CN117854636B - 一种柴油车瞬态过程颗粒物数量排放预测方法 - Google Patents
一种柴油车瞬态过程颗粒物数量排放预测方法 Download PDFInfo
- Publication number
- CN117854636B CN117854636B CN202410256992.8A CN202410256992A CN117854636B CN 117854636 B CN117854636 B CN 117854636B CN 202410256992 A CN202410256992 A CN 202410256992A CN 117854636 B CN117854636 B CN 117854636B
- Authority
- CN
- China
- Prior art keywords
- emission
- diesel vehicle
- data
- test
- predicting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000001052 transient effect Effects 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 239000013618 particulate matter Substances 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 55
- 238000000354 decomposition reaction Methods 0.000 claims description 16
- 239000000446 fuel Substances 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000010354 integration Effects 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract 1
- BUCXEFZXWKUCCY-UHFFFAOYSA-N 4-methyl-3-(2-phenylethyl)-1,2,4-oxadiazol-5-one Chemical compound O1C(=O)N(C)C(CCC=2C=CC=CC=2)=N1 BUCXEFZXWKUCCY-UHFFFAOYSA-N 0.000 description 6
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Of Engines (AREA)
Abstract
本发明公开了一种柴油车瞬态过程颗粒物数量排放预测方法，属于颗粒物排放预测技术领域；通过改进EMD算法对柴油车的PN排放数据进行分解，降低了瞬态数据的波动性和随机性，将排放数据预处理分解的结果并结合测试运行数据分别对XGBoost算法和门控循环单元模型进行训练以及修正，通过将训练修正的XGBoost和GRU进行组合获取组合预测模型，实现不同训练技术的联立整合，可以有效提高后续瞬态过程颗粒物数量排放的预测效果；本发明用于解决现有方案中只是基于单一的神经网络算法来对现有的测试数据进行训练获取测试模型，不能将不同的训练技术进行联立整合导致瞬态过程颗粒物数量排放的预测效果不佳的技术问题。
Description
技术领域
本发明涉及颗粒物排放预测技术领域，具体涉及一种柴油车瞬态过程颗粒物数量排放预测方法。
背景技术
柴油机具有良好的燃油经济性和动力性，但其排放中含有过高的颗粒物排放。颗粒物的粒径大小是危害人体健康的重要因素。因此，在控制颗粒物数量排放的同时，监测实际道路车辆的颗粒物数量排放也非常重要。
经过检索，公开号为CN112964476A、名称为一种重型柴油车实际道路颗粒物排放在线预测方法的中国专利，公开了以下步骤；S1、进行车载PEMS测试，获取测试数据；S2、对数据进行清洗，并选取特征参数；S3、对选取的特征参数进行处理，进行预测模型训练，得到基于神经网络的颗粒物预测模型；S4、获取车辆实际运行时颗粒物排放数据，导入至预测模型，获取颗粒物排放预测结果。该发明所述的重型柴油车实际道路颗粒物排放在线预测方法该方法不需要增加额外的传感器等硬件，不增加车辆成本，基于试验数据训练的神经网络能够进行各种行驶工况下的颗粒物排放预测。
现有的颗粒物排放预测方案存在一定的缺陷，只是基于单一的神经网络算法来对现有的测试数据进行训练获取测试模型，不能将不同的训练技术进行联立整合导致瞬态过程颗粒物数量排放的预测效果不佳。
发明内容
本发明的目的在于提供一种柴油车瞬态过程颗粒物数量排放预测方法，用于解决现有方案中只是基于单一的神经网络算法来对现有的测试数据进行训练获取测试模型，不能将不同的训练技术进行联立整合导致瞬态过程颗粒物数量排放的预测效果不佳的技术问题。
本发明的目的可以通过以下技术方案实现：
一种柴油车瞬态过程颗粒物数量排放预测方法，包括：
S1：在不同试验条件下进行柴油车实际道路排放试验测试以及数据监测统计，获取柴油车的测试运行数据和排放数据；提取排放数据中不同时间监测统计的颗粒物瞬时排放量的数值并组合得到排放数据序列E（t），将测试运行数据与排放数据序列组合得到测试数据集；
S2：通过改进的经验模态分解算法对测试数据集中的排放数据序列E（t）进行分解获取多个不同时频的本征模态函数H(i)；
S3：将测试数据集中的测试运行数据作为输入量，以及将获得的多个本征模态函数H(i)作为输出量，对XGBoost算法进行训练，利用XGBoost模型对多个本征模态函数H(i)进行瞬时预测，获得初步预测值；并将多个本征模态函数H(i)与初步预测值/>作差得到残差序列/>；
S4：将残差序列和多个本征模态函数H(i)转化为监督学习数据并作为门控循环单元模型的输入参数来对残差序列进行修正，得到残差序列的预测值/>；
S5：将XGBoost模型瞬时预测的初步预测值和门控循环单元模型的预测值/>进行相加获取组合预测模型，组合预测模型的预测函数/>为：/>；
S6：利用训练完成的组合预测模型进行颗粒物瞬态过程排放预测计算并输出颗粒物的实际瞬时估算结果。
优选地，试验条件包含若干不同的海拔范围、不同道路类型以及不同道路类型对应的行驶里程。
优选地，测试运行参数包含进气压力、车速、燃油消耗、发动机转速、发动机负荷、排气温度和行驶总里程；排放数据包含柴油车测试途中不同时间的颗粒物瞬时排放量。
优选地，通过改进的经验模态分解算法对颗粒物测试排放数据序列E（t）进行一次分解，得到第一个本征模态函数h(tj)；
计算第一个本征模态函数h(tj)的平均频率w0和平均幅值A0。
优选地，获取任意时刻tj的瞬时频率；根据所有时刻tj的瞬时频率/>计算获取平均频率/>；
获取任意时刻tj的瞬时幅值 ；根据所有时刻tj的瞬时幅值/>计算获取平均频率/>；其中，j=1，2，3，……，N；N为正整数，表示为数据总个数。
优选地，构造四个基本函数：；
其中，k=1，2，3，4；RESi（t）为残差函数，且第一个残差RES1（t）=0；通过改进的经验模态分解算法分别对四个基本函数进行分解，得到四个本征模态函数Fik。
优选地，根据四个本征模态函数Fik计算获取第i个本征模态函数H(i)=（Fi1+Fi2+Fi3+Fi4）/4。
优选地，根据颗粒物测试排放数据序列E（t）和第i个本征模态函数H(i)计算残差RESi(t)=E(t) -ΣH(i)；重复构造四个基本函数以及后续的分解获取第i个本征模态函数H(i)，直到残差RESi（t）变的单调，不能再被改进的经验模态算法分解，此时得到的本征模态函数H(i)分量个数为M。
优选地，利用XGBoost模型对M个本征模态函数H(i)进行瞬时预测时，选择网格搜索结合四折交叉验证的方式，寻找XGBoost模型学习率、决策树数量或者树的最大深度超参数的最优值来获得初步预测值。
优选地，获取柴油车行驶过程中的实际运行数据，将实际运行数据中的进气压力、车速、燃油消耗、发动机转速、发动机负荷、排气温度和行驶总里程七个参数输入组合预测模型中计算获取柴油车瞬态过程颗粒物数量的瞬时估算值。
相比于现有方案，本发明实现的有益效果：
本发明通过监测统计柴油车实验测试的OBD数据，通过改进EMD算法对柴油车的PN排放数据进行分解，降低了瞬态数据的波动性和随机性，同时可以增强后续模型学习的稳定性和效率，将排放数据预处理分解的结果并结合测试运行数据分别对XGBoost算法和门控循环单元模型进行训练以及修正，提高了组合预测模型运行预测的稳定性和适用性；通过将训练修正的XGBoost和GRU进行组合获取组合预测模型，实现不同训练技术的联立整合，可以有效提高后续瞬态过程颗粒物数量排放的预测效果。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明一种柴油车瞬态过程颗粒物数量排放预测方法的流程框图。
图2为本发明中XGBoost简单原理示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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，本领域普通运维人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，本发明为一种柴油车瞬态过程颗粒物数量排放预测方法，包括：
S1：在不同试验条件下进行柴油车实际道路排放试验测试以及数据监测统计，获取柴油车的测试运行数据和排放数据；提取排放数据中不同时间监测统计的颗粒物瞬时排放量的数值并组合得到排放数据序列E（t），将测试运行数据与排放数据序列组合得到测试数据集；
其中，试验条件包含若干不同的海拔范围、不同道路类型以及不同道路类型对应的行驶里程；测试运行参数包含进气压力、车速、燃油消耗、发动机转速、发动机负荷、排气温度和行驶总里程；
排放数据包含柴油车测试途中不同时间的颗粒物瞬时排放量；
具体的，柴油车在0-800m、800-1600m、1600-2400m三个海拔范围内分别进行实际道路排放试验；每个海拔范围内柴油车在实际道路行驶过程中使用PEMS进行试验，传动装置是汽车中负责将发动机的动力传输到车轮的系统，而 PEMS 是一种用于监测和管理传动装置性能的电子系统，通常由一组传感器、控制模块和显示器组成，用于实时监测和诊断传动装置的各种参数和状态；PEMS 可以监测和记录传动装置的工作状态、转速、温度、油压、故障代码等信息；
道路行驶包含市区、市郊和高速三种不同行驶工况，其中市区行驶里程占总里程15%—20%，市郊行驶里程占总里程20%—25%，高速行驶里程占总里程50%—55%；各个工况行驶里程不低于16km，测试时间不少于10000s；通过OBD读取并记录柴油车运行参数，使用PEMS获得对应的瞬时颗粒物数量PN排放；OBD 全称为 On-Board Diagnostics，意为车载诊断系统，它是一种安装在汽车中的电子系统，可以监测和诊断车辆的各种工作状态和故障信息，还可以监测和诊断引擎、变速器、转向、制动等系统的状态，同时还能检测排放和燃油经济性等方面的性能指标；
读取柴油车在实际道路行驶过程中OBD产生的测试运行数据，包括进气压力、车速、燃油消耗、发动机转速、发动机负荷、排气温度和行驶总里程七个参数；通过PEMS获取柴油车实际道路行驶过程中的排放数据；
需要说明的是，由于发动机内部工作环境复杂，燃烧温度高，造成难以对发动机排放进行直接测量，但是车辆行驶参数与排放息息相关，并且可以较低成本获得车辆行驶参数，如车速、燃油消耗、发动机转速、发动机负荷和行驶里程等，这些参数可以通过OBD直接读取。这些参数虽然不能直接解释燃烧的过程，但都能直接反映燃烧的效果，并且与瞬时颗粒物数量PN排放具有较强的相关性。
颗粒物是柴油机气缸内柴油燃烧的产物，车辆驾驶情况间接决定了PN生成量和生成速率，如油门踏板的开度直接决定发动机的燃油消耗、发动机转速大小、行驶速度等车辆特征参数，同时，车辆负荷越大，所需油门踏板开度也更大，这些将直接影响柴油机的排放结果，海拔也对颗粒物排放有重要影响。因此，通过OBD读取的车辆行驶参数对PN排放进行预测是可行的。
S2：通过改进的经验模态分解算法对测试数据集中的排放数据序列E（t）进行分解获取多个不同时频的本征模态函数H(i)；具体的步骤包括：
S21：通过改进的经验模态分解算法对颗粒物测试排放数据序列E（t）进行一次分解，得到第一个本征模态函数h(tj)；
S22：计算第一个本征模态函数h(tj)的平均频率w0和平均幅值A0；
其中，获取任意时刻tj的瞬时频率；根据所有时刻tj的瞬时频率/>计算获取平均频率/>；
获取任意时刻tj的瞬时频率计算获取平均频率/>；
获取任意时刻tj的瞬时幅值 ；根据所有时刻tj的瞬时幅值/>计算获取平均频率/>；其中，j=1，2，3，……，N；N为正整数，表示为数据总个数；
S23：构造四个基本函数：；
其中，k=1，2，3，4；RESi（t）为残差函数，且第一个残差RES1（t）=0；
通过改进的经验模态分解算法分别对四个基本函数进行分解，得到四个本征模态函数Fik，根据四个本征模态函数Fik计算获取第i个本征模态函数H(i)=（Fi1+Fi2+Fi3+Fi4）/4；
S24：根据颗粒物测试排放数据序列E（t）和第i个本征模态函数H(i)计算残差RESi(t)=E(t) -ΣH(i)；重复S2和S3，直到残差RESi（t）变的单调，不能再被改进的经验模态算法分解，此时得到的本征模态函数H(i)分量个数为M；此时；
柴油车在实际道路行驶过程中产生的PN排放数据具有较强的波动性、随机性和非平稳性，在模型建立之前，需要对PMES测试的PN排放数据进行预处理，以增强模型的稳定性和泛化性；EMD算法是一种针对时间序列的分解算法，根据数据自身的时间尺度特征进行信号分解，分解得到的每一个子序列反映不同时频的特征变化；分解过后，通过子序列相加也能完美的还原出原始序列。本发明实施例中的改进EMD算法降低了EMD算法造成模态混叠的影响，同时也消除了CEEMDAN算法中引入噪声的影响以及计算成本较高的问题，非常适合于非线性、非平稳的时间序列分析和提高数据稳定性，在建立模型中使用改进EMD可以增强模型的预测性能。
S3：将测试数据集中的测试运行数据作为输入量，以及将获得的M个本征模态函数H(i)作为输出量，对XGBoost算法进行训练，利用XGBoost模型对M个本征模态函数H(i)进行瞬时预测，获得初步预测值；并将M个本征模态函数H(i)与初步预测值/>作差得到残差序列/>；
其中，将测试运行数据中进气压力、车速、燃油消耗、发动机转速、发动机负荷、排气温度和行驶总里程七个参数作为输入量；利用XGBoost模型对M个本征模态函数H(i)进行瞬时预测时，选择网格搜索结合四折交叉验证的方式，寻找XGBoost模型学习率、决策树数量或者树的最大深度超参数的最优值来获得初步预测值；
S4：将残差序列和M个本征模态函数H(i)转化为监督学习数据并作为门控循环单元模型的输入参数来对残差序列进行修正，得到残差序列的预测值/>；
S5：将XGBoost模型瞬时预测的初步预测值和门控循环单元模型的预测值/>进行相加获取组合预测模型，组合预测模型的预测函数/>为：/>；
XGBoost是集成算法Boosting中的一种，在GBDT（GradientTree Boosting）的基础上进行改进，将许多个CART回归树弱分类器集成在一起，形成一个强分类器，具有更强大的计算能力和应用范围；XGBoost通过增量训练来循环学习CART回归树，利用数据特征的选择条件作为树的非叶节点，树的叶节点会对应一个得分值，每一个叶节点会包括若干样本x，模型对样本x的预测值为多颗回归树中包含样本x的所有叶节点的得分之和。
如图2所示，对本发明实施例中实验测试的柴油车预测模型测试表明：当树的最大深度为7时，可以达到更高的训练精度；观察每棵树的随机样本比例为0.8时，可以更好的避免模型过拟合；弱学习器的个数直接影响集成最终效果，数量太少，容易欠拟合，数量太多，容易过拟合，一般情况与学习率一起考虑；在本发明实施例的柴油车预测模型中，弱学习器数量在500—600，学习率在0.008—0.012之间能取得泛化性较好的结果。
S6：利用训练完成的组合预测模型进行颗粒物瞬态过程排放预测计算并输出颗粒物的实际瞬时估算结果。
其中，获取柴油车行驶过程中的实际运行数据，将实际运行数据中的进气压力、车速、燃油消耗、发动机转速、发动机负荷、排气温度和行驶总里程七个参数输入组合预测模型中计算获取柴油车瞬态过程颗粒物数量的瞬时估算值。
本发明实施例中，通过监测统计柴油车实验测试的OBD数据，通过改进EMD算法对柴油车的PN排放数据进行分解，降低了瞬态数据的波动性和随机性，同时可以增强后续模型学习的稳定性和效率，将排放数据预处理分解的结果并结合测试运行数据分别对XGBoost算法和门控循环单元模型进行训练以及修正，提高了组合预测模型运行预测的稳定性和适用性；通过将训练修正的XGBoost和GRU进行组合获取组合预测模型，实现不同训练技术的联立整合，可以有效提高后续瞬态过程颗粒物数量排放的预测效果。
此外，上述中涉及的公式均是去除量纲取其数值计算，是由采集大量数据进行软件通过模拟软件模拟得到最接近真实情况的一个公式。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，可以通过其它的方式实现。例如，以上所描述的发明实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，既可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域运维人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的基本特征的情况下，能够以其他的具体形式实现本发明。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通运维人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，包括：
S1：在不同试验条件下进行柴油车实际道路排放试验测试以及数据监测统计，获取柴油车的测试运行数据和排放数据；提取排放数据中不同时间监测统计的颗粒物瞬时排放量的数值并组合得到排放数据序列E（t），将测试运行数据与排放数据序列组合得到测试数据集；
S2：通过改进的经验模态分解算法对测试数据集中的排放数据序列E（t）进行分解获取多个不同时频的本征模态函数H(i)；
S3：将测试数据集中的测试运行数据作为输入量，以及将获得的多个本征模态函数H(i)作为输出量，对XGBoost算法进行训练，利用XGBoost模型对多个本征模态函数H(i)进行瞬时预测，获得初步预测值；并将多个本征模态函数H(i)与初步预测值作差得到残差序列；
S4：将残差序列和多个本征模态函数H(i)转化为监督学习数据并作为门控循环单元模型的输入参数来对残差序列进行修正，得到残差序列的预测值；
S5：将XGBoost模型瞬时预测的初步预测值和门控循环单元模型的预测值进行相加获取组合预测模型；
S6：利用训练完成的组合预测模型进行颗粒物瞬态过程排放预测计算并输出颗粒物的实际瞬时估算结果。
2.根据权利要求1所述的一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，试验条件包含若干不同的海拔范围、不同道路类型以及不同道路类型对应的行驶里程。
3.根据权利要求2所述的一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，测试运行参数包含进气压力、车速、燃油消耗、发动机转速、发动机负荷、排气温度和行驶总里程；排放数据包含柴油车测试途中不同时间的颗粒物瞬时排放量。
4.根据权利要求1所述的一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，通过改进的经验模态分解算法对颗粒物测试排放数据序列E（t）进行一次分解，得到第一个本征模态函数h(tj)；
计算第一个本征模态函数h(tj)的平均频率w0和平均幅值A0。
5.根据权利要求4所述的一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，获取任意时刻tj的瞬时频率；根据所有时刻tj的瞬时频率计算获取平均频率/>；
获取任意时刻tj的瞬时幅值 ；根据所有时刻tj的瞬时幅值计算获取平均频率/>；其中，j=1，2，3，……，N；N为正整数，表示为数据总个数。
6.根据权利要求5所述的一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，构造四个基本函数：/>；
其中，k=1，2，3，4；RESi（t）为残差函数，且第一个残差RES1（t）=0；通过改进的经验模态分解算法分别对四个基本函数进行分解，得到四个本征模态函数Fik。
7.根据权利要求6所述的一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，根据四个本征模态函数Fik计算获取第i个本征模态函数H(i)=（Fi1+Fi2+Fi3+Fi4）/4。
8.根据权利要求7所述的一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，根据颗粒物测试排放数据序列E（t）和第i个本征模态函数H(i)计算残差RESi(t)=E(t) -ΣH(i)；重复构造四个基本函数以及后续的分解获取第i个本征模态函数H(i)，直到残差RESi（t）变的单调，不能再被改进的经验模态算法分解，此时得到的本征模态函数H(i)分量个数为M。
9.根据权利要求8所述的一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，利用XGBoost模型对M个本征模态函数H(i)进行瞬时预测时，选择网格搜索结合四折交叉验证的方式，寻找XGBoost模型学习率、决策树数量或者树的最大深度超参数的最优值来获得初步预测值。
10.根据权利要求1所述的一种柴油车瞬态过程颗粒物数量排放预测方法，其特征在于，获取柴油车行驶过程中的实际运行数据，将实际运行数据中的进气压力、车速、燃油消耗、发动机转速、发动机负荷、排气温度和行驶总里程七个参数输入组合预测模型中计算获取柴油车瞬态过程颗粒物数量的瞬时估算值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256992.8A CN117854636B (zh) | 2024-03-07 | 2024-03-07 | 一种柴油车瞬态过程颗粒物数量排放预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410256992.8A CN117854636B (zh) | 2024-03-07 | 2024-03-07 | 一种柴油车瞬态过程颗粒物数量排放预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117854636A CN117854636A (zh) | 2024-04-09 |
| CN117854636B true CN117854636B (zh) | 2024-04-30 |
Family
ID=90535003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410256992.8A Active CN117854636B (zh) | 2024-03-07 | 2024-03-07 | 一种柴油车瞬态过程颗粒物数量排放预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117854636B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005052332A1 (fr) * | 2003-11-19 | 2005-06-09 | Renault Sas | Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile |
| EP2574762A1 (en) * | 2011-09-30 | 2013-04-03 | Volvo Car Corporation | Soot emission estimation method and arrangement |
| CN105224730A (zh) * | 2015-09-17 | 2016-01-06 | 西南林业大学 | 一种高压共轨电控柴油机原始no2排放量预测方法 |
| US10422290B1 (en) * | 2018-04-13 | 2019-09-24 | Toyota Motor Engineering & Manufacturing North America, Inc. | Supervisory model predictive controller for diesel engine emissions control |
| CN111126655A (zh) * | 2019-03-05 | 2020-05-08 | 东南大学 | 一种基于车辆比功率和模型树回归的收费站车辆排放预测方法 |
| 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 |
| CN113935124A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机燃用生物柴油多目标性能优化方法 |
| CN113935125A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机排放性能的bp神经网络预测模型优化方法 |
| CN114048591A (zh) * | 2021-10-22 | 2022-02-15 | 天津布尔科技有限公司 | 一种基于xgboost算法的dpf碳载量预测方法、装置及存储介质 |
| CN115270476A (zh) * | 2022-08-01 | 2022-11-01 | 天津布尔科技有限公司 | 一种基于xgboost算法的dpf碳载量预测方法、装置及存储介质 |
-
2024
- 2024-03-07 CN CN202410256992.8A patent/CN117854636B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005052332A1 (fr) * | 2003-11-19 | 2005-06-09 | Renault Sas | Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile |
| EP2574762A1 (en) * | 2011-09-30 | 2013-04-03 | Volvo Car Corporation | Soot emission estimation method and arrangement |
| CN105224730A (zh) * | 2015-09-17 | 2016-01-06 | 西南林业大学 | 一种高压共轨电控柴油机原始no2排放量预测方法 |
| US10422290B1 (en) * | 2018-04-13 | 2019-09-24 | Toyota Motor Engineering & Manufacturing North America, Inc. | Supervisory model predictive controller for diesel engine emissions control |
| CN111126655A (zh) * | 2019-03-05 | 2020-05-08 | 东南大学 | 一种基于车辆比功率和模型树回归的收费站车辆排放预测方法 |
| 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 |
| CN113935124A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机燃用生物柴油多目标性能优化方法 |
| CN113935125A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机排放性能的bp神经网络预测模型优化方法 |
| CN114048591A (zh) * | 2021-10-22 | 2022-02-15 | 天津布尔科技有限公司 | 一种基于xgboost算法的dpf碳载量预测方法、装置及存储介质 |
| CN115270476A (zh) * | 2022-08-01 | 2022-11-01 | 天津布尔科技有限公司 | 一种基于xgboost算法的dpf碳载量预测方法、装置及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| A Novel Deep Learning Approach to Predict the Instantaneous NOx Emissions From Diesel Engine;Yu, Yang，等;《IEEE ACCESS》;20210108;第9卷;第11002-11013页 * |
| Modelling and Prediction of Particulate Matter, NOx, and Performance of a Diesel Vehicle Engine under Rare Data Using Relevance Vector Machine;Ka In Wong，等;《JOURNAL OF CONTROL SCIENCE AND ENGINEERING》;20121231;第782095篇 * |
| Particulate matter and nitrogen oxide emissions prediction using artificial neural network for diesel engine running on biodiesel-diesel fuel with nano-additive;Sule, A.，等;《AIP Conference Proceedings》;20231231;第030009篇 * |
| 城市交叉口细颗粒物和黑碳的时空分布及预测研究;王占永;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20200315(第3期);B027-17 * |
| 基于BP神经网络的电控LPG-柴油双燃料内燃机碳烟排放的预测;李捷辉，等;《拖拉机与农用运输车》;20060831(第4期);第56-58页 * |
| 基于窗口平均值法的高原环境下柴油车NOx排放研究;陈剑杰，等;《 汽车技术》;20180731(第7期);第32-35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117854636A (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Barth et al. | Recent validation efforts for a comprehensive modal emissions model | |
| CN103091112B (zh) | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 | |
| US20200240346A1 (en) | Calculation of exhaust emissions of a motor vehicle | |
| CN110826772A (zh) | 车辆尾气排放预测方法、装置、设备及存储介质 | |
| CN203083829U (zh) | 基于简易工况法尾气排放检测的汽车故障诊断系统 | |
| CN107577910A (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
| Vong et al. | Simultaneous-fault detection based on qualitative symptom descriptions for automotive engine diagnosis | |
| Ma et al. | An evaluation of microscopic emission models for traffic pollution simulation using on-board measurement | |
| Henningsson et al. | A virtual sensor for predicting diesel engine emissions from cylinder pressure data | |
| Asher et al. | Economic and efficient hybrid vehicle fuel economy and emissions modeling using an artificial neural network | |
| Panneer Selvam et al. | Prediction of NO x emissions from compression ignition engines using ensemble learning-based models with physical interpretability | |
| Liao et al. | A comparative investigation of advanced machine learning methods for predicting transient emission characteristic of diesel engine | |
| Zhang et al. | Misfire detection of diesel engine based on convolutional neural networks | |
| Donateo et al. | Real time estimation of emissions in a diesel vehicle with neural networks | |
| CN117854636B (zh) | 一种柴油车瞬态过程颗粒物数量排放预测方法 | |
| Ineza Havugimana et al. | Review of artificial intelligent algorithms for engine performance, control, and diagnosis | |
| Pla et al. | Ammonia injection failure diagnostic and correction in engine after-treatment system by NOx and NH3 emissions observation | |
| Xu et al. | A deep transfer NOx emission inversion model of diesel vehicles with multisource external influence | |
| Witaszek | Modeling of fuel consumption using artificial neural networks | |
| 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 | |
| Farsodia et al. | Advance Data Analytics Methodologies to Solve Diesel Engine Exhaust Aftertreatment System Challenges | |
| Zhang et al. | A vehicle emission factors concentration inversion method based on deep neural networks | |
| Kazan et al. | Assessment of On-Road High NOx Emitters by Using Machine Learning Algorithms for Heavy-Duty Vehicles | |
| Liao et al. | Prediction of the transient emission characteristics from diesel engine using temporal convolutional networks | |
| 신승협 | Development of a Methodology for Designing a Steady-state Dataset using Deep Learning |
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 |