CN117722287A - 发动机的控制方法、发动机的控制装置与电子设备 - Google Patents
发动机的控制方法、发动机的控制装置与电子设备 Download PDFInfo
- Publication number
- CN117722287A CN117722287A CN202410048313.8A CN202410048313A CN117722287A CN 117722287 A CN117722287 A CN 117722287A CN 202410048313 A CN202410048313 A CN 202410048313A CN 117722287 A CN117722287 A CN 117722287A
- Authority
- CN
- China
- Prior art keywords
- variables
- feature
- data
- dimensional
- engine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000003993 interaction Effects 0.000 claims abstract description 129
- 230000015654 memory Effects 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 67
- 239000010705 motor oil Substances 0.000 claims description 52
- 230000001419 dependent effect Effects 0.000 claims description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 31
- 230000005484 gravity Effects 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 27
- 230000010354 integration Effects 0.000 claims description 24
- 238000001816 cooling Methods 0.000 claims description 16
- 239000000446 fuel Substances 0.000 claims description 16
- 238000012217 deletion Methods 0.000 claims description 12
- 230000037430 deletion Effects 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 11
- 239000003921 oil Substances 0.000 claims description 11
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 230000001052 transient effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000011065 in-situ storage Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000003860 storage Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请提供了一种发动机的控制方法、发动机的控制装置与电子设备。方法包括:获取与目标场景关联的发动机样本数据,将数据分类并计算对应的相关度;构建多个包括A维独立变量、B维特征创建变量和C维特征交互变量的N维样本特征数据,其中A、B、C按相关度高至低来选取,且N=A+B+C;将多个N维样本特征数据输入数据预测模型进行运算得到运算结果来确定最优N维样本特征数据;将最优N维真实特征数据输入ECU中,ECU根据最优N维真实特征数据确定目标场景的目标真实输出值,以采用目标真实输出值控制发动机运行。该方法即降低数据集维度,又捕获了数据关键信息,减少了ECU内存占用,实现对发动机更为精确的控制。
Description
技术领域
本申请涉及发动机控制领域,具体而言,涉及一种发动机的控制方法、发动机的控制装置与电子设备。
背景技术
在进行ECU集成时,需要确保模型性能基本不变的情况下,处理数据时经常会涉及到独立变量、特征创建变量和特征交互得到的非独立变量。然而,输入变量的维度过大会导致算法在时间和空间上的复杂度增加,产生不必要的特征开支和噪声,降低了模型的鲁棒性。此外,过多的内存占用也会使ECU集成模型性能不稳定,影响ECU的正常工作。
发明内容
本申请的主要目的在于提供一种发动机的控制方法、发动机的控制装置、与电子设备,以至少解决ECU处理的变量维度过大导致算法在时间和空间上的复杂度过高占用ECU过多内存问题。
为了实现上述目的,根据本申请的一个方面,提供了一种发动机的控制方法,所述发动机中安装有ECU,包括:获取与目标场景关联的发动机样本数据,且将所述发动机样本数据分类为独立变量和非独立变量,其中,所述独立变量为采用传感器直接采集到的变量,所述非独立变量包括特征创建变量以及特征交互变量,所述特征创建变量为对至少一个所述独立变量进行转换和/或组合得到的新的特征变量,所述特征交互变量为将多个相同的或者不同的所述独立变量进行交互作用,生成新的特征变量;获取多个所述独立变量中的任一个、多个所述特征创建变量中的任一个以及多个所述特征交互变量中的任一个与所述目标场景的目标样本输出值的关联度;构建多个N维样本特征数据,一个所述N维样本特征数据是采用A维独立变量、B维特征创建变量和C维特征交互变量构建得到的,任意两个所述N维样本特征数据对应的A、B、C中至少一个不同,其中,所述A维独立变量为多个所述独立变量中所述关联度从高至低的前A个所述独立变量构成的,所述B维特征创建变量为多个所述特征创建变量中所述关联度从高至低的前B个所述特征创建变量构成的,所述C维特征交互变量为多个所述特征交互变量中所述关联度从高至低的前C个所述特征交互变量构成的,其中,N=A+B+C,N有至少一个取值;将多个所述N维样本特征数据输入至数据预测模型进行运算,得到对应的误差均值与损失函数,至少根据所述误差均值与所述损失函数确定最优N维样本特征数据;将最优N维真实特征数据发送至所述ECU中,以使得所述ECU根据所述最优N维真实特征数据确定所述目标场景的目标真实输出值,以采用所述目标真实输出值控制所述发动机运行;其中,所述最优N维真实特征数据的A、B、C与所述最优N维样本特征数据中的A、B、C相同。
可选地,至少根据所述误差均值与所述损失函数确定最优N维样本特征数据,包括:获取所述数据预测模型的种类,其中,所述数据预测模型的种类至少为以下之一:GBDT模型、XGBoost模型、BP神经网络模型、TDN神经网络模型、LSTM神经网络模型、GRU神经网络模型和SVM模型;根据所述数据预测模型的种类、所述误差均值与所述损失函数确定所述最优N维样本特征数据。
可选地,至少根据所述误差均值与所述损失函数确定最优N维样本特征数据,包括:确定所述预测模型的最终集成位置,所述最终集成位置为云端或者ECU端;根据所述预测模型的最终集成位置、所述误差均值与所述损失函数确定最优N维样本特征数据。
可选地,根据所述预测模型的最终集成位置、所述误差均值与所述损失函数确定最优N维样本特征数据,包括:确定所述预测模型的最终集成位置的第一比重;确定所述误差均值与所述损失函数的第二比重,所述第一比重和所述第二比重为对所述N维样本特征数据的最优选择结果的影响程度;根据所述第一比重、所述第二比重、所述预测模型的最终集成位置以及所述误差均值与所述损失函数确定所述最优N维样本特征数据。
可选地,获取多个所述独立变量中的任一个、多个所述特征创建变量中的任一个以及多个所述特征交互变量中的任一个与所述目标场景的目标样本输出值的关联度,包括:采用公式确定所述关联度,/>为变量x的样本均值,/>为变量y的样本均值,x表示所述独立变量、所述特征创建变量或者所述特征交互变量,y表示所述目标场景的所述目标样本输出值。
可选地,在获取与目标场景关联的发动机样本数据之后,且在将所述发动机样本数据分类为独立变量和非独立变量之前,所述方法还包括:对与所述目标场景关联的所述发动机样本数据进行数据清洗,得到清洗后的所述发动机样本数据,其中,所述数据清洗包括删除缺失的数据、删除异常的数据以及删除不一致的数据。
可选地,所述目标场景为整车载重估算场景,获取与目标场景关联的发动机样本数据,且将所述发动机样本数据分类为独立变量和非独立变量,所述非独立变量包括特征创建变量以及特征交互变量,包括:获取与所述整车载重估算场景关联的发动机样本数据;将所述发动机样本数据分类为所述独立变量、所述特征创建变量、所述特征交互变量;其中,所述独立变量包括:油门、车速、转速、喷油量、扭矩、瞬态进气量、水温、机油压力、机油温度和档位;所述特征创建变量包括:瞬时油耗量、速比、加速度、轮边力、计算的整车载重和空气阻力;所述特征交互变量包括:车速乘转速、车速乘档位、转速乘档位、车速乘转速乘档位、转速平方、机油压力乘机油温度、机油压力乘水温、水温乘机油温度、水温除冷后温度、机油温度减水温以及机油温度减水温。
可选地,所述目标场景为原排NOx预测场景,获取与目标场景关联的发动机样本数据,且将所述发动机样本数据分类为独立变量和非独立变量,所述非独立变量包括特征创建变量以及特征交互变量,包括:获取与所述原排NOx预测场景关联的发动机样本数据;将所述发动机样本数据分类为所述独立变量、所述特征创建变量、所述特征交互变量;其中,所述独立变量包括:中冷后温度、中冷后压力、瞬态废气流量、油门、车速、喷油量、水温、机油压力和机油温度;所述特征创建变量包括:功率、冷后压力微分、冷后温度微分、进气量微分、稳态NOx原排、新鲜进气量、空燃比和油耗量;所述特征交互变量包括:冷后压力乘冷后温度、冷后压力平方、冷后温度平方、冷后温度乘水温乘机油温度、冷后温度乘水温、机油压力乘机油温度、机油压力乘水温、水温乘机油温度以及水温除冷后温度。
根据本申请的另一方面,提供了一种发动机的控制装置,所述发动机中安装有ECU,包括:第一获取单元,用于获取与目标场景关联的发动机样本数据,且将所述发动机样本数据分类为独立变量和非独立变量,所述非独立变量包括特征创建变量以及特征交互变量,其中,所述独立变量为采用传感器直接采集到的变量,所述特征创建变量为对至少一个所述独立变量进行转换和/或组合得到的新的变量,所述特征交互变量为将多个相同的或者不同的所述独立变量进行交互作用,生成新的特征变量;第二获取单元,用于获取多个所述独立变量中的任一个、多个所述特征创建变量中的任一个以及多个所述特征交互变量中的任一个与所述目标场景的目标样本输出值的关联度;构建单元,用于构建多个N维样本特征数据,一个所述N维样本特征数据是采用A维独立变量、B维特征创建变量和C维特征交互变量构建得到的,任意两个所述N维样本特征数据对应的A、B、C中至少一个不同,其中,所述A维独立变量为多个所述独立变量中所述关联度从高至低的前A个所述独立变量构成的,所述B维特征创建变量为多个所述特征创建变量中所述关联度从高至低的前B个所述特征创建变量构成的,所述C维特征交互变量为多个所述特征交互变量中所述关联度从高至低的前C个所述特征交互变量构成的,其中,N=A+B+C,N有至少一个取值;运算单元,用于将多个所述N维样本特征数据输入至数据预测模型进行运算,得到对应的误差均值与损失函数,至少根据所述误差均值与所述损失函数确定最优N维样本特征数据;发送单元,用于将最优N维真实特征数据发送至所述ECU中,以使得所述ECU根据所述最优N维真实特征数据确定所述目标场景的目标真实输出值,以采用所述目标真实输出值控制所述发动机运行;其中,所述最优N维真实特征数据的A、B、C与所述最优N维样本特征数据中的A、B、C相同。
根据本申请的再一方面,提供了一种电子设备,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行任意一种所述发动机的控制方法。
应用本申请的技术方案,综合独立变量、特征创建变量和特征交互变量对数据预测模型性能的影响;分别计算独立变量、特征创建变量和特征交互变量与目标场景对应的相关度;选取多个N维特征数据组合方案输入至数据预测模型中,其中N维特征数据包括A维相关度由高到低选取的独立变量,B维相关度由高到低选取的特征创建变量和C维相关度由高到低选取的特征交互变量组成;数据预测模型计算输出多个N维特征数据组合方案对应的误差均值与损失函数;根据误差均值与损失函数的大小来选取最优的N维特征数据组合方案,只需将最优的N维特征数据组合方案输入至ECU计算就能够实现对发动机的控制;从而实现了降低数据集维度,又捕获了数据关键信息,提高了模型精度,减少了ECU内存占用的作用。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例中提供的一种执行发动机的控制方法的移动终端的硬件结构框图;
图2示出了根据本申请的实施例提供的一种发动机的控制方法的流程示意图;
图3示出了根据本申请的实施例提供的确定最优N维样本特征数据的流程示意图;
图4示出了根据本申请的实施例提供的特征输入降维的选择方法的流程示意图;
图5示出了根据本申请的实施例提供的在整车载重估算场景下数据预测模型的输出结果示意图;
图6示出了根据本申请的实施例提供的一种发动机的控制装置的结构框图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,以下对本申请实施例涉及的部分名词或术语进行说明:
ECU:ECU(Engine Control Unit)的主要应用是控制发动机的运行和性能;它通过监测和调节发动机的燃料供应、点火时机、排气处理等参数,以确保发动机在各种工况下都能够高效、可靠地运行。ECU还可以监测和诊断发动机的故障,并向驾驶员提供相关的警告信息;在现代汽车中,ECU还承担着对车辆的其他系统和部件进行控制和协调的功能,如变速箱、刹车系统、空调系统等;因此,ECU在汽车工程中有着非常重要的地位,是汽车性能和安全的关键控制部件之一。
物理原理:是指自然界中存在的基本规律和原理,主要包括力学、热学、电磁学、光学和量子物理等方面。这些物理原理通过实验和观察得到,并用数学语言进行描述和表达;物理原理的研究和应用对于理解自然现象和发展科学技术具有重要意义。
特征创建变量:是指根据已有的特征数据,通过一定的转换或组合,生成新的特征变量。这可以通过数学运算、逻辑运算或者其他方式实现,以提高模型的预测能力或者对数据的理解。
特征交互变量:是指将两个或多个特征进行交互作用,生成新的特征变量。这种方法可以用于捕捉特征之间的关联关系,提高模型的预测能力。例如,可以将两个特征相乘或者相除,或者进行其他形式的交互操作,从而生成新的特征变量。
正如背景技术中所介绍的,现有技术中在进行ECU模型集成时输入变量的维度过大会导致算法在时间和空间上的复杂度增加,产生不必要的特征开支和噪声,降低了模型的鲁棒性,为解决输入变量的维度过大会导致算法在时间和空间上的复杂度增加,产生不必要的特征开支和噪声,降低了模型的鲁棒性的问题,本申请的实施例提供了一种发动机的控制方法、发动机的控制装置与电子设备。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行;上述移动终端、计算机终端或者类似的运算装置与ECU通信。以运行在移动终端上为例,图1是本发明实施例的一种发动机的控制方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的发动机的控制方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的发动机的控制方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的发动机的控制方法的流程图。如图2所示,该方法包括以下步骤:
步骤S201,获取与目标场景关联的发动机样本数据,且将发动机样本数据分类为独立变量和非独立变量,其中,独立变量为采用传感器直接采集到的变量,非独立变量包括特征创建变量以及特征交互变量,特征创建变量为对至少一个独立变量进行转换和/或组合得到的新的特征变量,特征交互变量为将多个相同的或者不同的独立变量进行交互作用,生成新的特征变量;
其中,目标场景可以为整车载重估算场景、原排NOx预测场景等其他目标场景;
特征数据决定了模型上限,机器学习算法是通过数据特征建模和预测的,因此需要通过特征创建进一步增加特征表达能力,尤其是结合整车载重估算设计新的特征,增加模型的可解释性和通用性。
例如:根据载重与油耗量存在相关性,进行特征创建得到特征创建变量:瞬时油耗量;通过计算公式:得到瞬时油耗量,式中fuelcons为瞬时油耗量,n为发动机转速,inj为发动机循环喷油量。
根据发动机转速与轮胎转速可以得到特征创建变量速比,表示了变速箱档位速比和后桥速比的乘积,起到降速增扭的作用,载重与速比存在相关性,因此通过公式ispeed=n/v*1000/(2πr)/60可以得到速比;式中n为发动机转速,v为车速,r为轮胎半径,ispeed为速比。
具体地,为了充分挖掘特征数据中蕴含的信息,本方案采用多项式特征交互生成新的特征,多项式的次数取2,仅同次数交互。对于冷后温度、水温、机油温度的特征交互,额外增加除法和减法交互。
例如:1)、车速、转速、档位交互。
2)、机油压力、机油温度、水温交互。
3)、冷后压力、冷后温度交互。
4)、冷后温度、水温、机油温度交互。
步骤S202,获取多个独立变量中的任一个、多个特征创建变量中的任一个以及多个特征交互变量中的任一个与目标场景的目标样本输出值的关联度;
其中,相关度用来衡量变量之间的相关性或相互影响程度;
具体地,分别计算独立变量、特征创建变量和特征交互变量与目标场景的目标样本输出值的相关度,可以得到各个变量与目标场景的目标样本输出值的互相影响程度。
步骤S203,构建多个N维样本特征数据,一个N维样本特征数据是采用A维独立变量、B维特征创建变量和C维特征交互变量构建得到的,任意两个N维样本特征数据对应的A、B、C中至少一个不同,其中,A维独立变量为多个独立变量中关联度从高至低的前A个独立变量构成的,B维特征创建变量为多个特征创建变量中关联度从高至低的前B个特征创建变量构成的,C维特征交互变量为多个特征交互变量中关联度从高至低的前C个特征交互变量构成的,其中,N=A+B+C,N有至少一个取值;
在具体的实施过程中,N维的取值一般在5维到15维之间,选取维度过小不能保证数据的准确性,选取维度过大就不能达到降维的目的,选取数据集在5维到15维之间既能保证达到很好的降维效果也能保证数据的相关准确性。
步骤S204,将多个N维样本特征数据输入至数据预测模型进行运算,得到对应的误差均值与损失函数,至少根据误差均值与损失函数确定最优N维样本特征数据;
步骤S205,将最优N维真实特征数据发送至ECU中,以使得ECU根据最优N维真实特征数据确定目标场景的目标真实输出值,以采用目标真实输出值控制发动机运行;其中,最优N维真实特征数据的A、B、C与最优N维样本特征数据中的A、B、C相同。
通过本实施例,可以综合独立变量、特征创建变量和特征交互变量对数据预测模型性能的影响;分别计算独立变量、特征创建变量和特征交互变量与目标场景对应的相关度;选取多个N维特征数据组合方案输入至数据预测模型中,其中N维特征数据包括A维相关度由高到低选取的独立变量,B维相关度由高到低选取的特征创建变量和C维相关度由高到低选取的特征交互变量组成;数据预测模型计算输出多个N维特征数据组合方案对应的误差均值与损失函数;根据误差均值与损失函数的大小来选取最优的N维特征数据组合方案,只需将最优的N维特征数据组合方案输入至ECU计算就能够实现对发动机的控制;从而实现了降低数据集维度,又捕获了数据关键信息,提高了模型精度,减少了ECU内存占用的作用。
具体实现过程中,上述步骤S201至少根据误差均值与损失函数确定最优N维样本特征数据,包括:获取数据预测模型的种类,其中,数据预测模型的种类至少为以下之一:GBDT模型、XGBoost模型、BP神经网络模型、TDN神经网络模型、LSTM神经网络模型、GRU神经网络模型和SVM模型;根据数据预测模型的种类、误差均值与损失函数确定最优N维样本特征数据。
其中,GBDT模型:梯度提升决策树模型,通过迭代训练多个决策树模型来提升预测性能。
XGBoost模型:极端梯度提升模型,是GBDT的一种改进版本,采用了一些优化策略来提高模型性能。
BP神经网络模型:反向传播神经网络模型,是一种基本的前馈神经网络模型,通过反向传播算法来优化网络参数。
TDN神经网络模型:时序差分神经网络模型,专门用于处理时序数据的神经网络模型。
LSTM神经网络模型:长短期记忆神经网络模型,一种特殊的循环神经网络模型,能够更好地处理长序列数据。
GRU神经网络模型:门控循环单元神经网络模型,也是一种用于处理时序数据的循环神经网络模型。
SVM模型:支持向量机模型,是一种监督学习模型,用于分类和回归分析。
其中,GBDT是基于树的回归模型代表,它预测精度高,泛化性能好,BP(BackPropagation Network)神经网络是常用的机器学习建模方法,计算速度快,内存占用极小,TDN(Time Delay Network)是最简单的时间序列神经网络,可以评估载重估算是否具有时间序列性质,进而进行时间序列数据预测,SVM模型最终结果只依赖支持向量,内存占用适中,鲁棒性好。
根据数据预测模型的种类、误差均值与损失函数确定最优N维样本特征数据,包括如下实现方式:
在数据预测模型的种类为GBDT的情况下,误差均值与损失函数为第一数值;在数据预测模型的种类为BP的情况下,误差均值与损失函数为第二数值,第二数值大于第一数值,优先考虑内存的情况下,即使第二数值大于第一数值,最终也选择数据预测模型的种类为BP时的最优N维样本特征数据;
在数据预测模型的种类为GBDT的情况下,误差均值与损失函数为第一数值;在数据预测模型的种类为BP的情况下,误差均值与损失函数为第二数值,第一数值大于第二数值,优先考虑精度的情况下,即使第一数值大于第二数值,最终也选择数据预测模型的种类为GBDT的最优N维样本特征数据。
具体地,至少根据误差均值与损失函数确定最优N维样本特征数据,如图3所示包括以下步骤:
步骤S301:确定预测模型的最终集成位置,最终集成位置为云端或者ECU端;
步骤S302:根据预测模型的最终集成位置、误差均值与损失函数确定最优N维样本特征数据。
方案中整车载重估算目标场景的模型最终要集成在云端(精度要求高,误差(取绝对值,下同)均值小于0.1t,对算力和内存无要求)和ECU端(精度适中,误差均值小于1t,对算力和内存有要求),需要两种合适的模型。具体地,需要根据集成在云端或者ECU端来选取模型,集成的位置取决于占用内存的大小,数据预测模型的选取决定N维样本特征数据的N的大小。
更为具体地,根据预测模型的最终集成位置、误差均值与损失函数确定最优N维样本特征数据,包括:确定预测模型的最终集成位置的第一比重;确定误差均值与损失函数的第二比重,第一比重和第二比重为对N维样本特征数据的最优选择结果的影响程度;根据第一比重、第二比重、预测模型的最终集成位置以及误差均值与损失函数确定最优N维样本特征数据。
其中,根据第一比重、第二比重、预测模型的最终集成位置以及误差均值与损失函数确定最优N维样本特征数据包括如下实现方式:
例如,集成在ECU端,第一比重为0.8,第二比重为0.2,即占据内存大小对结果的影响的比重比较大,所以优先选用误差均值与损失函数较大但是维数较低的N维样本特征数据;
例如,集成在云端,第一比重为0.2,第二比重为0.8,即占据内存大小对结果的影响的比重比较小,所以优先选用误差均值与损失函数较小但是维数较高的N维样本特征数据。
在一些实施例上,上述步骤S202,获取多个独立变量中的任一个、多个特征创建变量中的任一个以及多个特征交互变量中的任一个与目标场景的目标样本输出值的关联度,包括:采用公式确定关联度,/>为变量x的样本均值,/>为变量y的样本均值,x表示独立变量、特征创建变量或者特征交互变量,y表示目标场景的目标样本输出值。
该方法皮尔逊系数法计算特征数据与目标场景的输出目标值的相关程度,相关度只是在本方案输入模型前做一个参考,根据多个N维样本特征数据输入数据预测模型,根据数据预测模型的结果来判断特征数据在此目标场景起主导的作用。只需计算起主导作用的特征数据组合即可实现数据降维的目的。
进一步地,在获取与目标场景关联的发动机样本数据之后,且在将发动机样本数据分类为独立变量和非独立变量之前,方法还包括:对与目标场景关联的发动机样本数据进行数据清洗,得到清洗后的发动机样本数据,其中,数据清洗包括删除缺失的数据、删除异常的数据以及删除不一致的数据。
具体地,在获得目标场景关联的发动机样本数据后,并不能直接进行数据分析处理,因为得到的数据不一定完全准确,直接使用这些数据进行模型建立可能会产生不小的偏差;特征数据清洗的目的是将缺失的数据、异常的数据、不一致的数据样本点删除。这样才能确定数据的有效性以及准确性。
具体地,目标场景为整车载重估算场景,获取与目标场景关联的发动机样本数据,且将发动机样本数据分类为独立变量和非独立变量,非独立变量包括特征创建变量以及特征交互变量,包括:获取与整车载重估算场景关联的发动机样本数据;将发动机样本数据分类为独立变量、特征创建变量、特征交互变量;其中,独立变量包括:油门、车速、转速、喷油量、扭矩、瞬态进气量、水温、机油压力、机油温度和档位;特征创建变量包括:瞬时油耗量、速比、加速度、轮边力、计算的整车载重和空气阻力;特征交互变量包括:车速乘转速、车速乘档位、转速乘档位、车速乘转速乘档位、转速平方、机油压力乘机油温度、机油压力乘水温、水温乘机油温度、水温除冷后温度、机油温度减水温以及机油温度减水温。
目标场景为整车载重估算场景,具体的独立变量、特征创建变量和特征交互变量的选取如表1所示:
表1整车载重估算输入特征
/>
具体地,目标场景为原排NOx预测场景,获取与目标场景关联的发动机样本数据,且将发动机样本数据分类为独立变量和非独立变量,非独立变量包括特征创建变量以及特征交互变量,包括:获取与原排NOx预测场景关联的发动机样本数据;将发动机样本数据分类为独立变量、特征创建变量、特征交互变量;其中,独立变量包括:中冷后温度、中冷后压力、瞬态废气流量、油门、车速、喷油量、水温、机油压力和机油温度;特征创建变量包括:功率、冷后压力微分、冷后温度微分、进气量微分、稳态NOx原排、新鲜进气量、空燃比和油耗量;特征交互变量包括:冷后压力乘冷后温度、冷后压力平方、冷后温度平方、冷后温度乘水温乘机油温度、冷后温度乘水温、机油压力乘机油温度、机油压力乘水温、水温乘机油温度以及水温除冷后温度。
目标场景为原排NOx预测场景,具体的独立变量、特征创建变量和特征交互变量的选取如表2所示:
表2原排NOx预测输入特征
/>
关于特征输入降维的选择方法如图4所示,计算独立变量、特征创建和特征交互的相关度,并且按照从大到小的顺序排列,得到独立特征变量库、特征创建变量库和特征交互变量库,特征总数量等于独立特征变量库、特征创建变量库和特征交互变量库中特征变量的总和。根据独立特征变量库、特征创建变量库和特征交互变量库进行特征提取组成不同的方案,用于得到最优的独立变量、特征创建和特征交互的组合方案。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案,以下将结合具体的实施例对本申请的发动机的控制方法的实现过程进行详细说明。
本实施例涉及整车载重场景的数据降维的选取方法:
ECU集成需要在维持模型性能基本不变的前提下,进行数据降维处理,综合独立变量、特征创建和特征交互在整车载重场景对模型性能的影响,为了研究降维对模型性能的影响,从滤波后的数据中取10、5维数据,分别从独立变量、特征创建、特征交互三类特征中取相关度高的特征数据,具体方案如下:
1)保留10维特征数据,独立变量取10个。
2)保留10维特征数据,独立变量取6个、特征创建取3维,和特征交互取1维。
3)保留10维特征数据,独立变量取5个、特征创建取3维,和特征交互取2维。
4)保留10维特征数据,独立变量取相4个、特征创建取3维,和特征交互取3维。
5)保留5维特征数据,独立变量取相5个。
6)保留5维特征数据,独立变量取相3个、特征创建取2维。
7)保留5维特征数据,独立变量取相2个、特征创建取3维。
以上7个方案分别建立模型,以GBDT模型为例,结果如图5所示,从图中可以看出,独立变量起主导作用,同样变量总数下,独立变量越多,模型精度越高。特征创建、特征交互也有作用,但其作用与相关度不匹配,只能参考。将起主导作用的实际独立变量输入至ECU中,即可得到准确的整车载重计算值,从而即降低了数据集维度,又捕获了数据关键信息,提高了模型精度,减少了ECU内存占用,实现更精准的对发动机的控制效果。
本申请实施例还提供了一种发动机的控制装置,需要说明的是,本申请实施例的发动机的控制装置可以用于执行本申请实施例所提供的用于发动机的控制方法。该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
以下对本申请实施例提供的发动机的控制装置进行介绍。
图6是根据本申请实施例的发动机的控制装置的示意图。如图6所示,该装置包括:
第一获取单元61,用于获取与目标场景关联的发动机样本数据,且将发动机样本数据分类为独立变量和非独立变量,非独立变量包括特征创建变量以及特征交互变量,其中,独立变量为采用传感器直接采集到的变量,特征创建变量为对至少一个独立变量进行转换和/或组合得到的新的变量,特征交互变量为将多个相同的或者不同的独立变量进行交互作用,生成新的特征变量;
第二获取单元62,用于获取多个独立变量中的任一个、多个特征创建变量中的任一个以及多个特征交互变量中的任一个与目标场景的目标样本输出值的关联度;
构建单元63,用于构建多个N维样本特征数据,一个N维样本特征数据是采用A维独立变量、B维特征创建变量和C维特征交互变量构建得到的,任意两个N维样本特征数据对应的A、B、C中至少一个不同,其中,A维独立变量为多个独立变量中关联度从高至低的前A个独立变量构成的,B维特征创建变量为多个特征创建变量中关联度从高至低的前B个特征创建变量构成的,C维特征交互变量为多个特征交互变量中关联度从高至低的前C个特征交互变量构成的,其中,N=A+B+C,N有至少一个取值;
运算单元64,用于将多个N维样本特征数据输入至数据预测模型进行运算,得到对应的误差均值与损失函数,至少根据误差均值与损失函数确定最优N维样本特征数据;
发送单元65,用于将最优N维真实特征数据发送至ECU中,以使得ECU根据最优N维真实特征数据确定目标场景的目标真实输出值,以采用目标真实输出值控制发动机运行;其中,最优N维真实特征数据的A、B、C与最优N维样本特征数据中的A、B、C相同。
作为一种可选的方案,运算单元包括第一获取模块和第一确定模块;
第一获取模块用于获取数据预测模型的种类,其中,数据预测模型的种类至少为以下之一:GBDT模型、XGBoost模型、BP神经网络模型、TDN神经网络模型、LSTM神经网络模型、GRU神经网络模型和SVM模型;第一确定模块用于根据数据预测模型的种类、误差均值与损失函数确定最优N维样本特征数据。
一种可选的方案,运算单元还包括第二确定模块和第三确定模块;
第二确定模块用于确定预测模型的最终集成位置,最终集成位置为云端或者ECU端;第三确定模块用于根据预测模型的最终集成位置、误差均值与损失函数确定最优N维样本特征数据。
一种可选的方案,第三确定模块还包括第一确定子模块、第二确定子模块和第三确定子模块;
第一确定子模块用于确定预测模型的最终集成位置的第一比重;第二确定子模块用于确定误差均值与损失函数的第二比重,第一比重和第二比重为对N维样本特征数据的最优选择结果的影响程度;第三确定子模块用于根据第一比重、第二比重、预测模型的最终集成位置以及误差均值与损失函数确定最优N维样本特征数据。
一种可选的方案,第二获取单元包括第四确定模块;
第四确定模块用于采用公式确定关联度,/>为变量x的样本均值,/>为变量y的样本均值,x表示独立变量、特征创建变量或者特征交互变量,y表示目标场景的目标样本输出值。
一种可选的方案,该装置还包括清洗单元;
清洗单元用于在获取与目标场景关联的发动机样本数据之后,且在将发动机样本数据分类为独立变量和非独立变量之前,对与目标场景关联的发动机样本数据进行数据清洗,得到清洗后的发动机样本数据,其中,数据清洗包括删除缺失的数据、删除异常的数据以及删除不一致的数据。
一种可选的方案,第三获取单元还包括第二获取模块和第一分类模块;
第二获取模块用于获取与整车载重估算场景关联的发动机样本数据;第一分类模块用于将发动机样本数据分类为独立变量、特征创建变量、特征交互变量;其中,独立变量包括:油门、车速、转速、喷油量、扭矩、瞬态进气量、水温、机油压力、机油温度和档位;特征创建变量包括:瞬时油耗量、速比、加速度、轮边力、计算的整车载重和空气阻力;特征交互变量包括:车速乘转速、车速乘档位、转速乘档位、车速乘转速乘档位、转速平方、机油压力乘机油温度、机油压力乘水温、水温乘机油温度、水温除冷后温度、机油温度减水温以及机油温度减水温。
一种可选的方案,第四获取单元还包括第三获取模块和第二分类模块;
第三获取模块用于获取与原排NOx预测场景关联的发动机样本数据;第二分类模块用于将发动机样本数据分类为独立变量、特征创建变量、特征交互变量;其中,独立变量包括:中冷后温度、中冷后压力、瞬态废气流量、油门、车速、喷油量、水温、机油压力和机油温度;特征创建变量包括:功率、冷后压力微分、冷后温度微分、进气量微分、稳态NOx原排、新鲜进气量、空燃比和油耗量;特征交互变量包括:冷后压力乘冷后温度、冷后压力平方、冷后温度平方、冷后温度乘水温乘机油温度、冷后温度乘水温、机油压力乘机油温度、机油压力乘水温、水温乘机油温度以及水温除冷后温度。
本实施例中,综合独立变量、特征创建变量和特征交互变量对数据预测模型性能的影响;分别计算独立变量、特征创建变量和特征交互变量与目标场景对应的相关度;选取多个N维特征数据组合方案输入至数据预测模型中,其中N维特征数据包括A维相关度由高到低选取的独立变量,B维相关度由高到低选取的特征创建变量和C维相关度由高到低选取的特征交互变量组成;数据预测模型计算输出多个N维特征数据组合方案对应的误差均值与损失函数;根据误差均值与损失函数的大小来选取最优的N维特征数据组合方案,只需将最优的N维特征数据组合方案输入至ECU计算就能够实现对发动机的控制;从而实现了降低数据集维度,又捕获了数据关键信息,提高了模型精度,减少了ECU内存占用的作用。
所述发动机的控制装置包括处理器和存储器,上述构建单元、运算单元、发送单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来实现降低数据集维度,提高了模型精度,减少了ECU内存占用的作用。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行所述发动机的控制方法。
具体地,发动机的控制方法包括:
步骤S201,获取与目标场景关联的发动机样本数据,且将所述发动机样本数据分类为独立变量和非独立变量,其中,所述独立变量为采用传感器直接采集到的变量,所述非独立变量包括特征创建变量以及特征交互变量,所述特征创建变量为对至少一个所述独立变量进行转换和/或组合得到的新的特征变量,所述特征交互变量为将多个相同的或者不同的所述独立变量进行交互作用,生成新的特征变量;
步骤S202,获取多个所述独立变量中的任一个、多个所述特征创建变量中的任一个以及多个所述特征交互变量中的任一个与所述目标场景的目标样本输出值的关联度;
步骤S203,构建多个N维样本特征数据,一个所述N维样本特征数据是采用A维独立变量、B维特征创建变量和C维特征交互变量构建得到的,任意两个所述N维样本特征数据对应的A、B、C中至少一个不同,其中,所述A维独立变量为多个所述独立变量中所述关联度从高至低的前A个所述独立变量构成的,所述B维特征创建变量为多个所述特征创建变量中所述关联度从高至低的前B个所述特征创建变量构成的,所述C维特征交互变量为多个所述特征交互变量中所述关联度从高至低的前C个所述特征交互变量构成的,其中,N=A+B+C,N有至少一个取值;
步骤S204,将多个所述N维样本特征数据输入至数据预测模型进行运算,得到对应的误差均值与损失函数,至少根据所述误差均值与所述损失函数确定最优N维样本特征数据;
步骤S205,将最优N维真实特征数据发送至所述ECU中,以使得所述ECU根据所述最优N维真实特征数据确定所述目标场景的目标真实输出值,以采用所述目标真实输出值控制所述发动机运行;其中,所述最优N维真实特征数据的A、B、C与所述最优N维样本特征数据中的A、B、C相同。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述发动机的控制方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少发动机的控制方法中的步骤。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少发动机的控制方法步骤的程序。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的一种发动机的控制方法,发动机中安装有ECU,包括:获取与目标场景关联的发动机样本数据,且将发动机样本数据分类为独立变量和非独立变量,其中,独立变量为采用传感器直接采集到的变量,非独立变量包括特征创建变量以及特征交互变量,特征创建变量为对至少一个独立变量进行转换和/或组合得到的新的特征变量,特征交互变量为将多个相同的或者不同的独立变量进行交互作用,生成新的特征变量;获取多个独立变量中的任一个、多个特征创建变量中的任一个以及多个特征交互变量中的任一个与目标场景的目标样本输出值的关联度;构建多个N维样本特征数据,一个N维样本特征数据是采用A维独立变量、B维特征创建变量和C维特征交互变量构建得到的,任意两个N维样本特征数据对应的A、B、C中至少一个不同,其中,A维独立变量为多个独立变量中关联度从高至低的前A个独立变量构成的,B维特征创建变量为多个特征创建变量中关联度从高至低的前B个特征创建变量构成的,C维特征交互变量为多个特征交互变量中关联度从高至低的前C个特征交互变量构成的,其中,N=A+B+C,N有至少一个取值;将多个N维样本特征数据输入至数据预测模型进行运算,得到对应的误差均值与损失函数,至少根据误差均值与损失函数确定最优N维样本特征数据;将最优N维真实特征数据发送至ECU中,以使得ECU根据最优N维真实特征数据确定目标场景的目标真实输出值,以采用目标真实输出值控制发动机运行;其中,最优N维真实特征数据的A、B、C与最优N维样本特征数据中的A、B、C相同;从而实现了降低数据集维度,又捕获了数据关键信息,提高了模型精度,减少了ECU内存占用的作用。
2)、本申请的一种发动机的控制装置,第一获取单元,用于获取与目标场景关联的发动机样本数据,且将发动机样本数据分类为独立变量和非独立变量,非独立变量包括特征创建变量以及特征交互变量,其中,独立变量为采用传感器直接采集到的变量,特征创建变量为对至少一个独立变量进行转换和/或组合得到的新的变量,特征交互变量为将多个相同的或者不同的独立变量进行交互作用,生成新的特征变量;第二获取单元,用于获取多个独立变量中的任一个、多个特征创建变量中的任一个以及多个特征交互变量中的任一个与目标场景的目标样本输出值的关联度;构建单元,用于构建多个N维样本特征数据,一个N维样本特征数据是采用A维独立变量、B维特征创建变量和C维特征交互变量构建得到的,任意两个N维样本特征数据对应的A、B、C中至少一个不同,其中,A维独立变量为多个独立变量中关联度从高至低的前A个独立变量构成的,B维特征创建变量为多个特征创建变量中关联度从高至低的前B个特征创建变量构成的,C维特征交互变量为多个特征交互变量中关联度从高至低的前C个特征交互变量构成的,其中,N=A+B+C,N有至少一个取值;运算单元,用于将多个N维样本特征数据输入至数据预测模型进行运算,得到对应的误差均值与损失函数,至少根据误差均值与损失函数确定最优N维样本特征数据;从而实现了降低数据集维度,又捕获了数据关键信息,提高了模型精度,减少了ECU内存占用的作用。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种发动机的控制方法,其特征在于,所述发动机中安装有ECU,包括:
获取与目标场景关联的发动机样本数据,且将所述发动机样本数据分类为独立变量和非独立变量,其中,所述独立变量为采用传感器直接采集到的变量,所述非独立变量包括特征创建变量以及特征交互变量,所述特征创建变量为对至少一个所述独立变量进行转换和/或组合得到的新的特征变量,所述特征交互变量为将多个相同的或者不同的所述独立变量进行交互作用,生成新的特征变量;
获取多个所述独立变量中的任一个、多个所述特征创建变量中的任一个以及多个所述特征交互变量中的任一个与所述目标场景的目标样本输出值的关联度;
构建多个N维样本特征数据,一个所述N维样本特征数据是采用A维独立变量、B维特征创建变量和C维特征交互变量构建得到的,任意两个所述N维样本特征数据对应的A、B、C中至少一个不同,其中,所述A维独立变量为多个所述独立变量中所述关联度从高至低的前A个所述独立变量构成的,所述B维特征创建变量为多个所述特征创建变量中所述关联度从高至低的前B个所述特征创建变量构成的,所述C维特征交互变量为多个所述特征交互变量中所述关联度从高至低的前C个所述特征交互变量构成的,其中,N=A+B+C,N有至少一个取值;
将多个所述N维样本特征数据输入至数据预测模型进行运算,得到对应的误差均值与损失函数,至少根据所述误差均值与所述损失函数确定最优N维样本特征数据;
将最优N维真实特征数据发送至所述ECU中,以使得所述ECU根据所述最优N维真实特征数据确定所述目标场景的目标真实输出值,以采用所述目标真实输出值控制所述发动机运行;其中,所述最优N维真实特征数据的A、B、C与所述最优N维样本特征数据中的A、B、C相同。
2.根据权利要求1所述的方法,其特征在于,至少根据所述误差均值与所述损失函数确定最优N维样本特征数据,包括:
获取所述数据预测模型的种类,其中,所述数据预测模型的种类至少为以下之一:GBDT模型、XGBoost模型、BP神经网络模型、TDN神经网络模型、LSTM神经网络模型、GRU神经网络模型和SVM模型;
根据所述数据预测模型的种类、所述误差均值与所述损失函数确定所述最优N维样本特征数据。
3.根据权利要求1所述的方法,其特征在于,至少根据所述误差均值与所述损失函数确定最优N维样本特征数据,包括:
确定所述预测模型的最终集成位置,所述最终集成位置为云端或者ECU端;
根据所述预测模型的最终集成位置、所述误差均值与所述损失函数确定最优N维样本特征数据。
4.根据权利要求3所述的方法,其特征在于,根据所述预测模型的最终集成位置、所述误差均值与所述损失函数确定最优N维样本特征数据,包括:
确定所述预测模型的最终集成位置的第一比重;
确定所述误差均值与所述损失函数的第二比重,所述第一比重和所述第二比重为对所述N维样本特征数据的最优选择结果的影响程度;
根据所述第一比重、所述第二比重、所述预测模型的最终集成位置以及所述误差均值与所述损失函数确定所述最优N维样本特征数据。
5.根据权利要求1所述的方法,其特征在于,获取多个所述独立变量中的任一个、多个所述特征创建变量中的任一个以及多个所述特征交互变量中的任一个与所述目标场景的目标样本输出值的关联度,包括:
采用公式确定所述关联度,/>为变量x的样本均值,/>为变量y的样本均值,x表示所述独立变量、所述特征创建变量或者所述特征交互变量,y表示所述目标场景的所述目标样本输出值。
6.根据权利要求1至5中任一项所述的方法,其特征在于,在获取与目标场景关联的发动机样本数据之后,且在将所述发动机样本数据分类为独立变量和非独立变量之前,所述方法还包括:
对与所述目标场景关联的所述发动机样本数据进行数据清洗,得到清洗后的所述发动机样本数据,其中,所述数据清洗包括删除缺失的数据、删除异常的数据以及删除不一致的数据。
7.根据权利要求1至4中任一项所述的方法,其特征在于,所述目标场景为整车载重估算场景,获取与目标场景关联的发动机样本数据,且将所述发动机样本数据分类为独立变量和非独立变量,所述非独立变量包括特征创建变量以及特征交互变量,包括:
获取与所述整车载重估算场景关联的发动机样本数据;
将所述发动机样本数据分类为所述独立变量、所述特征创建变量、所述特征交互变量;其中,所述独立变量包括:油门、车速、转速、喷油量、扭矩、瞬态进气量、水温、机油压力、机油温度和档位;所述特征创建变量包括:瞬时油耗量、速比、加速度、轮边力、计算的整车载重和空气阻力;所述特征交互变量包括:车速乘转速、车速乘档位、转速乘档位、车速乘转速乘档位、转速平方、机油压力乘机油温度、机油压力乘水温、水温乘机油温度、水温除冷后温度、机油温度减水温以及机油温度减水温。
8.根据权利要求1至4中任一项所述的方法,其特征在于,所述目标场景为原排NOx预测场景,获取与目标场景关联的发动机样本数据,且将所述发动机样本数据分类为独立变量和非独立变量,所述非独立变量包括特征创建变量以及特征交互变量,包括:
获取与所述原排NOx预测场景关联的发动机样本数据;
将所述发动机样本数据分类为所述独立变量、所述特征创建变量、所述特征交互变量;其中,所述独立变量包括:中冷后温度、中冷后压力、瞬态废气流量、油门、车速、喷油量、水温、机油压力和机油温度;所述特征创建变量包括:功率、冷后压力微分、冷后温度微分、进气量微分、稳态NOx原排、新鲜进气量、空燃比和油耗量;所述特征交互变量包括:冷后压力乘冷后温度、冷后压力平方、冷后温度平方、冷后温度乘水温乘机油温度、冷后温度乘水温、机油压力乘机油温度、机油压力乘水温、水温乘机油温度以及水温除冷后温度。
9.一种发动机的控制装置,其特征在于,所述发动机中安装有ECU,包括:
第一获取单元,用于获取与目标场景关联的发动机样本数据,且将所述发动机样本数据分类为独立变量和非独立变量,所述非独立变量包括特征创建变量以及特征交互变量,其中,所述独立变量为采用传感器直接采集到的变量,所述特征创建变量为对至少一个所述独立变量进行转换和/或组合得到的新的变量,所述特征交互变量为将多个相同的或者不同的所述独立变量进行交互作用,生成新的特征变量;
第二获取单元,用于获取多个所述独立变量中的任一个、多个所述特征创建变量中的任一个以及多个所述特征交互变量中的任一个与所述目标场景的目标样本输出值的关联度;
构建单元,用于构建多个N维样本特征数据,一个所述N维样本特征数据是采用A维独立变量、B维特征创建变量和C维特征交互变量构建得到的,任意两个所述N维样本特征数据对应的A、B、C中至少一个不同,其中,所述A维独立变量为多个所述独立变量中所述关联度从高至低的前A个所述独立变量构成的,所述B维特征创建变量为多个所述特征创建变量中所述关联度从高至低的前B个所述特征创建变量构成的,所述C维特征交互变量为多个所述特征交互变量中所述关联度从高至低的前C个所述特征交互变量构成的,其中,N=A+B+C,N有至少一个取值;
运算单元,用于将多个所述N维样本特征数据输入至数据预测模型进行运算,得到对应的误差均值与损失函数,至少根据所述误差均值与所述损失函数确定最优N维样本特征数据;
发送单元,用于将最优N维真实特征数据发送至所述ECU中,以使得所述ECU根据所述最优N维真实特征数据确定所述目标场景的目标真实输出值,以采用所述目标真实输出值控制所述发动机运行;其中,所述最优N维真实特征数据的A、B、C与所述最优N维样本特征数据中的A、B、C相同。
10.一种电子设备,其特征在于,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1至8中任意一项所述发动机的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410048313.8A CN117722287A (zh) | 2024-01-11 | 2024-01-11 | 发动机的控制方法、发动机的控制装置与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410048313.8A CN117722287A (zh) | 2024-01-11 | 2024-01-11 | 发动机的控制方法、发动机的控制装置与电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117722287A true CN117722287A (zh) | 2024-03-19 |
Family
ID=90203640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410048313.8A Pending CN117722287A (zh) | 2024-01-11 | 2024-01-11 | 发动机的控制方法、发动机的控制装置与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117722287A (zh) |
-
2024
- 2024-01-11 CN CN202410048313.8A patent/CN117722287A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10803213B2 (en) | Prediction, planning, and optimization of trip time, trip cost, and/or pollutant emission for a vehicle using machine learning | |
US7593804B2 (en) | Fixed-point virtual sensor control system and method | |
US7917333B2 (en) | Virtual sensor network (VSN) based control system and method | |
US8793004B2 (en) | Virtual sensor system and method for generating output parameters | |
CN111523701A (zh) | 车辆运行状况的评估方法、装置、计算机设备和存储介质 | |
WO2008156678A1 (en) | Virtual sensor system and method | |
Norouzi et al. | Deep learning based model predictive control for compression ignition engines | |
US20220108153A1 (en) | Bayesian context aggregation for neural processes | |
Rai et al. | Prediction models for performance and emissions of a dual fuel CI engine using ANFIS | |
WO2013136090A1 (en) | Optimised real-time control of a highly dynamic engine system | |
CN116257663A (zh) | 面向无人地面车辆的异常检测与关联分析方法及相关设备 | |
WO2020054345A1 (ja) | 電子制御装置、ニューラルネットワーク更新システム | |
CN111476837B (zh) | 自适应立体匹配优化方法及其装置、设备和存储介质 | |
CN117722287A (zh) | 发动机的控制方法、发动机的控制装置与电子设备 | |
US11967141B2 (en) | Neural architecture search for fusing multiple networks into one | |
JP6933585B2 (ja) | 情報処理装置、情報処理方法、コンピュータプログラム、制御装置 | |
CN114047729B (zh) | 天然植物加工控制方法、系统、计算机设备和存储介质 | |
CN116402963A (zh) | 车道线矢量模型构建方法、装置、电子设备和存储介质 | |
Wong et al. | Fault Tolerance Automotive Air‐Ratio Control Using Extreme Learning Machine Model Predictive Controller | |
Zhou et al. | [Retracted] A Self‐Diagnostic Method for Automobile Faults in Multiple Working Conditions Based on SOM‐BPNN | |
Abhinand Krishna et al. | IoT-based driving pattern analysis and engine sensor damage prediction using onboard diagnostics | |
Aslandere et al. | A Deep Learning-Based Strategy to Initiate Diesel Particle Filter Regeneration | |
CN117707743B (zh) | 一种智慧车站能源管控系统任务执行方法、装置及设备 | |
Wu et al. | Mushroom Recognition and Classification Based on Convolutional Neural Network | |
CN113094546B (zh) | 一种仿真动画模型加载方法、装置及仿真设备 |
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 |