CN116291925A - 一种基于多端深度学习的发动机智能控制系统 - Google Patents
一种基于多端深度学习的发动机智能控制系统 Download PDFInfo
- Publication number
- CN116291925A CN116291925A CN202310301228.3A CN202310301228A CN116291925A CN 116291925 A CN116291925 A CN 116291925A CN 202310301228 A CN202310301228 A CN 202310301228A CN 116291925 A CN116291925 A CN 116291925A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- layer
- data
- neural network
- target
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 239000000446 fuel Substances 0.000 claims abstract description 32
- 238000002347 injection Methods 0.000 claims abstract description 29
- 239000007924 injection Substances 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims description 55
- 210000002569 neuron Anatomy 0.000 claims description 39
- 238000005265 energy consumption Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 7
- 230000004048 modification Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 101710163391 ADP-ribosyl cyclase/cyclic ADP-ribose hydrolase Proteins 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002407 reforming Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000010705 motor oil Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 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
- F02D41/24—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
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
本发明公开了一种基于多端深度学习的发动机智能控制系统,属于发动机控制技术领域,解决汽车不能在不同地形条件下提升驾驶性能和节约燃油的技术问题,系统包括发动机控制器、发动机、模式控制单元、车载计算机、云端数据处理中心、TPMS传感器、动力调谐陀螺仪、GPS模块、多个深度摄像头;车载计算机获取TPMS传感器、动力调谐陀螺仪、GPS模块、深度摄像头的数据,并无线发送到云端数据处理中心;云端数据处理中心的梯度策略会对当前路况进行分类,并发送到车载计算机中;车载计算机预估出当前路况的下一时刻所需的目标功率和目标档位,模式控制单元根据目标功率计算出目标燃油喷射量,发动机控制器根据目标燃油喷射量控制发动机运行。
Description
技术领域
本发明涉及发动机控制技术领域,更具体地说,它涉及一种基于多端深度学习的发动机智能控制系统。
背景技术
通常,不同类型车辆的发动机型号不同,所以不同类型车辆每行驶一公里的耗油量是不同的。例如,当在平坦地形条件下或在轻载条件下行驶时,汽车的功率需求更少,因此,汽车需要以一种省油的方式运行;当汽车行驶在需要更高牵引力的泥泞地形或上坡路段,汽车的动力要求相对较高的转矩。但是,现在很多驾驶者无法精准的控制油门的力度大小和对于不同路况的挡位,导致汽车的实际燃油利用率较低。同时,当发动机系统达到最大允许负载能力时,发动机可能会熄火,存在一定安全隐患。因此,需要一种发动机控制系统,使汽车在不同地形条件下的驾驶性能得到提升,节约燃油的损耗。
发明内容
本发明要解决的技术问题是针对现有技术的上述不足,本发明的目的是提供一种基于多端深度学习的发动机智能控制系统。
本发明的技术方案是:一种基于多端深度学习的发动机智能控制系统,包括发动机控制器、发动机,还包括模式控制单元、车载计算机、云端数据处理中心、TPMS传感器、动力调谐陀螺仪、GPS模块、多个深度摄像头;
云端数据处理中心中设有自学习型神经网络单元;
车载计算机获取TPMS传感器、动力调谐陀螺仪、GPS模块、深度摄像头的数据,并无线发送到云端数据处理中心;
自学习型神经网络单元将TPMS传感器、动力调谐陀螺仪、GPS模块、深度摄像头的数据分别输入对应的神经网络进行数据的特征提取,每类神经网络提取出的特征信息根据传感器类型乘以各自类型的权重,最后每类神经网络会计算出一个总得分;基于每类神经网络计算出的总得分,云端数据处理中心的梯度策略会对当前路况进行分类,初步判断出路况类型后,云端数据处理中心再通过无线通信将分类结果发送到车载计算机中;
车载计算机利用扭矩传感器和转速传感器采集的实际扭矩和实际转速预估出当前路况的下一时刻所需的目标功率和目标档位,将目标功率和目标档位输出至模式控制单元;
模式控制单元根据目标功率、实际扭矩、实际转速、实际油门开度计算出目标扭矩和目标转速,从而计算出目标燃油喷射量,并发送给发动机控制器;发动机控制器根据目标燃油喷射量控制发动机运行。
作为进一步地改进,模式控制单元基于发动机传感器反馈的实际扭矩和目标扭矩的偏差,通过ADRC自抗扰控制技术的实时观测和补偿,得到燃油喷射量反馈控制量,对目标燃油喷射量进行补偿,实现准确控制车辆行驶过程中的能耗大小。
进一步地,发动机控制器控制喷油口开启的时间比根据目标燃油喷射量计算得出的开启时间长5%。
进一步地,通过多个深度摄像头分别获取车辆前方、后方、左侧、右侧的图像,车辆前方的深度摄像头采用无删减帧的采集方式,车辆后方的深度摄像头采用每三帧就丢失一帧的视频捕捉方式,车辆左侧和右侧的深度摄像头在正常工作状态下采用每三帧就丢失一帧的视频捕捉方式,当车辆前方的深度摄像头没有识别到前方有车辆和行人时,车辆左侧和右侧的深度摄像头自动调整为节能模式,节能模式下的摄像头仅采集视频流中的关键帧。
进一步地,车载计算机通过4G/5G通信与云端数据处理中心传输数据。
进一步地,云端数据处理中心对TPMS传感器、动力调谐陀螺仪、GPS模块、深度摄像头的数据完成数据的解析后对分析得出的当前路况进行储存,同时将车辆传输到云端数据处理中心的所有数据和与之对应的分类结果一同输入到大数据模式类比网络中;大数据模式类比网络根据数据类型将数据输入到不同的通道中,通道1主要用于接收车辆类型及型号参数;通道2主要用于接收车辆轮胎内压参数,使用近似估计的方法计算出车辆的负载大小;通道3主要用于接收车辆的视频信息数据;通道4主要用于接收车辆的地理位置、车行速度及精确的时间信息;通道5主要用于接收车载陀螺仪测量出的车辆偏角参数;通道6主要用于接收自学习型神经网络单元输出的路况结果;通道7主要用于计算车辆的耗能情况,每辆车每组时刻的7通道数据生成时域图表。
进一步地,读取通道1中的数据,在大数据信息库中匹配与当前车辆类型及型号参数相同的车辆信息库,将车辆数据包输入到第一级车辆信息库;在第一级车辆信息库中筛选出与车辆路况分析结果相同的车辆信息,组成第二级车辆信息库;第二级车辆信息库提取出每个信息库车辆的历史所需功耗和实际行驶功耗,计算出每个车辆的X值,
式中,ηn为所需能耗,ηr为实际能耗。
进一步地,对每个车辆的X值进行判断,若X<0.5,说明算法计算出的所需能耗与实际车辆行驶的能耗误差过大,将车辆的数据舍弃到二级数据库,再对下一组数据进行计算;若X>1,说明算法计算出的所需能耗大于实际车辆行驶能耗,无法达到节约耗能的目的,存在分类出错的可能性;再次验证车辆当时路况下的神经网路计算过程,如果验算结果与之前结果相同,则将分类结果返回到第一级数据库;如果验算结果与之前结果不相同,则将旧结果替换为新计算出的结果;若0.5<X<1,分别计算出每组数据的X值与1的差值大小,从中筛选出差值最小的一组数据,这组数据所使用的梯度策略则为当前路况分类下的最优梯度策略;通过与当前使用的最优梯度策略对比,实现动态更新自学习型神经网络单元的路况梯度策略。
进一步地,自学习型神经网络单元的工作过程如下:
步骤一:将车辆不同传感器获取的传感器参数数据经过Sigmoid核函数归一化处理后,同时刻传感器的数据合并组成高维度向量信息i,将合并后的数据信息i传输到自学习型神经网络的输入端;
步骤二:传感器数据信息进入比较层,包括以下步骤(21)到步骤(28):
步骤(21).神经网络初始化一个神经元计数器,并设初值为1,将当前网络中所有神经元的输出初始化为0向量,向w层输入向量i,w层输出为:
wi=i+aui
步骤(22).传递参数wi到x层,x层通过G1增益后输出为:
步骤(23).参数xi传递到v层,v层对参数非线性化,f(x)用于控制参数的对比度增强特性,同时接收q层传来反馈增量,v层输出为:
vi=f(xi)+bf(qi)
当神经网络初次传入参数时,由于q=0,所以反馈增量bf(qi)=0;
步骤(24).传递参数vi到u层,u层通过G2增益后输出为:
步骤(25).传递参数ui到p层,p层输出满足以下计算公式:
当神经网络初次传入参数时,网络层处于初始状态,即zij=0;
步骤(26).传递参数pi到q层,q层通过G3增益后输出为:
步骤(27).传递参数qi到r层,r层计算后输出为:
步骤(28).ρ比较器对参数ri进行判定,根据||r||值的大小存在以下三种情况:
若||r||<ρ,则向F2层发出一个重整信号,把当前F2层激活的j神经元排除,计数器置为1,返回步骤(21);
若||r||>ρ并且计数器数值=1时,说明F2层当前激活的j神经元无法满足分类依据,该参数需要选取新的神经元来进行分类,因此,计数器数值加1并跳到步骤三;
若||r||>ρ并且计数器数值>1时,说明F2层当前激活的j神经元已经满足分类依据,此时网络处于共振状态,直接跳入步骤四;
步骤三:输出数据信息进入识别层,将p层输出的pi输入到F2层,计算F2层的输入:
根据竞争神经网络的竞争算法原则,筛选出与参数拟合度最高的神经元,值得注意的是所有已被排除的神经元都无法参与竞争,只有获胜神经元才有非零输出,计算出F2层的输出:
返回到步骤一,重复执行步骤(21)~步骤(28);
步骤四:输出数据信息进入修订层,包括以下步骤(41)到步骤(44):
步骤(41)修改F2层获胜神经元的从下到上的权值:
步骤(42)修改F2层获胜神经元的从上到下的权值:
步骤(43)更新ρ层获胜神经元j判定的ρ值:
步骤(44)将ρ层更新后的ρ*输入到r*层计算出更新的c值:
步骤五:在撤销输入向量i并记忆所有未被占用的F2层神经元,返回步骤一开始新的向量的输入。
有益效果
本发明与现有技术相比,具有的优点为:
1.本发明能够根据实时采集的车辆行驶过程中四周的传感器信息,为驾驶员提供车辆辅助驾驶信息的同时,也可以实现自学习型神经网络数据的实时在线更新,高效利用车辆在行驶过程中产生的数据,实现车辆数据价值的最大化利用。
2.本发明的自学习型神经网络单元,神经网络输入端的数据均来自车载系统内外部已有的各个传感器,不需要对车辆进行二次传感器的安装与调试,降低了本发动机智能控制系统的应用难度,也降低了车辆适配本系统的改造成本。自学习型神经网络单元可以根据车载传感器发送的数据,分析出的车辆当前路况,以及车辆在此路段下所需的理论最小功率和最优的挡位,得到车辆行驶过程中的最佳策略。
3.本发明的模式控制单元,结合神经网络计算出的路况所需功率和当前车辆的实际转速和扭矩大小,通过算法得到目标转速和目标扭矩,作为前馈控制输入到发动机控制系统,控制燃油喷射量。有效提高了实际燃油利用率,降低了车辆的能量损耗。
4.本发明的基于多端大数据的模式最优解选取方法,能够收集每辆车传输过来的数据,并根据输入和输出关系进行观测,通过不同数据类比,得出不同型号车辆在当前路况的最优梯度策略,通过大数据分析结果,不断动态调整整个发动机智能控制系统的循环工况,实现与云端计算中心同步保证车辆处于当前最佳的控制效果。
附图说明
图1为本发明的架构图;
图2为基于多端大数据的模式最优解选取方法流程图;
图3为深度学习理论所需功率与实际能量消耗对比图;
图4为自学习型神经网络结构图。
其中,1-发动机控制器、2-发动机、3-模式控制单元、4-车载计算机、5-云端数据处理中心、6-TPMS传感器、7-动力调谐陀螺仪、8-GPS模块、9-深度摄像头、10-发动机传感器。
具体实施方式
下面结合附图中的具体实施例对本发明做进一步的说明。
参阅图1~图4,一种基于多端深度学习的发动机智能控制系统,包括发动机控制器1、发动机2,还包括模式控制单元3、车载计算机4、云端数据处理中心5、TPMS传感器6、动力调谐陀螺仪7、GPS模块8、多个深度摄像头9。
多个深度摄像头9分别捕捉车辆在行驶过程中车辆前后左右的视频画面,根据行驶过程中的光线条件和成像质量将获取的视频信息进行预处理,通过压缩算法后作为输入参数输入到卷积神经网络。
车载的深度摄像头9的数量依据车辆的型号不同适当添加或者减少,小型轿车可以采用车辆前方和后方各两个摄像头,左侧和右侧各两个摄像头,一共八个摄像头的布置方式;其他大型类车辆可以根据车身长度和宽度情况添加更多摄像头,以保证车辆在行驶过程中有充足的路况视野。具体的,通过多个深度摄像头9分别获取车辆前方、后方、左侧、右侧的图像,车辆前方的深度摄像头9采用无删减帧的采集方式,车辆后方的深度摄像头9采用每三帧就丢失一帧的视频捕捉方式,车辆左侧和右侧的深度摄像头9在正常工作状态下采用每三帧就丢失一帧的视频捕捉方式,当车辆前方的深度摄像头9没有识别到前方有车辆和行人时,车辆左侧和右侧的深度摄像头9自动调整为节能模式,节能模式下的摄像头仅采集视频流中的关键帧。通过对车载摄像头采集方式的合理控制,可以有效减少数据资源的浪费。
GPS模块8捕捉当前车辆的地理位置、车行速度及精确的时间信息,用以车辆当前车况的综合分析,GPS捕捉当前车辆的地理位置、车行速度及精确的时间信息,输出地理位置和车行速度信息到神经网络预估当前路段可能存在的路况情况,为车辆行驶的模式选择提供一定的参考,同时保证车辆在行驶过程中的安全状况。
动力调谐陀螺仪7提供当前车辆的所处地理位置坡度情况,动力调谐陀螺仪捕捉当前车辆在行驶过程中的偏角情况,利用陀螺稳定平台测出车辆的姿态参数,并以此作为控制信号来修正车辆的姿态与方位,根据陀螺仪测量出的车辆运动加速度以及车辆相对于道路的倾角,输出至自学习型神经网络单元,对车辆行驶路况进行分析和选择;输出至发动机控制器,控制发动机喷油量大小,防止车辆加速度过大可能产生的安全隐患
TPMS传感器6间接计算车辆的整体重力。
云端数据处理中心5中设有自学习型神经网络单元。
车载计算机4获取TPMS传感器6、动力调谐陀螺仪7、GPS模块8、深度摄像头9的数据,并无线发送到云端数据处理中心5。优选的,车载计算机4通过4G/5G通信与云端数据处理中心5传输数据。其中,利用5G的超大带宽和高传输速度,使车载传感器的数据能够传输到云端的计算中心处理,极大降低了神经网络处理数据的时长,也降低了车载计算机的处理压力,提高了发动机智能控制系统的时效性。
自学习型神经网络单元将TPMS传感器6、动力调谐陀螺仪7、GPS模块8、深度摄像头9的数据分别输入对应的神经网络进行数据的特征提取,每类神经网络提取出的特征信息根据传感器类型乘以各自类型的权重,最后每类神经网络会计算出一个总得分;基于每类神经网络计算出的总得分,云端数据处理中心5的梯度策略会对当前路况进行分类,初步判断出路况类型后,云端数据处理中心5再通过无线通信将分类结果发送到车载计算机4中。
车载计算机4利用扭矩传感器和转速传感器采集的实际扭矩和实际转速预估出当前路况的下一时刻所需的目标功率和目标档位,将目标功率和目标档位输出至模式控制单元3。
模式控制单元3根据目标功率、实际扭矩、实际转速、实际油门开度计算出目标扭矩和目标转速,从而计算出目标燃油喷射量,并发送给发动机控制器1;发动机控制器1根据目标燃油喷射量控制发动机2运行。
车辆启动后,各类车载传感器立刻进入工作状态,负责捕捉车辆四周视频画面的深度摄像头首先将实时视频流传输到驾驶室的电脑屏幕,方便驾驶员第一时间了解到车辆四周的情况,辅助驾驶员驾驶。GPS获取车辆当前位置信息,并为驾驶员提供导航服务,动力协调陀螺仪与TPMS轮胎压力监测系统等监测传感器都开始采集实时数据。同时,以各类传感器采集到的相同时刻数据为一个数据包,并通过5G通信将整理好的时刻数据包发送到云端数据处理中心5。
模式控制单元3是一个独立的控制模块,一端用于接收来自车载计算机的所需目标功率,一端向发动机控制器输出燃油喷射量,同时模式控制中心也接收扭矩传感器输出的实际扭矩和实际油门开度。模式控制单元3基于发动机传感器10反馈的实际扭矩和目标扭矩的偏差,通过ADRC自抗扰控制技术的实时观测和补偿,得到燃油喷射量反馈控制量,对目标燃油喷射量进行补偿,实现准确控制车辆行驶过程中的能耗大小。
发动机控制器1根据目标燃油喷射量计算喷油口开启的时间,发动机控制器1控制喷油口开启的时间比根据目标燃油喷射量计算得出的开启时间长5%,以防止由于系统计算误差而导致的汽车动力不足。
云端数据处理中心5对TPMS传感器6、动力调谐陀螺仪7、GPS模块8、深度摄像头9的数据完成数据的解析后对分析得出的当前路况进行储存,同时将车辆传输到云端数据处理中心5的所有数据和与之对应的分类结果一同输入到大数据模式类比网络中;大数据模式类比网络根据数据类型将数据输入到不同的通道中,通道1主要用于接收车辆类型及型号参数;通道2主要用于接收车辆轮胎内压参数,使用近似估计的方法计算出车辆的负载大小;通道3主要用于接收车辆的视频信息数据;通道4主要用于接收车辆的地理位置、车行速度及精确的时间信息;通道5主要用于接收车载陀螺仪测量出的车辆偏角参数;通道6主要用于接收自学习型神经网络单元输出的路况结果;通道7主要用于计算车辆的耗能情况,每辆车每组时刻的7通道数据生成时域图表。当同一时刻不同通道发生数据丢失时,丢失通道该时刻数据采取空处理。
读取通道1中的数据,在大数据信息库中匹配与当前车辆类型及型号参数相同的车辆信息库,将车辆数据包输入到第一级车辆信息库;在第一级车辆信息库中筛选出与车辆路况分析结果相同的车辆信息,组成第二级车辆信息库;第二级车辆信息库提取出每个信息库车辆的历史所需功耗和实际行驶功耗,计算出每个车辆的X值,
式中,ηn为所需能耗,ηr为实际能耗。
对每个车辆的X值进行判断,若X<0.5,说明算法计算出的所需能耗与实际车辆行驶的能耗误差过大,将车辆的数据舍弃到二级数据库,再对下一组数据进行计算;若X>1,说明算法计算出的所需能耗大于实际车辆行驶能耗,无法达到节约耗能的目的,存在分类出错的可能性;再次验证车辆当时路况下的神经网路计算过程,如果验算结果与之前结果相同,则将分类结果返回到第一级数据库;如果验算结果与之前结果不相同,则将旧结果替换为新计算出的结果;若0.5<X<1,分别计算出每组数据的X值与1的差值大小,从中筛选出差值最小的一组数据,这组数据所使用的梯度策略则为当前路况分类下的最优梯度策略;通过与当前使用的最优梯度策略对比,实现动态更新自学习型神经网络单元的路况梯度策略。
图3为深度学习理论所需功率与实际能量消耗对比图。
如图3所示,图3横坐标表示的是车辆在行驶过程中的时刻单位为毫秒(ms),纵坐标表示的是功率大小,单位为瓦(W)。虚线表示神经网路计算出的当前时刻理论所需功率大小,实线表示车辆在行驶过程中实际消耗的功率大小。
自学习型神经网络单元的工作过程如下:
步骤一:将车辆不同传感器获取的传感器参数数据经过Sigmoid核函数归一化处理后,同时刻传感器的数据合并组成高维度向量信息i,将合并后的数据信息i传输到自学习型神经网络的输入端;
步骤二:传感器数据信息进入比较层,包括以下步骤(21)到步骤(28):
步骤(21).神经网络初始化一个神经元计数器,并设初值为1,将当前网络中所有神经元的输出初始化为0向量,向w层输入向量i,w层输出为:
wi=i+aui
步骤(22).传递参数wi到x层,x层通过G1增益后输出为:
步骤(23).参数xi传递到v层,v层对参数非线性化,f(x)用于控制参数的对比度增强特性,同时接收q层传来反馈增量,v层输出为:
vi=f(xi)+bf(qi)
当神经网络初次传入参数时,由于q=0,所以反馈增量bf(qi)=0;
步骤(24).传递参数vi到u层,u层通过G2增益后输出为:
步骤(25).传递参数ui到p层,p层输出满足以下计算公式:
当神经网络初次传入参数时,网络层处于初始状态,即zij=0;
步骤(26).传递参数pi到q层,q层通过G3增益后输出为:
步骤(27).传递参数qi到r层,r层计算后输出为:
步骤(28).ρ比较器对参数ri进行判定,根据||r||值的大小存在以下三种情况:
若||r||<ρ,则向F2层发出一个重整信号,把当前F2层激活的j神经元排除,计数器置为1,返回步骤(21);
若||r||>ρ并且计数器数值=1时,说明F2层当前激活的j神经元无法满足分类依据,该参数需要选取新的神经元来进行分类,因此,计数器数值加1并跳到步骤三;
若||r||>ρ并且计数器数值>1时,说明F2层当前激活的j神经元已经满足分类依据,此时网络处于共振状态,直接跳入步骤四;
步骤三:输出数据信息进入识别层,将p层输出的pi输入到F2层,计算F2层的输入:
根据竞争神经网络的竞争算法原则,筛选出与参数拟合度最高的神经元,值得注意的是所有已被排除的神经元都无法参与竞争,只有获胜神经元才有非零输出,计算出F2层的输出:
返回到步骤一,重复执行步骤(21)~步骤(28);
步骤四:输出数据信息进入修订层,包括以下步骤(41)到步骤(44):
步骤(41)修改F2层获胜神经元的从下到上的权值:
步骤(42)修改F2层获胜神经元的从上到下的权值:
步骤(43)更新ρ层获胜神经元j判定的ρ值:
步骤(44)将ρ层更新后的ρ*输入到r*层计算出更新的c值:
步骤五:在撤销输入向量i并记忆所有未被占用的F2层神经元,返回步骤一开始新的向量的输入。
以上仅是本发明的优选实施方式,应当指出对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些都不会影响本发明实施的效果和专利的实用性。
Claims (9)
1.一种基于多端深度学习的发动机智能控制系统,包括发动机控制器(1)、发动机(2),其特征在于,还包括模式控制单元(3)、车载计算机(4)、云端数据处理中心(5)、TPMS传感器(6)、动力调谐陀螺仪(7)、GPS模块(8)、多个深度摄像头(9);
云端数据处理中心(5)中设有自学习型神经网络单元;
车载计算机(4)获取TPMS传感器(6)、动力调谐陀螺仪(7)、GPS模块(8)、深度摄像头(9)的数据,并无线发送到云端数据处理中心(5);
自学习型神经网络单元将TPMS传感器(6)、动力调谐陀螺仪(7)、GPS模块(8)、深度摄像头(9)的数据分别输入对应的神经网络进行数据的特征提取,每类神经网络提取出的特征信息根据传感器类型乘以各自类型的权重,最后每类神经网络会计算出一个总得分;基于每类神经网络计算出的总得分,云端数据处理中心(5)的梯度策略会对当前路况进行分类,初步判断出路况类型后,云端数据处理中心(5)再通过无线通信将分类结果发送到车载计算机(4)中;
车载计算机(4)利用扭矩传感器和转速传感器采集的实际扭矩和实际转速预估出当前路况的下一时刻所需的目标功率和目标档位,将目标功率和目标档位输出至模式控制单元(3);
模式控制单元(3)根据目标功率、实际扭矩、实际转速、实际油门开度计算出目标扭矩和目标转速,从而计算出目标燃油喷射量,并发送给发动机控制器(1);发动机控制器(1)根据目标燃油喷射量控制发动机(2)运行。
2.根据权利要求1所述的一种基于多端深度学习的发动机智能控制系统,其特征在于,模式控制单元(3)基于发动机传感器(10)反馈的实际扭矩和目标扭矩的偏差,通过ADRC自抗扰控制技术的实时观测和补偿,得到燃油喷射量反馈控制量,对目标燃油喷射量进行补偿,实现准确控制车辆行驶过程中的能耗大小。
3.根据权利要求1所述的一种基于多端深度学习的发动机智能控制系统,其特征在于,发动机控制器(1)控制喷油口开启的时间比根据目标燃油喷射量计算得出的开启时间长5%。
4.根据权利要求1所述的一种基于多端深度学习的发动机智能控制系统,其特征在于,通过多个深度摄像头(9)分别获取车辆前方、后方、左侧、右侧的图像,车辆前方的深度摄像头(9)采用无删减帧的采集方式,车辆后方的深度摄像头(9)采用每三帧就丢失一帧的视频捕捉方式,车辆左侧和右侧的深度摄像头(9)在正常工作状态下采用每三帧就丢失一帧的视频捕捉方式,当车辆前方的深度摄像头(9)没有识别到前方有车辆和行人时,车辆左侧和右侧的深度摄像头(9)自动调整为节能模式,节能模式下的摄像头仅采集视频流中的关键帧。
5.根据权利要求1所述的一种基于多端深度学习的发动机智能控制系统,其特征在于,车载计算机(4)通过4G/5G通信与云端数据处理中心(5)传输数据。
6.根据权利要求1所述的一种基于多端深度学习的发动机智能控制系统,其特征在于,云端数据处理中心(5)对TPMS传感器(6)、动力调谐陀螺仪(7)、GPS模块(8)、深度摄像头(9)的数据完成数据的解析后对分析得出的当前路况进行储存,同时将车辆传输到云端数据处理中心(5)的所有数据和与之对应的分类结果一同输入到大数据模式类比网络中;大数据模式类比网络根据数据类型将数据输入到不同的通道中,通道1主要用于接收车辆类型及型号参数;通道2主要用于接收车辆轮胎内压参数,使用近似估计的方法计算出车辆的负载大小;通道3主要用于接收车辆的视频信息数据;通道4主要用于接收车辆的地理位置、车行速度及精确的时间信息;通道5主要用于接收车载陀螺仪测量出的车辆偏角参数;通道6主要用于接收自学习型神经网络单元输出的路况结果;通道7主要用于计算车辆的耗能情况,每辆车每组时刻的7通道数据生成时域图表。
8.根据权利要求7所述的一种基于多端深度学习的发动机智能控制系统,其特征在于,对每个车辆的X值进行判断,若X<0.5,说明算法计算出的所需能耗与实际车辆行驶的能耗误差过大,将车辆的数据舍弃到二级数据库,再对下一组数据进行计算;若X>1,说明算法计算出的所需能耗大于实际车辆行驶能耗,无法达到节约耗能的目的,存在分类出错的可能性;再次验证车辆当时路况下的神经网路计算过程,如果验算结果与之前结果相同,则将分类结果返回到第一级数据库;如果验算结果与之前结果不相同,则将旧结果替换为新计算出的结果;若0.5<X<1,分别计算出每组数据的X值与1的差值大小,从中筛选出差值最小的一组数据,这组数据所使用的梯度策略则为当前路况分类下的最优梯度策略;通过与当前使用的最优梯度策略对比,实现动态更新自学习型神经网络单元的路况梯度策略。
9.根据权利要求1所述的一种基于多端深度学习的发动机智能控制系统,其特征在于,自学习型神经网络单元的工作过程如下:
步骤一:将车辆不同传感器获取的传感器参数数据经过Sigmoid核函数归一化处理后,同时刻传感器的数据合并组成高维度向量信息i,将合并后的数据信息i传输到自学习型神经网络的输入端;
步骤二:传感器数据信息进入比较层,包括以下步骤(21)到步骤(28):
步骤(21).神经网络初始化一个神经元计数器,并设初值为1,将当前网络中所有神经元的输出初始化为0向量,向w层输入向量i,w层输出为:
wi=i+aui
步骤(22).传递参数wi到x层,x层通过G1增益后输出为:
步骤(23).参数xi传递到v层,v层对参数非线性化,f(x)用于控制参数的对比度增强特性,同时接收q层传来反馈增量,v层输出为:
vi=f(xi)+bf(qi)
当神经网络初次传入参数时,由于q=0,所以反馈增量bf(qi)=0;
步骤(24).传递参数vi到u层,u层通过G2增益后输出为:
步骤(25).传递参数ui到p层,p层输出满足以下计算公式:
当神经网络初次传入参数时,网络层处于初始状态,即zij=0;
步骤(26).传递参数pi到q层,q层通过G3增益后输出为:
步骤(27).传递参数qi到r层,r层计算后输出为:
步骤(28).ρ比较器对参数ri进行判定,根据||r||值的大小存在以下三种情况:
若||r||<ρ,则向F2层发出一个重整信号,把当前F2层激活的j神经元排除,计数器置为1,返回步骤(21);
若||r||>ρ并且计数器数值=1时,说明F2层当前激活的j神经元无法满足分类依据,该参数需要选取新的神经元来进行分类,因此,计数器数值加1并跳到步骤三;
若||r||>ρ并且计数器数值>1时,说明F2层当前激活的j神经元已经满足分类依据,此时网络处于共振状态,直接跳入步骤四;
步骤三:输出数据信息进入识别层,将p层输出的pi输入到F2层,计算F2层的输入:
根据竞争神经网络的竞争算法原则,筛选出与参数拟合度最高的神经元,值得注意的是所有已被排除的神经元都无法参与竞争,只有获胜神经元才有非零输出,计算出F2层的输出:
返回到步骤一,重复执行步骤(21)~步骤(28);
步骤四:输出数据信息进入修订层,包括以下步骤(41)到步骤(44):
步骤(41)修改F2层获胜神经元的从下到上的权值:
步骤(42)修改F2层获胜神经元的从上到下的权值:
步骤(43)更新ρ层获胜神经元j判定的ρ值:
步骤(44)将ρ层更新后的ρ*输入到r*层计算出更新的c值:
步骤五:在撤销输入向量i并记忆所有未被占用的F2层神经元,返回步骤一开始新的向量的输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310301228.3A CN116291925A (zh) | 2023-03-24 | 2023-03-24 | 一种基于多端深度学习的发动机智能控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310301228.3A CN116291925A (zh) | 2023-03-24 | 2023-03-24 | 一种基于多端深度学习的发动机智能控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116291925A true CN116291925A (zh) | 2023-06-23 |
Family
ID=86822096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310301228.3A Pending CN116291925A (zh) | 2023-03-24 | 2023-03-24 | 一种基于多端深度学习的发动机智能控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116291925A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117705720A (zh) * | 2024-02-04 | 2024-03-15 | 石家庄铁道大学 | 一种双块式轨枕外观尺寸及缺陷同步快速检测系统 |
-
2023
- 2023-03-24 CN CN202310301228.3A patent/CN116291925A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117705720A (zh) * | 2024-02-04 | 2024-03-15 | 石家庄铁道大学 | 一种双块式轨枕外观尺寸及缺陷同步快速检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11458974B2 (en) | Fleet-based average lane change and driver-specific behavior modelling for autonomous vehicle lane change operation | |
DE102019113865A1 (de) | Intelligente kraftfahrzeuge, systeme und steuerlogik zur echtzeit-routenführung und adaptive fahrsteuerung | |
CN110450641B (zh) | 一种汽车制动能量回收方法、装置和电动汽车 | |
EP2818379A1 (en) | Engine self-adaptive system and fuel saving method based on vehicle operating condition | |
DE102021111699A1 (de) | Intelligente kraftfahrzeuge und steuerlogik für geschwindigkeitshorizonterzeugung und -übergang beim ein-pedal-fahren | |
CN113619563B (zh) | 基于人机共享的智能电动汽车横向控制系统及方法 | |
EP4030403A1 (en) | Method and device for predicting exit for vehicle | |
CN116291925A (zh) | 一种基于多端深度学习的发动机智能控制系统 | |
CN113264060B (zh) | 一种基于云端训练模型的自动驾驶节能系统及方法 | |
WO2022115987A1 (zh) | 一种自动驾驶数据采集和闭环管理的方法及系统 | |
US20230048680A1 (en) | Method and apparatus for passing through barrier gate crossbar by vehicle | |
CN110194156A (zh) | 智能网联混合动力汽车主动避撞增强学习控制系统和方法 | |
WO2021239402A1 (de) | Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges | |
CN113064153B (zh) | 一种确定目标对象跟踪门限的方法、装置 | |
EP3495193A1 (de) | Verfahren zum betreiben eines kraftfahrzeugs | |
US11046302B2 (en) | On-vehicle characterization of primary engine with communication interface for crowdsourced adaptation of electric drive controllers | |
CN106696952A (zh) | 一种智能网联混合动力汽车能量控制方法 | |
EP3732084A1 (en) | Supplemental electric drive with primary engine recognition for electric drive controller adaptation and crowdsourced hybrid system customization | |
CN116395069A (zh) | 电动车辆能量管理方法、装置、存储介质及电动车辆 | |
CN116442799A (zh) | 一种车辆的扭矩分配的控制方法及装置 | |
US20230322234A1 (en) | Personalized vehicle lane change maneuver prediction | |
US12014552B2 (en) | Intelligent vehicle systems and control logic for incident prediction and assistance in off-road driving situations | |
US20230219569A1 (en) | Personalized vehicle operation for autonomous driving with inverse reinforcement learning | |
CN109515441B (zh) | 用于智能驾驶车辆的车速控制系统 | |
CN111196270B (zh) | 一种电动汽车电液复合制动系统转弯控制方法 |
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 |