基于电控集成智能控制的柴油机降油耗技术研究

为了进一步降低商用车的燃油消耗和CO2排放,开展基于发动机工况需求的电控集成优化控制研究。以某直列4缸电控共轨柴油机为研究对象,以发动机水温为反馈,对发动机水泵、节温器等电控冷却系统零部件进行综合调节,实现快速暖机升温以及正常行驶中发动机水温恒定在最佳温度,并通过优化VGT,改善燃烧过程。试验结果表明,采用智能控制系统可将冷却水温控制在各工况所对应的最优冷却水温附近,基于发动机工况需求的电控集成优化控制可以降低柴油机油耗3.51%,充分验证了智能控制方案的可行性和有效性。

基于AM-CNN-LSTM模型的柴油机NO_(x)排放预测

为精确控制选择性催化还原(selective catalytic reduction,SCR)系统的尿素喷射,提出一种基于注意力机制(attention mechanism,AM)的卷积神经网络(convolutional neural networks,CNN)-长短时记忆网络(long shortterm memory,LSTM)模型预测柴油机NO_(x)排放的方法,根据柴油机NO_(x)生成机理和车辆实际道路测试采集的数据选取相关变量;使用AM-CNN模型提取特征,利用LSTM模型对提取的特征进行分析预测NO_(x)排放。结果表明:该混合模型对NO_(x)排放的预测精度较高,计算时间较少,平均绝对误差为5.307×10^(-6),决定系数为0.932。根据预测模型中输入参数权重分析影响NO_(x)生成的关键因素,可以为优化柴油机燃烧过程提供参考。

面向大数据分析的车重还原算法研究

在当下智能时代,对于准确还原载货车辆行驶时的质量,成为了分析车辆动力需求和优化控制策略的核心问题。然而,面对着诸如干扰大、场景多、采集间隔长等挑战,针对行车大数据的车重估计往往表现出明显的波动。这其中,平均每百秒进行四次换挡,持续6秒的刹车的情形更是屡见不鲜。现有的算法往往难以在信息干扰大、数据缺失等复杂场景下有效应对。因此,本研究以概率统计为基础,提出了一种基于核密度估计的车重还原方法。通过对驾驶行为的深入分析,建立了有效的数据筛选原则。在此基础上,利用车辆纵向动力学方程和递推最小二乘法,完成了对车重的精准估计,并采用核密度估计的技术对所得结果进行了深入分析,以还原真实的车辆质量。此外,针对数据中刹车和换挡等因素的影响,对算法的误差适应性进行了详尽分析。研究结果显示,在换挡和刹车等误差干扰下,所提方法的估计结果稳定在5%以内,成功实现了对载货车辆历史行驶过程中车重的精确还原和追溯。这一研究不仅提供了一种全新的数据智能方法,更为解决行车大数据分析中的实际问题提供了有力支持。