CN114997342A

CN114997342A - 一种scr故障诊断方法、装置、设备及存储介质

Info

Publication number: CN114997342A
Application number: CN202210924435.XA
Authority: CN
Inventors: 王秀雷; 赵康荏
Original assignee: Weichai Power Co Ltd
Current assignee: Weichai Power Co Ltd
Priority date: 2022-08-03
Filing date: 2022-08-03
Publication date: 2022-09-02
Anticipated expiration: 2042-08-03
Also published as: CN114997342B

Abstract

本发明公开了一种SCR故障诊断方法、装置、设备及存储介质。该方法包括：实时获取当前采集时间窗口内的待测状态序列；其中，所述待测状态序列中包含至少两个发动机状态数据；将所述待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果；基于所述目标故障分类结果，确定SCR箱的故障诊断结果。本发明实施例通过采集多个发动机状态数据，基于目标故障分类模型，确定SCR箱的故障诊断结果，解决了传统的故障诊断方法容易受到发动机的工况干扰的问题，提高了SCR箱的故障诊断结果的准确度，进而降低了车辆的服务成本。

Description

一种SCR故障诊断方法、装置、设备及存储介质

技术领域

本发明涉及车辆故障检测技术领域，尤其涉及一种SCR故障诊断方法、装置、设备及存储介质。

背景技术

随着大气环境污染问题的日益突出，在机动车尾气排放方面制定了越来越严格的法规。在新规中，尤其对作为一次污染物的氮氧化物NOx的排放有着明确的限值规定。现有的发动机大多采用SCR（Selective Catalytic Reduction，选择性催化还原）技术来控制NOx的排放量，并且在SCR箱的使用过程中，需要经常对SCR箱进行检修，以满足NOx排放限值的要求。

现有技术主要是通过计算SCR箱的实际转化效率来确定SCR箱是否存在故障，其原理为对SCR箱的上游NOx值和下游NOx值进行积分，得到NOx的实际转化效率，根据实际转化效率和限值转化效率，确定SCR箱是否存在故障。

当发动机的工况发生变化时，SCR箱的实际转化效率会存在较大的波动偏差，从而导致传统的故障诊断方法存在很高的误报错风险。

发明内容

本发明实施例提供了一种SCR故障诊断方法、装置、设备及存储介质，以解决传统的故障诊断方法容易受到发动机的工况干扰的问题，提高SCR箱的故障诊断结果的准确度。

根据本发明一个实施例提供了一种SCR故障诊断方法，该方法包括：

实时获取当前采集时间窗口内的待测状态序列；其中，所述待测状态序列中包含至少两个发动机状态数据；

将所述待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果；

基于所述目标故障分类结果，确定SCR箱的故障诊断结果。

根据本发明另一个实施例提供了一种SCR故障诊断装置，该装置包括：

待测状态序列获取模块，用于实时获取当前采集时间窗口内的待测状态序列；其中，所述待测状态序列中包含至少两个发动机状态数据；

目标故障分类结果确定模块，用于将所述待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果；

故障诊断结果确定模块，用于基于所述目标故障分类结果，确定SCR箱的故障诊断结果。

根据本发明另一个实施例提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的SCR故障诊断方法。

根据本发明另一个实施例，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计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的SCR故障诊断方法。

本发明实施例的技术方案，通过实时获取当前采集时间窗口内的待测状态序列，将所述待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果，基于所述目标故障分类结果，确定SCR箱的故障诊断结果，解决了传统的故障诊断方法容易受到发动机的工况干扰的问题，提高了SCR箱的故障诊断结果的准确度，进而降低了车辆的服务成本。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一所提供的一种SCR故障诊断方法的流程图；

图2为本发明实施例二所提供的一种SCR故障诊断方法的流程图；

图3为本发明实施例二所提供的一种采集时间窗口的示意图；

图4为本发明实施例二所提供的一种待测状态序列的获取处理的示意图；

图5为本发明实施例二所提供的一种待测状态序列的示意图；

图6为本发明实施例三所提供的一种SCR故障诊断方法的流程图；

图7为本发明实施例三所提供的一种SCR故障诊断方法的具体实例的流程图；

图8为本发明实施例三所提供的一种窗口时长与故障诊断准确率之间的关系图；

图9为本发明实施例四所提供的一种SCR故障诊断装置的结构示意图；

图10为本发明实施例五所提供的一种电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

图1为本发明实施例一所提供的一种SCR故障诊断方法的流程图，本实施例可适用于对车辆中的SCR箱的运行状态进行检测的情况，该方法可以由SCR故障诊断装置来执行，该SCR故障诊断装置可以采用硬件和/或软件的形式实现，该SCR故障诊断装置可配置于终端设备中。如图1所示，该方法包括：

S110、实时获取当前采集时间窗口内的待测状态序列。

其中，具体的，当前采集时间窗口可用于表征一段时间序列，包括当前开始时刻和当前结束时刻。示例性的，当前采集时间窗口的预设窗口时长为100s或120s。此处对当前采集时间窗口的预设窗口时长不作限定，用户可根据实际需求自定义设置。

在一个可选实施例中，当前采集时间窗口与上一采集时间窗口时间的时间间隔等于预设窗口时长。示例性的，当上一采集时间窗口为1:00-1:10时，当前采集时间窗口为1:11-1:21。其中，具体的，如果时间间隔大于预设窗口时长，则会丢失发动机状态数据，使得采集到的待测状态序列不完整，从而容易造成故障诊断结果不准确。

在本实施例中，待测状态序列中包含至少两个发动机状态数据。其中，具体的，状态采集设备根据预设采集频率，获取多个发动机状态数据，示例性的，状态采集设备包括但不限于气体传感器、温度传感器和发动机监控设备等等。具体的，待测状态序列包括与多个采集时刻分别对应的多个发动机状态数据。

这样设置的好处在于，单一采集时刻下的单一发动机状态数据会受到SCR箱所处的工况环境、状态采集设备的采集误差、SCR控制偏差等多方面干扰因素的影响，从而容易出现误报错的情况。本实施例可以有效降低误报错的概率，同时使得待测状态序列具备多个发动机状态数据的状态变化特征，增加了输入数据的特征多样性，进而可以进一步提高目标故障分类模型的输出结果的准确度。

在一个可选实施例中，待测状态序列包括发动机转速、喷油量、SCR上游NOx浓度、SCR下游NOx浓度、SCR上游排气温度、SCR下游排气温度和废气流量中至少两个。其中，示例性的，废气流量可以包括瞬态废气流量和/或稳态废气流量。

在一个可选实施例中，目标故障分类模型部署在云端平台上。由于云端平台对目标故障分类模型的内存占用量没有要求，因此，待测状态序列中包含的发动机状态数据的数据类型越多，目标故障分类模型的输出结果的准确率越高。在一个可选实施例中，待测状态序列包括发动机转速、喷油量、SCR上游NOx浓度、SCR下游NOx浓度、SCR上游排气温度、SCR下游排气温度和废气流量。

S120、将待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果。

本实施例将SCR箱的故障诊断抽象为基于时间窗口的状态序列的分类问题，其中，示例性的，可用于数据分类的模型类型包括但不限于逻辑回归模型、决策树、SVM（SupportVector Machines，支持向量机）、PNN（Product-based Neural Network，概率神经网络）和LSTM（Long Short-Term Memory，长短时记忆神经网络）等等，此处对目标故障分类模型的模型类型不作限定，用户可根据需求自定义选择。

其中，SVM是一种建立在统计学习理论上的神经网络模型，SVM将特征向量映射到一个更高维的空间里，在这个空间里建立一个最大间隔超平面

，在超平面

的两边建有两个互相平行的超平面

、

，平行超平面间的距离越大，分类器的总误差越小，SVM遵循结构风险最小化原理，泛化能力强。PNN的原理为采用线性学习算法来完成非线性模式分类工作，能够达到快速分类处理的效果，PNN模型具备结构简洁、训练难度小、收敛速度快等优点。LSTM能够存储并传递长期记忆和短期记忆，并将其用于当前的数据预测中，时间越临近，对当前数据预测的影响权重越大，训练工作量大，学习时间长，特别适合预测复杂的连续时间数据。

其中，具体的，目标故障分类结果可以用于表征待测状态序列对应的SCR箱的发生故障的分类概率、未发生故障的分类概率或分类类别。示例性的，目标故障分类结果可以是发生故障的概率为90%、未发生故障的概率为10%，或者目标故障分类结果可以是故障状态或正常状态。其中，示例性的，将NOx排放超过1.2的状态标记为故障状态，输出的目标故障分类结果标定为1，将NOx排放不超过1.2的状态标记为正常状态，输出的目标故障分类结果标定为0。

S130、基于目标故障分类结果，确定SCR箱的故障诊断结果。

在一个可选实施例中，当目标故障分类结果为分类类别时，将目标故障分类结果作为SCR箱的故障诊断结果。当目标故障分类结果为发生故障的分类概率时，示例性的，在目标故障分类结果大于或等于50%的情况下，将发生故障作为SCR箱的故障诊断结果，在目标故障分类结果小于50%的情况下，将未发生故障作为SCR箱的故障诊断结果。当目标故障分类结果为未发生故障的分类概率时，示例性的，在目标故障分类结果大于或等于50%的情况下，将未发生故障作为SCR箱的故障诊断结果，在目标故障分类结果小于50%的情况下，将发生故障作为SCR箱的故障诊断结果。

在上述实施例的基础上，可选的，基于目标故障分类结果，确定SCR箱的故障诊断结果，包括：判断目标故障分类结果的数量是否满足预设窗口数量；如果是，则基于预设比例阈值和至少两个目标故障分类结果，确定SCR箱的故障诊断结果。

其中，具体的，预设比例阈值可用于表征发生故障的窗口比例阈值或未发生故障的窗口比例阈值。以预设比例阈值表征发生故障的窗口比例阈值为例，如预设比例阈值为80%。具体的，将实时获取到的当前采集时间窗口内的待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果，当目标故障分类模型输出的目标故障分类结果的数量满足预设窗口数量时，确定至少两个目标故障分类结果中包含的发生故障的目标故障分类结果所占的状态分类比例，如果状态分类比例大于80%，则SCR箱的故障诊断结果为发生故障，如果状态分类比例未超过80%，则SCR箱的故障诊断结果为未发生故障。其中，示例性的，预设窗口数量可以为1000。

这样设置的好处在于，单一采集时间窗口内的待测状态序列会受到SCR箱所处的工况环境、状态采集设备的采集误差、SCR控制偏差等多方面干扰因素的影响，从而容易出现误报错的情况。本实施例可以有效降低误报错的概率。

本实施例的技术方案，通过实时获取当前采集时间窗口内的待测状态序列，将待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果，基于目标故障分类结果，确定SCR箱的故障诊断结果，解决了传统的故障诊断方法容易受到发动机的工况干扰的问题，提高了SCR箱的故障诊断结果的准确度，进而降低了车辆的服务成本。

实施例二

图2为本发明实施例二所提供的一种SCR故障诊断方法的流程图，本发明实施例对上述实施例中的“实时获取当前采集时间窗口内的待测状态序列”技术特征进行进一步细化，如图2所示，该方法包括：

S210、在满足预设监控条件的情况下，获取当前采集时间窗口与上一采集时间窗口之间的时间间隔。

在本实施例中，预设监控条件包括待测状态序列中的各发动机状态数据分别满足各自对应的状态数据范围。

在一个可选实施例中，状态数据范围包括预设转速范围、预设喷油量范围、预设SCR上游NOx浓度范围、预设SCR下游NOx浓度范围、预设SCR上游排气温度范围、预设SCR下游排气温度范围或预设废气流量范围，相应的，预设监控条件包括发动机转速满足预设转速范围、喷油量满足预设喷油量范围、SCR上游NOx浓度满足预设SCR上游NOx浓度范围、SCR下游NOx浓度满足预设SCR下游NOx浓度范围、SCR上游排气温度满足预设SCR上游排气温度范围、SCR下游排气温度满足预设SCR下游排气温度范围和废气流量满足预设废气流量范围中至少两种。

这样设置的好处在于，提高了采集到的发动机状态数据的准确度，避免除了SCR自身故障之外的其他因素引起的NOx排放超标误报错的情况。

其中，具体的，在上一采集时间窗口结束后，当前采集时间窗口的当前开始时刻和当前结束时刻随着采集累积时间的增加而增加。其中，具体的，时间间隔可以是基于当前采集时间窗口的当前开始时刻与上一采集时间窗口的上一开始时刻计算得到的，也可以是基于当前采集时间窗口的当前结束时刻与上一采集时间窗口的上一结束时刻计算得到的。

S220、判断时间间隔是否满足预设延迟时间，如果是，则执行S230，如果否，则执行S210。

在本实施例中，预设延迟时间小于当前采集时间窗口的预设窗口时长。其中，示例性的，预设延迟时间可以为1s或10s，此处对预设延迟时间不作限定。

图3为本发明实施例二所提供的一种采集时间窗口的示意图。具体的，图3的横轴表示采集时间，纵轴表示发动机状态数据，图3示出的坐标系中的曲线表示发动机状态数据随采集时间的变化曲线。△t表示预设延迟时间，Tr1、Tr2和Tr3分别表示采集时间窗口。

图4为本发明实施例二所提供的一种待测状态序列的获取处理的示意图。图4的横轴表示获取待测状态序列的时间，纵轴表示待测状态序列的获取状态，图4示出了3个时间段分别对应的待测状态序列的获取状态。具体的，在第一时间段内，采集到的多个发动机状态数据不满足预设监控条件，因此不基于采集到的发动机状态数据构建待测状态序列。在第二时间段内，采集到的多个发动机状态数据满足预设监控条件，但此时当前采集时间窗口与上一采集时间窗口之间的时间间隔小于预设延迟时间，因此不基于采集到的发动机状态数据构建待测状态序列。在第三时间段内采集到的多个发动机状态数据满足预设监控条件，且当前采集时间窗口与上一采集时间窗口之间的时间间隔小于预设延迟时间，因此基于采集到的发动机状态数据构建待测状态序列，得到当前采集时间窗口内的待测状态序列。

S230、获取当前采集时间窗口内的待测状态序列。

在一个可选实施例中，待测状态序列中包括发动机转速、喷油量、SCR下游NOx浓度、SCR上游排气温度和废气流量。

在上述实施例的基础上，可选的，目标故障分类模型集成在车辆的电子控制单元中。

由于SCR箱的故障诊断直接关系到车辆的NOx排放是否满足排放要求，当目标故障分类模型部署在云端平台上时，云端平台受到带宽和自身线程任务的影响，通常无法对SCR箱的故障进行实时诊断，容易出现诊断延后的问题。电子控制单元（Electronic ControlUnit，ECU）可以实现对SCR箱的故障进行实时诊断的目的，但电子控制单元对目标故障分类模型的内存占用量有要求。因此，当减少待测状态序列中发动机状态数据的数据类型的数量时，将目标故障分类模型集成在车辆的电子控制单元中具备可行性。

图5为本发明实施例二所提供的一种待测状态序列的示意图。具体的，图5示出了一个采集时间窗口内的待测状态序列，待测状态序列包括与各采集时刻分别对应的发动机转速、喷油量、SCR下游NOx浓度、废气流量和SCR上游排气温度。

S240、将待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果。

S250、基于目标故障分类结果，确定SCR箱的故障诊断结果。

在实际工程应用中，通常需要在WHTC规定的试验工况循环结束前给出SCR箱的故障诊断结果，WHTC规定的一个循环为30分钟，为了保证故障诊断结果的鲁棒性，一般要求完成不少于6次的故障诊断结果。如果采用具备时间先后顺序的多个采集时间窗口，即当前采集时间窗口与上一采集时间窗口时间的时间间隔等于预设窗口时长，一个WHTC循环对应的采集时间窗口的数量很少。本实施例的技术方案，通过在满足预设监控条件，且当前采集时间窗口与上一采集时间窗口之间的时间间隔满足预设延迟时间的情况下，获取当前采集时间窗口内的待测状态序列，其中，预设延迟时间小于当前采集时间窗口对应的预设窗口时长，解决了采集时间窗口的数量较少的问题，在提高了SCR箱的故障诊断结果的准确度的同时，满足了实际工程应用对故障诊断的次数要求。

在一个可选实施例中，预设延迟时间小于当前采集时间窗口对应的预设窗口时长，且目标故障分类模型集成在电子控制单元中。由于本实施例弱化了多个采集时间窗口之间的时间先后性，因此目标故障分类模型的模型类型不宜为LSTM。考虑到ECU计算能力，不可能做到实时的机器学习和参数优化，只能离线学习，在线使用，因此在考虑准确率的基础上，还要求高泛化性能，即模型要适应WHTC循环和不同的路谱工况，而PNN通常需要更多的数据对网络进行训练才能进一步提高网络模型的故障诊断准确率，因此PNN相对不适用于此应用场景，因此本实施例中的目标故障分类模型的模型类型为SVM。

实施例三

图6为本发明实施例三所提供的一种SCR故障诊断方法的流程图，本实施例中的目标故障分类模型的模型类型为支持向量机，目标故障分类模型采用的核函数为径向基核函数，如图6所示，该方法包括：

S310、实时获取当前采集时间窗口内的待测状态序列。

S320、将待测状态序列输入到预先训练完成的目标SVM模型中，得到输出的目标故障分类结果。

在上述实施例的基础上，该方法还包括：获取多个采集时间窗口内的训练状态序列；其中，训练状态序列中包含至少两个发动机状态数据；将各训练状态序列输入到初始SVM模型中，得到输出的多个预测故障分类结果；基于多个预测故障分类结果和与各预测故障分类结果分别对应的真实故障分类结果，对初始SVM模型的模型参数进行调整，得到训练完成的目标SVM模型。

其中，示例性的，训练集中的训练状态序列可以是在全球瞬态试验循环（WorldHarmonized Trandsient Cycle，WHTC）规定的试验工况下采集到的。

其中，SVM算法核心思想是在特征空间中找到最优分类面，使带有不同标签的特征向量到最优分类面的距离最大化，其中，最优分类超平面

的目标函数为：

其中，

表示训练集中的训练状态序列的数量，

表示样本空间中第

个训练状态序列，

表示权值矩阵，

表示偏置，

表示惩罚因子，

表示拉格朗日系数，示例性的，

，

表示松弛变量。

在上述实施例的基础上，可选的，在将各训练状态序列输入到初始SVM模型中，得到输出的多个预测故障分类结果之前，该方法还包括：针对每个训练状态序列，对训练状态序列中的各发动机状态数据分别执行标准化操作，得到标准化后的训练状态序列。

其中，示例性的，标准化后的发动机状态数据满足公式：

其中，

表示标准化前的发动机状态数据，

表示多个训练状态序列中该发动机状态数据对应的均值，

表示多个训练状态序列中该发动机状态数据对应的标准差。

这样设置的好处在于，可以消除量纲对预测故障分类结果的影响，进行提高SCR箱的故障诊断结果的准确度。

为了方便低维到高维的转换，SVM采用核函数将低维特征映射到高维空间上，在此高维空间上样本特征具有明显的类别划分，常见的核函数主要包括：线性核函数，多项式核函数，径向基核函数等，本实施例采用径向基核函数（RBF）完成低维特征到高维特征的映射，径向基核函数通常根据样本数据与样本数据中心点之间的欧氏距离来定义其在高维特征中的值，通常样本数据距离样本中心越近将会有更大的特征映射值，距离样本中心越远将会有更小的特征映射值，其表达式为：

其中，

表示样本空间中第

个训练状态序列与第

个训练状态序列之间的距离，

表示径向基因子。

由于SVM是借助二次规划来求解支持向量的，当样本数量较大时，特征输入矩阵计算的复杂度较大。针对上述问题，本文采用序列最小优化（Sequential Minimal Optimization，SMO）的启发式算法，

的定义是降低了异常点对SVM模型的影响，在实际的推导过程中转变为

的约束条件，通过拉格朗日函数，SVM模型的最优分类超平面

的目标函数可优化为：

其中，

表示拉格朗日因子，

表示核函数，

表示第

个训练状态序列的预测故障分类结果，

表示惩罚因子，

表示训练集中的训练状态序列的数量。SMO算法通过每次只优化两个变量，将其他的变量都视为常数，通过反复迭代求得权值矩阵

和偏置

，使样本点最终满足KKT（Karush-Kuhn-Tucker）条件，KKT条件是非线性规划(nonlinear programming)最佳解的必要条件，在本实施例中，KKT条件为：

其中，

表示第

个训练状态序列对应的的真实故障分类结果，

表示第

个训练状态序列的预测故障分类结果，

表示拉格朗日因子的解。

在上述实施例的基础上，可选的，该方法还包括：基于初始化惩罚因子和初始化径向基因子，构建初始化种群，并采用五折交叉验证算法，基于目标故障分类模型的分类准确率，确定初始化种群中每个个体分别对应的适应度；基于预设进化次数、交叉概率和变异概率，对初始化种群执行遗传操作，确定目标惩罚因子和目标径向基因子；其中，遗传操作包括选择操作、交叉操作和变异操作；基于目标惩罚因子和目标径向基因子，构建目标故障分类模型。

其中，具体的，初始化种群中包含多个个体，每个个体分别表示一组初始化惩罚因子和初始化径向基因子。五折交叉验证算法的原理为将样本数据平均分为5等份，每次实验将其中一份作为测试集，其余四份作为训练集，实验5次求均值。

SVM算法被广泛应用于数据预测和分类问题中，但其依旧有不足，SVM的权值矩阵

和偏置

在训练的过程中能够自动的迭代更新，而模型的径向基因子

和惩罚因子

是超参数，需要人为的设定，若设定不合理，将使得数据预测和分类的准确性下降。本实施例，基于训练集训练得到目标SVM模型，采用遗传算法（Genetic Algorithm，GA）和五折交叉验证对目标SVM模型优化后，验证优化后的SVM模型在PEMS（Portable Emissions Measurement System）数据上的诊断准确率。PEMS数据是指在实际道路行驶测量，将状态采集设备安装在实际道路行驶的机动车上，测量得到车辆在实际行驶过程中采集到的测试状态序列。

经验证，本实施例中目标SVM模型的惩罚因子

为899，径向基因子

为40，基于测试集确定的诊断准确率为99.8%，支持向量维度为625×5，内存占用约6.5k，将目标SVM模型在集成在ECU中。

S330、基于目标故障分类结果，确定SCR箱的故障诊断结果。

图7为本发明实施例三所提供的一种SCR故障诊断方法的具体实例的流程图。具体的，在离线训练模块中，基于训练集中的训练状态序列，对采用SVM算法的初始故障分类模型进行训练，得到训练完成的目标SVM模型。并采用GA算法和五折交叉验证算法对目标SVM模型的惩罚因子和径向基因子进行优化，得到优化后的目标SVM模型。

对实时获取到的实时状态序列执行诊断放行处理，即判断多个发动机状态数据是否满足预设监控条件，如果是，则继续对实时获取到的实时状态序列执行诊断延迟处理，即判断当前采集时间窗口与上一采集时间窗口之间的时间间隔是否满足预设延迟时间，如果是，则将实时获取到的当前采集时间窗口内的待测状态序列输入到目标SVM模型中，得到输出的目标故障分类结果。当目标故障分类结果的数量满足预设窗口数量时，基于预设窗口数量和多个目标故障分类结果，计算状态分类比例，并基于状态分类比例和预设比例阈值，确定SCR箱的故障诊断结果。

本实施例的技术方案，通过采用SVM模型作为目标故障分类模型的模型类型，径向基核函数作为SVM模型的目标核函数，解决了其他模型类型不适用本实施例的应用场景的目的，提高了目标诊断分类模型的高泛化性能以及SCR箱的故障诊断结果的准确度。进一步的，本实施例的技术方案通过采用遗传算法和五折交叉验证对目标SVM模型优化，降低了目标故障分类模型的内存占用，保证了ECU集成的可行性，进而实现了对SCR箱进行实时故障诊断的目的。

在上述实施例的基础上，图8为本发明实施例三所提供的一种窗口时长与故障诊断准确率之间的关系图。具体的，随着窗口时长的延长，故障诊断准确率逐渐上升并趋于稳定，继续延长窗口时长，故障诊断准确率下降。在一个可选实施例中，将关系曲线中的拐点对应的窗口时长作为当前采集时间窗口的预设窗口时长。

其中，具体的，采用WHTC构建训练集，当时间窗口为105s时，与训练集和测试集对应的故障诊断准确率分别为99.94%和99.9%，此时目标SVM模型具备很好的泛化能力。

实施例四

图9为本发明实施例四所提供的一种SCR故障诊断装置的结构示意图。如图9所示，该装置包括：待测状态序列获取模块410、目标故障分类结果确定模块420和故障诊断结果确定模块430。

其中，待测状态序列获取模块410，用于实时获取当前采集时间窗口内的待测状态序列；其中，待测状态序列中包含至少两个发动机状态数据；

目标故障分类结果确定模块420，用于将待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果；

故障诊断结果确定模块430，用于基于目标故障分类结果，确定SCR箱的故障诊断结果。

在上述实施例的基础上，可选的，故障诊断结果确定模块430，具体用于：

判断目标故障分类结果的数量是否满足预设窗口数量；

如果是，则基于预设比例阈值和至少两个目标故障分类结果，确定SCR箱的故障诊断结果。

在上述实施例的基础上，可选的，待测状态序列获取模块410，具体用于：

在满足预设监控条件的情况下，判断当前采集时间窗口与上一采集时间窗口之间的时间间隔是否满足预设延迟时间；

如果是，则获取当前采集时间窗口内的待测状态序列；

其中，预设监控条件包括待测状态序列中的各发动机状态数据分别满足各自对应的状态数据范围，预设延迟时间小于当前采集时间窗口对应的预设窗口时长。

在上述实施例的基础上，可选的，在上述实施例的基础上，可选的，待测状态序列中包括发动机转速、喷油量、SCR下游NOx浓度、SCR上游排气温度和废气流量。

在上述实施例的基础上，可选的，目标故障分类模型的模型类型为支持向量机，相应的，目标故障分类模型采用的核函数为径向基核函数。

在上述实施例的基础上，可选的，该装置还包括：

目标故障分类模型构建模块，用于基于初始化惩罚因子和初始化径向基因子，构建初始化种群，并采用五折交叉验证算法，基于目标故障分类模型的分类准确率，确定初始化种群中每个个体分别对应的适应度；

基于预设进化次数、交叉概率和变异概率，对初始化种群执行遗传操作，确定目标惩罚因子和目标径向基因子；其中，遗传操作包括选择操作、交叉操作和变异操作；

基于目标惩罚因子和目标径向基因子，构建目标故障分类模型。

本发明实施例所提供的SCR故障诊断装置可执行本发明任意实施例所提供的SCR故障诊断方法，具备执行方法相应的功能模块和有益效果。

实施例五

图10为本发明实施例五所提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图10所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如SCR故障诊断方法。

在一些实施例中，SCR故障诊断方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的SCR故障诊断方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行SCR故障诊断方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的SCR故障诊断方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种SCR故障诊断方法，该方法包括：

实时获取当前采集时间窗口内的待测状态序列；其中，待测状态序列中包含至少两个发动机状态数据；

将待测状态序列输入到预先训练完成的目标故障分类模型中，得到输出的目标故障分类结果；

基于目标故障分类结果，确定SCR箱的故障诊断结果。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims

1.一种SCR故障诊断方法，其特征在于，包括：

基于所述目标故障分类结果，确定SCR箱的故障诊断结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标故障分类结果，确定SCR箱的故障诊断结果，包括：

判断所述目标故障分类结果的数量是否满足预设窗口数量；

3.根据权利要求1所述的方法，其特征在于，所述实时获取当前采集时间窗口内的待测状态序列，包括：

如果是，则获取当前采集时间窗口内的待测状态序列；

其中，所述预设监控条件包括待测状态序列中的各所述发动机状态数据分别满足各自对应的状态数据范围，所述预设延迟时间小于所述当前采集时间窗口对应的预设窗口时长。

4.根据权利要求1所述的方法，其特征在于，所述待测状态序列中包括发动机转速、喷油量、SCR下游NOx浓度、SCR上游排气温度和废气流量。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述目标故障分类模型的模型类型为支持向量机，相应的，所述目标故障分类模型采用的核函数为径向基核函数。

6.根据权利要求5所述的方法，其特征在于，所述方法包括：

基于初始化惩罚因子和初始化径向基因子，构建初始化种群，并采用五折交叉验证算法，基于所述目标故障分类模型的分类准确率，确定所述初始化种群中每个个体分别对应的适应度；

基于预设进化次数、交叉概率和变异概率，对所述初始化种群执行遗传操作，确定目标惩罚因子和目标径向基因子；其中，所述遗传操作包括选择操作、交叉操作和变异操作；

基于所述目标惩罚因子和目标径向基因子，构建目标故障分类模型。

7.根据权利要求6所述的方法，其特征在于，所述目标故障分类模型集成在车辆的电子控制单元中。

8.一种SCR故障诊断装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的SCR故障诊断方法。

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指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的SCR故障诊断方法。