一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质制造方法及图纸

本申请涉及一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质，方法包括采集发动机的状态数据，状态数据包括碳载量、机油压力、累计里程和累计燃油消耗量；计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值，并根据计算结果生成样本数据集；将样本数据集分为训练集和测试集，利用训练集训练XGBOOST算法模型，使用测试集测试XGBOOST算法模型的预测性能，得到DPF碳载量预测模型；根据状态数据和DPF碳载量预测模型，预测发动机当前以及未来时刻的碳载量。该方法能提前预测未来时刻发动机的碳载量，以便于合理安排停车时机进行主动DPF再生或者清灰。动DPF再生或者清灰。动DPF再生或者清灰。

【技术实现步骤摘要】
一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质


[0001]本申请涉及柴油车排放监控
，尤其涉及一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质。

技术介绍

[0002]大气污染的其中一部分污染源是来自于柴油机车辆，柴油发动机的污染物主要包含颗粒物和氮氧化物，其中，柴油机后处理器主要通过DPF治理颗粒物，DPF是一个物理过滤器，随着使用时间的不同，会导致DPF堵塞而失去作用，DPF堵塞后需要进行清洗才能恢复功能，这个过程也叫“DPF再生”。
[0003]在柴油机上安装颗粒捕集器(DPF)，捕集颗粒并在适当时机(碳载量到达一定阈值)燃烧颗粒实现再生，是目前降低柴油机颗粒排放的重要技术途径。颗粒捕集器中收集到的黑烟(碳颗粒)越来越多，慢慢的就会导致排气背压高从而影响发动机的动力。

技术实现思路

[0004]为了解决上述
技术介绍
提到的技术问题或者至少部分地解决上述技术问题，本申请提供一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质，能提前预测未来时刻发动机的碳载量，以便于合理安排停车时机进行主动DPF再生或者清灰。
[0005]第一方面，本申请提供了一种基于XGBOOST算法的DPF碳载量预测方法，包括：
[0006]采集发动机的状态数据，所述状态数据包括碳载量、机油压力、累计里程和累计燃油消耗量；
[0007]计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值，并根据计算结果生成样本数据集；
[0008]将所述样本数据集分为训练集和测试集，利用训练集训练XGBOOST算法模型，使用测试集测试XGBOOST算法模型的预测性能，得到DPF碳载量预测模型；
[0009]根据所述状态数据和所述DPF碳载量预测模型，预测发动机当前以及未来时刻的碳载量。
[0010]优选的，在计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值之前，还包括对所述状态数据进行按均值进行聚合计算的预处理过程。
[0011]优选的，以均方误差最小化为优化目标利用训练集训练XGBOOST算法模型。
[0012]优选的，按时间先后将所述样本数据集划分为训练集和测试集。
[0013]第二方面，本申请还提供了一种基于XGBOOST算法的DPF碳载量预测装置，包括：
[0014]存储器，用于存储程序指令；
[0015]处理器，用于调用所述存储器中存储的所述程序指令以实现如第一方面任一方案
所述的基于XGBOOST算法的DPF碳载量预测方法。
[0016]第三方面，本申请还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存储有程序代码，所述程序代码用于实现如第一方面任一方案所述的基于XGBOOST算法的DPF碳载量预测方法。
[0017]本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本专利技术将XGBOOST算法运用到发动机的碳载量预测中，基于XGBOOST算法建立模型，比神经网络更加灵活有效，准确度相对较高，计算速度较快。
[0018]通过采集的历史时刻的发动机的状态数据并经过计算处理后得到XGBOOST算法模型的训练集和测试集，通过训练集以最小化均方误差为目标对XGBOOST算法模型进行训练，并通过测试集对XGBOOST算法模型进行测试验证，误差在预设范围内则得到训练优化好的DPF碳载量预测模型。具体的，通过对采集到的状态数据的计算处理，得到多个维度的特征数据，即碳载量均值、方差和偏度，从碳载量的平均值趋势、波动性和有无偏差三个方面的数据、以及机油压力的峰度、累计里程和累计燃油消耗量的对数值作为特征数据输入模型进行训练和计算，提高对碳载量预测的准确度和预测能力。
[0019]训练好的DPF碳载量预测模型用于预测当前以及未来时刻的发动机的碳载量，有利于驾驶员提前做好静止再生的计划，选择合适的时机停车进行主动DPF再生或者清灰，防止车辆在高速或者行驶过程中发生碳载量过高导致的无法及时停车，利于及时去除累计的杂质，避免DPF发生堵塞对DPF总成的损坏(系统检测到DPF堵塞后，也会自动干预发动机工作，限扭、动力下降油耗上升，甚至直接损坏DPF总成)，有利于保障发动机排气顺畅，发动机动力保持良好。
附图说明
[0020]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0021]为了更清楚地说明本专利技术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，对于本领域普通技术人员而言，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。
[0022]图1为本申请实施例提供的一种基于XGBOOST算法的DPF碳载量预测方法的流程示意图；
[0023]图2为本申请实施例提供的基于XGBOOST算法的DPF碳载量预测装置的结构示意图。
具体实施方式
[0024]为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请的一部分实施例，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做出创造性劳动的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。
[0025]为了便于理解，下面对本申请实施例提供的一种基于XGBOOST算法的DPF碳载量预测方法、装置及存储介质进行详细介绍，参见图1，一种基于XGBOOST算法的DPF碳载量预测
方法包括以下步骤：
[0026]步骤S1，采集发动机的状态数据，所述状态数据包括碳载量、机油压力、累计里程和累计燃油消耗量；
[0027]步骤S2，计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值，并根据计算结果生成样本数据集；
[0028]步骤S3，将所述样本数据集分为训练集和测试集，利用训练集训练XGBOOST算法模型，使用测试集测试XGBOOST算法模型的预测性能，得到DPF碳载量预测模型；
[0029]步骤S4，根据所述状态数据和所述DPF碳载量预测模型，预测发动机当前以及未来时刻的碳载量。
[0030]通过步骤S1采集发动机历史时刻的状态数据以及当前时刻的状态数据；根据历史时刻的状态数据生成样本数据集，将样本数据集划分为训练集和测试集，利用训练集对预先搭建的XGBOOST算法模型进行训练，并利用测试集对训练后的模型进行测试验证，误差在预设范围内时确定训练优化完毕，得到DPF碳载量预测模型。当前时刻的状态数据输入该DPF碳载量预测模型中，输出为未来时刻的发动机的碳载量。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于XGBOOST算法的DPF碳载量预测方法，其特征在于，包括：采集发动机的状态数据，所述状态数据包括碳载量、机油压力、累计里程和累计燃油消耗量；计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对数值，并根据计算结果生成样本数据集；将所述样本数据集分为训练集和测试集，利用训练集训练XGBOOST算法模型，使用测试集测试XGBOOST算法模型的预测性能，得到DPF碳载量预测模型；根据所述状态数据和所述DPF碳载量预测模型，预测发动机当前以及未来时刻的碳载量。2.根据权利要求1所述的基于XGBOOST算法的DPF碳载量预测方法，其特征在于，在计算各个历史时刻前预设时间区间内的碳载量的均值、方差、偏度，机油压力的峰度以及各个历史时刻的累计燃料消耗的对数值和累计里程的对...

【专利技术属性】
技术研发人员：闫方超，李亦硕，任进，
申请(专利权)人：天津布尔科技有限公司，
类型：发明
国别省市：