碳载量确定方法技术

本发明专利技术实施例提供了一种碳载量确定方法

【技术实现步骤摘要】
碳载量确定方法、装置、计算机可读存储介质及电子设备


[0001]本专利技术涉及车辆排放
，特别是涉及一种碳载量确定方法
、
装置
、
计算机可读存储介质及电子设备
。

技术介绍

[0002]颗粒捕集器
DPF
是一个过滤颗粒物的滤芯，它将发动机产生的所有黑烟等杂质全部收集，从而降低了颗粒物的排放
。
[0003]基于压差传感器的碳载量模型是基于
DPF
两端的压差传感器读值计算出
DPF
中累积的碳载量
。
当碳载量累积到一定值时，系统会触发再生燃烧去除
DPF
中累积的碳颗粒
。
[0004]但是，当前基于压差传感器的碳载量模型计算出的碳载量误差偏大
。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种碳载量确定方法
、
装置
、
计算机可读存储介质及电子设备，以解决碳载量误差偏大的问题
。
具体技术方案如下：
[0006]一种碳载量确定方法，包括：
[0007]确定颗粒捕集器当前所处的状态；
[0008]若所述颗粒捕集器处于被动再生状态且连续处于所述被动再生状态的时长超过预设时长，则使用预先训练的被动再生碳载量确定模型确定至少一个第一碳载量；
[0009]若所述颗粒捕集器处于积碳状态，则使用预先训练的积碳碳载量确定模型确定至少一个第二碳载量；<br/>[0010]基于所述至少一个第一碳载量和所述至少一个第二碳载量确定第三碳载量
。
[0011]可选的，所述确定颗粒捕集器当前所处的状态，包括：
[0012]获得废气体积流量和所述颗粒捕集器的上游排气温度；
[0013]若所述废气体积流量位于预设流量范围且所述上游排气温度位于预设温度范围，则确定所述颗粒捕集器当前所处的状态为被动再生状态
。
[0014]可选的，所述基于所述至少一个第一碳载量和所述至少一个第二碳载量确定第三碳载量，包括：
[0015]对由所述至少一个第一碳载量和所述至少一个第二碳载量构成的碳载量序列进行小波降噪处理，对进行过所述小波降噪处理的所述碳载量序列进行滑动平直滤波处理；
[0016]从进行过所述滑动平直滤波处理所述碳载量序列中确定第三碳载量
。
[0017]可选的，所述预先训练的被动再生碳载量确定模型的输入为废气体积流量和所述颗粒捕集器的上下游压差，所述预先训练的积碳碳载量确定模型的输入为废气体积流量和所述颗粒捕集器的上下游压差
。
[0018]可选的，
[0019]所述被动再生碳载量确定模型的训练过程包括：获得第一初始模型和第一训练数据，所述第一训练数据包括所述被动再生状态下的废气体积流量和所述被动再生状态下的
所述颗粒捕集器的上下游压差，所述第一初始模型为带有外部输入的非线性自回归神经网络
NARX
模型；通过所述第一训练数据对所述第一初始模型进行训练，在训练过程中，使用动量
‑
自适应梯度下降法调整所述第一初始模型的网络结构的参数，其中，所述参数包括：隐含层的阀值
、
所述隐含层的权值
、
输出层的阀值和所述输出层的权值；
[0020]和
/
或，
[0021]所述积碳碳载量确定模型的训练过程包括：获得第二初始模型和第二训练数据，所述第二训练数据包括积碳状态下的废气体积流量和所述积碳状态下的所述颗粒捕集器的上下游压差，所述第二初始模型为带有外部输入的非线性自回归神经网络
NARX
模型；通过所述第二训练数据对所述第二初始模型进行训练，在训练过程中，使用动量
‑
自适应梯度下降法调整所述第二初始模型的网络结构的参数，其中，所述参数包括：隐含层的阀值
、
所述隐含层的权值
、
输出层的阀值和所述输出层的权值
。
[0022]一种碳载量确定装置，包括：
[0023]状态确定单元，用于确定颗粒捕集器当前所处的状态；
[0024]第一确定单元，用于若所述颗粒捕集器处于被动再生状态且连续处于所述被动再生状态的时长超过预设时长，则使用预先训练的被动再生碳载量确定模型确定至少一个第一碳载量；
[0025]第二确定单元，用于若所述颗粒捕集器处于积碳状态，则使用预先训练的积碳碳载量确定模型确定至少一个第二碳载量；
[0026]第三确定单元，用于基于所述至少一个第一碳载量和所述至少一个第二碳载量确定第三碳载量
。
[0027]可选的，所述状态确定单元，具体用于：
[0028]获得废气体积流量和所述颗粒捕集器的上游排气温度；若所述废气体积流量位于预设流量范围且所述上游排气温度位于预设温度范围，则确定所述颗粒捕集器当前所处的状态为被动再生状态
。
[0029]可选的，所述第三确定单元，具体用于：对由所述至少一个第一碳载量和所述至少一个第二碳载量构成的碳载量序列进行小波降噪处理，对进行过所述小波降噪处理的所述碳载量序列进行滑动平直滤波处理；从进行过所述滑动平直滤波处理所述碳载量序列中确定第三碳载量
。
[0030]一种计算机可读存储介质，所述计算机可读存储介质中存储有程序，所述程序被处理器执行时实现上述的任一种碳载量确定方法
。
[0031]一种电子设备，所述电子设备包括至少一个处理器
、
以及与所述处理器连接的至少一个存储器
、
总线；其中，所述处理器
、
所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述的任一种碳载量确定方法
。
[0032]本专利技术实施例提供的一种碳载量确定方法
、
装置
、
计算机可读存储介质及电子设备，可以在不同的状态下使用不同的碳载量确定模型来确定碳载量，然后确定最终碳载量
。
由于预先训练的被动再生碳载量确定模型是专门用于确定颗粒捕集器处于被动再生状态下碳载量的模型，因此其准确性更高
。
同时，通过上述连续处于被动再生状态的时长超过预设时长的限制，本申请可以避免所使用的碳载量确定模型的频繁切换，若频繁切换可能导致确定的碳载量出现频繁的波动，稳定性差，进而影响了其准确性
。
[0033]当然，实施本专利技术的任一产品或方法必不一定需要同时达到以上所述的所有优点
。
附图说明
[0034]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，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种碳载量确定方法，其特征在于，包括：确定颗粒捕集器当前所处的状态；若所述颗粒捕集器处于被动再生状态且连续处于所述被动再生状态的时长超过预设时长，则使用预先训练的被动再生碳载量确定模型确定至少一个第一碳载量；若所述颗粒捕集器处于积碳状态，则使用预先训练的积碳碳载量确定模型确定至少一个第二碳载量；基于所述至少一个第一碳载量和所述至少一个第二碳载量确定第三碳载量
。2.
根据权利要求1所述的碳载量确定方法，其特征在于，所述确定颗粒捕集器当前所处的状态，包括：获得废气体积流量和所述颗粒捕集器的上游排气温度；若所述废气体积流量位于预设流量范围且所述上游排气温度位于预设温度范围，则确定所述颗粒捕集器当前所处的状态为被动再生状态
。3.
根据权利要求1所述的碳载量确定方法，其特征在于，所述基于所述至少一个第一碳载量和所述至少一个第二碳载量确定第三碳载量，包括：对由所述至少一个第一碳载量和所述至少一个第二碳载量构成的碳载量序列进行小波降噪处理，对进行过所述小波降噪处理的所述碳载量序列进行滑动平直滤波处理；从进行过所述滑动平直滤波处理所述碳载量序列中确定第三碳载量
。4.
根据权利要求1所述的碳载量确定方法，其特征在于，所述预先训练的被动再生碳载量确定模型的输入为废气体积流量和所述颗粒捕集器的上下游压差，所述预先训练的积碳碳载量确定模型的输入为废气体积流量和所述颗粒捕集器的上下游压差
。5.
根据权利要求4所述的碳载量确定方法，其特征在于，所述被动再生碳载量确定模型的训练过程包括：获得第一初始模型和第一训练数据，所述第一训练数据包括所述被动再生状态下的废气体积流量和所述被动再生状态下的所述颗粒捕集器的上下游压差，所述第一初始模型为带有外部输入的非线性自回归神经网络
NARX
模型；通过所述第一训练数据对所述第一初始模型进行训练，在训练过程中，使用动量
‑
自适应梯度下降法调整所述第一初始模型的网络结构的参数，其中，所述参数包括：隐含层的阀值
、
所述隐含层的权值
、
输出层的阀值和所述输出层的权值；和
/
或，所述积碳碳载量确定模型的训练过程包括：获得第二初始模型和第二训练数据，所述第二训练数据包括积碳状态下的废气体积流量和...

【专利技术属性】
技术研发人员：王秀雷，赵康荏，褚国良，
申请(专利权)人：潍柴动力股份有限公司，
类型：发明
国别省市：