CN113204860A - 一种标定方法 - Google Patents
一种标定方法 Download PDFInfo
- Publication number
- CN113204860A CN113204860A CN202110286108.1A CN202110286108A CN113204860A CN 113204860 A CN113204860 A CN 113204860A CN 202110286108 A CN202110286108 A CN 202110286108A CN 113204860 A CN113204860 A CN 113204860A
- Authority
- CN
- China
- Prior art keywords
- temperature
- lookup table
- engine
- water temperature
- temperature gradient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 97
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002826 coolant Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供了一种标定方法,用于对发动机水温参考模型中的待标定数据进行标定,所述标定方法包括如下步骤:根据预设算法更新所述待标定数据,得到待评价的发动机水温参考模型。将实验数据输入待评价的发动机水温参考模型,得到估算结果。将所述估算结果和发动机低边水温目标曲线进行比较,得到评价结果。若所述评价结果达到优化目标,输出当前的所述待标定数据;否则,重复执行上述步骤。如此配置,用计算机替代人工,减轻了标定人员工作负担,从全局优化的角度获得标定结果,解决了现有技术中的标定工作工时巨大、标定周期长、解耦合困难以及对标定人员的要求较高的问题。
Description
技术领域
本发明涉及车辆技术领域,特别涉及一种标定方法。
背景技术
发动机水温是指发动机冷却液在发动机运行过程中的温度,是一项非常重要的运行参数。水温传感器安装在发动机上,监视发动机冷却液的温度。其原理是利用热敏电阻的特性将温度的变化转为热敏电阻阻值的变化,然后通过分压电路转换为电压信号,输入ECU。电压信号在ECU经过一些换算转化为温度数值。在发动机的运行过程中,需要对水温传感器信号的低边合理性进行检查--检查水温较低时的合理性。水温低边检查是通过计算低边参考模型温度lowtemp,检验发动机暖机过程下限值是否合理。其原理是:在发动机温升过程中,如果发现测量到的水温coldtemp小于标定的模型温度lowtemp一定阈值,则可以认为发动机水温传感器有故障。发动机水温参考模型温度是发动机在水温传感器正常工作下,达到的最低温度。
目前,发动机水温参考模型的标定需要经过转鼓试验标定和极端工况道路试验验证,工程师需要在较多工况点进行大量试验来确定每个工况点处的参数标定值,这一过程投入的试验资源和工程师标定工时巨大,标定周期长。模型中的控制参数通常是相互耦合的,工程师标定的难点之一是标定过程难以解耦合,通常每次只能在个别点处实现参数标定最优化,难以考虑到其与其他工况和其他参数之间的耦合效应,全局搜索能力差,难以保证局部最优性。控制参数的标定非常依赖于工程师的经验,对于初级工程师,成功完成标定的挑战大;而成熟工程师的标定经验在传统的标定方法中难以具有迁移性。
总之,现有技术中采用人工对发动机水温参考模型进行标定,存在工时巨大、标定周期长、解耦合困难以及对标定人员的要求较高的问题。
发明内容
本发明的目的是提供一种标定方法,以解决现有技术中因为采用人工对发动机水温参考模型进行标定导致的工时巨大、标定周期长、解耦合困难以及对标定人员的要求较高的问题。
为了解决上述技术问题,本发明提供了一种标定方法,用于对发动机水温参考模型中的待标定数据进行标定,所述发动机水温参考模型用于估算发动机在水温传感器正常工作下能达到的最低温度;所述标定方法包括如下步骤:S10:根据预设算法更新所述待标定数据,得到待评价的发动机水温参考模型。S20:将实验数据输入待评价的发动机水温参考模型,得到估算结果。S30:将所述估算结果和发动机低边水温目标曲线进行比较,得到评价结果。若所述评价结果达到优化目标,输出当前的所述待标定数据;否则,重复执行步骤S10~S30。
可选的,所述发动机水温参考模型的计算过程包括:计算第一参考温度;计算置位标志;计算温度梯度;根据预设逻辑计算第二参考温度,所述预设逻辑包括,若所述置位标志为预设布尔值时,将上一时刻的发动机水温参考模型的估算结果与所述温度梯度进行叠加,将叠加结果作为所述第二参考温度;否则,将上一时刻的发动机水温参考模型的估算结果作为所述第二参考温度;将所述第一参考温度和所述第二参考温度中的较小值作为结果输出。
可选的,所述待标定数据包括独立数据、一维查找表以及二维查找表中的至少一者。
可选的,所述独立数据包括置位标志计算参数,所述置位标志计算参数用于参与所述置位标志的计算过程。
可选的,所述一维查找表包括第一参考温度查找表,所述第一参考温度查找表的输入参数为环境温度,所述第一参考温度查找表的输出参数为所述第一参考温度。
可选的,所述二维查找表包括温度梯度第一查找表、温度梯度第二查找表、温度梯度第三查找表以及温度梯度第四查找表中的至少一者。
所述温度梯度第一查找表用于在发动机停机阶段计算所述温度梯度,所述温度梯度第一查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及当前车速,所述温度梯度第一查找表的输出参数为所述温度梯度。
所述温度梯度第二查找表用于在发动机运行阶段的断油阶段计算所述温度梯度,所述温度梯度第二查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及当前进气流量,所述温度梯度第二查找表的输出参数为所述温度梯度。
所述温度梯度第三查找表用于在发动机运行阶段的通油阶段辅助计算所述温度梯度,所述温度梯度第三查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及进气流量,所述温度梯度第三查找表的输出参数为第一辅助计算结果。
所述温度梯度第四查找表用于在发动机运行阶段的通油阶段辅助计算所述温度梯度,所述温度梯度第四查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及环境温度,所述温度梯度第四查找表的输出参数为第二辅助计算结果。
在发动机运行阶段的通油阶段的温度梯度通过对所述第一辅助计算结果和所述第二辅助计算结果求和得到。
可选的,所述预设算法包括种群进化算法。
可选的,所述种群进化算法为遗传算法、粒子群算法、群搜索算法以及差分进化算法中的一种。
可选的,所述将所述估算结果和发动机低边水温目标曲线进行比较,得到评价结果的步骤包括:计算所述估算结果和所述发动机低边水温目标曲线的均方差;将所述均方差作为所述评价结果。
可选的,所述发动机低边水温目标曲线由转换方法得到,所述转换方法包括:获取发动机水温曲线;将发动机水温曲线划分为温度增长部分以及增长终值部分;将所述增长终值部分整体向下偏移;将所述温度增长部分进行逐步偏移,偏移幅度沿接近所述增长终值部分的方向逐步加大;将偏移后的得到的曲线作为所述发动机低边水温目标曲线。
与现有技术相比,本发明提供的标定方法包括如下步骤:根据预设算法更新所述待标定数据,得到待评价的发动机水温参考模型。将实验数据输入待评价的发动机水温参考模型,得到估算结果。将所述估算结果和发动机低边水温目标曲线进行比较,得到评价结果。若所述评价结果达到优化目标,输出当前的所述待标定数据;否则,重复执行上述步骤。如此配置,用计算机替代人工,减轻了标定人员工作负担,从全局优化的角度获得标定结果,解决了现有技术中的标定工作工时巨大、标定周期长、解耦合困难以及对标定人员的要求较高的问题。
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标定方法的流程示意图;
图2是本发明一实施例的发动机低边水温目标曲线的转换示意图;
图3是本发明一实施例的差分进化算法的运行示意图。
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标定方法,以解决现有技术中因为采用人工对发动机水温参考模型进行标定导致的工时巨大、标定周期长、解耦合困难以及对标定人员的要求较高的问题。
以下参考附图进行描述。
请参考图1至图3,其中,图1是本发明一实施例的标定方法的流程示意图;图2是本发明一实施例的发动机低边水温目标曲线的转换示意图;图3是本发明一实施例的差分进化算法的运行示意图。
本实施例提供了一种标定方法,用于对发动机水温参考模型中的待标定数据进行标定,所述发动机水温参考模型用于估算发动机在水温传感器正常工作下能达到的最低温度。
所述发动机水温参考模型的计算过程包括:计算第一参考温度lowtempend(i);计算置位标志B_lowtempset(i);计算温度梯度lowtemp_gradient(i);根据预设逻辑计算第二参考温度lowtemp_int(i),所述预设逻辑包括,若所述置位标志为预设布尔值时,将上一时刻的发动机水温参考模型的估算结果lowtemp(i-1)与所述温度梯度lowtemp_gradient(i)进行叠加,将叠加结果作为所述第二参考温度,即lowtemp_int(i)=lowtemp(i-1)+lowtemp_gradient(i);否则,将上一时刻的发动机水温参考模型的估算结果作为所述第二参考温度,即lowtemp_int(i)=lowtemp(i-1);将所述第一参考温度和所述第二参考温度中的较小值作为结果输出,即lowtemp(i)=min(lowtempend(i),lowtemp_int(i))。上述描述中,“参数+(i)”的形式表示第i时刻的参数,后续描述中,也按照这个思路进行理解。
具体地,所述第一参考温度可以用lowtempend(i)=f(envtemp(i))计算,其中envtemp(i)表示第i时刻的环境温度,f为第一参考温度查找表,其工作原理是,预先标记若干个关键点,当接收到输入参数后,先查找到离输入参数接近的两个关键点,然后通过一维插值的方式获得输出结果。所述第一参考温度查找表的输入参数为环境温度,所述第一参考温度查找表的输出参数为所述第一参考温度。
所述置位标志可以用B_lowtempset(i)=XNOR(B_lowtempset(i-k),p)计算,其中XNOR表示同或逻辑运算,B_lowtempset(i-k)表示第i-k时刻的置位标志,当i-k<0时,可以将B_lowtempset(i-k)赋值为一个默认布尔值解决计算错误。K为延迟参数,根据实际工况进行设置。p为置位标志计算参数,所述置位标志计算参数在标定结束后,为一固定参数。
所述第二参考温度可以通过如下方式计算:
在发动机停机阶段,lowtemp_gradient(i)=g1(lowtemp(i-1),speed(i)),其中speed(i)表示第i时刻的车速,g1为温度梯度第一查找表,其工作原理是,预先标记若干个关键点,当接收到输入参数后,先查找到离输入参数接近的四个关键点,然后通过二维插值的方式获得输出结果。所述温度梯度第一查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及当前车速,所述温度梯度第一查找表的输出参数为所述温度梯度。
在发动机运行阶段,具体又分为两个子阶段:
1)断油阶段,lowtemp_gradient(i)=g2(lowtemp(i-1),masflow(i)),其中masflow(i)表示第i时刻的进气流量,g2为温度梯度第二查找表,其工作原理是,预先标记若干个关键点,当接收到输入参数后,先查找到离输入参数接近的四个关键点,然后通过二维插值的方式获得输出结果。所述温度梯度第二查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及当前进气流量,所述温度梯度第二查找表的输出参数为所述温度梯度。
3)通油阶段,lowtemp_gradient(i)=g3(lowtemp(i-1),masflow(i))+g4(lowtemp(i-1),envtemp(i)),g3为温度梯度第三查找表,其工作原理是,预先标记若干个关键点,当接收到输入参数后,先查找到离输入参数接近的四个关键点,然后通过二维插值的方式获得输出结果。g4为温度梯度第四查找表,其工作原理是,预先标记若干个关键点,当接收到输入参数后,先查找到离输入参数接近的四个关键点,然后通过二维插值的方式获得输出结果。所述温度梯度第三查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及进气流量,所述温度梯度第三查找表的输出参数为第一辅助计算结果。所述温度梯度第四查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及环境温度,所述温度梯度第四查找表的输出参数为第二辅助计算结果。对所述第一辅助计算结果和所述第二辅助计算结果求和就能得到所述温度梯度。
所述标定方法包括如下步骤:S10:根据预设算法更新所述待标定数据,得到待评价的发动机水温参考模型。S20:将实验数据输入待评价的发动机水温参考模型,得到估算结果。S30:将所述估算结果和发动机低边水温目标曲线进行比较,得到评价结果。若所述评价结果达到优化目标,输出当前的所述待标定数据;否则,重复执行步骤S10~S30。
请参考图1,所述标定方法具体如下:依据实验数据的范围,选出需要优化的所述待标定数据,工程师的历史经验给定了所述待标定数据的边界条件和彼此之间的约束关系,差分算法(即所述预设算法)生成符合边界条件和约束关系的一批所述待标定数据,得到待评价的发动机水温参考模型;然后将实验数据输入待评价的发动机水温参考模型中计算得到对应的lowtemp曲线(即估算结果),与所述发动机低边水温目标曲线做差得到均方差(即得到评价结果);差分算法以此均方差作为进化动力更新所述待标定数据,然后再次传入所述发动机水温参考模型中进行计算评价。每次计算评价之后,都会对优化结果进行检查,如果达到优化目标,则退出优化过程,输出优化后的所述待标定数据,否则,继续上述的循环。
所述待标定数据分为三类,分别是:无轴的单个数值(即独立数据),记为label;一个轴的曲线(即一维查找表),记为curve;两个轴的曲面(即二维查找表),记为map。分别使用一维线性和二维线性插值算法,利用试验数据从标定数据中查表插值出所述发动机水温参考模型计算所需的数据,插值时使用向量化计算方法,快速批量得出查表结果。
在本实施例中,所述独立数据包括置位标志计算参数,所述一维查找表包括第一参考温度查找表。所述二维查找表包括、温度梯度第二查找表、温度梯度第三查找表以及温度梯度第四查找表。
在其他的实施例中,可以选择比本实施例更多的待标定数据或者比本实施例更少的待标定数据。
在本实施例中,所述发动机低边水温目标曲线由转换方法得到,所述转换方法包括:获取发动机水温曲线;将发动机水温曲线划分为温度增长部分以及增长终值部分;将所述增长终值部分整体向下偏移;将所述温度增长部分进行逐步偏移,偏移幅度沿接近所述增长终值部分的方向逐步加大;将偏移后的得到的曲线作为所述发动机低边水温目标曲线。
请参考图2进行理解。在图2中,实线表示所述发动机水温曲线,发动机水温曲线通过极端工况下的实验得到,图2中的细虚线将所述发动机水温曲线分为两个部分,左边部分为所述温度增长部分,右边部分为所述增长终值部分。具体的划分方式可以根据实际需要选择,例如,设置一个温度阈值,将超过温度阈值的部分划分为所述增长终值部分,将剩余的部分划分为所述温度增长部分。也可以是其他的划分方式。图2中的粗虚线即是将所述增长终值部分整体向下偏移后得到的结果(在一实施例中,向下平移的偏移量为5℃,在其他的实施例中,所述偏移量也可以是其他的取值),点划线部分即是将所述温度增长部分进行逐步偏移得到的结果,由图2可知,偏移幅度沿接近所述增长终值部分的方向逐步加大。点划线和粗虚线组合形成的曲线即所述发动机低边水温目标曲线。
差分进化算法是基于群体智能理论的优化算法,通过群体内个体间的合作与竞争产生的群体智能指导优化搜索。差分进化算法特有的记忆能力使其可以动态跟踪当前的搜索情况,以调整其搜索策略,具有较强的全局收敛能力和鲁棒性,可以不需要借助问题的特征信息,也可以在问题的初始解和约束条件下进行优化,适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。基于发动机ECU的控制结构建立的计算模型通常是多参数,非线性,多约束的,求解精度有要求。使用常规的优化算法进行求解,求解速度慢,容易在局部最优解收敛,无法得到正确的结果。而差分进化算法使用实数编码,在进化时采用保优策略;能够克服常规优化算法的缺陷,对于基于发动机ECU的控制结构建立的计算模型,可以快速求得正确解。所以可以将差分进化算法用于发动机水温低边参考温度模型控制参数的自动标定。
在本实施例中,所述预设算法中的优化环节使用了差分进化算法。
请参考图3,所述估算结果和所述发动机低边水温目标曲线的均方差此作为差分进化算法的适应度评价函数,以极小值为作为差分进化算法的进化方向。由实验数据范围筛选出需要进行优化操作的标定数据,决定种群向量的规模;标定数据之间的约束关系可以拆解为标定数据边界值的边界条件和部分标定数据之间的约束关系,将约束关系写成向量表达式;将筛选出的标定数据的限制组合成边界条件向量,并根据约束关系进行调整。在差分进化算法内,在边界条件和约束关系基础下,采用浮点矢量进行编码随机生成初代种群;为了利用基础标定数据,可以将筛选出的基础标定数据作为先验知识输入差分算法使用。差分算法的变异过程是以初代种群作为父代种群,从父代个体间随机选择两个个体进行向量做差生成差分向量;选择另外一个个体向量与差分向量求和生成试验个体向量。对父代个体向量与对应的试验个体向量进行交叉操作,生成新的个体。利用加速计算技术,使用前述简化模型作为种群适应度评价函数对试验种群进行评价。如果新个体的适应度优于父代个体,则使用新一代个体取代旧个体,否则仍旧保留旧个体。将试验种群中最优个体的适应度函数值与设定的目标值进行比较,如果达到目标值,则终止迭代,输出满足要求的函数值对应的标定数据;否则进行下一代重拳的差分进化。随着差分进化算法进化代数的增加,会使种群多样性变小,可能收敛在局部最优解,此时对进化模型和控制参数使用概率表达式,使差分进化算法能跳出局部最优解,朝全局最优解前进,最终得到全局最优解。
在本实施例中,所述差分进化算法在计算时,需要根据所述发动机水温参考模型建立适应度评价函数,因为所述发动机水温参考模型中存在对上一时刻的输出值的调用,为非线性模型,无法直接进行向量化运算。所述发动机水温参考模型本身采用较稀疏计算频率,使用向量化加速技术,但是其计算过程消耗时间仍较多;差分进化算法对每一代的每个个体进行适应度评价,也就是要做一次简化模型计算。考虑到每代种群规模为50(经验值),进化代数不低于200,完整的进化过程将是消耗非常多的计算时间。所以在适应度评价函数这里采用多进程和分布式计算技术,加速差分进化算法的计算过程。
需理解,在其他的实施例中,所述预设算法还可以包括其他的种群进化算法。例如,遗传算法、粒子群算法、群搜索算法以及差分进化算法等。
相比于传统工程师人工标定,本实施例可以大幅减少标定过程中的试验资源消耗和工程师工时消耗,降低标定过程的工作量,同时提高标定工作的效率。本发明可以在解空间内实现全局优化,调参优化过程解耦合,相较于工程师调参过程容易陷入局部最优,本发明可以大幅提高标定工作质量。传统标定方法中,成熟工程师的标定经验难以在不同项目和不同工程师之间迁移,本实施例的标定过程更加独立客观,通用性强,避免了工程师经验不足降低标定工作质量和效率。
本实施例还提供一种估算方法,所述估算方法用于估算发动机在水温传感器正常工作下能达到的最低温度。所述估算方法包括,使用上述的标定方法对发动机水温参考模型的待标定数据进行标定;使用标定后的发动机水温参考模型对发动机在水温传感器正常工作下能达到的最低温度进行估算。
综上所述,本发明提供的标定方法包括如下步骤:根据预设算法更新所述待标定数据,得到待评价的发动机水温参考模型。将实验数据输入待评价的发动机水温参考模型,得到估算结果。将所述估算结果和发动机低边水温目标曲线进行比较,得到评价结果。若所述评价结果达到优化目标,输出当前的所述待标定数据;否则,重复执行上述步骤。如此配置,用计算机替代人工,减轻了标定人员工作负担,从全局优化的角度获得标定结果,解决了现有技术中的标定工作工时巨大、标定周期长、解耦合困难以及对标定人员的要求较高的问题。
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 (10)
1.一种标定方法,其特征在于,用于对发动机水温参考模型中的待标定数据进行标定,所述发动机水温参考模型用于估算发动机在水温传感器正常工作下能达到的最低温度;所述标定方法包括如下步骤:
S10:根据预设算法更新所述待标定数据,得到待评价的发动机水温参考模型;
S20:将实验数据输入待评价的发动机水温参考模型,得到估算结果;
S30:将所述估算结果和发动机低边水温目标曲线进行比较,得到评价结果;
若所述评价结果达到优化目标,输出当前的所述待标定数据;否则,重复执行步骤S10~S30。
2.根据权利要求1所述的标定方法,其特征在于,所述发动机水温参考模型的计算过程包括:
计算第一参考温度;
计算置位标志;
计算温度梯度;
根据预设逻辑计算第二参考温度,所述预设逻辑包括,若所述置位标志为预设布尔值时,将上一时刻的发动机水温参考模型的估算结果与所述温度梯度进行叠加,将叠加结果作为所述第二参考温度;否则,将上一时刻的发动机水温参考模型的估算结果作为所述第二参考温度;
将所述第一参考温度和所述第二参考温度中的较小值作为结果输出。
3.根据权利要求2所述的标定方法,其特征在于,所述待标定数据包括独立数据、一维查找表以及二维查找表中的至少一者。
4.根据权利要求3所述的标定方法,其特征在于,所述独立数据包括置位标志计算参数,所述置位标志计算参数用于参与所述置位标志的计算过程。
5.根据权利要求3所述的标定方法,其特征在于,所述一维查找表包括第一参考温度查找表,所述第一参考温度查找表的输入参数为环境温度,所述第一参考温度查找表的输出参数为所述第一参考温度。
6.根据权利要求3所述的标定方法,其特征在于,所述二维查找表包括温度梯度第一查找表、温度梯度第二查找表、温度梯度第三查找表以及温度梯度第四查找表中的至少一者;
所述温度梯度第一查找表用于在发动机停机阶段计算所述温度梯度,所述温度梯度第一查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及当前车速,所述温度梯度第一查找表的输出参数为所述温度梯度;
所述温度梯度第二查找表用于在发动机运行阶段的断油阶段计算所述温度梯度,所述温度梯度第二查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及当前进气流量,所述温度梯度第二查找表的输出参数为所述温度梯度;
所述温度梯度第三查找表用于在发动机运行阶段的通油阶段辅助计算所述温度梯度,所述温度梯度第三查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及进气流量,所述温度梯度第三查找表的输出参数为第一辅助计算结果;
所述温度梯度第四查找表用于在发动机运行阶段的通油阶段辅助计算所述温度梯度,所述温度梯度第四查找表的输入参数为上一时刻的发动机水温参考模型的估算结果以及环境温度,所述温度梯度第四查找表的输出参数为第二辅助计算结果;
在发动机运行阶段的通油阶段的温度梯度通过对所述第一辅助计算结果和所述第二辅助计算结果求和得到。
7.根据权利要求2所述的标定方法,其特征在于,所述预设算法包括种群进化算法。
8.根据权利要求7所述的标定方法,其特征在于,所述种群进化算法为遗传算法、粒子群算法、群搜索算法以及差分进化算法中的一种。
9.根据权利要求2所述的标定方法,其特征在于,所述将所述估算结果和发动机低边水温目标曲线进行比较,得到评价结果的步骤包括:
计算所述估算结果和所述发动机低边水温目标曲线的均方差;
将所述均方差作为所述评价结果。
10.根据权利要求2所述的标定方法,其特征在于,所述发动机低边水温目标曲线由转换方法得到,所述转换方法包括:
获取发动机水温曲线;
将发动机水温曲线划分为温度增长部分以及增长终值部分;
将所述增长终值部分整体向下偏移;
将所述温度增长部分进行逐步偏移,偏移幅度沿接近所述增长终值部分的方向逐步加大;
将偏移后的得到的曲线作为所述发动机低边水温目标曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286108.1A CN113204860B (zh) | 2021-03-17 | 一种标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286108.1A CN113204860B (zh) | 2021-03-17 | 一种标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113204860A true CN113204860A (zh) | 2021-08-03 |
CN113204860B CN113204860B (zh) | 2024-05-31 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116387567A (zh) * | 2023-06-06 | 2023-07-04 | 中国第一汽车股份有限公司 | 基于燃料电池的氢气进气量确定方法、装置、车辆及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101384805A (zh) * | 2006-01-19 | 2009-03-11 | 雷诺股份公司 | 用于调节内燃机温度的方法和设备 |
US20090082985A1 (en) * | 2007-12-12 | 2009-03-26 | Victor Alexandrovich Kalinin | Method of calibrating temperature compensated sensors |
CN101639389A (zh) * | 2009-08-05 | 2010-02-03 | 奇瑞汽车股份有限公司 | 汽车动力系统水温传感器的诊断方法 |
CN102735369A (zh) * | 2012-06-21 | 2012-10-17 | 奇瑞汽车股份有限公司 | 一种水温传感器的诊断方法 |
US20130144549A1 (en) * | 2011-12-01 | 2013-06-06 | Grigori Temkine | Method for calibrating temperature sensors using reference voltages |
CN103575426A (zh) * | 2013-11-09 | 2014-02-12 | 奇瑞汽车股份有限公司 | 一种水温传感器的标定方法 |
CN103940533A (zh) * | 2014-02-14 | 2014-07-23 | 湖北汽车工业学院 | 发动机冷却液温度传感器测控方法及其测控系统 |
CN109386374A (zh) * | 2018-12-18 | 2019-02-26 | 安徽江淮汽车集团股份有限公司 | 一种发动机水温传感器诊断方法及模块 |
CN110231108A (zh) * | 2018-03-05 | 2019-09-13 | 联合汽车电子有限公司 | 温度传感器的标定装置及标定方法 |
CN110848017A (zh) * | 2019-11-26 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种水温合理性诊断方法 |
CN111125909A (zh) * | 2019-12-24 | 2020-05-08 | 奇瑞汽车股份有限公司 | 一种一维汽车热管理模型的自动化标定方法 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101384805A (zh) * | 2006-01-19 | 2009-03-11 | 雷诺股份公司 | 用于调节内燃机温度的方法和设备 |
US20090082985A1 (en) * | 2007-12-12 | 2009-03-26 | Victor Alexandrovich Kalinin | Method of calibrating temperature compensated sensors |
CN101639389A (zh) * | 2009-08-05 | 2010-02-03 | 奇瑞汽车股份有限公司 | 汽车动力系统水温传感器的诊断方法 |
US20130144549A1 (en) * | 2011-12-01 | 2013-06-06 | Grigori Temkine | Method for calibrating temperature sensors using reference voltages |
CN102735369A (zh) * | 2012-06-21 | 2012-10-17 | 奇瑞汽车股份有限公司 | 一种水温传感器的诊断方法 |
CN103575426A (zh) * | 2013-11-09 | 2014-02-12 | 奇瑞汽车股份有限公司 | 一种水温传感器的标定方法 |
CN103940533A (zh) * | 2014-02-14 | 2014-07-23 | 湖北汽车工业学院 | 发动机冷却液温度传感器测控方法及其测控系统 |
CN110231108A (zh) * | 2018-03-05 | 2019-09-13 | 联合汽车电子有限公司 | 温度传感器的标定装置及标定方法 |
CN109386374A (zh) * | 2018-12-18 | 2019-02-26 | 安徽江淮汽车集团股份有限公司 | 一种发动机水温传感器诊断方法及模块 |
CN110848017A (zh) * | 2019-11-26 | 2020-02-28 | 奇瑞汽车股份有限公司 | 一种水温合理性诊断方法 |
CN111125909A (zh) * | 2019-12-24 | 2020-05-08 | 奇瑞汽车股份有限公司 | 一种一维汽车热管理模型的自动化标定方法 |
Non-Patent Citations (2)
Title |
---|
FRANCESCO AMMENDOLA等: "Early Stage Calibration of a Formula SAE Engine 1-D Fluid Dynamic Model with Limited Experimental Data", E3S WEB OF CONFERENCES, vol. 197, pages 1 - 11 * |
吴长水等: "电控柴油机ECU软件设计及应用", 车用发动机, vol. 2007, no. 01, pages 48 - 51 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116387567A (zh) * | 2023-06-06 | 2023-07-04 | 中国第一汽车股份有限公司 | 基于燃料电池的氢气进气量确定方法、装置、车辆及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027165B (zh) | 一种基于数字孪生的动力电池组管理系统及方法 | |
CN111007399B (zh) | 基于改进生成对抗网络的锂电池荷电状态预测方法 | |
CN111597631B (zh) | 基于自适应代理模型的汽车风阻系数优化方法 | |
CN112682197B (zh) | 车辆用控制数据的生成方法、车辆用控制装置和控制系统 | |
CN111597750A (zh) | 一种基于bp神经网络的混合动力汽车能量管理方法 | |
CN116484495A (zh) | 一种基于试验设计的气动数据融合建模方法 | |
CN116561681A (zh) | 一种基于数字孪生的融合型故障诊断方法 | |
CN115688276A (zh) | 一种基于离散伴随方法的飞行器外形自动化优化方法、系统、设备、介质 | |
CN113204860A (zh) | 一种标定方法 | |
CN111259583A (zh) | 基于空洞率的igbt模块焊料层疲劳老化失效模拟方法 | |
CN113204860B (zh) | 一种标定方法 | |
CN111628690B (zh) | 自寻优车载永磁同步电机标定方法及系统 | |
CN111852676B (zh) | 控制连续可变气门升程系统自学习的方法和系统 | |
CN113505929B (zh) | 基于嵌入物理约束深度学习技术的拓扑最优结构预测方法 | |
CN112918483B (zh) | 纯电动汽车加速踏板自学习的方法 | |
CN104200271A (zh) | 一种发动机多目标优化算法 | |
CN112782974B (zh) | 一种控制参数标定方法 | |
CN114799561A (zh) | 基于案例推理和模型推理的激光切割工艺参数优化方法 | |
Corno et al. | Predictive cylinder deactivation control for large displacement automotive engines | |
JP5073268B2 (ja) | 制御パラメータの自動調整装置 | |
CN114779081A (zh) | 车辆电池寿命的互学习预测方法、装置及存储介质 | |
CN113962384A (zh) | 针对点击率预测模型的自动一体化架构搜索系统和方法 | |
CN113565952A (zh) | 新能源汽车amt变速箱换挡力修正控制方法及系统 | |
Bruck et al. | An Iterative Histogram-Based Optimization of Calibration Tables in a Powertrain Controller | |
CN111572531A (zh) | 一种混合动力车型全传动部件扭矩偏差的自学习方法 |
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 |