CN114483271B - 基于人工智能的车辆尾气余热回收*** - Google Patents
基于人工智能的车辆尾气余热回收*** Download PDFInfo
- Publication number
- CN114483271B CN114483271B CN202111650631.4A CN202111650631A CN114483271B CN 114483271 B CN114483271 B CN 114483271B CN 202111650631 A CN202111650631 A CN 202111650631A CN 114483271 B CN114483271 B CN 114483271B
- Authority
- CN
- China
- Prior art keywords
- automobile
- waste heat
- heat recovery
- pipe
- exhaust
- 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.)
- Active
Links
- 239000002918 waste heat Substances 0.000 title claims abstract description 87
- 238000011084 recovery Methods 0.000 title claims abstract description 82
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 58
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 230000000306 recurrent effect Effects 0.000 claims abstract description 20
- 239000007789 gas Substances 0.000 claims description 129
- 230000007246 mechanism Effects 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 22
- 230000009471 action Effects 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 4
- 238000004064 recycling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 235000019645 odor Nutrition 0.000 description 1
- 230000009965 odorless effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N5/00—Exhaust or silencing apparatus combined or associated with devices profiting by exhaust energy
- F01N5/02—Exhaust or silencing apparatus combined or associated with devices profiting by exhaust energy the devices using heat
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N11/00—Monitoring or diagnostic devices for exhaust-gas treatment apparatus, e.g. for catalytic activity
- F01N11/002—Monitoring or diagnostic devices for exhaust-gas treatment apparatus, e.g. for catalytic activity the diagnostic devices measuring or estimating temperature or pressure in, or downstream of the exhaust apparatus
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N3/00—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust
- F01N3/02—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for cooling, or for removing solid constituents of, exhaust
- F01N3/021—Exhaust or silencing apparatus having means for purifying, rendering innocuous, or otherwise treating exhaust for cooling, or for removing solid constituents of, exhaust by means of filters
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N9/00—Electrical control of exhaust gas treating apparatus
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
- F01N2900/04—Methods of control or diagnosing
- F01N2900/0402—Methods of control or diagnosing using adaptive learning
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Combustion & Propulsion (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Exhaust Silencers (AREA)
Abstract
本发明涉及一种基于人工智能的车辆尾气余热回收***,所述***包括:第一解析设备,用于将某一种类的汽车在待预测运动周期之前的各个运动周期分别对应的各个储备数据作为循环神经网络模型即人工智能模型的各个输入信号,将所述种类的汽车在待预测运动周期的储备数据作为循环神经网络模型的单个输出信号;第二解析设备,用于完成对循环神经网络模型的多次学习;预测执行设备,用于执行多次学习后的循环神经网络模型以获得当前汽车种类在下一运动周期的储备数据。通过本发明,能够采用人工智能体以基于不同类型的汽车的历史排放数据完成对后续排放数据的预测处理,从而为制定尾气余热回收策略和尾气过滤策略提供关键参考信息。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于人工智能的车辆尾气余热回收***。
背景技术
如今的现代化发动机***与之前相比,效率得到了大幅提升。然而,其产生的大部分能源依然转变为热能而非动能。通过能源再利用技术既可减少燃料消耗,又可实现减排,从而能够对汽车整体上达到一定程度的碳中和处理。
汽车尾气的余热回收***,又叫EHRS(Exhaust Heat Recovery System)。这个***产生的背景是目前汽车厂商生产的油车面临的主要是二氧化碳减排的压力,因此汽车客户对于EHRS***具有一定的期望和要求。发动机有30%的能量会随着排气尾管的热量而排出,可以根据这部分的热量来设计一系列尾气余热回收产品,来帮助客户回收利用这部分的能量,减少汽车整体的碳排放。
当前三种不同的技术路线来帮助客户回收利用汽车尾气排出的热量,这三种不同的技术路线分别是热导热、热导电和朗肯(Rankine)循环。热导热就是发动机排出的热量直接以热量形式回收利用,也就是上述EHRS;热导电就是一种热电材料,发动机排出的热量经过热电材料之后它会产生微电流,把这些电量储存起来,这是第二种技术路线来帮助回收热量;第三种是朗肯(Rankine)循环,朗肯循环有两种输出形式,第一种是将热量转换成机械能;第二种是将他的机械能带上一个发电机,这样获取到的机械能就可以转换成电能进行输出。
然而,在尾气余热回收***的实际使用中,尽量汽车厂商对尾气余热回收本身做出了大量的改进和优化,但由于汽车的尾气余热的具体数值是一个需要预测的数值,导致汽车无法确定下一运动周期的尾气余热是否大到有吸收价值的一个数值,以及在较大情况下有多少热量可以供后续动作的能量来进行储备,导致尾气余热回收***的管理难以有效实施。
发明内容
为了解决相关领域的技术问题,本发明提供了一种基于人工智能的车辆尾气余热回收***,能够采用定制结构的多次学习后的人工智能体基于汽车的多个最新过往运动周期的排气管参考温度、管体散发总热量、总尾气体积以及时间轴长度对汽车未来运动周期的排气管参考温度、管体散发总热量、总尾气体积以及时间轴长度进行预测,从而能够使得后续执行的尾气余热回收策略和尾气过滤策略更有针对性,其中,所述人工智能体的定制结构基于其完成多次学习时使用的汽车种类数量。
为此,本发明至少需要具备以下四处关键的发明点:
(1)采用人工智能模型基于不同汽车种类的过往运动周期的储备数据完成对未来运动周期的管体散发总热量的预测,其中,所述人工智能模型选择为经过针对性学习过程的循环神经网络模型,所述储备数据包括排气管参考温度、管体散发总热量、总尾气体积以及时间轴长度;
(2)在循环神经网络模型的针对性学习过程中,每一种类的汽车至少经历一次学习过程,以及循环神经网络模型中选择的输入信号的总数与其完成多次学习时使用的汽车种类数量正向关联;
(3)获取当前驾驶的汽车种类在下一运动周期的储备数据中的管体散发总热量,并基于获取的管体散发总热量确定对应的下一运动周期的尾气余热回收策略,从而完成尾气余热回收策略的提前布局;
(4)获取当前驾驶的汽车种类在下一运动周期的储备数据中的总尾气体积,并基于获取的总尾气体积确定对应的下一运动周期的尾气过滤策略,从而完成尾气过滤策略的提前布局。
根据本发明的第一方面,提供了一种基于人工智能的车辆尾气余热回收***,所述***包括:
温度测量机构,设置在每一种类的汽车的排气管上,用于测量所述种类汽车在每一运动周期的排气管参考温度;
热量提取机构,设置在每一种类的汽车的排气管上,用于累计所述种类汽车在每一运动周期的排气管的管体散发总热量;
尾气检测机构,设置在每一种类的汽车的排气管上,用于累计所述种类汽车在每一运动周期的排气管所排放的总尾气体积;
周期捕获机构,分别与所述温度测量机构和所述热量提取机构连接,用于针对每一种类的汽车执行其每一运动周期的储备数据的捕获动作:所述储备数据包括排气管参考温度、管体散发总热量、总尾气体积以及时间轴长度;
第一解析设备,与所述周期捕获机构连接,用于将某一种类的汽车在待预测运动周期之前的预设周期数量的各个运动周期分别对应的各个储备数据作为循环神经网络模型即人工智能模型的各个输入信号,将所述种类的汽车在待预测运动周期的储备数据作为所述循环神经网络模型的单个输出信号,解析出所述循环神经网络模型;
第二解析设备,分别与所述第一解析设备和所述周期捕获机构连接,用于将不同种类的汽车在过往运动周期的储备数据作为所述第一解析设备解析出的循环神经网络模型的输入数据和输出数据完成对所述第一解析设备解析出的循环神经网络模型的多次学习;
预测执行设备,与所述第二解析设备连接,用于将当前驾驶的汽车种类在下一运动周期之前预设周期数量的各个运动周期分别对应的各个储备数据作为完成多次学习的循环神经网络模型的各个输入信号以执行所述完成多次学习的循环神经网络模型,获得所述完成多次学习的循环神经网络模型的单个输出信号即当前驾驶的汽车种类在下一运动周期的储备数据;
第一应对机构,与所述预测执行设备连接,用于获取当前驾驶的汽车种类在下一运动周期的储备数据中的管体散发总热量,并基于获取的管体散发总热量确定对应的下一运动周期的尾气余热回收策略;
其中,选择的预设周期数量的数值与循环神经网络模型在完成多次学习时使用的汽车种类的数量正向关联;
其中,每一种类汽车的单个运动周期占据的时间轴长度为所述种类汽车的发动机活塞在完成固定次数的反复运动所消耗的时间长度。
根据本发明的第二方面,提供了一种基于人工智能的车辆尾气余热回收方法,所述方法包括使用如上述的基于人工智能的车辆尾气余热回收平台以采用人工智能模型基于不同汽车种类的过往运动周期的储备数据完成对未来运动周期的管体散发总热量以及总尾气体积的预测以便于提前布局未来运动周期的尾气余热回收策略以及尾气过滤策略。
根据本发明的第三方面,提供了一种计算机可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序在被执行时实现如上述的基于人工智能的车辆尾气余热回收方法的各个步骤。
附图说明
以下将结合附图对本发明的实施方案进行描述,其中:
图1为根据本发明的基于人工智能的车辆尾气余热回收***的技术流程图。
图2为根据本发明的实施例1示出的基于人工智能的车辆尾气余热回收***的结构示意图。
图3为根据本发明的实施例2示出的基于人工智能的车辆尾气余热回收***的结构示意图。
图4为根据本发明的实施例3示出的基于人工智能的车辆尾气余热回收***的结构示意图。
图5为根据本发明的实施例4示出的基于人工智能的车辆尾气余热回收***的结构示意图。
图6为根据本发明的实施例6示出的计算机可读存储介质的示意图。
具体实施方式
尾气多指汽车尾气,即汽车从排气管排出的废气。汽车尾气是空气污染的另一重大因素,汽车尾气中含有一氧化碳、氧化氮以及对人体产生不良影响的其他一些固体颗粒,尤其是含铅汽油,对人体的危害更大。不同的车也有着不同的气味。汽修专家提示,正常尾气应是无色、无怪味的,而不同颜色不同味道的汽车尾气很可能表明车辆本身正面临一些故障。由此可见,汽车尾气的回收对保护环境以及汽车的可持续的使用至关重要。
同时,汽车发动机废气余热回收利用技术是运用相关的余热回收设备,使汽车发动机的尾气中所含的热量能够得到回收,再通过一系列的反应来将废气热量转化为可用能源,目前所采用的尾气热量回收利用模式,不仅可以提高当前能源利用率、降低生产成本,也可以对环境起到一定的保护作用。
当前汽车尾气余热在回收利用过程中,主要应用在车厢供暖、发电和一些水和食品的加热方面,这些技术的应用虽然改善了目前的汽车乘车环境,但是由于无法对未来的汽车尾气余热的具体排放量获取一个准确的认知,导致汽车尾气余热未充分利用或者不足以后续能源需求。同样地,由于汽车尾气排放体积也难以准确预估,汽车无法建立相应的尾气过滤机制来完成对后续产生尾气的可靠过滤,导致汽车尾气未过滤完全或者现有过滤资源被大量浪费。
为解决上述技术问题。本发明搭建了一种基于人工智能的车辆尾气余热回收***,能够采用人工智能模型基于历史数据完成汽车尾气余热总量以及汽车尾气排放总量的准确评估,进而建立相应的余热回收机制和尾气过滤机制,从而提升后续动作的有效性和可靠性。
如图1所示,给出了根据本发明示出的基于人工智能的车辆尾气余热回收***的技术流程图。
首先,获取不同汽车种类的过往运动周期的储备数据,所述储备数据包括管体散发总热量、排气管参考温度、总尾气体积以及时间轴长度,每一种类汽车的单个运动周期占据的时间轴长度为所述种类汽车的发动机活塞在完成固定次数的反复运动所消耗的时间长度,因此,过往运动周期的储备数据为针对这个时间长度采集的各项不同类型数据;
其次,建立用于预测汽车未来运动周期的储备数据的循环神经网络模型以完成人工智能模型的搭建,如图1所示,所述循环神经网络模型的多个输入数据为相应种类汽车多个过往运动周期分别对应的多个储备数据,所述循环神经网络模型的单个输出数据为相应种类汽车未来运动周期的储备数据,其中,使用的循环神经网络模型为经过多次学习后的循环神经网络模型,在循环神经网络模型的针对性学习过程中,每一种类的汽车至少经历一次学习过程;
最后,应用汽车未来运动周期的储备数据实现针对性的尾气余热回收策略以及尾气过滤策略的定制,包括应用管体散发总热量确定针对性的尾气余热回收策略,以及应用总尾气体积确定针对性的尾气过滤策略。
本发明的关键点在于,能够采用同一套面对多个种类汽车的人工智能模型实现对任一种类汽车在下一运动周期的管体散发总热量、排气管参考温度、总尾气体积以及时间轴长度的预测,尤其是管体散发总热量以及总尾气体积的提取获取,能够为下一运动周期的尾气余热回收策略以及尾气过滤策略提供关键的基础数据,从而增强尾气余热回收动作以及尾气过滤动作的处理效果,克服了以往因为管体散发总热量以及总尾气体积无法准确预测导致相应策略无法定制或者定制策略存在严重偏差的缺陷。
下面,将对本发明的基于人工智能的车辆尾气余热回收***以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的基于人工智能的车辆尾气余热回收***的结构示意图。如图2所示,所述基于人工智能的车辆尾气余热回收***包括以下部件:
温度测量机构,设置在每一种类的汽车的排气管上,用于测量所述种类汽车在每一运动周期的排气管参考温度;
热量提取机构,设置在每一种类的汽车的排气管上,用于累计所述种类汽车在每一运动周期的排气管的管体散发总热量;
尾气检测机构,设置在每一种类的汽车的排气管上,用于累计所述种类汽车在每一运动周期的排气管所排放的总尾气体积;
周期捕获机构,分别与所述温度测量机构和所述热量提取机构连接,用于针对每一种类的汽车执行其每一运动周期的储备数据的捕获动作:所述储备数据包括排气管参考温度、管体散发总热量、总尾气体积以及时间轴长度;
第一解析设备,与所述周期捕获机构连接,用于将某一种类的汽车在待预测运动周期之前的预设周期数量的各个运动周期分别对应的各个储备数据作为循环神经网络模型即人工智能模型的各个输入信号,将所述种类的汽车在待预测运动周期的储备数据作为所述循环神经网络模型的单个输出信号,解析出所述循环神经网络模型;
第二解析设备,分别与所述第一解析设备和所述周期捕获机构连接,用于将不同种类的汽车在过往运动周期的储备数据作为所述第一解析设备解析出的循环神经网络模型的输入数据和输出数据完成对所述第一解析设备解析出的循环神经网络模型的多次学习;
预测执行设备,与所述第二解析设备连接,用于将当前驾驶的汽车种类在下一运动周期之前预设周期数量的各个运动周期分别对应的各个储备数据作为完成多次学习的循环神经网络模型的各个输入信号以执行所述完成多次学习的循环神经网络模型,获得所述完成多次学习的循环神经网络模型的单个输出信号即当前驾驶的汽车种类在下一运动周期的储备数据;
第一应对机构,与所述预测执行设备连接,用于获取当前驾驶的汽车种类在下一运动周期的储备数据中的管体散发总热量,并基于获取的管体散发总热量确定对应的下一运动周期的尾气余热回收策略;
其中,选择的预设周期数量的数值与循环神经网络模型在完成多次学习时使用的汽车种类的数量正向关联;
例如,选择的预设周期数量的数值与循环神经网络模型在完成多次学习时使用的汽车种类的数量可以保持非线性的正向关联关系,可以选择以下非线性的正向关联关系:循环神经网络模型在完成多次学习时使用的汽车种类的数量为20时,选择的预设周期数量的数值为1000;循环神经网络模型在完成多次学习时使用的汽车种类的数量为30时,选择的预设周期数量的数值为2000;以及循环神经网络模型在完成多次学习时使用的汽车种类的数量为40时,选择的预设周期数量的数值为4000;
再例如,选择的预设周期数量的数值与循环神经网络模型在完成多次学习时使用的汽车种类的数量可以保持线性的正向关联关系,可以选择以下线性的正向关联关系:循环神经网络模型在完成多次学习时使用的汽车种类的数量为20时,选择的预设周期数量的数值为1000;循环神经网络模型在完成多次学习时使用的汽车种类的数量为30时,选择的预设周期数量的数值为1500;以及循环神经网络模型在完成多次学习时使用的汽车种类的数量为40时,选择的预设周期数量的数值为2000。
其中,每一种类汽车的单个运动周期占据的时间轴长度为所述种类汽车的发动机活塞在完成固定次数的反复运动所消耗的时间长度。
实施例2
图3为根据本发明的实施例2示出的基于人工智能的车辆尾气余热回收***的结构示意图。如图3所示,相比较于本发明的实施例1,所述基于人工智能的车辆尾气余热回收***还包括:
内容存储机构,与所述第一应对机构连接,用于存储获取的管体散发总热量与确定的对应的下一运动周期的尾气余热回收策略的对应关系;
其中,基于获取的管体散发总热量确定对应的下一运动周期的尾气余热回收策略包括:当获取的管体散发总热量大于等于设定热量阈值时,启动下一运动周期的尾气余热回收动作;
其中,当获取的管体散发总热量大于等于设定热量阈值时,启动下一运动周期的尾气余热回收动作包括:基于获取的管体散发总热量超过设定热量阈值的差值大小确定下一运动周期的尾气余热回收动作中需要从排气管的管体汲取的热量数值;
其中,基于获取的管体散发总热量超过设定热量阈值的差值大小确定下一运动周期的尾气余热回收动作中需要从排气管的管体汲取的热量数值包括:基于获取的管体散发总热量超过设定热量阈值的差值越小,确定的下一运动周期的尾气余热回收动作中需要从排气管的管体汲取的热量数值越小;
其中,基于获取的管体散发总热量超过设定热量阈值的差值越小,确定的下一运动周期的尾气余热回收动作中需要从排气管的管体汲取的热量数值越小包括:采用的执行排气管的管体热量汲取的热量汲取机构设置在排气管的尾端和首端之间的中央位置的管壁上。
实施例3
图4为根据本发明的实施例3示出的基于人工智能的车辆尾气余热回收***的结构示意图。如图4所示,相比较于本发明的实施例3,所述基于人工智能的车辆尾气余热回收***还包括:
第二应对机构,与所述预测执行设备连接,用于获取当前驾驶的汽车种类在下一运动周期的储备数据中的总尾气体积,并基于获取的总尾气体积确定对应的下一运动周期的尾气过滤策略;
其中,基于获取的总尾气体积确定对应的下一运动周期的尾气过滤策略包括:获取的总尾气体积的数值越小,确定的对应的下一运动周期的尾气过滤策略中使用的尾气过滤网体的数量越少。
其中,获取的总尾气体积的数值越小,确定的对应的下一运动周期的尾气过滤策略中使用的尾气过滤网体的数量越少包括:确定的对应的下一运动周期的尾气过滤策略中使用的尾气过滤网体的数量与获取的总尾气体积的数值成正比。
实施例4
图5为根据本发明的实施例4示出的基于人工智能的车辆尾气余热回收***的结构示意图。如图5所示,相比较于本发明的实施例4,所述基于人工智能的车辆尾气余热回收***还包括:
过滤网体阵列,包括多个尾气过滤网体,每一尾气过滤网体在使用状态下位于排气管的管体的尾端,所述多个尾气过滤网体的结构相同;
其中,每一尾气过滤网体在使用状态下位于排气管的管体的尾端包括:当使用多个尾气过滤网体时,所述多个尾气过滤网体以均匀间隔模式同时位于排气管的管体的尾端;
示例地,在排气管的管体的尾端处,所述多个尾气过滤网体在从管体的前端到尾端的方向保持两两之间间隔15毫米的模式进行布置
在上述实施例的任一实施例中,可选地,在所述基于人工智能的车辆尾气余热回收***中:
将不同种类的汽车在过往运动周期的储备数据作为所述第一解析设备解析出的循环神经网络模型的输入数据和输出数据完成对所述第一解析设备解析出的循环神经网络模型的多次学习包括:所述多次学习中,每一种类的汽车至少经历一次学习过程。
在上述实施例的任一实施例中,可选地,在所述基于人工智能的车辆尾气余热回收***中:
测量所述种类汽车在每一运动周期的排气管参考温度包括:在每一运动周期内以均匀时间间隔分别获取所述种类汽车的排气管的多个管壁温度,并对所述多个管壁温度取中间值以获得所述种类汽车在每一运动周期的排气管参考温度;
其中,在每一运动周期内以均匀时间间隔分别获取所述种类汽车的排气管的多个管壁温度,并对所述多个管壁温度取中间值以获得所述种类汽车在每一运动周期的排气管参考温度包括:对每一运动周期占据的时间轴进行均匀分割以获得多个相等的时间段,在每一个时间段的末端采集所述种类汽车的排气管的单个管壁温度;
其中,对每一运动周期占据的时间轴进行均匀分割以获得多个相等的时间段,在每一个时间段的末端采集所述种类汽车的排气管的单个管壁温度包括:可以采用接触式温度计用于在每一个时间段的末端采集所述种类汽车的排气管的单个管壁温度;
以及替换地,对每一运动周期占据的时间轴进行均匀分割以获得多个相等的时间段,在每一个时间段的末端采集所述种类汽车的排气管的单个管壁温度包括:可以采用非接触式温度计用于在每一个时间段的末端采集所述种类汽车的排气管的单个管壁温度。
在上述实施例的任一实施例中,可选地,在所述基于人工智能的车辆尾气余热回收***中:
基于获取的管体散发总热量确定对应的下一运动周期的尾气余热回收策略还包括:当获取的管体散发总热量小于所述设定热量阈值时,暂缓下一运动周期的尾气余热回收动作。
实施例5
在本实施例中,本发明搭建了一种基于人工智能的车辆尾气余热回收方法,所述方法包括使用如上述的基于人工智能的车辆尾气余热回收平台以采用人工智能模型基于不同汽车种类的过往运动周期的储备数据完成对未来运动周期的管体散发总热量以及总尾气体积的预测以便于提前布局未来运动周期的尾气余热回收策略以及尾气过滤策略。
实施例6
图6为根据本发明的实施例6示出的计算机可读存储介质的示意图。如图6所示,根据本公开实施例的计算机可读存储介质60,其上存储有非暂时性计算机可读指令61。当该非暂时性计算机可读指令61由处理器运行时,执行前述的本发明的实施例5的基于人工智能的车辆尾气余热回收方法的全部或部分步骤。
另外,将不同种类的汽车在过往运动周期的储备数据作为所述第一解析设备解析出的循环神经网络模型的输入数据和输出数据完成对所述第一解析设备解析出的循环神经网络模型的多次学习包括:在针对某一种类的汽车的过往某一运动周期的循环神经网络模型的一次学习中,将某一种类的汽车的过往某一运动周期之前预设周期数量的各个运动周期分别对应的各个储备数据作为循环神经网络模型的各个输入信号,将某一种类的汽车的过往某一运动周期的储备数据作为循环神经网络模型的单个输入信号;
以及替换地,测量所述种类汽车在每一运动周期的排气管参考温度包括:在每一运动周期内以均匀时间间隔分别获取所述种类汽车的排气管的多个管壁温度,并对所述多个管壁温度取算术平均值以获得所述种类汽车在每一运动周期的排气管参考温度。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的实施方式的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。在本说明书的描述中,参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于人工智能的车辆尾气余热回收***,其特征在于,所述***包括:
温度测量机构,设置在每一种类的汽车的排气管上,用于测量所述种类汽车在每一运动周期的排气管参考温度;
热量提取机构,设置在每一种类的汽车的排气管上,用于累计所述种类汽车在每一运动周期的排气管的管体散发总热量;
尾气检测机构,设置在每一种类的汽车的排气管上,用于累计所述种类汽车在每一运动周期的排气管所排放的总尾气体积;
周期捕获机构,分别与所述温度测量机构和所述热量提取机构连接,用于针对每一种类的汽车执行其每一运动周期的储备数据的捕获动作:所述储备数据包括排气管参考温度、管体散发总热量、总尾气体积以及时间轴长度;
第一解析设备,与所述周期捕获机构连接,用于将某一种类的汽车在待预测运动周期之前的预设周期数量的各个运动周期分别对应的各个储备数据作为循环神经网络模型即人工智能模型的各个输入信号,将所述种类的汽车在待预测运动周期的储备数据作为所述循环神经网络模型的单个输出信号,解析出所述循环神经网络模型;
第二解析设备,分别与所述第一解析设备和所述周期捕获机构连接,用于将不同种类的汽车在过往运动周期的储备数据作为所述第一解析设备解析出的循环神经网络模型的输入数据和输出数据完成对所述第一解析设备解析出的循环神经网络模型的多次学习;
预测执行设备,与所述第二解析设备连接,用于将当前驾驶的汽车种类在下一运动周期之前预设周期数量的各个运动周期分别对应的各个储备数据作为完成多次学习的循环神经网络模型的各个输入信号以执行所述完成多次学习的循环神经网络模型,获得所述完成多次学习的循环神经网络模型的单个输出信号即当前驾驶的汽车种类在下一运动周期的储备数据;
第一应对机构,与所述预测执行设备连接,用于获取当前驾驶的汽车种类在下一运动周期的储备数据中的管体散发总热量,并基于获取的管体散发总热量确定对应的下一运动周期的尾气余热回收策略;
其中,选择的预设周期数量的数值与循环神经网络模型在完成多次学习时使用的汽车种类的数量正向关联;
其中,每一种类汽车的单个运动周期占据的时间轴长度为所述种类汽车的发动机活塞在完成固定次数的反复运动所消耗的时间长度。
2.如权利要求1所述的基于人工智能的车辆尾气余热回收***,其特征在于,所述***还包括:
内容存储机构,与所述第一应对机构连接,用于存储获取的管体散发总热量与确定的对应的下一运动周期的尾气余热回收策略的对应关系;
其中,基于获取的管体散发总热量确定对应的下一运动周期的尾气余热回收策略包括:当获取的管体散发总热量大于等于设定热量阈值时,启动下一运动周期的尾气余热回收动作;
其中,当获取的管体散发总热量大于等于设定热量阈值时,启动下一运动周期的尾气余热回收动作包括:基于获取的管体散发总热量超过设定热量阈值的差值大小确定下一运动周期的尾气余热回收动作中需要从排气管的管体汲取的热量数值;
其中,基于获取的管体散发总热量超过设定热量阈值的差值大小确定下一运动周期的尾气余热回收动作中需要从排气管的管体汲取的热量数值包括:基于获取的管体散发总热量超过设定热量阈值的差值越小,确定的下一运动周期的尾气余热回收动作中需要从排气管的管体汲取的热量数值越小;
其中,基于获取的管体散发总热量超过设定热量阈值的差值越小,确定的下一运动周期的尾气余热回收动作中需要从排气管的管体汲取的热量数值越小包括:采用的执行排气管的管体热量汲取的热量汲取机构设置在排气管的尾端和首端之间的中央位置的管壁上。
3.如权利要求2所述的基于人工智能的车辆尾气余热回收***,其特征在于,所述***还包括:
第二应对机构,与所述预测执行设备连接,用于获取当前驾驶的汽车种类在下一运动周期的储备数据中的总尾气体积,并基于获取的总尾气体积确定对应的下一运动周期的尾气过滤策略;
其中,基于获取的总尾气体积确定对应的下一运动周期的尾气过滤策略包括:获取的总尾气体积的数值越小,确定的对应的下一运动周期的尾气过滤策略中使用的尾气过滤网体的数量越少。
4.如权利要求3所述的基于人工智能的车辆尾气余热回收***,其特征在于,所述***还包括:
过滤网体阵列,包括多个尾气过滤网体,每一尾气过滤网体在使用状态下位于排气管的管体的尾端,所述多个尾气过滤网体的结构相同;
其中,每一尾气过滤网体在使用状态下位于排气管的管体的尾端包括:当使用多个尾气过滤网体时,所述多个尾气过滤网体以均匀间隔模式同时位于排气管的管体的尾端。
5.如权利要求1-4任一所述的基于人工智能的车辆尾气余热回收***,其特征在于:
将不同种类的汽车在过往运动周期的储备数据作为所述第一解析设备解析出的循环神经网络模型的输入数据和输出数据完成对所述第一解析设备解析出的循环神经网络模型的多次学习包括:所述多次学习中,每一种类的汽车至少经历一次学习过程。
6.如权利要求1-4任一所述的基于人工智能的车辆尾气余热回收***,其特征在于:
测量所述种类汽车在每一运动周期的排气管参考温度包括:在每一运动周期内以均匀时间间隔分别获取所述种类汽车的排气管的多个管壁温度,并对所述多个管壁温度取中间值以获得所述种类汽车在每一运动周期的排气管参考温度。
7.如权利要求6所述的基于人工智能的车辆尾气余热回收***,其特征在于:
在每一运动周期内以均匀时间间隔分别获取所述种类汽车的排气管的多个管壁温度,并对所述多个管壁温度取中间值以获得所述种类汽车在每一运动周期的排气管参考温度包括:对每一运动周期占据的时间轴进行均匀分割以获得多个相等的时间段,在每一个时间段的末端采集所述种类汽车的排气管的单个管壁温度。
8.如权利要求2-4任一所述的基于人工智能的车辆尾气余热回收***,其特征在于:
基于获取的管体散发总热量确定对应的下一运动周期的尾气余热回收策略还包括:当获取的管体散发总热量小于所述设定热量阈值时,暂缓下一运动周期的尾气余热回收动作。
9.一种基于人工智能的车辆尾气余热回收方法,所述方法包括使用如权利要求1-8任一所述的基于人工智能的车辆尾气余热回收***以采用人工智能模型基于不同汽车种类的过往运动周期的储备数据完成对未来运动周期的管体散发总热量以及总尾气体积的预测以便于提前布局未来运动周期的尾气余热回收策略以及尾气过滤策略。
10.一种计算机可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序在被执行时实现如权利要求9所述方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650631.4A CN114483271B (zh) | 2021-12-30 | 2021-12-30 | 基于人工智能的车辆尾气余热回收*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111650631.4A CN114483271B (zh) | 2021-12-30 | 2021-12-30 | 基于人工智能的车辆尾气余热回收*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114483271A CN114483271A (zh) | 2022-05-13 |
CN114483271B true CN114483271B (zh) | 2022-09-30 |
Family
ID=81507513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111650631.4A Active CN114483271B (zh) | 2021-12-30 | 2021-12-30 | 基于人工智能的车辆尾气余热回收*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114483271B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2523990A (en) * | 2014-03-10 | 2015-09-16 | Gm Global Tech Operations Inc | Method of controlling a diesel particulate filter |
EP3004583A1 (en) * | 2013-05-27 | 2016-04-13 | Volvo Truck Corporation | Method for timing of a regeneration process |
CN108594895A (zh) * | 2018-05-31 | 2018-09-28 | 江苏大学 | 基于温差发电的汽车尾气能量回收装置电控***及方法 |
CN208205047U (zh) * | 2017-10-27 | 2018-12-07 | 北京中电联节能技术有限公司 | 适于烟气余热回收的前馈神经网络控制***的硬件架构 |
JP2019133610A (ja) * | 2018-02-03 | 2019-08-08 | アレグロスマート株式会社 | データオーケストレーションプラットフォーム管理 |
JP6935837B1 (ja) * | 2020-08-20 | 2021-09-15 | トヨタ自動車株式会社 | 機械学習装置及び機械学習システム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5941918A (en) * | 1997-07-30 | 1999-08-24 | Engelhard Corporation | Automotive on-board monitoring system for catalytic converter evaluation |
JP2007332932A (ja) * | 2006-06-19 | 2007-12-27 | Toyota Motor Corp | 内燃機関の異常診断装置 |
US8301356B2 (en) * | 2008-10-06 | 2012-10-30 | GM Global Technology Operations LLC | Engine out NOx virtual sensor using cylinder pressure sensor |
DE102012006632A1 (de) * | 2012-03-31 | 2013-10-02 | Volkswagen Aktiengesellschaft | Verfahren und System zur Wärmeübertragung für ein Fahrzeug |
US9909481B2 (en) * | 2015-12-10 | 2018-03-06 | GM Global Technology Operations LLC | System and method for determining target actuator values of an engine using model predictive control while satisfying emissions and drivability targets and maximizing fuel efficiency |
CN105715318B (zh) * | 2016-04-12 | 2017-04-26 | 浙江大学 | 基于工业汽轮机的余热综合利用评测方法和余热综合利用装置 |
JP6477951B1 (ja) * | 2018-04-05 | 2019-03-06 | トヨタ自動車株式会社 | 車載電子制御ユニット |
US20200063633A1 (en) * | 2018-08-22 | 2020-02-27 | GM Global Technology Operations LLC | Method and system for compensating nox sensor measurement error |
CN212843004U (zh) * | 2020-09-18 | 2021-03-30 | 川崎重工业株式会社 | 余热回收锅炉及其除尘运转计划装置 |
-
2021
- 2021-12-30 CN CN202111650631.4A patent/CN114483271B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3004583A1 (en) * | 2013-05-27 | 2016-04-13 | Volvo Truck Corporation | Method for timing of a regeneration process |
GB2523990A (en) * | 2014-03-10 | 2015-09-16 | Gm Global Tech Operations Inc | Method of controlling a diesel particulate filter |
CN208205047U (zh) * | 2017-10-27 | 2018-12-07 | 北京中电联节能技术有限公司 | 适于烟气余热回收的前馈神经网络控制***的硬件架构 |
JP2019133610A (ja) * | 2018-02-03 | 2019-08-08 | アレグロスマート株式会社 | データオーケストレーションプラットフォーム管理 |
CN108594895A (zh) * | 2018-05-31 | 2018-09-28 | 江苏大学 | 基于温差发电的汽车尾气能量回收装置电控***及方法 |
JP6935837B1 (ja) * | 2020-08-20 | 2021-09-15 | トヨタ自動車株式会社 | 機械学習装置及び機械学習システム |
Non-Patent Citations (1)
Title |
---|
一种基于神经网络的氧化催化器出口温度控制方法;李延红等;《汽车电器》;20200120(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114483271A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109707494A (zh) | 一种后处理硫中毒的处理方法和装置 | |
CN106014568A (zh) | 用于监测选择性催化还原催化器的健康状态的***及方法 | |
CN100419229C (zh) | 排气净化装置的劣化诊断装置 | |
CN103225534A (zh) | 碳烟传感器监测 | |
JP2010241263A (ja) | 故障再現を支援する診断装置および故障再現データの出力方法 | |
CN101963800A (zh) | 一种柴油车道路排放远程实时监测***和监测方法 | |
CN102061973A (zh) | 用于诊断发动机废气后处理***的催化设备的方法 | |
DE102018127550A1 (de) | Verfahren zum betreiben eines hybridfahrzeuges | |
CN103399820A (zh) | 一种基于事件树的序列和后果分析的故障判断***及方法 | |
CN104775883A (zh) | 确定排气后处理***颗粒过滤器中积累煤烟估计量的方法 | |
CN111197517B (zh) | 尿素箱的故障诊断方法、装置、车辆及存储介质 | |
CN114483271B (zh) | 基于人工智能的车辆尾气余热回收*** | |
CN103147830B (zh) | 一种scr尾气后处理***故障诊断仪 | |
CN112199145A (zh) | 车辆智能诊断方法、***及诊断设备 | |
CN110751749B (zh) | 一种gpf冰堵报警提示方法、***、装置及存储介质 | |
CN110259552B (zh) | 车辆尾气处理结果的检测方法及装置 | |
KR102185572B1 (ko) | 내연기관의 센서에서 기준 측정을 실행하는 방법 및 그 장치 | |
CN102678242A (zh) | 碳氢化合物转换诊断 | |
CN113962825A (zh) | 一种家庭碳足迹监测*** | |
US8783097B2 (en) | System for sensing soot of diesel vehicle | |
CN201503349U (zh) | 汽车远程监控装置 | |
EP3580079B1 (en) | A method and a control unit for controlling a hybrid driveline | |
Rodgers et al. | Analysing the energy consumption of the BMW ActiveE field trial vehicles with application to distance to empty algorithms | |
CN110738754B (zh) | 车辆运动学片段提取方法、车辆工况分析方法及相应装置 | |
JP2022079293A (ja) | データ記録装置 |
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 |