CN117272233B - 柴油机排放预测方法、设备和存储介质 - Google Patents

Abstract

本发明涉及数据处理技术领域，公开了一种柴油机排放预测方法、设备和存储介质。该方法通过获取待预测柴油机的各当前状态数据，并从中确定每个排放特性参数对应的输入数据，进而针对每一个排放特性参数，将对应的输入参数输入至预先训练的混合模糊神经网络模型中，通过各个深度学习网络层分别对输入参数进行预测，得到多个当前预测结果，进而通过模糊推理层，基于预先训练得到的对应的模糊规则对所有当前预测结果进行融合，得到排放特性参数对应的当前预测输出数据，有效解决单一算法无法在所有排放特性参数上都保持较佳预测效果的缺陷，通过模糊规则进一步修正预测结果，提升了柴油机排放特性的预测性能。

Description

柴油机排放预测方法、设备和存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种柴油机排放预测方法、设备和存储介质。

背景技术

柴油机具有热效率高，燃油经济好等优点，被广泛应用为非道路移动机械和道路车辆的动力源。但柴油机也会带来大量的污染物排放。随着相关法规的不断加严，对NOx排放控制技术提出了更高的要求。但控制技术的提高离不开准确的柴油机NOx排放估计。传统的NOx排放估计主要由NOx传感器直接测量和基于MAP图进行拟合两种方法为主，但NOx传感器存在易受环境干扰，成本昂贵，对NH3存在交叉敏感特性等缺点，而基于MAP图进行拟合的方式需要进行大量的标定工作以确定柴油机状态参数和排放之间的映射关系，其过程耗时耗力，并且柴油机实际运行时工况多变，基于MAP图的方式无法有效满足实时性和瞬态预测。

随着人工智能等技术的快速发展，基于机器学习的预测方法在各个领域得到了广泛应用。但研究表明神经网络模型由于结构简单，无法有效在所有排放特性参数上都保持最佳的预测性能。

有鉴于此，特提出本发明。

发明内容

为了解决上述技术问题，本发明提供了一种柴油机排放预测方法、设备和存储介质，解决现有技术中神经网络模型无法在所有排放特性参数上都保持较佳的预测性能的缺陷，提升了柴油机排放特性的预测性能。

本发明实施例提供了一种柴油机排放预测方法，该方法包括：

获取待预测柴油机的各当前状态数据，并从所有当前状态数据中确定每个排放特性参数对应的输入数据；

针对每一个排放特性参数，将所述排放特性参数对应的输入参数输入至预先训练的混合模糊神经网络模型中，其中，所述混合模糊神经网络模型包括多个深度学习网络层和模糊推理层，所述深度学习网络层基于各排放特性参数对应的训练数据集训练得到，在各深度学习网络层训练完成后，在所述模糊推理层中基于各所述训练数据集和各深度学习网络层的预测相关性训练得到各排放特性参数对应的模糊规则，所述模糊规则包括各深度学习网络层的影响权重；

通过各个深度学习网络层，分别对所述输入参数进行预测，得到多个当前预测结果；

通过所述模糊推理层，基于所述排放特性参数对应的模糊规则对所有当前预测结果进行融合，得到所述排放特性参数对应的当前预测输出数据。

本发明实施例提供了一种电子设备，所述电子设备包括：

处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行任一实施例所述的柴油机排放预测方法的步骤。

本发明实施例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程序或指令，所述程序或指令使计算机执行任一实施例所述的柴油机排放预测方法的步骤。

本发明实施例具有以下技术效果：

通过获取待预测柴油机的各当前状态数据，并从所有当前状态数据中确定每个排放特性参数对应的输入数据，进而针对每一个排放特性参数，将对应的输入参数输入至预先训练的混合模糊神经网络模型中，通过其中的各个深度学习网络层分别对输入参数进行预测，得到多个当前预测结果，进而通过其中的模糊推理层，基于预先训练得到的对应的模糊规则对所有当前预测结果进行融合，得到排放特性参数对应的当前预测输出数据，该方法通过多个深度学习网络层有效解决单一算法无法在所有排放特性参数上都保持较佳预测效果的缺陷，同时，通过模糊推理层所建立的强大的模糊规则进一步修正预测结果，提升了柴油机排放特性的预测性能，并且，通过从所有当前状态数据中确定每个排放特性参数对应的输入数据，可以去掉与排放特性参数相关性较低的状态数据，以在保证预测性能的同时，降低模型数据维度。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种柴油机排放预测方法的流程图；

图2是本发明实施例提供的一种混合模糊神经网络的结构示意图；

图3是本发明实施例提供的一种所有深度学习网络层在各个排放特性参数下的相关系数的示意图；

图4是本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

本发明实施例提供的柴油机排放预测方法，主要适用于根据车辆中柴油机的当前状态数据以及预先训练的混合模糊神经网络模型，预测车辆中柴油机的排放特性参数的情况，如，预测柴油机排放的NOx、CO、CO₂或THC，或预测柴油机的排气温度或排气压力等。本发明实施例提供的柴油机排放预测方法可以由集成车辆中的电子设备执行。

图1是本发明实施例提供的一种柴油机排放预测方法的流程图。参见图1，该柴油机排放预测方法具体包括：

S110、获取待预测柴油机的各当前状态数据，并从所有当前状态数据中确定每个排放特性参数对应的输入数据。

其中，待预测柴油机可以是车辆中的柴油发动机。当前状态数据可以在待预测柴油机瞬态工况下状态特征参数对应的取值，状态特征参数可以是柴油机转速、扭矩、燃油消耗量、进气温度、进气压力、冷却水温度、机油温度、机油压力或进气流量。

具体的，在获取到待预测柴油机的所有当前状态数据之后，可以从中确定预测每个排放特性参数所需的输入数据；其中，排放特性参数可以是NOx、CO、CO₂、THC、排气温度或排气压力。

示例性的，可以预先采集大量试验数据，通过主成分分析法确定各个状态特征参数对各个排放特性参数的影响程度，进而选取影响程度高的状态特征参数的当前状态数据，作为排放特性参数对应的输入数据。

需要说明的是，在本发明实施例中，从所有当前状态数据中确定每个对应的输入数据的目的在于：与将所有当前状态数据作为每个排放特性参数对应的输入数据相比，该实施方式考虑到不同状态数据对不同的排放特性参数具有不同的影响程度，因此，可以通过筛选对应的输入数据，可以剔除掉每个排放特性参数的冗余输入，在保证预测精度的同时，可以降低模型数据维度，提高模型的预测效率。

S120、针对每一个排放特性参数，将排放特性参数对应的输入参数输入至预先训练的混合模糊神经网络模型中。

其中，混合模糊神经网络模型包括多个深度学习网络层和模糊推理层，深度学习网络层基于各排放特性参数对应的训练数据集训练得到，在各深度学习网络层训练完成后，在模糊推理层中基于各训练数据集和各深度学习网络层的预测相关性训练得到各排放特性参数对应的模糊规则，模糊规则包括各深度学习网络层的影响权重。

在本发明实施例中，混合模糊神经网络模型可以由多个深度学习网络层和模糊推理层构成，其中，每个深度学习网络层分别采用不同的深度学习算法。

示例性的，混合模糊神经网络模型包括4个深度学习网络层，各个深度学习网络层分别采用RNN（Recurrent Neural Network，循环神经网络）、LSTM（Long Short-TermMemory，长短期记忆网络）、GRU（Gate Recurrent Unit，门控循环单元）以及TCN（TemporalConvolutional Networks，时域卷积网络）。

在混合模糊神经网络模型中，输入首先会进入到各个深度学习网络层中，在每个深度学习网络层中，可以通过自身的深度学习算法，根据输入进行相关的预测并得到对应的输出，进而将输出传递至模糊推理层中，使得模糊推理层对所有深度学习网络层的输出进行融合。

其中，对于混合模糊神经网络模型的训练，可以是先训练各个深度学习网络层中的参数，以使所有深度学习网络层均可以对输入参数进行预测，得到预测结果，进而在所有深度学习网络层训练完成之后，继续训练模糊推理层，以使模糊推理层得到所有排放特性参数分别对应的模糊规则，从而可以通过模糊规则中每个深度学习网络层的影响权重，对所有深度学习网络层输出的预测结果进行融合。

在一种具体的实施方式中，混合模糊神经网络模型的训练包括如下步骤：

步骤1、获取柴油机的各状态特征参数对应的历史状态数据，以及各排放特性参数对应的历史真实排放数据；

步骤2、基于各历史状态数据以及各历史真实排放数据，确定各状态特征参数与各排放特性参数之间的相关性，根据相关性构建各排放特性参数对应的训练数据集，其中，训练数据集包括各历史状态数据以及各历史真实排放数据；

步骤3、针对每一个排放特性参数对应的训练数据集，将训练数据集输入至预先构建的混合模糊神经网络中，其中，混合模糊神经网络包括多个深度学习网络层和模糊推理层；

步骤4、基于历史真实排放数据以及各深度学习网络层预测的结果，对各深度学习网络层进行训练；

步骤5、在各深度学习网络层训练完成后，基于深度学习网络层预测的结果以及各历史真实排放数据，确定各深度学习网络层的预测相关性；

步骤6、在模糊推理层中，根据各深度学习网络层的预测相关性以及训练数据集，训练排放特性参数对应的模糊规则；

步骤7、根据训练后的各深度学习网络层和模糊推理层，得到混合模糊神经网络模型。

在上述步骤1中，历史状态数据可以是在试验中获取到的状态特征参数的各取值，历史真实排放数据可以是在试验中获取到的排放特性参数的各取值。

针对上述步骤1，在一种示例中，获取柴油机的各状态特征参数对应的历史状态数据，以及各排放特性参数对应的历史真实排放数据，包括：

对柴油机进行台架试验，获取台架试验过程中柴油机的各状态特征参数对应的历史状态数据，以及各排放特性参数对应的历史真实排放数据；或者，

对车辆进行实车试验，获取实车试验过程中所述车辆中柴油机的各状态特征参数对应的历史状态数据，以及各排放特性参数对应的历史真实排放数据。

即，可以基于柴油机台架试验或者实车试验，获取柴油机瞬态工况下各状态特征参数对应的历史状态数据，以及各排放特性参数对应的历史真实排放数据。

例如，可以采用某主机厂2L柴油机，在AVL电力测功机台架系统上开展WHTC（WorldHarmonized Transient Cycle, 全球统一瞬态试验循环），排放直采系统为AVL AMA i60排放测试系统，同时配备了AVL 735/753油耗分析仪、水恒温系统和进气空调系统，通过上述设备采集性能测试数据，包括所需的各历史状态数据和各历史真实排放数据。

通过柴油机台架试验或者实车试验采集历史状态数据和历史真实排放数据，可以实现对训练数据集的灵活采集，无需人为标定数据，便于实现模型训练。

在得到各历史状态数据以及各历史真实排放数据之后，在上述步骤2中，可以根据获取到的数据确定各状态特征参数与各排放特性参数之间的相关性。

例如，对于任意一个状态特征参数X和任意一个排放特性参数Y，两者之间的相关性可以通过如下公式计算得到：

；

式中，为状态特征参数X与排放特性参数Y之间的相关性，/>、/>分别为状态特征参数X对应的第i个历史状态数据和所有历史状态数据的平均值，/>、/>分别为排放特性参数Y对应的第i个历史真实排放数据和所有历史真实排放数据的平均值，n为数据的总数量。

基于上述公式，可以计算出每一个状态特征参数与每一个排放特性参数之间的相关性。示例性的，如表1所示，展示了状态特征参数与排放特性参数之间的相关性。

表1 状态特征参数与排放特性参数之间的相关性

在上述步骤2中，在得到各状态特征参数与各排放特性参数之间的相关性之后，可以根据相关性筛选数据，构建每个排放特性参数对应的训练数据集。

针对上述步骤2，可选的，根据相关性构建各排放特性参数对应的训练数据集，包括如下步骤：

步骤21、针对每一个排放特性参数，基于各状态特征参数与排放特性参数之间的相关性，按照相关性由大到小的顺序对所有状态特征参数进行排序；

步骤22、从排序结果中选前N个状态特征参数，作为与排放特性参数关联的状态特征参数；

步骤23、根据与排放特性参数关联的状态特征参数对应的历史状态数据，以及排放特性参数的历史真实排放数据，构建排放特性参数对应的训练数据集。

即，对于每个排放特性参数，可以根据相关性对所有状态特征参数进行排序，选择相关性前N（不小于1的整数）个状态特征参数作为关联的状态特征参数，进而将关联的状态特征参数对应的历史状态数据，以及该排放特性参数的历史真实排放数据，作为对应的训练数据集。通过相关性筛选部分状态特征参数的历史状态数据构建训练数据集，可以消除掉冗余变量，得到每个排放特性参数的最佳数据集以用于训练，提高了模型的训练效率，并保证了模型的训练准确性。

进一步的，在上述步骤3中，以一个排放特性参数为例，可以将其对应的训练数据集输入至预先构建的混合模糊神经网络。可以理解的是，还可以将该训练数据集划分为训练集和验证集，将其中的训练集输入至混合模糊神经网络。

在上述步骤4中，进入混合模糊神经网络的训练数据集，其中的各历史状态数据首先会进入到各个深度学习网络层中。

如图2所示，图2是本发明实施例提供的一种混合模糊神经网络的结构示意图。在各个深度学习网络层中，多个深度学习算法RNN，LSTM，GRU以及TCN将会根据得到的输入进行相关的预测，并得到相对应的预测的结果。

具体的，对于一个排放特性参数来说，可以根据各个深度学习网络层预测的结果，以及训练数据集中的历史真实排放数据，计算每个深度学习网络层的损失函数值，进而通过各损失函数值反向调整各个深度学习网络层中与该排放特性参数相关的参数，以实现对各个深度学习网络层的迭代训练，直至损失函数值收敛。其中，各个深度学习网络层的激活函数可以设置为ReLu（Rectified Linear Unit，线性整流函数），深度学习网络层中的相关参数还可以通过Adam优化器和训练集进行不断的迭代优化以得到最终参数。

进一步的，在上述步骤5中，若各深度学习网络层训练完成，进一步的，可以计算每个深度学习网络层的预测相关性。其中，预测相关性可以是深度学习网络层的预测结果与历史真实排放数据之间的相关性。

示例性的，可以计算每个深度学习网络层的相关系数，将相关系数作为深度学习网络层的预测相关性。例如，可以通过如下公式计算：

；

式中，表示相关系数，/>为排放特性参数的第i个预测的结果，/>为排放特性参数的历史真实排放数据（可以使用验证集中的数据）中第i个值，/>可以是所有预测的结果的平均值或历史真实排放数据中所有值的平均值。

当所有深度学习网络层训练完成之后，可以开始对模糊推理层进行训练，以得到每个排放特性参数对应的模糊规则。需要说明的是，训练每个排放特性参数对应的模糊规则的目的在于：由于多个深度学习网络层中的算法对不同的排放特性参数的预测准确度会呈现不一致性，因此，为了保证模型对每个排放特性参数的预测准确性，可以分别针对不同的排放特性参数分别训练得到相对应的规则，以实现对所有排放特性参数更高的预测精确度。

具体的，在上述步骤6中，以一个排放特性参数为例，可以基于每个深度学习网络层的预测相关性，先于预先建立的规则库中匹配各深度学习网络层的规则，进而根据训练数据集对每个深度学习网络层的规则进行调整，以实现对规则的迭代调整，直至满足收敛条件。

针对上述步骤6，可选的，在模糊推理层中，根据各深度学习网络层的预测相关性以及训练数据集，训练排放特性参数对应的模糊规则，包括如下步骤：

步骤61、在模糊推理层中，根据各深度学习网络层的预测相关性，于规则库中匹配各深度学习网络层的初始规则；

步骤62、对所有预测相关性进行排序，按照排序结果对各深度学习网络层的初始规则进行调整；

步骤63、将历史状态数据输入至各深度学习网络层，通过模糊推理层，基于调整后的初始规则对各深度学习网络层预测的结果进行融合，得到模糊推理结果；

步骤64、基于模糊推理结果和历史真实排放数据对损失函数进行计算，根据损失计算值对各深度学习网络层的初始规则进行调整，直至满足迭代停止条件，得到排放特性参数对应的模糊规则。

在上述步骤61中，以一个排放特性参数为例，可以先按照各个深度学习网络层的预测相关性匹配各个深度学习网络层的初始规则，其中，深度学习网络层的初始规则可以包括深度学习网络层的影响权重。

如，针对上述步骤61，可选的，根据各深度学习网络层的预测相关性，于规则库中匹配各深度学习网络层的初始规则，包括：对于每一个深度学习网络层，根据深度学习网络层的预测相关性，在预先建立的规则库中确定对应的相关性区间；将规则库中与相关性区间对应的规则，作为深度学习网络层的初始规则。

其中，规则库可以包括各个相关性区间分别对应的规则。需要说明的是，可以根据使用场景构建规则库，本发明实施例对规则库中规则的数量以及相关性区间的划分不进行限定。

具体的，可以查找预测相关性所在的相关性区间，进而将规则库中对应的规则作为深度学习网络层的初始规则。示例性的，可以通过如下公式匹配初始规则：

；

式中，可以是深度学习网络层的预测相关性，/>、/>、/>、……、/>、/>、为相关性区间的上限或下限，/>为深度学习网络层的初始规则，/>、/>、……、、/>为初始规则中的影响权重。通过该实施方式，可以在模糊推理层中，基于各个深度学习网络层的预测相关性匹配相对应的初始规则，以便于后续对该初始规则进行修正。

进一步的，在上述步骤62中，可以按照预测相关性的大小对各深度学习网络层的初始规则进行调整。

针对上述步骤62，可选的，按照排序结果对各深度学习网络层的初始规则进行调整，包括：从排序结果中将预测相关性最高的深度学习网络层作为第一调整层，将预测相关性最低的深度学习网络层作为第二调整层；增加第一调整层的初始规则中的影响权重，并降低第二调整层的初始规则中的影响权重。

即，以一个排放特性参数为例，可以将预测相关性最高的深度学习网络层的初始规则中的影响权重增加，以提高预测精度高的深度学习网络层的预测结果在模型最终输出结果中的占比，将预测相关性最低的深度学习网络层的初始规则中的影响权重增加，以降低预测精度低的深度学习网络层的预测结果在模型最终输出结果中的占比，达到提高模型的预测准确性的目的。

示例性的，图3是本发明实施例提供的一种所有深度学习网络层在各个排放特性参数下的相关系数的示意图。以NOx为例，由图3可以看出，使用LSTM算法的深度学习网络层的预测效果优于其它深度学习网络层。因此，在匹配出各个深度学习网络层的初始规则后，可以提高LSTM算法的深度学习网络层的初始权重，并且，还可以降低RNN算法的深度学习网络层的初始权重。

需要说明的是，按照排序结果对各深度学习网络层的初始规则进行调整，不局限于上述一种调整方式，例如，还可以增加预测相关性最高的深度学习网络层的初始规则中的影响权重，降低其余所有深度学习网络层的初始规则中的影响权重，或者，还可以增加预测相关性排名前2的深度学习网络层的初始规则中的影响权重，降低预测相关性最低的深度学习网络层的初始规则中的影响权重，等。

进一步的，在上述步骤63中，可以将历史状态数据输入至各深度学习网络层，得到各个深度学习网络层输出的预测的结果，从而模糊推理层根据调整后的初始规则对所有预测的结果进行融合，得到模糊推理结果。

其中，模糊推理层可以包括模糊化子层、模糊推理子层以及反模糊化子层，如图2所示，在模糊推理层根据调整后的初始规则对所有预测的结果进行融合之前，各个深度学习网络层输出的预测的结果可以先经过模糊化子层，以通过模糊化子层对各个深度学习网络层输出的预测的结果进行模糊化处理，得到各个模糊变量，进而将各模糊变量传递至模糊推理子层，模糊推理子层查找对应的影响权重，最终反模糊化子层结合影响权重对所有模糊变量进行融合。

进一步的，在上述步骤64中，根据模糊推理结果和历史真实排放数据之间的损失计算值对初始规则进行调整（如增加影响权重或降低影响权重，调整量可以是固定的，也可以根据此时迭代的轮次实时确定，迭代的轮次越高，调整量越小），直至满足迭代停止条件（可以是损失计算值收敛），此时可以得到该排放特性参数对应的模糊规则。其中，排放特性参数对应的模糊规则包括各个深度学习网络层的影响权重。

通过不断迭代，模糊推理层将会生成每一个深度学习网络层在排放特性参数上的影响权重。对于每一个排放特性参数，均可以重复执行一次上述步骤3-步骤6，以实现各个深度学习网络层中与每个排放特性参数相关的参数的训练，以及得到模糊推理层中每个排放特性参数对应的模糊规则。

需要说明的是，本发明实施例中使用模糊推理的目的在于：通过模糊推理不断训练以得到模糊规则，与采用固定的权重的方式相比，能够解决模糊算法输入部分不确定度的问题，实现各个前期训练的深度学习网络层的输出结果的模糊推理，使整个模型的预测结果更加精准。

在完成混合模糊神经网络模型的训练之后，具体的，针对待预测柴油机，以一个排放特性参数为例，可以将该排放特性参数对应的输入参数，先输入至模型中的各个深度学习网络层。

S130、通过各个深度学习网络层，分别对输入参数进行预测，得到多个当前预测结果。

具体的，每一个深度学习网络层都可以对输入参数进行预测，得到排放特性参数的预测值，即当前预测结果。

进一步的，各个深度学习网络层可以将当前预测结果传递至模糊推理层。

S140、通过模糊推理层，基于排放特性参数对应的模糊规则对所有当前预测结果进行融合，得到排放特性参数对应的当前预测输出数据。

具体的，所有深度学习网络层输出的当前预测结果在传递至模糊推理层后，模糊推理层可以根据预先训练得到的排放特性参数对应的模糊规则，对所有当前预测结果进行融合，将融合结果作为排放特性参数对应的当前预测输出数据并进行输出。

在一种具体的实施方式中，模糊推理层包括模糊化子层、模糊推理子层以及反模糊化子层，通过模糊推理层，基于排放特性参数对应的模糊规则对所有当前预测结果进行融合，得到排放特性参数对应的当前预测输出数据，包括如下步骤：

步骤141、通过模糊化子层对所有深度学习网络层输出的当前预测结果进行模糊化处理，得到各当前模糊变量；

步骤142、从模糊推理子层中排放特性参数对应的模糊规则中，得到各深度学习网络层的影响权重；

步骤143、通过反模糊化子层，基于各深度学习网络层的影响权重，对各当前模糊变量进行加权平均反模糊运算，得到排放特性参数对应的当前预测输出数据。

即，以一个排放特性参数为例，模糊化子层可以先对所有当前预测结果进行模糊化处理，以将所有当前预测结果转化为当前模糊变量。

进一步的，模糊推理子层可以从该排放特性参数对应的模糊规则，得到每个深度学习网络层的影响权重。

进一步的，反模糊化子层可以根据影响权重对所有当前模糊变量进行加权平均反模糊运算，得到当前预测输出数据。其中，加权平均反模糊运算可以理解为按照影响权重对对应的当前模糊变量进行加权计算，并将所有加权运算的结果求和。

示例性的，加权平均反模糊运算如下式所示：

；

式中，y为当前预测输出数据，（示例性的，i取1~4，i的数量与深度学习网络层的数量相同）为模糊规则中第i个深度学习网络层的影响权重，/>为第i个深度学习网络层的当前模糊变量。

在本发明实施例中，通过训练得到的混合模糊神经网络模型对多个排放特性参数进行预测，不仅有效解决了现有的神经网络结构简单、在排放预测方面性能较差的问题，还利用了多深度学习网络层有效弥补单一算法无法在所有排放特性参数上都保持较佳预测效果的缺陷，并且，通过模糊推理层所建立的强大模糊规则，进一步修正了预测结果，极大提升了对柴油机的排放特性的预测性能。

本发明具有以下技术效果：通过获取待预测柴油机的各当前状态数据，并从所有当前状态数据中确定每个排放特性参数对应的输入数据，进而针对每一个排放特性参数，将对应的输入参数输入至预先训练的混合模糊神经网络模型中，通过其中的各个深度学习网络层分别对输入参数进行预测，得到多个当前预测结果，进而通过其中的模糊推理层，基于预先训练得到的对应的模糊规则对所有当前预测结果进行融合，得到排放特性参数对应的当前预测输出数据，该方法通过多个深度学习网络层有效解决单一算法无法在所有排放特性参数上都保持较佳预测效果的缺陷，同时，通过模糊推理层所建立的强大的模糊规则进一步修正预测结果，提升了柴油机排放特性的预测性能，并且，通过从所有当前状态数据中确定每个排放特性参数对应的输入数据，可以去掉与排放特性参数相关性较低的状态数据，以在保证预测性能的同时，降低模型数据维度。

图4是本发明实施例提供的一种电子设备的结构示意图。如图4所示，电子设备400包括一个或多个处理器401和存储器402。

处理器401可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。

存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所说明的本发明任意实施例的柴油机排放预测方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。

在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图4中仅示出了该电子设备400中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。

除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的柴油机排放预测方法的步骤。

所述计算机程序产品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实施例操作的程序代码，所述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。

此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本发明任意实施例所提供的柴油机排放预测方法的步骤。

所述计算机可读存储介质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包括但不限于电、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。

需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本申请范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。

还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (7)

1.一种柴油机排放预测方法，其特征在于，包括：

获取待预测柴油机的各当前状态数据，并从所有当前状态数据中确定每个排放特性参数对应的输入数据；

针对每一个排放特性参数，将所述排放特性参数对应的输入参数输入至预先训练的混合模糊神经网络模型中，其中，所述混合模糊神经网络模型包括多个深度学习网络层和模糊推理层，所述深度学习网络层基于各排放特性参数对应的训练数据集训练得到，在各深度学习网络层训练完成后，在所述模糊推理层中基于各所述训练数据集和各深度学习网络层的预测相关性训练得到各排放特性参数对应的模糊规则，所述模糊规则包括各深度学习网络层的影响权重；

通过各个深度学习网络层，分别对所述输入参数进行预测，得到多个当前预测结果；

通过所述模糊推理层，基于所述排放特性参数对应的模糊规则对所有当前预测结果进行融合，得到所述排放特性参数对应的当前预测输出数据；

所述混合模糊神经网络模型的训练包括：

获取柴油机的各状态特征参数对应的历史状态数据，以及各排放特性参数对应的历史真实排放数据；

基于各历史状态数据以及各历史真实排放数据，确定各状态特征参数与各排放特性参数之间的相关性，根据相关性构建各排放特性参数对应的训练数据集，其中，所述训练数据集包括各历史状态数据以及各历史真实排放数据；

针对每一个排放特性参数对应的训练数据集，将所述训练数据集输入至预先构建的混合模糊神经网络中，其中，所述混合模糊神经网络包括多个深度学习网络层和模糊推理层；

基于历史真实排放数据以及各深度学习网络层预测的结果，对各深度学习网络层进行训练；

在各深度学习网络层训练完成后，基于深度学习网络层预测的结果以及各历史真实排放数据，确定各深度学习网络层的预测相关性；

在所述模糊推理层中，根据各深度学习网络层的预测相关性，于规则库中匹配各深度学习网络层的初始规则；

对所有预测相关性进行排序，从排序结果中将预测相关性最高的深度学习网络层作为第一调整层，将预测相关性最低的深度学习网络层作为第二调整层，增加所述第一调整层的初始规则中的影响权重，并降低所述第二调整层的初始规则中的影响权重；

将所述历史状态数据输入至各深度学习网络层，通过所述模糊推理层，基于调整后的初始规则对各深度学习网络层预测的结果进行融合，得到模糊推理结果；

基于所述模糊推理结果和所述历史真实排放数据对损失函数进行计算，根据损失计算值对各深度学习网络层的初始规则进行调整，直至满足迭代停止条件，得到所述排放特性参数对应的模糊规则；

根据训练后的所述各深度学习网络层和模糊推理层，得到所述混合模糊神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述根据各深度学习网络层的预测相关性，于规则库中匹配各深度学习网络层的初始规则，包括：

对于每一个深度学习网络层，根据所述深度学习网络层的预测相关性，在预先建立的规则库中确定对应的相关性区间；

将所述规则库中与所述相关性区间对应的规则，作为深度学习网络层的初始规则。

3.根据权利要求1所述的方法，其特征在于，所述根据相关性构建各排放特性参数对应的训练数据集，包括：

针对每一个排放特性参数，基于各状态特征参数与所述排放特性参数之间的相关性，按照相关性由大到小的顺序对所有状态特征参数进行排序；

从排序结果中选前N个状态特征参数，作为与所述排放特性参数关联的状态特征参数；

根据与所述排放特性参数关联的状态特征参数对应的历史状态数据，以及所述排放特性参数的历史真实排放数据，构建所述排放特性参数对应的训练数据集。

4.根据权利要求1所述的方法，其特征在于，所述获取柴油机的各状态特征参数对应的历史状态数据，以及各排放特性参数对应的历史真实排放数据，包括：

对柴油机进行台架试验，获取台架试验过程中柴油机的各状态特征参数对应的历史状态数据，以及各排放特性参数对应的历史真实排放数据；或者，

对车辆进行实车试验，获取实车试验过程中所述车辆中柴油机的各状态特征参数对应的历史状态数据，以及各排放特性参数对应的历史真实排放数据。

5.根据权利要求1所述的方法，其特征在于，所述模糊推理层包括模糊化子层、模糊推理子层以及反模糊化子层，所述通过所述模糊推理层，基于所述排放特性参数对应的模糊规则对所有当前预测结果进行融合，得到所述排放特性参数对应的当前预测输出数据，包括：

通过所述模糊化子层对所有深度学习网络层输出的当前预测结果进行模糊化处理，得到各当前模糊变量；

从所述模糊推理子层中所述排放特性参数对应的模糊规则中，得到各深度学习网络层的影响权重；

通过所述反模糊化子层，基于各深度学习网络层的影响权重，对各当前模糊变量进行加权平均反模糊运算，得到所述排放特性参数对应的当前预测输出数据。

6.一种电子设备，其特征在于，所述电子设备包括：

处理器和存储器；

所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至5任一项所述的柴油机排放预测方法的步骤。

7.一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程序或指令，所述程序或指令使计算机执行如权利要求1至5任一项所述的柴油机排放预测方法的步骤。