基于机器学习的DPF再生控制方法、装置及设备与流程

本申请涉及数据处理领域，具体涉及一种基于机器学习的dpf再生控制方法、装置、设备及计算机可读存储介质。

背景技术：

1、柴油机微粒捕集器(dpf,diesel particulate filter)是用于降低排气微粒最有效的手段，当dpf内积累了一定量的微粒(pm)，需要对其进行再生。为了防止碳载量模型精度偏差造成dpf堵塞，会通过限制一定再生里程来触发再生；但是，为了兼顾在城市工况、城郊工况等运行车辆，再生里程一般会设定较短，一般在3000km以内，而中长途运行车辆会长时间处于高速运行工况，在2-3天会出现一次再生间隔里程，频繁的再生导致了燃油消耗高的问题。

技术实现思路

1、本申请提供一种基于机器学习的dpf再生控制方法、装置、设备及计算机可读存储介质，可以解决现有技术中车辆在不同的工况场景中频繁再生，导致了燃油消耗高的技术问题。

2、第一方面，本申请实施例提供一种基于机器学习的dpf再生控制方法，所述基于机器学习的dpf再生控制方法包括：

3、基于预置机器学习模型，根据车辆运行数据，预测车辆的工况场景；

4、获取初始再生里程和所述工况场景下的运行路程；

5、根据所述工况场景下的运行路程和所述初始再生里程，控制dpf再生。

6、结合第一方面，在一种实施方式中，所述根据所述工况场景下的运行路程和所述初始再生里程，控制dpf再生，包括：

7、根据所述工况场景下的运行路程和所述初始再生里程，确定所述工况场景的实时再生里程；

8、根据所述工况场景的实时再生里程，确定是否满足第一预设再生条件；

9、若所述工况场景的实时再生里程满足预设条件，则控制dpf再生。

10、结合第一方面，在一种实施方式中，所述根据所述实时再生里程，确定是否满足预设条件之后，还包括：

11、若所述实时再生里程不满足第一预设条件，则确定所述工况场景是否发生改变；

12、若所述工况场景发生变化，则将所述工况场景的实时再生里程作为当前工况场景的初始再生里程；

13、根据所述当前工况场景的初始再生里程和当前工况场景的运行路程，确定所述当前工况场景的实时再生里程；

14、根据所述当前工况场景的实时再生里程，确定是否满足第一预设再生条件；

15、若所述当前工况场景的实时再生里程满足预设条件，则控制dpf再生。

16、结合第一方面，在一种实施方式中，所述确定是否满足第一预设条件之后，还包括：

17、若不满足第一预设再生条件，则获取各个工况场景下的运行路程总和；

18、根据所述各个工况场景下的运行路程总和与预置再生间隔里程，控制dpf再生。

19、结合第一方面，在一种实施方式中，所述根据所述当前工况场景的初始再生里程和当前工况场景的运行路程，确定所述当前工况场景的实时再生里程，包括：

20、获取所述工况场景的路程修正系数；

21、基于第一预设公式、所述工况场景的实时路程、所述工况场景的路程修正系数和所述初始再生里程，确定所述工况场景的实时再生里程。

22、结合第一方面，在一种实施方式中，所述基于预置机器学习模型，根据车辆运行数据，预测车辆的工况场景，包括：

23、将获取的到的车辆运行数据输入预置机器学习模型中，以使所述预置机器学习模型调用第一线性方程基于所述车辆运行数据计算出对应的第一预测值；

24、根据所述第一预测值确定是否满足第一工况场景；

25、若所述第一预测值满足所述第一工况场景，则以使所述预置机器学习模型预测所述车辆为第一工况场景。

26、结合第一方面，在一种实施方式中，所述根据所述第一预测值确定是否满足第一工况场景之后，还包括：

27、若所述第一预测值不满足所述第一工况场景，则使所述预置机器学习模型调用第二线性方程基于所述车辆运行数据计算出对应的第二预测值；

28、根据所述第二预测值确定是否满足第二工况场景；

29、若所述第二预测值满足所述第二工况场景，则以使所述预置机器学习模型预测所述车辆为第二工况场景。

30、结合第一方面，在一种实施方式中，所述基于预置机器学习模型，根据车辆运行数据，预测车辆的工况场景之前，还包括：

31、采集不同工况场景对应的车辆运行数据作为训练集，其中，所述车辆运行数据包括转速、扭矩、车速、油门踏板开度、大气压力、dpf温度；

32、通过所述训练集训练待训练模型，以使所述待训练模型处于收敛状态，生成预置机器学习模型。

33、第二方面，本申请实施例提供了一种基于机器学习的dpf再生控制装置，所述基于机器学习的dpf再生控制装置包括：

34、预测模块，用于基于预置机器学习模型，根据车辆运行数据，预测车辆的工况场景；

35、获取模块，用于获取初始再生里程和所述工况场景下的运行路程；

36、控制模块，用于根据所述工况场景下的运行路程和所述初始再生里程，控制dpf再生。

37、第三方面，本申请实施例提供了一种基于机器学习的dpf再生控制设备，其特征在于，所述基于机器学习的dpf再生控制设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于机器学习的再dpf再生控制程序，其中所述基于机器学习的dpf再生控制程序被所述处理器执行时，实现如上述的基于机器学习的dpf再生控制方法的步骤。

38、第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于机器学习的再dpf再生控制程序，其中所述基于机器学习的dpf再生控制程序被所述处理器执行时，实现如上述的基于机器学习的dpf再生控制方法的步骤。

39、本申请实施例提供的技术方案带来的有益效果包括：通过基于预置机器学习模型，根据车辆运行数据，预测车辆的工况场景；获取初始再生里程和所述工况场景下的运行路程；根据所述工况场景下的运行路程和所述初始再生里程，控制dpf再生，解决了相关技术中车辆在不同的工况场景中频繁再生，导致了燃油消耗高的技术问题，从而实现通过预测车辆的工况场景，再根据不同工况场景定义再生间隔里程，实行车辆再生，提高车辆的燃油经济性。

技术特征：

1.一种基于机器学习的dpf再生控制方法，其特征在于，所述基于机器学习的dpf再生控制方法包括：

2.如权利要求1所述的基于机器学习的dpf再生控制方法，其特征在于，所述根据所述工况场景下的运行路程和所述初始再生里程，控制dpf再生，包括：

3.如权利要求2所述的基于机器学习的dpf再生控制方法，其特征在于，所述根据所述实时再生里程，确定是否满足预设条件之后，还包括：

4.如权利要求2或3所述的基于机器学习的dpf再生控制方法，其特征在于，所述确定是否满足第一预设条件之后，还包括：

5.如权利要求3所述的基于机器学习的dpf再生控制方法，其特征在于，所述根据所述当前工况场景的初始再生里程和当前工况场景的运行路程，确定所述当前工况场景的实时再生里程，包括：

6.如权利要求1所述的基于机器学习的dpf再生控制方法，其特征在于，所述基于预置机器学习模型，根据车辆运行数据，预测车辆的工况场景，包括：

7.如权利要求6所述的基于机器学习的dpf再生控制方法，其特征在于，所述根据所述第一预测值确定是否满足第一工况场景之后，还包括：

8.如权利要求1所述的基于机器学习的dpf再生控制方法，其特征在于，所述基于预置机器学习模型，根据车辆运行数据，预测车辆的工况场景之前，还包括：

9.一种基于机器学习的dpf再生控制装置，其特征在于，所述基于机器学习的dpf再生控制装置包括：

10.一种基于机器学习的dpf再生控制设备，其特征在于，所述基于机器学习的dpf再生控制设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的基于机器学习的再dpf再生控制程序，其中所述基于机器学习的dpf再生控制程序被所述处理器执行时，实现如权利要求1至7中任一项所述的基于机器学习的dpf再生控制方法的步骤。

技术总结
一种基于机器学习的DPF再生控制方法、装置、设备及计算机可读存储介质，包括：通过基于预置机器学习模型，根据车辆运行数据，预测车辆的工况场景；获取初始再生里程和所述工况场景下的运行路程；根据所述工况场景下的运行路程和所述初始再生里程，控制DPF再生，解决了相关技术中车辆在不同的工况场景中频繁再生，导致了燃油消耗高的技术问题，从而实现通过预测车辆的工况场景，再根据不同工况场景定义再生间隔里程，实行车辆再生，提高车辆的燃油经济性。

技术研发人员：石浩,丁鹏,张伟,王梅俊,殷实,刘寰,缪斯浩,石磊,程凯,王康玲,陈镇,冯坦
受保护的技术使用者：东风商用车有限公司
技术研发日：
技术公布日：2024/2/19