CN116070791A - 一种基于LSTM算法的柴油车NOx排放预测方法 - Google Patents

一种基于LSTM算法的柴油车NOx排放预测方法 Download PDF

Info

Publication number
CN116070791A
CN116070791A CN202310302477.4A CN202310302477A CN116070791A CN 116070791 A CN116070791 A CN 116070791A CN 202310302477 A CN202310302477 A CN 202310302477A CN 116070791 A CN116070791 A CN 116070791A
Authority
CN
China
Prior art keywords
data
module
value
model
emission
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
Application number
CN202310302477.4A
Other languages
English (en)
Inventor
闫方超
唐志诚
毕道坤
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.)
Tianjin Bool Technology Co ltd
Original Assignee
Tianjin Bool Technology 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 Tianjin Bool Technology Co ltd filed Critical Tianjin Bool Technology Co ltd
Priority to CN202310302477.4A priority Critical patent/CN116070791A/zh
Publication of CN116070791A publication Critical patent/CN116070791A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明是一种基于LSTM算法的柴油车NOx排放预测方法，其特征在于，包括数据处理的第一模块、模型训练的第二模块以及模型预测的第三模块；在第一模块中，基于使用车辆产生的每秒一次的离线数据，从排放相关数据中选取模型所需特征，构造相关的数据预处理方法，使第二模块、第三模块中的训练与预测拥有理想的输入数据；在第二模块中，采用基于LSTM的深度学习网络进行模型训练，得到可用于预测的LSTM模型；在第三模块中，使用第二模块训练所得的模型进行目标预测与MAE值计算。本发明可以省去传统PEMS测试的繁杂条件，基于大数据实现低成本、可迭代、高精度的柴油车道路实际排放预测。

Description

一种基于LSTM算法的柴油车NOx排放预测方法
技术领域
本发明涉及柴油车排放预测的技术领域，尤其涉及一种基于LSTM算法的柴油车NOx排放预测方法。
背景技术
随着社会经济快速发展，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已成为空气污染的重要来源。柴油车是NOx的主要贡献者。因此柴油车NOx排放的控制是机动车污染物监管和治理的关键所在，构建柴油车NOx排放模型可以提供较准确的实际道路排放预测数据，为国家节能减排政策的指定和相关措施的实施提供科学的依据。
目前NOx排放检测主要采用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。同时，以上两种NOx检测方式在测试边界参数上都具有严格的限定，测试时间短并且测试流程固定，也会导致检测结果与实际排放水平存在偏差。
发明内容
本发明旨在解决现有技术的不足，而提供一种基于LSTM算法的柴油车NOx排放预测方法，该方法是一种在时间序列上，考虑历史车辆数据的NOx排放预测方法。
本发明为实现上述目的，采用以下技术方案：
一种基于LSTM算法的柴油车NOx排放预测方法，包括数据处理的第一模块、模型训练的第二模块以及模型预测的第三模块；
在第一模块中，基于使用车辆产生的每秒一次的离线数据，从排放相关数据中选取模型所需特征，构造相关的数据预处理方法，使第二模块、第三模块中的训练与预测拥有理想的输入数据；
在第二模块中，采用基于LSTM的深度学习网络进行模型训练，得到可用于预测的LSTM模型；
在第三模块中，使用第二模块训练所得的模型进行目标预测与MAE值计算。
数据处理的第一模块中，特征值的选择基于数据分析的方式，采取灰色关联度分析的方法，将NOx排放浓度设为目标字段，分析其它所有数字原始字段对NOx排放浓度的关联权重，具体包括以下步骤：
S1：确立母序列和子序列，其中，母序列为NOx排放浓度，子序列为发动机排放相关的所有信号数据；
S2：数据归一化，采用处置化方法，将每种信号数据与其初值作商，从而将所有值整定至1附近；
S3：计算灰色关联系数，得到关联系数矩阵从而选取合适的特征值，矩阵中每个元素的计算方法如下：
Figure SMS_1
；
其中，
Figure SMS_2
为分辨系数，取
Figure SMS_3
，
Figure SMS_4
为参考序列的第
Figure SMS_5
个指标，
Figure SMS_6
为比较序列的第
Figure SMS_7
个指标。
步骤S3中，基于灰色关联度分析的特征选择结果为：车辆行驶速度、发动机转速、发动机燃油流量、废气温度、SCR出口温度、发动机扭矩、发动机负荷系数、发动机进气量、SCR前氮氧浓度、SCR后氮氧浓度、怠速进气量调节值和进气密度。
模型训练的第二模块中，在构建基于LSTM的深度学习模型时，添加了Dropout层用以减小模型过拟合的情况，从而达到了理想的预测效果，具体包括以下步骤：
P1、数据预处理，对每一特征的数据按时间进行排序，删除异常值后将缺失与删除的数据使用拉格朗日插值基函数进行插值：
Figure SMS_8
其中，
Figure SMS_9
的取值为
Figure SMS_10
，
Figure SMS_11
为基函数中的自变量，在插值多项式中体现为插值的位置，
Figure SMS_12
与
Figure SMS_13
为需要插值数据的相邻数据；
P2、对数据进行归一化：
Figure SMS_14
其中，
Figure SMS_15
、
Figure SMS_16
为同一位置的样本数据，
Figure SMS_17
为该特征的第一个样本数据，
Figure SMS_18
为样本集；
P3、对数据进行标准化：
Figure SMS_19
其中，
Figure SMS_20
、
Figure SMS_21
为同一位置的样本数据，
Figure SMS_22
为该特征的均值，
Figure SMS_23
为该特征的方差；
P4、基于LSTM的网络模型包括输入层、多个隐藏层和输出层；
P41、输入层为特征参数组成的12维张量所对应的12个单元；
P42：隐藏层中从前向后依次为LSTM层、Dropout层和Dense层；
P43、输出层为目标NOx的瞬态排放量预测值。
步骤P42中，
在网络模型迭代过程中，LSTM层的遗忘门将前一时刻的状态与当前信息经过Sigmoid函数激活后进行输出，控制上一时刻状态在当前的占比；输入门将前一时刻的状态与当前信息分别经过Sigmoid函数与tanh函数作用后进行相乘，将信息添加到单元状态中，控制当前信息在单元状态中的占比；输出们先将单元状态与tanh函数作用后将数值缩放至（-1,1）区间内，再与上一时刻状态与当前信息经Sigmoid函数激活后的输出相乘，得到当前状态在输出中的占比。
在Dropout层中，先随机生成以概率
Figure SMS_24
的伯努利分布的0,1值：
Figure SMS_25
；
其中，
Figure SMS_26
为满足伯努利分布的0,1值；
再将生成的0,1值与输入相乘，与0相乘的单元被屏蔽，留下与1相乘的单元：
Figure SMS_27
其中，
Figure SMS_28
是原始单元值，
Figure SMS_29
为上一步生成的0,1值序列，
Figure SMS_30
为与1相乘后留存的单元值；
再将剩余单元值参与后续的网络迭代：
Figure SMS_31
其中，
Figure SMS_32
为更新后的单元内计算结果，
Figure SMS_33
为单元内计算的权重与偏移量，
Figure SMS_34
是单元内经激活函数
Figure SMS_35
后得到的输出值；
最后通过Dense层将维度变为一维进行预测值输出。
本发明的有益效果是：本发明中，特征选择采用灰色关联度的方法，从统计学的角度定义了与NOx排放相关的汽车与发动机参数，去繁取精，提升了模型整体的准确度与计算速度；通过实车作业中采集的数据进行模型训练，相较于传统的台架测试，具有数据真实性高的优点，能检测出台架测试合格但实际道路排放超标的车辆；通过离线数据训练模型，进而在线预测排放数据的方式可以省去PEMS测试带来的一系列不便，大大节约了使用成本；通过在LSTM模型中加入Dropout层，使得模型过拟合情况得到改善，提高了模型的精度和泛化能力。
附图说明
图1为本发明的结构示意图；
图2为本发明LSTM模型结构图；
以下将结合本发明的实施例参照附图进行详细叙述。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。在下列段落中参照附图以举例方式更具体地描述本发明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
下面结合附图和实施例对本发明作进一步说明：
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；基于本发明的方法，可以为国家节能减排政策的指定和相关措施的实施提供科学的依据。
鉴于此，本发明采用以下方案实现：一种基于LSTM算法的柴油车NOx排放预测方法，如图1所示，包括数据处理的第一模块、模型训练的第二模块以及模型预测的第三模块；在第一模块中，基于使用车辆产生的每秒一次的离线数据，从排放相关数据中选取模型所需特征，构造相关的数据预处理方法，使第二模块、第三模块中的训练与预测拥有理想的输入数据；在第二模块中，采用基于LSTM的深度学习网络进行模型训练，得到可用于预测的LSTM模型；在第三模块中，使用第二模块训练所得的模型进行目标预测与MAE值计算。
本实施例的数据来源于发动机厂商提供YCK09350-60，YCK09360-60，YCK09380-60，YCK09400-60发动机型号的原始数据。
数据处理的第一模块中，特征值的选择基于数据分析的方式，采取灰色关联度分析的方法，将NOx排放浓度设为目标字段，分析其它所有数字原始字段对NOx排放浓度的关联权重，具体包括以下步骤：
S1：确立母序列和子序列，其中，母序列为NOx排放浓度，子序列为发动机排放相关的所有信号数据；
S2：数据归一化，采用处置化方法，将每种信号数据与其初值作商，从而将所有值整定至1附近；
归一化即无量纲化，因为这些要素是不同质的东西的指标，因此可能会有的数字很大有的数字很小，但是这并不是由于它们内禀的性质决定的，而只是由于量纲不同导致的，因此需要对它们进行无量纲化，这个操作一般在数据处理领域叫做归一化（normalization），也就是减少数据的绝对数值的差异，将它们统一到近似的范围内，然后重点关注其变化和趋势；
S3：计算灰色关联系数，得到关联系数矩阵从而选取合适的特征值，矩阵中每个元素的计算方法如下：
Figure SMS_36
；
其中，
Figure SMS_37
为分辨系数，取
Figure SMS_38
，
Figure SMS_39
为参考序列的第
Figure SMS_40
个指标，
Figure SMS_41
为比较序列的第
Figure SMS_42
个指标。
在本实施例中，基于灰色关联度分析的特征选择结果为：车辆行驶速度vehiclespeed(km/h)，发动机转速EngineSpeed(rpm)，发动机燃油流量engineflow(L/h)，废气温度(degC)，SCR出口温度(degC)，发动机扭矩(Nm)，发动机负荷系数（%），发动机进气量(Kg/h)，SCR前氮氧浓度NOx(ppm)，SCR后氮氧浓度NOx(ppm)，怠速进气量调节值（%），进气密度（g/L）。
模型训练的第二模块中，在构建基于LSTM的深度学习模型时，添加了Dropout层用以减小模型过拟合的情况，从而达到了理想的预测效果，具体包括以下步骤：
P1、数据预处理，对每一特征的数据按时间进行排序，删除异常值后将缺失与删除的数据使用拉格朗日插值基函数进行插值：
Figure SMS_43
其中，
Figure SMS_44
的取值为
Figure SMS_45
，
Figure SMS_46
为基函数中的自变量，在插值多项式中体现为插值的位置，
Figure SMS_47
与
Figure SMS_48
为需要插值数据的相邻数据；
P2、对数据进行归一化：
Figure SMS_49
其中，
Figure SMS_50
、
Figure SMS_51
为同一位置的样本数据，
Figure SMS_52
为该特征的第一个样本数据，
Figure SMS_53
为样本集；
P3、对数据进行标准化：
Figure SMS_54
其中，
Figure SMS_55
、
Figure SMS_56
为同一位置的样本数据，
Figure SMS_57
为该特征的均值，
Figure SMS_58
为该特征的方差；
P4、基于LSTM的网络模型包括输入层、多个隐藏层和输出层，如图2所示；
P41、输入层为特征参数组成的12维张量所对应的12个单元；
P42：隐藏层中从前向后依次为LSTM层、Dropout层和Dense层；
在网络模型迭代过程中，LSTM层的遗忘门将前一时刻的状态与当前信息经过Sigmoid函数激活后进行输出，控制上一时刻状态在当前的占比；输入门将前一时刻的状态与当前信息分别经过Sigmoid函数与tanh函数作用后进行相乘，将信息添加到单元状态中，控制当前信息在单元状态中的占比；输出们先将单元状态与tanh函数作用后将数值缩放至（-1,1）区间内，再与上一时刻状态与当前信息经Sigmoid函数激活后的输出相乘，得到当前状态在输出中的占比；
在Dropout层中，先随机生成以概率
Figure SMS_59
的伯努利分布的0,1值：
Figure SMS_60
；
其中，
Figure SMS_61
为满足伯努利分布的0,1值；
再将生成的0,1值与输入相乘，与0相乘的单元被屏蔽，留下与1相乘的单元：
Figure SMS_62
其中，
Figure SMS_63
是原始单元值，
Figure SMS_64
为上一步生成的0,1值序列，
Figure SMS_65
为与1相乘后留存的单元值；
再将剩余单元值参与后续的网络迭代：
Figure SMS_66
其中，
Figure SMS_67
为更新后的单元内计算结果，
Figure SMS_68
为单元内计算的权重与偏移量，
Figure SMS_69
是单元内经激活函数
Figure SMS_70
后得到的输出值；
最后通过Dense层将维度变为一维进行预测值输出；
整体的模型参数如下表所示：
Figure SMS_71
P43、输出层为目标NOx的瞬态排放量预测值；
训练结束后在测试集验证，预测的NOx排放量误差小于5%，说明本发明的方法在实施例中具备了较高的预测精度。
本发明中，特征选择采用灰色关联度的方法，从统计学的角度定义了与NOx排放相关的汽车与发动机参数，去繁取精，提升了模型整体的准确度与计算速度；通过实车作业中采集的数据进行模型训练，相较于传统的台架测试，具有数据真实性高的优点，能检测出台架测试合格但实际道路排放超标的车辆；通过离线数据训练模型，进而在线预测排放数据的方式可以省去PEMS测试带来的一系列不便，大大节约了使用成本；通过在LSTM模型中加入Dropout层，使得模型过拟合情况得到改善，提高了模型的精度和泛化能力。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。

Claims (6)

1.一种基于LSTM算法的柴油车NOx排放预测方法，其特征在于，包括数据处理的第一模块、模型训练的第二模块以及模型预测的第三模块；
在第一模块中，基于使用车辆产生的每秒一次的离线数据，从排放相关数据中选取模型所需特征，构造相关的数据预处理方法，使第二模块、第三模块中的训练与预测拥有理想的输入数据；
在第二模块中，采用基于LSTM的深度学习网络进行模型训练，得到可用于预测的LSTM模型；
在第三模块中，使用第二模块训练所得的模型进行目标预测与MAE值计算。
2.根据权利要求1所述的一种基于LSTM算法的柴油车NOx排放预测方法，其特征在于，数据处理的第一模块中，特征值的选择基于数据分析的方式，采取灰色关联度分析的方法，将NOx排放浓度设为目标字段，分析其它所有数字原始字段对NOx排放浓度的关联权重，具体包括以下步骤：
S1：确立母序列和子序列，其中，母序列为NOx排放浓度，子序列为发动机排放相关的所有信号数据；
S2：数据归一化，采用处置化方法，将每种信号数据与其初值作商，从而将所有值整定至1附近；
S3：计算灰色关联系数，得到关联系数矩阵从而选取合适的特征值，矩阵中每个元素的计算方法如下：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为分辨系数，取
Figure QLYQS_3
，
Figure QLYQS_4
为参考序列的第
Figure QLYQS_5
个指标，
Figure QLYQS_6
为比较序列的第
Figure QLYQS_7
个指标。
3.根据权利要求2所述的一种基于LSTM算法的柴油车NOx排放预测方法，其特征在于，步骤S3中，基于灰色关联度分析的特征选择结果为：车辆行驶速度、发动机转速、发动机燃油流量、废气温度、SCR出口温度、发动机扭矩、发动机负荷系数、发动机进气量、SCR前氮氧浓度、SCR后氮氧浓度、怠速进气量调节值和进气密度。
4.根据权利要求1所述的一种基于LSTM算法的柴油车NOx排放预测方法，其特征在于，模型训练的第二模块中，在构建基于LSTM的深度学习模型时，添加了Dropout层用以减小模型过拟合的情况，从而达到了理想的预测效果，具体包括以下步骤：
P1、数据预处理，对每一特征的数据按时间进行排序，删除异常值后将缺失与删除的数据使用拉格朗日插值基函数进行插值：
Figure QLYQS_8
；其中，
Figure QLYQS_9
的取值为
Figure QLYQS_10
，
Figure QLYQS_11
为基函数中的自变量，在插值多项式中体现为插值的位置，
Figure QLYQS_12
与
Figure QLYQS_13
为需要插值数据的相邻数据；
P2、对数据进行归一化：
Figure QLYQS_14
；其中，
Figure QLYQS_15
、
Figure QLYQS_16
为同一位置的样本数据，
Figure QLYQS_17
为该特征的第一个样本数据，
Figure QLYQS_18
为样本集；
P3、对数据进行标准化：
Figure QLYQS_19
；其中，
Figure QLYQS_20
、
Figure QLYQS_21
为同一位置的样本数据，
Figure QLYQS_22
为该特征的均值，
Figure QLYQS_23
为该特征的方差；
P4、基于LSTM的网络模型包括输入层、多个隐藏层和输出层；
P41、输入层为特征参数组成的12维张量所对应的12个单元；
P42：隐藏层中从前向后依次为LSTM层、Dropout层和Dense层；
P43、输出层为目标NOx的瞬态排放量预测值。
5.根据权利要求4所述的一种基于LSTM算法的柴油车NOx排放预测方法，其特征在于，步骤P42中，
在网络模型迭代过程中，LSTM层的遗忘门将前一时刻的状态与当前信息经过Sigmoid函数激活后进行输出，控制上一时刻状态在当前的占比；输入门将前一时刻的状态与当前信息分别经过Sigmoid函数与tanh函数作用后进行相乘，将信息添加到单元状态中，控制当前信息在单元状态中的占比；输出们先将单元状态与tanh函数作用后将数值缩放至（-1,1）区间内，再与上一时刻状态与当前信息经Sigmoid函数激活后的输出相乘，得到当前状态在输出中的占比。
6.根据权利要求5所述的一种基于LSTM算法的柴油车NOx排放预测方法，其特征在于，步骤P42中，
在Dropout层中，先随机生成以概率
Figure QLYQS_24
的伯努利分布的0,1值：
Figure QLYQS_25
；其中，
Figure QLYQS_26
为满足伯努利分布的0,1值；
再将生成的0,1值与输入相乘，与0相乘的单元被屏蔽，留下与1相乘的单元：
Figure QLYQS_27
；其中，
Figure QLYQS_28
是原始单元值，
Figure QLYQS_29
为上一步生成的0,1值序列，
Figure QLYQS_30
为与1相乘后留存的单元值；
再将剩余单元值参与后续的网络迭代：
Figure QLYQS_31
；其中，
Figure QLYQS_32
为更新后的单元内计算结果，
Figure QLYQS_33
为单元内计算的权重与偏移量，
Figure QLYQS_34
是单元内经激活函数
Figure QLYQS_35
后得到的输出值；
最后通过Dense层将维度变为一维进行预测值输出。
CN202310302477.4A 2023-03-27 2023-03-27 一种基于LSTM算法的柴油车NOx排放预测方法 Pending CN116070791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310302477.4A CN116070791A (zh) 2023-03-27 2023-03-27 一种基于LSTM算法的柴油车NOx排放预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310302477.4A CN116070791A (zh) 2023-03-27 2023-03-27 一种基于LSTM算法的柴油车NOx排放预测方法

Publications (1)

Publication Number Publication Date
CN116070791A true CN116070791A (zh) 2023-05-05

Family

ID=86182245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310302477.4A Pending CN116070791A (zh) 2023-03-27 2023-03-27 一种基于LSTM算法的柴油车NOx排放预测方法

Country Status (1)

Country Link
CN (1) CN116070791A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112241609A (zh) * 2020-10-15 2021-01-19 吉林大学 柴油机NOx排放实时估计系统
CN112964476A (zh) * 2020-12-25 2021-06-15 中汽研汽车检验中心（天津）有限公司 一种重型柴油车实际道路颗粒物排放在线预测方法
CN114418071A (zh) * 2022-01-24 2022-04-29 中国光大银行股份有限公司 循环神经网络训练方法
CN114707712A (zh) * 2022-03-23 2022-07-05 辽宁红沿河核电有限公司 一种发电机组备件需求的预测方法
CN114818500A (zh) * 2022-05-07 2022-07-29 福建工程学院 一种基于lstm算法预测土仓压力的方法
CN115263505A (zh) * 2022-08-01 2022-11-01 天津布尔科技有限公司 一种车辆nox排放预测方法、装置及存储介质
US20220358363A1 (en) * 2020-09-30 2022-11-10 Southwest Petroleum University Engine surge fault prediction system and method based on fusion neural network model

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220358363A1 (en) * 2020-09-30 2022-11-10 Southwest Petroleum University Engine surge fault prediction system and method based on fusion neural network model
CN112241609A (zh) * 2020-10-15 2021-01-19 吉林大学 柴油机NOx排放实时估计系统
CN112964476A (zh) * 2020-12-25 2021-06-15 中汽研汽车检验中心（天津）有限公司 一种重型柴油车实际道路颗粒物排放在线预测方法
CN114418071A (zh) * 2022-01-24 2022-04-29 中国光大银行股份有限公司 循环神经网络训练方法
CN114707712A (zh) * 2022-03-23 2022-07-05 辽宁红沿河核电有限公司 一种发电机组备件需求的预测方法
CN114818500A (zh) * 2022-05-07 2022-07-29 福建工程学院 一种基于lstm算法预测土仓压力的方法
CN115263505A (zh) * 2022-08-01 2022-11-01 天津布尔科技有限公司 一种车辆nox排放预测方法、装置及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘晓艳;: "基于灰色关联分析与BP神经网络的农业灌溉预测", 数学的实践与认识, no. 08 *
张钦礼;王艳利;曹小刚;: "基于灰色-神经网络的充填体强度预测", 化工矿物与加工, no. 12, pages 26 - 28 *
王来斌;沈金山;姚多喜;高锡擎;: "基于灰色关联与神经网络的瓦斯含量预测研究", 安徽理工大学学报(自然科学版), no. 04 *

Similar Documents

Publication Publication Date Title
Wang et al. NOx emissions prediction based on mutual information and back propagation neural network using correlation quantitative analysis
Shin et al. Deep neural network model with Bayesian hyperparameter optimization for prediction of NOx at transient conditions in a diesel engine
CN111612254B (zh) 基于改进注意力双向长短期记忆网络的道路机动车尾气排放预测方法
CN107577910B (zh) 一种基于深层次神经网络的车辆尾气浓度反演方法
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
Wang et al. Fault diagnosis for manifold absolute pressure sensor (MAP) of diesel engine based on Elman neural network observer
Ma et al. Improvement on the linear and nonlinear auto-regressive model for predicting the NOx emission of diesel engine
Liao et al. A comparative investigation of advanced machine learning methods for predicting transient emission characteristic of diesel engine
Huang et al. Correlation analysis and prediction of PEM fuel cell voltage during start-stop operation based on real-world driving data
Shen et al. Challenges and solutions in automotive powertrain systems
Schürholz et al. Modeling of the three-way catalytic converter by recurrent neural networks
Liao et al. Prediction of the transient emission characteristics from diesel engine using temporal convolutional networks
CN116558834A (zh) Pems排放分析方法、装置、计算机设备和存储介质
Shin et al. Designing a steady-state experimental dataset for predicting transient NOx emissions of diesel engines via deep learning
Panneer Selvam et al. Prediction of NO x emissions from compression ignition engines using ensemble learning-based models with physical interpretability
Boccardo et al. Development of a virtual methodology based on physical and data-driven models to optimize engine calibration
CN113269348B (zh) 一种基于机器学习的机动车尾气浓度预测方法及系统
Howlader et al. Data-driven approach for instantaneous vehicle emission predicting using integrated deep neural network
Liao et al. Prediction of transient emission characteristic from diesel engines based on CNN-GRU model optimized by PSO algorithm
CN116070791A (zh) 一种基于LSTM算法的柴油车NOx排放预测方法
Li et al. Statistics-guided accelerated swarm feature selection in data-driven soft sensors for hybrid engine performance prediction
CN103034754B (zh) 车身轻量化设计的解耦模式的数据处理分组建模方法
US20220351022A1 (en) Method and Arrangement for Predicting Engine Out Nitrogen Oxides (EONOx) using a Neural Network
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
CN114548557A (zh) NOx排放预测方法、装置、电子设备及计算机存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230505

RJ01 Rejection of invention patent application after publication