CN114048591A - 一种基于xgboost算法的dpf碳载量预测方法、装置及存储介质 - Google Patents

Abstract

本申请涉及一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质，方法包括采集发动机的状态数据，状态数据包括碳载量、机油压力、累计里程和累计燃油消耗量；计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值，并根据计算结果生成样本数据集；将样本数据集分为训练集和测试集，利用训练集训练XGBOOST算法模型，使用测试集测试XGBOOST算法模型的预测性能，得到DPF碳载量预测模型；根据状态数据和DPF碳载量预测模型，预测发动机当前以及未来时刻的碳载量。该方法能提前预测未来时刻发动机的碳载量，以便于合理安排停车时机进行主动DPF再生或者清灰。

Description

一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储 介质

技术领域

本申请涉及柴油车排放监控技术领域，尤其涉及一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质。

背景技术

大气污染的其中一部分污染源是来自于柴油机车辆，柴油发动机的污染物主要包含颗粒物和氮氧化物，其中，柴油机后处理器主要通过DPF治理颗粒物，DPF是一个物理过滤器，随着使用时间的不同，会导致DPF堵塞而失去作用，DPF堵塞后需要进行清洗才能恢复功能，这个过程也叫“DPF再生”。

在柴油机上安装颗粒捕集器(DPF)，捕集颗粒并在适当时机(碳载量到达一定阈值)燃烧颗粒实现再生，是目前降低柴油机颗粒排放的重要技术途径。颗粒捕集器中收集到的黑烟(碳颗粒)越来越多，慢慢的就会导致排气背压高从而影响发动机的动力。

发明内容

为了解决上述背景技术提到的技术问题或者至少部分地解决上述技术问题，本申请提供一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质，能提前预测未来时刻发动机的碳载量，以便于合理安排停车时机进行主动DPF再生或者清灰。

第一方面，本申请提供了一种基于XGBOOST算法的DPF碳载量预测方法，包括：

采集发动机的状态数据，所述状态数据包括碳载量、机油压力、累计里程和累计燃油消耗量；

计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值，并根据计算结果生成样本数据集；

将所述样本数据集分为训练集和测试集，利用训练集训练XGBOOST算法模型，使用测试集测试XGBOOST算法模型的预测性能，得到DPF碳载量预测模型；

根据所述状态数据和所述DPF碳载量预测模型，预测发动机当前以及未来时刻的碳载量。

优选的，在计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值之前，还包括对所述状态数据进行按均值进行聚合计算的预处理过程。

优选的，以均方误差最小化为优化目标利用训练集训练XGBOOST算法模型。

优选的，按时间先后将所述样本数据集划分为训练集和测试集。

第二方面，本申请还提供了一种基于XGBOOST算法的DPF碳载量预测装置，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的所述程序指令以实现如第一方面任一方案所述的基于XGBOOST算法的DPF碳载量预测方法。

第三方面，本申请还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存储有程序代码，所述程序代码用于实现如第一方面任一方案所述的基于XGBOOST算法的DPF碳载量预测方法。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本发明将XGBOOST算法运用到发动机的碳载量预测中，基于XGBOOST算法建立模型，比神经网络更加灵活有效，准确度相对较高，计算速度较快。

通过采集的历史时刻的发动机的状态数据并经过计算处理后得到XGBOOST算法模型的训练集和测试集，通过训练集以最小化均方误差为目标对XGBOOST算法模型进行训练，并通过测试集对XGBOOST算法模型进行测试验证，误差在预设范围内则得到训练优化好的DPF碳载量预测模型。具体的，通过对采集到的状态数据的计算处理，得到多个维度的特征数据，即碳载量均值、方差和偏度，从碳载量的平均值趋势、波动性和有无偏差三个方面的数据、以及机油压力的峰度、累计里程和累计燃油消耗量的对数值作为特征数据输入模型进行训练和计算，提高对碳载量预测的准确度和预测能力。

训练好的DPF碳载量预测模型用于预测当前以及未来时刻的发动机的碳载量，有利于驾驶员提前做好静止再生的计划，选择合适的时机停车进行主动DPF再生或者清灰，防止车辆在高速或者行驶过程中发生碳载量过高导致的无法及时停车，利于及时去除累计的杂质，避免DPF发生堵塞对DPF总成的损坏(系统检测到DPF堵塞后，也会自动干预发动机工作，限扭、动力下降油耗上升，甚至直接损坏DPF总成)，有利于保障发动机排气顺畅，发动机动力保持良好。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于XGBOOST算法的DPF碳载量预测方法的流程示意图；

图2为本申请实施例提供的基于XGBOOST算法的DPF碳载量预测装置的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，下面对本申请实施例提供的一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质进行详细介绍，参见图1，一种基于XGBOOST算法的DPF碳载量预测方法包括以下步骤：

步骤S1，采集发动机的状态数据，所述状态数据包括碳载量、机油压力、累计里程和累计燃油消耗量；

步骤S2，计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值，并根据计算结果生成样本数据集；

步骤S3，将所述样本数据集分为训练集和测试集，利用训练集训练XGBOOST算法模型，使用测试集测试XGBOOST算法模型的预测性能，得到DPF碳载量预测模型；

步骤S4，根据所述状态数据和所述DPF碳载量预测模型，预测发动机当前以及未来时刻的碳载量。

通过步骤S1采集发动机历史时刻的状态数据以及当前时刻的状态数据；根据历史时刻的状态数据生成样本数据集，将样本数据集划分为训练集和测试集，利用训练集对预先搭建的XGBOOST算法模型进行训练，并利用测试集对训练后的模型进行测试验证，误差在预设范围内时确定训练优化完毕，得到DPF碳载量预测模型。当前时刻的状态数据输入该DPF碳载量预测模型中，输出为未来时刻的发动机的碳载量。

在本申请的一些具体实施例中，在计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值之前，还包括对所述状态数据进行按均值进行聚合计算的预处理过程。

在本申请的一些具体实施例中，按照1Hz的取数频率持续采集发动机的碳载量、机油压力、累计里程、累计燃油消耗量数据。为了防止数据出现缺失(数据丢包造成的数据缺失)，将秒级数据根据均值聚合成分钟级数据，以保证数据的连续性，提高数据采集的正确性，聚合后的数据再计算每个时刻前24小时范围内数据的均值、方差、偏度、峰度，机油压力的峰度，累计燃料消耗和累计里程均取对数值(取对数是为了缩小累计里程和累计燃料消耗的绝对数值，以方便计算，还有利于提高数据的敏感度)。

在本申请的一些具体实施例中，以均方误差最小化为优化目标利用训练集训练XGBOOST算法模型。将训练集的特征值和目标值投入模型进行训练，目标是最小化均方误差。

在本申请的一些具体实施例中，按时间先后将所述样本数据集划分为训练集和测试集。训练集和测试集的比例为8比2。

在本申请的又一些具体实施例中，参见图2，还提供了一种基于XGBOOST算法的DPF碳载量预测装置10，包括：

存储器101，用于存储程序指令；

处理器102，用于调用所述存储器中存储的所述程序指令以实现如上述任一实施例所述的基于XGBOOST算法的DPF碳载量预测方法。

在本申请的又一些具体实施例中，还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存储有程序代码，所述程序代码用于实现如上述任一实施例所述的基于XGBOOST算法的DPF碳载量预测方法。

本发明将XGBOOST算法运用到发动机的碳载量预测中，基于XGBOOST算法建立模型，比神经网络更加灵活有效，准确度相对较高，计算速度较快。

通过采集的历史时刻的发动机的状态数据并经过计算处理后得到XGBOOST算法模型的训练集和测试集，通过训练集以最小化均方误差为目标对XGBOOST算法模型进行训练，并通过测试集对XGBOOST算法模型进行测试验证，误差在预设范围内则得到训练优化好的DPF碳载量预测模型。具体的，通过对采集到的状态数据的计算处理，得到多个维度的特征数据，即碳载量均值、方差和偏度，从碳载量的平均值趋势、波动性和有无偏差三个方面的数据、以及机油压力的峰度、累计里程和累计燃油消耗量的对数值作为特征数据输入模型进行训练和计算，提高对碳载量预测的准确度和预测能力。

训练好的DPF碳载量预测模型用于预测当前以及未来时刻的发动机的碳载量，有利于驾驶员提前做好停车DPF再生的计划，防止车辆在高速或者行驶过程中发生碳载量过高导致的DPF故障，能及时停车进行主动DPF再生或者清灰，及时以去除累计的杂质，避免DPF发生堵塞导致限扭、动力下降油耗上升等，甚至直接损坏DPF总成，保障发动机排气顺畅，减少故障提高寿命。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种基于XGBOOST算法的DPF碳载量预测方法，其特征在于，包括：

采集发动机的状态数据，所述状态数据包括碳载量、机油压力、累计里程和累计燃油消耗量；

计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值，并根据计算结果生成样本数据集；

将所述样本数据集分为训练集和测试集，利用训练集训练XGBOOST算法模型，使用测试集测试XGBOOST算法模型的预测性能，得到DPF碳载量预测模型；

根据所述状态数据和所述DPF碳载量预测模型，预测发动机当前以及未来时刻的碳载量。

2.根据权利要求1所述的基于XGBOOST算法的DPF碳载量预测方法，其特征在于，在计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值之前，还包括对所述状态数据进行按均值进行聚合计算的预处理过程。

3.根据权利要求1所述的基于XGBOOST算法的DPF碳载量预测方法，其特征在于，以均方误差最小化为优化目标利用训练集训练XGBOOST算法模型。

4.根据权利要求1所述的基于XGBOOST算法的DPF碳载量预测方法，其特征在于，按时间先后将所述样本数据集划分为训练集和测试集。

5.一种基于XGBOOST算法的DPF碳载量预测装置，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的所述程序指令以实现如权利要求1至4中任一项所述的基于XGBOOST算法的DPF碳载量预测方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有程序代码，所述程序代码用于实现如权利要求1至4中任一项所述的基于XGBOOST算法的DPF碳载量预测方法。

Images