CN109552219A - 一种基于混合动力汽车的分布式安全监控方法 - Google Patents
一种基于混合动力汽车的分布式安全监控方法 Download PDFInfo
- Publication number
- CN109552219A CN109552219A CN201910031796.XA CN201910031796A CN109552219A CN 109552219 A CN109552219 A CN 109552219A CN 201910031796 A CN201910031796 A CN 201910031796A CN 109552219 A CN109552219 A CN 109552219A
- Authority
- CN
- China
- Prior art keywords
- coefficient
- measurement
- battery
- concentration
- hybrid vehicle
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
- B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
- B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
- B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于混合动力汽车的分布式安全监控方法,包括:步骤一、按照采样周期,通过传感器获取汽车的行驶速度V、发动机功率P、汽车加速度a以及异常位置点数量M;步骤二、依次将参数进行归一化,确定三层BP神经网络的输入层向量x={x1,x2,x3,x4};其中,x1为行驶速度系数、x2为发动机功率系数、x3为加速度系数、x4为车内异常位置点数量系数;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};o1为发动机转速控制信号、o2为电池仓进气流量调节信号,o3为报警***报警信号,其神经元值为当o3为1时,汽车正常行驶,当o3为0时,报警***进行报警。通过对汽车发动机以及电池仓的工作状态进行实时监测,提高汽车安全性。
Description
技术领域
本发明涉及一种基于混合动力汽车的分布式安全监控方法,属于汽车领域。
背景技术
混合动力汽车(Hybrid Vehicle)是指车辆驱动***由两个或多个能同时运转的单个驱动***联合组成的车辆,车辆的行驶功率依据实际的车辆行驶状态由单个驱动***单独或共同提供。通常所说的混合动力汽车,一般是指油电混合动力汽车(HybridElectric Vehicle,HEV),即采用传统的内燃机(柴油机或汽油机)和电动机作为动力源,也有的发动机经过改造使用其他替代燃料,例如压缩天然气、丙烷和乙醇燃料等。
随着世界各国环境保护的措施越来越严格,混合动力车辆由于其节能、低排放等特点成为汽车研究与开发的一个重点,并已经开始商业化。
近年来,随着混合动力汽车的推广,混合动力汽车的安全性受到了人们的几大关注,随着混合动力汽车的推广应用,导致混合动力汽车自燃事件日益增加,近年来,我国报道过多起新能源公交车、汽车起火、自燃事件,导致车辆烧毁甚至人员死亡的严重后果,给交通公司以及死者家属带来了严重的伤害。
车辆自燃以及车辆火灾事件主要体现在汽车能源上,包括电池、发动机、可燃气体等方面。混合动力汽车由于尾部设置有发动机舱和高压电器舱使其形成密闭且狭小的空间,发动机工作时,在高温高压状态下,内路电气线路以及管路容易出现线路老化、漏电等问题,甚至造成火灾,另外,其他一些人为或非人为携带可燃气体乘车,气体挥发或发生泄漏会导致燃烧,甚至造成车辆自燃。同时,在发动机高温状态下,动力源电池会释放处大量的可燃和助燃气体,在电池箱体内部濒临燃烧,如不及时控制,势必带来火灾或车辆自燃。
发明内容
本发明设计开发了一种基于混合动力汽车的分布式安全监控方法,通过BP神经网络对汽车发动机以及电池仓的工作状态进行实时监测,在出现异常时进行预警,提高汽车的安全性。
本发明的另一发明目的,能够快速确定异常位置点,进一步提高汽车行驶的安全性,防止汽车自燃和火灾的发生。
本发明提供的技术方案为:
一种基于混合动力汽车的分布式安全监控方法,包括:
步骤一、按照采样周期,通过传感器获取汽车的行驶速度V、发动机功率P、汽车加速度a以及异常位置点数量M;
步骤二、依次将参数进行归一化,确定三层BP神经网络的输入层向量x={x1,x2,x3,x4};其中,x1为行驶速度系数、x2为发动机功率系数、x3为加速度系数、x4为车内异常位置点数量系数;
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};o1为发动机转速控制信号、o2为电池仓进气流量调节信号,o3为报警***报警信号,其神经元值为当o3为1时,汽车正常行驶,当o3为0时,报警***进行报警。
优选的是,所述异常位置点的确定包括如下步骤:
步骤1、按照采样周期,通过传感器采集车内温度Ti、烟雾浓度以及CO浓度Ccoi从小到大依次排列,得到车内温度矩阵T=[T1,T2,T3,…Ti,…TN]、烟雾浓度矩阵Cy=[Cy1,Cy2,Cy3…Cyi…CyN],CO浓度矩阵Cco=[Cco1,Cco2,Cco3…Ccoi…CcoN];
步骤2、将车内温度、烟雾浓度以及CO浓度进行归一化后得到归一化后的温度矩阵、烟雾浓度矩阵以及CO浓度矩阵;
步骤3、获取位置一一对应的且归一化后的温度、烟雾浓度以及CO浓度,进行异常位置点确定,确定异常位置点的经验公式θi为:
其中,λ为安全评估系数,
优选的是,所述安全评估系数的经验公式为:
其中,为第i个传感器测量的烟雾浓度测量值,Cymax为烟雾浓度最大测量值,为测量周期内烟雾浓度的平均值,Ccoi为第i个传感器测量的CO浓度测量值,Ccomax为CO浓度最大测量值,为测量周期内CO浓度的平均值,Ti为第i个传感器测量的车内温度测量值,Tmax为车内温度最大测量值,为测量周期内车内温度平均值。
优选的是,所述步骤二中进行归一化的公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数V、P、a、N,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,的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,所述电池仓进气流量的经验公式为:
其中,f为校正系数,k1为电池仓内部阻力系数,Cp为电池单体的比热容,m为电池组质量,Ti为电池组的测量温度,T0为电池组的初始温度,q为电池的生热效率,t为电池的工作时间,kc为进气口收缩系数,A2进气口横截面积,L为电池模块与电池仓的间距,V为电池容积,V0为电池仓最大气体容积,vb为电池单体体积,Pi为电池仓内测量压力,P0为电池仓内初始压力。
本发明所述的有益效果:本发明设置报警模块,通过对车内温度、烟雾浓度以及CO浓度进行分布式多点实时监测,能够快速确定异常位置点,进一步提高汽车行驶的安全性,防止汽车自燃和火灾的发生,同时通过BP神经网络对汽车发动机以及电池的工作状态进行实时监测,在出现异常时进行预警,提高汽车的安全性。通过CAN总线***对汽车的实时工作状态进行检测,能够精确采集汽车的状态信息,实现整车传感信号共享,使汽车行驶的安全性更高。
附图说明
图1为本发明所述的分布式监控***的结构示意图。
具体实施方式
下面结合附图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。
如图1所示,本发明提供一种基于混合动力汽车的分布式安全监控方法,分布式安全监控***随汽车点火启动而打开,分布式安全监控***具体包括:CAN总线通信电路、主控制模块和多个CAN网络。
其中,CAN总线通信电路,包括至少一个CAN控制器和CAN收发器,具有接收、发送功能并能够完成报文滤波;
主控制模块,其连接CAN总线通信电路,能够监测***的工作状态并且有效地控制***的运行;
多个CAN网络,其连接CAN总线通信电路,各个网络能够独立完成相应的数据处理和实现与CAN总线通信电路之间的通信功能
其中,主控制模块能够控制CAN网络中的一个或多个完成功能调试、功能控制和传感器的数据采集,并能够监听CAN总线通信电路的状态;
在上位机控制***中,各CAN网络独立完成相应的数据采集、处理、存储以及显示等任务,数据通信时网络节点是“平等主体”,采用点对点方式通信,同时每个CAN网络均可作为上位机与CAN总线的连接点,其中,主控制模块能够控制CAN网络中的一个或多个工作,CAN总线的软件实现主要由SJA1000的初始化、数据的接收以及发送三个部分构成。
下位机软件利用微处理器对汽车行驶信息等数据的采集功能,并且根据上位机的控制指令,控制发动机***,电池厂***以及报警***。通过对CAN总线协议进行软件化实现,完成上、下位机之间的数据显示和控制功能。、
下位机控制***主要实现两个功能:其一是通过传感器采集汽车行驶数据,并对测量值进行分析和处理,及时将处理结果发输出给CAN总线,交由上位机分析处理;其二是可以实现与CAN总线的通信功能,既可以满足下位机数据实时传送至上位机,也可以满足实时接收上位机下达的控制信号,实现对下位机控制。
作为一种优选,主控制模块包括CAN网络控制器和处理器,其中,CAN网络控制器包括主网络工作模式和从网络工作模式;
当处于主网络工作模式时,通过CAN总线实现主控制模块与CAN网络节点之间的数据通信;
当处于从网络工作模式时,通过CAN总线实现各CAN网络之间的数据通信。
其中,主网络工作模式包括:主动模式和从动模式;
当处于主动模式时,主控制模块发送数据请求指令,并接收针对数据请求指令返回的数据,对返回的数据进行处理后进行指令应答;
当处于从动模式时,主控制模块被动接收数据,并对接收的数据进行处理后进行指令应答。
在本实施例中,第一CAN网络包括:发动机监测***、电池管理***、变速***、预警***,第二CAN网络包括:CO浓度监测***、驾驶舱温度监测***以及烟雾浓度监测***,第三CAN网络包括:转向***、车门控制***以及制动***。
由于混合动力汽车的动力电池、发动机舱、高压电器仓以及车厢之间相互独立,为了便于安装于监测位置调整,实现最佳状态监测,各CAN网络之间与主控制模块之间采用无线通讯方式,通过分布式安装,对主从控制模块之间网络地址、节点配置,通讯频点进行配置,不同的监测网络可以配置成相应的通讯信道。
本发明还提供一种基于混合动力汽车的分布式安全监控方法,通过CAN网络实现分布式车载网络监测覆盖,并通过BP神经网络在汽车行驶过程中按照采样周期,通过传感器对车内温度、烟雾浓度以及CO浓度进行分布式多点实时监测,能够快速确定异常位置点,进一步提高汽车行驶的安全性,防止汽车自燃和火灾的发生。
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个监测信号,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=3。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为行驶速度系数、x2为发动机功率系数、x3为加速度系数、x4为车内异常位置点数量系数
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。
将汽车的行驶速度V、发动机功率P、汽车加速度a以及异常位置点数量M进行归一化处理,公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数V、P、a、M,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,fj(x)=1/(1+e-x)。
具体而言,对于汽车行驶速度V,进行归一化后,得到汽车行驶速度系数x1:
其中,Vmin和Vmax分别为汽车行驶速度的最小值和最大值。
同样的,对于发动机功率P进行归一化后,得到发动机功率系数x2;
其中,Pmin和Pmax分别为发动机功率的最小值和最大值。
同样的,对于汽车加速度a进行归一化后,得到汽车加速度系数x3;
其中,amin和amax分别为汽车加速度的最小值和最大值。
同样的,对于车内异常位置点数量M进行归一化后,得到车内异常点数量系数x4
其中,Mmin和Mmax分别为汽车行驶时的振幅的最小值和最大值.
得到输出层向量o={o1,o2,o3};o1为发动机转速控制信号、o2为电池仓进气流量调节信号,o3为报警***报警信号,其神经元值为当o3为1时,汽车正常行驶,当o3为0时,报警***进行报警。
在本实施例中,异常位置点的确定包括如下步骤:
步骤1、按照采样周期,通过传感器采集车内温度Ti、烟雾浓度以及CO浓度Ccoi从小到大依次排列,得到车内温度矩阵T=[T1,T2,T3,…Ti,…TN]、烟雾浓度矩阵Cy=[Cy1,Cy2,Cy3…Cyi…CyN],CO浓度矩阵Cco=[Cco1,Cco2,Cco3…Ccoi…CcoN];
步骤2、将车内温度、烟雾浓度以及CO浓度进行归一化后得到归一化后的温度矩阵、烟雾浓度矩阵以及CO浓度矩阵;
步骤3、获取位置一一对应的且归一化后的温度、烟雾浓度以及CO浓度,进行异常位置点确定,确定异常位置点的经验公式θi为:
其中,λ为安全评估系数,经验公式为:
车内异常位置点数量公式为:
其中,为第i个传感器测量的烟雾浓度测量值,Cymax为烟雾浓度最大测量值,为测量周期内烟雾浓度的平均值,Ccoi为第i个传感器测量的CO浓度测量值,Ccomax为CO浓度最大测量值,为测量周期内CO浓度的平均值,Ti为第i个传感器测量的车内温度测量值,Tmax为车内温度最大测量值,T为测量周期内车内温度平均值。
步骤二、进行BP神经网络训练。
根据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、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。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,为第n次计算时l层的j单元信息加权和,为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,为前一层(即l-1层,节点数为nl-1)的单元i送来的工作信号;i=0时,令为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
η为学习速率。
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe;
其中,J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在***设计时,***模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了***的自学习功能。在指定了学习样本及数量的情况下,***可以进行自学习,以不断完善网络性能;
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1训练过程各节点值
步骤三、采集传感器运行参数输入神经网络得到汽车正常行驶信号和紧急停车信号。
将训练好的人工神经网络固化在芯片之中,使硬件电路具备预测和智能决策功能,从而形成智能硬件。
同时使用传感器采集到的参数,通过将上述参数规格化,得到BP神经网络的初始输入向量通过BP神经网络的运算得到初始输出向量
步骤四、监测发动机转速、电池仓进气流量以及报警***的工作状态。
根据输出层向量o1为发动机转速控制信号、o2为电池仓进气流量调节信号,o3为报警***报警信号,其神经元值为当o3为1时,汽车正常行驶,当o3为0时,报警***进行报警。
其中,电池仓进气流量的经验公式为:
其中,f为校正系数,k1为电池仓内部阻力系数,Cp为电池单体的比热容,m为电池组质量,Ti为电池组的测量温度,T0为电池组的初始温度,q为电池的生热效率,t为电池的工作时间,kc为进气口收缩系数,A2进气口横截面积,L为电池模块与电池仓的间距,V为电池容积,V0为电池仓最大气体容积,vb为电池单体体积,Pi为电池仓内测量压力,P0为电池仓内初始压力
通过上述设置,对车内温度、烟雾浓度以及CO浓度进行分布式多点实时监测,能够快速确定异常位置点,进一步提高汽车行驶的安全性,防止汽车自燃和火灾的发生。
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 (7)
1.一种基于混合动力汽车的分布式安全监控方法,其特征在于,在汽车工作时,基于BP神经网络确定报警的工作状态,具体包括如下步骤:
步骤一、按照采样周期,通过传感器获取汽车的行驶速度V、发动机功率P、汽车加速度a以及异常位置点数量M;
步骤二、依次将参数进行归一化,确定三层BP神经网络的输入层向量x={x1,x2,x3,x4};其中,x1为行驶速度系数、x2为发动机功率系数、x3为加速度系数、x4为车内异常位置点数量系数;
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};o1为发动机转速控制信号、o2为电池仓进气流量调节信号,o3为报警***报警信号,其神经元值为当o3为1时,汽车正常行驶,当o3为0时,报警***进行报警。
2.根据权利要求1所述的基于混合动力汽车的分布式安全监控方法,其特征在于,所述异常位置点的确定包括如下步骤:
步骤1、按照采样周期,通过传感器采集车内温度Ti、烟雾浓度Cyi以及CO浓度Ccoi从小到大依次排列,得到车内温度矩阵T=[T1,T2,T3,…Ti,…TN]、烟雾浓度矩阵Cy=[Cy1,Cy2,Cy3…Cyi…CyN],CO浓度矩阵Cco=[Cco1,Cco2,Cco3…Ccoi…CcoN];
步骤2、将车内温度、烟雾浓度以及CO浓度进行归一化后得到归一化后的温度矩阵、烟雾浓度矩阵以及CO浓度矩阵;
步骤3、获取位置一一对应的且归一化后的温度、烟雾浓度以及CO浓度,进行异常位置点确定,确定异常位置点的经验公式θi为:
其中,λ为安全评估系数,
3.根据权利要求2所述的基于混合动力汽车的分布式安全监控方法,其特征在于,所述安全评估系数的经验公式为:
其中,为第i个传感器测量的烟雾浓度测量值,为烟雾浓度最大测量值,为测量周期内烟雾浓度的平均值,Ccoi为第i个传感器测量的CO浓度测量值,为CO浓度最大测量值,为测量周期内CO浓度的平均值,Ti为第i个传感器测量的车内温度测量值,Tmax为车内温度最大测量值,为测量周期内车内温度平均值。
4.根据权利要求3所述的基于混合动力汽车的分布式安全监控方法,其特征在于,所述步骤二中进行归一化的公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数V、P、a、N,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。
5.根据权利要求4所述的基于混合动力汽车的分布式安全监控方法,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。
6.根据权利要求5所述的基于混合动力汽车的分布式安全监控方法,其特征在于,的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.根据权利要求6所述的基于混合动力汽车的分布式安全监控方法,其特征在于,所述电池仓进气流量的经验公式为:
其中,f为校正系数,k1为电池仓内部阻力系数,Cp为电池单体的比热容,m为电池组质量,Ti为电池组的测量温度,T0为电池组的初始温度,q为电池的生热效率,t为电池的工作时间,kc为进气口收缩系数,A2进气口横截面积,L为电池模块与电池仓的间距,V为电池容积,V0为电池仓最大气体容积,vb为电池单体体积,Pi为电池仓内测量压力,P0为电池仓内初始压力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031796.XA CN109552219A (zh) | 2019-01-14 | 2019-01-14 | 一种基于混合动力汽车的分布式安全监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031796.XA CN109552219A (zh) | 2019-01-14 | 2019-01-14 | 一种基于混合动力汽车的分布式安全监控方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109552219A true CN109552219A (zh) | 2019-04-02 |
Family
ID=65872946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910031796.XA Pending CN109552219A (zh) | 2019-01-14 | 2019-01-14 | 一种基于混合动力汽车的分布式安全监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109552219A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110077341A (zh) * | 2019-05-16 | 2019-08-02 | 辽宁工业大学 | 一种插电式混合动力汽车安全监控方法 |
CN110631640A (zh) * | 2019-10-29 | 2019-12-31 | 云南师范大学 | 基于物联网的仓储烟叶霉变状态智能监测***及方法 |
CN110733493A (zh) * | 2019-11-22 | 2020-01-31 | 辽宁工业大学 | 一种混合动力电动汽车的功率分配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106043171A (zh) * | 2016-07-07 | 2016-10-26 | 辽宁工业大学 | 一种分布式电动汽车智能化车载网络终端平台及制动控制方法 |
CN205890794U (zh) * | 2016-07-07 | 2017-01-18 | 辽宁工业大学 | 一种分布式电动汽车车载网络终端平台 |
CN207683428U (zh) * | 2017-12-06 | 2018-08-03 | 江苏师范大学 | 一种车内人员安全监控及报警装置 |
CN109000936A (zh) * | 2018-07-18 | 2018-12-14 | 辽宁工业大学 | 一种车辆燃油故障检测方法 |
CN109109787A (zh) * | 2018-07-24 | 2019-01-01 | 辽宁工业大学 | 一种汽车行驶故障监测方法 |
-
2019
- 2019-01-14 CN CN201910031796.XA patent/CN109552219A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106043171A (zh) * | 2016-07-07 | 2016-10-26 | 辽宁工业大学 | 一种分布式电动汽车智能化车载网络终端平台及制动控制方法 |
CN205890794U (zh) * | 2016-07-07 | 2017-01-18 | 辽宁工业大学 | 一种分布式电动汽车车载网络终端平台 |
CN207683428U (zh) * | 2017-12-06 | 2018-08-03 | 江苏师范大学 | 一种车内人员安全监控及报警装置 |
CN109000936A (zh) * | 2018-07-18 | 2018-12-14 | 辽宁工业大学 | 一种车辆燃油故障检测方法 |
CN109109787A (zh) * | 2018-07-24 | 2019-01-01 | 辽宁工业大学 | 一种汽车行驶故障监测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110077341A (zh) * | 2019-05-16 | 2019-08-02 | 辽宁工业大学 | 一种插电式混合动力汽车安全监控方法 |
CN110631640A (zh) * | 2019-10-29 | 2019-12-31 | 云南师范大学 | 基于物联网的仓储烟叶霉变状态智能监测***及方法 |
CN110733493A (zh) * | 2019-11-22 | 2020-01-31 | 辽宁工业大学 | 一种混合动力电动汽车的功率分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Hybrid electric vehicle downshifting strategy based on stochastic dynamic programming during regenerative braking process | |
Zhou et al. | Knowledge implementation and transfer with an adaptive learning network for real-time power management of the plug-in hybrid vehicle | |
CN109552219A (zh) | 一种基于混合动力汽车的分布式安全监控方法 | |
CN106295799B (zh) | 一种深度学习多层神经网络的实现方法 | |
Zhao et al. | A deep reinforcement learning framework for optimizing fuel economy of hybrid electric vehicles | |
Singh et al. | Fuzzy logic and Elman neural network tuned energy management strategies for a power-split HEVs | |
Jinquan et al. | Real-time energy management of fuel cell hybrid electric buses: Fuel cell engines friendly intersection speed planning | |
CN110717218B (zh) | 一种电驱动车辆分布式动力驱动***重构控制方法及车辆 | |
CN109703548B (zh) | 一种基于混合动力的汽车动力分配方法 | |
CN110416644A (zh) | 一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法 | |
CN108284752B (zh) | 一种增程式燃料电池电动汽车动力装置及其控制方法 | |
CN109552112A (zh) | 一种用于混合动力汽车的电池储能控制方法 | |
CN109878499B (zh) | 混合动力车辆功率控制方法 | |
CN107976934B (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警*** | |
CN109300276A (zh) | 一种基于多传感器数据融合的汽车车内异常预警方法 | |
CN110733493A (zh) | 一种混合动力电动汽车的功率分配方法 | |
CN104680335A (zh) | 一种新能源汽车的测评方法 | |
CN110077389B (zh) | 一种插电式混合动力电动汽车能量管理方法 | |
Ruan et al. | Real‐Time Energy Management Strategy Based on Driver‐Action‐Impact MPC for Series Hybrid Electric Vehicles | |
CN107472038B (zh) | 基于hcci发动机的混合动力汽车能量管理方法 | |
Park et al. | Intelligent energy management and optimization in a hybridized all-terrain vehicle with simple on–off control of the internal combustion engine | |
Wei | Design of Web based expert system of electronic control engine fault diagnosis | |
CN109000936A (zh) | 一种车辆燃油故障检测方法 | |
Shuai et al. | Optimal energy management of plug-in hybrid vehicles through exploration-to-exploitation ratio control in ensemble reinforcement learning | |
CN110077341A (zh) | 一种插电式混合动力汽车安全监控方法 |
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 |