发动机的断缸模式实现方法、系统及车辆技术方案

本发明专利技术提供了一种发动机的断缸模式实现方法、系统及车辆，该方法包括：选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本；根据训练样本训练小波神经网络；当判断车辆进入断缸模式时，将车辆的运行参数输入训练完成的小波神经网络，以确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据断缸模式信号得到工作气缸的进气流量和喷油量；根据断缸模式信号、工作气缸的进气流量和喷油量对发动机的断缸过程进行控制。本发明专利技术的发动机的断缸模式实现方法在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。

【技术实现步骤摘要】

本专利技术涉及汽车
，特别涉及一种发动机的断缸模式实现方法、系统及车辆。
技术介绍
发动机工作于面工况区间，其转速和负荷范围很广，低负荷率下燃油经济性较差，而随着油耗法规愈发的严格，对于多缸数大排量发动机，降低油耗的需求愈发迫切。断缸技术可以在发动机部分负荷时关闭某个或某几个气缸，为保证发动机功率不变，需要提升工作气缸的负荷率，从而提高发动机的机械效率，降低泵气损失，提升燃油经济性。断缸控制的关键是何时断缸，关闭哪些气缸，断缸时间和关闭哪些气缸将直接影响发动机运转的平稳性、乘客的舒适性、各气缸磨损的均匀性、整机的可靠性，还影响到燃油经济性的改善效果。现有断缸模式的常见实现方式是在发动机部分负荷工况，停止某些特定气缸的工作，不能根据工况变化精确调整断缸时间以及工作缸和停止缸的选择，进而影响断缸的经济性；另外，工作缸和停止缸通常是固定的，容易造成气缸间工作的不均匀性，影响整机的可靠性。
技术实现思路
有鉴于此，本专利技术旨在提出一种发动机的断缸模式实现方法，该方法在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。为达到上述目的，本专利技术的技术方案是这样实现的：一种发动机的断缸模式实现方法，包括以下步骤：选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本，其中，所述训练样本包括发动机转速、输出扭矩和随曲轴转角的扭矩波动情况；根据所述训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络；获取车辆的运行参数，根据所述运行参数判断是否进入断缸模式；如果是，则将所述车辆的运行参数输入所述训练完成的小波神经网络，以根据所述车辆的运行参数确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据所述断缸模式信号得到工作气缸的进气流量和喷油量；以及根据所述断缸模式信号、所述工作气缸的进气流量和喷油量对所述发动机的断缸过程进行控制。进一步的，所述小波神经网络包括输入层、隐含层和输出层，其中，所述输入层具有n个输入节点，所述输出层具有m个输出节点，所述n和m为正整数，所述隐含层的节点数目通过如下公式得到，所述公式为：其中，所述k为所述隐含层的节点数，所述β为1至10之间的任意一个常数。进一步的，所述根据训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络，具体包括：对所述训练样本进行归一化处理，其中，通过sigmoid函数对所述训练样本进行归一化，所述sigmoid函数为：其中，所述c为所述sigmoid函数的系数；将归一化处理后的一组训练样本输入所述小波神经网络进行正向传播；获取由全缸模式切换至断缸模式时的实际扭矩波动差值，并根据所述实际扭矩波动差值和期望的扭矩波动差值进行比较；当所述实际扭矩波动差值和期望的扭矩波动差值之间的误差大于第一误差阈值时，则通过所述小波神经网络对所述误差进行反向传播，以对所述小波神经网络中输入层至隐含层之间的连接权值以及隐含层的连接阈值进行修正，直至所述实际扭矩波动差值和期望的扭矩波动差值之间的误差小于所述第一误差阈值时，得到所述训练完成的小波神经网络。进一步的，从所述输出层作为起始到所述输入层，通过调整每一层的节点的连接权值和连接阈值，进行误差反向传播，其中，通过如下公式对所述小波神经网络中输入层至隐含层之间的连接权值进行修正，所述公式为：其中，所述η为权值修正的学习率，0<η<1，所述wij为第i个输入层至第j个隐含层的连接权值；通过如下公式对所述小波神经网络中隐含层的连接阈值进行修正，所述公式为：其中，所述μ为阈值修正的学习率，0<μ<1，所述θj是第j个隐含层单元的连接阈值；通过如下公式对所述小波神经网络中隐含层至输出层之间的连接权值进行修正，所述公式为：其中，所述vji为第i个隐含层至第j个输出层的连接权值。进一步的，所述车辆的运行参数包括：发动机转速信号、发动机扭矩信号、油门踏板信号、档位信号、车速信号和冷却液温度信号。相对于现有技术，本专利技术所述的发动机的断缸模式实现方法具有以下优势：本专利技术所述的发动机的断缸模式实现方法，结合了小波分析和人工神经网络控制，可以对发动机的断缸系统进行精确的实时控制，神经网络具有自适应、自学习的能力，可以克服控制对象的不确定性和时变性，用较少的试验数据作为样本对网络进行训练，利用小波分析可以使神经网络具有更快的学习和收敛速度，提升控制的实时性。该方法在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。本专利技术的另一目的在于提出一种发动机的断缸模式实现系统，该系统在保证断缸效果(即燃油经济性)的同时，提升了气缸间的均匀性与工作的稳定性，提升整车的可靠性，提升驾驶员的舒适性。为达到上述目的，本专利技术的技术方案是这样实现的：一种发动机的断缸模式实现系统，包括：训练样本获取模块，用于选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本，其中，所述训练样本包括发动机转速、输出扭矩和随曲轴转角的扭矩波动情况；训练模块，用于根据所述训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络；判断模块，用于获取车辆的运行参数，并根据所述运行参数判断是否进入断缸模式；控制模块，在所述判断模块判断进入断缸模式时，将所述车辆的运行参数输入所述训练完成的小波神经网络，以根据所述车辆的运行参数确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据所述断缸模式信号得到工作气缸的进气流量和喷油量，以及根据所述断缸模式信号、所述工作气缸的进气流量和喷油量对所述发动机的断缸过程进行控制。进一步的，所述小波神经网络包括输入层、隐含层和输出层，其中，所述输入层具有n个输入节点，所述输出层具有m个输出节点，所述n和m为正整数，所述隐含层的节点数目通过如下公式得到，所述公式为：其中，所述k为所述隐含层的节点数，所述β为1至10之间的任意一个常数。进一步的，所述训练模块用于：对所述训练样本进行归一化处理，其中，通过sigmoid函数对所述训练样本进行归一化，所述sigmoid函数为：其中，所述c为所述sigmoid函数的系数；将归一化处理后的一组训练样本输入所述小波神经网络进行正向传播；获取由全缸模式切换至断缸模式时的实际扭矩波动差值，并根据所述实际扭矩波动差值和期望的扭矩波动差值进行比较；当所述实际扭矩波动差值和期望的扭矩波动差值之间的误差大于第一误差阈值时，则通过所述小波神经网络对所述误差进行反向传播，以对所述小波神经网络中输入层至隐含层之间的连接权值以及隐含层的连接阈值进行修正，直至所述实际扭矩波动差值和期望的扭矩波动差值之间的误差小于所述第一误差阈值时，得到所述训练完成的小波神经网络。进一步的，所述训练模块从所述输出层作为起始到所述输入层，通过调整每一层的节点的连接权值和连接阈值，进行误差反向传播，其中，通过如下公式对所述小波神经网络中输入层至隐含层之间的连接权值进行修正，所述公式为：其中，所述η为权值修正的学习率，0<本文档来自技高网...

【技术保护点】
一种发动机的断缸模式实现方法，其特征在于，包括以下步骤：选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本，其中，所述训练样本包括发动机转速、输出扭矩和随曲轴转角的扭矩波动情况；根据所述训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络；获取车辆的运行参数，根据所述运行参数判断是否进入断缸模式；如果是，则将所述车辆的运行参数输入所述训练完成的小波神经网络，以根据所述车辆的运行参数确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据所述断缸模式信号得到工作气缸的进气流量和喷油量；以及根据所述断缸模式信号、所述工作气缸的进气流量和喷油量对所述发动机的断缸过程进行控制。

【技术特征摘要】
1.一种发动机的断缸模式实现方法，其特征在于，包括以下步骤：选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本，其中，所述训练样本包括发动机转速、输出扭矩和随曲轴转角的扭矩波动情况；根据所述训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络；获取车辆的运行参数，根据所述运行参数判断是否进入断缸模式；如果是，则将所述车辆的运行参数输入所述训练完成的小波神经网络，以根据所述车辆的运行参数确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据所述断缸模式信号得到工作气缸的进气流量和喷油量；以及根据所述断缸模式信号、所述工作气缸的进气流量和喷油量对所述发动机的断缸过程进行控制。2.根据权利要求1所述的发动机的断缸模式实现方法，其特征在于，所述小波神经网络包括输入层、隐含层和输出层，其中，所述输入层具有n个输入节点，所述输出层具有m个输出节点，所述n和m为正整数，所述隐含层的节点数目通过如下公式得到，所述公式为：k=n+m+β,]]>其中，所述k为所述隐含层的节点数，所述β为1至10之间的任意一个常数。3.根据权利要求2所述的发动机的断缸模式实现方法，其特征在于，所述根据训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络，具体包括：对所述训练样本进行归一化处理，其中，通过sigmoid函数对所述训练样本进行归一化，所述sigmoid函数为：f(x)=11+exp(-cx),]]>其中，所述c为所述sigmoid函数的系数；将归一化处理后的一组训练样本输入所述小波神经网络进行正向传播；获取由全缸模式切换至断缸模式时的实际扭矩波动差值，并根据所述实际扭矩波动差值和期望的扭矩波动差值进行比较；当所述实际扭矩波动差值和期望的扭矩波动差值之间的误差大于第一误差阈值时，则通过所述小波神经网络对所述误差进行反向传播，以对所述小波神经网络中输入层至隐含层之
\t间的连接权值以及隐含层的连接阈值进行修正，直至所述实际扭矩波动差值和期望的扭矩波动差值之间的误差小于所述第一误差阈值时，得到所述训练完成的小波神经网络。4.根据权利要求3所述的发动机的断缸模式实现方法，其特征在于，从所述输出层作为起始到所述输入层，通过调整每一层的节点的连接权值和连接阈值，进行误差反向传播，其中，通过如下公式对所述小波神经网络中输入层至隐含层之间的连接权值进行修正，所述公式为：Δwij=-η∂Ej∂wij,]]>其中，所述η为权值修正的学习率，0<η<1，所述wij为第i个输入层至第j个隐含层的连接权值；通过如下公式对所述小波神经网络中隐含层的连接阈值进行修正，所述公式为：Δθj=-μ∂Ej∂θj,]]>其中，所述μ为阈值修正的学习率，0<μ<1，所述θj是第j个隐含层单元的连接阈值；通过如下公式对所述小波神经网络中隐含层至输出层之间的连接权值进行修正，所述公式为：Δvji=-η∂Ej∂vji,]]>其中，所述vji为第i个隐含层至第j个输出层的连接权值。5.根据权利要求1所述的发动机的断缸模式实现方法，其特征在于，所述车辆的运行参数包括：发动机转速信号、发动机扭矩信号、油门踏板信号...

【专利技术属性】
技术研发人员：于书海，宋东先，孙剑，马兴兴，
申请(专利权)人：长城汽车股份有限公司，
类型：发明
国别省市：河北;13