一种用于柴油车的氮氧化合物分类预测方法、装置及设备

技术领域

本说明书涉及氮氧化合物监测的技术领域，尤其涉及一种用于柴油车的氮氧化合物分类预测方法、装置及设备。

背景技术

氮氧化合物NOx是一组高活性气体的通称，它们包含全部变化数量的氮和氧。尾气是机动车使用时产生的废气，含有上百种不同的化合物，其中的污染物有固体悬浮微粒、一氧化碳、二氧化碳、碳氢化合物、氮氧化合物等，尾气在直接危害人体健康的同时，还会对人类生活的环境产生深远影响，如尾气中的二氧化硫具有强烈的刺激气味，达到一定浓度时容易导致“酸雨”的发生，造成土壤和水源酸化，影响农作物和森林的生长。所以对于氮氧化合物的排放需要进行有效控制，而氮氧化合物的分类预测影响了后续选择性催化还原时催化剂、还原剂氨或尿素的喷入量，进而影响了氮氧化合物排放的有效控制。所以，对于氮氧化合物的分类预测是柴油车辆运行的一个重要环节。

当前对于氮氧化合物的分类预测一般是基于神经网络模型进行预测，即将特征数据输入一个神经网络模型后，获得氮氧化合物的分类结果。然而现有基于单一神经网络模型进行分类预测的方式，由于单个神经网络模型的预测性能有限，因此预测过程中在氮氧化合物的波峰与波谷处存在较大误差，导致氮氧化合物的预测精度较低，进而导致后续的SCR处理成本提高处理效率降低。

发明内容

为了解决上述技术问题，本说明书一个或多个实施例提供了一种用于柴油车的氮氧化合物分类预测方法、装置及设备。

本说明书一个或多个实施例采用下述技术方案：

本说明书一个或多个实施例提供一种用于柴油车的氮氧化合物分类预测方法，方法包括：

根据待预测柴油车中燃油机的燃烧组织，确定所述待预测柴油车所对应特定工况；

基于预设分类方法与所述预设聚类方法对所述待预测柴油车的输入特征进行分类，获得不同特定工况所对应的分类结果或聚类结果；

基于多个预置建模方式分别对所述分类结果与所述聚类结果进行建模，获得多个分类预测模型；其中，所述预置建模方式包括：神经网络建模方式、统计建模方式；

对所述多个分类预测模型进行评价，获得最优分类预测模型；

确定所述待预测柴油车的当前输入特征，以将所述当前输入特征输入所述最优分类预测模型进行预测。

可选地，在本说明书一个或多个实施例中，基于预设分类方法与所述预设聚类方法对所述待预测柴油车的输入特征进行分类，获得不同特定工况所对应的分类结果或聚类结果，具体包括：

基于所述待预测柴油车的氮氧化合物产生机理，确定所述预设分类方法的分类参数；

基于所述分类参数与预设阈值，确定所述待预测柴油车的第一预设分类方法与第二预设分类方法；其中，所述分类参数包括：转速、喷油量、时间；

基于所述第一预设分类方法对所述待预测柴油车的输入特征进行分类，获得不同特定工况所对应的第一分类结果，并基于所述第二预设分类方法对所述待预测柴油车的输入特征进行分类，获得不同特定工况所对应的第二分类结果；

基于待预测柴油车的历史聚类方法，确定与所述待预测柴油车相对应聚类方法，分别基于各聚类方法对所述输入特征进行分类获得多个聚类结果；其中，所述聚类方法包括：高斯混合聚类、谱聚类。

可选地，在本说明书一个或多个实施例中，基于所述第一预设分类方法对所述待预测柴油车的输入特征进行分类，获得不同特定工况所对应的第一分类结果，具体包括：

基于所述待预测柴油车的历史运行数据，确定所述待预测柴油车的转速阈值与喷油量阈值；其中，所述转速阈值包括：低速阈值、高速阈值；所述喷油量阈值包括：低负荷阈值、高负荷阈值；

根据所述转速阈值与所述喷油量阈值的随机组合，确定所述待预测柴油车所对应的运行状态区域；

基于各所述运行状态区域所对应的运行压力，确定各组输入特征数据所对应的第一分类结果；其中，所述输入特征包括：转速、喷油量、水温、中冷后温度、中冷后压力、T4、瞬态废气流量、稳态lam、大气压力、花钱温度、主喷提前角、轴压、预喷油量、预喷提前角。

可选地，在本说明书一个或多个实施例中，基于所述第二预设分类方法对所述待预测柴油车的输入特征进行分类，获得不同特定工况所对应的第二分类结果，具体包括：

基于所述输入特征的喷油量与时间，确定所述待预测柴油车的喷油量变化曲线；

基于所述喷油量变化曲线确定所述喷油量的变化率，以基于所述变化率确定所述喷油量变化曲线的极值点；

基于预设窗口获取所述极值点的临近喷油量值，若确定所述极值点的变化率小于预设第一变化率阈值且所述临近喷油量值小于预设第一喷油量阈值，则确定所述预设窗口为第二分类结果的波谷分类结果；

若确定所述极值点的变化率大于预设第二变化率阈值且所述临近喷油量值大于预设第二喷油量阈值，则确定所述预设窗口为第二分类结果的波峰分类结果；

获取所述波峰分类结果与所述波谷分类结果外的分类结果作为二分类结果的正常工况分类结果。

可选地，在本说明书一个或多个实施例中，基于多个预置建模方式分别对所述分类结果与所述聚类结果进行建模，获得多个分类预测模型；其中，所述预置建模方式包括：神经网络建模方式、统计建模方式，具体包括：

基于所述预设分类方法与预设聚类方法所对应的分类结果与聚类结果，对所述输入特征进行样本划分，以分别获得所述预设分类方法与所述预设聚类方法的样本集；其中，所述样本集包括：训练样本、校验样本；

将所述训练样本作为预置建模模型的输入，以基于所述预置建模模型的隐含层传递函数与输出层传递函数，确定所述预置建模模型的输出，确定各所述分类结果与所述聚类结果所对应的初始分类预测模型；其中，所述预置建模模型与所述预置建模方式相对应；

并基于动量-自适应梯度下降法学习所述预置建模模型的权值与阈值，以基于所述权值与阈值更新各所述初始分类预测模型，获得多个分类预测模型。

可选地，在本说明书一个或多个实施例中，对所述多个分类预测模型进行评价，获得最优分类预测模型，具体包括：

将所述校验样本输入各所述分类预测模型，获得各所述分类预测模型的分类预测结果；

基于所述分类预测结果与所述校验样本所对应的分类实际结果，确定各所述分类预测模型的预测性能；

对比所述预测性能确定各所述分类预测模型中的最优分类预测模型。

可选地，在本说明书一个或多个实施例中，将所述当前输入特征输入所述最优分类预测模型进行预测，具体包括：

确定所述最优分类预测模型所对应的预设分类方法或预设聚类方法，作为当前分类方法；

基于所述当前分类方法确定所述当前输入特征所对应的当前工况分类结果，以确定所述最优分类预测模型中与所述工况分类结果相对应的预测模型；其中，所述最优分类模型包括三个不同工况结果所对应的预测模型；

将所述当前输入特征输入所述相对应的预测模型，获得氮氧化合物的排放预测结果。

可选地，在本说明书一个或多个实施例中，根据待预测柴油车中燃油机的燃烧组织，确定所述待预测柴油车所对应特定工况，具体包括：

获取待预测柴油车中燃油机的燃烧组织所对应的燃烧参数；其中，所述燃烧参数包括：涡流、燃烧室面容比、爆发压力；

基于所述燃烧参数与所述燃油机的历史燃烧数据，确定所述待预测柴油车所对应的多个特定工况。

本说明书一个或多个实施例提供一种用于柴油车的氮氧化合物分类预测装置，装置包括：

确定单元，用于根据待预测柴油车中燃油机的燃烧组织，确定所述待预测柴油车所对应特定工况；

分类单元，用于基于预设分类方法与所述预设聚类方法对所述待预测柴油车的输入特征进行分类，获得不同特定工况所对应的分类结果或聚类结果；

建模单元，基于多个预置建模方式分别对所述分类结果与所述聚类结果进行建模，获得多个分类预测模型；其中，所述预置建模方式包括：神经网络建模方式、统计建模方式；

评价单元，用于对所述多个分类预测模型进行评价，获得最优分类预测模型；

预测单元，用于确定所述待预测柴油车的当前输入特征，以将所述当前输入特征输入所述最优分类预测模型进行预测。

本说明书一个或多个实施例提供一种用于柴油车的氮氧化合物分类预测设备，设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一所述的方法。

本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过设置不同的分类方法与聚类方法后，对不同分类结果与聚类结果进行建模，充分考虑了不同的待预测柴油车所对应的最优分类或聚类方法不一致的问题，克服了单一分类方法所对应的神经网络模型不适用于全部柴油车的问题。基于不同的预置建模方式对建模后的多个分类预测模型进行评价，获得了适合待预测柴油车的最优分类预测模型，方便了将当前输入特征分配到最优分类预测模型内的预测模型中，在降低了预测成本的前提下提高了预测效率。且通过多类预测模型的划分，提高了预测的精确度，避免了现有单一神经网络模型难以进行模型选择，且通过调整模型超参数的方式难以实现预测精度提高的问题。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本说明书实施例提供的一种用于柴油车的氮氧化合物分类预测方法的流程示意图；

图2为本说明书实施例提供的第一预设分类方法的分类结果示意图；

图3为本说明书实施例提供的第二预设分类方法的分类结果示意图；

图4为本说明书实施例提供的高斯混合聚类的聚类结果示意图；

图5为本说明书实施例提供的谱聚类的聚类结果示意图；

图6为本说明书实施例提供的氮氧化合物预测结果对比示意图；

图7为本说明书实施例提供的一种用于柴油车的氮氧化合物分类预测装置的内部结构示意图；

图8为本说明书实施例提供的一种用于柴油车的氮氧化合物分类预测设备的内部结构示意图。

具体实施方式

本说明书实施例提供一种用于柴油车的氮氧化合物分类预测方法、装置及设备。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本说明书保护的范围。

如图1所示，本说明书一个或多个实施例中提供了一种用于柴油车的氮氧化合物分类预测方法的流程示意图。由图1可知，一种用于柴油车的氮氧化合物分类预测方法，具体包括以下步骤：

S101：根据待预测柴油车中燃油机的燃烧组织，确定所述待预测柴油车所对应特定工况。

现有柴油车的氮氧化合物产生机理一般为热力型、燃料型及其他这三类，基于单一产生机理对于氮氧化合物进行分析时，对于基于三种机理共同作用生成的氮氧化合物难以进行有效分析，所以为了能够更好的预测待预测柴油车不同工况下的氮氧化合物。本说明书实施例中首先根据待预测柴油车中燃油机的燃烧组织，确定出待预测柴油车所对应特定工况。具体地，根据待预测柴油车中燃油机的燃烧组织，确定待预测柴油车所对应特定工况，包括以下过程：首先，获取待预测柴油车中燃油机的燃烧组织所对应的燃烧参数；其中，需要说明的是燃烧参数包括：涡流、燃烧室面容比、爆发压力。然后基于燃烧参数与燃油机的历史燃烧数据，确定出待预测柴油车所对应的多个特定工况。

S102：基于预设分类方法与所述预设聚类方法对所述待预测柴油车的输入特征进行分类，获得不同特定工况所对应的分类结果或聚类结果。

为了获得最优的分类和聚类方法，解决现有仅基于单一神经网络模型进行预测时，模型选择和超参数优化均无法得到精度较高的预测模型的问题。本说明书实施例中，根据预先设置的分类方法和聚类方法对待预测柴油车的输入特征进行分类，获得不同特定工况所对应的分类结果或聚类结果。其中，需要说明的是输入特征为14种数据其包括：转速、喷油量、水温、中冷后温度、中冷后压力、T4、瞬态废气流量、稳态lam、大气压力、花钱温度、主喷提前角、轴压、预喷油量、预喷提前角。通过设置不同的分类方法与聚类方法，充分考虑了不同的待预测柴油车所对应的最优分类或聚类方法不一致的问题，从而克服了单一分类方法所对应的神经网络模型不适用于全部柴油车的问题，进而提高了后续的预测精度。

具体地，在本说明书一个或多个实施例中，基于预设分类方法与预设聚类方法对待预测柴油车的输入特征进行分类，获得不同特定工况所对应的分类结果或聚类结果，具体包括以下步骤：

首先基于待预测柴油车的氮氧化合物产生机理，确定出预设分类方法的分类参数例如：转速、喷油量、时间等。然后根据获取到的分类参数与预设阈值，确定出待预测柴油车的第一预设分类方法与第二预设分类方法。然后根据第一预设分类方法对待预测柴油车的输入特征进行分类，获得不同特定工况所对应的第一分类结果，并基于第二预设分类方法对待预测柴油车的输入特征进行分类，获得不同特定工况所对应的第二分类结果。具体地，在本说明书一个或多个实施例中，基于第一预设分类方法对待预测柴油车的输入特征进行分类，获得不同特定工况所对应的第一分类结果，包括以下过程：

首先根据待预测柴油车的历史运行数据，确定出待预测柴油车的转速阈值与喷油量阈值；其中，需要说明的是转速阈值包括：低速阈值、高速阈值；所述喷油量阈值包括：低负荷阈值、高负荷阈值。例如某应用场景下设定低速阈值为1000，高速阈值为1500。低负荷阈值为喷油量30％，高负荷阈值为喷油量80％。然后根据转速阈值与喷油量阈值的随机组合，确定出待预测柴油车所对应的运行状态区域，如图2所示为第一预设分类方法的分类结果示意图。由图2可知，待预测柴油车所对应的运行状态区域包括9种。然后根据各运行状态区域所对应的运行压力，将其分为三类从而确定各组输入特征数据所对应的第一分类结果。也就是说，第一预设分类方法对应于第一分类结果而第一分类结果对应了3种不同的工况。

而本说明书一个或多个实施例中，基于第二预设分类方法对待预测柴油车的输入特征进行分类，获得不同特定工况所对应的第二分类结果，包括以下过程：

为了能够根据喷油量的突变对输入特征进行分类，首先根据输入特征的喷油量与时间，确定出如图3所示的待预测柴油车的喷油量变化曲线。基于喷油量变化曲线确定喷油量的变化率，以基于变化率确定喷油量变化曲线的极值点。然后根据预先设置的窗口获取极值点的临近喷油量值，例如：某应用场景下可以获取极值点前后5S的数据作为临近喷油量值。如果确定极值点的变化率小于预设第一变化率阈值并且临近喷油量值小于预设第一喷油量阈值，那么如图3所示确定该预设窗口为第二分类结果的波谷分类结果。而如果确定极值点的变化率大于预设第二变化率阈值，并且临近喷油量值大于预设第二喷油量阈值，那么可以确定预设窗口为第二分类结果的波峰分类结果。同时将波峰分类结果与波谷分类结果外的分类结果作为二分类结果的正常工况分类结果。实现基于喷油量的突变将输入特征划分为三种不同的特定工况所对应的分类结果。

此外，为了提高预测精度如图4和图5所示，本说明书实施例还根据待预测柴油车的历史聚类方法，确定出与待预测柴油车相对应聚类方法，分别基于各聚类方法对输入特征进行分类获得多个聚类结果。其中需要说明的是聚类方法包括：高斯混合聚类、谱聚类，而各个聚类结果都包含三种类型的特定工况。

S103：基于多个预置建模方式分别对所述分类结果与所述聚类结果进行建模，获得多个分类预测模型；其中，所述预置建模方式包括：神经网络建模方式、统计建模方式。

为了获得适合当前待预测柴油车的最优分类或聚类方法，本说明书基于不同的预置建模方式对分类结果和聚类结果进行建模从而获得多个预测模型。其中，需要说明的是：预置建模方式包括：神经网络建模方式、统计建模方式，神经网络建模方式包括：BP、TDN、LSTM、GRU；统计建模方式包括：GBDT、XGBoost、SVM。由于不同的发动机适用于不同的模型类型，因此根据不同的阈值建模方式进行建模后，再评价获得最优分类预测模型，能够提高分类预测模型与发动机的匹配度，进而提高预测精度。

具体地，在本说明书一个或多个实施例中，基于多个预置建模方式分别对分类结果与所述聚类结果进行建模，获得多个分类预测模型，具体包括以下过程：

首先基于预设分类方法与预设聚类方法所对应的分类结果与聚类结果，对所述输入特征进行样本划分，以分别获得预设分类方法与预设聚类方法的样本集；其中，样本集包括：训练样本、校验样本。然后将训练样本作为预置建模模型的输入，从而根据预置建模模型的隐含层传递函数与输出层传递函数，确定出预置建模模型的输出，进而基于输入输出关系确定出各分类结果与聚类结果所对应的初始分类预测模型。然后基于动量-自适应梯度下降法学习预置建模模型的权值与阈值，对获得的初始分类预测模型进行迭代训练，从而根据学习到的权值与阈值更新各初始分类预测模型，获得多个分类预测模型。可以理解的是：预置建模模型与所述预置建模方式相对应，即如果预置建模方式为神经网络建模则预置建模模型的类型可以为：BP、TDN、LSTM、GRU；而如果预置建模方式是统计建模方式则预置建模模型的类型可以为：GBDT、XGBoost、SVM。

在本说明书某应用场景中，分类预测模型的建立过程包括以下步骤：首先根据以下公式(1)-(4)分别计算隐含层第i个节点的输入net

然后为了迭代更新初始分类预测模型，根据以下公式(5)-(8)分别计算出输出层第k个节点权值的修正量Δw

由于基于梯度下降法学习权值和阈值时容易陷入局部最优解，因此为了跳出局部最优解，本说明书实施例在梯度下降的基础上引入了动量因子和可变学习速率，从而跳出局部最优解获得较高的训练精度。具体地如下公式(9)-(10)所示为引入了动量因子和可变学习速率的学习公式，公式(11)为计算动量因此的过程，公式(12)为计算学习速率的过程。其中，公式(9)-(10)中的δ

Δw

Δb

S104：对所述多个分类预测模型进行评价，获得最优分类预测模型。

为了获得适合当前待预测柴油车的分类预测模型，从而提高模型预测的精确度，本说明书实施例中在获得上述不同分类方法与聚类方法所对应的不同分类预测模型之后，对多个分类预测模型进行评价，从而获得了最优分类预测模型。具体地，在本说明书一个或多个实施例中，通过对多个分类预测模型进行评价，获得最优分类预测模型，具体包括以下过程：

首先，将校验样本输入到各分类预测模型中，从而获得各分类预测模型的分类预测结果。然后，通过分类预测结果与校验样本所对应的分类实际结果，可以获得能够评价分类预测模型的拟合度、预测误差等数据，从而确定出各分类预测模型的预测性能。通过对比各个分类预测模型的预测性能，筛选出适合当前待预测柴油车所产生的氮氧化合物的最优分类预测模型。

S105：确定所述待预测柴油车的当前输入特征，以将所述当前输入特征输入所述最优分类预测模型进行预测。

在获得最优分类预测模型之后，由于各个分类预测模型所对应的分类方法或聚类方法都包含三种不同的工况，因此为了进一步精确待预测柴油车当前输入特征的预测结果，会将当前输入特征输入最优分类预测模型，且在此之前会判断该当前输入特征所对应的特定工况类型，从而输入最优分类模型中和该特定工况类型相对应的模型中，通过对于模型的细分，是的输入特征可以匹配到最适合的分类预测模型进行分层预测，提高了预测的精确度，避免了单一神经网络模型进行预测时，预测误差大且难以通过调整超参数实现预测精度提高的问题。具体地，在本说明书一个或多个实施例中，将当前输入特征输入最优分类预测模型进行预测，包括以下过程：

首先，确定出最优分类预测模型所对应的预设分类方法或预设聚类方法，作为当前分类方法。然后根据当前分类方法确定出当前输入特征所对应的当前工况分类结果，以确定最优分类预测模型中与工况分类结果相对应的预测模型；其中，需要说明的是基于上述分类方法与预测方法可知，最优分类模型包括三个不同工况结果所对应的预测模型。为了提高预测精确度，本说明书实施例中基于当前输入特征所对应的最优分类预测模型所对应的分类方法或聚类方法，确定当前输入特征所对应的工况，从而将当前输入特征输入到与之相对应的预测模型中，获得氮氧化合物的排放预测结果。如图6所示，上侧为现有氮氧化合物的分类预测结果，下侧为本说明书实施例所对应的氮氧化合物分类预测结果，通过分类结果的对比可知，本说明书实施例获得的最优分类预测模型，进行氮氧化合物预测时，解决了现有预测方式在波峰波谷附近预测误差大的问题，提高了预测的精度。

如图7所示，本说明书一个或多个实施例提供了一种用于柴油车的氮氧化合物分类预测装置的内部结构示意图。由图7可知，本说明书一个或多个实施例中，一种用于柴油车的氮氧化合物分类预测装置，装置包括：

确定单元701，用于根据待预测柴油车中燃油机的燃烧组织，确定所述待预测柴油车所对应特定工况；

分类单元702，用于基于预设分类方法与所述预设聚类方法对所述待预测柴油车的输入特征进行分类，获得不同特定工况所对应的分类结果或聚类结果；

建模单元703，用于基于多个预置建模方式分别对所述分类结果与所述聚类结果进行建模，获得多个分类预测模型；其中，所述预置建模方式包括：神经网络建模方式、统计建模方式；

评价单元704，用于对所述多个分类预测模型进行评价，获得最优分类预测模型；

预测单元705，用于确定所述待预测柴油车的当前输入特征，以将所述当前输入特征输入所述最优分类预测模型进行预测。

如图8所示，本说明书一个或多个实施例中提供了一种用于柴油车的氮氧化合物分类预测设备，设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。