本文转载自：电路设计技能微信公众号
介绍
发动机管理几乎从未被认为是获得更好燃油经济性的一种方式。但在燃油价格不断上涨的今天，可以非常有效地使用电子技术来提高燃油经济性。您可以享受驾驶的每一分钟，而不仅仅是在您放下脚时，这是一项好处。此外，使用 FPGA 实现 ECU 也是一个很大的优势，因为它可以轻松地重新配置。
提供了一种用于在逐个循环的基础上控制内燃机的方法。该方法包括：维护用于识别引擎映射函数的训练数据；使用给定气缸的自适应数据填充缓冲区，其中自适应数据是在给定气缸的多个最近操作周期期间捕获的映射函数的输入和输出的度量；将映射函数的训练数据与自适应数据相结合；使用加权最小二乘法从组合数据集中识别映射函数；使用映射函数和当前循环期间输入的测量来预测给定气缸在下一循环中的燃烧特征；
传统发动机控制单元
这里只是我们控制来运行这个引擎的一小部分事情。这些参数和组件有助于做出关于内燃机的正确决策。
通常，传统 ECU 具有以下 I/O 设备来运行整个管理系统。
可以使用拦截器或 ECU 软件重新映射来重新映射不再具有氧传感器输入的汽车的混合物。您可能会在怠速时以 14.7:1 的速度运行，但在轻载时，您可以运行得比这更精简，而不会出现发动机故障。您可以达到的精简程度取决于许多因素，包括传动装置、发动机燃烧效率等，但通常 16:1 左右的比率通常是可以接受的。在某些汽车中，轻载时您可以达到 20:1 的瘦身比例。您甚至可以制定自己的倾斜巡航模式，通过仔细观察以 100 公里/小时（或其他任何方式）行驶时的负载，然后在这些负载点稍微倾斜一点。太多了，你会得到一个平坦的地方，但再次仔细调整，有可能（特别是在路上完成时）至少一个比例，有时更多。
采用这种方法意味着您可以根据负载和转速条件将总发动机混合物从稀（例如）16.5:1 设置为浓至 12.5:1。值得注意的是，这款车大部分时间都在使用比标准更稀的混合气，从而对燃油经济性产生真正且可衡量的差异。
机器学习方法
机器学习提供了一种计算效率高的方法来捕获复杂的循环到循环的燃烧模式，同时避免对基础混合物状态和成分的明确了解（假设选择了适当的抽象映射函数）。虽然机器学习方法显然有好处，但关键问题是机器学习是数据驱动的，需要相对大量的数据来充分覆盖大维空间。
Zynq MPSoC 提供 Arm 处理器内核和可编程逻辑。异构设备使我们能够正确构建解决方案，实现功率和性能之间的平衡，这是基于边缘的应用程序的关键参数。Xilinx PYNQ 可用于实现机器学习算法。
当我们想要将神经网络加速为可编程逻辑时，定点实现（例如定点 8）更容易实现，并且可以以更低的功耗提供类似的性能。由于许多机器学习应用程序都是基于边缘的，因此电源效率至关重要。
未来的工作
可以看出，赛灵思 Zynq 等 FPGA 架构为计算密集型 ECU 和可配置网关架构提供了一个高效的平台，用于未来的车载应用和互连。像部分重配置这样的 FPGA 可以启用用于整合非并发功能和硬件级容错的新机制。与部分重新配置相关的低级操作的管理从应用程序中抽象出来，并由网络接口上的扩展进行管理，使它们成为应用程序设计人员的平台功能。最终应该进一步开发这个项目以获得真正的优势。
免责声明：本文为网络转载文章，转载此文目的在于传播相关技术知识，版权归原作者所有，如涉及侵权，请联系小编删除(联系邮箱：service@eetrend.com )。
