CN115306573A - 油路自学习方法、装置、终端及服务器 - Google Patents
油路自学习方法、装置、终端及服务器 Download PDFInfo
- Publication number
- CN115306573A CN115306573A CN202211040044.8A CN202211040044A CN115306573A CN 115306573 A CN115306573 A CN 115306573A CN 202211040044 A CN202211040044 A CN 202211040044A CN 115306573 A CN115306573 A CN 115306573A
- Authority
- CN
- China
- Prior art keywords
- learning
- self
- current
- oil way
- oil
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000001052 transient effect Effects 0.000 claims abstract description 57
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 239000003921 oil Substances 0.000 abstract description 80
- 239000010711 gasoline engine oil Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 239000000446 fuel Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1402—Adaptive control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2441—Methods of calibrating or learning characterised by the learning conditions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请公开了一种油路自学习方法、装置、终端及服务器,属于汽油机油路控制技术领域。在车载电脑处,通过预控模型对获取的油路瞬态偏差进行无偏修正,再通过自学习模型对无偏油路瞬态偏差进行自学习,并输出油路自学习值,将包含当前自学习输出值的当前全工况数据发送自学习服务器;自学习服务器处对大量数据自学习后获得目标自学习区域,并反馈至车载电脑,最终根据目标学习区域对自学习模型进行更新。该方法下,能够最大程度降低发动机不同工况下的油路差异性,同时很大程度上降低了对工程师经验的依赖,改善混合气和排放表现。
Description
技术领域
本申请涉及汽油机油路控制技术领域,具体涉及一种油路自学习方法、装置、终端及服务器。
背景技术
油路自学习作为汽油机闭环控制油路精度的关键输入,对汽油机的运行起着至关重要的作用。若喷油量无法精确的控制,将会极大的影响混合气的占比,从而对燃油稳定性和排放都产生较大的负面影响。
在相关技术中,发动机管理系统(Engine Management System,EMS)的方案是根据发动机负荷和转速划分两个区域(如图5所示),进而进行加法修正和乘法修正。参见图5,左起第一方框对应汽油机的低转速区域小负荷进行加法修正,左起第二方框对应汽油机的中等负荷和转速区域进行乘法修正。
然而,继续参考图5,该划分方案存在以下问题:所划分框的区域并未覆盖所有实际发动机运行工况,由此自学习值应用到整个汽油机工况区域会存在部分工况点混合气无法保证精度的问题;再者,框的划分主要依靠工程师的经验,易因为经验不同导致划分的失误或不准确,最终导致修正的适用性降低。
发明内容
本申请提供了一种油路自学习方法、装置、终端及服务器,可以解决相关技术中分区自学习方法下各分区自学习值总体误差不理想的问题。所述技术方案如下:
根据本申请的一方面,本申请实施例提供了一种油路自学习方法,所述方法包括:
获取油路瞬态偏差,所述油路瞬态偏差通过前氧闭环控制获得;
通过预控模型对所述油路瞬态偏差进行无偏修正,得到无偏油路瞬态偏差;
通过自学习模型对所述无偏油路瞬态偏差进行自学习,并输出油路自学习值;
根据无偏油路瞬态偏差与所述油路自学习值,计算出当前自学习输出值;
将当前全工况数据发送自学习服务器,所述当前全工况数据包括所述当前自学习输出值、当前汽油机参数和数据发送条件,所述自学习服务器是所述车载电脑的云端服务器,所述自学习服务器用于确定出所述自学习模型更新用的目标学习区域。
根据本时申请的另一方面,本申请实施例提供了一种油路自学习方法,所述油路自学习方法用于自学习服务器,所述方法包括:
接收所述车载电脑发送的当前全工况数据,所述当前全工况数据包括当前自学习输出值、当前汽油机参数和数据发送条件,所述当前自学习输出值由所述车载电脑在油路瞬态偏差修正状态下通过自学习模型输出;
根据所述当前全工况数据和云端工况数据,融合出修正误差;
对所述修正误差进行最优区域划分,将自学习误差最小的区域确定为目标学习区域。
根据本申请的另一方面,本申请实施例提供了一种混合动力车辆自学习装置,所述装置用于车载电脑,所述装置包括:
偏差获取模块,用于获取油路瞬态偏差,所述油路瞬态偏差通过前氧闭环控制获得;
偏差修正模块,用于通过预控模型对所述油路瞬态偏差进行无偏修正,得到无偏油路瞬态偏差;
偏差学习模块,用于通过自学习模型对所述无偏油路瞬态偏差进行自学习,并输出油路自学习值;
学习输出模块,用于根据无偏油路瞬态偏差与所述油路自学习值,计算出当前自学习输出值;
数据发送模块,用于将当前全工况数据发送自学习服务器,所述当前全工况数据包括所述当前自学习输出值、当前汽油机参数和数据发送条件,所述自学习服务器是所述车载电脑的云端服务器。
根据本申请的另一方面,本申请实施例提供了一种混合动力车辆自学习装置,所述装置用于自学习服务器,所述装置包括:
数据接收模块,用于接收所述车载电脑发送的当前全工况数据,所述当前全工况数据包括当前自学习输出值、当前汽油机参数和数据发送条件,所述当前自学习输出值由所述车载电脑在油路瞬态偏差修正状态下通过自学习模型输出;
数据融合模块,用于根据所述当前全工况数据和云端工况数据,融合出修正误差;
区域划分模块,用于对所述修正误差进行最优区域划分,将自学习误差最小的区域确定为目标学习区域。
根据本申请的另一方面,提供了一种终端,所述终端包括处理器和存储器;所述存储器存储有至少一条指令,所述至少一条指令用于被所述处理器执行以实现如上述所述的油路自学习方法。
根据本申请的另一方面,提供了服务器,所述服务器包括处理器和存储器;所述存储器存储有至少一条指令,所述至少一条指令用于被所述处理器执行以实现如上述所述的油路自学习方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供了一种油路自学习方法,在车载电脑处,通过预控模型对获取的油路瞬态偏差进行无偏修正,再通过自学习模型对无偏油路瞬态偏差进行自学习,并输出油路自学习值,将包含当前自学习输出值的当前全工况数据发送自学习服务器;自学习服务器处对大量数据自学习后获得目标自学习区域,并反馈至车载电脑,最终根据目标学习区域对自学习模型进行更新。该方法下,能够最大程度降低发动机不同工况下的油路差异性,同时很大程度上降低了对工程师经验的依赖,改善混合气和排放表现。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,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的附图。
图1示出了本申请一个示例性实施例提供的油路自学习方法的流程图;
图2示出了本申请另一个示例性实施例提供的油路自学习方法的流程图;
图3示出了本申请一个示例性实施例提供的油路自学习装置的结构框图;
图4示出了本申请另一个示例性实施例提供的油路自学习装置的结构框图;
图5示出了相关技术中发动机运行工况点及油路自学习区域示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。此外,所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电气连接;可以是直接相连,也可以通过中间媒介间接相连,还可以是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
请参考图1,其示出了本申请一个示例性实施例提供的油路自学习方法的流程图。该方法由车载终端执行,该方法包括如下步骤:
步骤101,获取油路瞬态偏差,所述油路瞬态偏差通过前氧闭环控制获得。
在一种可能的实施方式中,前氧传感器识别尾气中空燃比浓度并与标准空燃比14.7对比,从而获取油路瞬态偏差。
步骤102,通过预控模型对所述油路瞬态偏差进行无偏修正,得到无偏油路瞬态偏差。
步骤103,通过自学习模型对所述无偏油路瞬态偏差进行自学习,并输出油路自学习值。
步骤104,根据无偏油路瞬态偏差与所述油路自学习值,计算出当前自学习输出值。
以乘法修正计算为例,用frm表示油路瞬态偏差,用fra now表示油路自学习值,用frm end表示当前自学习输出值。在某个稳定工况点,在自学习未完成情况下,滤波后的(frm-1)+fra now=fra end;时间无限自学习完成后,预控模型+自学习模型输出值(fraend),使frm=1(无偏),(frm-1)+fra now=fra end,即fra now=fra end。
综上来看,在一种可能的实施方式中,响应于油路瞬态偏差frm修正后结果为预设值1,将油路自学习值fra now确定为当前自学习输出值frm end。
步骤105,将当前全工况数据发送自学习服务器,所述当前全工况数据包括所述当前自学习输出值、当前汽油机参数和数据发送条件。
其中,自学习服务器是车载电脑的云端服务器,所述自学习服务器用于确定出所述自学习模型更新用的目标学习区域。
可选的,当前汽油机参数包括当前汽油机转速和当前汽油机负荷。
步骤106,自学习服务器接收车载电脑发送的当前全工况数据。
当前全工况数据包括当前自学习输出值frm end、当前汽油机参数和数据发送条件,当前自学习输出值frm end由车载电脑在油路瞬态偏差frm修正状态下通过自学习模型输出。
步骤107,自学习服务器根据当前全工况数据和云端工况数据,融合出修正误差MAP。
步骤108,自学习服务器对修正误差MAP进行最优区域划分,将自学习误差最小的区域确定为目标学习区域。
在一种可能的实施方式中,步骤108包括如下内容一和内容二。
内容一、在修正误差MAP中确定出备选格子,各个备选格子具有不同的自学习误差。
内容二、将自学习误差最小的备选格子所在区域确定为目标学习区域。
车载电脑将当前全工况数据发送到自学习服务器,自学习服务器对数据进行存储;大量自学习服务器的车辆油路偏差MAP和在运行单车油路偏差MAP进行融合,形成融合后的修正误差MAP,自学习服务器会根据融合后的修正误差MAP生成备选格子,然后基于备选格子进行加法和乘法自学习并将自学习的偏差存储下来;自学习服务器最终比较所有备选格子中学习得到的偏差值,将偏差最小的格子作为最终的目标学习区域。
步骤109,自学习服务器将目标学习区域发送至车载电脑,车载电脑用于根据目标学习区域对自学习模型进行更新。
步骤110,车载电脑获取自学习服务器发送的目标学习区域。
步骤111,车载电脑根据目标学习区域对自学习模型进行更新。
在一种可能的实施方式中,自学习服务器将更新后的目标学习区域发送给EMS用于自学习模型参数的更新。
本申请实施例提供了一种油路自学习方法,在车载电脑处,通过预控模型对获取的油路瞬态偏差进行无偏修正,再通过自学习模型对无偏油路瞬态偏差进行自学习,并输出油路自学习值,将包含当前自学习输出值的当前全工况数据发送自学习服务器;自学习服务器处对大量数据自学习后获得目标自学习区域,并反馈至车载电脑,最终根据目标学习区域对自学习模型进行更新。该方法下,能够最大程度降低发动机不同工况下的油路差异性,同时很大程度上降低了对工程师经验的依赖,改善混合气和排放表现。
请参考图2,其示出了本申请另一个示例性实施例提供的油路自学习方法的流程图。该方法适用于自学习服务器侧,包括如下步骤:
步骤201,响应于备选格子未生成,在修正误差MAP中生成待自学习格子。
步骤202,对待自学习格子进行自学习,得到备选格子。
步骤203,将备选格子进行存储。
本申请实施例在备选格子未存在的情况下实施,可以通过对待自学习格子进行自学习的方法得到备选格子。
图3是本申请一个示例性实施例提供的混合动力车辆自学习装置的结构框图。该装置用于车载电脑,包括:
偏差获取模块301,用于获取油路瞬态偏差,所述油路瞬态偏差通过前氧闭环控制获得;
偏差修正模块302,用于通过预控模型对所述油路瞬态偏差进行无偏修正,得到无偏油路瞬态偏差;
偏差学习模块303,用于通过自学习模型对所述无偏油路瞬态偏差进行自学习,并输出油路自学习值;
学习输出模块304,用于根据无偏油路瞬态偏差与所述油路自学习值,计算出当前自学习输出值;
数据发送模块305,用于将当前全工况数据发送自学习服务器,所述当前全工况数据包括所述当前自学习输出值、当前汽油机参数和数据发送条件,所述自学习服务器是所述车载电脑的云端服务器。
可选的,所述学习输出模块304,还用于响应于所述油路瞬态偏差修正后结果为预设值,将所述油路自学习值确定为所述当前自学习输出值。
可选的,所述当前汽油机参数条件包括当前汽油机转速和当前汽油机负荷。
可选的,所述装置还包括:
滤波处理装置,用于对所述油路瞬态偏差进行滤波处理。
可选的,所述装置还包括:
区域获取模块,用于获取所述自学习服务器发送的目标学习区域;
模型更新模块,用于根据所述目标学习区域对所述自学习模型进行更新。
图4是本申请一个示例性实施例提供的混合动力车辆自学习装置的结构框图。该装置用于自学习服务器,所述装置包括:
401,数据接收模块,用于接收所述车载电脑发送的当前全工况数据,所述当前全工况数据包括当前自学习输出值、当前汽油机参数和数据发送条件,所述当前自学习输出值由所述车载电脑在油路瞬态偏差修正状态下通过自学习模型输出;
402,数据融合模块,用于根据所述当前全工况数据和云端工况数据,融合出修正误差MAP;
403,区域划分模块,用于对所述修正误差进行最优区域划分,将自学习误差最小的区域确定为目标学习区域。
可选的,所述区域划分模块403,包括:
第一划分单元,用于在所述修正误差中确定出备选格子,各个备选格子具有不同的自学习误差;
第二划分单元,用于将自学习误差最小的备选格子所在区域确定为所述目标学习区域。
可选的,所述装置还包括:
格子生成模块,用于响应于所述备选格子未生成,在所述修正误差中生成待自学习格子;
自学习模块,用于对所述待自学习格子进行自学习,得到所述备选格子;
格子存储模块,用于将所述备选格子进行存储。
可选的,所述装置还包括:
区域发送模块,用于将所述目标学习区域发送至所述车载电脑,所述车载电脑用于根据所述目标学习区域对所述自学习模型进行更新。
本申请实施例还提供一种计算机可读存储介质,该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述任一实施例所述的油路自学习方法。
本申请还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述实施例中提供的油路自学习方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.一种油路自学习方法,其特征在于,所述油路自学习方法用于车载电脑,所述方法包括:
获取油路瞬态偏差,所述油路瞬态偏差通过前氧闭环控制获得;
通过预控模型对所述油路瞬态偏差进行无偏修正,得到无偏油路瞬态偏差;
通过自学习模型对所述无偏油路瞬态偏差进行自学习,并输出油路自学习值;
根据无偏油路瞬态偏差与所述油路自学习值,计算出当前自学习输出值;
将当前全工况数据发送自学习服务器,所述当前全工况数据包括所述当前自学习输出值、当前汽油机参数和数据发送条件,所述自学习服务器是所述车载电脑的云端服务器,所述自学习服务器用于确定出所述自学习模型更新用的目标学习区域。
2.如所述权利要求1所述的油路自学习方法,其特征在于,所述根据无偏油路瞬态偏差与所述油路自学习值,计算出当前自学习输出值,包括:
响应于所述油路瞬态偏差修正后结果为预设值,将所述油路自学习值确定为所述当前自学习输出值。
3.如所述权利要求1所述的油路自学习方法,其特征在于,所述当前汽油机参数条件包括当前汽油机转速和当前汽油机负荷。
4.如所述权利要求1所述的油路自学习方法,其特征在于,所述通过预控模型对所述油路瞬态偏差进行修正进行无偏修正之前,所述方法还包括:
对所述油路瞬态偏差进行滤波处理。
5.如所述权利要求1至4任一所述的油路自学习方法,其特征在于,所述方法还包括:
获取所述自学习服务器发送的目标学习区域;
根据所述目标学习区域对所述自学习模型进行更新。
6.一种油路自学习方法,其特征在于,所述油路自学习方法用于自学习服务器,所述方法包括:
接收所述车载电脑发送的当前全工况数据,所述当前全工况数据包括当前自学习输出值、当前汽油机参数和数据发送条件,所述当前自学习输出值由所述车载电脑在油路瞬态偏差修正状态下通过自学习模型输出;
根据所述当前全工况数据和云端工况数据,融合出修正误差;
对所述修正误差进行最优区域划分,将自学习误差最小的区域确定为目标学习区域。
7.如所述权利要求6所述的油路自学习方法,其特征在于,所述对所述修正误差进行最优区域划分,将自学习误差最小的区域确定为目标学习区域,包括:
在所述修正误差中确定出备选格子,各个备选格子具有不同的自学习误差;
将自学习误差最小的备选格子所在区域确定为所述目标学习区域。
8.如所述权利要求6所述的油路自学习方法,其特征在于,所述方法还包括:
响应于所述备选格子未生成,在所述修正误差中生成待自学习格子;
对所述待自学习格子进行自学习,得到所述备选格子;
将所述备选格子进行存储。
9.如所述权利要求6至8任一所述的油路自学习方法,其特征在于,所述方法还包括:
将所述目标学习区域发送至所述车载电脑,所述车载电脑用于根据所述目标学习区域对所述自学习模型进行更新。
10.一种油路自学习装置,其特征在于,所述装置用于车载电脑,所述装置包括:
偏差获取模块,用于获取油路瞬态偏差,所述油路瞬态偏差通过前氧闭环控制获得;
偏差修正模块,用于通过预控模型对所述油路瞬态偏差进行无偏修正,得到无偏油路瞬态偏差;
偏差学习模块,用于通过自学习模型对所述无偏油路瞬态偏差进行自学习,并输出油路自学习值;
学习输出模块,用于根据无偏油路瞬态偏差与所述油路自学习值,计算出当前自学习输出值;
数据发送模块,用于将当前全工况数据发送自学习服务器,所述当前全工况数据包括所述当前自学习输出值、当前汽油机参数和数据发送条件,所述自学习服务器是所述车载电脑的云端服务器。
11.一种油路自学习装置,其特征在于,所述油路自学习装置用于自学习服务器,所述装置包括:
数据接收模块,用于接收所述车载电脑发送的当前全工况数据,所述当前全工况数据包括当前自学习输出值、当前汽油机参数和数据发送条件,所述当前自学习输出值由所述车载电脑在油路瞬态偏差修正状态下通过自学习模型输出;
数据融合模块,用于根据所述当前全工况数据和云端工况数据,融合出修正误差;
区域划分模块,用于对所述修正误差进行最优区域划分,将自学习误差最小的区域确定为目标学习区域。
12.一种终端,其特征在于,所述终端包括处理器和存储器;所述存储器存储有至少一条指令,所述至少一条指令用于被所述处理器执行以实现如权利要求1至5任一所述的油路自学习方法。
13.一种服务器,其特征在于,所述服务器包括处理器和存储器;所述存储器存储有至少一条指令,所述至少一条指令用于被所述处理器执行以实现如权利要求6至9任一所述的油路自学习方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211040044.8A CN115306573B (zh) | 2022-08-29 | 油路自学习方法、装置、终端及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211040044.8A CN115306573B (zh) | 2022-08-29 | 油路自学习方法、装置、终端及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115306573A true CN115306573A (zh) | 2022-11-08 |
CN115306573B CN115306573B (zh) | 2024-07-05 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005016673A (ja) * | 2003-06-27 | 2005-01-20 | Aisin Seiki Co Ltd | 自動変速機の油圧特性値設定方法 |
CN111255585A (zh) * | 2018-11-30 | 2020-06-09 | 联合汽车电子有限公司 | 混合气多点自学习方法 |
CN112648096A (zh) * | 2020-12-04 | 2021-04-13 | 浙江吉利控股集团有限公司 | 一种油路偏差调节方法、装置、设备及存储介质 |
CN113090406A (zh) * | 2021-04-08 | 2021-07-09 | 联合汽车电子有限公司 | 自学习方法、车辆及可读存储介质 |
CN113239966A (zh) * | 2021-04-14 | 2021-08-10 | 联合汽车电子有限公司 | 混合气偏差自学习方法、系统、可读存储介质及电子设备 |
CN113236403A (zh) * | 2021-04-13 | 2021-08-10 | 联合汽车电子有限公司 | 混合气偏差自学习方法、系统以及可读存储介质 |
US20220058522A1 (en) * | 2020-08-24 | 2022-02-24 | Toyota Jidosha Kabushiki Kaisha | Model learning system, model learning method, and server |
WO2022083715A1 (zh) * | 2020-10-22 | 2022-04-28 | 中国第一汽车股份有限公司 | 一种点火角修正方法、装置、设备及存储介质 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005016673A (ja) * | 2003-06-27 | 2005-01-20 | Aisin Seiki Co Ltd | 自動変速機の油圧特性値設定方法 |
CN111255585A (zh) * | 2018-11-30 | 2020-06-09 | 联合汽车电子有限公司 | 混合气多点自学习方法 |
US20220058522A1 (en) * | 2020-08-24 | 2022-02-24 | Toyota Jidosha Kabushiki Kaisha | Model learning system, model learning method, and server |
WO2022083715A1 (zh) * | 2020-10-22 | 2022-04-28 | 中国第一汽车股份有限公司 | 一种点火角修正方法、装置、设备及存储介质 |
CN112648096A (zh) * | 2020-12-04 | 2021-04-13 | 浙江吉利控股集团有限公司 | 一种油路偏差调节方法、装置、设备及存储介质 |
CN113090406A (zh) * | 2021-04-08 | 2021-07-09 | 联合汽车电子有限公司 | 自学习方法、车辆及可读存储介质 |
CN113236403A (zh) * | 2021-04-13 | 2021-08-10 | 联合汽车电子有限公司 | 混合气偏差自学习方法、系统以及可读存储介质 |
CN113239966A (zh) * | 2021-04-14 | 2021-08-10 | 联合汽车电子有限公司 | 混合气偏差自学习方法、系统、可读存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20180059536A (ko) | 주유소 poi를 자동적으로 발견하는 방법, 장치, 저장 매체 및 기기 | |
CN112230966A (zh) | 一种ota升级方法及装置 | |
CN115306573B (zh) | 油路自学习方法、装置、终端及服务器 | |
JP2013124880A (ja) | 標高信頼度判定システム、データ整備システム、走行支援システム、並びに標高信頼度判定プログラム及び方法 | |
CN115306573A (zh) | 油路自学习方法、装置、终端及服务器 | |
CN112414415A (zh) | 高精度点云地图构建方法 | |
US9840160B2 (en) | Method for estimating the energy consumption of a motor vehicle | |
CN112395339B (zh) | 系统间数据准入校验方法、装置、计算机设备和存储介质 | |
CN116366780B (zh) | 用于帧同步的帧序号确定方法、装置及车辆 | |
CN115657647B (zh) | 故障确定方法、装置、车辆及存储介质 | |
CN114760077B (zh) | 基于区块链的异常数据检测方法、装置、存储介质及网关 | |
CN115348169B (zh) | 用于车载网关的路由配置方法、装置、设备和存储介质 | |
CN112906296B (zh) | 混合动力汽车全服役期能量优化方法、系统和存储介质 | |
CN115809192A (zh) | 通信校验方法、通信网络的测试方法和车辆的测试方法 | |
CN116562095A (zh) | 基于跌落工况的域控制器仿真优化方法、装置和电子设备 | |
CN114418196A (zh) | 车辆调度仿真方法、装置及系统 | |
CN114676781A (zh) | 车辆故障诊断预测方法、装置、设备及车辆 | |
CN114419033A (zh) | 缺陷识别方法、装置、电子装置及可读存储介质 | |
CN113343479A (zh) | 设备使用寿命的计算方法和装置 | |
US20220185321A1 (en) | An on-board control system for operating a vehicle | |
CN112284385B (zh) | 一种多捷联惯导切换方法及系统 | |
CN112838240A (zh) | 燃料电池车辆空气供应方法及装置、设备和车辆 | |
CN117939218A (zh) | 信息同步方法、装置、系统、车辆及存储介质 | |
CN115127270B (zh) | 一种压缩机电流环带宽的确定方法、装置及电子设备 | |
CN114608639B (zh) | 仪表算法标定方法、装置、终端、存储介质和系统 |
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 |