CN115017466B - 碳载量确定方法、装置、电子设备及存储介质 - Google Patents

碳载量确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115017466B
CN115017466B CN202210924324.9A CN202210924324A CN115017466B CN 115017466 B CN115017466 B CN 115017466B CN 202210924324 A CN202210924324 A CN 202210924324A CN 115017466 B CN115017466 B CN 115017466B
Authority
CN
China
Prior art keywords
current
carbon
historical
layer node
target
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
Application number
CN202210924324.9A
Other languages
English (en)
Other versions
CN115017466A (zh
Inventor
王秀雷
赵联海
孙杨林
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.)
Weichai Power Co Ltd
Original Assignee
Weichai Power Co Ltd
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 Weichai Power Co Ltd filed Critical Weichai Power Co Ltd
Priority to CN202210924324.9A priority Critical patent/CN115017466B/zh
Publication of CN115017466A publication Critical patent/CN115017466A/zh
Application granted granted Critical
Publication of CN115017466B publication Critical patent/CN115017466B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明公开了一种碳载量确定方法、装置、电子设备及存储介质，该方法通过获取目标颗粒捕集器的当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差和当前预估碳载量等当前碳载量预测参数，以及历史碳载量预测参数，根据预先训练的碳载量预测模型预测目标颗粒捕集器的当前碳载量，该方法以前端进气温度、后端排气温度、压差以及预估碳载量作为预测碳载量的参数，能够适应油品和部件状态，如喷油器磨损等，提高了碳载量估算精度，并且，基于当前时刻以及历史各时刻的相关参数对当前时刻的碳载量进行预测，以结合历史各时刻的相关参数使得所预测出的碳载量符合变化规律，进一步的提高了颗粒捕集器的碳载量的预测精度。

Description

碳载量确定方法、装置、电子设备及存储介质
技术领域
本发明涉及发动机技术领域，尤其涉及一种碳载量确定方法、装置、电子设备及存储介质。
背景技术
目前，DPF（Diesel Particulate Filter，颗粒捕集器）的碳载量估算，是DPF控制的核心模块。当前的估算方法，通常采用首先将发动机稳态排放乘以瞬态修正，然后减去被动再生及修正，最后积分得到碳载量的方式。
本质上此方法采用的是开环策略，其过分依赖于标定数据的质量，尤其对于油品和部件状态（喷油器磨损、堵塞、增压器一致性等）的适应性差，导致碳载量估算精度低，误差过大（误差大于1g/L）。
在实现本发明的过程中，发现现有技术中至少存在以下技术问题：碳载量的预测精度低。
发明内容
本发明提供了一种碳载量确定方法、装置、电子设备及存储介质，以解决现有技术中碳载量预测精度低的技术问题。
根据本发明的一方面，提供了一种碳载量确定方法，包括：
获取目标颗粒捕集器的当前碳载量预测参数以及历史碳载量预测参数，其中，所述当前碳载量预测参数包括当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量，所述历史碳载量预测参数包括历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差以及历史预估碳载量；
基于所述当前碳载量预测参数、所述历史碳载量预测参数以及预先训练的碳载量预测模型，确定所述目标颗粒捕集器的当前碳载量。
根据本发明的另一方面，提供了一种碳载量确定装置，包括：
参数获取模块，用于获取目标颗粒捕集器的当前碳载量预测参数以及历史碳载量预测参数，其中，所述当前碳载量预测参数包括当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量，所述历史碳载量预测参数包括历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差以及历史预估碳载量；
碳载量预测模块，用于基于所述当前碳载量预测参数、所述历史碳载量预测参数以及预先训练的碳载量预测模型，确定所述目标颗粒捕集器的当前碳载量。
根据本发明的另一方面，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碳载量确定方法。
根据本发明的另一方面，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碳载量确定方法。
本发明实施例的技术方案，通过获取目标颗粒捕集器的当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差和当前预估碳载量等当前碳载量预测参数，以及历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差和历史预估碳载量等历史碳载量预测参数，进而根据预先训练的碳载量预测模型预测目标颗粒捕集器的当前碳载量，该方法以前端进气温度、后端排气温度、压差以及预估碳载量作为预测碳载量的参数，能够适应油品和部件状态，提高了碳载量估算精度，并且，基于当前时刻以及历史各时刻的相关参数对当前时刻的碳载量进行预测，以结合历史各时刻的相关参数使得所预测出的碳载量符合变化规律，进一步的提高了颗粒捕集器的碳载量的预测精度。
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是本发明实施例一提供的一种碳载量确定方法的流程示意图；
图2是本发明实施例二提供的一种碳载量确定方法的流程示意图；
图3是本发明实施例二提供的一种碳载量预测模型的网络结构图；
图4是本发明实施例三提供的一种碳载量确定方法的流程示意图；
图5是本发明实施例三提供的一种碳载量预测流程图；
图6是本发明实施例四提供的一种碳载量确定装置的结构示意图；
图7是本发明实施例五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“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，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是本发明实施例一提供的一种碳载量确定方法的流程示意图，本实施例可适用于针对颗粒捕集器，根据颗粒捕集器当前时刻的相关参数以及历史各时刻的相关参数，预测颗粒捕集器在当前时刻的碳载量的情况，该方法可以由碳载量确定装置来执行，该碳载量确定装置可以采用硬件和/或软件的形式实现，该碳载量确定装置可配置于ECU（Electronic Control Unit，电子控制单元）、车机等电子设备中。如图1所示，该方法包括：
S110、获取目标颗粒捕集器的当前碳载量预测参数以及历史碳载量预测参数，其中，当前碳载量预测参数包括当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量，历史碳载量预测参数包括历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差以及历史预估碳载量。
在本实施例中，当前碳载量预测参数可以是目标颗粒捕集器在当前时刻的用于进行碳载量预测的相关参数。
其中，当前前端进气温度、当前后端排气温度分别是目标颗粒捕集器的前端进气口和后端出气口在当前时刻的温度；可以通过温度传感器采集当前前端进气温度、当前后端排气温度。当前瞬态废气体积流量可以是目标颗粒捕集器的前端进气口在当前时刻的瞬态废气体积流量。当前压差可以是目标颗粒捕集器的前端进气口和后端出气口在当前时刻的压力差；可以通过压力传感器分别对前端进气口和后端出气口的当前压力进行采集，并根据采集到的压力计算出当前压差。
在本实施例中，当前预估碳载量可以是稳态下的与当前压差相对应的碳载量；可以基于压差碳载量映射图确定。当前预估碳载量可以作为原始排放碳烟在目标颗粒捕集器内沉积的直接表现，与当前碳载量有直接关系。
需要说明的是，当前预估碳载量不能作为准确的碳载量的原因在于，预先标定的压差碳载量映射图中，一个压差下对应的一个碳载量，然而实际上由于发动机油品和部件状态的影响，同一压差下对应的碳载量可能不同，若采用压差碳载量映射图直接确定碳载量，则确定出的碳载量和实际碳载量可能存在偏差。因此，为了适应发动机油品和部件状态，需要进一步根据模型预测出当前碳载量。
在一种可选的实施方式中，获取目标颗粒捕集器的当前碳载量预测参数，包括：获取目标颗粒捕集器的当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量以及当前压差；基于当前压差以及预先构建的压差碳载量映射图，确定与当前压差对应的当前预估碳载量。
其中，当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量以及当前压差均可以通过对应的传感器采集得到。预先构建的压差碳载量映射图可以是三维的压差Map图。具体的，压差碳载量映射图用于描述压差与碳载量之间的稳态映射关系。
示例性的，压差碳载量映射图的X轴为稳态下的各个压差，Y轴为各个废气体积流量，Z轴为对应的碳载量。在本实施例中，可以通过当前压差在压差碳载量映射图中查询与其对应的当前预估碳载量。
在上述实施方式中，通过预先构建的压差碳载量映射图确定当前压差对应的当前预估碳载量，实现了稳态下当前压差对应的碳载量的确定，以基于稳态下的碳载量进一步确定最终的当前碳载量，提高碳载量估算精度。
在本实施例中，历史碳载量预测参数可以是目标颗粒捕集器在历史各时刻的用于进行碳载量预测的相关参数。具体的，可以根据预设延迟时间步长获取历史碳载量预测参数；或者，直接获取目标颗粒捕集器在上个驾驶循环中产生的历史碳载量预测参数。
在一种可选的实施方式中，获取目标颗粒捕集器的历史碳载量预测参数，包括：获取预设延迟时间步长；基于预设延迟时间步长以及当前时刻，获取在当前时刻之前的预设延迟时间步长之内的各历史时间点产生的历史碳载量预测参数。
其中，预设延迟时间步长可以表示需要获得预测参数的各历史时间点的数量。例如，若预设延迟时间步长为8，则可以获取在当前时刻之前的前8秒之内的每一秒产生的历史碳载量预测参数。
通过设置预设延迟时间步长，以通过预设延迟时间步长获取历史碳载量预测参数，可以使得输入至模型中的各数据之间为时间相邻的数据，进而可以保证模型输出的碳载量符合变化规律。
需要说明的是，可以根据预测效率需求以及预测精度需求设置预设延迟时间步长。具体的，考虑到预设延迟时间步长大可以提高预测精度、提高模型计算量，预设延迟时间步长小可以减少模型计算量、降低预测精度，因此，可以在确保模型预测精度的基础上，结合需要执行本实施例提供的碳载量确定方法的电子设备的内存，如车机电控单元、发动机控制单元等控制单元的内存，选择合理的预设延迟时间步长，本实施例对此不进行限定。
S120、基于当前碳载量预测参数、历史碳载量预测参数以及预先训练的碳载量预测模型，确定目标颗粒捕集器的当前碳载量。
其中，预先训练的碳载量预测模型可以是用于根据输入的预测参数进行碳载量预测的模型；如，神经网络模型。示例性的，碳载量预测模型可以是反向传播模型、长短期神经网络或非线性自回归模型等模型。
具体的，碳载量预测模型可以基于试验数据训练得到，训练完成的碳载量预测模型，可以根据输入的当前碳载量预测参数以及历史碳载量预测参数，输出相应的当前碳载量。
需要说明的是，本实施例选用前端进气温度、后端排气温度、瞬态废气体积流量、压差以及稳态下的预估碳载量，进行碳载量预测的目的在于：排气温度可以影响原始排放碳烟在颗粒捕集器内沉积的微观形态，微观形态对压差有影响；压差是原始排放碳烟在颗粒捕集器内沉积的直接影响；瞬态废气体积流量影响压差；稳态下压差Map计算的碳载量作为原始排放碳烟在颗粒捕集器内沉积的直接表现，与碳载量有直接关系。
因此，通过前端进气温度、后端排气温度、瞬态废气体积流量、压差以及稳态下的预估碳载量，进行碳载量预测，本质上该方法为闭环策略，可以实现主导映射关系是压差碳载量，并加入DPF前后排气温度、废气流量和稳态映射关系作为辅助，从而能够适应油品和部件状态，提升碳载量估算精度。或者，可以实现通过DPF前后排气温度、废气流量修正稳态映射的碳载量，提升碳载量估算精度。
并且，本实施例结合当前碳载量预测参数以及历史碳载量预测参数对碳载量进行预测，与仅通过当前时刻的某些参数进行碳载量确定的方式相比，能够保证预测的碳载量符合变化规律，避免出现奇异点，进一步的提高了碳载量估算精度。
本实施例的技术方案，通过获取目标颗粒捕集器的当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差和当前预估碳载量等当前碳载量预测参数，以及历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差和历史预估碳载量等历史碳载量预测参数，进而根据预先训练的碳载量预测模型预测目标颗粒捕集器的当前碳载量，该方法以前端进气温度、后端排气温度、压差以及预估碳载量作为预测碳载量的参数，能够适应油品和部件状态，提高了碳载量估算精度，并且，基于当前时刻以及历史各时刻的相关参数对当前时刻的碳载量进行预测，以结合历史各时刻的相关参数使得所预测出的碳载量符合变化规律，进一步的提高了颗粒捕集器的碳载量的预测精度，进而降低了颗粒捕集器的故障率，节省服务成本。
实施例二
图2是本发明实施例二提供的一种碳载量确定方法的流程示意图，在上述各实施方式的基础上，对基于当前碳载量预测参数、历史碳载量预测参数以及预先训练的碳载量预测模型，确定目标颗粒捕集器的当前碳载量的过程进行了示例性说明。如图2所示，该方法包括：
S210、获取目标颗粒捕集器的当前碳载量预测参数以及历史碳载量预测参数，其中，当前碳载量预测参数包括当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量，历史碳载量预测参数包括历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差以及历史预估碳载量。
S220、基于当前碳载量预测参数、历史碳载量预测参数、碳载量预测模型中各输入层节点分别对应的目标权重以及碳载量预测模型中各隐含层节点分别对应的目标阈值，确定碳载量预测模型中各隐含层节点分别对应的输入数据。
在本实施例中，碳载量预测模型包括输入层、隐含层和输出层，其中，输入层包括至少一个输入层节点，隐含层包括至少一个隐含层节点，输出层包括至少一个输出层节点。针对每一个输入层节点，均分别与各隐含层节点连接，即每一个隐含层节点都连接所有输入层节点；针对每一个隐含层节点，均分别与各输出层节点连接，即每一个输出层节点都连接所有隐含层节点。
示例性的，碳载量预测模型可以采用改进的非线性自回归模型（Nonlinearautoregressive with external input，NARX）。需要说明的是，本实施例中的碳载量预测模型与传统的非线性自回归模型的区别在于，本实施例提供的碳载量预测模型取消了非线性自回归模型中的输出延迟反馈结构，其中，输出延迟反馈结构为将当前时刻的输出作为下一时刻预测的输入的结构，这样设置的目的在于：由于本实施例提供的方法采用历史碳载量预测参数一并进行碳载量预测，可以使得预测出的碳载量符合变化规律，满足碳载量预测精度的需求，因此，通过取消输出延迟反馈结构，可以减少模型的输入，进而降低模型的计算量，进一步提高碳载量预测效率。并且，在将本实施例提供的碳载量确定方法以及预先训练的碳载量预测模型集成在电控单元的场景下，取消输出延迟反馈结构，降低模型计算所需的参数量，可以在保证输出精度的同时，便于电控单元的集成，进而便于电控单元对碳载量预测的实施。
具体的，输入层节点对应的目标权重，可以是经过模型训练后得到的连接隐含层节点的权重。针对每一个输入层节点，其面向不同隐含层节点的目标权重可以是相同的或不同的。隐含层节点对应的目标权重，可以是经过模型训练后得到的连接输出层节点的权重，隐含层节点对应的目标阈值，可以是经过模型训练后得到的节点输入阈值。针对每一个隐含层节点，其面向不同的输出层节点的目标权重可以是相同的或不同的。隐含层节点对应的目标阈值，可以是经过模型训练后得到的节点输入阈值。
在本实施例中，可以将当前碳载量预测参数、历史碳载量预测参数一并输入至碳载量预测模型中的各输入层节点。示例性的，本实施例中当前碳载量预测参数的数量为5，在预设延迟时间步长为9时，历史碳载量预测参数的数量为5*9=45，那么可以将50个参数分别输入至各个输入层节点。
进一步的，每一个输入层节点将接收到的参数传输至每一个隐含层节点。以一个隐含层节点为例，对确定隐含层节点的输入数据进行说明：可以将各个输入层节点的输入数据与输入层节点对应的目标权重相乘，进而将所有输入层节点的相乘结果累加，在累加后的结果上加上该隐含层节点对应的目标阈值，即可得到该隐含层节点对应的输入数据。
S230、基于各隐含层节点分别对应的输入数据、隐含层传递函数、各隐含层节点分别对应的目标权重以及碳载量预测模型中各输出层节点分别对应的目标阈值，确定各输出层节点分别对应的输入数据。
进一步的，隐含层节点可以通过其内部的隐含层传递函数，对输入数据进行计算，得到输出数据并传输至各个输出层节点。以一个输出层节点为例，对确定输出层节点的输入数据进行说明：可以将各个隐含层节点的输出数据与隐含层节点对应的目标权重相乘，进而将所有隐含层节点的相乘结果累加，在累加后的结果上加上该输出层节点对应的目标阈值，即可得到该输出层节点对应的输入数据。
S240、基于各输出层节点分别对应的输入数据以及输出层传递函数，确定碳载量预测模型输出的当前碳载量。
在得到各个输出层节点分别对应的输入数据后，各个输出层节点可以通过其内部的输出层传递函数，对输入数据进行计算，得到输出数据。若输出层节点的数量为一个，则可以将输出层节点的输出数据直接作为当前碳载量；若输出层节点的数量为多个，则可以根据各个输出层节点对应的目标权重以及各个输出层节点的输出数据确定当前碳载量，或者，直接根据各个输出层节点的输出数据的均值确定当前碳载量。
还需说明的是，若需要将本实施例提供的模型集成进ECU中，实时预测碳载量，还需要考虑算力需求和内存占用。因此，除了要保证碳载量的预测准确度之外，需要尽可能的降低输入至模型中的参数的个数，以及模型中隐含层数量、神经元个数以及预设延迟时间步长的大小。
为了降低对嵌入式系统算力要求和内存占用的压力，本实施例还采用寻优算法（如遗传算法）优化模型中的神经元个数、隐含层的层数以及预设延迟时间步长。示例性的，寻优算法优化后的模型的拟合度为0.912，内存占用6k左右，符合嵌入式系统集成的要求。
图3展示了一种碳载量预测模型的网络结构图。其中，预设延迟时间步长可以是1:m，表示可以获取与当前时刻相邻的前m个历史时刻的碳载量预测参数，隐含层节点的数量为n，即神经元数量为n，预设延迟时间步长、隐含层节点可以通过寻优算法得到。当前碳载量预测参数的数量可以为5，即x（t）的数量为5个，分别是当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量。具体的，可以将当前碳载量预测参数，以及根据预设延迟时间步长获取到的历史碳载量预测参数输入至模型中，进而根据各目标权重W以及目标阈值b计算各隐含层节点的输入数据，进而将各隐含层节点的输出数据输入至输出层，根据各目标权重W以及目标阈值b计算输出层节点的输入数据，最后得到当前碳载量y(t)，输出数据的数量为1。
本实施例的技术方案，通过预先训练得到的各输入层节点分别对应的目标权重、各隐含层节点分别对应的目标阈值，确定各隐含层节点分别对应的输入数据，通过隐含层传递函数、各隐含层节点分别对应的目标权重以及各输出层节点分别对应的目标阈值，确定各输出层节点分别对应的输入数据，进而通过输出层传递函数得到当前碳载量，以通过建立输入的各当前相关参数、历史相关参数与输出的碳载量之间的映射关系，进行碳载量预测，提高了颗粒捕集器的碳载量的预测精度。
实施例三
图4是本发明实施例三提供的一种碳载量确定方法的流程示意图，在上述各实施方式的基础上，对碳载量预测模型的训练过程进行了示例性说明。如图4所示，该方法包括：
S310、构建碳载量预测网络，碳载量预测网络包括各输入层节点、各隐含层节点以及各输出层节点。
其中，碳载量预测网络可以采用改进的NARX网络。碳载量预测网络中各输入层节点均与各隐含层节点相连，各隐含层节点均与各输出层节点相连。在本实施例中，输出层节点的数量可以是一个或多个，本实施例对此不进行限定。
S320、获取碳载量试验数据，其中，碳载量试验数据包括样本当前时刻和样本历史时刻的前端进气温度、后端排气温度、瞬态废气体积流量、压差、预估碳载量，以及样本当前时刻的实际碳载量。
其中，碳载量试验数据可以通过对发动机进行试验得到。具体的，碳载量试验数据包括样本当前时刻的前端进气温度、后端排气温度、瞬态废气体积流量、压差和预估碳载量，以及样本历史时刻的前端进气温度、后端排气温度、瞬态废气体积流量、压差和预估碳载量，碳载量试验数据还包括样本当前时刻的实际碳载量，即样本标签。
S330、基于碳载量试验数据对碳载量预测网络进行训练，得到各输入层节点分别对应的目标权重、各隐含层节点分别对应的目标权重和目标阈值，以及各输出层节点分别对应的目标阈值，确定碳载量预测模型。
在本实施例中，可以将碳载量试验数据中样本当前时刻和样本历史时刻的前端进气温度、后端排气温度、瞬态废气体积流量、压差、预估碳载量输入至碳载量预测网络，进而根据碳载量预测网络输出的预测结果以及样本当前时刻的实际碳载量，调整各输入层节点分别对应的权重、各隐含层节点分别对应的权重、各隐含层节点分别对应的阈值、各输出层节点分别对应的阈值，直至满足训练截止条件，得到各输入层节点分别对应的目标权重、各隐含层节点分别对应的目标权重和目标阈值，以及各输出层节点分别对应的目标阈值，将碳载量预测网络作为碳载量预测模型。
在一种可选的实施方式中，基于碳载量试验数据对碳载量预测网络进行训练，得到各输入层节点分别对应的目标权重、各隐含层节点分别对应的目标权重和目标阈值，以及各输出层节点分别对应的目标阈值，确定碳载量预测模型，包括如下步骤：
步骤3301、确定各输入层节点分别对应的第一初始权重、各隐含层节点分别对应的第二初始权重、各隐含层节点分别对应的第二初始阈值以及各输出层节点分别对应的第三初始阈值；
步骤3302、基于碳载量试验数据、各第一初始权重、各第二初始权重、各第二初始阈值以及各第三初始阈值，确定各输入层节点分别对应的第一权重修正量、各隐含层节点分别对应的第二权重修正量、各隐含层节点分别对应的第二阈值修正量以及各输出层节点分别对应的第三阈值修正量；
步骤3303、基于第一权重修正量更新第一初始权重，基于第二权重修正量、第二阈值修正量分别更新第二初始权重、第二初始阈值，基于第三阈值修正量更新第三初始阈值，并返回执行确定各输入层节点分别对应的第一权重修正量、各隐含层节点分别对应的第二权重修正量、各隐含层节点分别对应的第二阈值修正量以及各输出层节点分别对应的第三阈值修正量的操作，直至满足训练截止条件。
在上述步骤3301中，各第一初始权重、各第二初始权重、各第二初始阈值以及各第三初始阈值可以是预先设置的，也可以是碳载量预测网络中默认的数值。
具体的，可以先根据第一初始权重、各第二初始权重、各第二初始阈值以及各第三初始阈值，计算出碳载量试验数据对应的预测结果，进而根据预测结果以及样本标签确定各第一权重修正量、各第二权重修正量、各第二阈值修正量以及各第三阈值修正量，根据修正量对对应的初始权重或初始阈值进行修正，进而返回执行上述步骤3302，直至满足训练截止条件，此时，可以将各第一初始权重确定为各输入层节点分别对应的目标权重，将各第二初始权重确定为各隐含层节点分别对应的目标权重，将各第二初始阈值确定为各隐含层节点分别对应的目标阈值，将各第三初始阈值确定为各输出层节点分别对应的目标阈值。
其中，训练截止条件可以是损失函数的计算结果收敛，或训练次数达到预设次数阈值。
示例性的，在上述步骤3302中，可以通过如下公式分别计算第一权重修正量、第二权重修正量、第二阈值修正量以及第三阈值修正量：
Figure DEST_PATH_IMAGE001
；
Figure 688992DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE003
；
Figure 999275DEST_PATH_IMAGE004
；
在上述公式中，
Figure DEST_PATH_IMAGE005
表示第j个输入层节点连接第i个隐含层节点的第一权重修 正量，
Figure 497121DEST_PATH_IMAGE006
表示第i个隐含层节点的第二阈值修正量，
Figure DEST_PATH_IMAGE007
表示第i个隐含层节点连接第k 个输出层节点的第二权重修正量，
Figure 626751DEST_PATH_IMAGE008
表示第k个输出层节点的第三阈值修正量。
Figure DEST_PATH_IMAGE009
表示隐 含层节点的数量，
Figure 34599DEST_PATH_IMAGE010
表示碳载量试验数据的数量，
Figure DEST_PATH_IMAGE011
为隐含层传递函数的反函数，
Figure 919378DEST_PATH_IMAGE012
为输 出层传递函数的反函数，
Figure DEST_PATH_IMAGE013
为学习速率，可以设定学习速率为0.04。
Figure 245799DEST_PATH_IMAGE014
可以是样本标签，
Figure DEST_PATH_IMAGE015
可以是网络预测值。
Figure 507016DEST_PATH_IMAGE016
表示输入至第j个输入层节点的数据，
Figure DEST_PATH_IMAGE017
表示输入至第i个隐含 层节点的数据。
在上述公式中，
Figure 972632DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
分别为输入层节点的输入数据、隐含层节点的输入数 据，可以通过如下公式计算得到：
Figure 28313DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE021
；
Figure 907276DEST_PATH_IMAGE022
；
Figure DEST_PATH_IMAGE023
；
其中，
Figure 552277DEST_PATH_IMAGE024
表示第j个输入层节点连接第i个隐含层节点的权重，
Figure DEST_PATH_IMAGE025
表示第i个隐含 层节点的阈值，M等于输入数量与预设延迟时间步长的乘积。
Figure 403559DEST_PATH_IMAGE026
表示第i个隐含层节点的输 出数据，
Figure DEST_PATH_IMAGE027
表示隐含层传递函数。
Figure 426878DEST_PATH_IMAGE028
为第i个隐含层节点连接第k个输出层节点的权重，
Figure DEST_PATH_IMAGE029
为第k个输出层节点的阈值。
Figure 465241DEST_PATH_IMAGE030
表示第k个输出层节点的输出数据，
Figure DEST_PATH_IMAGE031
表示输出层传递 函数。
通过上述步骤3301-3302，可以实现基于学习修正量的方式确定各目标权重和各目标阈值，提高了各目标权重和各目标阈值的准确性。
针对上述步骤3302，可选的，基于碳载量试验数据、各第一初始权重、各第二初始权重、各第二初始阈值以及各第三初始阈值，确定各输入层节点分别对应的第一权重修正量、各隐含层节点分别对应的第二权重修正量、各隐含层节点分别对应的第二阈值修正量以及各输出层节点分别对应的第三阈值修正量，可以包括如下步骤：
步骤1、基于碳载量试验数据、各第一初始权重、各第二初始权重、各第二初始阈值以及各第三初始阈值，确定当前误差平方和；
步骤2、基于当前误差平方和以及上一轮训练的误差平方和确定当前动量因子以及当前学习速率；
步骤3、根据当前动量因子、当前学习速率以及上一轮训练的各修正信息，确定各输入层节点在当前训练轮次中分别对应的第一权重修正量、各隐含层节点在当前训练轮次中分别对应的第二权重修正量、各隐含层节点在当前训练轮次中分别对应的第二阈值修正量以及各输出层节点在当前训练轮次中分别对应的第三阈值修正量。
在上述步骤1中，确定当前误差平方和，可以是根据碳载量试验数据、各第一初始权重、各第二初始权重、各第二初始阈值以及各第三初始阈值，计算出网络预测值，进而根据网络预测值以及碳载量试验数据中的样本标签，计算当前误差平方和。
在上述步骤2中，在计算出当前误差平方和后，若当前误差平方和小于上一轮训练的误差平方和，则可以确定当前动量因子为第一因子，如，第一因子可以是 0.95。若当前误差平方和大于上一轮训练的误差平方和的设定倍数，则可以确定当前动量因子为第二因子，如，第二因子可以是0，设定倍数可以是1.04。若不满足上述两种条件，则当前动量因子可以取其它设定值。示例性的，当前动量因子可以通过如下公式确定：
Figure 292031DEST_PATH_IMAGE032
；
其中，
Figure DEST_PATH_IMAGE033
为当前动量因子，
Figure 794557DEST_PATH_IMAGE034
为当前误差平方和，
Figure DEST_PATH_IMAGE035
为上一轮训练的误 差平方和。
在上述步骤2中，若当前误差平方和小于上一轮训练的误差平方和，则当前学习速率可以是上一轮训练的学习速率的第一倍数，如，第一倍数可以是1.05。若当前误差平方和大于上一轮训练的误差平方和的设定倍数，则可以确定当前学习速率为上一轮训练的学习速率的第二倍数，第二倍数小于第一倍数，如，第二倍数为0.7。若不满足上述两种条件，则当前学习速率可以取其它设定值。示例性的，当前学习速率可以通过如下公式确定：
Figure 192040DEST_PATH_IMAGE036
；
其中，
Figure DEST_PATH_IMAGE037
为当前学习速率，
Figure 186541DEST_PATH_IMAGE038
为上一轮训练的学习速率。
在确定出当前动量因子和当前学习速率后，根据上述步骤3，可以通过当前动量因子、当前学习速率以及上一轮训练得到的各第一权重修正量、各第二权重修正量、各第二阈值修正量以及各第三阈值修正量，确定当前训练轮次的各个修正量。
示例性的，可以通过如下公式计算当前训练轮次的各个修正量：
Figure DEST_PATH_IMAGE039
；
Figure 327672DEST_PATH_IMAGE040
；
Figure DEST_PATH_IMAGE041
；
Figure 887967DEST_PATH_IMAGE042
；
其中，
Figure DEST_PATH_IMAGE043
为当前训练轮次的第一权重修正量，
Figure 518668DEST_PATH_IMAGE044
为当前训练轮次的第 二阈值修正量，
Figure DEST_PATH_IMAGE045
为当前训练轮次的第二权重修正量，
Figure 938148DEST_PATH_IMAGE046
为当前训练轮次的第 三阈值修正量。
上述公式中，
Figure DEST_PATH_IMAGE047
、
Figure 617391DEST_PATH_IMAGE048
、
Figure DEST_PATH_IMAGE049
、
Figure 831859DEST_PATH_IMAGE050
分别为上一轮 训练得到的各个修正量。
Figure DEST_PATH_IMAGE051
为当前训练轮次的均方误差，
Figure 571145DEST_PATH_IMAGE052
为输入。
上述步骤1-步骤3，在梯度下降的基础上，通过引入可变的动量因子和可变的学习速率，进行权值和阈值的学习，从而可以跳出局部最优解，提高训练精度。
S340、获取目标颗粒捕集器的当前碳载量预测参数以及历史碳载量预测参数，其中，当前碳载量预测参数包括当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量，历史碳载量预测参数包括历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差以及历史预估碳载量。
S350、基于当前碳载量预测参数、历史碳载量预测参数、碳载量预测模型中各输入层节点分别对应的目标权重以及碳载量预测模型中各隐含层节点分别对应的目标阈值，确定碳载量预测模型中各隐含层节点分别对应的输入数据。
S360、基于各隐含层节点分别对应的输入数据、隐含层传递函数、各隐含层节点分别对应的目标权重以及碳载量预测模型中各输出层节点分别对应的目标阈值，确定各输出层节点分别对应的输入数据。
S370、基于各输出层节点分别对应的输入数据以及输出层传递函数，确定碳载量预测模型输出的当前碳载量。
示例性的，参见图5所示，展示了一种碳载量预测流程图，其中，可以基于离线训练模块，通过碳载量试验数据对碳载量预测网络进行训练，得到各目标权重和各目标阈值，根据各目标权重和各目标阈值构建碳载量预测模型，并初始化预设延迟时间步长，进而将当前时刻的当前碳载量预测参数，以及与预设延迟时间步长对应的历史碳载量预测参数，输入至碳载量预测模型，使得碳载量预测模型输出预测的当前碳载量。
本实施例的技术方案，通过构建包含各输入层节点、各隐含层节点以及各输出层节点的碳载量预测网络，进而通过碳载量试验数据，对碳载量预测网络进行训练，得到各输入层节点分别对应的目标权重、各隐含层节点分别对应的目标权重和目标阈值，以及各输出层节点分别对应的目标阈值，以基于碳载量预测模型中的各目标权重和目标阈值进行碳载量预测，实现了输出的碳载量与输入的各相关参数之间的映射关系的确定，进而基于模型中的映射关系、前后排气温度、废气流量和稳态映射关系进行碳载量预测，能够适应油品和部件状态，提升碳载量估算精度。
实施例四
图6是本发明实施例四提供的一种碳载量确定装置的结构示意图。如图6所示，该装置包括参数获取模块410以及碳载量预测模块420。
参数获取模块410，用于获取目标颗粒捕集器的当前碳载量预测参数以及历史碳载量预测参数，其中，所述当前碳载量预测参数包括当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量，所述历史碳载量预测参数包括历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差以及历史预估碳载量；
碳载量预测模块420，用于基于所述当前碳载量预测参数、所述历史碳载量预测参数以及预先训练的碳载量预测模型，确定所述目标颗粒捕集器的当前碳载量。
在上述实施例的基础上，可选的，碳载量预测模块420包括隐含层计算单元、隐含层输出单元以及输出层计算单元；其中：
隐含层计算单元，用于基于所述当前碳载量预测参数、所述历史碳载量预测参数、所述碳载量预测模型中各输入层节点分别对应的目标权重以及所述碳载量预测模型中各隐含层节点分别对应的目标阈值，确定所述碳载量预测模型中各隐含层节点分别对应的输入数据；
隐含层输出单元，用于基于各所述隐含层节点分别对应的输入数据、隐含层传递函数、各所述隐含层节点分别对应的目标权重以及所述碳载量预测模型中各输出层节点分别对应的目标阈值，确定各所述输出层节点分别对应的输入数据；
输出层计算单元，用于基于各所述输出层节点分别对应的输入数据以及输出层传递函数，确定所述碳载量预测模型输出的当前碳载量。
在上述实施例的基础上，可选的，本实施例提供的装置还包括模型构建模块，所述模型构建模块包括网络搭建单元、试验数据获取单元以及权重阈值学习单元，其中：
网络搭建单元，用于构建碳载量预测网络，所述碳载量预测网络包括各输入层节点、各隐含层节点以及各输出层节点；
试验数据获取单元，用于获取碳载量试验数据，其中，所述碳载量试验数据包括样本当前时刻和样本历史时刻的前端进气温度、后端排气温度、瞬态废气体积流量、压差、预估碳载量，以及样本当前时刻的实际碳载量；
权重阈值学习单元，用于基于所述碳载量试验数据对所述碳载量预测网络进行训练，得到各所述输入层节点分别对应的目标权重、各所述隐含层节点分别对应的目标权重和目标阈值，以及各所述输出层节点分别对应的目标阈值，确定所述碳载量预测模型。
在上述实施例的基础上，可选的，权重阈值学习单元，具体用于：
确定各所述输入层节点分别对应的第一初始权重、各所述隐含层节点分别对应的第二初始权重、各所述隐含层节点分别对应的第二初始阈值以及各所述输出层节点分别对应的第三初始阈值；基于所述碳载量试验数据、各所述第一初始权重、各所述第二初始权重、各所述第二初始阈值以及各所述第三初始阈值，确定各所述输入层节点分别对应的第一权重修正量、各所述隐含层节点分别对应的第二权重修正量、各所述隐含层节点分别对应的第二阈值修正量以及各所述输出层节点分别对应的第三阈值修正量；基于所述第一权重修正量更新所述第一初始权重，基于所述第二权重修正量、所述第二阈值修正量分别更新所述第二初始权重、所述第二初始阈值，基于所述第三阈值修正量更新所述第三初始阈值，并返回执行确定各所述输入层节点分别对应的第一权重修正量、各所述隐含层节点分别对应的第二权重修正量、各所述隐含层节点分别对应的第二阈值修正量以及各所述输出层节点分别对应的第三阈值修正量的操作，直至满足训练截止条件。
在上述实施例的基础上，可选的，权重阈值学习单元，还用于：
基于所述碳载量试验数据、各所述第一初始权重、各所述第二初始权重、各所述第二初始阈值以及各所述第三初始阈值，确定当前误差平方和；基于所述当前误差平方和以及上一轮训练的误差平方和确定当前动量因子以及当前学习速率；根据所述当前动量因子、所述当前学习速率以及上一轮训练的各修正信息，确定各所述输入层节点在当前训练轮次中分别对应的第一权重修正量、各所述隐含层节点在当前训练轮次中分别对应的第二权重修正量、各所述隐含层节点在当前训练轮次中分别对应的第二阈值修正量以及各所述输出层节点在当前训练轮次中分别对应的第三阈值修正量。
在上述实施例的基础上，可选的，参数获取模块410包括当前参数获取单元，所述当前参数获取单元，用于获取目标颗粒捕集器的当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量以及当前压差；基于所述当前压差以及预先构建的压差碳载量映射图，确定与所述当前压差对应的当前预估碳载量。
在上述实施例的基础上，可选的，参数获取模块410包括延迟参数获取单元，所述延迟参数获取单元，用于获取预设延迟时间步长；基于所述预设延迟时间步长以及当前时刻，获取在所述当前时刻之前的预设延迟时间步长之内的各历史时间点产生的历史碳载量预测参数。
本实施例的技术方案，通过获取目标颗粒捕集器的当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差和当前预估碳载量等当前碳载量预测参数，以及历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差和历史预估碳载量等历史碳载量预测参数，进而根据预先训练的碳载量预测模型预测目标颗粒捕集器的当前碳载量，该方法以前端进气温度、后端排气温度、压差以及预估碳载量作为预测碳载量的参数，能够适应油品和部件状态，提高了碳载量估算精度，并且，基于当前时刻以及历史各时刻的相关参数对当前时刻的碳载量进行预测，以结合历史各时刻的相关参数使得所预测出的碳载量符合变化规律，进一步的提高了颗粒捕集器的碳载量的预测精度。
本发明实施例所提供的碳载量确定装置可执行本发明任意实施例所提供的碳载量确定方法，具备执行方法相应的功能模块和有益效果。
实施例五
图7是本发明实施例五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7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12、随机访问存储器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13中的计算机程序，来执行各种适当的动作和处理。在随机访问存储器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、只读存储器 12以及随机访问存储器13通过总线14彼此相连。输入/输出接口15也连接至总线14。
电子设备10中的多个部件连接至输入/输出接口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，例如碳载量确定方法。
在一些实施例中，碳载量确定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只读存储器 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随机访问存储器 13并由处理器11执行时，可以执行上文描述的碳载量确定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）而被配置为执行碳载量确定方法。
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。
用于实施本发明的碳载量确定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碳载量确定方法，该方法包括：
获取目标颗粒捕集器的当前碳载量预测参数以及历史碳载量预测参数，其中，所述当前碳载量预测参数包括当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量，所述历史碳载量预测参数包括历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差以及历史预估碳载量；
基于所述当前碳载量预测参数、所述历史碳载量预测参数以及预先训练的碳载量预测模型，确定所述目标颗粒捕集器的当前碳载量。
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 (7)

1.一种碳载量确定方法，其特征在于，包括：
获取目标颗粒捕集器的当前碳载量预测参数以及历史碳载量预测参数，其中，所述当前碳载量预测参数包括当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量，所述历史碳载量预测参数包括历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差以及历史预估碳载量；
基于所述当前碳载量预测参数、所述历史碳载量预测参数以及预先训练的碳载量预测模型，确定所述目标颗粒捕集器的当前碳载量；
其中，获取目标颗粒捕集器的当前碳载量预测参数，包括：
获取目标颗粒捕集器的当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量以及当前压差；
基于所述当前压差以及预先构建的压差碳载量映射图，确定与所述当前压差对应的当前预估碳载量；
获取目标颗粒捕集器的历史碳载量预测参数，包括：
获取预设延迟时间步长；
基于所述预设延迟时间步长以及当前时刻，获取在所述当前时刻之前的预设延迟时间步长之内的各历史时间点产生的历史碳载量预测参数；
所述方法还包括：
构建碳载量预测网络，所述碳载量预测网络包括各输入层节点、各隐含层节点以及各输出层节点；
获取碳载量试验数据，其中，所述碳载量试验数据包括样本当前时刻和样本历史时刻的前端进气温度、后端排气温度、瞬态废气体积流量、压差、预估碳载量，以及样本当前时刻的实际碳载量；
基于所述碳载量试验数据对所述碳载量预测网络进行训练，得到各所述输入层节点分别对应的目标权重、各所述隐含层节点分别对应的目标权重和目标阈值，以及各所述输出层节点分别对应的目标阈值，确定所述碳载量预测模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述当前碳载量预测参数、所述历史碳载量预测参数以及预先训练的碳载量预测模型，确定所述目标颗粒捕集器的当前碳载量，包括：
基于所述当前碳载量预测参数、所述历史碳载量预测参数、所述碳载量预测模型中各输入层节点分别对应的目标权重以及所述碳载量预测模型中各隐含层节点分别对应的目标阈值，确定所述碳载量预测模型中各隐含层节点分别对应的输入数据；
基于各所述隐含层节点分别对应的输入数据、隐含层传递函数、各所述隐含层节点分别对应的目标权重以及所述碳载量预测模型中各输出层节点分别对应的目标阈值，确定各所述输出层节点分别对应的输入数据；
基于各所述输出层节点分别对应的输入数据以及输出层传递函数，确定所述碳载量预测模型输出的当前碳载量。
3.根据权利要求1所述的方法，其特征在于，所述基于所述碳载量试验数据对所述碳载量预测网络进行训练，得到各所述输入层节点分别对应的目标权重、各所述隐含层节点分别对应的目标权重和目标阈值，以及各所述输出层节点分别对应的目标阈值，确定所述碳载量预测模型，包括：
确定各所述输入层节点分别对应的第一初始权重、各所述隐含层节点分别对应的第二初始权重、各所述隐含层节点分别对应的第二初始阈值以及各所述输出层节点分别对应的第三初始阈值；
基于所述碳载量试验数据、各所述第一初始权重、各所述第二初始权重、各所述第二初始阈值以及各所述第三初始阈值，确定各所述输入层节点分别对应的第一权重修正量、各所述隐含层节点分别对应的第二权重修正量、各所述隐含层节点分别对应的第二阈值修正量以及各所述输出层节点分别对应的第三阈值修正量；
基于所述第一权重修正量更新所述第一初始权重，基于所述第二权重修正量、所述第二阈值修正量分别更新所述第二初始权重、所述第二初始阈值，基于所述第三阈值修正量更新所述第三初始阈值，并返回执行确定各所述输入层节点分别对应的第一权重修正量、各所述隐含层节点分别对应的第二权重修正量、各所述隐含层节点分别对应的第二阈值修正量以及各所述输出层节点分别对应的第三阈值修正量的操作，直至满足训练截止条件。
4.根据权利要求3所述的方法，其特征在于，所述基于所述碳载量试验数据、各所述第一初始权重、各所述第二初始权重、各所述第二初始阈值以及各所述第三初始阈值，确定各所述输入层节点分别对应的第一权重修正量、各所述隐含层节点分别对应的第二权重修正量、各所述隐含层节点分别对应的第二阈值修正量以及各所述输出层节点分别对应的第三阈值修正量，包括：
基于所述碳载量试验数据、各所述第一初始权重、各所述第二初始权重、各所述第二初始阈值以及各所述第三初始阈值，确定当前误差平方和；
基于所述当前误差平方和以及上一轮训练的误差平方和确定当前动量因子以及当前学习速率；
根据所述当前动量因子、所述当前学习速率以及上一轮训练的各修正信息，确定各所述输入层节点在当前训练轮次中分别对应的第一权重修正量、各所述隐含层节点在当前训练轮次中分别对应的第二权重修正量、各所述隐含层节点在当前训练轮次中分别对应的第二阈值修正量以及各所述输出层节点在当前训练轮次中分别对应的第三阈值修正量。
5.一种碳载量确定装置，其特征在于，包括：
参数获取模块，用于获取目标颗粒捕集器的当前碳载量预测参数以及历史碳载量预测参数，其中，所述当前碳载量预测参数包括当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量、当前压差以及当前预估碳载量，所述历史碳载量预测参数包括历史前端进气温度、历史后端排气温度、历史瞬态废气体积流量、历史压差以及历史预估碳载量；
碳载量预测模块，用于基于所述当前碳载量预测参数、所述历史碳载量预测参数以及预先训练的碳载量预测模型，确定所述目标颗粒捕集器的当前碳载量；
其中，所述参数获取模块包括当前参数获取单元，所述当前参数获取单元，用于获取目标颗粒捕集器的当前前端进气温度、当前后端排气温度、当前瞬态废气体积流量以及当前压差；基于所述当前压差以及预先构建的压差碳载量映射图，确定与所述当前压差对应的当前预估碳载量；
所述参数获取模块包括延迟参数获取单元，所述延迟参数获取单元，用于获取预设延迟时间步长；基于所述预设延迟时间步长以及当前时刻，获取在所述当前时刻之前的预设延迟时间步长之内的各历史时间点产生的历史碳载量预测参数；
所述装置还包括模型构建模块，所述模型构建模块包括网络搭建单元、试验数据获取单元以及权重阈值学习单元，其中；
网络搭建单元，用于构建碳载量预测网络，所述碳载量预测网络包括各输入层节点、各隐含层节点以及各输出层节点；
试验数据获取单元，用于获取碳载量试验数据，其中，所述碳载量试验数据包括样本当前时刻和样本历史时刻的前端进气温度、后端排气温度、瞬态废气体积流量、压差、预估碳载量，以及样本当前时刻的实际碳载量；
权重阈值学习单元，用于基于所述碳载量试验数据对所述碳载量预测网络进行训练，得到各所述输入层节点分别对应的目标权重、各所述隐含层节点分别对应的目标权重和目标阈值，以及各所述输出层节点分别对应的目标阈值，确定所述碳载量预测模型。
6.一种电子设备，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1-4中任一项所述的碳载量确定方法。
7.一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1-4中任一项所述的碳载量确定方法。
CN202210924324.9A 2022-08-03 2022-08-03 碳载量确定方法、装置、电子设备及存储介质 Active CN115017466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210924324.9A CN115017466B (zh) 2022-08-03 2022-08-03 碳载量确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210924324.9A CN115017466B (zh) 2022-08-03 2022-08-03 碳载量确定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115017466A CN115017466A (zh) 2022-09-06
CN115017466B true CN115017466B (zh) 2022-11-29

Family

ID=83066328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210924324.9A Active CN115017466B (zh) 2022-08-03 2022-08-03 碳载量确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115017466B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116771479B (zh) * 2023-08-25 2023-11-17 潍柴动力股份有限公司 一种碳载量修正方法、装置、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11398000B2 (en) * 2019-05-20 2022-07-26 Singularity Energy, Inc. Methods and systems for machine-learning for prediction of grid carbon emissions
CN111852630B (zh) * 2020-08-24 2021-07-13 安徽江淮汽车集团股份有限公司 一种碳载量检测方法、设备、存储介质及装置
CN114048591A (zh) * 2021-10-22 2022-02-15 天津布尔科技有限公司 一种基于xgboost算法的dpf碳载量预测方法、装置及存储介质
CN114519420A (zh) * 2022-02-17 2022-05-20 平安国际智慧城市科技股份有限公司 一种空气质量预测方法、装置、计算机设备及存储介质
CN114781272A (zh) * 2022-05-11 2022-07-22 平安国际智慧城市科技股份有限公司 碳排放量预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115017466A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN111651312B (zh) 一种基于边缘计算的设备故障三级双向预警方法及系统
CN101706882B (zh) 基于嵌入式平台的神经网络模型在线训练方法
WO2019144384A1 (zh) 一种航空发动机启动过程排气温度预测方法
CN115017466B (zh) 碳载量确定方法、装置、电子设备及存储介质
CN114996660B (zh) 碳载量预测方法、装置、电子设备及存储介质
CN109379240A (zh) 车联网流量预测模型构建方法、装置和电子设备
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN110543978A (zh) 基于小波神经网络的交通流数据预测方法和装置
CN117692487A (zh) 设备的远程控制方法、装置、电子设备及存储介质
CN115310359A (zh) 氮氧化物瞬态排放确定方法、装置、设备及介质
CN104932898A (zh) 一种基于改进多目标粒子群优化算法的待增组件选择方法
CN111027679A (zh) 异常数据检测方法及系统
CN117408052B (zh) 一种蒸镀机镀膜控制优化方法、装置、设备及存储介质
CN114991923B (zh) 颗粒捕集器压差确定方法、装置、设备及介质
CN118013166A (zh) 一种基于有限记忆信赖域的燃气轮机模型迭代求解方法
CN115059533B (zh) 发动机原始碳烟排放确定方法、装置、设备及介质
CN116184215A (zh) 一种电动汽车剩余放电量估计方法、系统、设备及介质
CN116378866A (zh) Egr模块压力传感器检测方法、装置、车辆及存储介质
CN109598371B (zh) 一种飞行器载电子设备的温度预测方法及系统
CN114837805B (zh) 一种车辆燃油硫含量的确定方法、装置、车辆及存储介质
CN117892769B (zh) 神经网络训练方法、显存调度方法、系统、设备和产品
CN114859796A (zh) 一种车辆控制方法、电子设备及存储介质
CN114626234B (zh) 一种装备数字孪生组合模型可信度评估方法及系统
CN115009278B (zh) 一种巡航控制方法、装置、设备及存储介质
CN107887907B (zh) 一种电力系统动态状态估计多时段滚动优化方法

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