基于案例自适应的汽车发动机电控单元.docx
《基于案例自适应的汽车发动机电控单元.docx》由会员分享，可在线阅读，更多相关《基于案例自适应的汽车发动机电控单元.docx（18页珍藏版）》请在冰豆网上搜索。
基于案例自适应的汽车发动机电控单元
基于案例自适应的汽车发动机电控单元
标定
Chi-manVonga,*,Pak-kinWongb,1
aDepartmentofComputerandInformationScience,FST,UniversityofMacau,Macao
bDepartmentofElectromechanicalEngineering,FST,UniversityofMacau,Macao
摘要：
电控单元（ECU）标定对汽车发动机的性能有很大影响。
ECU标定的传统方法是通过不断的试验。
这种传统的方法消耗大量的时间和金钱。
为了解决这个问题就使用基于案例推理方法（CBR），这使得好而起有效的ECU设置可以适应相似类型的发动机。
适应过程是通过更智能的步骤称为基于案例自适应（CBA）（Craw,Jarmulak,&Rowe,2001;Craw,Wiratunga,&Rowe,2006;Leake,Kinley,&Wilson,1996,1997）.CBA是一种有效的管理工具，它可以交互地学专家适应的知识。
本文简要回顾CBR和CBA方法。
然后通过一个案例研究描述ECU标定的应用。
CBR和CBA，ECU标定的效率可以提高。
一个原型系统也已开发验证ECU中CBR标定的用处。
关键词：
基于案例推理法（ＣＢＲ），基于案例自适应法（ＣＢＡ），ＥＣＵ标定
1．引言
现代汽车发动机通过电控单元（ECU）控制。
ECU控制参数设置对发动机的性能有重要影响，如功率，扭矩，降低油耗和排放水平。
电控单元（ECU）软件参数化是现代汽车发动机的发展过程中的一个重要里程碑。
这个过程被称为电控单元ECU标定或设置。
图1屏幕显示一个在ECU软件上的标定过程。
ECU标定依赖于发动机。
换句话说，一个ECU标定只适用于同一发动机模型。
传统ECU标定是由汽车生产商做的。
然而，在近年来，可编程控制器（图2）和ECU只读存储器（ROM）编辑已被广泛采用的许多性能的车辆。
这些装置允许非厂家或工程师根据他们不同的附加组件和司机的要求设置引擎，并为汽车后市场工业创建商机。
发动机标定试验依靠有经验的汽车工程师，他们将处理数量庞大控制参数组合并根据不同的控制参数组合在底盘测功机上进行发动机试验。
现代汽车发动机输入与输出参数之间的关系是一个复杂的多变量非线性函数，求解是很困难的（Li，2005）。
因此，调整发动机通常是通过反复试验的方法。
这花费了大量的时间和金钱。
在实践中，许多汽车工程师喜欢根据现有的基础MAP标定引擎，ＭＡＰ从一个类似的发动机或相同的引擎得到。
基本ＭＡＰ的参数进行调整后适应不同的性能需求的的发动机，甚至适应另一类似的发动机。
基于案例的推理（CBR）方法完全符合工作环境，即，基于检索类似的情况，然后进行改编以适应不同的新情况。
因此，基于案例推理和自适应框架被广泛用于计算机辅助ECU标定的研究。
2．基于案例的推理法
基于案例的推理（Armengol,2007;Kolodner,1993;Pal&Shiu,2004）是一个简单的解决问题的范例，包括当前的问题与在过去成功地解决的类似问题的匹配。
这个过程可以增强适应的解决方案，使他们能够更密切适应当前的问题。
有许多CBR应用例子，例如，一名汽车修理工修复发动机召回另一辆汽车表现出类似的症状，律师主张一个特定的在试验的基础上，判例或法官是谁创造的结果判例法。
因此，CBR是一种突出的比喻求解。
由于CBR是一种懒惰的学习方法，它不会引起产生有用的定理，但储存的所有实例（例）在一个案例库。
当一个新的问题是进入的CBR系统解决这个问题，一个案例包括其解决方案也存储在案例库。
因此，CBR研究是通过案例积累。
在CBR系统的知识库维护变得容易，不需要重新编译整个系统（Nilsson&Sollenborn,2004;Thibault,Siadat,&Martin,2006）。
在理论上，CBR已经公式化为计算机处理的一四步推理过程（Gebhardt,Vo,Grher,&Schmidt-Belz,1997;Watson&Marir,1994
●检索：
给定一个目标问题，CBR从案例库检索有关的问题并解决。
一个案例是由问题，它的解决方案，和特点，如何推导出了解决方案的注释。
●重用：
从以前的案例指导求解以适应目标问题。
这可能包括适应的解决方案要适应新形势。
●修改：
具有与以前的解决方案相似的目标情况，在现实世界中的新的解决方案的测试（或模拟）并且如果有必要，再修改。
●保留：
在解决方案已经成功地适应目标问题，存储了所产生的经验作为一种新的情况存储。
在下面的小节中进行描述检索和重用阶段。
修改和保留阶段是在4节与ECU标定的应用一起描述。
2.1．检索相似函数
在CBR检索的阶段，一个相似函数有许多不同的设计（Pal&Shiu,2004;Pan,Yang,&Li,2004）。
然而，一个简单的相似函数（Watson，2001；沃森与marir，1994）通常是用来从参考里寻找相似的问题：
Ｗｉ是一个实例属性的重要性，SIM卡是相似的功能的原语，Ｆｉ和FR分别是输入和检索案例的特征值。
用户可以自由地设计相似函数，但这主要功能可以使用欧氏距离函数并将方程
（1）的：
距离的标志特征
ｆｉ范围是在案件第ｉ个特征。
它是用正常化的差
保证不同的在区间（0，1）。
象征性的特点，范围（FI）=1。
检索到的情况下，用最小的E值表示最相似的新案例是因为现在E值指示距离（差）的输入和检索的关系。
同样也可以使用百分比表示
2.2．重用
在检索到一个类似的案例后，这是重用生成一个新的解。
这个过程被称为重用阶段或适应。
适应方法在CBR（Gebhardt等人，1997；Veloso，1994）根据主要问题域的复杂性可分为置换适应适应，转型适应和派生重塑。
ECU标定，只有替代适应，或具体参数的调整，是因为案例模式没有必要的修改是。
不过，要设置一个新的发动机或一个新的性能要求CBA需要适应现有的ECU参数辅助。
3．基于案例的自适应（CBA）
适应在CBR中听起来容易，但很难实现，因为没有通用的规则可以覆盖所有非常具体的情况。
获得知识的唯一途径是适应通过自己的方式来处理人类领域不同的问题（Seifert，2005）。
然而，尽管人类领域的专家不可能准确回答问题如何处理。
随着CBA出现，以前的困难可以减轻。
ＣＢＡ的一般概念是首先以Leake,Kinley,和Wilson（1996，1997）提出，他们展现一种称为DIAL的系统，在一定程度上，在类似但不同的情况下自动建议救灾计划解决方案。
ＣＢＡ的研究打开并吸引了许多研究者。
Craw,Jarmulak,和Rowe（2001）和Craw,Wiratunga,和Rowe（2006）甚至提供了一个制定一个适应更多的公式结构与相应ＣＢＡ工作流。
然而，目前还没有正式的关于如何适应的知识出现。
在下面的部分，根据从文学概念详细介绍了ＣＢＡ（Craw等人.,2001,2006;Leake等人.,1996,1997）
3.1.自适应数学模型
CBR的适应知识是通常以定理表示。
适应定理规定，在一定条件下，为了产生价值对新问题的解决方案如何修改特征值。
一个适应性预期模型（Bergmann&Wilke，1998）是最近提出的一种顺序适应的规则被称为适应历史序列，在适应规则的定义功能转变为成功案例。
数学表达式，一般适应的情况下
其中C是检索的情况下，ai是适应或适应规则或适应操作者。
3.2.ＣＢＡ原理
当问题域被简化或者容易理解，集适应规则的AI可以很容易影响和自动选择该系统使类似情况的，产生一个老一个新的。
适应规则的选择是容易通过新的问题与目前的检索的案例比较出不同差异。
此外，因为他们可能不被交换应用序列适应规则也很重要。
虽然适应数学模型被公式化，在现实世界中的问题，目前还没有通用的方法找出适应规则的AI和相应的序列。
然后选择适应规则的AI和它们的顺序，只能留给用户，根据他/她的领域的经验。
因此，适应在这样的领域域是被经验驱动。
从用户评论的适应规则减轻负担选择最合适的，另一个源的适应知识的自动系统的引导是选择合适的适应规则必要的。
因为这个选择过程基于领域经验，另一个层次的CBR可以建立增强适应阶段。
这种CBR方法集成增强适应是称为基于案例自适应（ＣＢＡ）。
在ＣＢＡ，指导适应（包括什么是适应特征和如何适应特征）是由以前案例。
指导提供适应信息称为一个适应案例。
一个适应的案例包含适应的元信息和不同的CBR案例。
当潜在的问题详细的解决方案是确定的，它并不总是清楚应该是固定的解决问题。
如果一味采用自适应规则，新生成的解决方案可能不具备足够的尽管它可能仍然满足所有用户的要求。
不过，以往的经验来指导适应可以促进叙述改编导致创造性的解决方案。
领域专家如何适应的知识应该是CBR系统使用中捕获，大概提供适应案例。
适应案例库初始安装后，随着时间的推移，专家通过重复使用的CBR系逐渐统填补适应案例库。
这提供了一种更自然的方式来获取领域知识这是不容易捕捉到生产规则通过通信专家。
因此，ＣＢＡ的主要目的是在一些复杂的问题领域提供一个更方便的和一致的执行情况的方法，如ECU标定的适应。
ＣＢＡ的整体运作如图3所示，它主要组成由：
1.自适应案例检索阶段：
从图3步骤1–4。
适应是在步骤5中所做的。
2.学习阶段（案例和适应案例）：
它是步骤6–9。
3.维护阶段：
它是（步骤6和步骤9）当学习的案例或适应案例要添加到库时检查一致性和冗余。
3.3.自适应结构
ＣＢＡ可以看作是适应过程的另一个CBR。
这种内在的CBR的目的是协助外CBR系统适应。
CBR外层案例的表示系统通常是依赖于域。
所以，CBR系统案例的表示没有正式的模型构建。
然而，对于内部的CBR系统（ＣＢＡ）。
案例的表示（Burke,Qu,Petrovic,&MacCarthy,2000;Kelbassa,2005;Lieber 2007;Zhang,2007）可以概括成一种格式，应至少包含以下信息：
（Ⅰ）的适应能力：
案例的适应功能，例如，那些功能可以进行修改，那些特点可以添加，删除，等等
（Ⅱ）以前的成功自适应案例：
参考过去类似的成功的适应状况，简化一个ID连接正常的案例。
（Ⅲ）适应历史：
适应的建议规则。
第一和第二部分的适应情况作为检索的索引（图3第2步）。
检索一个类似的适应情况，第一步是当前问题冲突与（第一部分）适应案例能力的特征匹配。
如果适应案例包含的知识能解决当前问题冲突特点，这是说，适应案例能够处理当前的问题，与适应的情况下是选中的候选案例提供适应过程中的决策支持。
第二步检索相似的适应案例，（图3，步骤3）涉及匹配当前检索的情况下对过去案例成功地适应（自适应的案例II部分）。
匹配是完全相同的检索使用式（4）。
如果过去成功地适应适应的参考案例的情况是类似于目前的检索的情况下，然后第三部分适应的情况下（适应历史）推荐的用法（图3步骤4）。
从检索到的调整历史只是为适应一个参考，不保证成功的适应。
然后，用户需要细化序列。
用户细化的适应历史被视为一个新的适应结果部分为了应对未来的类似情况的适应过程（如图3所示，步骤7）。
目前的检索的情况下填写的第二部分适应的情况下而第三部分填充用户精顺应历史。
在此基础上改编历史，列表为适应情况的功能可以被提取，这样的适应情况第一部分可以填充（图3，8）。
3.4．为ＣＢＡ匹配算法
适应的案例检索是基于两个问题：
处理解决方案特点能力和目前的检索案例基本情况的相似性。
在寻找能够适应的情况下，有三个可能的情况：
A.精确匹配：
属性（当前检索的案例）=属性（适应案例）。
B.相似和适应：
属性（当前检索案例）≤属性（适应案例）。
C.相似但不适应性：
属性（当前检索案例）－属性（适应案例）＝Ø。
精确匹配，意味着该解决方案需要的属性与适应提供案例属性完全相同的，这是理想的情况。
类似的适用情况发生在适应案例不仅包含特征，适应案例也包含一些不必要的适应特征。
一些无用的结果将产生与人类干预修改适应规则集是必要的。
在改编案例匹配上可能出现的情况是类似的但不适合。
当适应案例不能够适应需要的解决方案的特征，它不适应于当前的现状。
发明的新的适应规则要克服这种不适应的问题。
匹配算法是在图4简要地说明了，在属性（x）是一个集，设置差分算子，|X|是集的基数算子。
3.5．CBR和ＣＢＡ的研究与维护
在CBR，每当适应现有的解决方案来解决“新问题”，一个新的案例包含“新问题”，随着产生适应解。
然后这个新情况检查对一致性和冗余案例库。
如果一个确切的（或非常相似的）案例库中的情况发现，那么新案例不添加到案例库，案例库已经覆盖了这个新的情况。
重复的情况下，它是删除或修复的基础上维护过程，这属于案例库维护的话题（Shiu,Yeung,Sun,&Wang,2005），是本文的范围。
在系统本研究实施，一个矛盾的情况下被忽略。
在检查的一致性和冗余的情况下，新的情况添加到案例库以便将来重用（图3，6）。
这是学习和维护的CBR–过程中保留。
同样的，ＣＢＡ使用相同的程序，学习和维护（图3，步骤9）。
与一般的学习方法相比，知识不是在学习阶段掌握的。
学习CBR方法存储一个新的案例。
这个过程更容易且更愿意学习方法。
在CBR维护也更容易因为这是直接在学习阶段，渴望学习方法不能。
因此，必要的知识基础在CBR维护才能减少努力过程。
4．ECU标定中的应用
在现代汽车发动机，许多发动机的性能由ECU控制参数影响，如动力性能，怠速性能和排放性能。
作为问题域的范围是非常广泛的，这个项目的选择后市场的发动机ECU标定调整显示的CBR和ＣＢＡ方法效果显著。
发动机的动力性能通常被表示为对速度的功率曲线。
在特定的发动机功率速度主要取决于发动机在敞开节气门的扭矩，公式（5）（pulkrabek，2004）
ＨＰ是在相应速度R的发动机马力，TR是在相应速度R的发动机的发动机扭矩（公斤米），R是发动机转速（RPM：
每分钟转数）。
发动机的输出功率性能数据对转速和扭矩马力曲线的一个例子如图5所示。
后市场用户有很大的自由来调整动力根据自己的需要一辆车。
方程（6）显示发动机的目标动力性能调整P（X）及调谐，这试图最大限度地提高在特定的速度取决于发动机的扭矩不同的用户定义的
在WR的扭矩函数tr（x）在相应的发动机转速R范围用户定义的权重，范围从.［0－10］。
从内燃机的工作特性机，它是不可能在所有发动机转速获得发动机的最大扭矩，发动机转速与扭矩之间的权衡是必要的（即偏好低速转矩或中速扭矩或高速扭矩）。
因此，用户特定的权重必须介绍。
在每个ECU标定，标定ＭＡＰ通常分为离散区间500rpm的发动机转速（参见图1次）。
因此，ｒ属于Ｔ={1000，1500，2000，..8500转}。
在方程（6），T（x）的扭矩作用相当于产生的力矩通过ECU设置X在节气门全开，和下面的ECU参数的选择情况下阐释研究目的：
Ｉｒ是在相应的发动机转速的点火提前角（在上死点的程度），Tｒ是在相应的发动机转速r的燃油喷射时间（ms），JR定时停止燃料时间
在相应的发动机转速R，ｄ是点火的停留时间在15V（MS），和VT是VTEC转换速度（2500–7000rpm，间隔：
500转）。
根据以上信息和目标，当前研究案例
可以被定义构造为C=（W，X）。
在CBR条件里，W是问题的一部分，而X是解决方案（检索）部分。
最后，著名的本田例
B系列VTEC引擎使用。
假设一个汽车工程师已标定的本田B16A引擎基于不同发动机的扭矩的要求（即，权重向量W），他/她会产生
底图（即，ECU设置x）。
所有这些情况（即，（w，x））被存储在案例库的CB（后来，我们表示一个案例库含ECU设置B16A的cbb16，而另一个本田的B系列发动机b18ccbb18）。
当b18c本田发动机CBRECU标定的需要，可用于案例从cbb16适应。
原因是B16A和b18c引擎非常相似。
4.1．检索
假设在一个新的用户输入转矩要求z属于[1….10]为一台本田b18c发动机ECU设置Y。
在相应的发动机转速下的1–10表征发动机扭矩的重要性，发动机转速和共有16组（即，1000，1500…8500）。
权重Z可以被认为是案例问题一部分。
对当前应用程序的相似度函数指定在式
（2），其中fi=Z，FR=W，W=[1，1，1……..1]，所有的功能在目前的应用都是同等重要的。
在所有的功能范围的Z，W是相同的（即，在[1，10]）所以在式特征的范围
（2）是恒定的。
它应该需要指出的是，我们的[1，...10]，因为他们指定的权重16种不同的发动机转速。
用式（4）计算的相似性Z对每个W在案例库cbb18，最相似的Cbest=（Wbest，Xbest）检索为（图6），如果有，在xbest手段最相似的ECU安装。
然而，如果没有类似的病例中存在的cbb18，然后cbb16被选择为最合适的情况下，但适应需要适应B16AECU设置以适应b18c引擎。
4.2.重用
假设在CBb18没有类似的案例可以找到，但类似的案例可以在CBb16发现。
检索到的情况下，Cbest=（Wbest，Xbest）只对B16A发动机起作用，在Wbest是最相似的输入问题Z。
B18c引擎的解y是来自xbest根据不同的应用专家适应知识在Wbest和Z。
例如，如果Wbest2000=4，Z2000=3，它们的差异tq_diff2000=Z2000–Wbest2000=-1。
基于对所有的发动机转速的这些差异，然后解y=ＣＢＡ（xbest，tq_diffr）就可以得到R。
在下面的将描述用于处理tq_diffr适应知识。
4.2.1.适应知识/规则
适应知识实际上是一系列的单个规则称为适应规则，其中包含一个序列的自适应变异算子如表1所示。
这个规则支配的调整检索的案例的解决方案的一部分xbest。
在这个案例研究，只有置换适应，或具体参数调整，采用案例模式没有修改是必要的。
表2规定了对适应的结构运算符（例如，OP21，这意味着10的值加到t2000特征）。
检索的效率和管理水平，适应知识为了一个应用程序（例如，b16b到B16A发动机，或B16A发动机和b18c发动机，等）通常是存储在一个独立的单表其他案件和其他应用程序。
另外专家用户可以根据必要修改表里。
"operator#"是算子的索引，如，op23,op56,等。
"featurename"是案例中改变的特证名。
"operation"是：
替换或增加、缩小、操作或分开。
“ratio/value“是运算的算子，是真实值。
4.2.2.自适应案
虽然被定义为自适应规则，选择执行适当的适应仍然留给用户。
ＣＢＡ可以帮助这个问题在上一节所讨论的。
根据第3.3节中的定义，一个适应案例的三个部分可以为当前的案例研究定义（表3）。
第一部分“'自适应能力”包含发动机的转速和转矩的差异在一起。
第二部分只包含一个实例ID。
在第一例如，#适应案例，案例#120已成功适应一个新的问题，利用算子{OP21，op33，OP45，..}固定+1的扭矩差下1000转。
虽然运营商的序列可以简化为了适应规则，它仍然是推荐使用自适应算子因为有时一个适应规则可能包含不想要的基于特征的副作用。
4.2.3.ＣＢＡ的ECU标定程序
当扭矩要求Z是指定的用户最相似的案例Cbest=（Wbest，Xbest）被检索到。
通过简单的比较Z和Wbest，列表可以很容易地计算出的转矩重量差异，例如，Z–Wbest=[tq_diff2000，tq_diff2500，...tq_diff8500=[1，3..0]。
每个tq_diffr，除了等于0，需要执行基于实例的修改。
匹配的过程是简单的简单的3.4节中描述的。
符合为适应规则，然后返回tq_diffr。
在这个案例中，一tq_diffr适应规则是对发动机ECU的功能操作速度R.例如，对于tq_diff2000，适应规则={OP21，….}只修改的特征是I2000，t2000，J2000，等，但不做任何改变的是i3000，t4000，j5000，等。
因此，适应规则的交换。
最后，目标解y可以通过应用这些适应规则受到tq_diffr在所有发动机转速，例如，Y=（{op78，..op120}），****（{OP21，...op19}），*（xbest），在*意味着采用自适应算子。
然而，算子在适应规则是有序的，即，{OP21，..op19}，{op19–，..，OP21}，此外检索自适应的规则只是提供参考。
许多规则不能完全匹配当前转矩要求Z。
甚至有适应规则的冲突。
这就是人类适应规则需要修改的原因将为接下来讨论。
4.3.修改
虽然在前面的适应解y满足转矩要求z，实际上转矩要求Z不可能是令人满意的。
更糟糕的是，这自动适应的解决方案是远远不能令人满意。
在这一刻，用户要根据他/她的经验对检索适应规则做必要修改。
当执行适应，至多有16个检索适应规则tq_diffr因为R属于T={1000，1500，2000，。
..8500}这16个适应规则的每个需要用户可以做几个方面修改：
1.改变自适应算子的顺序；
2.从适应知识插入或移除算子；
3.包含1和2。
如果现有的算子不能执行必要的自适应，用户也可以创建新的自适应变异算子。
4.4.保留
一个新的解y=ＣＢＡ（xbest，tq_diffr）在以前的被自动或手动阶段修改和产生。
这个新的解决方案与扭矩要求Z是一种新的案例Cnew=（Z，Y）发动机b18cECU设置。
如果此设置Y验证要执行的测功试验（图7），该案件保留将来使用。
除了这样睡，适应该ＣＢＡ过程中（如果有）也应予以保留。
在本案例中，每次ＣＢＡ最多只能产生16适应的情况下，根据tq_diffr。
如果tq_diffr不等于0，相应的适应情况需要检查保留。
适应案例包含以下信息：
其中r是发动机转速，tq_diff权重差异，ID（xbest）是在案例库中案例CB，和适应规则是自适应算子的顺序。
例如，Cadapt=<2000，+1，120，{op23，op56，}>在保留案例前，应检查它不会出现在其他地方（至少是与任何现有的在案例不相似）案例库cbb18确保没有冗余和不一致的。
同样，cadapt还需要检查自己的适应案例库的保留。
相似性检查可以用公式中的相似功能（4）。
无论是在cbb18是否有任何类似的情况，其结果将显示给用户的判断的情况下应不应该保留。
因此，对于高质量的案例和自适应案例，b16a到b18c设置可以通过这种方式积累。
5.实验结果
为一个新的发动机模型的完整的ECU标定通常需要一到两年。
事实上，有经验的工程师在本田B16A引擎仍然花费至少半年调整了一个类似的模型B18c引擎，因为ECU设置和测功试验仍然需要大量反复试验。
此外，ECU标定类似于规划和设计领域显性知识是很难解释和管理的。
因此学习ECU标定曲线一个新手汽车工程师可能需要两到三年。
这两个问题，一些已经进行了实验，表明ＣＢＡ的贡献：
（1）大大减少从一个现有的发动机模型到新模型的自适应必要时间；
（2）促进ECU标定的知识管理，使初级工程师可以从CBR系统在较短的时间更好的学习。
为了完成实验，用BorlandC++编译器在MSWindowsXP下实现原型系统，它提供的基本的图形用户界面和数据库管理体系的构建和数据库的链接，这是案例库。
案例库中存储的DBF格式。
许多商业数据库管理系统浏览和修改案例库未启动原型系统。
整个实验流程和概念
升级会员 