 1998-04-01 1999-10-19 Yamaha Motor Co Ltd エンジン制御方法および装置
JPH10306744A (ja) * 1998-04-06 1998-11-17 Hitachi Ltd 制御装置
JPH11351045A (ja) * 1998-06-09 1999-12-21 Hitachi Ltd エンジンの状態を示す量の推定方法
US6367462B1 (en) * 2000-09-13 2002-04-09 Delphi Technologies, Inc. Engine torque management method with high dilution EGR control
KR100376704B1 (ko) * 2000-11-07 2003-03-17 기아자동차주식회사 엔진 토크 정보의 제공방법
US6371066B1 (en) * 2000-12-15 2002-04-16 Ford Global Technologies, Inc. Torque based cam timing control method and system
US6805099B2 (en) * 2002-10-31 2004-10-19 Delphi Technologies, Inc. Wavelet-based artificial neural net combustion sensing
US6959692B2 (en) * 2003-04-15 2005-11-01 Ford Global Technologies, Llc Computer controlled engine valve operation
DE102004030782A1 (de) * 2004-06-25 2006-01-19 Fev Motorentechnik Gmbh Fahrzeug-Steuergerät mit einem neuronalen Netz
JP4376799B2 (ja) * 2005-01-19 2009-12-02 株式会社日立製作所 内燃機関の点火時期制御装置
EP2275946A1 (en) * 2005-03-04 2011-01-19 STMicroelectronics S.r.l. Probabilistic neural network and relative training method
KR101316224B1 (ko) * 2007-12-17 2013-10-08 현대자동차주식회사 엔진 점화시기 효율 제어방법
JP4840397B2 (ja) 2008-04-23 2011-12-21 トヨタ自動車株式会社 燃料噴射量学習制御装置
US8301356B2 (en) * 2008-10-06 2012-10-30 GM Global Technology Operations LLC Engine out NOx virtual sensor using cylinder pressure sensor
US8453431B2 (en) * 2010-03-02 2013-06-04 GM Global Technology Operations LLC Engine-out NOx virtual sensor for an internal combustion engine
US10816438B2 (en) * 2017-11-14 2020-10-27 Tula Technology, Inc. Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle
JP6733105B2 (ja) * 2018-02-23 2020-07-29 三菱電機株式会社 内燃機関の制御装置及び制御方法
JP6752326B2 (ja) * 2019-04-12 2020-09-09 三菱電機株式会社 内燃機関の制御装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050109318A1 (en) * 2003-11-21 2005-05-26 Denso Corporation Control device of internal combustion engine
US20070089697A1 (en) * 2005-10-20 2007-04-26 Hitachi, Ltd. Control apparatus for controlling internal combustion engines
US20090158830A1 (en) * 2007-12-20 2009-06-25 Malaczynski Gerard W Artificial neural network enhanced misfire detection system
CN105937456A (zh) * 2015-03-05 2016-09-14 通用汽车环球科技运作有限责任公司 百分之五十燃烧曲轴角的估计系统及方法
JP2019143579A (ja) * 2018-02-23 2019-08-29 三菱電機株式会社 内燃機関の制御装置及び制御方法

Also Published As

Publication number Publication date
US11326572B2 (en) 2022-05-10
KR102165878B1 (ko) 2020-10-14
US20210222662A1 (en) 2021-07-22
DE102020007952A1 (de) 2021-07-22
CN113153521B (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN113153521B (zh) 一种利用人工神经网络预测车辆发动机扭矩的系统和方法
JP7231144B2 (ja) エンジン制御装置及びそれが有するニューラルネットワークプログラム
Li et al. Emissions modeling of a light-duty diesel engine for model-based control design using multi-layer perceptron neural networks
US11459962B2 (en) Electronic valve control
Tamaki et al. On-line feedforward map generation for engine ignition timing control
JP2012014617A (ja) ニューラルネットワーク学習装置
US20210390412A1 (en) Method for generating neural network model and control device using neural network model
Chen et al. Machine learning for misfire detection in a dynamic skip fire engine
CN113728159A (zh) 发动机控制系统
CN111198501B (zh) 一种由rbf神经网络确定燃油等效因子的方法
Nishio et al. Optimal calibration scheme for map-based control of diesel engines
Egan et al. Use of machine learning for real-time non-linear model predictive engine control
Garg et al. Potential of machine learning methods for robust performance and efficient engine control development
Malikopoulos et al. Optimal engine calibration for individual driving styles
JP7010343B1 (ja) 機械学習装置
Cranmer et al. Grey-box modeling architectures for rotational dynamic control in automotive engines
Majecki et al. Total engine optimization and control for SI engines using linear parameter-varying models
Simani et al. Fuzzy modelling and control of the air system of a diesel engine
CN112682202B (zh) 车辆用控制系统、装置、控制方法以及存储介质
Müller et al. Approximation and control of the engine torque using neural networks
KR102270683B1 (ko) 엔진의 점화시기 효율곡선 결정방법
CN113795661B (zh) 内燃发动机的控制器
VM et al. Systematic comparison of supervised learning methods to reduce calibration effort in engine control development
Gu et al. Real-time modelling and parallel optimisation of a gasoline direct injection engine
Isermann et al. Nonlinear identification and adaptive control of combustion 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