CN113741196B - 一种基于车联网大数据的dpf再生周期控制优化方法 - Google Patents

Abstract

本发明提出的是一种基于车联网大数据的DPF再生周期控制优化方法，该方法包括模型训练阶段，分析预测阶段；模型训练阶段是分析预测阶段的前提，分析预测阶段以模型训练阶段产生的零碳阻值基准模型为基础来进行预测；所述模型训练阶段包括：步骤1‑1）数据清洗，步骤1‑2）建立零碳状态下的工况数据集，步骤1‑3）特征提取，步骤1‑4）监督学习模型，步骤1‑5）验证回归，步骤1‑6）模型结果展示；所述分析预测阶段包括：步骤2‑1）数据清洗，步骤2‑2）模型预测零碳阻值R0，步骤2‑3）实际流阻计算，步骤2‑4）计算流阻偏差值，步骤2‑5）分析结果。

Description

一种基于车联网大数据的DPF再生周期控制优化方法

技术领域

本发明涉及一种基于车联网大数据的DPF再生周期控制优化方法，属于大数据处理分析技术及车辆DPF再生周期控制优化领域。

背景技术

我国汽车产业快速发展，汽车拥有量也急速上升，然而，汽车尾气也造成了空气污染，其中，微粒（PM）是柴油机排气的主要污染物之一，容易对空气、对人体健康造成巨大危害，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 PM，需要对其进行再生，而主动再生方式的关键技术在于DPF 的碳载量估算，以及再生温度控制。

“国六”标准下，对工程机械车辆的NOx、CO等气体排放的要求日益严格，DPF作为尾气处理装置的重要组成部分，通过对尾气中碳颗粒的捕捉，使尾气能够充分进行氧化，降低污染物的排放；当DPF中累计捕捉的碳载量超过一定数量时，车辆ECU会显示主动再生指示，提醒驾驶员燃烧DPF中积累的碳颗粒，确保DPF能够正常地进行颗粒捕捉。

然而车辆在实际运行的过程中，由于复杂的工况条件，DPF中的累碳速率变化较大，计算困难，DPF中碳载量的测度存在较大的困难，目前再生请求标志是否合理，再生次数能否能够优化一直是未知数；目前，碳载量估算均是通过间接测量、计算的方法，主要有以下几种：根据排气背压、根据时间、根据行驶里程、根据总的耗油量等进行估算，它们均是通过间接的方法来估算碳载量；因此，找到一个能够较准确估算碳载量，并且适用于行驶车辆的方法，对于DPF的再生具有重要意义。

因此，本发明利用再生历史数据和车辆运行的时序数据，借助大数据分析及机器学习算法，量化DPF中的碳载量，用以评估和优化DPF再生周期，减少不必要的再生次数，节省油耗，对于节能减排、环保增益、延长部件使用寿命具有重要意义。

发明内容

本发明提出的是一种基于车联网大数据的DPF再生周期控制优化方法，其目的旨在解决现有DPF再生策略的不足，提供一种车辆在实际运行的过程中，能对DPF中的碳载量进行量化的方法。

一种基于车联网大数据的DPF再生周期控制优化方法，该方法包括模型训练阶段，分析预测阶段；模型训练阶段是分析预测阶段的前提，分析预测阶段以模型训练阶段产生的零碳阻值基准模型为基础来进行预测；所述模型训练阶段包括：步骤1-1）数据清洗，步骤1-2）建立零碳状态下的工况数据集，步骤1-3）特征提取，步骤1-4）监督学习模型，步骤1-5）验证回归，步骤1-6）模型结果展示；所述分析预测阶段包括：步骤2-1）数据清洗，步骤2-2）模型预测零碳阻值R0，步骤2-3）实际流阻计算，步骤2-4）计算流阻偏差值，步骤2-5）分析结果。

进一步地，所述步骤1-1）数据清洗目的是将原始秒级数据中的不合理数据以及空数据去除，所述原始秒级数据为一定频率上传的原始车辆数据；所述一定频率为1秒采集上传一条原始车辆数据；数据清洗具体包括：

1）保留DMODE数值在0、1、2、4四个数字范围内的数据；0是正常，不需要再生；1是升温准备进入再生；2是进入再生；4是排温太低进行升温；所述DMODE为DPF再生过程标志；

2）剔除不合理数据，所述不合理数据包括速度大于200km/h的数据和发动机转速小于-1000rpm的数据；

3）选取每条原始车辆数据中关键测点作为构建零碳阻值基准模型的原始测点，所述关键测点包括发动机转速(rpm)、车速(km/h)、环境温度(degC)、PTO（动力输出）开关、行车自动再生请求标志、驻车主动再生请求标志、总颗粒(g)、DPF压差(kPa)、DPF上游排气温度(degC)、实际轨压(MPa)、目标轨压(MPa)、进气流量(kg/h)、排气流量(m³/h)、自上次成功再生的行驶里程(km)、DMODE、循环EGR进气量、循环进气量、废气质量流量、DPF再生成功标志、进气歧管压力(kPa)、发动机燃料流量(L/h)、大气压力(kPa)；

4）剔除在选取的关键测点中存在缺失值的原始车辆数据，确保数据的完整性。

进一步地，所述再生包括行车自动再生和驻车主动再生；所述EGR为废气再循环系统。

进一步地，所述步骤1-2）中零碳状态下的工况数据集的构建过程包括对经过数据清洗完的数据进行筛选，DPF驻车主动再生完成后，刚驻车主动再生烧完的DPF内的碳载量最低，此时的DPF阻值为零碳阻值，提取驻车主动再生完成后运行1000秒内的数据清洗后的车辆数据为零碳状态工况数据，构建零碳状态下的工况数据集。

进一步地，所述提取驻车主动再生完成后运行1000秒内的数据清洗后的车辆数据为零碳状态工况数据，具体包括：

1）驻车主动再生完成后，其自上次成功再生的行驶里程的数值被重置为0，选取自上次成功再生后累计里程的数值≤ 1公里的清洗后的原始秒级数据作为零碳状态下的工况数据；

2）选取总颗粒≤2g的清洗后的原始秒级数据；

3）保留从驻车主动再生完成后运行累计工作时间在1000s以内的数据，作为零碳状态下的工况数据，若频率为1秒一条，即车辆驻车主动再生完成后工作首条数据开始的1000条数据。

进一步地，所述步骤1-3）特征提取主要是基于零碳状态下的工况数据集，筛选出影响DPF阻值的驻车主动再生完成后的零碳特征数据，计算出零碳阻值R0。

进一步地，所述影响DPF阻值的驻车主动再生完成后的零碳特征数据包括影响DPF阻值的特征测点，具体包括发动机转速(rpm)、环境温度(degC)、DPF上游排气温度(degC)、实际轨压(MPa)、进气流量(kg/h)、循环进气量、大气压力(kPa)。

进一步地，所述零碳阻值R0的计算包括以下步骤：

1）将DPF等效为一个电阻，其两端的DPF压差(kPa)看作为DPF两端的电压，管道内的废气质量流量看作为流过DPF的电流,则DPF压差(kPa)/ 废气质量流量得到DPF阻值，DPF阻值由局部阻力和内部阻力组成；

2）由DPF原理可知，DPF内的碳载量和排气温度会导致DPF阻值的变化，当驻车主动再生完成后，认为DPF内的碳颗粒都烧完了，DPF内部的碳载量为0，此时的DPF阻值为零碳阻值R0；

3）基于零碳状态下的车辆工况数据， DPF压差(kPa)除以废气质量流量计算零碳状态下的零碳阻值R0。

进一步地，所述步骤1-4）监督学习模型包括将处理好的驻车主动再生完成后的零碳特征数据和零碳阻值R0，放入监督学习模型中进行训练，使用机器学习算法学习零碳特征数据里的特征测点与零碳阻值R0的函数关系，得到零碳阻值基准模型。

进一步地，所述步骤1-5）验证回归具体包括：基于零碳状态下的工况数据集，对基于零碳状态下的工况数据集按照7:3的比例划分训练集和验证集，以70%的零碳状态下的车辆工况数据集，经过特征提取，进入监督学习模型训练优化后，得出的零碳阻值基准模型，再将其余30%的数据放入零碳阻值基准模型进行预测。

进一步地，所述步骤1-6）模型结果展示模块主要是将模型训练的结果可视化展示。

进一步地，所述步骤2-1）数据清洗包括将不合理数据以及空数据去除，方法步骤同模型训练阶段。

进一步地，所述步骤2-2）模型预测零碳阻值R0，具体包括：把数据清洗完的数据放入训练好的零碳阻值基准模型中进行预测，通过零碳阻值基准模型预测出零碳阻值R0。

进一步地，所述步骤2-3）实际流阻计算，具体包括：基于数据清洗完的数据，利用DPF压差(kPa)除以废气质量流量得到DPF阻值，对数据清洗完的数据直接进行计算得出的DPF阻值，即为实际流阻。

进一步地，所述步骤2-4）计算流阻偏差值，流阻偏差值为实际流阻与零碳阻值R0做差得到流阻偏差值，通过流阻偏差值的变化直接反应DPF内的碳载量的变化。

进一步地，所述步骤2-5）分析结果是据流阻偏差值的变化分析DPF内碳载量的变化，判断是否需要再生，所述再生包含行车自动再生和驻车主动再生，具体包括3个方面的判断。

进一步地，所述3个方面的判断具体为：评价DPF再生方法、优化DPF再生区间、预测DPF再生时间。

进一步地，所述评价DPF再生方法，具体包括：根据流阻偏差值是否达到再生控制阈值，对比车辆原有的DPF再生方法，从流阻偏差值直接反映出该方法是不是再生次数过多或者过少，评价已有的DPF再生方法优缺点。

进一步地，所述优化DPF再生区间，具体包括：根据流阻偏差值是否达到再生控制阈值，对比车辆原有的DPF再生区间，从流阻偏差值直接反映出该车辆在再生区间时是否需要再生，减少不必要的再生次数，优化DPF再生区间。

进一步地，所述预测DPF再生时间，具体包括：根据流阻偏差值的上升速率预测出达到再生阈值的时间,预测出DPF再生时间。

本发明的有益效果：

1）结合了当前的车联网大数据和机器学习技术，形成了较为准确的DPF碳载量的估量方法，适用于多种工况下（怠速工作以及行驶状态下）的车辆。

2）可给出优化后的再生周期控制优化策略，可评估和优化DPF再生周期，减少不必要的再生次数，预测DPF再生时间，降低再生频次，节能减排，环保增益，延长部件使用寿命，达到“降本增效”的效果。

3）可用于评价已有的DPF再生策略，对一些研究DPF再生策略的人员提供更方便的检测形式，通过数据直观的反应出原有的DPF再生策略的弊端，侧面反应了该弊端背后的原因，大大减少了研究人员在人力和物力上的支出。

附图说明

附图1为本发明实施例提供的系统流程图。

附图2为本发明实施例提供的模型训练阶段数据流图。

附图3为本发明实施例提供的分析预测阶段数据流图。

附图4为本发明零碳阻值基准模型验证回归的结果图。

附图5为本发明再生周期优化效果示意图。

具体实施方式

一种基于车联网大数据的DPF再生周期控制优化方法，该方法包括模型训练阶段，分析预测阶段；模型训练阶段是分析预测阶段的前提，分析预测阶段以模型训练阶段产生的零碳阻值基准模型为基础来进行预测；所述模型训练阶段包括：步骤1-1）数据清洗，步骤1-2）零碳状态下的工况数据集，步骤1-3）特征提取，步骤1-4）监督学习模型，步骤1-5）验证回归，步骤1-6）模型结果展示；模型训练阶段基于历史多天的车辆DPF再生完成的工况数据；所述分析预测阶段包括：步骤2-1）数据清洗（分析预测阶段与模型训练阶段使用同样的数据清洗方式），步骤2-2）模型预测零碳阻值R0，步骤2-3）实际流阻计算，步骤2-4）计算流阻偏差值，步骤2-5）分析结果。分析预测阶段可基于实时数据进行在线预测DPF再生时间，也可基于离线的历史数据进行离线分析，评价已有的再生策略和优化再生区间。

步骤1-1）数据清洗目的是将原始秒级数据中的不合理数据以及空数据去除，所述原始秒级数据为一定频率上传的原始车辆数据，若优选频率为1秒采集一条上传的原始车辆数据；

所述步骤1-1）数据清洗具体包括：

1）保留DMODE数值在0、1、2、4四个数字范围内的数据；0是正常，不需要再生；1是升温准备进入再生；2是进入再生；4是排温太低进行升温；所述DMODE为DPF再生过程标志；

2）剔除不合理数据，所述不合理数据包括速度大于200 km/h的数据和发动机转速小于-1000rpm的数据；

3）选取每条原始车辆数据中关键测点作为构建零碳阻值基准模型的原始测点，所述关键测点包括发动机转速(rpm)、车速(km/h)、环境温度(degC)、PTO（动力输出）开关、行车自动再生请求标志、驻车主动再生请求标志、总颗粒(g)、DPF压差(kPa)、DPF上游排气温度(degC)、实际轨压(MPa)、目标轨压(MPa)、进气流量(kg/h)、排气流量(m³/h)、自上次成功再生的行驶里程(km)、DMODE、循环EGR进气量、循环进气量、废气质量流量、DPF部分再生成功标志、进气歧管压力(kPa)、发动机燃料流量(L/h)、大气压力(kPa)；所述再生包括行车自动再生和驻车主动再生；所述EGR为废气再循环系统；

4）剔除在选取的关键测点中存在缺失值的原始车辆数据，确保数据的完整性。

通过以上基本的数据清洗过程，数据基本满足筛选零碳状态下的工况数据集的需要。

步骤1-2）零碳状态下的工况数据集的构建过程包括对经过数据清洗完的数据进行筛选，DPF驻车主动再生完成后，此处认为刚驻车主动再生烧完的DPF内的碳载量最低，此时的DPF阻值为零碳阻值，提取驻车主动再生完成后运行1000秒内的数据清洗后的车辆数据为零碳状态工况数据，构建零碳状态下的工况数据集。

零碳阻值基准模型构建的难点在于如何精确地筛选出零碳状态下的车辆工况数据，同时零碳状态下的车辆工况数据构建的数据集需要在数据量上满足建模的需要，目前认为驻车主动再生完成后的DPF的碳载量处于最低位，认为该状态下的阻值为零碳阻值。

所述零碳状态下的车辆工况数据具体为零碳阻值附近的数据，所述零碳阻值为驻车主动再生完成后的DPF的碳载量处于最低位时的阻值，即零碳状态下的车辆工况数据为驻车主动再生完成时刻附近的数据。

根据构建零碳阻值基准模型对数量的要求，采用下述方式提取零碳状态下的数据：

1）驻车主动再生完成后，其自上次成功再生的行驶里程的数值被重置为0，选取自上次成功再生后累计里程的数值≤ 1公里的清洗后的原始秒级数据作为零碳状态下的工况数据，所述上次成功再生后累计里程的数值≤ 1公里是为了确保DPF内的碳载量处于较低位，接近刚驻车主动再生烧完的零碳阻值；

2）选取总颗粒≤2g的清洗后的原始秒级数据，所述总颗粒为车辆电控系统内部的DPF碳载量的估算值，随着DPF内的碳载量的增加，估算值会越来越不准确；

3）保留从驻车主动再生完成后运行累计工作时间在1000s以内的数据，作为零碳状态下的工况数据，若频率为1秒一条，即车辆驻车主动再生完成后工作首条数据开始的1000条数据；

通过以上步骤筛选出的数据即为零碳状态下的工况数据集，用于进行后续的特征提取，每次再生大约会产生1000条数据，因此训练集的规模为1000*DPF驻车主动再生次数。

步骤1-3）特征提取主要是基于零碳状态下的工况数据集，筛选出主要影响DPF阻值的驻车主动再生完成后的零碳特征数据，以及对其进行特征的处理，计算出零碳阻值R0，能够直接反映出DPF里的碳载量，使模型易于学习。

基于零碳状态下的工况数据集，对此数据进行精筛后，仅保留了主要影响DPF阻值的特征测点，包括发动机转速(rpm)、环境温度(degC)、DPF上游排气温度(degC)、实际轨压(MPa)、进气流量(kg/h)、循环进气量、大气压力(kPa)，为再生完成后的零碳特征数据；对于构建监控DPF再生周期指标而言，仍然缺少能够直接反映碳载量的测点；此时通过引入等效原理计算DPF阻值来反映碳载量。

通过利用DPF工作原理以及引入等效原理，利用DPF压差(kPa)除以废气质量流量的阻值变化，可大致估算因为碳载量提高而导致的DPF阻值变化。

零碳阻值R0的特征提取步骤为：

1）将DPF等效为一个电阻，其两端的DPF压差(kPa)看作为DPF两端的电压，管道内的废气质量流量看作为流过DPF的电流,则DPF压差(kPa)/ 废气质量流量得到DPF阻值（整个DPF装置的阻值），DPF阻值由局部阻力（一些外部的阻力）和内部阻力（内部堆积的碳载量）组成；

2）由DPF原理可知，DPF内的碳载量和排气温度会导致DPF阻值的变化，当驻车主动再生完成后，可认为DPF内的碳颗粒都烧完了，DPF内部的碳载量为0，此时的DPF阻值主要是由于DPF装置的局部阻力组成，即认为一些外部的阻力，即认为此时的DPF阻值为零碳阻值R0；

3）基于零碳状态下的工况数据集，该零碳状态下的工况数据集均是刚刚驻车主动再生后的数据，则可认为该零碳状态下的工况数据集的DPF内部的碳载量均为0，所以DPF压差(kPa)除以废气质量流量得到的DPF阻值，即为零碳阻值R0。

基于零碳状态下的车辆工况数据， DPF压差(kPa)除以废气质量流量计算零碳状态下的零碳阻值R0。

为了降低模型学习数据集的难度，需要对数据进行一些处理。

由于量纲存在差异，DPF压差的数值范围在0 kPa～3 kPa左右，而废气质量流量的数值范围在100(m³/h) ～1000(m³/h)，参考U/I获得阻值的方法，该阻值（DPF压差/废气质量流量）会变得非常小，不利于后续建模过程中计算标准差、方差等；因此，通过统计分析废气质量流量的标准差，大约为100，对所有的废气质量流量均除以标准差，将数据范围控制在与DPF压差相似的区间内，再通过计算DPF压差与废气质量流量的比值，得到DPF零碳阻值的估计量。

步骤1-4）监督学习模型包括将处理好的驻车主动再生完成后的零碳特征数据和零碳阻值R0，放入监督学习模型（监督学习模型优选xgboost监督学习模型，但不限于此模型）中训练，使用机器学习算法学习零碳特征数据里的特征测点与零碳阻值R0的函数关系，得到零碳阻值基准模型；由于DPF压差和废气质量流量受到车辆工况的影响，且呈现非线性相关关系，所以使用监督学习算法拟合DPF阻值和特征测点之间的关联关系；零碳阻值基准模型所展现出来的为车辆在实际运行的过程中零碳阻值R0与车辆的特征测点之间的关系。

步骤1-5）验证回归主要是验证零碳阻值基准模型训练的准确率，可靠性，产出一个稳定的零碳阻值基准模型。

为了获取零碳阻值与车辆工况状态的关联，基于零碳状态下的工况数据集，对此数据集按照7:3的比例划分训练集和验证集，使用监督学习模型（xgboost监督学习模型，但不限于此模型）构建回归算法，用来拟合零碳阻值和车辆工况的关系。

以70%的零碳状态下的车辆工况数据集，经过特征提取，进入监督学习模型训练优化后，得出的零碳阻值基准模型，再将其余30%的数据放入零碳阻值基准模型进行预测，从图4验证结果来看，除部分离群点外，用零碳阻值基准模型预测出的零碳阻值与真实计算出的零碳阻值能够大致相等，大致分布在斜率为1的直线附近，说明模型的回归结果较好，即使用以上特征即可描述车辆运行工况与DPF阻值的关系。

步骤1-6）模型结果展示模块主要是将模型训练的结果可视化展示。

所述步骤2-1）数据清洗主要负责将不合理数据以及空数据去除，因驾驶员个人行为、终端异常状态或网络传输等原因，部分车辆采集解析后的原始数据完整度较差，数据不连续的情况非常常见，方法步骤同模型训练阶段。

所述步骤2-2）模型预测零碳阻值R0具体包括把上述步骤清洗完的数据放入训练好的零碳阻值基准模型中进行预测，由于模型在训练时已经刻画好特征测点和零碳阻值的关系，所以将清洗完的数据（包含特征测点）通过零碳阻值基准模型可以预测出零碳阻值R0。

所述步骤2-3）实际流阻计算，基于数据清洗完的数据，根据等效原理和DPF工作原理，即DPF流阻等效原理，DPF压差(kPa)除以废气质量流量得到DPF阻值，DPF阻值由局部阻力（一些外部的阻力）和内部阻力（内部堆积的碳载量）组成，因此对数据清洗完的数据直接进行计算得出的DPF阻值，即为实际流阻R。

所述步骤2-4）计算流阻偏差值，流阻偏差值为实际流阻R与零碳阻值R0做差得到流阻偏差值，车辆运行过程中计算出的实际流阻R与零碳阻值R0的差（流阻偏差值），即流阻偏差值主要是DPF装置内部阻力的阻值，流阻偏差值的变化可直接反应DPF内的碳载量的变化。

所述步骤2-5）分析结果主要是据流阻偏差值的变化分析DPF内碳载量的变化，判断是否需要再生（包含行车自动再生和驻车主动再生）；图5为本发明再生周期优化效果示意图：随着车辆工作运行，DPF内的碳载量增加，图中流阻偏差值也在随之升高，当使用原有的DPF再生控制策略时，再生请求标志亮起，此时会发生再生过程，再生之后，DPF内的碳颗粒烧完了，再生请求标志不亮，流阻偏差值也立马下降；从图5中可以看出，流阻偏差值第一个上升过程基本能达到再生控制阈值，第二个上升过程明显还可以延迟一段时间，到达再生控制阈值时再触发，第三个、第四个上升过程同理也可以延迟再生，说明原有的DPF再生控制策略再生过早；所以基于本发明的DPF再生周期控制优化方法，可以及时有效发现和避免现有ECU策略中DPF再生过早触发的问题，能够明显延长DPF再生的时间，减少DPF再生的次数，实现了优化DPF再生的区间的目标；所述再生包括行车自动再生和驻车主动再生。

基于分析结果可分为3个方面：评价DPF再生方法、优化DPF再生区间、预测DPF再生时间；随着车辆的运行工作，DPF内碳载量逐渐上升，流阻偏差值也逐渐上升，当DPF内碳载量达到一定的阈值，流阻偏差值也会达到一定的阈值，此时是需要再生的；为了获得合适的判定阈值，需要对离线的DPF再生历史数据进行流阻偏差值的验证，根据当前ECU控制状态，得到合适的再生控制阈值；根据流阻偏差值的上升速率预测出达到再生阈值的时间,预测出DPF再生时间；根据流阻偏差值对比车辆原有的DPF再生策略，从流阻偏差值直接反映出该策略是不是再生次数过多或者过少，评价已有的DPF再生策略，减少DPF再生的次数和优化DPF再生的区间。

本发明的目的是解决现有车辆DPF再生策略的不足，提出了一种基于车联网大数据的车辆DPF再生周期控制优化方法，结合了当前的大数据技术以及机器学习技术，解决了上述背景中提出的现有车辆DPF再生控制的一些难题。

本发明是一种基于车联网大数据的DPF再生周期控制优化方法，通过对历史多天车辆的DPF再生历史数据进行数据清洗、特征提取、模型训练、验证回归，产生一个可用的零碳阻值基准模型；再根据线上的离线数据或者实时数据，通过零碳阻值基准模型预测各工况下的零碳阻值R0，以及计算实时流阻R，通过两者的流阻偏差值变化，可对已有的DPF再生策略进行评估，以及优化不必要的再生情况和预测出DPF下次再生的时间。

简单来说，就是通过等效后的DPF内流阻偏差值的变化来评估和预测再生时间，随着车辆工作，DPF内的碳载量也会随着升高，流阻偏差值与之成正相关性，当流阻偏差值达到再生阈值时，此时需要进行再生；为了获得合适的阈值，需要对离线的DPF再生历史数据进行流阻偏差值的验证，根据当前ECU控制状态，得到再生时合适的控制阈值，获得该阈值后，后续接入的新车辆均可按照该阈值进行处理，将DPF再生的控制逻辑透明化，该阈值也能够在确保排放标准的前提下适当延迟DPF再生，降低DPF的综合再生负载，实现其经济价值。

所述模型训练阶段，大致流程如图2所示，为：原始秒级数据进行数据清洗，筛选零碳状态下的工况数据集，根据DPF工作原理以及物理等效电路，提取主要测点，根据压差、流量、阻值三者之间的关系，计算出零碳特征下的流阻，以及DPF再生完成后的零碳特征数据，进入监督学习模型训练，交叉验证数据后，得到零碳阻值基准模型，最后保存模型，输出结果至可视化页面。

所述分析预测阶段，大致流程如图3所示，为原始秒级数据进行数据清洗，然后进入零碳阻值基准模型，得到零碳阻值R0，同时计算出实际流阻R，对两个流阻值做差，得到流阻偏差值，随着碳载量的升高，流阻偏差值也会升高，流阻偏差值可以直接反映出DPF里的碳载量的变化，根据流阻偏差值上升到一定的阈值，即需要进行再生，因此根据流阻偏差值的变化，可对DPF再生策略进行评价，优化DPF再生区间以及预测DPF再生时间。

本发明中的术语定义与缩写词

DPF：颗粒捕捉器DPF（Diesel Particulate Filter）是一种安装在柴油发动机排放系统中的陶瓷过滤器，它可以在微粒排放物质进入大气之前将其捕捉。

行车自动再生：当DPF中碳载量到达第一级阈值时，会触发行车自动再生请求，将DPF内温度加热后对其中的碳进行燃烧氧化，实现DPF内的再生。

驻车主动再生：当行车自动再生一直失败，DPF中碳载量到达第二级阈值时，会触发驻车主动再生请求，会驻车喷油，将DPF内温度加热至500℃以上后对其中的碳进行充分燃烧氧化，实现DPF内的再生。

再生：包括行车自动再生和驻车主动再生。

循环周期：车辆从启动（发动机开始工作）到停止（发动机停止工作）的周期，怠速状态不作为切分循环周期的依据。

监督学习：指根据数据的特征及标签，构建相应的机器学习算法，学习特征与标签关联关系的算法。

流阻等效原理：DPF本身可以抽象为气体流量模型，存在阻值、压差、流量等指标，符合等效成电路模型的条件，可参考电路中电压、电流、电阻关系构建DPF相关测点的物理模型，用于后续机器学习建模使用。

Claims (9)

1.一种基于车联网大数据的DPF再生周期控制优化方法，其特征是包括模型训练阶段，分析预测阶段；模型训练阶段是分析预测阶段的前提，分析预测阶段以模型训练阶段产生的零碳阻值基准模型为基础来进行预测；所述模型训练阶段包括：步骤1-1）数据清洗，步骤1-2）建立零碳状态下的工况数据集，步骤1-3）特征提取，步骤1-4）监督学习模型，步骤1-5）验证回归，步骤1-6）模型结果展示；所述分析预测阶段包括：步骤2-1）数据清洗，步骤2-2）模型预测零碳阻值R0，步骤2-3）实际流阻计算，步骤2-4）计算流阻偏差值，步骤2-5）分析结果；

所述步骤1-2）中零碳状态下的工况数据集的构建过程包括对经过数据清洗完的数据进行筛选，DPF驻车主动再生完成后，刚驻车主动再生烧完的DPF内的碳载量最低，此时的DPF阻值为零碳阻值，提取驻车主动再生完成后运行1000秒内的数据清洗后的车辆数据为零碳状态工况数据，构建零碳状态下的工况数据集。

2.根据权利要求1所述的一种基于车联网大数据的DPF再生周期控制优化方法，其特征是所述步骤1-1）数据清洗目的是将原始秒级数据中的不合理数据以及空数据去除，所述原始秒级数据为一定频率上传的原始车辆数据；所述一定频率为1秒采集上传一条原始车辆数据；数据清洗具体包括：

1）保留DMODE数值在0、1、2、4四个数字范围内的数据；0是正常，不需要再生；1是升温准备进入再生；2是进入再生；4是排温太低进行升温；所述DMODE为DPF再生过程标志；

2）剔除不合理数据，所述不合理数据包括速度大于200km/h的数据和发动机转速小于-1000rpm的数据；

3）选取每条原始车辆数据中关键测点作为构建零碳阻值基准模型的原始测点，所述关键测点包括发动机转速、车速、环境温度、PTO开关、行车自动再生请求标志、驻车主动再生请求标志、总颗粒、DPF压差、DPF上游排气温度、实际轨压、目标轨压、进气流量、排气流量、自上次成功再生的行驶里程、DMODE、循环EGR进气量、循环进气量、废气质量流量、DPF再生成功标志、进气歧管压力、发动机燃料流量、大气压力；

4）剔除在选取的关键测点中存在缺失值的原始车辆数据，确保数据的完整性。

3.根据权利要求1所述的一种基于车联网大数据的DPF再生周期控制优化方法，其特征是所述提取驻车主动再生完成后运行1000秒内的数据清洗后的车辆数据为零碳状态工况数据，具体包括：

1）驻车主动再生完成后，其自上次成功再生的行驶里程的数值被重置为0，选取自上次成功再生后累计里程的数值≤ 1公里的清洗后的原始秒级数据作为零碳状态下的工况数据；

2）选取总颗粒≤2g的清洗后的原始秒级数据；

3）保留从驻车主动再生完成后运行累计工作时间在1000s以内的数据，作为零碳状态下的工况数据，若频率为1秒一条，即车辆驻车主动再生完成后工作首条数据开始的1000条数据。

4.根据权利要求1所述的一种基于车联网大数据的DPF再生周期控制优化方法，其特征是所述步骤1-3）特征提取是基于零碳状态下的工况数据集，筛选出影响DPF阻值的驻车主动再生完成后的零碳特征数据，计算出零碳阻值R0；所述零碳阻值R0的计算包括以下步骤：

1）将DPF等效为一个电阻，其两端的DPF压差看作为DPF两端的电压，管道内的废气质量流量看作为流过DPF的电流,则DPF压差/ 废气质量流量得到DPF阻值，DPF阻值由局部阻力和内部阻力组成；

2）由DPF原理可知，DPF内的碳载量和排气温度会导致DPF阻值的变化，当驻车主动再生完成后，认为DPF内的碳颗粒都烧完了，DPF内部的碳载量为0，此时的DPF阻值为零碳阻值R0；

3）基于零碳状态下的工况数据， DPF压差除以废气质量流量计算零碳状态下的零碳阻值R0。

5.根据权利要求4所述的一种基于车联网大数据的DPF再生周期控制优化方法，其特征是所述步骤1-4）监督学习模型包括将处理好的驻车主动再生完成后的零碳特征数据和零碳阻值R0，放入监督学习模型中进行训练，使用机器学习算法学习零碳特征数据里的特征测点与零碳阻值R0的函数关系，得到零碳阻值基准模型；

所述步骤1-5）验证回归具体包括：基于零碳状态下的工况数据集，对基于零碳状态下的工况数据集按照7:3的比例划分训练集和验证集，以70%的零碳状态下的工况数据集，经过特征提取，进入监督学习模型训练优化后，得出的零碳阻值基准模型，再将其余30%的数据放入零碳阻值基准模型进行预测。

6.根据权利要求1所述的一种基于车联网大数据的DPF再生周期控制优化方法，其特征是所述步骤2-2）模型预测零碳阻值R0，具体包括：把数据清洗完的数据放入训练好的零碳阻值基准模型中进行预测，通过零碳阻值基准模型预测出零碳阻值R0。

7.根据权利要求1所述的一种基于车联网大数据的DPF再生周期控制优化方法，其特征是所述步骤2-3）实际流阻计算，具体包括：基于数据清洗完的数据，利用DPF压差除以废气质量流量得到DPF阻值，对数据清洗完的数据直接进行计算得出的DPF阻值，即为实际流阻。

8.根据权利要求1所述的一种基于车联网大数据的DPF再生周期控制优化方法，其特征是所述步骤2-4）计算流阻偏差值，流阻偏差值为实际流阻与零碳阻值R0做差得到流阻偏差值，通过流阻偏差值的变化直接反应DPF内的碳载量的变化。

9.根据权利要求1所述的一种基于车联网大数据的DPF再生周期控制优化方法，其特征是所述步骤2-5）分析结果是据流阻偏差值的变化分析DPF内碳载量的变化，判断是否需要再生，所述再生包含行车自动再生和驻车主动再生，具体包括3个方面的判断；

所述3个方面的判断具体为：评价DPF再生方法、优化DPF再生区间、预测DPF再生时间；

所述评价DPF再生方法，具体包括：根据流阻偏差值是否达到再生控制阈值，对比车辆原有的DPF再生方法，从流阻偏差值直接反映出该方法是不是再生次数过多或者过少，评价已有的DPF再生方法优缺点；

所述优化DPF再生区间，具体包括：根据流阻偏差值是否达到再生控制阈值，对比车辆原有的DPF再生区间，从流阻偏差值直接反映出该车辆在再生区间时是否需要再生，减少不必要的再生次数，优化DPF再生区间；

所述预测DPF再生时间，具体包括：根据流阻偏差值的上升速率预测出达到再生阈值的时间,预测出DPF再生时间。

Images