CN114961949B - Scr系统的故障诊断方法、装置、设备和介质 - Google Patents
Scr系统的故障诊断方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114961949B CN114961949B CN202210499912.2A CN202210499912A CN114961949B CN 114961949 B CN114961949 B CN 114961949B CN 202210499912 A CN202210499912 A CN 202210499912A CN 114961949 B CN114961949 B CN 114961949B
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- parameters
- state parameters
- time
- real
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010531 catalytic reduction reaction Methods 0.000 title description 3
- 238000012706 support-vector machine Methods 0.000 claims abstract description 48
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 47
- 238000011144 upstream manufacturing Methods 0.000 claims description 47
- 239000007789 gas Substances 0.000 claims description 43
- 238000002347 injection Methods 0.000 claims description 36
- 239000007924 injection Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 29
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 20
- 239000004202 carbamide Substances 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 19
- 239000000446 fuel Substances 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 22
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 15
- BUCXEFZXWKUCCY-UHFFFAOYSA-N 4-methyl-3-(2-phenylethyl)-1,2,4-oxadiazol-5-one Chemical compound O1C(=O)N(C)C(CCC=2C=CC=CC=2)=N1 BUCXEFZXWKUCCY-UHFFFAOYSA-N 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003197 catalytic effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- WTHDKMILWLGDKL-UHFFFAOYSA-N urea;hydrate Chemical compound O.NC(N)=O WTHDKMILWLGDKL-UHFFFAOYSA-N 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
-
- 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
- F01N2550/00—Monitoring or diagnosing the deterioration of exhaust systems
-
- 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
- F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
- F01N2900/04—Methods of control or diagnosing
-
- 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
Abstract
本发明提供一种SCR系统的故障诊断方法、装置、设备和介质。该方法包括：获取发动机的实时状态参数，所述实时状态参数为预设时长内的参数平均值；将所述实时状态参数输入至故障诊断模型中，并获取所述故障诊断模型输出的分类结果，所述故障诊断模型为支持向量机SVM模型；根据所述故障诊断模型输出的分类结果，确定所述SCR系统是否发生故障。本发明的方法，降低了误报或错报的风险提高了故障诊断的准确性。
Description
技术领域
本发明涉及发动机排放故障诊断技术领域，尤其涉及一种SCR系统的故障诊断方法、装置、设备和介质。
背景技术
发动机的排气情况是检验发动机性能的重要标准，氮氧化合物(以下简称NOx)是发动机主要的有害排放物之一，对大气的污染越来越严重。所以受到广泛专注，国内外发动机厂倾向于使用SCR(选择性催化还原单元)降低NOx的排放，但是无论是SCR还是发动机都有故障的可能。
现有技术中，对柴油机NOx排放超1.2g/kWh故障诊断策略，通过获取SCR系统参数，利用SCR系统参数进行NOx转化效率积分运算，进而根据NOx转化效率的大小评估柴油机的NOx排放是否出现故障。
但是，上述方法故障诊断的准确性较低，误报错的概率加大。
发明内容
本发明提供一种SCR系统的故障诊断方法、装置、设备和介质，用以解决现有技术中故障诊断存在的误报或错报的问题。
第一方面，本发明提供的一种SCR系统的故障诊断方法，包括：
获取发动机的实时状态参数，所述实时状态参数为预设时长内的参数平均值；
将所述实时状态参数输入至故障诊断模型中，并获取所述故障诊断模型输出的分类结果，所述故障诊断模型为支持向量机SVM模型；
根据所述故障诊断模型输出的分类结果，确定所述SCR系统是否发生故障。
在一种可能的实现方式中，所述获取发动机的实时状态参数，包括：
根据预设时间间隔，获取时间窗口内的多个时刻的状态参数，所述时间窗口为预设时长的窗口；
对所述时间窗口内的多个时刻的状态参数进行平均处理，得到所述实时状态参数。
在一种可能的实现方式中，所述对所述时间窗口内的多个时刻的状态参数进行平均处理，得到所述实时状态参数，通过如下公式确定：
其中，为n个状态参数的第k个时间窗口的平均值，/>为第k个时间窗口中t时刻的n个状态参数，tref为时间窗口的持续时长，/>为n个状态参数的第k+1个时间窗口的平均值，/>为第k+1个时间窗口中t时刻的n个状态参数，Δt为所述预设时间间隔。
在一种可能的实现方式中，所述实时状态参数包括：上、下游氮氧化合物NOx的参数，上、下游排气温度，转速，喷油量，废气流量和尿素喷射量。
在一种可能的实现方式中，所述获取时间窗口内的多个时刻的状态参数之前，所述方法还包括：
判断预设类型的参数是否在预设参数范围内，所述预设类型的参数包括：所述喷油量，上游氮氧化合物NOx的参数，上游排气温度，废气流量和尿素喷射量；
若是，则确定对所述预设类型的参数进行时间窗口的采样；
其中，所述下游氮氧化合物NOx的参数、所述下游排气温度和所述转速直接进行时间窗口采样。
在一种可能的实现方式中，所述将所述实时状态参数输入至故障诊断模型，包括：
获取不同类型的状态参数的平均值和标准差；
根据所述平均值、所述标准差和每种类型的状态参数，对该状态参数进行标准化处理以消除量纲，得到消除量纲后的状态参数；
将消除量纲后的状态参数输入至所述故障诊断模型。
在一种可能的实现方式中，所述故障诊断模型的训练过程如下：
根据训练样本对所述故障诊断模型进行初始训练，得到初始训练后的故障诊断模型；
通过验证样本和贝叶斯优化算法对所述故障诊断模型进行超参数优化，得到优化后的超参数；
将所述超参数作为下一次训练中最优超平面的目标函数的超参数；
重复执行超参数优化的过程，直至所述故障诊断模型的输出满足预设条件，得到最优的故障诊断模型。
第二方面，本发明提供的一种SCR系统的故障诊断装置，包括：
获取模块，用于获取发动机的实时状态参数，所述实时状态参数为预设时长内的参数平均值；
处理模块，用于将所述实时状态参数输入至故障诊断模型中，并获取所述故障诊断模型输出的分类结果，所述故障诊断模型为支持向量机SVM模型；
输出模块，用于根据所述故障诊断模型输出的分类结果，确定所述SCR系统是否发生故障。
第三方面，本发明提供的一种SCR系统的故障诊断设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如所述的SCR系统的故障诊断方法。
第四方面，本发明提供的一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如所述的SCR系统的故障诊断方法的步骤。
本发明提供的一种SCR系统的故障诊断方法、装置、设备和介质，能够通过获取发动机的实时状态参数，所述实时状态参数为预设时长内的参数平均值；进一步地，将所述实时状态参数输入至故障诊断模型中，并获取所述故障诊断模型输出的分类结果，所述故障诊断模型为支持向量机SVM模型；进一步地，根据所述故障诊断模型输出的分类结果，确定所述SCR系统是否发生故障；这样，可以提高SCR系统故障诊断的准确性和泛化性，降低误报错的风险，进而可以降低服务成本，提升综合经济效益。
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。
图1为本发明实施例提供的一种应用场景示意图；
图2为本发明实施例提供的一种SCR系统的故障诊断方法流程图；
图3为本发明实施例提供的发动机的实时状态参数的处理流程图；
图4为本发明实施例提供的发动机的实时状态参数的处理时序图；
图5为本发明实施例提供的一种故障诊断模型的训练流程示意图；
图6为本发明实施例提供的时间窗口时长对准确率的影响示意图；
图7为本发明实施例提供的一种SCR系统的故障诊断装置结构示意图；
图8为本发明实施例提供的一种SCR系统的故障诊断设备。
通过上述附图，已示出本发明明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面结合附图对本申请实施例进行介绍。图1为本发明实施例提供的一种应用场景示意图。本发明提供的一种SCR系统的故障诊断方法可以运用到图1所示的应用场景中。该应用场景为行驶中的货车101，其中，货车101中安装有发动机102和SCR系统，SCR系统用于处理货车101尾气排放中NOx，该SCR系统包括计量器、尿素水溶液罐、SCR催化转化器103、上游传感器104和下游传感器105。
具体的，SCR系统可以获取发动机102排出的NOx气体，进一步的，NOx气体经过SCR催化转化器103处理，即在NOx气体中喷入尿素液，把其中的NOx还原成N2和H2O，减少空气的污染，其中，上游传感器104用于测量上游氮氧化合物NOx的参数、上游排气温度、喷油量和废气流量等，下游传感器105用于测量下游氮氧化合物NOx的参数、下游排气温度、喷油量和废气流量等，计量器用于控制尿素水溶液多少的喷洒和记录尿素喷射量；在发动机上还包括用于测量转速的传感器。
现有技术中，一般直接采集SCR系统上下游的数据主要包括上、下游排气温度和废气流量进行积分计算，在这种诊断方式下，采样数据不够充分；并且在采样之后根据积分计算直接判定了故障状态，更容易产生误报和错报的情况，不够严谨，所以错误率相对较高。
本发明实施例中，通过选取实时状态参数包括：上、下游氮氧化合物NOx的参数，上、下游排气温度，转速，喷油量和废气流量尿素喷射量，充分利用了包括上游氮氧化合物NOx的参数和尿素喷射量等现有技术中没有考虑到的状态数据作为故障诊断模型的输入特征；进一步地，在输入模型之前，对数据进行了时间窗口采样，对预设时长的窗口中的实时状态参数取平均值，在利用每个实时状态参数保证样本数据足够充分后续判断结果足够准确的同时，不会增加过多的计算量；进一步地，将支持向量机SVM模型作为本发明实施例中用于训练和预测的故障诊断模型，并通过贝叶斯优化算法优化故障诊断模型中的超参数，得到最优的故障诊断模型，便于后续实现准确的预测。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图2为本发明实施例提供的一种SCR系统的故障诊断方法流程图，如图2所示，该方法包括：
S201、获取发动机的实时状态参数，所述实时状态参数为预设时长内的参数平均值。
具体地，所述实时状态参数包括：上、下游氮氧化合物NOx的参数，上、下游排气温度，转速，喷油量，废气流量和尿素喷射量。
所述上、下游氮氧化合物NOx的参数分别为SCR系统中SCR催化转化器103的上游输入和下游输出的氮氧化合物NOx的参数；所述上、下游排气温度分别为SCR系统中SCR催化转化器103的上游输入和下游输出的排气温度；
所述转速为发动机的转速；所述喷油量为发动机的喷油量；所述废气流量包括发动机的瞬态废气流量和发动机的稳态废气流量，其中瞬态废气流量在发动机的任意状态下测量得到，稳态废气流量在发动机启动后处于稳定的状态下测量得到，所述稳定的状态下可以是发动的废气流量处于一个平稳的状态；
所述尿素喷射量为SCR系统中尿素水溶液罐的尿素喷射量，该尿素喷射量用于与发动机的排放物进行反应，减少污染排放。
所述实时状态参数均为非线性参数且数据量大，因此不便于直接取用，需要对其进行相应的处理；故
在一种可能的实现方式中，将所述实时状态参数处理为预设时长内的参数平均值；例如，以实时状态参数中任意一个状态参数如转速为例，在转速曲线中以预设的时长为截取长度任意选出一段转速数据，并对该段转速数据中的多个转速求平均值，本实施例并未对所有实时状态参数进行平均值计算说明，其处理方法如同计算转速的平均值，本实施例在此不再赘述。
S202、将所述实时状态参数输入至故障诊断模型中，并获取所述故障诊断模型输出的分类结果，所述故障诊断模型为支持向量机SVM模型。
本领域技术人员可以理解，输入至故障诊断模型中的实时状态参数可以为多种参数组成的向量的方式，例如上述8种参数组成的向量。
可选地，为了更好的对模型进行训练，提高训练效率和模型分类的精度，针对每种参数的平均值，进行消除量纲的处理，所述消除量纲是为了能在统一的标准下对不同的实时状态参数进行模型训练；所以将消除量纲后的实时状态参数作为输入，故障状态作为输出进行故障诊断模型的训练；优选地，所述故障诊断模型通过支持向量机SVM模型训练优化得到。
所述模型的输入，在一种可能的实现方式中，所述消除量纲的方式：
获取不同类型的状态参数的平均值和标准差，根据所述平均值、所述标准差和每种类型的状态参数，对该状态参数进行标准化处理以消除量纲，得到消除量纲后的状态参数；将消除量纲后的状态参数输入至所述故障诊断模型。
在一种可能的实现方式中，所述根据所述平均值、所述标准差和每种类型的状态参数，对该状态参数进行标准化处理以消除量纲的方法包括：在一个时间窗口下，对已经是参数平均值的不同状态参数求平均值和标准差，对于其中每一个状态参数，用其自身的平均值减去不同状态参数的平均值并除以标准差，得到消除量纲后的状态参数。
以实时状态参数中任意两个状态参数如转速和上游氮氧化合物NOx为例，当前转速是一段预设时长下的转速平均值，当前上游氮氧化合物NOx为该段预设时长下的上游氮氧化合物NOx平均值，对转速平均值和上游氮氧化合物NOx平均值两个参数求综合平均值和标准差，根据转速平均值、综合平均值和标准差，可以计算标准化后的转速，根据上游氮氧化合物NOx平均值、综合平均值和标准差，可以计算标准化后的上游氮氧化合物NOx，分别得到统一标准下的转速和上游氮氧化合物NOx的标准值；
本实施例并未对两个以上或者所有实时状态参数消除量纲的方式进行说明，其处理方法如同消除转速和上游氮氧化合物NOx之间的量纲，本实施例在此不再赘述。
所述模型的输出，所述故障状态包括故障和非故障，本实施例选用的数据为将下游氮氧化合物NOx排放量超过1.2g/kWh的状态记为故障，反之记为非故障。
实际诊断过程包括：将待测的实时状态参数处理成标准值后，输入已经训练好的故障诊断模型中，得到该待测的实时状态参数的分类结果是故障还是非故障。
S203、根据所述故障诊断模型输出的分类结果，确定所述SCR系统是否发生故障。
根据S202中所述故障诊断模型输出的分类结果，可以直观得出待测的实时状态参数这个经过发动机和SCR系统处理的下游氮氧化合物NOx的排放是否符合排放标准；
若是分类结果输出为1则表明下游氮氧化合物NOx排放量超过1.2g/kWh，该SCR系统无法合格完成净化任务，发生故障，若是分类结果输出为0则该SCR系统没有发生故障。
本发明实施例提供的一种SCR系统的故障诊断方法，通过获取发动机的实时状态参数，所述实时状态参数为预设时长内的参数平均值，包括：上、下游氮氧化合物NOx的参数，上、下游排气温度，转速，喷油量，废气流量和尿素喷射量，考虑多个有效参数，充分利用影响诊断结果的数据进行故障诊断，以提升准确率；进一步地，将所述实时状态参数输入至故障诊断模型中，并获取所述故障诊断模型输出的分类结果，所述故障诊断模型为支持向量机SVM模型，通过模型训练的方式将采集到的实时状态参数送入支持向量机SVM模型进行训练，使得故障诊断模型具有更高的诊断准确率和泛化性能；进一步地，根据所述故障诊断模型输出的分类结果，确定所述SCR系统是否发生故障，在需要诊断的时候，直接利用训练好的故障诊断模型进行诊断并输出结果，能够直观准确地显示当前SCR系统的故障状态。
图3为本发明实施例提供的发动机的实时状态参数的处理流程图。图4为本发明实施例提供的发动机的实时状态参数的处理时序图。如图3所示，所述获取发动机的实时状态参数，包括：
S301、根据预设时间间隔，获取时间窗口内的多个时刻的状态参数，所述时间窗口为预设时长的窗口；
S302、对所述时间窗口内的多个时刻的状态参数进行平均处理，得到所述实时状态参数。
如图4所示，在一种可能的实现方式中，所述预设时间间隔为预设的距离下一次时间窗口选取的时间间隔，所述时间窗口为预设时长的窗口，在一个时间窗口中采集有不同的状态参数，对每一个状态参数选取多个时刻下的该状态参数进行平均处理；图4中时间窗口由虚线矩形框表示，时间间隔由双箭头表示，代表两个窗口的时间距离。
具体地，所述对所述时间窗口内的多个时刻的状态参数进行平均处理，得到所述实时状态参数，通过如下公式确定：
其中，为n个状态参数的第k个时间窗口的平均值，/>为第k个时间窗口中t时刻的n个状态参数，tref为时间窗口的持续时长，/>为n个状态参数的第k+1个时间窗口的平均值，/>为第k+1个时间窗口中t时刻的n个状态参数，Δt为所述预设时间间隔。
所述平均值为一个向量，其中包含了第k个时间窗口中不同状态参数各自的平均值，在本实施例中所述不同状态参数包含：上、下游氮氧化合物NOx的参数，上、下游排气温度，转速，喷油量，废气流量和尿素喷射量，即针对每个类型的参数，对多个时刻的参数取平均值。
所述预设时间间隔Δt在图2中为介于两个时间窗口之间的时间间隔，将两个时间窗口分隔开来，此时时间窗口没有出现重合部分，但是不排除预设时间间隔小而时间窗口大的可能，此时时间窗口将可能出现重合部分，本实施例对此不作具体限定。
在一种可能的实现方式中，假设所述时间窗口的持续时长tref为5，则在一个时间窗口中任意一个状态参数被选取了1～5中的5个整数时刻对应的参数值，并对该5个参数求取平均值。
不过本实施例并不是直接对所有的状态参数都直接进行平均处理，对预设类型的参数包括：所述喷油量，上游氮氧化合物NOx的参数，上游排气温度，废气流量和尿素喷射量，需要进行数值范围的选取，当预设类型的参数的值在阈值范围内时，可以将预设类型的参数放行到时间窗口的平均处理这一步，放行判断方式如下：
具体地，所述获取时间窗口内的多个时刻的状态参数之前，还包括：
判断预设类型的参数是否在预设参数范围内，所述预设类型的参数包括：所述喷油量，上游氮氧化合物NOx的参数，上游排气温度，废气流量和尿素喷射量；
若是，则确定对所述预设类型的参数进行时间窗口的采样；
其中，所述下游氮氧化合物NOx的参数、所述下游排气温度和所述转速直接进行时间窗口采样。
本发明实施例中的实时状态参数处理方法，通过合理选取必要的状态参数，并将状态参数分为两个类型，预处理类型和直接处理类型；其中预处理类型即预设类型的参数，直接处理类型即可以直接进行时间窗口采样的参数；在进行窗口采样之前对预设类型的参数进行阈值判断，将满足阈值条件的预设类型的参数进行时间窗口采样；通过所述时间窗口采样的方式可以处理得到实时状态参数，其包括根据预设时间间隔，获取时间窗口内的多个时刻的状态参数，所述时间窗口为预设时长的窗口；对所述时间窗口内的多个时刻的状态参数进行平均处理，得到所述实时状态参数；本发明实施例不仅合理利用了状态参数，而且进行了合理平均值处理，为后续进行模型训练提供参数基础，保证准确率。
图5为本发明实施例提供的一种故障诊断模型的训练流程示意图。如图5所示，该方法包括：
S501、根据训练样本对所述故障诊断模型进行初始训练，得到初始训练后的故障诊断模型；
样本包括所述训练样本、验证样本和测试样本；所述样本为从消除量纲后的实时状态参数中随机选取得到，其中一个样本包括多个消除量纲后的实时状态参数包括：上、下游氮氧化合物NOx的参数，上、下游排气温度，转速，喷油量，废气流量和尿素喷射量。
将所述训练样本输入到支持向量机SVM模型中进行初始训练，该训练过程包括：
通过序列最小优化(Sequential Minimal Optimization,SMO)的启发式算法和拉格朗日函数对支持向量机SVM的最优超平面的目标函数进行求解：
所述支持向量机SVM的最优超平面的目标函数为：
其中，H为目标函数，s.t.后的等式和不等式为约束条件，α为拉格朗日系数，α＝{αi,αj}，αi为样本i的拉格朗日因子，αj为样本j的拉格朗日因子，yi为样本i的观测值，yj为样本j的观测值，xi为样本i的输入值，xj为样本j的输入值，C为惩罚因子，m为预测样本数量；exp(·)为以自然常数e为底的指数函数，||·||为求距离，g为径向基因子；
将求解得到的拉格朗日因子的解带入最优超平面求解权重w和偏置b，直到满足KKT(Karush-Kuhn-Tucker)条件：
其中为拉格朗日因子的解；
所述最优超平面H′为：
其中ξi为样本i的松弛变量。
所述权重w和偏置b为初始训练后的模型参数。
S502、通过验证样本和贝叶斯优化算法对所述故障诊断模型进行超参数优化，得到优化后的超参数；
支持向量机SVM模型中有超参数包括惩罚因子和径向基因子，该超参数的取值会影响模型训练的准确性，一般情况下支持向量机SVM模型都是进行人工设置，本实施例利用贝叶斯优化算法对所述故障诊断模型进行超参数优化，此时将惩罚因子和径向基因子作为未知数，将验证样本输入添加贝叶斯优化算法的支持向量机SVM模型，并根据贝叶斯优化算法更新超参数；其中权重w和偏置b为S301得到的值，在初始训练过程中，惩罚因子和径向基因子为任意设置的值，其未知数包括权重w和偏置b。
S503、将所述超参数作为下一次训练中最优超平面的目标函数的超参数；
S504、重复执行超参数优化的过程，直至所述故障诊断模型的输出满足预设条件，得到最优的故障诊断模型。
将优化后的超参数作为下一次训练中的已知数，再次进行支持向量机SVM模型的训练，得到新的权重w和偏置b；再用新的权重w和偏置b继续更新超参数，直到满足预设的训练轮次，得到最优的权重w和偏置b，即得到最优的故障诊断模型。
在一种可能的实现方式中，本实施例优化到最后一轮时的超参数值为：C＝2.94，g＝1.96。
图6为本发明实施例提供的时间窗口时长对准确率的影响示意图。如图6所示，发动机的实时状态参数包括全球瞬态试验循环(World Harmonized Steady-State Cycle，WHTC)和/或应用车载排放测试系统(Portable Emission Measurement System，PEMS)测试方法或装置下测试的发动机排放端的实时状态参数。
其中WHTC-WHTC表示，将WHTC测试方法测试的实时状态参数作为训练集进行模型训练，将WHTC测试方法测试的实时状态参数作为测试集进行模型测试；
WHTC-PEMS表示，将WHTC测试方法测试的实时状态参数作为训练集进行模型训练，将PEMS测试装置测试的实时状态参数作为测试集进行模型测试；
WHTC/PEMS-WHTC/PEMS表示，将WHTC测试方法和PEMS测试装置测试的实时状态参数同时作为训练集进行模型训练，将WHTC测试方法和PEMS测试装置测试的实时状态参数同时作为测试集进行模型测试；
在训练和测试过程中不断改变时间窗口的时长，根据图6显示的结果，模型的准确率基本上根据时间窗口的时长增加而增加，直到105秒开始出现下降的趋势，因此本实施例中最优的时间窗口时长为105秒，过多地增加时间窗口时长不仅会增加计算机的计算负担并且可能带来效果的下降。
当窗口时长为105秒时，在WHTC-PEMS数据上的故障诊断准确率达到96.99％。其他测试集与训练集的建模组合，其模型故障诊断准确率均可达到99％以上，说明支持向量机SVM模型具备良好的泛化性能。
在实际诊断过程中，为了诊断鲁棒性，一般要求完成不少于6次的诊断计算次数，以下将通过表格的形式阐述实际诊断的准确率：
表1 不同负荷下柴油机PEMS工况数据的诊断准确率
如表1所示，故障诊断模型在PEMS工况100％、10％负荷下的诊断精度分别为94.81％和98.67，高负荷的诊断精度相对较低。
表2 不同状态下柴油机PEMS工况数据的诊断准确率
如表2所示，所述SCR状态为正常时，意味着SCR系统处于一个正常的工作状态，相比于所述SCR状态为裂化时，处于一个正常的工作状态的SCR系统使用损耗更小，而所述SCR状态为裂化时，意味着SCR系统处于相对老化的状态，已经出现了系统上肉眼可见的损耗；在SCR状态为正常时，故障诊断模型在PEMS工况下的诊断准确率为97.29％，在SCR状态为裂化时，故障诊断模型在PEMS工况下的诊断准确率为96.69％，其故障诊断准确率都比较高，说明故障诊断模型性能良好。
表3 不同模型的故障诊断准确率
如表3所示，相比于支持向量机SVM模型，在WHTC训练集下进行诊断，概率神经网络PNN模型和长短时记忆神经网络LSTM模型的诊断准确率都相对较低，但是在PEMS测试集下进行诊断，反而是概率神经网络PNN模型和长短时记忆神经网络LSTM模型的诊断准确率都相对较高；故仅使用支持向量机SVM模型进行诊断还不够理想，故需要在支持向量机SVM模型加上数据处理；
其中“SVM+放行条件”表示在支持向量机SVM模型加上放行条件，所述放行条件为对所述预设类型的参数进行放行判断，在此基础上，在WHTC训练集下进行诊断的准确率高达99.96％，在PEMS测试集下进行诊断的准确率为85.49％，虽然有所提高，但是还不够理想；故有了发明实施例中的“SVM+放行条件+时间窗口”，又添加一个时间窗口处理状态参数，从表中可以看到，在此基础上，在WHTC训练集下进行诊断的准确率高达99.61％，在PEMS测试集下进行诊断的准确率高达96.99％，本发明实施例中的方法同时提高了诊断准确率和泛化性，可以适应不同的数据集。
本发明实施例的模型训练过程均在离线状态下进行，最后将训练好的模型放到实际工程中使用，在满足产品应用的同时提高故障诊断准确率，降低服务成本，经济效益明显。
图7为本发明实施例提供的一种SCR系统的故障诊断装置结构示意图。如图7所示，该装置包括获取模块701、处理模块702和输出模块703；
所述获取模块701，用于获取发动机的实时状态参数，所述实时状态参数为预设时长内的参数平均值；
所述处理模块702，用于将所述实时状态参数输入至故障诊断模型中，并获取所述故障诊断模型输出的分类结果，所述故障诊断模型为支持向量机SVM模型；
所述输出模块703，用于根据所述故障诊断模型输出的分类结果，确定所述SCR系统是否发生故障。
可选的，所述实时状态参数包括：上、下游氮氧化合物NOx的参数，上、下游排气温度，转速，喷油量，废气流量和尿素喷射量。
所述获取模块701，具体用于根据预设时间间隔，获取时间窗口内的多个时刻的状态参数，所述时间窗口为预设时长的窗口；
对所述时间窗口内的多个时刻的状态参数进行平均处理，得到所述实时状态参数。
可选的，所述对所述时间窗口内的多个时刻的状态参数进行平均处理，得到所述实时状态参数，通过如下公式确定：
其中，为n个状态参数的第k个时间窗口的平均值，/>为第k个时间窗口中t时刻的n个状态参数，tref为时间窗口的持续时长，/>为n个状态参数的第k+1个时间窗口的平均值，/>为第k+1个时间窗口中t时刻的n个状态参数，Δt为所述预设时间间隔。
可选的，所述获取时间窗口内的多个时刻的状态参数之前，所述方法还包括：
判断预设类型的参数是否在预设参数范围内，所述预设类型的参数包括：所述喷油量，上游氮氧化合物NOx的参数，上游排气温度，废气流量和尿素喷射量；
若是，则确定对所述预设类型的参数进行时间窗口的采样；
其中，所述下游氮氧化合物NOx的参数、所述下游排气温度和所述转速直接进行时间窗口采样。
可选的，所述将所述实时状态参数输入至故障诊断模型，包括：
获取不同类型的状态参数的平均值和标准差；
根据所述平均值、所述标准差和每种类型的状态参数，对该状态参数进行标准化处理以消除量纲，得到消除量纲后的状态参数；
将消除量纲后的状态参数输入至所述故障诊断模型。
所述处理模块702，具体用于根据训练样本对所述故障诊断模型进行初始训练，得到初始训练后的故障诊断模型；
通过验证样本和贝叶斯优化算法对所述故障诊断模型进行超参数优化，得到优化后的超参数；
将所述超参数作为下一次训练中最优超平面的目标函数的超参数；
重复执行超参数优化的过程，直至所述故障诊断模型的输出满足预设条件，得到最优的故障诊断模型。
本申请实施例提供的SCR系统的故障诊断装置的具体实现原理和效果可以参见上述实施例对应的相关描述和效果，此处不做过多赘述。
本申请还提供一种SCR系统的故障诊断设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行SCR系统的故障诊断方法。
图8为本发明实施例提供的一种SCR系统的故障诊断设备。如图8所示，本实施例提供的SCR系统的故障诊断设备80包括：至少一个处理器801和存储器802。该设备80还包括通信部件803。其中，处理器801、存储器802以及通信部件803通过总线804连接。
在具体实现过程中，至少一个处理器801执行所述存储器802存储的计算机执行指令，使得至少一个处理器801执行如上SCR系统的故障诊断方法。
处理器801的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图8所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的SCR系统的故障诊断方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于设备中。
所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段，并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。
Claims (9)
1.一种SCR系统的故障诊断方法，其特征在于，包括：
判断预设类型的参数是否在预设参数范围内，所述预设类型的参数包括：喷油量，上游氮氧化合物NOx的参数，上游排气温度，废气流量和尿素喷射量；
若是，则确定对所述预设类型的参数进行时间窗口的采样；
其中，下游氮氧化合物NOx的参数、下游排气温度和转速直接进行时间窗口采样；
获取发动机的实时状态参数，所述实时状态参数为预设时长内的参数平均值；
将所述实时状态参数输入至故障诊断模型中，并获取所述故障诊断模型输出的分类结果，所述故障诊断模型为支持向量机SVM模型；
根据所述故障诊断模型输出的分类结果，确定所述SCR系统是否发生故障。
2.根据权利要求1所述的方法，其特征在于，所述获取发动机的实时状态参数，包括：
根据预设时间间隔，获取时间窗口内的多个时刻的状态参数，所述时间窗口为预设时长的窗口；
对所述时间窗口内的多个时刻的状态参数进行平均处理，得到所述实时状态参数。
3.根据权利要求2所述的方法，其特征在于，所述对所述时间窗口内的多个时刻的状态参数进行平均处理，得到所述实时状态参数，通过如下公式确定：
其中，为n个状态参数的第k个时间窗口的平均值，It n,k为第k个时间窗口中t时刻的n个状态参数，tref为时间窗口的持续时长，/>为n个状态参数的第k+1个时间窗口的平均值，It n,k+1为第k+1个时间窗口中t时刻的n个状态参数，Δt为所述预设时间间隔。
4.根据权利要求2所述的方法，其特征在于，所述实时状态参数包括：上、下游氮氧化合物NOx的参数，上、下游排气温度，转速，喷油量，废气流量和尿素喷射量。
5.根据权利要求4所述的方法，其特征在于，所述将所述实时状态参数输入至故障诊断模型，包括：
获取不同类型的状态参数的平均值和标准差；
根据所述平均值、所述标准差和每种类型的状态参数，对该状态参数进行标准化处理以消除量纲，得到消除量纲后的状态参数；
将消除量纲后的状态参数输入至所述故障诊断模型。
6.根据权利要求1所述的方法，其特征在于，所述故障诊断模型的训练过程如下：
根据训练样本对所述故障诊断模型进行初始训练，得到初始训练后的故障诊断模型；
通过验证样本和贝叶斯优化算法对所述故障诊断模型进行超参数优化，得到优化后的超参数；
将所述超参数作为下一次训练中最优超平面的目标函数的超参数；
重复执行超参数优化的过程，直至所述故障诊断模型的输出满足预设条件，得到最优的故障诊断模型。
7.一种SCR系统的故障诊断装置，其特征在于，包括：
获取模块，用于获取发动机的实时状态参数，所述实时状态参数为预设时长内的参数平均值；
处理模块，用于将所述实时状态参数输入至故障诊断模型中，并获取所述故障诊断模型输出的分类结果，所述故障诊断模型为支持向量机SVM模型；
输出模块，用于根据所述故障诊断模型输出的分类结果，确定所述SCR系统是否发生故障；
判断模块，用于判断预设类型的参数是否在预设参数范围内，所述预设类型的参数包括：喷油量，上游氮氧化合物NOx的参数，上游排气温度，废气流量和尿素喷射量；
若是，则确定对所述预设类型的参数进行时间窗口的采样；
其中，下游氮氧化合物NOx的参数、下游排气温度和转速直接进行时间窗口采样。
8.一种SCR系统的故障诊断设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-6任一项所述的SCR系统的故障诊断方法。
9.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-6中任意一项所述的SCR系统的故障诊断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210499912.2A CN114961949B (zh) | 2022-05-09 | 2022-05-09 | Scr系统的故障诊断方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210499912.2A CN114961949B (zh) | 2022-05-09 | 2022-05-09 | Scr系统的故障诊断方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114961949A CN114961949A (zh) | 2022-08-30 |
| CN114961949B true CN114961949B (zh) | 2024-01-16 |
Family
ID=82981661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210499912.2A Active CN114961949B (zh) | 2022-05-09 | 2022-05-09 | Scr系统的故障诊断方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114961949B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016122315A1 (de) * | 2015-12-10 | 2017-06-14 | General Electric Company | System und Verfahren zur Fehlerdiagnose in einem Emissionssteuerungssystem |
| KR101865915B1 (ko) * | 2016-12-07 | 2018-06-11 | 현대오트론 주식회사 | Scr 시스템의 촉매 고장진단 및 부적합 요소수 판단 방법 |
| CN110295984A (zh) * | 2018-03-21 | 2019-10-01 | 丰田自动车株式会社 | 催化剂状态推定装置及方法、以及非瞬时性记录介质 |
| JP2019167948A (ja) * | 2018-03-21 | 2019-10-03 | 株式会社豊田中央研究所 | 触媒状態推定装置、触媒の状態を推定する方法及びコンピュータプログラム |
| CN110425024A (zh) * | 2018-05-01 | 2019-11-08 | 福特全球技术公司 | 用于概率车载诊断的系统和方法 |
| US10690033B1 (en) * | 2019-11-05 | 2020-06-23 | John H. Johnson | Aftertreatment systems and methods for treatment of exhaust gas from diesel engine |
| CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
| CN113062792A (zh) * | 2021-05-07 | 2021-07-02 | 潍柴动力股份有限公司 | 一种scr故障诊断方法、装置、存储介质和电子设备 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8091416B2 (en) * | 2009-01-16 | 2012-01-10 | GM Global Technology Operations LLC | Robust design of diagnostic enabling conditions for SCR NOx conversion efficiency monitor |
| DE102017218480A1 (de) * | 2017-10-16 | 2019-04-18 | Robert Bosch Gmbh | Verfahren zur Ermittlung einer NOx-Konzentration und eines NH3-Schlupfes stromabwärts eines SCR-Katalysators |
| US10465589B2 (en) * | 2018-03-19 | 2019-11-05 | GM Global Technology Operations LLC | Selective catalytic reduction fault detection |
| FR3082035B1 (fr) * | 2018-06-01 | 2020-06-05 | Continental Automotive France | Apprentissage automatique predictif pour la prediction d'une frequence de resonance d'un catalyseur de reduction selective des oxydes d'azote |
| US10907521B2 (en) * | 2018-11-30 | 2021-02-02 | GM Global Technology Operations LLC | Methods for operating and diagnosing internal combustion engine exhaust gas treatment systems |
-
2022
- 2022-05-09 CN CN202210499912.2A patent/CN114961949B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102016122315A1 (de) * | 2015-12-10 | 2017-06-14 | General Electric Company | System und Verfahren zur Fehlerdiagnose in einem Emissionssteuerungssystem |
| KR101865915B1 (ko) * | 2016-12-07 | 2018-06-11 | 현대오트론 주식회사 | Scr 시스템의 촉매 고장진단 및 부적합 요소수 판단 방법 |
| CN110295984A (zh) * | 2018-03-21 | 2019-10-01 | 丰田自动车株式会社 | 催化剂状态推定装置及方法、以及非瞬时性记录介质 |
| JP2019167948A (ja) * | 2018-03-21 | 2019-10-03 | 株式会社豊田中央研究所 | 触媒状態推定装置、触媒の状態を推定する方法及びコンピュータプログラム |
| CN110425024A (zh) * | 2018-05-01 | 2019-11-08 | 福特全球技术公司 | 用于概率车载诊断的系统和方法 |
| US10690033B1 (en) * | 2019-11-05 | 2020-06-23 | John H. Johnson | Aftertreatment systems and methods for treatment of exhaust gas from diesel engine |
| CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN113062792A (zh) * | 2021-05-07 | 2021-07-02 | 潍柴动力股份有限公司 | 一种scr故障诊断方法、装置、存储介质和电子设备 |
| CN114065613A (zh) * | 2021-10-27 | 2022-02-18 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于LSTM神经网络的柴油机NO_x排放预测;戴金池;《内燃机学报》;第38卷(第5期);第458-463页 * |
| 基于数据处理与BP神经网络的SCR脱硝效率预测模型;朱洁雯;金保昇;张勇;张友卫;周春蕾;李逗;孙栓柱;孙和泰;;工业控制计算机(02);第54-55页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114961949A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106958478B (zh) | 用于后处理系统监测的系统、方法和设备 | |
| CN104791119B (zh) | 评估NOx传感器响应速率劣化的设备、系统和方法 | |
| US11047283B2 (en) | Method of monitoring an SCR catalytic converter | |
| KR20160115799A (ko) | 선택적 촉매 환원 촉매의 건전성을 모니터링하기 위한 시스템 및 방법 | |
| US20160319727A1 (en) | Method for on-board diagnosis of an oxidation catalyst in an exhaust-gas system of an internal combustion engine of a vehicle | |
| CN110552771B (zh) | 氧化催化器故障检测方法、装置、设备及存储介质 | |
| CN111140318B (zh) | 尿素解冻能力的诊断方法、装置、设备及存储介质 | |
| CN110121708B (zh) | 设计虚拟传感器的过程、对应的虚拟传感器、系统和计算机程序产品 | |
| CN113062792B (zh) | 一种scr故障诊断方法、装置、存储介质和电子设备 | |
| CN103890341A (zh) | 柴油机排放测量 | |
| CN110594000B (zh) | 热管理启动的控制方法、控制装置、控制设备及存储介质 | |
| CN114961949B (zh) | Scr系统的故障诊断方法、装置、设备和介质 | |
| CN111396180A (zh) | 转化效率的异常判断方法及装置 | |
| CN111120055B (zh) | 一种发动机尿素浓度变化检测方法、装置及存储介质 | |
| CN113779494B (zh) | Scr故障诊断方法和装置 | |
| CN116220870A (zh) | 车辆尾气排放的控制方法、装置、电子设备和存储介质 | |
| CN115330071A (zh) | 一种基于车联网大数据的doc异常检测方法 | |
| CN114997342A (zh) | 一种scr故障诊断方法、装置、设备及存储介质 | |
| US11448568B2 (en) | Method of determining the evaluation time for a diagnosis | |
| CN114517727A (zh) | 数据采集装置、分析装置、分析方法及计算机程序产品 | |
| CN112983611A (zh) | 用于scr催化净化器的诊断方法 | |
| CN113686585B (zh) | 车辆排放物监测方法、装置、计算机设备和存储介质 | |
| US20230147578A1 (en) | Non-intrusive reductant injector clogging detection | |
| CN116992247B (zh) | 一种尾气分析仪的异常数据检测方法 | |
| CN114233437B (zh) | 一种机油黏度劣化程度预测方法及装置 |
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 |