CN114489166B - 利用伪ann的根进行扭矩控制的方法、系统和装置 - Google Patents

利用伪ann的根进行扭矩控制的方法、系统和装置 Download PDF

Info

Publication number
CN114489166B
CN114489166B CN202110504169.0A CN202110504169A CN114489166B CN 114489166 B CN114489166 B CN 114489166B CN 202110504169 A CN202110504169 A CN 202110504169A CN 114489166 B CN114489166 B CN 114489166B
Authority
CN
China
Prior art keywords
neural network
pseudo
torque
root
mathematical expression
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
Application number
CN202110504169.0A
Other languages
English (en)
Other versions
CN114489166A (zh
Inventor
D.J.苏特曼
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.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
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 GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN114489166A publication Critical patent/CN114489166A/zh
Application granted granted Critical
Publication of CN114489166B publication Critical patent/CN114489166B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D17/00—Control of torque; Control of mechanical power
    • G05D17/02—Control of torque; Control of mechanical power characterised by the use of electric means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
    • B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
    • B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
    • B60L15/2045—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed for optimising the use of energy
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion 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
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/423—Torque
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/42—Control modes by adaptive correction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/48—Control modes by fuzzy logic
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/06—Combustion engines, Gas turbines
    • B60W2710/0666—Engine torque
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/64—Electric machine technologies in electromobility
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

在各种实施例中，提供了方法、系统和车辆设备。一种使用用于扭矩预测模型的神经网络(NN)来实现扭矩控制的方法，以接收与扭矩预测相关联的一组经测量的车辆操作输入；将一组多个独立变量代入扭矩预测模型，使得NN采用简化的伪ANN的形式，该伪NN包含一个独立变量的缩减变量集；基于NN预测模型，通过使用伪NN的简化数学表达式中的仅一个独立变量，由伪NN处理该一组经测量的车辆操作输入；以及通过获得根值来求解伪NN的简化数学表达式的至少一个根，而不必依赖于由整组独立变量组成的数学表达式的反演操作。

Description

利用伪ANN的根进行扭矩控制的方法、系统和装置
技术领域
本公开总体上涉及车辆，更具体地说，涉及方法、系统和装置，其用于呈现人工神经网络，用于扭矩预测，然后通过将ANN的变量数减少到单个变量以避免复杂的数学反演的方式来应用扭矩控制，创建能够解决高级过程控制变量的变量根(root)的“伪ANN(PseudoANN)”。
背景技术
目前已经开发了发动机控制系统来试图精确地控制发动机扭矩输出，以获得期望的发动机扭矩。传统上，扭矩预测模型在实施时，需要将结果“反演”以供控制使用。也就是说，只有在随后的输出反演步骤中，扭矩预测模型的结果才能用于响应性的车辆控制。
当实施扭矩预测模型时，存在不需要反演步骤的期望的预测过程，因为对反演操作的需要过于麻烦并且难以方便地实现。当使用像人工神经网络这样的高度非线性的预测模型时，情况尤其如此。
因此，期望提供用于扭矩控制的方法、系统和装置，其通过“Spark or Air PerCylinder(APC)”控制变量来解决用于其根的人工神经网络。扭矩控制的方法旨在允许基于ANN的扭矩预测，然后也可以用于控制。
此外，结合附图和前述技术领域和背景，从随后的详细描述和所附权利要求中，本公开的其他期望的特征和特性将变得易于理解。
发明内容
在至少一个示例性实施例中，提供了一种使用神经网络(NN)实现扭矩控制的方法。该方法包括:响应于扭矩请求，由处理器执行NN的扭矩预测模型，以接收与扭矩预测相关联的一组经测量的车辆操作输入；将由NN实现的扭矩预测模型的多个独立变量的集合替换为伪NN中的简化数学表达式，简化数学表达式包含具有至少仅一个独立变量的缩减变量集，以替换NN的多个独立变量的先前集合；通过使用伪NN的简化数学表达式中的至少一个独立变量和用于替代一组替代独立变量的一个或多个常数，基于扭矩预测模型，由伪NN处理该一组经测量的车辆操作输入；以及通过获得根值来求解伪NN的简化数学表达式的至少一个根，而不必依赖于由独立变量的完整集合组成的数学表达式的反演操作来获得所请求的扭矩值。
在至少一个实施例中，该方法还包括由处理器求解伪NN的简化数学表达式的至少一个根，以获得根值，从而预测每缸空气量(APC)控制的变化，以获得所请求的扭矩值。
在至少一个实施例中，该方法还包括由处理器求解伪NN的简化数学表达式的至少一个根，以获得根值，从而预测SPARK控制的差异，以改变发动机正时，从而获得所请求的扭矩值。
在至少一个实施例中，该方法还包括，尽管NN具有高度的非线性，但求解所述伪NN的简化数学表达式的至少一个根，而不必依赖于反演操作。
在至少一个实施例中，该方法还包括由处理器应用扭矩预测模型，所述扭矩预测模型包括具有多个隐藏层的激活函数的复合，其中使用根求解算法来求解单个剩余变量的简化数学表达式。
在至少一个实施例中，该方法还包括该组测量的输入，该组测量的输入包括正在运行的车辆的进气凸轮相位(ICAM)、排气凸轮相位(ECAM)、每分钟转数(RPM)、APC和点火正时。
在至少一个实施例中，该方法还包括伪NN包括伪人工NN(ANN)，其中伪ANN是经训练的预测模型的简化。
在另一个实施例中，提供了至少一种系统。该系统包括由处理器获得的一组输入，与车辆运行的一个或多个测量值有关，所述一个或多个测量值用于预测车辆的所请求扭矩；车辆控制系统，所述车辆控制系统被扭矩预测模型指示，所述扭矩预测模型由所述处理器使用人工神经网络(ANN)实现，以求解用于获得扭矩请求的预测模型的根；响应于扭矩请求，处理器被配置为执行ANN的扭矩预测模型，以接收一组测量值作为扭矩预测的输入；所述处理器被配置为替代由所述ANN实现的所述扭矩预测模型的多个独立变量的集合，以在伪ANN中形成函数数学表达式，所述函数数学表达式包含缩减变量集，所述缩减变量集包括由所述ANN使用的包括多个独立变量的缩减集中的仅一个独立变量；该处理器被配置成接收当前运行中的车辆的该一组测量值作为伪ANN的输入，用于应用具有单个独立变量和一个或多个常数的扭矩预测模型，该一个或多个常数已经独立变量的完整集合所替代；该处理器被配置为处理伪ANN中的单个独立变量，该伪ANN包含简化的数学表达式；并且所述处理器被配置为求解伪ANN的简化数学表达式的至少一个根，以获得根值，而不必依赖于由独立变量的完整集合组成的数学表达式的反演操作来预测所请求的扭矩值。
在至少一个实施例中，该系统还包括处理器，该处理器被配置为求解伪ANN的简化数学表达式的至少一个根，以获得根值，从而预测每缸空气量(APC)控制的变化，以获得请求的扭矩值。
在至少一个实施例中，该方法还包括处理器，该处理器被配置为求解伪ANN简化数学表达式的至少一个根，以获得根值，从而预测SPARK控制中的差异，以改变发动机正时，从而获得所请求的扭矩值。
在至少一个实施例中，该系统还包括处理器，该处理器被配置为，尽管NN具有高度的非线性，但求解所述伪NN的简化数学表达式的至少一个根，而不必依赖于反演操作。
在至少一个实施例中，该系统还包括配置成应用所述扭矩预测模型，所述扭矩预测模型包括具有多个隐藏层的激活函数的复合，其中使用根求解算法来求解单个剩余变量的简化数学表达式。
在至少一个实施例中，该系统还包括该组测量的输入，该组测量的输入包括运行车辆的进气凸轮相位(ICAM)、排气凸轮相位(ECAM)、每分钟转数(RPM)、APC和点火正时。
在至少一个实施例中，该系统还包括伪ANN作为经训练的预测模型。
在又一至少一个实施例中，提供了一种车辆设备。该车辆设备包括车辆控制器，该车辆控制器包括处理器，其中该处理器联接到神经网络(NN)，并被配置为:执行NN的扭矩预测模型，以接收与扭矩预测相关联的一组经测量的车辆操作输入；用由NN实现的扭矩预测模型的多个独立变量的集合代替伪NN中的简化数学表达式，伪NN包含具有一个独立变量的缩减变量集；基于扭矩预测模型，通过使用伪NN的简化数学表达式中的至少一个独立变量和一个或多个替代一组替代独立变量的常数，由伪NN处理该一组经测量的车辆操作输入；并且通过获得根值来求解伪NN的简化数学表达式的至少一个根，而不必依赖于由独立变量的完整集合组成的数学表达式的反演操作来获得所请求的扭矩值。
在至少一个实施例中，车辆设备还包括该组测量输入，该组测量输入包括运行车辆的进气凸轮相位(ICAM)、排气凸轮相位(ECAM)、每分钟转数(RPM)、APC和点火正时。
在至少一个实施例中，车辆设备还包括处理器，该处理器被配置成:求解伪NN的简化数学表达式的至少一个根，以获得根值，从而预测每缸空气(APC)控制的变化，以获得所需的扭矩值。
在至少一个实施例中，车辆设备还包括处理器，该处理器被配置成:求解伪NN的简化数学表达式的至少一个根，以获得根值，从而预测SPARK控制中的差异，以改变发动机正时，从而获得所需扭矩值。
在至少一个实施例中，车辆设备还包括处理器，该处理器被配置为:尽管NN具有高度的非线性，但求解所述伪NN的简化数学表达式的至少一个根，而不必依赖于反演操作。
在至少一个实施例中，车辆设备包括处理器，该处理器被配置为:应用所述扭矩预测模型，所述扭矩预测模型包括具有多个隐藏层的激活函数的复合，其中使用根求解算法来求解单个剩余变量的简化数学表达式。
附图说明
下文将结合以下附图描述示例性实施例，其中相同的附图标记表示相同的元件，并且其中:
图1是示出根据示例性实施例的具有控制系统的自主或半自主车辆的功能框图，该控制系统基于使用神经网络来预测车辆控制系统中的扭矩特性来控制车辆动作；
图2是示出根据各种实施例的伪神经网络系统的图，该伪神经网络系统可以用使用神经网络来预测车辆控制系统的扭矩特性的APC或SPARK控制器来实现；
图3是示出根据各种实施例的伪人工神经网络(ANN)的功能框图，该伪人工神经网络被实现为针对图1-2所示的请求扭矩来预测APC和SPARK变化；和
图4示出了根据各种实施例的示例性流程图，其示出了用于图1-2所示的扭矩控制的控制方法中的步骤。
具体实施方式
以下详细描述本质上仅仅是示例性的，并不旨在限制应用和使用。此外，不打算受前面的技术领域、背景、简要概述或下面的详细描述中提出的任何明示或暗示的理论的约束。如这里所使用的，术语“模块”指的是任何硬件、软件、固件、电子控制组件、处理逻辑和/或处理器设备，单独地或以任何组合的方式，包括但不限于:专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适的组件。
这里可以根据功能和/或逻辑块组件和各种处理步骤来描述本公开的实施例。应当理解，这种块组件可以由被配置为执行指定功能的任何数量的硬件、软件和/或固件组件来实现。例如，本公开的实施例可以采用各种集成电路组件，例如存储元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。此外，本领域技术人员将理解，本公开的实施例可以结合任何数量的系统来实施，并且本文描述的系统仅仅是本公开的示例性实施例。
为了简洁起见，与信号处理、数据传输、信号发送、控制、机器学习、图像分析和系统的其他功能方面(以及系统的各个操作组件)相关的传统技术在此不再详细描述。此外，本文包含的各图中所示的连接线旨在表示各种元件之间的示例功能关系和/或物理联接。应当注意，在本公开的实施例中可以存在许多替代的或附加的功能关系或物理连接。
车辆系统控制涉及驾驶员和车辆输入，包括车辆传感器数据和扭矩请求，并将这些输入传递给发动机控制模块(ECM)和变速器控制模块(TCM)。ECM可以计算从驾驶员和车辆输入请求的驾驶员车轴扭矩。所请求的驾驶员车轴扭矩然后可以被传送到发动机和ECM。ECM可以接收输入，如进气凸轮相位(ICAM)、排气凸轮相位(ECAM)、车速或每分钟转数(RPM)、每缸空气量(air-per-cylinder：APC)、发动机正时数据或电子SPARK控制(SPARK)数据。APC和SPARK的变化响应于驾驶员请求的期望扭矩。
本公开提供了实现扭矩控制的方法、系统和装置，其通过将人工神经网络(ANN)简化为单个变量“Pseudo ANN”来避免复杂的数学反演，以通过SPARK或APC控制变量(即APC或SPARK的变化)求解其根。
参照图1，根据各种实施例，控制系统100与车辆10(这里也称为“主车辆”)相关联。通常，控制系统(或简称为“系统”)100基于训练好的伪ANN模型(pseudo-ANN model)来控制车辆10的各种动作(例如，扭矩控制)，该伪ANN模型响应于来自车辆输入的数据来控制操作，例如，如下面结合图2-4更详细描述的。
在各种示例性实施例中，尽管在预测中期望人ANN的高度非线性，但是系统100能够在控制步骤期间降低维度和复杂性。系统100提供扭矩预测模型，该模型简化了对一维非线性函数的根的求解，而不是试图计算高自由度、不可逆ANN表达式的数学反演。系统100提供了一种新的控制方法，与ANN配对作为预测模型。该过程避免了对ANN的完全数学函数反演的需要。这个过程是通过首先用一个变量创建一个简化的“伪ANN”，然后求解它的根(零)来实现的。
在各种示例性实施例中，系统100提供使用算法的过程，该算法在系统100的车辆10嵌入式控制器软件中控制扭矩，允许ANN用于扭矩预测模型。该过程能够避免对高度非线性ANN(复杂)的完全数学反演的计算需求，而是首先降低ANN的维数，然后利用简单的根求解算法来控制系统100，达到驾驶员要求的扭矩。
如图1所示，车辆10通常包括底盘12、车身14、前轮16和后轮18。车身14布置在底盘12上，并且基本上封闭车辆10的部件。主体14和底盘12可以共同形成框架。车轮16-18每个都在主体14的相应拐角附近可旋转地连接到底盘12。在各种实施例中，车轮16、18包括车轮组件，该车轮组件还包括分别相关联的轮胎。
在各种实施例中，车辆10是自主或半自主车辆，并且控制系统100和/或其部件被结合到车辆10中。车辆10例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。车辆10在所示实施例中被描绘为客车，但是应当理解，也可以使用任何其他车辆，包括摩托车、卡车、运动型多功能车(SUV)、休闲车(RV)、船舶、飞机等。
如图所示，车辆10通常包括推进系统20、传动系统22、转向系统24、制动系统26、碳罐清除系统31、一个或多个用户输入设备27、传感器系统28、促动器系统30、至少一个数据存储设备32、至少一个控制器34和通信系统36。在各种实施例中，推进系统20可以包括内燃机、诸如牵引电动机这样的电机和/或燃料电池推进系统。传动系统22被配置成根据可选择的速度比将动力从推进系统20传递到车轮16和18。根据各种实施例，变速器系统22可包括有级变速自动变速器、无级变速器或其他合适的变速器。
制动系统26被配置为向车轮16和18提供制动扭矩。在各种实施例中，制动系统26可包括摩擦制动器、线控制动器、再生制动系统如电机和/或其他合适的制动系统。
转向系统24影响车轮16和/或18的位置。虽然为了说明的目的而被描述为包括方向盘，但是在本公开范围内设想的一些实施例中，转向系统24可以不包括方向盘。
控制器34包括至少一个处理器44(和神经网络33)和计算机可读存储设备或介质46。如上所述，在各种实施例中，控制器34(例如，其处理器44)预先向转向控制系统84提供关于车辆10的预计未来路径的数据，包括预计未来转向指令，用于在与转向控制系统84的通信变得不可用的情况下控制有限时间段的转向。此外，在各种实施例中，控制器34经由下文进一步描述的通信系统36，例如经由通信总线和/或发射器(图1中未示出)，向转向控制系统84提供通信。
在各种实施例中，控制器34包括至少一个处理器44和计算机可读存储设备或介质46。处理器44可以是任何定制的或商业上可获得的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与控制器34相关联的几个处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、它们的任何组合、或通常用于执行指令的任何设备。计算机可读存储设备或介质46可以包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储。KAM是永久性的或非易失性存储器，当处理器44断电时，其可用于存储多个神经网络以及各种操作变量。计算机可读存储设备或介质46可以使用多种已知存储设备中的任何一种来实现，例如PROMs(可编程只读存储器)、EPROM(电PROM)、EEPROMs(电可擦除PROM)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备，其中一些表示控制器34在控制车辆10时使用的可执行指令。
指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当由处理器44执行时，这些指令接收并处理来自传感器系统28的信号，执行用于自动控制车辆10的部件的逻辑、计算、方法和/或算法，并产生传输到促动器系统30的控制信号，以基于逻辑、计算、方法和/或算法自动控制车辆10的部件。尽管图1中仅示出了一个控制器34，但是车辆10的实施例可以包括任意数量的控制器34，这些控制器34通过任意合适的通信介质或通信介质的组合进行通信，并且协作来处理传感器信号、执行逻辑、计算、方法和/或算法，并且生成控制信号以自动控制车辆10的特征。
如图1所示，除了上述转向系统24和控制器34之外，车辆10通常还包括底盘12、车身14、前轮16和后轮18。车身14布置在底盘12上，并且基本上封闭车辆10的部件。主体14和底盘12可以共同形成框架。轮子16-18每个都在主体14的相应拐角附近可旋转地连接到底盘12。在各种实施例中，车轮16、18包括车轮组件，该车轮组件还包括分别相关联的轮胎。
在各种实施例中，车辆10是自主车辆，并且控制系统100和/或其部件被结合到车辆10中。车辆10例如是被自动控制以将乘客从一个位置运送到另一个位置的车辆。车辆10在所示实施例中被描绘为客车，但是应当理解，也可以使用任何其他车辆，包括摩托车、卡车、运动型多功能车(SUV)、休闲车(RV)、船舶、飞机等。
如图所示，车辆10通常还包括推进系统20、传动系统22、制动系统26、一个或多个用户输入设备27、传感器系统28、促动器系统30、至少一个数据存储设备32和通信系统36。在各种实施例中，推进系统20可以包括内燃机、诸如牵引马达这样的电机和/或燃料电池推进系统。传动系统22被配置成根据可选择的速度比将动力从推进系统20传递到车轮16和18。根据各种实施例，变速器系统22可包括有级变速自动变速器、无级变速器或其他合适的变速器。
制动系统26被配置为向车轮16和18提供制动扭矩。在各种实施例中，制动系统26可以包括摩擦制动器、线控制动器、再生制动系统如电机和/或其他合适的制动系统。
转向系统24影响车轮16和/或18的位置。虽然为了说明的目的而被描述为包括方向盘，但是在本公开范围内设想的一些实施例中，转向系统24可以不包括方向盘。
控制器34包括基于神经网络33模型的输出将直接受到影响的车辆控制器。在示例性实施例中，前馈操作可以应用于调节因子，该调节因子是神经网络33模型的连续输出，以产生用于期望扭矩的控制动作或其他类似动作(例如，在连续神经网络33模型的情况下，连续APC/SPARK预测值是输出)。
在各种实施例中，一个或多个用户输入设备27从车辆10的一个或多个乘客(和驾驶员11)接收输入。在各种实施例中，输入包括车辆10的期望行驶目的地。在某些实施例中，一个或多个输入设备27包括车辆10中的交互式触摸屏。在某些实施例中，一个或多个输入设备27包括用于从乘客接收音频信息的扬声器。在某些其他实施例中，一个或多个输入设备27可以包括一个或多个其他类型的设备和/或可以联接到乘客的用户设备(例如，智能手机和/或其他电子设备)。
传感器系统28包括感测车辆10的外部环境和/或内部环境的可观察条件的一个或多个传感器40a-40n。传感器40a-40n包括但不限于无线电雷达、激光雷达、全球定位系统、光学摄像头、热摄像头、超声波传感器、惯性测量单元和/或其他传感器。
促动器系统30包括一个或多个促动器42a-42n，其控制一个或多个车辆特征，例如但不限于碳罐净化系统31、进气系统38、推进系统20、传动系统22、转向系统24和制动系统26。在各种实施例中，车辆10还可以包括图1中未示出的内部和/或外部车辆特征，例如各种门、行李箱和车厢特征，例如空气、音乐、照明、触摸屏显示组件(例如结合导航系统使用的那些)等。
数据存储装置32存储用于自动控制车辆10的数据，包括存储用于预测用于车辆控制的驾驶员请求扭矩的伪ANN的数据。在各种实施例中，数据存储设备32存储伪ANN的机器学习模型和其他数据模型，例如可导航环境的定义地图。伪ANN本身没有经过训练。模型训练是针对ANN预测模型进行的(参见。图2，ANN预测模型(210))。伪ANN不需要单独的训练，而是用一组值实现ANN预测模型(即神经网络预测模型)。在各种实施例中，伪ANN可以基于ANN预测模型来预定义，ANN预测模型配置有由远程系统获得的一组值。例如，神经网络33(即，ANN预测模型)可以由远程系统通过监督学习方法来训练，并且在车辆10中进行通信或提供(以无线和/或有线方式)，并且存储在数据存储设备32中。ANN预测模型也可以通过基于车辆数据的监督或无监督学习来训练。
数据存储设备32不限于控制数据，因为其他数据也可以存储在数据存储设备32中。例如，路线信息也可以存储在数据存储设备32中——即，一组路段(在地理上与一个或多个所定义的地图相关联)，这些路段一起定义了用户从起始位置(例如，用户的当前位置)行进到目标位置可以采用的路线。应当理解，数据存储设备32可以是控制器34的一部分，与控制器34分离，或者是控制器34的一部分和独立系统的一部分。
控制器34基于已经用一组值训练的ANN预测模型来实现伪ANN的逻辑模型，包括至少一个处理器44和计算机可读存储设备或介质46。处理器44可以是任何定制的或商业上可获得的处理器、中央处理单元(CPU)、图形处理单元(GPU)、与控制器34相关联的几个处理器中的辅助处理器、基于半导体的微处理器(以微芯片或芯片组的形式)、它们的任何组合、或通常用于执行指令的任何设备。计算机可读存储设备或介质46可以包括例如只读存储器(ROM)、随机存取存储器(RAM)和保活存储器(KAM)中的易失性和非易失性存储。KAM是永久性的或非易失性存储器，当处理器44断电时，其可用于存储各种操作变量。计算机可读存储设备或介质46可以使用多种已知存储设备中的任何一种来实现，例如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(电可擦除PROM)、闪存或能够存储数据的任何其他电、磁、光或组合存储设备，其中一些表示控制器34在控制车辆10时使用的可执行指令。
指令可以包括一个或多个单独的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。当由处理器44执行时，这些指令接收并处理来自传感器系统28的信号，执行用于自动控制车辆10的部件的逻辑、计算、方法和/或算法，并产生传输到促动器系统30的控制信号，以基于逻辑、计算、方法和/或算法来自动控制车辆10的部件。尽管图1中仅示出了一个控制器34，但是车辆10的实施例可以包括任意数量的控制器34，这些控制器34通过任意合适的通信介质或通信介质的组合进行通信，并且协作来处理传感器信号、执行逻辑、计算、方法和/或算法，并且生成控制信号以自动控制车辆10的特征。
通信系统36被配置为与其他实体48无线通信，例如但不限于其他车辆(“V2V”通信)、基础设施(“V2I”通信)、远程运输系统和/或用户设备(参考图2更详细地描述)。在一个示例性实施例中，通信系统36是被配置为使用IEEE 802.11标准或通过使用蜂窝数据通信经由无线局域网(WLAN)进行通信的无线通信系统。然而，附加的或替代的通信方法，例如专用短程通信(DSRC)信道，也被认为在本公开的范围内。DSRC信道是指专为汽车使用而设计的单向或双向短程至中程无线通信信道，以及相应的一组协议和标准。
在各种实施例中，通信系统36用于控制器34之间的通信，包括与车辆10的预计未来路径有关的数据，包括预计未来转向指令。此外，在各种实施例中，通信系统36还可以促进转向控制系统84和/或更多其他系统和/或设备之间的通信。
在某些实施例中，通信系统36还被配置用于在传感器系统28、输入设备27、促动器系统30、一个或多个控制器(例如，控制器34)和/或更多其他系统和/或设备之间的通信。例如，通信系统36可以包括控制器局域网(CAN)总线和/或传感器系统28、促动器系统30、一个或多个控制器34和/或一个或多个其他系统和/或设备之间的直接布线的任意组合。在各种实施例中，通信系统36可以包括一个或多个收发器，用于与车辆10的一个或多个设备和/或系统、乘客的设备(例如，图2的用户设备54)和/或一个或多个远程信息源(例如，GPS、交通信息、天气信息等)通信。
现在参考图2，图2是示出根据一个实施例的APC控制器的示例图，该APC控制器使用用于扭矩预测模型的伪ANN的伪ANN根解算器。扭矩预测模型由伪ANN系统实现，避免了复杂的ANN反演技术。根据各种实施例，APC控制器与ANN配对，该ANN可以与APC控制器一起实现，该APC控制器使用神经网络来基于测量的车辆输入来预测扭矩特性。ANN解决了车辆运行中可能出现的扭矩预测精度和校准工作的问题。
在示例性实施例中，当前校准过程可以基于不断增加的校准查找表的数量(～52)。该过程能够容忍比传统过程更高的维数，并且还能够通过更快地执行必要的扭矩校准来处理发动机性能的提高。
在图2中，在示例性扭矩预测系统200中，包括扭矩预测模型210(即，实现的伪ANN结构)，其嵌入在具有一组测量输入205的ECU中，测量输入205包括与RPM、ICAM、ECAM、APC和SPARK相关的当前车辆操作的输入。还包括扭矩预测模型的输出207，其基于扭矩预测模型的测量输入205，以产生预测扭矩。此外，在示例性实施例中，APC控制器215利用RPM、ICAM和ECAM的固定变量进行扭矩控制。在示例性实施例中，当驾驶员请求新的或期望的扭矩时，APC控制器215操作，以改变APC输入和SPARK输入中的任一个或两者的值，以实现非常接近所请求的扭矩值的输出。例如，驱动器225可以请求期望的扭矩，并且该扭矩请求作为输入被接收到伪ANN根解算器处理器220；此外，这组输入可以包括从车辆操作接收的当前RPM、ICAM、ECAM和SPARK。伪ANN根解算器处理器220基于所接收的一组测量输入来实现ANN扭矩预测模型210，该组测量输入表示车辆当前RPM、ICAM和ECAM的测量操作条件，用于由伪ANN模型接收以代替传统的反演方法来执行根解算(root solve)。伪ANN基于预测模型，其值已经离线训练；因此，神经网络可以被认为是经训练的有监督或无监督的模型。伪ANN模型输出期望的APC240，以实现要求的扭矩225。此外，伪ANN根解算器处理器220也可以用当前SPARK输入再次应用。
在一个示例性实施例中，经训练的ANN扭矩预测模型是一种基于统计的机器学习技术，称为深度人工神经网络(ANN)，用于在ECU的嵌入式软件中预测制动扭矩。这种方法可以取代复杂的基于查找表的传统方法，以提高准确性和改进校准工作。由于校准查找表的数量不断增加(～52)，ANN提高了当前软件和校准过程中的扭矩预测精度和校准工作。
在示例性实施例中，经训练的ANN扭矩预测模型用ANN预测模型或算法实现，该模型或算法配置有各种要素，包括数据划分:大约80％的训练，20％的测试；输入/输出:5个输入，1个输出；输入:RPM、ICAM、ECAM、APC、Spark；输出:制动力矩；每个隐藏层的神经元计数:12–18；隐藏层:2+(“深度”)；和正切σ的激活函数。
在一个示例性实施例中，ANN扭矩预测模型由能够通过使用实验设计(design ofexperiment：DoE)收集的动态数据而用于深度ANN和校准的步骤来配置，该实验设计以伪空间填充配置覆盖输入空间的整个范围。例如，数据收集过程可以由校准器执行，校准器执行
Figure BDA0003057661030000121
算法来训练深度ANN，并在提示时导入DoE动态数据。用户只输入由算法自动配置的数据、算法细节、选项和结构。训练算法被执行，并输出具有最佳选择的权重和偏差参数的最终ANN模型，其是一种呈现出增强的扭矩预测的模型。校准器考虑一组由算法针对输出自动绘制的结果，以确保满足一组适当的要求。校准器将算法选择的权重和偏差嵌入到ECU托管的软件中，以进行校准。所配置的ANN扭矩预测模型可以使一组车辆测量值作为输入，这些测量值可以表现出更大的自由度(即，与表格方法相比)。更广泛的自由包括RPM，ICAM，ECAM，APC，SPARK，和其他。此外，自由度不限于使用包括RPM、ICAM和ECAM的常规设定车辆测量值，自由度也不限于包括RPM、ICAM、ECAM、APC、SPARK的扩展组的车辆测量值，而是可以根据需要扩展到包括其他变量，以确保具有适当数量(即，更高的精确度)精度和其他变量考虑的建模。
在各种示例性实施例中，通过离线训练实现的预测逻辑是从有监督或无监督的学习过程中导出的逻辑，并且可以使用其他神经网络来实现，其他神经网络包括经训练的卷积神经网络(CNN)和/或递归神经网络(RNN)，其中根求解方法可以应用并用于车辆操作。此外，根据各种实施例，可以考虑包括由多层(即3层)卷积神经网络(CNN)组成的神经网络以及已经离线训练的密集层(即2个密集层)，并且使得能够与图1所示的系统协调地控制操作。
神经网络用于通知APC/SPARK控制器扭矩特性，并被配置为已训练的神经网络。因此，在某些实施例中，扭矩预测系统的过程仅在操作模式下配置。例如，在各种实施例中，在该车辆(或其他车辆)中使用或提供之前，在训练模式期间训练神经网络。一旦神经网络被训练，它可以以操作模式在车辆(例如，图1的车辆10)中实现，其中车辆以自主、半自主或手动方式操作。
在各种可选的示例性实施例中，应当理解，神经网络也可以在车辆中的训练模式和操作模式中实现，并且在初始操作期间结合用于扭矩控制预测的时间延迟或类似方法的操作来训练。此外，在各种实施例中，车辆可以仅在具有已经通过同一车辆和/或其他车辆的训练模式训练的神经网络的操作模式下操作。
图3示出了根据一个实施例的扭矩预测系统的APC控制的示例性流程图。在图3中，在任务305使用ANN启动APC。预期的是，如果将ANN用于预测模型，将没有合理的方式来使用数学反演来控制这种类型的ANN模型。这是因为ANN的真正反演是一种非常复杂的方法和计算，根据ANN的结构，如果没有最近发表的数值估计方法，这是不可能的。图3的流程图300中描述的过程完全避免了对ANN进行数学反演的需要，为预测模型使用ANN开辟了可能性，同时仍然提供了控制模型的途径，否则这可能是不可行的。该过程降低了数学表达式的维数、ANN表达式的复杂性、对真正反演的需要、计算复杂性，同时仍然满足适当水平的扭矩控制的要求。
在图3中，在任务310中，ANN接收一组“n”个输入，包括实际RPM的插件、实际ICAM的插件、实际ECAM的插件、APC和实际SPARK的插件。在任务310，用5个独立变量中的5个代替固定电流值代入ANN。在任务320，将表达式简化为一个变量APC的函数。由于ANN结构中有多个隐藏层，这将是激活函数
Figure BDA0003057661030000141
的复合合。将表达式设置为驾驶员期望的扭矩TDes。
Figure BDA0003057661030000142
其中T、A和B现在是常数，/>
Figure BDA0003057661030000146
是所选的NN(神经网络)激活函数。
在任务330，使用非线性根求解算法来为唯一剩余的变量APC求解该表达式(即，找到该表达式的根)。
即
Figure BDA0003057661030000143
其中APC是期望的APC＝根1，根2，等等…同样，T、A和B是常数，/>
Figure BDA0003057661030000144
是选定的NN激活函数。
在另一个示例性实施例中，通过将SPARK作为剩余变量，并针对驾驶员要求的期望扭矩值求解SPARK，可以在另一个SPARK循环中应用上述相同或相似的三步过程。
图4示出了示例性流程图，其示出了根据一个实施例的用于扭矩控制的控制方法中使用的步骤。在图4中，该过程包括以下任务。任务410，将ANN作为扭矩预测模型嵌入到电子控制单元中。然后，在任务420和任务425，三步控制过程以连续的倍数(即两倍)应用，以在任务420处在第一周期中针对期望的APC值确定所述根，并在任务425处在第二周期中确定期望的SPARK值。在任务430，通过历史或专家知识，或通过对来自根列表的不同逻辑模式的经验测试实现的逻辑会发现，能使得APC或SPARK控制能够用于期望的驾驶员请求的扭矩。在任务435，所选择的根作为软件控制模块中的控制变量来实施，以获得驾驶员请求的扭矩。在任务440，转换后的期望APC根(或SPARK根)通过一组常数(即常数T、A和B)和在控制模块中使用的选定的NN激活函数
Figure BDA0003057661030000145
来实现。
在各种示例性实施例中，作为预测模型的输入发送的特征可以包括其他车辆操作测量值，例如发动机速度、每缸空气质量事件、净化阀占空比、废气门位置(可选)、氧传感器输出、加燃料命令、凸轮相位器位置、歧管空气压力、歧管空气温度、点火正时、增压压力比(可选)和节气门位置。所呈现的输入特征集不应被认为是包罗万象的。例如，“n”个输入的输入组可以根据扭矩控制系统操作中所需的输入而增加、改变或减少。
神经网络的输出是指示车辆控制器执行影响扭矩值的动作的连续输出。在各种示例性实施例中，来自神经网络的输出被配置为连续输出，以指示车辆控制器执行控制动作，来控制预测扭矩的值。在各种实施例中，ANN存储在车辆上的存储器中，例如图1的计算机可读存储设备或介质46。
在各种实施例中，所公开的方法、系统和车辆提供混合递归神经网络的输出的规范表示，以及使用深度神经网络在该规范表示上进行回归，并使用多个神经网络预测车辆的车辆动作(例如，扭矩动作)，如上所述。
如简要提及的，上述各种模块和系统可以被实施为一个或多个机器学习模型，其经历有监督、无监督、半监督或强化学习。这样的模型可以被训练来执行分类(例如，二进制或多类分类)、回归、聚类、降维和/或这样的任务。这种模型的例子包括但不限于人工神经网络(ANN)(例如递归神经网络(RNN)和卷积神经网络(CNN))、决策树模型(例如分类和回归树(CART))、集成学习模型(例如增强、自举聚集、梯度增强机器和随机森林)、贝叶斯网络模型(例如朴素贝叶斯)、主成分分析(PCA)、支持向量机(SVM)、聚类模型(例如K近邻、K均值、期望最大化、分层聚类等)和线性判别分析模型。
应当理解，图1-4的过程可以包括任何数量的附加或替代任务，图1-4中所示的任务不需要以图示的顺序执行，并且图1-4的过程可以被结合到具有这里没有详细描述的附加功能的更全面的过程或过程中。此外，图1-4中示出的一个或多个任务可以从图1-4中示出的过程的实施例中省略，只要预期的整体功能保持完整。
前述详细描述本质上仅仅是说明性的，并不旨在限制主题的实施例或这些实施例的应用和使用。如这里所使用的，词语“示例性的”意味着“用作例子、实例或说明”。本文描述为示例性的任何实施方式不一定被解释为比其他实施方式优选或有利。此外，不打算受前面的技术领域、背景或详细描述中提出的任何明示或暗示的理论的约束。
虽然在前面的详细描述中已经给出了至少一个示例性实施例，但是应当理解，存在大量的变化。还应当理解，一个或多个示例性实施例仅是示例，并不旨在以任何方式限制本公开的范围、适用性或配置。相反，前面的详细描述将为本领域技术人员提供实现一个或多个示例性实施例的便利路线图。
应当理解，在不脱离所附权利要求及其合法等同物中阐述的本公开的范围的情况下，可以对元件的功能和布置进行各种改变。
应当理解，在不脱离所附权利要求及其合法等同物中阐述的本公开的范围的情况下，可以对元件的功能和布置进行各种改变。

Claims (10)

1.一种利用神经网络实现扭矩控制的方法，包括:
响应于扭矩请求，由处理器执行神经网络的扭矩预测模型，以接收与扭矩预测相关联的一组经测量的车辆操作输入；
将由神经网络实现的扭矩预测模型的一组多个独立变量替换为伪神经网络中的简化数学表达式，该简化数学表达式包含具有至少仅一个独立变量的缩减变量集，以替换神经网络的先前一组多个独立变量；
通过使用伪神经网络的简化数学表达式中的至少一个独立变量和用于对一组替代独立变量进行替代的一个或多个常数，基于扭矩预测模型，由伪神经网络处理该一组经测量的车辆操作输入；和
通过获得根值来求解伪神经网络的简化数学表达式的至少一个根，而不必依赖于由独立变量的完整组所组成的数学表达式的反演操作来获得所请求的扭矩值。
2.根据权利要求1所述的方法，进一步包括:
由所述处理器求解所述伪神经网络的简化数学表达式的至少一个根，以获得根值，从而预测每缸空气量控制的变化，以获得所请求的扭矩值。
3.根据权利要求2所述的方法，进一步包括:
由所述处理器求解所述伪神经网络的简化数学表达式的至少一个根，以获得根值，从而预测火花控制的差异，以改变发动机正时，从而获得所请求的扭矩值。
4.根据权利要求3所述的方法，进一步包括:
尽管神经网络具有高度的非线性，但求解所述伪神经网络的简化数学表达式的至少一个根，而不必依赖于反演操作。
5.根据权利要求4所述的方法，进一步包括:
由所述处理器应用所述扭矩预测模型，所述扭矩预测模型包括具有多个隐藏层的激活函数的复合，其中使用根求解算法来求解单个剩余变量的简化数学表达式。
6.根据权利要求1所述的方法，其中，所述一组经测量的输入包括正在运行的车辆的进气凸轮相位、排气凸轮相位、每分钟转数、每缸空气量和点火正时。
7.根据权利要求6所述的方法，其中所述伪神经网络包括伪人工神经网络，其中所述伪人工神经网络是经训练的预测模型。
8.一种利用神经网络实现扭矩控制的系统，包括:
由处理器获得的一组输入，该一组输入与车辆运行的一个或多个测量值有关，所述一个或多个测量值用于预测车辆的所请求扭矩；
车辆控制系统，所述车辆控制系统被扭矩预测模型指示，所述扭矩预测模型由所述处理器使用人工神经网络实现，以求解用于获得扭矩请求的预测模型的根；
响应于扭矩请求，处理器被配置为执行人工神经网络的扭矩预测模型，以接收一组测量值作为扭矩预测的输入；
所述处理器被配置为替代由所述人工神经网络实现的所述扭矩预测模型的一组多个独立变量，以在伪人工神经网络中形成函数数学表达式，所述函数数学表达式包含缩减变量集，所述缩减变量集包括由所述人工神经网络使用的包括多个独立变量的缩减集中的仅一个独立变量；
该处理器被配置成接收当前运行中的车辆的该一组测量值作为伪人工神经网络的输入，用于应用具有单个独立变量和一个或多个常数的扭矩预测模型，该一个或多个常数已经由独立变量的完整组所替代；
该处理器被配置为处理伪人工神经网络中的单个独立变量，该伪人工神经网络包含简化的数学表达式；和
该处理器被配置为求解伪人工神经网络的简化数学表达式的至少一个根，以获得根值，而不必依赖于由独立变量的完整组所组成的数学表达式的反演操作来预测所请求的扭矩值。
9.根据权利要求8所述的系统，进一步包括:
所述处理器被配置为求解伪人工神经网络的简化数学表达式的至少一个根，以获得根值，从而预测每缸空气量控制的变化，以获得所请求的扭矩值。
10.根据权利要求9所述的系统，进一步包括:
该处理器被配置为求解伪人工神经网络的简化数学表达式的至少一个根，以获得根值，从而预测火花控制中的差异，以改变发动机正时，从而获得所请求的扭矩值；
该处理器被配置为由独立变量的完整组所组成的数学表达式的反演操作来获得所需的扭矩值；和
所述处理器被配置成应用所述扭矩预测模型，所述扭矩预测模型包括具有多个隐藏层的激活函数的复合，其中使用根求解算法来求解单个剩余变量的简化数学表达式；
其中所测量的一组输入包括正在运行的车辆的进气凸轮相位、排气凸轮相位、每分钟转数、每缸空气量和点火正时。
CN202110504169.0A 2020-10-27 2021-05-10 利用伪ann的根进行扭矩控制的方法、系统和装置 Active CN114489166B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/081,087 US11577616B2 (en) 2020-10-27 2020-10-27 Methods, systems, and apparatuses for torque control utilizing roots of pseudo neural network
US17/081,087 2020-10-27

Publications (2)

Publication Number Publication Date
CN114489166A CN114489166A (zh) 2022-05-13
CN114489166B true CN114489166B (zh) 2023-06-16

Family

ID=81076853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110504169.0A Active CN114489166B (zh) 2020-10-27 2021-05-10 利用伪ann的根进行扭矩控制的方法、系统和装置

Country Status (3)

Country Link
US (1) US11577616B2 (zh)
CN (1) CN114489166B (zh)
DE (1) DE102021111140A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11789412B2 (en) 2021-03-22 2023-10-17 Steering Solutions Ip Holding Corporation Functional limits for torque request based on neural network computing
CN115489336B (zh) * 2022-09-28 2023-07-25 同济大学 基于大数据的电机扭矩输出优化方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108528458A (zh) * 2017-03-02 2018-09-14 通用汽车环球科技运作有限责任公司 用于车辆尺寸预测的系统和方法
GB201818515D0 (en) * 2018-11-13 2018-12-26 Jaguar Land Rover Ltd A controller for a vehicle

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7034670B2 (en) * 2003-12-30 2006-04-25 Lear Corporation Method of occupancy classification in a vehicle seat
US8818676B2 (en) * 2006-05-02 2014-08-26 GM Global Technology Operations LLC Redundant Torque Security Path
US20100179935A1 (en) * 2009-01-13 2010-07-15 Gm Global Technology Operations, Inc. Spiking dynamical neural network for parallel prediction of multiple temporal events
US8335616B2 (en) * 2010-09-27 2012-12-18 GM Global Technology Operations LLC Individualizable post-crash assist system
US10657598B2 (en) * 2012-12-20 2020-05-19 Scope Technologies Holdings Limited System and method for use of carbon emissions in characterizing driver performance
CN105136469A (zh) * 2015-07-23 2015-12-09 江苏大学 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法
DE102017110549A1 (de) * 2017-05-15 2018-11-15 Trw Automotive Gmbh Verfahren zum Detektieren von sich am Lenkrad befindlichen Händen
US10737717B2 (en) * 2018-02-14 2020-08-11 GM Global Technology Operations LLC Trajectory tracking for vehicle lateral control using neural network
US10759298B2 (en) * 2018-08-29 2020-09-01 GM Global Technology Operations LLC Electric-drive motor vehicles, systems, and control logic for predictive charge planning and powertrain control
US11876464B2 (en) * 2019-02-14 2024-01-16 The Board Of Trustees Of The University Of Alabama Systems, methods and devices for neural network control for IPM motor drives
CN110091751B (zh) * 2019-04-30 2021-01-08 深圳四海万联科技有限公司 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN110048657B (zh) * 2019-05-22 2020-10-16 河南科技大学 无轴承异步电机神经网络逆系统解耦控制方法
CN110685310A (zh) * 2019-10-11 2020-01-14 徐州徐工基础工程机械有限公司 基于神经网络的发动机极载控制方法、系统及工程车辆
CN110949366B (zh) * 2019-11-08 2022-04-26 江苏大学 应用智能车辆纵向速度控制的rbf神经网络的终端滑模控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108528458A (zh) * 2017-03-02 2018-09-14 通用汽车环球科技运作有限责任公司 用于车辆尺寸预测的系统和方法
GB201818515D0 (en) * 2018-11-13 2018-12-26 Jaguar Land Rover Ltd A controller for a vehicle

Also Published As

Publication number Publication date
DE102021111140A1 (de) 2022-04-28
CN114489166A (zh) 2022-05-13
US20220126702A1 (en) 2022-04-28
US11577616B2 (en) 2023-02-14

Similar Documents

Publication Publication Date Title
US10832450B2 (en) Semantic preserved style transfer
CN114489166B (zh) 利用伪ann的根进行扭矩控制的方法、系统和装置
US10732260B2 (en) Radar calibration systems and methods
CN113242320B (zh) 智能驾驶系统、方法、设备及存储介质
CN111208813A (zh) 一种自动驾驶车辆的动力学预测控制系统和方法
US11454971B2 (en) Methods and systems for learning user preferences for lane changes
CA3163160A1 (en) Intelligent vehicle control method, apparatus, and control system
EP4133711A1 (en) Vehicles that can be customized and personalized via mobile user profiles
CN114320622B (zh) 改进燃料控制的吹扫含量估计逻辑的方法、系统和设备
CN113765778A (zh) 带有用于分布式存储系统的高速缓存缓冲器的运输工具的网关
CN113078974B (zh) 用于神经网络稀疏信道生成和推断的方法
CN113928328A (zh) 受损驾驶辅助
US20220219695A1 (en) Methods, systems, and apparatuses for behavioral based adaptive cruise control (acc) to driver's vehicle operation style
US20200387161A1 (en) Systems and methods for training an autonomous vehicle
CN116366685A (zh) 车辆的通信计算系统确定方法
US20230162480A1 (en) Frequency-based feature constraint for a neural network
US20210018921A1 (en) Method and system using novel software architecture of integrated motion controls
CN116476843A (zh) 目标滑移估计
US11738804B2 (en) Training a vehicle to accommodate a driver
US20210064032A1 (en) Methods and systems for maneuver based driving
US20200290610A1 (en) Eco-cruise: torque management
US20230398988A1 (en) Driver assistance technology adjustment based on driving style
US20220044497A1 (en) Server, control device for vehicle, and machine learning system for vehicle
US20230139521A1 (en) Neural network validation system
US20240025404A1 (en) Software driven user profile personalized adaptive cruise control

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