CN116576033B - 一种基于车联网大数据的发动机空燃比的预测与监控方法 - Google Patents
一种基于车联网大数据的发动机空燃比的预测与监控方法 Download PDFInfo
- Publication number
- CN116576033B CN116576033B CN202310846300.0A CN202310846300A CN116576033B CN 116576033 B CN116576033 B CN 116576033B CN 202310846300 A CN202310846300 A CN 202310846300A CN 116576033 B CN116576033 B CN 116576033B
- Authority
- CN
- China
- Prior art keywords
- engine
- air
- fuel ratio
- vehicle
- speed
- 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.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 26
- 230000001133 acceleration Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 230000008092 positive effect Effects 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 238000002347 injection Methods 0.000 claims description 6
- 239000007924 injection Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000008093 supporting effect Effects 0.000 abstract description 3
- 239000003344 environmental pollutant Substances 0.000 abstract description 2
- 231100000719 pollutant Toxicity 0.000 abstract description 2
- 238000002485 combustion reaction Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1438—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor
- F02D41/1444—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases
- F02D41/1454—Introducing closed-loop corrections using means for determining characteristics of the combustion gases; Sensors therefor characterised by the characteristics of the combustion gases the characteristics being an oxygen content or concentration or the air-fuel ratio
-
- 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
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
- F02D41/2454—Learning of the air-fuel ratio control
-
- 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
本发明提供了一种基于车联网大数据的发动机空燃比的预测与监控方法,包括以下步骤:S1,获取车机端所有车辆行驶数据,并对车辆行驶数据进行预处理,得到发动机转速、车辆速度、发动机水温、加速踏板行程、纵向加速度的数据;S2,根据发动机水温数据判断车辆当前时刻的状态是冷启动场景还是热启动场景,通过利用车机端实时返回的数据,可以较为准确地预测发动机的空燃比值,为发动机控制提供较好的参考值,同时可以实现实时监测和调整,使发动机保持在最佳工作状态,降低油耗和污染物排放,从而提高了发动机性能、实用性和环保性能,降低了制造成本,同时也增强了主机厂技术服务能力,提升品牌影响力具有重要的支撑作用。
Description
技术领域
本发明涉及大数据处理技术领域,更具体地说,涉及一种基于车联网大数据的发动机空燃比的预测与监控方法。
背景技术
发动机的空燃比值是指空气与燃料在发动机燃烧室内的混合比例,是确定内燃机能否正常工作的重要参数。过高或过低的空燃比值都会对发动机的性能、燃油消耗和排放产生负面影响。在当前环保愈加重要的环境下,能够准确的预测和控制发动机的空燃比值已成为汽车工业研究的热点之一。
虽然一些新车型已经安装了传感器来记录空燃比值,但大部分车型仍然没有这个功能。而传统的空燃比值控制方法通常采用PID控制,但该方法需要重复的参数调整,而且难以处理复杂的非线性效应问题。
发明内容
本发明要解决的技术问题在于,针对上述技术方案存在的不足,提供一种能对发动机空燃比的准确预测和智能化控制的基于车联网大数据的发动机空燃比的预测与监控方法。
本发明提供一种基于车联网大数据的发动机空燃比的预测与监控方法,所述方法包括以下步骤:
S1,获取车机端所有车辆行驶数据,并对车辆行驶数据进行预处理,得到发动机转速、车辆速度、发动机水温、加速踏板行程、纵向加速度数据;
S2,根据发动机水温数据判断车辆当前时刻的状态是冷启动场景还是热启动场景,根据不同的场景构建与发动机空燃比值相关的特征,并对与发动机空燃比值相关的特征进行标准化处理;
S3,采用机器学习算法训练模型预测不同场景的发动机空燃比值,并构建优化及评估模型;
S4,根据步骤S3预测得到发动机的空燃比值,进行状态识别并判断发动机是否存在工作状态异常的风险。
本发明所述的基于车联网大数据的发动机空燃比的预测与监控方法中;所述步骤S2包括以下步骤:
S21,若车辆当前时刻的发动机水温小于k度时为冷启动场景,根据所述冷启动场景构建与发动机空燃比值相关的特征,所述特征包括车速、发动机转速、加速踏板行程、纵向加速度、车速变化量、发动机转速变化量、加速踏板行程变化量、高速行驶标签、加速标签、高发动机转速标签与出行拥堵标签,其中所述车速变化量公式为:,所述发动机转速变化量公式为:/>,所述加速踏板行程变化量公式为:/>,其中,t表示当前时刻,t-1表示上一时刻,Speed表示为车速,Erpm表示为发动机转速,Pal表示为加速踏板行程。
本发明所述的基于车联网大数据的发动机空燃比的预测与监控方法中;所述步骤S2还包括以下步骤:
S22,所述高速行驶标签构建判断规则为若当前时刻的车速大于车速的变化阈值/>为正影响,否则为负影响;所述加速标签构建判断规则为如果当前时刻的加速踏板行程/>大于加速踏板行程变化的阈值/>为正影响,否则为负影响;所述高发动机转速标签构建判断规则为若当前时刻的发动机转速/>大于发动机转速的变化阈值/>为正影响,否则为负影响;所述出行拥堵标签构建判断规则为如果当前时刻的时间/>大于等于/>点且小于等于/>点,或当前时刻的时间/>大于等于/>点且小于等于/>点为正影响,否则为负影响。
本发明所述的基于车联网大数据的发动机空燃比的预测与监控方法中;所述步骤S2还包括以下步骤:
S23,若车辆当前时刻的发动机水温大于k度时为热启动场景,根据所述热启动场景构建与发动机空燃比值相关的特征,所述特征包括车速、发动机转速、加速踏板行程、纵向加速度、车速变化量、发动机转速变化量、加速踏板行程变化量、低速行驶标签、减速标签、低发动机转速标签、出行拥堵标签。
本发明所述的基于车联网大数据的发动机空燃比的预测与监控方法中;所述步骤S2还包括以下步骤:
S24,所述低速行驶标签构建判断规则为如果当前时刻的车速小于等于车速的变化阈值/>为正影响,否则为负影响;所述减速标签构建判断规则为如果当前时刻的加速踏板行程/>小于等于加速踏板行程的变化阈值/>为正影响,否则为负影响;所述低发动机转速标签构建判断规则为如果当前时刻的发动机转速小于等于发动机转速的变化阈值/>为正影响,否则为负影响。
本发明所述的基于车联网大数据的发动机空燃比的预测与监控方法中;所述步骤S2还包括以下步骤:
S25,将步骤S22与S24构建的特征进行标准化处理,其中标准化公式:;其中,/>表示当前时刻数据;/>表示当前时刻所有车辆数据的均值;/>表示数据的标准差,/>表示标准化后的值。
本发明所述的基于车联网大数据的发动机空燃比的预测与监控方法中;所述步骤S3包括以下步骤:
S31,选用带有传感器记录发动机空燃比值的车辆,并将车辆的行驶数据划分为训练集和测试集;
S32,基于机器学习算法训练模型预测训练集的发动机空燃比值;
S33,基于lightGBM模型优化预测的发动机空燃比值;
S34,采用R方、平均绝对误差评估指标判断优化后的发动机空燃比值,得到车辆当前时刻最终的发动机空燃比值;
S35,根据实际业务场景,将最终的发动机空燃比值集成到发动机控制系统中,进行实时预测和调整发动机空燃比值,使其保持在最佳的工作状态。
本发明所述的基于车联网大数据的发动机空燃比的预测与监控方法中;在所述步骤S4中当预测的空燃比值大于14.7时为加浓状态,若监测到的空燃比值为加浓状态,则触发空燃比值加浓预警,并控制发动机的喷油量、进气量参数以确保空气和燃油的混合比例恢复到正常范围内,使其保持在最佳工作状态。
本发明所述的基于车联网大数据的发动机空燃比的预测与监控方法中;在所述步骤S4中当预测的空燃比值小于14.7时为断油状态,若监测到空燃比值为断油状态,则触发空燃比值断油预警,并控制发动机的喷油量、进气量参数以确保空气和燃油的混合比例恢复到正常范围内,使其保持在最佳工作状态。
本发明所述的基于车联网大数据的发动机空燃比的预测与监控方法中;所述车速的变化阈值、加速踏板行程的变化阈值/>与发动机转速的变化阈值/>根据车型型号进行具体设置。
本发明的基于车联网大数据的发动机空燃比的预测与监控方法通过利用车机端实时返回的数据,可以较为准确地预测发动机的空燃比值,为发动机控制提供较好的参考值,同时可以实现实时监测和调整,使发动机保持在最佳工作状态,降低油耗和污染物排放,从而提高了发动机性能、实用性和环保性能,降低了制造成本,同时也增强了主机厂技术服务能力,提升品牌影响力具有重要的支撑作用。
附图说明
图1是本发明基于车联网大数据的发动机空燃比的预测与监控方法实施例的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语 “第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或 设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示,是本发明一种基于车联网大数据的发动机空燃比的预测与监控方法实施例的流程示意图。提供一种基于车联网大数据的发动机空燃比的预测与监控方法,包括以下步骤:
在S1步骤中,获取车机端所有车辆行驶数据,并对车辆行驶数据进行预处理,得到发动机转速、车辆速度、发动机水温、加速踏板行程、纵向加速度的数据;
车机端通过CAN将行驶数据传输至云端,从中选择发动机转速、车辆速度、发动机水温、加速踏板行程、纵向加速度等关键数据。
预处理包括对对采集到得行驶数据进行清洗,将无效数据、异常数据剔除。
在步骤S2中,根据发动机水温数据判断车辆当前时刻的状态是冷启动场景还是热启动场景,根据不同的场景构建与发动机空燃比值相关的特征,并对与发动机空燃比值相关的特征进行标准化处理;用于判断车辆此时是热启动状态还是冷启动状态,根据不同状态构建符合的特征。更精确地预测当前时刻空燃比值。
提取每辆车当前时刻的行驶数据,并取出当前对应的行驶数据记录的发动机水温数据,以判断车辆启动时是冷启动场景还是热启动场景。其中,行驶记录是分段式记录,即一段行程是从车辆开始行驶至车辆停止,一天一辆车会有多条行驶数据。
若车辆当前时刻的发动机水温小于k度时,其中,k值根据不同车型设定,那么从车辆刚启动到发动机水温达到k度的过程即为冷启动场景,此过程只要几分钟就能完成。此场景需提取车辆当前的行驶数据,以及上一条的行驶数据进行构建特征。
若车辆当前时刻的水温大于k度时,其中,k值根据不同车型设定,那么车辆从当前时刻到车辆停止的过程即为热启动场景。此场景需提取车辆当前的行驶数据,以及上一条的行驶数据进行构建特征。
在步骤S3中,采用机器学习算法训练模型预测不同场景的发动机空燃比值,并构建优化及评估模型;
在步骤S4中,根据步骤S3预测得到发动机的空燃比值,进行状态识别并判断发动机是否存在工作状态异常的风险。用于判断发动机是否存在工作状态异常风险。
在一实施例中,所述步骤S2包括以下步骤:
在步骤S21中,若车辆当前时刻的发动机水温小于k度时为冷启动场景,根据所述冷启动场景构建与发动机空燃比值相关的特征,所述特征包括车速、发动机转速、加速踏板行程、纵向加速度、车速变化量、发动机转速变化量、加速踏板行程变化量、高速行驶标签、加速标签、高发动机转速标签与出行拥堵标签,其中所述车速变化量公式为:,所述发动机转速变化量公式为:/>,所述加速踏板行程变化量公式为:/>,其中,t表示当前时刻,t-1表示上一时刻,Speed表示为车速,Erpm表示为发动机转速,Pal表示为加速踏板行程。
在一实施例中,所述步骤S2还包括以下步骤:
在步骤S22中,所述高速行驶标签构建判断规则为若当前时刻的车速大于车速的变化阈值/>为正影响,否则为负影响;所述加速标签构建判断规则为如果当前时刻的加速踏板行程/>大于加速踏板行程变化的阈值/>为正影响,否则为负影响;所述高发动机转速标签构建判断规则为若当前时刻的发动机转速/>大于发动机转速的变化阈值/>为正影响,否则为负影响;所述出行拥堵标签构建判断规则为如果当前时刻的时间/>大于等于/>点且小于等于/>点,或当前时刻的时间/>大于等于/>点且小于等于/>点为正影响,否则为负影响。
在一实施例中,所述步骤S2还包括以下步骤:
在步骤S23中,若车辆当前时刻的发动机水温大于k度时为热启动场景,根据所述热启动场景构建与发动机空燃比值相关的特征,所述特征包括车速、发动机转速、加速踏板行程、纵向加速度、车速变化量、发动机转速变化量、加速踏板行程变化量、低速行驶标签、减速标签、低发动机转速标签、出行拥堵标签。
在一实施例中,所述步骤S2还包括以下步骤:
在步骤S24中,所述低速行驶标签构建判断规则为如果当前时刻的车速小于等于车速的变化阈值/>为正影响,否则为负影响;所述减速标签构建判断规则为如果当前时刻的加速踏板行程/>小于等于加速踏板行程的变化阈值为正影响,否则为负影响;所述低发动机转速标签构建判断规则为如果当前时刻的发动机转速/>小于等于发动机转速的变化阈值/>为正影响,否则为负影响。
在一实施例中,所述步骤S2还包括以下步骤:
在步骤S25中,将步骤S22与S24构建的特征进行标准化处理,其中标准化公式:;其中,/>表示当前时刻数据;/>表示当前时刻所有车辆数据的均值;/>表示数据的标准差,/>表示标准化后的值。将步骤步骤S22与S24构建的特征进行标准化处理的目的是为了消除特征之间的量级差异。
在一实施例中,所述步骤S3包括以下步骤:
在步骤S31中,选用带有传感器记录发动机空燃比值的车辆,并将车辆的行驶数据划分为训练集和测试集;
在步骤S32中,基于机器学习算法训练模型预测训练集的发动机空燃比值;
在步骤S33中,基于lightGBM模型优化预测的发动机空燃比值;
其目的是分别对冷启动场景与热启动场景优化各自模型的参数。采用交叉验证技术和网格搜索优化模型参数,使冷启动场景与热启动场景都找到各自的最佳参数组合,以提高模型的泛化能力和预测精度。
在步骤S34中,采用R方、平均绝对误差评估指标判断优化后的发动机空燃比值,得到车辆当前时刻最终的发动机空燃比值;
在步骤S35中,根据实际业务场景,将最终的发动机空燃比值集成到发动机控制系统中,进行实时预测和调整发动机空燃比值,使其保持在最佳的工作状态。
在一实施例中,在所述步骤S4中当预测的空燃比值大于14.7时为加浓状态,若监测到的空燃比值为加浓状态,则触发空燃比值加浓预警,并控制发动机的喷油量、进气量参数以确保空气和燃油的混合比例恢复到正常范围内,使其保持在最佳工作状态。说明此时燃油过多空气过少,导致燃烧不充分,油耗增加,而且产生更多的CO与HC有害气体,极易导致排放量不满足国家法规。需要说明的是理论空燃比值为14.7。汽车的理论空燃比值是14.7:1,这里的14.7指的是进入的空气数量,1指的是燃油,最佳的空气和燃油的比例就是14.7:1。
空气压缩的比例越高,注入发动机内的空气密度越高,氧气成分也越高,所以燃烧越充分,动力更强劲,越节油。
在一实施例中,在所述步骤S4中当预测的空燃比值小于14.7时为断油状态,若监测到空燃比值为断油状态,则触发空燃比值断油预警,并控制发动机的喷油量、进气量参数以确保空气和燃油的混合比例恢复到正常范围内,使其保持在最佳工作状态。说明此时空气过多燃油过少,燃油供应量不足。容易导致熄火,车辆无法运行,以及会产生更多的Nox有害气体。
在一实施例中,所述车速的变化阈值、加速踏板行程的变化阈值/>与发动机转速的变化阈值/>根据车型型号进行具体设置。
具体的,随机取一辆车对特征进行标准化处理:
(1)对车速进行标准化处理:
当前t时刻车速标准化后:
;
其中表示当前车速,/>表示车速的均值,/>表示车速的标准差,/>表示标准化后的车速,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
当前t时刻车速变化量标准化后:
;
其中表示当前车速变化量,/>表示车速变化量的均值,/>表示车速变化量的标准差,/>表示标准化后的车速变化量,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
t-1时刻的车速标准化后:
;
其中表示t-1时刻的车速,/>表示车速的均值,/>表示车速的标准差,/>表示标准化后的车速,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
(2)发动机转速:
当前t时刻发动机转速标准化后:
;
其中表示当前时刻发动机转速,/>表示发动机转速的均值,表示发动机转速的标准差,/>表示标准化后的发动机转速,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
当前t时刻发动机转速变化量标准化后:
;
其中表示当前发动机转速变化量,/>表示发动机转速变化量的均值,/>表示发动机转速变化量的标准差,/>表示标准化后的发动机转速变化量,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
t-1时刻的发动机转速标准化后:
;
其中表示t-1时刻的发动机转速,/>表示发动机转速的均值,表示发动机转速的标准差,/>表示标准化后的发动机转速,将其代入模型预测空燃比值。
(3)加速踏板行程:
当前t时刻加速踏板行程标准化后:
;
其中表示当前时刻加速踏板行程,/>表示加速踏板行程的均值,表示加速踏板行程的标准差,/>表示标准化后的加速踏板行程,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
当前t时刻加速踏板行程变化量标准化后:
;
其中表示当前加速踏板行程变化量,/>表示加速踏板行程变化量的均值,/>表示加速踏板行程变化量的标准差,/>表示标准化后的加速踏板行程变化量,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
t-1时刻的加速踏板行程标准化后:
;
其中表示t-1时刻的加速踏板行程,/>表示加速踏板行程的均值,表示加速踏板行程的标准差,/>表示标准化后的加速踏板行程,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
(4)纵向加速度:
当前t时刻纵向加速度标准化后:
;
其中表示当前时刻纵向加速度,/>表示纵向加速度的均值,表示纵向加速度的标准差,/>表示标准化后的纵向加速度,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
(5)发动机水温:
当前t时刻水温标准化后:
;
其中表示当前时刻水温,/>表示水温的均值,/>表示水温的标准差,/>表示标准化后的水温,将其代入机器学习算法训练模型预测不同场景的发动机空燃比值。
冷启动场景部分特征处理的结果如下表1所示:
表1
热启动场景部分特征处理的结果如下表2所示:
表2
本发明实施例提供的一种基于车联网大数据的发动机空燃比的预测与监控方法的有益效果至少在于:
1、相比于传统的空燃比值控制方法,本发明通过利用车联网大数据,省去了传感器的安装和维护成本,降低了制造成本。
2、本发明利用车联网大数据进行建模和预测,能够准确预测发动机的空燃比值,为发动机调整、优化和设计提供更准确的数据和信息。
3、通过实时监控和调整发动机的空燃比值,可以实现对发动机工作状态的智能化控制,提高发动机的性能和实用性。
4、通过精确控制发动机的空燃比值,能够降低排放的有害气体,能更好地满足环保法规的要求,减少排出的汽车尾气对环境造成污染。
5、本发明通过为主机厂提供了一种创新的发动机空燃比值预测与监控方法,能够提升发动机性能、实用性和环保性能,进一步满足客户需求,同时也增强了主机厂技术服务能力,提升品牌影的响力具有重要的支撑作用。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软 件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如 ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
因此,以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,所述方法包括以下步骤:
S1,获取车机端所有车辆行驶数据,并对车辆行驶数据进行预处理,得到发动机转速、车辆速度、发动机水温、加速踏板行程、纵向加速度的数据;
S2,根据发动机水温数据判断车辆当前时刻的状态是冷启动场景还是热启动场景,根据不同的场景构建与发动机空燃比值相关的特征,并对与发动机空燃比值相关的特征进行标准化处理;
S3,采用机器学习算法训练模型预测不同场景的发动机空燃比值,并构建优化及评估模型;
S4,根据步骤S3预测得到发动机的空燃比值,进行状态识别并判断发动机是否存在工作状态异常的风险。
2.根据权利要求1所述的基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,所述步骤S2包括以下步骤:
S21,若车辆当前时刻的发动机水温小于k度时为冷启动场景,根据所述冷启动场景构建与发动机空燃比值相关的特征,所述特征包括车速、发动机转速、加速踏板行程、纵向加速度、车速变化量、发动机转速变化量、加速踏板行程变化量、高速行驶标签、加速标签、高发动机转速标签与出行拥堵标签,其中所述车速变化量公式为:,所述发动机转速变化量公式为:/>,所述加速踏板行程变化量公式为:/>,其中,t表示当前时刻,t-1表示上一时刻,Speed表示为车速,Erpm表示为发动机转速,Pal表示为加速踏板行程。
3.根据权利要求2所述的基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,所述步骤S2还包括以下步骤:
S22,所述高速行驶标签构建判断规则为若当前时刻的车速大于车速的变化阈值/>为正影响,否则为负影响;所述加速标签构建判断规则为如果当前时刻的加速踏板行程/>大于加速踏板行程变化的阈值/>为正影响,否则为负影响;所述高发动机转速标签构建判断规则为若当前时刻的发动机转速/>大于发动机转速的变化阈值/>为正影响,否则为负影响;所述出行拥堵标签构建判断规则为如果当前时刻的时间/>大于等于/>点且小于等于/>点,或当前时刻的时间/>大于等于/>点且小于等于/>点为正影响,否则为负影响。
4.根据权利要求3所述的基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,所述步骤S2还包括以下步骤:
S23,若车辆当前时刻的发动机水温大于k度时为热启动场景,根据所述热启动场景构建与发动机空燃比值相关的特征,所述特征包括车速、发动机转速、加速踏板行程、纵向加速度、车速变化量、发动机转速变化量、加速踏板行程变化量、低速行驶标签、减速标签、低发动机转速标签、出行拥堵标签。
5.根据权利要求4所述的基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,所述步骤S2还包括以下步骤:
S24,所述低速行驶标签构建判断规则为如果当前时刻的车速小于等于车速的变化阈值/>为正影响,否则为负影响;所述减速标签构建判断规则为如果当前时刻的加速踏板行程/>小于等于加速踏板行程的变化阈值/>为正影响,否则为负影响;所述低发动机转速标签构建判断规则为如果当前时刻的发动机转速小于等于发动机转速的变化阈值/>为正影响,否则为负影响。
6.根据权利要求5所述的基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,所述步骤S2还包括以下步骤:
S25,将步骤S22与S24构建的特征进行标准化处理,其中标准化公式:;其中,表示当前时刻数据;/>表示当前时刻所有车辆数据的均值;/>表示数据的标准差,/>表示标准化后的值。
7.根据权利要求6所述的基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,所述步骤S3包括以下步骤:
S31,选用带有传感器记录发动机空燃比值的车辆,并将车辆的行驶数据划分为训练集和测试集;
S32,基于机器学习算法训练模型预测训练集的发动机空燃比值;
S33,基于lightGBM模型优化预测的发动机空燃比值;
S34,采用R方、平均绝对误差评估指标判断优化后的发动机空燃比值,得到车辆当前时刻最终的发动机空燃比值;
S35,根据实际业务场景,将最终的发动机空燃比值集成到发动机控制系统中,进行实时预测和调整发动机空燃比值,使其保持在最佳的工作状态。
8.根据权利要求7所述的基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,在所述步骤S4中当预测的空燃比值大于14.7时为加浓状态,若监测到的空燃比值为加浓状态,则触发空燃比值加浓预警,并控制发动机的喷油量、进气量参数以确保空气和燃油的混合比例恢复到正常范围内,使其保持在最佳工作状态。
9.根据权利要求8所述的基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,在所述步骤S4中当预测的空燃比值小于14.7时为断油状态,若监测到空燃比值为断油状态,则触发空燃比值断油预警,并控制发动机的喷油量、进气量参数以确保空气和燃油的混合比例恢复到正常范围内,使其保持在最佳工作状态。
10.根据权利要求7所述的基于车联网大数据的发动机空燃比的预测与监控方法,其特征在于,所述车速的变化阈值、加速踏板行程的变化阈值/>与发动机转速的变化阈值/>根据车型型号进行具体设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846300.0A CN116576033B (zh) | 2023-07-11 | 2023-07-11 | 一种基于车联网大数据的发动机空燃比的预测与监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310846300.0A CN116576033B (zh) | 2023-07-11 | 2023-07-11 | 一种基于车联网大数据的发动机空燃比的预测与监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116576033A CN116576033A (zh) | 2023-08-11 |
CN116576033B true CN116576033B (zh) | 2023-09-08 |
Family
ID=87534401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310846300.0A Active CN116576033B (zh) | 2023-07-11 | 2023-07-11 | 一种基于车联网大数据的发动机空燃比的预测与监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116576033B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6161531A (en) * | 1999-09-15 | 2000-12-19 | Ford Motor Company | Engine control system with adaptive cold-start air/fuel ratio control |
CN101586506A (zh) * | 2008-05-23 | 2009-11-25 | 株式会社日立制作所 | 发动机控制装置 |
CN101614161A (zh) * | 2009-07-24 | 2009-12-30 | 东莞市力宇燃气动力有限公司 | 一种空燃比控制装置 |
CN107120204A (zh) * | 2017-06-28 | 2017-09-01 | 上汽通用汽车有限公司 | 控制发动机启动的方法、存储介质及电子设备 |
CN111520242A (zh) * | 2020-04-24 | 2020-08-11 | 深圳市元征科技股份有限公司 | 一种空燃比调整方法及装置 |
-
2023
- 2023-07-11 CN CN202310846300.0A patent/CN116576033B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6161531A (en) * | 1999-09-15 | 2000-12-19 | Ford Motor Company | Engine control system with adaptive cold-start air/fuel ratio control |
CN101586506A (zh) * | 2008-05-23 | 2009-11-25 | 株式会社日立制作所 | 发动机控制装置 |
JP2009281315A (ja) * | 2008-05-23 | 2009-12-03 | Hitachi Ltd | エンジンの制御装置 |
CN101614161A (zh) * | 2009-07-24 | 2009-12-30 | 东莞市力宇燃气动力有限公司 | 一种空燃比控制装置 |
CN107120204A (zh) * | 2017-06-28 | 2017-09-01 | 上汽通用汽车有限公司 | 控制发动机启动的方法、存储介质及电子设备 |
CN111520242A (zh) * | 2020-04-24 | 2020-08-11 | 深圳市元征科技股份有限公司 | 一种空燃比调整方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116576033A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20070233326A1 (en) | Engine self-tuning methods and systems | |
CN112682198B (zh) | 车辆用控制系统、车辆用控制装置及车辆用控制方法 | |
JP2020537087A (ja) | 自動車の排気ガス量の計算 | |
CN103370520B (zh) | 内燃机的控制装置 | |
JP2019190306A (ja) | 未燃燃料量の機械学習装置 | |
WO2014202100A1 (en) | A method for a vehicle | |
CN113176739A (zh) | 车辆用控制装置、车辆控制方法以及存储车辆用控制程序的非瞬时性的计算机可读介质 | |
CN112983608A (zh) | 颗粒捕集器碳载量计算方法、系统、控制器和存储介质 | |
Shen et al. | Challenges and solutions in automotive powertrain systems | |
CN116576033B (zh) | 一种基于车联网大数据的发动机空燃比的预测与监控方法 | |
Malikopoulos et al. | Optimal engine calibration for individual driving styles | |
CN113266481A (zh) | 车辆控制方法、车辆用控制装置以及服务器 | |
Schilling et al. | Model-based detection and isolation of faults due to ageing in the air and fuel paths of common-rail direct injection diesel engines equipped with a λ and a nitrogen oxides sensor | |
KR20200053412A (ko) | 자동차의 파워 트레인을 제어하기 위한 방법 | |
Witaszek | Modeling of fuel consumption using artificial neural networks | |
Hafner et al. | Dynamical identification and control of combustion engine exhaust | |
US11339703B2 (en) | Engine emission prediction system | |
Kaal et al. | Transient Simulation of Nitrogen Oxide Emissions of CI Engines | |
CN114622990A (zh) | 一种发动机失火风险识别方法、装置、设备和介质 | |
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 | |
Wong et al. | Fault Tolerance Automotive Air‐Ratio Control Using Extreme Learning Machine Model Predictive Controller | |
US20200347793A1 (en) | Method and device for controlling a fill level of a catalytic converter for an internal combustion engine | |
CN102108931A (zh) | 基于灰色系统预测理论的汽油发动机点火提前角的预测方法 | |
CN111775943B (zh) | 通过对驾驶行为的预测控制来降低发动机排放的方法 | |
Brahma | Development of dynamic constraint models for a model based transient calibration process |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |