CN115263505A - 一种车辆nox排放预测方法、装置及存储介质 - Google Patents
一种车辆nox排放预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115263505A CN115263505A CN202210917257.8A CN202210917257A CN115263505A CN 115263505 A CN115263505 A CN 115263505A CN 202210917257 A CN202210917257 A CN 202210917257A CN 115263505 A CN115263505 A CN 115263505A
- Authority
- CN
- China
- Prior art keywords
- engine
- vehicle
- data
- nox emission
- nox
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000010219 correlation analysis Methods 0.000 claims abstract description 7
- 239000000446 fuel Substances 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000002826 coolant Substances 0.000 claims description 4
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 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 abstract description 6
- 238000002229 photoelectron microspectroscopy Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000003915 air pollution Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000010705 motor oil Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- F01N2570/00—Exhaust treating apparatus eliminating, absorbing or adsorbing specific elements or compounds
- F01N2570/14—Nitrogen oxides
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请涉及发动机故障检测技术领域，尤其为一种车辆NOx排放预测方法、装置及存储介质，通过获取车辆的发动机数据，对所述发动机数据和车辆的NOx排放量进行皮尔森系数相关度分析，并得到各发动机数据与NOx排放量的相关度，根据相关度从所述发动机数据中提取有效数据特征；根据所述有效数据特征构建基于LSTM神经网络的排放量预测模型；利用所述排放量预测模型对输入的新发动机数据进行预测，得到发动机的NOx排放预测值，在实际应用中将PEMS设备采集NOx排放量转化为基于深度学习算法的预测，采用神经网络的NOx预测模型构建方法在成本、可持续更新迭代以及准确度上具有较好的应用价值。
Description
技术领域
本申请涉及发动机故障检测技术领域，尤其涉及一种车辆NOX排放预测方法、装置及存储介质。
背景技术
随着我国社会经济快速发展，我国的汽车保有量也经历了爆发式的增长，由此带来的汽车尾气污染问题也日益突出，已成为空气污染的重要来源。客观准确的测量和评估NOx污染物排放水平对于大气污染防治具有重要意义。
目前NOx排放检测主要包括台架测试以及道路测试两种方式。台架测试一般在实验室台架上通过工况循环进行排放水平检测，根据不同国家、地区范围内行驶的车辆构建出的工况循环与实际工况循环仍存在一定差异，用来评价不同地区运营车辆的排放会造成结果的偏差。道路测试需要车辆在真实道路上行驶，通过PEMS设备实时采集车辆的实际工况和排放数据，并通过离线数据分析评估车辆在整个行驶过程中的排放。PEMS具有高精度高准确性的优点，适用于车辆型式检验、生产一致性检查和在用符合性检查，但由于PEMS由一系列测试设备组成，重量较大(约500kg)、占用体积较大、价格昂贵、安装复杂，使用仍十分受限。
发明内容
为了解决上述背景技术提到的技术问题或者至少部分地解决上述技术问题，本申请提供一种车辆NOX排放预测方法、装置及存储介质。
为解决以上问题，本发明提出的技术方案如下：
获取车辆的发动机数据，所述发动机数据包括燃油压力、喷油量、车速、机油压力、进气歧管压力、进气歧管温度、大气压力、冷却液温度、进气流量、环境温度、燃油温度、发动机燃料流量、发动机转速、总行驶里程、发动机总运行时间、扭矩以及排气温度中的一种或者多种；
对所述发动机数据和车辆的NOx排放量进行皮尔森系数相关度分析，并得到各发动机数据与NOx排放量的相关度，根据相关度从所述发动机数据中提取有效数据特征；
根据所述有效数据特征构建基于LSTM神经网络的排放量预测模型；
利用所述排放量预测模型对输入的新发动机数据进行预测，得到发动机的NOx排放预测值。
进一步的，对所述发动机数据和车辆的NOx排放量进行基于皮尔森系数相关度分析，具体包括：
计算NOx排放量与所述发动机数据的协方差；
计算NOx排放量的标准差与所述发动机数据的标准差的乘积；
计算所述协方差和所述乘积的比值，得到皮尔森系数。
更进一步的，根据所述有效数据特征构建基于LSTM神经网络的排放量预测模型之前，还包括：
对所述有效数据特征进行数据预处理。
其中：LSTM神经网络的核心概念在于细胞状态以及“门”结构，具体的LSTM神经网络的构建参见现有技术，这里不再赘述。
更进一步的，对所述有效数据特征进行数据预处理，具体包括：
对所述有效数据特征按时间进行排序、去空值和数据归一化处理。
第二方面，本申请还提供了一种车辆NOx排放预测装置，包括：
存储器20，用于存储程序指令；
处理器21，用于调用所述存储器中存储的所述程序指令以实现如第一方面中任一技术方案所述的车辆NOx排放预测方法。
第三方面，本申请还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程序代码，所述程序代码用于实现如第一方面中任一项所述的车辆NOx排放预测方法。
有益效果
本发明提出一种提供车辆NOx排放预测方法，包括：获取车辆的发动机数据，所述发动机数据包括燃油压力、喷油量、车速、机油压力、进气歧管压力、进气歧管温度、大气压力、冷却液温度、进气流量、环境温度、燃油温度、发动机燃料流量、发动机转速、总行驶里程、发动机总运行时间、扭矩以及排气温度中的一种或者多种；对所述发动机数据和车辆的NOx排放量进行皮尔森系数相关度分析，并得到各发动机数据与NOx排放量的相关度，根据相关度从所述发动机数据中提取有效数据特征；根据所述有效数据特征构建基于LSTM神经网络的排放量预测模型；利用所述排放量预测模型对输入的新发动机数据进行预测，得到发动机的NOx排放预测值，在实际应用中将PEMS设备采集NOx排放量转化为基于深度学习算法的预测，采用神经网络的NOx预测模型构建方法在成本、可持续更新迭代以及准确度上具有较好的应用价值。
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。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种车辆NOx排放预测方法的流程示意图；
图2为车辆NOx排放预测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
参见图1，为了便于理解，下面对本申请实施例提供的一种车辆NOX排放预测方法进行详细介绍，第一方面，本申请提供了一种车辆NOx排放预测方法，包括以下步骤：
步骤S1，采集车辆的发动机数据，发动机数据包括燃油压力、喷油量、车速、机油压力、进气歧管压力、进气歧管温度、大气压力、冷却液温度、进气流量、环境温度、燃油温度、发动机燃料流量、发动机转速、总行驶里程、发动机总运行时间、扭矩以及排气温度中的一种或者多种；
步骤S2，对发动机数据和车辆的NOx排放量进行基于皮尔森系数的相关度分析，得到各发动机数据的相关度，并根据相关度从发动机数据中提取有效数据特征；
步骤S3，根据有效数据特征，构建基于LSTM神经网络的排放量预测模型；
步骤S4，利用排放量预测模型对输入的新发动机数据进行预测，得到发动机的NOx排放预测值。
在本申请的一些具体实施例中，对发动机数据和车辆的NOx排放量进行基于皮尔森系数的相关度分析，得到各发动机数据的相关度，具体包括：
计算NOx排放量与发动机数据的协方差；
计算NOx排放量的标准差与发动机数据的标准差的乘积；
计算协方差和乘积的比值，得到皮尔森系数。
在本申请的一些具体实施例中，构建基于LSTM神经网络的排放量预测模型，具体包括：
通过神经网络算法搭建NOx瞬态排放量的预测模型，将车速、发动机转速、排气温度、发动机净输出扭矩、计算负荷、燃料流量和NOx浓度共7个特征作为输入节点，将目标NOx瞬态排放量作为输出结点。将均方误差MSE设为损失函数。
在本申请的一些具体实施例中，根据相关度从发动机数据中提取有效数据特征。具体包括：
根据相关度从发动机数据中提取与NOx排放量相关性最好的发动机数据作为有效数据特征。
在本申请的一些具体实施例中，构建基于LSTM神经网络的排放量预测模型具体还包括：LSTM神经网络的核心概念在于细胞状态以及“门”结构。具体的LSTM神经网络的构建参见现有技术，这里不再赘述。
在本申请的一些具体实施例中，在根据有效数据特征，构建基于LSTM神经网络的排放量预测模型之前，还包括：
对有效数据特征进行预处理。
在本申请的一些具体实施例中，对有效数据特征进行预处理，具体包括：
对有效数据特征按时间进行排序、去空值和数据归一化处理。
本申请实施例提供车辆NOx排放预测方法，将PEMS设备采集NOx排放量转化为基于深度学习算法的预测，采用神经网络的NOx预测模型构建方法在成本、可持续更新迭代以及准确度上具有较好的应用价值。
实施例二
为了便于理解，下面对一种车辆NOx排放预测方法的具体流程进行详细说明：
基于Lambda架构开发柴油车大数据采集平台，研究开发兼容ISO14229、J1939、ISO15765等通信协议的车载数据采集设备。针对多车高并发接入以及海量数据访问，开发面向数据流处理和批量数据处理的可分布式处理算法。该平台采集的柴油车实际道路运行大数据用于持续驱动NOx排放建模过程。包括如下步骤：
步骤101，采集车辆的发动机数据，采集数据频率为1Hz。
步骤102，NOx排放量的特征相关度计算，计算NOx排放量与柴油车主要运行参数的皮尔森相关系数作为NOx排放量的主要表征。通过计算NOx排放量与柴油车主要运行参数之间的协方差和两者标准差乘积的比值来给出皮尔森相关系数。
步骤103，对提取到的数据特征进行预处理，主要有按时间进行排序、去空值、数据归一化等。
步骤104，构建LSTM神经网络模型，通过神经网络算法搭建NOx瞬态排放量的预测模型，将车速、发动机转速、排气温度、发动机净输出扭矩、计算负荷、燃料流量、NOx浓度等7个特征作为输入节点和将目标NOx瞬态排放量作为输出结点。将均方误差MSE设为损失函数。
步骤105，训练结束后在测试集验证，预测的NOx排放量误差小于5％。
本发明通过开发的柴油车道路大数据平台，采集的柴油车实际道路NOx排放数据。海量的NOx实车样本数据能够增加发动机工况覆盖面，降低测试边界参数变动差异，在此基础上提出了一种使用深度学习神经网络的NOx排放预测模型，模型能够准确反映车辆实际道路排放，应用该模型可以检测出台架测试合格但实际道路排放超标的运营柴油车；与传统方法相比，本研究基于大数据的NOx预测模型构建方法在成本、可持续更新迭代以及准确度上具有较大优势。
实施例三
在本申请的又一些具体实施例中，还提供了一种车辆NOx排放预测装置，包括：
存储器20，用于存储程序指令；
处理器21，用于调用存储器中存储的程序指令以实现如上述任一实施例的车辆NOx排放预测方法。
实施例四
在本申请的又一些具体实施例中，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程序代码，程序代码用于实现如上述任一实施例的车辆NOx排放预测方法。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种车辆NOx排放预测方法，其特征在于，包括：
获取车辆的发动机数据，所述发动机数据包括燃油压力、喷油量、车速、机油压力、进气歧管压力、进气歧管温度、大气压力、冷却液温度、进气流量、环境温度、燃油温度、发动机燃料流量、发动机转速、总行驶里程、发动机总运行时间、扭矩以及排气温度中的一种或者多种；
对所述发动机数据和车辆的NOx排放量进行皮尔森系数相关度分析，并得到各发动机数据与NOx排放量的相关度，根据相关度从所述发动机数据中提取有效数据特征；
根据所述有效数据特征构建基于LSTM神经网络的排放量预测模型；
利用所述排放量预测模型对输入的新发动机数据进行预测，得到发动机的NOx排放预测值。
2.根据权利要求1所述的车辆NOx排放预测方法，其特征在于，对所述发动机数据和车辆的NOx排放量进行基于皮尔森系数相关度分析，具体包括：
计算NOx排放量与所述发动机数据的协方差；
计算NOx排放量的标准差与所述发动机数据的标准差的乘积；
计算所述协方差和所述乘积的比值，得到皮尔森系数。
3.根据权利要求2所述的车辆NOx排放预测方法，其特征在于，根据所述有效数据特征构建基于LSTM神经网络的排放量预测模型之前，还包括：
对所述有效数据特征进行数据预处理。
4.根据权利要求3所述的车辆NOx排放预测方法，其特征在于，对所述有效数据特征进行数据预处理，具体包括：
对所述有效数据特征按时间进行排序、去空值和数据归一化处理。
5.一种车辆NOx排放预测装置，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的所述程序指令以实现如权利要求1至4中任一项所述的车辆NOx排放预测方法。
6.一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程序代码，所述程序代码用于实现如权利要求1至4中任一项所述的车辆NOx排放预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210917257.8A CN115263505A (zh) | 2022-08-01 | 2022-08-01 | 一种车辆nox排放预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210917257.8A CN115263505A (zh) | 2022-08-01 | 2022-08-01 | 一种车辆nox排放预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115263505A true CN115263505A (zh) | 2022-11-01 |
Family
ID=83747775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210917257.8A Pending CN115263505A (zh) | 2022-08-01 | 2022-08-01 | 一种车辆nox排放预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115263505A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070791A (zh) * | 2023-03-27 | 2023-05-05 | 天津布尔科技有限公司 | 一种基于LSTM算法的柴油车NOx排放预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826772A (zh) * | 2019-10-15 | 2020-02-21 | 深圳市赛梅斯凯科技有限公司 | 车辆尾气排放预测方法、装置、设备及存储介质 |
| CN112241609A (zh) * | 2020-10-15 | 2021-01-19 | 吉林大学 | 柴油机NOx排放实时估计系统 |
| WO2021092639A1 (de) * | 2019-11-12 | 2021-05-20 | Avl List Gmbh | Verfahren und system zum analysieren und/oder optimieren einer konfiguration einer fahrzeuggattung |
| CN114112420A (zh) * | 2020-09-01 | 2022-03-01 | 上海汽车集团股份有限公司 | 一种车辆氮氧化物排放测试方法及相关装置 |
| CN114282680A (zh) * | 2020-09-28 | 2022-04-05 | 陕西重型汽车有限公司 | 一种基于机器学习算法的车辆尾气排放预测方法及系统 |
-
2022
- 2022-08-01 CN CN202210917257.8A patent/CN115263505A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826772A (zh) * | 2019-10-15 | 2020-02-21 | 深圳市赛梅斯凯科技有限公司 | 车辆尾气排放预测方法、装置、设备及存储介质 |
| WO2021092639A1 (de) * | 2019-11-12 | 2021-05-20 | Avl List Gmbh | Verfahren und system zum analysieren und/oder optimieren einer konfiguration einer fahrzeuggattung |
| CN114112420A (zh) * | 2020-09-01 | 2022-03-01 | 上海汽车集团股份有限公司 | 一种车辆氮氧化物排放测试方法及相关装置 |
| CN114282680A (zh) * | 2020-09-28 | 2022-04-05 | 陕西重型汽车有限公司 | 一种基于机器学习算法的车辆尾气排放预测方法及系统 |
| CN112241609A (zh) * | 2020-10-15 | 2021-01-19 | 吉林大学 | 柴油机NOx排放实时估计系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070791A (zh) * | 2023-03-27 | 2023-05-05 | 天津布尔科技有限公司 | 一种基于LSTM算法的柴油车NOx排放预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
| CN107577910B (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
| CN113159162B (zh) | 一种基于信息融合与灰色关联度的故障诊断方法及系统 | |
| CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN110716512A (zh) | 一种基于燃煤电站运行数据的环保装备性能预测方法 | |
| CN113554153A (zh) | 氮氧化物排放量预测方法、装置、计算机设备及介质 | |
| CN107330300A (zh) | 一种基于支持向量回归的车辆尾气浓度反演方法 | |
| CN111460382A (zh) | 基于高斯过程回归的燃油车有害气体排放预测方法及系统 | |
| CN115263505A (zh) | 一种车辆nox排放预测方法、装置及存储介质 | |
| Bellone et al. | Comparison of CNN and LSTM for Modeling Virtual Sensors in an Engine | |
| Xu et al. | Analysis and prediction of vehicle exhaust emission using ann | |
| CN116307298B (zh) | 一种基于多源异构张量数据的组合碳排放预测方法 | |
| CN113642227A (zh) | 一种基于融合驾驶行为特征的bp神经网络油耗预测方法 | |
| CN113295826A (zh) | 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法 | |
| CN115130751A (zh) | 一种车辆nox排放预测方法、装置及存储介质 | |
| CN116741304A (zh) | 基于车联网大数据的柴油机原排氮氧化物预测方法 | |
| CN116415491A (zh) | 车辆排放预测方法、装置、设备以及存储介质 | |
| CN113090420B (zh) | 一种基于多分类逻辑回归算法的egr流量诊断方法 | |
| CN115270932A (zh) | 整车排放参数优化方法、系统、电子设备和存储介质 | |
| CN114548557A (zh) | NOx排放预测方法、装置、电子设备及计算机存储介质 | |
| CN114282680A (zh) | 一种基于机器学习算法的车辆尾气排放预测方法及系统 | |
| CN112415892A (zh) | 一种汽油机起动标定控制参数优化方法 | |
| CN114091540B (zh) | 柴油机冷试智能检测模型构建方法、检测方法及系统 | |
| Zhang et al. | A vehicle emission factors concentration inversion method based on deep neural networks | |
| Wong et al. | Diesel engine modelling using extreme learning machine under scarce and exponential data sets |
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 |