CN115982862A - 一种整车动态参数优化方法、模型训练方法及*** - Google Patents
一种整车动态参数优化方法、模型训练方法及*** Download PDFInfo
- Publication number
- CN115982862A CN115982862A CN202310151195.9A CN202310151195A CN115982862A CN 115982862 A CN115982862 A CN 115982862A CN 202310151195 A CN202310151195 A CN 202310151195A CN 115982862 A CN115982862 A CN 115982862A
- Authority
- CN
- China
- Prior art keywords
- generation
- result
- parameters
- genes
- input
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 title claims abstract description 40
- 239000004606 Fillers/Extenders Substances 0.000 claims abstract description 46
- 238000005265 energy consumption Methods 0.000 claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 108090000623 proteins and genes Proteins 0.000 claims description 94
- 230000006870 function Effects 0.000 claims description 30
- 238000012163 sequencing technique Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 230000000717 retained effect Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 11
- 239000003446 ligand Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请涉及一种整车动态参数优化方法、模型训练方法及***。整车动态参数优化模型训练方法包括:采集输入结果及对应的输出结果;配置初始模型,初始模型包括输入层、隐含层以及输出层;将输入结果输入初始模型,获得采样结果,并将输入结果和对应的采样结果作为第一样本点;将多个第一样本点分别进行编码,获得第一代种群和第t代种群;将t代种群进行反编译,获得第二样本点;通过第二样本点来更新初始模型的模型参数,获得优化模型,以使优化模型根据n种类型的整车动态参数优化增程器能耗参数及NVH参数。该优化模型能够基于采集的输入结果,获得优化结果,基于整车动态参数,来实现对输出结果中增程器能耗参数及NVH参数的优化。
Description
技术领域
本申请涉及新能源汽车技术领域,特别是涉及一种整车动态参数优化方法、模型训练方法及***。
背景技术
增程式电动汽车在低电量运行时,为了保证动力电池电量不持续降低,增程器会介入工作并以较大功率进行发电。通常需要对增程器转速、扭矩、车速、电子控制器功率等整车动态参数的选择及标定,由于,涉及多种输入量与输出量的目标优化,难以兼顾增程器的能耗参数以及NVH(Noise、Vibration、Harshness/噪声、振动、声振粗糙度)参数,造成整车动态参数优化性能不佳,用户体验度较差的问题。
发明内容
基于此,提供一种整车动态参数优化方法、模型训练方法及***,改善现有技术中整车动态参数优化的问题。
本发明提供一种整车动态参数优化模型训练方法,包括:
采集输入结果及对应的输出结果,其中,所述输入结果包括n种类型的整车动态参数,所述输出结果包括s种类型的增程器能耗参数及NVH参数;
配置初始模型,所述初始模型包括输入层、隐含层以及输出层,其中,所述输入层的节点数量为n个,所述输出层的节点数量为s个;
将所述输入结果输入初始模型,获得采样结果,并将输入结果和对应的采样结果作为第一样本点,其中,所述采样结果包括s种类型的输出值;
将多个所述第一样本点分别进行编码,获得第一代种群,其中,所述第一代种群包括多个与所述第一样本点所对应的第一代基因;
基于所述输出结果,对所述第一代种群内的所述第一代基因进行第一排序,选择大于第一匹配度的第一代基因;
将选择后的第一代基因进行交叉和变异,获得第一代子代基因,将所述第一代子代基因与保留后的第一代基因进行第二排序,选择前a个基因作为第二代种群,并进行t-1次迭代,将所述第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群,t≥2;
将所述t代种群进行反编译,获得第二样本点;
通过所述第二样本点来更新所述初始模型的模型参数,获得优化模型,以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数。
可选的,将所述第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群,包括:
基于拥挤距离比较算子,将所述第t-1代子代基因与保留后的第t-1代基因进行排序;
根据拥挤距离小于或者等于距离阈值的基因,确定第t代种群。
可选的,通过所述第二样本点来更新所述初始模型的模型参数,获得优化模型,以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数,包括:
配置所述隐含层的基函数;
通过所述隐含层的节点的基函数参数,确定所述输入层的节点与所述隐含层的节点的连接关系,其中,所述基函数参数包括所述基函数的中心以及宽度。
可选的,所述隐含层的基函数数学表达为:其中,为所述隐含层第j个节点的基函数,为第i个输入结果,为所述隐含层第j个节点的基函数的中心,为所述隐含层第j个节点的基函数的宽度,exp为自然常数e为底的指数函数;
所述采样结果的数学表达为:其中,为采样结果第i个输出结果,为隐含层中第j个节点与输出层第k个节点的权值,s≥k≥1,为参数阈值。
可选的,将多个所述第一样本点分别进行编码,获得第一代种群,包括:
获取P组第一样本点,其中,第一样本点为,分别为维向量且为第i个输入结果,为s维向量且为第i个输出结果;
将多个所述第一样本点分别进行标量化,获得所述第一代种群。
本发明提供一种整车动态参数优化方法,应用所述的优化模型,包括:
获得样本输入量,将所述样本输入量输入所述优化模型,获得优化结果,其中,所述样本输入量中整车动态参数的类型数量与所述优化模型中输入层的节点数量一致,所述优化结果中增程器能耗参数及NVH参数的类型数量与所述优化模型中输出层的节点数量一致。
可选的,获得样本输入量,将所述样本输入量输入所述优化模型,获得优化结果,之后还包括:
通过增程器能耗关联参数设定样本阈值;
淘汰与所述样本阈值不匹配的优化结果。
本发明提供一种整车动态参数优化模型训练***,所述***包括:
采集模块,用于采集输入结果及对应的输出结果,其中,所述输入结果包括n种类型的整车动态参数,所述输出结果包括s种类型的增程器能耗参数及NVH参数;
配置模块,用于配置初始模型,所述初始模型包括输入层、隐含层以及输出层,其中,所述输入层的节点数量为n个,所述输出层的节点数量为s个,将所述输入结果输入初始模型,获得采样结果,并将输入结果和对应的采样结果作为第一样本点,其中,所述采样结果包括s种类型的输出值;训练模块,用于将多个所述第一样本点分别进行编码,获得第一代种群,其中,所述第一代种群包括多个与所述第一样本点所对应的第一代基因;基于所述输出结果,对所述第一代种群内的所述第一代基因进行第一排序,选择大于第一匹配度的第一代基因;将选择后的第一代基因进行交叉和变异,获得第一代子代基因,将所述第一代子代基因与保留后的第一代基因进行第二排序,选择前a个基因作为第二代种群,并进行t-1次迭代,将所述第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群,t≥2;将所述t代种群进行反编译,获得第二样本点;通过所述第二样本点来更新所述初始模型的模型参数,获得优化模型,以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数。
还提供一种整车动态参数优化***,所述***包括:优化模块,用于获得样本输入量,将所述样本输入量输入所述优化模型,获得优化结果,其中,所述样本输入量中整车动态参数的类型数量与所述优化模型中输入层的节点数量一致,所述优化结果中增程器能耗参数及NVH参数的类型数量与所述优化模型中输出层的节点数量一致。
提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述方法的步骤。
提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述方法的步骤。
提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的方法的步骤。
提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的方法的步骤。
采用本发明的有益效果为:
上述整车动态参数优化方法、模型训练方法及***,通过上述整车动态参数优化模型训练方法获得优化模型,该优化模型能够基于采集的输入结果,获得输出结果,基于整车动态参数,来实现对输出结果中增程器能耗参数及NVH参数的优化。
附图说明
图1为一个实施例中整车动态参数优化模型训练方法的应用环境图;
图2为一个实施例中整车动态参数优化模型训练方法的流程示意图;
图3为一个实施例中整车动态参数优化模型训练***的示意图;
图4为一个实施例中整车动态参数优化模型训练***的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的整车动态参数优化模型训练方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。可在服务器104内对初始模型进行训练,训练的过程可以包括:通过第一样本点进行交叉、变异和选择获取第二样本点,也可以包括通过所述第二样本点来更新所述初始模型的模型参数。
目前,增程式新能源汽车需要来优化NVH参数来满足用户体验度,又需要来优化增程器能耗参数(包括油耗和电耗)来满足燃油经济性或者节电经济性,然而当需要多目标优化时,则需要大量的试验和标定,工作繁杂、耗费较多精力且不易得到理想的优化结果。基于此,可提出一种基于遗传算法和神经网络来实现增程器能耗参数以及NVH参数的优化方式,也可选择需要优化的参数类型以及数量,例如将整车动态参数作为输入量,将增程器能耗参数以及NVH参数作为优化目标。
在一个实施例中,如图2所示,提供了一种整车动态参数优化模型训练方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
S1:采集输入结果及对应的输出结果,其中,所述输入结果包括n种类型的整车动态参数,所述输出结果包括s种类型的增程器能耗参数及NVH参数。
示例性地说明,在根据整车的测试结果的过程中,采集一定数量的输入结果和对应的输出结果,还可以建立整车动力学模型,以及建立整车结构与NVH参数的有限元模型,通过设定边界条件来进行仿真验算,获得一定数量的输入结果和对应的输出结果。输入结果的类型可包括以下的一个或者多个:增程器转速、扭矩、车速、电子控制器功率,例如,所述电子控制器功率可包括:发电机控制器(Generator Control Unit/GCU)功率,电池管理***(Battery Management System/BMS)功率。增程器能耗参数可以包括增程器电耗、增程器油耗,NVH参数可以包括驾驶位声压级,例如,主驾驶位的右耳声压级。当采集的输入结果包括增程器转速、扭矩、车速、电子控制器功率时,可将n设置为4,当采集的输出结果包括增程器电耗、增程器油耗、主驾驶位的右耳声压级时,可将s设置为3。
S2:配置初始模型,所述初始模型包括输入层、隐含层以及输出层,其中,所述输入层的节点数量为n个,所述输出层的节点数量为s个。
在一些实施过程中,初始模型可选取径向基(Radial Basis Function/RBF)神经网络,可根据需要优化的目标数量选取输出层中的s,也可根据输入量的数量选取输入层中的n,其中,隐含层中的节点数量与n和s相关,可将输入层与隐含层非线性连接,并将隐含层与输出层线性连接,在对初始模型的训练过程中,激活所述输入层与所述隐含层的节点的连接以及配置权值。
S3:将所述输入结果输入初始模型,获得采样结果,并将输入结果和对应的采样结果作为第一样本点,其中,所述采样结果包括s种类型的输出值。
可将输入结果和对应的输出结果作为一个样本点,即作为第一样本点。
S4:将多个所述第一样本点分别进行编码,获得第一代种群,其中,所述第一代种群包括多个与所述第一样本点所对应的第一代基因。
在第一样本点中,输入结果是n维向量,输出结果是s维向量,对所述第一样本点进行编码,获得标量化的第一样本点的集合,并作为第一代种群,将标量化的第一样本点作为第一代基因。
S5:基于所述输出结果,对所述第一代种群内的所述第一代基因进行第一排序,选择大于第一匹配度的第一代基因。
为了更好地进行目标优化,获得符合优化结果的基因以及种群,可将第一种群中进行第一排序,第一排序的依据可以是第一代基因与所述输出结果的匹配度作为标准,也可根据优化精度或者需要目标优化的数量,设置第一匹配度,进而选择大于第一匹配度的第一代基因。
S6:将选择后的第一代基因进行交叉和变异,获得第一代子代基因,将所述第一代子代基因与保留后的第一代基因进行第二排序,选择前a个基因作为第二代种群,并进行t-1次迭代,将所述第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群,t≥2。
示例性地说明,将选择后的第一代基因进行交叉和变异,获得基于第一代基因的第一代子代基因。其中,交叉的过程可以包括单点交叉或者双点交叉,单点交叉指在个体编码串中只随机设置一个交叉点,然后在该点相互交换两个配体个体的部分染色体。双点交叉指在个体编码串中随机设置了两个交叉点,然后再进行部分基因交换,还可以包括多点交叉和均匀交叉。多点交叉是指在个体编码串中随机设置多个交叉点,然后进行基因交换。均匀交叉指指两个配体A、B中随机产生两个交叉点,然后按随机产生的0、1、2三个整数进行基因交换,从而形成两个新的个体。当随机数是0时,配体的前面部分交叉;当随机数是1时,配体的中间部分交叉;当随机数是2时,配体的后面部分交叉。变异是对群体中的个体串的某些基因座上的基因值作变动。为了确保第一代子代基因能否符合优化目标,可选取匹配度前a个基因作为第二代种群,然后进行多次迭代,例如,迭代t-1次,将所述第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群。
S7:将所述t代种群进行反编译,获得第二样本点。将t代种群进行反编译,获得第二样本点,第二样本点承载有输入结果和输出结果。
S8:通过所述第二样本点来更新所述初始模型的模型参数,获得优化模型,以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数。可基于监督学习,将第二样本点中的输入结果作为初始模型的输入,将初始模型的输出与第二样本点的输出结果进行匹配度的对比,当匹配度高时,则激活隐含层中的节点,以及配置输入层与隐含层的节点、隐含层与输出层的节点的权值。
通过上述整车动态参数优化模型训练方法获得优化模型,该优化模型能够基于采集的输入结果,获得优化结果,基于整车动态参数,来实现对输出结果中增程器能耗参数及NVH参数的优化。
在一些实施例中,为了确保t代种群中的基因能够较好地满足优化结果,对第二排序过程进行配置,例如,将所述第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群,包括:
基于拥挤距离比较算子,将所述第t-1代子代基因与保留后的第t-1代基因进行排序;
根据拥挤距离小于或者等于距离阈值的基因,确定第t代种群。
通过提供拥挤距离比较算子来获得所述第t-1代子代基因以及保留后的第t-1代基因中理想的基因,减少优化过程中迭代的次数以及降低遗传算法中训练的难度,提高优化模型的精度。
为了配置输入层与隐含层的连接关系,以及配置隐含层中节点的权值,可利用基函数来进行计算和适配。在一些实施过程中,通过所述第二样本点来更新所述初始模型的模型参数,获得优化模型,以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数,包括:
配置所述隐含层的基函数;
通过所述隐含层的节点的基函数参数,确定所述输入层的节点与所述隐含层的节点的连接关系,其中,所述基函数参数包括所述基函数的中心以及宽度。
在一些实施过程中,所述隐含层的基函数数学表达为:其中,为所述隐含层第j个节点的基函数,为第i个输入结果,为所述隐含层第j个节点的基函数的中心,为所述隐含层第j个节点的基函数的宽度,exp为自然常数e为底的指数函数;
所述采样结果的数学表达为:其中,为采样结果第i个输出结果,为隐含层中第j个节点与输出层第k个节点的权值,s≥k≥1,为参数阈值。
在一些实施过程中,将多个所述第一样本点分别进行编码,获得第一代种群,包括:
获取P组第一样本点,其中,第一样本点为,分别为维向量且为第i个输入结果,为s维向量且为第i个输出结果;
将多个所述第一样本点分别进行标量化,获得所述第一代种群。
在获得优化模型之后,可利用优化模型进行整车动态参数优化,在一些实施过程中,提供一种整车动态参数优化方法,应用所述的优化模型,包括:
获得样本输入量,将所述样本输入量输入所述优化模型,获得优化结果,其中,所述样本输入量中整车动态参数的类型数量与所述优化模型中输入层的节点数量一致,所述优化结果中增程器能耗参数及NVH参数的类型数量与所述优化模型中输出层的节点数量一致。
例如,采集到包括n种类型的整车动态参数的输入结果,需要优化增程器能耗参数及NVH参数的类型总和是s个时,则调用优化模型,被调用的优化模型中,输入层的节点数量为n个,输出层的节点数量为s个,通过优化模型的处理,获得增程器能耗参数及NVH参数的输出,将输出的增程器能耗参数及NVH参数作为优化结果。
为了使优化结果能够更好适配工程应用,也可结合工程实际,淘汰一些不能满足实际工况结果的优化结果,例如,获得样本输入量,将所述样本输入量输入所述优化模型,获得优化结果,之后还包括:
通过增程器能耗关联参数设定样本阈值;
淘汰与所述样本阈值不匹配的优化结果。
其中,增程器能耗关联参数可包括电池电量和百公里加速时间,电池电量的多少一定程度影响作为输入结果中的整车动态参数,例如,当电池电量较低时,一般会将新能源汽车设置为节能模式、低电量模式,进而禁止一些功能或者限制一些车速,又例如,百公里加速时间受新能源性能等条件限制,其数值较为固定。因此,可通过增程器能耗关联参数来设定样本阈值,进而选取符合样本阈值的优化结果,淘汰与样本阈值不匹配的优化结构。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
如图3所示,本发明提供一种整车动态参数优化模型训练***,所述***包括:
采集模块,用于采集输入结果及对应的输出结果,其中,所述输入结果包括n种类型的整车动态参数,所述输出结果包括s种类型的增程器能耗参数及NVH参数;
配置模块,用于配置初始模型,所述初始模型包括输入层、隐含层以及输出层,其中,所述输入层的节点数量为n个,所述输出层的节点数量为s个,将所述输入结果输入初始模型,获得采样结果,并将输入结果和对应的采样结果作为第一样本点,其中,所述采样结果包括s种类型的输出值;
训练模块,用于将多个所述第一样本点分别进行编码,获得第一代种群,其中,所述第一代种群包括多个与所述第一样本点所对应的第一代基因;基于所述输出结果,对所述第一代种群内的所述第一代基因进行第一排序,选择大于第一匹配度的第一代基因;将选择后的第一代基因进行交叉和变异,获得第一代子代基因,将所述第一代子代基因与保留后的第一代基因进行第二排序,选择前a个基因作为第二代种群,并进行t-1次迭代,将所述第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群,t≥2;将所述t代种群进行反编译,获得第二样本点;通过所述第二样本点来更新所述初始模型的模型参数,获得优化模型,以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数。
通过上述整车动态参数优化模型训练***获得优化模型,该优化模型能够基于采集的输入结果,获得优化结果,基于整车动态参数,来实现对输出结果中增程器能耗参数及NVH参数的优化。
关于整车动态参数优化模型训练***的具体限定可以参见上文中对于整车动态参数优化模型训练方法的限定,在此不再赘述。上述整车动态参数优化模型训练***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储整车动态参数优化模型训练方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种整车动态参数优化模型训练方法。
提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现优化模型训练方法和优化方法的步骤。
提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现优化模型训练方法以及优化方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种整车动态参数优化模型训练方法,其特征在于,包括:
采集输入结果及对应的输出结果,其中,所述输入结果包括n种类型的整车动态参数,所述输出结果包括s种类型的增程器能耗参数及NVH参数;
配置初始模型,所述初始模型包括输入层、隐含层以及输出层,其中,所述输入层的节点数量为n个,所述输出层的节点数量为s个;
将所述输入结果输入初始模型,获得采样结果,并将输入结果和对应的采样结果作为第一样本点,其中,所述采样结果包括s种类型的输出值;
将多个所述第一样本点分别进行编码,获得第一代种群,其中,所述第一代种群包括多个与所述第一样本点所对应的第一代基因;
基于所述输出结果,对所述第一代种群内的所述第一代基因进行第一排序,选择大于第一匹配度的第一代基因;
将选择后的第一代基因进行交叉和变异,获得第一代子代基因,将所述第一代子代基因与保留后的第一代基因进行第二排序,选择前a个基因作为第二代种群,并进行t-1次迭代,将第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群,t≥2;
将所述t代种群进行反编译,获得第二样本点;
通过所述第二样本点来更新所述初始模型的模型参数,获得优化模型,以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数。
2.根据权利要求1所述的整车动态参数优化模型训练方法,其特征在于,将所述第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群,包括:
基于拥挤距离比较算子,将所述第t-1代子代基因与保留后的第t-1代基因进行排序;
根据拥挤距离小于或者等于距离阈值的基因,确定第t代种群。
3.根据权利要求1所述的整车动态参数优化模型训练方法,其特征在于,通过所述第二样本点来更新所述初始模型的模型参数,获得优化模型,以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数,包括:
配置所述隐含层的基函数;
通过所述隐含层的节点的基函数参数,确定所述输入层的节点与所述隐含层的节点的连接关系,其中,所述基函数参数包括所述基函数的中心以及宽度。
4.根据权利要求3所述的整车动态参数优化模型训练方法,其特征在于,所述隐含层的基函数数学表达为:
其中,为所述隐含层第j个节点的基函数,为第i个输入结果,为所述隐含层第j个节点的基函数的中心,为所述隐含层第j个节点的基函数的宽度,exp为自然常数e为底的指数函数;
所述采样结果的数学表达为:其中,为采样结果第i个输出结果,为隐含层中第j个节点与输出层第k个节点的权值,s≥k≥1,为参数阈值。
5.根据权利要求1所述的整车动态参数优化模型训练方法,其特征在于,将多个所述第一样本点分别进行编码,获得第一代种群,包括:
获取P组第一样本点,其中,第一样本点为,分别为维向量且为第i个输入结果,为s维向量且为第i个输出结果;
将多个所述第一样本点分别进行标量化,获得所述第一代种群。
6.一种整车动态参数优化方法,其特征在于,应用如权利要求1至5任一项所述的整车动态参数优化模型训练方法,包括:
获得样本输入量,将所述样本输入量输入所述优化模型,获得优化结果,其中,所述样本输入量中整车动态参数的类型数量与所述优化模型中输入层的节点数量一致,所述优化结果中增程器能耗参数及NVH参数的类型数量与所述优化模型中输出层的节点数量一致。
7.根据权利要求6所述的整车动态参数优化方法,其特征在于,获得样本输入量,将所述样本输入量输入所述优化模型,获得优化结果,之后还包括:
通过增程器能耗关联参数设定样本阈值;
淘汰与所述样本阈值不匹配的优化结果。
8.一种整车动态参数优化模型训练***,其特征在于,所述***包括:
采集模块,用于采集输入结果及对应的输出结果,其中,所述输入结果包括n种类型的整车动态参数,所述输出结果包括s种类型的增程器能耗参数及NVH参数;
配置模块,用于配置初始模型,所述初始模型包括输入层、隐含层以及输出层,其中,所述输入层的节点数量为n个,所述输出层的节点数量为s个,将所述输入结果输入初始模型,获得采样结果,并将输入结果和对应的采样结果作为第一样本点,其中,所述采样结果包括s种类型的输出值;训练模块,用于将多个所述第一样本点分别进行编码,获得第一代种群,其中,所述第一代种群包括多个与所述第一样本点所对应的第一代基因;基于所述输出结果,对所述第一代种群内的所述第一代基因进行第一排序,选择大于第一匹配度的第一代基因;将选择后的第一代基因进行交叉和变异,获得第一代子代基因,将所述第一代子代基因与保留后的第一代基因进行第二排序,选择前a个基因作为第二代种群,并进行t-1次迭代,将第t-1代子代基因与保留后的第t-1代基因进行第二排序,获得第t代种群,t≥2;将所述t代种群进行反编译,获得第二样本点;通过所述第二样本点来更新所述初始模型的模型参数,获得优化模型,以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数。
9.一种整车动态参数优化***,其特征在于,所述***包括:优化模块,用于获得样本输入量,将所述样本输入量输入所述优化模型,获得优化结果,其中,所述样本输入量中整车动态参数的类型数量与所述优化模型中输入层的节点数量一致,所述优化结果中增程器能耗参数及NVH参数的类型数量与所述优化模型中输出层的节点数量一致。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述整车动态参数优化模型训练方法的步骤。
11.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求6或者7任一项所述整车动态参数优化方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述整车动态参数优化模型训练方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求6或者7所述整车动态参数优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151195.9A CN115982862B (zh) | 2023-02-22 | 2023-02-22 | 一种整车动态参数优化方法、模型训练方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310151195.9A CN115982862B (zh) | 2023-02-22 | 2023-02-22 | 一种整车动态参数优化方法、模型训练方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115982862A true CN115982862A (zh) | 2023-04-18 |
CN115982862B CN115982862B (zh) | 2023-05-26 |
Family
ID=85970944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310151195.9A Active CN115982862B (zh) | 2023-02-22 | 2023-02-22 | 一种整车动态参数优化方法、模型训练方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115982862B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013123832A1 (zh) * | 2012-02-22 | 2013-08-29 | 厦门金龙机动车检测有限公司 | 一种基于车辆运行工况的发动机自适应***及节油方法 |
CN109657354A (zh) * | 2018-12-20 | 2019-04-19 | 华中科技大学 | 一种基于数字孪生的混流装配车间快速重构方法及*** |
CN109986973A (zh) * | 2019-02-13 | 2019-07-09 | 南京越博动力***股份有限公司 | 一种基于遗传算法的单级减速器动力总成匹配优化方法 |
CN110457545A (zh) * | 2019-08-16 | 2019-11-15 | 第四范式(北京)技术有限公司 | 一种确定推荐***中排序模型的参数的方法及装置 |
CN112685834A (zh) * | 2020-12-31 | 2021-04-20 | 合肥工业大学智能制造技术研究院 | 一种车身前端结构部件的碰撞吸能预测方法、介质及终端 |
CN113962386A (zh) * | 2021-11-02 | 2022-01-21 | 北京明略软件***有限公司 | 一种模型参数优化选择方法、***、计算机设备和存储介质 |
CN115431953A (zh) * | 2022-09-29 | 2022-12-06 | 奇瑞汽车股份有限公司 | 串联式混合动力汽车的油电分配方法、装置、车辆及介质 |
CN115622034A (zh) * | 2022-10-18 | 2023-01-17 | 安徽南瑞中天电力电子有限公司 | 一种基于改进遗传神经网络的物联表电力负荷识别方法 |
-
2023
- 2023-02-22 CN CN202310151195.9A patent/CN115982862B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013123832A1 (zh) * | 2012-02-22 | 2013-08-29 | 厦门金龙机动车检测有限公司 | 一种基于车辆运行工况的发动机自适应***及节油方法 |
CN109657354A (zh) * | 2018-12-20 | 2019-04-19 | 华中科技大学 | 一种基于数字孪生的混流装配车间快速重构方法及*** |
CN109986973A (zh) * | 2019-02-13 | 2019-07-09 | 南京越博动力***股份有限公司 | 一种基于遗传算法的单级减速器动力总成匹配优化方法 |
CN110457545A (zh) * | 2019-08-16 | 2019-11-15 | 第四范式(北京)技术有限公司 | 一种确定推荐***中排序模型的参数的方法及装置 |
CN112685834A (zh) * | 2020-12-31 | 2021-04-20 | 合肥工业大学智能制造技术研究院 | 一种车身前端结构部件的碰撞吸能预测方法、介质及终端 |
CN113962386A (zh) * | 2021-11-02 | 2022-01-21 | 北京明略软件***有限公司 | 一种模型参数优化选择方法、***、计算机设备和存储介质 |
CN115431953A (zh) * | 2022-09-29 | 2022-12-06 | 奇瑞汽车股份有限公司 | 串联式混合动力汽车的油电分配方法、装置、车辆及介质 |
CN115622034A (zh) * | 2022-10-18 | 2023-01-17 | 安徽南瑞中天电力电子有限公司 | 一种基于改进遗传神经网络的物联表电力负荷识别方法 |
Non-Patent Citations (1)
Title |
---|
苗渤汶;李华;: "基于多目标混沌遗传算法的列车控制策略优化", 科学技术与工程 * |
Also Published As
Publication number | Publication date |
---|---|
CN115982862B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7565333B2 (en) | Control system and method | |
CN112749495A (zh) | 基于多点加点的代理模型优化方法、装置和计算机设备 | |
CN113051769B (zh) | 基于非对称损失与混合智能优化算法的功率曲线建模方法 | |
Liu et al. | Global maximum likelihood estimation procedure for multinomial probit (MNP) model parameters | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN112949211A (zh) | 发动机模型的优化方法、装置、计算机设备及存储介质 | |
CN117454668B (zh) | 零部件失效概率的预测方法、装置、设备和介质 | |
CN112149896A (zh) | 一种基于注意力机制的机械设备多工况故障预测方法 | |
CN111782782B (zh) | 智能客服的咨询回复方法、装置、计算机设备和存储介质 | |
CN115982862B (zh) | 一种整车动态参数优化方法、模型训练方法及*** | |
CN112016702A (zh) | 基于迁移学习的医疗数据处理方法、装置、设备及介质 | |
CN115593264A (zh) | 基于边缘计算的充电优化控制方法、装置和计算机设备 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
CN114936701A (zh) | 综合能源消耗实时监测方法、装置及终端设备 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN114861995A (zh) | 电力物资的需求预测方法、装置和计算机设备 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN113205185A (zh) | 网络模型优化方法、装置、计算机设备和存储介质 | |
CN111612419A (zh) | 电力申报数据的处理方法、装置和计算机设备 | |
CN111859807A (zh) | 汽轮机初压寻优方法、装置、设备及存储介质 | |
CN118017503B (zh) | 一种用户用电负荷数据预测方法、***、终端及存储介质 | |
CN117688887B (zh) | 一种基于知识和数据双驱动人工智能的电路设计方法 | |
CN114239945B (zh) | 短期电力负荷预测方法、装置、设备及存储介质 | |
EP4095734A1 (en) | Method and system for designing a complex system | |
CN118014090A (zh) | 一种变分量子线路的线路参数更新方法及相关装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240118 Address after: No. 13 Xingxiang Road, Zengjia Town, High tech Zone, Jiulongpo District, Chongqing, 400039 Patentee after: Chongqing Selis Phoenix Intelligent Innovation Technology Co.,Ltd. Address before: 610095 No. 2901, floor 29, unit 1, building 1, No. 151, Tianfu Second Street, high tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan Province Patentee before: Chengdu Thalys Technology Co.,Ltd. |