CN117150882A - 发动机油耗预测方法、系统、电子设备及存储介质 - Google Patents
发动机油耗预测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117150882A CN117150882A CN202310901984.XA CN202310901984A CN117150882A CN 117150882 A CN117150882 A CN 117150882A CN 202310901984 A CN202310901984 A CN 202310901984A CN 117150882 A CN117150882 A CN 117150882A
- Authority
- CN
- China
- Prior art keywords
- engine
- data
- oil consumption
- lstm
- real
- 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
- 239000010705 motor oil Substances 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004088 simulation Methods 0.000 claims abstract description 71
- 239000000446 fuel Substances 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 39
- 239000003921 oil Substances 0.000 claims abstract description 35
- 230000015654 memory Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000004138 cluster model Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 239000012535 impurity Substances 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000007935 neutral effect Effects 0.000 claims description 5
- 230000008929 regeneration Effects 0.000 claims description 5
- 238000011069 regeneration method Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供一种发动机油耗预测方法、系统、电子设备及存储介质，通过获取发动机实时运行数据；对发动机实时运行数据进行分类，得到发动机当前运行工况；从与多个发动机运行工况对应的多个LSTM发动机油耗仿真模型确定与发动机当前运行工况对应的LSTM发动机油耗仿真模型，将发动机实时运行数据输入所确定的LSTM发动机油耗仿真模型，得到发动机当前运行工况下的发动机油耗瞬时油耗预测结果，由于LSTM模型具有较强的序列建模能力和长期依赖捕捉能力，可以更好地理解输入数据中的时间序列关系，从而提高油耗预测的准确性；通过对输入数据进行分类，并为每个类别单独训练相应的LSTM模型，可以实现多种工况下的油耗精准预测。
Description
技术领域
本发明涉及油耗预测技术领域，尤其涉及一种发动机油耗预测方法、系统、电子设备及存储介质。
背景技术
发动机的燃油效率是汽车性能和可持续性的关键因素之一。发动机瞬时油耗率是衡量发动机燃油效率的重要指标，其对驾驶行为和车辆运行条件的变化非常敏感。因此，准确地预测发动机瞬时油耗是优化车辆性能和实现能源效率的重要挑战。传统的发动机油耗估计方法包括基于物理的模型、基于数据的模型和基于统计的模型。然而，这些方法往往需要大量的数据如先验知识和特征工程，并且占用大量计算资源，由于这些模型所涉及算法的自适应能力差，制约了模型的应用工况或车型。
发明内容
本发明提供一种发动机油耗预测方法、系统、电子设备及存储介质，用以解决传统动机油耗估计方法需要大量的数据、占用大量计算资源影响油耗预测结果准确性，以及模型应用范围受到制约的缺陷。
本发明提供一种发动机油耗预测方法，包括：
获取发动机实时运行数据；
对所述发动机实时运行数据进行分类，得到发动机当前运行工况；
从与多个发动机运行工况对应的多个LSTM发动机油耗仿真模型确定与所述发动机当前运行工况对应的LSTM发动机油耗仿真模型，其中，所述多个LSTM发动机油耗仿真模型中的各LSTM发动机油耗仿真模型是基于所述多个发动机运行工况中的对应发动机运行工况下的发动机运行数据进行训练得到；
将所述发动机实时运行数据输入所确定的LSTM发动机油耗仿真模型，得到所述发动机当前运行工况下的发动机油耗瞬时油耗预测结果。
根据本发明提供的一种发动机油耗预测方法，所述对所述发动机实时运行数据进行分类包括：
使用预先构建的聚类模型对所述发动机实时运行数据进行分类，其中，所述聚类模型基于多个发动机运行数据构建，所述聚类模型包括的多个簇类对应于所述多个发动机运行工况。
根据本发明提供的一种发动机油耗预测方法，所述聚类模型构建方法包括：
从发动机运行历史数据集中随机选择多个发动机运行历史数据作为初始工况簇类的均值向量；
将所述发动机运行历史数据集中的剩余发动机运行历史数据划分到离它最近的工况簇；
根据同一工况簇内所有发动机运行历史数据的均值更新工况簇类的均值向量；
直到达到预设迭代次数或者工况簇类的均值向量不再改变时，聚类模型构建完成。
根据本发明提供的一种发动机油耗预测方法，所述LSTM发动机油耗仿真模型的训练过程，包括：
使用滑动窗口从与所述LSTM发动机油耗仿真模型对应的发动机运行工况下的发动机运行历史数据中提取多个时间步长的发动机参数数据，为每个时间步长的发动机参数数据标注发动机油耗目标数据；
将所述多个时间步长的发动机参数数据输入所述LSTM发动机油耗仿真模型得到发动机油耗预测数据；
根据所述发动机油耗目标数据与所述发动机油耗预测数据构造的损失函数来度量所述LSTM发动机油耗仿真模型的预测误差；
根据所述预测误差，使用反向传播算法更新所述LSTM发动机油耗仿真模型的参数。
根据本发明提供的一种发动机油耗预测方法，所述LSTM发动机油耗仿真模型的输出层包括全连接层，所述全连接层用于将输出数据长度缩小到1。
根据本发明提供的一种发动机油耗预测方法，所述将所述发动机当前运行工况下的发动机实时运行数据输入与所述发动机当前运行工况对应的LSTM发动机油耗仿真模型前，还包括：
对发动机当前运行工况下的发动机实时运行数据进行均值滤波卷积操作，得到发动机当前运行工况下的发动机实时运行平稳数据；
将所述发动机当前运行工况下的发动机实时运行平稳数据输入到对应工况的LSTM发动机油耗仿真模型中，以得到对应工况下的发动机油耗瞬时油耗预测结果。
根据本发明提供的一种发动机油耗预测方法，在所述获取发动机实时运行数据后，还包括：
对所述发动机实时运行数据进行清洗，以滤除杂质数据，所述杂质数据包括柴油颗粒过滤器再生时段数据、倒挡数据、空档滑行数据和刹车数据中的至少一种。
根据本发明提供的一种发动机油耗预测方法，所述发动机实时运行数据包括：
发动机实际扭矩、发动机转速和瞬时油耗数据、刹车踏板和档位中的至少一种；
所述发动机实际扭矩根据发动机输出扭矩和发动机扭矩损失计算得到。
本发明还提供一种发动机油耗预测系统，包括：
获取模块，用于获取发动机实时运行数据；
分类模块，用于对所述发动机实时运行数据进行分类，得到发动机当前运行工况；
确定模块，用于从与多个发动机运行工况对应的多个LSTM发动机油耗仿真模型确定与所述发动机当前运行工况对应的LSTM发动机油耗仿真模型，其中，所述多个LSTM发动机油耗仿真模型中的各LSTM发动机油耗仿真模型是基于所述多个发动机运行工况中的对应发动机运行工况下的发动机运行数据进行训练得到；
预测模块，用于将所述发动机实时运行数据输入所确定的LSTM发动机油耗仿真模型，得到所述发动机当前运行工况下的发动机油耗瞬时油耗预测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述的发动机油耗预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的发动机油耗预测方法。
本发明提供的发动机油耗预测方法、系统、电子设备及存储介质，通过获取发动机实时运行数据；对发动机实时运行数据进行分类，得到发动机当前运行工况；从与多个发动机运行工况对应的多个LSTM发动机油耗仿真模型确定与发动机当前运行工况对应的LSTM发动机油耗仿真模型，其中，多个LSTM发动机油耗仿真模型中的各LSTM发动机油耗仿真模型是基于多个发动机运行工况中的对应发动机运行工况下的发动机运行数据进行训练得到；将发动机实时运行数据输入所确定的LSTM发动机油耗仿真模型，得到发动机当前运行工况下的发动机油耗瞬时油耗预测结果，由于LSTM模型具有较强的序列建模能力和长期依赖捕捉能力，可以更好地理解输入数据中的时间序列关系，从而提高油耗预测的准确性；通过对输入数据进行分类，并为每个类别单独训练相应的LSTM模型，可以实现多种工况下的油耗精准预测。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的发动机油耗预测方法的流程示意图之一；
图2是本发明提供的发动机油耗预测方法的流程示意图之二；
图3为本发明提供的发动机油耗预测方法的流程示意图之三；
图4为本发明提供的滑动窗口的形式示意图；
图5是本发明提供的LSTM的门控单元和组合形式示意图；
图6是本发明提供的一维均值卷积效果图；
图7为本发明提供的LSTM模型结构示意图；
图8为本发明提供的模型构建流程示意图；
图9为本发明提供的模型推理流程示意图；
图10是本发明提供的发动机油耗预测系统的结构示意图；
图11是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的发动机油耗预测方法的流程图，如图1所示，本发明实施例提供的发动机油耗预测方法包括：
步骤101、获取发动机实时运行数据；
在本发明实施例中，发动机实时运行数据包括但不限于：
发动机实际扭矩、发动机转速和瞬时油耗数据、刹车踏板和档位等，其中，发动机实际扭矩根据发动机输出扭矩和发动机扭矩损失计算得到。
在本发明实施例中，将实际扭矩和发动机转速结合在一起作为输入数据，可以提供更准确和全面的信息，提升预测车辆的瞬时油耗是准确性。采用的数据源更加贴近发动机做功阶段，数据准确可靠，使得油耗预测也更加准确。发动机实时运行数据可以使用传感器对各项数据进行采集。传感器采集到的信号经过模数转换器(ADC)转换成数字信号，由微控制器进行处理和存储，通过CAN总线传输，瞬时油耗的采样频率为10Hz，其余的采样频率为50Hz，能够满足高频率数据的采集需求，确保了数据的准确性和实时性。这些数据还可以被实时传输到远程计算机进行分析和存储。在本发明一些实施例中，还包括对采集到的发动机实时运行数据进行数据校验和纠错，确保了数据的可靠性和完整性。
步骤102、对发动机实时运行数据进行分类，得到发动机当前运行工况；
步骤103、从与多个发动机运行工况对应的多个LSTM发动机油耗仿真模型确定与发动机当前运行工况对应的LSTM发动机油耗仿真模型，其中，多个LSTM发动机油耗仿真模型中的各LSTM发动机油耗仿真模型是基于所述多个发动机运行工况中的对应发动机运行工况下的发动机运行数据进行训练得到；
步骤104、将发动机实时运行数据输入所确定的LSTM发动机油耗仿真模型，得到发动机当前运行工况下的发动机油耗瞬时油耗预测结果。
在本发明实施例中，LSTM(Long Short-Term Memory，长短期记忆)是一种循环神经网络的变体，专门用于处理和建模序列数据。相比于传统的循环神经网络模型，LSTM引入了记忆单元和门控机制，可以更有效地解决长期依赖问题。通过将不同类别的数据输入LSTM模型进行训练，可以捕捉数据之间的时间依赖关系，并生成更准确的瞬时油耗预测结果。
传统的发动机油耗估计方法包括基于物理的模型、基于数据的模型和基于统计的模型。然而，这些方法往往需要大量的数据如先验知识和特征工程，并且占用大量计算资源，由于这些模型所涉及算法的自适应能力差，制约了模型的应用工况或车型。
本发明实施例提供的发动机油耗预测方法通过获取发动机实时运行数据；对发动机实时运行数据进行分类，得到发动机当前运行工况；将发动机当前运行工况下的发动机实时运行数据输入与发动机当前运行工况对应的LSTM发动机油耗仿真模型，得到对应工况下的发动机油耗瞬时油耗预测结果；其中，该LSTM发动机油耗仿真模型基于多个工况下的发动机运行数据进行训练得到，由于LSTM模型具有较强的序列建模能力和长期依赖捕捉能力，可以更好地理解输入数据中的时间序列关系，从而提高油耗预测的准确性；通过对输入数据进行分类，并为每个类别单独训练相应的LSTM模型，可以实现多种工况下的油耗精准预测。
基于上述任一实施例，对发动机实时运行数据进行分类是通过将发动机实时运行数据输入到预先构建的聚类模型得到的分类结果。如图2所示，聚类模型构建方法包括：
步骤201、从发动机运行历史数据集随机选择多个发动机运行历史数据作为初始工况簇类的均值向量；
步骤202、将发动机运行历史数据集中的剩余发动机运行历史数据划分到离它最近的工况簇；
步骤203、根据同一工况簇内所有发动机运行历史数据的均值更新工况簇类的均值向量；
步骤204、直到达到预设迭代次数或者工况簇类的均值向量不再改变时，聚类模型构建完成。
聚类模型包括但不限于KMeans聚类、GMM聚类、Divisive聚类和Agglomerative聚类等，本发明对聚类模型的选择不作限定，本领域技术人员可以根据实际需要选取。
在本发明实施例中，聚类模型为KMeans聚类、在KMeans聚类模型构建完成后，数据被进行分类为n个簇即n个公开类别，并将分类中心的特征值进行保存。
在本发明实施例中，采用非监督分类方法中的KMeans聚类，对发动机数据按照发动机实际扭矩、发动机转速、油耗这三个特征进行分类。KMeans聚类算法能够自动将数据样本分成不同的类别，而无需事先给定类别标签。这种无监督学习的方法适用无法事先确定类别或缺乏标注数据的情况，使得数据分类过程更加自动化和高效。
KMeans聚类算法的目标函数为
其中，rik表示当N个样本中的第i个样本xi划分为簇类k时为1，否则为0。uk表示簇类k的均值向量。目标函数J值越小，则簇内样本的相似度越高。KMeans算法中，采用EM算法思想实现目标函数的最小化。
初始化K个簇的均值向量，即uk为常数，求J最小化时的rik。可知，当数据点划分到离该数据点最近的簇类时，J最小。已知rik时，求最小化J对应的uk。令目标函数J对uk的偏导为0，即
得到
即簇类中心等于所属簇类样本的均值。
在判定数据的类别上，计算时序数据每个时刻的数据点到各个分类中心的欧式距离，再取所有数据点的平均值作为该条时序数据到各个分类中心的距离，即
为第j个时刻的数据点，m为时序数据的长度，ui为第i类的簇中心特征。若到第i个分类中心的距离最小，则该组数据判定为第i类。即有
c＝argmin(di)
将数据输入到对应类别的已经训练好的LSTM模型中，得到模型的预测结果。
在本发明实施例中，通过预先对发动机数据进行聚类分类处理，针对不同类型的数据分别训练LSTM模型，能够更准确地预测车辆的瞬时油耗，同时，结合KMeans聚类和个性化模型训练，可以更好地适应不同类别数据的特点，提高模型的适用性和泛化能力。本发明实施例采用先分类再回归具有以下优点：
发动机在不同工况下的运行状态和特性可能存在较大差异。例如，低速行驶和高速行驶时发动机的扭矩和转速会有显著的变化。通过先对工况数据进行分类，可以将相似工况下的数据聚类在一起，使得回归模型能够更好地适应和捕捉每个工况的特定模式和关系。
发动机工况数据往往具有较大的波动性和噪声，可能受到各种因素的影响。这些波动性可能对回归模型的准确性和稳定性造成挑战。通过先进行数据分类，可以将数据样本划分为更加相似的子集，然后在每个子集上训练回归模型。这种分类可以帮助减小数据波动性的影响，使得回归模型更加稳定和可靠。
不同工况下的发动机行为和油耗模式可能存在差异，因此使用先分类再回归的方法可以针对不同工况构建特定的回归模型。每个工况的分类可以使模型更专注于该工况下的特定特征和影响因素，提高模型对各个工况的预测能力。
发动机工况数据集中，某些工况可能出现更频繁，而其他工况可能相对较少。这导致了数据的不平衡性。通过先分类再回归，可以针对不同工况的样本数量不平衡问题，为每个工况调整模型的训练策略，提高对少数工况的预测准确性。
基于上述任一实施例，如图3所示，LSTM发动机油耗仿真模型的训练过程，包括：
步骤301、使用滑动窗口从与LSTM发动机油耗仿真模型对应的发动机运行工况下的发动机运行历史数据中提取多个时间步长的发动机参数数据，为每个时间步长的发动机参数数据标注发动机油耗目标数据；
在本发明实施例中，使用滑动窗口技术来获取发动机瞬时油耗的历史数据，从而可以更好地分析发动机油耗的变化规律，提高了预测的精度，滑动窗口的形式如图4所示。在本发明实施例中，采用2s长度的数据片段预测下一时刻的瞬时油耗数据。由于数据的采样频率为50Hz，因此输入数据的长度为100，输出数据长度为1。每条数据的长度为101，需要在预处理后的数据上采用长度为101的滑动窗口产生时间连续的数据，前100个时刻的数据为模型的输入，最后一个时刻的数据为输出。采用滑动窗口产生数据集的特点包括样本丰富、规模可控、连续性好、易于处理、有效性高等，为油耗预测提供了有效的数据基础，提高了模型的预测能力和实用性。
步骤302、将多个时间步长的发动机参数数据输入LSTM发动机油耗仿真模型得到发动机油耗预测数据；
在本发明实施例中，在数据输入LSTM发动机油耗仿真模型前还包括对用于训练的数据进行归一化处理，以消除数据之间的量纲差异，提高模型的精度。采用的归一化方式为线性归一化，即
式中，x为输入数据，x’为归一化后数据，min(x)为输入数据最小值；max(x)为输入数据最大值。
在预处理阶段对数据进行归一化时，需要将每个特征的最大最小值保存为本地文件，以便在数据后处理阶段对模型的输出进行反归一化，将模型输出还原到油耗预测值上。
步骤303、根据发动机油耗目标数据与所述发动机油耗预测数据构造的损失函数来度量LSTM发动机油耗仿真模型的预测误差；
步骤304、根据预测误差，使用反向传播算法更新LSTM发动机油耗仿真模型的参数。
在本发明实施例中，LSTM发动机油耗仿真模型基于PyTorch构建，所述LSTM发动机油耗仿真模型的输出层包括全连接层，所述全连接层用于将输出数据长度缩小到1。
PyTorch是一个基于Python的科学计算库，主要用于深度学习研究和开发。它的特点是动态图机制，能够提供灵活的、高效的深度学习模型构建方法。相对于其他深度学习框架，如TensorFlow等，PyTorch构建的模型学习曲线更加平滑，而且在科研领域应用广泛。本发明实施例采用了发动机历史状态的时序信息，使用LSTM学习发动机时序信息的时空特征，以预测下一时刻的发动机瞬时油耗。使用PyTorch构建LSTM模型，输入数据长度100，特征数为2。同时，由于输出数据长度为1，特征数为1，需要在LSTM模型后增加一层全连接层，将输出数据的形状缩小到1。
在本发明实施例中，LSTM的关键思想是通过门控单元来控制信息的流动和记忆的更新。它由三种门控单元组成：输入门(Input Gate)：决定当前时刻输入的信息有多少将被加入到记忆单元中。遗忘门(Forget Gate)：决定当前时刻记忆单元中哪些信息将被遗忘。输出门(Output Gate)：决定当前时刻记忆单元中的信息有多少将被输出。每个门控单元都由一个sigmoid激活函数和逐元素相乘操作组成，这使得LSTM能够根据输入和上一个时刻的状态有选择地更新和传递信息。LSTM的门控单元和组合形式如图5所示。LSTM的记忆单元可以在长时间范围内保留和传递信息，使其能够捕捉到序列数据中的长期依赖关系。这使得LSTM在处理自然语言处理、语音识别、时间序列预测等任务中表现出色。
在训练过程中，LSTM通过反向传播算法进行参数优化。它可以通过多个时间步骤进行展开，并使用误差反向传播来更新权重和偏置，以最小化模型的预测误差。
传统方法建模主要采用物理模型或统计学方法建模，需要大量的先验知识和特征工程和较高程度的车辆专业知识。同时，在物理模型建模存在参数估计难度大的问题。物理模型通常涉及到多个物理过程，需要对各个参数进行估计，但是往往会面临数据不全或者数据精度不足等问题，导致建模结果不准确。本发明实施例利用LSTM神经网络来进行预测，不需要大量的数据、计算资源和先验知识。采用的数据源更加贴近发动机做功阶段，数据准确可靠，使得油耗预测也更加准确。
传统方法往往对于复杂的非线性系统建模效果不佳。本发明实施例使用LSTM神经网络来进行建模，能够有效地捕捉发动机瞬时油耗率的复杂动态变化，提高了预测准确性。
传统方法构建的发动机油耗模型不具备很强的自适应能力。本发明实施例使用LSTM神经网络能够自动学习特征，并且具有很强的自适应能力，能够在不同的工况和车型中进行预测。
在本发明一些实施例中，将发动机当前运行工况下的发动机实时运行数据输入与发动机当前运行工况对应的LSTM发动机油耗仿真模型前，还包括：
对发动机当前运行工况下的发动机实时运行数据进行均值滤波卷积操作，得到发动机当前运行工况下的发动机实时运行平稳数据；
将所述发动机当前运行工况下的发动机实时运行平稳数据输入到对应工况的LSTM发动机油耗仿真模型中，以得到对应工况下的发动机油耗瞬时油耗预测结果。
在LSTM模型之前应用均值滤波一维卷积可以帮助减小数据的波动性，平滑输入数据，进一步改善预测结果的稳定性和准确性。
在本发明实施例中，从CAN上获取的车辆数据存在噪声、异常值等问题，数据波动大，直接输入网络训练效果不理想。在本方案构建的网络中，增加了一层一维均值滤波卷积，以减小数据的波动性和噪声，以提高输入数据的稳定性和模型的性能。
一维卷积操作使用一个卷积核(也称为滤波器或特征检测器)来扫描输入数据，并通过在卷积核和输入数据之间进行卷积运算来生成输出。卷积核是一个小的窗口或核函数，其参数值通过训练过程进行学习或手动设定。在一维卷积中，卷积核在输入数据上进行滑动，每次与输入数据的一个子序列进行逐元素相乘并求和，得到卷积输出的一个元素。其公式为
其中，S(n)为卷积结果序列，长度为lf(m)+lg(m)-1，f(m)是被卷积的向量，g(m)是卷积核。通过改变卷积核的参数(权重)或使用不同的卷积核，一维卷积可以检测输入数据中的不同特征和模式。
使用均值滤波卷积核可以达到对数据进行平滑的目的，如图6所示，原始数据存在明显的噪声，进行一维均值卷积后数据更加平滑。若卷积核的长度为n，则均值滤波卷积核的权重值均为
在本发明一些实施例中，在获取发动机实时运行数据后，还包括：
对发动机实时运行数据进行清洗，以滤除杂质数据，杂质数据包括柴油颗粒过滤器再生时段数据、倒挡数据、空档滑行数据和刹车数据中的至少一种。
在本发明实施例中，对采集到的数据进行预处理，以满足模型对数据的要求，同时对模型的输出进行后处理，提高预测精度。数据的质量直接决定了模型效果。
瞬时油耗的采样频率与其余数据的频率不一致，对瞬时油耗数据进行线性插值处理，将其变化频率提升到50Hz。为了得到更加贴合发动机本身特征的油耗仿真模型，需要去除数据中的倒挡数据、空档滑行数据和刹车数据。在这三种条件下，采集的扭矩、转速和瞬时油耗数据无法通过模型进行映射。三者的判定条件为：
(1)倒挡数据：档位值为-1的数据。
(2)空档滑行数据：档位值不为0，但输出扭矩为0的数据。
(3)刹车数据：刹车踏板位置参数大于0的数据。
本发明实施例的数据来源车辆为柴油车。在发动机工作时，柴油颗粒过滤器(DPF)会周期性地进行再生，将颗粒物从DPF中烧掉。在这个过程中，发动机的工作状态和排放特性会发生变化，扭矩和转速与发动机油耗的映射关系发生改变，这些变化可能会对数据分析产生负面影响。这些数据并不能代表真实的发动机耗油状况。因此，为了保证数据的准确性和可靠性，还需要将DPF再生时段的数据从数据集中去除。这样可以使得数据集更加贴近实际发动机工况。
基于上述任一实施例，LSTM发动机油耗仿真模型结构如图7所示，发动机油耗预测过程如图8所示，包括：
(1)模型训练
根据数据预处理阶段的聚类分组，将每一类的数据集分为训练集、验证集和测试集。其中，训练集用于训练模型，验证集用于验证模型的效果，测试集用于测试模型的泛化能力。接着，对于每一个样本，使用滑动窗口的方式提取多个时间步长的历史数据和目标数据。将历史数据输入到LSTM模型中，训练模型以预测目标数据。
在模型训练过程中，使用损失函数来度量模型的预测误差，并使用反向传播算法来更新模型的参数。同时使用一些优化算法来加速模型的训练过程。每隔一定间隔保存模型参数，并使用验证集评估训练效果和模型性能。
(2)模型测试
在测试部分，将测试集输入到已经训练好的LSTM发动机油耗仿真模型中，得到模型的预测结果。
将模型的预测结果经过后处理后与真实值进行比较，使用评价指标如均方误差(MSE)等来度量模型的性能。
(3)模型推理和数据后处理
如图9所示，在实际应用中，需要将实时采集的数据使用相同的预处理措施进行处理。
可以将模型嵌入到一个实时系统中，实时地对发动机瞬时油耗进行预测，并将预测结果输出到系统中，供用户使用。
本发明实施例采用的LSTM模型采用输出扭矩、扭矩损失和转速等参数，创新性地使用KMeans聚类实现先聚类再回归的预测过程，能够高精度、实时地预测发动机的瞬时油耗。相较于传统方法，本方案的技术效果具有以下显著优势：
高精度的油耗预测：通过结合实际扭矩和发动机转速，以及采用LSTM模型进行油耗预测，本方案能够提供高精度的油耗预测结果。LSTM模型具有较强的序列建模能力和长期依赖捕捉能力，可以更好地理解输入数据中的时间序列关系，从而提高油耗预测的准确性。
个性化的模型训练：通过采用KMeans聚类算法对输入数据进行分类，并为每个类别单独训练相应的LSTM模型，本方案可以实现个性化的模型训练。不同类别的数据往往具有不同的特点和模式，通过个性化的模型训练，可以更好地适应不同数据类别的特征，提高模型的预测性能和准确度。
通用性强：本方案所采用的LSTM模型构建方法可以适用于不同型号的发动机和车辆。采用的数据仅来自内部数据，无需外界条件数据的支持。并且可以通过对数据集的不断积累和模型的不断训练，进一步提升预测效果。这种通用性强的特点，可以为车辆管理、节能减排等领域的实际应用提供支持。
数据稳定性和去噪效果提升：通过在LSTM模型前引入均值滤波一维卷积，本方案可以减小输入数据的波动性和噪声，提高数据的稳定性和可靠性。均值滤波一维卷积能够平滑数据波动，去除高频噪声，使得输入数据更加干净和可靠，有助于提升模型的预测效果和稳定性。
数据准确：本方案采集的数据能直接反映和发动机油耗指标相关的特征，数据处理部分能够有效减少干扰数据，使得训练数据准确可靠。同时还考虑去除DPF再生时段的数据，进一步提高了结果的精度和有效性。
本发明实施例提供的发动机油耗预测方法，采用的先分类再回归的方法在处理发动机工况数据时可以更好地适应工况的差异性、处理数据的波动性、构建工况特定模型以及应对数据不平衡问题，从而提高对发动机瞬时油耗的准确预测能力、实时地预测发动机的瞬时油耗，能够为车辆管理、节能减排等提供高效精准的技术支持。
下面对本发明提供的发动机油耗预测系统进行描述，下文描述的发动机油耗预测系统与上文描述的发动机油耗预测方法可相互对应参照。
图10为本发明实施例提供的发动机油耗预测系统的示意图，如图10所示，本发明实施例提供的发动机油耗预测系统包括：
获取模块1001，用于获取发动机实时运行数据；
在本发明实施例中，通过CAN总线采集输出扭矩、发动机扭矩损失、发动机转速和瞬时油耗数据。除此之外，还有刹车踏板、档位等汽车数据。
分类模块1002，用于对发动机实时运行数据进行分类，得到发动机当前运行工况；
确定模块1003，用于从与多个发动机运行工况对应的多个LSTM发动机油耗仿真模型确定与发动机当前运行工况对应的LSTM发动机油耗仿真模型，其中，多个LSTM发动机油耗仿真模型中的各LSTM发动机油耗仿真模型是基于所述多个发动机运行工况中的对应发动机运行工况下的发动机运行数据进行训练得到；
预测模块1004，用于将发动机实时运行数据输入所确定的LSTM发动机油耗仿真模型，得到所述发动机当前运行工况下的发动机油耗瞬时油耗预测结果。
在本发明实施例中，还包括数据预处理模块，用于对采集到的数据进行清洗和规范化处理，保证数据的可靠性和准确性。同时，对数据进行预聚类分类，准备进行LSTM训练。
在本发明实施例中，还包括LSTM模型训练模块用于构建LSTM发动机仿真模型，通过历史数据训练LSTM模型，获得模型参数。
在本发明实施例中，还包括数据后处理模块用于将LSTM模型的输出进行反归一化，得到最终的瞬时油耗预测值。
本发明实施例提供的发动机油耗预测系统通过获取发动机实时运行数据；对发动机实时运行数据进行分类，得到发动机当前运行工况；将发动机当前运行工况下的发动机实时运行数据输入与发动机当前运行工况对应的LSTM发动机油耗仿真模型，得到对应工况下的发动机油耗瞬时油耗预测结果；其中，该LSTM发动机油耗仿真模型基于多个工况下的发动机运行数据进行训练得到，由于LSTM模型具有较强的序列建模能力和长期依赖捕捉能力，可以更好地理解输入数据中的时间序列关系，从而提高油耗预测的准确性；通过对输入数据进行分类，并为每个类别单独训练相应的LSTM模型，可以实现多种工况下的油耗精准预测。
图11示例了一种电子设备的实体结构示意图，如图11所示，该电子设备可以包括：处理器(Processor)1110、通信接口(Communications Interface)1120、存储器(Memory)1130和通信总线1140，其中，处理器1110，通信接口1120，存储器1130通过通信总线1140完成相互间的通信。处理器1110可以调用存储器1130中的逻辑指令，以执行发动机油耗预测方法，该方法包括：获取发动机实时运行数据；对发动机实时运行数据进行分类，得到发动机当前运行工况；将发动机当前运行工况下的发动机实时运行数据输入与发动机当前运行工况对应的LSTM发动机油耗仿真模型，得到对应工况下的发动机油耗瞬时油耗预测结果；其中，该LSTM发动机油耗仿真模型基于多个工况下的发动机运行数据进行训练得到。
此外，上述的存储器1130中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的发动机油耗预测方法，该方法包括：获取发动机实时运行数据；对发动机实时运行数据进行分类，得到发动机当前运行工况；将发动机当前运行工况下的发动机实时运行数据输入与发动机当前运行工况对应的LSTM发动机油耗仿真模型，得到对应工况下的发动机油耗瞬时油耗预测结果；其中，该LSTM发动机油耗仿真模型基于多个工况下的发动机运行数据进行训练得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种发动机油耗预测方法，其特征在于，包括：
获取发动机实时运行数据；
对所述发动机实时运行数据进行分类，得到发动机当前运行工况；
从与多个发动机运行工况对应的多个LSTM发动机油耗仿真模型确定与所述发动机当前运行工况对应的LSTM发动机油耗仿真模型，其中，所述多个LSTM发动机油耗仿真模型中的各LSTM发动机油耗仿真模型是基于所述多个发动机运行工况中的对应发动机运行工况下的发动机运行数据进行训练得到；
将所述发动机实时运行数据输入所确定的LSTM发动机油耗仿真模型，得到所述发动机当前运行工况下的发动机油耗瞬时油耗预测结果。
2.根据权利要求1所述的发动机油耗预测方法，其特征在于，所述对所述发动机实时运行数据进行分类包括：
使用预先构建的聚类模型对所述发动机实时运行数据进行分类，其中，所述聚类模型基于多个发动机运行数据构建，所述聚类模型包括的多个簇类对应于所述多个发动机运行工况。
3.根据权利要求2所述的发动机油耗预测方法，其特征在于，所述聚类模型构建方法包括：
从发动机运行历史数据集中随机选择多个发动机运行历史数据作为初始工况簇类的均值向量；
将所述发动机运行历史数据集中的剩余发动机运行历史数据划分到离它最近的工况簇；
根据同一工况簇内所有发动机运行历史数据的均值更新工况簇类的均值向量；
直到达到预设迭代次数或者工况簇类的均值向量不再改变时，聚类模型构建完成。
4.根据权利要求1所述的发动机油耗预测方法，其特征在于，所述LSTM发动机油耗仿真模型的训练过程，包括：
使用滑动窗口从与所述LSTM发动机油耗仿真模型对应的发动机运行工况下的发动机运行历史数据中提取多个时间步长的发动机参数数据，为每个时间步长的发动机参数数据标注发动机油耗目标数据；
将所述多个时间步长的发动机参数数据输入所述LSTM发动机油耗仿真模型得到发动机油耗预测数据；
根据所述发动机油耗目标数据与所述发动机油耗预测数据构造的损失函数来度量所述LSTM发动机油耗仿真模型的预测误差；
根据所述预测误差，使用反向传播算法更新所述LSTM发动机油耗仿真模型的参数。
5.根据权利要求1或4所述的发动机油耗预测方法，其特征在于，所述LSTM发动机油耗仿真模型的输出层包括全连接层，所述全连接层用于将输出数据长度缩小到1。
6.根据权利要求1所述的发动机油耗预测方法，其特征在于，所述将所述发动机当前运行工况下的发动机实时运行数据输入与所述发动机当前运行工况对应的LSTM发动机油耗仿真模型前，还包括：
对发动机当前运行工况下的发动机实时运行数据进行均值滤波卷积操作，得到发动机当前运行工况下的发动机实时运行平稳数据；
将所述发动机当前运行工况下的发动机实时运行平稳数据输入到对应工况的LSTM发动机油耗仿真模型中，以得到对应工况下的发动机油耗瞬时油耗预测结果。
7.根据权利要求1所述的发动机油耗预测方法，其特征在于，在所述获取发动机实时运行数据后，还包括：
对所述发动机实时运行数据进行清洗，以滤除杂质数据，所述杂质数据包括柴油颗粒过滤器再生时段数据、倒挡数据、空档滑行数据和刹车数据中的至少一种。
8.根据权利要求1或7所述的发动机油耗预测方法，其特征在于，所述发动机实时运行数据包括：
发动机实际扭矩、发动机转速和瞬时油耗数据、刹车踏板和档位中的至少一种；
所述发动机实际扭矩根据发动机输出扭矩和发动机扭矩损失计算得到。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述发动机油耗预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述发动机油耗预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901984.XA CN117150882A (zh) | 2023-07-20 | 2023-07-20 | 发动机油耗预测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310901984.XA CN117150882A (zh) | 2023-07-20 | 2023-07-20 | 发动机油耗预测方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117150882A true CN117150882A (zh) | 2023-12-01 |
Family
ID=88908879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310901984.XA Pending CN117150882A (zh) | 2023-07-20 | 2023-07-20 | 发动机油耗预测方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150882A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763976A (zh) * | 2024-02-22 | 2024-03-26 | 华南师范大学 | 航空发动机润滑油量预测方法、装置以及计算机设备 |
-
2023
- 2023-07-20 CN CN202310901984.XA patent/CN117150882A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763976A (zh) * | 2024-02-22 | 2024-03-26 | 华南师范大学 | 航空发动机润滑油量预测方法、装置以及计算机设备 |
| CN117763976B (zh) * | 2024-02-22 | 2024-05-14 | 华南师范大学 | 航空发动机润滑油量预测方法、装置以及计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110675623A (zh) | 基于混合深度学习的短时交通流量预测方法、系统、装置 | |
| CN111985361A (zh) | 小波降噪和emd-arima的电力系统负荷预测方法及系统 | |
| CN110647867B (zh) | 基于自适应抗噪声神经网络的轴承故障诊断方法及系统 | |
| CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
| CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN111382906A (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
| AU2021101172A4 (en) | Design and implementation of convolution neural network on edge computing smart phone for human activity recognition | |
| CN117150882A (zh) | 发动机油耗预测方法、系统、电子设备及存储介质 | |
| CN111127364A (zh) | 图像数据增强策略选择方法及人脸识别图像数据增强方法 | |
| CN114819054B (zh) | 一种基于物理信息神经网络的电力电子系统状态监测方法 | |
| CN111881954A (zh) | 基于渐进式簇净化网络的转导推理小样本分类方法 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN111967187B (zh) | 一种预测燃气轮机启动过程输出数据的建模方法及设备 | |
| CN117111464A (zh) | 一种多工况下的自适应故障诊断方法 | |
| CN112287752A (zh) | 一种水力发电机转轴早期故障特征的提取方法 | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| CN115565611B (zh) | 一种生物学回归预测方法、装置、设备及存储介质 | |
| CN117975124A (zh) | 一种医疗图像分类模型训练方法、医疗图像分类方法 | |
| Arzamastsev et al. | THE METHODOLOGY OF DATA MINING USING ANN MODELS | |
| CN117872127A (zh) | 一种电机故障诊断方法及设备 | |
| CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 |
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 |