技术领域
[0001] 本
发明属于发动机测试技术领域，尤其涉及一种
发动机扭矩预测方法和装置。
背景技术
[0002] 在发动机的测试中，扭矩是个很重要的参数，是评价发动机性能指标的重要依据。整车道路试验中的发动机扭矩对于发动机与整车匹配研究至关重要，电控发动机的扭矩可通过读取
电子控制单元(ECU)中扭矩参数的方式获取，而非电控发动机在整车道路试验中无法获取发动机扭矩。
[0003] 对于道路试验中非电控发动机的扭矩获取一直是
汽车行业的难题。
现有技术中，对于非电控发动机的扭矩测量有两种方法，一种方法是通过转毂试验台测量轮胎输出的扭矩；而另一种方法是在
传动轴上串接扭矩测量
法兰盘，但在试验过程中需要断开传动轴，该测量方式首先要获取该传动轴输出的扭矩，然后通过计算
传动比来间接获取发动机扭矩。上述两种方法中，利用转毂试验台测量扭矩，不但试验台价格昂贵，而且不适合大量试验的开展，而采用在传动轴上串接扭矩测量法兰盘的方式测量扭矩需要断开传动轴，这种测量方式破坏了整车原有的
传动系统，无法进行实际的道路试验，且测试数据不准确。
[0004] 可见，上述两种获取扭矩的方法不但不是整车在实际道路试验中获取的真实值，而且也无法模拟实际路况，所以，现有方法均不能通过整车实际道路试验和用户车辆的路谱采集获取整车在道路试验中的发动机扭矩。
发明内容
[0005] 有鉴于此，本发明的主要目的在于提供一种发动机扭矩预测方法和装置，实现了非电控发动机在整车道路试验中获取发动机扭矩的目的。
[0006] 为实现上述目的，本发明提供了一种发动机扭矩预测方法，包括：
[0007] 获取发动机的台架试验数据；
[0008] 利用所述台架试验数据训练预先建立的BP神经网络以获取
预测模型；
[0009] 获取发动机的路谱数据；
[0010] 将所述路谱数据输入所述预测模型后，利用所述路谱数据与发动机扭矩之间的函数对应关系仿真计算出发动机扭矩预测值。
[0011] 优选地，在上述发动机扭矩预测方法中，所述获取发动机的台架试验数据包括：
[0012] 控制台架试验中的发动机在设定负荷下运行；
[0013] 获取所述设定负荷下发动机的运行参数。
[0014] 优选地，在上述发动机扭矩预测方法中，所述获取所述设定负荷下发动机的运行参数包括：
[0015] 利用转速
传感器测量
发动机转速，利用
压力传感器测量发动机进气压力，利用
水力测功机测量发动机扭矩。
[0016] 优选地，在上述发动机扭矩预测方法中，所述利用所述台架试验数据训练预先建立的BP神经网络以获取预测模型包括：
[0017] 建立BP神经网络模型并对神经网络的参数进行初步设置，所述台架试验数据中的转速和进气压力为所述BP神经网络的输入样本数据，所述台架试验数据中的扭矩为所述BP神经网络的期望输出值；
[0018] 利用所述输入样本数据对所述BP神经网络进行训练，直到所述BP神经网络的输出误差函数收敛到设定
精度后，结束训练并得到所述BP神经网络的预测模型。
[0019] 优选地，在上述发动机扭矩预测方法中，所述获取发动机的路谱数据包括：
[0020] 选取实际道路试验中一段时间内的不同时刻点；
[0021] 在所述时刻点，利用所述
转速传感器测量所述发动机的实际转速，利用所述
压力传感器测量所述发动机的实际进气压力，所述实际转速和所述实际进气压力为所述发动机的路谱数据。
[0022] 一种发动机扭矩预测装置，包括：
[0023] 第一获取单元，用于获取发动机的台架试验数据；
[0024] 训练单元，用于利用所述台架试验数据训练预先建立的BP神经网络以获取预测模型；
[0025] 第二获取单元，用于获取发动机的路谱数据；
[0026] 预测单元，用于将所述路谱数据输入所述预测模型后，利用所述路谱数据与发动机扭矩之间的函数对应关系仿真计算出发动机扭矩预测值。
[0027] 优选地，在上述发动机扭矩预测装置中，所述第一获取单元包括：
[0028] 控制单元，用于控制台架试验中的发动机在设定负荷下运行；
[0029] 参数获取单元，用于获取所述设定负荷下发动机的运行参数。
[0030] 优选地，在上述发动机扭矩预测装置中，所述训练单元包括：
[0031] 模型建立单元，用于建立BP神经网络模型并对神经网络的参数进行初步设置，所述台架试验数据中的转速和进气压力为所述BP神经网络的输入样本数据，所述台架试验数据中的扭矩为所述BP神经网络的期望输出值；
[0032] 模型获取单元，用于利用所述输入样本数据对所述BP神经网络进行训练，直到所述BP神经网络的输出误差函数收敛到设定精度后，结束训练并得到所述BP神经网络的预测模型。
[0033] 优选地，在上述发动机扭矩预测装置中，所述第二获取单元包括：
[0034] 选取单元，用于选取实际道路试验中一段时间内的不同时刻点；
[0035] 路谱数据获取单元，用于在所述时刻点，利用所述转速传感器测量所述发动机的实际转速，利用所述压力传感器测量所述发动机的实际进气压力，所述实际转速和所述实际进气压力为所述发动机的路谱数据。
[0036] 可见，本发明发动机扭矩预测方法和装置通过获取发动机的台架试验数据，并以该试验数据为样本对BP神经网络进行训练后得到发动机扭矩预测模型；利用该预测模型可直接对道路试验中包含发动机转速与进气压力值的路谱数据进行扭矩的仿真计算，从而得到了扭矩预测值，有效的解决了非电控发动机在整车道路试验中发动机扭矩无法测量的问题。
附图说明
[0037] 为了更清楚地说明本发明
实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038] 图1为本发明发动机扭矩预测方法的实施例一的流程示意图；
[0039] 图2为本发明BP神经网络结构示意图；
[0040] 图3为本发明发动机扭矩预测方法的实施例二的流程示意图；
[0041] 图4为本发明发动机扭矩预测装置的结构示意图。
具体实施方式
[0042] 发动机转速、进气压力与发动机输出扭矩之间存在着特定的函数关系，但这种函数关系很难用具体的函数表达式去描述，所以，利用基于误差反向传播
算法的
人工神经网络(BP神经网络)强大的函数拟合功能，根据发动机万有特性数据中转速-扭矩-进气压力三者之间的关系，以台架试验中获取的数据为样本，对BP神经网络进行训练，训练结束后，BP神经网络会拟合出转速-扭矩-进气压力三者之间的函数关系。利用训练好的神经网络可以直接对道路试验中包含发动机转速与进气压力值的路谱数据进行扭矩的仿真计算。
[0043] BP神经网络由信息的正向传播和误差的反向传播两个过程组成，
输入层各神经元负责接收来自外界的输入信息，并传递给
中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到
输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
[0044] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045] 参见图1所示，实现发动机扭矩预测方法的具体实施例一的步骤如下：
[0046] 101：获取发动机的台架试验数据；
[0047] 本发明实施例中，上述台架试验数据包括在台架试验中获取的发动机转速、发动机进气压力和发动机扭矩。
[0048] 102：利用台架试验数据训练预先建立的BP神经网络以获取预测模型；
[0049] 本发明利用MATLAB神经网络工具箱函数进行BP神经网络的建立与数据拟合。首先，在MATLAB环境中新建BP神经网络模型，并对神经网络的参数进行初步设置，神经网络的模型参数图2所示。该神经网络输入层为两个神经元，输入层的数据包括在台架试验中获取的发动机转速和发动机进气压力，输出层为一个神经元，输出层数据为在台架试验中获取的发动机扭矩，中间层可设置为10～15个神经元。相邻两层间的神经元
节点之间有系统默认的权值。
[0050] 本实施例中，建立BP神经网络模型并对神经网络的参数进行初步设置，新建神经网络的输入层节点数为2，中间层神经元节点数为10，输出层神经元节点数为1，台架试验数据中的转速和进气压力为BP神经网络的输入样本数据，台架试验数据中的扭矩为BP神经网络的期望输出值；在用神经网络进行训练时，将发动机台架试验
数据处理成矩阵形式后作为样本数据对神经网络进行训练，首先对全部样本数据即输入层数据和输出层数据作归一化的处理，然后将进行归一化处理后的数据提供给网络，在训练的过程中不断地修正各层神经元的权值和
阈值，直到误差函数收敛到一定的精度后训练结束，此时神经网络中相互连接的节点间的权值和阈值已得到了修正，预测模型已经获取；若训练次数大于预先设定的数值时，网络仍无法收敛，则停止训练。例如：训练后的误差平方和指标小于0.01时，训练停止；或者训练次数大于500次后仍未达到误差目标值，训练停止。
[0051] 103：获取发动机的路谱数据；
[0052] 本实施例中，上述路谱数据包含实际道路试验中相同时刻的发动机转速和进气压力值，路谱数据一般利用INCA
软件通过与发动机ECU数据的通讯而获取。
[0053] 104：将发动机路谱数据输入到BP神经网络预测模型后，利用发动机路谱数据与发动机扭矩之间的函数对应关系仿真计算出发动机扭矩预测值。
[0054] 本实施例中，将待仿真的路谱数据处理成矩阵的形式，并作为神经网络的输入层数据，利用训练好的神经网络预测模型对路谱数据进行仿真。由于发动机转速、进气压力和扭矩这三者之间的函数关系已经建立，神经网络会计算出矩阵形式的扭矩值，且精确度较高。
[0055] 上述实施例一中，通过获取到的台架试验数据对预先建立的BP神经网络进行训练后得到BP神经网预测模型，将实际道路试验中获取的路谱数据作为预测模型的输入层数据，经仿真计算后即可得到发动机扭矩的预测值。
[0056] 参见图3所示，实现发动机扭矩预测方法的具体实施例二的步骤如下：
[0057] 201：建立发动机台架试验，分别控制发动机在不同的设定负荷下运行。
[0058] 202：获取发动机在每一设定负荷下所对应的运行参数，该运行参数包括发动机转速、发动机进气压力和发动机扭矩。
[0059] 本实施例中，在每一设定负荷下，利用转速传感器测量发动机转速，利用压力传感器测量发动机进气压力，利用水力测功机测量发动机扭矩，从而获取发动机运行参数。
[0060] 203：建立BP神经网络模型，并对神经网络的参数进行初步设置。
[0061] 设置内容包括：最大训练次数，学习精度，隐节点数，初始权值、阈值和初始学习速度等参数。
[0062] 204：将在不同设定负荷下通过传感器测量所获取的运行参数处理成矩阵形式，将矩阵形式的测量数据作为样本数据输入给BP神经网络。
[0063] 其中，将测量数据中的发动机转速和发动机进气压作为BP神经网络的输入层数据，将测量数据中发动机扭矩作为BP神经网络的期望输出值。
[0064] 205：计算BP神经网络的隐含层和输出层的输出数据以及网络误差。
[0065] 206：判断网络误差是否小于设定值，如果是，执行步骤207，如果否，执行步骤208。
[0066] 207：结束训练，由于
迭代计算后网络误差小于设定误差，则认为学习已经完成，此时BP神经网络模型已经获取，执行步骤209。
[0067] 208：修正BP神经网络各层的连接权值后执行步骤204。
[0068] 由于BP神经网络的实际输出扭矩与期望输出扭矩不符，则需要继续对BP神经网络进行训练。
[0069] 209：选取实际道路试验中一段时间内的不同时刻点，获取各个时刻点的路谱数据。
[0070] 上述路谱数据包括发动机实际转速和发动机实际进气压力，可利用转速传感器测量发动机的实际转速，利用压力传感器测量发动机的实际进气压力。
[0071] 210：将上述路谱数据处理成矩阵的形式，并作为神经网络的输入层数据。利用训练好的神经网络对路谱数据进行仿真，神经网络会计算出矩阵形式的扭矩值，且精确度较高。
[0072] 上述实施例二中，仅需要在道路试验中记录发动机转速与进气压力值，即可利用BP神经网络预测模型仿真计算得到发动机扭矩，本发明采用常规的转速传感器和压力传感器即可测量发动机转速与进气压力，测量参数非常简单；另外，对于道路试验中的扭矩是通过分析发动机万有特性数据中进气压力-转速-扭矩的关系仿真计算得到的，不存在其他传动系统的干扰，测量准确度较高。
[0073] 图4为本发明发动机扭矩预测装置的结构示意图，该装置包括：第一获取单元1，用于获取发动机的台架试验数据；训练单元2，用于利用台架试验数据训练预先建立的BP神经网络以获取预测模型；第二获取单元3，用于获取发动机的路谱数据；预测单元4，用于将发动机路谱数据输入到BP神经网络预测模型后，利用发动机路谱数据与发动机扭矩之间的函数对应关系仿真计算出发动机扭矩预测值。
[0074] 其中，第一获取单元1包括：控制单元11，用于控制台架试验中的发动机在设定负荷下运行；参数获取单元12，用于获取设定负荷下发动机的运行参数。
[0075] 其中，训练单元2包括：模型建立单元21，用于建立BP神经网络模型并对神经网络的参数进行初步设置，发动机台架试验数据中的转速和进气压力为BP神经网络的输入样本数据，发动机台架试验数据中的扭矩为BP神经网络的期望输出值；模型获取单元22，用于利用BP神经网络的输入样本数据对BP神经网络进行训练，直到BP神经网络的输出误差函数收敛到设定精度后，结束训练并得到BP神经网络的预测模型。
[0076] 其中，第二获取单元3包括：选取单元31，用于选取实际道路试验中一段时间内的不同时刻点；路谱数据获取单元32，用于在所述时刻点，利用转速传感器测量发动机的实际转速，利用压力传感器测量发动机的实际进气压力，发动机实际转速和发动机实际进气压力为发动机的路谱数据。
[0077] 本发明发动机扭矩预测装置通过第一获取单元获取发动机的台架试验数据后，训练单元利用台架试验数据训练预先建立的BP神经网络得到发动机扭矩预测模型，将第二获取单元获取的实际道路试验中的路谱数据作为预测模型的输入层数据，经计算机仿真计算后便可得到发动机的扭矩预测值，从而解决了非电控发动机在整车道路试验中发动机扭矩无法测量的问题。
[0078] 最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0079] 本
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0080] 专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子
硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0081] 以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何
修改、等同替换、改进等，均包含在本发明的保护范围内。
