一种整车动态参数优化方法、模型训练方法及系统技术方案

本申请涉及一种整车动态参数优化方法、模型训练方法及系统。整车动态参数优化模型训练方法包括：采集输入结果及对应的输出结果；配置初始模型，初始模型包括输入层、隐含层以及输出层；将输入结果输入初始模型，获得采样结果，并将输入结果和对应的采样结果作为第一样本点；将多个第一样本点分别进行编码，获得第一代种群和第t代种群；将t代种群进行反编译，获得第二样本点；通过第二样本点来更新初始模型的模型参数，获得优化模型，以使优化模型根据n种类型的整车动态参数优化增程器能耗参数及NVH参数。该优化模型能够基于采集的输入结果，获得优化结果，基于整车动态参数，来实现对输出结果中增程器能耗参数及NVH参数的优化。输出结果中增程器能耗参数及NVH参数的优化。输出结果中增程器能耗参数及NVH参数的优化。

【技术实现步骤摘要】
一种整车动态参数优化方法、模型训练方法及系统


[0001]本申请涉及新能源汽车
，特别是涉及一种整车动态参数优化方法、模型训练方法及系统。

技术介绍

[0002]增程式电动汽车在低电量运行时，为了保证动力电池电量不持续降低，增程器会介入工作并以较大功率进行发电。通常需要对增程器转速、扭矩、车速、电子控制器功率等整车动态参数的选择及标定，由于，涉及多种输入量与输出量的目标优化，难以兼顾增程器的能耗参数以及NVH（Noise、Vibration、Harshness/噪声、振动、声振粗糙度）参数，造成整车动态参数优化性能不佳，用户体验度较差的问题。

技术实现思路

[0003]基于此，提供一种整车动态参数优化方法、模型训练方法及系统，改善现有技术中整车动态参数优化的问题。
[0004]本专利技术提供一种整车动态参数优化模型训练方法，包括：采集输入结果及对应的输出结果，其中，所述输入结果包括n种类型的整车动态参数，所述输出结果包括s种类型的增程器能耗参数及NVH参数；配置初始模型，所述初始模型包括输入层、隐含层以及输出层，其中，所述输入层的节点数量为n个，所述输出层的节点数量为s个；将所述输入结果输入初始模型，获得采样结果，并将输入结果和对应的采样结果作为第一样本点，其中，所述采样结果包括s种类型的输出值；将多个所述第一样本点分别进行编码，获得第一代种群，其中，所述第一代种群包括多个与所述第一样本点所对应的第一代基因；基于所述输出结果，对所述第一代种群内的所述第一代基因进行第一排序，选择大于第一匹配度的第一代基因；将选择后的第一代基因进行交叉和变异，获得第一代子代基因，将所述第一代子代基因与保留后的第一代基因进行第二排序，选择前a个基因作为第二代种群，并进行t
‑
1次迭代，将所述第t
‑
1代子代基因与保留后的第t
‑
1代基因进行第二排序，获得第t代种群，t≥2；将所述t代种群进行反编译，获得第二样本点；通过所述第二样本点来更新所述初始模型的模型参数，获得优化模型，以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数。
[0005]可选的，将所述第t
‑
1代子代基因与保留后的第t
‑
1代基因进行第二排序，获得第t代种群，包括：基于拥挤距离比较算子，将所述第t
‑
1代子代基因与保留后的第t
‑
1代基因进行排序；
根据拥挤距离小于或者等于距离阈值的基因，确定第t代种群。
[0006]可选的，通过所述第二样本点来更新所述初始模型的模型参数，获得优化模型，以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数，包括：配置所述隐含层的基函数；通过所述隐含层的节点的基函数参数，确定所述输入层的节点与所述隐含层的节点的连接关系，其中，所述基函数参数包括所述基函数的中心以及宽度。
[0007]可选的，所述隐含层的基函数数学表达为：其中，为所述隐含层第j个节点的基函数，为第i个输入结果，为所述隐含层第j个节点的基函数的中心，为所述隐含层第j个节点的基函数的宽度，exp为自然常数e为底的指数函数；所述采样结果的数学表达为：其中，为采样结果第i个输出结果，为隐含层中第j个节点与输出层第k个节点的权值，s≥k≥1，为参数阈值。
[0008]可选的，将多个所述第一样本点分别进行编码，获得第一代种群，包括：获取P组第一样本点，其中，第一样本点为，分别为维向量且为第i个输入结果，为s维向量且为第i个输出结果；将多个所述第一样本点分别进行标量化，获得所述第一代种群。
[0009]本专利技术提供一种整车动态参数优化方法，应用所述的优化模型，包括：获得样本输入量，将所述样本输入量输入所述优化模型，获得优化结果，其中，所述样本输入量中整车动态参数的类型数量与所述优化模型中输入层的节点数量一致，所述优化结果中增程器能耗参数及NVH参数的类型数量与所述优化模型中输出层的节点数量一致。
[0010]可选的，获得样本输入量，将所述样本输入量输入所述优化模型，获得优化结果，之后还包括：通过增程器能耗关联参数设定样本阈值；淘汰与所述样本阈值不匹配的优化结果。
[0011]本专利技术提供一种整车动态参数优化模型训练系统，所述系统包括：采集模块，用于采集输入结果及对应的输出结果，其中，所述输入结果包括n种类型的整车动态参数，所述输出结果包括s种类型的增程器能耗参数及NVH参数；配置模块，用于配置初始模型，所述初始模型包括输入层、隐含层以及输出层，其中，所述输入层的节点数量为n个，所述输出层的节点数量为s个，将所述输入结果输入初始模型，获得采样结果，并将输入结果和对应的采样结果作为第一样本点，其中，所述采样结果包括s种类型的输出值；训练模块，用于将多个所述第一样本点分别进行编码，获得第一
代种群，其中，所述第一代种群包括多个与所述第一样本点所对应的第一代基因；基于所述输出结果，对所述第一代种群内的所述第一代基因进行第一排序，选择大于第一匹配度的第一代基因；将选择后的第一代基因进行交叉和变异，获得第一代子代基因，将所述第一代子代基因与保留后的第一代基因进行第二排序，选择前a个基因作为第二代种群，并进行t
‑
1次迭代，将所述第t
‑
1代子代基因与保留后的第t
‑
1代基因进行第二排序，获得第t代种群，t≥2；将所述t代种群进行反编译，获得第二样本点；通过所述第二样本点来更新所述初始模型的模型参数，获得优化模型，以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数。
[0012]还提供一种整车动态参数优化系统，所述系统包括：优化模块，用于获得样本输入量，将所述样本输入量输入所述优化模型，获得优化结果，其中，所述样本输入量中整车动态参数的类型数量与所述优化模型中输入层的节点数量一致，所述优化结果中增程器能耗参数及NVH参数的类型数量与所述优化模型中输出层的节点数量一致。
[0013]提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
[0014]提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤。
[0015]提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
[0016]提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的方法的步骤。
[0017]采用本专利技术的有益效果为：上述整车动态参数优化方法、模型训练方法及系统，通过上述整车动态参数优化模型训练方法获得优化模型，该优化模型能够基于采集的输入结果，获得输出结果，基于整车动态参数，来实现对输出结果中增程器能耗参数及NVH参数的优化。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种整车动态参数优化模型训练方法，其特征在于，包括：采集输入结果及对应的输出结果，其中，所述输入结果包括n种类型的整车动态参数，所述输出结果包括s种类型的增程器能耗参数及NVH参数；配置初始模型，所述初始模型包括输入层、隐含层以及输出层，其中，所述输入层的节点数量为n个，所述输出层的节点数量为s个；将所述输入结果输入初始模型，获得采样结果，并将输入结果和对应的采样结果作为第一样本点，其中，所述采样结果包括s种类型的输出值；将多个所述第一样本点分别进行编码，获得第一代种群，其中，所述第一代种群包括多个与所述第一样本点所对应的第一代基因；基于所述输出结果，对所述第一代种群内的所述第一代基因进行第一排序，选择大于第一匹配度的第一代基因；将选择后的第一代基因进行交叉和变异，获得第一代子代基因，将所述第一代子代基因与保留后的第一代基因进行第二排序，选择前a个基因作为第二代种群，并进行t
‑
1次迭代，将第t
‑
1代子代基因与保留后的第t
‑
1代基因进行第二排序，获得第t代种群，t≥2；将所述t代种群进行反编译，获得第二样本点；通过所述第二样本点来更新所述初始模型的模型参数，获得优化模型，以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数。2.根据权利要求1所述的整车动态参数优化模型训练方法，其特征在于，将所述第t
‑
1代子代基因与保留后的第t
‑
1代基因进行第二排序，获得第t代种群，包括：基于拥挤距离比较算子，将所述第t
‑
1代子代基因与保留后的第t
‑
1代基因进行排序；根据拥挤距离小于或者等于距离阈值的基因，确定第t代种群。3.根据权利要求1所述的整车动态参数优化模型训练方法，其特征在于，通过所述第二样本点来更新所述初始模型的模型参数，获得优化模型，以使所述优化模型根据n种类型的整车动态参数优化所述增程器能耗参数及NVH参数，包括：配置所述隐含层的基函数；通过所述隐含层的节点的基函数参数，确定所述输入层的节点与所述隐含层的节点的连接关系，其中，所述基函数参数包括所述基函数的中心以及宽度。4.根据权利要求3所述的整车动态参数优化模型训练方法，其特征在于，所述隐含层的基函数数学表达为：其中，为所述隐含层第j个节点的基函数，为第i个输入结果，为所述隐含层第j个节点的基函数的中心，为所述隐含层第j个节点的基函数的宽度，exp为自然常数e为底的指数函数；所述采样结果的数学表达为：其中，为采样结果第i个输出结果，为隐含层中第j个节点与输出层第k个节点的权值，s≥k≥1，为参
数阈值。5.根据权利要求1所述的整车动态参数优化模型训练方法，其特征在于，将多个所述第一样本点分别进行编码，获得第一代种群，包括：获取P组第一样本点，其中，第一样本点为，分别为维向量且为第i个输入结果，为s维向量且为第i个输出结果；将多个所述第一样本点分别进行标量化，获得所述第一代种群。6.一种整车动态参数优化方法，其特征在于，应用如权利要求1至5任一项所述的整车动态...

【专利技术属性】
技术研发人员：黄大飞，孟天，王俊林，陈俊，谭春燕，黄秋涵，骆侯吉，
申请(专利权)人：成都赛力斯科技有限公司，
类型：发明
国别省市：