CN113236403A - 混合气偏差自学习方法、系统以及可读存储介质 - Google Patents
混合气偏差自学习方法、系统以及可读存储介质 Download PDFInfo
- Publication number
- CN113236403A CN113236403A CN202110396895.5A CN202110396895A CN113236403A CN 113236403 A CN113236403 A CN 113236403A CN 202110396895 A CN202110396895 A CN 202110396895A CN 113236403 A CN113236403 A CN 113236403A
- Authority
- CN
- China
- Prior art keywords
- self
- learning
- deviation
- model
- data
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N11/00—Monitoring or diagnostic devices for exhaust-gas treatment apparatus, e.g. for catalytic activity
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N13/00—Exhaust or silencing apparatus characterised by constructional features ; Exhaust or silencing apparatus, or parts thereof, having pertinent characteristics not provided for in, or of interest apart from, groups F01N1/00 - F01N5/00, F01N9/00, F01N11/00
-
- 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
- F02D41/1406—Introducing closed-loop corrections characterised by the control or regulation method with use of a optimisation method, e.g. iteration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供的混合气偏差自学习方法、系统以及可读存储介质中,首先域控制器获取发动机控制器中预控模型的模型偏差和与模型偏差对应的工况数据;然后域控制器根据模型偏差和工况数据进行备选区域划分,生成备选区域并获得备选区域对应的自学习参数;接着域控制器将所述自学习参数发送给发动机控制器;发动机控制器利用自学习参数更新发动机控制器内相应的自学习算法,并基于所述自学习算法进行混合气偏差自学习。由此,可以以新划分的备选区域来作为自学习区域,从而可以实现自学习区域的更新,并能够更新混合气偏差自学习散差,有助于提高混合气的空燃比控制精度。
Description
技术领域
本发明涉及汽车技术领域,特别涉及一种混合气偏差自学习方法、系统以及可读存储介质。
背景技术
随着排放和油耗法规的不断加严,对整车排放要求也越来越严格。对于一台车辆的发动机而言,空燃比(即混合气中空气与燃料之间的质量比例)预控偏差对发动机空燃比控制精度有着重大影响,并进而影响车辆全生命周期的排放特性。在动力总成控制上通常可以采用基于局部线性模型树(lolimot)算法进行混合气偏差自学习,以改善车辆的排放特性和提高排放一致性。
但是,目前设置在车辆上的发动机控制器(Electronic Control Unit,ECU)中的lolimot算法是基于离线划定好的自学习区域进行自学习,该自学习区域仅仅通过少数实验车测量计算获得,并不能完整代替市面上单个体车辆的特性;而且,传统发动机控制器受限于存储资源与计算资源,只能在划分好自学习区间后,对自学习区间内的自学习参数进行自学习,但并不能进行自学习区间划分的自学习,影响了车辆混合气的空燃比控制精度。
发明内容
本发明提供一种混合气偏差自学习方法、系统以及可读存储介质,可以在线更新混合气偏差自学习的自学习区域并获得自学习参数,有助于提高混合气的空燃比控制精度。
为了实现上述目的,本发明提供一种混合气偏差自学习方法,所述混合气偏差自学习方法包括:
域控制器获取通讯连接的发动机控制器中预控模型的模型偏差和与所述模型偏差对应的工况数据;
所述域控制器根据所述模型偏差和所述工况数据进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数;
所述域控制器将所述自学习参数发送给所述发动机控制器;以及
所述发动机控制器将所述自学习参数更新到所述发动机控制器内相应的自学习算法,并基于所述自学习算法进行混合气偏差自学习。
可选的,所述域控制器进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数的步骤包括:
根据所述模型偏差和所述工况数据生成多组备选区域;
对各组所述备选区域分别进行自学习获得各组所述备选区域对应的自学习参数,并计算各组所述备选区域的自学习误差;以及
根据各组所述备选区域的自学习误差,选取出自学习误差最小的备选区域作为发送给所述发动机控制器的自学习区域。
可选的,所述域控制器生成所述备选区域采用的方法包括重新训练法或基于初始自学习区域微调法。
可选的,所述发动机控制器包括预控模型和与所述自学习算法对应的自学习模型,所述自学习模型基于所述自学习算法进行混合气偏差自学习并输出,所述预控模型为发动机燃烧过程的建模;所述发动机控制器利用所述自学习模型的输出值对所述预控模型的输出值进行修正获得第一输出值,并根据所述第一输出值调整混合气空燃比。
可选的,在利用所述域控制器进行备选区域划分前,所述混合气偏差自学习方法还包括:
所述发动机控制器计算所述预控模型的模型偏差,并将所述模型偏差和对应的工况数据发送给所述域控制器;以及
所述域控制器存储所述模型偏差和对应的所述工况数据,形成发动机全工况偏差记录表。
可选的,所述发动机控制器发送的所述工况数据包括发动机的转速、负荷、水温以及进气温度中至少两个维度的数据。
可选的,在所述域控制器存储所述模型偏差和对应的所述工况数据前,由所述域控制器或所述发动机控制器对所述模型偏差和对应的所述工况数据进行筛选,所述域控制器仅对筛选出的所述模型偏差和对应的所述工况数据进行存储,并形成所述发动机全工况偏差记录表。
可选的,所述域控制器采用的数据存储方式包括直接存储原数据或采用数据模型拟合数据点存储。
可选的,所述混合气偏差自学习方法还包括:所述域控制器对其存储的数据进行更新;
其中,在采用所述直接存储原数据的数据存储方式时,按时间、里程或数据权重对所述域控制器存储的数据进行更新;在采用所述数据模型拟合数据点存储的数据存储方式时,采用批量更新、对每个数据实时更新或全局定期更新的方式对所述域控制器存储的数据进行更新。
可选的,所述模型偏差记为fra_end,且fra_end=(1-frm)+fra,其中,frm为发动机的空燃比信号修正值,fra为所述自学习模型的输出值。
可选的,所述自学习算法为lolimot算法或RBF算法。
本发明还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被执行时,实现上述的混合气偏差自学习方法。
本发明还提供一种混合气偏差自学习系统,所述混合气偏差自学习系统包括通讯连接的域控制器和发动机控制器;其中,所述域控制器用于根据所述发动机控制器提供的预控模型偏差和与所述模型偏差对应的工况数据进行备选区域划分,生成备选区域以及获得所述备选区域对应的自学习参数,并将所述自学习参数发送给所述发动机控制器;所述发动机控制器用于利用所述自学习参数更新所述发动机控制器中相应的自学习算法,再基于所述自学习算法进行混合气偏差自学习。
本发明的混合气偏差自学习方法、系统以及可读存储介质中,首先所述域控制器获取通讯连接的发动机控制器中预控模型的模型偏差和与所述模型偏差对应的工况数据;然后域控制器根据所述模型偏差和工况数据进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数;接着所述域控制器将所述自学习参数发送给发动机控制器;所述发动机控制器利用所述自学习参数更新所述发动机控制器内相应的自学习算法,再基于所述自学习算法进行混合气偏差自学习。利用域控制器进行备选区域划分,进而获得新划分的备选区域对应的自学习参数,所述发动机控制器再将所述域控制器发送的自学习参数更新到发动机控制器的自学习算法中,即以新划分的备选区域作为自学习区域,可以实现自学习区域划分的自学习(即可以实现自学习区域的在线更新),并能够根据发动机的运行数据更新混合气偏差自学习散差,可以提高混合气偏差自学习精度,有助于提高混合气的空燃比控制精度。
附图说明
图1为本发明一实施例的混合气偏差自学习方法的流程示意图。
图2为本发明一实施例中发动机控制器计算模型偏差的示意图。
图3为本发明一实施例的发动机全工况偏差记录表以图的形式呈现的示意图。
图4为本发明一实施例的查找表的模型。
图5为本发明一实施例中对数据模型采用逐点获取方式进行读取的示意图。
图6为本发明一实施例中采用批量获取的方式对数据模型进行读取的流程示意图。
图7为本发明一实施例中生成备选区域并选取出自学习误差最小的备选区域的流程示意图。
图8和图9为本实施例中以二维工况区域表示的两个不同备选区域的示意图。
图10为本发明一实施例中一备选区域的示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的混合气偏差自学习方法、系统及可读存储介质作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
为了便于便于理解本发明的技术方案,以下首先对基于lolimot算法的混合气偏差自学习进行介绍。
发动机运行工况按区域可以划分为多个神经元(即自学习区域),且可以对各个自学习区域的混合气偏差进行在线自学习。每个自学习区域的中心与宽度可以用高斯函数的中心与协方差表征,各个自学习区域的自学习参数可以为高斯函数的超平面对应的参数。由于lolimot算法对应的函数在数学上是非凸函数,在实际操作中离线设置自学习区域(即离线设置高斯函数的中心与协方差),并固定在发动机参数中,发动机运行时,仅在线更新超平面对应的自学习参数,而不会重新划分自学习区域(即自学习区域不能更新),影响了发动机控制器基于lolimot算法进行的混合气偏差自学习的精度(或者说不能更新混合气偏差自学习散差),进而影响了车辆混合气的空燃比控制精度。
为此,本实施例提供一种混合气偏差自学习方法。图1为本发明一实施例的混合气偏差自学习方法的流程示意图。如图1所示,所述混合气偏差自学习方法包括:
S1,域控制器获取通讯连接的发动机控制器中预控模型的模型偏差和与所述模型偏差对应的工况数据;
S2,所述域控制器根据所述模型偏差和所述工况数据进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数;
S3,所述域控制器将所述自学习参数发送给与所述域控制器通讯连接的所述发动机控制器;
S4,所述发动机控制器利用所述自学习参数更新所述发动机控制器内相应的自学习算法,并基于所述自学习算法进行混合气偏差自学习。
本实施例中,所述发动机控制器可以设置在燃油车辆上,所述发动机控制器可以通过CAN网络与所述域控制器连接。
所述自学习算法可以为lolimot算法。在其它实施例中,所述自学习算法还可以为径向基函数(Radial basis function,RBF)算法。也就是说,本实施例以基于lolimot算法的混合气偏差自学习为例对所述混合气偏差自学习方法进行介绍,但所述混合气偏差自学习方法还可以用于基于RBF算法的空燃比偏差自学习。
所述发动机控制器可以包括预控模型和与所述自学习算法对应的自学习模型。所述自学习模型可以基于自学习算法进行混合气偏差自学习并输出;所述预控模型可以为实际发动机燃烧过程的建模。所述预控模型和所述自学习模型可以是现有技术中任意一种模型,例如,所述自学习模型可以是基于lolimot算法的模型,也可以是基于RBF算法的模型,本申请对此并不作限定。
所述预控模型通常与实际发动机存在偏差,因此,需要利用所述自学习模型的输出值(fra)对所述预控模型的输出值进行修正获得第一输出值,所述发动机控制器可以根据所述第一输出值调整混合气空燃比。与直接利用预控模型的输出值控制混合气的空燃比相比,根据所述第一输出值调整混合气空燃比可以提高空燃比的控制的精度。
具体的,所述第一输出值可以转化为发动机的最终喷油量。所述自学习模型的输出值可以通过加法或乘法形式叠加到所述预控模型的输出值中,以获得所述第一输出值。为了便于描述,本实施例中,所述第一输出值以加法形式叠加到所述第二输出值中。
在所述域控制器进行备选区域划分前,所述混合气偏差自学习方法可以包括:发动机控制器计算所述预控模型的模型偏差。本实施例中,发动机控制器计算预控模型的模型偏差实际为计算预控模型在发动机各个运行工况的模型偏差。
图2为本发明一实施例中发动机控制器计算模型偏差的示意图。参考图2,发动机控制器计算预控模型的模型偏差具体可以包括:获得发动机的空燃比信号修正值frm(例如利用氧传感器采集实际发动机的空燃比信号并计算出空燃比信号修正值frm);对所述空燃比信号修正值frm进行运算(例如对所述空燃比信号修正值frm取反后再加1)获得空燃比信号修正值frm与预控模型的偏差(例如为1-frm),并将空燃比信号修正值frm与所述预控模型的偏差更新到自学习算法中;执行所述自学习算法获得自学习模型的输出值fra。其中,空燃比信号修正值frm为1时,表明实际空燃比等于目标空燃比,也就是说,当前预控模型没有偏差。
本实施例中,当未进行自学习时,自学习模型输出的第一输出值fra可以为0;随着自学习的进行,可以通过自学习算法将实际发动机输出的空燃比信号修正值frm与所述预控模型的偏差(例如为1-frm)更新到自学习模型的输出值fra中。在某个稳定工况点,当时间足够长,若预控模型与自学习模型使得(1-frm)=0,则所述自学习模型的输出值fra可以表征预控模型在此工况处的模型偏差。但在瞬态工况时,往往(1-frm)不等于0,而且自学习算法也未必有能力使得(1-frm)=0,因此,自学习模型的输出值fra并不适合用以记录为预控模型在该瞬态工况的模型偏差。
为了使得模型偏差同时可以适用于瞬态工况,本实施例中,在执行所述自学习算法获得所述自学习模型的输出值后,所述发动机控制器计算模型偏差的步骤还可以包括:对所述自学习模型的输出值进行运算获得模型偏差。
具体的,可以将预控模型的模型偏差记为fra_end,所述模型偏差fra_end=(1-frm)+fra,其中,frm为发动机的空燃比信号修正值,fra为自学习模型的输出值。需要说明的是,一模型偏差对应发动机的一运行工况。
所述发动机控制器还可以获得发动机在各个工况下的转速(nmot)、负荷(r1)、水温(tmot)以及进气温度(tan)等工况数据,所述工况数据可以包括发动机的转速、负荷、水温以及进气温度中至少两个维度的数据。本实施例中,可以基于转速和负荷两个维度对发动机的工况进行划分,发动机一运行工况下的一组工况数据可以包括转速和负荷两个维度的数据。在其它实施例中,发动机的工况划分除了基于转速和负荷两个维度,还可以包含水温或进气温度等其它维度。本实施例中,一组工况数据可以与一模型偏差对应。
为了便于后续域控制器进行自学习区域划分,所述发动机控制器将所述模型偏差和对应的工况数据发送给所述域控制器。
由于自学习区域划分与发动机的运动工况相关,本实施例中,所述域控制器可以基于所述模型偏差和对应的工况数据进行备选区域划分。
由于只有满足特定自学习条件的工况数据及模型偏差才适合用于进行备选区域划分,本实施例中,在所述域控制器存储所述模型偏差和对应的所述工况数据前,由所述域控制器或所述发动机控制器对所述模型偏差和对应的所述工况数据进行筛选,所述域控制器仅对筛选出的所述模型偏差和对应的所述工况数据进行存储,并形成所述发动机全工况偏差记录表。具体的,针对不同的工况,可以有不同的筛选条件,本申请对此不作限定。
一实施例中,所述发动机控制器可以将所有模型偏差、与模型偏差对应的工况数据以及筛选条件发送所述域控制器,由所述域控制器根据筛选条件对模型偏差和工况数据进行筛选,并对筛选出的数据进行标记(flag),筛选出的数据可以记为(nmot,r1,fra_end,flag)。另一实施例中,可以由发动机控制器根据筛选条件对所述模型偏差和工况数据进行筛选,并将筛选出的数据发送给所述域控制器,此时,筛选出的数据可以记为(nmot,r1,fra_end)。
在所述发动机控制器将模型偏差和对应的工况数据发送给所述域控制器后,所述域控制器存储所述模型偏差和对应的工况数据,形成发动机全工况偏差记录表。需要说明的是,此处所述的“全工况”可以理解为包括发动机的各个(典型)运行工况。
具体的,若是所述模型偏差和对应的工况数据由所述域控制器进行筛选时,所述域控制器可以仅对其筛选出的数据(具有标记flag的数据)进行记录(存储),形成所述发动机全工况偏差记录表;若是所述模型偏差和对应的工况数据由所述发动机控制器筛选后发送给所述域控制器时,则所述域控制器将接收到的发动机控制器筛选出的数据进行存储,形成所述发动机全工况偏差记录表。
本实施例中,所述域控制器采用的数据存储方式可以包括直接存储原数据或采用数据模型拟合数据点存储。采用数据模型拟合数据点可以理解为在所述域控制器内建立一个数据模型,使用所述数据模型拟合、近似所有数据点以存储数据,所述数据点包括工况数据和模型偏差。
为了保证所述域控制器存储的数据能够兼顾发动机老化衰减状态,使得数据更接近发动机的真实状态,提高后续进行备选区域划分的精度,在所述域控制器存储数据后,所述域控制器还可以对其存储的数据进行更新。
具体的,所述域控制器采用直接存储原数据的数据存储方式存时,可以按时间、里程或数据权重对域控制器存储的数据进行移动更新。作为示例,按时间进行更新时,可以仅保存设定时间内(例如一个月以内)的数据,将超出设定时间的数据删除。按里程进行更新时,可以仅保存设定里程以内(例如2000公里以内)的数据,将超出设定里程的数据删除。按数据权重进行更新时,如表一所示,每一组数据可以包括转速、负荷、模型偏差Fra_end,且可以对每一组数据按照衰减因素设置权重(Weight),例如,以时间作为衰减因素时,一个月以内数据权重可以为1,一到三个月数据权重可以为0.5,超过三个月数据权重可以为0;以里程作为衰减因素时,2000公里以内数据权重可以为1,2000公里到5000公里数据权重可以为0.5,超过5000公里数据权重可以为0。
表一发动机全工况偏差记录表
图3为本发明一实施例的发动机全工况偏差记录表以图的形式呈现的示意图。如图3所示,所述工况数据可以包括转速(nmot)和负荷(r1)两个维度的数据。
所述域控制器采用数据模型拟合数据点存储的数据存储方式时,所述数据模型可以使用查找表、径向基函数(Radial basis function,RBF)神经网络或局部线性模型树(lolimot)模型。在采用所述数据模型拟合数据点存储的数据存储方式时,可以采用批量更新、对每个数据实时更新或全局定期更新的方式对所述域控制器存储的数据进行更新。
图4为本发明一实施例的查找表的模型。在工况数据仅包括转速和负荷两个维度的数据时,可以使用如图4所示的查找表模型拟合数据点存储。
本实施例中,对数据模型进行读取的方式可以为逐点获取或批量获取。图5为本发明一实施例中对数据模型采用逐点获取方式进行读取的示意图。如图5所示,当采用逐点获取的方式对数据模型进行读取时,对数据模型指定数据模型输入,例如数据模型输入为(负荷,转速),可以获得指点数据模型输出。
当采用批量获取的方式对数据模型进行读取时,对数据模型输入进行遍历,并对遍历结果进行存储,可以获取批量数据。图6为本发明一实施例中采用批量获取的方式对数据模型进行读取的流程示意图。具体的,如图6所示,在进行数据批量获取时,若数据批量获取已完成,则输出批量数据;若数据批量获取未完成,则生成数据模型输入,例如数据模型输入为(负荷,转速),再对数据模型输入进行遍历,并存储对应的数据模型输出,当数据批量获取完成时,再输出批量数据。
在形成发动机全工况偏差记录表之后,所述域控制器根据所述模型偏差和所述工况数据进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数。
为了混合气偏差自学习的自学习精度,本实施例中,所述域控制器进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数的步骤可以包括:所述域控制器根据所述预控模型的模型偏差和所述工况数据生成多组备选区域;对各组所述备选区域分别进行自学习获得各组所述备选区域对应的自学习参数,并计算各组所述备选区域的自学习误差;根据各组所述备选区域的自学习误差,选取出自学习误差最小的备选区域作为发送给所述发动机控制器的自学习区域。
图7为本发明一实施例中生成备选区域并选取出自学习误差最小的备选区域的流程示意图。如图7所示,开始进行备选区域划分算法后,先获取训练数据。本实施例中,所述训练数据可以为所述发动机全工况偏差记录表中的数据,包括模型偏差(fra_end)和对应的工况数据。
若预定组数的自学习区域的备选区域已生成,则比较各组备选区域的自学习误差,从中选取自学习误差最小的备选区域(或者说选出自学习误差最小的备选区域划分)。若未生成预定组数的备选自学区域,则先生成备选区域,再基于训练数据对新生成的各组所述备选区域进行lolimot训练(即lolimot自学习)获得各组所述备选区域对应的自学习参数,在训练完成后,计算各组备选区域自学习误差,并存储各组备选区域对应的自学习参数以及自学习误差。在所述备选区域生成完成后,比较各组备选区域自学习误差,从中选取误差最小的备选区域(或者说选出最优区域划分)作为自学习区域。
图8和图9为本实施例中以二维工况区域表示的两个不同备选区域的示意图。如图8和图9所示,备选区域(或自学习区域)可以用方框表示,备选区域可以用方框的中心点参数和长宽参数表征。
本实施例中,所述域控制器可以采用重新训练法或基于初始自学习区域微调法形成所述备选区域。所述重新训练法生成备选区域时,会对自学习模型进行重新训练(例如从0开始重新训练)。由于单个车辆发动机的工况受到驾驶员个人风格的影响,采用重新训练法从0开始对自学习模型进行训练(即自学习),获得的备选区域对应的自学习参数与原自学习区域对应的自学习参数可能差异较大,使得自学习模型不稳定。
而基于初始自学习区域微调法形成备选区域时,对备选区域进行训练是在原始自学习区域所在位置的基础上进行微调(即增加适当的补偿),更利于保持自学习模型的稳定性。
本实施例中,以采用基于初始自学习区域微调法形成所述备选区域为例进行说明。具体的,备选区域G的中心点参数和长宽参数可以分别使用参数c(x,y)和r(u,w)代表。图10为本发明一实施例中一备选区域的示意图。如图10所示,对于第i个备选区域Gi,其区域参数可以表示为Gi(cij(x,y),rik(u,w)),其中,cij(x,y)表示第i个备选区域Gi的第j个中心点参数,rik(u,w)表示第i个备选区域Gi的第k个长宽参数。
在形成备选区域时,可以设原始自学习区域的区域参数为Gi(ci0(xi,yi),ri0(ui,wi)),则cij(x,y)为x、y在原始中心点参数上分别加上相应的补偿量hx*step_x、hy*step_x,rik(u,w)为u、w在原始长宽参数上分别加上相应的补偿量hu*step_u、hw*step_w,即cij(x,y)=ci0(xi+hx*step_x,yi+hy*step_y),其中,hx为中心点在x轴上的移动步数,step_x为中心点在x轴上的移动步长,hy为中心点在y轴上的移动步数,step_y为中心点在y轴上的移动步长;
rik(u,w)=ri0(ui+hu*step_u,wi+hw*step_w),其中,hu为长度方向上的移动步数,step_u为长度方向上的移动步长,hw为宽度方向上的移动步数,step_w为宽度方向上的移动步长。
接着,请参考表二,其为本发明实施例的多组备选区域的示意表格。如表二所示,其示出了1~3三组备选区域,或者称为三种区域划分方式,每种区域划分方式中具有三个备选区域G1~G3。在表二所示的区域划分中,虽然仅仅每组备选区域中的G1备选区域的中心发生了变化,但是,还是构成了三组备选区域的不同,即形成了三组不同的备选区域,或者说形成了三种不同的区域划分方式。须知,表二仅是一种备选区域的示意,具体的备选区域的形成方式可以是多种多样的,例如在多组备选区域之间,可以各个备选区域各不相同,也可以部分备选区域的中心相同,部分备选区域的长宽相同等,对比本申请不作限定。
表二多个备选区域划分形成的(典型)区域参数组合列表
序号 | G<sub>1</sub> | G<sub>2</sub> | G<sub>3</sub> | … |
1 | c<sub>11</sub>,r<sub>11</sub> | c<sub>21</sub>,r<sub>21</sub> | c<sub>31</sub>,r<sub>31</sub> | … |
2 | c<sub>12</sub>,r<sub>11</sub> | c<sub>21</sub>,r<sub>21</sub> | c<sub>31</sub>,r<sub>31</sub> | … |
3 | c<sub>13</sub>,r<sub>11</sub> | c<sub>21</sub>,r<sub>21</sub> | c<sub>31</sub>,r<sub>31</sub> | … |
… | … | … | … | … |
参考图1,在获得所述备选区域对应的自学习参数后,所述域控制器将所述自学习参数发送给所述发动机控制器;接着,所述发动机控制器利用所述自学习参数更新所述发动机控制器内相应的自学习算法中;然后所述发动机控制器基于更新后的所述自学习算法进行混合气偏差自学习。
具体的,所述域控制器可以将自学习误差最小的备选区域(即自学习区域)对应的自学习参数发送给所述发动机控制器。
本实施例还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被执行时,实现上述的混合气偏差自学习方法。
所述可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备,例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备以及上述的任意合适的组合。
本实施例还提供一种混合气偏差自学习系统,所述混合气偏差自学习系统包括通讯连接的域控制器和发动机控制器。所述域控制器用于根据所述发动机控制器提供的预控模型偏差和与所述模型偏差对应的工况数据进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数,并将所述自学习参数发送给所述发动机控制器。所述发动机控制器用于利用所述自学习参数更新所述发动机控制器内相应的自学习算法,再基于所述自学习算法进行混合气偏差自学习。
本实施例中,所述发动机控制器能够获得发动机的工况数据。所述发动机控制器可以计算其预控模型的模型偏差,并在计算出所述模型偏差后将与所述模型偏差对应的工况数据发送给所述域控制器。
所述域控制器根据所述模型偏差和所述工况数据生成多组备选区域,再对各组所述备选区域分别进行自学习获得各组所述备选区域对应的自学习参数以及计算出各组所述备选区域的自学习误差;然后根据各组所述备选区域的自学习误差,选取出自学习误差最小的备选区域作为发送给所述发动机控制器的自学习区域。
本实施例的混合气偏差自学习方法、系统以及可读存储介质中,首先所述域控制器获取通讯连接的发动机控制器中预控模型的模型偏差和与所述模型偏差对应的工况数据;然后域控制器根据模型偏差和工况数据进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数;接着所述域控制器将所述自学习参数发送给与所述域控制器通讯连接的发动机控制器;所述发动机控制器利用所述自学习参数更新所述发动机控制器的自学习算法,并基于所述自学习算法进行混合气偏差自学习。与发动机控制器相比,所述域控制器具有更多的存储资源,例如可以存储每辆车较长周期的历史运行工况数据及预控模型的模型偏差,因而可以为每辆车进行单独的备选区间划分。利用域控制器进行备选区域划分,进而获得新划分的备选区域对应的自学习参数,所述发动机控制器再将所述域控制器发送的自学习参数更新到发动机控制器的自学习算法中,即以新划分的备选区域作为自学习区域,可以实现自学习区域划分的自学习,并能够更新混合气偏差自学习散差,可以提高混合气偏差自学习精度,有助于提高混合气的空燃比控制精度。
上述描述仅是对本发明较佳实施例的描述,并非对本发明权利范围的任何限定,任何本领域技术人员在不脱离本发明的精神和范围内,都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改,因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何修改、等同变化及修饰,均属于本发明技术方案的保护范围。
Claims (13)
1.一种混合气偏差自学习方法,其特征在于,包括:
域控制器获取通讯连接的发动机控制器中预控模型的模型偏差和与所述模型偏差对应的工况数据;
所述域控制器根据所述模型偏差和所述工况数据进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数;
所述域控制器将所述自学习参数发送给所述发动机控制器;以及
所述发动机控制器利用所述自学习参数更新所述发动机控制器内相应的自学习算法,并基于所述自学习算法进行混合气偏差自学习。
2.如权利要求1所述的混合气偏差自学习方法,其特征在于,所述域控制器进行备选区域划分,生成备选区域并获得所述备选区域对应的自学习参数的步骤包括:
根据所述模型偏差和所述工况数据生成多组备选区域;
对各组所述备选区域分别进行自学习获得各组所述备选区域对应的自学习参数,并计算各组所述备选区域的自学习误差;以及
根据各组所述备选区域的自学习误差,选取出自学习误差最小的备选区域作为发送给所述发动机控制器的自学习区域。
3.如权利要求1所述的混合气偏差自学习方法,其特征在于,所述域控制器生成所述备选区域采用的方法包括重新训练法或基于初始自学习区域微调法。
4.如权利要求1所述的混合气偏差自学习方法,其特征在于,所述发动机控制器包括预控模型和与所述自学习算法对应的自学习模型,所述自学习模型基于所述自学习算法进行混合气偏差自学习并输出,所述预控模型为发动机燃烧过程的建模;所述发动机控制器利用所述自学习模型的输出值对所述预控模型的输出值进行修正获得第一输出值,并根据所述第一输出值调整混合气空燃比。
5.如权利要求4所述的混合气偏差自学习方法,其特征在于,在利用所述域控制器进行备选区域划分前,所述混合气偏差自学习方法还包括:
所述发动机控制器计算所述预控模型的模型偏差,并将所述模型偏差和对应的工况数据发送给所述域控制器;以及
所述域控制器存储所述模型偏差和对应的所述工况数据,形成发动机全工况偏差记录表。
6.如权利要求5所述的混合气偏差自学习方法,其特征在于,所述发动机控制器发送的所述工况数据包括发动机的转速、负荷、水温以及进气温度中至少两个维度的数据。
7.如权利要求5所述的混合气偏差自学习方法,其特征在于,在所述域控制器存储所述模型偏差和对应的所述工况数据前,由所述域控制器或所述发动机控制器对所述模型偏差和对应的所述工况数据进行筛选,所述域控制器仅对筛选出的所述模型偏差和对应的所述工况数据进行存储,并形成所述发动机全工况偏差记录表。
8.如权利要求5所述的混合气偏差自学习方法,其特征在于,所述域控制器采用的数据存储方式包括直接存储原数据或采用数据模型拟合数据点存储。
9.如权利要求8所述的混合气偏差自学习方法,其特征在于,还包括:所述域控制器对其存储的数据进行更新;
其中,在采用所述直接存储原数据的数据存储方式时,按时间、里程或数据权重对所述域控制器存储的数据进行更新;在采用所述数据模型拟合数据点存储的数据存储方式时,采用批量更新、对每个数据实时更新或全局定期更新的方式对所述域控制器存储的数据进行更新。
10.如权利要求5所述的混合气偏差自学习方法,其特征在于,所述模型偏差记为fra_end,且fra_end=(1-frm)+fra,其中,frm为发动机的空燃比信号修正值,fra为所述自学习模型的输出值。
11.如权利要求1至10任意一项所述的混合气偏差自学习方法,其特征在于,所述自学习算法为lolimot算法或RBF算法。
12.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被执行时,实现如权利要求1~11中任一项所述的混合气偏差自学习方法。
13.一种混合气偏差自学习系统,其特征在于,包括通讯连接的域控制器和发动机控制器;其中,
所述域控制器用于根据所述发动机控制器提供的预控模型偏差和与所述模型偏差对应的工况数据进行备选区域划分,生成备选区域以及获得所述备选区域对应的自学习参数,并将所述自学习参数发送给所述发动机控制器;
所述发动机控制器用于利用所述自学习参数更新所述发动机控制器中相应的自学习算法,再基于所述自学习算法进行混合气偏差自学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396895.5A CN113236403B (zh) | 2021-04-13 | 2021-04-13 | 混合气偏差自学习方法、系统以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110396895.5A CN113236403B (zh) | 2021-04-13 | 2021-04-13 | 混合气偏差自学习方法、系统以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113236403A true CN113236403A (zh) | 2021-08-10 |
CN113236403B CN113236403B (zh) | 2022-03-11 |
Family
ID=77128025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110396895.5A Active CN113236403B (zh) | 2021-04-13 | 2021-04-13 | 混合气偏差自学习方法、系统以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113236403B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115306573A (zh) * | 2022-08-29 | 2022-11-08 | 联合汽车电子有限公司 | 油路自学习方法、装置、终端及服务器 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868774A (zh) * | 2016-03-24 | 2016-08-17 | 西安电子科技大学 | 基于选择性搜索和卷积神经网络的车标识别方法 |
CN106150724A (zh) * | 2016-07-07 | 2016-11-23 | 中国第汽车股份有限公司 | 天然气发动机燃料成分差异性自适应修正方法 |
CN106401768A (zh) * | 2015-07-31 | 2017-02-15 | 联合汽车电子有限公司 | Ems系统油品学习方法 |
CN107542589A (zh) * | 2016-06-27 | 2018-01-05 | 丰田自动车株式会社 | 内燃机的空燃比控制器和用于控制内燃机的空燃比的方法 |
CN109030006A (zh) * | 2017-06-09 | 2018-12-18 | 长城汽车股份有限公司 | 连续可变气门升程机构的检测方法及系统 |
US10311058B1 (en) * | 2018-07-06 | 2019-06-04 | Global Elmeast Inc. | Techniques for processing neural queries |
CN110725738A (zh) * | 2019-12-17 | 2020-01-24 | 潍柴动力股份有限公司 | Dpf过滤能力的检测方法及装置 |
CN111105037A (zh) * | 2018-10-25 | 2020-05-05 | 罗伯特·博世有限公司 | 用于通过高斯过程进行机器学习的方法 |
CN111255585A (zh) * | 2018-11-30 | 2020-06-09 | 联合汽车电子有限公司 | 混合气多点自学习方法 |
CN111749801A (zh) * | 2020-06-04 | 2020-10-09 | 重庆长安汽车股份有限公司 | 一种基于插值计算的电喷系统闭环自学习控制方法 |
-
2021
- 2021-04-13 CN CN202110396895.5A patent/CN113236403B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106401768A (zh) * | 2015-07-31 | 2017-02-15 | 联合汽车电子有限公司 | Ems系统油品学习方法 |
CN105868774A (zh) * | 2016-03-24 | 2016-08-17 | 西安电子科技大学 | 基于选择性搜索和卷积神经网络的车标识别方法 |
CN107542589A (zh) * | 2016-06-27 | 2018-01-05 | 丰田自动车株式会社 | 内燃机的空燃比控制器和用于控制内燃机的空燃比的方法 |
CN106150724A (zh) * | 2016-07-07 | 2016-11-23 | 中国第汽车股份有限公司 | 天然气发动机燃料成分差异性自适应修正方法 |
CN109030006A (zh) * | 2017-06-09 | 2018-12-18 | 长城汽车股份有限公司 | 连续可变气门升程机构的检测方法及系统 |
US10311058B1 (en) * | 2018-07-06 | 2019-06-04 | Global Elmeast Inc. | Techniques for processing neural queries |
CN111105037A (zh) * | 2018-10-25 | 2020-05-05 | 罗伯特·博世有限公司 | 用于通过高斯过程进行机器学习的方法 |
CN111255585A (zh) * | 2018-11-30 | 2020-06-09 | 联合汽车电子有限公司 | 混合气多点自学习方法 |
CN110725738A (zh) * | 2019-12-17 | 2020-01-24 | 潍柴动力股份有限公司 | Dpf过滤能力的检测方法及装置 |
CN111749801A (zh) * | 2020-06-04 | 2020-10-09 | 重庆长安汽车股份有限公司 | 一种基于插值计算的电喷系统闭环自学习控制方法 |
Non-Patent Citations (1)
Title |
---|
谢辉等: "基于负载转矩主动观测的农用柴油机瞬态过程控制研究", 《内燃机工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115306573A (zh) * | 2022-08-29 | 2022-11-08 | 联合汽车电子有限公司 | 油路自学习方法、装置、终端及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN113236403B (zh) | 2022-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10746123B2 (en) | Deep reinforcement learning for air handling and fuel system referencing | |
DE102008001081B4 (de) | Verfahren und Motorsteuergerät zum Steuern eines Verbrennungsmotors | |
US5247445A (en) | Control unit of an internal combustion engine control unit utilizing a neural network to reduce deviations between exhaust gas constituents and predetermined values | |
CN103732895B (zh) | 滑模控制器和内燃机系统控制装置 | |
AT510912B1 (de) | Verfahren zur Emissionsoptimierung von Verbrennungskraftmaschinen | |
CN113236403B (zh) | 混合气偏差自学习方法、系统以及可读存储介质 | |
US10533510B2 (en) | Model-based cylinder charge detection for an internal combustion engine | |
JP2003013794A (ja) | 車両用制御パラメータの適合方法及び適合装置 | |
CN109685935B (zh) | 一种整车系统状态量的估计方法和装置 | |
CN101382090B (zh) | 内燃机的空燃比控制系统 | |
CN111255585A (zh) | 混合气多点自学习方法 | |
JP5277349B2 (ja) | 内燃機関の吸気パラメータ算出装置および吸気パラメータ算出方法 | |
Shen et al. | Challenges and solutions in automotive powertrain systems | |
Ma et al. | Connected vehicle based distributed meta-learning for online adaptive engine/powertrain fuel consumption modeling | |
JP5091013B2 (ja) | 内燃機関の燃料噴射装置 | |
CN113239966B (zh) | 混合气偏差自学习方法、系统、可读存储介质及电子设备 | |
US4862855A (en) | Control apparatus for internal combustion engine | |
US6279560B1 (en) | Method of controlling injection of an internal combustion engine as a function of fuel quality | |
CN114991969B (zh) | 一种天然气发动机进气量空气环境自适应修正的方法、车辆和存储介质 | |
JP2021116781A (ja) | 車両制御方法、車両用制御装置及びサーバ | |
García-Nieto et al. | Air management in a diesel engine using fuzzy control techniques | |
Sequenz et al. | Stationary global-local emission models of a CR-Diesel engine with adaptive regressor selection for measurements of airpath and combustion | |
CN113325849A (zh) | 一种针对高地隙植保机的运动控制方法 | |
JP2000213395A (ja) | 空燃比制御装置 | |
US11746718B2 (en) | Control device, control method, and recording medium |
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 |