CN115270932A - 整车排放参数优化方法、系统、电子设备和存储介质 - Google Patents
整车排放参数优化方法、系统、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115270932A CN115270932A CN202210799321.7A CN202210799321A CN115270932A CN 115270932 A CN115270932 A CN 115270932A CN 202210799321 A CN202210799321 A CN 202210799321A CN 115270932 A CN115270932 A CN 115270932A
- Authority
- CN
- China
- Prior art keywords
- emission
- data
- vehicle
- test data
- model
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种整车排放参数优化方法、系统、电子设备和存储介质,所述方法首先采集待标定车辆的测试数据并将测试数据划分为训练数据样本和测试数据样本;然后使用训练数据样本对构建的每一排放物类型的学习模型进行训练、使用测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型;接着对于每一所述排放物类型,根据该排放物类型的排放数据预测模型和测试数据,获取每一个控制参数对该排放物类型的预测结果的影响权重;最后根据影响权重,确定该排放物类型的待优化控制参数,以对待标定车辆的控制参数进行优化和/或标定。本发明能够缩短标定寻优时间,提高标定工作效率。
Description
技术领域
本发明涉及车辆技术领域,特别涉及一种整车排放参数优化方法、系统、电子设备和存储介质。
背景技术
标定是在发动机、整车、系统的算法(控制策略)、外围器件确定以后,为了得到满意的整车性能及满足客户要求和达到国家标准,对软件数据进行优化的过程。整车性能包括:驾驶性、动力性、经济性、耐久性、环境适应性和排放。其中排放性能是有国家标准规定并且必须通过的硬性指标。因此,在车辆控制器的产品开发过程中,需要根据尾气排放相关的法规要求的循环进行排放测试,标定发动机及整车控制参数以满足国家标准规定的要求。然而,整车排放标定不仅工况复杂、试验数据量大,控制参数较多且控制参数之间的关系存在模糊不确定性;而且排放规律也受到车辆状态、控制参数、工况等多方面影响,比如需要同时满足PN、NOx、CO、THC、NMHC等多项标准要求,因此排放寻优维度高、难度大,需花费大量的人力和时间,并极度依赖工程师的经验。
在优化测试循环的整车排放时,对于某种排放物(如NOx)较高的区域,现有技术的通常做法为:标定工程师分析该区域的工况特点(通常为车辆状态持续变化的瞬态工况),结合自身的标定经验确定在该区域与当前排放相关的控制参数,并根据自身经验调整控制参数组合以期望该排放(如NOx)降低、其他排放物(如CO)不显著升高,并重新进行排放测试以观察对该排放物(如NOx)和其他排放物的调参效果。由此,完成一次完整的整车排放参数优化,经常需要数十次参数调整和整车测试的迭代。不仅操作过程繁琐,而且效率低下。在排放要求日趋严格的背景下,排放项目存在难度大、时间紧的困难,排放设备资源和人力资源也都面临着巨大的缺口。
因此,如何提供一种整车排放参数优化方法,以缩短标定时间,提高标定效率,日益成为本领域技术人员亟待解决的技术问题之一。
需要说明的是,公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明的目的在于针对现有技术中存在的整车排放操作过程繁琐,而且效率低下的问题,提供一种整车排放参数优化方法、系统、电子设备和存储介质,本发明通过学习模型和排放标定的结合以分析整车排放规律,能够显著缩短标定寻优时间,从而提高标定工作效率、降低单个项目平均使用的设备资源数量、节约人力和设备资源。
为达到上述目的,本发明通过以下技术方案实现,一种整车排放参数优化方法,包括:
采集待标定车辆的测试数据,并将所述测试数据划分为训练数据样本和测试数据样本;其中,每条所述测试数据包括排放数据以及采集该排放数据时的控制参数;
分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型;
对于每一所述排放物类型,根据该排放物类型的排放数据预测模型和所述测试数据,获取每一个所述控制参数对该排放物类型的预测结果的影响权重;
根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定。
可选地,所述采集待标定车辆的测试数据的方法,包括:
对所述待标定车辆的每一所述排放物类型,进行预设次数的排放试验,并按照预设样本采集周期采集若干条试验数据;
对同一样本采集时刻的所述试验数据进行整合,以得到多个样本点的测试数据。
可选地,所述分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型,包括:
对于每一所述排放物类型,执行以下步骤:
S210:将采集所述排放数据时的控制参数作为模型输入变量,将所述排放数据作为模型输出变量,并确定所述学习模型的回归策略和模型参数的初始值;
S220:将所述训练数据样本输入所述学习模型,根据所述模型参数的初始值,获取所述训练数据样本的预测结果,以及根据所述训练数据样本的预测结果和所述训练数据样本的排放数据,计算损失函数的值;并根据所述损失函数的值和第一预设误差阈值,调整所述学习模型的模型参数,得到初步训练的学习模型;
S230:将所述测试数据样本输入所述初步训练的学习模型,获取所述测试数据样本的预测结果,以及根据所述测试数据样本的预测结果和所述测试数据样本的排放数据,计算所述损失函数的值;若所述损失函数的值小于或等于第二预设误差阈值,或者所述学习模型的训练次数大于或等于预设迭代次数,则训练结束,并将所述初步训练的学习模型作为所述排放数据预测模型;否则,调整所述学习模型的模型参数,并将所述学习模型的模型参数的初始值更新为调整后的模型参数,返回执行步骤S220。
可选地,还包括通过下式计算所述损失函数的值:
式中,Loss为所述损失函数的值,n为所述样本点的个数,Ci为所述排放数据预测模型在第i个所述样本点的预测结果,Ti为所述测试数据在第i个所述样本点的排放数据。
可选地,还包括:
为所述学习模型选择不同的回归策略,并对每一所述回归策略,分别重复执行步骤S220~S230,将所述损失函数的值最小时的所述回归策略作为所述排放数据预测模型;其中,所述回归策略包括回归方法和超参数;
或
调整所述训练数据样本和所述测试数据样本的分配比例,并基于每一所述分配比例,分别重复执行步骤S220~S230,将所述损失函数最小时的所述模型参数作为所述排放数据预测模型的模型参数。
可选地,所述获取每一个所述控制参数对该排放物类型的预测结果的影响权重分布,包括:
获取每一个所述控制参数对所述预测结果的全集影响和每一个所述控制参数对所述预测结果的单点影响;
其中,所述全集影响包括:对于所有的所述样本点,每一个所述控制参数对所述预测结果的影响权重;
所述单点影响包括:对于每一个所述样本点,每一个所述控制参数对所述预测结果的影响权重。
可选地,所述根据所述影响权重分布,确定该排放物类型的待优化控制参数,包括:
对于每一排放物类型,若判定该排放物类型的排放数据超过预设排放阈值,则根据预设优化策略和所有所述控制参数的所述影响权重,确定若干个待调整的所述控制参数。
可选地,所述根据预设优化策略和所有所述控制参数的所述影响权重,确定若干个待调整的所述控制参数,包括:
按照对所述预测结果的影响权重的大小对所述控制参数进行排序;
根据预设参数调整数量,依次将所述影响权重最大的所述控制参数作为所述待调整的控制参数。
可选地,在调整所述控制参数的控制策略和/或所述控制参数的取值之前,还包括:
判断所述待优化的控制参数是否对与该排放物类型机理相反的排放物类型的全集影响权重超过预设影响权重阈值,若否,则调整所述控制参数的控制策略和/或所述控制参数的取值;若是,则根据所述控制参数对该排放物类型的影响权重及所述控制参数对与该排放物类型机理相反的排放物类型的影响权重,调整所述控制参数的控制策略和/或所述控制参数的取值。
可选地,根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定,包括:
调整所述控制参数的控制策略和/或所述控制参数的取值;
将调整后的控制参数,输入所述排放数据预测模型以获取调整后的预测结果、和/或直接应用到整车标定流程以获取调整后的排放数据;
根据所述调整后的预测结果和/或所述调整后的排放数据,继续对所述待标定车辆的控制参数进行优化或完成所述待标定车辆的控制参数的标定。
为了实现上述目的,本发明还提供了一种整车排放标定系统,所述整车标定系统采用上述任一项所述的整车排放参数优化方法进行排放参数的优化或包括整车排放参数优化装置进行排放参数的优化;其中,所述整车排放参数优化装置包括:
测试数据获取单元,被配置为采集待标定车辆的测试数据,并将所述测试数据划分为训练数据样本和测试数据样本;其中,每条所述测试数据包括排放数据以及采集该排放数据时的控制参数;
预测模型训练单元,被配置为分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型;
控制参数影响权重获取单元,被配置为对于每一所述排放物类型,根据该排放物类型的排放数据预测模型和所述测试数据,获取每一个所述控制参数对该排放物类型的预测结果的影响权重;
排放参数优化单元,被配置为根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定。
为了实现上述目的,本发明还提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现上述任一项所述的整车排放参数优化方法。
为了实现上述目的,本发明还提供了一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一项所述的整车排放参数优化方法。
与现有技术相比,本发明提供的整车排放参数优化方法、系统、电子设备和存储介质具有以下优点:
本发明提供的整车排放参数优化方法,包括以下步骤:首先采集待标定车辆的测试数据,并将所述测试数据划分为训练数据样本和测试数据样本;其中,每条所述测试数据包括排放数据以及采集该排放数据时的控制参数;然后分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型;接着对于每一所述排放物类型,根据该排放物类型的排放数据预测模型和所述测试数据,获取每一个所述控制参数对该排放物类型的预测结果的影响权重;最后根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定。如此配置,本发明提供的整车排放参数优化方法,能够根据待标定车辆的实际测试数据作为测试数据,训练数据样本和测试数据样本都来自待标定车辆,从而为排放数据预测模型的可靠性奠定了良好的基础。进一步地,本发明提供的整车排放参数优化方法,基于所述测试数据,利用所述排放数据预测模型学习整车排放的规律,获取所述控制参数对排放物类型的预测结果的影响权重,能够有助于快速定位整个排放循环(测试与标定)的排放关键控制参数以及单个工况点(样本点)的排放关键控制参数,从而能够显著缩短标定寻优时间,提高标定工作效率、降低单个项目平均使用的设备资源数量、节约人力和设备资源。
由于本发明提供的整车排放标定系统、电子设备和存储介质,与本发明提供的整车排放参数优化方法属于同一发明构思,因此,至少具有相同的有益效果,在此,不再一一赘述。
附图说明
图1为本发明实施例一的其中一实施方式提供的整车排放参数优化方法的整体流程示意图;
图2为其中一实施方式提供的图1中步骤S100的详细流程示意图;
图3为在某一测试循环中整车排放的排放数据(PN数量)示例图;
图4为其中一实施方式提供的图1中步骤S200的详细流程示意图;
图5为所有控制参数对某一排放物类型的全集影响的影响权重一具体示例图;
图6为所有控制参数对某一排放物类型的单点影响的影响权重一具体示例图;
图7为其中一实施方式提供的图1中步骤S400的详细流程示意图;
图8为本发明实施例二其中一实施方式提供的整车排放参数优化装置的方框结构示意图;
图9为本发明实施例四提供的电子设备的方框结构示意图。
其中,附图标记如下:
110-测试数据获取单元、120-预测模型训练单元、130-控制参数影响权重获取单元、140-排放参数优化单元。
210-处理器、220-通信接口、230-存储器、240-通信总线。
具体实施方式
以下结合附图对本发明提出的整车排放参数优化方法、系统、电子设备和存储介质作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需要说明的是,附图采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂,请参阅附图。须知,本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明实施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在与本发明所能产生的功效及所能达成的目的相同或近似的情况下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。本文所公开的本发明的具体设计特征包括例如具体尺寸、方向、位置和外形将部分地由具体所要应用和使用的环境来确定。以及,在以下说明的实施方式中,有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分,而省略其重复说明。在本说明书中,使用相似的标号和字母表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。另外,如果本文所述的方法包括一系列步骤,且本文所呈现的这些步骤的顺序并非必须是可执行这些步骤的唯一顺序,且一些所述的步骤可被省略和/或一些本文未描述的其他步骤可被添加到该方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。单数形式“一”、“一个”以及“该”包括复数对象,术语“或”通常是以包括“和/或”的含义而进行使用的,术语“若干”通常是以包括“至少一个”的含义而进行使用的,术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的,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或者隐含指明所指示的技术特征的数量。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”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发明和简化描述,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发明的限制。
在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。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发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
本发明的核心思想在于提供一种整车排放参数优化方法、系统、电子设备和存储介质,以解决现有技术中存在的整车排放操作过程繁琐,而且效率低下的问题。
为实现上述思想,本发明的发明人经过大量调查研究和不断深入实践验证,创造性地提出了通过学习模型和排放标定的结合,以分析整车排放规律的整车排放参数优化方法,以期缩短标定寻优时间、提高标定工作效率,降低单个项目平均使用的设备资源数量,缓解人力和设备不足的问题。
以下对本发明提出的一种整车排放参数优化方法、系统、电子设备和存储介质予以详细说明。
实施例一
本实施例提供了一种整车排放参数优化方法,本实施例提供的整车排放参数优化方法,具体地,请参考图1,其示意性地给出了本发明一实施方式提供的整车排放参数优化方法的整体流程示意图。从图1可以看出,本实施方式提供的整车排放参数优化方法,包括:
S100:采集待标定车辆的测试数据,并将所述测试数据划分为训练数据样本和测试数据样本;其中,每条所述测试数据包括排放数据以及采集该排放数据时的控制参数;
S200:分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型;
S300:对于每一所述排放物类型,根据该排放物类型的排放数据预测模型和所述测试数据,获取每一个所述控制参数对该排放物类型的预测结果的影响权重;
S400:根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定。
如此配置,本发明提供的整车排放参数优化方法,能够根据待标定车辆的实际测试数据作为测试数据,训练数据样本和测试数据样本都来自待标定车辆,从而为排放数据预测模型的可靠性奠定了良好的基础。进一步地,本发明提供的整车排放参数优化方法,基于所述测试数据,利用所述排放数据预测模型学习整车排放的规律,获取所述控制参数对排放物类型的预测结果的影响权重,能够有助于快速定位整个排放循环(测试与标定)的排放关键控制参数以及单个工况点(样本点)的排放关键控制参数,从而能够显著缩短标定寻优时间,提高标定工作效率、降低单个项目平均使用的设备资源数量、节约人力和设备资源。
具体地,在其中一种优选实施方式中,所述排放数据包括每一所述排放物类型的排放量和/或排放浓度。更具体地,所述排放物类型包括但不限于PN、NOX、CO、THC和NMHC。所述控制参数包括但不限于喷油参数和进气参数。进一步地,在其他的实施方式中,每条所述测试数据还可以包括车辆状态,所述车辆状态包括但不限于发动机转速、发动机温度和发动机负荷。
优选地,在其中一种示范性实施方式中,请参见图2,其示意性地给出了其中一实施方式提供的步骤S100的详细流程示意图。从图2可以看出,步骤S100所述采集待标定车辆的测试数据的方法,包括:
S110:对所述待标定车辆的每一所述排放物类型,进行预设次数的排放试验,并按照预设样本采集周期采集若干条试验数据;
S120:对同一样本采集时刻的所述试验数据进行整合,以得到多个样本点的测试数据。
由此可见,本发明提供的整车排放参数优化方法,根据待标定车辆的实际测试数据作为测试数据,训练数据样本和测试数据样本都来自待标定车辆,从而为排放数据预测模型的可靠性奠定了良好的基础。
具体地,请参见图3,其示意性地给出了在某一测试循环中整车排放的排放数据(PN数量)示例图。图3中,横坐标为测试循环持续的时间,图中靠左的纵坐标表示其中一种所述排放物类型(图3中以PN为例)在每一样本点的排放数据,如图中黑色柱状所示;图中靠右的纵坐标表示其中一种所述排放物类型(图3中以PN为例)全集(随整个测试循环的累积)的排放数据,如图中虚线所示。从图3可以看出,在不同时刻,PN的排放量是不同的,因此,需要进行控制参数的优化,对排放量超过相关法规规定的样本点,以降低该排放物类型的排放量。
需要特别说明的是,对于不同的排放物类型,本发明并不限定所述预设次数的取值,在实际采集过程中,不同的排放物类型的测试次数可以相同也可以不同,本发明对此并不限定。进一步地,在具体实施本发明提供的整车排放参数优化方法时,可以在同一测试循环中采集所述待标定车辆的所有的排放物类型的排放数据,也可以在多个测试循环中分别采集所述待标定车辆的所述排放物类型,本发明对此同样不作限定。更进一步地,本发明也不限制所述预设样本采集周期的具体取值,在实际应用时,可根据具体情况合理设置,比如在其中一种实施方式中,所述预设样本采集周期可以为0.5s,在另外的一种实施方式中,所述预设样本采集周期可以为1s。
如本领域的技术人员可以理解的,所述排放数据及采集该排放数据时的控制参数是由不同的采集元件采集得到。因此,作为其中一种优选实施方式,本发明提供的整车排放参数优化方法的步骤S120,所述对同一样本采集时刻的所述试验数据进行整合,以得到多个样本点的测试数据,具体包括:
将同一采集时刻的所述试验数据的排放数据和控制参数,行打包作为该样本点的测试数据,由此,根据不同采集时刻,即可得到由若干条测试数据组成的测试数据样本集。
另外,需要特别说明的是,如本领域技术人员可以理解的,本发明提供的整车排放参数优化方法,并不限定所述待标定车辆的工况类型,所述工况类型包括但不限于怠速工况、加速工况、匀速工况和减速工况。进一步地,本发明也不限制所述训练数据样本和测试数据样本的分配比例,举例而言,在其中一种实施方式中,将所述测试数据样本集的80%作为所述训练数据样本用于下文所述学习模型的训练,将所述测试数据样本集的另外20%作为所述测试数据样本用于所述学习模型的测试。在另外一种实施方式中,将所述测试数据样本集的85%作为所述训练数据样本用于下文所述的学习模型的训练,将所述测试数据样本集的另外15%作为所述测试数据样本用于所述学习模型的测试。
优选地,在其中一种示范性实施方式中,每一所述排放物类型的排放数据预测模型的具体训练方法,请参见图4,其示意性地给出了其中一实施方式提供的图1中步骤S200的详细流程示意图。从图4可以看出,步骤S200中所述分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型,包括:
S210:将采集所述排放数据时的控制参数作为模型输入变量,将所述排放数据作为模型输出变量,并确定所述学习模型的回归策略和模型参数的初始值;
S220:将所述训练数据样本输入所述学习模型,根据所述模型参数的初始值,获取所述训练数据样本的预测结果,以及根据所述训练数据样本的预测结果和所述训练数据样本的排放数据,计算损失函数的值;并根据所述损失函数的值和第一预设误差阈值,调整所述学习模型的模型参数,得到初步训练的学习模型;
S230:将所述测试数据样本输入所述初步训练的学习模型,获取所述测试数据样本的预测结果,以及根据所述测试数据样本的预测结果和所述测试数据样本的排放数据,计算所述损失函数的值;若所述损失函数的值小于或等于第二预设误差阈值,或者所述学习模型的训练次数大于或等于预设迭代次数,则训练结束,并将所述初步训练的学习模型作为所述排放数据预测模型;否则,调整所述学习模型的模型参数,并将所述学习模型的模型参数的初始值更新为调整后的模型参数,返回执行步骤S220。
如此配置,本发明提供的整车排放参数优化方法,根据所述训练数据样本和测试数据样本,训练得到排放数据预测模型,从而充分利用排放数据预测模型具有学习复杂规律的能力,能够自动根据所述控制参数,即可预测排放数据,从而不仅降低整车排放标定对工程师经验的依赖,而且能够显著减少因控制参数调整必须进行待标定车辆的实际标定操作,降低了单个项目平均使用的设备资源数量,能够缓解人力和设备不足的问题。
需要特别说明的是,如本领域技术人员可以理解的,使用所述训练数据样本对所述学习模型进行训练的目的是为了使得到的所述排放数据预测模型的预测结果与所述训练样本数据的排放数据的尽可能的接近,使用所述测试样本数据对所述学习模型进行验证的目的是为了使得到的所述排放数据预测模型具有更好的可信度,从而使得后续能够根据调整后的控制参数和所述排放数据预测模型更准确地对排放数据进行预测,以降低待标定车辆进行实际整车标定的经济成本、人力成本和时间成本。进一步地,如本领域的技术人员可以理解的,所述排放数据预测模型的训练过程为一个多次循环迭代的过程,因此,也可以通过设置迭代多少次结束训练,即:当所述学习模型的训练次数大于或等于预设迭代次数,即认为对所述学习模型的训练结束,可以将此时的所述学习模型作为所述排放数据预测模型。
另外,由于所述训练数据样本的数据有限,而学习模型需要在一定量的数据上进行学习才能具有一定的鲁棒性,为了增加鲁棒性,可以对所述训练数据样本进行扩增,以增加所述排放数据预测模型的泛化能力。具体地,可以使用步骤S400中获取的优化后的所述待标定车辆的控制参数和预测结果以及最后确定的待标定车辆的控制参数和排放数据扩增所述训练数据样本,以迭代优化所述排放数据预测模型(即将上一轮测试循环得到的排放数据预测模型作为最初的学习模型,继续训练和优化)。
更具体地,作为其中一种示范性实施方式,本发明提供的整车排放参数优化的方法,还包括通过下式计算步骤S230中的所述损失函数的值:
式中,Loss为所述损失函数的值,n为所述样本点的个数,Ci为所述排放数据预测模型在第i个所述样本点的预测结果,Ti为所述测试数据在第i个所述样本点的排放数据。
如本领域技术人员可以理解地,学习模型的训练过程实际上是最小化损失函数(评价函数)的过程。本发明提供的整车排放参数优化方法,可以分别设定损失函数的值的第一预设误差阈值和第二预设误差阈值:即当所述初步训练的学习模型在所述训练数据样本上的损失函数的值小于或等于所述第一预设误差阈值且在所述测试数据样本上的损失函数的值小于或等于第二预设误差阈值时,认为所述初步训练的学习模型能够很好地学习该排放物类型的产生规律,认为已训练好,将此时训练得到的所述初步训练的学习模型作为所述排放数据预测模型。由此,本发明提供的整车排放参数优化方法,所述排放数据预测模型对排放数据的预测是可靠的,从而为后续获取每一个所述控制参数对该排放物类型的预测结果的影响权重奠定了良好基础。
优选地,在其中一种示范性实施方式中,本发明提供的整车排放参数优化方法,还包括:
为所述学习模型选择不同的回归策略,并对每一所述回归策略,分别重复执行步骤S220~S230,将所述损失函数的值最小时的所述回归策略作为所述排放数据预测模型;其中,所述回归策略包括回归方法和超参数。
需要特别说明的是,如本领域技术人员可以理解地,可以根据实际需要,为所述学习模型(机器学习)选择合适的回归策略(回归算法)和合适的超参数(不同的回归策略具有不同的超参数),回归算法是一种有监督算法,即用来建立模型输入变量(“控制参数”,自变量)和模型输出变量(“排放数据”,因变量)之间的映射关系。所述学习模型的训练过程,即在确定回归策略之后,用于构建一个算法模型(函数)来做属性(“控制参数”)与标签(“排放数据”)之间的映射关系,在算法的学习过程中,试图寻找一个函数使得参数之间的关系拟合性最好。进一步地,本发明对所述回归策略并不限定,可选择的回归算法包括但不限于线性回归、多项式回归、随机森林回归等。更进一步地,不同的排放物类型的所述排放数据预测模型的回归策略可以相同,也可以不同,本发明对此不作任何限定。
由此,本发明提供的整车排放参数优化方法,为了得到更好的所述排放数据预测模型,对于每一种排放物类型,可以分别选择不同的回归算法或对于选定的回归算法选择不同的超参数,从而对比基于不同的回归策略训练得到的所述排放数据预测模型的所述损失函数的最优评价值(比如损失函数的值最小)作为最终的所述排放数据预测模型,从而进一步提升所述排放数据预测模型的预测精度。
需要进一步说明的是,如本领域技术人员可以理解的,学习模型中一般有两类参数:一类需要从数据中学习和估计得到,称为模型参数(Parameter)即学习模型本身的参数。比如,线性回归直线的加权系数(斜率)及其偏差项(截距)都是模型参数。还有一类则是学习算法中的调优参数(tuning parameters),需要人为设定,称为超参数(Hyperparameter)。比如,正则化系数λ,决策树模型中树的深度。
进一步地,作为另一种优选实施方式,也可以通过调整所述训练数据样本和所述测试数据样本的分配比例,并基于每一所述分配比例,分别重复执行步骤S220~S230,将所述损失函数最小时的所述模型参数作为所述排放数据预测模型的模型参数。
优选地,在其中一种示范性实施方式中,步骤S300所述获取每一个所述控制参数对该排放物类型的预测结果的影响权重分布,包括:
获取每一个所述控制参数对所述预测结果的全集影响和每一个所述控制参数对所述预测结果的单点影响;其中,所述全集影响包括:对于所有的所述样本点,每一个所述控制参数对所述预测结果的影响权重;所述单点影响包括:对于每一个所述样本点,每一个所述控制参数对所述预测结果的影响权重。
如此配置,本实施方式提供的整车排放参数优化方法,通过自动获取每一个所述控制参数对所述预测结果的全集影响和每一个所述控制参数对所述预测结果的单点影响,能够有助于快速定位整个排放循环(测试与标定)的排放关键控制参数以及单个工况点(样本点)的排放关键控制参数,从而能够显著缩短标定寻优时间,提高标定工作效率、降低单个项目平均使用的设备资源数量、节约人力和设备资源。
具体地,请参见图5和图6,其中,图5为所有模型输入变量对某一排放物类型的全集影响的影响权重一具体示例图;图6为所有模型输入变量对某一排放物类型的单点影响的影响权重一具体示例图。从图5和图6可以明显看出,对于全集影响和单点影响,不同的模型输入变量的影响权重是不同的。更具体地,单点影响分为正影响和负影响,某一模型输入变量的单点影响的影响权重为正值,表示与所有的工况点(样本点,下同)相比,该工况点下此模型输入变量对排放起增加作用;若所述影响权重为负值,则表示与所有的工况点相比,该工况点下此模型输入变量对排放起减少作用。对于某一个工况点,所有变量单点影响之和反映了当前工况点的排放高低水平。
需要特别说明的是,在其中一种优选实施方式中,所述模型输入变量可以包括控制参数和车辆状态中的一种或两种,在进行控制参数优化时,应选择对所述排放物类型影响权重较大且含有控制参数的所述模型输入变量进行调整。
由此,优选地,在其中一种示范性实施方式中,步骤S400所述根据所述影响权重分布,确定该排放物类型的待优化控制参数,包括:
对于每一排放物类型,若判定该排放物类型的排放数据超过预设排放阈值,则根据预设优化策略和所有所述控制参数的所述影响权重,确定若干个待调整的所述控制参数。
本实施例提供的整车排放参数优化方法,根据预设优化策略和所有所述控制参数的所述影响权重,自动确定若干个待调整的所述控制参数。由此,有助于缩短标定寻优时间、提高标定工作效率,降低单个项目平均使用的设备资源数量,缓解人力和设备不足的问题。
具体地,请参见图7,其示意性地给出了其中一实施方式提供的图1中步骤S400的详细流程示意图。从图7可以看出步骤S400根据预设优化策略和所有所述控制参数的所述影响权重,确定若干个待调整的所述控制参数,包括:
S410:按照对所述预测结果的影响权重的大小对所述控制参数进行排序;
S420:根据预设参数调整数量,依次将所述影响权重最大的所述控制参数作为所述待调整的控制参数。
具体地,为了便于理解,下文以每个模型输入变量均包括控制参数为例进行说明。使用全集影响以判断各个所述模型输入变量对各个排放物类型的总体影响。在整个测试循环内若某个排放物(如NOx)较高时,可通过找到对该排放物类型(如NOx)全集影响权重较大的数个模型输入变量(即控制参数),这些控制参数即为循环内的对该排放物类型的主要影响因素(如图5中的变量1/7/9/16),在下次测试前针对该控制参数进行控制策略或参数取值的优化调整。针对某种排放物(如PN)较高的工况点,获取该工况点下各变量的单点影响。影响权重值为正且较大的数个输入变量即对该排放物(如PN)影响较大,是该点排放高的主要影响变量(例如,图6中的变量7/8/21),这些控制参数即为需要优先调整标定的控制参数。
可选地,在调整所述控制参数的控制策略和/或所述控制参数的取值之前,还包括:
判断所述待优化的控制参数是否对与该排放物类型机理相反的排放物类型的全集影响权重超过预设影响权重阈值,若否,则调整所述控制参数的控制策略和/或所述控制参数的取值;若是,则根据所述控制参数对该排放物类型的影响权重及所述控制参数对与该排放物类型机理相反的排放物类型的影响权重,调整所述控制参数的控制策略和/或所述控制参数的取值。
如此配置,本实施例提供的整车排放参数优化方法,在进行控制参数的调整之前,通过判断所述待优化的控制参数是否对与该排放物类型机理相反的排放物类型的全集影响权重超过预设影响权重阈值,能够很好地避免为了其中一个排放物类型的排放数据的调整而对其他的排放物类型带来负面影响,能够进一步提高标定工作效率。
举例而言,在整个测试循环内若某个排放物(如NOx)较高时,可通过影响权重分布找到对该排放(如NOx)全集影响值较大的多个模型输入变量(例如,图5中的变量1/7/9/16),然而如有产生机理相反的排放物(如CO),则需要结合产生机理相反排放物(如CO)的各变量全集影响权重,若前述控制参数对CO影响相对较小,可判断该控制参数对NOx产生影响较大,而对CO产生影响较小,可以在下次测试前针对该控制参数进行控制策略或参数取值的优化调整;若对CO影响也较大,可判断该控制参数对NOx和CO影响均较大,调整需谨慎。
优选地,请继续参见图7,在其中一种示范性实施方式中,步骤S400根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定,包括:
S430:调整所述控制参数的控制策略和/或所述控制参数的取值;
S440:将调整后的控制参数,输入所述排放数据预测模型以获取调整后的预测结果、和/或直接应用到整车标定流程以获取调整后的排放数据;
S450:根据所述调整后的预测结果和/或所述调整后的排放数据,继续对所述待标定车辆的控制参数进行优化或完成所述待标定车辆的控制参数的标定。
由此可见,本实施方式提供的整车排放参数优化方法,通过调整所述控制参数的控制策略和/或所述控制参数的取值;并将调整后的控制参数,输入所述排放数据预测模型以获取调整后的预测结果、和/或直接应用到整车标定流程以获取调整后的排放数据。最后根据所述调整后的预测结果和/或所述调整后的排放数据,继续对所述待标定车辆的控制参数进行优化或完成所述待标定车辆的控制参数的标定。这种所述排放数据预测模型的迭代优化及学习模型与标定相结合的方式,能够进一步缩短标定寻优时间,提高标定工作效率、降低单个项目平均使用的设备资源数量、节约人力和设备资源。
需要特别说明的是,如本领域技术人员可以理解地,上述各实施方式虽然以排放循环的测试与标定为例对本发明提供的整车排放参数优化方法进行说明,但很显然地,本发明提供的整车排放参数优化方法并不限于针对排放循环的测试与标定,也可应用于其他工况下的排放标定。
实施例二
基于同一发明构思,本实施例提供了一种整车排放标定系统,本实施例提供的整车排放标定系统采用如实施例一任一实施方式所述的整车排放参数优化方法进行排放参数的优化或包括整车排放参数优化装置进行排放参数的优化。具体地,请参见图8,示意性的给出了其中一实施方式提供的整车排放参数优化装置的方框结构示意图。从图8可以看出,所述整车排放参数优化装置包括:测试数据获取单元110、预测模型训练单元120、控制参数影响权重获取单元130和排放参数优化单元140。
具体地,所述测试数据获取单元110,被配置为采集待标定车辆的测试数据,并将所述测试数据划分为训练数据样本和测试数据样本;其中,每条所述测试数据包括排放数据以及采集该排放数据时的控制参数。所述预测模型训练单元120,被配置为分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型。所述控制参数影响权重获取单元130,被配置为对于每一所述排放物类型,根据该排放物类型的排放数据预测模型和所述测试数据,获取每一个所述控制参数对该排放物类型的预测结果的影响权重。所述排放参数优化单元140,被配置为根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定。
由于本实施例提供的整车排放标定系统与本发明实施例一提供的整车排放参数优化方法的基本原理类似,因此,介绍的比较粗略,有关整车排放参数优化装置的详细内容请参见实施例一的相关说明理解。由此,本发明提供的整车排放标定系统,能够根据待标定车辆的实际测试数据作为测试数据,训练数据样本和测试数据样本都来自待标定车辆,从而为排放数据预测模型的可靠性奠定了良好的基础。进一步地,本发明提供的整车排放标定系统,基于所述测试数据,利用所述排放数据预测模型学习整车排放的规律,获取所述控制参数对排放物类型的预测结果的影响权重,能够有助于快速定位整个排放循环(测试与标定)的排放关键控制参数以及单个工况点(样本点)的排放关键控制参数,从而能够显著缩短标定寻优时间,提高标定工作效率、降低单个项目平均使用的设备资源数量、节约人力和设备资源。
实施例三
本实施例提供了一种电子设备,请参考图9,其示意性地给出了本发明一实施方式提供的电子设备的方框结构示意图。如图9所示,所述电子设备包括处理器210和存储器230,所述存储器230上存储有计算机程序,所述计算机程序被所述处理器210执行时,实现上文所述的整车排放参数优化方法。由于本实施例提供的电子设备与上述实施例一提供的整车排放参数优化方法属于同一发明构思,因此,至少具有与其相同的有益效果,为了避免赘述,在此不再一一罗列,详情请参见上述实施例一的相关描述。
具体地,如图9所示,所述电子设备还包括通信接口220和通信总线240,其中所述处理器210、所述通信接口220、所述存储器230通过通信总线240完成相互间的通信。所述通信总线240可以是外设部件互连标准(Peripheral Component Interconnect,PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,EISA)总线等。该通信总线240可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。所述通信接口220用于上述电子设备与其他设备之间的通信。
本发明中所称处理器210可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,所述处理器210是所述电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分。
所述存储器230可用于存储所述计算机程序,所述处理器210通过运行或执行存储在所述存储器230内的计算机程序,以及调用存储在存储器230内的数据,实现所述电子设备的各种功能。
所述存储器230可以包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
实施例四
基于同一发明构思,本实施例提供了一种可读存储介质,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时可以实现上文所述的整车排放参数优化方法。
本实施方式的可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机硬盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其组合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言-诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言-诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机,或者可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
综上所述,与现有技术相比,本发明提供的整车排放参数优化方法、系统、电子设备和存储介质具有以下优点:。
应当注意的是,在本文的实施方式中所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用于执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本文各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
上述描述仅是对本发明较佳实施方式的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于本发明的保护范围。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若这些修改和变型属于本发明及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (13)
1.一种整车排放参数优化方法,其特征在于,包括:
采集待标定车辆的测试数据,并将所述测试数据划分为训练数据样本和测试数据样本;其中,每条所述测试数据包括排放数据以及采集该排放数据时的控制参数;
分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型;
对于每一所述排放物类型,根据该排放物类型的排放数据预测模型和所述测试数据,获取每一个所述控制参数对该排放物类型的预测结果的影响权重;
根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定。
2.根据权利要求1所述的整车排放参数优化方法,其特征在于,所述采集待标定车辆的测试数据的方法,包括:
对所述待标定车辆的每一所述排放物类型,进行预设次数的排放试验,并按照预设样本采集周期采集若干条试验数据;
对同一样本采集时刻的所述试验数据进行整合,以得到多个样本点的测试数据。
3.根据权利要求2所述的整车排放参数优化方法,其特征在于,所述分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型,包括:
对于每一所述排放物类型,执行以下步骤:
S210:将采集所述排放数据时的控制参数作为模型输入变量,将所述排放数据作为模型输出变量,并确定所述学习模型的回归策略和模型参数的初始值;
S220:将所述训练数据样本输入所述学习模型,根据所述模型参数的初始值,获取所述训练数据样本的预测结果,以及根据所述训练数据样本的预测结果和所述训练数据样本的排放数据,计算损失函数的值;并根据所述损失函数的值和第一预设误差阈值,调整所述学习模型的模型参数,得到初步训练的学习模型;
S230:将所述测试数据样本输入所述初步训练的学习模型,获取所述测试数据样本的预测结果,以及根据所述测试数据样本的预测结果和所述测试数据样本的排放数据,计算所述损失函数的值;若所述损失函数的值小于或等于第二预设误差阈值,或者所述学习模型的训练次数大于或等于预设迭代次数,则训练结束,并将所述初步训练的学习模型作为所述排放数据预测模型;否则,调整所述学习模型的模型参数,并将所述学习模型的模型参数的初始值更新为调整后的模型参数,返回执行步骤S220。
5.根据权利要求3所述的整车排放参数优化方法,其特征在于,还包括:
为所述学习模型选择不同的回归策略,并对每一所述回归策略,分别重复执行步骤S220~S230,将所述损失函数的值最小时的所述回归策略作为所述排放数据预测模型;其中,所述回归策略包括回归方法和超参数;
或
调整所述训练数据样本和所述测试数据样本的分配比例,并基于每一所述分配比例,分别重复执行步骤S220~S230,将所述损失函数最小时的所述模型参数作为所述排放数据预测模型的模型参数。
6.根据权利要求1所述的整车排放参数优化方法,其特征在于,所述获取每一个所述控制参数对该排放物类型的预测结果的影响权重分布,包括:
获取每一个所述控制参数对所述预测结果的全集影响和每一个所述控制参数对所述预测结果的单点影响;
其中,所述全集影响包括:对于所有的所述样本点,每一个所述控制参数对所述预测结果的影响权重;
所述单点影响包括:对于每一个所述样本点,每一个所述控制参数对所述预测结果的影响权重。
7.根据权利要求1所述的整车排放参数优化方法,其特征在于,所述根据所述影响权重分布,确定该排放物类型的待优化控制参数,包括:
对于每一排放物类型,若判定该排放物类型的排放数据超过预设排放阈值,则根据预设优化策略和所有所述控制参数的所述影响权重,确定若干个待调整的所述控制参数。
8.根据权利要求7所述的整车排放参数优化方法,其特征在于,所述根据预设优化策略和所有所述控制参数的所述影响权重,确定若干个待调整的所述控制参数,包括:
按照对所述预测结果的影响权重的大小对所述控制参数进行排序;
根据预设参数调整数量,依次将所述影响权重最大的所述控制参数作为所述待调整的控制参数。
9.根据权利要求8所述的整车排放参数优化方法,其特征在于,在调整所述控制参数的控制策略和/或所述控制参数的取值之前,还包括:
判断所述待优化的控制参数是否对与该排放物类型机理相反的排放物类型的全集影响权重超过预设影响权重阈值,若否,则调整所述控制参数的控制策略和/或所述控制参数的取值;若是,则根据所述控制参数对该排放物类型的影响权重及所述控制参数对与该排放物类型机理相反的排放物类型的影响权重,调整所述控制参数的控制策略和/或所述控制参数的取值。
10.根据权利要求1所述的整车排放参数优化方法,其特征在于,所述根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定,包括:
调整所述控制参数的控制策略和/或所述控制参数的取值;
将调整后的控制参数,输入所述排放数据预测模型以获取调整后的预测结果、和/或直接应用到整车标定流程以获取调整后的排放数据;
根据所述调整后的预测结果和/或所述调整后的排放数据,继续对所述待标定车辆的控制参数进行优化或完成所述待标定车辆的控制参数的标定。
11.一种整车排放标定系统,其特征在于,采用如权利要求1-10任一项所述的整车排放参数优化方法进行排放参数的优化或包括整车排放参数优化装置进行排放参数的优化;其中,所述整车排放参数优化装置包括:
测试数据获取单元,被配置为采集待标定车辆的测试数据,并将所述测试数据划分为训练数据样本和测试数据样本;其中,每条所述测试数据包括排放数据以及采集该排放数据时的控制参数;
预测模型训练单元,被配置为分别构建所述排放数据的每一排放物类型的学习模型,并使用所述训练数据样本对所述学习模型进行训练、使用所述测试数据样本对训练得到的学习模型进行测试,直至满足预设结束条件,以得到该排放物类型的排放数据预测模型;
控制参数影响权重获取单元,被配置为对于每一所述排放物类型,根据该排放物类型的排放数据预测模型和所述测试数据,获取每一个所述控制参数对该排放物类型的预测结果的影响权重;
排放参数优化单元,被配置为根据所述影响权重,确定该排放物类型的待优化控制参数,以对所述待标定车辆的控制参数进行优化和/或标定。
12.一种电子设备,其特征在于,包括处理器和存储器,所述存储器上存储有计算机程序,所述计算机程序被所述处理器执行时,实现权利要求1至10中任一项所述的整车排放参数优化方法。
13.一种可读存储介质,其特征在于,所述可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至10中任一项所述的整车排放参数优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210799321.7A CN115270932A (zh) | 2022-07-06 | 2022-07-06 | 整车排放参数优化方法、系统、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210799321.7A CN115270932A (zh) | 2022-07-06 | 2022-07-06 | 整车排放参数优化方法、系统、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270932A true CN115270932A (zh) | 2022-11-01 |
Family
ID=83765096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210799321.7A Pending CN115270932A (zh) | 2022-07-06 | 2022-07-06 | 整车排放参数优化方法、系统、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270932A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117538492A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市恒义建筑技术有限公司 | 建筑空间中污染物的在线检测方法及系统 |
-
2022
- 2022-07-06 CN CN202210799321.7A patent/CN115270932A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117538492A (zh) * | 2024-01-10 | 2024-02-09 | 深圳市恒义建筑技术有限公司 | 建筑空间中污染物的在线检测方法及系统 |
CN117538492B (zh) * | 2024-01-10 | 2024-03-26 | 深圳市恒义建筑技术有限公司 | 建筑空间中污染物的在线检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7593804B2 (en) | Fixed-point virtual sensor control system and method | |
Mozaffari et al. | Optimally pruned extreme learning machine with ensemble of regularization techniques and negative correlation penalty applied to automotive engine coldstart hydrocarbon emission identification | |
Dreossi et al. | Efficient guiding strategies for testing of temporal properties of hybrid systems | |
JP5026433B2 (ja) | プロセスモデルベースの仮想センサシステムおよび方法 | |
US20070203864A1 (en) | Process model error correction method and system | |
Liao‐McPherson et al. | Model predictive emissions control of a diesel engine airpath: Design and experimental evaluation | |
Gutjahr et al. | Advanced modeling and optimization for virtual calibration of internal combustion engines | |
CN113554153A (zh) | 氮氧化物排放量预测方法、装置、计算机设备及介质 | |
Pal et al. | Multi-objective stochastic Bayesian optimization for iterative engine calibration | |
CN112001491A (zh) | 针对处理器确定神经网络架构的搜索方法和装置 | |
CN115270932A (zh) | 整车排放参数优化方法、系统、电子设备和存储介质 | |
US20230133128A1 (en) | Control device, control method, and recording medium | |
CN113919234B (zh) | 基于时序特征迁移的移动源排放预测方法、系统及设备 | |
CN113269348A (zh) | 一种基于机器学习的机动车尾气浓度预测方法及系统 | |
CN114861871B (zh) | 一种卷积神经网络在加速器上的推理性能评估系统 | |
Karri et al. | Predictive models for emission of hydrogen powered car using various artificial intelligent tools | |
CN116150190A (zh) | 基于树型qrnn的数据库查询优化处理方法及系统 | |
Mozaffari et al. | A Receding Horizon Sliding Controller for Automotive Engine Coldstart: Design and Hardware‐in‐the‐Loop Testing With an Echo State Network High‐Fidelity Model | |
CN115263505A (zh) | 一种车辆nox排放预测方法、装置及存储介质 | |
CN113343390A (zh) | 基于神经网络非线性模型的发动机线性化建模方法 | |
Yang et al. | An empirical study on optimal solutions selection strategies for effort-aware just-in-time software defect prediction | |
CN115904857A (zh) | 一种瓶颈节点的筛选方法、装置及计算机设备 | |
Tang et al. | Borderline knock prediction using machine learned kriging model | |
CN112513837A (zh) | 网络结构搜索方法和装置 | |
US11885709B2 (en) | Engine test method, computer-readable recording medium, and engine test apparatus |
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 |