CN114925766A - 一种基于车联网大数据的柴油发动机机油更换识别方法 - Google Patents

Abstract

本发明属于大数据处理分析技术及柴油发动机商用车精准保养领域，具体的是一种基于车联网大数据的柴油发动机机油更换识别方法。包括特征提取阶段、模型训练与预测阶段。特征提取阶段具体包括如下步骤：步骤1‑1、数据清洗；步骤1‑2、抽取目标工况数据集；步骤1‑3、特征提取。模型训练与预测阶段包括如下步骤：步骤2‑1、构建监督学习模型；步骤2‑2、模型结果预测；步骤2‑3、模型误差分析；步骤2‑4、融合多工况结果；步骤2‑5、模型结果展示。通过车辆工况数据，构建车辆工况与反映机油粘度的关键特征，准确识别用户更换机油的时间，为后续的精准保养推荐提供基础的数据依据。

Description

一种基于车联网大数据的柴油发动机机油更换识别方法

技术领域

本发明属于大数据处理分析技术及柴油发动机商用车精准保养领域，具体的是一种基于车联网大数据的机油更换识别方法。

背景技术

机油作为发动机的重要润滑剂，在发动机的运转过程中起着冷却、防锈防蚀、缓冲、减震等作用。当机油液位过低或机油粘度存在异常的情况下，车辆整体的油耗、动力性都会受到较大的影响。因此，选择合适的时机进行机油更换与保养，是车主在日常用车过程中必须关注的问题。

与乘用车不同的是，商用车缺少机油油位的直接测点，对于发动机厂和主机厂而言，无法获取车主是否在合理时机进行过保养的信息，对于一些因为未及时保养而导致的故障，很难进行准确的定位与归因。另一方面，考虑到工程机械的里程数无法反映其实际工作情况，商用车目前的保养时机推荐基本以发动机工作时间为标准，若车主没有在指定服务站进行保养或维修，发动机厂和主机厂在无法获取其历史保养数据的情况下，很难实现保养周期的精准建议。

发明内容

本发明的目的是针对上述不足之处提供一种基于车联网大数据的柴油发动机机油更换识别方法，通过车辆工况数据，构建车辆工况与反映机油粘度的关键特征，准确识别用户更换机油的时间，为后续的精准保养推荐提供基础的数据依据。

本发明是采取以下技术方案实现的：

一种基于车联网大数据的柴油发动机机油更换识别方法，包括特征提取阶段、模型训练与预测阶段。

特征提取阶段具体包括如下步骤：

步骤1-1、数据清洗；

步骤1-2、抽取目标工况数据集；

步骤1-3、特征提取。

模型训练与预测阶段包括如下步骤：

步骤2-1、构建监督学习模型；

步骤2-2、模型结果预测；

步骤2-3、模型误差分析；

步骤2-4、融合多工况结果；

步骤2-5、模型结果展示。

进一步的，所述步骤1-1中所使用的车联网原始采集数据频率为1Hz，且数据中存在一部分不合理值或缺失值，需要按照以下规则进行处理：

规则1、对于部分采样保留值，如65536、256等，直接进行剔除该行数据；对于温度采样值≤-270℃的数据，判定为无效值，也进行剔除。

规则2、对于缺失值，若为温度测点且精度较低，可根据前后温度值进行插值；若非温度测点，则直接剔除该行数据。

进一步的，所述步骤1-2适用于识别方法的工况数据范围为柴油车发动机每天启动后的热车过程阶段；所述热车过程为柴油发动机启动后，发动机常规的升温过程，该过程发动机处于怠速状态，且会根据环境温度调整转速水平，通常固定在1～2个相对较窄的转速区间；所述升温过程，通常车辆中以冷却液温度作为测量指标。

步骤1-2中，目标工况抽取的条件如下：

1-2-1、车辆处于怠速状态，即发动机转速大于0 rpm，同时车速为0 km/h；

1-2-2、发动机冷却液温度高于45℃且低于55℃，在该温度区间内，冷却液温度近似等于油路中的机油温度；

经过步骤1-2-1和1-2-2处理后的数据，其发动机转速应当集中在1～2个转速区间，所述转速区间为790 rpm～810 rpm及890 rpm～910 rpm，后续两个转速区间的数据均需要纳入计算范围。

进一步的，所述步骤1-3提取能够反应机油状态的关键变量，并将原始的1Hz数据进行聚合，降低因数据波动产生的偏差；具体的提取步骤如下：

步骤1-3-1、选取机油压力测点为反应机油粘度的关键特征，另外采集发动机转速、冷却液温度、燃油量和进气量作为反映工况的测点；

步骤1-3-2、将1Hz数据按照时间聚合为5s一条的数据，计算发动机转速、冷却液温度、燃油量和进气量的平均值、10分位数值、90分位数值、中位数共4种聚合方式，得到待输入模型的16个特征；对应机油压力选取平均值作为待输入模型的标签。

进一步的，所述步骤2-1根据发动机所处的转速区间的不同对数据集进行区分，具体的是选取待分析日期前7天（不含待分析当日）的数据作为训练集，以步骤1-3中得到的发动机转速、冷却液温度、燃油量和进气量的平均值、10分位数、90分位数、中位数四种聚合方式计算的16个变量作为特征，以对应时间的平均机油压力作为标签，输入监督学习模型（XGBoost），得到对应790rpm～810rpm转速区间的模型a与对应890rpm～910rpm转速区间的模型b；训练过程中，模型a与模型b的超参数设置一致；所述超参数包括学习率、弱分类器数量、降采样比例、损失函数、叶节点最大深度、L1正则化项、L2正则化项；XGBoost是一个开源的监督学习算法，在使用中通过程序包的形式导入，利用API或封装好的函数进行调用，实现机器学习模型的训练。

进一步的，所述步骤2-2中，使用待分析当日的数据，根据发动机转速区间的不同，分别将对应的数据输入模型a与模型b，得到预测的5s平均机油压力值，记为预测机油压力a、预测机油压力b；当日的数据指的是当日采集的1Hz热车过程阶段的数据，包括发动机转速、冷却液温度、车速、进气流量、环境温度和机油压力等测点。

进一步的，所述步骤2-3模型误差分析中，模型a与模型b输出的预测机油压力a与预测机油压力b，分别与对应发动机转速区间内真实的5s平均机油压力值作差，得到模型当天所有数据的预测误差，并统计待分析当日所有数据对应误差的平均值，记为误差a与误差b。从理论上讲，机油更换后机油粘度会发生变化，使用历史数据训练的模型，在更换过机油的数据上进行预测，模型会产生较大的误差。

进一步的，所述步骤2-4中，由于发动机转速存在两个工况区间，需要按照柴油车处于两个工况区间的数据量，即加权计算误差a与误差b的平均值，其中权重为发动机转速在对应区间内的数据量占总筛选后数据量的比例；加权计算后的误差作为待分析当日的最终误差，用于判断是否更换过机油。

进一步的，在所述步骤2-5中，计算连续多天的误差数据，通过时序上的误差波动，判断机油是否在当天发生过更换，输出最终模型的结果。

本发明的有益效果：本发明方法利用车联网采集的工况数据，准确识别机油更换的时机，是车企为用户提供更多有关精准保养方面增值服务的基础，也是低成本地计算用户保养记录的方法。

1）使用了较少测点，即可解决因缺少机油液位而无法感知机油更换行为的问题，有力弥补了厂商对于非官方保养行为的监控，为后续向用户提供精准保养周期的建议完善数据基础。

2）模型适用于多用途、多型号柴油发动机，在满足输入测点的条件下，只需要略微调整发动机热车数据对应的工况条件，即可用于检测是否更换过机油，具备较强的泛化性。

3）通过对大量车辆的分析，可总结更换机油前后普遍的机油压力情况，以机油压力作为判断是否更换机油的依据，更准确地计算机油更换周期，增加用户更换机油的间隔以减少成本，或提示用户尽快更换机油减少发动机的损耗，从经济角度实现用户用车成本的降低，从安全角度降低发动机故障风险，优化用户用车体验。

附图说明

以下将结合附图对本发明作进一步说明：

图1是本发明方法的流程图；

图2是本发明实施例中模型训练与预测阶段数据流图；

图3是本发明实施例中识别机油更换时间效果示意图。

具体实施方式

下面结合附图和具体实施例对本发明做出详细的说明。

本发明中的术语定义与缩写词

机油：即发动机润滑油，在发动机日常工作中主要起到润滑减磨、辅助冷却降温、密封防漏、防锈防蚀、减震缓冲等作用，被誉为汽车的“血液”。

怠速：车辆发动机启动后，并未将输出扭矩传输至轮端的状态。这种条件下，发动机转速大于0，车速等于0。

热车过程：对于柴油车的日常使用而言，在进入工作前，需要将发动机温度提升到正常工作温度附近以确保润滑作用，属于柴油车日常使用的常规操作之一。该过程中，车辆始终处于怠速状态，发动机转速会稳定在1-2个固定的区间，冷却液温度会逐渐上升至工作温度。

监督学习模型：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。

目前商用车基本已完成T-Box与车联网基础设施的配备，可在云端采集车辆的工况数据。

具体实施例：

参照附图1，本发明基于车联网大数据的柴油发动机机油更换识别方法包括特征提取阶段、模型训练与预测阶段；

在特征提取阶段进行数据清洗与特征处理；

在模型训练与预测阶段，根据发动机所处的转速区间的不同对数据集进行区分，具体的是选取待分析日期前7天（不含待分析当日）的数据作为训练集，输入监督学习模型（XGBoost）进行模型训练，之后进入模型预测；使用待分析当日数据，进行模型预测；

最终对上述模型预测结果进行误差分析。

参照附图2的模型训练与预测阶段数据流图，具体过程如下：

1）将车辆运行数据读取至计算平台；

2）剔除其中的异常值与无效数据；

3）由于模型训练使用[T-7, T-1]共7天的数据，模型预测使用T日共1天数据，因此需要针对8天的数据进行工况提取。选取冷却液温度介于[45℃,55℃]，发动机转速介于[790 rpm, 810 rpm]与[890 rpm, 910 rpm]两个转速区间，作为发动机热车工况，用于后续模型训练与预测；

4）使用[T-7,T-1]对应的热车工况数据，将原始1Hz数据聚合为5s频率的数据，需要聚合的特征包括发动机转速、冷却液温度、燃油量、进气量，聚合方法包括均值、10分位数、90分位数及中位数，共得到16维特征。需要聚合的标签为机油压力，通过取5s平均机油压力得到用于训练模型的标签。区分两个转速区间，使用XGBoost算法训练模型，得到机油压力预测模型a与机油压力预测模型b；

5）使用T日的热车工况数据，使用同样的方法聚合得到5s的工况特征与平均机油压力，分别输入对应转速区间的模型a与模型b，得到预测机油压力a与预测机油压力b,与对应工况真实机油压力a和真实机油压力b作差，每种转速区间求平均得到得到模型的平均预测误差a与平均预测误差b；

6）根据两种转速区间占总热车工况的比例，得到对应工况的权重，加权计算平均预测误差a与平均预测b得到最终的平均误差；

7）误差值≥20的车辆，认为发生了突变，即发生过机油更换；误差值≤20的车辆，认为误差无明显变化，即未更换过机油。

图3为实施例的最终输出，横轴为日期，纵轴为机油粘度综合指标（实线）与加权平均误差（虚线），通过观察连续多天的数据，可发现加权平均误差在2021-09-25发生了较大的波动。与实际更换机油的记录验证对比，该车于2021-09-24进行了机油更换，说明该方法能够有效地检出车辆更换机油的行为。

Claims (10)

1.一种基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，包括特征提取阶段、模型训练与预测阶段；

特征提取阶段具体包括如下步骤：

步骤1-1、数据清洗；

步骤1-2、抽取目标工况数据集；

步骤1-3、特征提取；

模型训练与预测阶段包括如下步骤：

步骤2-1、构建监督学习模型；

步骤2-2、模型结果预测；

步骤2-3、模型误差分析；

步骤2-4、融合多工况结果；

步骤2-5、模型结果展示。

2.根据权利要求1所述基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，所述步骤1-1中所使用的车联网原始采集数据频率为1Hz，且数据中存在一部分不合理值或缺失值，需要按照以下规则进行处理：

规则1、对于部分采样保留值，直接进行剔除该行数据；对于温度采样值≤-270℃的数据，判定为无效值，也进行剔除；

规则2、对于缺失值，若为温度测点且精度较低，根据前后温度值进行插值；若非温度测点，则直接剔除该行数据。

3.根据权利要求1所述基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，所述步骤1-2适用于识别方法的工况数据范围为柴油车发动机每天启动后的热车过程阶段；所述热车过程为柴油发动机启动后，发动机常规的升温过程，该过程发动机处于怠速状态，且会根据环境温度调整转速水平，通常固定在1～2个相对较窄的转速区间；所述升温过程，通常车辆中以冷却液温度作为测量指标。

4.根据权利要求3所述基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，步骤1-2中，目标工况抽取的条件如下：

1-2-1、车辆处于怠速状态，即发动机转速大于0 rpm，同时车速为0 km/h；

1-2-2、发动机冷却液温度高于45℃且低于55℃，在该温度区间内，冷却液温度近似等于油路中的机油温度；

经过步骤1-2-1和1-2-2处理后的数据，其发动机转速应当集中在1～2个转速区间，所述转速区间为790 rpm～810 rpm及890 rpm～910 rpm，后续两个转速区间的数据均需要纳入计算范围。

5.根据权利要求1所述基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，所述步骤1-3提取能够反应机油状态的关键变量，并将原始的1Hz数据进行聚合，降低因数据波动产生的偏差；具体的提取步骤如下：

步骤1-3-1、选取机油压力测点为反应机油粘度的关键特征，另外采集发动机转速、冷却液温度、燃油量和进气量作为反映工况的测点；

步骤1-3-2、将1Hz数据按照时间聚合为5s一条的数据，计算发动机转速、冷却液温度、燃油量和进气量的平均值、10分位数值、90分位数值、中位数共4种聚合方式，得到待输入模型的16个特征；对应机油压力选取平均值作为待输入模型的标签。

6.根据权利要求5所述基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，所述步骤2-1根据发动机所处的转速区间的不同对数据集进行区分，具体的是选取待分析日期前7天的数据作为训练集，以步骤1-3中得到的发动机转速、冷却液温度、燃油量和进气量的平均值、10分位数、90分位数、中位数四种聚合方式计算的16个变量作为特征，以对应时间的平均机油压力作为标签，输入监督学习模型，得到对应790rpm～810rpm转速区间的模型a与对应890rpm～910rpm转速区间的模型b；训练过程中，模型a与模型b的超参数设置一致；所述超参数包括学习率、弱分类器数量、降采样比例、损失函数、叶节点最大深度、L1正则化项、L2正则化项。

7.根据权利要求6所述基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，所述步骤2-2中，使用待分析当日的数据，根据发动机转速区间的不同，分别将对应的数据输入模型a与模型b，得到预测的5s平均机油压力值，记为预测机油压力a、预测机油压力b；当日的数据指的是当日采集的1Hz热车过程阶段的数据，包括发动机转速、冷却液温度、车速、进气流量、环境温度和机油压力测点。

8.根据权利要求7所述基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，所述步骤2-3模型误差分析中，模型a与模型b输出的预测机油压力a与预测机油压力b，分别与对应发动机转速区间内真实的5s平均机油压力值作差，得到模型当天所有数据的预测误差，并统计待分析当日所有数据对应误差的平均值，记为误差a与误差b。

9.根据权利要求8所述基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，所述步骤2-4中，由于发动机转速存在两个工况区间，需要按照柴油车处于两个工况区间的数据量，即加权计算误差a与误差b的平均值，其中权重为发动机转速在对应区间内的数据量占总筛选后数据量的比例；加权计算后的误差作为待分析当日的最终误差，用于判断是否更换过机油。

10.根据权利要求8所述基于车联网大数据的柴油发动机机油更换识别方法，其特征在于，在所述步骤2-5中，计算连续多天的误差数据，通过时序上的误差波动，判断机油是否在当天发生过更换，输出最终模型的结果。

Images