PCSP点火策略爆震检测方法及装置

技术领域

本申请涉及爆震检测技术领域，具体涉及一种PCSP点火策略爆震检测方法及装置。

背景技术

被动预混室(PCSP)相对与传统的火花塞点火方式而言，燃烧速率更快,能够有效的抑制爆震，进而提供更好的燃油经济性。于此同时，新的点火结构对传统的爆震检测方式提出了挑战。

在传统爆震检测中，ECU通过分析爆震传感器的信号来判定爆震状态，如果检测到爆震则推迟下一个循环的点火时刻。用以检测爆震的策略有许多种，其中一种策略是ECU在通常发生爆震的时间点(如缸压峰值点附近)截取一段爆震传感器的信号，对信号进行处理并计算得到一组长度为n的爆震信号特征。在进行爆震标定时，通常是分析缸压传感器的信号来计算一个真实的爆震强度指标。然后用n维的爆震信号特征来拟合基于缸压计算的真实的爆震强度指标，结合专家知识取定不同工况下判定爆震的阈值，从而实现ECU的爆震检测。

PCSP点火策略改变了燃烧过程，导致原有的基于缸压曲线的爆震强度指标无法准确描述爆震。同时ECU计算的n维爆震信号特征对爆震强度指标的拟合效果也出现下降，使得针对PCSP点火策略的爆震检测出现困难。

发明内容

本申请提供了一种PCSP点火策略爆震检测方法及装置，可以解决相关技术中PCSP点火策略下爆震检测出现困难的问题。所述技术方案如下：

根据本申请的一方面，本申请实施例提供了一种PCSP点火策略爆震检测方法，所述PCSP点火策略爆震检测方法用于车载电脑ECU，所述方法包括：

对初始爆震指标提取新缸压特征，所述新缸压特征对应所述初始爆震指标的各个样本数据的新缸压特征；

确定所述初始爆震指标的样本数据的标签，所述标签的类型包括爆震或非爆震；

根据所述各个样本数据的新缸压特征和初始爆震特征建立缸压模型和爆震模型，所述初始爆震特征根据爆震传感器计算得到；

对所述缸压模型和所述爆震模型进行交叉训练，根据交叉训练结果对所述样本数据的原标签进行修正；

根据修正后所述样本数据的新标签对所述缸压模型和所述爆震模型进行爆震阈值优选。

根据本时申请的另一方面，本申请实施例提供了一种PCSP点火策略爆震检测装置，所述装置用于车载电脑ECU，所述装置包括：

特征提取模块，用于对初始爆震指标提取新缸压特征，所述新缸压特征对应所述初始爆震指标的各个样本数据的新缸压特征；

标签确定模块，用于确定所述初始爆震指标的样本数据的标签，所述标签的类型包括爆震或非爆震；

模型建立模块，用于根据所述各个样本数据的新缸压特征和初始爆震特征建立缸压模型和爆震模型，所述初始爆震特征根据爆震传感器计算得到；

模型训练模块，用于对所述缸压模型和所述爆震模型进行交叉训练，根据交叉训练结果对所述样本数据的原标签进行修正；

阈值优选模块，用于根据修正后所述样本数据的新标签对所述缸压模型和所述爆震模型进行爆震阈值优选。

本申请实施例提供的技术方案带来的有益效果至少包括：

本申请实施例提供了一种PCSP点火策略爆震检测方法对初始爆震指标提取新缸压特征，新缸压特征对应初始爆震指标的各个样本数据的新缸压特征；确定初始爆震指标的样本数据的标签，标签的类型包括爆震或非爆震；根据各个样本数据的新缸压特征和初始爆震特征建立缸压模型和爆震模型，初始爆震特征根据爆震传感器计算得到；对缸压模型和爆震模型进行交叉训练，根据交叉训练结果对样本数据的原标签进行修正；根据修正后样本数据的新标签对缸压模型和爆震模型进行爆震阈值优选。基于短时傅里叶变化提取缸压特征的方法，通过对爆震特征和缸压特征交叉训练来解决PCSP爆震标签模糊问题。

附图说明

为了更清楚地说明本申请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申请的一些实施方式，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示出了本申请一个示例性实施例提供的PCSP点火策略爆震检测方法的流程图；

图2示出了本申请一个示例性实施例提供的模型交叉训练示意图；

图3示出了本申请一个示例性实施例提供的PCSP点火策略爆震检测装置的结构框图。

具体实施方式

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。此外，所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

在本申请的描述中，需要说明的是，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申请和简化描述，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申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”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，也可以是电气连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。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申请中的具体含义。

请参考图1，其示出了本申请一个示例性实施例提供的PCSP点火策略爆震检测方法的流程图，该方法用于车载电脑ECU。该方法包括如下步骤：

步骤101，对初始爆震指标提取新缸压特征，新缸压特征对应初始爆震指标的各个样本数据的新缸压特征。

在一种可能的实施方式中，步骤101包括如下内容一至内容三。

内容一、对初始爆震指标进行区间分割。

内容二、在各指标区间内随机采N个样本数据，其中，N不大于指标区间内数据数目。

内容三、根据每一个样本数据对应的缸压曲线提取新缸压特征。

上述内容解释为，对原有的爆震指标进行区间分割(可以是等间距分割)，如原有的爆震指标为0至5，在等间距分割下进行区间分割，得到5个指标区间，即0至1、1至2、2至3、3至4和4至5。

进一步的，在每一个指标区间内对数据随机采N个样本(每一个数据都对应一个燃烧循环)，若指标区间内数据不足N个则在这个指标区间全采样；进一步的，对每一个采样数据对应的缸压曲线提取新的特征，具体过程如下：对缸压曲线中值滤波得到低频缸压信号(<5kHz)用以确定缸压的峰值对应的曲轴角度CA

每一个时间点的总能量，

根据能量加权的中心频率，

加权的中心带宽，

计算如下输出的特征，(这里j

峰值后的平均带宽，

(或峰值后的加权平均带宽，

峰值后的能量，

根据对样本数据的观察，我们不仅对S

5kHz～10kHz上的能量以及平均带宽:

10kHz～25kHz上的能量:

步骤102，确定初始爆震指标的样本数据的标签，标签的类型包括爆震或非爆震。

在一种可能的实施方式中，根据预设爆震指标确定初始爆震指标的样本数据的标签。根据之前的专家经验用原先的爆震指标对每一个样本数据(一个燃烧循环)打一个初步的标签。

步骤103，根据各个样本数据的新缸压特征和初始爆震特征建立缸压模型和爆震模型，初始爆震特征根据爆震传感器计算得到。

步骤104，对缸压模型和爆震模型进行交叉训练，根据交叉训练结果对样本数据的原标签进行修正。

在一种可能的实施方式中，步骤104包括如下内容一和内容二。

内容一、根据缸压模型的拟爆震阈值与样本数据的原标签比较。

内容二、响应于拟爆震阈值大于标签对应阈值且模型标签预测结果与原标签不符时，对样本数据的原标签修正。

在样本数据集上，每一个数据点(燃烧循环)我们拥有两组特征，一组是来自于ECU根据爆震传感器计算的爆震特征，称之为ffeas[i]∈R^n i＝1,…,N；另一组是我们刚刚根据缸压信号抽取的缸压特征,称其为pfeas[i]∈R^4,i＝1,…,N。如图2所示，用这两组特征分别建立两个逻辑回归模型开始交叉训练，在训练的循环过程中根据缸压模型的拟爆震阈值与现有标签比较，当拟爆震阈值大于设定的阈值而预测结果又与原标签矛盾的情况下修改标签。

步骤105，根据修正后样本数据的新标签对缸压模型和爆震模型进行爆震阈值优选。

在一种可能的实施方式中，步骤105包括如下内容一和内容二。

内容一、根据修正后样本数据的新标签训练缸压模型和爆震模型，得到稳定状态下的逻辑回归模型。

其中，将新标签用来训练爆震模型，同样根据拟爆震阈值修改标签后用来训练新的缸压模型，如此循环直至标签和模型收敛至稳定状态。

内容二、根据ROC曲线进行逻辑回归模型的爆震阈值优选。

在上述实施例基础上，存在如下情况，在某些交叉训练过程中我们也观测到两个模型始终在互相争夺几个样本的状况，经观察，这种状况下爆震信号与缸压信号有比较大的差异，为了得到稳定的模型我们选择将这些两种信号差异较大的样本舍去后，进行第二轮交叉训练。由此，方法还包括：

步骤一、比较缸压模型的缸压信号和爆震模型的爆震信号。

步骤二、舍去信号差异大于预设阈值的缸压信号与爆震信号。

步骤三、对缸压模型和爆震模型进行二次交叉训练，根据二次交叉训练结果对样本数据的原标签进行修正。

此外，在交叉训练的过程中，我们通过设置独立的修改标签的概率p来尽量保正负样本的比率。

图3是本申请一个示例性实施例提供的混合动力车辆自学习装置的结构框图。该装置用于车载电脑ECU，所述装置包括：

特征提取模块301，用于对初始爆震指标提取新缸压特征，所述新缸压特征对应所述初始爆震指标的各个样本数据的新缸压特征；

标签确定模块302，用于确定所述初始爆震指标的样本数据的标签，所述标签的类型包括爆震或非爆震；

模型建立模块303，用于根据所述各个样本数据的新缸压特征和初始爆震特征建立缸压模型和爆震模型，所述初始爆震特征根据爆震传感器计算得到；

模型训练模块304，用于对所述缸压模型和所述爆震模型进行交叉训练，根据交叉训练结果对所述样本数据的原标签进行修正；

阈值优选模块305，用于根据修正后所述样本数据的新标签对所述缸压模型和所述爆震模型进行爆震阈值优选。

可选的，所述模型训练模块，包括：

第一训练单元，用于根据所述缸压模型的拟爆震阈值与所述样本数据的原标签比较；

第二训练单元，用于响应于拟爆震阈值大于标签对应阈值且模型标签预测结果与原标签不符时，对所述样本数据的原标签修正。

可选的，所述阈值优选模块，包括：

第一优选单元，用于根据修正后所述样本数据的新标签训练所述缸压模型和所述爆震模型，得到稳定状态下的逻辑回归模型；

第二优选单元，用于根据ROC曲线进行所述逻辑回归模型的爆震阈值优选。

可选的，所述特征提取模块，包括：

第一提取单元，用于对所述初始爆震指标进行区间分割；

第二提取单元，用于在各指标区间内随机采N个样本数据，其中，N不大于指标区间内数据数目；

第三提取单元，用于根据每一个样本数据对应的缸压曲线提取所述新缸压特征。

可选的，所述标签确定模块，还用于：

根据预设爆震指标确定所述初始爆震指标的样本数据的标签。

可选的，所述装置还包括：

信号比较模块，用于比较所述缸压模型的缸压信号和所述爆震模型的爆震信号；

信号舍去模块，用于舍去信号差异大于预设阈值的缸压信号与爆震信号；

二次训练模块，用于对所述缸压模型和所述爆震模型进行二次交叉训练，根据二次交叉训练结果对所述样本数据的原标签进行修正。

本申请实施例还提供一种计算机可读存储介质，该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述任一实施例所述的PCSP点火策略爆震检测方法。

本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中提供的PCSP点火策略爆震检测方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。