CN116258273A - 湿式双离合变速器液压预测方法、系统、车辆及存储介质 - Google Patents
湿式双离合变速器液压预测方法、系统、车辆及存储介质 Download PDFInfo
- Publication number
- CN116258273A CN116258273A CN202310342560.4A CN202310342560A CN116258273A CN 116258273 A CN116258273 A CN 116258273A CN 202310342560 A CN202310342560 A CN 202310342560A CN 116258273 A CN116258273 A CN 116258273A
- Authority
- CN
- China
- Prior art keywords
- hydraulic
- clutch transmission
- prediction
- training
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Control Of Transmission Device (AREA)
Abstract
本发明公开了一种湿式双离合变速器液压预测方法、系统、车辆及存储介质,包括:步骤1:在不同工况下对车辆各种特征进行采集,对采集的数据进行处理,并保存为数据集;步骤2:将数据集分成训练集和测试集;步骤3:利用数据集对多种机器学习模型进行训练,并对各机器学习模型的训练结果进行数据评估,评估出最优预测模型;步骤4:对最优预测模型的特征属性的重要性进行分析排序,筛选特征形成训练数据集并训练最优预测模型,得到训练好的湿式双离合变速器液压预测模型;步骤5:使用训练好的湿式双离合变速器液压预测模对离合自动变压器液压值进行预测。本发明能够对多种工况下的湿式双离合变速器液压进行预测。
Description
技术领域
本发明湿式双离合变速器技术领域,具体涉及一种湿式双离合变速器液压预测方法、系统、车辆及存储介质。
背景技术
双离合器变速器具有换挡时间短、动力损失小以及换挡平滑等优点,现已被广泛运用到汽车领域中。目前一般的双离合器变速器都包含液压控制装置,其作用是通过充排油达到控制油压的目的。精准控制液压至关重要,这关系到离合器能否顺利平稳换挡。然而目前湿式双离合器变速器液压控制系统中各离合器的液压数据是对离合器的各物理系统进行数学建模仿真计算得出的。由于仿真计算或者实际数据采集都很难考虑到现实中的所有情况(数学建模的过程中很多是理想情况下的假设),并且仿真计算拿到结果需要消耗一定时间,这就导致仿真计算出的液压数据与实际液压有一定误差和时滞,最终影响整个控制系统。如专利文献CN113719603A公开的湿式双离合自动变速器液压控制方法及装置,包括:获取变速器的目标冷却润滑流量,目标冷却润滑流量包括主离合器的目标冷却流量、双离合器的目标冷却流量及轴齿的目标润滑流量;确定当前的变速器油温对应的目标关系表,目标关系表包括冷却润滑流量与油泵转速、流量控制电磁阀的控制电流之间的对应关系;在目标关系表中查找目标冷却润滑流量对应的油泵转速和控制电流;根据查找结果及主离合器的冷却需求控制液压模块工作,以控制变速器的冷却润滑流量。目标关系表采用线性插值计算法得出,具有计算精度不高的问题。
因此,有必要开发一种湿式双离合变速器液压预测方法、系统、车辆及存储介质。
发明内容
本发明的目的在于提供一种湿式双离合变速器液压预测方法、系统、车辆及存储介质,能较为准确且快速地预测指定工况下的液压值。
第一方面,本发明所述的一种湿式双离合变速器液压预测方法,包括以下步骤:
步骤1:在不同工况下对车辆各种特征进行采集,对采集的数据进行处理,并保存为数据集;
步骤2:将数据集分成训练集和测试集;
步骤3:利用数据集对多种机器学习模型进行训练,并对各机器学习模型的训练结果进行数据评估,评估出最优预测模型;
步骤4:对最优预测模型的特征属性的重要性进行分析排序,筛选特征形成训练数据集并训练最优预测模型,得到训练好的湿式双离合变速器液压预测模型;
步骤5:使用训练好的湿式双离合变速器液压预测模对离合自动变压器液压值进行预测。
可选地,所述步骤4包括:
步骤S41:从原训练的数据集中,应用booststrap方法有放回地随机抽取m个新自助样本集,并由此构建m棵决策树,每次未被抽到的样本组成m个袋外数据;
步骤S42:设有N个特征,在每一棵树的每个节点处随机抽取n个特征,计算每个特征的蕴含信息量,在特征中选择一个最具分类能力的特征进行节点分裂;
步骤S43:按照步骤S42的方法对m棵决策树进行分裂组成随机森林;
步骤S44:用随机森林对新数据进行回归结果求平均,将得到的平均值作为最终的强分类器的输出;
步骤S45:最优预测模型经过训练集训练后,再使用测试集进行拟合分析。
可选地,所述步骤1获取不同测量工况下的温度、液压压力、电流值、采样频率,以及不同测量工况下测量到的请求电流、请求压力、实际电流、离合器Ⅰ的实际压力值和离合器Ⅱ的实际压力值。
可选地,所述步骤4中,筛选特征包括时间、请求电流、温度、升降压标志。
可选地,所述步骤3中,选择MAE、MSE和R2评价指标对机器学习模型的训练结果进行评估;其中,MAE为平均绝对误差;MSE是均方误差;R2是一个评价拟合好坏的指标,R2越接近1表示模型越精确。
可选地,所述机器学习模型包括随机森林模型、XGBoost、决策树、LightGBM。
可选地,选择MAE、MAE偏小,且R2等于1的随机森林模型作为最优预测模型。
第二方面,本发明所述的一种湿式双离合变速器液压预测系统,包括存储器和控制器,所述存储器内存储有计算机可读程序,所述计算机可读程序被调用时能执行如本发明所述的湿式双离合变速器液压预测方法的步骤。
第三方面,本发明所述的一种车辆,采用如本发明所述的湿式双离合变速器液压预测系统。
第四方面,本发明所述的一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时能执行如本发明所述的湿式双离合变速器液压预测方法的步骤。
本发明具有以下优点:本发明基于机器学习的方法,利用实验室测量到的部分工况下的数据训练一个模型,该模型能够较为准确且快速地预测出指定工况下的液压值,解决了现有离合器液压计算精度不够,不同工况下液压响应难以计算的问题。
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地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本实施例的流程图;
图2是本实施例中所用随机森林算法的原理图;
图3是本实施例中充油过程离合器液压变化示意图;
图4是本实施例中数据处理中时间处理示意图;
图5是本实施例中特征选择重要性SHAP图;
图6是本发明模型在测试集上双离合器变速器的预测值与真实值对比图。
具体实施方式
以下将结合附图对本发明进行详细的说明。
如图3和图4所示,本实施例中,一种湿式双离合变速器液压预测方法,包括以下步骤:
步骤1:在不同工况下对车辆各种特征进行采集,对采集的数据进行处理,并保存为数据集。
本实施例中,所述步骤1获取不同测量工况下的温度、液压压力、电流值、采样频率,以及不同测量工况下测量到的请求电流、请求压力、实际电流、离合器Ⅰ的实际压力值和离合器Ⅱ的实际压力值。每一种工况对应一个数据单元,数据收集到的结果并不能直接用于本模型的预测,需要经过进一步处理。
本实施例中,根据数据收集到的结果发现,数据中包含了大量的零值、恒定不变的标定量,以及一些异常值等,这些数据会导致模型的预测精度不准,因此需要对数据进行处理,具体处理过程如下:
步骤S11:根据采集的实际压力对压力值为0的数据进行删除处理,并将部分突然增大或减小的异常值点剔除;
步骤S12:将整个过程中恒值的特征属性进行删除,减少无关特征属性。
步骤S13:对不同温度的数据进行整合处理,添加温度特征属性。
本实施例中,收集到的数据中,时间是从一个工况下数据开始收集到数据收集结束的连续时间,而将要预测的双离合器变速器液压响应变化趋势是呈阶梯状不断上升到顶峰,后又呈阶梯状不断下降,也即每一次压力变化的时间都应该从零重新开始计时。因此数据处理按照此要求重新计算时间。最后,将每一种工况下的数据按照对应的离合器标定名称进行融合,形成一个包含多种工况的大的数据集。
本实施例中,数据收集应当包括不太常见的工况,比如高温和低温下的数据。
步骤2:将数据集分成训练集和测试集。
本实施例中,将数据集按照9:1的比例划分为训练集和测试集。
步骤3:利用数据集对多种机器学习模型进行训练,并对各机器学习模型的训练结果进行数据评估,评估出最优预测模型。
本实施例中,为了更好地对湿式双离合变速器液压进行预测,选择了随机森林模型、XGBoost、决策树、LightGBM四种机器学习模型来进行训练。并对他们的结果进行数据评估和对比分析,选择有较高性能的模型用于构建最终的最优预测模型。
本实施例中,为了对模型的性能进行评估,选择了三种评价指标:MAE、MSE和R2;其中MAE为平均绝对误差,其含义为真实值与预测值差的绝对值之和,计算表达式如下:
MSE是均方误差,其为真实值与预测值之间差的平方和,计算表达式如下:
R2的是一个评价拟合好坏的指标,衡量的是预测值对于真值的拟合好坏程度,计算表达式如下:
通过对决策树(Decision Tree Regressor)、XGBoost(Extreme GradientBoosting)、LightGBM(light Gradient Boosting Machine)以及随机森林模型四种模型进行训练评估预测结果,如表1所示。
表1:四种机器学习模型预测结果的评估表:
从评估表可以看出随机森林模型的MAE、MSE显著小于其他机器学习模型,R2为1说明预测值和真值拟合效果达到最大。因此,在对于液压预测问题上随机森林模型有较高的性能,使用随机森林模型作为最终模型进行构建处理。
本实施例中,通过十折交叉验证结果(参见表2)评估模型以及使用测试集进行测试得到结果并比较模型的拟合效果。
表2:随机森林模型训练过程10折交叉评估表;
MAE | MSE | RMSE | R2 | RMSLE | MAPE | |
0 | 0.3681 | 0.7505 | 0.8663 | 1.0000 | 0.0101 | 0.0012 |
1 | 0.3795 | 0.7727 | 0.8790 | 1.0000 | 0.0164 | 0.0016 |
2 | 0.3716 | 0.7278 | 0.8531 | 1.0000 | 0.0114 | 0.0013 |
3 | 0.3703 | 0.6986 | 0.8358 | 1.0000 | 0.0114 | 0.0013 |
4 | 0.3973 | 0.7559 | 0.8694 | 1.0000 | 0.0120 | 0.0012 |
5 | 0.3724 | 0.7190 | 0.8479 | 1.0000 | 0.0131 | 0.0012 |
6 | 0.3731 | 0.7861 | 0.8866 | 1.0000 | 0.0085 | 0.0011 |
7 | 0.3720 | 0.7120 | 0.8438 | 1.0000 | 0.0104 | 0.0013 |
8 | 0.3687 | 0.6951 | 0.8337 | 1.0000 | 0.0132 | 0.0012 |
9 | 0.3697 | 0.7046 | 0.8394 | 1.0000 | 0.0103 | 0.0012 |
Mean | 0.3725 | 0.7322 | 0.8555 | 1.0000 | 0.0117 | 0.0013 |
表中,MSE表示十次训练评估指标的误差,该指标值越小,说明该模型预测值越准确;RMSE为均方根误差,为预测值与真实值差值的平方然后作平均;RMSLE表示均方根对数误差,为真实值和预测值取对数后进行平方和,然后在开根号;MAPE表示平均绝对百分比误差。上述指标均用来衡量实际值和预测值之间的差异,数值越小表明模型效果越好
步骤4:对最优预测模型的特征属性的重要性进行分析排序,筛选特征(筛选特征包括时间、请求电流、温度、升降压标志)形成训练数据集并训练最优预测模型,得到训练好的湿式双离合变速器液压预测模型。
本实施例中,通过对最终模型随机森林实验分析车辆各部位特征属性对最终离合器实际液压的影响程度,并将随机森林模型输出的特征影响度进行排序;如图5所示,从而得到其离合器液压请求压力对模型的影响最大,说明对最终模型性能的影响也最大。对于实际压力变化存在的响应时间进行分析,由于请求电流作为自变量变化,将采集到的数据按照请求电流变化状态进行处理,并将时间按照请求电流数值进行切片划分;根据图3所示的充油过程实际压力的变化情况得到离合器升压阶段和降压阶段相同请求压力下的实际压力存在差值,则在原有的特征属性中加入对升压降压阶段的判断属性构建最终模型所需特征属性。
在实施例中,所述步骤S4中包括如下步骤:
如图2所示,步骤41:从原训练数据集中,应用booststrap方法有放回地随机抽取m个新自助样本集,并由此构建m棵决策树,每次未被抽到的样本组成m个袋外数据。
步骤42:设有N个特征,在每一棵树的每个节点处随机抽取n个特征,计算每个特征的蕴含信息量,在特征中选择一个最具分类能力的特征进行节点分裂。
步骤43:按照步骤42的方法对m棵决策树进行分裂组成随机森林;
步骤44:用随机森林对新数据进行回归结果求平均,从而得到平均值作为最终的强分类器的输出。
步骤45:模型经过训练集训练后,在测试集进行拟合分析,得到分析结果,如图6所示,其中横坐标为时间索引值,纵坐标为压力值,虚线predict代表预测值,实线true为实际值,根据数据拟合图可以看出预测数值与真实数值十分贴合,结果数据可靠。
在步骤4中,模型选择重要特征的方法为模型计算该特征的SHAP值(参见图5),对结果影响越大其SHAP值越大,特征选择可根据特征的实际物理含义,结合经验选择。
步骤5:输入任意工况下所对应的温度、压力等特征值,使用训练好的湿式双离合变速器液压预测模对离合自动变压器液压值进行预测。
本实施例中,图5中,CIC_mA_C1CurrentRequest表示请求压力;HWIN_mA_Clutch1Solenoid为电磁阀反馈电流;updown_mark_*表示升降压判定,其中*表示数字,相同字母前缀不同数字的名称代表同一特征,下同;time表示时间;OPC_mA_Clu1DthrAmp_170表示颤振振幅;InputShaft2Spd表示输入离合器速度;HWIN_mA_Clutch2Solenoid为反馈润滑流量;HWIN_mA_LubeSolenoid表示润滑电磁阀;HWIN_mV_Clu2ReadU_1ms_*表示离合器2反馈电压;HWIN_OilTemp为油温;HWIN_mA_MXSoleniod_*为电流最大反馈;HWIN_mA_GearShift1Solenoid_*表示换挡电磁阀反馈电流;TRANS_mm_Fork*Position表示换挡拨叉,其中*表数字;TRANS_mV_Fork1Voltage_2561表示拨叉反馈电压。
本实施例中,一种湿式双离合变速器液压预测系统,包括存储器和控制器,所述存储器内存储有计算机可读程序,所述计算机可读程序被调用时能执行如本实施例中所述的湿式双离合变速器液压预测方法的步骤。
本实施例中,一种车辆,采用如本实施例中所述的湿式双离合变速器液压预测系统。
本实施例中,一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时能执行如本实施例中所述的湿式双离合变速器液压预测方法的步骤。
需要说明的是,本实施例所述的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器、只读存储器、可擦式可编程只读存储器、闪存、光纤、便携式紧凑磁盘只读存储器、光存储器件、磁存储器件、或者上述的任意合适的组合。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种湿式双离合变速器液压预测方法,包括以下步骤:
步骤1:在不同工况下对车辆各种特征进行采集,对采集的数据进行处理,并保存为数据集;
步骤2:将数据集分成训练集和测试集;
步骤3:利用数据集对多种机器学习模型进行训练,并对各机器学习模型的训练结果进行数据评估,评估出最优预测模型;
步骤4:对最优预测模型的特征属性的重要性进行分析排序,筛选特征形成训练数据集并训练最优预测模型,得到训练好的湿式双离合变速器液压预测模型;
步骤5:使用训练好的湿式双离合变速器液压预测模对离合自动变压器液压值进行预测。
2.根据权利要求1所述的湿式双离合变速器液压预测方法,其特征在于,所述步骤4包括:
步骤S41:从原训练的数据集中,应用booststrap方法有放回地随机抽取m个新自助样本集,并由此构建m棵决策树,每次未被抽到的样本组成m个袋外数据;
步骤S42:设有N 个特征,在每一棵树的每个节点处随机抽取n个特征,计算每个特征的蕴含信息量,在特征中选择一个最具分类能力的特征进行节点分裂;
步骤S43:按照步骤S42的方法对m棵决策树进行分裂组成随机森林;
步骤S44:用随机森林对新数据进行回归结果求平均,将得到的平均值作为最终的强分类器的输出;
步骤S45:最优预测模型经过训练集训练后,再使用测试集进行拟合分析。
3.根据权利要求1所述的湿式双离合变速器液压预测方法,其特征在于:所述步骤1获取不同测量工况下的温度、液压压力、电流值、采样频率,以及不同测量工况下测量到的请求电流、请求压力、实际电流、离合器Ⅰ的实际压力值和离合器Ⅱ的实际压力值。
4.根据权利要求3所述的湿式双离合变速器液压预测方法,其特征在于:所述步骤4中,筛选特征包括时间、请求电流、温度、升降压标志。
5.根据权利要求1所述的湿式双离合变速器液压预测方法,其特征在于:所述步骤3中,选择MAE、MSE和R2评价指标对机器学习模型的训练结果进行评估;其中,MAE为平均绝对误差;MSE是均方误差;R2是一个评价拟合好坏的指标,R2越接近1表示模型越精确。
6.根据权利要求5所述的湿式双离合变速器液压预测方法,其特征在于:所述机器学习模型包括随机森林模型、XGBoost、决策树、LightGBM。
7.根据权利要求6所述的湿式双离合变速器液压预测方法,其特征在于:选择MAE、MAE偏小,且R2等于1的随机森林模型作为最优预测模型。
8.一种湿式双离合变速器液压预测系统,其特征在于:包括存储器和控制器,所述存储器内存储有计算机可读程序,所述计算机可读程序被调用时能执行如权利要求1至7任一所述的湿式双离合变速器液压预测方法的步骤。
9.一种车辆,其特征在于:采用如权利要求8所述的湿式双离合变速器液压预测系统。
10.一种存储介质,其特征在于:其内存储有计算机可读程序,所述计算机可读程序被调用时能执行如权利要求1至7任一所述的湿式双离合变速器液压预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310342560.4A CN116258273A (zh) | 2023-03-31 | 2023-03-31 | 湿式双离合变速器液压预测方法、系统、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310342560.4A CN116258273A (zh) | 2023-03-31 | 2023-03-31 | 湿式双离合变速器液压预测方法、系统、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116258273A true CN116258273A (zh) | 2023-06-13 |
Family
ID=86680914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310342560.4A Pending CN116258273A (zh) | 2023-03-31 | 2023-03-31 | 湿式双离合变速器液压预测方法、系统、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258273A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501979A (zh) * | 2023-06-30 | 2023-07-28 | 北京水滴科技集团有限公司 | 信息推荐方法、装置、计算机设备及计算机可读存储介质 |
CN116593579A (zh) * | 2023-07-13 | 2023-08-15 | 湖北工业大学 | 一种车用尿素液浓度估测方法 |
-
2023
- 2023-03-31 CN CN202310342560.4A patent/CN116258273A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116501979A (zh) * | 2023-06-30 | 2023-07-28 | 北京水滴科技集团有限公司 | 信息推荐方法、装置、计算机设备及计算机可读存储介质 |
CN116593579A (zh) * | 2023-07-13 | 2023-08-15 | 湖北工业大学 | 一种车用尿素液浓度估测方法 |
CN116593579B (zh) * | 2023-07-13 | 2023-11-03 | 湖北工业大学 | 一种车用尿素液浓度估测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116258273A (zh) | 湿式双离合变速器液压预测方法、系统、车辆及存储介质 | |
CN110363337B (zh) | 一种基于数据驱动的抽油机量油方法及系统 | |
CN111143981B (zh) | 虚拟试验模型验证系统及方法 | |
JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
CN114757517A (zh) | 一种设备零部件的生产智能管理方法及系统 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
CN106022631B (zh) | 一种指标权重分析方法 | |
He et al. | Time domain load extrapolation method for CNC machine tools based on GRA-POT model | |
CN111126865B (zh) | 一种基于科技大数据的技术成熟度判断方法和系统 | |
CN113642209B (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
CN117171896A (zh) | 一种汽车转向器输入轴加工优化方法及系统 | |
EP2738701A2 (en) | Method and apparatus for statistical electronic circuit simulation | |
JP2016018230A (ja) | 制御パラメータ適合方法及び制御パラメータ適合支援装置 | |
CN115345256B (zh) | 应用于智能制造的工业产品测试系统 | |
CN108872142A (zh) | 一种波长选择算法中多参数的选择优化方法 | |
CN115878986A (zh) | 一种变工况轴承的退化趋势评估方法 | |
JP2005063208A (ja) | ソフトウェア信頼度成長モデル選択方法、ソフトウェア信頼度成長モデル選択装置、ソフトウェア信頼度成長モデル選択プログラム、およびプログラム記録媒体 | |
Do-Thi et al. | Quantitative methodology: Applied modeling by using AMOS (step-by-step) | |
CN113869194A (zh) | 基于深度学习的变参数铣削加工过程信号标记方法及系统 | |
Hằng et al. | ARIMA Model–Vietnam’s GDP Forecasting | |
CN110516659A (zh) | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 | |
CN116402213A (zh) | 变速器冷却润滑流量预测方法、系统、车辆及存储介质 | |
CN110895628A (zh) | 一种性能退化模型预测精度验证方法 | |
CN117147807B (zh) | 一种用于石油勘探的油质监测系统及方法 | |
CN111507639B (zh) | 理财风险分析方法及装置 |
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 |