[发明专利]发动机的断缸模式实现方法、系统及车辆

权利要求书

1.一种发动机的断缸模式实现方法，其特征在于，包括以下步骤：

选取多个发动机转速，并分别在每个发动机转速下以多个预先设定的断缸模式进行负荷特性试验，得到多组训练样本，其中，所述训练样本包括发动机转速、输出扭矩和随曲轴转角的扭矩波动情况；

根据所述训练样本以正向传播的方式对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络，其中，当实际扭矩波动差值和期望的扭矩波动差值之间的误差小于第一误差阈值时，满足所述预定条件；

获取车辆的运行参数，根据所述运行参数判断是否进入断缸模式；

如果是，则将所述车辆的运行参数输入所述训练完成的小波神经网络，以根据所述车辆的运行参数确定断缸数目和断缸次序，生成相应的断缸模式信号，并根据所述断缸模式信号得到工作气缸的进气流量和喷油量；以及

根据所述断缸模式信号、所述工作气缸的进气流量和喷油量对所述发动机的断缸过程进行控制。

2.根据权利要求1所述的发动机的断缸模式实现方法，其特征在于，所述小波神经网络包括输入层、隐含层和输出层，其中，所述输入层具有n个输入节点，所述输出层具有m个输出节点，所述n和m为正整数，所述隐含层的节点数目通过如下公式得到，所述公式为：

其中，所述k为所述隐含层的节点数，所述β为1至10之间的任意一个常数。

3.根据权利要求2所述的发动机的断缸模式实现方法，其特征在于，所述根据训练样本对预先设定的小波神经网络进行训练直至满足预定条件，得到训练完成的小波神经网络，具体包括：

对所述训练样本进行归一化处理，其中，通过sigmoid函数对所述训练样本进行归一化，所述sigmoid函数为：

其中，所述c为所述sigmoid函数的系数；

将归一化处理后的一组训练样本输入所述小波神经网络进行正向传播；

获取由全缸模式切换至断缸模式时的实际扭矩波动差值，并根据所述实际扭矩波动差值和期望的扭矩波动差值进行比较；

当所述实际扭矩波动差值和期望的扭矩波动差值之间的误差大于第一误差阈值时，则通过所述小波神经网络对所述误差进行反向传播，以对所述小波神经网络中输入层至隐含层之间的连接权值以及隐含层的连接阈值进行修正，直至所述实际扭矩波动差值和期望的扭矩波动差值之间的误差小于所述第一误差阈值时，得到所述训练完成的小波神经网络。

4.根据权利要求3所述的发动机的断缸模式实现方法，其特征在于，从所述输出层作为起始到所述输入层，通过调整每一层的节点的连接权值和连接阈值，进行误差反向传播，其中，通过如下公式对所述小波神经网络中输入层至隐含层之间的连接权值进行修正，所述公式为：

其中，所述η为权值修正的学习率，0<η<1，所述w_ij为第i个输入层至第j个隐含层的连接权值，E_j实际输出与期望输出的误差；

通过如下公式对所述小波神经网络中隐含层的连接阈值进行修正，所述公式为：

其中，所述μ为阈值修正的学习率，0<μ<1，所述θ_j是第j个隐含层单元的连接阈值；

通过如下公式对所述小波神经网络中隐含层至输出层之间的连接权值进行修正，所述公式为：

其中，所述v_ji为第i个隐含层至第j个输出层的连接权值。

5.根据权利要求1所述的发动机的断缸模式实现方法，其特征在于，所述车辆的运行参数包括：发动机转速信号、发动机扭矩信号、油门踏板信号、档位信号、车速信号和冷却液温度信号。