ترجمه فارسی مقاله پارامتر سازی مدیریت حرارتی مبتنی بر سناریو از طریق یادگیری تقویت عمیق

چکیده

The thermal system of battery electric vehicles demands advanced control. Its thermal management needs to effectively control active components across varying operating conditions. While robust control function parametrization is required, current methodologies show significant drawbacks. They consume considerable time, human effort, and extensive real-world testing. Consequently, there is a need for innovative and intelligent solutions that are capable of autonomously parametrizing embedded controllers. Addressing this issue, our paper introduces a learning-based tuning approach. We propose a methodology that benefits from automated scenario generation for increased robustness across vehicle usage scenarios. Our deep reinforcement learning agent processes the tuning task context and incorporates an image-based interpretation of embedded parameter sets. We demonstrate its applicability to a valve controller parametrization task and verify it in real-world vehicle testing. The results highlight the competitive performance to baseline methods. This novel approach contributes to the shift towards virtual development of thermal management functions, with promising potential of large-scale parameter tuning in the automotive industry.

چکیده به فارسی (ترجمه ماشینی)

سیستم حرارتی وسایل نقلیه برقی باتری نیاز به کنترل پیشرفته دارد.مدیریت حرارتی آن باید به طور مؤثر مؤلفه های فعال را در شرایط عملیاتی مختلف کنترل کند.در حالی که پارامتر سازی عملکرد کنترل قوی مورد نیاز است ، روشهای فعلی اشکالاتی قابل توجهی نشان می دهند.آنها زمان قابل توجهی ، تلاش انسان و آزمایش گسترده در دنیای واقعی را مصرف می کنند.در نتیجه ، نیاز به راه حل های نوآورانه و هوشمند وجود دارد که قادر به پارامتر کردن کنترل کننده های تعبیه شده هستند.مقاله ما با پرداختن به این موضوع ، یک رویکرد تنظیم مبتنی بر یادگیری را معرفی می کند.ما روشی را پیشنهاد می کنیم که از تولید سناریوی خودکار برای افزایش استحکام در سناریوهای استفاده از وسیله نقلیه بهره مند شود.عامل یادگیری تقویت عمیق ما زمینه کار تنظیم را پردازش می کند و یک تفسیر مبتنی بر تصویر از مجموعه های پارامتر تعبیه شده را شامل می شود.ما کاربرد آن را در یک کار پارامتر سازی کنترل کننده شیر نشان می دهیم و آن را در آزمایش وسایل نقلیه در دنیای واقعی تأیید می کنیم.نتایج عملکرد رقابتی در روشهای پایه را برجسته می کند.این رویکرد جدید به تغییر به سمت توسعه مجازی توابع مدیریت حرارتی کمک می کند ، با پتانسیل امیدوار کننده تنظیم پارامتر در مقیاس بزرگ در صنعت خودرو.