一种DPF再生的预警方法、装置、设备及介质

技术领域

本申请涉及智能诊断领域，具体涉及一种DPF再生的预警方法、装置、设备及介质。

背景技术

为了满足国六排放法规，降低发动机尾气中的碳颗粒排放，柴油机车辆都匹配了柴油机微粒过滤DPF系统。车辆尾气中的碳颗粒被DPF捕集后，颗粒会留在DPF表面，当DPF表面积累较多碳颗粒后会导致排气背压升高，影响经济性和动力性，因此会触发DPF再生，通过将DPF内部的碳颗粒燃烧掉，使得DPF背压恢复正常。

车辆在进行再生过程中如果出现停车或者长时间怠速都会造成DPF再生中断，导致再生不成功，在车辆重新正常运行后DPF再生会再次启动。工程车装货卸货的距离比较短，会频繁启停，打断DPF再生，导致DPF再生不成功，车辆如果在再生过程中进入加油站加油或者卸货点卸货，也会停机打断DPF再生，导致再生不成功，进而会频繁的触发DPF再生，影响车辆的运营，并导致车辆高油耗。

因此，如何避免DPF频繁再生是亟需解决的技术问题。

发明内容

本申请提供一种DPF再生的预警方法、装置、设备及介质，可以解决现有技术中存在的DPF容易频繁再生的技术问题。

第一方面，本申请实施例提供一种DPF再生的预警方法，所述DPF再生的预警方法包括：

将车辆状态参数输入至训练好的DPF碳载量预测模型中，获得预测的未来碳载量；

根据预测的未来碳载量确定车辆碳载量达到预设的碳载量高限值的未来时刻；

根据所述未来时刻与当前时刻的时间差发出车辆运行规划提醒或者触发DPF再生。

结合第一方面，在一种实施方式中，根据所述未来时刻与当前时刻的时间差发出车辆运行规划提醒或者触发DPF再生，包括：

当所述未来时刻与当前时刻的时间差小于预设的第一时间差阈值，且大于预设的第二时间差阈值时，发出车辆运行规划提醒；

当所述未来时刻与当前时刻的时间差值小于预设的第二时间差值时，触发DPF再生；

其中所述第一时间差阈值大于所述第二时间差阈值。

在一种实施方式中，车辆状态参数包括：

时间、当前DPF碳载量、车辆总里程、车速、发动机转速、发动机扭矩、发动机排气温度、车辆油耗和发动机进气流量。

在一种实施方式中，在将车辆状态参数输入至训练好的DPF碳载量预测模型中，获得预测的未来碳载量之前，还包括：

将预先采集的车辆状态参数和碳载量作为训练集对DPF预测模型进行训练，以得到训练好的DPF碳载量预测模型。

在一种实施方式中，在将预先采集的车辆状态参数和碳载量作为训练集对DPF预测模型进行训练之前，还包括：

将预先采集的车辆状态参数中总里程数递减、发动机转数为0以及车辆速度为0的数据进行删除；

将总里程数不变的数据中除该总里程数第一次出现以外的数据进行删除；

通过最小二乘法对保留的车辆状态参数进行线性插值，并在线性插值结果与保留的车辆状态参数的差值大于预设的差值阈值时，使用所述线性插值结果替代保留的车辆状态参数，以对保留的车辆状态参数进行平滑处理。

在一种实施方式中，所述DPF碳载量预测模型为LSMT模型预测模型，其损失函数为平均绝对误差mean_absolute_error损失函数，优化器为自适应adam优化器。

第二方面，本申请实施例提供了一种DPF再生的预警装置，所述DPF再生的预警装置包括：

预测模块，其用于将车辆状态参数输入至训练好的DPF碳载量预测模型中，获得预测的未来碳载量；

确定模块，其用于根据预测的未来碳载量确定车辆碳载量达到预设的碳载量高限值的未来时刻；

预警模块，其用于根据所述未来时刻与当前时刻的时间差发出车辆运行规划提醒或者触发DPF再生。

结合第二方面，在一种实施方式中，所述预测模块还用于：

当所述未来时刻与当前时刻的时间差小于预设的第一时间差阈值，且大于预设的第二时间差阈值时，发出车辆运行规划提醒；

当所述未来时刻与当前时刻的时间差值小于预设的第二时间差值时，触发DPF再生；

其中所述第一时间差阈值大于所述第二时间差阈值。

在一种实施方式中，车辆状态参数包括：

时间、当前DPF碳载量、车辆总里程、车速、发动机转速、发动机扭矩、发动机排气温度、车辆油耗和发动机进气流量。

在一种实施方式中，该装置还用于：

将预先采集的车辆状态参数和碳载量作为训练集对DPF预测模型进行训练，以得到训练好的DPF碳载量预测模型。

在一种实施方式中，该装置还用于：

将预先采集的车辆状态参数中总里程数递减、发动机转数为0以及车辆速度为0的数据进行删除；

将总里程数不变的数据中除该总里程数第一次出现以外的数据进行删除；

通过最小二乘法对保留的车辆状态参数进行线性插值，并在线性插值结果与保留的车辆状态参数的差值大于预设的差值阈值时，使用所述线性插值结果替代保留的车辆状态参数，以对保留的车辆状态参数进行平滑处理。

在一种实施方式中，所述DPF碳载量预测模型为LSMT模型预测模型，其损失函数为平均绝对误差mean_absolute_error损失函数，优化器为自适应adam优化器。

第三方面，本申请实施例提供了一种DPF再生的预警设备，所述DPF再生的预警设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的DPF再生的预警程序，其中所述DPF再生的预警程序被所述处理器执行时，实现如上述的DPF再生的预警方法的步骤。

第四方面，本申请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上存储有DPF再生的预警程序，其中所述DPF再生的预警程序被处理器执行时，实现如上述的DPF再生的预警方法的步骤。

本申请实施例提供的一种DPF再生的预警方法、装置、设备和介质，通过将车辆状态参数输入至训练好的DPF碳载量预测模型中，获得预测的未来碳载量；根据预测的未来碳载量确定车辆碳载量达到预设的碳载量高限值的未来时刻；根据所述未来时刻与当前时刻的时间差发出车辆运行规划提醒或者触发DPF再生，实现了对车辆未来碳载量进行准确的预测，并确定根据车辆碳载量达到预设的碳载量高限值的未来时刻，提醒司合理运行车辆或者直接触发DPF再生，能够有效的避免车辆DPF再生频繁被打断，提高了车辆的运营效率，降低车辆能耗。

附图说明

图1为本申请提供的一种DPF再生的预警方法的流程示意图；

图2为LSTM模型主模块的程序示意图；

图3为LSMT模型的训练程序示意图；

图4为LSMT模型的预测程序示意图；

图5为预测的未来碳载量示意图；

图6为本申请提供的一种DPF再生的预警装置的功能模块示意图；

图7为本申请实施例方案中涉及的一种DPF再生的预警设备的硬件结构示意图。

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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

第一方面，本申请实施例提供一种DPF再生的预警方法。

一实施例中，参照图1，图1为本申请DPF再生的预警方法的流程示意图。如图1所示，DPF再生的预警方法包括：

步骤S101、将车辆状态参数输入至训练好的DPF碳载量预测模型中，获得预测的未来碳载量。

步骤S102、根据预测的未来碳载量确定车辆碳载量达到预设的碳载量高限值的未来时刻。

步骤S103、根据所述未来时刻与当前时刻的时间差发出车辆运行规划提醒或者触发DPF再生。

值得说明的是，本实施例提供的DPF再生的预警方法，能够对车辆未来碳载量进行准确的预测，并确定根据车辆碳载量达到预设的碳载量高限值的未来时刻，提醒司合理运行车辆或者直接触发DPF再生，能够有效的避免车辆DPF再生频繁被打断，提高了车辆的运营效率，降低车辆能耗。

进一步地，一实施例中，在将车辆状态参数输入至训练好的DPF碳载量预测模型中，获得预测的未来碳载量之前，还包括：将预先采集的车辆状态参数和碳载量作为训练集对DPF预测模型进行训练，以得到训练好的DPF碳载量预测模型。

值得说明的是，本实施例中的车辆状态参数包括，时间、当前DPF碳载量、车辆总里程、车速、发动机转速、发动机扭矩、发动机排气温度、车辆油耗和发动机进气流量。可以理解的是车辆总里程、车速、发动机转速、发动机扭矩等车辆状态参数是随着时间变化的。其中车辆状态参数中的事件可以为GPS时间。

作为一种优选的实施方式，在将预先采集的车辆状态参数和碳载量作为训练集对DPF预测模型进行训练之前，还包括：对预先采集的车辆状态参数进行数据治理，本实施例中的数据治理包括：里程有效性治理、车辆运行有效性治理、数据重复性治理，以及数据平滑性治理。

具体的，里程有效性治理包括：将预先采集的车辆状态参数中总里程数递减的数据进行删除。

车辆运行有效性治理包括，将将预先采集的车辆状态参数中发动机转数为0以及车辆速度为0的数据进行删除。

数据重复性治理包括，将总里程数不变的数据中除该总里程数第一次出现以外的数据进行删除，即对里程数不变的数值，仅保存第一个出现的里程值，以减少数据冗余。

数据平滑性治理包括：通过最小二乘法对保留的车辆状态参数进行线性插值，并在线性插值结果与保留的车辆状态参数的差值大于预设的差值阈值时，使用所述线性插值结果替代保留的车辆状态参数，以对保留的车辆状态参数进行平滑处理。

示范性的，对预先采集的车辆状态数据进行数据平滑性治理时，采用interp1d()线性插值函数，将在原数据基础上每隔5km采用最小二乘法进行线性差值，若线性差值的结果和采集的数据差异较大，则采用线性差值结果替代采集的结果，进行数据平滑下处理的变量包括当前DPF碳载量、车速、发动机转速、发动机扭矩、发动机排气温度、车辆油耗和发动机进气流量。

值得说明的是，对预先采集的车辆状态参数进行数据治理，能够有效的过滤掉数据中的无效数据和重复的冗余数据，对将治理后的车辆状态数据再作为训练集对DPF碳载量预测模型进行训练，能够有成效的提高DPF碳载量预测模型预测的未来碳载量的准确性，从而能够提高DPF再生的预警的准确性。

一些实施例中，所述DPF碳载量预测模型为LSMT模型预测模型，其损失函数为平均绝对误差mean_absolute_error损失函数，优化器为自适应adam优化器。

值得说明的是，因为模型的预测值符合高斯分布，所以损失韩数采用mean_absolute_error损失函数，优化器采用的adam优化器。预先采集的车辆状态参数为真实数据，通过真实数据进行训练可以让LSTM掌握更多的数据隐藏特征。预测结果与实际采集的数据越贴合，越说明LSTM学习到数据的特征越多，模型建立的越好，越有利于进行长期预测。本实施例中的DPF碳载量预测模型设置于云平台中，云平台能够提供足够的算力，使得DPF碳载量预测模型预测得到的未来碳载量更准确，其中LSTM模型的主模块如图2所示。本申请中基于LSMT模型建立的DPF碳载量预测模型能够实现1-2天里程-碳载的预测。

LSMT模型的训练程序如图3所示，在对DPF碳载量预测模型进行训练时将隐藏层神经因子数量设置在(4,30)之间进行训练；当隐藏层神经因子数量为16时(即模型model16.h5)，loss函数值最小。该模型认为是该区间范围内训练效果最好的模型，利用该模型对碳载量进行长期预测。模型可以准确预测下一段时间的碳载量，且精度也达到95％以上，满足模型使用要求。

在DPF碳载量预测模型训练好后，向训练好的DPF碳载量预测模型输入车辆状态参数，即可获得预测的未来碳载量，其中DPF碳载量预测模型的预测程序如图4所示，其能够实现1-2天里程-碳载的预测。需要理解的是，如图5所示，DPF碳载量预测模型预测的是随时间变化的车辆总里程和对应的碳载量。

进一步的，根据所述未来时刻与当前时刻的时间差发出车辆运行规划提醒或者触发DPF再生，包括：当所述未来时刻与当前时刻的时间差小于预设的第一时间差阈值，且大于预设的第二时间差阈值时，发出车辆运行规划提醒；当所述未来时刻与当前时刻的时间差值小于预设的第二时间差值时，触发DPF再生；其中所述第一时间差阈值大于所述第二时间差阈值。

示范性的，可以设置第一时间差阈值为4小时，第二时间差为2小时，预设的碳载量高限值为17.5。

当前时刻为上午8点，模型预测的未来车辆碳载量结果中，下午3点碳载量将达到17.5，那么下午3点即为达到预设的碳载量高限值的未来时刻，当前时刻与未来时刻的时间差为7小时，大于第一时间差阈值，则不发出提醒；当模型预测的未来车辆碳载量结果中，上午10点碳载量将达到17.5，当前时刻与未来时刻的时间差为2小时，小于第一时间差阈值，大于第二时间差阈值，则可以提醒司机进行运营路线规划，减少频繁启停车辆的次数，以确保满足DPF再生条件；当模型预测的未来车辆碳载量结果中，上午8点办点碳载量将达到17.5，当前时刻与未来时刻的时间差为0.5小时，小于第二时间差阈值，则提醒司机即将发生碳载量高问题，触发DPF再生，可以选择停车驻车再生也可以运营路况较好的路线上，确保不会打断DPF再生。

本申请实施例提供了一种DPF再生的预警方法通过采集车辆的时间、当前碳载量、车辆总里程、车速、发动机转速、发动机扭矩、发动机排气温度、车辆油耗和发动机进气流量等车辆状态参数，并对车辆状态参数进行数据治理，确保数据的真实有效，使用治理后的车辆状态参数并对LSTM预测模型进行训练，得到DPF碳载量预测模型，可将当前新的车辆状态参数准输入值DPF碳载量预测模型中获得未来碳载量，便于控制车辆合理安排DPF再生时刻。能够有效的避免车辆DPF再生频繁被打断，提高了车辆的运营效率，降低车辆能耗。

第二方面，本申请实施例还提供一种DPF再生的预警装置。

一实施例中，参照图6，图6为本申请DPF再生的预警装置的功能模块示意图。如图6所示，DPF再生的预警装置包括：

预测模块，其用于将车辆状态参数输入至训练好的DPF碳载量预测模型中，获得预测的未来碳载量；

确定模块，其用于根据预测的未来碳载量确定车辆碳载量达到预设的碳载量高限值的未来时刻；

预警模块，其用于根据所述未来时刻与当前时刻的时间差发出车辆运行规划提醒或者触发DPF再生。

进一步地，一实施例中，所述预测模块还用于：

当所述未来时刻与当前时刻的时间差小于预设的第一时间差阈值，且大于预设的第二时间差阈值时，发出车辆运行规划提醒；

当所述未来时刻与当前时刻的时间差值小于预设的第二时间差值时，触发DPF再生；

其中所述第一时间差阈值大于所述第二时间差阈值。

进一步地，一实施例中，车辆状态参数包括：

时间、当前DPF碳载量、车辆总里程、车速、发动机转速、发动机扭矩、发动机排气温度、车辆油耗和发动机进气流量。

进一步地，一实施例中，该装置还用于：

将预先采集的车辆状态参数和碳载量作为训练集对DPF预测模型进行训练，以得到训练好的DPF碳载量预测模型。

进一步地，一实施例中，该装置还用于：

将预先采集的车辆状态参数中总里程数递减、发动机转数为0以及车辆速度为0的数据进行删除；

将总里程数不变的数据中除该总里程数第一次出现以外的数据进行删除；

通过最小二乘法对保留的车辆状态参数进行线性插值，并在线性插值结果与保留的车辆状态参数的差值大于预设的差值阈值时，使用所述线性插值结果替代保留的车辆状态参数，以对保留的车辆状态参数进行平滑处理。

进一步地，一实施例中，所述DPF碳载量预测模型为LSMT模型预测模型，其损失函数为平均绝对误差mean_absolute_error损失函数，优化器为自适应adam优化器。

其中，上述DPF再生的预警装置中各个模块的功能实现与上述DPF再生的预警方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

第三方面，本申请实施例提供一种DPF再生的预警设备，DPF再生的预警DPF再生的预警设备可以是云平台或整车控制器等具有数据处理功能的设备。

参照图7，图7为本申请实施例方案中涉及的DPF再生的预警设备的硬件结构示意图。本申请实施例中，DPF再生的预警设备可以包括处理器、存储器、通信接口以及通信总线。

其中，通信总线可以是任何类型的，用于实现处理器、存储器以及通信接口互连。

通信接口包括输入/输出(input/output，I/O)接口、物理接口和逻辑接口等用于实现DPF再生的预警设备内部的器件互连的接口，以及用于实现DPF再生的预警设备与其他设备(例如其他计算设备或用户设备)互连的接口。物理接口可以是以太网接口、光纤接口、ATM接口等；用户设备可以是显示屏(Display)、键盘(Keyboard)等。

存储器可以是各种类型的存储介质，例如随机存取存储器

(randomaccess memory，RAM)、只读存储器(read-only memory，ROM)、非易失性RAM(non-volatileRAM，NVRAM)、闪存、光存储器、硬盘、可编程ROM(programmable ROM，PROM)、可擦除PROM(erasable PROM，EPROM)、电可擦除PROM(electrically erasablePROM，EEPROM)等。

处理器可以是通用处理器，通用处理器可以调用存储器中存储的DPF再生的预警程序，并执行本申请实施例提供的DPF再生的预警方法。例如，通用处理器可以是中央处理器(central processing unit，CPU)。

其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实现如下步骤：

将车辆状态参数输入至训练好的DPF碳载量预测模型中，获得预测的未来碳载量；

根据预测的未来碳载量确定车辆碳载量达到预设的碳载量高限值的未来时刻；

根据所述未来时刻与当前时刻的时间差发出车辆运行规划提醒或者触发DPF再生。

一些实施例中，所述处理器在用于实现根据所述未来时刻与当前时刻的时间差发出车辆运行规划提醒或者触发DPF再生时，还用于实现：

当所述未来时刻与当前时刻的时间差小于预设的第一时间差阈值，且大于预设的第二时间差阈值时，发出车辆运行规划提醒；

当所述未来时刻与当前时刻的时间差值小于预设的第二时间差值时，触发DPF再生；

其中所述第一时间差阈值大于所述第二时间差阈值。

一些实施例中，车辆状态参数包括：

时间、当前DPF碳载量、车辆总里程、车速、发动机转速、发动机扭矩、发动机排气温度、车辆油耗和发动机进气流量。

一些实施例中，所述处理器在用于实现将车辆状态参数输入至训练好的DPF碳载量预测模型中，获得预测的未来碳载量之前，还用于实现：

将预先采集的车辆状态参数和碳载量作为训练集对DPF预测模型进行训练，以得到训练好的DPF碳载量预测模型。

一些实施例中，所述处理器在用于实现将预先采集的车辆状态参数和碳载量作为训练集对DPF预测模型进行训练之前，还用于实现：

将预先采集的车辆状态参数中总里程数递减、发动机转数为0以及车辆速度为0的数据进行删除；

将总里程数不变的数据中除该总里程数第一次出现以外的数据进行删除；

通过最小二乘法对保留的车辆状态参数进行线性插值，并在线性插值结果与保留的车辆状态参数的差值大于预设的差值阈值时，使用所述线性插值结果替代保留的车辆状态参数，以对保留的车辆状态参数进行平滑处理。

一些实施例中，所述DPF碳载量预测模型为LSMT模型预测模型，其损失函数为平均绝对误差mean_absolute_error损失函数，优化器为自适应adam优化器。

其中，DPF再生的预警程序被调用时所执行的方法可参照本申请DPF再生的预警方法的各个实施例，此处不再赘述。

本领域技术人员可以理解，图m中示出的硬件结构并不构成对本申请的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

第四方面，本申请实施例还提供一种可读存储介质。

本申请可读存储介质上存储有DPF再生的预警程序，其中所述DPF再生的预警程序被处理器执行时，实现如上述的DPF再生的预警方法的步骤。

其中，DPF再生的预警程序被执行时所实现的方法可参照本申请DPF再生的预警方法的各个实施例，此处不再赘述。

需要说明的是，上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例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，本申请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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本申请各个实施例所述的方法。

本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。术语“第一”、“第二”和“第三”等描述，是用于区分不同的对象等，其不代表先后顺序，也不限定“第一”、“第二”和“第三”是不同的类型。

在本申请实施例的描述中，“示例性的”、“例如”或者“举例来说”等用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它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”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B；文本中的“和/或”仅仅是一种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这三种情况，另外，在本申请实施例的描述中，“多个”是指两个或多于两个。

在本申请实施例描述的一些流程中，包含了按照特定顺序出现的多个操作或步骤，但是应该理解，这些操作或步骤可以不按照其在本申请实施例中出现的顺序来执行或并行执行，操作的序号仅用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作或步骤可以按顺序执行或并行执行，并且这些操作或步骤可以进行组合。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。