主要内容

生成一个深度学习SI引擎模型

这个例子使用了:

如果您有深度学习工具箱™和统计和机器学习工具箱™，您可以生成一个动态深度学习火花点火(SI)发动机模型，用于硬件在环(HIL)测试、动力系统控制、诊断和估计器算法设计。例如，将深度学习模型拟合到测量的发动机熄火瞬态排放数据中，并将其用于后处理控制和诊断算法开发。深度学习SI引擎根据测量的实验室数据或高保真引擎模型对发动机的动态行为进行建模。

为了训练深度学习SI引擎模型，Powertrain Blockset™使用这些SI引擎数据。

输入数据 输出数据

  • 发动机转速

  • 进气歧管气体压力

  • 废料门面积百分比

  • 进气凸轮相位角

  • 排气凸轮相位角

  • 火花延迟从正常

  • λ

  • 转矩

  • 气流-进气质量流量

  • 废气温度

  • 节流入口压力

要生成深度学习引擎模型，请遵循以下步骤。

  1. 如果还没有打开，请打开引用应用程序。

    autoblkSIDynamometerStart

  2. 双击生成深度学习引擎模型．生成模型可能需要几个小时。

    默认情况下，为了训练深度学习引擎模型，参考应用程序从SI核心引擎块生成实验设计(DoE)响应数据。或者，您也可以使用Powertrain Blockset生成的引擎数据伽马技术有限责任公司引擎模型或其他高保真引擎模型。

    • 查看训练进度窗口，查看迭代或停止训练。

      Powertrain Blockset使用一半的数据来训练模型，另一半用于测试模型。

  3. 生成深度学习SI模型后，查看结果。

    • 回顾测试与训练数据集引擎稳态目标的成对叠加。

    • 对于每个引擎输入，一个图表显示了深度学习模型用来训练自身以匹配输出响应的输入信号。瞬态输入稳定，以匹配叠加图中显示的稳态目标。该模型没有使用油门位置作为深度学习模型的输入，而是使用了测量到的进气歧管压力响应。该软件使用物理模型计算进气歧管压力，并将其提供给深度学习模型。

    • 对于四个引擎输出，一个图形显示SI引擎深度学习模型(预测-红色)和测试数据(测试-蓝色)。

    • 对于四个引擎输出，一个直方图显示了SI引擎深度学习模型在深度学习模型预测的响应和发动机实测测试响应之间的误差分布。

    • 仿真数据检查器显示了经过训练的SI发动机深度学习模型在命令发动机转速和发动机扭矩操作点网格上的发动机性能测试结果。使用命令和测量扭矩响应比较来评估深度学习模型对车辆模型的适用性。

    • 网格图显示了深度学习SI发动机模型的准稳态扭矩响应。使用此图可以定性地直观地了解发动机在稳态运行时的行为是否与实际物理发动机一致。

  4. 你可以使用深度学习SI模型，SiDLEngine，作为发动机厂的车型变体在传统汽车和混合动力电动汽车(HEV)的参考应用。例如，在传统的车辆参考应用中，对建模选项卡，在设计，打开变体管理器。导航到客车>引擎。右击设置SiDLEngine作为主动选择。

  5. 要适合您自己的深度学习SI引擎模型或调整深度学习训练设置，请使用FitSiEngineLSTM.m参考应用程序项目文件夹中的脚本。

另请参阅

|

相关的话题