用于汽油发动机EMS电子控制系统的制作方法

用于汽油发动机ems电子控制系统
技术领域
1.本技术涉及发动机智能化管理领域，且更为具体地，涉及一种用于汽油发动机ems电子控制系统。


背景技术：

2.汽油发动机（gasoline engine）是汽车的动力引擎，其是以汽油作为燃料，将内能转化成动能的的发动机。汽油发动机在运行过程中，进气系统为汽油的充分燃烧提供洁净而充分的空气，化油器将一定数量的燃油与空气混合并提供所需要的混合气，以使发动机正常运转。
3.但是，在汽车的实际运行中，会面临各种路况，在不同路况下，对汽油发动机有不同的性能要求，这就需要自适应地调整进气量以在满足动力需求的同时，尽可能地提高能源利用率，以降低油耗成本。
4.因此，期待一种用于汽油发动机ems电子控制方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于汽油发动机ems电子控制系统，其采用基于深度学习的人工智能检测技术，以通过一维卷积神经网络模型来挖掘行驶速度值中所蕴含的关于汽车在行驶过程中速度和速度变化的时序变化模式特征以更为精准地表示所述汽车的整体行驶状态，与汽车面对的实际路况进行更好地拟合，并通过解码回归处理来得到空气进气阀开度值的推荐值。这样，对空气进气阀的开度值进行自适应地调整，以使得汽油发动机的进气系统能够自适应地调整空气的进气量以在满足动力需求的同时，尽可能地提高能源利用率，并降低油耗成本。
6.相应地，根据本技术的一个方面，提供了一种用于汽油发动机ems电子控制系统，其包括：
7.行驶状态监控模块，用于获取由速度传感器采集的预定时间段内多个预定时间点的行驶速度值；
8.行驶状态结构化模块，用于将所述多个预定时间点的行驶速度值按照时间维度排列为速度输入向量；
9.行驶状态变化模块，用于计算所述速度输入向量中每相邻两个位置的行驶速度值之间的差异以得到速度变化输入向量；
10.特征提取模块，用于将所述速度输入向量和所述速度变化输入向量分别通过一维卷积神经网络模型以得到速度时序特征向量和速度变化时序特征向量；
11.高斯融合模块，用于使用高斯密度图来融合所述速度时序特征向量和速度变化时序特征向量以得到多尺度速度特征矩阵；以及
12.推荐控制结果生成模块，用于将所述多尺度速度特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的空气进气阀的开度值。
13.在上述用于汽油发动机ems电子控制系统中，所述特征提取模块，进一步用于：使用所述一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络模型的最后一层输出所述速度时序特征向量或所述速度变化时序特征向量，其中，所述一维卷积神经网络模型的第一层的输入为所述速度输入向量或所述速度变化输入向量。
14.在上述用于汽油发动机ems电子控制系统中，所述高斯融合模块，包括：初始联合单元，用于计算所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图；距离指数计算单元，用于分别计算所述速度时序特征向量和所述速度变化时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权修正单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述速度时序特征向量和所述速度变化时序特征向量进行加权以得到加权后速度时序特征向量和加权后速度变化时序特征向量；均值计算单元，用于计算所述加权后速度时序特征向量和所述加权后速度变化时序特征向量之间的均值向量以得到迭代均值向量；方差计算单元，用于计算所述加权后速度时序特征向量和所述加权后速度变化时序特征向量的按位置方差以得到迭代协方差矩阵；迭代单元，用于以所述迭代均值向量和所述迭代协方差矩阵替代所述联合高斯密度图的均值向量和协方差矩阵以得到更新联合高斯密度图；以及，高斯离散化单元，用于对所述更新联合高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述多尺度速度特征矩阵。
15.在上述用于汽油发动机ems电子控制系统中，所述初始联合单元，进一步用于：以如下公式计算所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图；其中，所述公式为：
[0016][0017]
其中，表示所述速度时序特征向量和所述速度变化时序特征向量之间的按位置均值向量，且表示所述速度时序特征向量和所述速度变化时序特征向量的按位置方差构成的协方差矩阵，表示所述联合高斯密度图。
[0018]
在上述用于汽油发动机ems电子控制系统中，所述距离指数计算单元，进一步用于：以如下公式分别计算所述速度时序特征向量和所述速度变化时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；其中，所述公式为：
[0019][0020][0021]
其中，和分别是所述速度时序特征向量和所述速度变化时序特征向量，和是联合高斯密度图的均值向量和协方差矩阵，即表示所述速度时序特征向量和所
述速度变化时序特征向量的均值向量，且表示所述速度时序特征向量和所述速度变化时序特征向量的按位置方差构成的协方差矩阵，其中，向量均为列向量形式，表示按位置作差，表示矩阵乘法，表示以e为底的指数函数运算，和分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
[0022]
在上述用于汽油发动机ems电子控制系统中，所述高斯离散化单元，包括：离散子单元，用于对所述更新联合高斯密度图中各个位置的高斯分布进行高斯离散化以得到多个离散行向量；以及，排列子单元，用于将所述多个离散行向量进行二维排列以得到所述多尺度速度特征矩阵。
[0023]
在上述用于汽油发动机ems电子控制系统中，所述推荐控制结果生成模块，包括：使用所述解码器以如下公式对所述多尺度速度特征矩阵进行解码回归以获得所述解码值；其中，所述公式为：，其中是所述多尺度速度特征矩阵，是所述解码值，是权重矩阵，表示矩阵乘。
[0024]
根据本技术的另一方面，还提供了一种用于汽油发动机ems电子控制方法，其包括：
[0025]
获取由速度传感器采集的预定时间段内多个预定时间点的行驶速度值；
[0026]
将所述多个预定时间点的行驶速度值按照时间维度排列为速度输入向量；
[0027]
计算所述速度输入向量中每相邻两个位置的行驶速度值之间的差异以得到速度变化输入向量；
[0028]
将所述速度输入向量和所述速度变化输入向量分别通过一维卷积神经网络模型以得到速度时序特征向量和速度变化时序特征向量；
[0029]
使用高斯密度图来融合所述速度时序特征向量和速度变化时序特征向量以得到多尺度速度特征矩阵；以及
[0030]
将所述多尺度速度特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的空气进气阀的开度值。
[0031]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于汽油发动机ems电子控制方法。
[0032]
根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于汽油发动机ems电子控制方法。
[0033]
与现有技术相比，本技术提供的用于汽油发动机ems电子控制系统，其采用基于深度学习的人工智能检测技术，以通过一维卷积神经网络模型来挖掘行驶速度值中所蕴含的关于汽车在行驶过程中速度和速度变化的时序变化模式特征以更为精准地表示所述汽车的整体行驶状态，与汽车面对的实际路况进行更好地拟合，并通过解码回归处理来得到空气进气阀开度值的推荐值。这样，对空气进气阀的开度值进行自适应地调整，以使得汽油发动机的进气系统能够自适应地调整空气的进气量以在满足动力需求的同时，尽可能地提高能源利用率，并降低油耗成本。
附图说明
[0034]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0035]
图1为根据本技术实施例的用于汽油发动机ems电子控制系统的应用场景图。
[0036]
图2为根据本技术实施例的用于汽油发动机ems电子控制系统的框图。
[0037]
图3为根据本技术实施例的用于汽油发动机ems电子控制系统的架构示意图。
[0038]
图4为根据本技术实施例的用于汽油发动机ems电子控制系统中高斯融合模块的框图。
[0039]
图5为根据本技术实施例的用于汽油发动机ems电子控制方法的流程图。
[0040]
图6为根据本技术实施例的电子设备的框图。
具体实施方式
[0041]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0042]
申请概述
[0043]
相应地，在本技术的技术方案中，期待基于不同路况对空气进气阀的开度值进行自适应控制以使得汽油发动机的进气系统能够自适应地调整空气的进气量以在满足动力需求的同时，尽可能地提高能源利用率，并降低油耗成本。应可以理解，当汽车在不同路况行驶时，会在汽车当前行驶的速度上呈现差异，由此，可以通过对汽车的行驶速度值进行分析来推断当前汽车面对的路况。但是，一方面，由于行驶速度值在各个时间段内具有着不同的变化特性，同时其还在时间维度上具有着隐藏的关联性关系，难以对于行驶速度值的变化特征进行深度挖掘捕捉；另一方面，行驶速度值的变化与空气进气阀门的开度值之间存在复杂的非线性关联关系，难以用传统的数学模型进行模拟和分析。
[0044]
深度学习以及神经网络的发展为构建用于汽油发动机ems电子控制方案提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述行驶速度值的变化与空气进气阀门的开度值之间的复杂映射关系。
[0045]
具体地，在本技术的技术方案中，首先，获取由速度传感器采集的预定时间段内多个预定时间点的行驶速度值。
[0046]
接着，将所述多个预定时间点的行驶速度值按照时间维度排列为速度输入向量以将所述行驶速度值的时序离散分布构造为结构化的所述速度输入向量，以便于计算机的读取和识别。
[0047]
然后，计算所述速度输入向量中每相邻两个位置的行驶速度值之间的差异以得到速度变化输入向量。也就是，以所述速度变化输入向量来表征汽车行驶过程中行驶速度值的变化信息。
[0048]
考虑到行驶速度值在时间维度上具有着隐藏的关联性关系，其行驶速度值的变化情况也随时间变化而产生变化。因此，在本技术的技术方案中，将所述速度输入向量和所述速度变化输入向量分别通过一维卷积神经网络模型以捕捉所述速度输入向量和所述速度变化输入向量中局部时间窗口内行驶速度值离散分布和速度变化离散分布的高维隐含关联模式特征，从而得到所述速度时序特征向量和所述速度变化时序特征向量。这里，所述一维卷积神经网络模型使用一维卷积核对序列数据进行卷积编码处理，因此天然适合对于所述速度输入向量和所述速度变化输入向量进行特征挖掘，所述一维卷积核具有可学习的神经网络权重参数，其能够在训练过程中，基于训练目的进行参数自适应调整以满足训练目标。
[0049]
考虑到在本技术的技术方案中，所述速度时序特征向量和所述速度变化时序特征向量分别用于表示汽车在行驶过程中速度和速度变化的时序关联特征，为了更为精准地表示所述汽车的整体行驶状态，以与汽车面对的实际路况进行更好地拟合，期待将所述所述速度时序特征向量和所述速度变化时序特征向量进行融合以得到汽车行驶状态特征表示。
[0050]
特别地，在本技术的技术方案中，考虑到所述速度时序特征向量和所述速度变化时序特征向量在高维特征空间中对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述速度时序特征向量和所述速度变化时序特征向量进行级联来获得汽车行驶状态特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂。
[0051]
基于此，本技术的申请人考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，在本技术的技术方案中，使用高斯密度图来融合所述速度时序特征向量和所述速度变化时序特征向量以得到汽车行驶状态特征表示，即所述多尺度速度特征矩阵。具体地，首先构造所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述速度时序特征向量和所述速度变化时序特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述速度时序特征向量和所述速度变化时序特征向量之间相应位置的特征值之间的方差。进而，对所述联合高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述多尺度速度特征矩阵。
[0052]
在得到所述多尺度速度特征矩阵后，通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的空气进气阀的开度值。在本技术的技术方案中，所述解码值表示当前适宜的空气进气阀的开度值，在所述用于汽油发动机ems电子控制系统的运行过程中，可以基于所述解码值来自适应地调整当前时间点空气进气阀的开度值，以使得汽油发动机的进气系统能够自适应地调整空气的进气量以在满足动力需求的同时，尽可能地提高能源利用率，并降低油耗成本。
[0053]
特别地，在使用高斯密度图来融合所述速度时序特征向量和所述速度变化时序特征向量得到所述多尺度速度特征矩阵时，考虑到所述速度时序特征向量和速度变化时序特征向量两者虽然都遵循时序分布，但由于单个特征值表示对应的时序位点之间的错位，使得两者的高斯概率密度分布在高斯密度图的融合目标维度上存在一致性和相关性差的问题，从而影响基于高斯密度图得到的所述多尺度速度特征矩阵的融合效果，降低了所述多尺度速度特征矩阵通过解码器得到的解码值的准确性。
[0054]
因此，在计算所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图时，进一步计算所述速度时序特征向量和所述速度变化时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
[0055][0056][0057]
其中，和分别是所述速度时序特征向量和所述速度变化时序特征向量，和是联合高斯密度图的均值向量和协方差矩阵，即表示所述速度时序特征向量和所述速度变化时序特征向量的均值向量，且表示所述速度时序特征向量和所述速度变化时序特征向量的按位置方差构成的协方差矩阵，其中，向量均为列向量形式。
[0058]
因此，通过计算所述速度时序特征向量和所述速度变化时序特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对于所述速度时序特征向量和所述速度变化时序特征向量进行加权，就可以提高目标特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在高斯密度图的融合目标维度上的一致性和相关性，也就改进了所述多尺度速度特征矩阵的融合效果，从而提升了所述多尺度速度特征矩阵通过解码器得到的解码值的准确性。
[0059]
图1为根据本技术实施例的用于汽油发动机ems电子控制系统的应用场景图。如图1所示，在该应用场景中，首先获取由速度传感器（例如，如图1中所示意的se）采集的预定时间段内多个预定时间点汽车（例如，如图1中所示意的c）的行驶速度值。进而，将所述预定时间段内多个预定时间点的行驶速度值输入至部署有用于汽油发动机ems电子控制算法的服务器（例如，如图1所示意的s）中，其中，所述服务器能够基于所述用于汽油发动机ems电子控制算法对所述预定时间段内多个预定时间点的行驶速度值进行处理，以得到解码值，所述解码值用于表示推荐的空气进气阀（例如，如图1所示意的v）的开度值，所述空气进气阀部署于所述汽油发动机（例如，如图1所示意的e）。
[0060]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0061]
示例性系统
[0062]
图2为根据本技术实施例的用于汽油发动机ems电子控制系统的框图。如图2所示，根据本技术实施例的用于汽油发动机ems电子控制系统100，包括：行驶状态监控模块110，用于获取由速度传感器采集的预定时间段内多个预定时间点的行驶速度值；行驶状态结构化模块120，用于将所述多个预定时间点的行驶速度值按照时间维度排列为速度输入向量；行驶状态变化模块130，用于计算所述速度输入向量中每相邻两个位置的行驶速度值之间的差异以得到速度变化输入向量；特征提取模块140，用于将所述速度输入向量和所述速度变化输入向量分别通过一维卷积神经网络模型以得到速度时序特征向量和速度变化时序特征向量；高斯融合模块150，用于使用高斯密度图来融合所述速度时序特征向量和速度变
化时序特征向量以得到多尺度速度特征矩阵；以及，推荐控制结果生成模块160，用于将所述多尺度速度特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的空气进气阀的开度值。
[0063]
图3为根据本技术实施例的用于汽油发动机ems电子控制系统的架构示意图。如图3所示，首先，获取由速度传感器采集的预定时间段内多个预定时间点的行驶速度值；接着，将所述多个预定时间点的行驶速度值按照时间维度排列为速度输入向量；然后，计算所述速度输入向量中每相邻两个位置的行驶速度值之间的差异以得到速度变化输入向量；继而，将所述速度输入向量和所述速度变化输入向量分别通过一维卷积神经网络模型以得到速度时序特征向量和速度变化时序特征向量；再使用高斯密度图来融合所述速度时序特征向量和速度变化时序特征向量以得到多尺度速度特征矩阵；最后，将所述多尺度速度特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的空气进气阀的开度值。
[0064]
相应地，在本技术的技术方案中，期待基于不同路况对空气进气阀的开度值进行自适应控制以使得汽油发动机的进气系统能够自适应地调整空气的进气量以在满足动力需求的同时，尽可能地提高能源利用率，并降低油耗成本。应可以理解，当汽车在不同路况行驶时，会在汽车当前行驶的速度上呈现差异，由此，可以通过对汽车的行驶速度值进行分析来推断当前汽车面对的路况。但是，一方面，由于行驶速度值在各个时间段内具有着不同的变化特性，同时其还在时间维度上具有着隐藏的关联性关系，难以对于行驶速度值的变化特征进行深度挖掘捕捉；另一方面，行驶速度值的变化与空气进气阀门的开度值之间存在复杂的非线性关联关系，难以用传统的数学模型进行模拟和分析。
[0065]
深度学习以及神经网络的发展为构建用于汽油发动机ems电子控制方案提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并建立所述行驶速度值的变化与空气进气阀门的开度值之间的复杂映射关系。
[0066]
在上述用于汽油发动机ems电子控制系统100中，所述行驶状态监控模块110，用于获取由速度传感器采集的预定时间段内多个预定时间点的行驶速度值。应可以理解，直接分析当前汽车面对何种路况是比较困难的，在本技术的技术方案中，可以通过对汽车的行驶速度值进行分析来推断当前汽车面对的路况。
[0067]
在上述用于汽油发动机ems电子控制系统100中，所述行驶状态结构化模块120，用于将所述多个预定时间点的行驶速度值按照时间维度排列为速度输入向量。也就是，将所述行驶速度值的时序离散分布构造为结构化的所述速度输入向量，以便于计算机的读取和识别。
[0068]
在上述用于汽油发动机ems电子控制系统100中，所述行驶状态变化模块130，用于计算所述速度输入向量中每相邻两个位置的行驶速度值之间的差异以得到速度变化输入向量。也就是，以所述速度变化输入向量来表征汽车行驶过程中行驶速度值的变化信息。
[0069]
在上述用于汽油发动机ems电子控制系统100中，所述特征提取模块140，用于将所述速度输入向量和所述速度变化输入向量分别通过一维卷积神经网络模型以得到速度时序特征向量和速度变化时序特征向量。考虑到行驶速度值在时间维度上具有着隐藏的关联
性关系，其行驶速度值的变化情况也随时间变化而产生变化。因此，在本技术的技术方案中，将所述速度输入向量和所述速度变化输入向量分别通过一维卷积神经网络模型以捕捉所述速度输入向量和所述速度变化输入向量中局部时间窗口内行驶速度值离散分布和速度变化离散分布的高维隐含关联模式特征，从而得到所述速度时序特征向量和所述速度变化时序特征向量。这里，所述一维卷积神经网络模型使用一维卷积核对序列数据进行卷积编码处理，因此天然适合对于所述速度输入向量和所述速度变化输入向量进行特征挖掘，所述一维卷积核具有可学习的神经网络权重参数，其能够在训练过程中，基于训练目的进行参数自适应调整以满足训练目标。
[0070]
具体地，在本技术实施例中，所述特征提取模块140的编码过程，包括：使用所述一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络模型的最后一层输出所述速度时序特征向量或所述速度变化时序特征向量，其中，所述一维卷积神经网络模型的第一层的输入为所述速度输入向量或所述速度变化输入向量。
[0071]
在上述用于汽油发动机ems电子控制系统100中，所述高斯融合模块150，用于使用高斯密度图来融合所述速度时序特征向量和速度变化时序特征向量以得到多尺度速度特征矩阵。考虑到在本技术的技术方案中，所述速度时序特征向量和所述速度变化时序特征向量分别用于表示汽车在行驶过程中速度和速度变化的时序关联特征，为了更为精准地表示所述汽车的整体行驶状态，以与汽车面对的实际路况进行更好地拟合，期待将所述所述速度时序特征向量和所述速度变化时序特征向量进行融合以得到汽车行驶状态特征表示。
[0072]
特别地，在本技术的技术方案中，考虑到所述速度时序特征向量和所述速度变化时序特征向量在高维特征空间中对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将所述速度时序特征向量和所述速度变化时序特征向量进行级联来获得汽车行驶状态特征表示，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂。
[0073]
基于此，本技术的申请人考虑到高斯密度图在深度学习中，广泛地用于基于先验的目标后验的估计，因此可以用于修正数据分布，从而实现上述目的。具体地，在本技术的技术方案中，使用高斯密度图来融合所述速度时序特征向量和所述速度变化时序特征向量以得到汽车行驶状态特征表示，即所述多尺度速度特征矩阵。具体地，首先构造所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述速度时序特征向量和所述速度变化时序特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述速度时序特征向量和所述速度变化时序特征向量之间相应位置的特征值之间的方差。进而，对所述联合高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述多尺度速度特征矩阵。
[0074]
特别地，在使用高斯密度图来融合所述速度时序特征向量和所述速度变化时序特征向量得到所述多尺度速度特征矩阵时，考虑到所述速度时序特征向量和速度变化时序特征向量两者虽然都遵循时序分布，但由于单个特征值表示对应的时序位点之间的错位，使得两者的高斯概率密度分布在高斯密度图的融合目标维度上存在一致性和相关性差的问题，从而影响基于高斯密度图得到的所述多尺度速度特征矩阵的融合效果，降低了所述多尺度速度特征矩阵通过解码器得到的解码值的准确性。
[0075]
因此，在计算所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图时，进一步计算所述速度时序特征向量和所述速度变化时序特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
[0076][0077][0078]
其中，和分别是所述速度时序特征向量和所述速度变化时序特征向量，和是联合高斯密度图的均值向量和协方差矩阵，即表示所述速度时序特征向量和所述速度变化时序特征向量的均值向量，且表示所述速度时序特征向量和所述速度变化时序特征向量的按位置方差构成的协方差矩阵，其中，向量均为列向量形式，表示按位置作差，表示矩阵乘法，表示以e为底的指数函数运算，和分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
[0079]
因此，通过计算所述速度时序特征向量和所述速度变化时序特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对于所述速度时序特征向量和所述速度变化时序特征向量进行加权，就可以提高目标特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性，从而提升其高斯概率密度分布在高斯密度图的融合目标维度上的一致性和相关性，也就改进了所述多尺度速度特征矩阵的融合效果，从而提升了所述多尺度速度特征矩阵通过解码器得到的解码值的准确性。
[0080]
图4为根据本技术实施例的用于汽油发动机ems电子控制系统中高斯融合模块的框图。如图4所示，所述高斯融合模块150，包括：初始联合单元151，用于计算所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图；距离指数计算单元152，用于分别计算所述速度时序特征向量和所述速度变化时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权修正单元153，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述速度时序特征向量和所述速度变化时序特征向量进行加权以得到加权后速度时序特征向量和加权后速度变化时序特征向量；均值计算单元154，用于计算所述加权后速度时序特征向量和所述加权后速度变化时序特征向量之间的均值向量以得到迭代均值向量；方差计算单元155，用于计算所述加权后速度时序特征向量和所述加权后速度变化时序特征向量的按位置方差以得到迭代协方差矩阵；迭代单元156，用于以所述迭代均值向量和所述迭代协方差矩阵替代所述联合高斯密度图的均值向量和协方差矩阵以得到更新联合高斯密度图；以及，高斯离散化单元157，用于对所述更新联合高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述多尺度速度特征矩阵。
[0081]
具体地，在本技术实施例中，所述初始联合单元151，进一步用于：以如下公式计算
所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图；其中，所述公式为：
[0082][0083]
其中，表示所述速度时序特征向量和所述速度变化时序特征向量之间的按位置均值向量，且表示所述速度时序特征向量和所述速度变化时序特征向量的按位置方差构成的协方差矩阵，表示所述联合高斯密度图。
[0084]
具体地，在本技术实施例中，所述高斯离散化单元157，包括：离散子单元，用于对所述更新联合高斯密度图中各个位置的高斯分布进行高斯离散化以得到多个离散行向量；以及，排列子单元，用于将所述多个离散行向量进行二维排列以得到所述多尺度速度特征矩阵。
[0085]
在上述用于汽油发动机ems电子控制系统100中，所述推荐控制结果生成模块160，用于将所述多尺度速度特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的空气进气阀的开度值。在本技术的技术方案中，所述解码值表示当前适宜的空气进气阀的开度值，在所述用于汽油发动机ems电子控制系统的运行过程中，可以基于所述解码值来自适应地调整当前时间点空气进气阀的开度值，以使得汽油发动机的进气系统能够自适应地调整空气的进气量以在满足动力需求的同时，尽可能地提高能源利用率，并降低油耗成本。
[0086]
具体地，在本技术实施例中，使用所述解码器以如下公式对所述多尺度速度特征矩阵进行解码回归以获得所述解码值；其中，所述公式为：，其中是所述多尺度速度特征矩阵，是所述解码值，是权重矩阵，表示矩阵乘。
[0087]
综上，基于本技术实施例的用于汽油发动机ems电子控制系统100被阐明，其采用基于深度学习的人工智能检测技术，以通过一维卷积神经网络模型来挖掘行驶速度值中所蕴含的关于汽车在行驶过程中速度和速度变化的时序变化模式特征以更为精准地表示所述汽车的整体行驶状态，与汽车面对的实际路况进行更好地拟合，并通过解码回归处理来得到空气进气阀开度值的推荐值。这样，对空气进气阀的开度值进行自适应地调整，以使得汽油发动机的进气系统能够自适应地调整空气的进气量以在满足动力需求的同时，尽可能地提高能源利用率，并降低油耗成本。
[0088]
如上所述，根据本技术实施例的用于汽油发动机ems电子控制系统100可以实现在各种终端设备中，例如用于汽油发动机ems电子控制的服务器等。在一个示例中，根据本技术实施例的用于汽油发动机ems电子控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于汽油发动机ems电子控制系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于汽油发动机ems电子控制系统100同样可以是该终端设备的众多硬件模块之一。
[0089]
替换地，在另一示例中，该用于汽油发动机ems电子控制系统100与该终端设备也可以是分立的设备，并且该用于汽油发动机ems电子控制系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0090]
示例性方法
[0091]
图5为根据本技术实施例的用于汽油发动机ems电子控制方法的流程图。如图5所示，根据本技术实施例的用于汽油发动机ems电子控制方法，包括：s110，获取由速度传感器采集的预定时间段内多个预定时间点的行驶速度值；s120，将所述多个预定时间点的行驶速度值按照时间维度排列为速度输入向量；s130，计算所述速度输入向量中每相邻两个位置的行驶速度值之间的差异以得到速度变化输入向量；s140，将所述速度输入向量和所述速度变化输入向量分别通过一维卷积神经网络模型以得到速度时序特征向量和速度变化时序特征向量；s150，使用高斯密度图来融合所述速度时序特征向量和速度变化时序特征向量以得到多尺度速度特征矩阵；以及，s160，将所述多尺度速度特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的空气进气阀的开度值。
[0092]
这里，本领域技术人员可以理解，上述用于汽油发动机ems电子控制方法中的各个步骤和操作已经在上面参考图1到图4的用于汽油发动机ems电子控制系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
[0093]
示例性电子设备
[0094]
下面，参考图6来描述根据本技术实施例的电子设备。图6为根据本技术实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。
[0095]
处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0096]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的用于汽油发动机ems电子控制方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如行驶速度值等各种内容。
[0097]
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
[0098]
该输入装置13可以包括例如键盘、鼠标等等。
[0099]
该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0100]
当然，为了简化，图6中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0101]
示例性计算机程序产品和计算机可读存储介质
[0102]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的用于汽油发动机ems电子控制方法中的功能中的步骤。
[0103]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如
java、c++等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0104]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的用于汽油发动机ems电子控制方法中的功能中的步骤。
[0105]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦式可编程只读存储器（eprom或闪存）、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0106]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0107]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0108]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0109]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0110]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种用于汽油发动机ems电子控制系统，其特征在于，包括：行驶状态监控模块，用于获取由速度传感器采集的预定时间段内多个预定时间点的行驶速度值；行驶状态结构化模块，用于将所述多个预定时间点的行驶速度值按照时间维度排列为速度输入向量；行驶状态变化模块，用于计算所述速度输入向量中每相邻两个位置的行驶速度值之间的差异以得到速度变化输入向量；特征提取模块，用于将所述速度输入向量和所述速度变化输入向量分别通过一维卷积神经网络模型以得到速度时序特征向量和速度变化时序特征向量；高斯融合模块，用于使用高斯密度图来融合所述速度时序特征向量和速度变化时序特征向量以得到多尺度速度特征矩阵；以及推荐控制结果生成模块，用于将所述多尺度速度特征矩阵通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的空气进气阀的开度值。2.根据权利要求1所述的用于汽油发动机ems电子控制系统，其特征在于，所述特征提取模块，进一步用于：使用所述一维卷积神经网络模型的各层在层的正向传递中对输入数据分别进行基于一维卷积核的卷积处理和非线性激活处理以由所述一维卷积神经网络模型的最后一层输出所述速度时序特征向量或所述速度变化时序特征向量，其中，所述一维卷积神经网络模型的第一层的输入为所述速度输入向量或所述速度变化输入向量。3.根据权利要求2所述的用于汽油发动机ems电子控制系统，其特征在于，所述高斯融合模块，包括：初始联合单元，用于计算所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图；距离指数计算单元，用于分别计算所述速度时序特征向量和所述速度变化时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权修正单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述速度时序特征向量和所述速度变化时序特征向量进行加权以得到加权后速度时序特征向量和加权后速度变化时序特征向量；均值计算单元，用于计算所述加权后速度时序特征向量和所述加权后速度变化时序特征向量之间的均值向量以得到迭代均值向量；方差计算单元，用于计算所述加权后速度时序特征向量和所述加权后速度变化时序特征向量的按位置方差以得到迭代协方差矩阵；迭代单元，用于以所述迭代均值向量和所述迭代协方差矩阵替代所述联合高斯密度图的均值向量和协方差矩阵以得到更新联合高斯密度图；以及高斯离散化单元，用于对所述更新联合高斯密度图中各个位置的高斯分布进行高斯离散化以得到所述多尺度速度特征矩阵。4.根据权利要求3所述的用于汽油发动机ems电子控制系统，其特征在于，所述初始联合单元，进一步用于：
以如下公式计算所述速度时序特征向量和所述速度变化时序特征向量的联合高斯密度图；其中，所述公式为：其中，表示所述速度时序特征向量和所述速度变化时序特征向量之间的按位置均值向量，且表示所述速度时序特征向量和所述速度变化时序特征向量的按位置方差构成的协方差矩阵，表示所述联合高斯密度图。5.根据权利要求4所述的用于汽油发动机ems电子控制系统，其特征在于，所述距离指数计算单元，进一步用于：以如下公式分别计算所述速度时序特征向量和所述速度变化时序特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；其中，所述公式为：所述公式为：其中，和分别是所述速度时序特征向量和所述速度变化时序特征向量，和是联合高斯密度图的均值向量和协方差矩阵，即表示所述速度时序特征向量和所述速度变化时序特征向量的均值向量，且表示所述速度时序特征向量和所述速度变化时序特征向量的按位置方差构成的协方差矩阵，其中，向量均为列向量形式，表示按位置作差，表示矩阵乘法，表示以e为底的指数函数运算，和分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。6.根据权利要求5所述的用于汽油发动机ems电子控制系统，其特征在于，所述高斯离散化单元，包括：离散子单元，用于对所述更新联合高斯密度图中各个位置的高斯分布进行高斯离散化以得到多个离散行向量；以及排列子单元，用于将所述多个离散行向量进行二维排列以得到所述多尺度速度特征矩阵。7.根据权利要求6所述的用于汽油发动机ems电子控制系统，其特征在于，所述推荐控制结果生成模块，包括：使用所述解码器以如下公式对所述多尺度速度特征矩阵进行解码回归以获得所述解码值；其中，所述公式为：，其中是所述多尺度速度特征矩阵，是所述解码值，是权重矩阵，表示矩阵乘。

技术总结
本申请涉及发动机智能化管理领域，其具体地公开了一种用于汽油发动机EMS电子控制系统，其采用基于深度学习的人工智能检测技术，以通过一维卷积神经网络模型来挖掘行驶速度值中所蕴含的关于汽车在行驶过程中速度和速度变化的时序变化模式特征以更为精准地表示所述汽车的整体行驶状态，与汽车面对的实际路况进行更好地拟合，并通过解码回归处理来得到空气进气阀开度值的推荐值。这样，对空气进气阀的开度值进行自适应地调整，以使得汽油发动机的进气系统能够自适应地调整空气的进气量以在满足动力需求的同时，尽可能地提高能源利用率，并降低油耗成本。并降低油耗成本。并降低油耗成本。


技术研发人员：陈志贤
受保护的技术使用者：凯晟动力技术（嘉兴）有限公司
技术研发日：2023.03.20
技术公布日：2023/6/28