CN115017652A - 一种发动机发热量预测方法、***及存储介质 - Google Patents
一种发动机发热量预测方法、***及存储介质 Download PDFInfo
- Publication number
- CN115017652A CN115017652A CN202210763765.5A CN202210763765A CN115017652A CN 115017652 A CN115017652 A CN 115017652A CN 202210763765 A CN202210763765 A CN 202210763765A CN 115017652 A CN115017652 A CN 115017652A
- Authority
- CN
- China
- Prior art keywords
- engine
- monitoring data
- value prediction
- calorific value
- heating value
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000011161 development Methods 0.000 claims abstract description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004378 air conditioning Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036561 sun exposure Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种发动机发热量预测方法、***及存储介质,其包括如下步骤:S1,获取某车辆开发平台覆盖范围内历史车型的监测数据并将监测数据进行归一化处理,所述监测数据包括整车重量、风阻、内阻、电器功耗、电器件占空比、能量转换效率、变速器传动比、工况数据、发动机转速、发动机扭矩、进气流量、水流量、水阻;S2,构建回归算法模型,以S1获取的监测数据作为训练集、以发动机发热量作为输出项对回归算法模型进行学习训练,得到满足仿真精度要求的发热量预测模型;S3,以所述发热量预测模型对待测车型的发动机发热量进行预测评估。其能够快速准确地预测发动机发热量,降低开发成本,节约开发周期。
Description
技术领域
本发明涉及发动机性能预测,具体涉及发动机发热量预测方法、***及存储介质。
背景技术
汽车发动机热能主要分成三个部分:有效动力、排气热损失、冷却热损失,其中冷却热损失小部分用来保持发动机正常温度,另一部分需要冷却***进行散热,通过冷却***散出的热量即我们所说的发动机发热量。
发动机发热量是冷却***匹配的关键指标,传统的做法是根据发动机万有特性曲线通过外插值法获得,这种方式在匹配工况下的误差较大,甚至能达到30%,进而导致冷却***重新匹配。也有些公司通过建立发动机模型,进行模型标定后进行发动机发热量预测,但这种方式建模周期长、对标定数据输入过于依赖且标定周期至少需要两个月。另一方面各大主机厂都在开展平台化以降低成本,需要快速计算多款车型的发动机发热量以满足平台开发需要,因此,有必要研究一种快速预测发动机发热量的方法。
发明内容
本发明的目的是提供一种发动机发热量预测方法、***及存储介质,其能够快速准确地预测发动机发热量,降低开发成本,节约开发周期。
本发明所述的发动机发热量预测方法,其包括如下步骤:
S1,获取某车辆开发平台覆盖范围内历史车型的监测数据并将监测数据进行归一化处理,所述监测数据包括整车重量、风阻、内阻、电器功耗、电器件占空比、能量转换效率、变速器传动比、工况数据、发动机转速、发动机扭矩、进气流量、水流量、水阻;
S2,构建回归算法模型,以S1获取的监测数据作为训练集、以发动机发热量作为输出项对回归算法模型进行学习训练,得到满足仿真精度要求的发热量预测模型;
S3,以所述发热量预测模型对待测车型的发动机发热量进行预测评估。
进一步,所述S1中的工况数据包括车速、环境温度、环境湿度、空调模式、日照。
进一步,所述回归算法模型为Linear Regression、Ridge、Lasso、Elastic Net中的一种。
一种实现上述发动机发热量预测方法的发动机发热量预测***,其特征在于,包括数据获取模块和数据处理模块,所述数据获取模块用于获取某车辆开发平台覆盖范围内历史车型的监测数据;所述数据处理模块用于将监测数据进行归一化处理并以获取的监测数据作为训练集、以发动机发热量作为输出项对回归算法模型进行学习训练。
一种存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上述的发动机发热量预测方法。
本发明以获取的监测数据作为训练集、以发动机发热量作为输出项对回归算法模型进行学习训练,得到满足仿真精度要求的发热量预测模型,具备处理信息量大、计算速度快的特点,基于数值模拟的利用回归算法预测发动机发热量的方法,提升了计算效率,省去大量数值模拟操作步骤及计算时间,且比单纯试验插值法精度高,有效提高了发动机发热量预测的准确率和效率,缩短了项目研发周期。并且后续可推广到行车过程中预测发动机发热量,建立整车运行状态的热管理策略优化***。
附图说明
图1是本发明所述发动机发热量预测方法的流程示意图;
图2是用Linear Regression构建回归算法模型得到的仿真结果与实测值的对比示意图;
图3是用Ridge构建回归算法模型得到的仿真结果与实测值的对比示意图;
图4是用Lasso构建回归算法模型得到的仿真结果与实测值的对比示意图;
图5是用Elastic Net构建回归算法模型得到的仿真结果与实测值的对比示意图。
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,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,所示的发动机发热量预测方法,其包括如下步骤:
S1,获取某车辆开发平台覆盖范围内历史车型的监测数据并将监测数据进行归一化处理,所述监测数据包括整车重量、风阻、内阻、电器功耗、电器件占空比、能量转换效率、变速器传动比、工况数据、发动机转速、发动机扭矩、进气流量、水流量、水阻。所述工况数据包括车速、环境温度、环境湿度、空调模式、日照。
S2,构建回归算法模型,所述回归算法模型为Linear Regression、Ridge、Lasso、Elastic Net中的一种。以S1获取的监测数据作为训练集、以发动机发热量作为输出项对回归算法模型进行学习训练,得到满足仿真精度要求的发热量预测模型。
为了选择最优的回归算法模型,分别用Linear Regression、Ridge、Lasso、Elastic Net构建回归算法模型,再以S1获取的监测数据作为训练集、以发动机发热量作为输出项对回归算法模型进行学习训练,得到不同回归算法模型下的发动机发热量预测模型。
将不同工况下的监测数据输入发动机发热量预测模型,得到不同回归算法模型下的输出结果,参见图2至图5,Linear Regression和Ridge两种回归算法模型与实测值接近,精度分别为99.7%、98.7%,满足了仿真精度要求,其中Linear Regression是所述发热量预测的最佳算法。
S3,以所述发热量预测模型对待测车型的发动机发热量进行预测评估。
一种实现上述发动机发热量预测方法的发动机发热量预测***,其特征在于,包括数据获取模块和数据处理模块,所述数据获取模块用于获取某车辆开发平台覆盖范围内历史车型的监测数据;所述数据处理模块用于将监测数据进行归一化处理并以获取的监测数据作为训练集、以发动机发热量作为输出项对回归算法模型进行学习训练。
一种存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上述的发动机发热量预测方法。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本申请的保护范围之内。
Claims (6)
1.一种发动机发热量预测方法,其特征在于,包括如下步骤:
S1,获取某车辆开发平台覆盖范围内历史车型的监测数据并将监测数据进行归一化处理,所述监测数据包括整车重量、风阻、内阻、电器功耗、电器件占空比、能量转换效率、变速器传动比、工况数据、发动机转速、发动机扭矩、进气流量、水流量、水阻;
S2,构建回归算法模型,以S1获取的监测数据作为训练集、以发动机发热量作为输出项对回归算法模型进行学习训练,得到满足仿真精度要求的发热量预测模型;
S3,以所述发热量预测模型对待测车型的发动机发热量进行预测评估。
2.根据权利要求1所述的发动机发热量预测方法,其特征在于:所述S1中的工况数据包括车速、环境温度、环境湿度、空调模式、日照。
3.根据权利要求1或2所述的发动机发热量预测方法,其特征在于:所述回归算法模型为Linear Regression、Ridge、Lasso、Elastic Net中的一种。
5.一种实现权利要求1~4任一项所述发动机发热量预测方法的发动机发热量预测***,其特征在于,包括数据获取模块和数据处理模块,所述数据获取模块用于获取某车辆开发平台覆盖范围内历史车型的监测数据;所述数据处理模块用于将监测数据进行归一化处理并以获取的监测数据作为训练集、以发动机发热量作为输出项对回归算法模型进行学习训练。
6.一种存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1~4任意一项所述的发动机发热量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763765.5A CN115017652A (zh) | 2022-06-30 | 2022-06-30 | 一种发动机发热量预测方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210763765.5A CN115017652A (zh) | 2022-06-30 | 2022-06-30 | 一种发动机发热量预测方法、***及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115017652A true CN115017652A (zh) | 2022-09-06 |
Family
ID=83079171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210763765.5A Pending CN115017652A (zh) | 2022-06-30 | 2022-06-30 | 一种发动机发热量预测方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115017652A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343494A (zh) * | 2021-07-01 | 2021-09-03 | 中国航发沈阳发动机研究所 | 一种航空发动机轴承腔热性能仿真计算模型修正方法 |
CN114021438A (zh) * | 2021-10-27 | 2022-02-08 | 北京中智软创信息技术有限公司 | 一种低温热***性能预测方法、***、设备和存储介质 |
CN114033543A (zh) * | 2021-09-23 | 2022-02-11 | 东风汽车集团股份有限公司 | 车辆及其冷却***的设计方法和装置 |
-
2022
- 2022-06-30 CN CN202210763765.5A patent/CN115017652A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343494A (zh) * | 2021-07-01 | 2021-09-03 | 中国航发沈阳发动机研究所 | 一种航空发动机轴承腔热性能仿真计算模型修正方法 |
CN114033543A (zh) * | 2021-09-23 | 2022-02-11 | 东风汽车集团股份有限公司 | 车辆及其冷却***的设计方法和装置 |
CN114021438A (zh) * | 2021-10-27 | 2022-02-08 | 北京中智软创信息技术有限公司 | 一种低温热***性能预测方法、***、设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
J. R. WAGNER等: "Thermal Modeling of Engine Components for Temperature Prediction and Fluid Flow Regulation", SAE TECHNICAL PAPERS, 5 March 2001 (2001-03-05), pages 1 - 16 * |
志茂大輔: "新一代清洁柴油机SKYACTIV-D的燃烧控制技术", 汽车与新动力, 25 October 2019 (2019-10-25), pages 50 - 58 * |
李嘉轶 等: "基于壁面加热功率回归模型的车用电子水泵控制策略研究", 汽车技术, 8 April 2021 (2021-04-08), pages 48 - 54 * |
补涵: "汽车热环境适应性典型道路遴选研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 8, 15 August 2019 (2019-08-15), pages 035 - 179 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7593804B2 (en) | Fixed-point virtual sensor control system and method | |
Zhang et al. | Development and evaluation of cooling load prediction models for a factory workshop | |
US20160283844A1 (en) | Load predictor for a cooling system | |
CN101158526A (zh) | 涡旋压缩机模块化风冷热泵机组的能量控制方法 | |
CN112182954A (zh) | 一种基于lstm的流体仿真数据预测模型 | |
CN112949224A (zh) | 一种基于响应面模型的小型风冷内燃机冷却风扇优化设计方法 | |
Hosseini et al. | Machine learning algorithms for predicting electricity consumption of buildings | |
Yang et al. | Thermal error modeling by integrating GWO and ANFIS algorithms for the gear hobbing machine | |
Ma et al. | Modeling drying-energy consumption in automotive painting line based on ANN and MLR for real-time prediction | |
CN114358485A (zh) | 一种源荷匹配性评估方法、***、介质及电子设备 | |
CN115017652A (zh) | 一种发动机发热量预测方法、***及存储介质 | |
Du et al. | Development and application of hardware-in-the-loop simulation for the HVAC systems | |
CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
CN117034805A (zh) | 一种基于wsblma的燃料电池离心式空压机寿命预测方法 | |
CN111535845A (zh) | 一种基于pso和模糊控制的隧道通风节能优化控制方法 | |
CN114186338B (zh) | 一种汽车主动进气格栅开度的标定方法 | |
CN116187196A (zh) | 基于神经网络的全历程工况涡轮盘腔温度预估与调控方法 | |
CN114819337A (zh) | 基于多任务学习的综合能源***多元负荷预测方法 | |
CN113959071A (zh) | 基于机器学习辅助的集中式冷水机组空调***运行控制优化方法 | |
Xiao et al. | Reliability analysis of aging control system via stability margins | |
CN117436153B (zh) | 一种应用于电厂供热的实体特征参数化实现方法 | |
CN118238622B (zh) | 基于多传感监测的车载供电保护方法及*** | |
CN117574757A (zh) | 一种高精度柴油机实时仿真计算模型构建方法 | |
CN117371239B (zh) | 一种动力***性能与体积耦合的快速优化方法 | |
CN118246352B (zh) | 一种海水换热器污垢热阻机器学习计算方法、产品及设备 |
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 |