CN109000936A - 一种车辆燃油故障检测方法 - Google Patents

一种车辆燃油故障检测方法 Download PDF

Info

Publication number
CN109000936A
CN109000936A CN201810790992.0A CN201810790992A CN109000936A CN 109000936 A CN109000936 A CN 109000936A CN 201810790992 A CN201810790992 A CN 201810790992A CN 109000936 A CN109000936 A CN 109000936A
Authority
CN
China
Prior art keywords
fuel
vehicle
coefficient
states
oil
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
Application number
CN201810790992.0A
Other languages
English (en)
Other versions
CN109000936B (zh
Inventor
王亚君
王冬霞
孙福明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LIANGSHAN HONGFU TRAFFIC EQUIPMENT Co.,Ltd.
Original Assignee
Liaoning University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning University of Technology filed Critical Liaoning University of Technology
Priority to CN201810790992.0A priority Critical patent/CN109000936B/zh
Publication of CN109000936A publication Critical patent/CN109000936A/zh
Application granted granted Critical
Publication of CN109000936B publication Critical patent/CN109000936B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明公开了一种车辆燃油故障检测方法，包括：步骤一、车辆启动，稳定运行后开始采样，按照采样周期，通过传感器测量燃油泵进油量Qa、燃油泵出油量Qb、油门踏板开度β、车速V；步骤二、依次将上述参数进行规格化，确定三层BP神经网络的输入层向量x＝{x1,x2,x3,x4}；其中，x1为燃油泵进油量系数、x2为燃油泵出油量系数、x3为油门踏板开度系数、x4为车速系数；步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y1,y2,…,ym}；m为中间层节点个数；步骤四、得到输出层向量o＝{o1,o2,o3,o4}；其中，o1为燃油状态好，o2为燃油状态一般，o3为燃油状态差，o4为燃油状态警报，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为燃油状态值，i＝{1,2,3,4}，当ok为1时，此时车辆燃油检测装置整体处于ok对应的燃油状态。

Description

一种车辆燃油故障检测方法
技术领域
本发明涉及车辆性能检测领域，具体涉及一种车辆燃油故障检测方法。
背景技术
汽车故障是汽车不能完成其功能的现象，如发动机起动困难、不着车，汽车漏油、漏水，照明***失灵等；汽车有故障就有表现，常见的故障表现为：工况突变，声音反常，气味反常，排烟反常、温度反常，外观反常，燃油、润滑油消耗反常，有渗漏；常见故障是出现频率高，使用中会经常遇到的故障。
电喷发动机的燃油压力应该在正常工作范围内，过高或过低的燃油压力会引起混合气体过浓或过稀，增加油耗，引起三元催化器过热、怠速不稳定、功率下降等故障，电喷发动机的燃油泵供油量在1.5～2.0L/min，当燃油泵磨损，滤网或滤清器堵塞，都会引起燃油流量的降低，过低的燃油流量会引起发动机动力不足，行驶无高速，有些故障检测如果单独使用燃油压力表需要进行路试，进而导致检测不准确，因此对车辆发动机的燃油故障进行有效检测也显得尤为重要。
发明内容
本发明设计开发了一种车辆燃油故障检测方法，本发明的目的之一是基于BP神经网络对车辆燃油进行有效故障检测。
本发明的目的之二是在车辆启动时对车辆进行稳定性分析，进而再对车辆的燃油故障进行有效检测。
本发明提供的技术方案为：
一种车辆燃油故障检测方法，采用BP神经网络对车辆燃油性能进行检测，包括如下步骤：
步骤一、车辆启动，稳定运行后开始采样，按照采样周期，通过传感器测量燃油泵进油量Qa、燃油泵出油量Qb、油门踏板开度β、车速V；
步骤二、依次将上述参数进行规格化，确定三层BP神经网络的输入层向量x＝{x1,x2,x3,x4}；其中，x1为燃油泵进油量系数、x2为燃油泵出油量系数、x3为油门踏板开度系数、x4为车速系数；
步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y1,y2,…,ym}；m为中间层节点个数；
步骤四、得到输出层向量o＝{o1,o2,o3,o4}；其中，o1为燃油状态好，o2为燃油状态一般，o3为燃油状态差，o4为燃油状态警报，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为燃油状态值，i＝{1,2,3,4}，当ok为1时，此时车辆燃油检测装置整体处于ok对应的燃油状态。
优选的是，在所述步骤一中，所述稳定运行包括在车辆启动连续的时间t内，加速至V1的过程中，对车辆进行稳定性系数δ计算，当δ取值在0.47～1.02之间时，满足稳定性要求，此时进行数据采样，对所述车辆燃油性能进行检测；
其中，所述稳定性系数δ计算过程如下：
其中，式中，γ为燃油量调节阀调节开度，Qb_max为燃油泵最大出油量，Qb_min为燃油泵最小出油量，Qa_max为燃油泵最大进油量，Qa_min为燃油泵最小进油量，β为油门踏板开度，βmax为油门踏板最大开度，P为经验常数，V为车速，V1为预设车速。
优选的是，所述燃油量调节阀初始调节开度γ0为
式中，γmax为燃油量调节阀最大调节开度，Qa_max为燃油泵最大进油量，Qa_min为燃油泵最小进油量，V为车速，V1为预设车速，κ为经验系数，e为自然对数的底数。
优选的是，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。
优选的是，在所述步骤三中，将燃油泵进油量Qa、燃油泵出油量Qb、油门踏板开度β、车速V进行规格化的公式为：
其中，xj为输入层向量中的参数，Xj分别为测量参数Qa、Qb、β、V，j＝1,2,3,4；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
优选的是，所述中间层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
优选的是，P取值为0.547。
优选的是，κ取值为0.708。
本发明与现有技术相比较所具有的有益效果：
1、通过BP神经网络监控车辆在使用过程中的进行燃油故障检测，使发动机处于稳定的燃油耗能状态，进而提高油料保障的精确性从而提高保障效率，这对精确保障带来重大影响；
2、通过对稳定性系数计算从而对车辆启动时稳定性能进行预估，当车辆运行稳定后进而进行更为有效的燃油故障检测。
具体实施方式
下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明根据一种车辆燃油故障检测装置，其主体结构包括：油耗采集装置、油门踏板开度采集装置、车速传感器及控制器；其中，油耗采集装置包括进油量传感器、出油量传感器及燃油量调节阀，进油量传感器安装于燃油泵的进油口处，出油量传感器安装于燃油泵到燃油箱的油路上，燃油量调节阀安装于进油量传感器及燃油箱之间的油路上，通过控制器控制燃油量调节阀进而调节燃油泵的进油量，油门踏板开度采集装置安装在油门踏板的转轴处，并且随油门踏板联动，通过油门踏板开度采集装置能够监测出油门踏板开度；控制器分别与进油量传感器、出油量传感器、燃油量调节阀及油门踏板开度采集装置相连，能够监测得到进油量、出油量及油门踏板开度等信息，然后对上述信息进行整合，通过控制燃油量调节阀调节燃油泵的进油量。
在另一种实施例中，油门踏板开度采集装置包括连接装置及油门踏板开度传感器；其中，油门踏板开度传感器可为线位移传感器或者角位移传感器，连接装置有扇形齿轮、齿条及固定座组成，扇形齿轮固定在重型车辆的油门踏板轴上，齿条连接在油门踏板开度传感器的移动杆上，通过固定座将油门踏板开度传感器安装固定，固定座的上端与油门踏板开度传感器卡合，固定座的下端固定在油门踏板脚跟座的旋转轴上，使油门踏板开度传感器能够在油门踏板运动时得出油门踏板开度数据。
本发明还提供了一种车辆燃油故障检测方法，采用BP神经网络对车辆燃油性能进行检测，包括如下步骤：
步骤一、建立BP神经网络模型。
本发明采用的BP网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示设备工作状态的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由***实际需要输出的响应确定。
该网络的数学模型为：
输入向量：x＝(x1,x2,...,xn)T
中间层向量：y＝(y1,y2,...,ym)T
输出向量：O＝(o1,o2,...,op)T
本发明中，输入层节点数为n＝4，输出层节点数为p＝4。隐藏层节点数m由下式估算得出：
输入信号4个参数分别表示为：，x1为燃油泵进油量系数、x2为燃油泵出油量系数、x3为油门踏板开度系数、x4为车速系数。
由于传感器获取的数据属于不同的物理量，其量纲各不相同。因此，在数据输入人工神经网络之前，需要将数据规格化为0-1之间的数。
归一化的公式为其中，xj为输入层向量中的参数，Xj分别为测量参数Qa、Qb、β、V，j＝1,2,3,4；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值，采用S型函数。
具体而言，对于使用进油量传感器测量的燃油泵进油量Qa，进行规格化后，得到燃油泵进油量系数x1：
其中，Qa_min和Qa_max分别为燃油泵最小进油量和燃油泵最大进油量。
同样的，使用出油量传感器测量的燃油泵出油量Qb，进行规格化后，得到燃油泵出油量系数x2：
其中，Qb_min和Qb_max分别为燃油泵最小出油量和燃油泵最大出油量。
使用油门踏板开度传感器测量得到油门踏板开度β，进行规格化后，得到油门踏板开度系数x3：
其中，βmin和βmax分别为油门踏板最小开度和油门踏板最大开度。
使用车速传感器测量得到车速V，进行规格化后，得到车速系数x4：
其中，Vmin和Vmax分别为最小车速和最大车速。
输出层4个参数分别表示为：o1为燃油状态好，o2为燃油状态一般，o3为燃油状态差，o4为燃油状态警报，输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为燃油状态值，i＝{1,2,3,4}，当ok为1时，此时车辆整体处于ok对应的燃油状态。
步骤二、进行BP神经网络的训练。
建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值wij，隐层节点j和输出层节点k之间的连接权值wjk，隐层节点j的阈值θj，输出层节点k的阈值θk、wij、wjk、θj、θk均为-1到1之间的随机数。
在训练过程中，不断修正wij和wjk的值，直至***误差小于等于期望误差时，完成神经网络的训练过程。
如表1所示，给定了一组训练样本以及训练过程中各节点的值，表2为训练用的输出样本。
表1训练过程各节点值
表2网络训练用的输出样本
步骤三、采集进油量传感器、出油量传感器、油门踏板开度传感器和车速传感器数据运行参数输入神经网络得到检测技术状态。
使用进油量传感器、出油量传感器、油门踏板开度传感器、车速传感器测量初始燃油泵进油量Qa0、初始燃油泵出油量Qb0、初始油门踏板开度β0、初始车速V0，通过将上述参数规格化后，得到BP神经网络的初始输入向量过BP神经网络的运算得到初始输出向量
通过上述设置，通过传感器实时监测燃油泵、油门踏板和车辆的运行状态，通过BP神经网络算法，对车辆进行整体的实时监测。
在另一种实施例中，中间层及输出层的激励函数均采用采用S型函数fj(x)＝1/(1+e-x)。
在另一种实施例中，在步骤一中，进行BP神经网络进行检测之前，车辆启动后，稳定运行后开始采样，稳定运行包括在车辆启动连续的时间t内，加速至V1的过程中，对车辆进行稳定性系数δ计算，当δ取值在0.47～1.02之间时，满足稳定性要求，此时进行数据采样，对所述车辆燃油性能进行检测；
其中，所述稳定性系数δ计算过程如下：
其中，式中，γ为燃油量调节阀调节开度，Qb_max为燃油泵最大出油量，单位为L/s，Qb_min为燃油泵最小出油量，单位为L/s，Qa_max为燃油泵最大进油量，单位为L/s，Qa_min为燃油泵最小进油量，单位为L/s，β为油门踏板开度，βmax为油门踏板最大开度，P为经验常数，V为车速，单位为km/h，V1为预设车速，单位为km/h，；在本实施例中，P取值为0.547，V1＝35km/h。
在另一种实施例中，燃油量调节阀初始调节开度
式中，γmax为燃油量调节阀最大调节开度，Qa_max为燃油泵最大进油量，单位为L/s，Qa_min为燃油泵最小进油量，单位为L/s，V为车速，单位为km/h，V1为预设车速，单位为km/h，κ为经验系数，e为自然对数的底数；在本实施例中，κ取值为0.708，V1＝35km/h。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (8)

1.一种车辆燃油故障检测方法，其特征在于，采用BP神经网络对车辆燃油性能进行检测，包括如下步骤：
步骤一、车辆启动，稳定运行后开始采样，按照采样周期，通过传感器测量燃油泵进油量Qa、燃油泵出油量Qb、油门踏板开度β、车速V；
步骤二、依次将上述参数进行规格化，确定三层BP神经网络的输入层向量x＝{x1,x2,x3,x4}；其中，x1为燃油泵进油量系数、x2为燃油泵出油量系数、x3为油门踏板开度系数、x4为车速系数；
步骤三、所述输入层向量映射到中间层，所述中间层向量y＝{y1,y2,…,ym}；m为中间层节点个数；
步骤四、得到输出层向量o＝{o1,o2,o3,o4}；其中，o1为燃油状态好，o2为燃油状态一般，o3为燃油状态差，o4为燃油状态警报，所述输出层神经元值为k为输出层神经元序列号，k＝{1,2,3,4}，i为燃油状态值，i＝{1,2,3,4}，当ok为1时，此时车辆燃油检测装置整体处于ok对应的燃油状态。
2.如权利要求1所述的车辆燃油故障检测方法，其特征在于，在所述步骤一中，所述稳定运行包括在车辆启动连续的时间t内，加速至V1的过程中，对车辆进行稳定性系数δ计算，当δ取值在0.47～1.02之间时，满足稳定性要求，此时进行数据采样，对所述车辆燃油性能进行检测；
其中，所述稳定性系数δ计算过程如下：
其中，式中，γ为燃油量调节阀调节开度，Qb_max为燃油泵最大出油量，Qb_min为燃油泵最小出油量，Qa_max为燃油泵最大进油量，Qa_min为燃油泵最小进油量，β为油门踏板开度，βmax为油门踏板最大开度，P为经验常数，V为车速，V1为预设车速。
3.如权利要求2所述的车辆燃油故障检测方法，其特征在于，所述燃油量调节阀初始调节开度γ0为
式中，γmax为燃油量调节阀最大调节开度，Qa_max为燃油泵最大进油量，Qa_min为燃油泵最小进油量，V为车速，V1为预设车速，κ为经验系数，e为自然对数的底数。
4.如权利要求2或3所述的车辆燃油故障检测方法，其特征在于，所述中间层节点个数m满足：其中n为输入层节点个数，p为输出层节点个数。
5.如权利要求4所述的车辆燃油故障检测方法，其特征在于，在所述步骤三中，将燃油泵进油量Qa、燃油泵出油量Qb、油门踏板开度β、车速V进行规格化的公式为：
其中，xj为输入层向量中的参数，Xj分别为测量参数Qa、Qb、β、V，j＝1,2,3,4；Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
6.如权利要求5所述的车辆燃油故障检测方法，其特征在于，所述中间层及所述输出层的激励函数均采用S型函数fj(x)＝1/(1+e-x)。
7.如权利要求2所述的车辆燃油故障检测方法，其特征在于，P取值为0.547。
8.如权利要求3所述的车辆燃油故障检测方法，其特征在于，κ取值为0.708。
CN201810790992.0A 2018-07-18 2018-07-18 一种车辆燃油故障检测方法 Active CN109000936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810790992.0A CN109000936B (zh) 2018-07-18 2018-07-18 一种车辆燃油故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810790992.0A CN109000936B (zh) 2018-07-18 2018-07-18 一种车辆燃油故障检测方法

Publications (2)

Publication Number Publication Date
CN109000936A true CN109000936A (zh) 2018-12-14
CN109000936B CN109000936B (zh) 2020-08-25

Family

ID=64600481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810790992.0A Active CN109000936B (zh) 2018-07-18 2018-07-18 一种车辆燃油故障检测方法

Country Status (1)

Country Link
CN (1) CN109000936B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109552219A (zh) * 2019-01-14 2019-04-02 辽宁工业大学 一种基于混合动力汽车的分布式安全监控方法
CN109920082A (zh) * 2019-03-11 2019-06-21 辽宁工业大学 一种混合动力电动汽车故障诊断预警方法
CN114526930A (zh) * 2022-03-09 2022-05-24 河南职业技术学院 一种智能网联汽车故障检测方法及***
CN114973448A (zh) * 2021-02-25 2022-08-30 博泰车联网科技(上海)股份有限公司 显示油量的确定方法、装置、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11351045A (ja) * 1998-06-09 1999-12-21 Hitachi Ltd エンジンの状態を示す量の推定方法
CN105319071A (zh) * 2015-09-21 2016-02-10 天津大学 基于最小二乘支持向量机的柴油机燃油***故障诊断方法
CN105527110A (zh) * 2015-12-03 2016-04-27 东软集团股份有限公司 汽车燃油经济性的评估方法和装置
CN105628124A (zh) * 2016-03-16 2016-06-01 中国人民解放军装甲兵技术学院 一种用于监测重型车辆燃油耗能效率的装置及方法
CN106547967A (zh) * 2016-11-01 2017-03-29 哈尔滨工程大学 一种代价分析结合贝叶斯网络模型的柴油机燃油***维修决策方法
CN107797543A (zh) * 2017-09-26 2018-03-13 大连理工大学 一种航空发动机燃油调节器故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11351045A (ja) * 1998-06-09 1999-12-21 Hitachi Ltd エンジンの状態を示す量の推定方法
CN105319071A (zh) * 2015-09-21 2016-02-10 天津大学 基于最小二乘支持向量机的柴油机燃油***故障诊断方法
CN105527110A (zh) * 2015-12-03 2016-04-27 东软集团股份有限公司 汽车燃油经济性的评估方法和装置
CN105628124A (zh) * 2016-03-16 2016-06-01 中国人民解放军装甲兵技术学院 一种用于监测重型车辆燃油耗能效率的装置及方法
CN106547967A (zh) * 2016-11-01 2017-03-29 哈尔滨工程大学 一种代价分析结合贝叶斯网络模型的柴油机燃油***维修决策方法
CN107797543A (zh) * 2017-09-26 2018-03-13 大连理工大学 一种航空发动机燃油调节器故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卫雄飞等: "基于BP神经网络的电控柴油机故障诊断", 《农业装备与车辆工程》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109552219A (zh) * 2019-01-14 2019-04-02 辽宁工业大学 一种基于混合动力汽车的分布式安全监控方法
CN109920082A (zh) * 2019-03-11 2019-06-21 辽宁工业大学 一种混合动力电动汽车故障诊断预警方法
CN109920082B (zh) * 2019-03-11 2021-01-15 辽宁工业大学 一种混合动力电动汽车故障诊断预警方法
CN114973448A (zh) * 2021-02-25 2022-08-30 博泰车联网科技(上海)股份有限公司 显示油量的确定方法、装置、电子设备及介质
CN114973448B (zh) * 2021-02-25 2023-09-22 博泰车联网科技(上海)股份有限公司 显示油量的确定方法、装置、电子设备及介质
CN114526930A (zh) * 2022-03-09 2022-05-24 河南职业技术学院 一种智能网联汽车故障检测方法及***
CN114526930B (zh) * 2022-03-09 2024-03-26 河南职业技术学院 一种智能网联汽车故障检测方法及***

Also Published As

Publication number Publication date
CN109000936B (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
CN109000936A (zh) 一种车辆燃油故障检测方法
US10635976B2 (en) Machine learning system for estimating a temperature of an exhaust purification catalyst
CN105042339B (zh) 一种基于无量纲的成品油管道泄漏量估计***及方法
US5954783A (en) Engine control system using combination of forward model and inverse model
CN102691551B (zh) 校正对存储在选择性催化还原***内nh3的估算的方法
US8478565B2 (en) Method of monitoring soot mass in a particulate filter and monitoring system for same with correction for active regeneration inefficiency
DE102014101396B4 (de) Turboladerstrom-Steuerungsverfahren
US9328644B2 (en) Exhaust system and method of estimating diesel particulate filter soot loading for same using two-tier neural network
DE102011113169A1 (de) System zum Diagnostizieren von Fehlerbedingungen eines Gasdurchflusssteuerungssystems für Motoren mit Turbolader
CN101285431A (zh) 组合脉谱对发动机控制的方法
CN109163913A (zh) 一种汽车故障诊断方法及相关设备
CN104791057A (zh) 控制和诊断一维三元催化剂模型
CN102191979A (zh) 用于内燃机的发动机排出NOx虚拟传感器
CN109372618B (zh) 车用宽域氧传感器失效监测方法
CN101713321A (zh) 使用气缸压力传感器的发动机排出nox的虚拟传感器
CN109635318A (zh) 一种基于keos-elm算法的航空发动机传感器智能解析余度设计方法
CN107917004A (zh) 内燃机的控制装置
WO2021213989A1 (en) Fuel cell diagnostic apparatus and corresponding diagnostic method, vehicle, and vehicle system
CN113505926B (zh) 一种基于阻抗预测模型自更新的燃料电池故障预测方法
JP2020045773A (ja) 内燃機関の制御装置
US20200123990A1 (en) Control device of internal combustion engine and control method of same and learning model for controlling internal combustion engine and learning method of same
CN112036076A (zh) 一种长江内河航运船舶复杂运行情况油耗预测方法及***
JP2007205339A (ja) ターボチャージャの状態量推定装置
CN111456840A (zh) 一种基于rbf神经网络的内燃机冷却水流量智能控制方法
CN106401757A (zh) 发动机的断缸模式实现方法、***及车辆

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
TR01 Transfer of patent right

Effective date of registration: 20210622

Address after: 121001, 169 street, Guta District, Liaoning, Jinzhou

Patentee after: Wang Yajun

Address before: 121001, 169 street, Guta District, Liaoning, Jinzhou

Patentee before: LIAONING University OF TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210716

Address after: 272600 cailinnan Industrial Park, quanpu Town, Liangshan County, Jining City, Shandong Province

Patentee after: LIANGSHAN HONGFU TRAFFIC EQUIPMENT Co.,Ltd.

Address before: 121001, 169 street, Guta District, Liaoning, Jinzhou

Patentee before: Wang Yajun

TR01 Transfer of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Detecting Vehicle Fuel Failure

Effective date of registration: 20231102

Granted publication date: 20200825

Pledgee: Shandong Liangshan Rural Commercial Bank Co.,Ltd.

Pledgor: LIANGSHAN HONGFU TRAFFIC EQUIPMENT Co.,Ltd.

Registration number: Y2023980063864

PE01 Entry into force of the registration of the contract for pledge of patent right