CN116428083A - 脱附诊断方法及相关装置 - Google Patents
脱附诊断方法及相关装置 Download PDFInfo
- Publication number
- CN116428083A CN116428083A CN202310309221.6A CN202310309221A CN116428083A CN 116428083 A CN116428083 A CN 116428083A CN 202310309221 A CN202310309221 A CN 202310309221A CN 116428083 A CN116428083 A CN 116428083A
- Authority
- CN
- China
- Prior art keywords
- desorption
- diagnosis
- pressure
- data
- engine
- 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
- 238000003795 desorption Methods 0.000 title claims abstract description 458
- 238000003745 diagnosis Methods 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 81
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 108
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 102
- 238000001514 detection method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims description 140
- 238000013136 deep learning model Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 34
- 238000002372 labelling Methods 0.000 claims description 23
- 238000004904 shortening Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000002405 diagnostic procedure Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 47
- 239000003921 oil Substances 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 20
- 239000000446 fuel Substances 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 230000001276 controlling effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000005086 pumping Methods 0.000 description 7
- 238000002955 isolation Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000001179 sorption measurement Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000002828 fuel tank Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000003463 adsorbent Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 239000010720 hydraulic oil Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
- F02M25/00—Engine-pertinent apparatus for adding non-fuel substances or small quantities of secondary fuel to combustion-air, main fuel or fuel-air mixture
- F02M25/08—Engine-pertinent apparatus for adding non-fuel substances or small quantities of secondary fuel to combustion-air, main fuel or fuel-air mixture adding fuel vapours drawn from engine fuel reservoir
- F02M25/0809—Judging failure of purge control system
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
- F02D41/003—Adding fuel vapours, e.g. drawn from engine fuel reservoir
- F02D41/0032—Controlling the purging of the canister as a function of the engine operating conditions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
- F02M25/00—Engine-pertinent apparatus for adding non-fuel substances or small quantities of secondary fuel to combustion-air, main fuel or fuel-air mixture
- F02M25/08—Engine-pertinent apparatus for adding non-fuel substances or small quantities of secondary fuel to combustion-air, main fuel or fuel-air mixture adding fuel vapours drawn from engine fuel reservoir
- F02M2025/0845—Electromagnetic valves
-
- 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)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本申请提供了一种脱附诊断方法及相关装置,所述方法包括:当获取到诊断指令后,利用压力检测模块获取脱附压力数据,所述脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,所述开关阀设置于所述炭罐和油箱之间的管路上;基于所述脱附压力数据,判断所述脱附诊断系统的诊断结果是否满足报警条件;当所述脱附诊断系统的诊断结果满足所述报警条件时,生成报警信息并发送至预设的用户设备。本申请利用指示开关阀靠近炭罐一端的压力波动幅值的脱附压力数据,判断脱附诊断系统的诊断结果是否满足报警条件,诊断结果的可靠性高。
Description
技术领域
本申请涉及发动机控制技术领域,尤其涉及脱附诊断方法及相关装置。
背景技术
随着国六标准的实施和汽车环保要求的逐渐提升,燃油蒸发排放量的控制成为车辆燃油系统设计的关键环节,为减少炭罐饱和导致油气排放入大气的情况,对炭罐进行脱附冲洗是目前普遍采用的方案。
发动机炭罐一般包括吸附口、脱附口和通大气口,吸附口与油箱相连通,脱附口连接于发动机的进气歧管,并且脱附口与进气歧管之间的连通由炭罐电磁阀控制,通大气口使得炭罐的内部与大气相连通,油箱的汽油蒸汽通过吸附口进入炭罐。现有炭罐脱附过程为:当发动机ECU控制的炭罐电磁阀打开后,炭罐进入脱附工况,具体地,在发动机进气歧管负压作用下,空气从通大气口流入炭罐,带走吸附在活性炭上的燃油分子,降低炭罐内燃油的含量,燃油经油气输送管道进入发动机参与燃烧。
相关的脱附过程,是通过检测进气歧管的压力变化,来进行脱附诊断。当炭罐脱附流量较小时,会造成诊断误判。
发明内容
本申请的目的在于提供脱附诊断方法、脱附诊断装置、脱附诊断系统、电子设备及计算机可读存储介质,利用指示开关阀靠近炭罐一端的压力波动幅值的脱附压力数据,判断脱附诊断系统的诊断结果是否满足报警条件,诊断结果的可靠性高。
本申请的目的采用以下技术方案实现:
第一方面,本申请提供了一种脱附诊断方法,所述方法包括:
当获取到诊断指令后,利用压力检测模块获取脱附压力数据,所述脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,所述开关阀设置于所述炭罐和油箱之间的管路上;
基于所述脱附压力数据,判断所述脱附诊断系统的诊断结果是否满足报警条件;
当所述脱附诊断系统的诊断结果满足所述报警条件时,生成报警信息并发送至预设的用户设备。
该技术方案的有益效果在于:将压力波动幅值用于诊断结果的判断,即便在炭罐的脱附流量较小的情况,也能客观地反应出对炭罐的脱附状态;脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,可以在脱附过程中检测出开关阀至炭罐的一段管路是否正常,避免相关的脱附过程中仅检测进气歧管的,可以实时获知开关阀至炭罐之间管路是否完好,避免开关阀和炭罐之间管路出现故障影响炭罐脱附。
综上,根据用于指示开关阀靠近炭罐一端的压力波动幅值的脱附压力数据,判断脱附诊断系统的诊断结果是否满足报警条件,在炭罐的脱附流量较小的情况,也能客观地反应出对炭罐的脱附状态,避免故障错报,提高诊断结果的可靠性;诊断结果能对开关阀至炭罐的管路的完好进行指示,区别于现有的仅关注于进气歧管的压力变化,诊断结果更全面。
在一些可选的实施方式中,在获取所述诊断指令之前,所述方法还包括:
获取上一次脱附诊断与当前时刻的脱附间隔时长;
当所述脱附间隔时长不小于预定间隔时长时,获取发动机的运行信息;
基于所述发动机的运行信息,获取所述诊断指令和所述诊断指令对应的脱附策略,所述脱附策略包括所述发动机对所述炭罐的脱附时长;
所述利用压力检测模块获取脱附压力数据,包括:
基于所述脱附策略,控制所述发动机保持稳定工况以对所述炭罐进行脱附;
控制所述开关阀保持关闭状态,并利用所述压力检测模块获取所述脱附压力数据。
该技术方案的有益效果在于:在获取脱附策略的同时获取诊断指令,没有其他条件制约诊断指令的获取,提高了脱附诊断对脱附诊断的响应速度;脱附策略是基于发动机的运行信息得到的,不同的发动机的运行信息可以对应不同的脱附策略,提高了脱附效果;脱附策略和诊断指令是基于同一信息(发动机的运行信息)得到的,避免了不同信息源造成的脱附策略和诊断指令的偏差和不匹配。
在一些可选的实施方式中,所述当所述脱附间隔时长不小于预定间隔时长时,获取发动机的运行信息,包括:
获取最近两次脱附诊断的所述脱附压力数据,并计算最近两次所述脱附诊断的所述脱附压力数据之间的相似度;
当所述相似度低于预设相似度时,缩短所述预定间隔时长;
将缩短时长后的所述预定间隔时长和所述脱附间隔时长进行比对,当所述脱附间隔时长不小于所述预定间隔时长时,获取所述发动机的运行信息。
该技术方案的有益效果在于:相似度是基于历史的脱附压力数据之间计算得到的,可以科学地反应出脱附过程中对炭罐的脱附效果,即便基于所述脱附压力数据得到的的诊断结果不满足报警条件,也能从历史的脱附压力数据之间的相似度中得到脱附效果的变化趋势,并在相似度低于预设相似度时缩短预定间隔时长、进而提高脱附及脱附诊断的频率,避免出现脱附诊断的漏判;计算最近两次的脱附压力数据之间的相似度,一方面降低了相似度计算的计算数据量,提高了相似度计算的效率,另一方面最近两次脱附压力数据更能反应出机动车辆的近期车况,减少了间隔时间较久的历史数据对相似度计算、相似度与预设相似度比对的噪音影响,避免较久的历史数据对相似度计算的噪音干扰。
在一些可选的实施方式中,所述脱附策略的获取过程包括:
将所述发动机的运行信息输入至脱附策略模型,以得到所述发动机的运行信息对应的脱附策略;
其中,所述脱附策略模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括真实环境下的所述发动机的样本运行信息及其对应的脱附策略的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述发动机的样本运行信息输入至预设的第一深度学习模型,以得到所述训练数据对应的脱附策略的预测数据;
基于所述训练数据对应的脱附策略的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述脱附策略模型;如果否,则利用下一个所述训练数据继续训练所述第一深度学习模型。
该技术方案的有益效果在于:通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第一深度学习模型,通过第一深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的脱附策略模型,可以基于任意输入数据预测得到相应的输出数据,适用范围广,且计算结果准确性高、可靠性高。
在一些可选的实施方式中,判断所述脱附诊断系统的诊断结果是否满足报警条件的过程,包括:
若所述脱附压力数据所指示的压力波动幅值不大于预设的压力波动阈值,则确定所述脱附诊断系统的诊断结果满足报警条件,否则确定所述脱附诊断系统的诊断结果不满足报警条件;和/或,
获取发动机的运行信息,并将所述发动机的运行信息和所述脱附压力数据输入至脱附诊断模型,以得到所述发动机的运行信息和所述脱附压力数据对应的诊断结果,所述诊断结果用于指示是否满足报警条件。
该技术方案的有益效果在于:利用压力波动阈值判断脱附诊断系统的诊断结果是否满足报警条件,获取诊断结果的过程简单,能最快的得到脱附诊断的响应速度。利用脱附诊断模型获取诊断结果,既考虑到发动机的运行信息对炭罐脱附效率的影响,又考虑到脱附压力数据对脱附效果的指示,智能化水平较高;将两者输入脱附诊断模型,利用脱附诊断模型(自动化地)输出诊断结果,诊断效率较高。
第二方面,本申请还提供了一种脱附诊断装置,所述脱附诊断装置包括:
压差获取模块,用于当获取到诊断指令后,利用压力检测模块获取脱附压力数据,所述脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,所述开关阀设置于所述炭罐和油箱之间的管路上;
条件判断模块,用于基于所述脱附压力数据,判断所述脱附诊断系统的诊断结果是否满足报警条件;
诊断报警模块,用于当所述脱附诊断系统的诊断结果满足所述报警条件时,生成报警信息并发送至预设的用户设备。
在一些可选的实施方式中,在获取所述诊断指令之前,所述脱附诊断装置还包括:
时长获取模块,用于获取上一次脱附诊断与当前时刻的脱附间隔时长;
运行信息获取模块,用于当所述脱附间隔时长不小于预定间隔时长时,获取发动机的运行信息;
测量获取模块,用于基于所述发动机的运行信息,获取所述诊断指令和所述诊断指令对应的脱附策略,所述脱附策略包括所述发动机对所述炭罐的脱附时长;
所述压差获取模块,包括:
脱附控制单元,用于基于所述脱附策略,控制所述发动机保持稳定工况以对所述炭罐进行脱附;
压力获取单元,用于控制所述开关阀保持关闭状态,并利用所述压力检测模块获取所述脱附压力数据。
在一些可选的实施方式中,所述当所述脱附间隔时长不小于预定间隔时长时,获取发动机的运行信息,包括:
获取最近两次脱附诊断的所述脱附压力数据,并计算最近两次所述脱附诊断的所述脱附压力数据之间的相似度;
当所述相似度低于预设相似度时,缩短所述预定间隔时长;
将缩短时长后的所述预定间隔时长和所述脱附间隔时长进行比对,当所述脱附间隔时长不小于所述预定间隔时长时,获取所述发动机的运行信息。
在一些可选的实施方式中,所述脱附策略的获取过程包括:
将所述发动机的运行信息输入至脱附策略模型,以得到所述发动机的运行信息对应的脱附策略;
其中,所述脱附策略模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括真实环境下的所述发动机的样本运行信息及其对应的脱附策略的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述发动机的样本运行信息输入至预设的第一深度学习模型,以得到所述训练数据对应的脱附策略的预测数据;
基于所述训练数据对应的脱附策略的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述脱附策略模型;如果否,则利用下一个所述训练数据继续训练所述第一深度学习模型。
在一些可选的实施方式中,判断所述脱附诊断系统的诊断结果是否满足报警条件的过程,包括:
若所述脱附压力数据所指示的压力波动幅值不大于预设的压力波动阈值,则确定所述脱附诊断系统的诊断结果满足报警条件,否则确定所述脱附诊断系统的诊断结果不满足报警条件;和/或,
获取发动机的运行信息,并将所述发动机的运行信息和所述脱附压力数据输入至脱附诊断模型,以得到所述发动机的运行信息和所述脱附压力数据对应的诊断结果,所述诊断结果用于指示是否满足报警条件。
第三方面,本申请还提供了一种脱附诊断系统,所述脱附诊断系统包括开关阀、压力检测模块和第二方面所述的脱附诊断装置;
所述开关阀设置于炭罐和油箱之间的管路上,用于所述炭罐和所述油箱的导通和关闭;
所述压力检测模块连接所述开关阀的两端,用于获取所述开关阀靠近炭罐一端的压力波动幅值。
在一些可选的实施方式中,所述压力检测模块包括第一压力传感器和第二压力传感器,所述第一压力传感器和所述第二压力传感器分别设置于所述开关阀的两端;或,
所述压力检测模块包括压差传感器,所述压差传感器分别与所述开关阀的两端连通。
第四方面,本申请还提供了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面任一项所述方法的步骤。
第五方面,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计算机程序,所述计算机程序被处理器执行时实现第一方面任一项所述方法的步骤。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1示出了本申请提供的一种脱附诊断方法的流程示意图。
图2示出了本申请提供的一种获取脱附策略的流程示意图。
图3示出了本申请提供的一种获取脱附压力数据的流程示意图。
图4示出了本申请提供的一种获取发动机的运行信息的流程示意图。
图5示出了本申请提供的一种脱附诊断装置的结构示意图。
图6示出了本申请提供的一种脱附诊断系统的结构框图。
图7示出了本申请提供的一种电子设备的结构示意图。
图8示出了本申请提供的一种程序产品的结构框图。
具体实施方式
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描述。
需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请实施例中出现的第一、第二等描述,仅作示意与区分描述对象之用,没有次序之分,也不表示本申请实施例中对设备个数的特别限定,不能构成对本申请实施例的任何限制。
首先对本申请实施例的其中一个应用领域(机动车辆脱附领域)进行简单说明。
脱附(desorption)是吸附的逆过程,是使已被吸附的组分从达到饱和的吸附剂中析出,吸附剂得以再生的操作过程。即被吸附的物质在一定条件下,进行解吸。具体到机动车辆,发动机燃料(柴油或汽油)具有挥发性,如果没有炭罐的设置发动机燃料就会直接挥发到大气中,进而造成空气污染。可以在发动机和大气之间加设炭罐,虽然炭罐中的活性炭会吸收从供油系统中挥发出来的气体燃料,但活性炭对气体燃料的吸附量也有一个限度。由于发动机运行时进气歧管端相比炭罐端的真空度低,可以基于炭罐与发动机之间的压力差将活性炭中已吸收的燃料回收到发动机进气道内,送往发动机燃烧室充作燃料。油箱是装燃料的容器,是液压系统中储存液压油或液压液的专用容器。
开关阀是机动车辆的电子控制系统的执行元件,用于接收车辆控制模块(MC U、Electronic Control Unit、发动机控制单元)发送的控制信号,以执行开关阀两端的导通或截止。开关阀还可以设置有压力保护功能,当作用于开关阀的压力达到开启压力时,开关阀开启,燃油蒸汽即通过阀座排出。例如开关阀是油箱隔离阀(即FTIV阀)。在本申请实施例中,油箱隔离阀(即FTIV阀)的全称是Fu el Tank Isolation Valve,它将油箱内蒸发的油气封存在油箱内,油箱内的油气可以释放到炭罐内,并经炭罐进入发动机进行燃烧。
在通常情况下,油箱隔离阀保持关闭状态,只有当发生加油请求、油箱压力超过一定阀值,或者内部有比较大的负压时,油箱隔离阀才会打开,将油箱内的油气释放发到炭罐中。另外,油箱的泄漏诊断也可以触发油箱隔离阀打开请求。
在本申请实施例中,负压是指比常压(即常说的一个大气压)的气体压力低的气体状态。例如,一种微型真空泵,它能在抽气端形成0.04MPA的负压,意思是能将密闭容器内的气体抽走40%,剩余60%,与外界大气压的压力差为100*(1-0.6)=40KPA(即它的负压值为:-40Kpa),在常用的真空表上显示就为-0.04Mpa,假设当地大气压为0.1Mpa。本申请实施例对负压环境的压强不作限定,其例如可以是80Kpa、93KPa、94Kpa、99Kpa。
同样的,在本申请实施例中,正压是指比常压(即常说的一个大气压)的气体压力高的气体状态,例如,一种微型真空泵(可抽气打气两用),它能在排气端形成0.1Mpa(相对压力)的正压,意思是能形成比大气压高0.1Mpa的气体压力。正压环境是指空气压力为正压的环境。本申请实施例对正压环境的压强不作限定,其例如可以是102KPa、105Kpa、106Kpa、130Kpa。
(方法实施例)
参见图1,图1示出了本申请提供的一种脱附诊断方法的流程示意图。
所述脱附诊断方法包括:
步骤S101:当获取到诊断指令后,利用压力检测模块获取脱附压力数据。所述脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,所述开关阀设置于所述炭罐和油箱之间的管路上;
步骤S102:基于所述脱附压力数据,判断所述脱附诊断系统的诊断结果是否满足报警条件;
步骤S103:当所述脱附诊断系统的诊断结果满足所述报警条件时,生成报警信息并发送至预设的用户设备。
由此,将压力波动幅值用于诊断结果的判断,即便在炭罐的脱附流量较小的情况,也能客观地反应出对炭罐的脱附状态;脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,可以在脱附过程中检测出开关阀至炭罐的一段管路是否正常,避免相关的脱附过程中仅检测进气歧管的,可以实时获知开关阀至炭罐之间管路是否完好,避免开关阀和炭罐之间管路出现故障影响炭罐脱附。
综上,根据用于指示开关阀靠近炭罐一端的压力波动幅值的脱附压力数据,判断脱附诊断系统的诊断结果是否满足报警条件,在炭罐的脱附流量较小的情况,也能客观地反应出对炭罐的脱附状态,避免故障错报,提高诊断结果的可靠性;诊断结果能对开关阀至炭罐的管路的完好进行指示,区别于现有的仅关注于进气歧管的压力变化,诊断结果更全面。
其中,脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,可以是压力在固定时长上升或下降的比率值,还可以是压力检测模块在固定时长获取到的上升或下降的压强的差值。例如是每分钟上升7%、每秒钟下降3%、每分钟上升0.03kpa、每分钟上升0.003kpa。脱附压力数据还可以是压力时间曲线,压力时间曲线的横坐标用于标识时间,纵坐标用于标识每个对应时间点的压力变化值。
诊断结果可以使用中文、字母、数字和特殊符号中的至少一种来表示,例如“A001”、“B001”、“脱附效率偏低”、“脱附正常”、“脱附异常”或者“#01”中的任一种或其组合。
在一个具体应用中,“A001”、“脱附效率偏低”、“脱附正常”用于指示脱附工况正常,诊断结果不满足报警条件。
在另一个具体应用中,“B001”、“脱附效率非常低”、“脱附异常”、“#01”用于指示脱附工况异常,诊断结果满足报警条件。
本实施例对预设的用户设备不进行限制,用户设备可以是机动车辆的中控台、智能手机、平板、电脑等。
在一个具体应用中,用户设备是机动车辆的中控台且脱附诊断系统的诊断结果满足报警条件时,中控台接收报警信息后,指示脱附故障的中控台故障灯会进行闪烁报警。
在另一个具体应用中,用户设备是智能手机且脱附诊断系统的诊断结果满足报警条件时,利用智能手机接收报警信息后,智能手机显示弹窗提醒用户脱附故障。
参见图2和图3,图2示出了本申请提供的一种获取脱附策略的流程示意图,图3示出了本申请提供的一种获取脱附压力数据的流程示意图。
在一些可选的实施方式中,在步骤S101之前,所述方法还可以包括:
步骤S104:获取上一次脱附诊断与当前时刻的脱附间隔时长;
步骤S105:当所述脱附间隔时长不小于预定间隔时长时,获取发动机的运行信息;
步骤S106:基于所述发动机的运行信息,获取所述诊断指令和所述诊断指令对应的脱附策略。所述脱附策略包括所述发动机对所述炭罐的脱附时长。
步骤S101可以包括:
步骤S201:基于所述脱附策略,控制所述发动机保持稳定工况以对所述炭罐进行脱附;
步骤S202:控制所述开关阀保持关闭状态,并利用所述压力检测模块获取所述脱附压力数据。
由此,在获取脱附策略的同时获取诊断指令,没有其他条件制约诊断指令的获取,提高了脱附诊断对脱附诊断的响应速度;脱附策略是基于发动机的运行信息得到的,不同的发动机的运行信息可以对应不同的脱附策略,提高了脱附效果;脱附策略和诊断指令是基于同一信息(发动机的运行信息)得到的,避免了不同信息源造成的脱附策略和诊断指令的偏差和不匹配。
其中,上一次脱附诊断与当前时刻的脱附间隔时长,可以指上一次脱附诊断开始时刻至当前时刻的时间长度,由于不用考虑上一次脱附诊断进行的时长,获取脱附间隔时长时的计算量小,减轻了数据处理的压力,提高了脱附策略和诊断指令的获取效率。
上一次脱附诊断与当前时刻的脱附间隔时长,还可以指上一次脱附诊断结束时刻至当前时刻的时间长度。当上一次脱附诊断与当前时刻的脱附间隔时长指上一次脱附诊断结束时刻至当前时刻的时长时,将上次脱附过程的时长排除出脱附间隔时长,可以较为客观地反映没有进行脱附诊断的时间间隔。
本申请实施例对发动机的运行信息不进行限制,所述发动机的运行信息可以是发动机的实际转速数据、发动机的持续工作时间数据、发动机的运行距离数据中的一种或其组合。发动机的稳定工况,可以理解为发动机怠速运行或转速稳定。
脱附策略可以是利用发动机负压对炭罐进行脱附的脱附时长,一个脱附策略所对应的脱附时长可以是连续的,例如连续进行10分钟脱附、2分钟脱附、30秒脱附,还可以是不连续的,例如在10分钟时间内每暂停脱附1分钟后脱附30秒、在1分钟内每脱附10秒暂停1秒。
其中,所述压力检测模块可以包括第一压力传感器和第二压力传感器,所述第一压力传感器和所述第二压力传感器分别设置于所述开关阀的两端。例如第一压力传感器设置于开关阀靠近油箱的一侧,第二压力传感器设置于开关阀的另一侧,当开关阀保持关闭状态时可以认为第一压力传感器获取的压力值是相对的固定值,第二压力传感器获取的压力值在正常脱附工况时会有波动,利用第二压力传感器和第一压力传感器分别获取压力在不同时刻的差值,以得到脱附压力数据,由于将第一压力传感器获取的压力用于脱附压力数据的获取,在炭罐的脱附流量较小的情况,也能客观地反应出对炭罐的脱附状态。另外,也可以将第一压力传感器设置于油箱内,但相对而言,由于油箱内燃油的挥发性,第一压力传感器设置于油箱内时所获取的压力值不稳定。
或者,所述压力检测模块还可以包括压差传感器,所述压差传感器分别与所述开关阀的两端连通。利用压差传感器获取开关阀两端在不同时刻的压差值,以得到脱附压力数据,在炭罐的脱附流量较小的情况,也能客观地反应出对炭罐的脱附状态。相比压力检测模块包括第一压力传感器和第二压力传感器的情况,压差传感器占用空间更小、故障率更低,能提高脱附诊断的稳定性。
参见图4,图4示出了本申请提供的一种获取发动机的运行信息的流程示意图。
在一些可选的实施方式中,步骤S105可以包括:
步骤S301:获取最近两次脱附诊断的所述脱附压力数据,并计算最近两次所述脱附诊断的所述脱附压力数据之间的相似度;
步骤S302:当所述相似度低于预设相似度时,缩短所述预定间隔时长;
步骤S303:将缩短时长后的所述预定间隔时长和所述脱附间隔时长进行比对,当所述脱附间隔时长不小于所述预定间隔时长时,获取所述发动机的运行信息。
由此,相似度是基于历史的脱附压力数据之间计算得到的,可以科学地反应出脱附过程中对炭罐的脱附效果,即便基于所述脱附压力数据得到的的诊断结果不满足报警条件,也能从历史的脱附压力数据之间的相似度中得到脱附效果的变化趋势,并在相似度低于预设相似度时缩短预定间隔时长、进而提高脱附及脱附诊断的频率,避免出现脱附诊断的漏判;计算最近两次的脱附压力数据之间的相似度,一方面降低了相似度计算的计算数据量,提高了相似度计算的效率,另一方面最近两次脱附压力数据更能反应出机动车辆的近期车况,减少了间隔时长较久的历史数据对相似度计算、相似度与预设相似度比对的噪音影响,避免较久的历史数据对相似度计算的噪音干扰
本实施例对发动机的运行信息的获取方式不进行限制。例如,运行信息是发动机转速时,可以基于点火脉冲获取发动机转速信号,也可以通过安装在发动机曲轴上的信号盘测量曲轴转速后计算得到的。例如,运行信息是发动机的运行距离时,发动机的运行距离可以基于发动机的转速和运转时间计算得到。
本实施例对预设相似度不进行限制,其例如是0.98、80%、95%。
本实施例对获取相似度的方式不进行限制。在一个具体应用中,当最近两次脱附诊断的脱附压力数据分别是压力时间曲线时,可以基于曲线的每个点、曲线的形状(Hausdorff距离计算)、曲线的分段(例如单向距离法(One Way Distance))等方式进行比较,以获取二者之间的相似度,当二者之间的相似度低于一个预设相识度时(例如0.98或0.95),可以认为最近两次脱附诊断的脱附压力数据的相似度低,脱附工况不稳定,进而缩短预定间隔时长,提高脱附和脱附诊断的频率。
在另一个具体应用中,还可以包括通过皮尔逊相关系数(Pearson CorrelationCoefficient)法得到相似度。可以分别获取最近两次脱附诊断的脱附压力数据,通过皮尔逊相关系数法对两个脱附压力数据进行判断,获取二者的线性相关关系。例如,当得到的皮尔逊系数的值为0.85时,可认为两次脱附诊断的脱附压力数据间高度相关,相似度为0.85。
在又一个具体应用中,将最近两次脱附诊断的脱附压力数据输入至相似度模型,以得到最近两次脱附诊断的脱附压力数据所对应的相似度。
其中,所述相似度模型的训练过程可以包括:获取相似度训练集,所述相似度训练集包括多个相似度训练数据对及其对应的标注相似度。利用所述相似度训练集对预设的第二深度学习模型进行训练,得到所述相似度模型。
利用所述相似度训练集对预设的第二深度学习模型进行训练,包括:针对所述相似度训练集中的多个相似度训练数据,每个相似度训练数据包括第一样本对象和第二样本对象,将任意相似度训练数据输入预设的第二深度学习模型,得到与样本相似度训练数据相对应的预测相似度;基于与样本相似度训练数据的相应的预测相似度以及标注相似度,对所述第二深度学习模型的模型参数进行更新;检测是否满足预设的训练结束条件,若是,则停止训练,并将训练得到的所述第二深度学习模型作为所述相似度模型,若否,则重复上述训练过程继续训练所述第二深度学习模型。
其中,第一样本对象和第二样本对象分别包括样本脱附压力数据。因为相似度模型可以由大量的训练数据训练得到,能够针对不同的输入数据预测得到相应的输出数据,适用范围广,智能化水平高。通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第二深度学习模型,通过该预设的第二深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的相似度模型,可以基于每个历史测量数据和第二测量数据之间的相似度分别获取二者之间的相似度,且计算结果准确性高、可靠性高。
在一些可选的实施方式中,本申请可以采用上述训练过程训练得到相似度模型,在另一些可选的实施方式中,本申请可以采用预先训练好的相似度模型。
在一些可选的实施方式中,例如可以对历史数据进行数据挖掘,以获取训练数据。当然,第一样本对象、第二样本对象也可以是利用GAN模型的生成网络自动生成的。
其中,GAN模型即生成对抗网络(Generative Adversarial Network),由一个生成网络与一个判别网络组成。生成网络从潜在空间(latent space)中随机采样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。
预测相似度可以用数字或者百分数表示,用数字表示时,预测相似度例如是60、80或者90;用百分数表示时,预测相似度例如是50%、70%或者90%,数值越高,预测相似度越高。
本申请对预设相似度阈值不作限定,其可以是70%、80%或者90%。
本申请对预设的训练结束条件不作限定,其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等),或者可以是训练集中的训练数据都完成一次或多次训练,或者可以是本次训练得到的总损失值不大于预设损失值。
在一些可选的实施方式中,所述脱附策略的获取过程可以包括:
将所述发动机的运行信息输入至脱附策略模型,以得到所述发动机的运行信息对应的脱附策略;
其中,所述脱附策略模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括真实环境下的所述发动机的样本运行信息及其对应的脱附策略的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述发动机的样本运行信息输入至预设的第一深度学习模型,以得到所述训练数据对应的脱附策略的预测数据;
基于所述训练数据对应的脱附策略的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述脱附策略模型;如果否,则利用下一个所述训练数据继续训练所述第一深度学习模型。
由此,通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第一深度学习模型,通过第一深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的脱附策略模型,可以基于任意输入数据预测得到相应的输出数据,适用范围广,且计算结果准确性高、可靠性高。
在一些可选的实施方式中,本申请实施例可以训练得到脱附策略模型,在另一些可选的实施方式中,本申请实施例可以采用预先训练好的脱附策略模型。
在一些可选的实施方式中,例如可以对历史数据进行数据挖掘,以获取训练集中的多个训练数据及其对应的脱附策略的标注数据等。训练集中的多个训练数据也可以是利用GAN模型的生成网络自动生成的。
本申请实施例对标注数据的获取方式不作限定,例如可以采用人工标注的方式,也可以采用自动标注或者半自动标注的方式。
本申请实施例对脱附策略模型的训练过程不作限定,其例如可以采用上述监督学习的训练方式,或者可以采用半监督学习的训练方式,或者可以采用无监督学习的训练方式。
本申请实施例对预设的训练结束条件不作限定,其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等),或者可以是训练集中的训练数据都完成一次或多次训练,或者可以是本次训练得到的总损失值不大于预设损失值。
在另一些可选的实施方式中,获取所述诊断指令对应的脱附策略的步骤,可以包括:将所获取的发动机的运行信息输入预设的脱附策略计算公式,计算得到所获取的发动机的运行信息对应的脱附策略。本申请对预设的脱附策略计算公式不作限定,其例如是一元多项式或者多元多项式,又例如是线性多项式或者非线性多项式。利用该脱附策略计算公式和自变量(发动机的运行信息),计算得到因变量(该发动机的运行信息对应的预测的脱附策略)。基于计算公式的计算过程,所消耗的计算资源少,所耗费的计算时间短,计算效率较高。
在一些可选的实施方式中,判断所述脱附诊断系统的诊断结果是否满足报警条件的过程,可以包括:
若所述脱附压力数据所指示的压力波动幅值不大于预设的压力波动阈值,则确定所述脱附诊断系统的诊断结果满足报警条件,否则确定所述脱附诊断系统的诊断结果不满足报警条件;和/或,
获取发动机的运行信息,并将所述发动机的运行信息和所述脱附压力数据输入至脱附诊断模型,以得到所述发动机的运行信息和所述脱附压力数据对应的诊断结果,所述诊断结果用于指示是否满足报警条件。
由此,利用压力波动阈值判断脱附诊断系统的诊断结果是否满足报警条件,获取诊断结果的过程简单,能最快的得到脱附诊断的响应速度。利用脱附诊断模型获取诊断结果,既考虑到发动机的运行信息对炭罐脱附效率的影响,又考虑到脱附压力数据对脱附效果的指示,智能化水平较高;将两者输入脱附诊断模型,利用脱附诊断模型(自动化地)输出诊断结果,诊断效率较高
本申请对脱附诊断模型的获取方式不作限定,在一些实施方式中,本申请可以训练得到脱附诊断模型,在另一些实施方式中,本申请可以采用预先训练好的脱附诊断模型。
在一些可选的实施方式中,脱附诊断模型可以采用如下训练过程训练得到:获取脱附诊断训练集,所述脱附诊断训练集中的每个训练数据包括用于训练的发动机的运行信息和脱附压力数据以及所述训练数据对应的诊断结果的标注数据;
针对所述脱附诊断训练集中的每个训练数据,执行以下处理:
将所述训练数据中的发动机的运行信息和脱附压力数据输入预设的第三深度学习模型,得到所述训练数据对应的诊断结果的预测数据;
基于所述训练数据对应的诊断结果的预测数据和标注数据,对所述第三深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述第三深度学习模型作为所述脱附策略模型;如果否,则利用下一个所述训练数据继续训练所述第三深度学习模型。
通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的第三深度学习模型,通过该预设的第三深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的脱附诊断模型,可以实现获取诊断结果的功能,且计算结果准确性高、可靠性高。
在一些实施方式中,本申请可以采用上述训练过程训练得到脱附诊断模型,在另一些实施方式中,本申请可以采用预先训练好的脱附诊断模型。
本申请对标注数据的获取方式不作限定,例如可以采用人工标注的方式,也可以采用自动标注或者半自动标注的方式。
本申请对脱附诊断模型的训练过程不作限定,其例如可以采用上述监督学习的训练方式,或者可以采用半监督学习的训练方式,或者可以采用无监督学习的训练方式。
本申请对预设的训练结束条件不作限定,其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等),或者可以是脱附诊断训练集中的训练数据都完成一次或多次训练,或者可以是本次训练得到的总损失值不大于预设损失值。
本实施例对压力波动阈值不进行限制,压力波动阈值例如用压强波动的大小进行表述,还例如用压力上升或下降的比率值进行表述。其例如是10kpa、120kpa、10%。
在一些可选的实施方式中,所述方法还可以包括以下步骤:
控制开关阀保持导通状态,并利用气泵向炭罐或油箱泵气,使炭罐和油箱产生压差,气泵设置于所述开关阀和所述炭罐之间,压力检测模块分别连接气泵靠近炭罐的一端和开关阀靠近油箱的一端;
利用压力检测模块获取压力数据,所述压力数据用于指示开关阀和气泵的相背的两端压力差;
根据所述压力数据值,判断开关阀、气泵两端的管路分别有没有泄漏。
由此,将气泵和开关阀相结合,使炭罐和油箱在密封状态下检测炭罐和油箱之间的压力变化,以检测二者是否泄漏,操作简洁方便;将用于脱附诊断的压力检测模块复用于炭罐和油箱的泄漏检验,在没有明显提高空间占用的前提下为用户提供了更多选择。
本实施例对诊断压力阈值的大小不进行限制,诊断压力阈值例如用压强值的大小进行表述,例如是20kpa、90kpa、110kpa。
在一个具体应用中,可以控制开关阀保持导通状态,并利用气泵向炭罐泵气,使炭罐处于正压环境、油箱处于负压环境;然后利用压力检测模块获取压力数据,所述压力数据用于指示开关阀和气泵的相背的两端压力差值,当两端压力差值不低于诊断压力阈值时,控制开关阀关闭并停止气泵的泵气;
利用压力检测模块获取开关阀关闭后的压力数据,并基于所述开关阀关闭后的压力数据,判断开关阀、气泵两端的管路分别有没有泄漏。
例如,当开关阀、气泵靠近油箱一端的管路有泄漏时,则压力数据所指示的两端压力差值相对正常情况(没有泄漏的情况)下偏大;当开关阀、气泵靠近炭罐一端的管路有泄漏,则压力数据所指示的两端压力差值相对正常情况(没有泄漏的情况)下偏小。
在另一个具体应用中,可以控制开关阀保持导通状态,并利用气泵向油箱泵气,使油箱处于正压环境、炭罐处于负压环境;然后利用压力检测模块获取压力数据,所述压力数据用于指示开关阀和气泵的相背的两端压力差值,当两端压力差值不低于诊断压力阈值时,控制开关阀关闭并停止气泵的泵气;
利用压力检测模块获取开关阀关闭后的压力数据,并基于所述开关阀关闭后的压力数据,判断开关阀、气泵两端的管路分别有没有泄漏。
例如,当开关阀、气泵靠近炭罐一端的管路有泄漏,则压力数据所指示的两端压力差值相对正常情况(没有泄漏的情况)下偏大;当开关阀、气泵靠近油箱一端的管路有泄漏,则压力数据所指示的两端压力差值相对正常情况(没有泄漏的情况)下偏小。
在一个具体应用场景中,所述脱附诊断方法可以包括:
获取上一次脱附诊断与当前时刻的脱附间隔时长;
获取最近两次脱附诊断的所述脱附压力数据,并计算最近两次所述脱附诊断的所述脱附压力数据之间的相似度;
当所述相似度低于预设相似度时,缩短所述预定间隔时长;
将缩短时长后的所述预定间隔时长和所述脱附间隔时长进行比对,当所述脱附间隔时长不小于所述预定间隔时长时,获取所述发动机的运行信息;
基于所述发动机的运行信息,获取所述诊断指令和所述诊断指令对应的脱附策略,所述脱附策略包括所述发动机对所述炭罐的脱附时长;
当获取到诊断指令后,基于所述脱附策略,控制所述发动机保持稳定工况以对所述炭罐进行脱附;
控制所述开关阀保持关闭状态,并利用所述压力检测模块获取所述脱附压力数据,所述脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,所述开关阀设置于所述炭罐和油箱之间的管路上;
若所述脱附压力数据所指示的压力波动幅值不大于预设的压力波动阈值,则确定所述脱附诊断系统的诊断结果满足报警条件,否则确定所述脱附诊断系统的诊断结果不满足报警条件;
当所述脱附诊断系统的诊断结果满足所述报警条件时,生成报警信息并发送至预设的用户设备。
在另一个具体应用场景中,所述脱附诊断方法可以包括:
获取上一次脱附诊断与当前时刻的脱附间隔时长;
获取最近两次脱附诊断的所述脱附压力数据,并计算最近两次所述脱附诊断的所述脱附压力数据之间的相似度;
当所述相似度低于预设相似度时,缩短所述预定间隔时长;
将缩短时长后的所述预定间隔时长和所述脱附间隔时长进行比对,当所述脱附间隔时长不小于所述预定间隔时长时,获取所述发动机的运行信息;
基于所述发动机的运行信息,获取所述诊断指令和所述诊断指令对应的脱附策略,所述脱附策略包括所述发动机对所述炭罐的脱附时长;
当获取到诊断指令后,基于所述脱附策略,控制所述发动机保持稳定工况以对所述炭罐进行脱附;
控制所述开关阀保持关闭状态,并利用所述压力检测模块获取所述脱附压力数据,所述脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,所述开关阀设置于所述炭罐和油箱之间的管路上;
获取发动机的运行信息,并将所述发动机的运行信息和所述脱附压力数据输入至脱附诊断模型,以得到所述发动机的运行信息和所述脱附压力数据对应的诊断结果,所述诊断结果用于指示是否满足报警条件;
当所述脱附诊断系统的诊断结果满足所述报警条件时,生成报警信息并发送至预设的用户设备。
其中,上述脱附策略的获取过程可以包括:
将所述发动机的运行信息输入至脱附策略模型,以得到所述发动机的运行信息对应的脱附策略;
所述脱附策略模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括真实环境下的所述发动机的样本运行信息及其对应的脱附策略的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述发动机的样本运行信息输入至预设的第一深度学习模型,以得到所述训练数据对应的脱附策略的预测数据;
基于所述训练数据对应的脱附策略的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述脱附策略模型;如果否,则利用下一个所述训练数据继续训练所述第一深度学习模型。
(装置实施例)
参见图5,图5示出了本申请提供的一种脱附诊断装置的结构示意图。
本申请实施例还提供了一种脱附诊断装置,其具体实现方式与上述方法实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
所述脱附诊断装置包括:
压差获取模块101,用于当获取到诊断指令后,利用压力检测模块获取脱附压力数据,所述脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,所述开关阀设置于所述炭罐和油箱之间的管路上;
条件判断模块102,用于基于所述脱附压力数据,判断所述脱附诊断系统的诊断结果是否满足报警条件;
诊断报警模块103,用于当所述脱附诊断系统的诊断结果满足所述报警条件时,生成报警信息并发送至预设的用户设备。
在一些可选的实施方式中,在获取所述诊断指令之前,所述脱附诊断装置还包括:
时长获取模块,用于获取上一次脱附诊断与当前时刻的脱附间隔时长;
运行信息获取模块,用于当所述脱附间隔时长不小于预定间隔时长时,获取发动机的运行信息;
测量获取模块,用于基于所述发动机的运行信息,获取所述诊断指令和所述诊断指令对应的脱附策略,所述脱附策略包括所述发动机对所述炭罐的脱附时长;
所述压差获取模块,包括:
脱附控制单元,用于基于所述脱附策略,控制所述发动机保持稳定工况以对所述炭罐进行脱附;
压力获取单元,用于控制所述开关阀保持关闭状态,并利用所述压力检测模块获取所述脱附压力数据。
在一些可选的实施方式中,所述当所述脱附间隔时长不小于预定间隔时长时,获取发动机的运行信息,包括:
获取最近两次脱附诊断的所述脱附压力数据,并计算最近两次所述脱附诊断的所述脱附压力数据之间的相似度;
当所述相似度低于预设相似度时,缩短所述预定间隔时长;
将缩短时长后的所述预定间隔时长和所述脱附间隔时长进行比对,当所述脱附间隔时长不小于所述预定间隔时长时,获取所述发动机的运行信息。
在一些可选的实施方式中,所述脱附策略的获取过程包括:
将所述发动机的运行信息输入至脱附策略模型,以得到所述发动机的运行信息对应的脱附策略;
其中,所述脱附策略模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括真实环境下的所述发动机的样本运行信息及其对应的脱附策略的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述发动机的样本运行信息输入至预设的第一深度学习模型,以得到所述训练数据对应的脱附策略的预测数据;
基于所述训练数据对应的脱附策略的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述脱附策略模型;如果否,则利用下一个所述训练数据继续训练所述第一深度学习模型。
在一些可选的实施方式中,判断所述脱附诊断系统的诊断结果是否满足报警条件的过程,包括:
若所述脱附压力数据所指示的压力波动幅值不大于预设的压力波动阈值,则确定所述脱附诊断系统的诊断结果满足报警条件,否则确定所述脱附诊断系统的诊断结果不满足报警条件;和/或,
获取发动机的运行信息,并将所述发动机的运行信息和所述脱附压力数据输入至脱附诊断模型,以得到所述发动机的运行信息和所述脱附压力数据对应的诊断结果,所述诊断结果用于指示是否满足报警条件。
(系统实施例)
参见图6,图6示出了本申请提供的一种脱附诊断系统的结构框图。其具体实现方式与上述方法实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
本申请实施例还提供了一种脱附诊断系统300,所述脱附诊断系统300包括开关阀301、压力检测模块303和装置实施例所述的脱附诊断装置302;
所述开关阀301设置于炭罐和油箱之间的管路上,用于所述炭罐和所述油箱的导通和关闭;
所述压力检测模块303连接所述开关阀301的两端,用于获取所述开关阀301靠近炭罐一端的压力波动幅值。
在一些可选的实施方式中,所述压力检测模块303可以包括第一压力传感器和第二压力传感器,所述第一压力传感器和所述第二压力传感器分别设置于所述开关阀301的两端;或,
所述压力检测模块303包括压差传感器,所述压差传感器分别与所述开关阀301的两端连通。
在一些可选的实施方式中,脱附诊断系统300还包括气泵,所述气泵设置于所述开关阀301和所述炭罐之间。
在一个具体应用中,压力检测模块303分别连接气泵靠近炭罐的一端和开关阀301靠近油箱的一端。由此,压力检测模块303可以获取气泵和开关阀301相背的两个端口之间的压力数据。
(设备实施例)
参见图7,图7示出了本申请提供的一种电子设备200的结构示意图。电子设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)211和/或高速缓存存储器212,还可以进一步包括只读存储器(ROM)213。
其中,存储器210还存储有计算机程序,计算机程序可以被处理器220执行,使得处理器220实现上述任一项方法的步骤,其具体实现方式与上述方法实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
存储器210还可以包括具有至少一个程序模块215的实用工具214,这样的程序模块215包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例的每一个或某种组合中可能包括网络环境的实现。
相应的,处理器220可以执行上述计算机程序,以及可以执行实用工具214。
总线230可以为表示几类总线结构的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
电子设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信,还可与一个或者多个能够与该电子设备200交互的设备通信,和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且,电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
(介质实施例)
本申请实施例还提供了一种计算机可读存储介质,其具体实现方式与上述方法实施例中记载的实施方式、所达到的技术效果一致,部分内容不再赘述。
该计算机可读存储介质用于存储计算机程序;所述计算机程序被执行时实现本申请实施例中上述方法的步骤。
参见图8,图8示出了本申请提供的一种程序产品的结构框图,所述程序产品用于实现上述任一项方法。其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是,在本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a、b和c可以是单个,也可以是多个。值得注意的是,“至少一项(个)”还可以解释成“一项(个)或多项(个)”。
本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是被配置成区别类似的对象,而不必被配置成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,以便这里描述的本申请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。
Claims (10)
1.一种脱附诊断方法,其特征在于,所述方法包括:
当获取到诊断指令后,利用压力检测模块获取脱附压力数据,所述脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,所述开关阀设置于所述炭罐和油箱之间的管路上;
基于所述脱附压力数据,判断所述脱附诊断系统的诊断结果是否满足报警条件;
当所述脱附诊断系统的诊断结果满足所述报警条件时,生成报警信息并发送至预设的用户设备。
2.根据权利要求1所述的脱附诊断方法,其特征在于,在获取所述诊断指令之前,所述方法还包括:
获取上一次脱附诊断与当前时刻的脱附间隔时长;
当所述脱附间隔时长不小于预定间隔时长时,获取发动机的运行信息;
基于所述发动机的运行信息,获取所述诊断指令和所述诊断指令对应的脱附策略,所述脱附策略包括所述发动机对所述炭罐的脱附时长;
所述利用压力检测模块获取脱附压力数据,包括:
基于所述脱附策略,控制所述发动机保持稳定工况以对所述炭罐进行脱附;
控制所述开关阀保持关闭状态,并利用所述压力检测模块获取所述脱附压力数据。
3.根据权利要求2所述的脱附诊断方法,其特征在于,所述当所述脱附间隔时长不小于预定间隔时长时,获取发动机的运行信息,包括:
获取最近两次脱附诊断的所述脱附压力数据,并计算最近两次所述脱附诊断的所述脱附压力数据之间的相似度;
当所述相似度低于预设相似度时,缩短所述预定间隔时长;
将缩短时长后的所述预定间隔时长和所述脱附间隔时长进行比对,当所述脱附间隔时长不小于所述预定间隔时长时,获取所述发动机的运行信息。
4.根据权利要求3所述的脱附诊断方法,其特征在于,所述脱附策略的获取过程包括:
将所述发动机的运行信息输入至脱附策略模型,以得到所述发动机的运行信息对应的脱附策略;
其中,所述脱附策略模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括真实环境下的所述发动机的样本运行信息及其对应的脱附策略的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述发动机的样本运行信息输入至预设的第一深度学习模型,以得到所述训练数据对应的脱附策略的预测数据;
基于所述训练数据对应的脱附策略的预测数据和标注数据,对所述第一深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述第一深度学习模型作为所述脱附策略模型;如果否,则利用下一个所述训练数据继续训练所述第一深度学习模型。
5.根据权利要求1所述的脱附诊断方法,其特征在于,判断所述脱附诊断系统的诊断结果是否满足报警条件的过程,包括:
若所述脱附压力数据所指示的压力波动幅值不大于预设的压力波动阈值,则确定所述脱附诊断系统的诊断结果满足报警条件,否则确定所述脱附诊断系统的诊断结果不满足报警条件;和/或,
获取发动机的运行信息,并将所述发动机的运行信息和所述脱附压力数据输入至脱附诊断模型,以得到所述发动机的运行信息和所述脱附压力数据对应的诊断结果,所述诊断结果用于指示是否满足报警条件。
6.一种脱附诊断装置,其特征在于,所述脱附诊断装置包括:
压差获取模块,用于当获取到诊断指令后,利用压力检测模块获取脱附压力数据,所述脱附压力数据用于指示开关阀靠近炭罐一端的压力波动幅值,所述开关阀设置于所述炭罐和油箱之间的管路上;
条件判断模块,用于基于所述脱附压力数据,判断所述脱附诊断系统的诊断结果是否满足报警条件;
诊断报警模块,用于当所述脱附诊断系统的诊断结果满足所述报警条件时,生成报警信息并发送至预设的用户设备。
7.一种脱附诊断系统,其特征在于,所述脱附诊断系统包括开关阀、压力检测模块和权利要求6所述的脱附诊断装置;
所述开关阀设置于炭罐和油箱之间的管路上,用于所述炭罐和所述油箱的导通和关闭;
所述压力检测模块连接所述开关阀的两端,用于获取所述开关阀靠近炭罐一端的压力波动幅值。
8.根据权利要求7所述的脱附诊断系统,其特征在于,所述压力检测模块包括第一压力传感器和第二压力传感器,所述第一压力传感器和所述第二压力传感器分别设置于所述开关阀的两端;或,
所述压力检测模块包括压差传感器,所述压差传感器分别与所述开关阀的两端连通。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-5任一项所述方法的步骤。
10.一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程序,所述计算机程序被处理器执行时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310309221.6A CN116428083A (zh) | 2023-03-27 | 2023-03-27 | 脱附诊断方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310309221.6A CN116428083A (zh) | 2023-03-27 | 2023-03-27 | 脱附诊断方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116428083A true CN116428083A (zh) | 2023-07-14 |
Family
ID=87091884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310309221.6A Pending CN116428083A (zh) | 2023-03-27 | 2023-03-27 | 脱附诊断方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116428083A (zh) |
-
2023
- 2023-03-27 CN CN202310309221.6A patent/CN116428083A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107152354B (zh) | 一种车辆燃油蒸发系统泄漏诊断装置及其诊断方法 | |
US8181631B2 (en) | Hydrocarbon storage canister purge system and method | |
US8327691B2 (en) | Vacuum decay testing method | |
US8935081B2 (en) | Fuel system blockage detection and blockage location identification systems and methods | |
CN112031946B (zh) | 燃油蒸发系统故障诊断方法 | |
CN104632471B (zh) | 调节燃料箱隔离阀的方法和系统 | |
CN113009903B (zh) | 一种故障诊断方法、装置、车辆及存储介质 | |
US20150219522A1 (en) | Correlation based fuel tank leak detection | |
CN110031160A (zh) | 燃油蒸发泄漏检测系统及方法 | |
JP2015527517A (ja) | 衝突時に燃料システム内の圧力を解放するための方法 | |
US5794599A (en) | Method for checking the tightness of a tank system of a vehicle having an internal combustion engine | |
CN114215664B (zh) | 一种燃油车用蒸发系统泄漏诊断方法及系统 | |
US20020157655A1 (en) | Method and device for the low-emission operation of a fuel cell tank system, especially of a motor vehicle | |
KR20170025156A (ko) | 차량 연료 시스템의 리크 진단 방법 및 그 진단 장치 | |
CN116428083A (zh) | 脱附诊断方法及相关装置 | |
Wu et al. | Study on leak detection model and influencing factors of vehicle fuel evaporation system | |
CN115628166B (zh) | 应用于车辆中的油箱压力控制方法、装置、设备及介质 | |
CN114352442B (zh) | 一种燃油蒸发系统诊断方法及装置 | |
CN113815599B (zh) | 用于混合动力车辆的控制方法、控制装置及混合动力车辆 | |
JP7467387B2 (ja) | 蒸発燃料処理システムの漏れ診断装置 | |
CN111999000B (zh) | 油箱泄漏诊断方法、装置、汽车及计算机可读存储介质 | |
CN109630267B (zh) | 一种汽油发动机车辆加油状态检测方法 | |
CN114112189B (zh) | 油箱压力传感器的故障检测方法、装置、设备和介质 | |
CN116256130A (zh) | 泄漏检测方法、电子设备、系统及计算机可读存储介质 | |
KR102663204B1 (ko) | 차량용 연료계통의 리크진단시스템 및 리크진단방법 |
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 |