主要内容

生成深度学习SI引擎模型

这个示例使用:

如果你有深度学习工具箱™,统计和机器学习工具箱™,您可以生成一个动态(瞬态)深度学习火花点燃式发动机(SI)模型用于半实物(边境)测试、动力总成控制、诊断和估计算法的设计。例如,从物理硬件或高保真模型,可以适合深度学习模型来测量引擎瞬态排放数据和用它来后处理控制和诊断算法的发展。

训练深度学习SI引擎模型,动力总成Blockset™使用这种瞬态SI引擎和固定样本数据集。

输入数据 输出数据

  • 油门位置(%)

  • 排气泄压阀面积(%)

  • 发动机转速(RPM)

  • 进气凸轮从公园(度)

  • 排气凸轮延迟从公园(度)

  • 火花延迟从名义(度)

  • λ-空气/燃料比,规范化化学计量的空气/燃料比

  • 气流吸入空气质量流率(千克/秒)

  • 转矩(N·m)

  • 进气歧管气体压力(Pa)

  • 废气温度(K)

生成深度学习引擎模型,

  1. 启动SI引擎测力计参考应用程序。在MATLAB中输入这个命令®命令窗口。

    autoblkSIDynamometerStart
    用于发动机测功器的数据解包。

  2. 当发动机测功器窗口,双击生成深度学习引擎模型框下方的窗口。模型生成可能需要几个小时。

    默认情况下,训练深度学习引擎模型,参考应用程序提供的输入和响应数据从一个实验设计(DoE)组输入如果核心引擎的数据块。或者,您可以使用数据被物理测试,或由动力Blockset从生成的伽马科技有限责任公司发动机模型或其他高保真引擎模型。

    • 在模型生成过程中,培训进度窗口显示了深度学习损失函数(成本函数)变化与迭代。你也可以从这个窗口停止训练过程。当处理完成,停止按钮变为绿色。

      注意,动力总成Blockset使用一半的数据训练模型,半测试模型。

  3. 一旦生成深度学习SI模型,您可以查看结果。

    • 这些成对覆盖显示“测试和训练数据集输入”在稳定状态。使用它们来检查数据用于训练和测试模型跨度相同的空间,与密度大致相同。

    • 这些情节显示七个引擎输入信号深度学习模型使用来测试其创建的输出响应的能力。

    • 这四块显示引擎输出。每个情节显示SI引擎深度学习模型预测输出红色和蓝色的测试数据。

    • 这些直方图显示建模误差分布的四个引擎输出,动态(瞬态)的条件下。错误的区别是响应预测的深度学习模型和测量测试响应的引擎。

    • 仿真数据检查显示一个发动机的性能测试的结果训练SI引擎的深度学习矩阵模型的发动机速度和吩咐发动机扭矩。您可以使用命令和测量转矩响应的比较评估的适用性深度学习模型中使用的车辆模型。

    • 这三维图显示输出转矩与命令转矩的准稳态部分之前的情节。图显示每个州作为一个蓝点。网格显示了曲线拟合的状态,所以你可以想象如果深度学习的整体输出模型。

  4. 你可以选择深度学习SI模型SiDLEngine作为你的引擎工厂模型变体在传统汽车和混合动力电动汽车(HEV)在动力总成Blockset参考应用。例如,在传统汽车参考应用,建模选项卡,设计节,打开变体经理。导航到乘用车>引擎。右键单击SiDLEngine并选择设置为标签模式积极的选择。

  5. 适合自己的深度学习SI引擎模型或调整深度学习培训设置,去参考和运行应用程序项目文件夹FitSiEngineDL.m脚本参考应用程序项目文件夹中。

另请参阅

|

相关的话题