Если у вас есть Deep Learning Toolbox™ и Statistics and Machine Learning Toolbox™, можно сгенерировать динамическую модель двигателя с искровым зажиганием глубокого обучения, чтобы использовать для управления трансмиссией, диагностики и проекта алгоритма средства оценки. Например, подбирайте модель глубокого обучения к измеренным переходным данным об эмиссии механизма и используйте их для управления долечиванием и диагностической разработки алгоритмов. Глубокое обучение двигатель с искровым зажиганием моделирует динамическое поведение механизма из измеренных лабораторных данных или высокочастотной модели механизма.
Чтобы обучить глубокое обучение модель двигателя с искровым зажиганием, Powertrain Blockset™ использует эти данные двигателя с искровым зажиганием.
| Входные данные | Выходные данные |
|---|---|
Скорость вращения двигателя Крутящий момент, которым управляют, | Момент привода Давление газа впускного коллектора Температура газа впускного коллектора Топливный поток Впустите поток массы воздуха Температура выхлопного газа в выпускном коллекторе вставляется Скорость турбокомпрессора Углеводород Engine (EO) (HC) поток массы эмиссии Угарный газ EO (CO) поток массы эмиссии EO азотная эмиссия диоксида окиси и азота (NOx) поток массы эмиссии Углекислый газ EO (CO2) поток массы эмиссии |
Чтобы сгенерировать модель механизма глубокого обучения, выполните эти шаги.
Если это уже не открыто, откройте пример готовых узлов.
Дважды кликните Generate Deep Learning Engine Model. Генерация модели может занять несколько часов.
По умолчанию, чтобы обучить модель механизма глубокого обучения, пример готовых узлов генерирует данные об ответе проекта эксперимента (DoE) из Блока двигателя Ядра SI. В качестве альтернативы можно использовать данные о механизме, сгенерированные Powertrain Blockset из моделей механизма Gamma Technologies LLC или других высокочастотных моделей механизма.
Просмотрите окно процесса обучения, чтобы видеть итерацию или остановить обучение.
Когда обучение запускается, Powertrain Blockset регистрирует эти данные в базовом рабочем пространстве.
EngineInputs M- 2 массива входных параметров механизма
EngineOutputs M- 11 массивов механизма выходные параметры
Powertrain Blockset использует половину данных, чтобы обучить модель и половину тестировать модель.
После того, как вы генерируете модель SI глубокого обучения, просматриваете результаты.
Для каждого механизма выход график отображает модель глубокого обучения двигателя с искровым зажиганием (Pred) и тестовые данные (Тест). Например, этот график показывает сравнение для динамического потока массы эмиссии CO механизма.
Инспектор Данных моделирования отображает скорость модели глубокого обучения двигателя с искровым зажиганием, команды крутящего момента, топливный массовый расход жидкости и скорость вала.
Можно использовать модель SI глубокого обучения, SiDLEngine, как вариант модели завода по производству двигателей в примерах готовых узлов автомобиля с бензиновым двигателем и гибридного электромобиля (HEV). Например, в примере готовых узлов автомобиля с бензиновым двигателем, на вкладке Modeling, в разделе Design, открывают Различного менеджера. Перейдите к Легковому автомобилю> Engine. Щелкните правой кнопкой, чтобы установить SiDLEngine как активный выбор.
Чтобы соответствовать вашему собственному глубокому обучению модель двигателя с искровым зажиганием или настроить настройки обучения глубокому обучению, используйте FitSiEngineLSTM.m скрипт в папке проекта примера готовых узлов.
Mapped SI Engine | SI Core Engine
