本申请提出一种热管理系统及基于神经网络的热管理方法和装置，其中，方法包括：获取车辆行驶的工况参数，并输入目标神经网络模型；通过所述目标神经网络模型，获取发动机中冷却液的预测温度；根据所述冷却液的预测温度，控制所述发动机中热管理系统对冷却液进行温度调节，以实现根据冷却液的预测温度进行调节，提高热管理系统的稳定性。提高热管理系统的稳定性。提高热管理系统的稳定性。
【技术实现步骤摘要】
热管理系统及基于神经网络的热管理方法和装置
[0001]本专利技术涉及车辆
，尤其涉及一种热管理系统及基于神经网络的热管理方法和装置。
技术介绍
[0002]车辆在运行过程中会产生大量的热，随着工作环境和工况的变化，产生的热量也会发生相应的变化，为了保证车辆的最佳运行状态，通常采用冷却风扇强制冷却的方式将热量散发到环境中，从而使各装置保持在正常温度的工作范围内。但是相关技术存在的问题是，控制系统反应速度慢，中心控制的误差会导致整个系统的信息延迟甚至崩溃，容易导致车辆升温过快，降低发动机及其附件的使用寿命。
技术实现思路
[0003]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0004]为此，本专利技术的第一个目的在于提出一种基于神经网络的发动机的热管理方法，以实现根据冷却液的预测温度进行调节，提高热管理系统的稳定性。
[0005]本专利技术的第二个目的在于提出一种基于神经网络的发动机的热管理装置。
[0006]本专利技术的第三个目的在于提出一种热管理系统。
[0007]本专利技术的第四个目的在于提出一种计算机可读存储介质。
[0008]为达上述目的，本专利技术第一方面实施例提出了一种基于神经网络的发动机的热管理方法，包括以下步骤：获取车辆行驶的工况参数，并输入目标神经网络模型；通过所述目标神经网络模型，获取发动机中冷却液的预测温度；根据所述冷却液的预测温度，控制所述发动机中热管理系统对冷却液进行温度调节。
[0009]根据本专利技术的一个实施例，在所述获取车辆行驶的工况参数，并输入神经网络模型之前，还包括：建立初始神经网络模型，将样本工况参数和每个样本工况参数的测试结果，输入到所述初始神经网络模型中进行训练，直到训练后的神经网络模型的输出误差小于设定误差值，则得到所述目标神经网络模型。
[0010]根据本专利技术的一个实施例，所述将样本工况参数和每个样本工况参数的测试结果，输入到所述初始神经网络模型中进行训练，包括：获取所述目标神经网络模型的预测结果；将所述预测结果和测试结果进行比较，以根据所述比较结果对所述目标神经网络模型中隐含层的权重值进行修正。
[0011]根据本专利技术的一个实施例，所述根据所述冷却液的预测温度，控制所述发动机中热管理系统对冷却液进行温度调节，包括：针对每个换热器，根据所述目标冷却液温度，控制所述换热器的冷却液流量。
[0012]根据本专利技术实施例的热管理方法，能够通过目标神经网络模型准确匹配发动机运行工况并选择最佳冷却液温度，克服了传统热管理系统的温度控制不精确的问题；同时，通过对多个换热器分别控制，避免了集成控制中心瘫痪导致整个系统崩溃的弊端，有效保证
了发动机的正常运行。
[0013]为达上述目的，本专利技术第二方面实施例提出了一种基于神经网络的发动机的热管理装置，包括：获取模块，用于获取车辆行驶的工况参数，并输入目标神经网络模型；神经网络模型，用于通过所述目标神经网络模型，获取发动机中冷却液的预测温度；控制模块，用于根据所述冷却液的预测温度，控制所述发动机中热管理系统对冷却液进行温度调节。
[0014]根据本专利技术的一个实施例，建立初始神经网络模型，将样本工况参数和每个样本工况参数的测试结果，输入到所述初始神经网络模型中进行训练，直到训练后的神经网络模型的输出误差小于设定误差值，则得到所述目标神经网络模型。
[0015]根据本专利技术的一个实施例，所述神经网络模型，还用于：获取所述目标神经网络模型的预测结果；将所述预测结果和测试结果进行比较，以根据所述比较结果对所述目标神经网络模型中隐含层的权重值进行修正。
[0016]根据本专利技术的一个实施例，所述控制模块，还用于：针对每个换热器，根据所述目标冷却液温度，控制所述换热器的冷却液流量。
[0017]为达上述目的，本专利技术第三方面实施例提出了一种发动机的热管理系统，包括所述的基于神经网络的发动机的热管理装置。
[0018]为了实现上述目的，本专利技术第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于神经网络的发动机的热管方法。
[0019]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0020]本专利技术上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0021]图1为本专利技术实施例的基于神经网络的发动机的热管理方法的流程图；
[0022]图2为本专利技术一个实施例的基于神经网络的发动机的热管理方法的流程图；
[0023]图3为本专利技术实施例的基于神经网络的发动机的热管理装置的方框示意图；
[0024]图4为本专利技术实施例的发动机的热管理系统的方框示意图。
具体实施方式
[0025]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0026]下面参考附图描述本专利技术实施例的热管理系统及基于神经网络的热管理方法和装置。
[0027]图1为本专利技术实施例的基于神经网络的发动机的热管理方法的流程图。如图1所示，本专利技术实施例的基于神经网络的发动机的热管理方法，包括以下步骤：
[0028]S101：获取车辆行驶的工况参数，并输入目标神经网络模型。
[0029]需要说明的是，在获取车辆行驶的工况参数，并输入目标神经网络模型之前，还包
括：
[0030]建立初始神经网络模型，将样本工况参数和每个样本工况参数的测试结果，输入到初始神经网络模型中进行训练，直到训练后的神经网络模型输出误差小于设定误差值，则得到目标神经网络模型。
[0031]具体地，首先，选择车速、车外部风速、发动机内至少一处冷却液温度，至少一种换热器温度作为变量，其中，发动机内冷却液温度可选择5处，换热器可为三种，例如暖风换热器、变速器换热器和散热器换热器。因此，变量个数为10，并对10中变量进行正交实验。同时，测量不同工况下的汽车功率和扭矩以及发动机热效率作为变量参数，其中，不同工况可包括：起步、加速、等速、减速、转弯、上下坡、停车、空载、满载和超载。将变量与变量参数所用的数据进行归一化处理，在归一化的时延数据中选定网络结构和参数，建立初始神经网络模型。
[0032]应当理解的是，归一化处理是为了加快训练神经网络模型的收敛性，加快神经网络模型学习速度，同时也是因为神经网络模型中的节点变换函数的取值在0-1之间，归一化数据处理是对原始数据的线性变换，最终将原始数据映射到0-1之间，其中，转换函数为式中x
max
、x
min
为输入变量的最大值和最小值，x为输入变量，x
′
为归一化后的值。
[0033]然后，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于神经网络的发动机的热管理方法，其特征在于，包括以下步骤：获取车辆行驶的工况参数，并输入目标神经网络模型；通过所述目标神经网络模型，获取发动机中冷却液的预测温度；根据所述冷却液的预测温度，控制所述发动机中热管理系统对冷却液进行温度调节。2.根据权利要求1所述的热管理方法，其特征在于，在所述获取车辆行驶的工况参数，并输入神经网络模型之前，还包括：建立初始神经网络模型，将样本工况参数和每个样本工况参数的测试结果，输入到所述初始神经网络模型中进行训练，直到训练后的神经网络模型的输出误差小于设定误差值，则得到所述目标神经网络模型。3.根据权利要求2所述的热管理方法，其特征在于，所述将样本工况参数和每个样本工况参数的测试结果，输入到所述初始神经网络模型中进行训练，包括：获取所述目标神经网络模型的预测结果；将所述预测结果和测试结果进行比较，以根据所述比较结果对所述目标神经网络模型中隐含层的权重值进行修正。4.根据权利要求1所述的热管理方法，其特征在于，所述根据所述冷却液的预测温度，控制所述发动机中热管理系统对冷却液进行温度调节，包括：针对每个换热器，根据所述目标冷却液温度，控制所述换热器的冷却液流量。5.一种基于神经网络的发动机的热管理装置，其特征在于，包括：获...
【专利技术属性】
技术研发人员：蔡晓彤，姚博，万学荣，
申请(专利权)人：深圳臻宇新能源动力科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。