CN114943180B - 一种电磁冲击环境下的发动机温度传感器智能容错控制方法 - Google Patents
一种电磁冲击环境下的发动机温度传感器智能容错控制方法 Download PDFInfo
- Publication number
- CN114943180B CN114943180B CN202210609116.XA CN202210609116A CN114943180B CN 114943180 B CN114943180 B CN 114943180B CN 202210609116 A CN202210609116 A CN 202210609116A CN 114943180 B CN114943180 B CN 114943180B
- Authority
- CN
- China
- Prior art keywords
- temperature sensor
- dynamic model
- engine
- rbfnn
- online
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000002955 isolation Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种电磁冲击环境下的发动机温度传感器智能容错控制方法,步骤如下:1)建立Online‑RBFNN动态模型框架;2)建立发动机温度传感器Online‑RBFNN动态模型;3)建立“故障检测、隔离与信号重构”控制器;4)发动机温度传感器Online‑RBFNN动态模型更新;本发明可以配合屏蔽措施和硬件防护等手段,提高发动机控制系统的电磁脉冲防护能力,并且温度传感器模型为动态模型,能够进行实时更新,避免模型精度下降,保证容错控制效果。
Description
技术领域
本发明涉及电磁脉冲防护领域,尤其涉及一种电磁冲击环境下的发动机温度传感器智能容错控制方法。
背景技术
随着科技的发展,电磁环境越来越复杂,而发动机数字控制系统外围传感器通常暴露在开放环境中,极易受到电磁脉冲的干扰,使发动机的安全受到严重威胁。现阶段,进行电磁脉冲防护主要从物理屏蔽和硬件防护入手,这些手段虽能在一定程度上提升发动机控制系统抵抗电磁脉冲干扰的能力,避免电子器件被直接损坏,但某些频段的电磁脉冲依然能够通过线束耦合的方式进入控制系统,干扰传感器输出信号,影响发动机控制系统进行决策。因此对发动机进行有效的电磁脉冲防护,不仅需要
良好的屏蔽和硬件防护,还需要对传感器进行必要的容错控制。
目前许多容错控制方法通常利用算法构造出传感器虚拟模型,虚拟模型会向控制器提供虚拟传感器信号,配合控制器进行决策。虚拟模型的建模数据一般来自发动机各传感器的历史观测值,采取离线方式进行训练。然而发动机长期工作在恶劣环境中,会出现不可避免的性能退化现象,所采数据的分布也因此变化,导致采用历史数据离线训练出来的发动机模型精度下降,影响容错控制效果。
发明内容
本发明所要解决的技术问题是针对上述缺陷,提出一种电磁冲击环境下的发动机温度传感器智能容错控制方法。
本发明采用如下技术方案:
本发明的一种电磁冲击环境下的发动机温度传感器智能容错控制方法,包含以下步骤:
步骤1),建立Online-RBFNN动态模型框架:对典型RBFNN进行改进,采用连续K-Means聚类算法对其网络中心c、扩展系数γ进行优化,再利用FTRL在线学习算法对其权值w进行更新,该动态模型框架能够进行在线学习,实时更新模型参数,保证模型精度;
步骤2),建立一个或多个发动机温度传感器Online-RBFNN动态模型Mx;
步骤2.1),初始学习阶段:使用少量发动机运行数据样本,根据典型K-Means算法对输入样本聚类,为Online-RBFNN动态模型中连续K-Means算法提供初始中心点c0和扩展系数γ0;
步骤2.2),成长学习阶段:实时接收新数据样本,利用Online-RBFNN更新模型参数,当动态模型精度满足要求时进入下一步骤;
步骤2.3),成熟学习阶段:动态模型继续接收实时样本,利用Online-RBFNN实时更新模型参数,并输出结果;
步骤3),建立“故障检测、隔离与信号重构”控制器;
步骤3.1),计算t时刻温度传感器残差rt:温度传感器残差为温度传感器动态模型估计值与温度传感器观测值Tt之差的绝对值,其表达式为:/>
步骤3.2),温度值输出切换:定义D为温度传感器干扰阈值,以D和温度传感器残差rt的大小作为判断温度传感器是否受到电磁脉冲干扰的依据;
步骤4),发动机温度传感器Online-RBFNN动态模型更新:t时刻“故障检测、隔离与信号重构”控制器输出结果后,发动机温度传感器Online-RBFNN动态模型根据控制器的输出结果更新内部参数,使动态模型保持较高精度。
进一步地,所述步骤1)中的Online-RBFNN动态模型框架的原始结构为典型RBFNN,包括输入层、隐含层、输出层三层结构,其数学表达式为:
式中,x=[x1,...,xt,...,xN]T,xt是在t时刻输入的单个样本向量,c为网络中心,γ为扩展系数,w为连接权值,y=[y1,...,yt,...,yN]T,yt是xt对应的输出值。
进一步地,所述步骤1)中采用连续K-Means聚类算法对动态模型框架原始结构的网络中心c进行优化的具体方法为:在t时刻接收新样本(xt,yt),将最接近xt的网络中心进行更新,其更新表达式为:
cnear,t=cnear,t-1+a(xt-cnear,t-1)
式中,a为0~1之间的常数,cnear,t为最接近xt的中心点。
进一步地,所述步骤1)中对动态模型框架原始结构的扩展系数γ进行优化的具体表达式为:
γt=μ·dmax,t
式中,μ为可调参数,dmax,t为网络中心点两两之间的最大距离。
进一步地,所述步骤1)中采用FTRL在线学习算法对动态模型框架原始结构的连接权值w进行更新的具体表达式为:
式中,g是w的损失函数对w的梯度,λ1、λ2分别是L1、L2正则化系数,L1、L2表示范数,σ是关于学习率的函数,σs表示σ累加,σs的表达式为:
式中,α为初始学习率,β为常数,通常取1。
进一步地,步骤2)所述温度传感器Online-RBFNN动态模型Mx包括但不限于左缸排气温度传感器动态模型MLE、右缸排气温度传感器动态模型MRE、左缸头温度传感器动态模型MLC和右缸头温度传感器动态模型MRC。
进一步地,所述步骤2)中发动机温度传感器Online-RBFNN动态模型的输入向量由发动机控制量和各传感器信号组成;发动机控制量包括但不限于电子节气门开度θTP、点火提前角θSA和喷油脉宽tINJ;传感器信号包括但不限于发动机转速N、大气压力PA、进气温度TA、左缸排气温度TLE、右缸排气温度TRE、左缸头温度TLC和右缸头温度TRC;特别地,各温度传感器动态模型的输入向量中不应包括该传感器的信号值。所述步骤2)中发动机温度传感器Online-RBFNN动态模型的输出向量为对应温度传感器估计值。
进一步地,所述步骤2.2)中采用校正决定系数作为动态模型精度的评价标准,其数学表达式为:
式中,Nall为总样本数量,R2为决定系数,p为样本特征数量。
进一步地,所述步骤3)中,控制器的控制逻辑为:
在t时刻,当D≥rt时,判定传感器正常工作,未受到干扰,“故障检测、隔离与信号重构”控制器将温度传感器观测值Tt作为输出值输出;
当D<rt时,判定传感器非正常工作,控制器将温度传感器观测值Tt隔离,并将温度传感器动态模型估计值作为输出值输出;由“故障检测、隔离与信号重构”控制器的输出值替代温度传感器观测值,为发动机控制提供数据支持。
进一步地,所述步骤3.2)中温度传感器干扰阈值D引入喷油脉宽变化量ΔtINJ,增加其在发动机动态工况下的适应性,温度传感器干扰阈值D的表达式为:
D=D0+krΔtINJ
式中,D0为干扰阈值基础值,kr为调整系数。
有益效果:本发明可以结合物理屏蔽措施和硬件防护等手段,提高发动机控制系统的电磁脉冲防护能力,并且温度传感器模型为动态模型,能够进行实时更新,避免模型精度下降,保证容错控制效果。
附图说明
图1为发动机温度传感器智能容错控制方法原理图。
图2为发动机温度传感器Online-RBFNN动态模型示意图。
具体实施方式
为了便于本领域技术人员的理解,下面结合附图对本发明做更进一步的解释,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种电磁冲击环境下的发动机温度传感器智能容错控制方法,包含以下步骤:
步骤1),建立Online-RBFNN动态模型框架:对典型RBFNN进行改进,采用连续K-Means算法对其网络中心c、扩展系数γ进行优化,再利用FTRL在线学习算法对其权值w进行更新,该动态模型框架能够进行在线学习,实时更新模型参数,保证模型精度;
所述步骤1)中的Online-RBFNN动态模型框架的原始结构为典型RBFNN,包括输入层、隐含层、输出层三层结构,其数学表达式为:
式中,x=[x1,…,xt,…,xN]T,xt是在t时刻输入的单个样本向量,c为网络中心,γ为扩展系数,w为连接权值,y=[y1,...,yt,…,yN]T,yt是xt对应的输出值。
步骤1)中采用连续K-Means聚类算法对动态模型框架原始结构的网络中心c进行优化的具体方法为:在t时刻接收新样本(xt,yt),将最接近xt的网络中心进行更新,其更新表达式为:
cnear,t=cnear,t-1+a(xt-cnear,t-1)
式中,a为0~1之间的常数,cnear,t为最接近xt的中心点。
进一步地,所述步骤1)中对动态模型框架原始结构的扩展系数γ进行更新的具体表达式为:
γt=μ·dmax,t
式中,μ为可调参数,dmax,t为网络中心点两两之间的最大距离。
所述步骤1)中采用FTRL在线学习算法对动态模型框架原始结构的连接权值w进行更新的具体表达式为:
式中,g是w的损失函数对w的梯度,λ1、λ2分别是L1、L2正则化系数,L1、L2表示范数,σ是关于学习率的函数,σs表示σ累加,σs的表达式为:
式中,α为初始学习率,β为常数,通常取1。
步骤2),建立发动机某温度传感器Online-RBFNN动态模型Mx,参照图2所示,具体包含以下步骤:
步骤2.1),初始学习阶段:使用少量发动机运行数据样本,根据典型K-Means算法对输入样本聚类,为Online-RBFNN动态模型中连续K-Means算法提供初始中心点c0和扩展系数γ0;
步骤2.2),成长学习阶段:实时接收新数据样本(xt,yt),利用Online-RBFNN更新模型参数,当动态模型精度Acc满足要求时进入下一步骤;
采用校正决定系数作为动态模型精度的评价标准,其数学表达式为:
式中,Nall为总样本数量,R2为决定系数,p为样本特征数量。
步骤2.3),成熟学习阶段:动态模型继续接收实时样本(xt,yt),利用Online-RBFNN实时更新模型参数,并输出结果;
可在所述步骤2)中建立一个或多个温度传感器Online-RBFNN动态模型,以两缸发动机为例,包括但不限于左缸排气温度传感器动态模型MLE、右缸排气温度传感器动态模型MRE、左缸头温度传感器动态模型MLC和右缸头温度传感器动态模型MRC。
所述发动机温度传感器Online-RBFNN动态模型的输入向量由发动机控制量和各传感器信号组成;发动机控制量包括但不限于电子节气门开度θTP、点火提前角θSA和喷油脉宽tINJ;传感器信号包括但不限于发动机转速N、大气压力PA、进气温度TA、左缸排气温度TLE、右缸排气温度TRE、左缸头温度TLC和右缸头温度TRC;特别地,各温度传感器动态模型的输入向量中不应包括该传感器的信号值。
所述发动机温度传感器Online-RBFNN动态模型的输出向量为对应温度传感器估计值。
步骤3),建立“故障检测、隔离与信号重构”控制器;
步骤3.1),计算t时刻温度传感器残差rt:温度传感器残差为温度传感器动态模型估计值与温度传感器观测值Tt之差的绝对值,其表达式为:/>
步骤3.2),温度值输出切换:定义D为温度传感器干扰阈值,以D和温度传感器残差rt的大小作为判断温度传感器是否受到电磁脉冲干扰的依据,其控制逻辑为:在t时刻,当D≥rt时,判定传感器正常工作,未受到干扰,“故障检测、隔离与信号重构”控制器将温度传感器观测值Tt作为输出值输出;当D<rt时,判定传感器非正常工作,控制器将温度传感器观测值Tt隔离,并将温度传感器动态模型估计值作为输出值输出;由“故障检测、隔离与信号重构”控制器的输出值替代温度传感器观测值,为发动机控制提供数据支持;
所述步骤3.2)中温度传感器干扰阈值D引入喷油脉宽变化量ΔtINJ,增加其在发动机动态工况下的适应性,温度传感器干扰阈值D的表达式为:
D=D0+krΔtINJ
式中,D0为干扰阈值基础值,kr为调整系数。
步骤4),发动机温度传感器Online-RBFNN动态模型更新:t时刻“故障检测、隔离与信号重构”控制器输出结果后,发动机温度传感器Online-RBFNN动态模型根据控制器的输出结果更新内部参数,使动态模型保持较高精度。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种电磁冲击环境下的发动机温度传感器智能容错控制方法,其特征在于,包含以下步骤:
步骤1),建立Online-RBFNN动态模型框架:对典型RBFNN进行改进,采用连续K-Means聚类算法对其网络中心c、扩展系数γ进行优化,再利用FTRL在线学习算法对其权值w进行更新,该动态模型框架能够进行在线学习,实时更新模型参数,保证模型精度;
步骤2),建立一个或多个发动机温度传感器Online-RBFNN动态模型Mx;
步骤2.1),初始学习阶段:使用少量发动机运行数据样本,根据典型K-Means算法对输入样本聚类,为Online-RBFNN动态模型中连续K-Means算法提供初始中心点c0和扩展系数γ0;
步骤2.2),成长学习阶段:实时接收新数据样本,利用Online-RBFNN更新模型参数,当动态模型精度满足要求时进入下一步骤;
步骤2.3),成熟学习阶段:动态模型继续接收实时样本,利用Online-RBFNN实时更新模型参数,并输出结果;
步骤3),建立“故障检测、隔离与信号重构”控制器;
步骤3.1),计算t时刻温度传感器残差rt:温度传感器残差为温度传感器动态模型估计值与温度传感器观测值Tt之差的绝对值,其表达式为:/>
步骤3.2),温度值输出切换:定义D为温度传感器干扰阈值,以D和温度传感器残差rt的大小作为判断温度传感器是否受到电磁脉冲干扰的依据;
步骤4),发动机温度传感器Online-RBFNN动态模型更新:t时刻“故障检测、隔离与信号重构”控制器输出结果后,发动机温度传感器Online-RBFNN动态模型根据控制器的输出结果更新内部参数,使动态模型保持较高精度;
步骤1)中的Online-RBFNN动态模型框架的原始结构为典型RBFNN,包括输入层、隐含层、输出层三层结构,其数学表达式为:
式中,x=[x1,...,xt,...,xN]T,xt是在t时刻输入的单个样本向量,c为网络中心,γ为扩展系数,w为连接权值,y=[y1,...,yt,...,yN]T,yt是xt对应的输出值。
2.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法,其特征在于,步骤1)中采用连续K-Means聚类算法对动态模型框架原始结构的网络中心c进行优化的具体方法为:在t时刻接收新样本(xt,yt),将最接近xt的网络中心进行更新,其更新表达式为:
cnear,t=cnear,t-1+a(xt-cnear,t-1)
式中,a为0~1之间的常数,cnear,t为最接近xt的中心点。
3.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法,其特征在于,步骤1)中对动态模型框架原始结构的扩展系数γ进行优化的具体表达式为:
γt=μ·dmax,t
式中,μ为可调参数,dmax,t为网络中心点两两之间的最大距离。
4.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法,其特征在于,步骤1)中采用FTRL在线学习算法对动态模型框架原始结构的连接权值w进行更新的具体表达式为:
式中,g是w的损失函数对w的梯度,λ1、λ2分别是L1、L2正则化系数,L1、L2表示范数,σ是关于学习率的函数,σs表示σ累加,σs的表达式为:
式中,α为初始学习率,β为常数,通常取1。
5.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法,其特征在于,步骤2)所述温度传感器Online-RBFNN动态模型Mx包括但不限于左缸排气温度传感器动态模型MLE、右缸排气温度传感器动态模型MRE、左缸头温度传感器动态模型MLC和右缸头温度传感器动态模型MRC。
6.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法,其特征在于,步骤2)中发动机温度传感器Online-RBFNN动态模型的输入向量由发动机控制量和各传感器信号组成;发动机控制量包括但不限于电子节气门开度θTP、点火提前角θSA和喷油脉宽tINJ;传感器信号包括但不限于发动机转速N、大气压力PA、进气温度TA、左缸排气温度TLE、右缸排气温度TRE、左缸头温度TLC和右缸头温度TRC;所述发动机温度传感器Online-RBFNN动态模型的输出向量为对应温度传感器估计值。
7.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法,其特征在于,步骤2.2)中采用校正决定系数作为动态模型精度的评价标准,其数学表达式为:
式中,Nall为总样本数量,R2为决定系数,p为样本特征数量。
8.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法,其特征在于,所述步骤3)中,控制器的控制逻辑为:
在t时刻,当D≥rt时,判定传感器正常工作,未受到干扰,“故障检测、隔离与信号重构”控制器将温度传感器观测值Tt作为输出值输出;
当D<rt时,判定传感器非正常工作,控制器将温度传感器观测值Tt隔离,并将温度传感器动态模型估计值作为输出值输出;由“故障检测、隔离与信号重构”控制器的输出值替代温度传感器观测值,为发动机控制提供数据支持。
9.根据权利要求1所述的电磁冲击环境下的发动机温度传感器智能容错控制方法,其特征在于,步骤3.2)中温度传感器干扰阈值D引入喷油脉宽变化量ΔtINJ,增加其在发动机动态工况下的适应性,温度传感器干扰阈值D的表达式为:
D=D0+krΔtINJ
式中,D0为干扰阈值基础值,kr为调整系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210609116.XA CN114943180B (zh) | 2022-05-31 | 2022-05-31 | 一种电磁冲击环境下的发动机温度传感器智能容错控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210609116.XA CN114943180B (zh) | 2022-05-31 | 2022-05-31 | 一种电磁冲击环境下的发动机温度传感器智能容错控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114943180A CN114943180A (zh) | 2022-08-26 |
CN114943180B true CN114943180B (zh) | 2023-12-01 |
Family
ID=82908437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210609116.XA Active CN114943180B (zh) | 2022-05-31 | 2022-05-31 | 一种电磁冲击环境下的发动机温度传感器智能容错控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943180B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980906A (zh) * | 2017-03-19 | 2017-07-25 | 国网福建省电力有限公司 | 一种基于spark的Ftrl电压预测方法 |
CN109635318A (zh) * | 2018-11-01 | 2019-04-16 | 南京航空航天大学 | 一种基于keos-elm算法的航空发动机传感器智能解析余度设计方法 |
CA3130722A1 (en) * | 2020-09-14 | 2022-03-14 | Applied Brain Research Inc. | Methods and systems for simulating dynamical systems via synaptic descent in artificial neural networks |
-
2022
- 2022-05-31 CN CN202210609116.XA patent/CN114943180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106980906A (zh) * | 2017-03-19 | 2017-07-25 | 国网福建省电力有限公司 | 一种基于spark的Ftrl电压预测方法 |
CN109635318A (zh) * | 2018-11-01 | 2019-04-16 | 南京航空航天大学 | 一种基于keos-elm算法的航空发动机传感器智能解析余度设计方法 |
CA3130722A1 (en) * | 2020-09-14 | 2022-03-14 | Applied Brain Research Inc. | Methods and systems for simulating dynamical systems via synaptic descent in artificial neural networks |
Non-Patent Citations (2)
Title |
---|
Aircraft engine run to failure dataset under real flight conditions for prognostics and diagnostics;CHAO M A;《data》;全文 * |
基于FTRL和XGBoost组合算法的电商销量预测系统;钟小勇;;信息记录材料(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114943180A (zh) | 2022-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7054735B2 (en) | Apparatus and method for controlling internal combustion engine | |
US6678640B2 (en) | Method and apparatus for parameter estimation, parameter estimation control and learning control | |
US7043353B2 (en) | Knock determining apparatus and method for internal combustion engine | |
JP4365133B2 (ja) | カスケード式ニューラルネットワークを用いたエンジン制御システム | |
CN109067773B (zh) | 一种基于神经网络的车载can网络入侵检测方法及系统 | |
US8880321B2 (en) | Adaptive air charge estimation based on support vector regression | |
JP2011144753A (ja) | プラントの制御装置 | |
JP2021017815A (ja) | エンジン制御装置及びそれが有するニューラルネットワークプログラム | |
CN111651940A (zh) | 基于pso-narx的涡轴发动机稳态模型辨识方法 | |
WO2007020456A2 (en) | Neural network method and apparatus | |
CN114943180B (zh) | 一种电磁冲击环境下的发动机温度传感器智能容错控制方法 | |
CN113267314A (zh) | 一种暂冲式风洞的超声速流场总压控制系统 | |
CN110048694B (zh) | 基于变元步长的随机傅里叶特征核最小均方算法 | |
CN110782007A (zh) | 一种基于神经网络的飞行数据缺失补充方法 | |
CN114036506A (zh) | 一种基于lm-bp神经网络的检测和防御虚假数据注入攻击的方法 | |
CN113589085A (zh) | 一种发电机调频系统虚假数据注入攻击的检测缓解方法 | |
JPH05501595A (ja) | 内燃機関の燃料調量用電子制御装置 | |
CN111305954A (zh) | 输入受限的航空发动机降保守性鲁棒增益调度控制器 | |
JPH0617681A (ja) | 内燃機関の燃料噴射量制御装置 | |
CN110687783A (zh) | 一种机载光电稳定平台扰动观测及补偿方法 | |
CN111456856B (zh) | 航空发动机最大推力状态降保守性鲁棒控制器 | |
CN115017466A (zh) | 碳载量确定方法、装置、电子设备及存储介质 | |
JP2003521773A (ja) | 機械及び工程の最適なセットポイントを検出する方法 | |
CN111856929B (zh) | 航空发动机容错增益调度二自由度h∞控制器 | |
Dorey et al. | Self-tuning control applied to the in-vehicle calibration of a spark ignition engine |
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 |