CN114548557A - NOx排放预测方法、装置、电子设备及计算机存储介质 - Google Patents

NOx排放预测方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN114548557A
CN114548557A CN202210163584.9A CN202210163584A CN114548557A CN 114548557 A CN114548557 A CN 114548557A CN 202210163584 A CN202210163584 A CN 202210163584A CN 114548557 A CN114548557 A CN 114548557A
Authority
CN
China
Prior art keywords
nox emission
emission prediction
training
prediction model
parameters
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.)
Pending
Application number
CN202210163584.9A
Other languages
English (en)
Inventor
王志红
董梦龙
田略廷
彭辅明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210163584.9A priority Critical patent/CN114548557A/zh
Publication of CN114548557A publication Critical patent/CN114548557A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种NOx排放预测方法、装置、电子设备及计算机存储介质，其方法包括：获取包括训练集、验证集和测试集的样本数据，其中，输出样本数据包括NOx排放量；将训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，并获取影响第一NOx排放预测模型性能的参数；将验证集输入第一NOx排放预测模型中，并基于PSO算法对参数进行优化，得到优化参数，基于所述优化参数得到第二NOx排放预测模型；将测试集输入第二NOx排放预测模型进行预测，输出NOx排放预测结果。本发明得到准确的预测结果以及时诊断NOx传感器是否故障。

Description

NOx排放预测方法、装置、电子设备及计算机存储介质
技术领域
本发明涉及模型预测技术领域，尤其涉及一种NOx排放预测方法、装置、电子设备及计算机存储介质。
背景技术
汽车是污染物排放总量的主要贡献者，其排放的CO(一氧化碳)、HC(总烃，包含烷烃、烯烃、芳烃等)、NOx(氮氧化合物，包含一氧化氮和二氧化氮)和PM(颗粒物)超过90％，其中重型货车NOx排放占汽车NOx排放量的83.5％，因此加强重型柴油车排放的监管就显得尤为重要。
现有技术中通常采用SCR(选择性催化还原)技术对柴油车尾气排放中NOx的进行处理，其中，重型柴油车的SCR系统中所用的NOx传感器主要为电化学式，存在NH3(氨气)交叉敏感问题，一旦出现NH3泄漏的情况，下游NOx传感器得测量结果将高于实际值，因此亟需一种排放预测模型预测NOx排放，以诊断车载NOx传感器是否故障，保障了运行安全。
发明内容
有鉴于此，有必要提供一种NOx排放预测方法、装置、电子设备及计算机存储介质，用于解决NOx排放量的预测问题。
为了解决上述问题，第一方面，本发明提供一种NOx排放预测方法，包括：
获取包括训练集、验证集和测试集的样本数据，其中，样本数据包括NOx排放量；
将训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，并获取影响第一NOx排放预测模型性能的影响参数；
将验证集输入第一NOx排放预测模型中，并基于PSO算法对影响参数进行优化，得到优化参数，基于优化参数得到第二NOx排放预测模型；
将测试集输入第二NOx排放预测模型进行预测，输出NOx排放预测结果。
进一步的，样本数据的获取步骤，包括：
获取试验数据；
对试验数据依次进行数据对齐、无效数据去除及数据降维处理，并将处理后的试验数据确定为样本数据。
进一步的，将训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，包括：
初始SVR模型通过非线性映射函数把训练集中的每一列训练样本映射到高维特征空间，建立线性回归函数：f(x)＝wφ(x)+b (1)，其中，f(x)为预测值，φ(x)为非线性映射函数，w为权向量系数，b为偏差量；
引用松弛变量ξi，
Figure BDA0003514986170000021
对式(1)中w，b进行求解转化成第一数学模型：
Figure BDA0003514986170000022
其中，C为惩罚因子，ξi，
Figure BDA0003514986170000031
为松弛变量上下限，l为训练样本个数，i＝1，2…l，s.t.为约束条件，xi是第i个训练样本的输入列向量，yi为对应的输出值，ε为不敏感损失函数阈值；
引入拉格朗日函数，对式(2)不等式约束条件优化问题进行求解转化成第二数学模型：
Figure BDA0003514986170000032
其中，
K(xi，xj)＝φ(xi)φ(xj)为核函数，xi是第i个训练样本的输入列向量，xj是第j个训练样本的输入列向量，αi、αj分别为对于误差容许上限的非负朗格朗日乘子，
Figure BDA0003514986170000033
分别为对于误差容许下限的非负朗格朗日乘子，l为训练样本个数，i＝1，2…l，j＝1，2…l，s.t.为约束条件；
基于求解的αi、
Figure BDA0003514986170000034
得到训练后的第一NOx排放预测模型：
Figure BDA0003514986170000035
其中
Figure BDA0003514986170000036
为支持向量系数。
进一步的，核函数包括高斯径向基核函数：K(xi，x)＝exp(-g||x-xi//2)，其中，g为核函数参数，控制核函数的径向作用范围。
进一步的，影响第一NOx排放预测模型性能的影响参数包括：惩罚因子C、不敏感损失函数阈值ε及核函数参数g。
进一步的，基于PSO算法对影响参数进行优化，得到优化参数，包括：
确定影响参数的更新范围，及迭代次数；
利用PSO算法迭代公式对影响参数进行迭代寻优；
判断是否满足迭代次数终止条件，若不满足迭代次数终止条件，则根据影响参数的更新范围更新影响参数，并重复寻优过程；
若满足迭代次数终止条件，则将最终更新的影响参数确定为优化参数，并结束寻优过程。
进一步的，PSO算法迭代公式包括粒子群速度迭代公式与粒子群位置迭代公式：
Figure BDA0003514986170000041
Figure BDA0003514986170000042
其中，
Figure BDA0003514986170000043
为第t+1次迭代时第i个粒子的速度，
Figure BDA0003514986170000044
为第t次迭代时第i个粒子的速度，ω为惯性权重，t为迭代次数，c1和c2为加速度常数，反应了个体和群体之间的信息交流程度，r1和r2是[0，1]之间的随机数，无实际物理含义，
Figure BDA0003514986170000045
为第i个粒子在第t次迭代时的个体最优位置，gbestt为整个粒子群在第t次迭代时的全局最优位置，
Figure BDA0003514986170000046
为第t+1次迭代时第i粒子的位置，
Figure BDA0003514986170000047
为第t次迭代时第i粒子的位置。
第二方面，本发明还提供一种NOx排放预测装置，包括：
获取模块，用于获取包括训练集、验证集和测试集的样本数据，其中，所述样本数据包括NOx排放量；
训练模块，用于将训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，并获取影响第一NOx排放预测模型性能的影响参数；
优化模块，用于将验证集输入第一NOx排放预测模型中，并基于PSO算法对影响参数进行优化，得到优化参数，基于优化参数得到第二NOx排放预测模型；
预测模块，用于将测试集输入第二NOx排放预测模型进行预测，输出NOx排放预测结果。
第三方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述NOx排放预测方法中的步骤。
第四方面，本发明还提供一种计算机存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述NOx排放预测方法中的步骤。
本发明通过将样本数据划分为训练集、验证集和测试集，便于在各阶段内分别对模型进行训练及预测，使得模型的训练更加有序；通过训练集训练初始的SVR模型，并得到第一NOx排放预测模型，使得SVR利用非线性变换将原始变量映射到高维特征空间，既保证了模型具有良好的泛化能力，又解决了“维数灾难”问题；然后使用验证集继续对第一NOx排放预测模型进行优化训练，同时使用PSO算法对影响模型性能的算法进行优化，使得模型的性能得到最优；最后将测试集输入已优化的第二NOx排放预测模型进行NOx排放结果的预测，得到较为准确的预测结果，进一步地根据预测结果及时诊断车载NOx传感器是否故障。
附图说明
图1为本发明提供的一种NOx排放预测方法的一实施例的流程示意图；
图2为本发明一实施例提供的一种车载尾气检测设备安装的示意图；
图3为本发明一实施例中试验运行道路占比及平均速度的示意图；
图4为本发明一实施例提供的一种数据对齐前后的CO2曲线和燃油消耗率曲线对比图；
图5为本发明一实施例提供的一种数据间相关性系数与平移时间关系图；
图6为本发明一实施例提供的一种部分实际道路试验数据图；
图7为本发明一实施例提供的一种计算得到的方差贡献率和累计方差贡献率图；
图8(a)、(b)、(c)分别为本发明一实施例提供的参数C，ε，g对模型性能的影响图；
图9为本发明一实施例提供的一种NOx排放预测结果图；
图10为本发明一实施例提供的一种实际道路NOx排放量瞬时曲线图；
图11为本发明一实施例提供的一种训练集实际NOx排放量-预测NOx排放量散点图；
图12为本发明一实施例提供的一种测试集实际NOx排放量-预测NOx排放量散点图；
图13为本发明提供的一种NOx排放预测装置一实施例的结构示意图；
图14为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种NOx排放预测方法、装置、电子设备及计算机存储介质，以下分别进行说明。
请参阅图1，图1为本发明提供的一种NOx排放预测方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种NOx排放预测方法，包括：
步骤S101：获取包括训练集、验证集和测试集的样本数据，其中，样本数据包括NOx排放量；
其中，样本数据包括输入样本数据与输出样本数据，可以理解的是，本发明公开的是一种NOx排放预测方法，因此输出样本数据包括NOx排放量，而输入样本数据包括一些影响NOx排放量的因素，具体包括其他污染物气体排放量、气体排放参数以及发动机参数等数据。
此外，可以理解的是，由于对模型的训练包括各个阶段，因此可以将样本数据随机打乱并分为训练集，验证集和测试集，举例而言，本发明中训练集，验证集和测试集的比例为7:2:1。
在本发明的一个实施例中，样本数据的获取步骤，包括：
获取试验数据；
其中，试验数据包括在实际道路试验过程中记录的数据。请参阅图2，图2为本发明一实施例提供的一种车载尾气检测设备安装的示意图，在本发明的一个实施例中，试验设备采用日本Horiba公司的OBS-ONE，采用外部电源对PEMS(Portable EmissionMeasurement System，车载尾气检测)设备进行供电，试验车辆采用某N2类车辆，测试车辆基本信息如下：车辆最大允许总质量为8280kg，车辆整备质量为4390kg，试验时车辆总质量为6334kg，试验用油为满足国Ⅵ标准的柴油，发动机型号为WP2.3NQ130E61，排放标准为国Ⅵ，发动机最大净功率为92kw，发动机最大转速为3200r/min。
并且根据《重型汽车污染物排放限值及测量方法(中国第六阶段)》中附录K“实际道路行驶测量方法(PEMS)”的规定，进行了实际道路测试，要求N2类车辆(城市车辆除外)，测试时运行道路组成依次为：45％的市区路、25％的市郊路和30％的高速路。请参阅图3，图3为本发明一实施例中试验运行道路占比及平均速度的示意图。
对试验数据依次进行数据对齐、无效数据去除及数据降维处理，并将处理后的试验数据确定为样本数据。
其中，对本次试验过程中记录的数据进行对齐是按照国Ⅵ重型柴油车排放标准的要求，数据对齐包括一类、二类数据与三类数据的时间对齐：即来自GPS的车速和来自ECU的车速对齐；一类数据与二类数据的时间对齐：即CO2浓度和排气质量对齐；二类数据与三类数据的时间对齐：即CO2浓度和发动机燃油消耗量对齐。具体的，一类数据为分析仪[NOx、CO、CO2、PN、HC、THC(对于柴油车是可选项)、PM浓度(可选项)]；二类数据为排气流量计(排气质量流量和排气温度)；三类数据为发动机(扭矩、速度、温度、燃油消耗率，来自ECU的车速)。通过将类别数据间的对齐通过两类参数中相关性系数进行调整，每个类别中的所有参数都应调整使相关性系数至最高值。请参阅图4，图4为本发明一实施例提供的一种数据对齐前后的CO2曲线和燃油消耗率曲线对比图，两者对齐后的趋势更加相近。请参阅图5，图5为本发明一实施例提供的一种数据间相关性系数与平移时间关系图，从图5中可见，将燃油消耗率曲线数据平移3秒后相关性系数达到最大值。
其中，对数据对齐后需要去除无效数据，满足以下条件则称为无效数据：设备检查以及零点漂移核查期间的数据，海拔高度超过2400m或者环境温度低于-7℃的数据，冷启动期间的数据。
在本发明的一实施例中，剔除无效数据后，剩余9300组数据，每组数据记录了15个参数，其中包括需要预测的参数NOx排放量，需要输入的OBD参数(发动机冷却液温度，发动机转速，车速，发动机转矩百分比，涡轮压力，进气压力，机油压力，进气歧管温度，节气门位置，摩擦扭矩百分比，进气质量流量，燃油消耗率)以及排气管环境温度和排气管环境湿度，请参阅图6，图6为本发明一实施例提供的一种部分实际道路试验数据图，其中的部分参数(例如冷却液温度变化量不大)与NOx排放量之间的实际相关性可能并不强，直接使用初步筛选的参数作为输入可能会引入大量噪声数据影响预测结果的准确性，因此需要将这些数据进行去除。
可以理解的是，为了消除量纲对数据预测的不良影响，需要对去除无效数据后的数据先进行标准化，再采用主成分分析法(PCA)进行降维。具体处理过程如下：
数据标准化：采用下式进行数据标准化，标准化后的数据服从均值为0，方差为1。
Figure BDA0003514986170000091
式中x′是标准化后的数据，x为未进行标准化的数据，μ为数据的平均值，σ为数据的标准差。
数据降维：首先采用下式计算相关性系数矩阵，计算相关性系数矩阵的特征值和特征向量，并将特征值按照由大到小排序。R＝(rij)m×m，
Figure BDA0003514986170000092
式中，m为主成分分析的特征参数个数，n为评价对象个数，rij是第i个指标与第j个指标的相关系数。
最后采用下两式分别计算每个特征值的方差贡献率和累计方差贡献率。
Figure BDA0003514986170000093
式中，
Figure BDA0003514986170000094
代表第i个特征值的方差贡献率，αp为前p个特征值的累计方差贡献率。
在本发明的一个实施例中，m＝14，n＝9300，请参阅图7，图7为本发明一实施例提供的一种计算得到的方差贡献率和累计方差贡献率图，其中，主成分分析要求提取的主成分方差累计贡献率达到80％以上算作合理有效，图7中前5个主成分累积贡献率达到了96.336％已经能够代表了14个特征参数的绝大部分信息，所以在本发明实施例中本次取前5组主成分作为模型输入。
步骤S102：将所述训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，并获取影响所述第一NOx排放预测模型性能的影响参数；
其中，SVR模型全称为Support Vector Regression模型，即支持向量回归模型。
在本发明的一个实施例中，将训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，包括：
初始SVR模型通过非线性映射函数把训练集中的每一列训练样本映射到高维特征空间，建立线性回归函数：f(x)＝wφ(x)+b (1)，其中，f(x)为预测值，φ(x)为非线性映射函数，w为权向量系数，b为偏差量；
具体的，以提取的前5个主成分作为输入x，NOx排放量作为输出y，作为训练样本。{(xi，yi)，i＝1，2，...，n}，xi∈Rd是第i个训练样本的输入列向量，xi＝[xi 1，xi 2，...，xi d]T，yi∈R为对应的输出值。
同时定义线性不敏感损失函数：
Figure BDA0003514986170000101
其中，f(x)为预测值；y为对应真实值；ε为不敏感损失函数阈值。由上式可知，若f(x)与y之间的差别小于等于ε，损失为0。
因此引用松弛变量ξi，
Figure BDA0003514986170000102
对式(1)中w，b进行求解转化成第一数学模型：
Figure BDA0003514986170000111
其中，C为惩罚因子，ξi，
Figure BDA0003514986170000112
为松弛变量上下限，l为训练样本个数，i＝1，2…l，s.t.为约束条件，xi是第i个训练样本的输入列向量，yi为对应的输出值，ε为不敏感损失函数阈值；
引入拉格朗日函数，对式(2)不等式约束条件优化问题进行求解转化成第二数学模型：
Figure BDA0003514986170000113
其中，
K(xi，xj)＝φ(xi)φ(xj)为核函数，xi是第i个训练样本的输入列向量，xj是第j个训练样本的输入列向量，αi、αj分别为对于误差容许上限的非负朗格朗日乘子，
Figure BDA0003514986170000114
分别为对于误差容许下限的非负朗格朗日乘子，l为训练样本个数，i＝1，2…l，j＝1，2…l，s.t.为约束条件；
基于求解的αi、
Figure BDA0003514986170000115
得到训练后的第一NOx排放预测模型：
Figure BDA0003514986170000116
其中
Figure BDA0003514986170000117
为支持向量系数。
在本发明的一个实施例中，核函数包括高斯径向基核函数，高斯径向基核函数在建模过程中具有训练速度快，训练效果好的特点，高斯径向基核函数：K(xi，x)＝exp(-g||x-xi||2)，其中，g为核函数参数，控制核函数的径向作用范围。
在本发明的一个实施例中，影响第一NOx排放预测模型性能的影响参数包括：惩罚因子C、不敏感损失函数阈值ε及核函数参数g。
请参阅图8(a)、(b)、(c)，图8(a)、(b)、(c)分别为本发明一实施例提供的参数C，ε，g对模型性能的影响图。其中，参数C，ε，g对模型性能影响很大，惩罚因子C越大训练误差越小，但是C大于某一值后预测误差会随着C的增大而减小，导致模型的泛化能力降低；参数ε过大，可能导致模型学习精度不够，ε过小，模型回归精度变高，同时可能导致模型推广能力变差；参数g的增大会使模型训练精度增加，但是预测误差会随着g的增大呈现出先减后增的趋势，因此参数g过大可能产生过拟合现象。
步骤S103：将所述验证集输入所述第一NOx排放预测模型中，并基于PSO算法对所述影响参数进行优化，得到优化参数，基于所述优化参数得到第二NOx排放预测模型；
其中，PSO算法全称为Particle Swarm Optimization算法，即粒子群优化算法，粒子群优化算法源于Kennedy和Eberhart对鸟群捕食行为的研究，即使每个处于D维空间的粒子I位置向量为pI＝(pi1，pi2，...piD)，速度向量为vi＝(vi1，vi2，...viD)，可以理解的是，粒子群优化算法对于速度与位置的寻优过程即为对影响参数进行优化的过程。可以理解的是，影响参数包括惩罚因子C、不敏感损失函数阈值ε及核函数参数g，以影响参数为优化目标，粒子位置为一个三维向量。
具体的，可以将验证集中的验证样本数据输入第一NOx排放预测模型中计算粒子适应度值，记下此时个体最优pbest和和全局最优gbest，适应度函数包括：
Figure BDA0003514986170000121
其中，N为验证样本数量，f(x)为预测值，
Figure BDA0003514986170000122
为实际值。然后判决是否满足预设终止条件，若不满足则更新粒子的位置和速度，并将更新了位置和速度后的粒子重新计算适应度值及个体最优pbest和和全局最优gbest，如果满足预设终止条件，则将全局最优gbest中粒子的位置中的向量值作为优化参数的参数值，并根据优化参数得到第二NOx排放预测模型，即确定第一NOx排放预测模型中影响参数的值，使模型的性能达到最佳。
在本发明的一个实施例中，基于PSO算法对影响参数进行优化，得到优化参数，包括：
确定影响参数的更新范围，及迭代次数；
其中，根据对惩罚因子C、不敏感损失函数阈值ε及核函数参数g特性分析将其参数更新范围分别限定在(0，50]，(0，1]，(0，2]，最大迭代次数设置为20。
利用PSO算法迭代公式对影响参数进行迭代寻优；
在本发明的一个实施例中，PSO算法迭代公式包括粒子群速度迭代公式与粒子群位置迭代公式：
Figure BDA0003514986170000131
Figure BDA0003514986170000132
其中，
Figure BDA0003514986170000133
为第t+1次迭代时第i个粒子的速度，
Figure BDA0003514986170000134
为第t次迭代时第i个粒子的速度，ω为惯性权重，t为迭代次数，c1和c2为加速度常数，一般为非负常数，反应了个体和群体之间的信息交流程度，r1和r2是[0，1]之间的随机数，无实际物理含义，
Figure BDA0003514986170000135
为第i个粒子在第t次迭代时的个体最优位置，gbestt为整个粒子群在第t次迭代时的全局最优位置，
Figure BDA0003514986170000136
为第t+1次迭代时第i粒子的位置，
Figure BDA0003514986170000137
为第t次迭代时第i粒子的位置。
判断是否满足迭代次数终止条件，若不满足迭代次数终止条件，则根据影响参数的更新范围更新影响参数，并重复寻优过程；
若满足迭代次数终止条件，则将最终更新的影响参数确定为优化参数，并结束寻优过程。
其中，本发明中粒子数目取20，加速度常数c1和c2一般取值为2，极限速度vmax设定为1。惯性权重ω采用下式进行更新：
Figure BDA0003514986170000141
Figure BDA0003514986170000142
其中，ωstart为初始惯性权重，ωend为迭代次数达到最大时的惯性权重，t为当前迭代次数，Tmax为最大迭代次数。本发明取ωstart＝0.9，ωend＝0.4。可以理解的是，两次惯性权重的设置可以保证在程序运行前段ω衰减速率较慢，有利于进行全局搜索避免陷入局部最优，在程序运行后段ω衰减速率较快，有利于局部搜索。
最后，检查是否达到最大迭代次数，如果未达到最大迭代次数则根据影响参数的更新范围更新影响参数，并重复速度与位置的寻优过程；若达到最大迭代次数，则返回全局最优位置gbest，即得到粒子最优位置的三维向量向量值。本发明参数优化后得到粒子最优位置为(C，ε，g)＝(12.209，0.114，0.607)，将该优化参数代入第一NOx排放预测模型训练，得到第二NOx排放预测模型。
步骤S104：将所述测试集输入所述第二NOx排放预测模型进行预测，输出NOx排放预测结果。
将测试样本数据代入优化好的第二NOx排放预测模型中进行预测，得到预测结果，具体的，请参阅图9，图9为本发明一实施例提供的一种NOx排放预测结果图，为了便于对比，请参阅图10，图10为本发明一实施例提供的一种实际道路NOx排放量瞬时曲线图。对比可知，预测结果的均方根误差(RMSE)为1.781(mg/s)，平均绝对误差(MAE)为0.883(mg/s)，可以看出本发明优化的模型有着较高的预测精度。
可以理解的是，重型柴油车的SCR系统中所用的NOx传感器主要为电化学式，存在NH3(氨气)交叉敏感问题，一旦出现NH3泄漏的情况，下游NOx传感器得测量结果将高于实际值，因此当传感器的测量结果高于模型的预测值时，可以判定NH3泄漏或者车载NOx传感器出现了故障，可以及时通知维修人员以保证安全。
本发明通过将样本数据划分为训练集、验证集和测试集，便于在各阶段内分别对模型进行训练及预测，使得模型的训练更加有序；通过训练集训练初始的SVR模型，并得到第一NOx排放预测模型，使得SVR利用非线性变换将原始变量映射到高维特征空间，既保证了模型具有良好的泛化能力，又解决了“维数灾难”问题；然后使用验证集继续对第一NOx排放预测模型进行优化训练，同时使用PSO算法对影响模型性能的算法进行优化，使得模型的性能得到最优；最后将测试集输入已优化的第二NOx排放预测模型进行NOx排放结果的预测，得到较为准确的预测结果，进一步地根据预测结果及时诊断车载NOx传感器是否故障，保障了运行安全。
此外，请参阅图11与图12，图11为本发明一实施例提供的一种训练集实际NOx排放量-预测NOx排放量散点图，图12为本发明一实施例提供的一种测试集实际NOx排放量-预测NOx排放量散点图。其中，训练集上校正决定系数为R2＝0.883，测试集上决定系数为R2＝0.854。可以看出，大部分数据点分布在离y＝x直线周围位置，说明了该模型具有很强的非线性拟合能力；部分预测点离y＝x距离较远，这可能是由于相比于发动机台架试验和整车转鼓试验，实际道路试验时发动机运行工况更复杂，车辆运行路况更复杂，测量设备所测污染物排放量可能无法反应当前时刻真实排放情况，从而出现异常值。
为了更好实施本发明实施例中的NOx排放预测方法，在NOx排放预测方法基础之上，对应的，请参阅图13，图13为本发明提供的一种NOx排放预测装置的一实施例的结构示意图，本发明实施例提供了一种NOx排放预测装置1300，包括：
获取模块1301，用于获取包括训练集、验证集和测试集的样本数据，其中，样本数据包括NOx排放量；
训练模块1302，用于将训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，并获取影响第一NOx排放预测模型性能的影响参数；
优化模块1303，用于将验证集输入第一NOx排放预测模型中，并基于PSO算法对影响参数进行优化，得到优化参数，基于优化参数得到第二NOx排放预测模型；
预测模块1304，用于将测试集输入第二NOx排放预测模型进行预测，输出NOx排放预测结果。
这里需要说明的是：上述实施例提供的装置1300可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
基于上述NOx排放预测方法，本发明实施例还相应的提供一种电子设备，包括：处理器和存储器以及存储在存储器中并可在处理器上执行的计算机程序；处理器执行计算机程序时实现如上述各实施例的NOx排放预测方法中的步骤。
请参阅图14，图14中示出了适于用来实现本发明实施例的电子设备1400的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图14示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文的处理装置1401，存储器可以包括下文中的只读存储器(ROM)1402、随机访问存储器(RAM)1403以及存储装置1408中的至少一项，具体如下所示：
如图14所示，电子设备1400可以包括处理装置(例如中央处理器、图形处理器等)1401，其可以根据存储在只读存储器(ROM)1402中的程序或者从存储装置1408加载到随机访问存储器(RAM)1403中的程序而执行各种适当的动作和处理。在RAM1403中，还存储有电子设备1400操作所需的各种程序和数据。处理装置1401、ROM1402以及RAM1403通过总线1404彼此相连。输入/输出(I/O)接口1405也连接至总线1404。
通常，以下装置可以连接至I/O接口1405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置1407；包括例如磁带、硬盘等的存储装置1408；以及通信装置1409。通信装置1409可以允许电子设备1400与其他设备进行无线或有线通信以交换数据。虽然图14示出了具有各种装置的电子设备1400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1409从网络上被下载和安装，或者从存储装置1408被安装，或者从ROM1402被安装。在该计算机程序被处理装置1401执行时，执行本发明实施例的方法中限定的上述功能。
基于上述NOx排放预测方法，本发明实施例还相应的提供一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述各实施例的NOx排放预测方法中的步骤。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，的程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
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。

Claims (10)

1.一种NOx排放预测方法，其特征在于，包括：
获取包括训练集、验证集和测试集的样本数据，其中，所述样本数据包括NOx排放量；
将所述训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，并获取影响所述第一NOx排放预测模型性能的影响参数；
将所述验证集输入所述第一NOx排放预测模型中，并基于PSO算法对所述影响参数进行优化，得到优化参数，基于所述优化参数得到第二NOx排放预测模型；
将所述测试集输入所述第二NOx排放预测模型进行预测，输出NOx排放预测结果。
2.根据权利要求1所述的方法，其特征在于，所述样本数据的获取步骤，包括：
获取试验数据；
对所述试验数据依次进行数据对齐、无效数据去除及数据降维处理，并将处理后的试验数据确定为所述样本数据。
3.根据权利要求2所述的方法，其特征在于，所述将所述训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，包括：
初始SVR模型通过非线性映射函数把训练集中的每一列训练样本映射到高维特征空间，建立线性回归函数：f(x)＝wφ(x)+b (1)，其中，f(x)为预测值，φ(x)为非线性映射函数，w为权向量系数，b为偏差量；
引用松弛变量ξi，
Figure FDA0003514986160000011
对式(1)中w，b进行求解转化成第一数学模型：
Figure FDA0003514986160000021
其中，C为惩罚因子，ξi，
Figure FDA0003514986160000022
为松弛变量上下限，l为训练样本个数，i＝1,2…l，s.t.为约束条件，xi是第i个训练样本的输入列向量，yi为对应的输出值，ε为不敏感损失函数阈值；
引入拉格朗日函数，对式(2)不等式约束条件优化问题进行求解转化成第二数学模型：
Figure FDA0003514986160000023
其中，K(xi,xj)＝φ(xi)φ(xj)为核函数，xi是第i个训练样本的输入列向量，xj是第j个训练样本的输入列向量，αi、αj分别为对于误差容许上限的非负朗格朗日乘子，
Figure FDA0003514986160000024
分别为对于误差容许下限的非负朗格朗日乘子，l为训练样本个数，i＝1,2…l，j＝1,2…l，s.t.为约束条件；
基于求解的αi、
Figure FDA0003514986160000025
得到训练后的第一NOx排放预测模型：
Figure FDA0003514986160000026
其中
Figure FDA0003514986160000027
为支持向量系数。
4.根据权利要求3所述的方法，其特征在于，所述核函数包括高斯径向基核函数：K(xi,x)＝exp(-g||x-xi||2)，其中，g为核函数参数，控制核函数的径向作用范围。
5.根据权利要求4所述的方法，其特征在于，所述影响所述第一NOx排放预测模型性能的影响参数包括：惩罚因子C、不敏感损失函数阈值ε及核函数参数g。
6.根据权利要求1所述的方法，其特征在于，所述基于PSO算法对所述影响参数进行优化，得到优化参数，包括：
确定所述影响参数的更新范围，及迭代次数；
利用PSO算法迭代公式对所述影响参数进行迭代寻优；
判断是否满足迭代次数终止条件，若不满足迭代次数终止条件，则根据所述影响参数的更新范围更新所述影响参数，并重复寻优过程；
若满足迭代次数终止条件，则将最终更新的影响参数确定为优化参数，并结束寻优过程。
7.根据权利要求6所述的方法，其特征在于，所述PSO算法迭代公式包括粒子群速度迭代公式与粒子群位置迭代公式：
Figure FDA0003514986160000031
Figure FDA0003514986160000032
其中，
Figure FDA0003514986160000033
为第t+1次迭代时第i个粒子的速度，
Figure FDA0003514986160000034
为第t次迭代时第i个粒子的速度，ω为惯性权重，t为迭代次数，c1和c2为加速度常数，反应了个体和群体之间的信息交流程度，r1和r2是[0,1]之间的随机数，无实际物理含义，
Figure FDA0003514986160000035
为第i个粒子在第t次迭代时的个体最优位置，gbestt为整个粒子群在第t次迭代时的全局最优位置，
Figure FDA0003514986160000036
为第t+1次迭代时第i粒子的位置，
Figure FDA0003514986160000037
为第t次迭代时第i粒子的位置。
8.一种NOx排放预测装置，其特征在于，包括：
获取模块，用于获取包括训练集、验证集和测试集的样本数据，其中，所述样本数据包括NOx排放量；
训练模块，用于将所述训练集输入初始SVR模型中进行训练，生成第一NOx排放预测模型，并获取影响所述第一NOx排放预测模型性能的影响参数；
优化模块，用于将所述验证集输入所述第一NOx排放预测模型中，并基于PSO算法对所述影响参数进行优化，得到优化参数，基于所述优化参数得到第二NOx排放预测模型；
预测模块，用于将所述测试集输入所述第二NOx排放预测模型进行预测，输出NOx排放预测结果。
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述NOx排放预测方法的步骤。
10.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述NOx排放预测方法的步骤。
CN202210163584.9A 2022-02-22 2022-02-22 NOx排放预测方法、装置、电子设备及计算机存储介质 Pending CN114548557A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210163584.9A CN114548557A (zh) 2022-02-22 2022-02-22 NOx排放预测方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210163584.9A CN114548557A (zh) 2022-02-22 2022-02-22 NOx排放预测方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN114548557A true CN114548557A (zh) 2022-05-27

Family

ID=81677817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210163584.9A Pending CN114548557A (zh) 2022-02-22 2022-02-22 NOx排放预测方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114548557A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723182A (zh) * 2022-06-08 2022-07-08 中汽研汽车检验中心（天津）有限公司 由油品烃组成快速预测汽车常规气态污染物排放的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723182A (zh) * 2022-06-08 2022-07-08 中汽研汽车检验中心（天津）有限公司 由油品烃组成快速预测汽车常规气态污染物排放的方法

Similar Documents

Publication Publication Date Title
Yao et al. Vehicle fuel consumption prediction method based on driving behavior data collected from smartphones
Mohammadpour et al. A survey on diagnostic methods for automotive engines
Barth et al. Recent validation efforts for a comprehensive modal emissions model
El-Shawarby et al. Comparative field evaluation of vehicle cruise speed and acceleration level impacts on hot stabilized emissions
Fomunung et al. A statistical model for estimating oxides of nitrogen emissions from light duty motor vehicles
CN110826772A (zh) 车辆尾气排放预测方法、装置、设备及存储介质
CN113554153A (zh) 氮氧化物排放量预测方法、装置、计算机设备及介质
Borucka et al. Laboratory measurements of vehicle exhaust emissions in conditions reproducing real traffic
CN115564149B (zh) 区域机动车实际道路二氧化碳排放量的预测方法及系统
CN116558834A (zh) Pems排放分析方法、装置、计算机设备和存储介质
Seo et al. Development of a cold-start emission model for diesel vehicles using an artificial neural network trained with real-world driving data
CN114548557A (zh) NOx排放预测方法、装置、电子设备及计算机存储介质
Motallebiaraghi et al. High-fidelity modeling of light-duty vehicle emission and fuel economy using deep neural networks
Rodríguez-Fernández et al. Fuel economy, NOx emissions and lean NOx trap efficiency: lessons from current driving cycles
Mata et al. Prediction of NOx emissions and fuel consumption of a city bus under real operating conditions by means of biharmonic maps
Abouel-Seoud et al. Real world evaluation and control of vehicle engine exhaust air pollution using adaptive neural fuzzy inference system
Barbier et al. Predicting instantaneous engine-out NOx emissions in a real-driving vehicle data scenario
Pucher et al. Periodical technical emission control by using an IoT universal short-test procedure
Pesé et al. Spy: Car steering reveals your trip route!
CN115587526A (zh) 基于神经网络的车辆二氧化碳实时排放预测方法及系统
CN114282680A (zh) 一种基于机器学习算法的车辆尾气排放预测方法及系统
Liao et al. Prediction of the transient emission characteristics from diesel engine using temporal convolutional networks
Karri et al. Predictive models for emission of hydrogen powered car using various artificial intelligent tools
Bolboacă et al. Tampering detection for automotive exhaust aftertreatment systems using long short-term memory predictive networks
Gurel et al. Multi-objective optimization of transient air-fuel ratio limitation of a diesel engine using DoE based Pareto-optimal approach

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