專利名稱：一種發(fā)動機扭矩預測方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于發(fā)動機測試技術(shù)領(lǐng)域，尤其涉及一種發(fā)動機扭矩預測方法和裝置。
背景技術(shù)：
在發(fā)動機的測試中，扭矩是個很重要的參數(shù)，是評價發(fā)動機性能指標的重要依據(jù)。整車道路試驗中的發(fā)動機扭矩對于發(fā)動機與整車匹配研究至關(guān)重要，電控發(fā)動機的扭矩可通過讀取電子控制單元(ECU)中扭矩參數(shù)的方式獲取，而非電控發(fā)動機在整車道路試驗中無法獲取發(fā)動機扭矩。對于道路試驗中非電控發(fā)動機的扭矩獲取一直是汽車行業(yè)的難題?，F(xiàn)有技術(shù)中，對于非電控發(fā)動機的扭矩測量有兩種方法，一種方法是通過轉(zhuǎn)轂試驗臺測量輪胎輸出的扭矩；而另一種方法是在傳動軸上串接扭矩測量法蘭盤，但在試驗過程中需要斷開傳動軸，該測量方式首先要獲取該傳動軸輸出的扭矩，然后通過計算傳動比來間接獲取發(fā)動機扭矩。上述兩種方法中，利用轉(zhuǎn)轂試驗臺測量扭矩，不但試驗臺價格昂貴，而且不適合大量試驗的開展，而采用在傳動軸上串接扭矩測量法蘭盤的方式測量扭矩需要斷開傳動軸，這種測量方式破壞了整車原有的傳動系統(tǒng)，無法進行實際的道路試驗，且測試數(shù)據(jù)不準確。可見，上述兩種獲取扭矩的方法不但不是整車在實際道路試驗中獲取的真實值，而且也無法模擬實際路況，所以，現(xiàn)有方法均不能通過整車實際道路試驗和用戶車輛的路譜采集獲取整車在道路試驗中的發(fā)動機扭矩。

發(fā)明內(nèi)容
有鑒于此，本發(fā)明的主要目的在于提供一種發(fā)動機扭矩預測方法和裝置，實現(xiàn)了非電控發(fā)動機在整車道路試驗中獲取發(fā)動機扭矩的目的。為實現(xiàn)上述目的，本發(fā)明提供了一種發(fā)動機扭矩預測方法，包括獲取發(fā)動機的臺架試驗數(shù)據(jù)；利用所述臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡以獲取預測模型；獲取發(fā)動機的路譜數(shù)據(jù)；將所述路譜數(shù)據(jù)輸入所述預測模型后，利用所述路譜數(shù)據(jù)與發(fā)動機扭矩之間的函數(shù)對應關(guān)系仿真計算出發(fā)動機扭矩預測值。優(yōu)選地，在上述發(fā)動機扭矩預測方法中，所述獲取發(fā)動機的臺架試驗數(shù)據(jù)包括控制臺架試驗中的發(fā)動機在設定負荷下運行；獲取所述設定負荷下發(fā)動機的運行參數(shù)。優(yōu)選地，在上述發(fā)動機扭矩預測方法中，所述獲取所述設定負荷下發(fā)動機的運行參數(shù)包括利用轉(zhuǎn)速傳感器測量發(fā)動機轉(zhuǎn)速，利用壓力傳感器測量發(fā)動機進氣壓力，利用水力測功機測量發(fā)動機扭矩。優(yōu)選地，在上述發(fā)動機扭矩預測方法中，所述利用所述臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡以獲取預測模型包括 建立BP神經(jīng)網(wǎng)絡模型并對神經(jīng)網(wǎng)絡的參數(shù)進行初步設置，所述臺架試驗數(shù)據(jù)中的轉(zhuǎn)速和進氣壓力為所述BP神經(jīng)網(wǎng)絡的輸入樣本數(shù)據(jù)，所述臺架試驗數(shù)據(jù)中的扭矩為所述BP神經(jīng)網(wǎng)絡的期望輸出值；利用所述輸入樣本數(shù)據(jù)對所述BP神經(jīng)網(wǎng)絡進行訓練，直到所述BP神經(jīng)網(wǎng)絡的輸出誤差函數(shù)收斂到設定精度后，結(jié)束訓練并得到所述BP神經(jīng)網(wǎng)絡的預測模型。優(yōu)選地，在上述發(fā)動機扭矩預測方法中，所述獲取發(fā)動機的路譜數(shù)據(jù)包括選取實際道路試驗中一段時間內(nèi)的不同時刻點；在所述時刻點，利用所述轉(zhuǎn)速傳感器測量所述發(fā)動機的實際轉(zhuǎn)速，利用所述壓力傳感器測量所述發(fā)動機的實際進氣壓力，所述實際轉(zhuǎn)速和所述實際進氣壓力為所述發(fā)動機的路譜數(shù)據(jù)。一種發(fā)動機扭矩預測裝置，包括第一獲取單元，用于獲取發(fā)動機的臺架試驗數(shù)據(jù)；訓練單元，用于利用所述臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡以獲取預測模型；第二獲取單元，用于獲取發(fā)動機的路譜數(shù)據(jù)；預測單元，用于將所述路譜數(shù)據(jù)輸入所述預測模型后，利用所述路譜數(shù)據(jù)與發(fā)動機扭矩之間的函數(shù)對應關(guān)系仿真計算出發(fā)動機扭矩預測值。優(yōu)選地，在上述發(fā)動機扭矩預測裝置中，所述第一獲取單元包括控制單元，用于控制臺架試驗中的發(fā)動機在設定負荷下運行；參數(shù)獲取單元，用于獲取所述設定負荷下發(fā)動機的運行參數(shù)。優(yōu)選地，在上述發(fā)動機扭矩預測裝置中，所述訓練單元包括模型建立單元，用于建立BP神經(jīng)網(wǎng)絡模型并對神經(jīng)網(wǎng)絡的參數(shù)進行初步設置，所述臺架試驗數(shù)據(jù)中的轉(zhuǎn)速和進氣壓力為所述BP神經(jīng)網(wǎng)絡的輸入樣本數(shù)據(jù)，所述臺架試驗數(shù)據(jù)中的扭矩為所述BP神經(jīng)網(wǎng)絡的期望輸出值；模型獲取單元，用于利用所述輸入樣本數(shù)據(jù)對所述BP神經(jīng)網(wǎng)絡進行訓練，直到所述BP神經(jīng)網(wǎng)絡的輸出誤差函數(shù)收斂到設定精度后，結(jié)束訓練并得到所述BP神經(jīng)網(wǎng)絡的預測模型。優(yōu)選地，在上述發(fā)動機扭矩預測裝置中，所述第二獲取單元包括選取單元，用于選取實際道路試驗中一段時間內(nèi)的不同時刻點；路譜數(shù)據(jù)獲取單元，用于在所述時刻點，利用所述轉(zhuǎn)速傳感器測量所述發(fā)動機的實際轉(zhuǎn)速，利用所述壓力傳感器測量所述發(fā)動機的實際進氣壓力，所述實際轉(zhuǎn)速和所述實際進氣壓力為所述發(fā)動機的路譜數(shù)據(jù)?？梢姡景l(fā)明發(fā)動機扭矩預測方法和裝置通過獲取發(fā)動機的臺架試驗數(shù)據(jù)，并以該試驗數(shù)據(jù)為樣本對BP神經(jīng)網(wǎng)絡進行訓練后得到發(fā)動機扭矩預測模型；利用該預測模型可直接對道路試驗中包含發(fā)動機轉(zhuǎn)速與進氣壓力值的路譜數(shù)據(jù)進行扭矩的仿真計算，從而得到了扭矩預測值，有效的解決了非電控發(fā)動機在整車道路試驗中發(fā)動機扭矩無法測量的問題。


為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖I為本發(fā)明發(fā)動機扭矩預測方法的實施例一的流程示意圖；圖2為本發(fā)明BP神經(jīng)網(wǎng)絡結(jié)構(gòu)示意圖；圖3為本發(fā)明發(fā)動機扭矩預測方法的實施例二的流程示意圖；圖4為本發(fā)明發(fā)動機扭矩預測裝置的結(jié)構(gòu)示意圖。
具體實施方式
發(fā)動機轉(zhuǎn)速、進氣壓力與發(fā)動機輸出扭矩之間存在著特定的函數(shù)關(guān)系，但這種函數(shù)關(guān)系很難用具體的函數(shù)表達式去描述，所以，利用基于誤差反向傳播算法的人工神經(jīng)網(wǎng)絡(BP神經(jīng)網(wǎng)絡)強大的函數(shù)擬合功能，根據(jù)發(fā)動機萬有特性數(shù)據(jù)中轉(zhuǎn)速-扭矩-進氣壓力三者之間的關(guān)系，以臺架試驗中獲取的數(shù)據(jù)為樣本，對BP神經(jīng)網(wǎng)絡進行訓練，訓練結(jié)束后，BP神經(jīng)網(wǎng)絡會擬合出轉(zhuǎn)速-扭矩-進氣壓力三者之間的函數(shù)關(guān)系。利用訓練好的神經(jīng)網(wǎng)絡可以直接對道路試驗中包含發(fā)動機轉(zhuǎn)速與進氣壓力值的路譜數(shù)據(jù)進行扭矩的仿真計算。BP神經(jīng)網(wǎng)絡由信息的正向傳播和誤差的反向傳播兩個過程組成，輸入層各神經(jīng)元負責接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負責信息變換，根據(jù)信息變化能力的需求，中間層可以設計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡學習訓練的過程，此過程一直進行到網(wǎng)絡輸出的誤差減少到可以接受的程度，或者預先設定的學習次數(shù)為止。為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。參見圖I所示，實現(xiàn)發(fā)動機扭矩預測方法的具體實施例一的步驟如下101 :獲取發(fā)動機的臺架試驗數(shù)據(jù)；本發(fā)明實施例中，上述臺架試驗數(shù)據(jù)包括在臺架試驗中獲取的發(fā)動機轉(zhuǎn)速、發(fā)動機進氣壓力和發(fā)動機扭矩。102 :利用臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡以獲取預測模型；本發(fā)明利用MATLAB神經(jīng)網(wǎng)絡工具箱函數(shù)進行BP神經(jīng)網(wǎng)絡的建立與數(shù)據(jù)擬合。首先，在MATLAB環(huán)境中新建BP神經(jīng)網(wǎng)絡模型，并對神經(jīng)網(wǎng)絡的參數(shù)進行初步設置，神經(jīng)網(wǎng)絡的模型參數(shù)圖2所示。該神經(jīng)網(wǎng)絡輸入層為兩個神經(jīng)元，輸入層的數(shù)據(jù)包括在臺架試驗中獲取的發(fā)動機轉(zhuǎn)速和發(fā)動機進氣壓力，輸出層為一個神經(jīng)元，輸出層數(shù)據(jù)為在臺架試驗中獲取的發(fā)動機扭矩，中間層可設置為10 15個神經(jīng)元。相鄰兩層間的神經(jīng)元節(jié)點之間有系統(tǒng)默認的權(quán)值。本實施例中，建立BP神經(jīng)網(wǎng)絡模型并對神經(jīng)網(wǎng)絡的參數(shù)進行初步設置，新建神經(jīng)網(wǎng)絡的輸入層節(jié)點數(shù)為2，中間層神經(jīng)元節(jié)點數(shù)為10，輸出層神經(jīng)元節(jié)點數(shù)為1，臺架試驗數(shù)據(jù)中的轉(zhuǎn)速和進氣壓力為BP神經(jīng)網(wǎng)絡的輸入樣本數(shù)據(jù)，臺架試驗數(shù)據(jù)中的扭矩為BP神經(jīng)網(wǎng)絡的期望輸出值；在用神經(jīng)網(wǎng)絡進行訓練時，將發(fā)動機臺架試驗數(shù)據(jù)處理成矩陣形式后作為樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡進行訓練，首先對全部樣本數(shù)據(jù)即輸入層數(shù)據(jù)和輸出層數(shù)據(jù)作歸一化的處理，然后將進行歸一化處理后的數(shù)據(jù)提供給網(wǎng)絡，在訓練的過程中不斷地修正各層神經(jīng)元的權(quán)值和閾值，直到誤差函數(shù)收斂到一定的精度后訓練結(jié)束，此時神經(jīng)網(wǎng)絡中相互連接的節(jié)點間的權(quán)值和閾值已得到了修正，預測模型已經(jīng)獲??；若訓練次數(shù)大于預先設定的數(shù)值時，網(wǎng)絡仍無法收斂，則停止訓練。例如訓練后的誤差平方和指標小于0.01時，訓練停止；或者訓練次數(shù)大于500次后仍未達到誤差目標值，訓練停止。103 :獲取發(fā)動機的路譜數(shù)據(jù)； 本實施例中，上述路譜數(shù)據(jù)包含實際道路試驗中相同時刻的發(fā)動機轉(zhuǎn)速和進氣壓力值，路譜數(shù)據(jù)一般利用INCA軟件通過與發(fā)動機ECU數(shù)據(jù)的通訊而獲取。104 :將發(fā)動機路譜數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡預測模型后，利用發(fā)動機路譜數(shù)據(jù)與發(fā)動機扭矩之間的函數(shù)對應關(guān)系仿真計算出發(fā)動機扭矩預測值。本實施例中，將待仿真的路譜數(shù)據(jù)處理成矩陣的形式，并作為神經(jīng)網(wǎng)絡的輸入層數(shù)據(jù)，利用訓練好的神經(jīng)網(wǎng)絡預測模型對路譜數(shù)據(jù)進行仿真。由于發(fā)動機轉(zhuǎn)速、進氣壓力和扭矩這三者之間的函數(shù)關(guān)系已經(jīng)建立，神經(jīng)網(wǎng)絡會計算出矩陣形式的扭矩值，且精確度較聞。上述實施例一中，通過獲取到的臺架試驗數(shù)據(jù)對預先建立的BP神經(jīng)網(wǎng)絡進行訓練后得到BP神經(jīng)網(wǎng)預測模型，將實際道路試驗中獲取的路譜數(shù)據(jù)作為預測模型的輸入層數(shù)據(jù)，經(jīng)仿真計算后即可得到發(fā)動機扭矩的預測值。參見圖3所示，實現(xiàn)發(fā)動機扭矩預測方法的具體實施例二的步驟如下201 :建立發(fā)動機臺架試驗，分別控制發(fā)動機在不同的設定負荷下運行。202 :獲取發(fā)動機在每一設定負荷下所對應的運行參數(shù)，該運行參數(shù)包括發(fā)動機轉(zhuǎn)速、發(fā)動機進氣壓力和發(fā)動機扭矩。本實施例中，在每一設定負荷下，利用轉(zhuǎn)速傳感器測量發(fā)動機轉(zhuǎn)速，利用壓力傳感器測量發(fā)動機進氣壓力，利用水力測功機測量發(fā)動機扭矩，從而獲取發(fā)動機運行參數(shù)。203 :建立BP神經(jīng)網(wǎng)絡模型，并對神經(jīng)網(wǎng)絡的參數(shù)進行初步設置。設置內(nèi)容包括最大訓練次數(shù)，學習精度，隱節(jié)點數(shù)，初始權(quán)值、閾值和初始學習速度等參數(shù)。204:將在不同設定負荷下通過傳感器測量所獲取的運行參數(shù)處理成矩陣形式，將矩陣形式的測量數(shù)據(jù)作為樣本數(shù)據(jù)輸入給BP神經(jīng)網(wǎng)絡。其中，將測量數(shù)據(jù)中的發(fā)動機轉(zhuǎn)速和發(fā)動機進氣壓作為BP神經(jīng)網(wǎng)絡的輸入層數(shù)據(jù)，將測量數(shù)據(jù)中發(fā)動機扭矩作為BP神經(jīng)網(wǎng)絡的期望輸出值。205 :計算BP神經(jīng)網(wǎng)絡的隱含層和輸出層的輸出數(shù)據(jù)以及網(wǎng)絡誤差。206:判斷網(wǎng)絡誤差是否小于設定值，如果是，執(zhí)行步驟207，如果否，執(zhí)行步驟208。
207 :結(jié)束訓練，由于迭代計算后網(wǎng)絡誤差小于設定誤差，則認為學習已經(jīng)完成，此時BP神經(jīng)網(wǎng)絡模型已經(jīng)獲取，執(zhí)行步驟209。208 :修正BP神經(jīng)網(wǎng)絡各層的連接權(quán)值后執(zhí)行步驟204。由于BP神經(jīng)網(wǎng)絡的實際輸出扭矩與期望輸出扭矩不符，則需要繼續(xù)對BP神經(jīng)網(wǎng)絡進行訓練。209:選取實際道路試驗中一段時間內(nèi)的不同時刻點，獲取各個時刻點的路譜數(shù)據(jù)。上述路譜數(shù)據(jù)包括發(fā)動機實際轉(zhuǎn)速和發(fā)動機實際進氣壓力，可利用轉(zhuǎn)速傳感器測量發(fā)動機的實際轉(zhuǎn)速，利用壓力傳感器測量發(fā)動機的實際進氣壓力。210 :將上述路譜數(shù)據(jù)處理成矩陣的形式，并作為神經(jīng)網(wǎng)絡的輸入層數(shù)據(jù)。利用訓練好的神經(jīng)網(wǎng)絡對路譜數(shù)據(jù)進行仿真，神經(jīng)網(wǎng)絡會計算出矩陣形式的扭矩值，且精確度較聞。上述實施例二中，僅需要在道路試驗中記錄發(fā)動機轉(zhuǎn)速與進氣壓力值，即可利用BP神經(jīng)網(wǎng)絡預測模型仿真計算得到發(fā)動機扭矩，本發(fā)明采用常規(guī)的轉(zhuǎn)速傳感器和壓力傳感器即可測量發(fā)動機轉(zhuǎn)速與進氣壓力，測量參數(shù)非常簡單；另外，對于道路試驗中的扭矩是通過分析發(fā)動機萬有特性數(shù)據(jù)中進氣壓力-轉(zhuǎn)速-扭矩的關(guān)系仿真計算得到的，不存在其他傳動系統(tǒng)的干擾，測量準確度較高。圖4為本發(fā)明發(fā)動機扭矩預測裝置的結(jié)構(gòu)示意圖，該裝置包括第一獲取單元1，用于獲取發(fā)動機的臺架試驗數(shù)據(jù)；訓練單元2，用于利用臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡以獲取預測模型；第二獲取單元3，用于獲取發(fā)動機的路譜數(shù)據(jù)；預測單元4，用于將發(fā)動機路譜數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡預測模型后，利用發(fā)動機路譜數(shù)據(jù)與發(fā)動機扭矩之間的函數(shù)對應關(guān)系仿真計算出發(fā)動機扭矩預測值。其中，第一獲取單元I包括控制單元11，用于控制臺架試驗中的發(fā)動機在設定負荷下運行；參數(shù)獲取單元12，用于獲取設定負荷下發(fā)動機的運行參數(shù)。其中，訓練單元2包括模型建立單元21，用于建立BP神經(jīng)網(wǎng)絡模型并對神經(jīng)網(wǎng)絡的參數(shù)進行初步設置，發(fā)動機臺架試驗數(shù)據(jù)中的轉(zhuǎn)速和進氣壓力為BP神經(jīng)網(wǎng)絡的輸入樣本數(shù)據(jù)，發(fā)動機臺架試驗數(shù)據(jù)中的扭矩為BP神經(jīng)網(wǎng)絡的期望輸出值；模型獲取單元22，用于利用BP神經(jīng)網(wǎng)絡的輸入樣本數(shù)據(jù)對BP神經(jīng)網(wǎng)絡進行訓練，直到BP神經(jīng)網(wǎng)絡的輸出誤差函數(shù)收斂到設定精度后，結(jié)束訓練并得到BP神經(jīng)網(wǎng)絡的預測模型。其中，第二獲取單元3包括選取單元31，用于選取實際道路試驗中一段時間內(nèi)的不同時刻點；路譜數(shù)據(jù)獲取單元32，用于在所述時刻點，利用轉(zhuǎn)速傳感器測量發(fā)動機的實際轉(zhuǎn)速，利用壓力傳感器測量發(fā)動機的實際進氣壓力，發(fā)動機實際轉(zhuǎn)速和發(fā)動機實際進氣壓力為發(fā)動機的路譜數(shù)據(jù)。本發(fā)明發(fā)動機扭矩預測裝置通過第一獲取單元獲取發(fā)動機的臺架試驗數(shù)據(jù)后，訓練單元利用臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡得到發(fā)動機扭矩預測模型，將第二獲取單元獲取的實際道路試驗中的路譜數(shù)據(jù)作為預測模型的輸入層數(shù)據(jù)，經(jīng)計算機仿真計算后便可得到發(fā)動機的扭矩預測值，從而解決了非電控發(fā)動機在整車道路試驗中發(fā)動機扭矩無法測量的問題。
最后，還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設備中還存在另外的相同要素。本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。專業(yè)人員還可以進一步意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結(jié)合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應用和設計約束條件。專業(yè)技術(shù)人員可以對每個特定的應用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應認為超出本發(fā)明的范圍。 以上所述僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進等，均包含在本發(fā)明的保護范圍內(nèi)。
權(quán)利要求
1.一種發(fā)動機扭矩預測方法，其特征在于，包括 獲取發(fā)動機的臺架試驗數(shù)據(jù)； 利用所述臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡以獲取預測模型； 獲取發(fā)動機的路譜數(shù)據(jù)； 將所述路譜數(shù)據(jù)輸入所述預測模型后，利用所述路譜數(shù)據(jù)與發(fā)動機扭矩之間的函數(shù)對應關(guān)系仿真計算出發(fā)動機扭矩預測值。
2.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述獲取發(fā)動機的臺架試驗數(shù)據(jù)包括 控制臺架試驗中的發(fā)動機在設定負荷下運行； 獲取所述設定負荷下發(fā)動機的運行參數(shù)。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取所述設定負荷下發(fā)動機的運行參數(shù)包括 利用轉(zhuǎn)速傳感器測量發(fā)動機轉(zhuǎn)速，利用壓力傳感器測量發(fā)動機進氣壓力，利用水力測功機測量發(fā)動機扭矩。
4.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述利用所述臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡以獲取預測模型包括 建立BP神經(jīng)網(wǎng)絡模型并對神經(jīng)網(wǎng)絡的參數(shù)進行初步設置，所述臺架試驗數(shù)據(jù)中的轉(zhuǎn)速和進氣壓力為所述BP神經(jīng)網(wǎng)絡的輸入樣本數(shù)據(jù)，所述臺架試驗數(shù)據(jù)中的扭矩為所述BP神經(jīng)網(wǎng)絡的期望輸出值； 利用所述輸入樣本數(shù)據(jù)對所述BP神經(jīng)網(wǎng)絡進行訓練，直到所述BP神經(jīng)網(wǎng)絡的輸出誤差函數(shù)收斂到設定精度后，結(jié)束訓練并得到所述BP神經(jīng)網(wǎng)絡的預測模型。
5.根據(jù)權(quán)利要求I所述的方法，其特征在于，所述獲取發(fā)動機的路譜數(shù)據(jù)包括 選取實際道路試驗中一段時間內(nèi)的不同時刻點； 在所述時刻點，利用所述轉(zhuǎn)速傳感器測量所述發(fā)動機的實際轉(zhuǎn)速，利用所述壓力傳感器測量所述發(fā)動機的實際進氣壓力，所述實際轉(zhuǎn)速和所述實際進氣壓力為所述發(fā)動機的路譜數(shù)據(jù)。
6.一種發(fā)動機扭矩預測裝置，其特征在于，包括 第一獲取單元，用于獲取發(fā)動機的臺架試驗數(shù)據(jù)； 訓練單元，用于利用所述臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡以獲取預測模型； 第二獲取單元，用于獲取發(fā)動機的路譜數(shù)據(jù)； 預測單元，用于將所述路譜數(shù)據(jù)輸入所述預測模型后，利用所述路譜數(shù)據(jù)與發(fā)動機扭矩之間的函數(shù)對應關(guān)系仿真計算出發(fā)動機扭矩預測值。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述第一獲取單元包括 控制單元，用于控制臺架試驗中的發(fā)動機在設定負荷下運行； 參數(shù)獲取單元，用于獲取所述設定負荷下發(fā)動機的運行參數(shù)。
8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述訓練單元包括 模型建立單元，用于建立BP神經(jīng)網(wǎng)絡模型并對神經(jīng)網(wǎng)絡的參數(shù)進行初步設置，所述臺架試驗數(shù)據(jù)中的轉(zhuǎn)速和進氣壓力為所述BP神經(jīng)網(wǎng)絡的輸入樣本數(shù)據(jù)，所述臺架試驗數(shù)據(jù)中的扭矩為所述BP神經(jīng)網(wǎng)絡的期望輸出值； 模型獲取單元，用于利用所述輸入樣本數(shù)據(jù)對所述BP神經(jīng)網(wǎng)絡進行訓練，直到所述BP神經(jīng)網(wǎng)絡的輸出誤差函數(shù)收斂到設定精度后，結(jié)束訓練并得到所述BP神經(jīng)網(wǎng)絡的預測模型。
9.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述第二獲取單元包括 選取單元，用于選取實際道路試驗中一段時間內(nèi)的不同時刻點； 路譜數(shù)據(jù)獲取單元，用于在所述時刻點，利用所述轉(zhuǎn)速傳感器測量所述發(fā)動機的實際轉(zhuǎn)速，利用所述壓力傳感器測量所述發(fā)動機的實際進氣壓力，所述實際轉(zhuǎn)速和所述實際進氣壓力為所述發(fā)動機的路譜數(shù)據(jù)。
全文摘要
本發(fā)明公開了一種發(fā)動機扭矩預測方法，包括獲取發(fā)動機的臺架試驗數(shù)據(jù)；利用所述臺架試驗數(shù)據(jù)訓練預先建立的BP神經(jīng)網(wǎng)絡以獲取預測模型；獲取發(fā)動機的路譜數(shù)據(jù)；將所述路譜數(shù)據(jù)輸入所述預測模型后，利用所述路譜數(shù)據(jù)與發(fā)動機扭矩之間的函數(shù)對應關(guān)系仿真計算出發(fā)動機扭矩預測值。本發(fā)明還公開了一種發(fā)動機扭矩預測裝置。
文檔編號G01M15/04GK102620939SQ201210104260
公開日2012年8月1日 申請日期2012年4月10日 優(yōu)先權(quán)日2012年4月10日
發(fā)明者屈大勇, 張軍, 楊信剛 申請人:濰柴動力股份有限公司