CN112639256A - 用于预测氮氧化物的选择性还原催化器的共振频率的预测机器学习 - Google Patents

Abstract

本发明的主题涉及用于预测氮氧化物的选择性还原催化器SCR的未来共振频率的经过训练的机器学习模型（300）、方法（200、400）和装置（500），该共振频率表示SCR内的还原剂的浓度。该SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分。本发明的一般原理是基于对SCR的共振频率和存在于SCR中的氨浓度之间的相关性的观察。这一观察导致发明者设想使用机器学习来创建经过训练的机器学习模型，以预测SCR的共振频率。在本发明中，经过训练的机器学习模型是所谓的预测模型，其中在一组过去的观察中发现显著的相关性，并且其中寻求将这些相关性推广到尚未观察的情况。

Description

用于预测氮氧化物的选择性还原催化器的共振频率的预测机 器学习

技术领域

本发明涉及预测氮氧化物的选择性还原催化器（SCR）的未来共振频率的领域，该共振频率表示SCR内的还原剂的浓度。更准确地说，它涉及经过训练的机器学习模型、方法、装置和一组允许预测这种共振频率的计算机程序。

背景技术

在工业化国家的城镇和城市中，空气质量正在通过降低氮氧化物(NOx)的浓度从而减少其排放而得到改善。由于交通运输的部分对氮氧化物排放的贡献非常大，监管机构对机动车辆制定了越来越严格的标准。

因此，已知使用催化还原技术，例如选择性催化还原（SCR，表示英文中的“Selective Catalytic Reduction”），来减少释放到大气中的NOx的量。

SCR是一种排出气体后处理技术，通过在催化器的存在下连续注入特定的还原剂，而将NOx选择性还原为氮气。在实践中，所用的还原剂由尿素水溶液组成，当它经历热解随后水解时，分解成氨和二氧化碳。随后，在与氨反应时，存在于SCR中的氮氧化物分子被转化成氮气和水蒸气，然后被释放到大气中。

然而，相对于待处理的氮氧化物分子的量，连续注入太大量的还原剂可能导致在SCR中形成过量的氨。因此，这种过量的氨可能在释放到大气中的过程中存在于SCR排出的气体排放物中（称为“氨逃逸”）。众所周知，暴露于氨可能会影响人体呼吸系统，同时刺激并导致呼吸道炎症。

因此，有必要的是能够确定存在于SCR内的氨的浓度，以便适当地控制还原剂的连续注入。

发明内容

因此，本发明旨在解决上述缺点。为此，根据本发明的第一方面，本发明提供了用于预测氮氧化物的选择性还原催化器（SCR）的未来共振频率的经过训练的机器学习模型。根据本发明，共振频率表示SCR内的还原剂的浓度。

根据本发明的第二方面，提供了一种使用本发明的第一方面的经过训练的机器学习模型来预测SCR的未来共振频率的方法。

根据本发明的第三方面，提供了一种使用本发明的第二方面的方法的步骤来预测SCR中的还原剂的未来浓度的方法。

根据本发明的第四方面，提供了一种使用本发明的第二方面的方法的步骤来预测SCR的未来共振频率的装置。

根据本发明的第五方面，提供了一种使用本发明的第三方面的方法的步骤来预测SCR中的还原剂的未来浓度的装置。

最后，根据本发明的第六方面，提供了一种使用本发明的第四和第五方面的装置来控制排出管线中还原剂的添加的装置。

因此，本发明涉及一种用于预测氮氧化物的选择性还原催化器（SCR）的未来共振频率的经过训练的机器学习模型，该共振频率表示SCR内的还原剂的浓度，该SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分，该后处理系统包括还原剂，该还原剂用于在SCR上游添加到排出气体流中。经过训练的机器学习模型是根据以下步骤获得的：

•在多个接连采集时刻的每个采集时刻，针对包括运行中的内燃发动机和SCR的多个训练机动车辆中的每一个，采集SCR的共振频率、内燃发动机的特性和SCR的特性，

•在每个采集时刻，针对多个训练机动车辆中的每一个，基于内燃发动机的多个特性和SCR的多个特性计算第一数学量，这些特性是在包括在当前采集时刻之前的预定时间段中的采集时刻采集的，

•针对多个训练机动车辆中的每一个，基于内燃发动机的特性、SCR的特性和第一数学量而创建特征向量，

•在每个采集时刻，针对多个训练机动车辆中的每一个，将所述特征向量与SCR的共振频率相关联，以便获得第一机器学习模型变量，以及

•使用机器学习算法和第一机器学习模型变量训练机器学习模型，以在比预定时间段更近或等于预定时间段的未来时间范围上预测作为机动车辆的内燃发动机的排出气体流的后处理系统的一部分的SCR的未来共振频率。

根据第一实施例，经过训练的机器学习模型是进一步根据以下步骤获得的：

•在每个采集时刻，针对多个训练机动车辆中的每一个，采集流经后处理系统的流体的特性，

•在每个采集时刻，针对多个训练机动车辆中的每一个，基于流经后处理系统的流体的多个特性计算第二数学量，这些特性是在包括在当前采集时刻之前的预定时间段中的采集时刻采集的，

•针对多个训练机动车辆中的每一个，将第二数学量添加到特征向量。

根据第二实施例，第一数学量和/或第二数学量包括在预定时间段的全部或部分上计算的一个或多个梯度和/或移动平均值。

根据第三实施例，机器学习算法基于随机森林方法或神经网络方法。

本发明还涉及一种用于预测氮氧化物的选择性还原催化器（SCR）的未来共振频率的方法，该共振频率表示SCR内的还原剂的浓度，该SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分，该机动车辆包括联接到内燃发动机和SCR的运行状态的多个传感器的数据通信总线。该方法包括以下步骤：

•在多个接连采集时刻的每个采集时刻，从数据通信总线采集内燃发动机的特性和SCR的特性，

•在当前采集时刻，基于内燃发动机的多个特性和SCR的多个特性计算第一数学量，这些特性是在包括在当前采集时刻之前的预定时间段中的采集时刻采集的，

•基于内燃发动机的特性、SCR的特性和第一数学量创建当前特征向量，

•使用当前特征向量和根据本发明的第一方面的经过训练的机器学习模型，在比预定时间段更近或等于预定时间段的未来时间范围上确定SCR的未来共振频率。

根据第一实施例，数据通信总线还联接到流经后处理系统的流体状态的多个传感器，该方法还包括以下步骤：

•在当前采集时刻，采集流经后处理系统的流体的特性，

•在当前采集时刻，基于流经后处理系统的流体的多个特性计算第二数学量，这些特性是在包括在当前采集时刻之前的预定时间段内的采集时刻采集的，

•将第二数学量添加到当前特征向量。

根据第二实施例，数据通信总线还联接到SCR的共振频率的传感器，该方法还包括以下步骤：

•在当前采集时刻，从数据通信总线采集SCR的共振频率，

•在当前采集时刻，将当前特征向量与所采集的SCR的共振频率相关联，以便获得第二机器学习模型变量，以及

•使用机器学习算法和第二机器学习模型变量，训练根据本发明的第一方面的经过训练的机器学习模型。.

本发明还涉及一种用于预测氮氧化物的选择性还原催化器（SCR）中的还原剂的未来浓度的方法，该SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分。该方法包括以下步骤：

•当内燃发动机运行时，根据本发明的第二方面预测SCR的未来共振频率，

•使用先前确定的数据库来确定SCR内的还原剂的未来浓度，所述数据库将SCR的共振频率映射到SCR内的还原剂的浓度。

本发明还涉及一种用于预测氮氧化物的选择性还原催化器（SCR）的未来共振频率的装置，该共振频率表示SCR内的还原剂的浓度，该SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分，所述机动车辆包括数据通信总线，该数据通信总线联接到感测内燃发动机、SCR的运行状态和流经后处理系统的流体状态的多个传感器。该装置包括：

•存储器，用于存储内燃发动机的特性、SCR的特性、流经后处理系统的流体的特性以及在内燃发动机和/或后处理系统周围流动的流体的特性，

•联接到所述存储器的电子控制单元（ECU），所述电子控制单元被配置为执行指令，以便实施根据本发明的第二方面的方法。

本发明还涉及一种用于预测氮氧化物的选择性还原催化器（SCR）中的还原剂的未来浓度的装置，该SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分，所述机动车辆包括数据通信总线，该数据通信总线联接到感测内燃发动机、SCR的运行状态和流经后处理系统的流体状态的多个传感器。该装置包括：

•存储器，用于存储根据本发明的第二方面获得的SCR的未来共振频率，以及将SCR的共振频率映射到SCR内的还原剂的量的预先确定的数据库，

•联接到所述存储器的电子控制单元（ECU），所述电子控制单元被配置为执行指令，以便实施根据本发明的第三方面的方法。

根据一个实施例，控制单元还被配置成：

•根据预测的未来共振频率或预测的还原剂的未来浓度来控制还原剂的添加，以及

•当预测的共振频率超过第一预定阈值或者预测的还原剂的未来浓度超过第二预定阈值时，停止还原剂的添加。

附图说明

通过参考附图阅读以下描述，将更好地理解本发明的其他特征和优点，附图是非限制性的，并且以说明的方式给出：

–图1以曲线图形式示出了氨对SCR中氮氧化物的影响。

–图2a和2b以曲线图形式分别示出了图1中使用的SCR的共振频率变化和图1中使用的SCR内的氨的质量变化。

–图3以曲线图形式示出了图2a的共振频率变化和图2b的氨的质量变化之间的相关性。

–图4示出了根据本发明的机器学习模型的训练的一般原理。

–图5示出了用于获得根据本发明的经过训练的机器学习模型的方法。

–图6示出了用于使用图5中的经过训练的机器学习模型的方法。

–图7示出了根据本发明的一个实施方式的预测装置。

为了清楚起见，除非另有说明，所示的元件不一定按相同的比例绘制。

具体实施方式

本发明的一般原理是基于对机动车辆的氮氧化物（NOx）的选择性还原催化器（SCR）的共振频率和存在于SCR中的氨浓度之间的相关性的观察。因此，通过测量SCR的共振频率，可以推断出SCR中氨的质量。随后，该信息可用于调节还原剂的剂量，以减少或甚至消除从SCR排出的过量氨。

为了得出这个结论，进行了许多实验。其中之一如图1所示。图1示出了流经SCR的气体中NOx和氨浓度随时间的变化。时间出现在x轴110上且以秒表示，而NOx浓度出现在y轴120上且以百万分比(ppm)表示。四条曲线130、140、150和160示出了进入和离开SCR的NOx和氨浓度。曲线130对应于进入SCR的NOx浓度。在图1的实验中，曲线130保持恒定，这意味着进入SCR的NOx的量在整个实验中保持恒定。曲线140对应于进入SCR的氨浓度。如上所述，氨是在还原剂（如尿素）的热解以及随后的水解之后在SCR的入口处获得的。曲线150对应于离开SCR的NOx浓度。曲线160对应于离开SCR的氨浓度。

在图1的实验中，在第一时间阶段10，在0秒至大约110秒之间，没有观察到氨进入SCR（在该阶段期间曲线140为零）。这意味着还原剂没有被注入到通向SCR的排出管线中。在这种情况下，可以看出曲线130和150基本相同。这意味着在没有氨进入SCR的情况下，进入SCR的NOx浓度基本上等于离开SCR的NOx浓度。此外，将注意到曲线160基本上保持在零。

在图1的第二时间阶段20中，包括在大约110秒和大约320秒之间，可以看到大约580 ppm的连续氨浓度进入SCR。这意味着还原剂已经被注入到通向SCR的排出管线中。在这种情况下，可以看到曲线150相对于曲线130充分地且规则地减小。这意味着在氨进入SCR的情况下，离开SCR的NOx浓度相对于进入SCR的NOx浓度显著降低。此外，将注意到曲线160基本上保持在零。这意味着在还原NOx的过程中，存在于SCR入口处的氨被完全消耗掉。

在图1的第三时间阶段30中，包括在大约320秒和大约1120秒之间，可以看到大约710 ppm的连续氨浓度进入SCR。这意味着相对于第二时间阶段20，注入到通向SCR的排出管线中的还原剂的量已经增加。在这种情况下，可以看到，曲线150相对于曲线130继续充分地且规则地减小，直到它在大约600秒时达到零。这意味着SCR内的氨浓度使得存在于SCR入口处的NOx被还原且消失。此外，将注意到曲线160基本上保持在零，直到大约780秒。具体地，进入SCR的氨的至少很大一部分在NOx的还原过程中被消耗。此外，众所周知，任何过量的氨都储存在SCR中，以防止氨泄漏。然而，将会注意到，在大约780秒和1120秒之间，曲线160开始增加，因为在SCR中NOx已被完全还原。这意味着SCR中的氨的最大存储容量已经被超过，因此离开SCR的氨的浓度显著增加。换句话说，在这种情况下，所有的NOx都已被还原，而仍有氨未被消耗，并且不可能储存在SCR中。未储存在SCR中的未消耗氨的浓度最终离开SCR，且随后被释放到大气中。将在下面描述的图2b示出了SCR内氨质量浓度随时间的变化。

最后，在图1的第四个也是最后一个时间阶段40中，从大约1120秒开始，观察到进入SCR的氨浓度的完全降低。这意味着还原剂已经停止注入到通向SCR的排出管线中。在这种情况下，可以看到曲线150显著地且有规律地增加，直到它变得与曲线130基本上相同。此外，曲线160显著减小，直到达到零。这意味着第一时间阶段10的配置逐渐返回。

与图1中的实验平行，发明人有了观察SCR共振频率的表现的想法，因为后者表现地类似于共振腔。由于SCR包括基本上圆柱形的共振腔，可以选择在腔中激发TE₁₁₁模式，这是这种腔的基本模式。实际上，两个超高频天线已被适当地放置在SCR内。接下来，超高频天线中的一者被配置成以SCR的共振频率引导电磁波，而另一个超高频天线被配置成接收发射的电磁波的一个或多个副本。因此，在图1的实验中观察到SCR的共振频率的变化。此外，已经观察到，SCR共振频率的这种变化与SCR内的氨浓度密切相关。这些观察结果如图2a和2b所示。图2a示出了SCR共振频率随时间的变化。在图2a中，时间出现在如图1所示的x轴110上，而共振频率出现在y轴170上，并以GHz表示。图2b示出了SCR内氨质量浓度随时间的变化。在图2b中，时间出现在如图1所示的x轴110上，而质量浓度出现在y轴180上，并以克/升(g/l)表示。因此，在图2a和2b中，清楚的是，共振频率随着SCR内氨浓度的增加而成比例地降低。此外，SCR的共振频率和SCR内的氨浓度之间的强相关性如图3所示。在图3中，氨质量浓度出现在x轴180上，而共振频率出现在y轴170上。

此外，由于可以测量SCR内的氨浓度，因此可以根据共振频率来控制还原剂向排出管线的注入，从而转化所有的NOx，同时使SCR出口处的过量氨最小化。因此，有可能减少或甚至消除SCR出口处的过量氨。

这些观察导致发明人设想使用机器学习来创建机器学习模型以预测SCR的共振频率。

在本发明中，经过训练的机器学习模型是所谓的预测模型，其中在一组过去的观察中发现显著的相关性，并且其中寻求将这些相关性推广到尚未观察的情况。这样，根据本发明的经过训练的机器学习模型不同于所谓的解释性模型，在所谓的解释性模型中，寻求理解作为要预测的效果基础的因果机制。

此外，根据本发明的经过训练的机器学习模型是使用所谓的监督学习方法获得的，在该方法中过去的观察是“有标签的”。在实践中，当每一个观察都附有一个标签来识别要预测的效果时，观察就被称为“有标签的”。

在这种情况下，经过训练的机器学习模型然后表现得像滤波器，其传递参数基于所呈现的输入/输出对进行调整，并且其中输入对应于与机动车辆的内燃发动机和SCR相关的数据，并且输出对应于SCR的共振频率。

为了精确起见，将注意到滤波器的传递参数的概念（即，上面用来说明机动车辆的内燃发动机扭矩/SCR行为对SCR共振频率的影响的概念）可以等同于在监督学习算法的优化环境中获得的反馈。在这种优化中，根据所呈现的输入/输出，为系统的每个输入计算所选成本函数的梯度，其目的是调整传递参数。

图4说明了机器学习模型的训练的一般原理。在图4中，由方法200使用原始数据Di来获得经过训练的机器学习模型300。

图5示出了用于获得根据本发明的经过训练的机器学习模型300的方法200。

方法200需要多个（未示出）训练机动车辆，每个训练机动车辆包括运行的内燃发动机和SCR。SCR形成每个训练机动车辆的排出气体流的后处理系统的一部分。此外，每个训练机动车辆包括数据通信总线，例如，CAN（控制器局域网）或FlexRay类型。每个训练机动车辆的通信总线连接到内燃发动机和SCR的运行状态的多个传感器。在一个示例中，训练机动车辆的内燃发动机的运行状态的传感器可以从以下传感器中选择：发动机转速传感器、发动机扭矩设定值传感器、发动机扭矩传感器、发动机速度传感器、发动机燃料流量传感器、发动机冷却剂温度传感器或其组合。在另一个示例中，训练机动车辆的SCR的运行状态的传感器可以从以下传感器中选择：在SCR表面的一个或多个位置中的SCR表面温度传感器、SCR体积流量传感器或其组合。

在图5的示例中，方法200首先在步骤210中，在多个接连采集时刻的每个采集时刻，针对包括运行中的内燃发动机和SCR的多个训练机动车辆中的每个，采集SCR的共振频率、内燃发动机的特性和SCR的特性。在步骤210的示例中，接连的采集时刻彼此间隔开持续时间T，例如为100毫秒、200毫秒、500毫秒或1秒。在另一个示例中，接连的采集时刻以随机的持续时间彼此隔开。具体地，在该示例中，训练机动车辆的各种传感器被认为以满足其需求的频率通过数据通信总线传输消息。在这种情况下，方法200包括监听通过数据通信总线传输的消息的步骤。在这个示例的步骤中，有必要对从数据通信总线收集的数据进行后续处理，以校正观察到的消息的时间分布，并实现时间分布，使得观察到的消息在时间上有规律地间隔，例如间隔100毫秒、200毫秒、500毫秒或1秒。例如，可以执行插值或者可以计算适当的平均值，以获得表示在期望的时间间隔中观察到的消息的值。

接下来，在步骤220中，在每个采集时刻，针对多个训练机动车辆中的每一个，基于内燃发动机的多个特性和SCR的多个特性计算第一数学量，这些特性是在包括在当前采集时刻之前的预定时间段中的采集时刻采集的。

在步骤220的示例中，使用选自平方根函数、幂函数、对数、指数函数、梯度函数、移动平均函数或其组合的数学函数来获得第一数学量。然而，也可以考虑其他数学函数。

在步骤220的另一个示例中，预定时间段从以下值中选择：2秒、5秒、10秒、15秒、30秒或60秒。

此外，在步骤230中，针对多个训练机动车辆中的每一个，基于内燃发动机的特性、SCR的特性和第一数学量而创建特征向量。

接下来，在步骤240中，在每个采集时刻，针对多个训练机动车辆中的每一个，将特征向量与SCR的共振频率相关联，以便获得第一机器学习模型变量。

最后，在步骤250中，使用机器学习算法和第一机器学习模型变量训练机器学习模型，以在比预定时间段更近或等于预定时间段的未来时间范围上预测作为机动车辆的内燃发动机的排出气体流的后处理系统的一部分的SCR的未来共振频率。在一个特定实施方式中，预定的未来时间范围比预定时间段更近或等于预定时间段。

在步骤250中，通过向机器学习模型传送成对(X，Y)形式的训练集来训练机器学习模型，其中X对应于一组输入特征，而Y对应于输出特征。在本发明中，训练集由第一机器学习模型变量确定。在实践中，针对与预定的未来时间范围相关联的第一机器学习模型变量，定义一对(X，Y)，使得输入特征X包括第一机器学习模型变量的向量特征，而输出特征Y包括训练机动车辆的SCR的共振频率。

为了说明步骤250，举一个示例，其中预定的未来时间范围被认为被设置为100毫秒。在这种情况下，对于每对(X，Y)，如果输入特征X包括与采集时刻t相关联的第一机器学习模型变量的向量特征，则输出特征Y将包括与采集时刻t + 100 ms相关联的第一机器学习模型变量的训练机动车辆的SCR的共振频率。考虑另一个示例，其中预定的未来时间范围被认为被设置为250 ms。在这种情况下，对于每对(X，Y)，如果输入特征X包括与采集时刻t相关联的第一机器学习模型变量的向量特征，则输出特征Y将包括与采集时刻t + 250 ms相关联的第一机器学习模型变量的训练机动车辆的SCR的共振频率。

将注意到，设想训练多个经过训练的机器学习模型300，以便预测包括由训练机动车辆所使用的内燃发动机的机动车辆的SCR的未来共振频率，并且在多个预定的未来时间范围上这样做。因此，例如，在100 ms的预定的未来时间范围上将可以获得第一经过训练的机器学习模型300，在150 ms的预定的未来时间范围上将可以获得第二经过训练的机器学习模型300，在250 ms的预定的未来时间范围上将可以获得第三经过训练的机器学习模型300，并且在500 ms的预定的未来时间范围上将可以获得第四经过训练的机器学习模型300。在这个示例中，每个训练的机器学习模型300然后使用从第一机器学习模型变量导出的不同的训练集。

在步骤250的示例中，机器学习算法基于随机森林方法。例如，随机森林方法的一个变型，即极随机树，已经获得了很好的结果。然而，也可以设想其他基于回归的监督机器学习算法。例如，基于神经网络（如自归一化神经网络）的方法已经获得了良好的结果。

在一个特定的实施方式中，经过训练的机器学习模型300还考虑了流经SCR所属的后处理系统的流体的特性。在这种情况下，每个训练机动车辆的通信总线联接到后处理系统的运行状态的多个传感器。众所周知，这种后处理系统可包括以下元件：柴油氧化催化器（DOC）、混合器、柴油颗粒过滤器(SDPF)、排出气体再循环(EGR)装置或其组合。

在该特定实施方式中，方法200还首先在步骤260中，在每个采集时刻，针对多个训练机动车辆中的每一个，采集流经后处理系统的流体的特性。在步骤260的示例中，驾驶机动车辆的后处理系统的运行状态的传感器可以从以下传感器中选择：后处理系统的一个或多个元件之前和/或之后的NOx浓度传感器、后处理系统的一个或多个元件之前和/或之后的温度、压力和/或排出气体流量传感器或其组合。在一个特定的实施方式中，流经后处理系统的流体的特性以低于多次接连采集时刻的频率的频率采集。例如，可以每500毫秒或1秒采集一次流经后处理系统的流体的特性，而多个接连的采集时刻的采集频率可以是100毫秒或250毫秒。

接下来，在步骤270中，在每个采集时刻，针对多个训练机动车辆中的每一个，基于流经后处理系统的流体的多个特性计算第二数学量，这些特性是包括在当前采集时刻之前的预定时间段中的采集时刻采集的。

最后，在步骤280中，针对多个训练机动车辆中的每一个，将第二数学量添加到特征向量。

在步骤280的示例中，使用选自平方根函数、幂函数、对数、指数函数、梯度函数、移动平均函数或其组合的数学函数来获得第二数学量。然而，也可以考虑其他数学函数。

在另一特定实施方式中，以与前述特定实施方式相同的方式，经过训练的机器学习模型300可以考虑在内燃发动机和/或后处理系统周围流动的流体的特性。在这种情况下，每个训练机动车辆的通信总线联接到检测在内燃发动机和/或后处理系统周围流动的这些流体的状态的多个传感器。例如，这可能涉及后处理系统的一个或多个元件之前和/或之后的环境空气温度传感器、内燃发动机周围的环境空气温度传感器或其组合。

图6示出了在机动车辆中使用经过训练的机器学习模型300的方法400，所述机动车辆包括在训练机动车辆中使用的内燃发动机和SCR。此外，就像训练机动车辆一样，所述机动车辆包括数据通信总线，该数据通信总线联接到内燃发动机和SCR的运行状态的多个传感器。

方法400首先在步骤410中在多个接连采集时刻的每个采集时刻从数据通信总线采集与内燃发动机的运行状态相关的特性。

此外，在步骤410中，在当前采集时刻，还从数据通信总线采集与SCR的运行状态相关的特性。

接下来，在步骤420中，在当前采集时刻，基于内燃发动机的多个特性和SCR的多个特性计算第一数学量，这些特性是在包括在当前采集时刻之前的预定时间段中的采集时刻采集的。

随后，在步骤430中，基于内燃发动机的特性、SCR的特性和第一数学量创建当前特征向量。

最后，在步骤440中，使用当前特征向量和经过训练的机器学习模型300，为预定的未来时间范围确定SCR的未来共振频率。在一个特定实施方式中，预定的未来时间范围比预定时间段更近或等于预定时间段。

在一个特定实施方式中，方法400以与经过训练的机器学习模型300的训练期间相同的方式考虑流经后处理系统的流体的特性。

此外，在另一特定实施方式中，方法400以与经过训练的机器学习模型300期间相同的方式考虑了在内燃发动机和/或后处理系统周围流动的流体的特性。

在另一特定实施方式中，数据通信总线还联接到SCR的共振频率的传感器。在这种情况下，当内燃发动机运行时，方法400使用由SCR的共振频率的传感器采集的共振频率值来训练经过训练的机器学习模型300。

在这个特定的实施方式中，其对应于经过训练的机器学习模型300的连续训练，方法400还首先在步骤450中，在当前采集时刻，从数据通信总线采集SCR的共振频率。接下来，在步骤460中，在当前采集时刻，将当前特征向量与所采集的SCR的共振频率相关联，以便获得第二机器学习模型变量。

最后，在步骤470中，使用机器学习算法和第二机器学习模型变量来训练经过训练的机器学习模型300。

在本发明的一个特定实施例中，方法400的各个步骤由计算机程序指令限定。因此，本发明还涉及包含存储在非瞬态存储介质上的计算机程序代码的程序，当计算机程序被加载到计算机中或在计算机上运行时，该程序代码能够执行方法400的步骤。

使用方法400，还设想预测SCR内的未来氨浓度。为此，可以使用先前确定的数据库来确定SCR内的未来氨浓度，该数据库将SCR的共振频率映射到SCR内的氨浓度。

图7示出了用于预测机动车辆的SCR的未来共振频率的装置500，该机动车辆包括在训练机动车辆中使用的内燃发动机和SCR。

装置500包括存储器510和诸如电子控制单元(ECU) 520的微型计算机。

在图7中，提供存储器510来存储内燃发动机的特性、SCR的特性、流经后处理系统的流体的特性以及在内燃发动机和/或后处理系统周围流动的流体的特性。此外，电子控制单元520联接到存储器510，同时被配置为执行指令以实施方法400。

在装置500的一个特定实施方式(未示出)中，存储器510和电子控制单元520被布置在云架构的远程服务器中。所谓云，是指可以从世界任何地方访问的互联硬件、网络和计算机软件的集合。在这种情况下，装置500包括收发器，例如射频收发器，其被配置为向远程服务器传输与内燃发动机、SCR、流经后处理系统的流体以及在内燃发动机和/或后处理系统周围流动的流体相关的特性。随后，收发器被配置为接收由电子控制单元520预测的SCR的共振频率。

在图7的示例中，装置500可用在用于控制机动车辆排出管线中的还原剂添加的系统中，其包括用在训练机动车辆中的内燃发动机和SCR。因此，例如，装置500可以根据预测的未来共振频率或预测的还原剂的未来浓度来控制还原剂的添加。特别地，当预测的共振频率超过第一预定阈值或者预测的还原剂的未来浓度超过第二预定阈值时，装置500可以停止还原剂的添加。

根据本发明的经过训练的机器学习模型300具有能够与不存在于训练集中的数据一起使用的优点。此外，它可以通过不断采集新的训练数据而不断改进。

已经通过本详细的说明书且通过附图描述和示出了本发明。 然而，本发明不限于所提出的实施例。因此，在阅读了本说明书并研究了附图之后，本领域技术人员将能够推断并实现其他实施方式和变型。

Claims (11)

1.一种用于预测氮氧化物的选择性还原催化器SCR的未来共振频率的经过训练的机器学习模型（300），所述共振频率表示SCR内的还原剂的浓度，所述SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分，所述后处理系统包括还原剂，所述还原剂用于在SCR上游添加到所述排出气体流中，所述经过训练的机器学习模型是根据以下步骤获得的：

•在多个接连采集时刻的每个采集时刻，针对包括运行中的内燃发动机和所述SCR的多个训练机动车辆中的每一个，采集（210）所述SCR的共振频率、所述内燃发动机的特性和所述SCR的特性，

•在每个采集时刻，针对多个训练机动车辆中的每一个，基于内燃发动机的多个特性和SCR的多个特性计算（220）第一数学量，这些特性是在包括在当前采集时刻之前的预定时间段中的采集时刻采集的，

•针对多个训练机动车辆中的每一个，基于内燃发动机的特性、SCR的特性和第一数学量而创建（230）特征向量，

•在每个采集时刻，针对多个训练机动车辆中的每一个，将所述特征向量与SCR的共振频率相关联（240），以便获得第一机器学习模型变量，以及

•使用机器学习算法和所述第一机器学习模型变量训练（250）机器学习模型，以在比预定时间段更近或等于预定时间段的未来时间范围上预测作为机动车辆的内燃发动机的排出气体流的后处理系统的一部分的SCR的未来共振频率。

2.根据权利要求1所述的经过训练的机器学习模型是进一步根据以下步骤获得的：

•在每个采集时刻，针对多个训练机动车辆中的每一个，采集（260）流经后处理系统的流体的特性，

•在每个采集时刻，针对多个训练机动车辆中的每一个，基于流经后处理系统的流体的多个特性计算（270）第二数学量，这些特性是在包括在当前采集时刻之前的预定时间段中的采集时刻采集的，

•针对多个训练机动车辆中的每一个，将所述第二数学量添加（280）到所述特征向量。

3.根据权利要求1至2中任一项所述的经过训练的机器学习模型，其中，所述第一数学量和/或所述第二数学量包括在所述预定时间段的全部或部分上计算的一个或多个梯度和/或移动平均值。

4.根据权利要求1至3中任一项所述的经过训练的机器学习模型，其中所述机器学习算法基于随机森林方法或神经网络方法。

5.一种用于预测氮氧化物的选择性还原催化器SCR的未来共振频率的预测方法，所述共振频率表示SCR内的还原剂的浓度，所述SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分，所述机动车辆包括联接到内燃发动机和SCR的运行状态的多个传感器的数据通信总线，所述方法包括以下步骤：

•在多个接连采集时刻的每个采集时刻，从数据通信总线采集（410）内燃发动机的特性和SCR的特性，

•在当前采集时刻，基于内燃发动机的多个特性和SCR的多个特性计算（420）第一数学量，这些特性是在包括在当前采集时刻之前的预定时间段中的采集时刻采集的，

•基于内燃发动机的特性、SCR的特性和第一数学量创建（430）当前特征向量，

•使用当前特征向量和根据权利要求1至4中任一项所述的经过训练的机器学习模型，在比预定时间段更近或等于预定时间段的未来时间范围上确定（440）所述SCR的未来共振频率。

6.根据权利要求5所述的预测方法，其特征在于，所述数据通信总线还联接到流经后处理系统的流体状态的多个传感器，所述方法还包括以下步骤：

•在当前采集时刻，采集流经后处理系统的流体的特性，

•在当前采集时刻，基于流经后处理系统的流体的多个特性计算第二数学量，这些特征是在包括在当前采集时刻之前的预定时间段内的采集时刻采集的，

•将所述第二数学量添加到当前特征向量。

7.根据权利要求5至6中任一项所述的预测方法，其中，所述数据通信总线还联接到所述SCR的共振频率的传感器，所述方法还包括以下步骤：

•在当前采集时刻，从所述数据通信总线采集（450）所述SCR的共振频率，

•在当前采集时刻，将所述当前特征向量与所采集的所述SCR的共振频率相关联（460），以便获得第二机器学习模型变量，以及

•使用机器学习算法和第二机器学习模型变量，训练（470）根据权利要求1至4中任一项所述的经过训练的机器学习模型。

8.一种用于预测氮氧化物的选择性还原催化器SCR中的还原剂的未来浓度的方法，所述SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分，所述方法包括以下步骤：

•当内燃发动机运行时，根据权利要求5至7中任一项来预测SCR的未来共振频率，

•使用先前确定的数据库来确定SCR内的还原剂的未来浓度，所述数据库将SCR的共振频率映射到SCR内的还原剂的浓度。

9.一种用于预测氮氧化物的选择性还原催化器SCR的未来共振频率的装置，所述共振频率表示SCR内的还原剂的浓度，所述SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分，所述机动车辆包括数据通信总线，所述数据通信总线联接到感测内燃发动机、SCR的运行状态和流经后处理系统的流体状态的多个传感器，所述装置包括：

•存储器（510），用于存储内燃发动机的特性、SCR的特性、流经后处理系统的流体的特性以及在内燃发动机和/或后处理系统周围流动的流体的特性，

•联接到所述存储器的电子控制单元ECU（520），所述电子控制单元被配置为执行指令，以便实施根据权利要求5至7中任一项所述的方法。

10.一种用于预测氮氧化物的选择性还原催化器SCR中的还原剂的未来浓度的装置，所述SCR形成机动车辆所配备的内燃发动机的排出气体流的后处理系统的一部分，所述机动车辆包括数据通信总线，所述数据通信总线联接到感测内燃发动机、SCR的运行状态和流经后处理系统的流体状态的多个传感器，所述装置包括：

•存储器（510），用于存储根据权利要求5至7中任一项所获得的SCR的未来共振频率，以及将SCR的共振频率映射到SCR内的还原剂的量的预先确定的数据库，

•联接到所述存储器的电子控制单元ECU（520），所述电子控制单元被配置为执行指令，以便实施根据权利要求8所述的方法。

11.根据权利要求9至10中任一项所述的装置，其中，所述控制单元还被配置为：

•根据预测的未来共振频率或预测的还原剂的未来浓度来控制还原剂的添加，以及

•当预测的共振频率超过第一预定阈值或者预测的还原剂的未来浓度超过第二预定阈值时，停止还原剂的添加。

Images