[0001] 本发明涉及车辆热管理技术领域，尤其涉及一种车辆热管理调节方法、装置、设备及介质。

[0002] 随着汽车工业的快速发展和环保要求的日益严格，汽车热管理技术成为了提升车辆性能、节能减排的关键领域之一。现代汽车发动机在追求更高功率密度的同时，对热管理系统的效率和智能化提出了更高要求。传统的冷却系统，如使用机械水泵和蜡式节温器的配置，已逐渐无法满足现代汽车动力系统复杂多变的工况需求。特别是在新能源汽车和混合动力汽车中，对热管理系统的精确控制尤为重要，因为它直接影响到车辆的续航里程、电池寿命、动力系统效率及乘员舒适度。

[0003] 传统的PID控制由于参数固定，在扰动影响时容易产生超调量大，调整时间长，控制过程缓慢等问题，动态的控制性能较差。相比之下，神经网络控制的自学习能力可以自动调节控制参数，以适应工况的变化，通过对系统模型的自适应作用，能快速响应扰动，振荡幅值大幅减小，并缩短了过渡时间，受控参数恢复到设定值的时间明显缩短。

[0004] 传统控制策略如PID控制器，因参数固定，面对快速变化的工况时，可能无法迅速调整，导致系统响应滞后，能耗增加，且电子水泵虽然能主动调节，但缺乏高效精确的控制策略时，可能在低效区域运行，增加能耗，因此需要一种更智能、更高效的热管理控制策略。

[0061] 应当理解，此处所描述的具体实施例仅仅用以解释本申请的技术方案，并不用于限定本申请。

[0062] 为了更好的理解本申请的技术方案，下面将结合说明书附图以及具体的实施方式进行详细的说明。

[0063] 本申请实施例的主要解决方案是：通过获取车辆状态数据，通过水泵转速深度学习模型对车辆状态数据进行分析，得到分析结果，通过车辆状态数据，得到车辆节温器开度，根据分析结果和车辆节温器开度对车辆温度进行调节。

[0064] 基于此，本申请实施例提供了一种车辆热管理调节方法，参照图1，图1为本申请车辆热管理调节方法第一实施例的流程示意图。

[0065] 本实施例中，所述车辆热管理调节方法包括步骤S10～S40：

[0066] 步骤S10，获取车辆状态数据。

[0067] 需要说明的是，在获取车辆状态数据之前，获取车辆部件参数，车辆部件参数包括环境参数、车辆自重、行驶阻力、速比、变速器参数、发动机参数、冷却系统(管路、电子水泵、散热器、节温器)等参数。根据车辆部件参数，构建整车冷却系统仿真模型，通过所述仿真模型进行仿真，得到车辆状态数据。模型建立后，在循环工况下进行仿真测试，获得车辆在行驶工况下发动机状态和冷却系统各零部件状态参数数据，根据仿真结果与台架实验进行对比，主要对暖通出水温度、增压器出水温度、暖通进水流量和机油冷却液温度等关键参数进行校核，保证误差在允许的范围内。

[0068] 步骤S20，通过水泵转速深度学习模型对车辆状态数据进行分析，得到分析结果。

[0069] 需要说明的是，水泵转速深度学习模型基于神经网络模型建立的，包括但不限于使用BP神经网络模型，该模型首先集成车辆内外的多元传感器数据，包括驾驶室内温度和湿度、车外环境温度、电池温度以及散热器工作状态等关键参数。这些数据经过预处理后，作为深度学习模型的输入，模型利用BP神经网络架构，通过一系列的线性变换和非线性激活函数，如Tanh或Linear函数，对输入数据进行深层次的学习与特征提取。在训练过程中，模型利用大量历史数据，通过反向传播算法优化权重与偏置参数，最小化预测输出与实际标签间的误差，常采用均方误差(MSE)或交叉熵损失(Cross‑Entropy Loss)作为损失函数。此过程不仅使模型能够学习到环境和车辆状态变化的复杂模式，还能够在新环境下准确预测热管理系统各组件的理想工作状态。

[0070] 步骤S30，通过车辆状态数据，得到车辆节温器开度。

[0071] 需要理解的是，车辆状态数据涵盖了广泛的信息，诸如发动机冷却液温度、环境温度、车速、发动机负荷、空调系统运行状态等，这些数据通过车载网络实时传输至车辆的电子控制单元(ECU)。ECU内嵌有复杂的算法，可能包括基于物理模型的传统控制逻辑、模糊逻辑控制、甚至是机器学习模型，它们共同作用于这些原始数据之上，进行综合分析与处理。

[0072] 针对节温器开度的决策，系统首先根据冷却液温度与预设的理想工作温度范围进行比较，判断当前冷却需求。然后，结合发动机负荷、车速等动态信息，预测未来一段时间内的冷却液温度变化趋势。例如，在高速行驶或重载情况下，即使当前冷却液温度适中，系统也会预测到未来可能出现的过热风险，因而提前增大节温器开度，增强散热能力。为了获得车辆节温器开度，需要通过粒子群算法对隶属度函数和预设水泵转速深度学习模型进行优化。

[0073] 进一步通过粒子群算法对隶属度函数和水泵转速深度学习模型进行优化，以通过粒子群算法对水泵转速深度学习模型进行优化为例，初始化粒子群中粒子的位置和速度以及计算粒子的适应度，设置迭代次数，计算得到所述粒子的历史最优值，通过比较每次迭代中粒子的适应度，得到粒子群的全局最优值；根据历史最优值和全局最优值，更新粒子的位置和速度，具体更新公式为：

[0074] vin(t+1)＝wvin(t)+r1c1(pin(t)‑xin(t))+r2c2(pbin(t)‑xin(t))

[0075] xin(t+1)＝xin(t)+vin(t+1)

[0076] 其中，w是粒子群的惯性权重；r1，r2随机取0到1范围内的常数；c1，c2是学习因子；vin是第i个粒子速度的第n维；xin(t)是第i粒子位置的第n维；pin为粒子的最优位置的第n维；pbin为种群全体位置的第n维。速度更新公式分为三个部分，第一部分为的对自己当前速度状态的继承度，与惯性权重有关。第二部分表示对自己最佳位置的学习，学成程度与学习因子有关。第三部分表示对种群最优位置的学习，也与学习因子有关，这部分会引导粒子向全局最优位置移动，

[0077] 算法开始运算时惯性权重尽量取大点，这样能让算法到达全局最优的速度更快，因此算法开始阶段惯性权重为0.9，收敛时刻惯性权重要小，以使不错过全局最优，收敛时刻取值为0.4。而学习因子和则是对个体粒子与种群的学习，在算法初始运算阶段，对粒子个体的学习对取得全局最优解很重要，而在算法运算后期对种群的学习是取到最优解的关键，所以本实施例设置学习因子和均取值为2。判断粒子的位置和速度是否满足预设范围，若不满足，对粒子进行边界条件处理。若达到迭代次数，则输出隶属度函数和水泵转速深度学习模型。在本实施例中，最大迭代次数设置为100。

[0078] 而对于通过粒子群算法对构建模糊控制器的隶属度函数进行优化除了上述步骤都一样，由于粒子群算法优化模糊控制器隶属度函数模型，由于模糊控制器有两个输入，一个输出，输入的模糊语言参数共五个，采用的三角形型隶属度函数具有对称性，所以一个输入需要优化的变量为两个，两个输入则需要优化四个，而输出模糊语言参数共为七个，同理需要优化的参数为三个，输入输出所需优化的参数一共为七个。粒子群算法优化范围在原有值基础上加减0.5，构成待优化参数的变量范围。七个待优化的参数作为粒子群算法的输入，粒子群算法输入e与ec的取值范围为[‑3，3]，每隔0.1取一个值，全面的覆盖输入的取值范围。

[0079] 其中，适应度函数设置，表达式为：

[0080]

[0081] 式中：a、b和c为输入与输出的加权参数，代表输入与输出在适应度函数中占的比重，本发明a、b、和c分别取0.25、0.35和0.4；e是冷却液温差；ec是温差变化率；u代表节温器开度变化。此公式能覆盖所有输入值，此公式中分母越大，其适应度越小，代表节温器发生震荡越小，越平缓。

[0082] 进一步地，通过车辆状态数据，得到车辆节温器开度的步骤，首先根据隶属度函数构建模糊控制器，车辆节温器开度的模糊控制器选择一个采样周期内冷却液温度与目标温度的温差e以及温差变化率ec作为输入，输入变量的论域取值为[‑3，3]，输出量为节温器的开度率，输出量的论域取为[‑1，1]，模糊子集是将输入变量的大小使用人类语言描述出来的，通过将输入变量论域划分为多个数量等级来对其大小进行区分，本实施例输入变量的模糊子集设置为{NB(负大)，NS(负小)，ZO(零)，PS(正大)，PB(正大)}，而输出变量的模糊子集设置为{NB(负大)，NM(负中)，NS(负小)，ZO(零)，PS(正小)，PM(正中)，PB(正大)}。隶属度函数用以判别输入或输出精确值对于某个模糊子集中的模糊语言值的隶属度，用来描述输入或输出的确定值对于属于某个模糊语言的程度。隶属度在本实施例中为三角形隶属度函数，具体表达式为：

[0083]

[0084] 其中，b为三角形型隶属度函数顶点的横坐标，a和c为底边横坐标。

[0085] 模糊控制器的模糊规则是利用模糊子集中的模糊语言进行组合而形成的一些条件语句。模糊规则是将节温器温差与温差变化率的关系组成了一张关系表，进行模糊推理时可以根据模糊规则将模糊量转换为精确值。使用if‑then模糊控制规则，表1为模糊控制规则表，例如E中的NB表示负大，其含义为输入变量E比目标值小很多，表示冷却水温度比较低，EC温差变化率中的NB的其含义为温度降低的比较快，而输出NB则表示节温器开度要减小很多。而if E＝NS and EC＝ZO then U＝NM则表明，当冷却水温较低，温度下降的比较快时则节温器开度应减小一点。

[0086] 表1模糊控制规则表

[0087]

[0088]

[0089] 采用模糊推理函数Mamdani法利用模糊规则对模糊值进行推理出输出状态。最终使用重心法解模糊化，将经过模糊推理的模糊值转变为精确值，重心法选择函数的曲线和基础变量轴合成的图形的重心所对应的变量值作为输出值。

[0090] 根据车辆状态数据得到当前冷却液温度，根据当前冷却液温度和预设冷却液温度通过模糊控制器，得到车辆节温器开度。ECU接收冷却液温度数据后，进行必要的预处理，如滤波、校准等，以消除噪声和提高数据的可信度。随后，将当前冷却液温度与预设冷却液温度进行比较，计算出温差及其变化率。将温差及其变化率转换为模糊语言变量，如“大”、“中”、“小”或“非常低”、“低”、“中”、“高”、“非常高”。这一步骤通过定义适当的隶属度函数来完成，这些函数将具体数值映射到模糊集中的程度。根据预设的模糊控制规则表，将上述模糊化的输入(温差和变化率)与规则匹配。模糊规则库中包含了根据专家经验或历史数据建立的一系列条件‑行动规则，如“如果温差大且变化率快，则节温器开度应较大”。利用模糊逻辑运算结合模糊规则，对输入的模糊集进行推理，得到节温器开度的模糊输出集。这个输出集反映了在当前状态下，节温器应该如何调整的模糊程度。最后，通过解模糊化技术(如重心法、最大隶属度法)将模糊输出转换为一个具体的节温器开度值。解模糊化过程确定了最能代表模糊输出集的清晰数值，即节温器的实际开度指令。ECU根据解模糊化后的开度值，向电子节温器发送控制信号，调节节温器阀门的开合程度。

[0091] 步骤S40，根据分析结果和车辆节温器开度对车辆温度进行调节。

[0092] 需要说明的是，通过分析结果，得到预测水泵转速，根据车辆节温器开度，调整冷却液工作策略，根据预测水泵转速和冷却液工作策略，对车辆温度进行调节。这一调节过程融合了先进的算法分析与实时控制技术，旨在确保发动机在各种工况下均能保持最佳工作温度，从而优化燃油经济性、提升动力输出、减少排放，并增强车辆的耐久性和乘客舒适度。

[0093] 如图2所示的水泵控制流程示意图，首先，所述经粒子群算法优化后的水泵转速深度学习模型存储在发动机ECU中，用于检测车辆实时状态的传感器以及PWM控制器均通过CAN总线与ECU相连接，将检测到的车速、BMEP、发动机转速、冷却液温度和节温器开度作为模型输入，根据实时数据通过神经网络预测模型计算预测水泵转速，PWM接受来自ECU的命令指令，以预测转速作为输入占空比的变化依据，进而根据脉冲信号的占空比控制电机电压，电机根据电压大小实现对水泵转速的控制，使其在满足散热条件下在功耗最低的转速下运行，指令电子水泵增加转速，适度增大节温器开度，促进更多冷却液通过散热器，加快热量交换。相反，若预测显示当前冷却过度，系统则会减缓水泵转速，减小节温器开度，以减少散热，保持发动机温暖，特别是在寒冷天气或车辆启动初期。

[0094] 本实施例提供了一种车辆热管理调节方法，通过获取车辆状态数据，通过水泵转速深度学习模型对车辆状态数据进行分析，得到分析结果，通过车辆状态数据，得到车辆节温器开度，根据分析结果和车辆节温器开度对车辆温度进行调节。利用深度学习精准预测水泵转速，结合节温器状态智能调控，实现车辆温度优化管理，提升热管理效率。

[0095] 基于本申请第一实施例，在本申请第二实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，请参照图3，所述车辆热管理调节方法步骤S20之前还包括步骤S201～S202：

[0096] 步骤S201，建立初始水泵转速深度学习模型，并在初始水泵转速深度学习模型中设置输入层、隐藏层和输出层。

[0097] 需要说明的是，建立初始的水泵转速深度学习模型，通过机器学习的方法对初始的水泵转速深度学习模型进行参数更新进行完善，从而对车辆温度进行智能化管理，确保在各种工况下，车辆热管理系统能高效运作，同时提升能源利用效率和乘坐舒适度。该模型的核心设计围绕输入层、隐藏层和输出层展开，每一层都扮演着关键角色，共同构成了模型的神经网络架构。

[0098] 输入层是模型的起始点，输入层节点数与数据输入的维度相同，选取车速、BMEP、发动机转速、冷却液温度和节温器开度5个参数作为输入数据，也就是说输入层节点是5个。输入层的节点数与所采集的特征数量相匹配，确保模型能够全面捕捉到热管理相关的环境与车辆状态信息。

[0099] 隐藏层承担着对输入数据进行复杂特征提取和转换的任务。通常会设计多层隐藏层，每层使用不同的激活函数(如ReLU、tanh等)，以引入非线性关系，使得模型能够学习到数据中的复杂模式和关联。隐藏层的节点数量和层数是通过反复实验确定的，旨在平衡模型的复杂度与过拟合风险，确保模型既具备良好的学习能力，又不会对训练数据过度拟合。具体地的节点计算的经验公式为：

[0100]

[0101] 其中，m为隐藏层节点数，n为输入层节点数，1表示输出层节点数。根据设定的输入层节点数5，输出层节点数1，a则通常取1至10之间的常数，m的取值范围为3到13之间。通过控制隐含层系节点数以外的其他变量相同，调整节点数在3到13个，将需要改变的隐含层节点数从小到大依次带入神经网络模型中，通过计算网络模型的输出值与目标值间的拟合程度总体误差R值，R值越接近1表明输出值与目标值间的拟合程度越高，预测效果也越好。当神经网络节点数为11时神经训练的最好，输出值与目标值你和效果较好。

[0102] 输出层决定了模型最终提供的预测或决策信息。在热管理系统中，输出层可能包括对风扇转速、水泵流速、冷却液流量等控制参数的建议值。输出层的节点数应与需要控制的热管理参数维度一致，因为BP神经网络的输出层为电子水泵转速，所以输出层节点数为1。通过深度学习过程，模型将学会如何基于输入信息，输出最优化的控制指令，以实现车辆热管理系统的精准调节。

[0103] 步骤S202，根据车辆状态数据对初始水泵转速深度学习模型进行训练，得到预设水泵转速深度学习模型。

[0104] 需要理解的是，对初始水泵转速深度学习模型进行训练，先初始化模型参数，获取输入数据，再将输入数据输入初始水泵转速深度学习模型计算，得到预测输出数据。然后根据损失函数计算，得到预测输出数据与真实数据之间的误差值，通过反向传播算法计算，得到模型参数的梯度，最后根据梯度通过优化算法迭代更新模型参数，直至达到最大迭代次数或损失函数计算得到的误差值收敛到预设阈值，得到预设水泵转速深度学习模型。具体地，首先，收集在行驶工况下发动机状态和冷却系统各零部件状态参数数据等车辆状态数据，进行清洗、z‑score标准化归一化处理，将原数据减去数据平均值再除以数据标准差，经过这样归一化后的数据会服从均值为0，方差为1的分布，公式为：

[0105]

[0106] 根据上式消除噪声和异常值，形成高质量的训练数据集。

[0107] 数据集按一定比例分割为训练集和测试集，一般采用70％、30％的比例分配，确保模型的训练、调优和泛化能力评估科学合理。接着，利用这些数据集对初始模型进行训练。模型采用多层感知机结构，包括精心设计的输入层、多个隐藏层和输出层。训练过程中，模型通过前向传播计算预测输出，将输入层的输入数据通过线性变化计算，得到隐藏层的输入数据，具体地，通过下式求得隐藏层的输入数据：

[0108] z(1)＝W(1)x+b(1)

[0109] 其中z(1)是第一个隐藏层的输入值，W(1)是第一个隐藏层的权重矩阵，表示输入层(1)与隐藏层之间的连接强度，x是输入层的输入数据，b 是偏置向量，用于调整隐藏层的激活值，上标表示为第几个隐藏层的数据，每个隐藏层都有不同的权重矩阵和偏置向量。

[0110] 将隐藏层的输入数据通过非线性激活函数计算，得到隐藏层的输出数据，具体地，通过下式求得：

[0111] a(1)＝Tanh(z(1))

[0112]

[0113] 其中，a(1)第一个隐藏层的输出数据。根据上述两个公式，将隐藏层的输出数据先进行线性变化计算再进行非线性激活函数计算，直至得到最后一个隐藏层的输出数据，将最后一个隐藏层的输出数据作为输出层的输入数据，根据非线性激活函数进行计算，得到预测输出数据。具体地，根据下式求得：

[0114] Z(3)＝W(3)A(2)+b(3)

[0115] Y＝Linear(Z(3))

[0116] Linear(x)＝x

[0117] 其中，其中Z(3)是输出层的输入值，W(3)是输出层的权重矩阵，表示输出层与第二个(2) (3)隐藏层之间的连接强度，A 是第二个隐藏层的输入数据，b 是偏置向量，Y是输出层的输出值。

[0118] 通过损失函数(如均方误差MSE或交叉熵损失)得到预测结果与实际结果的误差值。随后，利用反向传播算法计算损失函数关于模型参数的梯度，具体地，根据误差值，得到输出层的误差梯度，具体地，通过下式求得：

[0119]

[0120] 其中，L是损失函数，σ，是输出层激活函数的导数。

[0121] 根据链式法则将输出层的误差梯度与前一层的激活函数的导数结合，计算得到前一层的误差梯度，具体地，通过下式得到：

[0122]

[0123] 根据上述公式求得，输出层前一层的隐藏层，再根据上述公式继续推导，得到深度学习模型的其它层的误差梯度，得到初始水泵转速深度学习模型每层的模型参数的梯度，包括了权重矩阵的梯度 偏置向量的梯度

[0124] 然后采取随机梯度下降优化策略得到学习率η逐步调整模型参数，直至损失函数收敛或达到预定迭代次数，这一过程反复进行，以逐步逼近全局最优解。在整个训练阶段，还需密切关注模型的过拟合问题，适时采用正则化、dropout等技术进行缓解。通过交叉验证等手段不断调整模型超参数，如学习率、隐藏层节点数等，以优化模型性能。得到预设水泵转速深度学习模型之后，对预设水泵转速深度学习模型进行评估，得到评估结果，若评估结果不满足热管理控制要求，则对预设水泵转速深度学习模型重新训练，直至满足热管理控制要求；若评估结果满足热管理控制要求，则将预设水泵转速深度学习模型作为最终的水泵转速深度学习模型，并对车辆状态数据进行分析。

[0125] 本实施例建立初始水泵转速深度学习模型，并在初始水泵转速深度学习模型中设置输入层、隐藏层和输出层，根据车辆状态数据对初始水泵转速深度学习模型进行训练，得到预设水泵转速深度学习模型，通过建立水泵转速深度学习模型，通过训练优化对车辆的水泵转速进行控制从而对热控制系统调控，可以即时根据环境变化进行对应变化。

[0126] 本申请还提供一种车辆热管理调节装置，请参照图4，所述装置包括：

[0127] 获取模块10，用于获取车辆状态数据。

[0128] 处理模块20，用于通过水泵转速深度学习模型对车辆状态数据进行分析，得到分析结果。

[0129] 获取模块10，用于通过车辆状态数据，得到车辆节温器开度。

[0130] 执行模块30，用于根据分析结果和车辆节温器开度对车辆温度进行调节。

[0131] 本申请提供的车辆热管理调节装置，采用上述实施例中的车辆热管理调节方法，能够解决如何提高车辆热管理调节效率的技术问题。与现有技术相比，本申请提供的车辆热管理调节装置的有益效果与上述实施例提供的车辆热管理调节方法的有益效果相同，且所述车辆热管理调节装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。

[0132] 在一实施例中，处理模块20，还用于建立初始水泵转速深度学习模型，并在初始热管理深度学习模型中设置输入层、隐藏层和输出层；根据车辆状态数据对初始水泵转速深度学习模型进行训练，得到预设水泵转速深度学习模型。

[0133] 在一实施例中，处理模块20，还用于初始化模型参数；获取输入数据；将输入数据输入初始水泵转速深度学习模型计算，得到预测输出数据；根据损失函数计算，得到预测输出数据与真实数据之间的误差值；通过反向传播算法计算，得到模型参数的梯度；根据梯度通过优化算法迭代更新模型参数，直至达到最大迭代次数或损失函数计算得到的误差值收敛到预设阈值，得到预设水泵转速深度学习模型。

[0134] 在一实施例中，处理模块20，还用于对预设水泵转速深度学习模型进行评估，得到评估结果；若评估结果不满足热管理控制要求，则对预设水泵转速深度学习模型重新训练，直至满足热管理控制要求；若评估结果满足热管理控制要求，则将预设水泵转速深度学习模型作为最终的水泵转速深度学习模型，并对车辆状态数据进行分析。

[0135] 在一实施例中，获取模块10，还用于通过粒子群算法对隶属度函数和预设水泵转速深度学习模型进行优化；所述通过粒子群算法对隶属度函数和预设水泵转速深度学习模型进行优化，包括：初始化粒子群中粒子的位置和速度以及计算所述粒子的适应度；设置迭代次数，计算得到粒子的历史最优值；通过比较每次迭代中粒子的适应度，得到粒子群的全局最优值；根据历史最优值和全局最优值，更新粒子的位置和速度；判断粒子的位置和速度是否满足预设范围，若不满足，对粒子进行边界条件处理；若达到迭代次数，则输出隶属度函数和预设水泵转速深度学习模型；通过所述车辆状态数据，得到车辆节温器开度的步骤，包括：根据隶属度函数构建模糊控制器；根据车辆状态数据得到当前冷却液温度；根据当前冷却液温度和预设冷却液温度通过模糊控制器，得到车辆节温器开度。

[0136] 在一实施例中，获取模块10，还用于获取车辆部件参数；根据车辆部件参数，构建整车冷却系统仿真模型；通过仿真模型进行仿真，得到车辆状态数据。

[0137] 在一实施例中，执行模块30，还用于通过分析结果，得到预测水泵转速；根据所述车辆节温器开度，调整冷却液工作策略；根据预测水泵转速和冷却液工作策略，对车辆温度进行调节。

[0138] 本申请提供一种车辆热管理调节设备，车辆热管理调节设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例一中的车辆热管理调节方法。

[0139] 下面参考图5，其示出了适于用来实现本申请实施例的车辆热管理调节设备的结构示意图。本申请实施例中的车辆热管理调节设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(Personal Digital Assistant：个人数字助理)、PAD(Portable Application Description：平板电脑)、PMP(Portable Media Player：便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的车辆热管理调节设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

[0140] 如图5所示，车辆热管理调节设备可以包括处理装置1001(例如中央处理器、图形处理器等)，其可以根据存储在只读存储器(ROM：Read Only Memory)1002中的程序或者从存储装置1003加载到随机访问存储器(RAM：Random Access Memory)1004中的程序而执行各种适当的动作和处理。在RAM1004中，还存储有车辆热管理调节设备操作所需的各种程序和数据。处理装置1001、ROM1002以及RAM1004通过总线1005彼此相连。输入/输出(I/O)接口1006也连接至总线。通常，以下系统可以连接至I/O接口1006：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置1007；包括例如液晶显示器(LCD：Liquid Crystal Display)、扬声器、振动器等的输出装置1008；包括例如磁带、硬盘等的存储装置1003；以及通信装置1009。通信装置1009可以允许车辆热管理调节设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的车辆热管理调节设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。

[0141] 特别地，根据本申请公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置1003被安装，或者从ROM1002被安装。在该计算机程序被处理装置1001执行时，执行本申请公开实施例的方法中限定的上述功能。

[0142] 本申请提供的车辆热管理调节设备，采用上述实施例中的车辆热管理调节方法，能解决如何提高车辆热管理调节效率的技术问题。与现有技术相比，本申请提供的车辆热管理调节设备的有益效果与上述实施例提供的车辆热管理调节方法的有益效果相同，且该车辆热管理调节设备中的其他技术特征与上一实施例方法公开的特征相同，在此不做赘述。

[0143] 应当理解，本申请公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0144] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

[0145] 本申请提供一种计算机可读介质，具有存储在其上的计算机可读程序指令(即计算机程序)，计算机可读程序指令用于执行上述实施例中的车辆热管理调节方法。

[0146] 本申请提供的计算机可读介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读介质的更具体地例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM：Random Access Memory)、只读存储器(ROM：Read Only Memory)、可擦式可编程只读存储器(EPROM：Erasable Programmable Read Only Memory或闪存)、光纤、便携式紧凑磁盘只读存储器(CD‑ROM：CD‑Read Only Memory)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(Radio Frequency：射频)等等，或者上述的任意合适的组合。

[0147] 上述计算机可读介质可以是车辆热管理调节设备中所包含的；也可以是单独存在，而未装配入车辆热管理调节设备中。

[0148] 上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被车辆热管理调节设备执行时，使得车辆热管理调节设备可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN：Local Area Network)或广域网(WAN：Wide Area Network)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

[0149] 附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0150] 描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。

[0151] 本申请提供的可读介质为计算机可读介质，所述计算机可读介质存储有用于执行上述车辆热管理调节方法的计算机可读程序指令(即计算机程序)，能够解决如何提高车辆热管理调节效率的技术问题。与现有技术相比，本申请提供的计算机可读介质的有益效果与上述实施例提供的车辆热管理调节方法的有益效果相同，在此不做赘述。

[0152] 本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的车辆热管理调节方法的步骤。

[0153] 本申请提供的计算机程序产品能够解决如何提高车辆热管理调节效率的技术问题。与现有技术相比，本申请提供的计算机程序产品的有益效果与上述实施例提供的车辆热管理调节方法的有益效果相同，在此不做赘述。

[0154] 以上所述仅为本申请的部分实施例，并非因此限制本申请的专利范围，凡是在本申请的技术构思下，利用本申请说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本申请的专利保护范围内。