CN113947021A - 一种热管理控制方法和热管理控制装置 - Google Patents
一种热管理控制方法和热管理控制装置 Download PDFInfo
- Publication number
- CN113947021A CN113947021A CN202111220527.1A CN202111220527A CN113947021A CN 113947021 A CN113947021 A CN 113947021A CN 202111220527 A CN202111220527 A CN 202111220527A CN 113947021 A CN113947021 A CN 113947021A
- Authority
- CN
- China
- Prior art keywords
- neural network
- thermal management
- network model
- working condition
- working
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000003062 neural network model Methods 0.000 claims abstract description 102
- 238000005070 sampling Methods 0.000 claims abstract description 53
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000001816 cooling Methods 0.000 claims abstract description 6
- 238000010206 sensitivity analysis Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 6
- 239000000110 cooling liquid Substances 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 25
- 230000035945 sensitivity Effects 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 239000010410 layer Substances 0.000 description 11
- 238000009826 distribution Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009897 systematic effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 239000011229 interlayer Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction 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]
- G06F30/20—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
-
- 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
- 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)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (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)
- Feedback Control In General (AREA)
Abstract
本申请实施例提出了一种热管理控制方法和热管理控制装置,可用于增程电动汽车动力总成。一种实施例的步骤如下:搭建冷却系统仿真模型,用最优拉丁超立方试验设计对整车的车速、风扇转速等行驶工况参数进行采样和仿真,建立各工况参数与驱动电机温度和负责热管理的部件的能耗的RBF神经网络模型,灵敏度分析得到各参数的影响大小,对能耗和温度进行预测,根据预测的温度和能耗及灵敏度结果对热管理部件进行控制。本发明可以提高热管理系统的稳定性,降低负责热管理的部件的能耗。
Description
【技术领域】
本申请涉及车辆热管理控制技术领域,尤其涉及一种电动汽车的热管理控制方法和热管理控制装置。
【背景技术】
通常为了保障重要零部件的性能,需要对重要零部件进行热管理。汽车的热管理策略对整车的性能、能耗和安全性有着重要的影响。其中,新能源汽车中的驱动电机的热管理有一定复杂性和难度,目前热管理策略主要根据监测实时温度,与目标温度对比进行热管理。然而,现有的控制方法存在稳定性差以及能耗较高的问题。
因此,如何提高热管理控制的控制效果,是目前需要解决的重要问题。
【发明内容】
本发明实施例的一个目的是:提供一种热管理控制方法和热管理控制神经网络模型装置,有效提高控制热管理方法的稳定性以及降低热管理系统能耗。
第一方面,本发明实施例提供一种热管理控制方法,应用于车辆的热管理系统,主要步骤包括:获取车辆行驶的工况参数;将所述工况参数输入经训练的神经网络模型,所述经训练的神经网络模型输出预测结果,所述预测结果包括目标零部件的预测温度;根据所述预测结果,对负责热管理的部件进行控制。其中,得到所述经训练的神经网络模型的方法包括:对工况参数样本和工作结果进行灵敏度分析,得到分析结果,所述分析结果包括各工况参数分别对所述目标零部件的温度的影响大小,利用所述分析结果进行训练。
上述方法可以预测目标零部件的温度,从而提前进行热管理。若没有预测,零部件达到温度之后热管理,有滞后性。本方法目的在于降低滞后性。其中,灵敏度分析使神经网络模型学习效率更高,训练过程更短或者训练成果更符合实际情况。
在一种可能的设计中,所述神经网络模型包括径向基函数(Radial basisfunction,RBF)神经网络模型。灵敏度分析由RBF神经网络模型实现,从而不需要额外设计灵敏度分析模块,RBF神经网络模型是一种适用于本发明的神经网络模型。
在一种可能的设计中,所述经训练的神经网络模型的方法包括:搭建热管理系统仿真模型;对工况参数进行采样,得到工况参数样本;将所述工况参数样本输入所述热管理系统仿真模型,所述热管理系统仿真模型输出工作结果,所述工作结果包括目标零部件的温度;将所述工况参数样本和所述工作结果输入神经网络模型,进行训练。有益效果是通过搭建仿真模型,训练用样本数据的采集过程更快捷。大量数据可从模型获得,成本更低,不需要实验或从实际场景中采集大量数据。
在一种可能的设计中,所述预测结果还包括所述负责热管理的部件的预测工作参数所述工作结果还包括所述负责热管理的部件的工作参数;所述分析结果还包括各工况参数分别对所述负责热管理的部件的工作参数的影响大小。这样,神经网络不只可以预测温度,还可以预测工作参数,如功率、转速、电流、电压、阀的开度,从而进一步辅助控制方法更好地控制。功率的预测和指示能起到启发研发人员如何降低能耗的作用,也可将预测能耗用于剩余续航里程的计算。神经网络模型通过训练、学习之后,对各个参数包括温度、能耗的计算可以比原仿真模型更快。
在一种可能的设计中,所述对工况参数进行采样的方法包括采用最优拉丁超立方试验设计的方法。鉴于多元参数采样的复杂性,最优拉丁超立方试验设计的方法从多元参数分布中近似随机抽样,可以使采样覆盖到更符合对一些神经网络模型训练的需求的样本,从而更好地训练神经网络模型。
在一种可能的设计中,可根据真实实测数据或经验,检查所述热管理系统仿真模型的仿真结果的精确度;可根据真实实测数据或经验或所述仿真结果,检查所述神经网络模型的精确度。在一些条件下,所搭建模型可能不够精细,检查仿真系统的精确度可以确保模型准确可用。
第二方面,本发明实施例提供一种热管理控制装置,应用于车辆的热管理,包括:输入模块,用于获取车辆行驶的工况参数;输出模块,用于根据预测结果,对负责热管理的部件进行控制。神经网络模型模块,用于搭载神经网络模型,所述神经网络模型根据所述工况参数,输出对目标零部件的温度和所述负责热管理的部件的工作参数的预测结果;所述神经网络模型模块还用于训练所述神经网络模型时,对训练用的工况参数样本和结果样本进行灵敏度分析,得到各工况参数分别对所目标零部件的温度和负责热管理的部件的工作参数的影响大小的灵敏度分析结果,利用所述灵敏度分析结果进行训练所述神经网络模型。
在一种可能的设计中,所述神经网络模型模块用于建立神经网络模型包括径向基函数神经网络模型。
第三方面,本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面所述的任一方法。
第四方面,本发明实施例提供一种电子设备,包括:至少一个处理器,与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面所述的任一方法。
应当理解的是,本申请实施例的第二~四方面与本发明实施例的第一方面的技术方案一致,各方面及对应的可行实施方式所取得的有益效果相似,不再赘述。
【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的介绍,下面描述中的附图仅仅是本发明的一些实施例,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附图。
图1为本发明实施例中的热管理仿真模型示意图;
图2为本发明实施例的训练神经网络模型示意图;
图3为本发明实施例的灵敏度分析示意图;
图4为本发明实施例的RBF神经网络模型功能示意图;
图5为本发明的可选实施过程示意图;
图6为本发明实施例的热管理控制装置示意图;
图7为本发明实施例的电子设备示意图。
【具体实施方式】
为了更好的理解本申请的技术方案,下面结合附图对本申请实施例进行详细描述。应当明确,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
新能源汽车对电能能耗特别敏感,而热管理系统在新能源车中是一大耗能系统。热管理系统为了保障重要零部件的性能,需要耗费一定能量实施热管理。
其中,有些零部件的热管理有一定复杂性和难度,驱动电机属于这种零部件之一。目前热管理策略主要根据监测实时温度,与目标温度对比进行热管理。然而,现有的控制方法存在稳定性差以及能耗较高的问题。
热管理的研究可借助仿真模型实验。一般的仿真模型,通过条件运算出结果。如图1,将工况参数样本输入热管理系统的仿真模型,该仿真模型输出目标零部件的温度和负责热管理的部件的能耗参数的仿真结果。
对于神经网络模型,需要输入一些数据训练:神经网络模型需要输入条件和结果,从而形成其算法。再对神经网络模型输入条件时,神经网络模型可运算出结果。经训练后的神经网络模型可具有更高的计算效率,更快地根据新条件输出结果。在本发明实施例中,工况参数是条件,工作结果是结果。如图2,通过工况参数样本和工作结果输入神经网络模型,训练该神经网络模型。工作结果可包括热管理系统工作后的温度,热管理系统工作后的温度可以是热平衡状态下的温度,或温度随时间变化的表现。
为了提高热管理控制的稳定性,降低热管理系统能耗,本发明提供一种热管理控制方法的实施例,应用于车辆的热管理系统,包括:获取车辆行驶的工况参数;将所述工况参数输入经训练的神经网络模型,所述经训练的神经网络模型输出预测结果,所述预测结果包括目标零部件的预测温度;根据所述预测结果,对负责热管理的部件进行控制。
本发明实施例中,得到所述经训练的神经网络模型的方法包括:对工况参数样本和工作结果进行灵敏度分析,得到分析结果,所述分析结果包括各工况参数分别对所述目标零部件的温度的影响大小,利用所述分析结果进行训练。
上述方法可以预测目标零部件的温度,从而提前进行热管理。若没有预测,零部件达到温度之后热管理,有滞后性。本方法目的在于降低滞后性。其中,灵敏度分析使神经网络模型学习效率更高,训练过程更短或者训练成果更符合实际情况。一种灵敏度分析方法如图3,根据一种工况参数变化和该种工况参数变化对应的结果的变化,通过一个灵敏度分析函数,得到一种工况参数变化对结果的变化的影响力。
例如,一种灵敏度分析中,因变量为a,b,自变量为x,y,z,a=f1(x,y,z),b=f2(x,y,z)。对x,y,z,取样并计算得到x1、y1、z1对应的a1、b1,x2、y2、z2对应的a2、b2,x3、y3、z3对应的a3、b3。
计算(a2-a1)/(x2-x1)、(b2-b1)/(x2-x1)、(b2-b1)/(y2-y1)。
若(a2-a1)/(x2-x1)<(b2-b1)/(x2-x1),则b对x的灵敏度比a对x的灵敏度大。
若(b2-b1)/(x2-x1)<(b2-b1)/(y2-y1),则b对y的灵敏度比b对x的灵敏度大。
为了使用灵敏度分析,可能需要设计灵敏度分析模块,并设计灵敏度分析模块与神经网络模型交互,从而实现利用灵敏度分析训练。而径向基函数(Radial basisfunction,RBF)神经网络模型可带有分析灵敏度的功能,于是,一种实施例中,所述神经网络模型包括RBF神经网络模型。灵敏度分析由RBF神经网络模型实现,从而不需要额外设计灵敏度分析模块,RBF神经网络模型是一种适用于本发明的神经网络模型。
训练神经网络模型所用的条件和结果,可通过对实物的实验或实测的方法取得,而仿真模型可在计算机模拟条件产生结果,成本可能更低,获取数据可能更快,于是,一种实施例中,得到所述经训练的神经网络模型的方法包括:搭建热管理系统仿真模型;对工况参数进行采样,得到工况参数样本;将所述工况参数样本输入所述热管理系统仿真模型,所述热管理系统仿真模型输出工作结果,所述工作结果包括目标零部件的温度;将所述工况参数样本和所述工作结果输入神经网络模型,进行训练。有益效果是通过搭建仿真模型,训练用样本数据的采集过程更快捷。大量数据可从模型获得,成本更低,不需要实验或从实际场景中采集大量数据。
热管理的研究还需要热管理系统的能耗等工作参数,而能耗可通过实测获得,可通过仿真模型获得,也可通过神经网络模型获得,于是一种实施例中,所述预测结果还包括所述负责热管理的部件的预测工作参数所述工作结果还包括所述负责热管理的部件的工作参数;所述分析结果还包括各工况参数分别对所述负责热管理的部件的工作参数的影响大小。这样,神经网络不只可以预测温度,还可以预测工作参数,如功率、转速、电流、电压、阀的开度,从而进一步辅助控制方法更好地控制。功率的预测和指示能起到启发研发人员如何降低能耗的作用,也可将预测能耗用于剩余续航里程的计算。如图4,将工况参数样本输入RBF神经网络模型,RBF神经网络模型可输出目标零部件的温度和负责热管理的部件的能耗参数的预测结果。神经网络模型通过训练、学习之后,对各个参数包括温度、能耗的计算可以比原仿真模型更快。
训练用的样本数据可通过采样,即抽样,取得。关于抽样,抽样方法包括:随机抽样、分层抽样、整群抽样、系统抽样。
随机抽样的主要特征是从总体中逐个抽取,每个抽样单元被抽中的概率相同。随机抽样中,一个经常被采用的方法是随机数法,即利用随机数表、随机数骰子或计算机产生的随机数进行抽样。优点:操作简便易行;缺点:总体过大不易实行。
整群抽样又称聚类抽样,是将总体中各单位归并成若干个互不交叉、互不重复的集合,称之为群;然后以群为抽样单位抽取样本的一种抽样方式。应用整群抽样时,要求各群有较好的代表性,即群内各单位的差异要大,群间差异要小。
系统抽样亦称为机械抽样、等距抽样。当总体中的个体数较多时,采用简单随机抽样显得较为费事。这时,可将总体分成均衡的几个部分,然后按照预先定出的规则,从每一部分抽取一个个体,得到所需要的样本,这种抽样叫做系统抽样。
分层抽样是指,在抽样时,将总体分成互不相交的层,层内变异越小越好,层间变异越大越好;然后按照一定的比例,从各层独立地抽取一定数量的个体,将各层取出的个体合在一起作为样本的方法。分层以后,在每一层进行简单随机抽样,不同群体所抽取的个体个数,一般有三种方法:(1)等数分配法,即对每一层都分配同样的个体数;(2)等比分配法,即让每一层抽得的个体数与该类总体的个体数之比都相同;(3)最优分配法,即各层抽得的样本数与所抽得的总样本数之比等于该层方差与各类方差之和的比。
一般地,四种概率抽样方法抽样误差由小到大依次为:分层抽样≤系统抽样≤单纯随机抽样≤整群抽样。
拉丁超立方抽样(Latin hypercube sampling,LHS)是一种从多元参数分布中近似随机抽样的方法,属于分层抽样技术。
例如,假设要在n维向量空间里抽取m个样本,一种拉丁超立方体抽样的步骤是:
(1)将每一维分成互不重迭的m个区间,尽可能使得每个区间有相同的概率:若概率密度很不均匀,概率密度越大,则区间越窄。默认还是均匀分布,这样区间的长度相同。
(2)在每一维里的每一个区间中随机抽取一个点;这些点构成了拉丁超立方体的总体,一共m^n个点。
(3)再从每一维里随机抽出总体中选取的点,将它们组成向量。在拉丁超立方体抽样中使用的技术是“抽样不替换”。一旦样本从分层抽取之后,这个分层将不再被抽样,因为它的值在样本集中已经有代表了。最终,每个分层都有一个样本被取出。
(4)需要注意的是,拉丁超立方抽样要求每个变量的分区数量m都相同。不过,该方法并不要求当变量增加时样本数m同样增加。
拉丁超立方体的设计并不繁复,是一种简单而有效的方法。相对于绝对随机的方法如蒙特卡洛方法,拉丁超立方体对于输入概率分布中包含低概率结果情况的分析很有帮助。通过强制模拟中的抽样包含的“偏远”事件,拉丁超立方体抽样确保偏远事件在模拟的输出中被准确地代表。甚至当低概率结果非常重要的时候,可以只模拟低概率事件对输出分布的影响。
由此可见,具有一定复杂性的多元参数采样适合拉丁超立方试验设计的方法。
本实施例具有多元参数采样的复杂性,最优拉丁超立方试验设计的方法可以使采样覆盖到更符合对一些神经网络模型训练的需求的样本,从而更好地训练神经网络模型。于是,一种实施例中,所述对工况参数进行采样的方法包括采用最优拉丁超立方试验设计的方法。
在一些条件下,所搭建模型可能不够精细,检查仿真系统的精确度可以确保模型准确可用。于是,一种实施例中,检查所述热管理系统仿真模型的仿真结果的精确度;检查所述神经网络模型的精确度。检查所述仿真结果的精确度可根据真实实测数据或经验,检查所述神经网络模型的精确度可根据真实实测数据或经验或所述仿真结果。
对于电动汽车,一种实施例中,所述热管理系统包括电动汽车动力总成的冷却系统;所述热管理系统仿真模型包括所述冷却系统的仿真模型;所述工况参数包括车速、风扇转速、冷却液泵工作参数、压缩机工作参数、电池电量、环境温度中的一种或多种;所述目标零部件包括驱动电机。
例如,对神经网络模型输入工况参数:环境温度、最近一段时间的平均车速、电池电量及状态、散热器风扇转速、空调风扇转速、冷却液泵转速、压缩机功率。神经网络模型输出预测一段时间后的温度给热管理控制单元,由该控制单元进一步调节热管理部件,如压缩机转速、散热器风扇转速、冷却液泵转速、阀的开度或开闭。或者,神经网络模型直接输出一些控制指令到压缩机、风扇、冷却液泵,控制如压缩机转速、散热器风扇转速、冷却液泵转速。
本发明提供的方法可用于汽车的控制器,如整车控制器。本发明提供的方法可由生产商的神经网络模型训练好,然后固定该神经网络模型,存储在控制器的存储器中,供用户使用。用户可驾驶载有该控制器的汽车,享受高效的热管理系统控制成果。也可由生产商的神经网络模型训练到一定程度,然后不固定该神经网络模型,而是使其保持学习功能供用户使用。在用户使用中,该神经网络模型继续学习,从而更好地适应车本身的状况。生产商也可选择提供给用户可用上传数据的控制器,将用户车辆的关于此神经网络模型的数据上传至服务器,从而获取用户车辆的关于此神经网络模型的状态信息。也可在服务器中设置神经网络模型,借用户的数据进行训练。也可将服务器中更新的神经网络模型传输给用户。由于用户车辆的神经网络模型可能被损坏,该神经网络模型的控制方法可能需要与其他控制方法并行使用,以更好地保障热管理控制的稳定性。
一种可选实施例如图5,包括以下步骤:
S1001搭建增程电动汽车动力总成的冷却系统的仿真模型;
S1002用最优拉丁超立方试验设计的方法,对汽车工况参数进行采样,得到工况参数样本;
S1003将工况参数样本输入仿真模型;
S1004仿真模型输出目标零部件的温度和负责热管理的部件的能耗参数的仿真结果;
S1005建立新的RBF神经网络模型;
S1006将工况参数样本和仿真结果输入RBF神经网络模型进行训练;对工况参数样本和仿真结果进行灵敏度分析,得到各工况参数分别对目标零部件的温度和负责热管理的部件的能耗参数的影响大小的分析结果,利用分析结果进行训练;
S1007得到经训练的RBF神经网络模型;
S1008将工况参数输入经训练的RBF神经网络模型,RBF神经网络模型输出对目标零部件的温度和负责热管理的部件的能耗参数进行预测;
S1009根据预测结果控制热管理部件相应的调节;
可选地,还可以进行S1010测量实际工况参数和目标零部件的温度和负责热管理的部件的能耗参数的调节结果;由实际工况参数条件和调节结果继续对RBF神经网络模型训练。
步骤S1002在S1003之前即可,不必再S1001之后;步骤S1005在S1006之前即可,不必再S1004之后。
如图6,本发明提供一种热管理控制装置600的实施例,应用于车辆的热管理,所述装置600包括:输入模块601,用于获取车辆行驶的工况参数;输出模块603,用于根据预测结果,对负责热管理的部件进行控制;神经网络模型模块602,用于搭载神经网络模型,所述神经网络模型根据所述工况参数,输出对目标零部件的温度和所述负责热管理的部件的工作参数的预测结果;所述神经网络模型模块还用于训练所述神经网络模型时,对训练用的工况参数样本和结果样本进行灵敏度分析,得到各工况参数分别对所目标零部件的温度和负责热管理的部件的工作参数的影响大小的灵敏度分析结果,利用所述灵敏度分析结果进行训练所述神经网络模型。
一种实施例中,所述神经网络模型模块602用于建立神经网络模型包括径向基函数神经网络模型。其实现原理和技术效果可参考对方法描述的实施例中的相关描述,在此不再赘述。
本发明提供一种非暂态计算机可读存储介质的实施例,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行本发明所述的任一方法。其实现原理和技术效果可参考对方法描述的实施例中的相关描述,在此不再赘述。
如图7,本发明提供一种电子设备700的实施例,所述电子设备700包括:至少一个处理器701,与所述处理器通信连接的至少一个存储器702,其中:所述存储器702存储有可被所述处理器701执行的程序指令,所述处理器701调用所述程序指令能够执行本发明所述的任一方法。其实现原理和技术效果可参考对方法描述的实施例中的相关描述,在此不再赘述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。在本说明书所提供的几个实施例中,所揭露的系统、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
在本说明书各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明是参照根据本发明实施例的方法、设备、系统、和计算机程序产品的流程图和/或方框图未描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置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。
以上所述,以上实施例仅用以说明本发明实施例的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种热管理控制方法,应用于车辆的热管理系统,包括:
获取车辆行驶的工况参数;
将所述工况参数输入经训练的神经网络模型,所述经训练的神经网络模型输出预测结果,所述预测结果包括目标零部件的预测温度;
根据所述预测结果,对负责热管理的部件进行控制;
其特征在于,其中,得到所述经训练的神经网络模型的方法包括:
对工况参数样本和工作结果进行灵敏度分析,得到分析结果,所述分析结果包括各工况参数分别对所述目标零部件的温度的影响大小,利用所述分析结果进行训练。
2.根据权利要求1所述的热管理控制方法,其特征在于,所述神经网络模型包括径向基函数神经网络模型。
3.根据权利要求1所述的热管理控制方法,其特征在于,得到所述经训练的神经网络模型的方法包括:
搭建热管理系统仿真模型;
对工况参数进行采样,得到工况参数样本;
将所述工况参数样本输入所述热管理系统仿真模型,所述热管理系统仿真模型输出工作结果,所述工作结果包括目标零部件的温度;
将所述工况参数样本和所述工作结果输入神经网络模型,进行训练。
4.根据权利要求3所述的热管理控制方法,其特征在于,
所述预测结果还包括所述负责热管理的部件的预测工作参数
所述工作结果还包括所述负责热管理的部件的工作参数;
所述分析结果还包括各工况参数分别对所述负责热管理的部件的工作参数的影响大小。
5.根据权利要求3所述的热管理控制方法,其特征在于所述对工况参数进行采样的方法包括采用最优拉丁超立方试验设计的方法。
6.根据权利要求3所述的热管理控制方法,其特征在于还包括:
检查所述热管理系统仿真模型的仿真结果的精确度;
检查所述神经网络模型的精确度。
7.根据权利要求3所述的热管理控制方法,其特征在于所述热管理系统包括电动汽车动力总成的冷却系统;所述热管理系统仿真模型包括所述冷却系统的仿真模型;所述工况参数包括车速、风扇转速、冷却液泵工作参数、压缩机工作参数中的一种或多种;所述目标零部件包括驱动电机。
8.一种热管理控制装置,应用于车辆的热管理,其特征在于包括:
输入模块,用于获取车辆行驶的工况参数;
输出模块,用于根据预测结果,对负责热管理的部件进行控制;
神经网络模型模块,用于搭载神经网络模型,所述神经网络模型根据所述工况参数,输出对目标零部件的温度和所述负责热管理的部件的工作参数的预测结果;
所述神经网络模型模块还用于训练所述神经网络模型时,对训练用的工况参数样本和结果样本进行灵敏度分析,得到各工况参数分别对所目标零部件的温度和负责热管理的部件的工作参数的影响大小的灵敏度分析结果,利用所述灵敏度分析结果进行训练所述神经网络模型。
9.根据权利要求8所述的装置,其特征在于所述神经网络模型模块用于建立神经网络模型包括径向基函数神经网络模型。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
11.一种电子设备,其特征在于包括:至少一个处理器,与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111220527.1A CN113947021A (zh) | 2021-10-20 | 2021-10-20 | 一种热管理控制方法和热管理控制装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111220527.1A CN113947021A (zh) | 2021-10-20 | 2021-10-20 | 一种热管理控制方法和热管理控制装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947021A true CN113947021A (zh) | 2022-01-18 |
Family
ID=79331771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111220527.1A Pending CN113947021A (zh) | 2021-10-20 | 2021-10-20 | 一种热管理控制方法和热管理控制装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947021A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023232017A1 (zh) * | 2022-05-31 | 2023-12-07 | 中国第一汽车股份有限公司 | 一种车辆热管理系统的控制方法、装置、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106870099A (zh) * | 2017-03-09 | 2017-06-20 | 山东大学 | 一种基于固定路谱的混合动力车辆热管理系统的控制方法 |
CN107633294A (zh) * | 2017-08-08 | 2018-01-26 | 天津理工大学 | 一种应用于RBF 神经网络的改进Sobol 敏感性分析方法 |
CN108539329A (zh) * | 2018-03-14 | 2018-09-14 | 北汽福田汽车股份有限公司 | 电池热管理方法、装置、系统及电动汽车 |
US20190201047A1 (en) * | 2017-12-28 | 2019-07-04 | Ethicon Llc | Method for smart energy device infrastructure |
US10481623B1 (en) * | 2018-12-17 | 2019-11-19 | Chongqing Jinkang New Energy Automobile Co., Ltd. | Optimizing a temperature profile in a thermal management system of an electric vehicle |
EP3584106A1 (en) * | 2018-06-19 | 2019-12-25 | Einride Ab | Predictive remote thermal managment |
US20200363856A1 (en) * | 2019-05-13 | 2020-11-19 | Ansys, Inc. | Dynamic thermal management simulation using improved reduced order modeling |
CN112459890A (zh) * | 2019-09-06 | 2021-03-09 | 深圳臻宇新能源动力科技有限公司 | 热管理系统及基于神经网络的热管理方法和装置 |
US20210149465A1 (en) * | 2020-12-23 | 2021-05-20 | Intel Corporation | Thermal management systems for electronic devices and related methods |
CN113323748A (zh) * | 2021-04-09 | 2021-08-31 | 重庆金康赛力斯新能源汽车设计院有限公司 | 增程式汽车的发动机热管理方法、热管理系统及汽车 |
CN113378463A (zh) * | 2021-06-09 | 2021-09-10 | 山东大学 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
-
2021
- 2021-10-20 CN CN202111220527.1A patent/CN113947021A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106870099A (zh) * | 2017-03-09 | 2017-06-20 | 山东大学 | 一种基于固定路谱的混合动力车辆热管理系统的控制方法 |
CN107633294A (zh) * | 2017-08-08 | 2018-01-26 | 天津理工大学 | 一种应用于RBF 神经网络的改进Sobol 敏感性分析方法 |
US20190201047A1 (en) * | 2017-12-28 | 2019-07-04 | Ethicon Llc | Method for smart energy device infrastructure |
CN108539329A (zh) * | 2018-03-14 | 2018-09-14 | 北汽福田汽车股份有限公司 | 电池热管理方法、装置、系统及电动汽车 |
EP3584106A1 (en) * | 2018-06-19 | 2019-12-25 | Einride Ab | Predictive remote thermal managment |
US10481623B1 (en) * | 2018-12-17 | 2019-11-19 | Chongqing Jinkang New Energy Automobile Co., Ltd. | Optimizing a temperature profile in a thermal management system of an electric vehicle |
US20200363856A1 (en) * | 2019-05-13 | 2020-11-19 | Ansys, Inc. | Dynamic thermal management simulation using improved reduced order modeling |
CN112459890A (zh) * | 2019-09-06 | 2021-03-09 | 深圳臻宇新能源动力科技有限公司 | 热管理系统及基于神经网络的热管理方法和装置 |
US20210149465A1 (en) * | 2020-12-23 | 2021-05-20 | Intel Corporation | Thermal management systems for electronic devices and related methods |
CN113323748A (zh) * | 2021-04-09 | 2021-08-31 | 重庆金康赛力斯新能源汽车设计院有限公司 | 增程式汽车的发动机热管理方法、热管理系统及汽车 |
CN113378463A (zh) * | 2021-06-09 | 2021-09-10 | 山东大学 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
Non-Patent Citations (3)
Title |
---|
KAILONG LIU 等: "Data-Driven Hybrid Internal Temperature Estimation Approach for Battery Thermal Management", 《COMPLEXITY》, vol. 2018, 5 July 2018 (2018-07-05), pages 1 - 15 * |
张钦国: "工程车辆温控独立冷却系统关键技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2016, no. 08, 15 August 2016 (2016-08-15), pages 029 - 13 * |
瞿晓华: "电动汽车热系统性能及控制优化研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2014, no. 04, 15 April 2014 (2014-04-15), pages 035 - 24 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023232017A1 (zh) * | 2022-05-31 | 2023-12-07 | 中国第一汽车股份有限公司 | 一种车辆热管理系统的控制方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210383041A1 (en) | In-situ thermodynamic model training | |
Hartmann et al. | Model order reduction a key technology for digital twins | |
EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
CN111684369B (zh) | 用于风扇或风扇总成的优化操作的方法 | |
JP7190795B2 (ja) | 熱エネルギー流体移送システムにおける非侵入型センサによるコグニティブ・エネルギー評価 | |
US12007753B2 (en) | System and method for predicting industrial equipment motor behavior | |
Berezovskaya et al. | Modular model of a data centre as a tool for improving its energy efficiency | |
US11669757B2 (en) | Operational energy consumption anomalies in intelligent energy consumption systems | |
CN115097920A (zh) | 一种调节服务器机箱的温度的方法、装置、服务器及介质 | |
CN106406910A (zh) | 组态方法及装置 | |
CN113947021A (zh) | 一种热管理控制方法和热管理控制装置 | |
CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
JP2017151617A (ja) | シミュレーション装置、シミュレーション方法及びプログラム | |
WO2023148209A1 (en) | System, apparatus and method for calibrating simulation model of one or more assets | |
CN111967187A (zh) | 一种预测燃气轮机启动过程输出数据的建模方法及设备 | |
US11764419B1 (en) | Systems and methods for simulating operation of a battery pack | |
WO2022110213A1 (zh) | 生成分析对象的预测模型的方法、装置和存储介质 | |
Lin et al. | Toward Design Automation for Building Models | |
Baronti et al. | Machine learning of electro-hydraulic motor dynamics | |
Chen et al. | Remaining useful life prognostics of lithium-ion batteries based on a coordinate reconfiguration of degradation trajectory and multiple linear regression | |
RU2779855C2 (ru) | Способ оптимизации коэффициента полезного действия и/или эксплуатационных характеристик вентилятора или системы вентиляторов | |
RU2796809C2 (ru) | Способ оптимизированной эксплуатации вентилятора или вентиляторной системы | |
Xia et al. | Research on Forecasting of the Compressor Geometric Variable System Based on the MAE Model | |
CN114548539A (zh) | 循环水系统压缩机透平能耗预测方法、装置、设备及介质 |
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 |