CN115817122B - 一种车载压缩机自动控制制冷方法 - Google Patents
一种车载压缩机自动控制制冷方法 Download PDFInfo
- Publication number
- CN115817122B CN115817122B CN202211630508.0A CN202211630508A CN115817122B CN 115817122 B CN115817122 B CN 115817122B CN 202211630508 A CN202211630508 A CN 202211630508A CN 115817122 B CN115817122 B CN 115817122B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- refrigeration
- deep learning
- hub
- platform
- 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
- 238000005057 refrigeration Methods 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 12
- 238000002156 mixing Methods 0.000 claims description 47
- 230000006870 function Effects 0.000 claims description 17
- 238000001816 cooling Methods 0.000 claims description 13
- 238000003672 processing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000004134 energy conservation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000007792 addition Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
Classifications
-
- 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
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/88—Optimized components or subsystems, e.g. lighting, actively controlled glasses
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
- Devices That Are Associated With Refrigeration Equipment (AREA)
Abstract
本发明根据信息传感器中的数据在深度学习制冷调配平台进行数据分析，根据分析结果准确判断出车辆的处理类型；车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，并对深度学习制冷调配平台内的调配模型进行算法验证；此方法一方面对车辆轮毂制冷操作高新技术的引入，不仅达到想要的制冷技术，而且减少潜在的行驶危险；对车辆压缩机制冷操作记录进行单独的数据库保存及更新，增加对驾驶人员使用习惯数据的保存。
Description
技术领域
本发明属于应用于车载压缩机自动控制制冷技术领域，具体而言，涉及一种车载压缩机自动控制制冷方法。
背景技术
车载压缩机是车辆中制冷系统的重要位置，起着压缩和输送制冷剂蒸气的作用；它对车辆空间内部传送冷气，达到驾驶时的最佳舒适；但是现今车载压缩机并没有对车辆轮毂进行制冷操作，并且缺少高技术的引入，没有对车辆轮毂达到自动调配的制冷操作；车辆轮毂经常在刹车或长时间行驶时产生大量的热量，需要对它进行及时的制冷操作，否则会产生驾驶危险；因此，由于对现实问题的需要特提出一种新的方法解决车辆轮毂制冷问题。
现今车载压缩机一方面缺少对车辆轮毂制冷操作高新技术的引入，不仅没有达到想要的制冷技术，而且增加潜在的行驶危险；另一方面并没有对车辆压缩机制冷操作记录进行单独的数据库保存及更新，缺少对驾驶人员使用习惯数据的保存。
发明内容
本发明是基于上述技术问题，针对的车载压缩机自动控制制冷提出的一种车载压缩机自动控制制冷方法；不仅缺少对车辆轮毂制冷操作高新技术的引入，而且并没有对车辆压缩机制冷操作记录进行单独的数据库保存及更新，缺少对驾驶人员使用习惯数据的保存。
本发明是这样实现的：
本发明的提出一种车载压缩机自动控制制冷方法，该方法应用了制冷机、制冷管、报警装置、车辆轮毂、深度学习制冷调配平台、信息传感器和车辆独立制冷数据库；所述方法包括以下步骤：
步骤1:车辆轮毂内部的信息传感器中的数据实时传送到深度学习制冷调配平台；
步骤2：将信息传感器中的数据上传到深度学习制冷调配平台进行分析，确定车辆对应的处理类型，其操作方法如下：
步骤2.1：将信息传感器中的数据上传到深度学习制冷调配平台；
步骤2.2：根据信息传感器中的数据在深度学习制冷调配平台进行数据分析；
步骤2.3：根据分析结果准确判断出车辆的处理类型；
步骤3：对该车辆对应的处理类型进行识别判断，若为车辆刹车类型，则从深度学习制冷调配平台中提取对应的处理方法，进而按照该处理方法进行处理，并执行步骤4；若为车辆长行驶类型，则从深度学习制冷调配平台中提取对应的处理方法，进而按照该处理方法进行处理，并执行步骤5；
步骤4:深度学习制冷调配平台对车辆判断为车辆刹车类型，报警装置在车辆内部提示；制冷机通过制冷管向车辆轮毂内制冷，制冷方式依据深度学习制冷调配平台内数据调配；
步骤5：深度学习制冷调配平台对车辆判断为车辆长行驶类型，报警装置在车辆内部提示；制冷机通过制冷管向车辆轮毂内制冷，制冷方式依据深度学习制冷调配平台内数据调配；
步骤6：车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，并对深度学习制冷调配平台内的调配模型进行算法验证。
根据本发明方面的一种能够实现的方式，所述步骤1中通过车辆轮毂内部的信息传感器中的数据实时传送到深度学习制冷调配平台具体操作方法包括：
车辆轮毂内部的信息传感器中的数据包括：温度、压力、湿度、车辆轮毂转动状态和车辆轮毂实时速度等数据；对车辆轮毂内部的信息传感器中的数据标记为Up，其中p=0，1,2,...,n；n为正整数，表示车辆轮毂内部的信息传感器中的数据内p可取值的最大值。
根据本发明方面的一种能够实现的方式，所述步骤2.2信息传感器中的数据在深度学习制冷调配平台进行数据分析中操作方法包括：
深度学习制冷调配平台包括车辆动态识别模型和车辆制冷调配模型；车辆动态识别模型对信息传感器中的数据进行判定，主要判定数据为对车辆轮毂中的温度、车辆轮毂转动状态和车辆轮毂实时速度；依据车辆动态识别模型中训练好的数据集进行数据验证，根据数据结果判定出车辆的处理类型；再依据车辆动态识别模型内已有训练好的数据集的基础之上，增加以下处理车辆类型确定性标签，防止出现判定概率模糊情况；
处理车辆类型确定性标签为：
| 车辆轮毂中的温度 | 温度逐步增高 | 温度突然增高 | 温度逐步升高 |
| 车辆轮毂转动状态 | 转动 | 转动 | 不转动 |
| 车辆轮毂实时速度 | 逐步减慢 | 迅速减慢 | 零或接近零 |
| 处理车辆类型 | 车辆长行驶类型 | 车辆刹车类型 | 车辆长行驶类型 |
考虑到车辆特殊情况轮毂产生热量为车辆行驶速度为零，长时间停放在温度高的地区，为解决车辆轮毂过热问题，此制冷调配方式确定为车辆长行驶类型，它相对车辆刹车类型，制冷效果更缓和。
根据本发明方面的一种能够实现的方式，所述步骤4中深度学习制冷调配平台对车辆判断为车辆刹车类型操作方法包括：假设车辆的质量为，单位为千克；刹车前的速度为/>，单位为米每秒；刹车后的速度为/>，单位为米每秒；产生的动能为/>，单位为焦耳；
车辆刹车类型产生的热量数学公式为：
；
根据能量守恒定量，车辆产生的动能就是对热量的产生，除去车辆其他部位热量的消耗，过多的热量在车辆轮毂上产生；
深度学习制冷调配平台中的车辆制冷调配模型依据车辆刹车产生的热量，在训练好的数据集进行深度学习，并按模型训练给出的制冷时间进行制冷操作，制冷机通过制冷管向车辆轮毂内制冷；制冷方式要在预设的安全范围内制冷操作，防止过多过快的制冷对车辆轮毂的物理伤害；制冷结束标准是以车辆轮毂内的温度是预设在标准范围内为准，若在制冷时间范围内达到了车辆轮毂制冷标准，制冷机自动关闭；若在制冷时间范围未内达到了车辆轮毂制冷标准，制冷机继续工作直至达到车辆轮毂制冷标准;
报警装置在车辆内部提示，提示信息内容并且必须让驾驶人手动关闭操作，并对深度学习制冷调配平台中的深度学习模型操作的方式进行反馈。
根据本发明方面的一种能够实现的方式，所述步骤5中深度学习制冷调配平台对车辆判断为车辆长行驶类型具体操作方法包括：
假设车辆行驶与地面的摩擦因数为u，车辆对地面的压力为N，单位为牛顿；车辆的摩擦力为f，单位为牛顿；行驶的距离为s，单位为米；车辆的做的有用功为W2，单位为焦耳；
车辆长行驶类型产生的热量数学公式为：
；
根据能量守恒定量，W2有用功为车辆在前进中克服地面的摩擦，空气助力以及车辆动能的总和；车辆在长时间行驶时，车辆轮毂与地面产生的摩擦力，结合行驶的距离就是车辆产生的热量；除去车辆其他部位热量的消耗，过多的热量在车辆轮毂上产生；对车辆长行驶类型制冷操作方式与步骤4相同，不同点是在深度学习制冷调配平台中的车辆制冷调配模型，依据对不同处理车辆类型和车辆产生热量不同，根据在训练好的数据集进行深度学习，并按模型训练给出的制冷时间进行制冷操作。
根据本发明方面的一种能够实现的方式，所述步骤6中车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，并对深度学习制冷调配平台内的调配模型进行算法验证操作方法包括：
车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，对车辆产生的每一次制冷操作都进行实时记录，并对深度学习制冷调配平台内的调配模型进行算法验证；
深度学习制冷调配平台包括车辆动态识别模型和车辆制冷调配模型；2种模型都是在处理二分类问题上，车辆动态识别模型判定车辆是车辆长行驶类型或者车辆刹车类型，车辆制冷调配模型判定是对车辆是否制冷操作；采用对数据处理运用sigmoid激活函数，损失函数采用二分类的交叉熵损失函数；
假设y是属于某一个类别的真实概率，是属于某一个类别的预测概率，L用来衡量真实值与预测值之间差异性的损失结果；车辆动态识别模型中车辆长行驶类型和车辆刹车类型真实值分别设定为0和1；车辆制冷调配模型判定是对车辆制冷操作和车辆制冷不操作真实值分别设定为0和1；
根据数学计算公式：
；
L的值是在0和1之间，L的值越小，说明基于深度学习制冷调配平台内的模型越准确，L的值越大，说明基于深度学习制冷调配平台内的模型越不准确，需要对训练方式进行调整及修改；
Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线；在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的激活函数，将变量映射到0,1之间。
一种云端系统，根据信息传感器中的数据在深度学习制冷调配平台进行数据分析，准确判断出车辆的处理类型；通过云端计算及分析对车载压缩机自动控制制冷。
基于上述任一方面，本发明的有益效果为：
1.本发明根据信息传感器中的数据在深度学习制冷调配平台进行数据分析，根据分析结果准确判断出车辆的处理类型；此方法一方面对车辆轮毂制冷操作高新技术的引入，不仅达到想要的制冷技术，而且减少潜在的行驶危险。
2.本发明车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，并对深度学习制冷调配平台内的调配模型进行算法验证；此方法对车辆压缩机制冷操作记录进行单独的数据库保存及更新，增加对驾驶人员使用习惯数据的保存。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的方法实施步骤流程图。
具体实施方式
下面将结合本发明实施以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
结合图1，一种车载压缩机自动控制制冷方法，该方法应用了制冷机、制冷管、报警装置、车辆轮毂、深度学习制冷调配平台、信息传感器和车辆独立制冷数据库；其特征在于，所述方法包括以下步骤：
步骤1:车辆轮毂内部的信息传感器中的数据实时传送到深度学习制冷调配平台；
在本发明的具体实施例中，所述步骤1中通过车辆轮毂内部的信息传感器中的数据实时传送到深度学习制冷调配平台具体操作方法包括：
车辆轮毂内部的信息传感器中的数据包括：温度、压力、湿度、车辆轮毂转动状态和车辆轮毂实时速度等数据；对车辆轮毂内部的信息传感器中的数据标记为Up，其中p=0，1,2,...,n；n为正整数，表示车辆轮毂内部的信息传感器中的数据内p可取值的最大值。
步骤2：将信息传感器中的数据上传到深度学习制冷调配平台进行分析，确定车辆对应的处理类型，其操作方法如下：
步骤2.1：将信息传感器中的数据上传到深度学习制冷调配平台；
步骤2.2：根据信息传感器中的数据在深度学习制冷调配平台进行数据分析；
在本发明的具体实施例中，所述步骤2.2信息传感器中的数据在深度学习制冷调配平台进行数据分析中操作方法包括：
深度学习制冷调配平台包括车辆动态识别模型和车辆制冷调配模型；车辆动态识别模型对信息传感器中的数据进行判定，主要判定数据为对车辆轮毂中的温度、车辆轮毂转动状态和车辆轮毂实时速度；依据车辆动态识别模型中训练好的数据集进行数据验证，根据数据结果判定出车辆的处理类型；再依据车辆动态识别模型内已有训练好的数据集的基础之上，增加以下处理车辆类型确定性标签，防止出现判定概率模糊情况；
处理车辆类型确定性标签为：
| 车辆轮毂中的温度 | 温度逐步增高 | 温度突然增高 | 温度逐步升高 |
| 车辆轮毂转动状态 | 转动 | 转动 | 不转动 |
| 车辆轮毂实时速度 | 逐步减慢 | 迅速减慢 | 零或接近零 |
| 处理车辆类型 | 车辆长行驶类型 | 车辆刹车类型 | 车辆长行驶类型 |
考虑到车辆特殊情况轮毂产生热量为车辆行驶速度为零，长时间停放在温度高的地区，为解决车辆轮毂过热问题，此制冷调配方式确定为车辆长行驶类型，它相对车辆刹车类型，制冷效果更缓和。
步骤2.3：根据分析结果准确判断出车辆的处理类型；
步骤3：对该车辆对应的处理类型进行识别判断，若为车辆刹车类型，则从深度学习制冷调配平台中提取对应的处理方法，进而按照该处理方法进行处理，并执行步骤4；若为车辆长行驶类型，则从深度学习制冷调配平台中提取对应的处理方法，进而按照该处理方法进行处理，并执行步骤5；
步骤4:深度学习制冷调配平台对车辆判断为车辆刹车类型，报警装置在车辆内部提示；制冷机通过制冷管向车辆轮毂内制冷，制冷方式依据深度学习制冷调配平台内数据调配；
在本发明的具体实施例中，所述步骤4中深度学习制冷调配平台对车辆判断为车辆刹车类型操作方法包括：
假设车辆的质量为，单位为千克；刹车前的速度为/>，单位为米每秒；刹车后的速度为/>，单位为米每秒；产生的动能为/>，单位为焦耳；
车辆刹车类型产生的热量数学公式为：
；
根据能量守恒定量，车辆产生的动能就是对热量的产生，除去车辆其他部位热量的消耗，过多的热量在车辆轮毂上产生；
深度学习制冷调配平台中的车辆制冷调配模型依据车辆刹车产生的热量，在训练好的数据集进行深度学习，并按模型训练给出的制冷时间进行制冷操作，制冷机通过制冷管向车辆轮毂内制冷；制冷方式要在预设的安全范围内制冷操作，防止过多过快的制冷对车辆轮毂的物理伤害；制冷结束标准是以车辆轮毂内的温度是预设在标准范围内为准，若在制冷时间范围内达到了车辆轮毂制冷标准，制冷机自动关闭；若在制冷时间范围未内达到了车辆轮毂制冷标准，制冷机继续工作直至达到车辆轮毂制冷标准;
报警装置在车辆内部提示，提示信息内容并且必须让驾驶人手动关闭操作，并对深度学习制冷调配平台中的深度学习模型操作的方式进行反馈。
步骤5：深度学习制冷调配平台对车辆判断为车辆长行驶类型，报警装置在车辆内部提示；制冷机通过制冷管向车辆轮毂内制冷，制冷方式依据深度学习制冷调配平台内数据调配；
在本发明的具体实施例中，所述步骤5中深度学习制冷调配平台对车辆判断为车辆长行驶类型具体操作方法包括：
假设车辆行驶与地面的摩擦因数为u，车辆对地面的压力为N，单位为牛顿；车辆的摩擦力为f，单位为牛顿；行驶的距离为s，单位为米；车辆的做的有用功为W2，单位为焦耳；
车辆长行驶类型产生的热量数学公式为：
；
根据能量守恒定量，W2有用功为车辆在前进中克服地面的摩擦，空气助力以及车辆动能的总和；车辆在长时间行驶时，车辆轮毂与地面产生的摩擦力，结合行驶的距离就是车辆产生的热量；除去车辆其他部位热量的消耗，过多的热量在车辆轮毂上产生；对车辆长行驶类型制冷操作方式与步骤4相同，不同点是在深度学习制冷调配平台中的车辆制冷调配模型，依据对不同处理车辆类型和车辆产生热量不同，根据在训练好的数据集进行深度学习，并按模型训练给出的制冷时间进行制冷操作。
步骤6：车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，并对深度学习制冷调配平台内的调配模型进行算法验证。
在本发明的具体实施例中，所述步骤6中车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，并对深度学习制冷调配平台内的调配模型进行算法验证操作方法包括：
车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，对车辆产生的每一次制冷操作都进行实时记录，并对深度学习制冷调配平台内的调配模型进行算法验证；
深度学习制冷调配平台包括车辆动态识别模型和车辆制冷调配模型；2种模型都是在处理二分类问题上，车辆动态识别模型判定车辆是车辆长行驶类型或者车辆刹车类型，车辆制冷调配模型判定是对车辆是否制冷操作；采用对数据处理运用sigmoid激活函数，损失函数采用二分类的交叉熵损失函数；
假设y是属于某一个类别的真实概率，是属于某一个类别的预测概率，L用来衡量真实值与预测值之间差异性的损失结果；车辆动态识别模型中车辆长行驶类型和车辆刹车类型真实值分别设定为0和1；车辆制冷调配模型判定是对车辆制冷操作和车辆制冷不操作真实值分别设定为0和1；
根据数学计算公式：
；
L的值是在0和1之间，L的值越小，说明基于深度学习制冷调配平台内的模型越准确，L的值越大，说明基于深度学习制冷调配平台内的模型越不准确，需要对训练方式进行调整及修改；
Sigmoid函数是一个在生物学中常见的S型函数，也称为S型生长曲线；在信息科学中，由于其单增以及反函数单增等性质，Sigmoid函数常被用作神经网络的激活函数，将变量映射到0,1之间。
一种云端系统，根据信息传感器中的数据在深度学习制冷调配平台进行数据分析，准确判断出车辆的处理类型；通过云端计算及分析对车载压缩机自动控制制冷。
本发明根据信息传感器中的数据在深度学习制冷调配平台进行数据分析，根据分析结果准确判断出车辆的处理类型；车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，并对深度学习制冷调配平台内的调配模型进行算法验证；此方法一方面对车辆轮毂制冷操作高新技术的引入，不仅达到想要的制冷技术，而且减少潜在的行驶危险；对车辆压缩机制冷操作记录进行单独的数据库保存及更新，增加对驾驶人员使用习惯数据的保存。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (6)
1.一种车载压缩机自动控制制冷方法，该方法应用了制冷机、制冷管、报警装置、车辆轮毂、深度学习制冷调配平台、信息传感器和车辆独立制冷数据库；其特征在于，所述方法包括以下步骤：
步骤1:车辆轮毂内部的信息传感器中的数据实时传送到深度学习制冷调配平台；
步骤2：将信息传感器中的数据上传到深度学习制冷调配平台进行分析，确定车辆对应的处理类型，其操作方法如下：
步骤2.1：将信息传感器中的数据上传到深度学习制冷调配平台；
步骤2.2：根据信息传感器中的数据在深度学习制冷调配平台进行数据分析；
步骤2.3：根据分析结果准确判断出车辆的处理类型；
步骤3：对该车辆对应的处理类型进行识别判断，若为车辆刹车类型，则从深度学习制冷调配平台中提取对应的处理方法，进而按照该处理方法进行处理，并执行步骤4；若为车辆长行驶类型，则从深度学习制冷调配平台中提取对应的处理方法，进而按照该处理方法进行处理，并执行步骤5；
步骤4:深度学习制冷调配平台对车辆判断为车辆刹车类型，报警装置在车辆内部提示；制冷机通过制冷管向车辆轮毂内制冷，制冷方式依据深度学习制冷调配平台内数据调配；所述步骤4中深度学习制冷调配平台对车辆判断为车辆刹车类型操作方法包括：
假设车辆的质量为，单位为千克；刹车前的速度为/>，单位为米每秒；刹车后的速度为/>，单位为米每秒；产生的动能为/>，单位为焦耳；
车辆刹车类型产生的热量数学公式为：
；
根据能量守恒定量，车辆产生的动能就是对热量的产生，除去车辆其他部位热量的消耗，过多的热量在车辆轮毂上产生；
深度学习制冷调配平台中的车辆制冷调配模型依据车辆刹车产生的热量，在训练好的数据集进行深度学习，并按模型训练给出的制冷时间进行制冷操作，制冷机通过制冷管向车辆轮毂内制冷；制冷方式要在预设的安全范围内制冷操作，防止过多过快的制冷对车辆轮毂的物理伤害；制冷结束标准是以车辆轮毂内的温度是预设在标准范围内为准，若在制冷时间范围内达到了车辆轮毂制冷标准，制冷机自动关闭；若在制冷时间范围未内达到了车辆轮毂制冷标准，制冷机继续工作直至达到车辆轮毂制冷标准;
报警装置在车辆内部提示，提示信息内容并且必须让驾驶人手动关闭操作，并对深度学习制冷调配平台中的深度学习模型操作的方式进行反馈；
步骤5：深度学习制冷调配平台对车辆判断为车辆长行驶类型，报警装置在车辆内部提示；制冷机通过制冷管向车辆轮毂内制冷，制冷方式依据深度学习制冷调配平台内数据调配；所述步骤5中深度学习制冷调配平台对车辆判断为车辆长行驶类型具体操作方法包括：
假设车辆行驶与地面的摩擦因数为u，车辆对地面的压力为N，单位为牛顿；车辆的摩擦力为f，单位为牛顿；行驶的距离为s，单位为米；车辆的做的有用功为W2，单位为焦耳；
车辆长行驶类型产生的热量数学公式为：
；
根据能量守恒定量，W2有用功为车辆在前进中克服地面的摩擦，空气助力以及车辆动能的总和；车辆在长时间行驶时，车辆轮毂与地面产生的摩擦力，结合行驶的距离就是车辆产生的热量；除去车辆其他部位热量的消耗，过多的热量在车辆轮毂上产生；对车辆长行驶类型制冷操作方式与步骤4相同，不同点是在深度学习制冷调配平台中的车辆制冷调配模型，依据对不同处理车辆类型和车辆产生热量不同，根据在训练好的数据集进行深度学习，并按模型训练给出的制冷时间进行制冷操作；
步骤6：车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，并对深度学习制冷调配平台内的调配模型进行算法验证。
2.根据权利要求1所述的一种车载压缩机自动控制制冷方法，其特征在于：所述步骤1中通过车辆轮毂内部的信息传感器中的数据实时传送到深度学习制冷调配平台具体操作方法包括：
车辆轮毂内部的信息传感器中的数据包括：温度、压力、湿度、车辆轮毂转动状态和车辆轮毂实时速度。
3.根据权利要求1所述的一种车载压缩机自动控制制冷方法，其特征在于：所述步骤2.2信息传感器中的数据在深度学习制冷调配平台进行数据分析中操作方法包括：
深度学习制冷调配平台包括车辆动态识别模型和车辆制冷调配模型；车辆动态识别模型对信息传感器中的数据进行判定，判定数据为对车辆轮毂中的温度、车辆轮毂转动状态和车辆轮毂实时速度；依据车辆动态识别模型中训练好的数据集进行数据验证，根据数据结果判定出车辆的处理类型；再依据车辆动态识别模型内已有训练好的数据集的基础之上，增加以下处理车辆类型确定性标签，防止出现判定概率模糊情况；
处理车辆类型确定性标签为：
考虑到车辆特殊情况轮毂产生热量为车辆行驶速度为零，长时间停放在温度高的地区，为解决车辆轮毂过热问题，此制冷调配方式确定为车辆长行驶类型，它相对车辆刹车类型，制冷效果更缓和。
4.根据权利要求1所述的一种车载压缩机自动控制制冷方法，其特征在于：所述步骤6中车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，并对深度学习制冷调配平台内的调配模型进行算法验证操作方法包括：
车辆独立制冷数据库实时记录及更新每一次车辆制冷处理方式，对车辆产生的每一次制冷操作都进行实时记录，并对深度学习制冷调配平台内的调配模型进行算法验证；
深度学习制冷调配平台包括车辆动态识别模型和车辆制冷调配模型；2种模型都是在处理二分类问题上，车辆动态识别模型判定车辆是车辆长行驶类型或者车辆刹车类型，车辆制冷调配模型判定是对车辆是否制冷操作；采用对数据处理运用sigmoid激活函数，损失函数采用二分类的交叉熵损失函数；
假设y是属于某一个类别的真实概率，是属于某一个类别的预测概率，L用来衡量真实值与预测值之间差异性的损失结果；车辆动态识别模型中车辆长行驶类型和车辆刹车类型真实值分别设定为0和1；车辆制冷调配模型判定是对车辆制冷操作和车辆制冷不操作真实值分别设定为0和1；
根据数学计算公式：
；
L的值是在0和1之间，L的值越小，说明基于深度学习制冷调配平台内的模型越准确，L的值越大，说明基于深度学习制冷调配平台内的模型越不准确，需要对训练方式进行调整及修改。
5.一种云端系统，其特征在于：根据信息传感器中的数据在深度学习制冷调配平台进行数据分析，准确判断出车辆的处理类型；通过云端计算及分析对车载压缩机自动控制，以执行上述权利要求1-4任一项所述的一种车载压缩机自动控制制冷方法。
6.一种云端系统，其特征在于：所述云端在网络下，依靠云端计算及分析服务程序对车载压缩机自动控制实现上述权利要求1-4任一项所述的一种车载压缩机自动控制制冷方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211630508.0A CN115817122B (zh) | 2022-12-19 | 2022-12-19 | 一种车载压缩机自动控制制冷方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211630508.0A CN115817122B (zh) | 2022-12-19 | 2022-12-19 | 一种车载压缩机自动控制制冷方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115817122A CN115817122A (zh) | 2023-03-21 |
| CN115817122B true CN115817122B (zh) | 2024-05-17 |
Family
ID=85516562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211630508.0A Active CN115817122B (zh) | 2022-12-19 | 2022-12-19 | 一种车载压缩机自动控制制冷方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115817122B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102407835A (zh) * | 2010-09-17 | 2012-04-11 | F·波尔希名誉工学博士公司 | 用于为冷却器单元引导冷却器排出空气的空气引导装置 |
| KR20160051336A (ko) * | 2014-11-03 | 2016-05-11 | 오일신 | 자동차 부품의 과열방지 및 동결방지를 위한 장치 |
| WO2019117695A1 (fr) * | 2017-12-11 | 2019-06-20 | Universite Internationale De Rabat | Système de climatisation automobile hybride utilisant l'énergie du système de freinage |
-
2022
- 2022-12-19 CN CN202211630508.0A patent/CN115817122B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102407835A (zh) * | 2010-09-17 | 2012-04-11 | F·波尔希名誉工学博士公司 | 用于为冷却器单元引导冷却器排出空气的空气引导装置 |
| KR20160051336A (ko) * | 2014-11-03 | 2016-05-11 | 오일신 | 자동차 부품의 과열방지 및 동결방지를 위한 장치 |
| WO2019117695A1 (fr) * | 2017-12-11 | 2019-06-20 | Universite Internationale De Rabat | Système de climatisation automobile hybride utilisant l'énergie du système de freinage |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115817122A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105160883B (zh) | 一种基于大数据的节能驾驶行为分析方法 | |
| CN108736109B (zh) | 电池热管理系统及电池温度的调节方法 | |
| CN104329776B (zh) | 电动汽车的空调控制方法及装置 | |
| CN107940679B (zh) | 一种基于数据中心冷水机组性能曲线的群控方法 | |
| CN105015303A (zh) | 一种汽车开空调动力控制的优化方法 | |
| CN112361538B (zh) | 一种回油控制方法、装置及多联机系统 | |
| CN113685962B (zh) | 一种基于相关性分析的机房温度高效控制方法及其系统 | |
| CN116691282B (zh) | 一种基于互联网的汽车车载空调运行控制系统 | |
| US20120198865A1 (en) | Vehicle air conditioning control | |
| CN111079316B (zh) | 低温续驶里程衰减整车热管理设计目标分解模型与分析方法 | |
| CN108248624A (zh) | 动车车厢的温度检测及调节系统 | |
| CN109424573A (zh) | 冷却风扇转速控制装置、控制系统及其转速控制方法 | |
| CN115817122B (zh) | 一种车载压缩机自动控制制冷方法 | |
| CN106394245A (zh) | 一种车速控制方法及装置 | |
| CN110154682B (zh) | 用于车辆空调的温度控制方法及系统 | |
| CN108108841A (zh) | 一种基于大数据库的混合动力能量管理策略全局优化系统 | |
| CN107288863A (zh) | 用于车辆的压缩机控制装置和方法 | |
| US10946724B2 (en) | Apparatus and method of controlling compressor of air conditioning device of vehicle | |
| CN114312286B (zh) | 一种主动式格栅控制方法、存储介质及智能终端 | |
| WO2023094125A1 (en) | A device and method for handling data associated with energy consumption of a vehicle | |
| CN204801455U (zh) | 一种能消除异味的汽车空调系统 | |
| CN209470886U (zh) | 一种检验汽车空调制冷功能的设施 | |
| CN114290871A (zh) | 车用空调及其冷凝风机的控制方法、装置和存储介质 | |
| CN114194001A (zh) | 一种便携式移动空调的控制方法、系统及移动空调 | |
| CN116494714A (zh) | 车载空调的控制方法及空调器 |
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 |