一种基于LSTM的加速过程NO的制作方法

一种基于lstm的加速过程no
x
排放识别方法
技术领域
1.本发明涉及no
x
排放识别技术领域，具体为一种基于lstm的加速过程no
x
排放识别方法。


背景技术：

2.排放法规越来越重视动态循环和实际动态过程的排放，如轻型国六的rde 法规就要求城市工况、郊区工况和高速工况的加速次数都大于150次。而往往排放和油耗大部分是在加速过程中产生的(尤其在减速断油情况下)，整车加速过程识别动态加速过程的排放对整车排放标定优化和研究十分重要。
3.整车或整机瞬态排放研究一直是整车或整机排放研究的难点之一。常见用稳态排放加上瞬态修正(如空燃比)来模拟整车或整机的动态排放，也有像虚拟台架那样用气路和冷却物理模型加上doe燃烧模型(一般是高斯回归gp 模型，基于doe试验数据)来仿真动态排放，也有用bp神经网络和lstm(长短时记忆神经网络)来直接建立整个动态循环(包括减速过程、怠速过程)的瞬态排放。未见提取各档加速片段及no
x
排放尖峰特性(峰值和半峰宽)的“特征工程处理”，未见基于lstm来研究加速片段的no
x
动态排放总量，未见基于lstm来预测排放尖峰的峰高和半峰宽之间的模型。


技术实现要素：

4.(一)解决的技术问题
5.针对现有技术的不足，本发明提供了一种基于lstm的加速过程no
x
排放识别方法，解决了现有技术中存在的缺陷与不足。
6.(二)技术方案
7.为实现以上目的，本发明通过以下技术方案予以实现：一种基于lstm的加速过程no
x
排放识别方法，所述方法包括以下步骤：
8.s1、基于转速、车速、油门、离合信号进行档位识别；
9.s2、提取各档位下的各加速片段，并做信号对齐处理；
10.s3、对各档位下的各加速片段进行进一步分类和多维度统计；
11.s4、对各加速片段对应的no
x
尖峰特性进行统计分析；
12.s5、基于lstm建立动态加速片段与片段过程no
x
排放总质量以及no
x
尖峰的模型,并对模型验证。
13.优选的，所述步骤1中基于某车型的rde数据，先画出转速-车速的散点图，自动识别出总档位数，再识别出各档位下的车速和转速的速比，然后提取各档位下的加速片段。
14.优选的，所述步骤2中在提取各档位下的加速片段时，需先对车速进行滤波后再求出加速度，然后根据加速度提取连续加速片段，在提取时会前后多20s,用于相关信号的信号对齐，对齐方法是基于最大相关系数法，加速片段按发动机工作模式分类，如正常模式、rhu模式或rgn模式。
15.优选的，所述相关信号包括但不限于为no
x
、油门、瞬时油耗、瞬时空气流量、排气温度、排气背压。
16.优选的，所述步骤5中用多层lstm建立加速片段和其过程的no
x
总排放量以及no
x
峰值特性的模型，用一隐含层为300层的lstm模型来估算加速片段的no
x
总排放量，其输入为各加速片段的车速、转速、空气流量、瞬时燃油流量、大气压力、大气温度、egr阀开度、节气门开度、进气歧管压力、进气歧管温度、背压。
17.(三)有益效果
18.本发明提供了一种基于lstm的加速过程no
x
排放识别方法。具备以下有益效果：
19.1、本发明，提取各档加速片段过程，并统计分析相应的no
x
排放，很容易识别出那些no
x
排放“最恶劣”的片段，便于有针对性的优化。
20.2、本发明，提取各档加速片段过程来分析比其它拿整个循环来lstm深度学习建模，更有效和更精确，对标定优化更有直接的指导意义。
21.3、本发明，研究和分析排放尖峰的特性(峰值、半峰宽)，并建立了动态加速过程的no
x
排放总量和排放尖峰的峰高和半峰宽之间的模型，对加速排放过程有更清晰的“状态描述”。
附图说明
22.图1为本发明流程示意图；
23.图2与图3为本发明有效加速过程片段的提取实例；
24.图4为本发明no
x
尖峰特性的实例图；
25.图5为本发明lstm的no
x
质量估算结果示意图。
具体实施方式
26.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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.实施例：
28.如图1-5所示，本发明实施例提供一种基于lstm的加速过程no
x
排放识别方法，所述方法包括以下步骤：
29.s1、基于转速、车速、油门、离合信号进行档位识别，基于某车型的rde 数据，先画出转速-车速的散点图，自动识别出总档位数(在行驶过程中体现出的)，再识别出各档位下的车速和转速的速比，然后提取各档位下的加速片段，实际实例如图2所示；
30.s2、提取各档位下的各加速片段，并做信号对齐处理，其中，在提取各档位下的加速片段时，需先对车速进行滤波后再求出加速度，然后根据加速度提取连续加速片段，在提取时会前后多20s,用于相关信号的信号对齐(相关信号包括但不限于为no
x
、油门、瞬时油耗、瞬时空气流量、排气温度、排气背压)，对齐方法是基于最大相关系数法，加速片段按发动机工作模式分类，如正常模式、rhu模式或rgn模式，如果一个片段包括两种模式就不予以考虑；
31.s3、对各档位下的各加速片段进行进一步分类和多维度统计；
32.s4、对各加速片段对应的no
x
尖峰特性进行统计分析；
33.s5、基于lstm建立动态加速片段与片段过程no
x
排放总质量以及no
x
尖峰(峰值、半峰宽)的模型,并对模型验证；
34.本发明，用多层lstm建立加速片段和其过程的no
x
总排放量以及no
x
峰值特性(峰高和半峰宽)的模型，用一隐含层为300层的lstm模型来估算加速片段的no
x
总排放量(发动机原排)，其输入为各加速片段的车速、转速、空气流量、瞬时燃油流量、大气压力、大气温度、egr阀开度、节气门开度、进气歧管压力、进气歧管温度、背压，其结果如图5所示，从模型结果看，平均模型结果和实际结果的线性回归k》0.93,r2＝0.92。
35.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。