CN113792474A - 一种汽车部件在相近自然环境下的温度预测方法 - Google Patents

一种汽车部件在相近自然环境下的温度预测方法 Download PDF

Info

Publication number
CN113792474A
CN113792474A CN202110817478.3A CN202110817478A CN113792474A CN 113792474 A CN113792474 A CN 113792474A CN 202110817478 A CN202110817478 A CN 202110817478A CN 113792474 A CN113792474 A CN 113792474A
Authority
CN
China
Prior art keywords
temperature
monitoring point
automobile
surface monitoring
area
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
CN202110817478.3A
Other languages
English (en)
Inventor
李淮
陈心欣
张晓东
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.)
China National Electric Apparatus Research Institute Co Ltd
Original Assignee
China National Electric Apparatus Research Institute Co Ltd
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 China National Electric Apparatus Research Institute Co Ltd filed Critical China National Electric Apparatus Research Institute Co Ltd
Priority to CN202110817478.3A priority Critical patent/CN113792474A/zh
Publication of CN113792474A publication Critical patent/CN113792474A/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
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

本发明公开了一种汽车部件在相近自然环境下的温度预测方法，对于与训练地区属于GB/T 4797.1‑2018标准定义的同类型地区的预测地区，在无需将包含被测汽车部件的整车置于预测地区进行自然环境曝露试验的情况下，即能够预测出被测汽车部件于预测时间在其表面监测点处的表面监测点温度预测值，具有预测精度高、能够降低被测汽车部件在预测地区的自然环境曝露试验成本的优点，有助于减少车企在外国进行自然环境曝露试验的开支、缩短产品开发周期。

Description

一种汽车部件在相近自然环境下的温度预测方法
技术领域
本发明涉及汽车部件的自然户外曝晒试验，具体的说是一种汽车部件在相近自然环境下的温度预测方法。
背景技术
汽车部件在自然环境下温度的变化以及所经历的最大温度一直是汽车厂商重点关注的事情，然而在国外进行自然户外曝晒试验周期长、成本高，在一定程度上限制了汽车的研发周期。
因此，可通过国内试验站的暴露试验数据，构建大数据机器学习模型，预测国外自然环境下汽车部件温度变化。利用国内试验数据预测国外环境下汽车温度变化是一种简单、高效的方法。
汽车部件的温度变化是受大气环境温度、太阳辐照强度等因素的综合作用的结果。常规的数学模型仿真方法需要清楚知道汽车部件所用的材料及材料的各项性能参数(如光的吸收率、折射率等参数)，否则无法仿真出相对正确结果。
发明内容
本发明所要解决的技术问题是：提供一种汽车部件在相近自然环境下的温度预测方法。
解决上述技术问题，本发明所采用的技术方案如下：
一种汽车部件在相近自然环境下的温度预测方法，其特征在于，包括：
步骤S1、在多个自然日，将包含被测汽车部件的整车置于训练地区进行自然环境曝露试验，并在每一个所述自然日，相隔预设的时间间隔测得一组所述被测汽车部件的实测数据；例如：将所述时间间隔设置为5分钟，则在每一个所述自然日测得24*60/5＝288组实测数据；
其中，各个所述自然日可以是连续的，也可以是离散的；所述被测汽车部件可以是整车上的汽车部件，例如车顶、发动机盖、保险杠、中央面板、雨刮盖板、天窗胶条等；
其中，所述实测数据包括环境特征参数和所述被测汽车部件在其表面监测点处的表面监测点温度，所述表面监测点位于所述被测汽车部件能够被太阳照射到的位置，所述环境特征参数包含测试时间、所述被测汽车部件所处环境的大气温度、所述被测汽车部件受到的近似等效太阳辐照值，所述测试时间为所述训练地区的地方时；
步骤S2、将步骤S1测得的全部实测数据划分为训练集和验证集，并将所述测试时间、大气温度和近似等效太阳辐照值作为输入量，将所述表面监测点温度作为输出量，以用所述训练集和验证集对机器学习模型进行训练，得到汽车部件温度预测模型；其中，所述机器学习模型可以基于python等软件进行构建。
步骤S3、在多个自然日，将包含被测汽车部件的整车置于测试地区进行自然环境曝露试验，并在每一个所述自然日，相隔预设的时间间隔测得一组所述被测汽车部件的实测数据，该实测数据中的环境特征参数和表面监测点温度分别记为测试地区环境特征参数和测试地区表面监测点温度；其中，所述测试地区与训练地区属于GB/T 4797.1-2018标准定义的同类型地区；
并且，将每一组所述测试地区环境特征参数分别作为输入量代入所述汽车部件温度预测模型，计算得到输出量记为测试地区预测温度，以计算各个所述测试地区预测温度和测试地区表面监测点温度的平均绝对误差MAE；
如果MAE＜4，则认定所述汽车部件温度预测模型的性能可靠，否则，重复步骤S2至步骤S3；
步骤S4、对于与所述训练地区属于GB/T 4797.1-2018标准定义的同类型地区的预测地区：
在预测时间采集所述被测汽车部件在所述预测地区的环境特征参数(即测试时间、大气温度和近似等效太阳辐照值)，并作为输入量代入所述步骤S3认定为性能可靠的汽车部件温度预测模型，计算得到的输出量即为所述整车的被测汽车部件于所述预测时间在所述表面监测点处的表面监测点温度预测值；其中，预测地区的测试时间为由预测时间转换得到的地方时。
从而，本发明对于与训练地区属于GB/T 4797.1-2018标准定义的同类型地区的预测地区，在无需将包含被测汽车部件的整车置于预测地区进行自然环境曝露试验的情况下，即能够预测出被测汽车部件于预测时间在其表面监测点处的表面监测点温度预测值，具有预测精度高、能够降低被测汽车部件在预测地区的自然环境曝露试验成本的优点，有助于减少车企在外国进行自然环境曝露试验的开支、缩短产品开发周期。
优选的：所述被测汽车部件在所述训练地区、测试地区、预测地区中任一地区受到的近似等效太阳辐照值的测量方式为：
在相应地区安装太阳辐照计，并按照以下公式计算得到近似等效太阳辐照值R：
R＝A/sin(H+αn)*sin(H+αc)；
H＝90-(β+βs)；
式中，A为所述太阳辐照计的测量值；β为所述相应地区的纬度；βs为当日太阳直射点的地理纬度，且在所述相应地区与当日太阳直射点位于同一半球时，βs取值为负数，在所述相应地区与当日太阳直射点位于不同半球时，βs取值为正数；
αn为所述太阳辐照计的测量方向与向上方向之间的夹角角度；其中，在所述相应地区位于北半球的情况下，αn在所述测量方向包含正南方向分量时取正值，αn在所述测量方向包含正北方向分量时取负值；在所述相应地区位于南半球的情况下，αn在所述测量方向包含正南方向分量时取负值，αn在所述测量方向包含正北方向分量时取正值；其中，为确保所述太阳辐照计能够有效测量到太阳辐照，安装所述太阳辐照计时，所述太阳辐照计的测量方向必然包含向上方向分量。
αc为表面监测点切面与南北方向之间的锐角夹角角度，其中，所述表面监测点切面为所述被测汽车部件在所述表面监测点处的切面，且在所述相应地区位于北半球的情况下，αc在所述表面监测点切面的外侧(也即表面监测点切面背向被测汽车部件的一侧)面向南方和北方时分别取正值和负值，在所述相应地区位于南半球的情况下，αc在所述表面监测点切面的外侧面向北方和南方时分别取正值和负值。
优选的：所述多个自然日至少包含夏季中的10天和冬季中的10天，以能够在最低限度上确保在全年时间内预测被测汽车部件的表面监测点温度预测值的准确性。
优选的：所述步骤S2中，所述机器学习模型可以为神经网络模型、支持向量机模型、随机森林模型、回归分析模型、深度学习模型、梯度提升机模型中的任意一者。
与现有技术相比，本发明具有以下有益效果：
第一，本发明对于与训练地区属于GB/T 4797.1-2018标准定义的同类型地区的预测地区，在无需将包含被测汽车部件的整车置于预测地区进行自然环境曝露试验的情况下，即能够预测出被测汽车部件于预测时间在其表面监测点处的表面监测点温度预测值，具有预测精度高、能够降低被测汽车部件在预测地区的自然环境曝露试验成本的优点，有助于减少车企在外国进行自然环境曝露试验的开支、缩短产品开发周期。
第二，本发明通过相应地区安装太阳辐照计，再通过公式计算得到近似等效太阳辐照值，能够在实施简单方便的同时，提高表面监测点温度预测值的预测精度。
附图说明
下面结合附图和具体实施例对本发明作进一步的详细说明：
图1为本发明的温度预测方法的流程框图；
图2为以美国凤凰城作为测试地区时，测得的测试地区表面监测点温度的示意图；
图3为以美国凤凰城作为测试地区时，计算得到的测试地区预测温度的示意图；
图4为以美国凤凰城作为测试地区时，测试地区表面监测点温度和测试地区预测温度的对比示意图；
图5为以美国凤凰城作为测试地区时，测试地区表面监测点温度和测试地区预测温度的总体误差示意图。
具体实施方式
下面结合实施例及其附图对本发明进行详细说明，以帮助本领域的技术人员更好的理解本发明的发明构思，但本发明权利要求的保护范围不限于下述实施例，对本领域的技术人员来说，在不脱离本发明之发明构思的前提下，没有做出创造性劳动所获得的所有其他实施例，都属于本发明的保护范围。
实施例一
如图1所示，本发明公开的是一种汽车部件在相近自然环境下的温度预测方法，包括：
步骤S1、在多个自然日，将包含被测汽车部件的整车置于训练地区进行自然环境曝露试验，并在每一个所述自然日，相隔预设的时间间隔测得一组所述被测汽车部件的实测数据；例如：将所述时间间隔设置为5分钟，则在每一个所述自然日测得24*60/5＝288组实测数据；
其中，各个所述自然日可以是连续的，也可以是离散的；所述被测汽车部件可以是整车上的汽车部件，例如车顶、发动机盖、保险杠、中央面板、雨刮盖板、天窗胶条等；
其中，所述实测数据包括环境特征参数和所述被测汽车部件在其表面监测点处的表面监测点温度，所述表面监测点位于所述被测汽车部件能够被太阳照射到的位置，所述环境特征参数包含测试时间、所述被测汽车部件所处环境的大气温度、所述被测汽车部件受到的近似等效太阳辐照值，所述测试时间为所述训练地区的地方时；
步骤S2、将步骤S1测得的全部实测数据划分为训练集和验证集，并将所述测试时间、大气温度和近似等效太阳辐照值作为输入量，将所述表面监测点温度作为输出量，以用所述训练集和验证集对机器学习模型进行训练，得到汽车部件温度预测模型；其中，所述机器学习模型可以基于python等软件进行构建。
步骤S3、在多个自然日，将包含被测汽车部件的整车置于测试地区进行自然环境曝露试验，并在每一个所述自然日，相隔预设的时间间隔测得一组所述被测汽车部件的实测数据，该实测数据中的环境特征参数和表面监测点温度分别记为测试地区环境特征参数和测试地区表面监测点温度；其中，所述测试地区与训练地区属于GB/T4797.1-2018标准定义的同类型地区；
并且，将每一组所述测试地区环境特征参数分别作为输入量代入所述汽车部件温度预测模型，计算得到输出量记为测试地区预测温度，以计算各个所述测试地区预测温度和测试地区表面监测点温度的平均绝对误差MAE；
如果MAE＜4，则认定所述汽车部件温度预测模型的性能可靠，否则，重复步骤S2至步骤S3；
步骤S4、对于与所述训练地区属于GB/T 4797.1-2018标准定义的同类型地区的预测地区：
在预测时间采集所述被测汽车部件在所述预测地区的环境特征参数(即测试时间、大气温度和近似等效太阳辐照值)，并作为输入量代入所述步骤S3认定为性能可靠的汽车部件温度预测模型，计算得到的输出量即为所述整车的被测汽车部件于所述预测时间在所述表面监测点处的表面监测点温度预测值；其中，预测地区的测试时间为由预测时间转换得到的地方时。
从而，本发明对于与训练地区属于GB/T 4797.1-2018标准定义的同类型地区的预测地区，在无需将包含被测汽车部件的整车置于预测地区进行自然环境曝露试验的情况下，即能够预测出被测汽车部件于预测时间在其表面监测点处的表面监测点温度预测值，具有预测精度高、能够降低被测汽车部件在预测地区的自然环境曝露试验成本的优点，有助于减少车企在外国进行自然环境曝露试验的开支、缩短产品开发周期。
以上为本发明的基本实施方式，可以在以上的基础上做进一步的优化、改进和限定：
优选的：所述被测汽车部件在所述训练地区、测试地区、预测地区中任一地区受到的近似等效太阳辐照值的测量方式为：
在相应地区安装太阳辐照计，并按照以下公式计算得到近似等效太阳辐照值R：
R＝A/sin(H+αn)*sin(H+αc)；
H＝90-(β+βs)；
式中，A为所述太阳辐照计的测量值；β为所述相应地区的纬度；βs为当日太阳直射点的地理纬度，且在所述相应地区与当日太阳直射点位于同一半球时，βs取值为负数，在所述相应地区与当日太阳直射点位于不同半球时，βs取值为正数；
αn为所述太阳辐照计的测量方向与向上方向之间的夹角角度；其中，在所述相应地区位于北半球的情况下，αn在所述测量方向包含正南方向分量时取正值，αn在所述测量方向包含正北方向分量时取负值；在所述相应地区位于南半球的情况下，αn在所述测量方向包含正南方向分量时取负值，αn在所述测量方向包含正北方向分量时取正值；其中，为确保所述太阳辐照计能够有效测量到太阳辐照，安装所述太阳辐照计时，所述太阳辐照计的测量方向必然包含向上方向分量。
αc为表面监测点切面与南北方向之间的锐角夹角角度，其中，所述表面监测点切面为所述被测汽车部件在所述表面监测点处的切面，且在所述相应地区位于北半球的情况下，αc在所述表面监测点切面的外侧面向南方和北方时分别取正值和负值，在所述相应地区位于南半球的情况下，αc在所述表面监测点切面的外侧面向北方和南方时取正值和负值。
优选的：所述多个自然日至少包含夏季中的10天和冬季中的10天，以能够在最低限度上确保在全年时间内预测被测汽车部件的表面监测点温度预测值的准确性。
优选的：所述步骤S2中，所述机器学习模型可以为神经网络模型、支持向量机模型、随机森林模型、回归分析模型、深度学习模型、梯度提升机模型中的任意一者。
下面通过一个实际案例，说明本发明的温度预测方法的效果：
基于QC/T 728-2005标准进行试验，以新疆吐鲁番作为所述训练地区，以车顶作为所述被测汽车部件，所述时间间隔设置为5分钟；
将上述训练地区的实测数据按照85∶15的比率分成所述训练集和验证集，采用BP神经网络算法模型作为所述机器学习模型，以训练得到所述汽车部件温度预测模型；其中，BP神经网络算法模型的参数设置如下：隐含层神经元个数为9个，学历率取为0.1；最大迭代步数设为1000，优化算法采用levenberg-Marquardt算法，验证集的最大失效迭代步数为16，其它参数采用系统默认参数；
以美国凤凰城作为所述测试地区，同样将所述时间间隔设置为5分钟，测得的实测数据中，测试地区表面监测点温度如图2所示，按照所述步骤S3计算得到的测试地区预测温度如图3所示；从而，测试地区表面监测点温度和测试地区预测温度的对比示意图如图4所示，测试地区表面监测点温度和测试地区预测温度的总体误差示意图如图5所示，由此，计算得到平均绝对误差MAE＝2.2，表示所述汽车部件温度预测模型的性能可靠。
本发明不局限于上述具体实施方式，根据上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，本发明还可以做出其它多种形式的等效修改、替换或变更，均落在本发明的保护范围之中。

Claims (4)

1.一种汽车部件在相近自然环境下的温度预测方法，其特征在于，包括：
步骤S1、在多个自然日，将包含被测汽车部件的整车置于训练地区进行自然环境曝露试验，并在每一个所述自然日，相隔预设的时间间隔测得一组所述被测汽车部件的实测数据；
其中，所述实测数据包括环境特征参数和所述被测汽车部件在其表面监测点处的表面监测点温度，所述表面监测点位于所述被测汽车部件能够被太阳照射到的位置，所述环境特征参数包含测试时间、所述被测汽车部件所处环境的大气温度、所述被测汽车部件受到的近似等效太阳辐照值，所述测试时间为所述训练地区的地方时；
步骤S2、将步骤S1测得的全部实测数据划分为训练集和验证集，并将所述测试时间、大气温度和近似等效太阳辐照值作为输入量，将所述表面监测点温度作为输出量，以用所述训练集和验证集对机器学习模型进行训练，得到汽车部件温度预测模型；
步骤S3、在多个自然日，将包含被测汽车部件的整车置于测试地区进行自然环境曝露试验，并在每一个所述自然日，相隔预设的时间间隔测得一组所述被测汽车部件的实测数据，该实测数据中的环境特征参数和表面监测点温度分别记为测试地区环境特征参数和测试地区表面监测点温度；其中，所述测试地区与训练地区属于GB/T 4797.1-2018标准定义的同类型地区；
并且，将每一组所述测试地区环境特征参数分别作为输入量代入所述汽车部件温度预测模型，计算得到输出量记为测试地区预测温度，以计算各个所述测试地区预测温度和测试地区表面监测点温度的平均绝对误差MAE；
如果MAE＜4，则认定所述汽车部件温度预测模型的性能可靠，否则，重复步骤S2至步骤S3；
步骤S4、对于与所述训练地区属于GB/T 4797.1-2018标准定义的同类型地区的预测地区：
在预测时间采集所述被测汽车部件在所述预测地区的环境特征参数，并作为输入量代入所述步骤S3认定为性能可靠的汽车部件温度预测模型，计算得到的输出量即为所述整车的被测汽车部件于所述预测时间在所述表面监测点处的表面监测点温度预测值。
2.根据权利要求1所述汽车部件在相近自然环境下的温度预测方法，其特征在于：所述被测汽车部件在所述训练地区、测试地区、预测地区中任一地区受到的近似等效太阳辐照值的测量方式为：
在相应地区安装太阳辐照计，并按照以下公式计算得到近似等效太阳辐照值R：
R＝A/sin(H+αn)*sin(H+αc)；
H＝90-(β+βs)；
式中，A为所述太阳辐照计的测量值；β为所述相应地区的纬度；βs为当日太阳直射点的地理纬度，且在所述相应地区与当日太阳直射点位于同一半球时，βs取值为负数，在所述相应地区与当日太阳直射点位于不同半球时，βs取值为正数；
αn为所述太阳辐照计的测量方向与向上方向之间的夹角角度；其中，在所述相应地区位于北半球的情况下，αn在所述测量方向包含正南方向分量时取正值，αn在所述测量方向包含正北方向分量时取负值；在所述相应地区位于南半球的情况下，αn在所述测量方向包含正南方向分量时取负值，αn在所述测量方向包含正北方向分量时取正值；
αc为表面监测点切面与南北方向之间的锐角夹角角度，其中，所述表面监测点切面为所述被测汽车部件在所述表面监测点处的切面，且在所述相应地区位于北半球的情况下，αc在所述表面监测点切面的外侧面向南方和北方时分别取正值和负值，在所述相应地区位于南半球的情况下，αc在所述表面监测点切面的外侧面向北方和南方时取正值和负值。
3.根据权利要求1或2所述汽车部件在相近自然环境下的温度预测方法，其特征在于：所述多个自然日至少包含夏季中的10天和冬季中的10天。
4.根据权利要求1或2所述汽车部件在相近自然环境下的温度预测方法，其特征在于：所述步骤S2中，所述机器学习模型为神经网络模型、支持向量机模型、随机森林模型、回归分析模型、深度学习模型、梯度提升机模型中的任意一者。
CN202110817478.3A 2021-07-19 2021-07-19 一种汽车部件在相近自然环境下的温度预测方法 Pending CN113792474A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110817478.3A CN113792474A (zh) 2021-07-19 2021-07-19 一种汽车部件在相近自然环境下的温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110817478.3A CN113792474A (zh) 2021-07-19 2021-07-19 一种汽车部件在相近自然环境下的温度预测方法

Publications (1)

Publication Number Publication Date
CN113792474A true CN113792474A (zh) 2021-12-14

Family

ID=79181137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110817478.3A Pending CN113792474A (zh) 2021-07-19 2021-07-19 一种汽车部件在相近自然环境下的温度预测方法

Country Status (1)

Country Link
CN (1) CN113792474A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932341A (zh) * 2019-03-11 2019-06-25 北京环境特性研究所 野外环境下典型目标的双向反射分布函数测量方法
CN110763614A (zh) * 2019-08-02 2020-02-07 北京福田戴姆勒汽车有限公司 一种模拟大气腐蚀的加速试验方法
CN110927050A (zh) * 2019-09-25 2020-03-27 中国电器科学研究院股份有限公司 一种利用太阳跟踪聚光加速老化试验预测聚苯乙烯材料服役寿命的方法
KR20210010735A (ko) * 2019-07-18 2021-01-28 현대자동차주식회사 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치 및 그 방법
CN112330032A (zh) * 2020-11-09 2021-02-05 中国联合网络通信集团有限公司 一种光伏发电厂的有功出力的预测方法和装置
CN112560173A (zh) * 2020-12-08 2021-03-26 北京京航计算通讯研究所 一种基于深度学习的车辆耐候性温度预测方法及装置
CN112577595A (zh) * 2020-09-18 2021-03-30 临沂大学 立体光强传感系统、立体传感方法及无人机光强传感器

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109932341A (zh) * 2019-03-11 2019-06-25 北京环境特性研究所 野外环境下典型目标的双向反射分布函数测量方法
KR20210010735A (ko) * 2019-07-18 2021-01-28 현대자동차주식회사 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치 및 그 방법
CN110763614A (zh) * 2019-08-02 2020-02-07 北京福田戴姆勒汽车有限公司 一种模拟大气腐蚀的加速试验方法
CN110927050A (zh) * 2019-09-25 2020-03-27 中国电器科学研究院股份有限公司 一种利用太阳跟踪聚光加速老化试验预测聚苯乙烯材料服役寿命的方法
CN112577595A (zh) * 2020-09-18 2021-03-30 临沂大学 立体光强传感系统、立体传感方法及无人机光强传感器
CN112330032A (zh) * 2020-11-09 2021-02-05 中国联合网络通信集团有限公司 一种光伏发电厂的有功出力的预测方法和装置
CN112560173A (zh) * 2020-12-08 2021-03-26 北京京航计算通讯研究所 一种基于深度学习的车辆耐候性温度预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘建国主编: "《普通高等教育"十三五"规划教材 高等学校新能源科学与工程专业教材 可再生能源导论》", 28 February 2017 *

Similar Documents

Publication Publication Date Title
Yao et al. Evaluation of global solar radiation models for Shanghai, China
Bakirci Correlations for estimation of daily global solar radiation with hours of bright sunshine in Turkey
Marion et al. Validation of a photovoltaic module energy ratings procedure at NREL
Achour et al. Hybrid model for estimating monthly global solar radiation for the Southern of Algeria:(Case study: Tamanrasset, Algeria)
CN109948281B (zh) 基于天气类型有效识别和组合预测的直散分离建模方法
CN110110918B (zh) 一种基于机器学习的光伏年发电量计算方法
CN106092628B (zh) 一种土木工程结构太阳辐射温度效应分析方法及系统
CN103761578A (zh) 基于多元线性回归的太阳辐照预报方法
CN105184388A (zh) 一种城市电力负荷短期预测的非线性回归方法
CN117526274A (zh) 极端气候下新能源功率预测方法、电子设备和存储介质
CN109614649B (zh) 一种面向华南地区桥梁的全气候热分析方法
Yao et al. A new modified method of all-sky radiance distribution based on the principle of photothermal integration
Czekalski et al. Parameterization of daily solar irradiance variability
Muzathik et al. Hourly global solar radiation estimates on a horizontal plane
CN113792474A (zh) 一种汽车部件在相近自然环境下的温度预测方法
Spagnuolo et al. Identification and diagnosis of a photovoltaic module based on outdoor measurements
Woldegiyorgis Estimation of global solar radiation on horizontal surface from sun shine hours and temperature at Kombolcha, Amhara Region, Ethiopia
Pratt et al. The effect of uncertainty in modeling coefficients used to predict energy production using the sandia array performance model
US11486606B2 (en) Method of forecasting heat output of solar collectors
Khalyasmaa et al. Photovoltaic power plant production operational forecast based on its short-term forecasting model
Er et al. A modal study on the estimation of daily global solar radiation from sunshine duration
Ramenah et al. Johansen model for photovoltaic a very short term prediction to electrical power grids in the Island of Mauritius
Chowdhury Short-term prediction of solar irradiance using time-series analysis
Alzoheiry Developing a model to improve the prediction of daily solar radiation for the prediction of reference evapotranspiration
Maraj et al. Modelling and the experimental validation of the long-term averaged solar radiation on a tilted solar collector facing the south-east direction

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211214