Если у вас есть Deep Learning Toolbox™ и Statistics and Machine Learning Toolbox™, можно сгенерировать динамическую модель двигателя с искровым зажиганием глубокого обучения, которая будет использоваться для управления силовым агрегатом, диагностики и проекта алгоритма оценки. Для примера подбирайте модель глубокого обучения для измерения данных о переходных выбросах двигателя и используйте ее для контроля и диагностики разработки алгоритмов. Глубокое обучение двигателя с искровым зажиганием моделирует динамическое поведение двигателя на основе измеренных лабораторных данных или высокоточной модели двигателя.
Чтобы обучить модель двигателя с искровым зажиганием глубокого обучения, Powertrain Blockset™ использует эти данные двигателя с искровым зажиганием.
| Входные данные | Выходные данные |
|---|---|
Скорость вращения двигателя Командный крутящий момент | Момент привода Давление газа впускного манифольда Температура газа впускного коллектора Расход топлива Массовый расход всасываемого воздуха Температура выхлопных газов на входном отверстии выпускного коллектора Скорость турбонагнетателя Массовый расход выброса углеводородов (HC) Engine (EO) Массовый расход ЭО-монооксида углерода (СО) Массовый расход ЭО-оксида азота и диоксида азота (NOx) Массовый расход углекислого газа (CO2) |
Чтобы сгенерировать модель механизма глубокого обучения, следуйте этим шагам.
Если он еще не открыт, 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 о проекте отклика эксперимента (DoE) из блока СИ Core Engine. Также можно использовать данные двигателя, сгенерированные Powertrain Blockset из моделей двигателя Gamma Technologies LLC или других высокоточных моделей двигателя.
Просмотрите окно процесса обучения, чтобы увидеть итерацию или остановить обучение.
Во время обучения Powertrain Blockset регистрирует эти данные в базовом рабочем пространстве.
EngineInputs — m-by-2 массив входов двигателя
EngineOutputs — m-by-11 массив выходов двигателя
Powertrain Blockset использует половину данных для обучения модели и половину для тестирования модели.
После того, как вы сгенерируете модель СИ глубокого обучения, просмотрите результаты.
Для каждого выхода двигателя график отображает модель глубокого обучения двигателя с искровым зажиганием (Pred) и тестовые данные (Test). Для примера этот график показывает сравнение для динамического массового расхода выбросов CO из двигателя.
Данные моделирования Inspector отображают двигатель с искровым зажиганием скорость модели глубокого обучения, команды крутящего момента, массовый расход жидкости топлива и скорость вала.
Можно использовать модель СИ глубокого обучения, SiDLEngine, в качестве варианта модели объекта управления в обычном транспортном средстве и гибридном электромобиле (HEV) примерах готовых узлов. Для примера в обычном примере готовых узлов транспортного средства, на вкладке Modeling, в разделе Design, откройте Диспетчер вариантов. Перейдите к Пассажирскому автомобилю > Engine. Щелкните правой кнопкой мыши, чтобы задать SiDLEngine как активный выбор.
Чтобы соответствовать собственной модели глубокого двигателя с искровым зажиганием обучения или настроить настройки глубокого обучения, используйте FitSiEngineLSTM.m скрипт в папке проекта примера готовых узлов.
Mapped SI Engine | SI Core Engine
