An Iterative Histogram-Based Optimization of Calibration Tables in a Powertrain Controller
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">To comply with the stringent fuel consumption requirements, many automobile manufacturers have launched vehicle electrification programs which are representing a paradigm shift in vehicle design. Looking specifically at powertrain calibration, optimization approaches were developed to help the decision-making process in the powertrain control. Due to computational power limitations the most common approach is still the use of powertrain calibration tables in a rule-based controller. This is true despite the fact that the most common manual tuning can be quite long and exhausting, and with the optimal consumption behavior rarely being achieved. The present work proposes a simulation tool that has the objective to automate the process of tuning a calibration table in a powertrain model. To achieve that, it is first necessary to define the optimal reference performance. The calibration table then has its values optimized by the Genetic Algorithm to a single value that better matches the reference performance. A novel Iterative Histogram procedure is then used to identify which cells from the new table have the greatest contribution to the performance mismatch between the model and the reference. These values are optimized and the histogram is reassessed. This process is repeated until the mismatch target is achieved or the model results show saturation in its performance. The iterative nature of this process results in a powerful tool that gives its users the ability to easily conduct a simulation while simultaneously monitoring the results of each iteration until the target is met.</div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».