CN115330071A - 一种基于车联网大数据的doc异常检测方法 - Google Patents
一种基于车联网大数据的doc异常检测方法 Download PDFInfo
- Publication number
- CN115330071A CN115330071A CN202211012800.6A CN202211012800A CN115330071A CN 115330071 A CN115330071 A CN 115330071A CN 202211012800 A CN202211012800 A CN 202211012800A CN 115330071 A CN115330071 A CN 115330071A
- Authority
- CN
- China
- Prior art keywords
- dpf
- upstream exhaust
- doc
- exhaust temperature
- temperature rise
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 84
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 234
- 230000008929 regeneration Effects 0.000 claims description 142
- 238000011069 regeneration method Methods 0.000 claims description 142
- 238000000034 method Methods 0.000 claims description 133
- 230000008569 process Effects 0.000 claims description 125
- 238000002347 injection Methods 0.000 claims description 47
- 239000007924 injection Substances 0.000 claims description 47
- 239000007789 gas Substances 0.000 claims description 28
- 239000000446 fuel Substances 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 14
- 239000003054 catalyst Substances 0.000 claims description 13
- 238000012423 maintenance Methods 0.000 claims description 12
- 238000006116 polymerization reaction Methods 0.000 claims description 12
- 230000002779 inactivation Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 7
- 239000004215 Carbon black (E152) Substances 0.000 claims description 6
- 229930195733 hydrocarbon Natural products 0.000 claims description 6
- 150000002430 hydrocarbons Chemical class 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000012805 post-processing Methods 0.000 claims description 5
- 239000002912 waste gas Substances 0.000 claims description 4
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 238000010801 machine learning Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 239000003921 oil Substances 0.000 description 29
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 230000006855 networking Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003197 catalytic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000010705 motor oil Substances 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出的是一种基于车联网大数据的DOC异常检测方法，该方法包括模型训练阶段，模型预测阶段，异常归因阶段；所述模型训练阶段包括步骤1‑1）工况选取，步骤1‑2）数据清洗，步骤1‑3）特征工程，步骤1‑4）模型训练；所述模型预测阶段包括步骤2‑1）数据处理，步骤2‑2）模型预测，步骤2‑3）误差计算；所述异常归因阶段包括步骤3‑1）阈值确定，步骤3‑2）归因逻辑构建。本发明能够弥补柴油车OBD中诊断策略的不足，结合数据统计与机器学习方法能及时发现DOC存在的工作异常，避免因DOC问题而导致DPF无法再生或再生失败，降低了DPF故障率。
Description
技术领域
本发明涉及一种基于车联网大数据的DOC异常检测方法，属于大数据处理分析技术及柴油车辆发动机后处理健康管理领域。
背景技术
“国六”标准下，工程机械车辆的后处理系统中包括DOC、DPF（Diesel ParticulateFilter，柴油机微粒捕集器）等后处理装置；其中DOC（Diesel Oxidation Catalyst，柴油氧化催化器）主要通过氧化尾气中的氮氧化物，将其转化为二氧化氮，作为后续反应的氧化剂，同时其吸附的氧气负责将喷到排气管的燃油点燃，保证DPF的再生过程能够稳定进行。
目前车辆OBD（On-Board Diagnostics，车载自动诊断系统）中并没有直接针对DOC是否正常工作的故障诊断方法，无法及时发现DOC的工作异常；当DOC无法点燃排气中燃油或催化活性不足时，DPF的入口温度难以达到再生的需求温度，其颗粒物容易出现燃烧不完全，导致DPF再生失败；若不及时修复DOC，DPF中的累碳量及灰分会逐渐积累，一旦过载情况下强制再生，极有可能造成DPF损坏，排放超标，严重影响车辆的日常使用。
因此，构建一种基于车联网数据的DOC异常检测方法，对于及时发现DOC工作异常，确保后处理系统健康运行，具有重要意义。
发明内容
本发明提出的是一种基于车联网大数据的DOC异常检测方法，其目的旨在弥补柴油车OBD中诊断策略的不足，无法及时发现DOC存在工作异常的问题。
本发明的技术解决方案，一种基于车联网大数据的DOC异常检测方法，该方法包括模型训练阶段，模型预测阶段，异常归因阶段；所述模型训练阶段包括步骤1-1）工况选取，步骤1-2）数据清洗，步骤1-3）特征工程，步骤1-4）模型训练；所述模型预测阶段包括步骤2-1）数据处理，步骤2-2）模型预测，步骤2-3）误差计算；所述异常归因阶段包括步骤3-1）阈值确定，步骤3-2）归因逻辑构建；所述模型训练阶段为模型预测阶段提供用于分析实际DPF上游排气温升和理论DPF上游排气温升的理论DPF上游排气温升预测模型；所述模型预测阶段利用模型训练阶段得到的理论DPF上游排气温升预测模型预测得到理论DPF上游排气温升，并计算实际DPF上游排气温升与理论DPF上游排气温升的误差。
进一步地，所述异常归因阶段根据发动机后处理运行机理，借助历史数据确定DOC相关问题所对应的判定阈值，对模型预测阶段计算得到的实际DPF上游排气温升和理论DPF上游排气温升的误差进行诊断与归因。
进一步地，所述步骤1-1）工况选取，具体包括以下步骤：
1-1-1）选取与DOC工作相关的原始特征数据作为工况数据；所述与DOC工作相关的原始特征数据包括DOC上游排气温度、DPF上游排气温度、HCI喷油量、EGR出口温度、废气质量流量、发动机转速、数据采集时间、发动机状态、车速；
1-1-2）根据历史上车联网实时上传的原始特征数据中的发动机状态，选取发动机状态取值为1或2时对应的数据，得到若干个独立DPF再生过程数据；所述发动机状态取值为1代表发动机准备进入DPF再生过程，发动机状态取值为2代表DPF正在再生；
1-1-3）进一步提取每个独立DPF再生过程时间扩展区间的工况数据，将每个独立DPF再生过程时间扩展区间的工况数据添加至每个对应的独立DPF再生过程数据中；所述每个独立DPF再生过程时间扩展区间的工况数据包括每个独立DPF再生过程时间扩展区间的DOC上游排气温度、DPF上游排气温度、HCI喷油量、EGR出口温度、废气质量流量、发动机转速、数据采集时间、发动机状态、车速；所述时间扩展区间指每个独立DPF再生过程开始前一定时间和每个独立DPF再生过程结束后一定时间；所述时间扩展区间优选为每个独立DPF再生过程开始前60秒和每个独立DPF再生过程结束后60秒。
进一步地，所述步骤1-2）数据清洗，具体包括以下步骤：
1-2-1）剔除DOC上游排气温度、DPF上游排气温度、EGR出口温度中任一温度低于-100℃时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-2）剔除HCI喷油量中取值为65536时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-3）剔除发动机转速大于3000rpm时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-4）剔除废气质量流量小于10时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-5）剔除存在手动中断或因尾气温度不足而导致DPF再生失败时对应的独立DPF再生过程数据。
进一步地，所述步骤1-3）特征工程，具体包括以下步骤：
1-3-1）针对每个独立DPF再生过程，通过数据聚合的方式提取相应DPF再生过程中的聚合特征，所述聚合特征包括含时间扩展区间的起始DOC上游排气温度、不含时间扩展区间的起始DOC上游排气温度、DOC上游排气温度最大值、DOC上游排气温度最小值、不含时间扩展区间的DOC上游排气温度平均值、含时间扩展区间的起始DPF上游排气温度、不含时间扩展区间的起始DPF上游排气温度、DPF上游排气温度最大值、DPF上游排气温度最小值、不含时间扩展区间的DPF上游排气温度平均值、再生过程持续时长、再生过程HCI喷油量累计值、EGR出口温度平均值、废气质量流量平均值、发动机转速平均值共15维特征；其中，不含时间扩展区间的DPF上游排气温度平均值将作为标签的计算依据，不作为模型训练的输入特征；含时间扩展区间的起始DOC上游排气温度、不含时间扩展区间的起始DOC上游排气温度、DOC上游排气温度最大值、DOC上游排气温度最小值、不含时间扩展区间的DOC上游排气温度平均值、含时间扩展区间的起始DPF上游排气温度、不含时间扩展区间的起始DPF上游排气温度、DPF上游排气温度最大值、DPF上游排气温度最小值、再生过程持续时长、再生过程HCI喷油量累计值、EGR出口温度平均值、废气质量流量平均值、发动机转速平均值共14维用于模型训练的输入特征；所述时间扩展区间指每个独立DPF再生过程开始前一定时间和每个独立DPF再生过程结束后一定时间；所述时间扩展区间优选为每个独立DPF再生过程开始前60秒和每个独立DPF再生过程结束后60秒；
1-3-2）使用不含时间扩展区间的DPF上游排气温度平均值减去基础温度作为模型训练的标签，定义为DPF上游排气温升；所述基础温度优选为280℃；
1-3-3）经过1-3-1）、1-3-2）两步处理，分别得到模型训练的输入特征与标签；每一个独立DPF再生过程数据均包含14维输入特征及对应的标签，若干个独立DPF再生过程数据共同组成用于构建模型的训练数据集。
进一步地，所述步骤1-4）模型训练，具体包括以下步骤：
1-4-1）拆分步骤1-3）中得到的训练数据集，按照一定的比例，选取训练数据集中一部分数据进行训练；训练数据集中另一部分数据定义为验证集，用于评估模型训练的效果；
1-4-2）模型训练过程的输入为步骤1-3-1）中的14维输入特征，模型训练过程的标签为步骤1-3-2）中定义的DPF上游排气温升；指定输入特征和标签后，使用XGBoost算法进行模型训练，得到用于预测DPF上游排气温升的理论DPF上游排气温升预测模型。
进一步地，所述步骤2-1）数据处理，具体包括：
模型预测阶段按小时频率执行，每隔一小时从车联网在线数据中抽取最近一小时上传的完整数据，按照步骤1-1)-步骤1-3)完成工况选取、数据清洗、特征工程的处理，得到需要输入理论DPF上游排气温升预测模型的14维输入特征与实际DPF上游排气温升；每一次独立DPF再生过程对应一条记录；所述实际DPF上游排气温升指的是在模型预测阶段，经数据处理后的DPF上游排气温升标签通过数据聚合的方式计算得到的表示每个独立DPF再生过程中DPF上游排气温升实际情况的DPF上游排气温升；
所述步骤2-2）模型预测，具体包括：
将提取后的14维输入特征输入步骤1-4)模型训练得到的理论DPF上游排气温升预测模型中，计算得到理论DPF上游排气温升；
所述步骤2-3）误差计算，计算理论DPF上游排气温升与步骤2-1）数据处理中计算的实际DPF上游排气温升的误差，以该误差的大小判断DOC是否处于异常工作状态。
进一步地，所述步骤3-1）阈值确定，具体包括以下步骤：
1）使用步骤1-4）模型训练得到的理论DPF上游排气温升预测模型，对历史数据完成步骤2-1）数据处理至步骤2-3）误差计算，得到历史数据的理论DPF上游排气温升与实际DPF上游排气温升的误差；
2）根据DOC检修记录与具体的误差分布，关注OBD报警前1个月每个独立DPF再生过程理论DPF上游排气温升与实际DPF上游排气温升的误差，选择合适的判定阈值作为判断DOC工作是否异常的标准；所述判定阈值，应当满足某一车型在历史数据集中关于精确率和召回率的要求，精确率与召回率均需大于80%；所述精确率的计算方法为，通过阈值判定异常的DOC结果中，确实存在 DOC故障记录的比例；所述召回率的计算方法为，全部DOC故障记录中，通过阈值判定异常的DOC结果能够覆盖的比例；
所述步骤3-2）归因逻辑构建，具体包括以下步骤：
基于步骤3-1）中DOC检修记录，与对应独立DPF再生过程中的数据分布，确定DOC工作异常后具体的归因结果；所述归因结果判断的关键信息包括实际DPF上游排气温升、再生过程持续时长、再生过程HCI喷油量累计值；根据DOC检修的原因记录，选择合适的判定阈值形成相应车型对应的归因逻辑。
进一步地，一种利用权利要求1所述基于车联网大数据的DOC异常检测方法进行DOC异常检测的应用，其特征是具体包括以下步骤：
（一）、通过理论DPF上游排气温升预测模型计算得到理论DPF上游排气温升；
（二）、将理论DPF上游排气温升减去阈值温度得到DPF上游排气标准温升；
（三）、计算实际DPF上游排气温升与DPF上游排气标准温升之间的偏差；如果实际DPF上游排气温升大于或等于DPF上游排气标准温升，则判断DOC无反应异常；如果实际DPF上游排气温升小于DPF上游排气标准温升，则继续进行步骤（四）的判断；
（四）、在实际DPF上游排气温升小于DPF上游排气标准温升的情况下；若实际DPF上游排气温升大于0℃，则根据HCI高位喷油时间占比判断是DOC催化剂活性下降或HCI漏油；若实际DPF上游排气温升小于或等于0℃，则根据再生过程持续时间的长短判断是DOC故障失活或未进入再生。
进一步地，所述根据HCI高位喷油时间占比判断是DOC催化剂活性下降或HCI漏油，具体包括：若HCI高位喷油时间占比大于或等于阈值比例，则判断为HCI漏油；若HCI高位喷油时间占比小于阈值比例，则判断为DOC催化剂活性下降；所述阈值比例优选为50%；所述根据再生过程持续时间的长短判断是DOC故障失活或未进入再生，具体包括：若再生过程持续时间大于或等于时间阈值，则判断为DOC故障失活；若再生过程持续时间小于时间阈值，则判断为未进入再生；所述时间阈值优选为3分钟；所述HCI高位喷油指的是再生过程中，碳氢喷射器喷射的油量，高于其最高设计喷油量上限的70%。
本发明的有益效果：
1）本发明能够弥补柴油车OBD中诊断策略的不足，结合数据统计与机器学习方法能及时发现DOC存在的工作异常，避免因DOC问题而导致DPF无法再生或再生失败，降低了DPF故障率；本发明较OBD诊断策略，优势在于能够基于车联网传回的数据提前发现DOC工作异常的前期征兆，是一种在线的、预测性的检测方法，且较当前OBD诊断结果，其归因更加准确，能够大大提高检修效率；
2）通过进一步设计，优化了车辆的后处理系统健康管理流程。
附图说明
附图1为本发明一种基于车联网大数据的DOC异常检测方法的流程示意图。
附图2为实施例中获得的DOC异常诊断的具体逻辑示意图。
附图3为实施例的模型输出结果示意图。
具体实施方式
一种基于车联网大数据的DOC异常检测方法，该方法包括模型训练阶段，模型预测阶段，异常归因阶段；所述模型训练阶段包括步骤1-1）工况选取，步骤1-2）数据清洗，步骤1-3）特征工程，步骤1-4）模型训练；所述模型预测阶段包括步骤2-1）数据处理，步骤2-2）模型预测，步骤2-3）误差计算；所述异常归因阶段包括步骤3-1）阈值确定，步骤3-2）归因逻辑构建。
所述模型训练阶段为模型预测阶段提供用于分析实际DPF上游排气温升和理论DPF上游排气温升的理论DPF上游排气温升预测模型；所述模型预测阶段利用模型训练阶段得到的理论DPF上游排气温升预测模型预测得到理论DPF上游排气温升，并计算实际DPF上游排气温升与理论DPF上游排气温升的误差；所述异常归因阶段根据发动机后处理运行机理，借助历史数据确定DOC各类相关问题所对应的判定阈值，对模型预测阶段计算得到的误差进行诊断与归因。
所述模型训练阶段使用的数据为车联网历史数据；所述车联网历史数据指的是通过车载T-Box采集与传输后，存放在大数据平台的车辆历史工况数据；所述车辆历史工况数据中包含许多特征，如车速、发动机转速、机油温度等；所述车联网历史数据的采样频率为1Hz，通常用于模型训练阶段。
所述步骤1-1）工况选取，具体包括以下步骤：
1-1-1）选取与DOC工作相关的原始特征数据作为工况数据，所述原始特征数据指的是车辆通过车联网实时上传的原始数据，用于记录相应时刻车辆对应部位传感器采集的数值；所述与DOC工作相关的原始特征数据包括DOC上游排气温度、DPF上游排气温度、HCI喷油量、EGR（Exhaust Gas Re-circulation，废气再循环系统）出口温度、废气质量流量、发动机转速、数据采集时间、发动机状态、车速；所述DOC上游排气温度为柴油车后处理装置中安装在DOC前端的温度传感器采集的温度值；所述DPF上游排气温度为后处理装置中安装在DPF前端的温度传感器采集的温度值；所述HCI喷油量为后处理装置中碳氢喷射模块采集的喷油量，其喷油量通过ECU（Electronic Control Unit，电子控制单元，又称“行车电脑”或“车载电脑”等）控制，主要受到DOC上游排气温度的影响；所述EGR出口温度为后处理装置中安装在EGR出口处温度传感器采集的温度值；所述废气质量流量为后处理装置中安装于排气回路尾部的气体流量计采集的流量值；
1-1-2）根据历史上车联网实时上传的原始特征数据中的发动机状态，选取发动机状态取值为1或2时对应的数据，得到若干个独立DPF再生过程数据；所述发动机状态取值为1代表发动机准备进入DPF再生过程，发动机状态取值为2代表DPF正在再生；所述DPF再生过程指的是DPF由于碳载量达到阈值，触发再生请求，通过喷油并加热尾气的方式清除掉DPF中的积碳过程，DPF再生过程中DOC通过氧化尾气中的NO和CO来提高排气温度；
1-1-3）为保证每个独立DPF再生过程数据的完整性，进一步提取每个独立DPF再生过程前60秒及结束后60秒的工况数据，提取的工况数据包括DOC上游排气温度、DPF上游排气温度、HCI喷油量、EGR出口温度、废气质量流量、发动机转速、数据采集时间、发动机状态、车速；每个独立DPF再生过程前60秒及结束后60秒的工况数据将作为时间扩展区间的工况数据添加至每个对应的独立DPF再生过程数据中，并根据时间对每个独立DPF再生过程数据进行排序；所述每个独立DPF再生过程前60秒指每个独立DPF再生过程开始时刻之前的60秒，每个独立DPF再生过程前60秒及结束后60秒相当于在相应DPF再生过程前后分别扩展了60秒作为时间扩展区间。
在国六柴油车后处理系统中，通过DPF的捕集功能，结合DPF高温再生，实现对颗粒物的捕捉及净化；在DPF主动再生（包括行车主动再生与驻车主动再生）过程中，碳氢喷射系统（HCI）会将一定量的燃油喷入排气管道中并于排气管中燃烧，提高排气管中的温度；DOC中的氧化催化剂可将尾气中的NO、CO等加速氧化，放出大量热量，进一步提高排气温度，以热浪形式将DPF中捕捉到的颗粒物进行燃烧，实现DPF的主动再生；因此，判断DOC工作是否正常，需要选取DPF主动再生过程中的数据作为待分析工况；车辆再生过程中整体后处理排温较高，不容易受到外界环境温度的影响，因此原始特征中的DOC上游排气温度、DPF上游排气温度是分析的关键目标。
所述步骤1-2）数据清洗，具体包括以下步骤：
1-2-1）剔除DOC上游排气温度、DPF上游排气温度、EGR出口温度中任一温度低于-100℃时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-2）剔除HCI喷油量中取值为65536时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-3）剔除发动机转速大于3000rpm时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-4）剔除废气质量流量小于10时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-5）剔除存在手动中断或因尾气温度不足而导致DPF再生失败标志位取值为1时对应的独立DPF再生过程数据，避免引入无效数据影响模型训练；所述手动中断或因温升不足而导致再生失败标志位为车辆ECU判断本次再生是否成功的标志位，该标志为可通过车联网大数据平台进行采集，用于标记本次DPF再生过程是否被人为手动中断或因尾气温度不足而导致无法再生；当DPF再生过程被人为手动中断或尾气温度不足判定为再生失败时，该标记为取值为1。
DOC在DPF再生过程中，通过HCI喷油提高尾气温度，使DPF中的碳烟充分燃烧，形成CO2随尾气排出；为了判断DOC反应是否正常，关键在于观察DPF上游排气温度从进入DPF再生过程开始到DPF再生过程结束，DPF再生过程中的温度变化，是否能够达到理想的燃烧温度；步骤1-3）特征工程基于上述机理进行进一步处理。
所述步骤1-3）特征工程，具体包括以下步骤：
1-3-1）针对每个独立DPF再生过程，通过数据聚合的方式提取相应DPF再生过程中的聚合特征，所述聚合特征包括起始DOC上游排气温度（含时间扩展区间）、起始DOC上游排气温度（不含时间扩展区间）、DOC上游排气温度最大值、DOC上游排气温度最小值、DOC上游排气温度平均值（不含时间扩展区间）、起始DPF上游排气温度（含时间扩展区间）、起始DPF上游排气温度（不含时间扩展区间）、DPF上游排气温度最大值、DPF上游排气温度最小值、DPF上游排气温度平均值（不含时间扩展区间）、再生过程持续时长、再生过程HCI喷油量累计值、EGR出口温度平均值、废气质量流量平均值、发动机转速平均值共15维特征；其中，DPF上游排气温度平均值（不含时间扩展区间）将作为标签的计算依据，不作为模型训练的输入特征；因此，用于模型训练的输入特征共14维；所述数据聚合指的是将每一个DPF再生过程数据，从原始秒级数据，按照指定的计算规则，把原始特征数据进行汇总为单条数据的过程，该过程中原始特征数量会根据计算规则的数量有所变化；一般而言，经过聚合处理后的特征称之为聚合特征；是否包含时间扩展区间指的是在统计过程中是否需要包含步骤1-1-3）中添加的数据；平均值、最大值、最小值、累计值均为数据聚合的常用计算规则；所述输入特征为训练机器学习模型时的输入维度；
1-3-2）根据DPF再生的原理，DOC在正常工作的情况下，会将DPF上游排气温度升高至500℃以上，才能保证DPF中的碳颗粒可以被顺利燃烧；通过对步骤1-3-1）中得到的聚合特征分析，再生过程开始时，初始DPF上游排气温度（含时间扩展区间）通常处于280℃左右，因此，使用DPF上游排气温度平均值（不含时间扩展区间）减去280℃作为模型训练的标签，定义为DPF上游排气温升；所述标签为训练机器学习模型时的输出目标，即模型学习的目标；
1-3-3）经过1-3-1）、1-3-2）两步处理，分别得到模型训练的输入特征与标签；每一个独立DPF再生过程数据均包含14维输入特征及对应的标签，若干个独立DPF再生过程数据共同组成用于构建模型的训练数据集。
基于步骤1-3)特征工程中构建的输入特征与标签，使用交叉验证的方式，选取XGBoost算法完成理论DPF上游排气温升预测模型的训练；XGBoost算法在给定输入特征和标签后，通过模型训练，可自动地构建输入特征至标签的映射；训练完成后得到的理论DPF上游排气温升预测模型可用于新数据的计算，该过程称为模型预测；所述交叉验证为机器学习模型为避免过拟合问题，确保模型泛化性的常规操作，指的是按照一定比例拆分训练数据集，只将其中一部分数据作为训练，通过在另一部分数据中的效果判断模型是否能够满足要求。
所述步骤1-4）模型训练，具体包括以下步骤：
1-4-1）拆分步骤1-3）中得到的训练数据集，按照7:3的比例，只选取其中70%的数据进行训练；另外30%的数据定义为验证集，用于评估模型训练的效果；
1-4-2）确定XGBoost算法的相关训练参数，相关训练参数具体包括学习率、最大叶节点深度、正则化项系数等，以上相关训练参数均采用默认值；模型训练过程的输入为步骤1-3-1）中的14维输入特征，模型训练过程的标签为步骤1-3-2）中定义的DPF上游排气温升；指定输入特征和标签后，使用XGBoost算法进行模型训练，得到可用于预测DPF上游排气温升的模型，由于在步骤1-2）数据清洗中剔除了再生异常的数据，因此该模型可有效预测理论DPF上游排气温升，将该模型定义为理论DPF上游排气温升预测模型；同时需确认，在验证数据集中，平均绝对误差（MAE）需小于等于50，满足验证标准后的理论DPF上游排气温升预测模型将用于模型预测阶段，作为判断DOC是否正常工作的重要依据。
所述模型预测阶段使用步骤1-4)模型训练中得到的理论DPF上游排气温升预测模型，用于诊断车辆DOC是否正常工作；模型预测阶段主要使用车联网在线数据；所述车联网在线数据主要区别于车联网历史数据，为实时地从正在运行的车辆上，通过车载T-Box传回的数据，特征和采样频率均与车联网历史数据保持一致，通常用于在线诊断、异常发现等业务场景。
所述步骤2-1）数据处理，具体包括：
模型预测阶段按小时频率执行，每隔一小时从车联网在线数据中抽取最近一小时上传的完整数据，按照步骤1-1)-步骤1-3)完成工况选取、数据清洗、特征工程的处理，得到需要输入理论DPF上游排气温升预测模型的14维输入特征与实际DPF上游排气温升；每一次独立DPF再生过程对应一条记录；所述实际DPF上游排气温升指的是在模型预测阶段，经数据处理后的DPF上游排气温升标签不需要输入理论DPF上游排气温升预测模型，而是通过数据聚合的方式计算得到的，表示每个独立DPF再生过程中DPF上游排气温升的实际情况。
所述步骤2-2）模型预测，具体包括：
将提取后的14维输入特征输入步骤1-4)模型训练得到的理论DPF上游排气温升预测模型中，计算得到理论DPF上游排气温升。
所述步骤2-3）误差计算，计算理论DPF上游排气温升与步骤2-1）数据处理中计算的实际DPF上游排气温升的误差，以该误差的大小判断DOC是否处于异常工作状态。
所述步骤3-1）阈值确定，具体包括以下步骤：
1）使用步骤1-4）模型训练得到的理论DPF上游排气温升预测模型，对历史数据完成步骤2-1）数据处理至步骤2-3）误差计算，得到历史数据的理论DPF上游排气温升与实际DPF上游排气温升的误差；
2）根据DOC检修记录与具体的误差分布，重点关注OBD报警前1个月每个独立DPF再生过程理论DPF上游排气温升与实际DPF上游排气温升的误差，选择合适的判定阈值作为判断DOC工作是否异常的标准；所述判定阈值，应当满足某一车型在历史数据集中关于精确率和召回率的要求，一般而言，精确率与召回率均需大于80%；所述精确率的计算方法为，通过阈值判定异常的DOC结果中，确实存在 DOC故障记录的比例；所述召回率的计算方法为，全部DOC故障记录中，通过阈值判定异常的DOC结果能够覆盖的比例。
所述步骤3-2）归因逻辑构建，具体包括以下步骤：
基于步骤3-1）中DOC检修记录，与对应独立DPF再生过程中的数据分布，确定DOC工作异常后具体的归因结果；所述归因结果判断的关键信息包括实际DPF上游排气温升、再生过程持续时长、再生过程HCI喷油量累计值等；根据DOC检修的原因记录，选择合适的判定阈值形成该车型对应的归因逻辑。
所述异常归因阶段根据发动机后处理运行机理，借助历史数据确定DOC各类相关问题所对应的判定阈值，对模型预测阶段计算得到的误差进行诊断与归因；异常归因阶段则利用车联网历史数据（优选满足20辆车、一年或一年以上的1Hz数据量要求的车联网历史数据），按照模型预测阶段的步骤，在车联网历史数据上完成步骤2-3）误差计算，通过对比车辆DOC历史异常记录与计算得到的误差，确定具体的异常判定阈值与对应的归因结果。
一种利用基于车联网大数据的DOC异常检测方法进行DOC异常检测的应用，该应用包括以下步骤：
（一）、通过理论DPF上游排气温升预测模型计算得到理论DPF上游排气温升；
（二）、将理论DPF上游排气温升减去阈值温度得到DPF上游排气标准温升；
（三）、计算实际DPF上游排气温升与DPF上游排气标准温升之间的偏差；如果实际DPF上游排气温升大于或等于DPF上游排气标准温升，则判断DOC无反应异常；如果实际DPF上游排气温升小于DPF上游排气标准温升，则继续进行步骤（四）的判断；
（四）、在实际DPF上游排气温升小于DPF上游排气标准温升的情况下；若实际DPF上游排气温升大于0℃，则根据HCI高位喷油时间占比判断是DOC催化剂活性下降或HCI漏油；若实际DPF上游排气温升小于或等于0℃，则根据再生过程持续时间的长短判断是DOC故障失活或未进入再生。
所述根据HCI高位喷油时间占比判断是DOC催化剂活性下降或HCI漏油，具体包括：若HCI高位喷油时间占比大于或等于阈值比例，则判断为HCI漏油；若HCI高位喷油时间占比小于阈值比例，则判断为DOC催化剂活性下降；所述阈值比例优选为50%。
所述根据再生过程持续时间的长短判断是DOC故障失活或未进入再生，具体包括：若再生过程持续时间大于或等于时间阈值，则判断为DOC故障失活；若再生过程持续时间小于时间阈值，则判断为未进入再生；所述时间阈值优选为3分钟。
所述HCI高位喷油指的是再生过程中，碳氢喷射器喷射的油量，高于其最高设计喷油量上限的70%，正常DOC再生过程中不会出现持续的高位喷油现象。
实施例
本实施例基于某厂商同一型号汽车起重机2021年全年数据构建，数据包含172辆车，1Hz的秒级数据。
模型训练阶段，按照步骤1-1）工况选取至步骤1-3）特征工程处理后，共得到7862次独立DPF再生过程数据；根据步骤1-4）模型训练的要求，以起始DOC上游排气温度（含时间扩展区间）、起始DOC上游排气温度（不含时间扩展区间）、DOC上游排气温度最大值、DOC上游排气温度最小值、DOC上游排气温度平均值（不含时间扩展区间）、起始DPF上游排气温度（含时间扩展区间）、起始DPF上游排气温度（不含时间扩展区间）、DPF上游排气温度最大值、DPF上游排气温度最小值、再生过程持续时长、再生过程HCI喷油量累计值、EGR出口温度平均值、废气质量流量平均值、发动机转速平均值共14维特征作为模型输入，使用DPF上游排气温度平均值（不含时间扩展区间）减去280℃作为模型训练的标签；按照常规机器学习模型训练的要求，以7:3划分训练集与验证集，选取XGBoost算法完成模型的训练与验证；验证集上的平均绝对误差（MAE）为8.23，满足预测要求。
模型预测阶段，使用模型训练阶段得到的模型，针对线上同一车型的数据进行预测，计算理论DPF上游排气温升与实际DPF上游排气温升的误差，判断DOC是否工作异常及具体异常的原因；详细判断逻辑由异常归因阶段给出。
异常归因阶段，使用模型训练阶段得到的理论DPF上游排气温升预测模型，对历史数据进行预测，得到172辆车一年内每个独立DPF再生过程理论温升与实际温升的差值；通过对比一年内DOC维修相关记录，确保精确率与召回率均达到80%的条件下，形成如附图2所示的诊断逻辑：
1）当实际DPF上游排气温升大于等于理论DPF上游排气温升减50℃时，认为DOC不存在工作异常；
2）当实际DPF上游排气温升小于理论DPF上游排气温升减50℃且实际DPF上游排气温升小于等于0℃的情况下，再生过程持续时间若大于等于3分钟，判定为DOC故障失活，需要进行维修；若小于3分钟，则仅是未进入再生状态，不做故障提醒；
3）当实际DPF上游排气温升小于理论DPF上游排气温升减50℃且实际DPF上游排气温升大于0的情况下，HCI保持高位喷油的时间，占整个再生过程的时间比例大于等于50%，判定为HCI漏油；若该比例小于50%，则认为是DOC催化剂活性下降，并将相应的保养及提醒推送给用户；所述HCI高位喷油指的是再生过程中，碳氢喷射器喷射的油量，高于其最高设计喷油量上限的70%，正常DOC再生过程中不会出现持续的高位喷油现象。
本实施例中模型输出的部分结果样例如附图3所示，模型可提前检出DOC存在的异常并提供准确的归因；附图3中实线代表理论DPF上游排气温升，虚线代表实际DPF上游排气温升，当虚线明显低于实线时，DOC存在工作异常；通过诊断逻辑可知该车辆于2021年8月17日其DOC催化活性下降，实际车辆维修记录中于2021年8月23日重新涂覆催化剂后DOC工作恢复正常，与事实相符。
Claims (10)
1.一种基于车联网大数据的DOC异常检测方法，其特征是包括模型训练阶段，模型预测阶段，异常归因阶段；所述模型训练阶段包括步骤1-1）工况选取，步骤1-2）数据清洗，步骤1-3）特征工程，步骤1-4）模型训练；所述模型预测阶段包括步骤2-1）数据处理，步骤2-2）模型预测，步骤2-3）误差计算；所述异常归因阶段包括步骤3-1）阈值确定，步骤3-2）归因逻辑构建；所述模型训练阶段为模型预测阶段提供用于分析实际DPF上游排气温升和理论DPF上游排气温升的理论DPF上游排气温升预测模型；所述模型预测阶段利用模型训练阶段得到的理论DPF上游排气温升预测模型预测得到理论DPF上游排气温升，并计算实际DPF上游排气温升与理论DPF上游排气温升的误差。
2.根据权利要求1所述的一种基于车联网大数据的DOC异常检测方法，其特征是所述异常归因阶段根据发动机后处理运行机理，借助历史数据确定DOC相关问题所对应的判定阈值，对模型预测阶段计算得到的实际DPF上游排气温升和理论DPF上游排气温升的误差进行诊断与归因。
3.根据权利要求1所述的一种基于车联网大数据的DOC异常检测方法，其特征是所述步骤1-1）工况选取，具体包括以下步骤：
1-1-1）选取与DOC工作相关的原始特征数据作为工况数据；所述与DOC工作相关的原始特征数据包括DOC上游排气温度、DPF上游排气温度、HCI喷油量、EGR出口温度、废气质量流量、发动机转速、数据采集时间、发动机状态、车速；
1-1-2）根据历史上车联网实时上传的原始特征数据中的发动机状态，选取发动机状态取值为1或2时对应的数据，得到若干个独立DPF再生过程数据；所述发动机状态取值为1代表发动机准备进入DPF再生过程，发动机状态取值为2代表DPF正在再生；
1-1-3）进一步提取每个独立DPF再生过程时间扩展区间的工况数据，将每个独立DPF再生过程时间扩展区间的工况数据添加至每个对应的独立DPF再生过程数据中；所述每个独立DPF再生过程时间扩展区间的工况数据包括每个独立DPF再生过程时间扩展区间的DOC上游排气温度、DPF上游排气温度、HCI喷油量、EGR出口温度、废气质量流量、发动机转速、数据采集时间、发动机状态、车速；所述时间扩展区间指每个独立DPF再生过程开始前一定时间和每个独立DPF再生过程结束后一定时间。
4.根据权利要求3所述的一种基于车联网大数据的DOC异常检测方法，其特征是所述步骤1-2）数据清洗，具体包括以下步骤：
1-2-1）剔除DOC上游排气温度、DPF上游排气温度、EGR出口温度中任一温度低于-100℃时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-2）剔除HCI喷油量中取值为65536时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-3）剔除发动机转速大于3000rpm时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-4）剔除废气质量流量小于10时对应时刻的所有与DOC工作相关的原始特征数据；
1-2-5）剔除存在手动中断或因尾气温度不足而导致DPF再生失败时对应的独立DPF再生过程数据。
5.根据权利要求1所述的一种基于车联网大数据的DOC异常检测方法，其特征是所述步骤1-3）特征工程，具体包括以下步骤：
1-3-1）针对每个独立DPF再生过程，通过数据聚合的方式提取相应DPF再生过程中的聚合特征，所述聚合特征包括含时间扩展区间的起始DOC上游排气温度、不含时间扩展区间的起始DOC上游排气温度、DOC上游排气温度最大值、DOC上游排气温度最小值、不含时间扩展区间的DOC上游排气温度平均值、含时间扩展区间的起始DPF上游排气温度、不含时间扩展区间的起始DPF上游排气温度、DPF上游排气温度最大值、DPF上游排气温度最小值、不含时间扩展区间的DPF上游排气温度平均值、再生过程持续时长、再生过程HCI喷油量累计值、EGR出口温度平均值、废气质量流量平均值、发动机转速平均值共15维特征；其中，不含时间扩展区间的DPF上游排气温度平均值将作为标签的计算依据，不作为模型训练的输入特征；含时间扩展区间的起始DOC上游排气温度、不含时间扩展区间的起始DOC上游排气温度、DOC上游排气温度最大值、DOC上游排气温度最小值、不含时间扩展区间的DOC上游排气温度平均值、含时间扩展区间的起始DPF上游排气温度、不含时间扩展区间的起始DPF上游排气温度、DPF上游排气温度最大值、DPF上游排气温度最小值、再生过程持续时长、再生过程HCI喷油量累计值、EGR出口温度平均值、废气质量流量平均值、发动机转速平均值共14维用于模型训练的输入特征；所述时间扩展区间指每个独立DPF再生过程开始前一定时间和每个独立DPF再生过程结束后一定时间；
1-3-2）使用不含时间扩展区间的DPF上游排气温度平均值减去基础温度作为模型训练的标签，定义为DPF上游排气温升；
1-3-3）经过1-3-1）、1-3-2）两步处理，分别得到模型训练的输入特征与标签；每一个独立DPF再生过程数据均包含14维输入特征及对应的标签，若干个独立DPF再生过程数据共同组成用于构建模型的训练数据集。
6.根据权利要求5所述的一种基于车联网大数据的DOC异常检测方法，其特征是所述步骤1-4）模型训练，具体包括以下步骤：
1-4-1）拆分步骤1-3）中得到的训练数据集，按照一定的比例，选取训练数据集中一部分数据进行训练；训练数据集中另一部分数据定义为验证集，用于评估模型训练的效果；
1-4-2）模型训练过程的输入为步骤1-3-1）中的14维输入特征，模型训练过程的标签为步骤1-3-2）中定义的DPF上游排气温升；指定输入特征和标签后，使用XGBoost算法进行模型训练，得到用于预测DPF上游排气温升的理论DPF上游排气温升预测模型。
7.根据权利要求6所述的一种基于车联网大数据的DOC异常检测方法，其特征是所述步骤2-1）数据处理，具体包括：
模型预测阶段按小时频率执行，每隔一小时从车联网在线数据中抽取最近一小时上传的完整数据，按照步骤1-1)-步骤1-3)完成工况选取、数据清洗、特征工程的处理，得到需要输入理论DPF上游排气温升预测模型的14维输入特征与实际DPF上游排气温升；每一次独立DPF再生过程对应一条记录；所述实际DPF上游排气温升指的是在模型预测阶段，经数据处理后的DPF上游排气温升标签通过数据聚合的方式计算得到的表示每个独立DPF再生过程中DPF上游排气温升实际情况的DPF上游排气温升；
所述步骤2-2）模型预测，具体包括：
将提取后的14维输入特征输入步骤1-4)模型训练得到的理论DPF上游排气温升预测模型中，计算得到理论DPF上游排气温升；
所述步骤2-3）误差计算，计算理论DPF上游排气温升与步骤2-1）数据处理中计算的实际DPF上游排气温升的误差，以该误差的大小判断DOC是否处于异常工作状态。
8.根据权利要求1所述的一种基于车联网大数据的DOC异常检测方法，其特征是所述步骤3-1）阈值确定，具体包括以下步骤：
1）使用步骤1-4）模型训练得到的理论DPF上游排气温升预测模型，对历史数据完成步骤2-1）数据处理至步骤2-3）误差计算，得到历史数据的理论DPF上游排气温升与实际DPF上游排气温升的误差；
2）根据DOC检修记录与具体的误差分布，关注OBD报警前1个月每个独立DPF再生过程理论DPF上游排气温升与实际DPF上游排气温升的误差，选择合适的判定阈值作为判断DOC工作是否异常的标准；所述判定阈值，应当满足某一车型在历史数据集中关于精确率和召回率的要求，精确率与召回率均需大于80%；所述精确率的计算方法为，通过阈值判定异常的DOC结果中，确实存在 DOC故障记录的比例；所述召回率的计算方法为，全部DOC故障记录中，通过阈值判定异常的DOC结果能够覆盖的比例；
所述步骤3-2）归因逻辑构建，具体包括以下步骤：
基于步骤3-1）中DOC检修记录，与对应独立DPF再生过程中的数据分布，确定DOC工作异常后具体的归因结果；所述归因结果判断的关键信息包括实际DPF上游排气温升、再生过程持续时长、再生过程HCI喷油量累计值；根据DOC检修的原因记录，选择合适的判定阈值形成相应车型对应的归因逻辑。
9.一种利用权利要求1所述基于车联网大数据的DOC异常检测方法进行DOC异常检测的应用，其特征是包括以下步骤：
（一）、通过理论DPF上游排气温升预测模型计算得到理论DPF上游排气温升；
（二）、将理论DPF上游排气温升减去阈值温度得到DPF上游排气标准温升；
（三）、计算实际DPF上游排气温升与DPF上游排气标准温升之间的偏差；如果实际DPF上游排气温升大于或等于DPF上游排气标准温升，则判断DOC无反应异常；如果实际DPF上游排气温升小于DPF上游排气标准温升，则继续进行步骤（四）的判断；
（四）、在实际DPF上游排气温升小于DPF上游排气标准温升的情况下；若实际DPF上游排气温升大于0℃，则根据HCI高位喷油时间占比判断是DOC催化剂活性下降或HCI漏油；若实际DPF上游排气温升小于或等于0℃，则根据再生过程持续时间的长短判断是DOC故障失活或未进入再生。
10.根据权利要求9所述的一种利用基于车联网大数据的DOC异常检测方法进行DOC异常检测的应用，其特征是所述根据HCI高位喷油时间占比判断是DOC催化剂活性下降或HCI漏油，具体包括：若HCI高位喷油时间占比大于或等于阈值比例，则判断为HCI漏油；若HCI高位喷油时间占比小于阈值比例，则判断为DOC催化剂活性下降；
所述根据再生过程持续时间的长短判断是DOC故障失活或未进入再生，具体包括：若再生过程持续时间大于或等于时间阈值，则判断为DOC故障失活；若再生过程持续时间小于时间阈值，则判断为未进入再生；
所述HCI高位喷油指的是再生过程中，碳氢喷射器喷射的油量，高于其最高设计喷油量上限的70%。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211012800.6A CN115330071A (zh) | 2022-08-23 | 2022-08-23 | 一种基于车联网大数据的doc异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211012800.6A CN115330071A (zh) | 2022-08-23 | 2022-08-23 | 一种基于车联网大数据的doc异常检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115330071A true CN115330071A (zh) | 2022-11-11 |
Family
ID=83926013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211012800.6A Pending CN115330071A (zh) | 2022-08-23 | 2022-08-23 | 一种基于车联网大数据的doc异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330071A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389791A (zh) * | 2023-12-13 | 2024-01-12 | 江苏海平面数据科技有限公司 | 一种柴油车能耗异常归因方法 |
-
2022
- 2022-08-23 CN CN202211012800.6A patent/CN115330071A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389791A (zh) * | 2023-12-13 | 2024-01-12 | 江苏海平面数据科技有限公司 | 一种柴油车能耗异常归因方法 |
| CN117389791B (zh) * | 2023-12-13 | 2024-02-23 | 江苏海平面数据科技有限公司 | 一种柴油车能耗异常归因方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104791119B (zh) | 评估NOx传感器响应速率劣化的设备、系统和方法 | |
| US20130097999A1 (en) | Method for heating a catalytic converter in an engine system and for diagnosing the effectiveness of measures for heating the catalytic converter | |
| CN113790094B (zh) | 一种后处理系统硫中毒确定方法、装置、车辆及介质 | |
| JP2004526959A (ja) | センサを監視する方法および装置 | |
| JP5574120B2 (ja) | ＮＯｘ浄化システムの診断装置 | |
| CN110273740A (zh) | 一种柴油机氧化催化器硫中毒的监控方法、装置及系统 | |
| CN102410934B (zh) | 燃料控制诊断系统和方法 | |
| US20160319727A1 (en) | Method for on-board diagnosis of an oxidation catalyst in an exhaust-gas system of an internal combustion engine of a vehicle | |
| CN115330071A (zh) | 一种基于车联网大数据的doc异常检测方法 | |
| Guardiola et al. | Model-based passive and active diagnostics strategies for diesel oxidation catalysts | |
| CN110767268A (zh) | 一种scr效率低的原因分析方法 | |
| CN114542249B (zh) | 氧化催化转换器的异常处理方法及相关装置 | |
| Pla et al. | Model-based simultaneous diagnosis of ammonia injection failure and catalyst ageing in deNOx engine after-treatment systems | |
| CN113803141A (zh) | 一种doc硫中毒的检测方法、存储介质及系统 | |
| CN102678242B (zh) | 碳氢化合物转换诊断 | |
| RU2526615C2 (ru) | Устройство и способ улучшения рабочих характеристик моторного транспортного средства | |
| Pla et al. | Ammonia injection failure diagnostic and correction in engine after-treatment system by NOx and NH3 emissions observation | |
| CN114592955B (zh) | 确定scr载体硫中毒的方法、设备、系统及存储介质 | |
| CN114441095B (zh) | 一种传感器的检测方法及装置 | |
| US20170074187A1 (en) | Regulation of a diesel exhaust after-treatment system via exhaust energy determination | |
| CN113339115B (zh) | 柴油机、柴油机后处理故障检测系统及方法 | |
| FR3119257A1 (fr) | Procédé et dispositif de reconnaissance d’une manipulation d’un système de post-traitement des gaz d’échappement | |
| JP4803271B2 (ja) | 内燃機関の制御装置 | |
| CN114458422A (zh) | 一种dpf主动再生控制方法及系统 | |
| CN113513406A (zh) | 发动机碳氢泄漏检测方法及系统、处理装置及存储介质 |
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 |