CN113449382B - 一种整车排放结果的仿真方法及系统 - Google Patents
一种整车排放结果的仿真方法及系统 Download PDFInfo
- Publication number
- CN113449382B CN113449382B CN202110758327.5A CN202110758327A CN113449382B CN 113449382 B CN113449382 B CN 113449382B CN 202110758327 A CN202110758327 A CN 202110758327A CN 113449382 B CN113449382 B CN 113449382B
- Authority
- CN
- China
- Prior art keywords
- data
- obtaining
- simulation
- distribution
- result
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 136
- 238000005094 computer simulation Methods 0.000 claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 35
- 230000009467 reduction Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000007547 defect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method 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]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种整车排放结果的仿真方法及系统,其中,所述方法包括:由所述仿真控制系统获得第一仿真模型;获得包括整车循环与台架循环的第一映射关系的第一脚本文件;获得第一循环配置信息;将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;由所述第一动态仿真结果对数据分布进行分布密度分析,获得第一随机变量的第一标定数据阈值,继而进行标定处理。解决了现有技术中发动机排放标定的工作量大、标定效率低、耗时长的技术问题。
Description
技术领域
本发明涉及排放标定领域,尤其涉及一种整车排放结果的仿真方法及系统。
背景技术
通常在发动机的排放标定过程,都需要实际跑多次循环来进行预研,以确定排放优化方向,并在后期不断的调整参数,来达到最终发动机排放的目的。并在后期将整车数据转移到整车上,继续优化整车的排放结果。传统的标定过程中会频繁面对如台架与整车数据衔接问题、转毂资源的限制问题、项目周期的紧迫等问题。
本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
发动机排放标定的工作量大、标定效率低、耗时长。
发明内容
本申请实施例通过提供一种整车排放结果的仿真方法及系统,解决了现有技术中发动机排放标定的工作量大、标定效率低、耗时长的技术问题,实现了通过求解整车循环中随机变量的核心权重点,来确定标定范围,从而极大降低了标定的工作量,减少资源浪费的技术目的。
鉴于上述问题,本申请实施例提供一种整车排放结果的仿真方法及系统。
第一方面,本申请提供了一种整车排放结果的仿真方法,应用于一仿真控制系统,其中,所述方法包括:由所述仿真控制系统获得第一仿真模型;获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;获得第一循环配置信息;将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;由所述第一动态仿真结果获得第一随机变量的第一数据分布集;对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;依据所述第一标定数据阈值对所述第一随机变量进行标定处理。
另一方面,本申请还提供了一种整车排放结果的仿真系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于由所述仿真控制系统获得第一仿真模型;第二获得单元,所述第二获得单元用于获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;第三获得单元,所述第三获得单元用于获得第一循环配置信息;第一输入单元,所述第一输入单元用于将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;第四获得单元,所述第四获得单元用于由所述第一动态仿真结果获得第一随机变量的第一数据分布集;第五获得单元,所述第五获得单元用于对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;第六获得单元,所述第六获得单元用于依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;第一执行单元,所述第一执行单元用于依据所述第一标定数据阈值对所述第一随机变量进行标定处理。
另一方面,本申请实施例还提供了一种整车排放结果的仿真系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得装置以执行第一方面任一项所述的方法。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过由所述仿真控制系统获得第一仿真模型;获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;获得第一循环配置信息;将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;由所述第一动态仿真结果获得第一随机变量的第一数据分布集;对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;依据所述第一标定数据阈值对所述第一随机变量进行标定处理。实现了通过求解整车循环中随机变量的核心权重点,来确定标定范围,从而极大降低了标定的工作量,减少资源浪费的技术目的。
上述说明是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种整车排放结果的仿真方法的流程示意图;
图2为本申请实施例一种整车排放结果的仿真系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第一输入单元14,第四获得单元15,第五获得单元16,第六获得单元17,第一执行单元18,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供一种整车排放结果的仿真方法及系统,解决了现有技术中发动机排放标定的工作量大、标定效率低、耗时长的技术问题,实现了通过求解整车循环中随机变量的核心权重点,来确定标定范围,从而极大降低了标定的工作量,减少资源浪费的技术目的。
下面,将参考附图详细的描述本申请的示例实施例,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
通常在发动机的排放标定过程,都需要实际跑多次循环来进行预研,以确定排放优化方向,并在后期不断的调整参数,来达到最终发动机排放的目的。并在后期将整车数据转移到整车上,继续优化整车的排放结果。传统的标定过程中会频繁面对如台架与整车数据衔接问题、转毂资源的限制问题、项目周期的紧迫等问题。现有技术中还存在着发动机排放标定的工作量大、标定效率低、耗时长的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种整车排放结果的仿真方法,应用于一仿真控制系统,其中,所述方法包括:由所述仿真控制系统获得第一仿真模型;获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;获得第一循环配置信息;将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;由所述第一动态仿真结果获得第一随机变量的第一数据分布集;对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;依据所述第一标定数据阈值对所述第一随机变量进行标定处理。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种整车排放结果的仿真方法,应用于一仿真控制系统,其中,所述方法包括:
步骤S100:由所述仿真控制系统获得第一仿真模型;
具体而言,通常在发动机的排放标定过程中,都需要通过仿真模拟来对汽车的工况信息进行预研,以确定排放优化方向,继而通过整车标定、台架标定对各项参数进行优化调整,来达到最终发动机排放的目的。所述仿真控制系统能够通过数据处理及控制执行的方式,实现对于整车循环的仿真模拟,以及对于标定进程的管理。所述第一仿真模型为一神经网络模型,由所述仿真控制系统从云端获取,并定时进行模型的更新。神经网络(NeuralNetworks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学能力。能够通过训练数据,获得准确的输出结果,实现仿真目的。
步骤S200:获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;
具体而言,在对汽车进行仿真模拟时,首先通过Matlab依据车辆信息进行发动机建模,选择对应的电机类型和各类参数如极对数、电感、电阻,实现电机建模。继而从Matlab中获取所述第一脚本文件,所述第一脚本文件可实现整车配置、台架数据的读取,且所述第一脚本文件包括所述第一映射关系,所述第一映射关系为整车循环与台架循环的映射关系,通过所述第一脚本文件建立所述第一映射关系,提高了仿真模拟的准确性。
步骤S300:获得第一循环配置信息;
具体而言,所述第一循环配置信息包括发动机的一次台架试验的万有特性数据及整车配置循环配置。在获取所述第一脚本文件的基础上,将所述第一循环配置信息导入所述仿真控制系统。为实现车辆的仿真模拟奠定了基础。
步骤S400:将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;
具体而言,所述第一仿真模型为一神经网络模型,具有不断学习、获取经验来处理数据的特点。所述第一脚本文件、所述第一循环配置信息为进行汽车仿真模拟的所需数据,因此将所述第一脚本文件、所述第一循环配置信息作为输入数据输入至所述第一仿真模型后,所述第一仿真模型通过训练数据,对该汽车的工况进行模拟仿真,所述第一仿真模型的输出结果为对于该汽车的动态仿真结果。所述第一动态仿真结果包括发动机各个污染物及油耗等整车循环动态仿真数值结果。
步骤S500:由所述第一动态仿真结果获得第一随机变量的第一数据分布集;
步骤S600:对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;
具体而言,由于所述第一动态仿真结果包括发动机各个污染物及油耗等整车循环动态仿真数值结果,为一数据集,且包括各个不同随机变量的仿真数值结果。所述第一随机变量如各污染物类型、油耗、性能、排放所需的硬件参数等等。通过获得所述第一随机变量的所述第一数据分布集,继而对该数据集进行分析,从而筛选出用于标定的数据阈值,实现减少标定工作量的目的。所述第一数据分布集为所述第一随机变量仿真模拟的各项数值结果,包括多个数值,这些数值分布在不同数值区间,通过对所述第一数据分布集进行分布密度分析,可获得各区间的数值分布概率大小,即所述第一分布概率密度。
步骤S700:依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;
步骤S800:依据所述第一标定数据阈值对所述第一随机变量进行标定处理。
具体而言,所述第一分布概率密度为所述第一随机变量各项仿真模拟数值在各区间上的分布概率,所述第一分布概率密度越大,数值在该区间的分布越集中。通过获得所述第一分布概率密度最大的数值分布区间,从而获得数值集中区域,将此区域作为标定数据范围,即所述第一标定数据阈值为对所述第一随机变量进行数据标定的范围。通过获得所述第一标定数据阈值,缩小了标定范围,减少了标定工作量,提高了标定效率。
进一步而言,本申请实施例步骤S400还包括:
步骤S410:由所述第一脚本文件读取第一车辆的第一配置信息;
步骤S420:对所述第一配置信息进行特征提取,获得第一匹配特征;
步骤S430:以所述第一匹配特征作为数据库分类特征,构建第一车辆仿真数据库;
步骤S440:将所述第一车辆仿真数据库作为训练数据输入所述第一仿真模型,由所述第一仿真模型获得所述第一动态仿真结果。
具体而言,所述第一脚本文件包括该车辆的各项配置信息,可通过读取所述第一脚本文件,智能识别获得所述第一配置信息。所述第一配置信息包括发动机型号、整车硬件信息等,在对发动机进行排放标定时,需要不断更新仿真模拟模型,来确保仿真结果获取的准确性。而仿真模型的不断更新由训练数据库决定,以所述第一配置信息中的车辆配置特征为数据获取特征,基于大数据技术,实现特征数据的获取,从而构建所述第一车辆仿真数据库,所述第一车辆仿真数据库包括满足所述第一匹配特征的各车辆的仿真模拟数据信息。继而将所述第一车辆仿真数据库作为训练数据,输入至所述第一仿真模型进行数据训练,从而获得所述第一动态仿真结果。通过构建与仿真模拟车辆相似的车辆仿真数据库,提高了仿真模拟的准确性。
进一步而言,本申请实施例步骤S430还包括:
步骤S431:获得所述第一车辆仿真数据库的第一特征数据集;
步骤S432:对所述第一特征数据集进行中心化处理,获得第二特征数据集;
步骤S433:获得所述第二特征数据集的第一协方差矩阵;
步骤S434:对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
步骤S435:将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。
具体而言,所述第一特征数据集为所述第一车辆仿真数据库数值化处理所获得的训练数据集。对所述第一特征数据库中提取到的特征数据进行数值化处理,并构建特征数据集矩阵,获得所述第一特征数据集。继而对所述第一特征数据集中的各特征数据进行中心化处理,首先求解所述第一特征数据集中各特征的平均值,然后对于所有的样本,每一个特征都减去自身的均值,继而获得新的特征值,由新的特征数据集构成所述第二特征数据集,所述第二特征数据集为一数据矩阵。通过协方差公式:
对所述第二特征数据集进行运算,获得所述第二特征数据集的所述第一协方差矩阵。其中,为所述第二特征数据集中的特征数据;为该特征数据的平均值;M为所述第二特征数据集中的样本数据总量。继而通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特征向量中,选取最大的前K个特征值及其对应的特征向量,并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上,得到降维之后的所述第一特征数据集。其中,所述K个特征值的选取可通过神经网络模型进行训练获得,通过K值的取值,保证了数据量的准确性。通过主成分分析法对数据库中的特征数据进行降维处理,在保证信息量的前提下,剔除冗余数据,使得数据库中特征数据的样本量减小,且降维后信息量损失最小,从而加快训练模型对于数据的运算速度。
进一步而言,本申请实施例步骤S435还包括:
步骤S4351:以所述第一降维数据集为训练数据,将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第二动态仿真结果;
步骤S4352:对所述第一动态仿真结果和所述第二动态仿真结果进行缺损数据分析,获得第一缺损数据;
步骤S4353:将所述第一缺损数据输入至所述第一仿真模型进行增量学习,获得第二仿真模型。
具体而言,在对所述第一车辆仿真数据库进行降维处理之后,获得所述第一降维数据集,所述第一降维数据集具有样本量更准确的特点,因此以所述第一降维数据集为训练数据,将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第二动态仿真结果。通过对所述第一动态仿真结果和所述第二动态仿真结果进行缺损数据分析,并将所述第一缺损数据输入至所述第一仿真模型进行增量学习,通过增量学习获取所述第二仿真模型,通过增量学习,提高了模型的准确性,并提高了模型响应效率。
进一步而言,本申请实施例步骤S600还包括:
步骤S610:由所述第一数据分布集对各数据进行区间划分,获得第一区间、第二区间,直至第N区间;
步骤S620:分别获得所述第一区间、所述第二区间直至所述第N区间中各区间的各数据分布量;
步骤S630:获得所述第一数据分布集中的第一数据总量;
步骤S640:获得所述各数据分布量对于所述第一数据总量的第一占比集合;
步骤S650:依据所述第一占比集合获得所述第一区间、所述第二区间直至所述第N区间的第一分布概率、第二分布概率直至第N分布概率;
步骤S660:由所述第一分布概率、所述第二分布概率直至所述第N分布概率获得所述第一分布概率密度。
具体而言,通过神经网络进行训练学习的方式,对所述第一数据分布集中的各数据进行分布区间划分,从而获得所述第一区间、所述第二区间直至所述第N区间的各分布数据,且汇总各区间的数据分布量,通过计算所述各数据分布量对于所述第一数据总量的占比情况,获得所述各数据分布量的各数据分布概率。所述各数据分布量中的各数据量占比越高,则对应的区间分布概率越大。通过获取所述第一分布概率密度,为进一步确定各数据分布权重值奠定了基础。
进一步而言,本申请实施例步骤S660还包括:
步骤S661:获得第一排序规则;
步骤S662:依据所述第一排序规则对所述第一分布概率密度进行排序,获得第一排序结果;
步骤S663:依据所述第一排序结果获得排在首位的第M分布概率;
步骤S664:获得所述第M分布概率所对应的第M区间;
步骤S665:将所述第M区间的数据作为所述第一随机变量的第一标定数据阈值,对所述第一随机变量进行标定处理。
具体而言,所述第一排序规则为依据从高到低的排列规则对所述第一分布概率密度中所述第一区间、所述第二区间直至所述第N区间的分布概率进行排序,并获取分布概率排在首位的所述第M区间,所述第M区间的所述第M分布概率为所述第一分布概率密度中最高,即代表所述第M区间中的数值分布最为集中且数据量最大,因此将所述第M区间中的数据分布作为所述第一随机变量的第一标定数据阈值,从而实现降低标定数据的标定范围,减少标定工作量的技术目的。
进一步而言,本申请实施例步骤S440还包括:
步骤S441:将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,所述第一仿真模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一脚本文件、所述第一循环配置信息和用来标识所述第一动态仿真结果的标识信息;
步骤S442:获得所述第一仿真模型的第一输出结果,其中,所述第一输出结果为所述第一动态仿真结果。
具体而言,所述第一仿真模型为一神经网络模型,所述神经网络模型通过多组训练数据训练获得,所述神经网络模型通过训练数据训练的过程本质上为监督学习的过程。所述多组中的训练数据中的每一组训练数据均包括所述第一脚本文件、所述第一循环配置信息和用来标识所述第一动态仿真结果的标识信息;利用所述第一脚本文件、所述第一循环配置信息及标识所述第一动态仿真结果的标识信息,组建多组训练数据,在获得所述第一脚本文件、所述第一循环配置信息的情况下,神经网络模型会输出所述第一动态仿真结果的标识信息来对神经网络模型输出的所述第一动态仿真结果进行校验,如果输出的所述第一动态仿真结果同标识的所述第一动态仿真结果相一致,则本数据监督学习完成,则进行下一组数据监督学习;如果输出的所述第一动态仿真结果同标识的所述第一动态仿真结果不一致,则神经网络模型自身进行调整,直到神经网络模型达到预期的准确率后,进行下一组数据的监督学习。通过训练数据使神经网络模型自身不断地修正、优化,通过监督学习的过程来提高神经网络模型处理所述数据的准确性,进而使得所述第一动态仿真结果更加准确。
综上所述,本申请实施例所提供的一种整车排放结果的仿真方法具有如下技术效果:
1、由于采用了通过由所述仿真控制系统获得第一仿真模型;获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;获得第一循环配置信息;将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;由所述第一动态仿真结果获得第一随机变量的第一数据分布集;对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;依据所述第一标定数据阈值对所述第一随机变量进行标定处理。实现了通过求解整车循环中随机变量的核心权重点,来确定标定范围,从而极大降低了标定的工作量,减少资源浪费的技术目的。
2、由于采用了通过神经网络模型进行训练学习,将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得所述第一动态仿真结果,基于神经网络模型能够不断学习、获取经验来处理数据的特点,通过训练数据,使得所述第一动态仿真结果的获取更为准确,从而使得标定范围的确定也更为准确。
3、由于采用了通过主成分分析法对所述第一车辆仿真数据库中的特征数据进行降维处理,在保证信息量的前提下,剔除冗余数据,使得数据库中特征数据的样本量减小,且降维后信息量损失最小,从而加快训练模型对于数据的运算速度。并通过增量学习对模型进行优化,达到了保证模型的输出性能稳定性和准确性的技术效果。
实施例二
基于与前述实施例中一种整车排放结果的仿真方法同样发明构思,本发明还提供了一种整车排放结果的仿真系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于由所述仿真控制系统获得第一仿真模型;
第二获得单元12,所述第二获得单元12用于获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;
第三获得单元13,所述第三获得单元13用于获得第一循环配置信息;
第一输入单元14,所述第一输入单元14用于将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;
第四获得单元15,所述第四获得单元15用于由所述第一动态仿真结果获得第一随机变量的第一数据分布集;
第五获得单元16,所述第五获得单元16用于对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;
第六获得单元17,所述第六获得单元17用于依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;
第一执行单元18,所述第一执行单元18用于依据所述第一标定数据阈值对所述第一随机变量进行标定处理。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于由所述第一脚本文件读取第一车辆的第一配置信息;
第八获得单元,所述第八获得单元用于对所述第一配置信息进行特征提取,获得第一匹配特征;
第九获得单元,第九获得单元用于以所述第一匹配特征作为数据库分类特征,构建第一车辆仿真数据库;
第二输入单元,所述第二输入单元用于将所述第一车辆仿真数据库作为训练数据输入所述第一仿真模型,由所述第一仿真模型获得所述第一动态仿真结果。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于获得所述第一车辆仿真数据库的第一特征数据集;
第十一获得单元,所述第十一获得单元用于对所述第一特征数据集进行中心化处理,获得第二特征数据集;
第十二获得单元,所述第十二获得单元获得所述第二特征数据集的第一协方差矩阵;
第十三获得单元,所述第十三获得单元用于对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
第十四获得单元,所述第十四获得单元用于将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。
进一步的,所述系统还包括:
第三输入单元,所述第三输入单元用于以所述第一降维数据集为训练数据,将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第二动态仿真结果;
第十五获得单元,所述第十五获得单元用于对所述第一动态仿真结果和所述第二动态仿真结果进行缺损数据分析,获得第一缺损数据;
第四输入单元,所述第四输入单元用于将所述第一缺损数据输入至所述第一仿真模型进行增量学习,获得第二仿真模型。
进一步的,所述系统还包括:
第十六获得单元,所述第十六获得单元用于由所述第一数据分布集对各数据进行区间划分,获得第一区间、第二区间,直至第N区间;
第十七获得单元,所述第十七获得单元用于分别获得所述第一区间、所述第二区间直至所述第N区间中各区间的各数据分布量;
第十八获得单元,所述第十八获得单元用于获得所述第一数据分布集中的第一数据总量;
第十九获得单元,所述第十九获得单元用于获得所述各数据分布量对于所述第一数据总量的第一占比集合;
第二十获得单元,所述第二十获得单元用于依据所述第一占比集合获得所述第一区间、所述第二区间直至所述第N区间的第一分布概率、第二分布概率直至第N分布概率;
第二十一获得单元,所述第二十一获得单元用于由所述第一分布概率、所述第二分布概率直至所述第N分布概率获得所述第一分布概率密度。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于获得第一排序规则;
第二十三获得单元,所述第二十三获得单元用于依据所述第一排序规则对所述第一分布概率密度进行排序,获得第一排序结果;
第二十四获得单元,所述第二十四获得单元用于依据所述第一排序结果获得排在首位的第M分布概率;
第二十五获得单元,所述第二十五获得单元用于获得所述第M分布概率所对应的第M区间;
第二十六获得单元,所述第二十六获得单元用于将所述第M区间的数据作为所述第一随机变量的第一标定数据阈值,对所述第一随机变量进行标定处理。
进一步的,所述系统还包括:
第五输入单元,所述第五输入单元用于将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,所述第一仿真模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一脚本文件、所述第一循环配置信息和用来标识所述第一动态仿真结果的标识信息;
第二十七获得单元,所述第二十七获得单元用于获得所述第一仿真模型的第一输出结果,其中,所述第一输出结果为所述第一动态仿真结果。
前述图1实施例一中的一种整车排放结果的仿真方法和具体实例同样适用于本实施例的一种整车排放结果的仿真系统,通过前述对一种整车排放结果的仿真方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种整车排放结果的仿真系统,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备,
基于与前述实施例中一种整车排放结果的仿真方法相同的发明构思,本申请实施例还提供了一种整车排放结果的仿真系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种整车排放结果的仿真方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请提供了一种整车排放结果的仿真方法,其中,所述方法包括:由所述仿真控制系统获得第一仿真模型;获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;获得第一循环配置信息;将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;由所述第一动态仿真结果获得第一随机变量的第一数据分布集;对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;依据所述第一标定数据阈值对所述第一随机变量进行标定处理。解决了现有技术中发动机排放标定的工作量大、标定效率低、耗时长的技术问题,实现了通过求解整车循环中随机变量的核心权重点,来确定标定范围,从而极大降低了标定的工作量,减少资源浪费的技术目的。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种整车排放结果的仿真方法,应用于一仿真控制系统,其中,所述方法包括:
由所述仿真控制系统获得第一仿真模型;
获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;
获得第一循环配置信息;
将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;
由所述第一动态仿真结果获得第一随机变量的第一数据分布集;
对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;
依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;
依据所述第一标定数据阈值对所述第一随机变量进行标定处理。
2.如权利要求1所述的方法,其中,所述方法包括:
由所述第一脚本文件读取第一车辆的第一配置信息;
对所述第一配置信息进行特征提取,获得第一匹配特征;
以所述第一匹配特征作为数据库分类特征,构建第一车辆仿真数据库;
将所述第一车辆仿真数据库作为训练数据输入所述第一仿真模型,由所述第一仿真模型获得所述第一动态仿真结果。
3.如权利要求2所述的方法,其中,所述方法包括:
获得所述第一车辆仿真数据库的第一特征数据集;
对所述第一特征数据集进行中心化处理,获得第二特征数据集;
获得所述第二特征数据集的第一协方差矩阵;
对所述第一协方差矩阵进行运算,获得所述第一协方差矩阵的第一特征值和第一特征向量;
将所述第一特征数据集投影到所述第一特征向量,获得第一降维数据集,其中所述第一降维数据集为所述第一特征数据集降维之后获得的特征数据集。
4.如权利要求3所述的方法,其中,所述方法包括;
以所述第一降维数据集为训练数据,将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第二动态仿真结果;
对所述第一动态仿真结果和所述第二动态仿真结果进行缺损数据分析,获得第一缺损数据;
将所述第一缺损数据输入至所述第一仿真模型进行增量学习,获得第二仿真模型。
5.如权利要求1所述的方法,其中,所述获得所述第一数据分布集的第一分布概率密度,还包括:
由所述第一数据分布集对各数据进行区间划分,获得第一区间、第二区间,直至第N区间;
分别获得所述第一区间、所述第二区间直至所述第N区间中各区间的各数据分布量;
获得所述第一数据分布集中的第一数据总量;
获得所述各数据分布量对于所述第一数据总量的第一占比集合;
依据所述第一占比集合获得所述第一区间、所述第二区间直至所述第N区间的第一分布概率、第二分布概率直至第N分布概率;
由所述第一分布概率、所述第二分布概率直至所述第N分布概率获得所述第一分布概率密度。
6.如权利要求5所述的方法,其中,所述方法包括:
获得第一排序规则;
依据所述第一排序规则对所述第一分布概率密度进行排序,获得第一排序结果;
依据所述第一排序结果获得排在首位的第M分布概率;
获得所述第M分布概率所对应的第M区间;
将所述第M区间的数据作为所述第一随机变量的第一标定数据阈值,对所述第一随机变量进行标定处理。
7.如权利要求1所述的方法,其中,所述方法包括:
将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,所述第一仿真模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一脚本文件、所述第一循环配置信息和用来标识所述第一动态仿真结果的标识信息;
获得所述第一仿真模型的第一输出结果,其中,所述第一输出结果为所述第一动态仿真结果。
8.一种整车排放结果的仿真系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于由所述仿真系统获得第一仿真模型;
第二获得单元,所述第二获得单元用于获得第一脚本文件,其中,所述第一脚本文件包括整车循环与台架循环的第一映射关系;
第三获得单元,所述第三获得单元用于获得第一循环配置信息;
第一输入单元,所述第一输入单元用于将所述第一脚本文件、所述第一循环配置信息输入至所述第一仿真模型,获得第一动态仿真结果;
第四获得单元,所述第四获得单元用于由所述第一动态仿真结果获得第一随机变量的第一数据分布集;
第五获得单元,所述第五获得单元用于对所述第一数据分布集进行分布密度分析,获得所述第一数据分布集的第一分布概率密度;
第六获得单元,所述第六获得单元用于依据所述第一分布概率密度获得所述第一随机变量的第一标定数据阈值;
第一执行单元,所述第一执行单元用于依据所述第一标定数据阈值对所述第一随机变量进行标定处理。
9.一种整车排放结果的仿真系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得装置以执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758327.5A CN113449382B (zh) | 2021-07-05 | 2021-07-05 | 一种整车排放结果的仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758327.5A CN113449382B (zh) | 2021-07-05 | 2021-07-05 | 一种整车排放结果的仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449382A CN113449382A (zh) | 2021-09-28 |
CN113449382B true CN113449382B (zh) | 2022-03-22 |
Family
ID=77815056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758327.5A Active CN113449382B (zh) | 2021-07-05 | 2021-07-05 | 一种整车排放结果的仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449382B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
CN110509914A (zh) * | 2019-09-16 | 2019-11-29 | 重庆邮电大学 | 一种并联式混合动力汽车的能耗优化方法 |
CN111460382A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的燃油车有害气体排放预测方法及系统 |
CN111580411A (zh) * | 2020-04-27 | 2020-08-25 | 珠海格力电器股份有限公司 | 控制参数优化方法、装置和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100217550A1 (en) * | 2009-02-26 | 2010-08-26 | Jason Crabtree | System and method for electric grid utilization and optimization |
US11598185B2 (en) * | 2014-11-24 | 2023-03-07 | Schlumberger Technology Corporation | Methods for adaptive optimization of enhanced oil recovery performance under uncertainty |
CN109000922B (zh) * | 2018-06-11 | 2020-03-31 | 中国北方车辆研究所 | 基于道路测试的综合传动装置台架耐久性试验方法 |
CN108897964A (zh) * | 2018-07-09 | 2018-11-27 | 重庆大学 | 一种污水管网超标排放工业废水的贝叶斯统计溯源方法 |
-
2021
- 2021-07-05 CN CN202110758327.5A patent/CN113449382B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545122A (zh) * | 2017-09-27 | 2018-01-05 | 重庆长安汽车股份有限公司 | 一种基于神经网络的车辆气体排放物的模拟仿真系统 |
CN110509914A (zh) * | 2019-09-16 | 2019-11-29 | 重庆邮电大学 | 一种并联式混合动力汽车的能耗优化方法 |
CN111460382A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的燃油车有害气体排放预测方法及系统 |
CN111580411A (zh) * | 2020-04-27 | 2020-08-25 | 珠海格力电器股份有限公司 | 控制参数优化方法、装置和系统 |
Non-Patent Citations (3)
Title |
---|
Simulation and Modeling of Vehicle Emissions – A Review;Hussam Achour et al;《Encyclopedia of Renewable and Sustainable Materials》;20201231;第1卷;全文 * |
整车道路循环工况下发动机热功转换过程及排放性能研究;朱国辉;《中国博士学位论文全文数据库电子期刊 工程科技II辑》;20180615;第2018年卷(第6期);全文 * |
离线仿真柴油机整车PEMS排放研究;任学成 等;《现代车用动力》;20200531(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113449382A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110825826A (zh) | 聚类簇计算方法、装置、终端及存储介质 | |
CN108681751B (zh) | 确定事件影响因素的方法及终端设备 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
CN116128531A (zh) | 一种产品质量异常原因追溯方法、装置、设备及存储介质 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN116596095A (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
CN114428748B (zh) | 一种用于真实业务场景的模拟测试方法及系统 | |
CN113095511A (zh) | 一种在自动化主站实现操作到位的判断方法及装置 | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
CN111160614B (zh) | 资源转移预测模型的训练方法、装置及计算设备 | |
CN107463486B (zh) | 系统性能分析方法、装置及服务器 | |
CN113449382B (zh) | 一种整车排放结果的仿真方法及系统 | |
CN114663074B (zh) | 一种基于数字孪生的产品数据分析方法及系统 | |
CN116049733A (zh) | 基于神经网络的效能评估方法、系统、设备与存储介质 | |
CN115237355B (zh) | 一种基于闪存数据类识别的定向交换方法及系统 | |
CN114115150B (zh) | 基于数据的热泵系统在线建模方法及装置 | |
CN113919449B (zh) | 基于精准模糊聚类算法的居民电力数据聚类方法及装置 | |
CN111079843A (zh) | 一种基于rbf神经网络的训练方法 | |
CN114970114A (zh) | 一种基于增强现实的虚拟仿真模型动态优化方法及系统 | |
CN113393023B (zh) | 模具质量评估方法、装置、设备及存储介质 | |
CN114329966A (zh) | 一种天然气管道远维控制系统健康度评价方法及系统 | |
CN115688873A (zh) | 图数据处理方法、设备及计算机程序产品 | |
CN114679335A (zh) | 电力监控系统网络安全风险评估训练、评估方法及设备 | |
CN113191540A (zh) | 一种产业链路制造资源的构建方法及装置 | |
CN113268822A (zh) | 一种基于小样本核机器学习的离心泵性能预测方法 |
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 | ||
GR01 | Patent grant |