CN113392574A - 一种基于神经网络模型的汽油机次充模型进气量估算方法 - Google Patents

一种基于神经网络模型的汽油机次充模型进气量估算方法 Download PDF

Info

Publication number
CN113392574A
CN113392574A CN202110516531.6A CN202110516531A CN113392574A CN 113392574 A CN113392574 A CN 113392574A CN 202110516531 A CN202110516531 A CN 202110516531A CN 113392574 A CN113392574 A CN 113392574A
Authority
CN
China
Prior art keywords
neural network
engine
network model
air
layer
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.)
Pending
Application number
CN202110516531.6A
Other languages
English (en)
Inventor
郑海亮
陈立
闫涛
郝伟
张文韬
王艳龙
冯朋朋
吴同
郭英俊
祝遵祥
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.)
FAW Group Corp
Original Assignee
FAW Group 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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202110516531.6A priority Critical patent/CN113392574A/zh
Publication of CN113392574A publication Critical patent/CN113392574A/zh
Priority to PCT/CN2021/125189 priority patent/WO2022237074A1/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

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

Abstract

本发明涉及发动机参数估计领域，具体的说涉及一种基于神经网络模型的汽油机次充模型进气量估算方法。包括以下步骤：1、通过发动机台架测量并记录每个稳态工况点的数据；所述数据包括发动机转速、空燃比、油耗量、节气门开度、节气门前后压力比值；2、根据步骤1记录的数据计算进气量；3、对节气门开度、节气门前后压力比值以及进气量进行归一化处理；4、构建神经网络模型；5、将处理后的数据带入神经网络模型中进行训练；6、利用训练后的神经网络模型估算发动机进气量。本发明针对不匹配进气流量计的发动机，能够根据节气门开度和前后压力比值通过神经网络模型估算出进气量，提高了结果准确性，对发动机电控系统控制稳定性有较大帮助。

Description

一种基于神经网络模型的汽油机次充模型进气量估算方法
技术领域
本发明涉及发动机参数估计领域，具体的说涉及一种基于神经网络模型的汽油机次充模型进气量估算方法。
背景技术
发动机进气量在发动机电控系统中是一个重要参数，其准确性对发动机的运行稳定性、经济性有较大影响，对发动机电控系统的精确控制有重要意义。针对未匹配流量计的汽油机，无法直接通过测量得到进气量；当前的台架标定方法是汽油机电控系统中的次充模型通过MAP图表插值结合经验公式拟合得到进气量，这一方法受到发动机台架差异、节气门差异、经验公式等因素影响，无法保证准确性，经常需要重复性标定。
因此提出一种能够准确快速估算次充模型进气量的方法是有必要的。
发明内容
本发明提供了一种基于神经网络模型的汽油机次充模型进气量估算方法，该估算方法基于一次发动机台架试验的试验数据，运用构建的神经网络模型，实现对汽油机次充模型进气量的精确实时估算，解决了现有发动机进气量计算方法存在的上述问题。
本发明技术方案结合附图说明如下：
一种基于神经网络模型的汽油机次充模型进气量估算方法，包括以下步骤：
步骤一、通过发动机台架测量并记录每个稳定工况点的数据；所述数据包括发动机转速、空燃比、油耗量、节气门开度、节气门前后压力比值；
步骤二、根据步骤一记录的数据计算进气量；
步骤三、对节气门开度、节气门前后压力比值以及进气量进行归一化处理；
步骤四、构建神经网络模型；
步骤五、将处理后的数据带入神经网络模型中进行训练，达到满足要求的精度；
步骤六、利用训练后的神经网络模型估算发动机进气量。
所述步骤一的具体方法为：
记录转速从1000转/分钟到5000转/分钟间隔500转/分钟，节气门开度从0％开始间隔2％，调节至节气门前后压力比值达到0.95停止的发动机转速、空燃比、油耗量、节气门开度、节气门前后压力比值数据。
所述步骤二的具体方法如下：
airflow＝lambda×fb_val×14.5
式中，airflow为发动机实际进气量，单位为kg/h；lambda为空燃比，五量纲单位；fb_val为发动机油耗量，单位为kg/h。
所述步骤三的具体方法如下：
归一化处理公式如下：
Figure BDA0003061700840000021
式中，yi为xi经过归一化处理后的值；xi为第i个量；xmax为数据中最大值；xmin为数据中最小值。
所述步骤四的具体方法如下：
所述神经网络模型包含三层：第一层为输入层，输入参数有两个：归一化处理后的节气门开度和节气门前后压力比值；第二层为中间层包含10个神经元；第三层为输出层即发动机进气量；所述神经网络模型中的损失函数采用均方差函数，训练算法采用随机梯度下降算法。
所述输出层的计算公式为：
Figure BDA0003061700840000031
式中，i表示样本点个数；yi为第i个样本点的神经网络输出值；
Figure BDA0003061700840000032
为第一层第i个输入与第二层第k个神经元之间的权重；
Figure BDA0003061700840000033
为第一层第i个输入与第二层第k个神经元之间的偏置；
Figure BDA0003061700840000034
为第二层第k个神经元与输出的权重；
Figure BDA0003061700840000035
为第二层第k个神经元与输出的偏置；xi为第i个量；∮1()为sigmond传递函数，表达式为：
Figure BDA0003061700840000036
所述均方差损失函数计算公式为：
Figure BDA0003061700840000037
式中，yi为第i个样本点的神经网络输出值；airflowi为第i个样本点的实际测量值。
本发明的有益效果为：
1)本发明可以节省流量计费用和省略流量计标定环节；
2)本发明可以针对不匹配进气流量计的发动机，能够根据节气门开度和前后压力比值通过神经网络模型估算出进气量，提高了结果准确性，对发动机电控系统控制稳定性有较大帮助。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明的原理示意图；
图2为试验工况点的示意图；
图3为神经网络模型的示意图；
图4为发动机实际进气量的示意图；
图5为神经网络模型估算进气量的示意图；
图6为神经网络模型估算偏差数据的示意图；
图7为神经网络模型估算偏差百分比的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
参阅图1，一种基于神经网络模型的汽油机次充模型进气量估算方法，包括以下步骤：
步骤一、通过发动机台架测量并记录每个稳态工况点的数据；所述数据包括发动机转速、空燃比、油耗量、节气门开度、节气门前后压力比值数据；
记录转速从1000转/分钟到5000转/分钟间隔500转/分钟，节气门开度从0％开始间隔2％，调节至节气门前后压力比值达到0.95停止的发动机转速、空燃比、油耗量、节气门开度、节气门前后压力比值。
记录的数值如图2所示；
步骤二、根据步骤一记录的数据计算进气量；
进气量的计算方法具体如下：
airflow＝lambda×fb_val×14.5
式中，airflow为发动机实际进气量，单位为kg/h；lambda为空燃比，无量纲单位；fb_val为发动机油耗量，单位为kg/h。
步骤三、对节气门开度、节气门前后压力比值以及进气量进行归一化处理；归一化处理的具体方法如下：
Figure BDA0003061700840000051
式中，yi为xi经过归一化处理后的值；xi为第i个量；xmax为数据中最大值；xmin为数据中最小值。
参阅图3，步骤四、构建神经网络模型；
所述神经网络模型包含三层：第一层为输入层，输入参数有两个：归一化处理后的节气门开度和节气门前后压力比值；第二层为中间层包含10个神经元；第三层为输出层即发动机进气量；第一层与第二层之间的传递函数为sigmond传递函数，由于本次神经网络最终只有一个输出，属于回归问题，所以不需要传递函数。所述神经网络模型中的损失函数采用均方差函数，训练算法采用随机梯度下降算法。
所述输出层的计算公式为：
Figure BDA0003061700840000052
式中，i表示样本点个数；yi为第i个样本点的神经网络输出值；
Figure BDA0003061700840000053
为第一层第i个输入与第二层第k个神经元之间的权重；
Figure BDA0003061700840000054
为第一层第i个输入与第二层第k个神经元之间的偏置；
Figure BDA0003061700840000055
为第二层第k个神经元与输出的权重；
Figure BDA0003061700840000056
为第二层第k个神经元与输出的偏置；xi为第i个量；∮1()为sigmond传递函数，表达式为：
Figure BDA0003061700840000057
所述均方差损失函数计算公式为：
Figure BDA0003061700840000058
式中，yi为第i个样本点的神经网络输出值；airflowi为第i个样本点的实际测量值。
步骤五、将处理后的数据带入神经网络模型中进行训练，达到满足要求要求的精度；
步骤六、利用训练后的神经网络模型估算发动机进气量。
参阅图4—图7，图4展示的是根据发动机油耗量反算得到的发动机实际进气量airflow；图5展示的是利用训练完成的神经网络模型估算得到的发动机进气量；图6展示的是发动机进气量模型估算值与实际值的差值；图7展示的是发动机进气量模型估算值与实际值的偏差百分比，满足大于95％的工况点偏差小于5％的模型精度要求，实际准确率达到98.7％。
综上，本发明通过采集不同节气门开度和节气门前后压力比值时的发动机转速、空燃比、油耗量数据,可以计算得到发动机进气量；对节气门开度、节气门前后压力比值和发动机进气量数据进行归一化处理；构建神经网络模型；根据发动机节气门开度和节气门前后压力比值预估的发动机进气量准确率高。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明的保护范围并不局限于上述实施方式中的具体细节，在本发明的技术构思范围内，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，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (6)

1.一种基于神经网络模型的汽油机次充模型进气量估算方法，其特征在于，包括以下步骤：
步骤一、通过发动机台架测量并记录每个稳态工况点的数据；所述数据包括发动机转速、空燃比、油耗量、节气门开度、节气门前后压力比值；
步骤二、根据步骤一记录的数据计算进气量；
步骤三、对节气门开度、节气门前后压力比值以及进气量进行归一化处理；
步骤四、构建神经网络模型；
步骤五、将处理后的数据带入神经网络模型中进行训练，达到满足要求的精度；
步骤六、利用训练后的神经网络模型估算发动机进气量。
2.根据权利要求1所述的一种基于神经网络模型的汽油机次充模型进气量估算方法，其特征在于，所述步骤一的具体方法为：
记录转速从1000转/分钟到5000转/分钟间隔500转/分钟，节气门开度从0％开始间隔2％，调节至节气门前后压力比值达到0.95停止的发动机转速、空燃比、油耗量、节气门开度、节气门前后压力比值数据。
3.根据权利要求1所述的一种基于神经网络模型的汽油机次充模型进气量估算方法，其特征在于，所述步骤二的具体方法如下：
airflow＝lambda×fb_val×14.5
式中，airflow为发动机实际进气量，单位为kg/h；lambda为空燃比，五量纲单位；fb_val为发动机油耗量，单位为kg/h。
4.根据权利要求1所述的一种基于神经网络模型的汽油机次充模型进气量估算方法，其特征在于，所述步骤三的具体方法如下：
归一化处理公式如下：
Figure FDA0003061700830000011
式中，yi为xi经过归一化处理后的值；xi为第i个量；xmax为数据中最大值；xmin为数据中最小值。
5.根据权利要求1所述的一种基于神经网络模型的汽油机次充模型进气量估算方法，其特征在于，所述步骤四的具体方法如下：
所述神经网络模型包含三层：第一层为输入层，输入参数有两个：归一化处理后的节气门开度和节气门前后压力比值；第二层为中间层包含10个神经元；第三层为输出层即发动机进气量；所述神经网络模型中的损失函数采用均方差函数，训练算法采用随机梯度下降算法。
6.根据权利要求5所述的一种基于神经网络模型的汽油机次充模型进气量估算方法，其特征在于，所述输出层的计算公式为：
Figure FDA0003061700830000021
式中，i表示样本点个数；yi为第i个样本点的神经网络输出值；
Figure FDA0003061700830000022
为第一层第i个输入与第二层第k个神经元之间的权重；
Figure FDA0003061700830000023
为第一层第i个输入与第二层第k个神经元之间的偏置；
Figure FDA0003061700830000024
为第二层第k个神经元与输出的权重；
Figure FDA0003061700830000025
为第二层第k个神经元与输出的偏置；xi为第i个量；∮1()为sigmond传递函数，表达式为：
Figure FDA0003061700830000026
所述均方差损失函数计算公式为：
Figure FDA0003061700830000027
式中，yi为第i个样本点的神经网络输出值；airflowi为第i个样本点的实际测量值。
CN202110516531.6A 2021-05-12 2021-05-12 一种基于神经网络模型的汽油机次充模型进气量估算方法 Pending CN113392574A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110516531.6A CN113392574A (zh) 2021-05-12 2021-05-12 一种基于神经网络模型的汽油机次充模型进气量估算方法
PCT/CN2021/125189 WO2022237074A1 (zh) 2021-05-12 2021-10-21 一种基于神经网络模型的汽油机次充模型进气量估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110516531.6A CN113392574A (zh) 2021-05-12 2021-05-12 一种基于神经网络模型的汽油机次充模型进气量估算方法

Publications (1)

Publication Number Publication Date
CN113392574A true CN113392574A (zh) 2021-09-14

Family

ID=77616974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110516531.6A Pending CN113392574A (zh) 2021-05-12 2021-05-12 一种基于神经网络模型的汽油机次充模型进气量估算方法

Country Status (2)

Country Link
CN (1) CN113392574A (zh)
WO (1) WO2022237074A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022237074A1 (zh) * 2021-05-12 2022-11-17 中国第一汽车股份有限公司 一种基于神经网络模型的汽油机次充模型进气量估算方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8374763B2 (en) * 2009-05-20 2013-02-12 GM Global Technology Operations LLC Vehicle fuel control based on vacuum-assisted brake component actuation
CN211058916U (zh) * 2019-06-24 2020-07-21 同济大学 一种混合动力车的发动机进气控制装置
CN110552804B (zh) * 2019-09-05 2021-12-14 重庆邮电大学 基于lstm的混合燃料hcci发动机燃烧正时估计方法
CN113392574A (zh) * 2021-05-12 2021-09-14 中国第一汽车股份有限公司 一种基于神经网络模型的汽油机次充模型进气量估算方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022237074A1 (zh) * 2021-05-12 2022-11-17 中国第一汽车股份有限公司 一种基于神经网络模型的汽油机次充模型进气量估算方法

Also Published As

Publication number Publication date
WO2022237074A1 (zh) 2022-11-17

Similar Documents

Publication Publication Date Title
US10634081B2 (en) Control device of internal combustion engine
CN111351668B (zh) 基于优化粒子群算法和神经网络的柴油机故障诊断方法
CN110352297B (zh) 机器学习装置
JPH11504093A (ja) 内燃機関のシリンダの中に流入する空気流量をモデルを援用して求める方法
CN107989708B (zh) 基于扰动观测的自学习发动机扭矩控制系统及其方法
US20060167613A1 (en) Method for determining an exhaust gas recirculation quantity for an internal combustion engine provided with exhaust gas recirculation
CN107045575A (zh) 基于自调整维纳模型的航空发动机性能模型建模方法
CN109344492A (zh) 一种基于k-均值聚类与粒子群核极限学习机的航空发动机推力估计方法
CN113392574A (zh) 一种基于神经网络模型的汽油机次充模型进气量估算方法
CN112031962A (zh) 废气再循环系统的异常检测装置
CN114934848B (zh) 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法
Hirsch et al. Grey-box control oriented emissions models
CN109614722B (zh) 基于模糊逻辑的涡轴发动机全状态参数的建模方法
CN117145642A (zh) 基于自适应带宽的增压lp-egr发动机空燃比预测抗扰控制方法
CN109253884B (zh) 基于神经网络的涡轮排气背压估计方法
CN112883653B (zh) 基于人工智能的发动机实时模型的建模方法
CN114254498A (zh) 一种基于bp神经网络的发动机动态油耗预测方法、系统
JPH11294230A (ja) エンジンの燃料噴射制御装置
WO2019151536A1 (ja) 機械学習装置
CN113408076A (zh) 基于支持向量机模型的小样本机械剩余寿命预测方法
CN108846132B (zh) 基于配方文件的船用柴油机scr电控系统map图查询方法
CN102597467A (zh) 用于废气再循环的方法
Höckerdal et al. Air mass-flow measurement and estimation in diesel engines equipped with GR and VGT
JP2020086673A (ja) 機械学習装置
Zhou et al. [Retracted] A Self‐Diagnostic Method for Automobile Faults in Multiple Working Conditions Based on SOM‐BPNN

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