1.本发明涉及汽车技术领域，具体涉及一种模型训练方法、热平衡能力评估方法和电子设备。
背景技术：2.随着我国汽车行业快速进步发展，对汽车各项生产指标的要求也逐渐严格，这就导致汽车制造商要投入更多的成本对汽车进行各项指标的试验。
3.为满足汽车发动机在各种工况下的散热需求，汽车出厂前通常要进行热平衡放行试验，对其冷却系统的散热性能进行评估。车辆热平衡试验有道路和室内两种方式，受限于试验样件较长的开发周期与高昂的试验费用，进行车辆热平衡能力评估要耗费大量的时间和财力成本。
4.因此，如何保证车辆热平衡能力评估准确度的同时提高效率的技术问题亟待解决。
技术实现要素：5.为解决上述背景技术中阐述的如何保证车辆热平衡能力评估准确度的同时提高效率的技术问题。本发明提出一种模型训练方法、热平衡能力评估方法和电子设备。
6.本发明的第一个目的在于提出一种模型训练方法。该方法训练出的热平衡能力评估模型保证一定精度的同时，能够实现对汽车热平衡能力的快速评估，能够保证预测结果符合汽车热平衡能力道路试验方法规定，且节省了汽车热平衡评估的时间和财力成本。
7.本发明的第二个目的在于提出一种车辆热平衡能力评估方法。
8.本发明的第三个目的在于提出一种电子设备。根据第一方面，本技术实施例提出一种模型训练方法，包括：获取训练样本，所述训练样本包括历史热平衡试验的车辆工况参数和车辆固定参数以及对应的热平衡能力试验结果；将所述车辆工况参数和车辆固定参数作为输入参数，将所述热平衡能力试验结果作为输出参数对预设模型训练至收敛，得到热平衡能力评估模型。
9.根据本发明实施例的模型训练方法，训练出的模型可对待评估数据进行评估，不再需要进行道路与室内试验，达到降本增效的目的。
10.可选地，模型训练方法还包括利用与训练样本对应工况的液气温差曲线变化信息对模型训练过程中的预测结果进行校准，得到校准后的热平衡能力评估模型。
11.可选地，所述利用液气温差曲线变化信息对模型训练过程中的预测结果进行校准包括：获取所述预测结果中多个的液气温差第一采样值；计算所述预测结果的中的液气温差平均值；计算所述第一采样值与所述液气温差平均值的差值；基于所述差值和所述液气温差曲线变化信息修正所述第一采样值，得到校准后的预测结果；基于校准后的预测结果对所述热平衡能力评估模型进行修正，得到校准后的热平衡能力评估模型。
12.可选地，所述利用液气温差曲线变化信息对模型训练过程中的预测结果进行校准
包括：获取所述预测结果中多个的液气温差第二采样值；将所述第二采样值划分为多组，其中，每一组包括至少两个第二采样值；计算每一组内第二采样值的变化率；基于时序依次利用前一组对后一组的变化率进行校准，以使所述后一组变化率朝向前一组变化率变化，得到校准后的预测结果；基于校准后的预测结果对所述热平衡能力评估模型进行修正，得到校准后的热平衡能力评估模型。
13.可选地，所述车辆固定参数包括：环境温度、散热器、中冷器、风扇、台架环境温度、冷却液流量、冷却液带走热量、进气流量、中冷器带走热量和产热量参数；所述车辆工况参数包括：液气温差、发动机转速、扭矩和功率。
14.可选地，所述预测结果为动态液气温差参数和/或温差常数。
15.可选地，将所述训练样本进行归一化处理。
16.可选地，依次遍历模型超参数的所有组合，基于交叉验证筛选模型超参数。
17.根据第二方面，本技术实施例提供了一种热平衡能力评估模型应用方法，包括：获取待评估车辆数据，所述待评估车辆的数据包括车辆工况参数和车辆固定参数；将待评估车辆的数据输入到热平衡能力评估模型，得到待评估车辆热平衡能力的评估结果，所述热平衡能力评估模型基于车辆工况参数和车辆固定参数作为输入参数，将热平衡能力试验结果作为输出参数训练得到。
18.根据本发明实施例的车辆热平衡能力评估方法，当热平衡能力评估模型训练完成后，将待评估数据输入到该模型中，就可以得到评估结果，不再需要进行道路与室内试验，达到降本增效的目的，其中，热平衡能力评估模型基于车辆工况参数和车辆固定参数作为输入参数，将热平衡能力试验结果作为输出参数训练得到。
19.根据第三方面，本技术实施例提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如上述第一方面任意一项所述的模型训练方法和/或如上述第二方面的车辆热平衡能力评估方法。
20.训练至收敛的热平衡能力评估模型解决了热平衡试验要求环境气温不应低于30℃，在冬季低温环境下，热平衡试验误差较大的问题，而且不再需要试验样件制作、传感器测点加工、车辆改制等长试验周期的步骤，还减少了人力物力消耗。同时也不再受限于因为厂家提供的冷却系统和发动机台架试验数据、车辆机舱三维模型的准确性有限，导致计算精度无法得到保证的问题。
附图说明
21.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1为本技术实施例中的一种模型训练方法的流程图；
23.图2为本技术实施例中的xgboost算法原理示意图；
24.图3为本技术实施例中的具有上升趋势液气温差曲线示意图；
25.图4为本技术实施例中的模型训练结果示意图；
26.图5为本技术实施例中的一种车辆热平衡能力评估方法的流程图；
27.图6为本技术另一实施例中大扭矩点工况液气温差变化曲线对比示意图。
具体实施方式
28.下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
29.此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
30.对本技术中出现的技术术语进行说明如下：
31.模型普通参数：机器学习模型内部的配置变量，由计算机根据机器学习算法与给定的数据自动计算得到，下文简称为普通参数；
32.模型超参数：机器学习模型外部的配置变量，需要通过人工经验与调试确认最优值，下文简称为超参数。
33.本发明提供一种模型训练方法，参见图1所示，包括：
34.s11.获取训练样本，所述训练样本包括历史热平衡试验的车辆工况参数和车辆固定参数以及对应的热平衡能力试验结果。
35.训练样本包括历史热平衡试验的车辆工况参数和车辆固定参数以及对应的热平衡能力试验结果，该训练样本从数据库直接获取，不需要发明人进行相关试验获取，节约了时间。
36.训练样本可以包括环境温度、液气温差、发动机转速、车辆冷却模块配置参数、风扇速比、车辆型号、试验台架测得发动机性能数据等。其中，车辆冷却配置模块包括散热器、中冷器、风扇，均用数字表征不同的冷却模块配置；试验台架测得发动机性能数据包括台架环境温度、冷却液流量、冷却液带走热量、进气流量、中冷器带走热量、产热量、扭矩、功率，车辆冷却配置模块和车辆型号均用数字表示。
37.s12.将所述车辆工况参数和车辆固定参数作为输入参数，将所述热平衡能力试验结果作为输出参数对预设模型训练至收敛，得到热平衡能力评估模型。
38.确定好输入参数和输出参数之后，依靠大量的训练样本不断地对所述模型进行训练，逐步提高所述模型的普通参数和超参数，保证了热平衡能力评估模型的准确性。
39.训练至收敛的热平衡能力评估模型解决了热平衡试验要求环境气温不应低于30℃，在冬季低温环境下，热平衡试验误差较大的问题，而且不再需要试验样件制作、传感器测点加工、车辆改制等长试验周期的步骤，还减少了人力物力消耗。同时也不再受限于因为厂家提供的冷却系统和发动机台架试验数据、车辆机舱三维模型的准确性有限，导致计算精度无法得到保证的问题。
40.在本实施例中，根据汽车热平衡能力道路试验方法规定，判定车辆达到热平衡状态，要考虑连续4min内所述车辆工况参数中相关参数的动态变化，通过引入冷却液累积带走热量、中冷器累计带走热量、累计产热量，并按照公式(1)处理液气温差，表征时间变量对预测结果的动态影响。其中，δt
new
表示动态液气温差，δt表示液气温差，t表示时间。
[0041][0042]
以动态液气温差作为输出参数，车辆工况参数和车辆固定参数作为输入参数，构成了热平衡能力评估模型的训练样本，如表1所示，依据训练样本对所述热平衡能力评估模型进行训练，在训练过程中逐渐筛选模型的普通参数和超参数，直到所述模型评估精度得到汽车热平衡能力道路试验方法规定标准。
[0043]
在本实施例中，对训练样本进行划分，使用六种车辆配置方案的热平衡试验结果生成样本数据集，以方案一样本数据作为测试样本，其余数据用于机器学习模型的调试与训练。
[0044]
表1特征变量
[0045][0046][0047]
在本实施例中，参见图2所示，所述热平衡评估模型基于极限梯度提升树(extreme gradient boosting，xgboost)搭建，深度挖掘汽车热平衡能力与各类影响因素的内在联系。xgboost是以决策树为基学习器的集成学习算法，通过多轮迭代构建多棵决策树来提高预测的准确性，xgboost中每棵树都是拟合前面树模型的预测残差，将每轮训练所得树模型的预测结果求和得到最终的xgboost模型预测结果，也就是加法模型。
[0048]
每个基学习器对应一个决策树模型，每个决策树模型的目标函数如式(2)所示：第一项表示每次拟合样本的误差和，第二项是正则项，对树的复杂度进行制约以避免过拟合。通过对损失函数进行二阶泰勒展开，求解最佳叶子结点权重来最小化目标函数。其中，yi表
示真实值；表示前t-1棵树的预测值；l表示损失函数，用于衡量预测值与真实值间的误差；l
(t)
表示第t棵树的预测值；ω(f
t
)表示第t棵树的正则项；f
t
(xi)表示第t棵树的预测结果；t表示第t棵树的叶子节点数；γ表示第t棵树的叶子节点惩罚正则项；λ表示第t棵树的叶子权重惩罚正则项；w表示第t棵树的叶子节点权重值。
[0049][0050]
在进行分割点选择时，遍历样本数据所有特征变量取值，用节点分裂前的目标函数值减去分裂后两个子节点的目标函数值之和，按照式(3)计算分裂增益，得到树模型最优的切分点。递归的进行切分操作，直到满足停止分裂的条件，xgboost模型本轮的建树过程全部完成。
[0051][0052]
其中，l
split
表示节点分裂增益值；gi表示上一棵树损失函数的一阶导数；hi表示上一棵树损失函数的二阶导数；i表示节点分裂前的总样本集；ir表示节点分裂后的右子集；i
l
表示节点分裂后的左子集。
[0053]
需要注意的是，本发明提到的算法不限于xgboost算法，也可以使用其他算法诸如神经网络、支持向量机等搭建预测模型，实现车辆热平衡能力的预测。另外，本实施例中的预测结果除了可以表示动态液气温差曲线，还可以表示温差常数，温差常数为车辆热平衡时各系统、总成、零部件的温差。
[0054]
作为示例性的实施例，所述模型训练方法还包括：利用与训练样本对应工况的液气温差曲线变化信息对模型训练过程中的预测结果进行校准，得到校准后的热平衡能力评估模型。
[0055]
在本实施例中，误差校准具体为：通过机器学习方法搭建的热平衡评估模型实际上是一种经验统计模型，在该模型的预测过程中没有考虑温差曲线的变化约束，因此可能会出现某个时刻液气温差曲线明显上升或是预测结果超过限值的现象，故而要进行误差校正。
[0056]
作为示例性的实施例，所述利用液气温差曲线变化信息对模型训练过程中的预测结果进行校准包括：获取所述预测结果中多个的液气温差第一采样值；计算所述预测结果的中的液气温差平均值；计算所述第一采样值与所述液气温差平均值的差值；基于所述差值和所述液气温差曲线变化信息修正所述第一采样值，得到校准后的预测结果；基于校准后的预测结果对所述热平衡能力评估模型进行修正，得到校准后的热平衡能力评估模型
[0057]
在本实施例中，汽车热平衡能力道路试验方法规定，连续4min内液气温差变化在
±
2℃，为保证机器学习模型预测所得液气温差曲线符合规定，对预测结果进行处理，按照式(4)计算各时刻液气温差数值δt与该工况4min内均值的差异δt。若δt大于2℃，则若δt小于-2℃，则
[0058][0059]
本实施例的具体解释为，误差校准过程中，在连续4min内预测所得的液气温差数值中，对高于或低于4min内液气温差均值2℃的液气温差数值进行重新赋值：
[0060]
当某时刻液气温差数值高于4min内液气温差均值2℃时，则对该时刻的液气温差数值重新赋值为：液气温差均值与2℃之和；
[0061]
当某时刻液气温差数值低于4min内液气温差均值2℃时，则对该时刻的液气温差数值重新赋值为：液气温差均值与2℃之差。
[0062]
需要注意的是，本实施例的具体数值只为帮助解释说明本实施例，并不造成对本发明保护范围的限定。
[0063]
作为示例性的实施例，所述利用液气温差曲线变化信息对模型训练过程中的预测结果进行校准包括：获取所述预测结果中多个的液气温差第二采样值；将所述第二采样值划分为多组，其中，每一组包括至少两个第二采样值；计算每一组内第二采样值的变化率；基于时序依次利用前一组对后一组的变化率进行校准，以使所述后一组变化率朝向前一组变化率变化，得到校准后的预测结果；基于校准后的预测结果对所述热平衡能力评估模型进行修正，得到校准后的热平衡能力评估模型。
[0064]
在本实施例中，参见图3，汽车热平衡能力道路试验方法规定，连续4min内，相同时间段内，下一时间段的液气温差曲线的上升趋势不能超过上一时间段的液气温差曲线上升趋势，为保证机器学习模型预测所得液气温差曲线符合规定，对预测结果进行处理。如图4所示的两种情况，液气温差曲线明显上升，需要进行校准。
[0065]
对于一个工况，每秒记录一次数据，共有240个数据点，从初始时刻开始计算，每10个数据点为一组求其均值a1、a2、
…
、a
24
，以a1、a2、a3为例，若a
2-a3段液气温差曲线相较于a
1-a2段有上升趋势，则对a3取值进行校准得到a3′
，使其满足式(5)，进而可按照式(6)计算a3对应的一组液气温差数据点校准值
△
tn′
(n＝21，
…
，30)，以此向后遍历对液气温差曲线进行校正，基于误差校准后的结果再次多模型的普通参数进行筛选调优。
[0066][0067][0068]
需要注意的是，所述误差校准除了可以在热平衡评估模型训练前对普通参数进行筛选调优外，还可以将误差校准过程放在模型训练完成后。在模型对待评估数据预测完成后，加入误差校准机制，对模型预测的结果进行误差校准。
[0069]
作为示例性的实施例，所述模型训练方法还包括将所述训练样本进行归一化处理。
[0070]
在本实施例中，对于同一条样本，各特征参数的数量级是不同的，模型根据训练样本进行梯度下降求解的过程中，由于参数之间数量级的不同可能会导致部分特征参数被忽视，这就要对训练样本进行归一化处理，使算法模型的梯度下降求解变得准确，收敛速度相比特征参数未归一化之前变快，更易寻找到最优解。
[0071]
本实施例使用min-max方法进行数据归一化，如公式(7)所示。其中，x*表示归一化
之后的数据，x表示原始数据，x
min
表示全部数据的最小值，x
max
表示全部数据的最大值。表2与表3分别列出了对部分样本数据归一化前后的数据分布，可知归一化后各特征参数的分布范围一致，提高了数据质量。
[0072][0073]
表2部分原始样本数据
[0074][0075]
表3部分归一化样本数据
[0076][0077]
作为示例性的实施例，所述热平衡能力评估模型训练方法还包括：依次遍历模型超参数的所有组合，基于交叉验证筛选模型超参数。
[0078]
在本实施例中，xgboost算法模型包含了众多超参数，通过对不同超参数取值的试
验优化，以期达到模型的最优解。本实施例基于网格搜索方法，依次遍历参数的所有组合，并用交叉验证方法筛选出最佳的超参数取值，结果如下表4。其中决定系数(r2)作为交叉验证的评价函数，表征模型在训练样本与验证样本上的拟合效果，如式(8)所示，fi表示模型预测值；y表示所有样本因变量平均值；yi表示因变量真实值；n表示样本个数。
[0079][0080]
表4超参数取值
[0081][0082]
在本实施例中，参见图4所示，当普通参数和超参数初步筛选调优后，开始对所述热平衡能力评估模型进行训练，基于调试好的超参数，对除测试集外的样本数据进行拟合建立预测模型，按照式(9)计算均方根误差(rmse)评估模型在训练集上的拟合效果，可知迭代100次模型快速收敛，均方误差0.00317，之后趋于稳定，迭代388次均方误差0.00086。式(6)中，fi表示模型预测值；yi表示因变量真实值；n表示样本个数。
[0083][0084]
本发明还提供一种车辆热平衡能力评估方法，参见图5所示，包括：
[0085]
s21.获取待评估车辆数据，所述待评估车辆的数据包括车辆工况参数和车辆固定参数。
[0086]
s22.将待评估车辆的数据输入到热平衡能力评估模型，得到待评估车辆热平衡能力的评估结果。
[0087]
在本实施例中，得到训练完成的评估模型后，将获取的待评估数据输入到所述评估模型即可得到评估结果。其中，待评估数据包括车辆工况参数和车辆固定参数，所述的热
平衡能力评估模型是基于测试样本训练得到的。
[0088]
在本发明的另一个实施例中，将测试样本输入到训练到收敛的评估模型得到测试样本的评估结果后，按照式(10)对输出结果进行处理求解液气温差真实值δt，δt
new*
表示动态液气温差模型预测值，δt
newmin
表示样本数据中动态液气温差的最小值，δt
newmax
表示样本数据中动态液气温差的最大值，t表示当前时刻。
[0089][0090]
按照式(11)计算许用环境温度t
apr
，其中t
lim
表示冷却介质最高许用温度，δtn表示第n个样本的液气温差真实值，n表示测试集样本数量，本实施例中n取值240。
[0091][0092]
以最大扭矩点工况为例，模型预测所得车辆连续4min内液气温差变化曲线，参见图6，可知初始时刻模型直接预测结果与试验测试结果差异较大，大于8℃，通过引入误差校准机制修正了模型直接预测的异常值，显著减小了预测差异，小于4℃，使曲线整体变化与试验测试结果保持一致。
[0093]
许用环境温度预测结果见下表5，相比于仿真预测，本方法所搭建的预测模型精度提升16.6％，与试验测试结果差异更小，小于2℃；相比于试验测试，本方法不需进行试验准备，预测用时更短仅为0.5h。
[0094]
表5许用环境温度
[0095][0096]
本发明实施例还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述实施例中的模型训练方法和/或车辆热平衡能力评估方法。
[0097]
本发明实施例应用到的具体数值只为对具体实施例做解释说明，不构成对本发明保护范围的限定。
[0098]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0099]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0100]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0101]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
技术特征：1.一种模型训练方法，适用于汽车热平衡能力评估，其特征在于，包括：获取训练样本，所述训练样本包括历史热平衡试验的车辆工况参数和车辆固定参数以及对应的热平衡能力试验结果；将所述车辆工况参数和车辆固定参数作为输入参数，将所述热平衡能力试验结果作为输出参数对预设模型训练至收敛，得到热平衡能力评估模型。2.如权利要求1所述的一种模型训练方法，其特征在于，还包括：利用与训练样本对应工况的液气温差曲线变化信息对模型训练过程中的预测结果进行校准，得到校准后的热平衡能力评估模型。3.如权利要求2所述的一种模型训练方法，其特征在于，所述利用液气温差曲线变化信息对模型训练过程中的预测结果进行校准包括：获取所述预测结果中多个的液气温差第一采样值；计算所述预测结果的中的液气温差平均值；计算所述第一采样值与所述液气温差平均值的差值；基于所述差值和所述液气温差曲线变化信息修正所述第一采样值，得到校准后的预测结果；基于校准后的预测结果对所述热平衡能力评估模型进行修正，得到校准后的热平衡能力评估模型。4.如权利要求2所述的一种模型训练方法，其特征在于，所述利用液气温差曲线变化信息对模型训练过程中的预测结果进行校准包括：获取所述预测结果中多个的液气温差第二采样值；将所述第二采样值划分为多组，其中，每一组包括至少两个第二采样值；计算每一组内第二采样值的变化率；基于时序依次利用前一组对后一组的变化率进行校准，以使所述后一组变化率朝向前一组变化率变化，得到校准后的预测结果；基于校准后的预测结果对所述热平衡能力评估模型进行修正，得到校准后的热平衡能力评估模型。5.如权利要求1-4任意一项所述的一种模型训练方法，其特征在于，所述车辆固定参数包括：环境温度、散热器、中冷器、风扇、台架环境温度、冷却液流量、冷却液带走热量、进气流量、中冷器带走热量和产热量参数；所述车辆工况参数包括：液气温差、发动机转速、扭矩和功率。6.如权利要求2所述的一种模型训练方法，其特征在于，所述预测结果为动态液气温差参数和/或温差常数。7.如权利要求1所述的一种模型训练方法，其特征在于，还包括：将所述训练样本进行归一化处理。8.如权利要求7所述的一种模型训练方法，其特征在于，还包括：依次遍历模型超参数的所有组合，基于交叉验证筛选模型超参数。9.一种车辆热平衡能力评估方法，其特征在于，包括：获取待评估车辆数据，所述待评估车辆的数据包括车辆工况参数和车辆固定参数；将待评估车辆的数据输入到热平衡能力评估模型，得到待评估车辆热平衡能力的评估
结果，所述热平衡能力评估模型基于车辆工况参数和车辆固定参数作为输入参数，将热平衡能力试验结果作为输出参数训练得到。10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-8中任意一项所述的模型训练方法和/或如权利要求9所述的车辆热平衡能力评估方法。
技术总结本发明公开一种模型训练方法、热平衡能力评估方法和电子设备，属于汽车技术领域，包括：获取训练样本，所述训练样本包括历史热平衡试验的车辆工况参数和车辆固定参数以及对应的热平衡能力试验结果；将所述车辆工况参数和车辆固定参数作为输入参数，将所述热平衡能力试验结果作为输出参数对预设模型训练至收敛，得到热平衡能力评估模型。本发明不需要进行热平衡道路或者室内试验，极大缩短了试验周期和成本，预测精度更高，周期更短。周期更短。周期更短。
技术研发人员：赵亮 王卓 董晓婷 傅晓磊 杨立云 田立强
受保护的技术使用者：潍柴动力股份有限公司
技术研发日：2022.03.17
技术公布日：2022/7/5
