CN112983608A - 颗粒捕集器碳载量计算方法、***、控制器和存储介质 - Google Patents
颗粒捕集器碳载量计算方法、***、控制器和存储介质 Download PDFInfo
- Publication number
- CN112983608A CN112983608A CN202110174958.2A CN202110174958A CN112983608A CN 112983608 A CN112983608 A CN 112983608A CN 202110174958 A CN202110174958 A CN 202110174958A CN 112983608 A CN112983608 A CN 112983608A
- Authority
- CN
- China
- Prior art keywords
- engine
- carbon loading
- carbon
- learning model
- working
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N9/00—Electrical control of exhaust gas treating apparatus
- F01N9/002—Electrical control of exhaust gas treating apparatus of filter regeneration, e.g. detection of clogging
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N9/00—Electrical control of exhaust gas treating apparatus
- F01N9/005—Electrical control of exhaust gas treating apparatus using models instead of sensors to determine operating characteristics of exhaust systems, e.g. calculating catalyst temperature instead of measuring it directly
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
- F01N2900/04—Methods of control or diagnosing
- F01N2900/0402—Methods of control or diagnosing using adaptive learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Processes For Solid Components From Exhaust (AREA)
Abstract
本发明公开了一种颗粒捕集器碳载量计算方法,包括:采集发动机不同工作温度和发动机不同启动环境温度的全工况实测数据,并将数据划分为训练集和验证集;建立碳载量自学习模型;训练碳载量自学习模型;验证碳载量自学习模型;计算获得碳烟流量和烧炭速率;根据碳烟流量和烧炭速率计算获得颗粒捕集器碳载量。本发明能计算获得不同工况下颗粒捕集器的高精度碳载量,进而提高发动机管理控制器对于颗粒捕集器控制的精准度,改善车辆排污。
Description
技术领域
本发明涉及汽车领域,特别是涉及一种用于颗粒捕集器碳载量计算的方法。本发明还涉及一种用于颗粒捕集器碳载量计算的***。以及,一种用于执行述颗粒捕集器碳载量计算方法的发动机管理控制器和一种用于实现所述颗粒捕集器碳载量计算方法中步骤的计算机可读存储介质。
背景技术
为了应对日益严重的环境恶化问题,为了符合《轻型汽车污染物排放限值及其测量方法(第六阶段)》,即国六法规排放标准,缸内直喷技术(GDI)得到了越来越广泛的应用。然而,由于燃油被直接喷射在缸内,油气混合不均匀和燃油湿壁现象严重,从而导致汽车尾气排放中颗粒物排放明显增加。单纯的依靠缸内的净化技术已经无法满足越来越严的法规要求,安装颗粒捕集器(GPF)是减少汽车尾气颗粒物排放的有效手段。
颗粒捕集器一般被安装在汽油车排气管道上,当带有大量碳烟的尾气经过颗粒捕集器时,颗粒捕集器特有的内部结构会不断捕捉碳烟颗粒,从而降低排气中的碳烟含量;但这也导致颗粒捕集器逐渐被碳烟颗粒堵塞,从而造成发动机排气背压过高带来的汽车燃油经济性变差等不良后果。因此,为了恢复颗粒捕集器的颗粒捕集功能,需要不断的周期性的让颗粒捕集器进行再生。再生的一般方式是使得颗粒捕集器加热到约600摄氏度,并提高排气中的氧流量,从而让颗粒捕集器中捕捉到的碳烟颗粒物快速燃烧,来恢复颗粒捕集器的颗粒捕集能力。
为了使颗粒捕集器再生的效率达到最优,且减少对汽车的驾驶性和燃油经济性的影响,在实际应用中,一般会根据颗粒捕集器中存储的碳烟颗粒量来执行再生策略。而工程实际中,颗粒捕集器的内部碳烟颗粒量无法实际测量,需要通过模型来预估。传统的颗粒捕集器碳载量模型的建立,是首先通过发动机的转速和负荷等基本特征,依据台架实验的数据标定出来的数据表,建立碳载量变化率模型,再利用对变化率的积分,得到碳载量。但这种方法实验工作量大,耗时长,人为影响误差因素多,并且在选取工况点时,一般只能根据经验选取特定的数值点,测量点之间的模型特性较差。除此之外,在标定数据表的时候,只能控制单一变量进行变化,人为的把多变量对排气碳烟含量的共同影响拆分开,进一步限制模型的精度。
近几年,也有研究人员在传统颗粒捕集器碳载量模型基础之上,提出了利用简单数据驱动模型,如线性回归等,基于累计的发动机的特性,如行驶总里程和总油耗等,直接预估颗粒捕集器F中存储的碳烟颗粒量。但由于颗粒捕集器碳烟产生原因复杂,不同的工况行驶过程对颗粒捕集器碳载量的产生也有较大影响,使得现有模型精度有限,导致结算结果偏差较大,不利于颗粒捕集器的再生控制。
发明内容
在发明内容部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化,这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征,更不意味着试图确定所要求保护的技术方案的保护范围。
相关名称解释
决策树算法是一种经典的机器学习算法。它既可以作为分类算法,也可以作为回归算法,同时也特别适合集成学习比如随机森林。决策树根据一步步地属性分类可以将整个特征空间进行划分,从而区别出不同的分类样本。本申请中决策树回归算法的训练基于信息熵原理。
长短期记忆算法(网络)(LSTM,Long Short-Term Memory)是一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。
集成学习法是组合个弱监督模型以期得到一个更好更全面的强监督模型,集成学习潜在的思想是即便某一个弱分类器得到了错误的预测,其他的弱分类器也可以将错误纠正回来。集成方法是将几种机器学习技术组合成一个预测模型的元算法,以达到减小方差、偏差或改进预测的效果。提升方法(Boosting),是一种可以用来减小监督式学习中偏差的机器学习算法。
本发明要解决的技术问题是提供一种由发动机运行实测数据进行驱动,能准确计算颗粒捕集器碳载量,具有自学习功能的颗粒捕集器碳载量计算方法。
相应的,本发明还提供了一种由发动机运行实测数据进行驱动,能准确计算颗粒捕集器碳载量,具有自学习功能的颗粒捕集器碳载量计算***。
以及,一种用于执行述颗粒捕集器碳载量计算方法的发动机管理控制器和一种用于实现所述颗粒捕集器碳载量计算方法中步骤的计算机可读存储介质。
为解决上述技术问题,本发明提供的颗粒捕集器碳载量计算方法,包括以下步骤:
采集发动机不同工作温度的全工况实测数据,并将数据划分为第一训练集和第一验证集;
采集发动机不同启动环境温度的全工况实测数据,并将数据划分为第二训练集和第二验证集;
S2,建立第一碳载量自学习模型和第二碳载量自学习模型;
S3,通过第一训练集训练第一碳载量自学习模型,通过第二训练集训练第二碳载量自学习模型;
S4,通过第一验证集验证第一碳载量自学习模型,通过第二验证集验证第二碳载量自学习模型,直至符合设计精度要求,否则重新训练模型;
S5,向完成训练的第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据计算获得碳烟流量;
S6,根据发动机不同启动环境温度的全工况实测数据计算获得烧炭速率;
S6,根据碳烟流量和烧炭速率计算获得颗粒捕集器碳载量。
可选择的,进一步改进所述的颗粒捕集器碳载量计算方法,发动机不同工作温度至少包括发动机冷启动工况工作温度和发动机高负荷运动工况工作温度;其中,发动机冷启动工况和发动机高负荷运动工况根据不同发动机的实际性能指定。
可选择的,进一步改进所述的颗粒捕集器碳载量计算方法,发动机不同工作温度的全工况实测数据,包括发动机转速、发动机负荷、发动机空燃比、发动机工作温度、发动机运行时间、环境温度以及实测的发动机碳烟流量;
发动机不同启动环境温度的全工况实测数据,包括发动机转速、发动机负荷、发动机燃烧效率以及实测的颗粒捕集器内部温度。
可选择的,进一步改进所述的颗粒捕集器碳载量计算方法,将采集到实测数据中的60%-80%划分为训练集,剩余的数据划分为验证集。
可选择的,进一步改进所述的颗粒捕集器碳载量计算方法,第一碳载量自学习模型是基于决策树回归算法的集成学习算法,根据发动机不同工作温度的全工况实测数据分别进行训练得到至少两个子模型融合建立的累碳自学习模型;
第二碳载量自学习模型是基于长短期记忆算法的集成学习算法,根据发动机不同启动环境温度的全工况实测数据建立的颗粒捕集器内部温度自学习模型。
长短期记忆算法模型的训练可以自动学习得到温度随时间变化的序列结构,省去了人为进行数据表调参的工作,提高了工作效率,也同时优化了传统模型中特定测点之间精度较低的问题。
可选择的,进一步改进所述的颗粒捕集器碳载量计算方法,集成学习算法是提升方法(Boosting),其用于对第一碳载量自学习模型残差进行拟合。对于集成学习算法,选用提升学习(Boosting),其可以对模型的残差进行不断的拟合,从而使得整体模型达到较好的精度。
可选择的,进一步改进所述的颗粒捕集器碳载量计算方法,计算训练后第一碳载量自学***均误差,通过模型平均误差与模型设计阈值比较判断模型是否符合设计精度要求。
可选择的,进一步改进所述的颗粒捕集器碳载量计算方法,碳烟流量是向第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据获得;
烧炭速率是通过现有方法根据颗粒捕集器内部温度、颗粒捕集器内部氧流量和当前颗粒捕集器内部碳载量,通过查询标定数据表获得。
可选择的,进一步改进所述的颗粒捕集器碳载量计算方法,通过积分器对碳烟流量和烧炭速率差值进行积分计算获得颗粒捕集器碳载量。
可选择的,进一步改进所述的颗粒捕集器碳载量计算方法,以发动机全工况预测数据作为输入数据时,其计算获得的碳载量能用于积碳预测。所述全工况预测数据能根据现有技术以及未来发动机工况预设模型获取,无论何种发明动机全工况预测模型只要能提供本发明所需要数据进行建模训练比较判断,就能够通过发动机全工况预测数据实现未来碳载量的预测。
为解决上述技术问题本发明提供一种发动机管理控制器,其用于执行上述任意一项所述颗粒捕集器碳载量计算方法。
为解决上述技术问题本发明提供一种计算机可读存储介质,其被发动机管理控制器执行时,实现上述任意一项所述颗粒捕集器碳载量计算方法中的步骤。
为解决上述技术问题本发明提供一种颗粒捕集器碳载量计算***,包括:
数据采集模块,其用于采集发动机不同工作温度和不同启动环境温度的全工况实测数据;
数据分割模块,其用于将发动机不同工作温度的全工况实测数据划分为第一训练集和第一验证集,将发动机不同启动环境温度的全工况实测数据划分为第二训练集和第二验证集;
建模模块,其用于建立第一碳载量自学习模型和第二碳载量自学习模型;
训练模块,其用于通过第一训练集训练第一碳载量自学习模型,通过第二训练集训练第二碳载量自学习模型;
验证模块,其用于通过第一验证集验证第一碳载量自学习模型,通过第二验证集验证第二碳载量自学习模型,直至符合设计精度要求,否则重新训练模型;
计算模块,其用于向完成训练的第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据计算获得碳烟流量,根据发动机不同启动环境温度的全工况实测数据计算获得烧炭速率,根据碳烟流量和烧炭速率计算获得颗粒捕集器碳载量。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,云端服务器,其集成有数据分割模块、建模模块、训练模块、验证模块和计算模块;
通讯模块,将数据采集模块采集的已投入使用车辆的实测数据传至云端服务器,并自云端服务器获取颗粒捕集器碳载量发送至于发动机管理控制器;
其中,数据采集模块集成于发动机管理控制器。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,云端服务器,其集成有数据分割模块、建模模块、训练模块和验证模块,其将训练后的第一碳载量自学习模型和第二碳载量自学习模型发送至车载控制器;
车载控制器,其根据发动机管理控制器发送来的已投入使用车辆的实测数据计算颗粒捕集器碳载量,将颗粒捕集器碳载量发送至于发动机管理控制器;并,将发动机管理控制器发送来的已投入使用车辆的实测数据转发至云端服务器;
其中,数据采集模块集成于发动机管理控制器。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,发动机不同工作温度至少包括发动机冷启动工况工作温度和发动机高负荷运动工况工作温度;其中,发动机冷启动工况和发动机高负荷运动工况根据不同发动机的实际性能指定。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,发动机不同工作温度的全工况实测数据,包括发动机转速、发动机负荷、发动机空燃比、发动机工作温度、发动机运行时间、环境温度以及实测的发动机碳烟流量;
发动机不同启动环境温度的全工况实测数据,包括发动机转速、发动机负荷、发动机燃烧效率以及实测的颗粒捕集器内部温度。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,数据分割模块将采集到实测数据中的60%-80%划分为训练集,剩余的数据划分为验证集。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,第一碳载量自学习模型是基于决策树回归算法的集成学习算法,根据发动机不同工作温度的全工况实测数据分别进行训练得到至少两个子模型融合建立的累碳自学习模型;所述模型融合就是训练多个模型,然后按照一定的方法集成过个模型,因为它容易理解、实现也简单,同时效果也很好,在工业界的很多应用;
第二碳载量自学习模型是基于长短期记忆算法的集成学习算法,根据发动机不同启动环境温度的全工况实测数据建立的颗粒捕集器内部温度自学习模型。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,集成学习算法是提升方法(Boosting),其用于对第一碳载量自学习模型残差进行拟合。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,计算训练后第一碳载量自学***均误差,通过模型平均误差与模型设计阈值比较判断模型是否符合设计精度要求。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,碳烟流量是向第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据获得;
烧炭速率是根据颗粒捕集器内部温度、颗粒捕集器内部氧流量和当前颗粒捕集器内部碳载量,通过查询标定数据表获得。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,通过积分器对碳烟流量和烧炭速率差值进行积分计算获得颗粒捕集器碳载量。
可选择的,进一步改进所述的颗粒捕集器碳载量计算***,数据采集模块采集发动机全工况预测数据时,能用于碳载量预测。所述全工况预测数据能根据现有技术以及未来发动机工况预设模型获取,无论何种发明动机全工况预测模型只要能提供本发明所需要数据进行建模训练比较判断,就能够通过发动机全工况预测数据实现未来碳载量的预测。
本发明的工作原理如下:
一、累碳计算部分;
由于大量累碳的过程多发生在发动机冷启动工况和发动机高负荷运动工况,所以为了提高准确度模型的建立至少应包含发动机冷启动工况和发动机高负荷运动工况水温。根据这两种工况发动机工作温度可以形成两个模型:一个模型在水温较低的情况下,根据发动机转速、发动机负荷、发动机空燃比、发动机工作温度、发动机运行时间和环境温度,计算发动机运行产生碳烟流量大小;另一个模型在水温较高的情况下,利用相同类型参数输入计算碳烟流量大小。两者均利用基于决策树回归的集成学习算法进行建模。决策树回归模型利用树形决策结构学习碳烟的生成规律,其具有复杂的内部结构,可以模拟多种影响因素共同作用的机制,避免人为拆分计算带来的精度误差。
二、颗粒捕集器再生部分;
对于颗粒捕集器再生过程,需要计算颗粒捕集器烧炭的速率。对颗粒捕集器内部温度,根据发动机转速,发动机负荷,发动机工作温度和燃烧效率,基于长短期记忆算法(LSTM)算法进行了精确的建模,降低了原有温度模型的误差。基于长短期记忆算法的序列结构和其可以防止在长序列训练时发生梯度消失和梯度***问题的特性,使得其很适用于对温度跟随时间的变化进行精确建模。而烧炭速率的换算则维持了现有的算法,即根据颗粒捕集器内部温度,颗粒捕集器内部氧流量和当前颗粒捕集器内部碳载量,通过查询标定数据表得到。由于颗粒捕集器内部温度的估算得到了提升,颗粒捕集器烧炭速率的计算精度也得到了一定程度的提升。
本发明之所以可以在车载传感器无法准确测量积碳碳载量的情况下进行准确的GPF积碳评估,一是因为开发阶段数据采集过程中所有碳载量数据都经过对GPF实际称重进行验证,二是因为在模型部署阶段,云端可以提供的大量实测数据。运用恰当的滤波方法,例如高斯滤波,可以修正数据中因为测量等因素带来的偶然误差。因此,本发明提出的数据驱动模型可以较高准确度的估算GPF碳载量。
综上所述,在已知碳烟流量和烧炭速率的情况下,可以利用积分器对两者的差值进行积分,估算出当前颗粒捕集器的内部碳载量。由于该计算模型保留了传统模型中,对积碳变化速率的精确计算,因此计算获得不同工况下的高精度碳载量,进而提高发动机管理控制器对于颗粒捕集器控制的精准度,改善车辆排污。
附图说明
本发明附图旨在示出根据本发明的特定示例性实施例中所使用的方法、结构和/或材料的一般特性,对说明书中的描述进行补充。然而,本发明附图是未按比例绘制的示意图,因而可能未能够准确反映任何所给出的实施例的精确结构或性能特点,本发明附图不应当被解释为限定或限制由根据本发明的示例性实施例所涵盖的数值或属性的范围。下面结合附图与具体实施方式对本发明作进一步详细的说明:
图1是本发明颗粒捕集器碳载量计算方法原理是示意图。
图2是本发明颗粒捕集器碳载量计算***结构示意图一。
图3是本发明颗粒捕集器碳载量计算***结构示意图二。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点加以应用,在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。本发明下述示例性实施例可以多种不同的形式来实施,并且不应当被解释为只限于这里所阐述的具体实施例。应当理解的是,提供这些实施例是为了使得本发明的公开彻底且完整,并且将这些示例性具体实施例的技术方案充分传达给本领域技术人员。
此外,还应当理解的是,尽管在这里可以使用术语“第一”、“第二”等来描述不同的元件、参数、组件、区域、层和/或部分,但是这些元件、参数、组件、区域、层和/或部分不应当受这些术语的限制。这些术语仅是用来将一个元件、参数、组件、区域、层或部分与另一个元件、参数、组件、区域、层或部分区分开来。因此,在不脱离根据本发明的示例性实施例的教导的情况下,以下所讨论的第一元件、参数、组件、区域、层或部分也可以被称作第二元件、参数、组件、区域、层或部分。
第一实施例;
本发明提供一种颗粒捕集器碳载量计算方法,包括以下步骤:
S1,采集发动机不同工作温度的全工况实测数据,并将数据划分为第一训练集和第一验证集;
采集发动机不同启动环境温度的全工况实测数据,并将数据划分为第二训练集和第二验证集;
对于发动机全工况实测数据的采集,可以通过全发动机工况的发动机台架试验,或量产的已投入使用车辆获取;相应的,量产的已投入使用车辆的数据采集可以通过本地存储后通过有线传输或无线网络(WIFI、4G、5G等)传输至本地硬件设备或远端硬件设备进行;
S2,建立第一碳载量自学习模型和第二碳载量自学习模型;
S3,通过第一训练集训练第一碳载量自学习模型,通过第二训练集训练第二碳载量自学习模型;
S4,通过第一验证集验证第一碳载量自学习模型,通过第二验证集验证第二碳载量自学习模型,直至符合设计精度要求,否则重新训练模型;
对于设计精度要求根据发动机的实际性能进行指定;相应的,通过调整设计精度会影响模型的训练,精度要求越高则模型可能需要训练的次数越多;
S5,向完成训练的第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据计算获得碳烟流量;
S6,根据发动机不同启动环境温度的全工况实测数据计算获得烧炭速率;
S7,根据碳烟流量和烧炭速率计算获得颗粒捕集器碳载量。
第二实施例;
参考图1所示,本发明提供一种颗粒捕集器碳载量计算方法,包括以下步骤:
S1,采集发动机不同工作温度的全工况实测数据,并将数据划分为第一训练集和第一验证集;
采集发动机不同启动环境温度的全工况实测数据,并将数据划分为第二训练集和第二验证集;
对于训练集和验证集数据的划分根据发动机的实际性能可选择性的调整,训练集的数据过少,会造成验证不通过的概率增加;而训练集的数据过多,则会影响计算的效率;通常采集到实测数据中的60%-80%划分为训练集,剩余的数据划分为验证集;
其中,发动机不同工作温度至少包括发动机冷启动工况工作温度和发动机高负荷运动工况工作温度;发动机冷启动工况和发动机高负荷运动工况根据不同发动机的实际性能指定;
发动机不同工作温度的全工况实测数据,包括发动机转速、发动机负荷、发动机空燃比、发动机工作温度、发动机运行时间、环境温度以及实测的发动机碳烟流量;
发动机不同启动环境温度的全工况实测数据,包括发动机转速、发动机负荷、发动机燃烧效率以及实测的颗粒捕集器内部温度;
对于发动机全工况实测数据的采集,可以通过全发动机工况的发动机台架试验,或量产的已投入使用车辆获取;相应的,量产的已投入使用车辆的数据采集可以通过本地存储后通过有线传输或无线网络(WIFI、4G、5G等)传输至本地硬件设备(例如调试电脑)或远端硬件设备(例如云端服务器)进行;
S2,建立第一碳载量自学习模型和第二碳载量自学习模型;
第一碳载量自学习模型是基于决策树回归算法的集成学习算法,根据发动机不同工作温度的全工况实测数据分别进行训练得到至少两个子模型融合建立的累碳自学习模型;
第二碳载量自学习模型是基于长短期记忆算法的集成学习算法,根据发动机不同启动环境温度的全工况实测数据建立的颗粒捕集器内部温度自学习模型;
集成学习算法是提升方法(Boosting),其用于对第一碳载量自学习模型残差进行拟合;
S3,通过第一训练集训练第一碳载量自学习模型,通过第二训练集训练第二碳载量自学习模型;
S4,通过第一验证集验证第一碳载量自学***均误差,通过模型平均误差与模型设计阈值比较判断模型是否符合设计精度要求,若不符合设计精度要求则重新训练模型;
对于设计精度要求根据发动机的实际性能进行指定;相应的,通过调整设计精度会影响模型的训练,精度要求越高则模型可能需要训练的次数越多;
S5,向完成训练的第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据,包括发动机转速、发动机负荷、发动机空燃比、发动机工作温度、发动机运行时间、环境温度以及实测的发动机碳烟流量,计算获得碳烟流量;
S6,根据颗粒捕集器内部温度、颗粒捕集器内部氧流量和当前颗粒捕集器内部碳载量,通过查询标定数据表获得;
S7,通过积分器对碳烟流量和烧炭速率差值进行积分计算获得颗粒捕集器碳载量。
第三实施例;
本发明提供一种发动机管理控制器,其用于执行上述第一实施例或第二实施例任意一项所述的颗粒捕集器碳载量计算方法。
第四实施例;
本发明提供一种计算机可读存储介质,其被发动机管理控制器执行时,实现上述第一实施例或第二实施例任意一项所述颗粒捕集器碳载量计算方法中的步骤。
第五实施例;
该第五实施例对于发动机全工况实测数据的采集,可以通过全发动机工况的发动机台架试验获取;即在研发试验阶段完成颗粒捕集器碳载量计算***。
本发明提供一种颗粒捕集器碳载量计算***,包括:
数据采集模块,其用于采集发动机不同工作温度和不同启动环境温度的全工况实测数据;
数据分割模块,其用于将发动机不同工作温度的全工况实测数据划分为第一训练集和第一验证集,将发动机不同启动环境温度的全工况实测数据划分为第二训练集和第二验证集;
建模模块,其用于建立第一碳载量自学习模型和第二碳载量自学习模型;
训练模块,其用于通过第一训练集训练第一碳载量自学习模型,通过第二训练集训练第二碳载量自学习模型;
验证模块,其用于通过第一验证集验证第一碳载量自学习模型,通过第二验证集验证第二碳载量自学习模型,直至符合设计精度要求,否则重新训练模型;
计算模块,其用于向完成训练的第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据计算获得碳烟流量,根据发动机不同启动环境温度的全工况实测数据计算获得烧炭速率,根据碳烟流量和烧炭速率计算获得颗粒捕集器碳载量。
第六实施例;
该第六实施例对于发动机全工况实测数据的采集完善、模型训练提供了另一种方式。定时/实时的在量产的已投入使用车辆上通过现有的车载硬件采集数据,定时/实时采集数据的本地存储后通过有线传输或无线网络(WIFI、4G、5G等)传输至本地硬件设备(例如调试电脑);
或者,通过车载通讯模块定时/实时将采集数据通过无线网络(WIFI、4G、5G等)传输至远端硬件设备(例如云端服务器);
进而在非车端实现实时/定时的建模、训练、计算等过程,将计算获得的颗粒捕集器碳载量发送到发动机管理控制器,发动机管理控制器直接利用碳载量执行控制策略。这样能减少车端发动机管理控制器的计算负载,降低对于硬件要求,将发动机管理控制器的资源节省出来用于其他控制;
参考图2所示,图2中所述GPF碳载量模型包括第一碳载量自学习模型和第二碳载量自学习模型,本实施例所有的硬件均可以利用现有车载硬件实现,而控制部分本领域技术人员能够通过计算机编程技术手段在现有车载硬件上实现;图2中所述实车数据包括但不限于;台架试验、实车传感器采集以及发动机全工况预测模型所能提供的实现本发明所需的数据;
本发明提供一种颗粒捕集器碳载量计算***,包括:
通讯模块,将数据采集模块采集的已投入使用车辆的实测数据传至云端服务器,并自云端服务器获取颗粒捕集器碳载量发送至于发动机管理控制器;其中,数据采集模块集成于发动机管理控制器;
云端服务器,其集成有数据分割模块、建模模块、训练模块、验证模块和计算模块;
数据采集模块,其用于采集发动机不同工作温度和不同启动环境温度的全工况实测数据;
发动机不同工作温度至少包括发动机冷启动工况工作温度和发动机高负荷运动工况工作温度;其中,发动机冷启动工况和发动机高负荷运动工况根据不同发动机的实际性能指定;
发动机不同工作温度的全工况实测数据,包括发动机转速、发动机负荷、发动机空燃比、发动机工作温度、发动机运行时间、环境温度以及实测的发动机碳烟流量;
发动机不同启动环境温度的全工况实测数据,包括发动机转速、发动机负荷、发动机燃烧效率以及实测的颗粒捕集器内部温度。
数据分割模块,其用于将发动机不同工作温度的全工况实测数据划分为第一训练集和第一验证集,将发动机不同启动环境温度的全工况实测数据划分为第二训练集和第二验证集;数据分割模块将采集到实测数据中的60%-80%划分为训练集,剩余的数据划分为验证集;
建模模块,其用于建立第一碳载量自学习模型和第二碳载量自学习模型;
第一碳载量自学习模型是基于决策树回归算法的集成学习算法,根据发动机不同工作温度的全工况实测数据分别进行训练得到至少两个子模型融合建立的累碳自学习模型;
第二碳载量自学习模型是基于长短期记忆算法的集成学习算法,根据发动机不同启动环境温度的全工况实测数据建立的颗粒捕集器内部温度自学习模型;集成学习算法是提升方法(Boosting),其用于对第一碳载量自学习模型残差进行拟合。
训练模块,其用于通过第一训练集训练第一碳载量自学习模型,通过第二训练集训练第二碳载量自学习模型;
验证模块,其用于通过第一验证集验证第一碳载量自学习模型,通过第二验证集验证第二碳载量自学习模型,直至符合设计精度要求,否则重新训练模型;
计算训练后第一碳载量自学***均误差,通过模型平均误差与模型设计阈值比较判断模型是否符合设计精度要求;
计算模块,其用于向完成训练的第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据计算获得碳烟流量,根据发动机不同启动环境温度的全工况实测数据计算获得烧炭速率,通过积分器对碳烟流量和烧炭速率差值进行积分计算获得颗粒捕集器碳载量;
碳烟流量是向第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据获得;
烧炭速率是根据颗粒捕集器内部温度、颗粒捕集器内部氧流量和当前颗粒捕集器内部碳载量,通过查询标定数据表获得。
相应的,随着投入使用车辆的增加,数据的累积,以及模型训练的累积,本发明的颗粒捕集器碳载量计算***的精度理论上可以无限趋近于准确。
第七实施例;
该第七实施例是基于上述第六实施例进行的改进,参考图3所示,图3中所述GPF碳载量模型包括第一碳载量自学习模型和第二碳载量自学习模型,本实施例所有的硬件均可以利用现有车载硬件实现,而控制部分本领域技术人员能够通过计算机编程技术手段在现有车载硬件上实现;
本实施例将数据分割、建模、训练和验证部分放在云端服务器,将训练好的模型发送至车控制器,在车载控制器完成碳载量计算,该颗粒捕集器碳载量计算***,包括:
车载控制器,其根据发动机管理控制器发送来的已投入使用车辆的实测数据计算颗粒捕集器碳载量,将颗粒捕集器碳载量发送至于发动机管理控制器;并,将发动机管理控制器发送来的已投入使用车辆的实测数据转发至云端服务器;其中,数据采集模块集成于发动机管理控制器;
云端服务器,其集成有数据分割模块、建模模块、训练模块和验证模块,其将训练后的第一碳载量自学习模型和第二碳载量自学习模型发送至车载控制器;
数据采集模块,其用于采集发动机不同工作温度和不同启动环境温度的全工况实测数据;
发动机不同工作温度至少包括发动机冷启动工况工作温度和发动机高负荷运动工况工作温度;其中,发动机冷启动工况和发动机高负荷运动工况根据不同发动机的实际性能指定;
发动机不同工作温度的全工况实测数据,包括发动机转速、发动机负荷、发动机空燃比、发动机工作温度、发动机运行时间、环境温度以及实测的发动机碳烟流量;
发动机不同启动环境温度的全工况实测数据,包括发动机转速、发动机负荷、发动机燃烧效率以及实测的颗粒捕集器内部温度。
数据分割模块,其用于将发动机不同工作温度的全工况实测数据划分为第一训练集和第一验证集,将发动机不同启动环境温度的全工况实测数据划分为第二训练集和第二验证集;数据分割模块将采集到实测数据中的60%-80%划分为训练集,剩余的数据划分为验证集;
建模模块,其用于建立第一碳载量自学习模型和第二碳载量自学习模型;
第一碳载量自学习模型是基于决策树回归算法的集成学习算法,根据发动机不同工作温度的全工况实测数据分别进行训练得到至少两个子模型融合建立的累碳自学习模型;
第二碳载量自学习模型是基于长短期记忆算法的集成学习算法,根据发动机不同启动环境温度的全工况实测数据建立的颗粒捕集器内部温度自学习模型;集成学习算法是提升方法(Boosting),其用于对第一碳载量自学习模型残差进行拟合。
训练模块,其用于通过第一训练集训练第一碳载量自学习模型,通过第二训练集训练第二碳载量自学习模型;
验证模块,其用于通过第一验证集验证第一碳载量自学习模型,通过第二验证集验证第二碳载量自学习模型,直至符合设计精度要求,否则重新训练模型;
计算训练后第一碳载量自学***均误差,通过模型平均误差与模型设计阈值比较判断模型是否符合设计精度要求;
计算模块,其用于向完成训练的第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据计算获得碳烟流量,根据发动机不同启动环境温度的全工况实测数据计算获得烧炭速率,通过积分器对碳烟流量和烧炭速率差值进行积分计算获得颗粒捕集器碳载量;
碳烟流量是向第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据获得;
烧炭速率是根据颗粒捕集器内部温度、颗粒捕集器内部氧流量和当前颗粒捕集器内部碳载量,通过查询标定数据表获得。
相应的,随着投入使用车辆的增加,数据的累积,以及模型训练的累积,本发明的颗粒捕集器碳载量计算***的精度理论上可以无限趋近于准确。
以及,上述第一实施例~第七实施例,以发动机全工况预测数据作为输入数据或采集数据时,其计算获得的碳载量能用于积碳预测。
除非另有定义,否则这里所使用的全部术语(包括技术术语和科学术语)都具有与本发明所属领域的普通技术人员通常理解的意思相同的意思。还将理解的是,除非这里明确定义,否则诸如在通用字典中定义的术语这类术语应当被解释为具有与它们在相关领域语境中的意思相一致的意思,而不以理想的或过于正式的含义加以解释。
以上通过具体实施方式和实施例对本发明进行了详细的说明,但这些并非构成对本发明的限制。在不脱离本发明原理的情况下,本领域的技术人员还可做出许多变形和改进,这些也应视为本发明的保护范围。
Claims (24)
1.一种颗粒捕集器碳载量计算方法,其特征在于,包括以下步骤:
S1,采集发动机不同工作温度的全工况实测数据,并将数据划分为第一训练集和第一验证集;
采集发动机不同启动环境温度的全工况实测数据,并将数据划分为第二训练集和第二验证集;
S2,建立第一碳载量自学习模型和第二碳载量自学习模型;
S3,通过第一训练集训练第一碳载量自学习模型,通过第二训练集训练第二碳载量自学习模型;
S4,通过第一验证集验证第一碳载量自学习模型,通过第二验证集验证第二碳载量自学习模型,直至符合设计精度要求,否则重新训练模型;
S5,向完成训练的第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据计算获得碳烟流量;
S6,根据发动机不同启动环境温度的全工况实测数据计算获得烧炭速率;
S7,根据碳烟流量和烧炭速率计算获得颗粒捕集器碳载量。
2.如权利要求1所述的颗粒捕集器碳载量计算方法,其特征在于:发动机不同工作温度至少包括发动机冷启动工况工作温度和发动机高负荷运动工况工作温度;其中,发动机冷启动工况和发动机高负荷运动工况根据不同发动机的实际性能指定。
3.如权利要求1所述的颗粒捕集器碳载量计算方法,其特征在于:
发动机不同工作温度的全工况实测数据,包括发动机转速、发动机负荷、发动机空燃比、发动机工作温度、发动机运行时间、环境温度以及实测的发动机碳烟流量;
发动机不同启动环境温度的全工况实测数据,包括发动机转速、发动机负荷、发动机燃烧效率以及实测的颗粒捕集器内部温度。
4.如权利要求1所述的颗粒捕集器碳载量计算方法,其特征在于:将采集到实测数据中的60%-80%划分为训练集,剩余的数据划分为验证集。
5.如权利要求1所述的颗粒捕集器碳载量计算方法,其特征在于:
第一碳载量自学习模型是基于决策树回归算法的集成学习算法,根据发动机不同工作温度的全工况实测数据分别进行训练得到至少两个子模型融合建立的累碳自学习模型;
第二碳载量自学习模型是基于长短期记忆算法的集成学习算法,根据发动机不同启动环境温度的全工况实测数据建立的颗粒捕集器内部温度自学习模型。
6.如权利要求5所述的颗粒捕集器碳载量计算方法,其特征在于:
集成学习算法是提升方法(Boosting),其用于对第一碳载量自学习模型残差进行拟合。
7.如权利要求1所述的颗粒捕集器碳载量计算方法,其特征在于:
计算训练后第一碳载量自学***均误差,通过模型平均误差与模型设计阈值比较判断模型是否符合设计精度要求。
8.如权利要求1所述的颗粒捕集器碳载量计算方法,其特征在于:
碳烟流量是向第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据获得;
烧炭速率是根据颗粒捕集器内部温度、颗粒捕集器内部氧流量和当前颗粒捕集器内部碳载量,通过查询标定数据表获得。
9.如权利要求1所述的颗粒捕集器碳载量计算方法,其特征在于:通过积分器对碳烟流量和烧炭速率差值进行积分计算获得颗粒捕集器碳载量。
10.如权利要求1所述的颗粒捕集器碳载量计算方法,其特征在于:以发动机全工况预测数据作为输入数据时,其计算获得的碳载量能用于积碳预测。
11.一种发动机管理控制器,其特征在于:其用于执行权利要求1-10任意一项所述的颗粒捕集器碳载量计算方法。
12.一种计算机可读存储介质,其特征在于:其被发动机管理控制器执行时,实现权利要求1-10任意一项所述颗粒捕集器碳载量计算方法中的步骤。
13.一种颗粒捕集器碳载量计算***,其特征在于,包括:
数据采集模块,其用于采集发动机不同工作温度和不同启动环境温度的全工况实测数据;
数据分割模块,其用于将发动机不同工作温度的全工况实测数据划分为第一训练集和第一验证集,将发动机不同启动环境温度的全工况实测数据划分为第二训练集和第二验证集;
建模模块,其用于建立第一碳载量自学习模型和第二碳载量自学习模型;
训练模块,其用于通过第一训练集训练第一碳载量自学习模型,通过第二训练集训练第二碳载量自学习模型;
验证模块,其用于通过第一验证集验证第一碳载量自学习模型,通过第二验证集验证第二碳载量自学习模型,直至符合设计精度要求,否则重新训练模型;
计算模块,其用于向完成训练的第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据计算获得碳烟流量,根据发动机不同启动环境温度的全工况实测数据计算获得烧炭速率,根据碳烟流量和烧炭速率计算获得颗粒捕集器碳载量。
14.如权利要求13所述的颗粒捕集器碳载量计算***,其特征在于:
云端服务器,其集成有数据分割模块、建模模块、训练模块、验证模块和计算模块;
通讯模块,将数据采集模块采集的已投入使用车辆的实测数据传至云端服务器,并自云端服务器获取颗粒捕集器碳载量发送至于发动机管理控制器;
其中,数据采集模块集成于发动机管理控制器。
15.如权利要求13所述的颗粒捕集器碳载量计算***,其特征在于:
云端服务器,其集成有数据分割模块、建模模块、训练模块和验证模块,其将训练后的第一碳载量自学习模型和第二碳载量自学习模型发送至车载控制器;
车载控制器,其根据发动机管理控制器发送来的已投入使用车辆的实测数据计算颗粒捕集器碳载量,将颗粒捕集器碳载量发送至于发动机管理控制器;并,将发动机管理控制器发送来的已投入使用车辆的实测数据转发至云端服务器;
其中,数据采集模块集成于发动机管理控制器。
16.如权利要求13所述的颗粒捕集器碳载量计算***,其特征在于:发动机不同工作温度至少包括发动机冷启动工况工作温度和发动机高负荷运动工况工作温度;其中,发动机冷启动工况和发动机高负荷运动工况根据不同发动机的实际性能指定。
17.如权利要求13所述的颗粒捕集器碳载量计算***,其特征在于:
发动机不同工作温度的全工况实测数据,包括发动机转速、发动机负荷、发动机空燃比、发动机工作温度、发动机运行时间、环境温度以及实测的发动机碳烟流量;
发动机不同启动环境温度的全工况实测数据,包括发动机转速、发动机负荷、发动机燃烧效率以及实测的颗粒捕集器内部温度。
18.如权利要求13所述的颗粒捕集器碳载量计算***,其特征在于:数据分割模块将采集到实测数据中的60%-80%划分为训练集,剩余的数据划分为验证集。
19.如权利要求13所述的颗粒捕集器碳载量计算***,其特征在于:
第一碳载量自学习模型是基于决策树回归算法的集成学习算法,根据发动机不同工作温度的全工况实测数据分别进行训练得到至少两个子模型融合建立的累碳自学习模型;
第二碳载量自学习模型是基于长短期记忆算法的集成学习算法,根据发动机不同启动环境温度的全工况实测数据建立的颗粒捕集器内部温度自学习模型。
20.如权利要求19所述的颗粒捕集器碳载量计算***,其特征在于:
集成学习算法是提升方法(Boosting),其用于对第一碳载量自学习模型残差进行拟合。
21.如权利要求13所述的颗粒捕集器碳载量计算***,其特征在于:计算训练后第一碳载量自学***均误差,通过模型平均误差与模型设计阈值比较判断模型是否符合设计精度要求。
22.如权利要求13所述的颗粒捕集器碳载量计算***,其特征在于:碳烟流量是向第一碳载量自学习模型输入发动机不同工作温度的全工况实测数据获得;
烧炭速率是根据颗粒捕集器内部温度、颗粒捕集器内部氧流量和当前颗粒捕集器内部碳载量,通过查询标定数据表获得。
23.如权利要求13所述的颗粒捕集器碳载量计算***,其特征在于:通过积分器对碳烟流量和烧炭速率差值进行积分计算获得颗粒捕集器碳载量。
24.如权利要求13-23任意一项所述的颗粒捕集器碳载量计算***,其特征在于:数据采集模块采集发动机全工况预测数据时,能用于碳载量预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174958.2A CN112983608A (zh) | 2021-02-09 | 2021-02-09 | 颗粒捕集器碳载量计算方法、***、控制器和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110174958.2A CN112983608A (zh) | 2021-02-09 | 2021-02-09 | 颗粒捕集器碳载量计算方法、***、控制器和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112983608A true CN112983608A (zh) | 2021-06-18 |
Family
ID=76347953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110174958.2A Pending CN112983608A (zh) | 2021-02-09 | 2021-02-09 | 颗粒捕集器碳载量计算方法、***、控制器和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112983608A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452379A (zh) * | 2021-07-16 | 2021-09-28 | 燕山大学 | 断面轮廓降维模型训练方法、***及数据压缩方法、*** |
CN113741196A (zh) * | 2021-09-14 | 2021-12-03 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的dpf再生周期控制优化方法 |
CN113866350A (zh) * | 2021-08-30 | 2021-12-31 | 东风柳州汽车有限公司 | 车辆累碳量测量实现方法、装置、设备及存储介质 |
CN115405402A (zh) * | 2022-08-29 | 2022-11-29 | 潍柴动力股份有限公司 | 一种碳载量模型的确定方法、装置、电子设备及存储介质 |
CN118260675A (zh) * | 2024-05-29 | 2024-06-28 | 江西五十铃汽车有限公司 | 一种dpf***强相关工况分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004293413A (ja) * | 2003-03-27 | 2004-10-21 | Isuzu Motors Ltd | 排気ガス浄化システム |
CN103261598A (zh) * | 2011-03-18 | 2013-08-21 | 株式会社小松制作所 | 粒子状物质堆积量推定装置、废气净化***及粒子状物质堆积量推定方法 |
CN104895651A (zh) * | 2014-03-05 | 2015-09-09 | 通用汽车环球科技运作有限责任公司 | 对颗粒过滤器碳烟速率的环境湿度和温度校正 |
CN108278146A (zh) * | 2018-01-29 | 2018-07-13 | 中国第汽车股份有限公司 | 内燃机微粒过滤器控制*** |
CN110131017A (zh) * | 2019-06-14 | 2019-08-16 | 湘潭大学 | 一种汽车微粒捕集器灰烬沉积量预测方法及再生*** |
CN111594300A (zh) * | 2019-02-20 | 2020-08-28 | 丰田自动车株式会社 | Pm量推定装置及其***和方法、数据解析装置、内燃机的控制装置及接收装置 |
CN111911270A (zh) * | 2019-05-10 | 2020-11-10 | Ifp新能源公司 | 使用车载***的车辆污染排放物测量方法 |
-
2021
- 2021-02-09 CN CN202110174958.2A patent/CN112983608A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004293413A (ja) * | 2003-03-27 | 2004-10-21 | Isuzu Motors Ltd | 排気ガス浄化システム |
CN103261598A (zh) * | 2011-03-18 | 2013-08-21 | 株式会社小松制作所 | 粒子状物质堆积量推定装置、废气净化***及粒子状物质堆积量推定方法 |
CN104895651A (zh) * | 2014-03-05 | 2015-09-09 | 通用汽车环球科技运作有限责任公司 | 对颗粒过滤器碳烟速率的环境湿度和温度校正 |
CN108278146A (zh) * | 2018-01-29 | 2018-07-13 | 中国第汽车股份有限公司 | 内燃机微粒过滤器控制*** |
CN111594300A (zh) * | 2019-02-20 | 2020-08-28 | 丰田自动车株式会社 | Pm量推定装置及其***和方法、数据解析装置、内燃机的控制装置及接收装置 |
CN111911270A (zh) * | 2019-05-10 | 2020-11-10 | Ifp新能源公司 | 使用车载***的车辆污染排放物测量方法 |
CN110131017A (zh) * | 2019-06-14 | 2019-08-16 | 湘潭大学 | 一种汽车微粒捕集器灰烬沉积量预测方法及再生*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113452379A (zh) * | 2021-07-16 | 2021-09-28 | 燕山大学 | 断面轮廓降维模型训练方法、***及数据压缩方法、*** |
CN113452379B (zh) * | 2021-07-16 | 2022-08-02 | 燕山大学 | 断面轮廓降维模型训练方法、***及数据压缩方法、*** |
CN113866350A (zh) * | 2021-08-30 | 2021-12-31 | 东风柳州汽车有限公司 | 车辆累碳量测量实现方法、装置、设备及存储介质 |
CN113866350B (zh) * | 2021-08-30 | 2024-01-23 | 东风柳州汽车有限公司 | 车辆累碳量测量实现方法、装置、设备及存储介质 |
CN113741196A (zh) * | 2021-09-14 | 2021-12-03 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的dpf再生周期控制优化方法 |
CN115405402A (zh) * | 2022-08-29 | 2022-11-29 | 潍柴动力股份有限公司 | 一种碳载量模型的确定方法、装置、电子设备及存储介质 |
CN115405402B (zh) * | 2022-08-29 | 2024-03-19 | 潍柴动力股份有限公司 | 一种碳载量模型的确定方法、装置、电子设备及存储介质 |
CN118260675A (zh) * | 2024-05-29 | 2024-06-28 | 江西五十铃汽车有限公司 | 一种dpf***强相关工况分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112983608A (zh) | 颗粒捕集器碳载量计算方法、***、控制器和存储介质 | |
US10635976B2 (en) | Machine learning system for estimating a temperature of an exhaust purification catalyst | |
US10991174B2 (en) | Machine learning device of amount of unburned fuel, machine learning method, learned model, electronic control unit, method of production of electronic control unit, and machine learning system | |
Johri et al. | Optimal energy management for a hybrid vehicle using neuro-dynamic programming to consider transient engine operation | |
Rai et al. | Prediction models for performance and emissions of a dual fuel CI engine using ANFIS | |
CN114991922B (zh) | 一种车辆NOx排放超标的实时预警方法 | |
Quérel et al. | State of the art and analysis of control oriented NOx models | |
KR20200057608A (ko) | 인공지능 기술을 이용한 배기가스 배출량 예측방법 | |
Shen et al. | Challenges and solutions in automotive powertrain systems | |
CN113657651A (zh) | 基于深度迁移学习的柴油车排放预测方法、介质及设备 | |
Fischer | Transient NOx estimation using artificial neural networks | |
CN115392116A (zh) | 一种基于obd数据修复的重型柴油卡车超排判定方法 | |
Guardiola et al. | From OBD to connected diagnostics: a game changer at fleet, vehicle and component level | |
Norouzi et al. | Machine learning integrated with model predictive control for imitative optimal control of compression ignition engines | |
Pla et al. | Ammonia injection failure diagnostic and correction in engine after-treatment system by NOx and NH3 emissions observation | |
CN116741304A (zh) | 基于车联网大数据的柴油机原排氮氧化物预测方法 | |
Schilling et al. | Model-based detection and isolation of faults due to ageing in the air and fuel paths of common-rail direct injection diesel engines equipped with a λ and a nitrogen oxides sensor | |
CN116663704A (zh) | 对柴油机SCR***尾排NOx浓度预测的方法 | |
Witaszek | Modeling of fuel consumption using artificial neural networks | |
Arsie et al. | A Methodology to Enhance Design and On-Board Application of Neural Network Models for Virtual Sensing of No x Emissions in Automotive Diesel Engines | |
CN115587327A (zh) | 一种考虑Jerk的汽车油耗预测方法 | |
CN114060132A (zh) | 一种基于排放远程监控的NOx传感器作弊甄别方法 | |
CN114282680A (zh) | 一种基于机器学习算法的车辆尾气排放预测方法及*** | |
Ma et al. | Deep learning based distributed meta-learning for fast and accurate online adaptive powertrain fuel consumption modeling | |
Zhou et al. | Prediction model of fuel consumption of heavy truck based on improved BP neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |