CN115059533B - 发动机原始碳烟排放确定方法、装置、设备及介质 - Google Patents

Abstract

本发明公开了一种发动机原始碳烟排放确定方法、装置、设备及介质，通过获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数，将当前时刻以及各历史时刻的碳烟排放预测参数输入至预先训练的碳烟排放预测模型，得到目标发动机的当前原始碳烟排放信息，以基于当前时刻以及历史各时刻的相关参数对当前时刻的原始碳烟排放信息进行预测，使得所预测出的原始碳烟排放符合变化规律，提高了原始碳烟排放的预测精度，并且，该方法通过预测参数以及模型进行原始碳烟排放预测，进而可以根据模型预测的原始碳烟排放确定DPF碳载量，能够适应油品和部件状态，进一步的提高了原始碳烟排放估算精度，满足DPF控制需求。

Description

发动机原始碳烟排放确定方法、装置、设备及介质

技术领域

本发明涉及发动机技术领域，尤其涉及一种发动机原始碳烟排放确定方法、装置、设备及介质。

背景技术

如今，颗粒捕集器（Diesel Particulate Filter，DPF）是减少柴油发动机颗粒排放物的重要手段，当DPF中的碳载量大于门槛值时，可以通过提高DPF温度的方式，将DPF中的soot（碳烟）燃烧去除，以实现DPF再生。

DPF碳载量估算是DPF再生控制的核心模块，当前的估算方法首先是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。本质上，此方法是开环策略，过分依赖标定数据质量，尤其对于油品和部件状态（如喷油器磨损、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（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：碳载量的估算精度低，难以满足DPF控制需求。

发明内容

本发明提供了一种发动机原始碳烟排放确定方法、装置、设备及介质，以解决碳载量估算精度低的技术问题。

根据本发明的一方面，提供了一种发动机原始碳烟排放确定方法，包括：

获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数；

基于所述当前时刻的碳烟排放预测参数、各所述历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定所述目标发动机的当前原始碳烟排放信息。

根据本发明的另一方面，提供了一种发动机原始碳烟排放确定装置，包括：

预测参数获取模块，用于获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数；

排放信息预测模块，用于基于所述当前时刻的碳烟排放预测参数、各所述历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定所述目标发动机的当前原始碳烟排放信息。

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发动机原始碳烟排放确定方法。

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发动机原始碳烟排放确定方法。

本发明实施例的技术方案，通过获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数，将当前时刻以及各历史时刻的碳烟排放预测参数输入至预先训练的碳烟排放预测模型，得到目标发动机的当前原始碳烟排放信息，以基于当前时刻以及历史各时刻的相关参数对当前时刻的原始碳烟排放信息进行预测，使得结合历史各时刻的相关参数所预测出的原始碳烟排放符合变化规律，提高了原始碳烟排放的预测精度，并且，该方法通过预测参数以及模型的方式进行原始碳烟排放预测，进而可以根据模型预测出的原始碳烟排放确定DPF碳载量，能够适应油品和部件状态，进一步的提高了原始碳烟排放估算精度，满足DPF控制需求。

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发动机原始碳烟排放确定方法的流程示意图；

图2是本发明实施例一提供的一种碳烟排放预测模型的网络结构图；

图3是本发明实施例二提供的一种发动机原始碳烟排放确定方法的流程示意图；

图4是本发明实施例三提供的一种发动机原始碳烟排放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原始碳烟排放预测流程图；

图6是本发明实施例四提供的一种发动机原始碳烟排放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发动机原始碳烟排放确定方法的流程示意图，本实施例可适用于实时对柴油发动机的原始碳烟排放信息（即soot）进行预测，以根据预测出的原始碳烟排放信息确定DPF碳载量的情况，该方法可以由发动机原始碳烟排放确定装置来执行，该发动机原始碳烟排放确定装置可以采用硬件和/或软件的形式实现，该发动机原始碳烟排放确定装置可配置于ECU（Electronic Control Unit，电子控制单元）等电子设备中。如图1所示，该方法包括：

S110、获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数。

具体的，可以获取目标发动机的当前时刻的碳烟排放预测参数，以及各历史时刻的碳烟排放预测参数。其中，当前时刻的碳烟排放预测参数可以是目标发动机在当前时刻产生的用于预测原始碳烟排放的参数，各历史时刻的碳烟排放预测参数可以是目标发动机在当前时刻之前的各历史时刻产生的用于预测原始碳烟排放的参数。

示例性的，获取各历史时刻的碳烟排放预测参数，可以是：根据预设延迟时间步长获取各历史时刻的碳烟排放预测参数；或者，获取目标发动机在上个驾驶循环中产生的碳烟排放预测参数。

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碳烟排放预测参数。

通过设置预设延迟时间步长或获取上个驾驶循环产生的数据，得到各历史时刻的碳烟排放预测参数，以使输入至预测模型的各数据为时间相邻的数据，进而可以保证模型输出的原始碳烟排放信息符合变化规律。

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发动机原始碳烟排放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。

在本实施例中，碳烟排放预测参数可以是目标发动机的缸内燃烧参数。示例性的，碳烟排放预测参数可以是发动机转速信息、喷油量信息、中冷后温度信息、压力信息、排气温度T4信息、瞬态废气流量信息、主喷提前角信息以及轨压信息中的至少一种。

S120、基于当前时刻的碳烟排放预测参数、各历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定目标发动机的当前原始碳烟排放信息。

其中，预先训练的碳烟排放预测模型可以是用于根据输入的预测参数进行原始碳烟排放信息预测的模型；如，神经网络模型。示例性的，碳烟排放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，碳烟排放预测模型可以基于试验数据训练得到，训练完成的碳烟排放预测模型，可以根据输入的当前时刻的碳烟排放预测参数、各历史时刻的碳烟排放预测参数，输出相应的当前原始碳烟排放信息。

需要说明的是，本实施例结合当前时刻以及各历史时刻的碳烟排放预测参数对当前原始碳烟排放进行预测，与仅通过当前时刻的某些参数进行原始碳烟排放预测的方式相比，能够保证预测的当前原始碳烟排放符合变化规律，避免出现奇异点，进一步的提高了原始碳烟排放的估算精度。

在一种具体的实施方式中，基于当前时刻的碳烟排放预测参数、各历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定目标发动机的当前原始碳烟排放信息，可以包括如下步骤：

步骤1201、基于当前时刻的碳烟排放预测参数、各历史时刻的碳烟排放预测参数、碳烟排放预测模型中各输入层节点分别对应的目标权重以及各隐含层节点分别对应的目标阈值，确定碳烟排放预测模型中各隐含层节点分别对应的输入数据；

步骤1202、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烟排放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；

步骤1203、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，确定碳烟排放预测模型输出的当前原始碳烟排放信息。

其中，碳烟排放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，碳烟排放预测模型可以采用改进的非线性自回归模型（Nonlinearautoregressive with external input，NARX）。采用改进的NARX模型的目的在于：由于反向传播神经网络、径向基函数神经网络等无时间序列的网络的预测精度较低，且考虑到soot排放的影响应当是短时间的，大约1-30个燃烧循环能够影响本次燃烧，因此，可以采用具备预设延迟时间步长的输入的改进的NARX模型，提高soot预测精度。

需要说明的是，本实施例中的碳烟排放预测模型与传统的非线性自回归模型的区别在于，本实施例提供的碳烟排放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，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各历史时刻的碳烟排放预测参数一并进行原始碳烟排放预测，可以使得预测出的原始碳烟排放符合变化规律，满足原始碳烟排放预测精度的需求，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，进一步提高原始碳烟排放的预测效率。

并且，采用改进的非线性自回归模型的好处在于，在将本实施例提供的原始碳烟排放确定方法以及碳烟排放预测模型集成在ECU的场景下，取消输出延迟反馈结构，可以降低模型计算所需的参数量，进而可以实现在保证输出精度的同时，便于ECU对原始碳烟排放确定方法的实施，进而便于ECU对原始soot排放的预测。

具体的，在碳烟排放预测模型中，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。

在上述步骤1201中，可以将当前时刻的碳烟排放预测参数、各历史时刻的碳烟排放预测参数，一并输入至碳烟排放预测模型中的各输入层节点。示例性的，当前时刻的碳烟排放预测参数的数量为8，在预设延迟时间步长为9时，历史碳烟排放预测参数的数量为8*9=72，那么可以将80个参数分别输入至各个输入层节点。

进一步的，在上述步骤1201中，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。

在上述步骤1202中，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。

在上述步骤1203中，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原始碳烟排放信息；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原始碳烟排放信息，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原始碳烟排放信息。

在本实施例中，当前原始碳烟排放信息的单位可以是mg/s。

还需说明的是，若需要将本实施例提供的模型集成进ECU中，实时预测原始碳烟排放信息，还需要考虑算力需求和内存占用。因此，除了要保证原始碳烟排放信息的预测准确度之外，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。

图2展示了一种碳烟排放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个历史时刻的碳烟排放预测参数，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、隐含层节点的数量可以通过寻优算法得到。碳烟排放预测参数的数量可以为8，即x（t）的数量为8个。具体的，可以将当前时刻的碳烟排放预测参数，以及根据预设延迟时间步长获取到的各历史时刻的碳烟排放预测参数输入至模型中，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，最后得到当前原始碳烟排放信息y(t)，输出数据的数量为1。

通过上述步骤1201-步骤1203，通过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、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，得到当前原始碳烟排放信息，以通过建立的当前时刻以及各历史时刻的相关参数与原始碳烟排放之间的映射关系，进行原始碳烟排放预测，提高了原始碳烟排放的预测精度。

本实施例的技术方案，通过获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数，将当前时刻以及各历史时刻的碳烟排放预测参数输入至预先训练的碳烟排放预测模型，得到目标发动机的当前原始碳烟排放信息，以基于当前时刻以及历史各时刻的相关参数对当前时刻的原始碳烟排放信息进行预测，使得结合历史各时刻的相关参数所预测出的原始碳烟排放符合变化规律，提高了原始碳烟排放的预测精度，并且，该方法通过预测参数以及模型的方式进行原始碳烟排放预测，进而可以根据模型预测出的原始碳烟排放确定DPF碳载量，能够适应油品和部件状态，进一步的提高了原始碳烟排放估算精度，满足DPF控制需求。

实施例二

图3是本发明实施例二提供的一种发动机原始碳烟排放确定方法的流程示意图，本实施例在上述各实施方式的基础上，补充说明了对各待筛选模型输入进行关联度分析，以筛选出最终的碳烟排放预测输入的过程。如图3所示，该方法包括：

S210、确定各待筛选模型输入，并获取发动机试验数据。

其中，待筛选模型输入为发动机转速、喷油量、水温、中冷后温度、压力、排气温度、瞬态废气流量、稳态闭环修正量、大气压力、环境温度、主喷提前角、轨压、预喷油量、预喷提前角或湿度。发动机试验数据包括各待筛选模型输入对应的测量值以及实际原始碳烟排放信息。

具体的，可以将上述15个待筛选模型输入作为原始输入，以从中筛选出最终的碳烟排放预测输入。发动机试验数据可以包括各待筛选模型输入对应的测量值以及在各测量值下的实际原始碳烟排放信息。

S220、基于实际原始碳烟排放信息以及各待筛选模型输入对应的测量值，分别确定各待筛选模型输入的关联度信息，基于关联度信息在各待筛选模型输入中确定各碳烟排放预测输入。

具体的，可以针对每一个待筛选模型输入，基于待筛选模型输入对应的测量值以及测量值下对应的实际原始碳烟排放信息，计算待筛选模型输入与模型输出之间的关联度信息。

示例性的，基于待筛选模型输入对应的测量值以及测量值下对应的实际原始碳烟排放信息，计算待筛选模型输入与模型输出之间的关联度信息，可以是：计算待筛选模型输入对应的测量值以及测量值下对应的实际原始碳烟排放信息之间的协方差，基于协方差计算结果确定待筛选模型输入与模型输出之间的关联度信息。如，可以参见如下公式计算协方差：

；

其中，

可以表示待筛选模型输入，

可以为待筛选模型输入的第i个测量值，

表 示第i个测量值对应的实际原始碳烟排放信息，

表示实际原始碳烟排放信息的平均值，M表 示待筛选模型输入的测量值的数量，

表示待筛选模型输入的所有测量值的平均值。

在本实施例中，可以通过上述方式得到所有待筛选模型输入与模型输出之间的关联度信息。进一步的，可以根据各个关联度信息，按照由大到小的顺序对各个待筛选模型输入进行排序。

示例性的，根据关联度信息的大小对所有待筛选模型输入排序后，排序结果为：中冷后压力、瞬态废气流量、喷油量、轨压、中冷后温度、主喷提前角、排气温度T4、发动机转速、稳态闭环修正量、水温、预喷提前角、大气压力、预喷油量、环境温度。

具体的，可以基于预设比例阈值以及排序结果，从各待筛选模型输入中选取碳烟排放预测输入，如，选取排序结果中的前85%的待筛选模型输入作为碳烟排放预测输入。或者，基于排序结果以及预设第一阈值，将关联度信息大于预设第一阈值的待筛选模型输入作为碳烟排放预测输入。或者，基于排序结果以及预设第二阈值，将关联度信息小于预设第二阈值的待筛选模型输入剔除，进而将剩余的其它待筛选模型输入作为碳烟排放预测输入。

其中，碳烟排放预测输入可以是输入至碳烟排放预测模型进行原始碳烟排放预测的变量。

在一种可选的实施方式中，基于待筛选模型输入对应的测量值以及测量值下对应的实际原始碳烟排放信息，计算待筛选模型输入与模型输出之间的关联度信息，还可以是：计算待筛选模型输入对应的测量值与测量值下对应的实际原始碳烟排放信息之间的协方差，并确定待筛选模型输入对应的测量值与测量值下对应的实际原始碳烟排放信息之间的灰色关联度，基于协方差计算结果以及灰色关联度确定待筛选模型输入与模型输出之间的关联度信息。

即，可以将协方差以及灰色关联度作为筛选碳烟排放预测输入的依据。示例性的，若关联度信息包括协方差以及灰色关联度，基于关联度信息在各待筛选模型输入中确定各碳烟排放预测输入，可以是：将协方差大于预设第一阈值，且灰色关联度大于预设灰色阈值的待筛选模型输入确定为碳烟排放预测输入；或者，根据协方差的大小，按照从大到小的顺序对各待筛选模型输入进行排序，得到第一排序结果，并根据灰色关联度的大小，按照从大到小的顺序对各待筛选模型输入进行排序，得到第二排序结果，根据预设比例阈值以及第一排序结果确定第一排序截取结果，根据预设比例阈值以及第二排序结果确定第二排序截取结果，将第一排序截取结果与第二排序截取结果中重复的待筛选模型输入作为碳烟排放预测输入，以使碳烟排放预测输入为协方差和灰色关联度均较高的待筛选模型输入，进而得到与模型输出的相关性较高输入，提高模型的预测精度。

S230、获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数。

可选的，获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数，包括：基于各碳烟排放预测输入，获取目标发动机的当前时刻以及各历史时刻与各碳烟排放预测输入对应的碳烟排放预测参数；其中，各碳烟排放预测输入包括发动机转速、喷油量、中冷后温度、压力、排气温度、瞬态废气流量、主喷提前角以及轨压。

其中，发动机转速、喷油量、中冷后温度、压力、排气温度、瞬态废气流量、主喷提前角以及轨压，可以是协方差排序后的前85%的待筛选模型输入。

具体的，在基于关联度分析确定各碳烟排放预测输入后，可以根据碳烟排放预测输入获取碳烟排放试验数据，以对碳烟排放预测网络进行训练。进一步的，可以获取当前时刻以及各历史时刻下各碳烟排放预测输入对应的实际数据，得到当前时刻的碳烟排放预测参数以及各历史时刻的碳烟排放预测参数，将其输入至模型得到当前原始碳烟排放信息。

在本实施例中，通过确定各碳烟排放预测输入，以通过各碳烟排放预测输入获取输入至预测模型中的碳烟排放预测参数，避免了将所有缸内燃烧参数输入至模型，有效降低了模型输入参数的数量，进而降低了原始碳烟排放的预测所需算力，提高了原始碳烟排放的预测效率，并且，便于集成至ECU。

S240、基于当前时刻的碳烟排放预测参数、各历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定目标发动机的当前原始碳烟排放信息。

本实施例的技术方案，通过确定各待筛选模型输入，并获取发动机试验数据，进而基于发动机试验数据中各待筛选模型输入对应的测量值、实际原始碳烟排放信息，确定各待筛选模型输入与模型输出之间的关联度信息，根据关联度信息在各待筛选模型输入中选取各碳烟排放预测输入，实现了碳烟排放预测模型的输入的确定，在保证碳烟排放预测模型的预测精度的同时，有效降低了模型输入的个数，进而降低了原始碳烟排放预测所需的算力以及内存，提高了原始碳烟排放的预测效率，并且，通过降低对算力以及内存占用的需求，便于将碳烟排放预测模型以及发动机原始碳烟排放确定方法集成至ECU，提高了方法的适用性。

实施例三

图4是本发明实施例三提供的一种发动机原始碳烟排放确定方法的流程示意图，本实施例在上述各实施方式的基础上，对碳烟排放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、构建碳烟排放预测网络，获取碳烟排放试验数据。

其中，碳烟排放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。碳烟排放试验数据包括样本当前时刻的碳烟排放预测参数、样本历史时刻的碳烟排放预测参数，以及样本当前时刻的实际原始碳烟排放信息。

具体的，碳烟排放预测网络可以采用改进的NARX网络。碳烟排放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。

在本实施例中，碳烟排放试验数据可以通过对发动机进行试验得到。具体的，碳烟排放试验数据包括样本当前时刻的碳烟排放预测参数、样本历史时刻的碳烟排放预测参数，碳烟排放试验数据还包括以及样本当前时刻的实际原始碳烟排放信息，即样本标签。

S320、基于碳烟排放试验数据对碳烟排放预测网络进行训练，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，确定碳烟排放预测模型。

其中，可以将样本当前时刻的碳烟排放预测参数、样本历史时刻的碳烟排放预测参数输入至碳烟排放预测网络，进而根据碳烟排放预测网络输出的预测结果以及样本当前时刻的实际原始碳烟排放信息，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，将此时的碳烟排放预测网络作为碳烟排放预测模型。

在一种具体的实施方式中，基于碳烟排放试验数据对碳烟排放预测网络进行训练，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，可以包括如下步骤：

步骤1、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2、基于碳烟排放试验数据、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3、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1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，也可以是碳烟排放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，计算出碳烟排放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2，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。步骤2-步骤3是循环执行的，循环截止的条件为训练截止条件。

示例性的，在上述步骤2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：

；

；

；

；

在上述公式中，

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，

表示第i个隐含层节点的第二阈值修正量，

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，

表示第k个输出层节点的第三阈值修正量。

表示隐含层 节点的数量，

表示碳烟排放试验数据的数量，

为隐含层传递函数的反函数，

为输出层 传递函数的反函数，

为学习速率，可以设定学习速率为0.04。

可以是样本标签，

可以 是网络预测值。

表示输入至第j个输入层节点的数据，

表示输入至第i个隐含层节点的数 据。

在上述公式中，

、

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：

；

；

；

；

其中，

表示第j个输入层节点连接第i个隐含层节点的权重，

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。

表示第i个隐含层节点的输出 数据，

表示隐含层传递函数。

为第i个隐含层节点连接第k个输出层节点的权重，

为 第k个输出层节点的阈值。

表示第k个输出层节点的输出数据，

表示输出层传递函数。

通过上述步骤1-步骤2，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。

可选的，针对上述步骤2，基于碳烟排放试验数据、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21、基于碳烟排放试验数据、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22、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23、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。

其中，在上述步骤21中，确定当前误差平方和，可以是根据碳烟排放试验数据、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烟排放试验数据中的样本标签，计算当前误差平方和。

在上述步骤22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：

；

其中，

为当前动量因子，

为当前误差平方和，

为上一轮训练的误差 平方和。

在上述步骤22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：

；

其中，

为当前学习速率。

在确定出当前动量因子和当前学习速率后，根据上述步骤23，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：

；

；

其中，

为当前训练轮次的第一权重修正量，

为当前训练轮次的第二阈 值修正量，

为当前训练轮次的第二权重修正量，

为当前训练轮次的第三阈值修 正量。

上述公式中，

分别为上一轮训练得 到的各个修正量。

为当前训练轮次的均方误差，

为输入。

上述步骤21-步骤23，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。

S330获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数。

S340、基于当前时刻的碳烟排放预测参数、各历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定目标发动机的当前原始碳烟排放信息。

可选的，在确定目标发动机的当前原始碳烟排放信息之后，本实施例提供的方法还可以包括：基于预设滤波系数，对当前原始碳烟排放信息进行一阶互补滤波处理，根据滤波处理结果更新当前原始碳烟排放信息。其中，一阶互补滤波可以是PT1滤波，预设滤波系数可以是PT1滤波中的时间系数。具体的，预设滤波系数可以表示两次采样间隔的时间。示例性的，预设滤波系数T1=550。

具体的，基于预设滤波系数，对当前原始碳烟排放信息进行一阶互补滤波处理，根据滤波处理结果更新当前原始碳烟排放信息，可以是：基于预设滤波系数以及当前时刻确定前一次采样时刻对应的历史原始碳烟排放信息，基于当前时刻对应的当前原始碳烟排放信息、当前原始碳烟排放信息对应的权重以及前一次采样时刻对应的历史原始碳烟排放信息，确定滤波处理结果，基于滤波处理结果更新当前原始碳烟排放信息。

其中，前一次采样时刻对应的历史原始碳烟排放信息也可以是碳烟排放预测模型输出的针对前一采样时刻所预测的原始碳烟排放信息。

在基于预先训练的碳烟排放预测模型确定当前原始碳烟排放信息之后，根据预设滤波系数对模型输出的当前原始碳烟排放信息进行一阶互补滤波处理，并根据滤波处理结果更新当前原始碳烟排放信息，避免了预测的各时刻原始碳烟排放信息中存在零漂点，进一步的提高了原始碳烟排放信息的预测精度。

示例性的，参见图5所示，展示了一种原始碳烟排放预测流程图。其中，任务周期可以是100ms，即每间隔100ms进行一次当前原始碳烟排放信息的预测。可以从EEROM（数据存储器）中读取初始化数据，得到各历史时刻的碳烟排放预测参数，并将当前时刻的碳烟排放预测参数、各历史时刻的碳烟排放预测参数输入至碳烟排放预测模型。进一步的，根据预设碳烟排放范围对碳烟排放预测模型输出的当前原始碳烟排放信息进行更新，以将当前原始碳烟排放信息限定于预设碳烟排放范围之内。其中，预设碳烟排放范围中的最小值可以根据转速、喷油量以及最小值Map确定，预设碳烟排放范围中的最大值可以根据转速、喷油量以及最大值Map确定，即可以基于转速和喷油量，查表得到最大值、最小值。进一步的，对当前原始碳烟排放信息（单位为mg/s）进行PT1滤波处理，预设滤波系数T1可以取10，根据滤波结果得到最终的当前原始碳烟排放信息。

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烟排放预测网络，进而通过碳烟排放试验数据，对碳烟排放预测网络进行训练，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，以基于碳烟排放预测模型中的各目标权重和目标阈值进行原始碳烟排放预测，实现了输出的原始碳烟排放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以及碳烟排放预测参数进行原始碳烟排放预测，能够适应油品和部件状态，提升原始碳烟排放预测精度，进而提高碳载量的预测精度。

实施例四

图6是本发明实施例四提供的一种发动机原始碳烟排放确定装置的结构示意图。如图6所示，该装置包括预测参数获取模块410以及排放信息预测模块420。

预测参数获取模块410，用于获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数；

排放信息预测模块420，用于基于所述当前时刻的碳烟排放预测参数、各所述历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定所述目标发动机的当前原始碳烟排放信息。

本实施例的技术方案，通过获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数，将当前时刻以及各历史时刻的碳烟排放预测参数输入至预先训练的碳烟排放预测模型，得到目标发动机的当前原始碳烟排放信息，以基于当前时刻以及历史各时刻的相关参数对当前时刻的原始碳烟排放信息进行预测，使得结合历史各时刻的相关参数所预测出的原始碳烟排放符合变化规律，提高了原始碳烟排放的预测精度，并且，该方法通过预测参数以及模型的方式进行原始碳烟排放预测，进而可以根据模型预测出的原始碳烟排放确定DPF碳载量，能够适应油品和部件状态，进一步的提高了原始碳烟排放估算精度，满足DPF控制需求。

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输入筛选模块，输入筛选模块，用于确定各待筛选模型输入，其中，所述待筛选模型输入为发动机转速、喷油量、水温、中冷后温度、压力、排气温度、瞬态废气流量、稳态闭环修正量、大气压力、环境温度、主喷提前角、轨压、预喷油量、预喷提前角或湿度；获取发动机试验数据，其中，所述发动机试验数据包括各所述待筛选模型输入对应的测量值以及实际原始碳烟排放信息；基于所述实际原始碳烟排放信息以及各所述待筛选模型输入对应的测量值，分别确定各所述待筛选模型输入的关联度信息，基于所述关联度信息在各所述待筛选模型输入中确定各碳烟排放预测输入。

在上述实施例的基础上，可选的，预测参数获取模块410，具体用于：

基于各所述碳烟排放预测输入，获取所述目标发动机的当前时刻以及各历史时刻与各所述碳烟排放预测输入对应的碳烟排放预测参数；其中，各所述碳烟排放预测输入包括发动机转速、喷油量、中冷后温度、压力、排气温度、瞬态废气流量、主喷提前角以及轨压。

在上述实施例的基础上，可选的，排放信息预测模块420，具体用于：

基于所述当前时刻的碳烟排放预测参数、各所述历史时刻的碳烟排放预测参数、所述碳烟排放预测模型中各输入层节点分别对应的目标权重以及各隐含层节点分别对应的目标阈值，确定所述碳烟排放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烟排放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，确定所述碳烟排放预测模型输出的当前原始碳烟排放信息。

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训练模块，模型训练模块包括网络构建单元、试验数据获取单元以及权重阈值学习单元，其中；

网络构建单元，用于构建碳烟排放预测网络，所述碳烟排放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，用于获取碳烟排放试验数据，其中，所述碳烟排放试验数据包括样本当前时刻的碳烟排放预测参数、样本历史时刻的碳烟排放预测参数，以及样本当前时刻的实际原始碳烟排放信息；

权重阈值学习单元，用于基于所述碳烟排放试验数据对所述碳烟排放预测网络进行训练，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，确定所述碳烟排放预测模型。

在上述实施例的基础上，可选的，权重阈值学习单元，还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；基于所述碳烟排放试验数据、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，还用于基于所述碳烟排放试验数据、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。

本发明实施例所提供的发动机原始碳烟排放确定装置可执行本发明任意实施例所提供的发动机原始碳烟排放确定方法，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，例如发动机原始碳烟排放确定方法。

在一些实施例中，发动机原始碳烟排放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发动机原始碳烟排放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）而被配置为执行发动机原始碳烟排放确定方法。

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。

用于实施本发明的发动机原始碳烟排放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发动机原始碳烟排放确定方法，该方法包括：

获取目标发动机的当前时刻以及各历史时刻的碳烟排放预测参数；

基于所述当前时刻的碳烟排放预测参数、各所述历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定所述目标发动机的当前原始碳烟排放信息。

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 (8)

1.一种发动机原始碳烟排放确定方法，其特征在于，包括：

确定各待筛选模型输入，其中，所述待筛选模型输入为发动机转速、喷油量、水温、中冷后温度、压力、排气温度、瞬态废气流量、稳态闭环修正量、大气压力、环境温度、主喷提前角、轨压、预喷油量、预喷提前角或湿度；

获取发动机试验数据，其中，所述发动机试验数据包括各所述待筛选模型输入对应的测量值以及实际原始碳烟排放信息；

基于所述实际原始碳烟排放信息以及各所述待筛选模型输入对应的测量值，分别确定各所述待筛选模型输入的关联度信息，基于所述关联度信息在各所述待筛选模型输入中确定各碳烟排放预测输入；

基于各所述碳烟排放预测输入，获取目标发动机的当前时刻以及各历史时刻与各所述碳烟排放预测输入对应的碳烟排放预测参数；

其中，各所述碳烟排放预测输入包括发动机转速、喷油量、中冷后温度、压力、排气温度、瞬态废气流量、主喷提前角以及轨压；

基于所述当前时刻的碳烟排放预测参数、各所述历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定所述目标发动机的当前原始碳烟排放信息。

2.根据权利要求1所述的方法，其特征在于，所述基于所述当前时刻的碳烟排放预测参数、各所述历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定所述目标发动机的当前原始碳烟排放信息，包括：

基于所述当前时刻的碳烟排放预测参数、各所述历史时刻的碳烟排放预测参数、所述碳烟排放预测模型中各输入层节点分别对应的目标权重以及各隐含层节点分别对应的目标阈值，确定所述碳烟排放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烟排放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，确定所述碳烟排放预测模型输出的当前原始碳烟排放信息。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

构建碳烟排放预测网络，所述碳烟排放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；

获取碳烟排放试验数据，其中，所述碳烟排放试验数据包括样本当前时刻的碳烟排放预测参数、样本历史时刻的碳烟排放预测参数，以及样本当前时刻的实际原始碳烟排放信息；

基于所述碳烟排放试验数据对所述碳烟排放预测网络进行训练，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，确定所述碳烟排放预测模型。

4.根据权利要求3所述的方法，其特征在于，所述基于所述碳烟排放试验数据对所述碳烟排放预测网络进行训练，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，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；

基于所述碳烟排放试验数据、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。

5.根据权利要求4所述的方法，其特征在于，所述基于所述碳烟排放试验数据、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：

基于所述碳烟排放试验数据、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。

6.一种发动机原始碳烟排放确定装置，其特征在于，包括：

输入筛选模块，用于确定各待筛选模型输入，其中，所述待筛选模型输入为发动机转速、喷油量、水温、中冷后温度、压力、排气温度、瞬态废气流量、稳态闭环修正量、大气压力、环境温度、主喷提前角、轨压、预喷油量、预喷提前角或湿度；获取发动机试验数据，其中，所述发动机试验数据包括各所述待筛选模型输入对应的测量值以及实际原始碳烟排放信息；基于所述实际原始碳烟排放信息以及各所述待筛选模型输入对应的测量值，分别确定各所述待筛选模型输入的关联度信息，基于所述关联度信息在各所述待筛选模型输入中确定各碳烟排放预测输入；

预测参数获取模块，用于基于各所述碳烟排放预测输入，获取目标发动机的当前时刻以及各历史时刻与各所述碳烟排放预测输入对应的碳烟排放预测参数；其中，各所述碳烟排放预测输入包括发动机转速、喷油量、中冷后温度、压力、排气温度、瞬态废气流量、主喷提前角以及轨压；

排放信息预测模块，用于基于所述当前时刻的碳烟排放预测参数、各所述历史时刻的碳烟排放预测参数以及预先训练的碳烟排放预测模型，确定所述目标发动机的当前原始碳烟排放信息。

7.一种电子设备，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1-5中任一项所述的发动机原始碳烟排放确定方法。

8.一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1-5中任一项所述的发动机原始碳烟排放确定方法。

Images