CN110435412A - 一种基于bp神经网络商用车智能格栅多开度控制方法 - Google Patents
一种基于bp神经网络商用车智能格栅多开度控制方法 Download PDFInfo
- Publication number
- CN110435412A CN110435412A CN201910787837.8A CN201910787837A CN110435412A CN 110435412 A CN110435412 A CN 110435412A CN 201910787837 A CN201910787837 A CN 201910787837A CN 110435412 A CN110435412 A CN 110435412A
- Authority
- CN
- China
- Prior art keywords
- grid
- aperture
- neural network
- control methods
- commercial 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000001816 cooling Methods 0.000 claims description 28
- 230000017525 heat dissipation Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 239000000446 fuel Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 239000002283 diesel fuel Substances 0.000 claims description 3
- 239000000295 fuel oil Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004092 self-diagnosis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60K—ARRANGEMENT OR MOUNTING OF PROPULSION UNITS OR OF TRANSMISSIONS IN VEHICLES; ARRANGEMENT OR MOUNTING OF PLURAL DIVERSE PRIME-MOVERS IN VEHICLES; AUXILIARY DRIVES FOR VEHICLES; INSTRUMENTATION OR DASHBOARDS FOR VEHICLES; ARRANGEMENTS IN CONNECTION WITH COOLING, AIR INTAKE, GAS EXHAUST OR FUEL SUPPLY OF PROPULSION UNITS IN VEHICLES
- B60K11/00—Arrangement in connection with cooling of propulsion units
- B60K11/08—Air inlets for cooling; Shutters or blinds therefor
- B60K11/085—Air inlets for cooling; Shutters or blinds therefor with adjustable shutters or blinds
-
- 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
-
- 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
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/88—Optimized components or subsystems, e.g. lighting, actively controlled glasses
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Cooling, Air Intake And Gas Exhaust, And Fuel Tank Arrangements In Propulsion Units (AREA)
- Feedback Control In General (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于BP神经网络商用车智能格栅多开度控制方法,包括车辆启动,通过CAN总线监测车辆,并且启动格栅:当格栅开度为90°时,对所述格栅进行如下控制;当发动机水温t≥80℃时,格栅开度为90°;当发动机水温t<80℃时,格栅开度为0°;当行驶车速v>60Km/h时,格栅开度根据行车信号,基于BP神经网络对格栅开度进行控制;当发动机转速rt=0并且发动机水温t<50℃时,格栅开度为0°。在汽车行驶过程中,根据汽车的行车状态对格栅进行调整,同时通过BP神经网络训练在车辆行驶模式时调整格栅开度。
Description
技术领域
本发明涉及一种基于BP神经网络商用车智能格栅多开度控制方法,属于汽车领域。
背景技术
面对国内日趋严格的排放法规以及双积分和取消商用车外资比限制等新政策,提升自主品牌的燃油经济性成为商用车企业健康发展的必然选择。研究结果表明:减小气动阻力系数是降低油耗的有效手段,但目前国内外气动工程师主要借助数值模拟和风洞实验分析车辆的绕流和力学特性,基于流体力学和空气动力学理论,通过优化造型及加装导流罩等附件改善车辆的气动性能,进而降低整车气动阻力系数,但关注的焦点集中在压差阻力,对占比约为8%的内流阻力鲜有涉及。车辆冷却***设计时多以最恶劣工况为靶向,日常行驶时存在冷却冗余。为实现气动与散热性能的协调,国外学者率先提出智能格栅的概念,但该技术目前仅应用于乘用车。商用车由于行车里程长,且多为高速工况,节油潜力更大,因此将智能格栅应用领域拓展至商用车对提升自主品牌产品的燃油经济性和品牌认可度大有裨益,同时也能为主动减阻技术在商用车上的应用和推广提供借鉴和参考。
神经网络模型被规模化应用于自动控制、智能驾驶等相关领域,对解决复杂的非线性问题效果较好。智能格栅***在行车过程中需要适时读取车辆的相关信息,并针对性匹配最佳的格栅开度,当故障发生时能够快速响应并输出故障信号,因此准确的多开度控制模型的搭建是格栅控制效果的核心和关键。之前学者多采用经验公式建立控制模型,控制精度和效果有待提升。随着人工智能的不断普及,探索通过智能算法实现格栅多开度闭环控制逐渐成为新的研究方向和热点。
发明内容
本发明设计开发了一种基于BP神经网络商用车智能格栅多开度控制方法,通过监测车辆行驶过程中的运行信号,对车辆的运行状态进行判断,进而适应性的控制格栅开度。
本发明的另一发明目的,通过BP神经网络对汽车的格栅开度进行控制,能够提高控制精度,使车辆的气动性和散热性相协调。
本发明提供的技术方案为:
一种基于BP神经网络商用车智能格栅多开度控制方法,包括:
车辆启动,通过CAN总线监测车辆,并且启动格栅:
当格栅开度为90°时,对所述格栅进行如下控制;
当发动机水温t≥80℃时,格栅开度为90°;
当发动机水温t<80℃时,格栅开度为0°;
当行驶车速v>60Km/h时,格栅开度根据行车信号,基于BP神经网络对格栅开度进行控制;
当发动机转速rt=0并且发动机水温t<50℃时,格栅开度为0°。
优选的是,基于BP神经网络对格栅开度进行控制,具体包括:
步骤一、以车辆行驶时的车速v、散热器风扇转速r以及散热***的冷却流量作为变量,获取多组变量的样本点作为输入层向量;
步骤二、得到所述多组变量的样本点所对应的格栅开度α,并将其作为输出层向量;
步骤三、根据输入层向量和对应的输出层向量建立三层BP神经网络模型,并进行训练,对格栅开度α进行控制,使车辆行驶过程中气动性和散热性相协调;
其中,设置隐层神经元数为10,最大训练次数为1000,学习速率为0.01,训练精度为0.001,动量因子为0.9。
优选的是,所述输入层向量的取值范围分别为:
v∈[60,100],r∈[0,1800],
优选的是,所述冷却流量计算的经验公式满足:
其中,QW为冷却***散热量,单位为kw,cp,a为空气比热容,单位为kJ/(kg·℃),Δta为冷去空气通过散热组件的温差,单位为℃。
优选的是,所述冷却***散热量的经验公式满足:
其中,a0为冷却***带走的热量占燃油燃烧后产生总能量的百分比,ge为发动机的燃油消耗率,单位为kg/kw·h,P为发动机功率,单位为kw,Hu为柴油热值,单位为kJ/kg。
优选的是,所述a0取值范围为0.16~0.23。
本发明所述的有益效果:在汽车行驶过程中,通过监测行驶信号,对车辆的运行状态进行判断,根据汽车的行车状态对格栅进行调整,同时通过BP神经网络训练在车辆行驶模式时对格栅开度进行预测和调整,提高格栅的控制精度,从而实现整车气动性和散热特性的协调,使能源充分利用。
附图说明
图1为本发明所述的格栅控制策略流程图。
图2为本发明所述的BP神经网络模型训练流程图。
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和2所示,本发明提供一种基于BP神经网络商用车智能格栅多开度控制方法,定义了七种工作模式和状态转移条件,在车辆启动后通过从CAN总线上读取车辆的行车数据,进而判断车辆的运行状态,根据预设的控制算法适应性调整格栅开度,从而实现整车气动和散热特性的协调,具体包括:
首先是定义七种工作模式,然后是定义状态转移条件。
车辆启动,通过CAN总线监测车辆的运行情况,进入初始化模式,:
启动格栅:
当格栅无法打开或ECU发出故障信号时,进入故障模式;
当格栅开度为90°时,进入主观需求模式,同时对格栅进行如下控制:
当发动机水温t≥80℃时,进入自诊断全开模式,格栅开度为90°;
当发动机水温t<80℃时,进入自诊断全关模式,格栅开度为0°;
当行驶车速v>60Km/h时,进入行车控制模式,此时格栅开度根据行车信号进行自适应调整;
当发动机转速为rt=0并且发动机水温t<50℃时,进入驻车模式,格栅开度为0°。
然后是在行车控制模式下基于BP神经网络对格栅开度进行控制,包括行车数据的选取,建立格栅开度与行车数据变量之间的关系,根据行车数据对应输出格栅开度。
在车辆的行驶过程中,当进入行车控制模式时,通过BP神经网络对格栅开度进行控制,使车辆的气动性和散热性相协调,具体如下:
步骤一、建立BP神经网络模型。
BP神经网络模型是基于大量样本点逐步挖掘已知输入与输出之间的潜在关系,本发明通过仿真为神经网络模型的建立提供样本数据。影响冷却流量的因素有车速、格栅开度和风扇转速,综合考虑气动收益和冷却流量,格栅开度选取了0、40、70、90四个开度。由于智能格栅在高速时效果较为明显,因此车速选取了60Km/h、70Km/h、80Km/h、90Km/h、100Km/h五种,鉴于风扇转速对冷却流量的影响较大,因此,风扇转速的选取范围为r∈[0,1800],并选取0、600、1000、1200、1400、1500、1600、1800八种风扇转速,冷却流量的选取范围为
为得到足够多的样本点,对以上变量进行了全实验设计,共160种工况。为评判模型的预测效果,训练时样本通常会被分为训练样本和预测样本两个部分,鉴于目前通常采用试凑法进行样本数量的选取,根据经验,在160组仿真数据中随机选择了120组作为训练样本,40组作为预测样本。
鉴于本发明研究的BP神经网络模型旨在实现格栅开度的预测控制,因此以车速v、风扇转速r和冷却流量为输入,以格栅开度α为输出。
步骤二、进行BP神经网络训练。
鉴于本发明研究的BP神经网络模型旨在实现格栅开度的预测控制,因此以车速v、风扇转速r和冷却流量为输入,以格栅开度α为输出。在模型训练过程中,网络层数及各层神经元个数的确定对训练效果影响较大,已有研究成果表明:隐层神经元个数与网络层数相辅相成,即充足的神经元个数能够保证仅有一个隐层的三层前向网络对闭区间内的连续函数具有较好的逼近效果,而且由于误差传递环节与网络层数成正比,采用多层神经网络模型容易降低其泛化性能,因此选用三层BP网络结构,输入层神经元数为3,输出层为1,隐层为10,最终的参数设置如表1所示:
表1
由于格栅开度为不等间距,而且数值相差较大,不利于神经网络模型的预测,因此对格栅开度进行了等效替代,用0、1、2、3分别表示设定的四个开度值,并对预测值进行归整处理。
在训练过程中通过不断调整权值与阈值提升模型的预测精度,直至***误差小于等于期望误差时,完成神经网络的训练过程,并将最终训练结果转换为模块,模型由输入模块、BP神经网络模型、格栅开度转换模块、输出模块四部分组成,输入模块包括车速、风扇转速及冷却流量三个变量。由于在神经网络模型中对四种格栅开度进行了等效替代,因此在预测模型中加入了开度转换,从而实现了格栅开度的有效输出。
由于发动机散热量与外界环境吸收的能量相等,设定冷却***的热量均由空气带走,则冷却空气需求量的计算公式如下式所示:
式中,QW表示冷却***散热量,单位为kw,cp,a为空气比热容,单位为kJ/(kg·℃),取25℃时的空气比热容,Δta为机舱冷却空气通过散热组件的前后温差,单位为℃,优选Δta=40℃。
散热量QW通常表示发动机冷却***通过热传递散发到外界环境中的热量,即冷却***带走的热量,由发动机工作原理可知,散热量除与机型及功率密度有关,还受传动装置、工作环境等多种因素干扰,因此精确计算其数值成为研究中一个瓶颈。本发明也采用经验总结公式进行相关计算,如下式所示:
其中,a0为冷却***带走的热量占燃油燃烧后产生总能量的百分比,ge为发动机的燃油消耗率,单位为kg/kw·h,P为发动机功率,单位为kw,Hu为柴油热值,单位为kJ/kg,取42652kJ/kg,a0的范围为0.16~0.23,取0.185.
发动机全负荷状态不同转速下的燃油消耗率ge和发动机功率P可由外特性试验测得,本发明所用机型为WP13.500E501,散热量QW(kw)计算结果如表2所示:
表2
为验证散热模型的准确性,本发明选取了全负荷状态下四个转速工况进行了台架实验,并将计算值与实验结果及其误差进行对比分析,如表3所示,四种工况下,计算值与实验值较为接近,当转速为1400rpm时,误差最大。
表3
最大误差绝对值为5.7%,仍在工程允许误差范围内,因此基于经验公式建立的冷却***散热量计算模型满足精度要求。
在汽车行驶过程中,通过监测行驶信号,对车辆的运行状态进行判断,根据汽车的行车状态对格栅进行调整,同时通过BP神经网络训练在车辆行驶模式时对格栅开度进行预测和调整,提高格栅的控制精度,从而实现整车气动性和散热特性的协调,使能源充分利用,燃油消耗最低。
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 (6)
1.一种基于BP神经网络商用车智能格栅多开度控制方法,其特征在于,包括:
车辆启动,通过CAN总线监测车辆,并且启动格栅;
当格栅开度为90°时,对所述格栅进行如下控制:
当发动机水温t≥80℃时,格栅开度为90°;
当发动机水温t<80℃时,格栅开度为0°;
当行驶车速v>60Km/h时,格栅开度根据行车信号,基于BP神经网络对格栅开度进行控制;
当发动机转速rt=0并且发动机水温t<50℃时,格栅开度为0°。
2.根据权利要求1所述的基于BP神经网络商用车智能格栅多开度控制方法,其特征在于,基于BP神经网络对格栅开度进行控制,具体包括:
步骤一、以车辆行驶时的车速v、散热器风扇转速r以及散热***的冷却流量qva作为变量,获取多组变量的样本点作为输入层向量;.
步骤二、得到所述多组变量的样本点所对应的格栅开度α,并将其作为输出层向量;
步骤三、根据输入层向量和对应的输出层向量建立三层BP神经网络模型,并进行训练,对格栅开度α进行控制,使车辆行驶过程中气动性和散热性相协调;
其中,设置隐层神经元数为10,最大训练次数为1000,学习速率为0.01,训练精度为0.001,动量因子为0.9。
3.根据权利要求2所述的基于BP神经网络商用车智能格栅多开度控制方法,其特征在于,所述输入层向量的取值范围分别为:
v∈[60,100],r∈[0,1800],qv.a∈[0.84~4.51]。
4.根据权利要求3所述的基于BP神经网络商用车智能格栅多开度控制方法,其特征在于,所述冷却流量计算的经验公式满足:
其中,QW为冷却***散热量,单位为kw,cp,a为空气比热容,单位为kJ/(kg·℃),Δta为冷去空气通过散热组件的温差,单位为℃。
5.根据权利要求4所述的基于BP神经网络商用车智能格栅多开度控制方法,其特征在于,所述冷却***散热量的经验公式满足:
其中,a0为冷却***带走的热量占燃油燃烧后产生总能量的百分比,ge为发动机的燃油消耗率,单位为kg/kw·h,P为发动机功率,单位为kw,Hu为柴油热值,单位为kJ/kg。
6.根据权利要求4所述的基于BP神经网络商用车格栅多开度控制方法,其特征在于,所述a0取值范围为0.16~0.23。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910787837.8A CN110435412B (zh) | 2019-08-26 | 2019-08-26 | 一种基于bp神经网络商用车智能格栅多开度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910787837.8A CN110435412B (zh) | 2019-08-26 | 2019-08-26 | 一种基于bp神经网络商用车智能格栅多开度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110435412A true CN110435412A (zh) | 2019-11-12 |
CN110435412B CN110435412B (zh) | 2021-02-05 |
Family
ID=68437593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910787837.8A Expired - Fee Related CN110435412B (zh) | 2019-08-26 | 2019-08-26 | 一种基于bp神经网络商用车智能格栅多开度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110435412B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110774885A (zh) * | 2019-11-15 | 2020-02-11 | 吉林大学 | 一种协同调节的汽车前进气格栅与前扰流板***及其控制方法 |
CN111370812A (zh) * | 2020-02-21 | 2020-07-03 | 吉利汽车研究院(宁波)有限公司 | 一种电池加热控制方法、装置、***及存储介质 |
CN112016250A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种烟气scr脱硝***不良数据辨识方法 |
CN113997783A (zh) * | 2021-11-15 | 2022-02-01 | 东风柳州汽车有限公司 | 一种利用神经网络的主动进气格栅控制方法、***及设备 |
CN114312286A (zh) * | 2021-12-02 | 2022-04-12 | 武汉格罗夫氢能汽车有限公司 | 一种主动式格栅控制方法、存储介质及智能终端 |
CN116147878A (zh) * | 2023-04-14 | 2023-05-23 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 大型低温风洞安全联锁方法、装置及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070227794A1 (en) * | 2006-04-04 | 2007-10-04 | Peter Diehl | Device which is designed to be arranged as an additional part behind a radiator grille in an engine compartment of a motor vehicle |
EP2233343A2 (en) * | 2009-03-25 | 2010-09-29 | Aisin Seiki Kabushiki Kaisha | Movable grille shutter device for vehicle |
CN104972894A (zh) * | 2014-04-01 | 2015-10-14 | 上海汽车集团股份有限公司 | 格栅的控制方法及装置 |
CN108960426A (zh) * | 2018-07-09 | 2018-12-07 | 吉林大学 | 基于bp神经网络的道路坡度综合估计*** |
CN109236456A (zh) * | 2018-11-12 | 2019-01-18 | 安徽江淮汽车集团股份有限公司 | 一种可变进气格栅的控制方法 |
-
2019
- 2019-08-26 CN CN201910787837.8A patent/CN110435412B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070227794A1 (en) * | 2006-04-04 | 2007-10-04 | Peter Diehl | Device which is designed to be arranged as an additional part behind a radiator grille in an engine compartment of a motor vehicle |
EP2233343A2 (en) * | 2009-03-25 | 2010-09-29 | Aisin Seiki Kabushiki Kaisha | Movable grille shutter device for vehicle |
CN104972894A (zh) * | 2014-04-01 | 2015-10-14 | 上海汽车集团股份有限公司 | 格栅的控制方法及装置 |
CN108960426A (zh) * | 2018-07-09 | 2018-12-07 | 吉林大学 | 基于bp神经网络的道路坡度综合估计*** |
CN109236456A (zh) * | 2018-11-12 | 2019-01-18 | 安徽江淮汽车集团股份有限公司 | 一种可变进气格栅的控制方法 |
Non-Patent Citations (1)
Title |
---|
王天英: "全自动汽车空调***设计", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110774885A (zh) * | 2019-11-15 | 2020-02-11 | 吉林大学 | 一种协同调节的汽车前进气格栅与前扰流板***及其控制方法 |
CN110774885B (zh) * | 2019-11-15 | 2021-03-02 | 吉林大学 | 一种协同调节的汽车前进气格栅与前扰流板***及其控制方法 |
CN111370812A (zh) * | 2020-02-21 | 2020-07-03 | 吉利汽车研究院(宁波)有限公司 | 一种电池加热控制方法、装置、***及存储介质 |
CN111370812B (zh) * | 2020-02-21 | 2022-01-14 | 吉利汽车研究院(宁波)有限公司 | 一种电池加热控制方法、装置、***及存储介质 |
CN112016250A (zh) * | 2020-08-31 | 2020-12-01 | 华北电力大学 | 一种烟气scr脱硝***不良数据辨识方法 |
CN113997783A (zh) * | 2021-11-15 | 2022-02-01 | 东风柳州汽车有限公司 | 一种利用神经网络的主动进气格栅控制方法、***及设备 |
CN114312286A (zh) * | 2021-12-02 | 2022-04-12 | 武汉格罗夫氢能汽车有限公司 | 一种主动式格栅控制方法、存储介质及智能终端 |
CN114312286B (zh) * | 2021-12-02 | 2023-10-24 | 武汉格罗夫氢能汽车有限公司 | 一种主动式格栅控制方法、存储介质及智能终端 |
CN116147878A (zh) * | 2023-04-14 | 2023-05-23 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 大型低温风洞安全联锁方法、装置及存储介质 |
CN116147878B (zh) * | 2023-04-14 | 2023-07-28 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 大型低温风洞安全联锁方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110435412B (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110435412A (zh) | 一种基于bp神经网络商用车智能格栅多开度控制方法 | |
CN107688343B (zh) | 一种混合动力车辆的能量控制方法 | |
CN103935360B (zh) | 基于并行控制的混合动力汽车整车转矩分配***及其方法 | |
CN111267831A (zh) | 一种混合动力车辆智能变时域模型预测能量管理方法 | |
CN104401232B (zh) | 基于数据驱动预测控制的电动汽车扭矩优化方法 | |
CN111456840B (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 | |
US20120061069A1 (en) | Cooling In A Liquid-To-Air Heat Exchanger | |
CN109484407A (zh) | 一种电动汽车辅助驾驶的自适应跟车方法 | |
Wang et al. | Advanced automotive thermal management–nonlinear radiator fan matrix control | |
CN109591659A (zh) | 一种智能学习的纯电动汽车能量管理控制方法 | |
Wang et al. | Eco-cooling control strategy for automotive air-conditioning system: Design and experimental validation | |
CN106401757B (zh) | 发动机的断缸模式实现方法、***及车辆 | |
Li et al. | CFD-Based research on control strategy of the opening of Active Grille Shutter on automobile | |
CN109910863A (zh) | 一种基于插电式混合动力轿车专用变速器的控制方法 | |
Zhang et al. | Integrated thermal and energy management of connected hybrid electric vehicles using deep reinforcement learning | |
Hajidavalloo et al. | NMPC-based integrated thermal management of battery and cabin for electric vehicles in cold weather conditions | |
Li et al. | Research on the influence of the proportional relay valve on the economy and safety of the electric bus through the braking energy recovery system | |
Yao et al. | Control strategy for hybrid electric vehicle based on online driving pattern classification | |
Li et al. | Autonomous vehicle modeling and velocity control based on decomposed fuzzy PID | |
CN112124298B (zh) | 一种基于快速求解算法的混合动力车辆跟车巡航能量管理方法 | |
Harris | Implementation of radial basis function artificial neural network into an adaptive equivalent consumption minimization strategy for optimized control of a hybrid electric vehicle | |
Guo et al. | Bilevel predictive control for hevs integrating energy and cabin thermal comfort | |
Meier et al. | Model predictive control of HEVs with exhaust aftertreatment system at low ambient temperatures | |
Yao et al. | Sensitivity analysis of reinforcement learning-based hybrid electric vehicle powertrain control | |
Saboohi et al. | Model for optimizing energy efficiency through controlling speed and gear ratio |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210205 |
|
CF01 | Termination of patent right due to non-payment of annual fee |