CN117723304A - 废气再循环系统的冷却效率检测方法、装置、设备及介质 - Google Patents
废气再循环系统的冷却效率检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117723304A CN117723304A CN202311476735.7A CN202311476735A CN117723304A CN 117723304 A CN117723304 A CN 117723304A CN 202311476735 A CN202311476735 A CN 202311476735A CN 117723304 A CN117723304 A CN 117723304A
- Authority
- CN
- China
- Prior art keywords
- exhaust gas
- gas recirculation
- recirculation system
- temperature
- time
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 230000015654 memory Effects 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 21
- 230000007787 long-term memory Effects 0.000 claims description 21
- 238000003062 neural network model Methods 0.000 claims description 18
- 230000006403 short-term memory Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 239000007789 gas Substances 0.000 description 82
- 238000004590 computer program Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000010705 motor oil Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 102000016550 Complement Factor H Human genes 0.000 description 1
- 108010053085 Complement Factor H Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 239000006229 carbon black Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- 239000000779 smoke Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- 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
- Exhaust-Gas Circulating Devices (AREA)
Abstract
本申请公开了一种废气再循环系统的冷却效率检测方法、装置、设备及介质,所述方法包括:根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值;根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值;根据所述温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障。本申请实施例提供的废气再循环系统的冷却效率检测方法,通过温度偏差和时间偏差双重判断,可以降低故障的误报率,提高废气再循环系统的冷却效果的检测准确性,保证系统正常运行。
Description
技术领域
本申请涉及汽车发动机检测技术领域,具体而言,涉及一种废气再循环系统的冷却效率检测方法、装置、设备及介质。
背景技术
废气再循环(Exhaust GasRe circulation,EGR)指将汽车发动机在燃烧后排出的一部分气体经过冷却后进入进气系统,使其再度混合燃烧的技术。发动机排出的大部分废气均不能燃烧,但废气的比热容高,吸热能力较强,在冷却并进入进气系统后,能够使气缸中混合气的最高燃烧温度降低,改善发动机爆震倾向。同时,将废气引入进气系统后,还能够使氧气浓度降低,从而大大减少氮氧化物的产生。而且在发动机负荷较低的工况下使用EGR,还可以降低进气泵气损失,从而降低燃油消耗。
但是在柴油发动机运行过程中,EGR冷却器冷却效率会逐渐下降,其常见原因为:一般情况下,由于高温废气需经过EGR冷却器冷却后,再通过冷端EGR阀,进入进气管与新鲜空气混合,废气中的烟尘经过冷却后沉积在EGR冷却器,导致EGR冷却器冷却效率下降,也有可能发生泄漏导致冷却效率下降。因此需要采取措施监控EGR冷却器的效率,检测EGR系统故障,保证EGR系统的正常运行。
发明内容
本申请实施例提供了一种废气再循环系统的冷却效率检测方法、装置、设备及介质,以至少解决相关技术中无法准确检测EGR系统故障的技术问题。
根据本申请实施例的一个方面,提供了一种废气再循环系统的冷却效率检测方法,包括:
根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值;
根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值;
根据所述温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障。
在一个可选地实施例中,根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值之前,还包括:
训练长短期记忆神经网络模型;
根据所述长短期记忆神经网络模型,预测废气再循环系统的温度。
在一个可选地实施例中,根据所述长短期记忆神经网络模型,预测废气再循环系统的温度,包括:
采集废气再循环系统流量、废气再循环系统上游压力、废气再循环系统两端压差、废气再循环系统位置开度、发动机转速以及发动机油量,组成数据矩阵;
将所述数据矩阵输入所述长短期记忆神经网络模型,得到预测的废气再循环系统的温度。
在一个可选地实施例中,根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值之前,还包括:
计算当前时刻废气再循环系统的温度变化率绝对值;
在所述温度变化率绝对值大于预设第一阈值的情况下,确定计时开始时间;
在所述温度变化率绝对值小于预设第二阈值的情况下,确定计时结束时间;
根据所述计时结束时间与计时开始时间的差值,得到所述冷却累计时间。
在一个可选地实施例中,根据所述温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障,包括:
在所述温度差值大于预设温度阈值,时间差值大于预设时间阈值的情况下,故障计数器加1;
在预设时段内的故障计数器数值大于预设数值的情况下,确定废气再循环系统的冷却器故障。
在一个可选地实施例中,确定废气再循环系统的冷却器故障之后,还包括:
发送废气再循环系统冷却器故障的提示信息。
根据本申请实施例的又一方面,还提供了一种废气再循环系统的冷却效率检测装置,包括:
温度差计算模块,用于根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值;
时间差计算模块,用于根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值;
判断模块,用于根据所述温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障。
在一个可选地实施例中,还包括:
预测模块,用于训练长短期记忆神经网络模型;根据所述长短期记忆神经网络模型,预测废气再循环系统的温度。
根据本申请实施例的又一方面,还提供了一种电子设备,包括存储器和处理器,上述存储器中存储有计算机程序,上述处理器被设置为通过上述计算机程序执行上述的废气再循环系统的冷却效率检测方法。
根据本申请实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述废气再循环系统的冷却效率检测方法。
本申请实施例提供的技术方案可以包括以下有益效果:
本申请实施例提供的废气再循环系统的冷却效率检测方法,不仅需要分析预测的EGR温度与采集的实际EGR温度的温度差值,还需要分析冷却累计时间与预设的冷却时间阈值的时间差值,通过温度偏差和时间偏差双重判断,可以降低故障的误报率,提高废气再循环系统的冷却效果的检测准确性,保证系统正常运行。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种废气再循环系统的冷却效率检测方法的流程图;
图2是根据本申请实施例的一种长短期记忆神经网络结构图;
图3是根据本申请实施例的一种EGR冷却温度变化示意图;
图4是根据本申请实施例的另一种废气再循环系统的冷却效率检测方法的流程图;
图5是根据本申请实施例的一种废气再循环系统的冷却效率检测装置的结构图;
图6是根据本申请实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,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清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,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。
由于EGR冷却器受废气影响,再加上冷却作用,在其内部壁面会沉积炭黑,该现象的产生会对EGR冷却器的冷却效果产生较大影响,降低了EGR冷却器的效率,因此需要采取措施监控EGR冷却器的效率,及时发现故障,保证EGR系统的正常运行。
下面结合附图1对本申请实施例的废气再循环系统的冷却效率检测方法进行详细介绍,如图1所示,该方法主要包括如下步骤:
S101根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值。
目前,温度传感器会采集EGR冷却器下游实际温度,根据转速和油量查表得到模型温度,将模型温度与实际温度比较,偏差过大,认为EGR冷却效率低。这种方法模型温度和偏差限值标定难度大,很容易造成误报。
本申请实施例提出了一种基于长短期记忆神经网络预测EGR温度的方法。
首先,训练长短期记忆神经网络模型。LSTM(Long Short Term Memory,长短期记忆)模型通过记忆单元内部的自循环来实现固定参数下时间尺度的动态变化,利用记忆单元存储长期记忆信息,使用隐藏状态传递短期记忆信息。LSTM核心结构如图2所示。
LSTM引入了三个门限(输入门、输出门、遗忘门)和两个记忆状态(隐藏状态Ht、记忆单元状态Ct)。遗忘门的作用主要是对传递的信息进行筛选丢弃,在遗忘门中会通过公式(1)计算得到遗忘因子Ft,并利用此因子对上一时间传递过来的记忆单元Ct-1进行遗忘。输入门用来计算得到当前时间的信息,通过公式(2)和(4)分别得到输入因子It和候选记忆因子两者通过公式(5)计算得到当前步长的记忆因子Ct。输出门根据输出因子Ot和记忆因子Ct输出当前步长的隐藏因子Ht,通过公式(2)和(6)得到。
Ft=σ(wf*[Ht-1,Xt]+bf) (1)
It=σ(wi*[Ht-1,Xt]+bi) (2)
Ot=σ(wo*[Ht-1,Xt]+bo) (3)
Ht=Ot*tanh(Ct) (6)
其中,Xt表示云端采集的输入数据;wf,wi,wo,wc分别为遗忘门权重、输入门权重、输出门权重和候选记忆单元状态权重;bf,bi,bo,bc分别为遗忘门偏差、输入门偏差、输出门偏差和候选记忆单元状态偏差;Ht-1表示t-1时刻的隐藏状态,Ct表示记忆单元状态;表示候选记忆单元状态;σ表示sigmoid函数,通过公式(7)得到;tanh是tanh函数,通过公式(8)得到。
为了提高预测的精度,可以增加网络层数来实现,网络层数增加能够提高模型学习能力,降低偏差。
在模型训练时,输入新车采集的数据,此时EGR冷却器无积碳,实际温度和模型温度基本无误差,将LSTM模型预测的EGR温度与采集的实际温度做对比,不断优化网络层数和权重系数wf,wi,wo,wc,校验模型的准确度。得到训练好的长短期记忆神经网络模型。
进一步地,根据长短期记忆神经网络模型,预测废气再循环系统的温度。
首先,采集废气再循环系统流量、废气再循环系统上游压力、废气再循环系统两端压差、废气再循环系统位置开度、发动机转速以及发动机油量,组成数据矩阵。
具体地,废气再循环系统流量、废气再循环系统上游压力、废气再循环系统两端压差、废气再循环系统位置开度强相关,为保证预测准确性,采集上述信号,并增加发动机转速、油量组成一个数据矩阵,作为模型的输入。车辆正常行驶,选取中高转速负荷区一段稳态工况,主要是选择EGR起作用的一段区域。
将数据矩阵输入长短期记忆神经网络模型,得到预测的废气再循环系统的温度。
进一步地,根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值。
随着车辆行驶里程的增加,EGR冷却器积碳量增加,EGR冷却效率下降,模型温度与传感器采集的实际温度偏差变大,比较模型预测温度与此时传感器采集的实际温度的大小,得到温度差值。
S102根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值。
在本申请实施例中,随着车辆行驶里程的增加,EGR冷却器积碳量增加,EGR冷却效率下降,模型温度与实际温度的偏差变大,并且相同工况下冷却同样的温度,需要的时间越长。因此,本申请还需计算当前的冷却累计时间。
具体地,计算当前时刻废气再循环系统的温度变化率绝对值,可以根据当前时刻的温度与上一时刻的温度差值,除以时间步长,得到温度变化率。
在温度变化率绝对值大于预设第一阈值的情况下,确定计时开始时间。在温度变化率绝对值大于预设阈值的情况下,说明EGR冷却温度发生变化,如图3所示,转速也发生变化,此时从稳态工况切换到瞬态工况,开始计时。其中,预设第一阈值可为0.3,具体取值本申请不做具体限定,可根据实际情况自行设定。
在温度变化率绝对值小于预设第二阈值的情况下,确定计时结束时间。其中预设第二阈值为接近0的较小数值,例如为0.05,可根据实际情况自行设定。当温度变化率变小,接近0的情况下,说明EGR冷却温度不再变化,此时又回到稳态工况,结束计时。这段时间是EGR发生冷却作用的时间。
根据计时结束时间与计时开始时间的差值,得到冷却累计时间。
进一步地,获取预设的冷却时间阈值,冷却时间阈值可根据历史经验数据标定,为冷却器不发生故障时的冷却时间,例如为5s,根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值。其中,本申请实施例对预设的冷却时间阈值不做具体限定,可根据实际情况自行设定。
S103根据温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障。
在一个可选地实施例中,根据温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障,包括:
在温度差值大于预设温度阈值,时间差值大于预设时间阈值的情况下,故障计数器加1。其中,预设温度阈值为温度偏差的限值,例如为10度、15度等,当温度差值大于10度时,确定温度偏差较大。具体的预设温度阈值的取值可根据实际情况自行设定。预设时间阈值为时间偏差的限值,例如为1分钟、2分钟等,当时间差值大于1分钟时,确定冷却时间偏差较大。
在一个可选地实施方式中,判断温度差值是否大于预设温度阈值,判断时间差值是否大于预设时间阈值,若温度偏差和累计时间偏差都超限,则故障计数器加1。
在预设时段内的故障计数器数值大于预设数值的情况下,确定废气再循环系统的冷却器故障。为保证故障检测的鲁棒性,避免误报,在预设时段内重复检测多次,故障计数器超过一定数值,则认为EGR冷却效率低,报出故障。在一个示例性场景中,若车辆在半个小时内,故障计数器的数值超过三次,说明EGR冷却效率变低,确定废气再循环系统的冷却器故障。具体的预设数值也可为2次、4次、5次等,本申请实施例不做具体限制。说明冷却器多次报出故障即可。
在一个可选地实施例中,确定废气再循环系统的冷却器故障之后,还包括:发送废气再循环系统冷却器故障的提示信息。提醒驾驶员去服务站维修。例如,发出语音提示信息、发送文字提示信息,及时提醒驾驶员注意维修。
为了便于理解本申请实施例提供的废气再循环系统的冷却效率检测方法,下面结合附图4进一步描述,如图4所示,该方法包括:
首先,采集中高转速负荷区一段稳态工况下的EGR流量、EGR上游压力、EGR两端压差和EGR位置开度、发动机转速、发动机油量等信号。组成数据矩阵。
进一步地,利用LSTM算法训练EGR温度预测模型,得到训练好的EGR温度预测模型,将采集的数据矩阵输入模型,得到预测的温度。
进一步地,判断模型预测温度与实际温度偏差是否超过一定限值。
另一方面,计算温度变化率绝对值,在温度变化率绝对值大于阈值的情况下,开始计时,温度变化率绝对值接近0的状态下,结束计时。记录开始到结束计时这段时间的累计时长,判断累计时长是否超过一定限值。
若模型预测温度与实际温度偏差超过一定限值,且累计时长超过一定限值,将EGR故障计数器加1,在一段时间内重复检测多次,判断故障计数器累计数值是否超过限值,若超过,则确定EGR系统冷却器故障,报出故障,提醒驾驶员去维修。
本申请稳态工况下,采用LSTM算法训练EGR温度预测模型,根据预测温度和实际温度的偏差判断EGR的冷却效率;另一方面,计算温度变化率绝对值,在温度变化率绝对值大于阈值的情况下,开始计时,温度变化率绝对值接近0的状态下,结束计时。记录开始到结束计时这段时间的累计时长,判断累计时长是否超过一定限值。当温度偏差和累计时间偏差都超限,并且故障计数器超过一定值,认为EGR冷却效率低,报出故障提醒驾驶员维修。
通过温度偏差和时间偏差双重判断,可以降低故障的误报率,提高废气再循环系统的冷却效果的检测准确性,保证系统正常运行。
根据本申请实施例的另一个方面,还提供了一种用于实施上述废气再循环系统的冷却效率检测方法的废气再循环系统的冷却效率检测装置。如图5所示,该装置包括:
温度差计算模块501,用于根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值;
时间差计算模块502,用于根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值;
判断模块503,用于根据温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障。
在一个可选地实施例中,还包括:
预测模块,用于训练长短期记忆神经网络模型;根据长短期记忆神经网络模型,预测废气再循环系统的温度。
需要说明的是,上述实施例提供的废气再循环系统的冷却效率检测装置在执行废气再循环系统的冷却效率检测方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的废气再循环系统的冷却效率检测装置与废气再循环系统的冷却效率检测方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
根据本申请实施例的又一个方面,还提供了一种与前述实施例所提供的废气再循环系统的冷却效率检测方法对应的电子设备,以执行上述废气再循环系统的冷却效率检测方法。
请参考图6,其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图6所示,电子设备包括:处理器600,存储器601,总线602和通信接口603,处理器600、通信接口603和存储器601通过总线602连接;存储器601中存储有可在处理器600上运行的计算机程序,处理器600运行计算机程序时执行本申请前述任一实施例所提供的废气再循环系统的冷却效率检测方法。
其中,存储器601可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口603(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线602可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器601用于存储程序,处理器600在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的废气再循环系统的冷却效率检测方法可以应用于处理器600中,或者由处理器600实现。
处理器600可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器600中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器600可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器601,处理器600读取存储器601中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的废气再循环系统的冷却效率检测方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
根据本申请实施例的又一个方面,还提供一种与前述实施例所提供的废气再循环系统的冷却效率检测方法对应的计算机可读存储介质,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的废气再循环系统的冷却效率检测方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的废气再循环系统的冷却效率检测方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种废气再循环系统的冷却效率检测方法,其特征在于,包括:
根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值;
根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值;
根据所述温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障。
2.根据权利要求1所述的方法,其特征在于,根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值之前,还包括:
训练长短期记忆神经网络模型;
根据所述长短期记忆神经网络模型,预测废气再循环系统的温度。
3.根据权利要求2所述的方法,其特征在于,根据所述长短期记忆神经网络模型,预测废气再循环系统的温度,包括:
采集废气再循环系统流量、废气再循环系统上游压力、废气再循环系统两端压差、废气再循环系统位置开度、发动机转速以及发动机油量,组成数据矩阵;
将所述数据矩阵输入所述长短期记忆神经网络模型,得到预测的废气再循环系统的温度。
4.根据权利要求1所述的方法,其特征在于,根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值之前,还包括:
计算当前时刻废气再循环系统的温度变化率绝对值;
在所述温度变化率绝对值大于预设第一阈值的情况下,确定计时开始时间;
在所述温度变化率绝对值小于预设第二阈值的情况下,确定计时结束时间;
根据所述计时结束时间与计时开始时间的差值,得到所述冷却累计时间。
5.根据权利要求1所述的方法,其特征在于,根据所述温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障,包括:
在所述温度差值大于预设温度阈值,时间差值大于预设时间阈值的情况下,故障计数器加1;
在预设时段内的故障计数器数值大于预设数值的情况下,确定废气再循环系统的冷却器故障。
6.根据权利要求5所述的方法,其特征在于,确定废气再循环系统的冷却器故障之后,还包括:
发送废气再循环系统冷却器故障的提示信息。
7.一种废气再循环系统的冷却效率检测装置,其特征在于,包括:
温度差计算模块,用于根据预测的废气再循环系统的温度以及采集的实际废气再循环系统的温度,计算温度差值;
时间差计算模块,用于根据计算的冷却累计时间以及预设的冷却时间阈值,计算时间差值;
判断模块,用于根据所述温度差值以及时间差值与预设温度阈值以及时间阈值的关系,判断废气再循环系统的冷却器是否故障。
8.根据权利要求7所述的装置,其特征在于,还包括:
预测模块,用于训练长短期记忆神经网络模型;根据所述长短期记忆神经网络模型,预测废气再循环系统的温度。
9.一种电子设备,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至6任一项所述的废气再循环系统的冷却效率检测方法。
10.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令被处理器执行以实现如权利要求1至6任一项所述的一种废气再循环系统的冷却效率检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311476735.7A CN117723304A (zh) | 2023-11-07 | 2023-11-07 | 废气再循环系统的冷却效率检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311476735.7A CN117723304A (zh) | 2023-11-07 | 2023-11-07 | 废气再循环系统的冷却效率检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117723304A true CN117723304A (zh) | 2024-03-19 |
Family
ID=90200564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311476735.7A Pending CN117723304A (zh) | 2023-11-07 | 2023-11-07 | 废气再循环系统的冷却效率检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117723304A (zh) |
-
2023
- 2023-11-07 CN CN202311476735.7A patent/CN117723304A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108150300B (zh) | 一种柴油机NOx原排模型值的修正方法及装置 | |
CN111042956B (zh) | Egr流量故障判断方法、装置及设备 | |
CN103670809B (zh) | Egr冷却器状况模块及相关系统 | |
US20060218895A1 (en) | Method for operating an internal combustion engine and device for executing the method | |
US8869528B2 (en) | Low pressure EGR system and method for determining intake air leakage therethrough | |
US9416715B2 (en) | Method for monitoring an exhaust system of an internal combustion engine | |
JP2006504113A (ja) | 内燃機関の範囲内の測定変数を検出する、少なくとも3つのセンサの検査方法 | |
CN112282986B (zh) | 废气再循环系统冷却效率的监测方法、系统及存储介质 | |
CN115638042B (zh) | 一种碳载量模型修正方法、装置、存储介质及电子设备 | |
CN113504050A (zh) | 一种egr系统积碳结焦测试方法及装置 | |
CN110529249A (zh) | 节气门异常检测方法及设备 | |
CN110827444B (zh) | 适用于obd远程排放监控数据的重型车排放因子获取方法 | |
CN112267949A (zh) | 一种柴油机大气压力传感器容错控制方法及控制系统 | |
CN109281776B (zh) | 一种废气回流故障监测方法及装置 | |
CN117723304A (zh) | 废气再循环系统的冷却效率检测方法、装置、设备及介质 | |
JP2023155219A (ja) | システム内の欠陥を識別するための方法 | |
CN108884793A (zh) | 异常检测装置、异常检测方法以及异常检测系统 | |
CN116447028A (zh) | 发动机系统egr率的控制方法、装置、电子设备和存储介质 | |
US11339703B2 (en) | Engine emission prediction system | |
CN113323747B (zh) | 一种催化转换器异常诊断及电子设备 | |
CN114517750A (zh) | Egr系统是否处于积碳状态的确定方法及装置 | |
US11274592B2 (en) | Catalyst deterioration diagnosis device and catalyst deterioration diagnosis method | |
CN112648087A (zh) | 发动机egr阀自学习控制方法及装置 | |
CN114961949B (zh) | Scr系统的故障诊断方法、装置、设备和介质 | |
US20240044275A1 (en) | Verfahren zur diagnose eines partikelfilters für einen verbrennungsmotor |
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 |