基于车联网大数据的柴油机原排氮氧化物预测方法

本发明涉及发动机原排氮氧化物预测领域。

背景技术：

1、由于柴油机以及后处理系统越来庞大，柴油机的电控系统变得更为复杂，传感器和执行器的数量大大增加。大量的传感器每时每刻都在进行车辆状态的监测与反馈，产生了大量的高维实时运行数据，这就为充分对数据进行信息挖掘，依靠数据承载的信息对柴油机原始排放nox浓度进行预测提供了数据基础。在准确掌握柴油机氮氧化物排放特性的道路上，通过提高氮氧化物传感器测量的实时性和准确性技术难度较大，现有传感器技术结合数据驱动的排放预测方法具有较大潜力。即通过数据驱动建立准确的排放预测模型，准确计算与预测柴油发动机车辆在实际行驶过程中的瞬时nox排放量，以更好地协调后处理系统根据nox实际排放量调整尿素喷射量，进而降低nox排放。

2、然而，由于这些采集到的数据具有明显的大数据的特征，数据总量大，维度高，价值密度低，实时性强，传统的数据处理方法和模型难以对发动机运行参数所包含的信息进行充分挖掘。随着计算机计算能力的提高，深度学习技术得到了空前的发展，深度学习作为目前最受关注的机器学习技术之一，在图像分析、语音识别和文本理解等领域取得了巨大的成功。它使用多层网络结构，通过监督和非监督的方式训练网络，提取数据特征，揭示数据之间的隐含联系，避免了传统的数据处理技术对经验和专业知识的依赖，实现了端到端的数据处理。

3、总而言之，大数据与深度学习技术相辅相成，较大的数据量可以提高深度学习模型训练的精度，而深度学习又为大数据提供了高效的解决方案。因此，面对柴油机上由大量传感器实时采集的高维数据，利用深度学习方法对这些数据进行挖掘是最高效的方法。通过深度学习的方法建立柴油机nox原排预测模型，其可以同时满足经济性、准确性以及实时性的要求。此外，基于云端的大数据可以为重型商用车柴油机进行云端故障检测与故障诊断，判断与nox排放相关的后处理装置及相关传感器是否故障。这也是基于车联网大数据的汽车健康管理与故障诊断中的重要部分。

4、现有的涉及到发动机原排nox排放预测方法的专利文件检索如下：(1)潍柴动力股份有限公司申请了氮氧化物瞬态排放确定方法、装置、设备及介质，申请号：202210978971.8；(2)南京瑞华动力科技有限公司申请了一种燃气轮机nox排放预测系统及预测方法，申请号：202010672652.5；(3)中汽研汽车检验中心(天津)有限公司等申请了一种重型柴油车实际道路颗粒物排放在线预测方法，202011567050.x；(4)西北工业大学申请了一种发动机污染物排放预测方法，申请号：201910383383.8。

5、以上发明专利，专利(1)中为对方法的精度、效果未做出验证，其采用的改进的非线性自回归等模型在对多参数的多时刻数据特征进行提取时存在着一定的局限性；专利(2)主要针对燃气轮机，其主要根据环境条件或天气预报情况对燃气轮机的nox排放进行预测，而柴油机其nox排放产生与其运行状态关联较大，而与天气情况关系较小；专利(3)主要针对scr下游nox即尾排nox进行预测，且其数据来源为实车试验数据，难以覆盖柴油机全部运行工况。专利(4)是针对航空发动机的，其主要是估计不同型号航空发动机的排放水平，其采用的方法为基于物理模型的方法。

6、现有技术中均采用发动机台架实验数据或实车标准试验工况数据开展，由于试验数据覆盖车辆运行工况少、特征不完善，与实际工况存在较大差异，采用该数据研究成果的方法对柴油机瞬态工况等原排nox预测精度低，并且预测模型的泛化性能差；同时现有车联网车辆数量极多，数据集庞大，增加了模型预测难度，此外，包含全部数据信息的模型预测会造成资源和时间的浪费，如何合理选择训练数据集，提高模型泛化能力是车联网大数据模型预测需要解决的难点问题。

技术实现思路

1、本发明目的是为了解决现有技术中原排nox排放预测方法nox预测精度低和模型泛化性能差的问题，本发明提供了一种基于车联网大数据的柴油机原排氮氧化物预测方法。

2、基于车联网大数据的柴油机原排氮氧化物预测方法，该方法包括如下过程：

3、s1、从车联网数据库内获取任意一台车在采集时间段内各时刻所对应的发动机实际运行参数信息和发动机状态参数信息；发动机实际运行参数信息包括多种类别参数，发动机状态参数信息中仅包含发动机状态，发动机为柴油发动机；

4、s2、利用数据剔除与筛选的方式对采集时间段内各时刻所对应的发动机实际运行参数信息和发动机状态参数信息进行预处理；

5、s3、根据预处理后的信息提取发动机有效运行信息：

6、标记预处理后的信息所对应的时段内作为间断点的时刻，并将相邻两个间断点时刻间的时长，称作单次运行时长；判断单次运行时长内所对应的发动机实际运行参数信息中代表运行最大速度的参数的值是否大于预设阈值，并将大于预设阈值时所对应的单次运行时长所对应时间段内发动机实际运行参数信息作为一段发动机有效运行信息；

7、s4、利用数据结构融合重组的方式处理发动机有效运行信息：

8、将各段发动机有效运行信息中各类别参数进行归一化，并将归一化后的各段有效运行信息中除nox浓度以外的其它类别参数进行数据融合重组，获得多个训练样本；其中，每个训练样本为数据融合重组后的p×q维的矩阵w，矩阵w中wij为第i个序号所对应时刻下的发动机实际运行参数信息中除nox浓度以外的第j个类别的参数，i＝1,2,3……p，j＝1,2,3……q；p为按时间顺序连续获取的时刻的序号总数，q为每个时刻所对应的所有类别参数中除nox浓度以外的总个数；

9、s5、将训练样本作为输入，且该训练样本的第p个序号所对应时刻下nox浓度作为输出，对cnn-lstm模型进行训练；

10、s6、利用数据结构融合重组的方式对当前采集时段的发动机有效运行信息进行处理，得到一个实际样本，通过训练后的cnn-lstm模型对实际样本进行预测获得当前采集时段内最后时刻下的nox浓度，从而完成对柴油机原排氮氧化物的预测。

11、优选的是，s2、利用数据剔除与筛选的方式对采集时间段内各时刻所对应的发动机实际运行参数信息和发动机状态参数信息进行预处理的实现方式包括：

12、s21、第一次剔除采集时间段内所获得的发动机实际运行参数信息和发动机状态参数信息中各异常参数所对应时刻的所有信息；

13、s22、第二次剔除步骤s21中第一次剔除操作后剩余各时刻所对应的发动机实际运行参数信息中与发动机运行状态和nox排放无关的参数；

14、s23、筛选出步骤s22中第二次剔除操作后发动机实际运行参数信息中与nox产生机理相关的各类别参数。

15、优选的是，s21、第一次剔除采集时间段内所获得的发动机实际运行参数信息和发动机状态参数信息中各异常参数所对应时刻的所有信息的实现方式包括：

16、首先、判断各时刻所对应的发动机状态参数信息中的发动机状态是否存在异常，若存在异常，则判定该发动机状态为异常参数，并将异常参数所对应时刻的发动机实际运行参数信息和发动机状态参数信息删除；

17、其次、确定各时刻所对应的发动机实际运行参数信息中各类别参数是否存在空值，并将空值下所对应相应类别参数作为异常参数，并将该异常参数所对应时刻的发动机实际运行参数信息和发动机状态参数信息删除；

18、确定各时刻所对应的发动机实际运行参数信息中各类别参数是否存在零值，并将零值下所对应相应类别参数作为异常参数，并将该异常参数所对应时刻的发动机实际运行参数信息和发动机状态参数信息删除。

19、优选的是，s22中、与发动机运行状态和nox排放有关的参数包括nox浓度、发动机转速、发动机输出扭矩、歧管进气流量、发动机进气压力、发动机进气温度、进气流量、进气中冷后温度、进气歧管压力需求值、总喷油量、单次喷油量、参与燃烧的喷油量、主喷喷油提前角、燃油压力、egr阀输出值、egr率、egr温度、排气体积、排气流量值、排气比空速、机油压力、过量空气系数计算值、大气压力、加速度和车速。

20、优选的是，步骤s23中，筛选出步骤s22中第二次剔除操作后发动机实际运行参数信息中与nox产生机理相关的各类别参数的实现方式包括：

21、s23-1、计算第二次剔除操作后发动机实际运行参数信息中各类别参数的皮尔逊相关系数r和斯皮尔曼相关系数rs；

22、s23-2、当各类别参数的皮尔逊相关系数r的模值和斯皮尔曼相关系数rs的模值中，任意一个模值大于预设相关系数阈值时，将该类别参数作为筛选出的参数。

23、优选的是，s23-1中，

24、

25、

26、其中，xi为第i个时刻所对应的发动机实际运行参数信息中的类别参数x，x为nox浓度，i＝1，2，……n；为n个nox浓度的均值，yi为第i个时刻所对应的发动机实际运行参数信息中类别参数y，且类别参数y不为nox浓度，为n个类别参数y的均值，di为在第i个时刻下xi在n个nox浓度中的等级与第i个时刻下yi在n个类别参数y中的等级间的差。

27、优选的是，步骤s3中，间断点的时刻的确定方式为：

28、当预处理后的信息中相邻两个非连续时刻的差值大于预设时间间隔时，取该相邻两个非连续时刻中任意一个时刻作为间断点时刻。

29、优选的是，步骤s4中、归一化后的各段有效运行信息中除nox浓度以外的其它类别参数进行数据融合重组，获得多个训练样本的实现方式包括：

30、在各段有效运行信息中，按时间顺序任意的连续取n个时刻所对应的发动机实际运行参数信息中除nox浓度以外的其它类别参数进行数据融合重组，形成一个p行q列的矩阵w，并将该矩阵w作为一个训练样本。

31、优选的是，发动机有效运行信息中包括发动机转速、发动机输出扭矩、歧管进气流量、发动机进气压力、进气流量、进气歧管压力需求值、总喷油量、燃油压力、排气比空速、机油压力、过量空气系数计算值、加速度和车速。

32、优选的是，cnn-lstm模型包括输入层、两层卷积层、一层数据重组层、两层lstm层、一层全连接层和输出层；

33、其中，两层卷积层构成了cnn神经网络，两层lstm层和一层全连接层构成lstm神经网络。

34、本发明带来的有益效果是：

35、本发明提供一种基于车联网大数据的柴油机原排氮氧化物预测方法，利用数据结构融合重组的方式，将多个时刻数据进行融合重组，可以使得cnn-lstm模型充分提取数据中的特征，可以实现对各种工况下尤其是瞬态工况nox排放的精确预测，弥补了现有技术对瞬态nox预测精度低的缺陷，本发明在数据预处理阶段将已经将表征瞬态工况的数据通过单次运行时长和单次运行最大速度作为判断依据将其剔除，保证后续样本数据的准确性。

36、本发明利用车联网技术采集车辆的长周期实时运行数据，得到柴油机各种瞬态工况下的全部特征，考虑到柴油机nox排放生成过程复杂、影响因素多，本发明通过深度学习方法对特征进行提取实现对nox排放的准确预测。

37、本发明所述的基于车联网大数据的柴油机原排氮氧化物预测方法，可以使得卷积神经网络来对与原排nox产生相关的大量当前与历史参数数据进行特征提取，然后通过一种数据转换方式将cnn提取的特征保留其时间序列特性并通过长短期记忆神经网络进行提取，这种cnn-lstm模型可以充分吸收每个神经网络的优点，并弥补单个神经网络的局限性。

38、通过验证本发明训练后的cnn-lstm模型的泛化性能和预测精度均显著提升，因此，可证明本发明预测方法对柴油机原排nox预测具有较好的泛化性能和预测精度。