CN111337258B - 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 - Google Patents
一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 Download PDFInfo
- Publication number
- CN111337258B CN111337258B CN202010094829.8A CN202010094829A CN111337258B CN 111337258 B CN111337258 B CN 111337258B CN 202010094829 A CN202010094829 A CN 202010094829A CN 111337258 B CN111337258 B CN 111337258B
- Authority
- CN
- China
- Prior art keywords
- engine
- control
- control parameters
- optimization
- engine controller
- 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.)
- Expired - Fee Related
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000002068 genetic effect Effects 0.000 title claims abstract description 37
- 238000010845 search algorithm Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 120
- 238000002485 combustion reaction Methods 0.000 claims abstract description 46
- 238000004891 communication Methods 0.000 claims abstract description 11
- 239000000446 fuel Substances 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 239000000498 cooling water Substances 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000009838 combustion analysis Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 33
- 230000008859 change Effects 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008303 genetic mechanism Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012812 general test Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G01M15/00—Testing of engines
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及发动机参数自动标定方法技术领域，特别涉及一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法。其装置包括发动机、测功机、发动机控制器、燃烧分析仪、MircoAutoBox快速控制原型以及测功机上位机控制***、发动机控制器上位机、MircoAutoBox快速控制原型上位机和CAN总线通讯***；本发明是针对发动机控制参数的在线自动标定装置，在发动机固定工况通过优化算法不断改变控制参数，并求解优化目标函数，实现控制参数的自动寻优，本发明在控制参数在线自动寻优过程中，使用了遗传算法与极值搜索算法相结合的优化算法，克服了遗传算法试验控制参数组合多、优化时间长的缺点，同时也避免了极值搜索算法只能解决凸优化问题，容易收敛到局部最优点的缺点。
Description
技术领域
本发明涉及发动机参数自动标定方法技术领域，特别涉及一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法。
背景技术
发动机在运行过程中，依赖发动机控制器(ECU)针对发动机运行工况(转速和节气门开度确定工况)向发动机上的各种执行器，如喷油器、点火线圈等，发送执行指令。以喷油器为例，包括开启时长、开启时刻等等，将这些执行器的执行指令统一称之为控制参数。若想保证发动机能够在某一工况运行稳定，必须保证在这个工况下的控制参数设置合理。而以运行稳定为目标设置的控制参数会是一个很大的范围，随着控制参数的变化，发动机性能，如动力性、经济性和排放特性都会变化。对于发动机的整体性能，期望是动力性越好(转矩越高)、经济性越好(燃油消耗率越低)、排放特性越好(排放物浓度越低)，但这三个性能之间会存在此消彼长的趋势，因此控制参数的设置就会存在矛盾。由于发动机有很多控制参数需要标定，随着发动机电控程度的增加，控制参数的数目也越来越多，而且控制参数之间相互耦合，对于同一发动机性能，不同控制参数的影响规律不同，因此必须通过相应的方法标定控制参数，以实现对发动机性能的期望。
传统的标定方法需要综合考虑各个工况和各控制参数之间的影响关系，在不同工况下进行大量的控制参数调整试验，以找出不同工况下满足要求的最佳控制参数变量。一方面由于试验条件的变化难以校准，一般的试验台架试验***很难提供标准的动态工况；另一方面，反复地进行动态试验对台架影响很大，使标定过程难以再现。传统的标定方法理论水平较低，进行参数试凑，工作效率较低，已经几乎不再使用。
目前有两种比较常见的标定方法，基于模型的标定和在线优化标定。
1、基于模型的标定技术是在传统的标定技术基础上发展的，将数学上的优化理论引入到发动机控制器控制参数标定当中，对试验数据进行不同形式的拟合以建立模型，同时在模型的基础上进行控制参数优化的先进方法。基于模型的优化标定方法可以灵活、方便地仿真发动机的各种运行状态，而且具有很高的可重复性。在电控***开发过程中，可以方便地利用模拟工况对控制***软件及控制策略进行测试，减少台架试验的次数。由于采用仿真模型代替实际***，可以使变参数的试验次数不受限制，而且仿真结果具有可重复性；还可以进行极限状态下的测试试验，而不具破坏性，费用低，无危险。因此可以大幅度减少台架试验工作，降低了费用，明显缩短了开发、测试的时间，从而提高了标定效率。基于模型控制的标定方法的提出，使得标定技术得到了极大的发展，成为研制电控***重要手段。
基于模型的标定技术是离线优化，不能够在发动机实时运行过程中得到合适的控制参数，而是首先通过进行大量的试验，再根据试验数据利用数学方法得到发动机的模型；之后利用优化算法针对发动机模型，建立优化目标函数，得到最优的控制参数。可以将基于模型的标定分成三个方面，第一是进行试验，得到控制参数和发动机性能的相应数据；第二是建立发动机模型，对试验数据拟合；第三是建立优化目标，离线优化控制参数。
在试验方面，为了尽可能减少试验量，保证模型拟合的数据，出现了试验设计方法(DOE)。最传统的试验设计方法是全因子法，用这种方法需要依次把所有参数设为变量，在这个参数能够变化的所有范围内进行试验，直达所有的参数都被测试过。这种方法在控制参数较少时可以使用，但是随着控制参数的增多，试验任务就会变得越来越繁琐，试验时间也越来越长，使得试验几乎不可能进行下去。其他的试验设计是在全因子法选定的试验工况的基础上，科学合理的选定试验工况，研究各控制参数之间，控制参数和发动机性能之间的影响关系。常见的方法包括最优设计法、正交试验设计、优选法、回归正交设计法、均匀设计等等。
在建立模型方面，目标是将一台发动机从指定的性能指标及其相关约束中抽象出来，在发动机可控参数和发动机性能响应之间用精确的数学模型来进行描述。为了实现精确的标定，响应模型必须运算快速并且精确和很好的预测泛化能力。发动机建模，主要是建立发动机的性能参数对控制参数的映射关系。因为这种映射关系是涉及多个输入的复杂的非线形关系，一种简单的处理方法是不考虑各个输入参数和响应特性间的内在的物理关系，只对数据本身建立输入和输出间的映射关系了准确反映控制参数对发动机响应的不同影响，另外一种处理方法是对控制参数进行适当区分，于是得到两种不同的建模方法：单阶建模法和二阶建模法。单阶建模主要针对局部模型，而二阶建模针对全局模型，使用的数学拟合方法最常见的是多项式拟合、回归模型拟合和神经网络拟合等等。
在优化算法设计方面，发动机性能指标是之间有很多是相互矛盾的，优化算法可以寻求性能指标之间的折衷。并且由于发动机是一个复杂的***，控制参数的对不同的性能指标也会产生不同的影响，因此控制参数的优化属于多参数多目标的优化问题。由于是离线优化，发动机性能响应是实时的，因此优化算法的选择很多，最为常见的是拉格朗日乘子法、最小二乘法、遗传算法、人工神经网络法等等。
基于模型的标定技术是离线优化，不能在发动机运行过程中实时在线的得到最优的控制参数；
经过优化算法得到的控制参数是关于拟合模型的最优解，但拟合模型的结果和真实的发动机性能响应存在误差，得到的拟合模型的最优解是否为真实的发动机最优控制参数，取决于拟合模型的精度。模型的拟合过程一方面要求数据足够全面，能够详细的反映发动机的响应，尽管依照试验设计方法进行试验，得到的试验数据能够很好的满足建模要求，但和真实的发动机总会存在误差；另一方面使用数学方法进行拟合模型，也会存在拟合后的模型和试验数据之间的误差。拟合模型与真实的发动机之间的误差可以缩小，但始终无法消除，是不可避免的问题。
2、在发动机控制参数在线标定这个方面，已经存在的专利多以自动标定***的介绍为主，自动标定***包含控制单元、采集单元、优化单元等等多个控制模块。通过控制单元输出执行器控制参数，采集单元采集发动机性能得响应结果(转矩、燃油消耗率、排放等)、优化单元比较不同控制参数下的发动机响应，得到最优控制参数。
自动标定***多以***介绍为主，并没有针对优化算法进行介绍，在控制参数寻优上并没有给出合适的方法，也没有给出优化目标函数；
不能保证在某一工况下，能够全自动的闭环的寻找到基于优化目标函数最优的控制参数，并使发动机按此控制参数运行。
在线标定优化算法设计这一方面，较为常见的优化算法是遗传算法和极值搜索算法。遗传算法通过给定大量的控制参数组合，分别发送给执行器执行，采集不同控制参数组合下的发动机性能响应，记录控制参数组合和发动机响应的结果，并根据发动机响应求解优化目标函数，经过若干次试验、求解，得到优化目标最优的控制参数组合。
极值搜索算法采集发动机性能响应，计算得到优化目标函数值和优化目标函数的梯度，并根据梯度确定下一次的控制参数，通过多次迭代，使优化目标函数收敛到最小值，得到最优的控制参数。
遗传算法会产生大量的控制参数组合，因此需要进行大量的试验来求解优化目标函数，由于试验是在发动机台架上实时进行的，因此每一组控制参数进行的试验都需要消耗一定的时间，造成标定时间很长；
极值搜索算法收敛时间快，标定时间短，但研究对象一般是凸优化问题，其局部最优点就是全局最优点；而发动机控制参数输入和性能响应输出之间是非线性、非凸优化的问题，存在多个局部最优点，而且局部最优点不一定是全局最优点。因此在使用极值搜索算法求解优化目标函数时会得到局部最优而非全局最优，因此得到的控制参数也并非最优的控制参数。
发明内容
为了解决现有技术的问题，本发明提供了一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法，其方案是针对发动机控制参数的在线自动标定装置，能够在发动机固定工况通过优化算法不断改变控制参数，并求解优化目标函数，实现控制参数的自动寻优，本发明在控制参数在线自动寻优过程中，使用了遗传算法与极值搜索算法相结合的优化算法，克服了遗传算法试验控制参数组合多、优化时间长的缺点，同时也避免了极值搜索算法只能解决凸优化问题，容易收敛到局部最优点的缺点。将两者结合，缩短了优化时间，精确寻找到最优控制参数。
本发明所采用的技术方案如下：
提供一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置，包括发动机、测功机、发动机控制器、燃烧分析仪、MircoAutoBox快速控制原型以及测功机上位机控制***、发动机控制器上位机、MircoAutoBox快速控制原型上位机和CAN总线通讯***：
其中，所述的发动机和测功机通过联轴器联接，所述的测功机用于为发动机起动提供起动转速，固定发动机转速并测量发动机的转矩；
所述的发动机控制器用来控制发动机上的执行器，接收传感器采集的信号，与发动机控制器上位机通过CAN总线进行通信；
所述的燃烧分析仪通过安装在发动机缸内的缸压传感器和曲轴上的角标仪采集缸内压力和曲轴转角，进而计算每循环的平均指示压力，并且通过CAN总线与MircoAutoBox快速控制原型进行通信，将信息发送给MircoAutoBox快速控制原型；
所述的MircoAutoBox快速控制原型用于搭建优化算法，通过采集输入量，计算下一次的控制参数；
所述的测功机上位机控制***用来控制测功机，监测测功机的状态和测量的发动机转矩；
所述的发动机控制器上位机用于向发动机控制器发送控制指令，从而控制执行器；监控传感器采集的发动机状态；在控制参数自动标定时，接收MircoAutoBox快速控制原型计算的控制参数，再将该控制参数发送给发动机控制器；
所述的MircoAutoBox快速控制原型上位机用于监测优化算法计算时的输入和输出量，同时有自动标定的开关，用来控制自动标定过程的开始和结束；
所述的CAN总线通讯***由两条CAN总线组成，其中一条连接MircoAutoBox快速控制原型和燃烧分析仪，燃烧分析仪将计算得到的IMEP发送给MircoAutoBox快速控制原型；另外一条CAN总线连接发动机控制器、发动机控制器上位机和MircoAutoBox快速控制原型，发动机控制器将传感器采集的信号通过CAN总线发送给发动机控制器上位机，用于发动机状态监控；发动机控制器上位机将控制参数通过CAN总线下发到发动机控制器，发动机控制器照此参数控制执行器执行；所述的MircoAutoBox快速控制原型在CAN总线上监听发动机控制器下发的喷油脉宽，用以计算燃油消耗率，同时在自动在线参数标定过程中MircoAutoBox快速控制原型向发动机控制器发送相应的控制参数，用以代替发动机控制器上位机下发的相同的控制参数。
同时，提供一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的方法，包括以下步骤：
A、在测功机上位机控制***设置发动机起动转速，预设发动机稳定运行的转速；
B、起动，发动机在预设的运行转速稳定运行，此时测功机上位机控制***实时监测测功机状态和发动机转矩等动力性指标；然后通过发动机控制器上位机设置节气门开度，确定运行工况，并实时检测发动机排气温度、冷却水温度状态；
C、在MircoAutoBox快速控制原型上位机打开控制参数自动标定的开关，进行控制参数的自动标定；
D、燃烧分析仪在整个过程实时采集计算发动机的平均指示压力，并通过CAN总线通讯，持续的将平均指示压力的信息发送给MircoAutoBox快速控制原型；
E、MircoAutoBox快速控制原型在接到控制参数自动标定过程开始的指令过后，接收燃烧分析仪发送过来的平均指示压力，并计算得到平均指示转矩，作为发动机动力性指标；
F、接收发动机控制器下发的喷油脉宽，并计算燃油消耗率，作为发动机经济性指标；
G、在得到发动机性能指标后，求解此时控制参数下的优化目标函数，通过优化算法改变控制参数，将新的控制参数通过CAN总线发送给发动机控制器；
H、发动机控制器在CAN总线上持续监听并接收MircoAutoBox快速控制原型发送的控制参数，用以代替发动机控制器上位机下发的控制参数，得到新的控制参数后，发动机控制器将控制执行器按此控制参数执行，发动机性能变化，进行下一次优化计算。
本发明提供的技术方案带来的有益效果是：
1、相比于传统的标定，提出的标定过程完全自动在线进行，不需要人工参与；
2、优化算法的设计保证了最终收敛的控制参数对应的优化目标函数是全局最优，而非局部最优；
3、相比于基于遗传算法的在线标定，提出的优化算法收敛速度快，搜索结果精确。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明的一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置的设备布置图；
图2为本发明的一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置的CAN总线通讯***结构图；
图3为本发明的一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的方法的在线标定流程图；
图4为本发明的一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的方法的遗传算法的迭代过程流程图；
图5为本发明的一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的方法的极值搜索算法的迭代过程流程图；
图6为本发明的一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的方法的循环数的确定流程图。
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，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本实施例提供一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置，如附图1所示，本装置包括发动机、测功机、发动机控制器、燃烧分析仪、MircoAutoBox快速控制原型以及测功机上位机控制***、发动机控制器上位机、MircoAutoBox快速控制原型上位机。
发动机和测功机通过联轴器联接，测功机的主要作用有，为发动机起动提供起动转速；固定发动机转速，保证稳定的运行工况；测量发动机的转矩等。
发动机控制器用来控制发动机上的各种执行器，接收各种传感器采集的信号，与发动机控制器上位机通过CAN总线进行通信。
燃烧分析仪通过安装在发动机缸内的缸压传感器和曲轴上的角标仪采集缸内压力和曲轴转角，进而计算每循环的平均指示压力(IMEP)，并且通过CAN总线与MircoAutoBox快速控制原型进行通信，将IMEP等信息发送给MircoAutoBox快速控制原型。燃烧分析仪的计算过程是该设备内部自动计算得到，对于用户来说可以直接得到IMEP，因此计算过程就不再介绍。但需要说明的是发动机循环间会有变动，因此需要采集多个循环的平均值作为发动机响应。在本实施例中，采集了100个循环的IMEP的平均值(这在燃烧分析仪中是可以直接选择并输出的)，通过CAN总线传输给个MircoAutoBox快速控制原型。由于采集100个循环的数据，因此在设计算法时要考虑到数据的采集时间是否足够，比如在2000rpm转速时，采集100个循环需要3s，因此在再向发动机控制器下发控制参数后，等待3s后再采集发动机响应数据。
MircoAutoBox快速控制原型用于搭建优化算法，通过采集必要的输入量，计算下一次的控制参数。测功机上位机控制***用来控制测功机，监测测功机的状态和测量的发动机转矩等信息。
发动机控制器上位机是基于LabView的发动机标定软件，主要功能有向发动机控制器发送控制指令，从而控制各种执行器；监控传感器采集的发动机各项状态；在控制参数自动标定时，接收MircoAutoBox快速控制原型计算的控制参数，再将该控制参数发送给发动机控制器。
MircoAutoBox快速控制原型上位机用于控制参数自动标定过程不需要人工参与，因此其主要功能是用来监测优化算法计算时的输入和输出量，即发动机性能指标和相关控制参数等，同时有自动标定的开关，用来控制自动标定过程的开始和结束。
对于CAN总线通讯***，进行详细说明。如附图2所示，该通讯***由两条CAN总线组成，其中一条连接MircoAutoBox快速控制原型和燃烧分析仪，主要功能是燃烧分析仪将计算得到的IMEP发送给MircoAutoBox快速控制原型；另外一条CAN总线连接发动机控制器、发动机控制器上位机和MircoAutoBox快速控制原型，发动机控制器将传感器采集的信号通过总线发送给发动机控制器上位机，用于发动机状态监控。发动机控制器上位机将控制参数通过总线下发到发动机控制器，发动机控制器照此参数控制执行器执行。MircoAutoBox快速控制原型在总线上监听发动机控制器下发的喷油脉宽，用以计算燃油消耗率，同时在自动在线参数标定过程中MircoAutoBox快速控制原型向发动机控制器发送相应的控制参数，用以代替发动机控制器上位机下发的相同的控制参数。
实施例二
如附图3所示，本实施例提供一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的方法，其主要流程是，在测功机上位机控制***设置发动机起动转速，预设发动机稳定运行的转速；然后起动，发动机在预设的运行转速稳定运行，此时测功机上位机控制***可以实时监测测功机状态和发动机转矩等动力性指标；然后通过发动机控制器上位机设置节气门开度，确定运行工况，并实时检测发动机排气温度、冷却水温度等各项状态；然后在MircoAutoBox快速控制原型上位机打开控制参数自动标定的开关，进行控制参数的自动标定；燃烧分析仪在整个过程实时采集计算发动机的IMEP，并通过CAN总线通讯，持续的将IMEP的信息发送给MircoAutoBox快速控制原型；MircoAutoBox快速控制原型在接到控制参数自动标定过程开始的指令过后，接收燃烧分析仪发送过来的IMEP，并计算得到平均指示转矩，作为发动机动力性指标。接收发动机控制器下发的喷油脉宽，并计算燃油消耗率，作为发动机经济性指标。在得到发动机性能指标后，求解此时控制参数下的优化目标函数，通过优化算法改变控制参数，将新的控制参数通过CAN总线发送给发动机控制器；发动机控制器在CAN总线上持续监听并接收MircoAutoBox快速控制原型发送的控制参数，用以代替发动机控制器上位机下发的控制参数，得到新的控制参数后，发动机控制器将控制执行器按此控制参数执行，发动机性能变化，进行下一次优化计算。
本实施例的方法中，对于求解控制参数下的优化目标函数，并通过优化算法改变控制参数的具体方法是：搭建的优化算法为“遗传算法+极值搜索算法”，遗传算法用于搜索最优区域，在搜索到最优区域后，改用极值搜索算法进行最优点搜索。
首先对遗传算法进行简单介绍，遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法，采用“自然选择法则”与遗传机理，通过选择、交叉、变异三种运算，保存和进化种群中的优秀基因，以此进过多代的反复迭代，逐渐得到最优的种群。
遗传算法的基本运算过程如附图4所示，对于控制参数在线标定问题，待优化的工作参数组合([点火提前角，空燃比])在参数可行域内的任意一种组合，则可称为一个个体，随机选取N个个体则组成规模为N的种群，个体中的每一个参数(如点火提前角)则可以称为一个基因，参数优化的过程就是不断交叉、变异气门参数的基因值([点火提前角，空燃比]中的一个或几个)，并不断选择使得目标性能提高的个体保存下来进行下一次的交叉、变异和选择，直到目标性能达到最优的收敛条件。
如附图5所示，极值搜索算法极值搜索是一类用于未知动态***在线稳态优化的自适应控制方法。大多是基于对输入-输出映射关系的梯度的估计，并利用该估计通过控制输入量，将目标函数移向极小值。极值搜索算法适用于解决极小值点就是全局最优点的问题。
关于本实施例中所提出的“遗传算法+极值搜索算法”的优化算法步骤一般如下：
1、首先确定需要优化的控制参数，这与研究对象和研究内容相关。从总线通讯图和流程图上可以看到，本实施例中所优化的控制参数是点火提前角和空燃比；
2、确定优化目标，建立优化目标函数；
3、利用优化算法求解优化目标函数，得到最优控制参数；
4、将最优控制参数下发给发动机控制器，在此工况按最优控制参数运行。
本实施例中确定的优化目标是对发动机动力性和经济性指标进行优化，同时认为两者的重要程度相当，动力性指标为指示转矩，经济性指标为燃油消耗率。依据优化目标确定了下式所示的优化目标函数：
式中，J(X)为优化目标函数值；X为控制参数组，在本实施例中中为[点火提前角，空燃比]；be为燃油消耗率，单位g/(kWh)；Te为指示转矩，单位Nm；bemax为设定的最低燃油消耗率，为常数，根据发动机实际经济性能设定，单位g/(kWh)；Temax为设定的最大指示转矩，为常数，根据发动机实际动力性能表现设定，单位Nm。
通过式(1)所示的优化目标函数，可以使发动机指示转矩和燃油消耗率能够同时达到优化区间，进而有望搜索到二者加权综合的优化函数最小值，其对应的控制参数即为最小值。同时对燃油消耗率和指示转矩进行归一化处理，保证二者实际权重相当。因此从上式可以看出，当指示转矩越大、燃油消耗率越低时，优化目标函数的值就越小。
式(1)的燃油消耗率和指示转矩均为计算得到，而非传感器直接采集得到，下面分别进行说明。
燃油消耗率是发动机每发出1kw有效功率，在1h内所消耗的燃油质量。但由于在实际标定过程中，无法直接采集或得到发动机平均有效压力(BMEP)和有效转矩，只能采集或得到平均指示压力(IMEP)和指示转矩，因此无法得到有效功率，所以，将燃油消耗率be改造成发动机每发出1kw指示功率，在1小时内所消耗的燃油质量。因此燃油消耗率be的计算如下式所示：
式中，be为燃油消耗率，单位g/(kWh)；Be是在1小时内，在固定的工况和控制参数下，发动机实际燃油消耗量，单位g/(kWh)；Pe为指示功率，单位kW。
发动机实际燃油消耗量Be是通过标定喷油器的喷油规律计算得到，如下式所示：
Be＝1.32n·t-0.68n (3)
式中，n为发动机转速，单位rpm；t为喷油器喷油脉宽，单位ms。
指示功率Pe的计算如下式所示：
式中，Pe为指示功率，单位kW；pe为平均指示压力，单位MPa；Vs为单个气缸的工作容积，单位L；n为转速，单位rpm；i为缸数；τ为冲程数。式(1)中的Vs，n，i和τ，对于在固定工况运行的发动机来说，均为常数。因此之需要采集得到平均指示压力即可算出指示功率。而平均指示压力的采集依赖于燃烧分析仪***，后面将会对其进行说明。
指示转矩可有式(4)中的指示功率计算得到，二者均可以作为发动机动力性指标，用以描述发动机动力性。
式中，Te是发动机指示转矩，单位Nm；Pe为指示功率，单位kW；n为发动机转速，单位rpm。
而平均指示压力的采集依赖于燃烧分析仪***，前文也提到采集的循环数应与工况适应，因此提出了平均指示压力多循环处理方法，下面进行介绍。
点燃式发动机燃烧时会有循环变动，每一循环的结果是不同的，为了获得有代表性的数据，根据经验，对燃烧循环变动小、燃烧过程重复性好的，可取40～100循环进行平均，在燃烧循环变动较大时，取几百个循环的平均值。而燃烧稳定性的评价一般用平均指示压力变动系数(CoV)进行表征：
式中，σ是平均指示压力的标准偏差，
是若干循环下的平均指示压力的平均值。
一般CoV在不超过10％时，认为燃烧稳定，循环变动小。从式6可以看到，当固定CoV为10％时，σ是与
相关的，而
的不同代表着发动机工况的变化，因此根据
的不同，可以得到表1。
表1 10％CoV下不同IMEP平均值对应的平均指示压力的标准差和方差
对于燃烧分析仪来说，可以计算得到单个循环的平均指示压力，和平均指示压力的方差。从上表可以看到，比如IMEP的平均值为2bar时，10％CoV对应的方差为0.04。那么如果燃烧分析仪在IMEP为2bar左右的工况下，得到的平均指示压力的方差在0.04以下，认为此时燃烧过程稳定，循环变动小，采集的循环数少；如果超过0.04，则燃烧过程循环变动大，需要采集更多的循环数。燃烧过程越稳定，采集的循环数应越少，反之，越不稳定，采集的循环数应越多。
当CoV为10％时，燃烧过程稳定；多次试验发现当CoV为20％时，此时燃烧过程很不稳定，循环变动大，发动机出现明显的喘振现象，应及时改变控制参数或停机，保证发动机运行平稳和设备安全，所以认为CoV为20％是不稳定燃烧的最低边界。燃烧分析仪一次最多可以连续采集400个循环的IMEP，同时即使燃烧稳定也应最少采集40个循环，因此确定采集的循环数为40～400个循环。但由于CoV不会等于0，认为CoV为1％是是燃烧稳定的最高边界。当燃烧分析仪计算的IMEP的方差恰好为1％CoV对应的方差时，给定此时的采集循环数为40；当燃烧分析仪计算的IMEP的方差恰好为10％CoV对应的方差时，给定此时的采集循环数为100；当燃烧分析仪计算的IMEP的方差恰好为20％CoV对应的方差时，给定此时的采集循环数为400。当采集得到其他的IMEP方差时，应在这两个区间进行线性插值，得到其需要采集的循环数。
如附图6所示，需要采集的IMEP的循环数必须在优化算法进行之前完成，确定后才能在燃烧分析仪中选择采集多少个循环的IMEP平均值。以此来保证采集到的IMEP平均值的能够准确表征发动机性能，同时尽可能减少采集的循环数，减少计算时间。
在确定了优化目标之后，对优化算法进行介绍。遗传算法用来在控制参数的可行域寻找最优区域，在寻找到最优区域后改用极值搜索算法寻找目标函数的最优点以确定最优控制参数。遗传算法的步骤如下：
1.1、确定控制参数的可性域，划分步长。本次优化的控制参数为点火提前角和空燃比，因此首先确定这两个参数在某一固定工况下的可行域，然后确定控制参数的变化步长，比如点火提前角变化步长为5℃A；
1.2、生成初始种群。遗传算法的目的是能够快速寻找最优区域，精确度较低，因此种群数N和优化代数i无需太多。同时结合上一步设置的控制参数变化步长，随机产生N个个体(控制参数组合)，生成初始种群。
1.3、求解优化目标函数。将N个控制参数组合通过CAN总线依次发送到发动机控制器，并采集此时的发动机响应等相关参数，计算不同控制参数下的优化目标函数值。在求解完成所有个体的优化目标函数后，按优化目标函数值从低到高排序，记录优化目标最优的控制参数及其优化目标函数值。并取前1/2的个体，并将其随机分为三组(与需要优化的控制参数个数有关)，一组使第一个控制参数(点火提前角)变异，一组使第二个控制参数(空燃比)变异，最后一组使两个控制参数同时变异。将变异后的个体与原来的个体组合生成新的种群，保证种群的个体数为N；
1.4、进行收敛判断。在产生新的种群后，再次求解优化目标函数，与第1.3步一致，在得到该种群优化目标最优的控制参数及其优化目标函数值后，与上一代最优的优化目标函数值进行比较，满足收敛条件即介绍遗传算法的优化，否则将按第1.3步生成新的种群，继续进行优化。
在遗传算法优化收敛后，得到满足收敛条件的最优个体(控制参数组合)，以该控制参数组合为中心，向前后扩展，将扩展后的区域作为极值搜索的可行域，进行极值搜索算法的优化。同时需要强调的是极值搜索算法用来一般解决凸优化问题，而非凸优化问题使用极值搜索算法很容易收敛到局部最优点。对于本次优化，同时改变两个控制参数会使优化问题变成非凸优化问题，但在最优区域内，一次只变化一个控制参数，保持另一个控制参数不变，并且两个控制参数基于相应的梯度交替进行变化，则使得优化问题变成了凸优化问题，因此将会按照交替搜索的方式进行优化。极值搜索算法的步骤如下：
2.1、初始化算法参数。极值搜索算法在优化过程中需要计算优化目标函数的梯度，梯度的计算在本此优化中采用双边有限差分的方式计算得到，计算方式如下式所示：
式中，gk为优化目标函数的梯度；f是优化目标函数；xi是其中一个控制参数；λ为扰动，这里选用常数；v为扰动的方向，从方向池中随机选取。从上次来看，在进行优化前，需要给定扰动值λ和方向池，同时按照遗传算法优化得到的最优区，设定初始的控制参数；
2.2、求解扰动下的优化目标函数，计算梯度。首先保持其中一个控制参数不变，随机从向量池中选取扰动方向，使另外一个控制参数沿着扰动的方向变化，得到发动机响应，计算优化目标函数。然后变化之前的控制参数沿着之前扰动方向的反方向变化，得到此时的发动机响应，计算优化目标函数。最后将得到的前向和后向优化目标函数用于计算梯度；
2.3、更新控制参数。在得到由于控制参数变化产生的梯度后，按照下式更新上一步变化的控制参数：
xi＝xi+ai·v·gk (8)
式中，x`i是新的上一步变化的控制参数；ai是变化增益，用以调整步长；v是上一步的扰动方向；gk为优化目标函数的梯度。
2.4、变化其他控制参数，重复第2.2、2.3步。在第2.3步更新后的控制参数基础上，保持前两步变化的控制参数不变，使另外一个控制参数按照第2.2步所述方法求解梯度，并按第2.3步更新控制参数。
2.5、进行收敛判断。得到两个控制参数交替更新后的对应的优化目标函数，与前一代对应的优化目标函数进行判断。满足收敛条件，当前的控制参数为全局最优的控制参数，将该控制参数输出，否则继续按第2.2～2.5步进行迭代计算。
极值搜索算法搜索速度快，能够很快搜索到在最优区域内的全局最优点，完成自动在线参数标定工作。
在极值搜索算法收敛后，搭建优化算法的MircoAutoBox快速控制原型会持续的将最优控制参数通过CAN总线发送给发动机控制器，控制器则会记录最优控制参数和当前工况。通过测功机上位机控制***改变发动机转速，发动机控制器改变节气门开度，更新发动机运行工况，在当前工况继续进行控制参数自动在线优化标定。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置，包括发动机、测功机、发动机控制器、燃烧分析仪、MircoAutoBox快速控制原型以及测功机上位机控制***、发动机控制器上位机、MircoAutoBox快速控制原型上位机和CAN总线通讯***：
其中，所述的发动机和测功机通过联轴器联接，所述的测功机用于为发动机起动提供起动转速，固定发动机转速并测量发动机的转矩；
所述的发动机控制器用来控制发动机上的执行器，接收传感器采集的信号，与发动机控制器上位机通过CAN总线进行通信；
所述的燃烧分析仪通过安装在发动机缸内的缸压传感器和曲轴上的角标仪采集缸内压力和曲轴转角，进而计算每循环的平均指示压力，并且通过CAN总线与MircoAutoBox快速控制原型进行通信，将信息发送给MircoAutoBox快速控制原型；
所述的MircoAutoBox快速控制原型用于搭建优化算法，通过采集输入量，计算下一次的控制参数；
所述的测功机上位机控制***用来控制测功机，监测测功机的状态和测量的发动机转矩；
所述的发动机控制器上位机用于向发动机控制器发送控制指令，从而控制执行器；监控传感器采集的发动机状态；在控制参数自动标定时，接收MircoAutoBox快速控制原型计算的控制参数，再将该控制参数发送给发动机控制器；
所述的MircoAutoBox快速控制原型上位机用于监测优化算法计算时的输入和输出量，同时有自动标定的开关，用来控制自动标定过程的开始和结束；
所述的CAN总线通讯***由两条CAN总线组成，其中一条连接MircoAutoBox快速控制原型和燃烧分析仪，燃烧分析仪将计算得到的IMEP发送给MircoAutoBox快速控制原型；另外一条CAN总线连接发动机控制器、发动机控制器上位机和MircoAutoBox快速控制原型，发动机控制器将传感器采集的信号通过CAN总线发送给发动机控制器上位机，用于发动机状态监控；发动机控制器上位机将控制参数通过CAN总线下发到发动机控制器，发动机控制器照此参数控制执行器执行；所述的MircoAutoBox快速控制原型在CAN总线上监听发动机控制器下发的喷油脉宽，用以计算燃油消耗率，同时在自动在线参数标定过程中MircoAutoBox快速控制原型向发动机控制器发送相应的控制参数，用以代替发动机控制器上位机下发的相同的控制参数。
2.根据权利要求1所述的一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置，其特征在于，所述的燃烧分析仪的计算过程中，需要采集多个循环的平均值作为发动机响应。
3.根据权利要求2所述的一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置，其特征在于，采集的循环数为40～400个循环。
4.一种如权利要求1-3任一的装置在线标定的方法，包括以下步骤：
A、在测功机上位机控制***设置发动机起动转速，预设发动机稳定运行的转速；
B、起动，发动机在预设的运行转速稳定运行，此时测功机上位机控制***实时监测测功机状态和发动机转矩动力性指标；然后通过发动机控制器上位机设置节气门开度，确定运行工况，并实时检测发动机排气温度、冷却水温度状态；
C、在MircoAutoBox快速控制原型上位机打开控制参数自动标定的开关，进行控制参数的自动标定；
D、燃烧分析仪在整个过程实时采集计算发动机的平均指示压力，并通过CAN总线通讯，持续的将平均指示压力的信息发送给MircoAutoBox快速控制原型；
E、MircoAutoBox快速控制原型在接到控制参数自动标定过程开始的指令过后，接收燃烧分析仪发送过来的平均指示压力，并计算得到平均指示转矩，作为发动机动力性指标；
F、所述的MircoAutoBox快速控制原型接收发动机控制器下发的喷油脉宽，并计算燃油消耗率，作为发动机经济性指标；
G、在得到发动机性能指标后，求解此时控制参数下的优化目标函数，通过优化算法改变控制参数，将新的控制参数通过CAN总线发送给发动机控制器；
H、发动机控制器在CAN总线上持续监听并接收MircoAutoBox快速控制原型发送的控制参数，用以代替发动机控制器上位机下发的控制参数，得到新的控制参数后，发动机控制器将控制执行器按此控制参数执行，发动机性能变化，进行下一次优化计算；
所述的步骤G中，通过优化算法改变控制参数的具体方法包括：
G1、首先确定需要优化的控制参数：点火提前角和空燃比；
G2、确定优化目标，建立优化目标函数；
G3、利用优化算法求解优化目标函数，得到最优控制参数，所述的优化算法具体是：利用遗传算法在控制参数的可行域寻找最优区域，在寻找到最优区域后改用极值搜索算法寻找目标函数的最优点以确定最优控制参数；
G4、将最优控制参数下发给发动机控制器，在此工况按最优控制参数运行。
5.根据权利要求4所述的在线标定的方法，其特征在于，所述的步骤G2具体以下步骤：
确定优化目标是对发动机动力性和经济性指标进行优化，同时认为两者的重要程度相当，动力性指标为指示转矩，经济性指标为燃油消耗率；依据优化目标确定了下列公式所示的优化目标函数：
式中，J(X)为优化目标函数值；X为控制参数组；be为燃油消耗率，单位g/(kWh)；Te为指示转矩，单位Nm；bemax为设定的最高燃油消耗率，为常数，根据发动机实际经济性能设定，单位g/(kWh)；Temax为设定的最大指示转矩，为常数，根据发动机实际动力性能表现设定，单位Nm。
6.根据权利要求5所述的在线标定的方法，其特征在于，所述的公式中的X为[点火提前角，空燃比]。
7.根据权利要求4所述的在线标定的方法，其特征在于，所述的步骤G3中，所述的遗传算法的具体步骤包括：
G311、确定控制参数的可性域，划分步长；
G312、生成初始种群；
G313、求解优化目标函数；
G314、进行收敛判断。
8.根据权利要求4所述的在线标定的方法，其特征在于，所述的步骤D中，燃烧分析仪采集计算发动机的平均指示压力，需要采集N个循环的平均值作为发动机响应，其中，判断燃烧稳定性的评价用平均指示压力变动系数CoV及以下公式进行表征：
式中，σ是平均指示压力的标准偏差，
是若干循环下的平均指示压力的平均值。
9.根据权利要求8所述的在线标定的方法，其特征在于，所述的CoV的范围值为1％-20％，采集的循环数N的范围为40～400。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010094829.8A CN111337258B (zh) | 2020-02-14 | 2020-02-14 | 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010094829.8A CN111337258B (zh) | 2020-02-14 | 2020-02-14 | 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111337258A CN111337258A (zh) | 2020-06-26 |
| CN111337258B true CN111337258B (zh) | 2021-03-23 |
Family
ID=71180605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010094829.8A Expired - Fee Related CN111337258B (zh) | 2020-02-14 | 2020-02-14 | 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111337258B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111650171B (zh) * | 2020-07-03 | 2023-08-18 | 中国科学院工程热物理研究所 | 一种燃油喷嘴高温高压燃油浓度场定量测量及校正方法 |
| CN112182779B (zh) * | 2020-10-29 | 2023-08-29 | 同济大学 | 一种基于模拟退火算法的汽油机在线标定方法 |
| CN112446109B (zh) * | 2020-11-04 | 2022-10-28 | 潍柴动力股份有限公司 | 一种发动机喷油压力的标定方法和装置 |
| CN113687643B (zh) * | 2021-08-31 | 2023-04-18 | 重庆长安新能源汽车科技有限公司 | 一种电动汽车的电机主动短路功能测试***及方法 |
| CN113790838B (zh) * | 2021-09-02 | 2023-03-21 | 厦门大学 | 一种用于工程机械旋转轴扭矩的测量方法 |
| CN115114785B (zh) * | 2022-06-28 | 2024-01-23 | 北京理工大学 | 一种发动机性能指标参数化快速预测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102507195B (zh) * | 2011-12-01 | 2013-11-13 | 北京理工大学 | 一种便携式发动机数据标定记录方法及装置 |
| CN103994005A (zh) * | 2014-04-13 | 2014-08-20 | 北京理工大学 | 一种电控单体泵柴油机模型的燃油经济性标定方法 |
| US9689336B2 (en) * | 2014-11-10 | 2017-06-27 | Caterpillar Inc. | Engine system utilizing modal weighted engine optimization |
| CN106089541A (zh) * | 2016-06-14 | 2016-11-09 | 吉林大学 | 基于极值搜索的自由活塞发动机控制***点火位置优化方法 |
| CN108647389A (zh) * | 2018-06-12 | 2018-10-12 | 中国北方发动机研究所(天津) | 一种发动机控制参数优化map的确定方法 |
| CN108918148A (zh) * | 2018-07-20 | 2018-11-30 | 上汽通用五菱汽车股份有限公司 | 发动机进气模型的标定方法、***及计算机可读存储介质 |
| CN110348136B (zh) * | 2019-07-15 | 2023-04-07 | 吉林师范大学 | 一种基于参数标定优化的发动机扭矩及排放建模方法 |
-
2020
- 2020-02-14 CN CN202010094829.8A patent/CN111337258B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN111337258A (zh) | 2020-06-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111337258B (zh) | 一种结合遗传算法和极值搜索算法的发动机控制参数在线标定的装置及方法 | |
| US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
| US20190019096A1 (en) | Estimator, estimation method, program and storage medium where program stored for model parameter estimation and model parameter estimation system | |
| KR102206324B1 (ko) | 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법 | |
| CN113110367B (zh) | 发动机硬件在环测试方法及*** | |
| CN104408271A (zh) | 一种基于模型的汽油机标定方法 | |
| CN102086817A (zh) | 在发动机操作期间燃料喷射器的实时自学习识别方法 | |
| CN114462319B (zh) | 航空发动机燃烧性能主动调控方法及智能预测模型 | |
| JP2003013794A (ja) | 車両用制御パラメータの適合方法及び適合装置 | |
| CN107989708A (zh) | 基于扰动观测的自学习发动机扭矩控制***及其方法 | |
| Vogt et al. | On-line adaptation of grid-based look-up tables using a fast linear regression technique | |
| CN112146888A (zh) | 参数标定方法、装置、设备和存储介质 | |
| EP3244043A1 (en) | Apparatus and method for controlling egr valve | |
| CN113049259B (zh) | 台架控制***的模糊控制方法、存储介质及设备 | |
| CN113759709A (zh) | 策略模型的训练方法、装置、电子设备和存储介质 | |
| CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
| CN114934848B (zh) | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 | |
| CN112182779B (zh) | 一种基于模拟退火算法的汽油机在线标定方法 | |
| CN112883653B (zh) | 基于人工智能的发动机实时模型的建模方法 | |
| CN111255557B (zh) | 一种汽车发动机冷却检测***及其控制方法 | |
| CN112782974A (zh) | 一种控制参数标定方法 | |
| CN110080896A (zh) | 一种基于遗传算法的沼气发动机空燃比控制方法 | |
| CN112699600B (zh) | 火电运行参数与NOx排放浓度间的偏回分析方法 | |
| CN114511138A (zh) | 一种基于宽度学习和回归模型的蒸汽量预测方法及*** | |
| CN118095110B (zh) | 一种燃煤机组炉温获取方法、***、设备及存储介质 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210323 |