CN116663396A - 一种动力发电兼顾型柴油机排量人工智能决策方法及系统 - Google Patents
一种动力发电兼顾型柴油机排量人工智能决策方法及系统 Download PDFInfo
- Publication number
- CN116663396A CN116663396A CN202310488062.0A CN202310488062A CN116663396A CN 116663396 A CN116663396 A CN 116663396A CN 202310488062 A CN202310488062 A CN 202310488062A CN 116663396 A CN116663396 A CN 116663396A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- output
- cylinder
- power
- generator
- 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
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000010248 power generation Methods 0.000 title claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 210000002569 neuron Anatomy 0.000 claims description 34
- 238000002485 combustion reaction Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004804 winding Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005728 strengthening Methods 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
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06F2119/06—Power analysis or power 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
- G06F2119/08—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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
Abstract
本发明提供一种动力发电兼顾型柴油机排量人工智能决策方法及方法,属于人工智能技术领域。所述方法包括如下步骤:步骤1:通过深度神经网络模型确定发电机达到目标电功率和转速时需要柴油机输出的功率和转速;步骤2:根据需要柴油机的输出功率和转速确定柴油机总排量。本发明能够兼顾柴油机的功率和转速性能,使两项指标均能满足用户需求,在此基础上进一步优化总体构型参数,以功率、扭矩为约束实现单缸排量的优化与决策,使性能和构型同时达到最优。
Description
技术领域
本发明涉及一种动力发电兼顾型柴油机排量人工智能决策方法及系统,属于人工智能技术领域。
背景技术
在柴油机总体设计领域,工程师需要对多变量进行详细准确地设计,使其功率、效率、扭矩等各项性能参数尽可能达到最优;另一方面,随着动力装置在车辆上安装空间越来越有限,对柴油机强化的需求越来越高,总体积也成为柴油机设计过程中的重要指标。因此现代柴油机的开发需要同时满足高性能指标和小体积构型两方面需求。
在柴油机正向开发过程中,现有设计方法通过缩小缸径、提高转速来实现柴油机强化,但根据内燃机原理,这一举措会使柴油机扭矩下降,从而造成动力不足、起动和加速困难;另一方面,传统发动机性能参数与构型参数是独立设计的,以满足性能指标为设计目标,忽略了性能与构型之间的关系,这种设计方法往往导致性能达到最优的同时构型参数仍有较大优化空间,使整机结构紧凑性有待提升。
发明内容
为克服现有技术中存在的不足,本发明提供一种动力发电兼顾型柴油机排量人工智能决策方法及系统,能够兼顾柴油机的功率和转速性能,使两项指标均能满足用户需求,在此基础上进一步优化总体构型参数,以功率、转速为约束实现单缸排量的优化与决策,使性能和构型同时达到最优。
为实现所述发明目的,本发明提供一种动力发电兼顾型柴油机排量人工智能决策方法,其特征在于,包括如下步骤:
步骤1:通过深度神经网络模型确定发电机达到目标电功率和转速时需要柴油机需要输出的功率Peng和转速ne,所述柴油机用于给发电机提供动力,深度学习神经网络模型包括输入层、隐含层、判断层、输出层和调整层,所述输入层各神经元输入柴油机需要输出的功率和转速;输出层神经元输出发电机的电功率和转速;调整层被配置为对输入层各神经元输入的需要柴油机输出的功率和转速进行调整,调整后的需要柴油机输出的功率和转速输入到隐含层各神经元;判断层被配置为对输出层各神经元输出的发电机的电功率和转速分别与发电机的目标电功率和目标转速进行比较,若输出层的神经元输出的发电机的电功率和发电机的目标电功率相减的绝对值小于或等于第一设定值,且神经元输出的发电机的转速和发电机的目标转速小于或等于第二设定值,则调整层停止调整输入层输入的需要柴油机输出的功率和转速,此时的功率为和转速为发电机达到目标电功率和转速时需要柴油机输出的功率Peng和转速ne;若输出层的神经元输出的发电机的电功率和发电机的目标电功率相减的绝对值大于第一设定值,或神经元输出的发电机的转速和发电机的目标转速大于第二设定值,则调整层对输入层各神经元输入的需要柴油机输出的功率和转速进行调整;
步骤2:根据柴油机的输出功率和转速通过下式确定柴油机总排量V:
式中,β为过量空气系数,τ为冲程数,Rg为空气气体常数,tcool为进气中冷后温度,μ1为柴油机机械效率,μ2为柴油机指示热效率,qd为柴油机热值,pflow为进气压力,Peng为柴油机输出功率,ne为柴油机输出转速;V为柴油机总排量;K为常数系数。
优选地,动力发电兼顾型柴油机排量人工智能决策方法还包括:
步骤3:在确定了柴油机总排量的情况下,制定k种不同缸数的构型方案,其缸数依次为i1,…,ij,…,ik,计算各个方案的单缸排量Vj和缸径Dj;
步骤4:根据各个方案的缸径Dj计算各构型方案下柴油机体积;
步骤5:确定发电机的体积;
步骤6:计算各构型方案下柴油机-发电机系统总体体积,选取使总体体积最小的构型方案,相应的单缸排量Vj为最终的决策排量。
优选地,通过下式计算各个方案的单缸排量Vsin,j和缸径Dj:
式中,V为柴油机总排量;ij为第j方案的缸数,Vsin,j为第j方案的单缸排量,r为冲程缸径比,Dj为第j方案的缸径。
优选地,调整层对输入层的各神经元输入的需要柴油机输出的功率和转速用进行调整,式中θ表示需要柴油机输出的功率和转速任一量,J(θ)表示优化的损失函数,δ表示判断层的比较次数。
优选地,通过下式计算各构型方案下柴油机体积:
式中,ij为缸径数,C为柴油机缸心距、Dj为缸径、,rr_s为连杆冲程比、αV为V型柴油机两列气缸轴线夹角的dl为预留长度、dw为预留宽度、dh为预留高度、hp为活塞压缩高度、hch为燃烧室高度、r为冲程缸径比、h1为气缸盖高度、h2为气缸盖罩高度、h3为油底壳高度。
优选地,通过下式计算各构型方案下柴油机体积:
式中,
ij为缸径数;C为柴油机缸心距,dh为预留高度、dw为预留宽度、Dj为缸径、r为冲程缸径比,、rr_s为连杆冲程比、h1为气缸盖高度、h2为气缸盖罩高度,hp为活塞压缩高度、hc为燃烧室高度。
优选地,通过下式计算各构型方案下柴油机体积:
式中,ij为缸径数,C为柴油机缸心距,dl为预留长度、dw为预留宽度、dh为预留高度、hp为活塞压缩高度、hc为燃烧室高度、Dj为缸径,、rr_s为连杆冲程比、h1为气缸盖高度、h2为气缸盖罩高度;r为冲程缸径比,d1是设定值。
为实现所述发明目的,本发明还提供一种系统,其包括存储介质和处理器,所述存储器用于存储计算机程序代码,处理器能够执行该程序代码以实施上述任一所述的方法。
与现有技术相比,本发明提供的动力发电兼顾型柴油机排量人工智能决策方法及系统,能够兼顾柴油机的功率和转速性能,使两项指标均能满足用户需求,在此基础上进一步优化总体构型参数,以功率、扭矩为约束实现单缸排量的优化与决策,使性能和构型同时达到最优。
附图说明
图1是本发明提供的动力发电兼顾型柴油机排量人工智能决策方法的流程图;
图2是本发明提供的深度学习神经网络模型的组成框图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
本发明中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
第一实施例
图1是本发明提供的动力发电兼顾型柴油机排量人工智能决策方法的流程图,如图1所示,本发明第一实施例提供的动力发电兼顾型柴油机排量人工智能决策方法包括如下步骤:
步骤1:通过深度神经网络模型确定发电机达到目标电功率和转速时需要柴油机需要输出的功率Peng和转速ne,所述柴油机用于给发电机提供动力;
步骤2:通过下式根据柴油机的输出功率和转速确定柴油机总排量V;
步骤3:在确定了柴油机总排量的情况下,制定k种不同缸数的构型方案,其缸数依次为i1,…,ij,…,ik,计算各个方案的单缸排量Vj和缸径Dj;
步骤4:根据缸径Dj计算各构型方案下柴油机体积;
步骤5:确定发电机的体积;
步骤6:计算各构型方案下柴油机-发电机系统总体体积,选取使总体体积最小的构型方案,相应的单缸排量Vj为最终的决策排量。
图2是本发明提供的深度学习神经网络模型的组成框图,如图2所示,本发明提供深度学习神经网络模型包括输入层、隐含层、判断层、输出层和调整层,所述输入层各神经元输入柴油机需要输出的功率和转速;输出层神经元输出发电机的电功率和转速;调整层被配置为对输入层各神经元输入的需要柴油机输出的功率和转速进行调整,调整后的需要柴油机输出的功率和转速输入到隐含层各神经元;判断层被配置为对输出层各神经元输出的发电机的电功率和转速分别与发电机的目标电功率和目标转速进行比较,若输出层的神经元输出的发电机的电功率和发电机的目标电功率相减的绝对值小于或等于第一设定值,且神经元输出的发电机的转速和发电机的目标转速小于或等于第二设定值,则调整层停止调整输入层输入的需要柴油机输出的功率和转速,此时的功率为和转速为发电机达到目标电功率和转速时需要柴油机输出的功率Peng和转速ne;若输出层的神经元输出的发电机的电功率和发电机的目标电功率相减的绝对值大于第一设定值,或神经元输出的发电机的转速和发电机的目标转速大于第二设定值,则调整层对输入层各神经元输入的需要柴油机输出的功率和转速进行调整;优选地,调整层对输入层的各神经元输入的需要柴油机输出的功率和转速用进行调整,式中θ表需要柴油机输出的功率和转速任一量,J(θ)表示优化的损失函数,δ表示判断层的比较次数。
步骤2中,根据柴油机的输出功率Peng和转速ne通过下式确定柴油机总排量V;
式中β为过量空气系数,τ为冲程数,Rg为空气气体常数,tcool为进气中冷后温度,μ1为柴油机机械效率,μ2为柴油机指示热效率,qd为柴油机热值,pflow为进气压力,Peng为柴油机输出功率,ne为柴油机输出转速;V为柴油机总排量;K为常数系数。
优选地,动力发电兼顾型柴油机排量人工智能决策方法还包括:
步骤3中,通过下式计算各个方案的单缸排量Vsin,j和缸径Dj:
式中,V为柴油机总排量;ij为第j方案的缸数,Vsin,j为第j方案的单缸排量,r为冲程缸径比,Dj为第j方案的缸径。
步骤4中,对于V型发动机,通过下式计算各构型方案下柴油机体积:
式中,ij为缸径数,C为柴油机缸心距、Dj为缸径、,rr_s为连杆冲程比、αV为V型柴油机两列气缸轴线夹角的dl为预留长度、dw为预留宽度、dh为预留高度、hp为活塞压缩高度、hch为燃烧室高度、r为冲程缸径比、h1为气缸盖高度、h2为气缸盖罩高度、h3为油底壳高度。
可选地,对于直列式发动机,通过下式计算各构型方案下柴油机体积:
式中,
ij为缸径数;C为柴油机缸心距,dh为预留高度、dw为预留宽度、Dj为缸径、r为冲程缸径比,、rr_s为连杆冲程比、h1为气缸盖高度、h2为气缸盖罩高度,hp为活塞压缩高度、hc为燃烧室高度。
可选地,水平对置发动机,通过下式计算各构型方案下柴油机体积:
式中,ij为缸径数,C为柴油机缸心距,dl为预留长度、dw为预留宽度、dh为预留高度、hp为活塞压缩高度、hc为燃烧室高度、Dj为缸径,、rr_s为连杆冲程比、h1为气缸盖高度、h2为气缸盖罩高度;r为冲程缸径比,d1是设定值。
步骤5中,发电机的体积通过下式计算:
D为发电机定子外径,m为电机相数,N为每相绕组串联匝数,IN为定子相电流有效值,A为电枢绕组线负荷,指电枢圆周单位长度上的安培导体数;Lsh为发电机轴向预留长度,Ldia为径向预留长度,Dshell为发电机外壳厚度;
Lef为电枢铁芯长度,Pobj为发电机目标电功率,ne为发电机输入转速,其为柴油机输出转速,CA为电机系数;
α'p为极弧系数,KNm为电枢的绕组系数,Kdp为气隙磁场的波形系数,Bδ隙磁通密度幅值,Bδ过大会使电机损耗增加,设计过小会导致电机体积偏大;
步骤6中,各构型方案下柴油机-发电机系统总体体积Vtot,j=Vengine,j+Vgenerator
第二实施例
本发明第二实施例还提供一种系统,其包括存储介质和处理器,所述存储器用于存储计算机程序代码,处理器能够执行该程序代码以实施实施例任一所述的方法。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种动力发电兼顾型柴油机排量人工智能决策方法,其特征在于,包括如下步骤
步骤1:通过深度神经网络模型确定发电机达到目标电功率和转速时需要柴油机需要输出的功率Peng和转速ne,所述柴油机用于给发电机提供动能,深度学习神经网络模型包括输入层、隐含层、判断层、输出层和调整层,所述输入层各神经元输入需要柴油机输出的功率和转速;输出层神经元输出发电机的电功率和转速;调整层被配置为对输入层各神经元输入的需要柴油机输出的功率和转速进行调整,调整后的需要柴油机输出的功率和转速输入到隐含层各神经元;判断层被配置为对输出层各神经元输出的发电机的电功率和转速分别与发电机的目标电功率和目标转速进行比较,若输出层的神经元输出的发电机的电功率和发电机的目标电功率相减的绝对值小于或等于第一设定值,且神经元输出的发电机的转速和发电机的目标转速小于或等于第二设定值,则调整层停止调整输入层输入的需要柴油机输出的功率和转速,此时的功率为和转速为发电机达到目标电功率和转速时需要柴油机输出的功率Peng和转速ne;若输出层的神经元输出的发电机的电功率和发电机的目标电功率相减的绝对值大于第一设定值,或神经元输出的发电机的转速和发电机的目标转速大于第二设定值,则调整层对输入层各神经元输入的需要柴油机输出的功率和转速进行调整;
步骤2:根据柴油机的输出功率和转速通过下式确定柴油机总排量V:
式中β为过量空气系数,τ为冲程数,Rg为空气气体常数,tcool为进气中冷后温度,μ1为柴油机机械效率,μ2为柴油机指示热效率,qd为柴油机热值,pflow为进气压力,Peng为柴油机输出功率,ne为柴油机输出转速;V为柴油机总排量;K为常数系数。
2.根据权利要求1所述的动力发电兼顾型柴油机排量人工智能决策方法,其特征在于,还包括:
步骤3:在确定了柴油机总排量的情况下,制定k种不同缸数的构型方案,其缸数依次为i1,…,ij,…,ik,计算各个方案的单缸排量Vsin,j和缸径Dj;
步骤4:根据各构型方案确定的缸径Dj计算各构型方案下柴油机体积;
步骤5:确定发电机的体积;
步骤6:计算各构型方案下柴油机-发电机系统总体体积,选取使总体体积最小的构型方案,相应的单缸排量Vsin,j为最终的决策排量。
3.根据权利要求2所述的所述的动力发电兼顾型柴油机排量人工智能决策方法,其特征在于,通过下式计算各个方案的单缸排量Vsin,j和缸径Dj:
式中,V为柴油机总排量;ij为第j方案的缸数,Vsin,j为第j方案的单缸排量,r为冲程缸径比,Dj为第j方案的缸径。
4.根据权利要求1-3任一所述的所述的动力发电兼顾型柴油机排量人工智能决策方法,其特征在于,调整层对输入层的各神经元输入的需要柴油机输出的功率和转速用进行调整,式中θ表示柴油机输出的功率和转速任一量,J(θ)表示优化的损失函数,δ表示判断层的比较次数。
5.根据权利要求4所述的所述的动力发电兼顾型柴油机排量人工智能决策方法,其特征在于,通过下式计算各构型方案下柴油机体积:
式中,ij为缸径数,C为柴油机缸心距、Dj为缸径、rr_s为连杆冲程比、αV为V型柴油机两列气缸轴线夹角的dl为预留长度、dw为预留宽度、dh为预留高度、hp为活塞压缩高度、hc为燃烧室高度、r为冲程缸径比、h1为气缸盖高度、h2为气缸盖罩高度、h3为油底壳高度。
6.根据权利要求4所述的所述的动力发电兼顾型柴油机排量人工智能决策方法,其特征在于,通过下式计算各构型方案下柴油机体积:
式中,
ij为缸径数;C为柴油机缸心距,dh为预留高度、dw为预留宽度、Dj为缸径、r为冲程缸径比,、rr_s为连杆冲程比、h1为气缸盖高度、h2为气缸盖罩高度,hp为活塞压缩高度、hc为燃烧室高度。
7.根据权利要求4所述的所述的动力发电兼顾型柴油机排量人工智能决策方法,其特征在于,通过下式计算各构型方案下柴油机体积:
式中,ij为缸径数,C为柴油机缸心距,dl为预留长度、dw为预留宽度、dh为预留高度、hp为活塞压缩高度、hc为燃烧室高度、Dj为缸径,、rr_s为连杆冲程比、h1为气缸盖高度、h2为气缸盖罩高度;r为冲程缸径比,d1是设定值。
8.一种系统,其包括存储介质和处理器,所述存储器用于存储计算机程序代码,处理器能够执行该程序代码以实施权利要求1-7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310488062.0A CN116663396B (zh) | 2023-04-29 | 2023-04-29 | 一种动力发电兼顾型柴油机排量人工智能决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310488062.0A CN116663396B (zh) | 2023-04-29 | 2023-04-29 | 一种动力发电兼顾型柴油机排量人工智能决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116663396A true CN116663396A (zh) | 2023-08-29 |
CN116663396B CN116663396B (zh) | 2023-11-03 |
Family
ID=87726949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310488062.0A Active CN116663396B (zh) | 2023-04-29 | 2023-04-29 | 一种动力发电兼顾型柴油机排量人工智能决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663396B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252041A (zh) * | 2023-11-16 | 2023-12-19 | 北京理工大学 | 一种超高强化程度发电柴油机缸径尺寸的优选方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10148973A1 (de) * | 2001-10-01 | 2003-04-10 | Iav Gmbh | Verfahren und Vorrichtung zum Ermitteln der Einspritzmenge vorzugsweise für direkteinspritzende Dieselmotoren |
CN109839821A (zh) * | 2019-01-17 | 2019-06-04 | 哈尔滨工程大学 | 一种船用柴油机bp神经网络燃烧-转速双闭环控制方法 |
CN111439260A (zh) * | 2020-04-27 | 2020-07-24 | 吉林大学 | 面向个性化需求的网联商用柴油车巡航行驶优化控制系统 |
CN112020599A (zh) * | 2018-02-26 | 2020-12-01 | 普渡研究基金会 | 避免柴油发动机气缸停用期间压缩机喘振的系统和方法 |
CN113277095A (zh) * | 2021-05-25 | 2021-08-20 | 南京航空航天大学 | 一种串联式油电混动无人机能量管理系统及方法 |
CN113935125A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机排放性能的bp神经网络预测模型优化方法 |
CN114037075A (zh) * | 2021-11-12 | 2022-02-11 | 江苏科技大学 | 一种基于人工智能算法的柴油机电子调速自适应方法 |
-
2023
- 2023-04-29 CN CN202310488062.0A patent/CN116663396B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10148973A1 (de) * | 2001-10-01 | 2003-04-10 | Iav Gmbh | Verfahren und Vorrichtung zum Ermitteln der Einspritzmenge vorzugsweise für direkteinspritzende Dieselmotoren |
CN112020599A (zh) * | 2018-02-26 | 2020-12-01 | 普渡研究基金会 | 避免柴油发动机气缸停用期间压缩机喘振的系统和方法 |
CN109839821A (zh) * | 2019-01-17 | 2019-06-04 | 哈尔滨工程大学 | 一种船用柴油机bp神经网络燃烧-转速双闭环控制方法 |
CN111439260A (zh) * | 2020-04-27 | 2020-07-24 | 吉林大学 | 面向个性化需求的网联商用柴油车巡航行驶优化控制系统 |
CN113277095A (zh) * | 2021-05-25 | 2021-08-20 | 南京航空航天大学 | 一种串联式油电混动无人机能量管理系统及方法 |
CN113935125A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机排放性能的bp神经网络预测模型优化方法 |
CN114037075A (zh) * | 2021-11-12 | 2022-02-11 | 江苏科技大学 | 一种基于人工智能算法的柴油机电子调速自适应方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252041A (zh) * | 2023-11-16 | 2023-12-19 | 北京理工大学 | 一种超高强化程度发电柴油机缸径尺寸的优选方法 |
CN117252041B (zh) * | 2023-11-16 | 2024-01-26 | 北京理工大学 | 一种超高强化程度发电柴油机缸径尺寸的优选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116663396B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116663396B (zh) | 一种动力发电兼顾型柴油机排量人工智能决策方法及系统 | |
EP2715088B1 (en) | Supercharged turbocompound hybrid engine apparatus | |
CN105781716A (zh) | 电辅助可变喷嘴涡轮增压系统及其控制方法 | |
US20110169273A1 (en) | Hybrid energy conversion system | |
JP2007016721A (ja) | 電動過給装置 | |
Muqeem et al. | Taguchi based grey relational analysis for multi response optimisation of diesel engine performance and emission parameters | |
JP6430270B2 (ja) | 電動回生過給機 | |
Michon et al. | Modelling and testing of a turbo-generator system for exhaust gas energy recovery | |
CN102396148B (zh) | 发电控制装置 | |
Buriakovskyi et al. | RESEARCH OF A HYBRID DIESEL LOCOMOTIVE POWER PLANT BASED ON A FREE-PISTON ENGINE. | |
Marinkov et al. | Convex modeling and optimization of a vehicle powertrain equipped with a generator–turbine throttle unit | |
Rode et al. | Electric Turbocharger Concept for Highly Efficient Internal Combustion Engines | |
CN112507469B (zh) | 固体火箭发动机燃烧室绝热层设计方法 | |
Rosetti et al. | Intake Manifold Primary Trumpet Tuning Options for Fuel Flow Limited High Performance ICE | |
CN115114785B (zh) | 一种发动机性能指标参数化快速预测方法 | |
Flohr et al. | Electrically Assisted Turbocharging for Optimized Performance | |
Maslii et al. | Research of a Hybrid Diesel Locomotive Power Plant Based on a Free-Piston Engine | |
Kataoka et al. | Crankshaft positioning utilizing compression force and fast starting with combustion assist for indirect injection engine | |
CN115391957A (zh) | 一种增程式专用发动机的设计方法 | |
Arminio et al. | Modeling of a Spark Ignition Engine with Turbo-Generator for Energy Recovery | |
CN117252041B (zh) | 一种超高强化程度发电柴油机缸径尺寸的优选方法 | |
CN219366165U (zh) | 一种新能源汽车增程动力系统 | |
CN118083137A (zh) | 一种航空串联混合电推进系统在线功率管理方法 | |
CN116620537A (zh) | 一种基于转矩观测器的船舶混合动力智能发电单元协同控制方法 | |
CN114151216A (zh) | 一种基于缸压重构的主动减振控制方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |