一种柴油发动机NOx比排放的检测方法及装置与流程

一种柴油发动机nox比排放的检测方法及装置
技术领域
1.本发明涉及柴油车技术领域，更具体的说，涉及一种柴油发动机nox比排放的检测方法及装置。


背景技术：

2.目前，现有的柴油发动机nox比排放的检测方法为：通过车辆传感器直接获取nox相关数据，对nox相关数据通过公式计算出nox比排放。因此，现有技术得到的nox比排放实际是测定值。而测定值与真实值之间存在一定的误差，与此同时，测定值精度完全由车辆传感器精度决定，而车辆传感器往往也存在误差，因此，导致nox比排放测定值存在误差。另外，现有方案是直接计算nox比排放的测量值，因此，只能得到nox比排放的检测结果，无法为分析nox比排超标原因提供有效指导，从而不利于对柴油发动机的改进优化。


技术实现要素：

3.有鉴于此，本发明公开一种柴油发动机nox比排放的检测方法及装置，以实现提高nox比排放测定值的准确性，并可以为分析nox比排超标原因提供有效指导，利于柴油发动机的改进优化。
4.一种柴油发动机nox比排放的检测方法，包括：
5.获取柴油车组在预设时间段的行驶数据，其中，所述柴油车组包括多种型号的多辆柴油车，所述行驶数据包含排放的nox相关属性信息；
6.对所述行驶数据进行数据清洗得到中间行驶数据；
7.对所述中间行驶数据进行数据预处理得到目标行驶数据；
8.对所述目标行驶数据进行特征工程，得到标准化行驶数据；
9.对所述标准化行驶数据采用随机森林回归模型，得到nox排量浓度估计值；
10.对所述nox排量浓度估计值采用功基窗口法进行数值变换，得到nox比排放数值。
11.可选的，还包括：
12.将所述nox比排放数值与国六标准中的nox比排放阈值进行大小比较；
13.当所述nox比排放数值超过所述国六标准中的nox比排放阈值时，确定所述nox比排放数值超标；
14.当所述nox比排放数值未超过所述国六标准中的nox比排放阈值时，确定所述nox比排放数值未超标。
15.可选的，所述对所述中间行驶数据进行数据预处理得到目标行驶数据，包括：
16.将所述柴油车组中每辆柴油车每天的行驶数据基于国六标准，按照时间划分为多个实验片段，其中，所述按照时间划分为多个实验片段包括：当前后两条数据的时间差超过设定值时，划分为前后两次实验片段；
17.从每个所述实验片段中提取出满足预设条件的有效行驶数据，其中，所述预设条件为：从实验片段开始到实验片段结束的数据；
18.从所述有效行驶数据中剔除异常值，得到所述目标行驶数据。
19.可选的，所述实验片段开始满足：水温高于预设水温、一分钟内水温变化幅度不超过预设温度变化幅度以及在1hz采样频率下出现预设数量的数据三个条件中的任意一个或多个，
20.所述预设水温、所述预设温度变化幅度以及所述预设数量均依据国六标准确定。
21.可选的，所述从所述有效行驶数据中剔除异常值，得到所述目标行驶数据，包括：
22.从所述有效行驶数据中剔除对应的实验片段开始后的温度异常值，并用所述温度异常值对应时刻的下一时刻的正常水温数据覆盖从实验片段开始到所述温度异常值对应时刻的水温数据，得到所述目标行驶数据，其中，所述温度异常值为：单位时间内的水温变化量超过水温变化阈值的温度数据；
23.以及，
24.从所述有效行驶数据中剔除对应的实验片段开始后的气温异常值，并用所述气温异常值对应时刻的下一时刻的正常气温数据覆盖从实验片段开始到气温异常值对应时刻的气温数据，得到所述目标行驶数据，其中，所述气温异常值为：低于预设气温阈值的气温数据。
25.可选的，所述对所述目标行驶数据进行特征工程，得到标准化行驶数据，包括：
26.基于业务场景对所述目标行驶数据进行特征构造，得到目标有效数据，其中，构造的特征包括：发动机功率、所述柴油车组中各个柴油车的行驶时间、同一实验片段内发动机功率变化率以及各个柴油车的累计行驶时刻；
27.对所述目标有效数据进行纵向合并，得到有效数据集；
28.对所述有效数据集进行特征变换，并用特征变换后的属性值替换掉原属性值得到目标数据集；
29.对所述目标数据集中的各个属性值按照预设比例进行缩放，使缩放后的属性值位于预设区间，得到所述标准化行驶数据；
30.其中，所述对所述有效数据集进行特征变换，包括：
31.对所述有效数据集中的scr前nox排放浓度取对数，使特征分布接近正太分布。
32.可选的，所述发动机功率的计算公式如下：
33.发动机功率＝发动机转矩*车速/9550；
34.所述柴油车组中各个柴油车的行驶时间的计算公式如下：
35.行驶时间＝当前时间-实验片段开始时间；
36.所述同一实验片段内发动机功率变化率的计算公式如下：
[0037][0038]
所述柴油车的累计行驶时刻的计算公式如下：
[0039]
累计行驶时间＝当前时刻-当前第一条数据记录时刻。
[0040]
可选的，所述目标数据集中各个所述属性值按照所述预设比例进行缩放时使用的缩放公式如下：
[0041][0042]
式中，x
″
表示缩放后的属性，数据值在本实施例中为属性值对应的数值，均值为各个属性对应的均值，标准差为各个属性值对应的标准差。
[0043]
可选的，所述对所述nox排量浓度估计值采用功基窗口法进行数值变换，得到nox比排放数值，包括：
[0044]
根据如下公式得到所述nox比排放数值：
[0045][0046]
式中，e
p
为所述nox比排放数值，v表示尾气排放体积，ρ表示所述nox排量浓度估计值，p表示发动机功率，i表示平均窗口周期(t
2,i-t
1,i
)的序号。
[0047]
一种柴油发动机nox比排放的检测装置，包括：
[0048]
数据获取单元，用于获取柴油车组在预设时间段的行驶数据，其中，所述柴油车组包括多种型号的多辆柴油车，所述行驶数据包含排放的nox相关属性信息；
[0049]
数据清洗单元，用于对所述行驶数据进行数据清洗得到中间行驶数据；
[0050]
数据预处理单元，用于对所述中间行驶数据进行数据预处理得到目标行驶数据；
[0051]
数据标准化单元，用于对所述目标行驶数据进行特征工程，得到标准化行驶数据；
[0052]
排量浓度估计单元，用于对所述标准化行驶数据采用随机森林回归模型，得到nox排量浓度估计值；
[0053]
数据变换单元，用于对所述nox排量浓度估计值采用功基窗口法进行数值变换，得到nox比排放数值。
[0054]
从上述的技术方案可知，本发明公开了一种柴油发动机nox比排放的检测方法及装置，获取柴油车组在预设时间段的行驶数据，对行驶数据进行数据清洗得到中间行驶数据，对中间行驶数据进行数据预处理得到目标行驶数据，对目标行驶数据进行特征工程，得到标准化行驶数据，对标准化行驶数据采用随机森林回归模型，得到nox排量浓度估计值，对nox排量浓度估计值采用功基窗口法进行数值变换，得到nox比排放数值。本发明将nox比排放分析转换为使用机器学习算法得到的随机森林回归模型拟合nox排量浓度估计值，通过nox排量浓度估计值采用功基窗口法，使得到的nox比排放数值符合国六标准对nox比排放超标的判定依据，由于本发明在使用随机森林回归模型之前对行驶数据进行了清洗、预处理以及特征工程等操作，因此，大大提高了nox比排放测定值的准确性。另外，本发明中是通过对柴油机的行驶数据采用一系列的处理得到nox比排放数值，因此，可以为分析nox比排超标原因提供有效指导，利于柴油发动机的改进优化。
附图说明
[0055]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据
公开的附图获得其他的附图。
[0056]
图1为本发明实施例公开的一种柴油发动机nox比排放的检测方法流程图；
[0057]
图2为本发明实施例公开的一种检测nox比排放数值是否超标的方法流程图；
[0058]
图3为本发明实施例公开的一种柴油发动机nox比排放的检测装置的结构示意图；
[0059]
图4为本发明实施例公开的一种超标判定单元的结构示意图。
具体实施方式
[0060]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0061]
本发明实施例公开了一种柴油发动机nox比排放的检测方法及装置，获取柴油车组在预设时间段的行驶数据，对行驶数据进行数据清洗得到中间行驶数据，对中间行驶数据进行数据预处理得到目标行驶数据，对目标行驶数据进行特征工程，得到标准化行驶数据，对标准化行驶数据采用随机森林回归模型，得到nox排量浓度估计值，对nox排量浓度估计值采用功基窗口法进行数值变换，得到nox比排放数值。本发明将nox比排放分析转换为使用机器学习算法得到的随机森林回归模型拟合nox排量浓度估计值，通过nox排量浓度估计值采用功基窗口法，使得到的nox比排放数值符合国六标准对nox比排放超标的判定依据，由于本发明在使用随机森林回归模型之前对行驶数据进行了清洗、预处理以及特征工程等操作，因此，大大提高了nox比排放测定值的准确性。另外，本发明中是通过对柴油机的行驶数据采用一系列的处理得到nox比排放数值，因此，可以为分析nox比排超标原因提供有效指导，利于柴油发动机的改进优化。
[0062]
参见图1，本发明实施例公开的一种柴油发动机nox比排放的检测方法流程图，该检测方法包括：
[0063]
步骤s101、获取柴油车组在预设时间段的行驶数据。
[0064]
其中，柴油车组包括多种型号的多辆柴油车，行驶数据包含排放的nox相关属性信息。
[0065]
为提高对柴油发动机nox比排放检测的准确性，本实施例获取的行驶数据为多种型号的多辆柴油车在预设时间段的行驶数据。其中，预设时间段的取值依据实际需要而定，比如为10天。在实际应用中，可以将一辆柴油车一天的行驶数据保存为一个数据文件。
[0066]
针对行驶数据的采集可以优先满足如下条件：
[0067]
1、在柴油车连续行驶时，使用车辆传感器/车载t-box(telematicsbox，远程信息处理器)等行驶数据。
[0068]
2、排放nox相关的属性，建议采集行驶数据包含增压压力、发动机机油压力、scr(selective catalytic reduction，选择性催化还原技术)床温、主喷油量和排放尾气体积等。
[0069]
3、行驶数据的采集频率优选1hz。
[0070]
4、行驶数据量与数据属性的增多有利于模型效果的提升，，典型的多车多天行驶场景，数据属性量为300-500列，数据量为10gb量级。
[0071]
5、在不同柴油车上使用相同型号的数据采集设备(比如，车辆传感器、车载t-box)，以保证数据采集的一致性。
[0072]
步骤s102、对行驶数据进行数据清洗得到中间行驶数据。
[0073]
本实施例中，对行驶数据进行数据清洗的内容包括但不限于：剔除无关nox属性数据、无效数据、非一致属性数据和属性缺失数值超过本属性总行数的预设百分比。
[0074]
其中，1、剔除无关nox属性数据：具体为在某个数据文件中，名字中没有带有“nox”的属性，则删除该数据文件。
[0075]
2、剔除无效数据：具体为在某个数据文件中，名字中带有“nox”的数值没有变化，则删除该数据文件。
[0076]
3、剔除非一致属性数据：例如“是否开空调”是某几个数据文件中独有的属性，在其他数据文件中没有，则删除“是否开空调”这一属性，只保留所有数据文件中都共有的属性。
[0077]
4、剔除属性缺失数值量超过预设数量的数据：例如在某个数据文件中，如某个属性缺失的数值量超过该属性总行数的20％，则删除该数据文件。
[0078]
步骤s103、对中间行驶数据进行数据预处理得到目标行驶数据。
[0079]
其中，数据预处理包括：实验片段划分，有效数据提取以及异常值处理等。
[0080]
步骤s104、对目标行驶数据进行特征工程，得到标准化行驶数据。
[0081]
其中，特征工程是能够将数据像艺术一样展现的技术。本质上说，特征工程呈现给算法的数据应该能拥有基本数据的相关结构或属性。当做特征工程时，其实是将数据属性转换为数据特征的过程，属性代表了数据的所有维度，在数据建模时，如果对原始数据的所有属性进行学习，并不能很好的找到数据的潜在趋势，而通过特征工程对数据进行处理，算法模型能够减少受到噪声的干扰，从而能够更好的找出趋势。基于此，本发明对目标行驶数据进行特征工程，得到标准化行驶数据。
[0082]
步骤s105、对标准化行驶数据采用随机森林回归模型，得到nox排量浓度估计值。
[0083]
在实际应用中，基于不同条件下的实际实验数据在使用机器学习回归算法模型对nox排量浓度进行估计时，通过对最近邻回归、支持向量机回归、决策树回归和随机森林回归模型，使用k折交叉验证，并最终结合业务场景和数据特征，确定采用堆积森林回归模型可以得到符合要求的nox排量浓度估计值。
[0084]
通过验证，在随机森林回归模型的超参数中，设置森林中树木为30棵左右，最大树深度为10-12时，能够实现对nox排量浓度的有效估计，得到nox排量浓度估计值。
[0085]
需要说明的是，随机森林回归模型采用多个nox属性数据作为输入数据，比如200个nox属性作为输入数据，通过随机森林回归模型学习车辆行驶相关属性和真实值之间的关系，可以有效降低拟合值和真实值之间的误差。通过使用机器学习算法，采用随机抽取数据的方式，可以在一定程度上降低错误的输入数据对拟合结果的影响，从而有效降低了计算值和真实值之间的误差。采用机器学习算法模型并不会显著增加成本，可提高对既有采集数据的利用水平。所选用的模型复杂度较低，利于实时快速计算。
[0086]
步骤s106、对nox排量浓度估计值采用功基窗口法进行数值变换，得到nox比排放数值。
[0087]
本发明基于国六标准nox测定方法中的功基窗口法进行数据处理，功基窗口法是
六标准中提出和规定的算法，本发明基于这一标准，在数据处理的各个环节以及使用机器学习算法去估计nox数值，并最终依据功基窗口法的要求计算是否超标。
[0088]
需要说明的是，功基窗口法要求使用实验中的有效数据进行计算。其中，实验是指从车辆启动、行驶(包括怠速、加速、减速或匀速)最后到熄火的过程。有效数据指的是车辆稳定运行后符合特定约束的数据。
[0089]
综上可知，本发明公开了一种柴油发动机nox比排放的检测方法，获取柴油车组在预设时间段的行驶数据，对行驶数据进行数据清洗得到中间行驶数据，对中间行驶数据进行数据预处理得到目标行驶数据，对目标行驶数据进行特征工程，得到标准化行驶数据，对标准化行驶数据采用随机森林回归模型，得到nox排量浓度估计值，对nox排量浓度估计值采用功基窗口法进行数值变换，得到nox比排放数值。本发明将nox比排放分析转换为使用机器学习算法得到的随机森林回归模型拟合nox排量浓度估计值，通过nox排量浓度估计值采用功基窗口法，使得到的nox比排放数值符合国六标准对nox比排放超标的判定依据，由于本发明在使用随机森林回归模型之前对行驶数据进行了清洗、预处理以及特征工程等操作，因此，大大提高了nox比排放测定值的准确性。另外，本发明中是通过对柴油机的行驶数据采用一系列的处理得到nox比排放数值，因此，可以为分析nox比排超标原因提供有效指导，利于柴油发动机的改进优化。
[0090]
进一步，不同条件下的实际实验数据经由随机森林回归模型可以计算出一些影响nox比排超标的重要程度指标，从而也可以为分析nox排量超标原因提供指导。
[0091]
另外，由于实际情况远比理论模型复杂，理论模型的模型值和真实值之间的误差较大，使用效果差，因此，本发明放弃了确定性的机理理论模型，采用机器学习方法确定的随机森林回归模型代替传统方案中的理论模型计算nox排量浓度估计值。随机森林回归模型通过学习车辆行驶相关属性和真实值之间的关系，可以有效地降低拟合值和真实值之间的误差，同时，随机森林回归模型采用的随机抽取数据的方式，可以在一定程度上降低错误的输入数据对拟合结果的影响，从而有效降低了计算值和真实值之间的误差。
[0092]
为进一步优化上述实施例，在图1所示实施例的基础上，在步骤s106之后，还可以包括：
[0093]
将nox比排放数值与国六标准中的nox比排放阈值进行大小比较，确定nox比排放数值是否超标。
[0094]
具体的，参见图2，本发明实施例公开的一种检测nox比排放数值是否超标的方法流程图，该方法包括：
[0095]
步骤s201、将nox比排放数值与国六标准中的nox比排放阈值进行大小比较，判断nox比排放数值是否超过nox比排放阈值，如果是，则执行步骤s202，如果否，则执行步骤s203。
[0096]
步骤s202、确定nox比排放数值超标。
[0097]
步骤s203、确定nox比排放数值未超标。
[0098]
在实际应用中，当nox比排放数值超过国六标准中的nox比排放阈值时，则确定nox比排放数值超标，反之，则确定nox比排放数值不超标。
[0099]
为便于技术人员对nox比排放超标情况尽快处理，当确定nox比排放数值超标时，可以输出报警提示信息。
[0100]
由于实车数据的工况与路况情况较为负载，难以直接匹配功基窗口法的计算要求，需要对原始数据(本实施例中为柴油车组中每辆柴油车每天的行驶数据)进行实验的划分和有效数据的提取。
[0101]
因此，为进一步优化上述实施例，步骤s103对中间行驶数据进行数据预处理得到目标行驶数据的过程具体可以包括：
[0102]
(1)、将柴油车组中每辆柴油车每天的行驶数据基于国六标准，按照时间划分为多个实验片段。
[0103]
考虑到数据的实际情况，可以设定前后两条数据的时间差超过20分钟，划分为前后两次实验片段。
[0104]
(2)、从每个实验片段中提取出满足预设条件的有效行驶数据。
[0105]
预设条件为：从实验片段开始到实验片段结束的数据；
[0106]
其中，实验片段开始指的是满足：水温高于预设水温、一分钟内水温变化幅度不超过预设温度变化幅度以及在1hz采样频率下出现预设数量的数据三个条件中的任意一个或多个，预设水温、预设温度变化幅度以及预设数量均依据国六标准确定。
[0107]
具体的，本发明考虑到实际传感器的测量误差和数据情况，对国六标准功基窗口法进行了修改，采用1.水温高于69.5摄氏度(国六标准规定是70摄氏度)2.一分钟内水温变化不超过2.5摄氏度(国六标准规定是2摄氏度)，3.在1hz采样频率下，出现1200条数据后(国六标准规定是发动机启动20分钟)。这三个条件满足一个即为“实验片段开始”，此刻直到此“实验片段”结束的数据为“有效行驶数据”。
[0108]
(3)、从有效行驶数据中剔除异常值，得到目标行驶数据。
[0109]
具体的，从有效行驶数据中剔除对应的实验片段开始后的温度异常值，并用温度异常值对应时刻的下一时刻的正常水温数据覆盖从实验片段开始到温度异常值对应时刻的水温数据，得到目标行驶数据，其中，温度异常值为：单位时间内的水温变化量超过水温变化阈值的温度数据；
[0110]
以及，
[0111]
从有效行驶数据中剔除对应的实验片段开始后的气温异常值，并用气温异常值对应时刻的下一时刻的正常气温数据覆盖从实验片段开始到气温异常值对应时刻的气温数据，得到目标行驶数据，其中，气温异常值为：低于预设气温阈值的气温数据。
[0112]
其中，水温变化阈值的取值依据实际需要而定，比如，2.5摄氏度，本发明在此不做限定。
[0113]
预设气温阈值的取值依据实际需要而定，比如，-20摄氏度，本发明在此不做限定。
[0114]
在实际应用中，异常值剔除包含两种：1)由于“有效行驶数据”的判断条件需要检测水温数据且存在水温异常值。因此在划分“实验片段”后，首先对于每个“实验片段”开始部分的水温数据进行检查和修正，具体为：如果1秒(单位时间)内水温变化量超过水温变化阈值，比如2.5摄氏度，则用温度异常值对应时刻的下一时刻的正常水温数据覆盖从实验片段开始到温度异常值对应时刻的水温数据。
[0115]
2)结合物理背景知识修正属性值，正常情况下气温不会低于预设气温阈值，比如-20摄氏度。如果气温数据低于-20摄氏度，则用气温异常值对应时刻的下一时刻的正常气温数据(高于-20摄氏度)覆盖从实验片段开始到气温异常值对应时刻的气温数据。
[0116]
为进一步优化上述实施例，步骤s104对目标行驶数据进行特征工程，得到标准化行驶数据的过程具体可以包括：
[0117]
(1)、基于业务场景对目标行驶数据进行特征构造，得到目标有效数据。
[0118]
构造的特征包括：发动机功率、柴油车组中各个柴油车的行驶时间、同一实验片段内发动机功率变化率以及各个柴油车的累计行驶时刻。
[0119]
具体的，发动机功率的计算公式如下：
[0120]
发动机功率＝发动机转矩*车速/9550；
[0121]
柴油车组中各个柴油车的行驶时间的计算公式如下：
[0122]
行驶时间＝当前时间-实验片段开始时间；
[0123]
同一实验片段内发动机功率变化率的计算公式如下：
[0124][0125]
柴油车的累计行驶时刻的计算公式如下：
[0126]
累计行驶时间＝当前时刻-当前第一条数据记录时刻。
[0127]
(2)、对目标有效数据进行纵向合并，得到有效数据集。
[0128]
(3)、对有效数据集进行特征变换，并用特征变换后的属性值替换掉原属性值得到目标数据集。
[0129]
具体的，对有效数据集中的scr(selective catalytic reduction，选择性催化还原技术)前nox排放浓度取对数，使特征分布接近正太分布。
[0130]
在实际应用中，由于scr前nox排放浓度数据呈现长尾分布，所以对scr前nox排放浓度取对数，使特征分布接近正太分布。
[0131]
取对数的公式如下：
[0132]
x
′
＝lg(x+1)；
[0133]
式中，x为scr前nox排放浓度，x
′
为scr前nox排放浓度对数化后数值。
[0134]
(4)、对目标数据集中的各个属性值按照预设比例进行缩放，使缩放后的属性值位于预设区间，得到标准化行驶数据。
[0135]
其中，预设区间的取值依据实际需要而定，比如预设区间为[-1，1]，本发明在此不做限定。
[0136]
缩放公式如下：
[0137][0138]
式中，x
″
表示缩放后的属性，数据值在本实施例中为属性值对应的数值，均值为各个属性对应的均值，标准差为各个属性值对应的标准差。
[0139]
在实际应用中，需要对目标数据集中的每个属性值均进行数据标准化。
[0140]
需要说明的是，一般国六标准是根据功基窗口法的“比排放”来判断nox比排放是否超标，因此，需要按照功基窗口法计算循环功、发动机功率等数据，得到nox比排放数值。
[0141]
功基窗口法包括：
[0142]
第i个平均窗口周期(t
2，i-t
1，i
)由下式决定：
[0143]
w(t
2，i
)-w(t
1，i
)≥w
ref
；
[0144]
公式中，w(t
j，i
)表示从开始到时间t
j，i
内的发动机循环功，单位kwh。
[0145]wref
表示whtc的循环功，单位kwh，取值由发动机决定。
[0146]
t
2，id
由下式选择：
[0147]
w(t
2，i-δt)-w(t
1，i
)＜w
ref
≤w(t
2，i
)-w(t
1，i
)；
[0148]
式中，δt表示数据采样周期，小于等于1s。
[0149]
nox比排放计算：
[0150]
每一个窗口和nox比排e
p
(mg/kwh)的计算公式如下：
[0151][0152]
式中，m为nox比排放量，单位mg/kwh。
[0153]
w(t
2，i
)-w(t
1，i
)表示第i个平均窗口的发动机循环功，单位kwh。
[0154]
结合本发明的数据可以将nox比排放数值的计算公式变化为如下公式：
[0155][0156]
式中，e
p
为nox比排放数值，v表示尾气排放体积，ρ表示nox排量浓度估计值，p表示发动机循环功率，i表示平均窗口周期(t
2，i-t
1，i
)的序号。
[0157]
本发明通过将nox排量浓度估计值进行数值变换，最终得到nox比排放数值，该nox比排放数值可以用于国六标准中nox比排放阈值进行大小比较，从而确定nox比排放数值是否超标。
[0158]
与上述方法实施例相对应，本发明还公开了一种柴油发动机nox比排放的检测装置。
[0159]
参见图3，本发明实施例公开的一种柴油发动机nox比排放的检测装置结构示意图，该检测装置包括：
[0160]
数据获取单元301，用于获取柴油车组在预设时间段的行驶数据。
[0161]
其中，柴油车组包括多种型号的多辆柴油车，行驶数据包含排放的nox相关属性信息。
[0162]
为提高对柴油发动机nox比排放检测的准确性，本实施例获取的行驶数据为多种型号的多辆柴油车在预设时间段的行驶数据。其中，预设时间段的取值依据实际需要而定，比如为10天。在实际应用中，可以将一辆柴油车一天的行驶数据保存为一个数据文件。
[0163]
数据清洗单元302，用于对所述行驶数据进行数据清洗得到中间行驶数据。
[0164]
本实施例中，对行驶数据进行数据清洗的内容包括但不限于：剔除无关nox属性数据、无效数据、非一致属性数据和属性缺失数值超过本属性总行数的预设百分比。
[0165]
其中，1、剔除无关nox属性数据：具体为在某个数据文件中，名字中没有带有“nox”的属性，则删除该数据文件。
[0166]
2、剔除无效数据：具体为在某个数据文件中，名字中带有“nox”的数值没有变化，则删除该数据文件。
[0167]
3、剔除非一致属性数据：例如“是否开空调”是某几个数据文件中独有的属性，在其他数据文件中没有，则删除“是否开空调”这一属性，只保留所有数据文件中都共有的属性。
[0168]
4、剔除属性缺失数值量超过预设数量的数据：例如在某个数据文件中，如某个属性缺失的数值量超过该属性总行数的20％，则删除该数据文件。
[0169]
数据预处理单元303，用于对所述中间行驶数据进行数据预处理得到目标行驶数据。
[0170]
其中，数据预处理包括：实验片段划分，有效数据提取以及异常值处理等。
[0171]
数据标准化单元304，用于对所述目标行驶数据进行特征工程，得到标准化行驶数据。
[0172]
排量浓度估计单元305，用于对所述标准化行驶数据采用随机森林回归模型，得到nox排量浓度估计值。
[0173]
在实际应用中，基于不同条件下的实际实验数据在使用机器学习回归算法模型对nox排量浓度进行估计时，通过对最近邻回归、支持向量机回归、决策树回归和随机森林回归模型，使用k折交叉验证，并最终结合业务场景和数据特征，确定采用堆积森林回归模型可以得到符合要求的nox排量浓度估计值。
[0174]
通过验证，在随机森林回归模型的超参数中，设置森林中树木为30棵左右，最大树深度为10-12时，能够实现对nox排量浓度的有效估计，得到nox排量浓度估计值。
[0175]
数据变换单元206，用于对所述nox排量浓度估计值采用功基窗口法进行数值变换，得到nox比排放数值。
[0176]
本发明基于国六标准nox测定方法中的功基窗口法进行数据处理，功基窗口法是六标准中提出和规定的算法，本发明基于这一标准，在数据处理的各个环节以及使用机器学习算法去估计nox数值，并最终依据功基窗口法的要求计算是否超标。
[0177]
需要说明的是，功基窗口法要求使用实验中的有效数据进行计算。其中，实验是指从车辆启动、行驶(包括怠速、加速、减速或匀速)最后到熄火的过程。有效数据指的是车辆稳定运行后符合特定约束的数据。
[0178]
综上可知，本发明公开了一种柴油发动机nox比排放的检测装置，获取柴油车组在预设时间段的行驶数据，对行驶数据进行数据清洗得到中间行驶数据，对中间行驶数据进行数据预处理得到目标行驶数据，对目标行驶数据进行特征工程，得到标准化行驶数据，对标准化行驶数据采用随机森林回归模型，得到nox排量浓度估计值，对nox排量浓度估计值采用功基窗口法进行数值变换，得到nox比排放数值。本发明将nox比排放分析转换为使用机器学习算法得到的随机森林回归模型拟合nox排量浓度估计值，通过nox排量浓度估计值采用功基窗口法，使得到的nox比排放数值符合国六标准对nox比排放超标的判定依据，由于本发明在使用随机森林回归模型之前对行驶数据进行了清洗、预处理以及特征工程等操作，因此，大大提高了nox比排放测定值的准确性。另外，本发明中是通过对柴油机的行驶数据采用一系列的处理得到nox比排放数值，因此，可以为分析nox比排超标原因提供有效指导，利于柴油发动机的改进优化。
[0179]
进一步，不同条件下的实际实验数据经由随机森林回归模型可以计算出一些影响nox比排超标的重要程度指标，从而也可以为分析nox排量超标原因提供指导。
[0180]
另外，由于实际情况远比理论模型复杂，理论模型的模型值和真实值之间的误差较大，使用效果差，因此，本发明放弃了确定性的机理理论模型，采用机器学习方法确定的随机森林回归模型代替传统方案中的理论模型计算nox排量浓度估计值。随机森林回归模型通过学习车辆行驶相关属性和真实值之间的关系，可以有效地降低拟合值和真实值之间的误差，同时，随机森林回归模型采用的随机抽取数据的方式，可以在一定程度上降低错误的输入数据对拟合结果的影响，从而有效降低了计算值和真实值之间的误差。
[0181]
为进一步优化上述实施例，在图3所示实施例的基础上，还可以包括：
[0182]
超标判定单元，用于将nox比排放数值与国六标准中的nox比排放阈值进行大小比较，确定nox比排放数值是否超标。
[0183]
具体的，参见图4，本发明实施例公开的一种超标判定单元的结构示意图，超标判定单元包括：
[0184]
判断子单元401，用于将nox比排放数值与国六标准中的nox比排放阈值进行大小比较，判断nox比排放数值是否超过nox比排放阈值；
[0185]
超标判定子单元402，用于在判断子单元401判断为是的情况下，确定nox比排放数值超标。
[0186]
未超标判定子单元403，用于在判断子单元401判断为否的情况下，确定nox比排放数值未超标。
[0187]
在实际应用中，当nox比排放数值超过国六标准中的nox比排放阈值时，则确定nox比排放数值超标，反之，则确定nox比排放数值不超标。
[0188]
为便于技术人员对nox比排放超标情况尽快处理，当确定nox比排放数值超标时，可以输出报警提示信息。
[0189]
为进一步优化上述实施例，数据预处理单元203具体用于
[0190]
将柴油车组中每辆柴油车每天的行驶数据基于国六标准，按照时间划分为多个实验片段；
[0191]
从每个实验片段中提取出满足预设条件的有效行驶数据；
[0192]
从有效行驶数据中剔除异常值，得到目标行驶数据。
[0193]
为进一步优化上述实施例，数据标准化单元204具体用于：
[0194]
基于业务场景对目标行驶数据进行特征构造，得到目标有效数据；
[0195]
对目标有效数据进行纵向合并，得到有效数据集；
[0196]
对有效数据集进行特征变换，并用特征变换后的属性值替换掉原属性值得到目标数据集；
[0197]
对目标数据集中的各个属性值按照预设比例进行缩放，使缩放后的属性值位于预设区间，得到标准化行驶数据。
[0198]
需要特别说明的是，装置实施例中各组成部分的具体工作原理，请参见方法实施例对应部分，此处不再赘述。
[0199]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那
些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0200]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0201]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。