基于模糊神经网络的发动机水温预测方法及装置与流程

1.本技术涉及汽车发动机技术领域，特别涉及一种基于模糊神经网络的发动机水温预测方法及装置。


背景技术：

2.汽车发动机是为汽车提供动力的装置，是汽车的心脏，决定着汽车的动力性、经济性、稳定性和环保性，发动机水温过高或者过低都容易对发动机造成损坏。合理的保持发动机水温并实施有效的控制方式可以有效的避免发动机水温异常的现象，减少对发动机的损伤，提高发动机的效率，最大程度上发挥发动机的性能。
3.然而，相关技术中预测发动机水温的方法无论是工程师依据工程经验预测，还是cae传统方法分析都非常依赖于工程师的工程经验，工程师的工程经验和工程能力决定了发动机水温预测值的精度，有较大的局限性，并且容易造成误差，不利于推广应用，有待改进。


技术实现要素：

4.本技术提供一种基于模糊神经网络的发动机水温预测方法及装置，以解决相关技术中，对发动机水温的预测依赖于工程师的工程经验，局限性较大，且易造成人工误差，导致预测结果精度较差的技术问题。
5.本技术第一方面实施例提供一种基于模糊神经网络的发动机水温预测方法，包括以下步骤：利用预设的模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库；将整车行驶工况边界输入所述整车在不同的整车边界下发动机的热量数据库，得到发动机在所需负荷下的热量，并基于所述热量对整车行驶工况下发动机水温进行仿真，得到仿真结果；对标所述仿真结果和试验目标，并根据对标结果更新所述整车在不同边界下发动机的热量数据库，直至达到预设条件，得到用于预测发动机水温的数据库。
6.可选地，在本技术的一个实施例中，所述利用预设的模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库，包括：对发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度进行模糊化处理，得到输入信息；根据发动机整车试验热量得到输出信息，并根据所述输入信息和所述输出信息进行神经网络训练，生成所述热量数据库。
7.可选地，在本技术的一个实施例中，所述预设条件为更新次数达到预设次数或者所述热量数据库达到收敛条件。
8.可选地，在本技术的一个实施例中，所述整车边界包括发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度。
9.本技术第二方面实施例提供一种基于模糊神经网络的发动机水温预测装置，包括：训练模块，用于利用预设的模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库；仿真模块，用于将整车行驶工况边界输入所述整车在不同的整
车边界下发动机的热量数据库，得到发动机在所需负荷下的热量，并基于所述热量对整车行驶工况下发动机水温进行仿真，得到仿真结果；预测模块，用于对标所述仿真结果和试验目标，并根据对标结果更新所述整车在不同边界下发动机的热量数据库，直至达到预设条件，得到用于预测发动机水温的数据库。
10.可选地，在本技术的一个实施例中，所述训练模块包括：处理单元，用于对发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度进行模糊化处理，得到输入信息；生成单元，用于根据发动机整车试验热量得到输出信息，并根据所述输入信息和所述输出信息进行神经网络训练，生成所述热量数据库。
11.可选地，在本技术的一个实施例中，所述预设条件为更新次数达到预设次数或者所述热量数据库达到收敛条件。
12.可选地，在本技术的一个实施例中，所述整车边界包括发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度。
13.本技术第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的基于模糊神经网络的发动机水温预测方法。
14.本技术第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的基于模糊神经网络的发动机水温预测方法。
15.本技术实施例可以利用模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库，将整车行驶所需工况边界代入数据库，得到相应的热量，通过一维仿真得到发动机水温，并通过仿真结果和试验目标的对标，更新完善数据库，从而减少对工程师工程经验的依赖，避免工程师由于工程经验不足导致的误差，减少工程师的培养周期，并进一步提高发动机水温预测的准确度和效率，使工程师在预研阶段可以根据水温更好的制定方案发挥发动机的最大性能。由此，解决了相关技术中，对发动机水温的预测依赖于工程师的工程经验，局限性较大，且易造成人工误差，导致预测结果精度较差的技术问题。
16.本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，或通过本技术的实践了解到。
附图说明
17.本技术上述的和/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：
18.图1为根据本技术实施例提供的一种基于模糊神经网络的发动机水温预测方法的流程图；
19.图2为根据本技术一个实施例的基于模糊神经网络的发动机水温预测方法的原理示意图；
20.图3为根据本技术一个实施例的基于模糊神经网络的发动机水温预测方法的发动机水温预测流程图；
21.图4为根据本技术一个实施例的基于模糊神经网络的发动机水温预测方法的流程
图；
22.图5为根据本技术实施例提供的一种基于模糊神经网络的发动机水温预测装置的结构示意图；
23.图6为根据本技术实施例提供的车辆的结构示意图。
具体实施方式
24.下面详细描述本技术的实施例，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，旨在用于解释本技术，而不能理解为对本技术的限制。
25.下面参考附图描述本技术实施例的基于模糊神经网络的发动机水温预测方法及装置。针对上述背景技术中心提到的相关技术中，对发动机水温的预测依赖于工程师的工程经验，局限性较大，且易造成人工误差，导致预测结果精度较差的技术问题，本技术提供了一种基于模糊神经网络的发动机水温预测方法，在该方法中，可以利用模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库，将整车行驶所需工况边界代入数据库，得到相应的热量，通过一维仿真得到发动机水温，并通过仿真结果和试验目标的对标，更新完善数据库，从而减少对工程师工程经验的依赖，避免工程师由于工程经验不足导致的误差，减少工程师的培养周期，并进一步提高发动机水温预测的准确度和效率，使工程师在预研阶段可以根据水温更好的制定方案发挥发动机的最大性能。由此，解决了相关技术中，对发动机水温的预测依赖于工程师的工程经验，局限性较大，且易造成人工误差，导致预测结果精度较差的技术问题。
26.具体而言，图1为本技术实施例所提供的一种基于模糊神经网络的发动机水温预测方法的流程示意图。
27.如图1所示，该基于模糊神经网络的发动机水温预测方法包括以下步骤：
28.在步骤s101中，利用预设的模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库。
29.可以理解的是，发动机水温过高或者过低都容易对发动机造成损坏：水温过高时的发动机容易发生自燃现象，会加剧发动机的磨损，使机油的润滑效果降低，如果发动机水温过高时，汽车仍然继续行驶，会导致油耗增加，发动机加速老化，并受损加剧。汽车发动机水温长期过高时，会导致发动机缸体的温度升高，长时间下发动机缸体后者缸盖变形，可能会导致发动机的永久损伤。更加严重时，会导致发动机爆缸等现象，导致发动机无法启动；
30.水温过低时，会导致发动机的燃油燃烧不充分，降低发动机的工作效率，并造成积碳的现象，即增加了油耗又污染了环境，并且发动机长期在低水温工作下，内部零件的磨损会大大加剧。
31.因此，合理保持发动机水温并实施有效的控制方式十分重要。为了避免过于依赖工程师经验导致的人工误差和降低人工成本，本技术实施例可以利用预设的模糊神经网络算法对试验数据进行训练，以得到整车在不同边界下发动机的热量数据库。
32.可选地，在本技术的一个实施例中，整车边界包括发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度。
33.在一些实施例中，整车边界可以包括发动机转速、发动机功率、平均有效压力、车
速、坡度和环境温度，并作为输入信息，便于后续进行数据库的建立与完善。
34.可选地，在本技术的一个实施例中，利用预设的模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库，包括：对发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度进行模糊化处理，得到输入信息；根据发动机整车试验热量得到输出信息，并根据输入信息和输出信息进行神经网络训练，生成热量数据库。
35.具体地，如图2所示，本技术实施例可以通过使用matlab等软件对现有车型试验数据进行训练，将发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度作为输入进行模糊化处理，发动机整车试验热量作为输出，在模糊化处理完成后进行神经网络训练，生成不同实验边界下对应的发动机热量的规则库，并可以随着不同平台不同整车的开发，将试验代入数据库中进行重新训练，不断优化数据库，提高数据库的精度，并可以加入粒子群算法等进一步提高响应速度。
36.在步骤s102中，将整车行驶工况边界输入整车在不同的整车边界下发动机的热量数据库，得到发动机在所需负荷下的热量，并基于热量对整车行驶工况下发动机水温进行仿真，得到仿真结果。
37.作为一种可能实现的方式，本技术实施例可以基于整车行驶工况下所需的转速、功率和平均有效压力等边界输入模糊神经网络训练的数据库，得到发动机在所需负荷下的热量，开展整车行驶工况下发动机水温仿真工作。
38.如图3所示，本技术实施例可以将预研阶段的整车边界，如：发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度带入建立的热量数据库中，得到相应的发动机热量，并通过一维仿真软件(例如kuli、gt或amesim等)开展分析工作，计算发动机水温。
39.在步骤s103中，对标仿真结果和试验目标，并根据对标结果更新整车在不同边界下发动机的热量数据库，直至达到预设条件，得到用于预测发动机水温的数据库。
40.例如，如图3所示，本技术实施例可以在整车开发阶段后期，通过整车试验验证，将整车试验与仿真进行对标，完善仿真模型，并将整车试验数据代入数据库中进行重新训练，不断完善数据库，提高数据库精度。
41.可选地，在本技术的一个实施例中，预设条件为更新次数达到预设次数或者热量数据库达到收敛条件。
42.作为一种可能实现的方式，本技术实施例中的预设条件可以为更新次数达到预设次数或者热量数据库达到收敛条件，以实现热度数据库的自我学习完善，并提高数据库的精度。
43.结合图2至图4所示，以一个实施例对本技术实施例的基于模糊神经网络的发动机水温预测方法的工作原理进行详细阐述。
44.如图4所示，本技术实施例可以包括以下步骤：
45.步骤s401：基于预先训练的模糊神经网络算法对试验数据进行训练，得到热度数据库。具体地，如图2所示，本技术实施例可以通过使用matlab等软件对现有车型试验数据进行训练，将发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度作为输入进行模糊化处理，发动机整车试验热量作为输出，在模糊化处理完成后进行神经网络训练，生成不同实验边界下对应的发动机热量的规则库，并可以随着不同平台不同整车的开发，将试验代入数据库中进行重新训练，不断优化数据库，提高数据库的精度，并可以加入粒子群算
法等进一步提高响应速度。
46.步骤s402：输入整车边界得到发动机热量并进行仿真工作，输出发动机水温。作为一种可能实现的方式，本技术实施例可以基于整车行驶工况下所需的转速、功率和平均有效压力等边界输入模糊神经网络训练的数据库，得到发动机在所需负荷下的热量，开展整车行驶工况下发动机水温仿真工作。
47.如图3所示，本技术实施例可以将预研阶段的整车边界，如：发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度带入建立的热量数据库中，得到相应的发动机热量，并通过一维仿真软件(例如kuli、gt或amesim等)开展分析工作，计算发动机水温。
48.步骤s403：试验与仿真对标，不断更新完善数据库。例如，如图3所示，本技术实施例可以在整车开发阶段后期，通过整车试验验证，将整车试验与仿真进行对标，完善仿真模型，并将整车试验数据代入数据库中进行重新训练，不断完善数据库，提高数据库精度。
49.根据本技术实施例提出的基于模糊神经网络的发动机水温预测方法，可以利用模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库，将整车行驶所需工况边界代入数据库，得到相应的热量，通过一维仿真得到发动机水温，并通过仿真结果和试验目标的对标，更新完善数据库，从而减少对工程师工程经验的依赖，避免工程师由于工程经验不足导致的误差，减少工程师的培养周期，并进一步提高发动机水温预测的准确度和效率，使工程师在预研阶段可以根据水温更好的制定方案发挥发动机的最大性能。由此，解决了相关技术中，对发动机水温的预测依赖于工程师的工程经验，局限性较大，且易造成人工误差，导致预测结果精度较差的技术问题。
50.其次参照附图描述根据本技术实施例提出的基于模糊神经网络的发动机水温预测装置。
51.图5是本技术实施例的基于模糊神经网络的发动机水温预测装置的方框示意图。
52.如图5所示，该基于模糊神经网络的发动机水温预测装置10包括：训练模块100、仿真模块200和预测模块300。
53.具体地，训练模块100，用于利用预设的模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库。
54.仿真模块200，用于将整车行驶工况边界输入整车在不同的整车边界下发动机的热量数据库，得到发动机在所需负荷下的热量，并基于热量对整车行驶工况下发动机水温进行仿真，得到仿真结果。
55.预测模块300，用于对标仿真结果和试验目标，并根据对标结果更新整车在不同边界下发动机的热量数据库，直至达到预设条件，得到用于预测发动机水温的数据库。
56.可选地，在本技术的一个实施例中，训练模块100包括：处理单元和生成单元。
57.其中，处理单元，用于对发动机转速、发动机功率、平均有效压力、车速、坡度和环境温度进行模糊化处理，得到输入信息。
58.生成单元，用于根据发动机整车试验热量得到输出信息，并根据输入信息和输出信息进行神经网络训练，生成热量数据库。
59.可选地，在本技术的一个实施例中，预设条件为更新次数达到预设次数或者热量数据库达到收敛条件。
60.可选地，在本技术的一个实施例中，整车边界包括发动机转速、发动机功率、平均
有效压力、车速、坡度和环境温度。
61.需要说明的是，前述对基于模糊神经网络的发动机水温预测方法实施例的解释说明也适用于该实施例的基于模糊神经网络的发动机水温预测装置，此处不再赘述。
62.根据本技术实施例提出的基于模糊神经网络的发动机水温预测装置，可以利用模糊神经网络算法对试验数据进行训练，得到整车在不同边界下发动机的热量数据库，将整车行驶所需工况边界代入数据库，得到相应的热量，通过一维仿真得到发动机水温，并通过仿真结果和试验目标的对标，更新完善数据库，从而减少对工程师工程经验的依赖，避免工程师由于工程经验不足导致的误差，减少工程师的培养周期，并进一步提高发动机水温预测的准确度和效率，使工程师在预研阶段可以根据水温更好的制定方案发挥发动机的最大性能。由此，解决了相关技术中，对发动机水温的预测依赖于工程师的工程经验，局限性较大，且易造成人工误差，导致预测结果精度较差的技术问题。
63.图6为本技术实施例提供的车辆的结构示意图。该车辆可以包括：
64.存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
65.处理器602执行程序时实现上述实施例中提供的基于模糊神经网络的发动机水温预测方法。
66.进一步地，车辆还包括：
67.通信接口603，用于存储器601和处理器602之间的通信。
68.存储器601，用于存放可在处理器602上运行的计算机程序。
69.存储器601可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
70.如果存储器601、处理器602和通信接口603独立实现，则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，简称为isa)总线、外部设备互连(peripheral component，简称为pci)总线或扩展工业标准体系结构(extended industry standard architecture，简称为eisa)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
71.可选地，在具体实现上，如果存储器601、处理器602及通信接口603，集成在一块芯片上实现，则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
72.处理器602可能是一个中央处理器(central processing unit，简称为cpu)，或者是特定集成电路(application specific integrated circuit，简称为asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
73.本实施例还提供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如上的基于模糊神经网络的发动机水温预测方法。
74.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或n个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技
术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
75.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本技术的描述中，“n个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
76.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或n个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
77.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或n个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
78.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，n个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
79.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
80.此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
81.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限
制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。