CN113266449A - 后处理系统前的漏气情况的预测方法及系统 - Google Patents
后处理系统前的漏气情况的预测方法及系统 Download PDFInfo
- Publication number
- CN113266449A CN113266449A CN202110547474.8A CN202110547474A CN113266449A CN 113266449 A CN113266449 A CN 113266449A CN 202110547474 A CN202110547474 A CN 202110547474A CN 113266449 A CN113266449 A CN 113266449A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data set
- content
- nitride
- estimated
- 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.)
- Granted
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
- F01N11/00—Monitoring or diagnostic devices for exhaust-gas treatment apparatus, e.g. for catalytic activity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Exhaust Gas After Treatment (AREA)
Abstract
本发明属于车辆性能检测技术领域,具体涉及一种后处理系统前的漏气情况的预测方法及系统。本发明中的后处理系统前的漏气情况的预测方法包括:S1、采集第一监控变量数据进行预处理并通过第一训练数据集的均值得出第二训练数据集;S2、根据第二训练数据集,获取高斯过程回归模型;S3、根据模型的预测精度值位于正常范围内,采集第二监控变量数据进行预处理并通过第一预测数据集的均值,得出第二预测数据集;S5、根据第二预测数据集和模型得出预测氮化物估计含量;S5、获取实际氮化物测量含量;S6、计算得出最终氮化物估计含量;S7、根据实际氮化物测量含量和最终氮化物估计含量计算残差均值程度,判断后处理系统前是否出现漏气情况。
Description
技术领域
本发明属于车辆性能检测技术领域,具体涉及一种后处理系统前的漏气情况的预测方法及系统。
背景技术
柴油机的空气系统包括进气系统和排气系统。进气系统包含压气机、中冷器、进气管以及相应的管路;排气系统包含排气管、涡轮机(放气阀)及相应的管路。空气系统中的增压器是为了发动机提供足够的新鲜空气,中冷器用于冷却进气温度。
柴油机的后处理系统是为了进一步处理排气系统排出的尾气,使得尾气释放符合相关国家标准,排气系统的废气由后处理系统处理以产生合格的废气并排放到外部。
随着废气排放标准的提高,对废气处理系统的要求也增加了。如果空气系统发生故障,将对废气处理产生重大影响。在该空气系统中,高温高压气体带来的热负荷会导致排气管变形,造成排气管漏气,排气管使用过程中冷热环境交变也会导致热应力集中,造成排气管断裂的现象。由于高温环境,垫片会与排气管或者缸盖粘连在一起,并且排气中含有酸性气体,温度过低时产生的冷凝水会生成酸性物,导致管路腐蚀。上述故障会使得空气系统失效。
为了保证后处理系统的正常运行,需要及时了解排气管变形和破裂的故障信息。
发明内容
本发明的目的是至少解决现有后处理系统前的漏气情况难以进行准确预测的问题。该目的是通过以下技术方案实现的:
本发明的第一方面提出了一种后处理系统前的漏气情况的预测方法,包括:
S1、采集空气系统正常工况下的第一监控变量数据进行预处理得到第一训练数据集,根据所述第一训练数据集和所述第一训练数据集的均值,得出第二训练数据集;
S2、根据所述第二训练数据集,获取稀疏的非平稳三角高斯过程回归模型;
S3、根据所述稀疏的非平稳三角高斯过程回归模型的预测精度处于正常范围内,采集空气系统正常工况下的第二监控变量数据进行预处理得到第一预测数据集,根据所述第一预测数据集和所述第一预测数据集的均值,得出第二预测数据集;
S4、根据所述第二预测数据集并通过所述稀疏的非平稳三角高斯过程回归模型得出后处理系统前的预测氮化物估计含量;
S5、获取实际氮化物测量含量;
S6、根据所述预测氮化物估计含量和所述第一训练数据集的均值,得出最终氮化物估计含量;
S7、根据所述实际氮化物测量含量和所述最终氮化物估计含量计算残差均值,根据所述残差均值处于标定范围外,判断后处理系统前出现漏气情况。
通过使用本技术方案中的后处理系统前的漏气情况的预测方法,利用监控变量数据预处理后的第二训练数据集进行稀疏的非平稳三角高斯过程回归模型的构建,然后再通过第二预测数据集和模型得出最终氮化物估计含量,再通过与实际氮化物测量含量的匹配程度,进而判断后处理系统前是否发生了管道破损造成的漏气故障,能够方便快捷地检测空气系统中的漏气故障,与传统的测量方法相比,测试方式简单、快速、实用,大大缩短了检测时间。
另外,根据本发明的后处理系统前的漏气情况的预测方法,还可具有如下附加的技术特征:
在本发明的一些实施方式中,所述采集空气系统正常工况下的第一监控变量数据进行预处理包括:
去除数据缺失和/或柴油机转速为零的所述第一监控变量数据。
在本发明的一些实施方式中,所述采集空气系统正常工况下的第二监控变量数据进行预处理包括:
去除数据缺失和/或柴油机转速为零的所述第二监控变量数据。
在本发明的一些实施方式中,所述第一训练数据集的均值ymean,对应表达式如下所示:
式中,yi为第一监控变量数据中第i个样本的第一训练数据集值,n表示数据集的数量。
在本发明的一些实施方式中,步骤S2中所述稀疏的非平稳三角高斯过程回归模型的表达式为:
y=f(X)+ε;
其中,ε为高斯白噪声,X为第二训练数据集中所有样本组成的矩阵;
y为氮化物含量的估计含量的预测值组成的矩阵;
ε的分布如下:
f(X)是随机过程隐函数,且符合如下分布:
f(X)~N(0,K(X,X));
其中,K(X,X)为协方差函数,对应表达式如下:
其中,xi为X中的第i个样本,xj为X中的第j个样本,2m为φNT(x)的维度,σn为噪声方差,σf为信号方差,s2m-1为第2m-1个频率系数,I为单位矩阵。
在本发明的一些实施方式中,所述稀疏的非平稳三角高斯过程回归模型的预测精度包括均方根误差,根据所述均方根方差处于第一正常范围内,判定所述稀疏的非平稳三角高斯过程回归模型的预测精度合格,其中所述均方根误差的表达式如下,
其中,Ypre为所有柴油机后处理系统前的氮化物估计含量的预测值所形成的向量,Yte为柴油机后处理系统前的氮化物估计含量的实际测量值所组成的向量,[·]i是该向量的第i个元素,n表示训练样本的数量。
在本发明的一些实施方式中,所述稀疏的非平稳三角高斯过程回归模型的预测精度包括R平方指标,根据所述R平方指标处于第二正常范围内,判定所述稀疏的非平稳三角高斯过程回归模型的预测精度合格,其中所述R平方指标的表达式如下,
其中,Ypre为所有柴油机后处理系统前的氮化物估计含量的预测值所形成的向量,Yte为柴油机后处理系统前的氮化物估计含量的实际测量值所组成的向量,[·]i是该向量的第i个元素,ymean为第一训练数据集的均值。
在本发明的一些实施方式中,所述稀疏的非平稳三角高斯过程回归模型的预测精度包括平均负对数概率,根据所述平均负对数概率处于第三正常范围内,判定所述稀疏的非平稳三角高斯过程回归模型的预测精度合格,其中所述平均负对数概率的表达式如下,
其中,为柴油机后处理系统前的氮化物估计含量的预测值的方差,Ypre为所有柴油机后处理系统前的氮化物估计含量的预测值所形成的向量,Yte为柴油机后处理系统前的氮化物估计含量的实际测量值所组成的向量,[·]i是该向量的第i个元素,n表示训练样本的数量。
本发明还提出了一种后处理系统前的漏气情况的控制系统,所述后处理系统前的漏气情况的控制系统包括:
采集单元,所述采集单元用于采集监控变量和实际氮化物测量含量;
终端处理单元,所述终端处理单元用于动态获取所述采集单元所采集的所述监控变量和所述实际氮化物测量含量,并传输给服务器单元进行计算处理;
服务器单元,所述服务器单元用于执行上述的预测方法的步骤,实现对所述监控变量的预处理、获得稀疏的非平稳三角高斯过程回归模型、氮化物估计含量的残差均值和预测结果的输出;
人机交互单元,用于显示预测结果以及输入预测参数和条件。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1示意性地示出了根据本发明实施方式的后处理系统前的漏气情况的预测方法流程图;
图2示意性地示出了稀疏的非平稳三角高斯过程回归模型(SNTGPR)、稀疏频谱高斯过程回归模型(SSGP)和稀疏伪输入高斯过程模型(FITC)三种模型的氮化物含量的预测结果对比图;
图3示意性地示出了稀疏频谱高斯过程模型与稀疏非平稳三角高斯过程回归模型的对比图;
图4示意性地示出了稀疏伪输入高斯过程模型与稀疏非平稳三角高斯过程回归模型的对比图;
图5示意性地示出了稀疏非平稳三角高斯过程回归模型的预测结果时序排列和残差示意图;
图6示意性地示出了根据本发明一实施方式的后处理系统前的漏气情况的预测系统的方框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段,但是,这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出,否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此,以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
为了便于描述,可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系,这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“下方”、“上面”、“上方”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。例如,如果在图中的装置翻转,那么描述为“在其它元件或者特征下面”或者“在其它元件或者特征下方”的元件将随后定向为“在其它元件或者特征上面”或者“在其它元件或者特征上方”。因此,示例术语“在……下方”可以包括在上和在下的方位。装置可以另外定向(旋转90度或者在其它方向)并且文中使用的空间相对关系描述符相应地进行解释。
氮化物(NOx)是后处理系统处理的主要物质之一。当排气管变形或折断时,在后处理系统之前测得的NOx将不同于空气系统中的真实值。
因此,本发明提出的一种柴油机后处理系统前的漏气情况的预测方法及系统,使用稀疏的非平稳三角高斯过程回归模型(SNTGPR),根据运行过程中没有故障的训练数据集,构建软测量获得预测后处理系统前的NOx含量的回归模型,估计判断是否发生柴油机后处理系统前的漏气情况,具有处理大量数据、快速、准确、提供预测值的置信度等特点。
当模型的NOx的预测值和传感器测得的实时值相差很大时,认为排气系统可能异常,出现管路破损造成漏气,应注意检查柴油机运行状况。
图1示意性地示出了根据本发明实施方式的后处理系统前的漏气情况的预测方法流程图。如图1所示,本发明提出了一种后处理系统前的漏气情况的预测方法及系统。本发明中的后处理系统前的漏气情况的预测方法包括:
S1、采集空气系统正常工况下的第一监控变量数据进行预处理得到第一训练数据集,根据第一训练数据集和第一训练数据集的均值,得出第二训练数据集;
S2、根据第二训练数据集,获取稀疏的非平稳三角高斯过程回归模型;
S3、根据稀疏的非平稳三角高斯过程回归模型的预测精度处于正常范围内,采集空气系统正常工况下的第二监控变量数据进行预处理得到第一预测数据集,根据第一预测数据集和第一预测数据集的均值,得出第二预测数据集;
S4、根据第二预测数据集并通过稀疏的非平稳三角高斯过程回归模型得出后处理系统前的预测氮化物估计含量;
S5、获取实际氮化物测量含量;
S6、根据预测氮化物估计含量和第一训练数据集的均值,得出最终氮化物估计含量;
S7、根据实际氮化物测量含量和最终氮化物估计含量计算残差均值,根据残差均值处于标定范围外,判断后处理系统前出现漏气情况。
通过使用本技术方案中的后处理系统前的漏气情况的预测方法,利用监控变量数据预处理后的第二训练数据集进行稀疏的非平稳三角高斯过程回归模型的构建,然后再通过第二预测数据集和模型得出最终氮化物估计含量,再通过与实际氮化物测量含量的匹配程度,进而判断后处理系统前是否发生了管道破损造成的漏气故障,能够方便快捷地检测空气系统中的漏气故障,与传统的测量方法相比,测试方式简单、快速、实用,大大缩短了检测时间。
具体地,本发明中所选取的监控变量,包括后处理系统前的变量和后处理系统中的温度变量,不因漏气故障而产生变化。后处理系统前的变量为进气系统和排气系统中的变量。后处理系统中的温度变量为后处理系统与排气系统交界处的温度变量。其中,正常工况指的是后处理系统前没有出现漏气的现象,并且空气系统中各部件运行状况良好。在此正常工况下采集足够多的数据,尽量使得各变量的正常范围内都有对应的样本。另外,在本实施例中,采集数万个样本作为训练数据量,从而实现模型和预测结果的准确性。
在本发明的一些实施方式中,采集空气系统正常工况下的第一监控变量数据进行预处理包括:
去除数据缺失和/或柴油机转速为零的所述第一监控变量数据。
在本发明的一些实施方式中,采集空气系统正常工况下的第二监控变量数据进行预处理包括:
去除数据缺失和/或柴油机转速为零的所述第二监控变量数据。
对监控变量数据进行预处理操作,能够使得监控变量数据的样本更加准确和有效,为后续预测方法的结果准确性提供了保障。
在本发明的一些实施方式中,第一训练数据集的均值ymean,对应表达式如下所示:
式中,yi为第一监控变量数据中第i个样本的第一训练数据集值,n表示数据集的数量。
进一步地,本实施方式中的第一训练数据集包括氮化物含量。
具体地,在本发明的一些实施方式中,第一预测数据集的均值的表达式与上述第一训练数据集的均值表达式相同,通过上述表达式能够分别计算得出第一训练数据集的均值和第一预测数据集的均值。其中,第一训练数据集减去第一训练数据集的均值即可得到第二训练数据集,同样的,第一预测数据集减去第一预测数据集的均值即可得到第二预测数据集。
具体地,本实施方式中,对预处理后的第一预测数据集/第一训练数据集减去各自的均值,同时在最后得出预测氮化物估计含量之后再加上第一训练数据集的均值,从而得出最终氮化物估计含量。由于高斯过程回归建立在零均值的假设,一开始就减去均值符合建立模型的要求,最后预测时再加回均值才能得到真正的预测值,减去均值的步骤符合高斯过程回归的算法要求。
在本发明的一些实施方式中,稀疏的非平稳三角高斯过程回归模型的表达式为:
y=f(X)+ε;
其中,ε为高斯白噪声,X为第二训练数据集中所有样本组成的矩阵;
y为氮化物含量的估计含量的预测值组成的矩阵;
ε的分布如下:
f(X)是随机过程隐函数,且符合如下分布:
f(X)~N(0,K(X,X));
其中,K(X,X)为协方差函数,对应表达式如下:
其中,xi为X中的第i个样本,xj为X中的第j个样本,2m为φNT(x)的维度,σn为噪声方差,σf为信号方差,s2m-1为第2m-1个频率系数,I为单位矩阵。
由以上模型表达式和第二训练数据集的结合能够得出模型的参数,其中,模型参数组成参数集θ,对应表达式为:
θ={logσn,logσf,si,j(i=1,2,…,2m,j=1,2,...,D)};
式中,σn为噪声方差,σf为信号方差,si,j为第i个频率系数的第j维参数。
具体地,还需要对模型参数进行优化,本实施例中模型的参数通过最大化对数似然函数,优化方法是通过共轭梯度法进行迭代优化。
其中,对数似然函数的式子如下所示:
其中,
Φ(X)=[φNT(x1),φNT(x2),…,φNT(xn)];
其中,xi为X中的第i个样本,X为训练数据集中所有样本组成的矩阵;
Y为氮化物含量的估计含量的预测值组成的矩阵;
σn为噪声方差,σf为信号方差,n表示训练样本的数量,2m为φNT(x)的维度,I为单位矩阵。
通过最大化对数似然函数,求取相应的参数。其中,为方便使用共轭梯度法,取对数似然函数的相反数,用共轭梯度法求取此式子的最小值,进而求得相应参数。
具体地,在使用共轭梯度法前,需要对参数θ进行初始化,初始化如下:
s←从标准高斯分布中随机生成;
共轭梯度法中使用的梯度经过计算和优化处理后,如下所示:
其中,j=1,2,…,D,
Ω=(RT)-1ΦNT(X);
Φ(X:,j)=[φ′(x1,j),φ′(x2,j),…,φ′(xn,j)]T;
具体地,预测氮化物估计含量包括预测均值和预测方差,将模型参数θ和预测数据集的样本带入预测均值和预测方差的表达式中即可得到预测结果。
在本发明的一些实施方式中,稀疏的非平稳三角高斯过程回归模型的预测精度包括均方根误差,根据均方根方差处于第一正常范围内,判定稀疏的非平稳三角高斯过程回归模型的预测精度合格,其中均方根误差的表达式如下,
其中,Ypre为所有柴油机后处理系统前的氮化物估计含量的预测值所形成的向量,Yte为柴油机后处理系统前的氮化物估计含量的实际测量值所组成的向量,[·]i是该向量的第i个元素,n表示训练样本的数量。
具体地,如果均方根误差的结果不在第一正常范围内,则需要对再选取一组新的训练数据集重复S2的步骤,直到均方根误差处于第一正常范围内,再进行S5的步骤。本实施例中的均方根误差能够看出预测值和实际值的平均偏差情况。
在本发明的一些实施方式中,稀疏的非平稳三角高斯过程回归模型的预测精度包括R平方指标,根据R平方指标处于第二正常范围内,判定稀疏的非平稳三角高斯过程回归模型的预测精度合格,其中R平方指标的表达式如下,
其中,Ypre为所有柴油机后处理系统前的氮化物估计含量的预测值所形成的向量,Yte为柴油机后处理系统前的氮化物估计含量的实际测量值所组成的向量,[·]i是该向量的第i个元素,ymean为第一训练数据集的均值。
具体地,如果R平方指标不在第二正常范围内,则需要对再选取一组新的训练数据集重复S2的步骤,直到R平方指标处于第二正常范围内,再进行S5的步骤。本实施例中的R平方指标能够看出消除量纲的影响,使得可以更加直观地观察预测值和真实值的偏差情况。第二个质量指标越接近于1,说明模型的预测效果越好,第二个质量指标越接近于0,说明模型的预测效果越不好,当指标小于0的时候,说明这个模型对于用来测试的样本没有预测能力。
在本发明的一些实施方式中,稀疏的非平稳三角高斯过程回归模型的预测精度包括平均负对数概率,根据平均负对数概率处于第三正常范围内,判定稀疏的非平稳三角高斯过程回归模型的预测精度合格,其中平均负对数概率的表达式如下,
其中,为柴油机后处理系统前的氮化物估计含量的预测值的方差,Ypre为所有柴油机后处理系统前的氮化物估计含量的预测值所形成的向量,Yte为柴油机后处理系统前的氮化物估计含量的实际测量值所组成的向量,[·]i是该向量的第i个元素,n表示训练样本的数量。
具体地,如果平均负对数概率不在第三正常范围内,则需要对再选取一组新的训练数据集重复S2的步骤,直到平均负对数概率处于第三正常范围内,再进行S5的步骤。本实施例中的平均负对数概率结合预测值的均值和方差能够综合考虑模型的预测能力,指标的值越小说明预测能力越好。
具体地,在步骤S5中,以一段固定时间内,利用预测氮化物估计含量和实际氮化物测量值的残差均值来判断后处理系统前的空气系统中是否出现了漏气现象。如果系统处于健康的工况,预测氮化物估计值和传感器测得的氮化物测量值应该存在较小的偏差,则说明后处理系统前处于未漏气情况。其中,步骤S2的预测模型训练准度越高,其辅助检测故障的能力越强。
进一步地,本发明中例举了一个实施例,以下以氮化物含量预测的实施例来说明本发明的具体步骤,包括:
步骤一:采集正常工况下空气系统的监控变量的有效监控变量38762个,构成样本库。
步骤二:将样本库分成预处理后的训练数据集和预处理后的预测数据集,其中训练数据集包含20000个样本,预测数据集包含18762个样本。
步骤三:将训练数据集减去训练数据集的均值ymean,得到零均值的训练数据集。
步骤四:构建生成稀疏的非平稳三角高斯过程回归模型,并对模型中的参数集θ进行初始化。
步骤五:对目标函数平均负对数概率(MNLP)使用共轭梯度法优化,计算MNLP收敛时参数集θ的值。
步骤六:用得到的稀疏的非平稳三角高斯过程回归模型的参数值计算待预测氮化物估计值
步骤七:使用稀疏的非平稳三角高斯过程回归模型得到的预测氮化物估计值加上训练数据集的均值ymean生成最终氮化物估计值。
所构建的稀疏的非平稳三角高斯过程回归模型(SNTGPR)的氮化物估计含量的预测结果如图2所示。将其与另外两种方法稀疏频谱高斯过程回归模型(SSGP)和稀疏伪输入高斯过程模型(FITC)对比,在不同的条件下,本发明提出的稀疏非平稳三角高斯过程回归模型在R2指标和RMSE指标下都得到了最好的效果。
虽然,FITC在其中三种情况下的MNLP指标更好,但是其预测精度没有本发明提出的方法好,说明FITC存在过度自信的问题。
图3揭示了稀疏频谱高斯过程模型与稀疏非平稳三角高斯过程回归模型的对比图,其中,横坐标Actual Values表示实际测量值,纵坐标Prediction Values表示预测值。如图3所示,本发明提出的方法更集中在对角线上,因为属于SNTGPR的点覆盖不住SSGP的点,越集中在对角线上的方法精度越高。
图4揭示了稀疏伪输入高斯过程模型与稀疏非平稳三角高斯过程回归模型的对比图,其中,横坐标Actual Values表示实际测量值,纵坐标Prediction Values表示预测值。图4也是类似的结果,本发明提出的SNTGPR方法比FITC好很多。
图5揭示了稀疏非平稳三角高斯过程回归模型的预测结果时序排列和残差示意图,其中,横坐标Sequence number of samples表示样本序列号,纵坐标Residuals表示残差。从图5的时序图中可以看出,多处有柳絮状的点,这些点处在发动机启停的时刻上,是影响预测效果最大的时候,可以看出在频繁启停的地方,如时序点10000左右,预测的表现能力最差。
本发明提出的一种柴油机后处理系统前的漏气情况的预测方法,以柴油机空气系统正常工况下的数据作为训练数据集,经过预处理后,用稀疏的非平稳三角高斯过程回归模型训练预测后处理系统前氮化物含量,根据模型预测值和传感器测得的实时值的匹配程度,判断柴油机后处理系统前是否发生了管道破损造成的漏气故障。
本发明还提出了一种后处理系统前的漏气情况的控制系统,后处理系统前的漏气情况的控制系统包括:
采集单元,采集单元用来采集监控变量和实际氮化物测量含量;
终端处理单元,终端处理单元用来动态获取采集单元所采集的监控变量和实际氮化物测量含量,并传输给服务器单元进行计算处理;
服务器单元:用以执行如上述预测方法的步骤,实现对监控变量的预处理、获得高斯过程回归模型、氮化物估计含量的残差对比和预测结果的输出;
人机交互单元:用以显示预测结果以及输入预测参数和条件。
通过使用本技术方案中的后处理系统前的漏气情况的预测系统,利用监控变量数据预处理后的第二训练数据集进行稀疏的非平稳三角高斯过程回归模型的构建,然后再通过第二预测数据集和模型得出最终氮化物估计含量,再通过与实际氮化物测量含量的匹配程度,进而判断后处理系统前是否发生了管道破损造成的漏气故障,能够方便快捷地检测空气系统中的漏气故障,与传统的测量方法相比,测试方式简单、快速、实用,大大缩短了检测时间。
具体地,图6揭示了根据本发明另一实施方式的柴油机后处理系统前的漏气情况的预测系统的框图,如图6所示的柴油机后处理系统前的漏气情况的预测系统还可以包括内部通信总线501、处理器(processor)502、只读存储器(ROM)503、随机存取存储器(RAM)504、通信端口505、以及硬盘507。内部通信总线501可以实现柴油机后处理系统前的漏气情况的预测系统组件间的数据通信。处理器502可以进行判断和发出提示。在一些实施例中,处理器502可以由一个或多个处理器组成。
通信端口505可以实现柴油机后处理系统前的漏气情况的预测系统与外部的输入/输出设备之间进行数据传输与通信。在一些实施例中,柴油机后处理系统前的漏气情况的预测系统可以通过通信端口505从网络发送和接收信息及数据。在一些实施例中,柴油机后处理系统前的漏气情况的预测系统可以通过输入/输出端506以有线的形式与外部的输入/输出设备之间进行数据传输与通信。
柴油机后处理系统前的漏气情况的预测系统还可以包括不同形式的程序储存单元以及数据储存单元,例如硬盘507,只读存储器(ROM)503和随机存取存储器(RAM)504,能够存储计算机处理和/或通信使用的各种数据文件,以及处理器502所执行的可能的程序指令。处理器502执行这些指令以实现方法的主要部分。处理器502处理的结果通过通信端口505传给外部的输出设备,在输出设备的用户界面上显示。
举例来说,上述的柴油机后处理系统前的漏气情况的预测方法的实施过程文件可以为计算机程序,保存在硬盘507中,并可记载到处理器502中执行,以实施本申请的方法。
柴油机后处理系统前的漏气情况的预测方法的实施过程文件为计算机程序时,也可以存储在计算机可读存储介质中作为制品。例如,计算机可读存储介质可以包括但不限于磁存储设备(例如,硬盘、软盘、磁条)、光盘(例如,压缩盘(CD)、数字多功能盘(DVD))、智能卡和闪存设备(例如,电可擦除可编程只读存储器(EPROM)、卡、棒、键驱动)。此外,本文描述的各种存储介质能代表用于存储信息的一个或多个设备和/或其它机器可读介质。术语“机器可读介质”可以包括但不限于能存储、包含和/或承载代码和/或指令和/或数据的无线信道和各种其它介质(和/或存储介质)。
尽管为使解释简单化将上述方法图示并描述为一系列动作,但是应理解并领会,这些方法不受动作的次序所限,因为根据一个或多个实施例,一些动作可按不同次序发生和/或与来自本文中图示和描述或本文中未图示和描述但本领域技术人员可以理解的其他动作并发地发生。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
本领域技术人员将可理解,信息、信号和数据可使用各种不同技术和技艺中的任何技术和技艺来表示。例如,以上描述通篇引述的数据、指令、命令、信息、信号、位(比特)、码元、和码片可由电压、电流、电磁波、磁场或磁粒子、光场或光学粒子、或其任何组合来表示。
本领域技术人员将进一步领会,结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性,各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性,但这样的实现决策不应被解读成导致脱离了本发明的范围。
结合本文所公开的实施例描述的各种解说性逻辑模块、和电路可用通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立的门或晶体管逻辑、分立的硬件组件、或其设计成执行本文所描述功能的任何组合来实现或执行。通用处理器可以是微处理器,但在替换方案中,该处理器可以是任何常规的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合,例如DSP与微处理器的组合、多个微处理器、与DSP核心协作的一个或多个微处理器、或任何其他此类配置。
在一个或多个示例性实施例中,所描述的功能可在硬件、软件、固件或其任何组合中实现。如果在软件中实现为计算机程序产品,则各功能可以作为一条或更多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者,其包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定,这样的计算机可读介质可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁存储设备、或能被用来携带或存储指令或数据结构形式的合意程序代码且能被计算机访问的任何其它介质。任何连接也被正当地称为计算机可读介质。例如,如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或诸如红外、无线电、以及微波之类的无线技术从web网站、服务器、或其它远程源传送而来,则该同轴电缆、光纤电缆、双绞线、DSL、或诸如红外、无线电、以及微波之类的无线技术就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘和蓝光碟,其中盘(disk)往往以磁的方式再现数据,而碟(disc)用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种后处理系统前的漏气情况的预测方法,其特征在于,包括:
S1、采集空气系统正常工况下的第一监控变量数据进行预处理得到第一训练数据集,根据所述第一训练数据集和所述第一训练数据集的均值,得出第二训练数据集;
S2、根据所述第二训练数据集,获取稀疏的非平稳三角高斯过程回归模型;
S3、根据所述稀疏的非平稳三角高斯过程回归模型的预测精度处于正常范围内,采集空气系统正常工况下的第二监控变量数据进行预处理得到第一预测数据集,根据所述第一预测数据集和所述第一预测数据集的均值,得出第二预测数据集;
S4、根据所述第二预测数据集并通过所述稀疏的非平稳三角高斯过程回归模型得出后处理系统前的预测氮化物估计含量;
S5、获取实际氮化物测量含量;
S6、根据所述预测氮化物估计含量和所述第一训练数据集的均值,得出最终氮化物估计含量;
S7、根据所述实际氮化物测量含量和所述最终氮化物估计含量计算残差均值,根据所述残差均值处于标定范围外,判断后处理系统前出现漏气情况。
2.根据权利要求1所述的后处理系统前的漏气情况的预测方法,其特征在于,所述采集空气系统正常工况下的第一监控变量数据进行预处理包括:
去除数据缺失和/或柴油机转速为零的所述第一监控变量数据。
3.根据权利要求1所述的后处理系统前的漏气情况的预测方法,其特征在于,所述采集空气系统正常工况下的第二监控变量数据进行预处理包括:
去除数据缺失和/或柴油机转速为零的所述第二监控变量数据。
10.一种后处理系统前的漏气情况的控制系统,其特征在于,所述后处理系统前的漏气情况的控制系统包括:
采集单元,所述采集单元用于采集监控变量和实际氮化物测量含量;
终端处理单元,所述终端处理单元用于动态获取所述采集单元所采集的所述监控变量和所述实际氮化物测量含量,并传输给服务器单元进行计算处理;
服务器单元,所述服务器单元用于执行如权利要求1-9中任一项所述的预测方法的步骤,实现对所述监控变量的预处理、获得稀疏的非平稳三角高斯过程回归模型、氮化物估计含量的残差均值和预测结果的输出;
人机交互单元,用于显示预测结果以及输入预测参数和条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547474.8A CN113266449B (zh) | 2021-05-19 | 2021-05-19 | 后处理系统前的漏气情况的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110547474.8A CN113266449B (zh) | 2021-05-19 | 2021-05-19 | 后处理系统前的漏气情况的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113266449A true CN113266449A (zh) | 2021-08-17 |
CN113266449B CN113266449B (zh) | 2022-04-26 |
Family
ID=77231891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110547474.8A Active CN113266449B (zh) | 2021-05-19 | 2021-05-19 | 后处理系统前的漏气情况的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113266449B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1746276A2 (de) * | 2005-07-22 | 2007-01-24 | Robert Bosch Gmbh | Überwachung von Abgasgrenzwerten |
CN102235250A (zh) * | 2010-04-22 | 2011-11-09 | 福特环球技术公司 | 用于排气混合的方法和系统 |
DE102013207923A1 (de) * | 2012-05-07 | 2013-11-07 | GM Global Technology Operations LLC (n.d. Ges. d. Staates Delaware) | System und Verfahren zur Abgasdiagnosesteuerung mit selektiver Deaktivierung der Diagnose des NOx-Reduktionswirkungsgrads |
CN112282949A (zh) * | 2020-09-23 | 2021-01-29 | 北汽福田汽车股份有限公司 | 电控汽油机起燃工况控制参数优化方法、装置以及车辆 |
-
2021
- 2021-05-19 CN CN202110547474.8A patent/CN113266449B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1746276A2 (de) * | 2005-07-22 | 2007-01-24 | Robert Bosch Gmbh | Überwachung von Abgasgrenzwerten |
CN102235250A (zh) * | 2010-04-22 | 2011-11-09 | 福特环球技术公司 | 用于排气混合的方法和系统 |
DE102013207923A1 (de) * | 2012-05-07 | 2013-11-07 | GM Global Technology Operations LLC (n.d. Ges. d. Staates Delaware) | System und Verfahren zur Abgasdiagnosesteuerung mit selektiver Deaktivierung der Diagnose des NOx-Reduktionswirkungsgrads |
CN112282949A (zh) * | 2020-09-23 | 2021-01-29 | 北汽福田汽车股份有限公司 | 电控汽油机起燃工况控制参数优化方法、装置以及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN113266449B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110555479B (zh) | 基于1dcnn与gru融合的故障特征学习与分类方法 | |
CN107562696B (zh) | 轮胎产品质量在线检测与控制方法 | |
CN110672332B (zh) | 一种基于sarima模型的燃气轮机故障预警系统 | |
CN110779745B (zh) | 一种基于bp神经网络的换热器早期故障诊断方法 | |
US8386204B2 (en) | Method for the diagnosis of the EGR cooler efficiency in a diesel engine | |
CN102566421B (zh) | 机器状态监控中异常检测的条件相关性建模的系统和方法 | |
CN112199890B (zh) | 一种综合式核动力装置系统级故障诊断方法 | |
CN108898120A (zh) | 基于混合神经网络的冷水机组故障诊断方法 | |
Liu et al. | Bayesian long short-term memory model for fault early warning of nuclear power turbine | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
Tang et al. | Adaptive recursive variational mode decomposition for multiple engine faults detection | |
CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及系统 | |
Yang et al. | A novel multiple feature-based engine knock detection system using sparse Bayesian extreme learning machine | |
CN117647401A (zh) | 柴油机气缸健康状态监测方法、系统和存储介质 | |
CN113266449B (zh) | 后处理系统前的漏气情况的预测方法及系统 | |
CN110993132B (zh) | 一种核电厂支持疲劳监测功能的瞬态监测方法 | |
Xu et al. | An improved regularized particle filter for remaining useful life prediction in nuclear plant electric gate valves | |
Pichler et al. | Fault detection in reciprocating compressor valves for steady-state load conditions | |
CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
CN113010843A (zh) | 测量参数集的确定方法及装置、验证方法及故障诊断方法 | |
CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
CN116821804A (zh) | 一种基于多特征融合的压裂泵单向阀故障在线监测方法 | |
Zhi-hong et al. | Sensor fault diagnosis based on wavelet analysis and LSTM neural network | |
Zarate et al. | Computation and monitoring of the deviations of gas turbine unmeasured parameters | |
Sun et al. | Anomaly detection of marine diesel engine valve system based on Mahalanobis distance |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |