CN113239966B - 混合气偏差自学习方法、系统、可读存储介质及电子设备 - Google Patents
混合气偏差自学习方法、系统、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN113239966B CN113239966B CN202110401333.5A CN202110401333A CN113239966B CN 113239966 B CN113239966 B CN 113239966B CN 202110401333 A CN202110401333 A CN 202110401333A CN 113239966 B CN113239966 B CN 113239966B
- Authority
- CN
- China
- Prior art keywords
- self
- vehicle
- learning
- deviation
- learning 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000000203 mixture Substances 0.000 claims abstract description 61
- 239000000446 fuel Substances 0.000 claims description 23
- 238000013499 data model Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 31
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 7
- 229910052799 carbon Inorganic materials 0.000 description 7
- 230000004927 fusion Effects 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种混合气偏差自学习方法、系统、可读存储介质及电子设备中,获取本车的偏差自学习数据以及参考车辆的偏差自学习数据并进行融合以形成修正的偏差自学习数据,再根据所述修正的偏差自学习数据执行混合气偏差自学习。由此,所述修正的偏差自学习数据能够突破个体车辆的限制,具有泛化能力,有效提高了混合气控制的鲁棒性,有助于降低整车排放。
Description
技术领域
本发明涉及汽车电子技术领域,特别涉及一种混合气偏差自学习方法、系统、可读存储介质及电子设备。
背景技术
随着排放和油耗法规的不断加严,对整车排放要求越来越严格。对于一台特定车辆的发动机而言,空燃比预控偏差对发动机空燃比控制精度有重大影响,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lolimot(局部线性模型树)空燃比预控偏差自学习方法来改善排放特性、提高排放一致性。
但是发动机控制器中的lolimot模型基于划定好的自学习区域进行学习,该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个体车辆的特性。传统发动机控制器受限于存储资源与计算资源,只能在划分好区域后,对区域内参数进行自学习,并不能进行区域本身的划分自学习。
此外,单车的自学习存在很多缺陷:1、受驾驶员本身行为习惯影响,对很多工况缺乏泛化能力,如某辆车长期处于小负荷、低转速的市区工况,自学习也仅优化此工况区域,车辆突然跑高速大负荷的高速工况时,因自学习在此区域未完成,则影响排放。2、另外,车辆自学习参数受温度、湿度、海拔等环境因素影响,当车辆由一个区域驰入不同环境、或者长期存放的车辆启动后已经有了变化,比如基于大量的统计信息在高海拔地区大部分车的自学习值会偏大,那么车辆从平原开往高原时直接进行自学习预更新,或者北方地区用E10油自学习会整体偏大,这样车辆突然从南方到达北方后(自学习值直接增加3%),就会有偏差。
这些问题都影响了车辆的排放,因此,如何解决这些问题,进一步改善车辆的排放,成了本领域技术人员亟待解决的一个难题。
发明内容
本发明的目的在于提供一种混合气偏差自学习方法、系统、可读存储介质及电子设备,以期进一步改善车辆的碳排放。
为解决上述技术问题,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:
获取本车的偏差自学习数据以及参考车辆的偏差自学习数据;
对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据;以及
根据所述修正的偏差自学习数据执行混合气偏差自学习。
可选的,在所述的混合气偏差自学习方法中,获取本车的偏差自学习数据包括:在特定工况下,采用如下公式获取偏差自学习值,
fra_end=(1-frm)+fra
其中,frm表示本车的实际空燃比,fra表示本车的自学习模型输出的瞬时偏差自学习值,fra_end表示本车在特定工况下的偏差自学习值。
可选的,在所述的混合气偏差自学习方法中,所述偏差自学习数据包括所述特定工况和对应的所述偏差自学习值,所述特定工况包括转速、负荷、水温、进气温度、地理位置、路况、导航路线以及天气状况中的一个或多个。
可选的,在所述的混合气偏差自学习方法中,通过选取多种工况,获取本车在多种工况下的偏差自学习数据。
可选的,在所述的混合气偏差自学习方法中,获取参考车辆的偏差自学习数据包括:选取具有类似运行环境的车辆作为参考车辆,获取所述参考车辆在多种工况下的偏差自学习数据,其中,类似运行环境满足如下条件中的至少一项:与本车位于同一城市、与本车的车型相同、与车本的运行月份相同、与本车所处的天气状况在同一特定范围内以及与本车所处的地理位置在同一特定范围内。
可选的,在所述的混合气偏差自学习方法中,对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据包括:
对所述参考车辆的偏差自学习数据和所述本车的偏差自学习数据采用不同的权重进行相加,以形成所述修正的偏差自学习数据。
可选的,在所述的混合气偏差自学习方法中,对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据包括:
建立所述本车的偏差自学习数据的数据模型;
对所述参考车辆的偏差自学习数据进行加权处理,使用加权处理后的所述参考车辆的偏差自学习数据对所述数据模型进行训练,以修正所述数据模型,从而根据修正的所述数据模型形成修正的偏差自学习数据。
可选的,在所述的混合气偏差自学习方法中,所述数据模型采用如下形式中的至少一种:查找表、RBF神经网络和lolimot模型。
可选的,在所述的混合气偏差自学习方法中,根据所述修正的偏差自学习数据执行混合气偏差自学习包括:
采用本车原始的自学习区域,根据所述修正的偏差自学习数据对本车的自学习模型进行训练。
可选的,在所述的混合气偏差自学习方法中,根据所述修正的偏差自学习数据执行混合气偏差自学习包括:
根据所述修正的偏差自学习数据生成多组自学习区域的备选区域;
采用所述修正的偏差自学习数据对每组所述备选区域进行自学习模型训练,并得到所述备选区域对应的自学习值;
根据训练得到的所述自学习值选出最优的一组备选区域作为自学习区域。
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:
获取单元,所述获取单元用于获取本车的偏差自学习数据以及参考车辆的偏差自学习数据;
第一处理单元,所述第一处理单元用于对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据;
第二处理单元,所述第二处理单元用于根据所述修正的偏差自学习数据执行混合气偏差自学习。
可选的,在所述的混合气偏差自学习系统中,所述获取单元包括发动机控制器,以及云服务器、域控制器或者网关;所述发动机控制器用于获取本车的偏差自学习数据,所述云服务器、域控制器或者网关用于获取参考车辆的偏差自学习数据;所述第一处理单元包括所述云服务器、域控制器或者网关;所述第二处理单元包括所述发动机控制器。
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,实现如上任一项所述的混合气偏差自学习方法。
本发明还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如上任一项所述的混合气偏差自学习方法。
在本发明提供的混合气偏差自学习方法、系统、可读存储介质及电子设备中,获取本车的偏差自学习数据以及参考车辆的偏差自学习数据并进行融合以形成修正的偏差自学习数据,再根据所述修正的偏差自学习数据执行混合气偏差自学习。由此,所述修正的偏差自学习数据能够突破个体车辆的限制,具有泛化能力,有效提高了混合气控制的鲁棒性,有助于降低整车碳排放。
附图说明
图1是本发明实施例的混合气偏差自学习方法的流程示意图。
图2是本发明实施例的预控模型结合自学习模型控制发动机的流程示意图。
图3是本发明实施例的数据融合的示意图。
图4是本发明实施例的自学习区域选取方法的流程示意图。
图5是本发明实施例的一个备选区域的示意图。
图6是本发明实施例的多组备选区域的示意表格。
图7是实现本发明实施例的一种车联网架构示意图。
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。还应当理解的是,除非特别说明或者指出,否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等,而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。
本发明提供一种混合气偏差自学习方法、系统、可读存储介质及电子设备,也即提供一种发动机喷油量控制的自学习方法及系统,或者说提供一种空燃比偏差的自学习方法及系统,其目的是提高混合气偏差自学习值在多种工况下(或者说在全工况下)的准确性,从而据此有效控制车辆发动机的喷油量,改善车辆混合气的偏差,进而改善车辆的碳排放。
具体的,请参考图1,其为本发明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,在本申请实施例中,所述混合气偏差自学习方法具体包括:
步骤S10:获取本车的偏差自学习数据以及参考车辆的偏差自学习数据;
步骤S11:对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据;以及
步骤S12:根据所述修正的偏差自学习数据执行混合气偏差自学习。
在本申请实施例中,获取本车的偏差自学习数据以及参考车辆的偏差自学习数据并进行融合以形成修正的偏差自学习数据,再根据所述修正的偏差自学习数据执行混合气偏差自学习。由此,所述修正的偏差自学习数据能够突破个体车辆的限制,具有泛化能力,有效提高了混合气控制的鲁棒性,有助于降低整车碳排放。
即,即使个体车辆存在长期处于小负荷、低转速的市区工况的情况下,通过参考车辆的偏差自学习数据,其也可以获取高速大负荷的高速工况,从而该车辆的混合气偏差自学习过程中,既可以优化小负荷、低转速的市区工况的偏差自学习值,也可以优化高速大负荷的偏差自学习值。同样的,长期位于一个区域(自然环境)的车辆,通过参考车辆的偏差自学习数据,其也可以获取另一个区域(自然环境)下的偏差自学习数据,进而提高不同区域的偏差自学习值的准确性。
具体的,在本申请实施例中,可以通过本车的发动机控制器(ECU)获取所述本车的偏差自学习数据。易知的,预控模型结合自学习模型的输出转化为最终喷油量,即预控模型结合自学习模型输出喷油量控制参数(或者称为空燃比控制参数),通过喷油量控制参数控制车辆发动机的喷油量;同时,通过氧传感器采集发动机的实际空燃比frm。其中,预控模型为对发动机实际燃烧过程的建模,其通常与发动机的实际燃烧有偏差,此偏差需要通过自学习模型进行修正。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。
其中,所述预控模型结合自学习模型的输出对发动机喷油量的控制可参考图2。如图2所示,通过氧传感器获取的发动机的实际空燃比frm经过一计算器,在此为一加法器提供给自学习模型,其中,实际空燃比frm通过加法器与1作差,得到空燃比偏差1-frm,所述空燃比偏差1-frm经过自学习模型得到瞬时的偏差自学习值,所述瞬时的偏差自学习值和结合预控模型的预控值得到控制发动机喷油量的控制参数。
在本申请实施例中,所述本车的偏差自学习数据包括:在特定工况下,采用如下公式获取偏差自学习值,
fra_end=(1-frm)+fra
其中,frm表示本车的实际空燃比,fra表示本车的自学习模型输出的瞬时偏差自学习值,fra_end表示本车在特定工况下的偏差自学习值。
在此,所述偏差自学习数据包括所述特定工况和对应的所述偏差自学习值。其中,所述特定工况包括转速、负荷、水温、进气温度、地理位置、路况、导航路线以及天气状况中的一个或多个。例如,所述特定工况可以仅仅基于转速或者负荷等,一个参数的情况;也可以基于转速和负荷,或者,转速和路况等,两个参数的情况;还可以基于转速、负荷和水温,或者,转速、水温和导航路线等,三个参数的情况;甚至还可以基于四个参数或者五个参数等更多个参数的情况。
在本申请实施例中,所述本车的偏差自学习数据包括多组特定工况和对应的所述偏差自学习值的数据组。具体的,可以通过改变工况,获取本车在相应工况下的偏差自学习数据,相应的,通过选取多种不同的工况,就可以获取多个对应的偏差自学习值,即获取本车在多种工况下的偏差自学习数据。例如,基于转速和负荷两个参数的工况,可以通过遍历该两个参数的具体数值的方式,得到对于这两个参数而言的全工况偏差自学习数据。又如,基于水温一个参数的工况,可以通过遍历该一个参数的具体数值的方式,得到对于这一个参数而言的全工况偏差自学习数据。
优选的,在获取了多组特定工况和对应的所述偏差自学习值的数据组之后,还对这些数据组进行筛选,以获取便于进行混合气偏差自学习的数据组。在此,考虑到自学习区域划分与工况有关,典型工况划分基于转速(nmot)与负荷(rl)。而只有满足特定自学习条件的工况及对应的偏差自学习值fra_end才适合作自学习区域划分。而对于已有的自学习区域划分,只有满足特定自学习条件的工况及对应的偏差自学习值fra_end才适合作混合气偏差自学习。因此优选的,通过遍历的方式得到了全工况的偏差自学习数据之后,还对偏差自学习数据进行筛选以得到合适的偏差自学习数据。此筛选条件可以使用标志(flag)进行代替,其由一些判断条件组成。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。
在本申请实施例中,对于偏差自学习数据的筛选可以由本车的发动机控制器实现,也可以由云服务器实现。对于由本车的发动机控制器实现筛选的情况,可以在筛选出偏差自学习数据后,将筛选出的偏差自学习数据发送给云服务器,对于基于转速(nmot)与负荷(rl)工况的偏差自学习数据,其发送的数据格式例如为(nmot,rl,fra_end)。对于由云服务器实现筛选的情况,以基于转速(nmot)与负荷(rl)工况的偏差自学习数据为例,本车的发动机控制器向云服务器发送偏差自学习数据,其发送的数据格式例如为(nmot,rl,fra_end,flag),云服务器再基于标志(flag)表征的筛选条件对偏差自学习数据进行筛选,得到适合作混合气偏差自学习的偏差自学习数据。
进一步的,获取参考车辆的偏差自学习数据包括:选取具有类似运行环境的车辆作为参考车辆,获取所述参考车辆在多种工况下的偏差自学习数据,其中,类似运行环境满足如下条件中的至少一项:与本车位于同一城市、与本车的车型相同、与车本的运行月份相同、与本车所处的天气状况在同一特定范围内以及与本车所处的地理位置在同一特定范围内。其中,与本车所处的天气状况在同一特定范围内,例如,与本车所处的天气温度均在10℃~30℃;又如,与本车所处的空气湿度均在50%~80%范围内。与本车所处的地理位置在同一特定范围内,例如,与本车所处的地理位置均在江浙地区;又如,均在海拔1000m~1500m地区。所述类似运行环境可以根据车辆的运行环境而进行定义,本申请对此不作限定。
其中,参考车辆的偏差自学习数据可以通过各个体车辆将偏差自学习数据发送给云服务器,而由云服务器获取。
优选的,获取多辆参考车辆的偏差自学习数据,其中,多辆参考车辆的运行环境可以相同,也可以不相同。例如,一部分数量的参考车辆与本车位于同一城市并且与本车的车型相同,一部分数量的参考车辆与与本车的车型相同并且与车本的运行月份相同,还有一部分数量的参考车辆与本车的车型相同并且与本车所处的地理位置在同一特定范围内。又如,一部分数量的参考车辆与本车位于同一城市,一部分数量的参考车辆与本车的车型相同,还有一部分数量的参考车辆与本车所处的天气状况在同一特定范围内。
其中,若选取的是与本车的车型相同,但是与本车所处的地理位置不同的车辆作为参考车辆,则由此得到的修正的偏差自学习数据易于实现提高不同区域的偏差自学习值的准确性。
在本申请实施例中,在获取了本车的偏差自学习数据以及参考车辆的偏差自学习数据后,对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据。其中,所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据的融合可以通过多种方式实现。
例如,按一定比例对所述参考车辆的偏差自学习数据进行采样,将采样的所述参考车辆的偏差自学习数据加入所述本车的偏差自学习数据,以形成所述修正的偏差自学习数据。在此,考虑到云服务器上的参考车辆的偏差自学习数据相对单个车辆的偏差自学习数据数据量巨大,直接将两者的数据累加会使本车的偏差自学习数据占的比重太小,从而导致本车的偏差自学习数据在后续自学习算法中不起作用(或者所起的作用极微小),从而对本车的混合气偏差自学习形成失真,为此,两者的数据融合采用加权融合。
具体的,可以对参考车辆的偏差自学习数据进行采样,从而使之与本车的偏差自学习数据形成不同的权重。例如,确定云服务器上的偏差自学习数据的采样数据为N。如本车的偏差自学习数据为n条,若云服务器上的偏差自学习数据的权重与本车的偏差自学习数据的权重为1:1,则需要云服务器上的偏差自学习数据的采样N=n条数据。若云服务器上的偏差自学习数据的权重与本车的偏差自学习数据的权重为1:2,则采样N=2*n条数据。确定了云服务器上的偏差自学习数据的采样数据N之后,即可按照该采样数据N对云服务器上的偏差自学习数据进行均匀随机采样。最后,将采样得到的N条云服务器上的偏差自学习数据加入本车的偏差自学习数据,即得到了修正的偏差自学习数据。该修正的偏差自学习数据可供自学习模型执行混合气偏差自学习。即提供了丰富的偏差自学习数据,由此可以提高混合气偏差自学习的准确性,从而进一步改善车辆的碳排放。
相应的,可参考图3,其为本发明实施例的数据融合的示意图。如图3所示,将偏差自学习数据20和偏差自学习数据21相加在一起,即实现了数据的融合。此处,既可以是偏差自学习数据20为本车的偏差自学习数据,偏差自学习数据21为参考车辆的偏差自学习数据;也可以是,偏差自学习数据20为参考车辆的偏差自学习数据,偏差自学习数据21为本车的偏差自学习数据,即两者的权重不同,相应的数据量就会不同。
在本申请的另一实施例中,也可以通过如下方式实现所述本车的偏差自学习数据与所述参考车辆的偏差自学习数据的融合。具体包括:建立所述本车的偏差自学习数据的数据模型;对所述参考车辆的偏差自学习数据进行加权处理,使用加权处理后的所述参考车辆的偏差自学习数据对所述数据模型进行训练,以修正所述数据模型,从而根据修正的所述数据模型形成修正的偏差自学习数据。其中,所述本车的偏差自学习数据的数据模型可以建立在云服务器上,具体的,可以通过对本车的偏差自学习数据进行拟合和/或近似形成所述数据模型。所述数据模型可以采用查找表、RBF神经网络和lolimot模型中的一种或者多种形式。此外,所述数据模型还可以进行更新,例如,可以采用batch(批处理)更新或每个数据均进行更新,或者也可以进行全局定期更新。
在本申请的一个实施例中,在获取了修正的偏差自学习数据之后,即可对本车的自学习模型进行训练,即采用本车原始的自学习区域划分方式,使用这些修正的偏差自学习数据对自学习模型进行训练,以获取更准确的偏差自学习值,从而改善车辆的碳排放。
在本申请的另一个实施例中,在获取了修正的偏差自学习数据之后,首先根据所述修正的偏差自学习数据生成多组自学习区域的备选区域,即形成多种区域的划分方式。接着,采用所述修正的偏差自学习数据对每组所述备选区域进行自学习模型训练,并得到所述备选区域对应的自学习值,或者称为所述备选区域对应的自学习误差。再接着,根据训练得到的所述自学习值(或者称为自学习误差)选出最优的一组备选区域作为自学习区域。在此,以自学习值(或者称为自学习误差)最小的一组备选区域为最优的一组备选区域,从而该组备选区域作为自学习区域,也即该组备选区域对应的区域划分方式作为自学习区域的划分方式。
相应的,可参考图4,其为本发明实施例的自学习区域选取方法的流程示意图。如图4所示,在本申请实施例中,通过执行如下步骤实现自学习区域选取或者说找到自学习区域划分的最优方式。
在最优区域划分算法开始后,首先执行步骤S30:获取训练数据,在此即为修正的偏差自学习数据。接着执行步骤S31:对所有备选区域已生成进行判断,在此,可以预先设定备选区域的组数,也即预先设定一定数量种区域划分方式。在此,若判断尚未生成预定组数的备选区域,则执行步骤S32:生成备选区域,即根据所述修正的偏差自学习数据形成一种区域的划分方式。接着,执行步骤S33:针对前一步骤得到的区域的划分方式,执行基于备选区域进行lolimot训练,在此,即进行自学习训练,本实施例中基于lolimot算法,其他实施例中也可以基于其他算法,例如基于RBF算法。接着,执行步骤S34:基于lolimot训练,计算自学习误差。最后执行步骤S35:存储备选区域参数以及自学习误差值,所述备选区域参数包括一组备选区域中备选区域的个数,每个备选区域的中心、长宽等信息。在此,即得到了一种区域的划分方式,接着返回步骤S31,判断备选区域的组数是否符合预设,若符合,即生成了所有备选区域,也即步骤S31的判断结果为是,若不符合,则继续执行步骤S32至步骤S35以形成下一组必选区域或者说得到下一个区域划分方式。在步骤S31的判断结果为是以后,则执行步骤S36:比较所有自学习误差值,得到最小的自学习误差值。然后执行步骤S37:选出误差最小的区域划分,即最小的自学习误差值对应的一组备选区域或者说对应的一种区域划分方式即为最优区域划分方式,作为本车的自学习区域。由于这种自学习区域划分方式能够得到最小的偏差自学习值,相应的,可以提高空燃比的控制精度,从而有助于降低整车碳排放。
接着,本申请实施例对于备选区域的生成作进一步描述。
如图5所示,在此,一个备选区域G可以使用中心c(x,y)与长宽r(u,w)代表。如下,对第i个备选区域Gi,其区域参数可以表示为Gi(cij(xij,yij),rik(uik,wik)),其中cij(xij,yij)表示备选区域Gi的第j个中心点参数,rik(uik,wik)表示备选区域Gi的第k个长宽参数。
备选区域形成时,可以设原始位置为Gi(ci0(xi0,yi0),ri0(ui0,wi0))
则cij为其x、y在原始参数上加上相应步长hx*step_x,hy*step_y。
rik为其u、w在原参数上加上相应步长hu*step_u,hw*step_w。
相应的,cij(xij,yij)=ci0(xi0+hx*step_x,yi0+hy*step_y)。
rik(uik,wik)=ri0(ui0+hu*step_u,wi0+hw*step_w)。
其中,对于一个备选区域Gi(cij(xij,yij),rik(uik,wik))其相对于原始位置可以仅发生一个参数的变化,也可以发生两个、三个或者四个参数的变化,也即步长hx*step_x,步长hy*step_y,步长hu*step_u和步长hw*step_w中可以有一个数不为零,也可以有两个、三个或者四个数不为零。
接着,请参考图6,其为本发明实施例的多组备选区域的示意表格。如图6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。在图6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,图6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。
相应的,本发明实施例还提供一种实现上述混合气偏差自学习方法的混合气偏差自学习系统,所述混合气偏差自学习系统包括:
获取单元,所述获取单元用于获取本车的偏差自学习数据以及参考车辆的偏差自学习数据;
第一处理单元,所述第一处理单元用于对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据;
第二处理单元,所述第二处理单元用于根据所述修正的偏差自学习数据执行混合气偏差自学习。
具体的,所述获取单元可以具体为发动机控制器,以及云服务器、域控制器或者网关。其中,所述发动机控制器用于获取本车的偏差自学习数据,所述云服务器、域控制器或者网关用于获取参考车辆的偏差自学习数据。所述第一处理单元可以具体为所述云服务器、域控制器或者网关;所述第二处理单元可以具体为所述发动机控制器。
相应的,可参考图7,其为实现本发明实施例的一种车联网架构示意图。如图7所示,发动机控制器40与网关41信号连接,网关41与云服务器42信号连接,可以实现本车的偏差自学习数据、修正的偏差自学习数据等数据的传递。进一步的,还可以包括移动终端43,所述移动终端43可以用于获取车辆位置、天气状况、导航路线、路况、地理位置等信息,提供给所述云服务器42,以便于参考车辆的选取等。
此外,本申请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,可以实现如上所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。
进一步的,本申请实施例还提供一种电子设备,所述电子设备包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,可以实现如上所述的混合气偏差自学习方法。
所述存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离所述处理器的存储装置。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。所述处理器是所述电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
除了处理器和存储器,所述电子设备还可包括用户接口、网络接口及通信总线。用户接口用于接收用户例如利用显示交互设备输入的信息。网络接口用于服务器端与外部进行互相通信。网络接口主要包括有线接口和无线接口,例如RS232模块、射频模块、WIFI模块等等。通信总线用于电子设备中各组成部件之间的通信,通信总线可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry Standard Architecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
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,均属于权利要求书的保护范围。
Claims (10)
1.一种混合气偏差自学习方法,其特征在于,所述混合气偏差自学习方法包括:
获取本车的偏差自学习数据以及参考车辆的偏差自学习数据;
对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据;以及
根据所述修正的偏差自学习数据执行混合气偏差自学习;
其中,获取本车的偏差自学习数据包括:在特定工况下,采用如下公式获取偏差自学习值,
fra_end=(1-frm)+fra
其中,frm表示本车的实际空燃比,fra表示本车的自学习模型输出的瞬时偏差自学习值,fra_end表示本车在特定工况下的偏差自学习值;
获取参考车辆的偏差自学习数据包括:选取具有类似运行环境的车辆作为参考车辆,获取所述参考车辆在多种工况下的偏差自学习数据,其中,类似运行环境满足如下条件中的至少一项:与本车位于同一城市、与本车的车型相同、与本车的运行月份相同、与本车所处的天气状况在同一特定范围内以及与本车所处的地理位置在同一特定范围内;
对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据包括:
对所述参考车辆的偏差自学习数据和所述本车的偏差自学习数据采用不同的权重进行相加,以形成所述修正的偏差自学习数据;
或者,对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据包括:
建立所述本车的偏差自学习数据的数据模型;
对所述参考车辆的偏差自学习数据进行加权处理,使用加权处理后的所述参考车辆的偏差自学习数据对所述数据模型进行训练,以修正所述数据模型,从而根据修正的所述数据模型形成修正的偏差自学习数据。
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,所述偏差自学习数据包括所述特定工况和对应的所述偏差自学习值,所述特定工况包括转速、负荷、水温、进气温度、地理位置、路况、导航路线以及天气状况中的一个或多个。
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,通过选取多种工况,获取本车在多种工况下的偏差自学习数据。
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,所述数据模型采用如下形式中的至少一种:查找表、RBF神经网络和lolimot模型。
5.如权利要求1所述的混合气偏差自学习方法,其特征在于,根据所述修正的偏差自学习数据执行混合气偏差自学习包括:
采用本车原始的自学习区域,根据所述修正的偏差自学习数据对本车的自学习模型进行训练。
6.如权利要求1所述的混合气偏差自学习方法,其特征在于,根据所述修正的偏差自学习数据执行混合气偏差自学习包括:
根据所述修正的偏差自学习数据生成多组自学习区域的备选区域;
采用所述修正的偏差自学习数据对每组所述备选区域进行自学习模型训练,并得到所述备选区域对应的自学习值;
根据训练得到的所述自学习值选出最优的一组备选区域作为自学习区域。
7.一种混合气偏差自学习系统,其特征在于,所述混合气偏差自学习系统包括:
获取单元,所述获取单元用于获取本车的偏差自学习数据以及参考车辆的偏差自学习数据;
第一处理单元,所述第一处理单元用于对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据;
第二处理单元,所述第二处理单元用于根据所述修正的偏差自学习数据执行混合气偏差自学习;
其中,获取本车的偏差自学习数据包括:在特定工况下,采用如下公式获取偏差自学习值,
fra_end=(1-frm)+fra
其中,frm表示本车的实际空燃比,fra表示本车的自学习模型输出的瞬时偏差自学习值,fra_end表示本车在特定工况下的偏差自学习值;
获取参考车辆的偏差自学习数据包括:选取具有类似运行环境的车辆作为参考车辆,获取所述参考车辆在多种工况下的偏差自学习数据,其中,类似运行环境满足如下条件中的至少一项:与本车位于同一城市、与本车的车型相同、与本车的运行月份相同、与本车所处的天气状况在同一特定范围内以及与本车所处的地理位置在同一特定范围内;
对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据包括:
对所述参考车辆的偏差自学习数据和所述本车的偏差自学习数据采用不同的权重进行相加,以形成所述修正的偏差自学习数据;
或者,对所述本车的偏差自学习数据以及所述参考车辆的偏差自学习数据进行融合,形成修正的偏差自学习数据包括:
建立所述本车的偏差自学习数据的数据模型;
对所述参考车辆的偏差自学习数据进行加权处理,使用加权处理后的所述参考车辆的偏差自学习数据对所述数据模型进行训练,以修正所述数据模型,从而根据修正的所述数据模型形成修正的偏差自学习数据。
8.如权利要求7所述的混合气偏差自学习系统,其特征在于,所述获取单元包括发动机控制器,以及云服务器、域控制器或者网关;所述发动机控制器用于获取本车的偏差自学习数据,所述云服务器、域控制器或者网关用于获取参考车辆的偏差自学习数据;所述第一处理单元包括所述云服务器、域控制器或者网关;所述第二处理单元包括所述发动机控制器。
9.一种可读存储介质,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1~6中任一项所述的混合气偏差自学习方法。
10.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现如权利要求1~6中任一项所述的混合气偏差自学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401333.5A CN113239966B (zh) | 2021-04-14 | 2021-04-14 | 混合气偏差自学习方法、系统、可读存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110401333.5A CN113239966B (zh) | 2021-04-14 | 2021-04-14 | 混合气偏差自学习方法、系统、可读存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113239966A CN113239966A (zh) | 2021-08-10 |
CN113239966B true CN113239966B (zh) | 2024-03-01 |
Family
ID=77128284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110401333.5A Active CN113239966B (zh) | 2021-04-14 | 2021-04-14 | 混合气偏差自学习方法、系统、可读存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239966B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115306573B (zh) * | 2022-08-29 | 2024-07-05 | 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 (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101363382A (zh) * | 2008-10-09 | 2009-02-11 | 张和君 | 用于电控汽油发动机工作系统的ecu |
CN101550879A (zh) * | 2008-03-31 | 2009-10-07 | 卢克摩擦片和离合器两合公司 | 动力总成系统 |
DE102013207065A1 (de) * | 2013-04-19 | 2014-10-23 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zum Erzeugen von synthetischen Orthobildern |
WO2016206920A1 (en) * | 2015-06-26 | 2016-12-29 | Robert Bosch Gmbh | An ecm to determine air-fuel ratio of an engine |
CN108240261A (zh) * | 2017-12-13 | 2018-07-03 | 重庆长安铃木汽车有限公司 | 一种两用燃料发动机燃气组分自学习控制器及控制方法 |
CN109101717A (zh) * | 2018-08-07 | 2018-12-28 | 重庆大学 | 基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法 |
CN110245390A (zh) * | 2019-05-27 | 2019-09-17 | 南京信息工程大学 | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 |
CN110741379A (zh) * | 2017-06-06 | 2020-01-31 | 标致雪铁龙汽车股份有限公司 | 用于确定车辆行驶所在的道路的类型的方法 |
CN111022524A (zh) * | 2019-12-19 | 2020-04-17 | 吉林东工汽车电子有限公司 | 一种自动控制离合器系统及其控制方法 |
CN111210163A (zh) * | 2020-01-15 | 2020-05-29 | 桂林电子科技大学 | 一种基于多源数据的公交车辆风险评价系统与方法 |
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 |
CN111993955A (zh) * | 2020-07-20 | 2020-11-27 | 北汽福田汽车股份有限公司 | 一种燃料电池系统控制方法、装置及车辆 |
CN112628004A (zh) * | 2020-12-08 | 2021-04-09 | 浙江吉利控股集团有限公司 | 一种过量空气系数的修正方法、装置、车辆及存储介质 |
-
2021
- 2021-04-14 CN CN202110401333.5A patent/CN113239966B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101550879A (zh) * | 2008-03-31 | 2009-10-07 | 卢克摩擦片和离合器两合公司 | 动力总成系统 |
CN101363382A (zh) * | 2008-10-09 | 2009-02-11 | 张和君 | 用于电控汽油发动机工作系统的ecu |
DE102013207065A1 (de) * | 2013-04-19 | 2014-10-23 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zum Erzeugen von synthetischen Orthobildern |
WO2016206920A1 (en) * | 2015-06-26 | 2016-12-29 | Robert Bosch Gmbh | An ecm to determine air-fuel ratio of an engine |
CN110741379A (zh) * | 2017-06-06 | 2020-01-31 | 标致雪铁龙汽车股份有限公司 | 用于确定车辆行驶所在的道路的类型的方法 |
CN108240261A (zh) * | 2017-12-13 | 2018-07-03 | 重庆长安铃木汽车有限公司 | 一种两用燃料发动机燃气组分自学习控制器及控制方法 |
CN109101717A (zh) * | 2018-08-07 | 2018-12-28 | 重庆大学 | 基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法 |
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 |
CN110245390A (zh) * | 2019-05-27 | 2019-09-17 | 南京信息工程大学 | 一种基于rs-bp神经网络的汽车发动机油耗预测方法 |
CN111022524A (zh) * | 2019-12-19 | 2020-04-17 | 吉林东工汽车电子有限公司 | 一种自动控制离合器系统及其控制方法 |
CN111210163A (zh) * | 2020-01-15 | 2020-05-29 | 桂林电子科技大学 | 一种基于多源数据的公交车辆风险评价系统与方法 |
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 |
CN111993955A (zh) * | 2020-07-20 | 2020-11-27 | 北汽福田汽车股份有限公司 | 一种燃料电池系统控制方法、装置及车辆 |
CN112628004A (zh) * | 2020-12-08 | 2021-04-09 | 浙江吉利控股集团有限公司 | 一种过量空气系数的修正方法、装置、车辆及存储介质 |
Non-Patent Citations (2)
Title |
---|
The Research of Air Fuel Ratio Self-learning Control Strategy Based on UEGO Sensor;Lan Tang等;《Applied Mechanics and Materials》;第37-38卷;1544-1548页 * |
煤层气发动机空燃比PID迭代学习控制;张健等;《计算机仿真》;第28卷(第03期);211-214页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113239966A (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8036822B2 (en) | Travel time determination | |
CN110990905A (zh) | 一种历史城市保护发展协同控制方案辅助设计系统 | |
Maraun et al. | The influence of synoptic airflow on UK daily precipitation extremes. Part I: Observed spatio-temporal relationships | |
CN113743014B (zh) | 一种航速优化方法和装置 | |
CN108418822B (zh) | 航空气象的taf报文自动编译方法、系统及终端 | |
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 | |
CN116229607B (zh) | 一种机动车行驶碳排放的预测方法、电子设备及存储介质 | |
JP2016530585A (ja) | 技術的な系の出力量のモデルを算出する方法 | |
CN114239426B (zh) | 基于水流资料同化的长江干线船舶排放清单生成方法 | |
CN110909951A (zh) | 一种历史名城新城区规划辅助设计系统 | |
CN113624921A (zh) | 多模式综合污染溯源方法 | |
CN104090927A (zh) | 一种基于电子地图的划线搜索方法和装置 | |
Shan et al. | The pattern and mechanism of air pollution in developed coastal areas of China: From the perspective of urban agglomeration | |
CN110245740A (zh) | 一种基于序列近似优化的粒子群优化方法 | |
CN111550551B (zh) | 节油辅助驾驶方法、电子设备及存储介质 | |
Wong et al. | Efficient point-by-point engine calibration using machine learning and sequential design of experiment strategies | |
CN111002975B (zh) | 车辆能量管理方法、系统、电子设备和存储介质 | |
CN113850996B (zh) | 路段公交线路重复系数数据计算方法、装置及存储介质 | |
CN116148951B (zh) | 空气目标污染物组分预报模型训练方法、预报方法及装置 | |
CN112001074B (zh) | 一种基于植被覆盖率的污染物治理方法、装置、存储介质 | |
CN115985083B (zh) | 基于智慧城市的共享电动车管理系统与方法 | |
CN105526930A (zh) | 环境路线规划系统及其方法 | |
CN103063219B (zh) | 一种导航电子地图预处理及显示方法 | |
EP4055345A1 (en) | Systems and methods for vehicle dynamics and powertrain control using multiple horizon optimization | |
CN115657166A (zh) | 跨多气候区域的天气预报数值确定方法和装置 |
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 |