一种基于集成算法的制造技术

本发明专利技术涉及一种基于集成算法的

【技术实现步骤摘要】
一种基于集成算法的GPF碳载量预估模型建模方法


[0001]本专利技术涉及机动车排放净化
，尤其是涉及一种基于集成算法的
GPF
碳载量预估模型建模方法
。

技术介绍

[0002]大气
PM
2.5
和
O3协同控制是持续改善生态环境的重大需求，而汽车是交通领域重要的污染物监管对象
。
直喷汽油机是双碳背景下的乘用车主流技术，其尾气颗粒排放是大气
PM
2.5
控制重点
。
汽油机颗粒捕集器
(Gasoline Particulate Filter,GPF)
是控制直喷汽油机颗粒排放的主流后处理技术，再生时机选择
、
再生持续时间控制是
GPF
控制难点，控制不良将显著影响发动机排气背压
、
油耗等性能，甚至导致
GPF
载体烧蚀
。
因此，碳载量准确预估是
GPF
再生控制关键
。
[0003]目前，
GPF
碳载量预估多采用与柴油机颗粒捕集器
(Diesel Particulate Filter,DPF)
类似的压差法和开环积碳估计法，得到的碳载量存在较大的不确定性
。
例如，中国专利技术
CN114996660A
公开了一种碳载量预测方法，该方法通过当前碳载量预测参数
、
历史碳载量预测参数以及预先训练的碳载量预测模型，确定当前的碳载量，但该方法考虑影响参数较少
。
中国专利
CN115017466A
公开了一种碳载量确定方法，但该方法仅考虑颗粒捕集器前后参数，未考虑发动机运行参数
。
中国专利
CN115270476A
利用
XGBOOST
算法进行碳载量预测，采集发动机状态参数以及各个历史时刻的碳载量均值
、
方差
、
偏度等参数生成数据集，能够提前预测未来时刻发动机的碳载量，但该方法仅采用单一模型，模型精度
、
准确度难以保证
。
[0004]综上，相关技术中的碳载量预估方法存在碳载量影响因素考虑不全所导致的碳载量预估精度不高的缺点
。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种预测结果更加准确的基于集成算法的
GPF
碳载量预估模型建模方法
。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于集成算法的
GPF
碳载量预估模型建模方法，所述方法包括：
[0008]构建
GPF
碳载量预估模型的
GPF
入口碳烟质量浓度预估子模型；
[0009]构建所述
GPF
碳载量预估模型的
GPF
内碳烟氧化速率预估子模型；
[0010]构建所述
GPF
碳载量估计模型的碳载量估计子模型
。
[0011]作为优选的技术方案，所述构建
GPF
碳载量预估模型的
GPF
入口碳烟质量浓度预估子模型，包括：
[0012]采用
stacking
集成算法构建
GPF
碳载量预估模型的
GPF
入口碳烟质量浓度预估子模型
。
[0013]作为更加优选的技术方案，所述采用
stacking
集成算法构建
GPF
碳载量预估模型
的
GPF
入口碳烟质量浓度预估子模型，包括：
[0014]以
GPF
入口碳烟质量浓度影响特征为
GPF
入口碳烟质量浓度预估子模型的输入，以
GPF
入口氧气浓度和颗粒质量浓度作为训练标签，构建训练集；
[0015]采用训练集分别训练第一基模型和第二基模型，直至在输入相同数据时，所述第一基模型输出的第一预测结果和所述第二基模型输出的第二预测结果的差值小于第一预设阈值；
[0016]以所述第一预测结果和所述第二预测结果，以碳烟质量浓度作为输出，对次学习器进行训练
。
[0017]作为更加优选的技术方案，所述
GPF
入口碳烟质量浓度影响特征包括：
[0018]发动机转速
、
转矩
、
点火提前角
、
冷却液温度
、
进气流量
、
进气压力
、
进气温度
、
喷油压力和喷油脉宽
。
[0019]作为更加优选的技术方案，所述第一基模型为第一神经网络模型；所述第二基模型为
LGBM
模型
。
[0020]作为优选的技术方案，所述构建所述
GPF
碳载量预估模型的
GPF
内碳烟氧化速率预估子模型，包括：
[0021]以
GPF
内碳烟氧化速率影响特征为
GPF
内碳烟氧化速率预估子模型的输入，以
GPF
内碳烟氧化速率为训练标签，构建训练集；
[0022]采用训练集对
GPF
内碳烟氧化速率预估子模型进行训练
。
[0023]作为更加优选的技术方案，所述
GPF
内碳烟氧化速率影响特征包括：
[0024]发动机转速
、
冷却液温度
、GPF
入口氧气浓度
、GPF
中心温度
、GPF
入口碳烟质量浓度和上一时刻碳载量
。
[0025]作为更加优选的技术方案，所述
GPF
内碳烟氧化速率预估子模型为第二神经网络模型
。
[0026]作为优选的技术方案，所述碳载量估计子模型，包括：
[0027]对所述
GPF
入口碳烟质量浓度预估子模型输出的
GPF
入口碳烟质量浓度和所述
GPF
内碳烟氧化速率预估子模型输出的
GPF
内碳烟氧化速率进行插值积分操作，并结合
GPF
分粒径碳烟颗粒过滤效率，计算
GPF
碳载量
。
[0028]作为优选的技术方案，所述方法还包括：
[0029]采用包括所述
GPF
入口碳烟质量浓度预估子模型
、
所述
GPF
内碳烟氧化速率预估子模型和所述碳载量估计子模型的
GPF
碳载量预估模型进行
GPF
碳载量预测<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于集成算法的
GPF
碳载量预估模型建模方法，其特征在于，所述方法包括：构建
GPF
碳载量预估模型的
GPF
入口碳烟质量浓度预估子模型；构建所述
GPF
碳载量预估模型的
GPF
内碳烟氧化速率预估子模型；构建所述
GPF
碳载量估计模型的碳载量估计子模型
。2.
根据权利要求1所述的一种基于集成算法的
GPF
碳载量预估模型建模方法，其特征在于，所述构建
GPF
碳载量预估模型的
GPF
入口碳烟质量浓度预估子模型，包括：采用
stacking
集成算法构建
GPF
碳载量预估模型的
GPF
入口碳烟质量浓度预估子模型
。3.
根据权利要求2所述的一种基于集成算法的
GPF
碳载量预估模型建模方法，其特征在于，所述采用
stacking
集成算法构建
GPF
碳载量预估模型的
GPF
入口碳烟质量浓度预估子模型，包括：以
GPF
入口碳烟质量浓度影响特征为
GPF
入口碳烟质量浓度预估子模型的输入，以
GPF
入口氧气浓度和颗粒质量浓度作为训练标签，构建训练集；采用训练集分别训练第一基模型和第二基模型，直至在输入相同数据时，所述第一基模型输出的第一预测结果和所述第二基模型输出的第二预测结果的差值小于第一预设阈值；以所述第一预测结果和所述第二预测结果，以碳烟质量浓度作为输出，对次学习器进行训练
。4.
根据权利要求3所述的一种基于集成算法的
GPF
碳载量预估模型建模方法，其特征在于，所述
GPF
入口碳烟质量浓度影响特征包括：发动机转速
、
转矩
、
点火提前角
、
冷却液温度
、
进气流量
、
进气压力
、
进气温度
、
喷油压力和喷油脉宽
。5.
根据权利要求3所述的一种基于集成算法的
GPF
碳载量预估模型建模方法，其特征在于，所述第一基...

【专利技术属性】
技术研发人员：胡志远，王世茂，谭丕强，楼狄明，
申请(专利权)人：同济大学，
类型：发明
国别省市：