CN117034565A - 一种柴油机在线多目标特性优化标定方法及*** - Google Patents
一种柴油机在线多目标特性优化标定方法及*** Download PDFInfo
- Publication number
- CN117034565A CN117034565A CN202310862568.3A CN202310862568A CN117034565A CN 117034565 A CN117034565 A CN 117034565A CN 202310862568 A CN202310862568 A CN 202310862568A CN 117034565 A CN117034565 A CN 117034565A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- target characteristic
- test
- data
- optimization
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 77
- 238000013101 initial test Methods 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000000243 solution Substances 0.000 description 21
- 239000000446 fuel Substances 0.000 description 8
- 238000002347 injection Methods 0.000 description 6
- 239000007924 injection Substances 0.000 description 6
- 230000006872 improvement Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开一种柴油机在线多目标特性优化标定方法及***,包含以下内容:按照柴油机运行工况及控制参数要求,利用试验设计确定初始试验样本;以初始样本为输入进行柴油机目标特性测试试验及数据采集;以初始样本测试数据为基础建立虚拟柴油机;利用虚拟柴油机,通过智能算法进行最佳目标特性寻优;对寻优结果精度进行测试验证并循环强化虚拟柴油机模型,直至结果满足最优及精度要求,并将最优标定参数输出至柴油机控制***,本柴油机在线多目标特性优化标定方法及***解决了柴油机复杂控制参数及多目标特性要求的综合优化难题,解决了认为离线标定存在的效率低、成本高、主观性、以及无法实现全局最优解等问题,适应现有柴油机技术发展的需求。
Description
技术领域
本发明涉及柴油机试验技术领域,具体为一种柴油机在线多目标特性优化标定方法及***。
背景技术
柴油机标定是在柴油机制造完成,在进行性能试验、出厂试验或***联调时,为了得到满足国家或行业法规标准、用户要求以及最佳目标特性,对柴油机控制***中柴油机控制参数进行优化选取及设定的过程。对于船用柴油机,每个运行工况对应的主要目标特性包括:经济性指标(燃油消耗率)、排放指标(Soot、NOx、CO、HC)、振动指标(振动加速度、振动烈度)、噪声指标(辐射噪声、排气噪声)等,标定工作主要针对这些目标特性进行,其中排放指标、振动指标以及噪声指标为限制性指标,必须满足一定的数值要求,经济性指标为满足以上限制性指标的基础上尽可能更佳,从而提升用户的使用满意度。
现有技术中,船用柴油机标定多在测试台架上进行,而且基本是通过人工离线参数搜寻进行标定,标定过程为开环运作,柴油机控制参数的选择一般取决于标定工程师的经验技术,存在效率低、主观性、以及无法实现全局最优解等问题。
此外,随着柴油机电子控制***及可控机构的技术发展,以及用户和法规对柴油机目标特性要求的增加,柴油机待标定的控制参数及需要优化的目标特性越来越多。从而,使得标定工程师面临的问题可能从原来一至两个控制参数(如喷油正时和喷油压力)对应两到三个目标特性(如燃油消耗率、NOx排放及振动烈度等)的简单***,转变为多控制参数(如燃油***多次喷射对应的多个喷油正时、喷油量百分比、喷射压力等多重组合,进排气***增压***控制阀开度,可变配气正时相位等)对应多目标特性(如上述燃油消耗率、排放指标、振动指标、噪声指标等)的多维复杂***,使得柴油机的标定工作将随着柴油机控制技术的发展变得越发复杂,若仍采用人工离线搜寻标定方法,将在周期上、成本上以及标定效果上无法适应行业的发展需求。
发明内容
本发明要解决的技术问题是克服现有的缺陷,提供一种柴油机在线多目标特性优化标定方法及***,解决了柴油机复杂控制参数及多目标特性要求的综合优化难题,解决了人为离线标定存在的效率低、成本高、主观性、以及无法实现全局最优解等问题,可以有效解决背景技术中的问题。
为实现上述目的,本发明提供如下技术方案:一种柴油机在线多目标特性优化标定方法,包括以下步骤:
S1:确定测试台架及柴油机运行工况列表,按照列表自动完成测试台架及柴油机待标定运行工况的切换;
S2:确定柴油机控制***控制参数列表及参数选取范围,并利用试验设计方法进行初始试验样本确定;
S3:按照第二步确定的初始试验样本进行柴油机目标特性测试试验及数据采集处理;
S4:利用以上步骤建立的试验样本控制参数及柴油机目标特性初始数据列表数据集,进行多输入、多输出预测模型建立;
S5:利用第四步建立的预测模型作为虚拟柴油机,并利用智能优化算法进行柴油机最佳目标特性寻优计算,通过智能化寻优计算获得要求目标特性函数的最佳控制参数列表;
S6:对第五步获得的最优解或解集进行柴油机目标特性测试试验验证;
S7:判断寻优结果预测精度是否满足要求,若满足要求则停止优化并输出优化结果,若不满足预测精度则将新获得试验测试数据集与以获得的当获得测试样本的控制参数及柴油机目标特性数据列表数据集进行合并,并返回第四步进行循环预测模型建立及智能化寻优计算,直至满足该步骤要求;
S8:寻优结束后,一方面输出寻优过程柴油机控制参数及目标特性数据集,用于柴油机特性数据库数据收集,另一方面将全局最优结果柴油机控制参数输出至柴油机控制***,完成柴油机目标特性优化标定试验。
作为本发明的一种优选技术方案,所述第一步中运行工况列表为根据柴油机用户要求及相关法规标准确定需要标定的柴油机运行工况及控制参数。
作为本发明的一种优选技术方案,所述第二步中试验样本为在柴油机控制***控制参数列表及参数选取范围内,利用试验设计方法进行初始试验样本的确定,该初始试验样本为初始柴油机控制参数与目标特性的摸底运行工况。
作为本发明的一种优选技术方案,所述第三步中目标特性测试试验及数据采集处理过程为:将第二步确定的初始试验样本数据输入台架试验控制***,控制***按照逐个样本控制参数要求控制柴油机进行试验,同时利用台架信号采集***及专业柴油机目标特性采集分析***对柴油机各项目标特性进行摸底及试验数据分析,完成初始样本所有样本试验后,对初始样本控制参数及响应的柴油机目标特性数据进行数据处理,形成初始试验样本中控制参数及柴油机目标特性初始数据列表数据集,数据列表要求控制参数集与目标特性数据集一一对应。
作为本发明的一种优选技术方案,所述第四步中预测模型的建立包括神经网络、支持向量机等具有预测特征的机器学习方法进行预测模型的训练,训练完成的模型具备新样本控制参数集对应的目标特性预测功能。
作为本发明的一种优选技术方案,所述第五步中智能化寻优计算过程为:首先按照柴油机设计、法规以及应用需求,利用目标特性建立综合优化函数,然后利用智能优化算法按照初始随机种群确定,种群综合优化函数评价,迭代进行优化子代种群寻优直至获得收敛全局最优解或解集,最后输出最优解或解集列表用于进行下一步柴油机试验验证。
作为本发明的一种优选技术方案,所述第六步中最优解或解集测试试验验证过程为:首先对寻优结果目标特性的预测精度进行验证,其次记录增加新测试样本的控制参数及柴油机目标特性数据列表数据集。
作为本发明的一种优选技术方案,所述第七步中寻优结果预测精度判断过程为:获得优化结果后,将再次利用预测模型对优化结果的精度进行校核,若精度未达到设定的目标,则可以将此次获得的新数据添加至之前获得的数据库中,并利用已获得的所有数据对预测模型进行再一次的强化训练,然后再次利用强化训练后的预测模型进行柴油机的优化和验证,直至获得满足精度要求的优化结果。
一种柴油机在线多目标特性优化标定***,包括依次连接的多目标标定***、柴油机台架控制***、柴油机试验台架、数据采集单元、数据处理模块,上述各部件件形成连接闭环。
作为本发明的一种优选技术方案,所述多目标标定***用于确定柴油机台架控制参数,并将其输出至柴油机台架控制***,同时接收数据处理模块处理完成的数据,进行预测模型训练、多目标寻优计算及寻优精度判定;
所述柴油机台架控制***用于控制柴油机及试验台架运行工况及参数;
所述数据处理模块用于接收数据采集单元数据,并对数据进行数据处理,输出满足多目标标定***进行柴油机预测模型训练需要的数据集。
与现有技术相比,本发明的有益效果是:本柴油机在线多目标特性优化标定方法及***采用试验测试、机器学习预测模型、智能优化算法建立了一种集成试验测试验证、预测模型搭建、多目标智能优化的全局最优化柴油机标定方法,实现了柴油机在线多目标优化标定,实现了优化精度与试验成本综合提升,解决了柴油机复杂控制参数及多目标特性要求的综合优化难题,解决了人为离线标定存在的效率低、成本高、主观性、以及无法实现全局最优解等问题,从而适应柴油机技术发展要求。
附图说明
图1为本发明柴油机在线标定***的示意图;
图2为本发明流程图。
具体实施方式
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它实施例,都属于本发明保护的范围。
如图2所示,本发明提供一种技术方案:一种柴油机在线多目标特性优化标定方法,包括以下步骤:
S1:根据柴油机用户要求及相关法规标准确定需要标定的柴油机运行工况,确定测试台架及柴油机运行工况列表,主要包含柴油机转速,测试台架柴油机负载(测功器或发电机)负载,自动完成测试台架及柴油机待标定运行工况的切换,如果有特殊环境要求,应包含测试台架环境控制参数等;
S2:采用试验设计方法如正交设计、中心复合设计、拉丁方设计、BOX-Behnken设计等,根据柴油机控制***控制参数列表及参数选取范围,进行试验样本确定;
S3:按照第二步确定的初始试验样本进行柴油机目标特性测试试验及数据采集处理,具体为将第二步确定的初始试验样本数据输入台架试验控制***,控制***按照逐个样本控制参数要求控制柴油机进行试验,同时利用台架信号采集***及专业柴油机目标特性采集分析***如排放测试***、振动特性测试***、噪声特性测试***等对柴油机各项目标特性进行摸底及试验数据分析,完成初始样本所有样本试验后,对初始样本控制参数及响应的柴油机目标特性数据进行数据处理,形成初始试验样本中控制参数及柴油机目标特性初始数据列表数据集,数据列表要求控制参数集与目标特性数据集一一对应;
S4:利用以上步骤建立的试验样本控制参数及柴油机目标特性初始数据列表数据集,进行多输入、多输出预测模型建立,鉴于柴油机控制参数与目标特性属于多输入多输出非线性复杂***,可采用包括神经网络、支持向量机等具有预测特征的机器学习方法进行预测模型的训练,训练完成的模型将具备新样本控制参数集对应的目标特性预测功能;
S5:利用第四步建立的预测模型作为虚拟柴油机,并利用智能优化算法进行柴油机最佳目标特性寻优计算,通过智能化寻优计算获得要求目标特性函数的最佳控制参数列表,智能化寻优计算首先按照柴油机设计、法规以及应用需求,利用目标特性建立综合优化函数,该优化函数可以为各项目标特定阈值限制级加权函数,也可为多项目标寻找Pareto最优解,然后利用智能优化算法按照初始随机种群确定,种群综合优化函数评价,迭代进行优化子代种群寻优直至获得收敛全局最优解或解集,最后输出最优解或解集列表用于进行下一步柴油机试验验证;
S6:对第五步获得的最优解或解集进行柴油机目标特性测试试验验证,首先对寻优结果目标特性的预测精度进行验证,其次记录增加新测试样本的控制参数及柴油机目标特性数据列表数据集。
S7:判断寻优结果预测精度是否满足要求,若满足要求则停止优化并输出优化结果,若不满足预测精度则将新获得试验测试数据集与以获得的当获得测试样本的控制参数及柴油机目标特性数据列表数据集进行合并,并返回第四步进行循环预测模型建立及智能化寻优计算,直至满足该步骤要求;
寻优结果预测精度判断过程为:获得优化结果后,为了保证优化结果的准确性及精确性,将再次利用机器学习预测模型对优化结果的精度进行校核,若精度未达到设定的目标,则可以将此次获得的新数据添加至之前获得的数据库中,并利用已获得的所有数据对机器学习预测模型进行再一次的强化训练。然后再次利用强化训练后的机器学习预测模型进行柴油机的优化和验证,直至获得满足精度要求的优化结果,这样即可以实现柴油机预测模型的强化学习与柴油机优化同步进行,保证优化精度的同时也减少了仿真计算的次数,避免数据过多引起的浪费。
S8:寻优结束后,一方面输出寻优过程柴油机控制参数及目标特性数据集,用于柴油机特性数据库数据收集,另一方面将全局最优结果柴油机控制参数输出至柴油机控制***,完成柴油机目标特性优化标定试验。
如图1所示,一种柴油机在线多目标特性优化标定***,包括依次连接的多目标标定***、柴油机台架控制***、柴油机试验台架、数据采集单元、数据处理模块,上述各部件件形成连接闭环;
所述多目标标定***用于确定柴油机台架控制参数,并将其输出至柴油机台架控制***,同时接收数据处理模块处理完成的数据,进行预测模型训练、多目标寻优计算及寻优精度判定;
所述柴油机台架控制***用于控制柴油机及试验台架运行工况及参数;
所述数据处理模块用于接收数据采集单元数据,并对数据进行数据处理,输出满足多目标标定***进行柴油机预测模型训练需要的数据集。
本发明的发动机在线多目标特性优化标定方法采用试验测试、机器学习预测模型、智能优化算法建立了一种集成试验测试验证、预测模型搭建、多目标智能优化的全局最优化柴油机标定方法,此外配合柴油机在线多目标特性优化标定***实现优化精度与试验成本综合提升,解决了人为离线标定存在的效率低、成本高、主观性、以及无法实现全局最优解等问题,从而适应柴油机技术发展要求。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种柴油机在线多目标特性优化标定方法,其特征在于:包括以下步骤:
S1:确定测试台架及柴油机运行工况列表,按照列表自动完成测试台架及柴油机待标定运行工况的切换;
S2:确定柴油机控制***控制参数列表及参数选取范围,并利用试验设计方法进行初始试验样本确定;
S3:按照第二步确定的初始试验样本进行柴油机目标特性测试试验及数据采集处理;
S4:利用以上步骤建立的试验样本控制参数及柴油机目标特性初始数据列表数据集,进行多输入、多输出预测模型建立;
S5:利用第四步建立的预测模型作为虚拟柴油机,并利用智能优化算法进行柴油机最佳目标特性寻优计算,通过智能化寻优计算获得要求目标特性函数的最佳控制参数列表;
S6:对第五步获得的最优解或解集进行柴油机目标特性测试试验验证;
S7:判断寻优结果预测精度是否满足要求,若满足要求则停止优化并输出优化结果,若不满足预测精度则将新获得试验测试数据集与以获得的当获得测试样本的控制参数及柴油机目标特性数据列表数据集进行合并,并返回第四步进行循环预测模型建立及智能化寻优计算,直至满足该步骤要求;
S8:寻优结束后,一方面输出寻优过程柴油机控制参数及目标特性数据集,用于柴油机特性数据库数据收集,另一方面将全局最优结果柴油机控制参数输出至柴油机控制***,完成柴油机目标特性优化标定试验。
2.根据权利要求1所述的一种柴油机在线多目标特性优化标定方法,其特征在于:所述第一步中运行工况列表为根据柴油机用户要求及相关法规标准确定需要标定的柴油机运行工况及控制参数。
3.根据权利要求1所述的一种柴油机在线多目标特性优化标定方法,其特征在于:所述第二步中试验样本为在柴油机控制***控制参数列表及参数选取范围内,利用试验设计方法进行初始试验样本的确定,该初始试验样本为初始柴油机控制参数与目标特性的摸底运行工况。
4.根据权利要求1所述的一种柴油机在线多目标特性优化标定方法,其特征在于:所述第三步中目标特性测试试验及数据采集处理过程为:将第二步确定的初始试验样本数据输入台架试验控制***,控制***按照逐个样本控制参数要求控制柴油机进行试验,同时利用台架信号采集***及专业柴油机目标特性采集分析***对柴油机各项目标特性进行摸底及试验数据分析,完成初始样本所有样本试验后,对初始样本控制参数及响应的柴油机目标特性数据进行数据处理,形成初始试验样本中控制参数及柴油机目标特性初始数据列表数据集,数据列表要求控制参数集与目标特性数据集一一对应。
5.根据权利要求1所述的一种柴油机在线多目标特性优化标定方法,其特征在于:所述第四步中预测模型的建立包括神经网络、支持向量机等具有预测特征的机器学习方法进行预测模型的训练,训练完成的模型具备新样本控制参数集对应的目标特性预测功能。
6.根据权利要求1所述的一种柴油机在线多目标特性优化标定方法,其特征在于:所述第五步中智能化寻优计算过程为:首先按照柴油机设计、法规以及应用需求,利用目标特性建立综合优化函数,然后利用智能优化算法按照初始随机种群确定,种群综合优化函数评价,迭代进行优化子代种群寻优直至获得收敛全局最优解或解集,最后输出最优解或解集列表用于进行下一步柴油机试验验证。
7.根据权利要求1所述的一种柴油机在线多目标特性优化标定方法,其特征在于:所述第六步中最优解或解集测试试验验证过程为:首先对寻优结果目标特性的预测精度进行验证,其次记录增加新测试样本的控制参数及柴油机目标特性数据列表数据集。
8.根据权利要求1所述的一种柴油机在线多目标特性优化标定方法,其特征在于:所述第七步中寻优结果预测精度判断过程为:获得优化结果后,将再次利用预测模型对优化结果的精度进行校核,若精度未达到设定的目标,则可以将此次获得的新数据添加至之前获得的数据库中,并利用已获得的所有数据对预测模型进行再一次的强化训练,然后再次利用强化训练后的预测模型进行柴油机的优化和验证,直至获得满足精度要求的优化结果。
9.一种柴油机在线多目标特性优化标定***,其特征在于:包括依次连接的多目标标定***、柴油机台架控制***、柴油机试验台架、数据采集单元、数据处理模块,上述各部件件形成连接闭环。
10.根据权利要求8所述的一种柴油机在线多目标特性优化标定***,其特征在于:所述多目标标定***用于确定柴油机台架控制参数,并将其输出至柴油机台架控制***,同时接收数据处理模块处理完成的数据,进行预测模型训练、多目标寻优计算及寻优精度判定;
所述柴油机台架控制***用于控制柴油机及试验台架运行工况及参数;
所述数据处理模块用于接收数据采集单元数据,并对数据进行数据处理,输出满足多目标标定***进行柴油机预测模型训练需要的数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862568.3A CN117034565A (zh) | 2023-07-13 | 2023-07-13 | 一种柴油机在线多目标特性优化标定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310862568.3A CN117034565A (zh) | 2023-07-13 | 2023-07-13 | 一种柴油机在线多目标特性优化标定方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117034565A true CN117034565A (zh) | 2023-11-10 |
Family
ID=88640389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310862568.3A Pending CN117034565A (zh) | 2023-07-13 | 2023-07-13 | 一种柴油机在线多目标特性优化标定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117034565A (zh) |
-
2023
- 2023-07-13 CN CN202310862568.3A patent/CN117034565A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113110367B (zh) | 发动机硬件在环测试方法及*** | |
CN110850740A (zh) | 基于改进型Smith预估器的航空发动机H∞控制方法 | |
CN110794803A (zh) | 一种发动机控制器的测试***及方法 | |
CN109711061A (zh) | 基于整车怠速振动性能的动力总成悬置稳健性优化方法 | |
AU2004274541A1 (en) | Method for controlling combustion in an internal combustion engine and predicting performance and emissions | |
Isermann et al. | Design of computer controlled combustion engines | |
de Nola et al. | Volumetric efficiency estimation based on neural networks to reduce the experimental effort in engine base calibration | |
CN108762110A (zh) | 一种满足国ⅳ标准的电控摩托车发动机匹配标定方法 | |
CN110414089A (zh) | 基于发动机万有特性的整车pems排放的仿真预测方法 | |
CN113673089B (zh) | 一种发动机性能确定方法、装置以及电子设备 | |
Rainer et al. | Iterative DoE-improved emission models and better optimisation results within a shortened measurement time | |
Malikopoulos et al. | Optimal engine calibration for individual driving styles | |
CN107269408B (zh) | 柴油机优化燃烧控制器及对仿真模型控制方法 | |
CN117034565A (zh) | 一种柴油机在线多目标特性优化标定方法及*** | |
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 | |
Fang et al. | Optimal-behavior-based dynamic calibration of the automotive diesel engine | |
CN112883653B (zh) | 基于人工智能的发动机实时模型的建模方法 | |
Simani et al. | Fuzzy modelling and control of the air system of a diesel engine | |
Wang et al. | Adaptive air-fuel ratio control with MLP network | |
Huang et al. | Idle speed control of FSAE racing engines based on Mid-ranging ADRC | |
CN109253884B (zh) | 基于神经网络的涡轮排气背压估计方法 | |
Arsie et al. | Development and Validation of a Model for mechanical Efficiency in a Spark Ignition Engine | |
Cameretti et al. | Virtual calibration method for diesel engine by software in the loop techniques | |
Benz | Model-based optimal emission control of diesel engines | |
Ventura et al. | Recurrent Neural Network to Estimate Intake Manifold O 2 Concentration in a Diesel Engine |
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 |