[發(fā)明專利]一種評估重型柴油車能耗的方法和設(shè)備

在審

• 申請?zhí)枺?/td>: 202010918106.5
• 申請日: 2020-09-03
• 公開（公告）號: CN112200932A
• 公開（公告）日: 2021-01-08
• 發(fā)明（設(shè)計）人: 盧浩雷;張鵬;孟德超;王讓;顧偉偉;張雷;武震宇;金鑫;于清源;張敏
• 申請（專利權(quán)）人: 北京蜂云科創(chuàng)信息技術(shù)有限公司
• 主分類號: G07C5/08
• 分類號: G07C5/08;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京睿博行遠(yuǎn)知識產(chǎn)權(quán)代理有限公司 11297
• 代理人: 龔家驊

本發(fā)明公開了一種評估重型柴油車能耗的方法和設(shè)備，該方法包括：根據(jù)車輛的點火開關(guān)信號和發(fā)動機(jī)狀態(tài)信號確定當(dāng)前行程內(nèi)的行駛里程，基于CAN總線獲取所述行駛里程內(nèi)的車輛行駛數(shù)據(jù)，并對所述車輛行駛數(shù)據(jù)進(jìn)行分類細(xì)化提取各基本特征信息，基于皮爾遜相關(guān)系數(shù)計算同類型所述基本特征信息的相關(guān)系數(shù)，隨機(jī)剔除所述相關(guān)系數(shù)中大于預(yù)設(shè)閾值的一個所述基本特征信息，獲取能耗特征數(shù)據(jù)；根據(jù)所述能耗特征數(shù)據(jù)和預(yù)設(shè)關(guān)系模型確定能耗評估結(jié)果，所述預(yù)設(shè)關(guān)系模型是基于神經(jīng)網(wǎng)絡(luò)根據(jù)多個樣本數(shù)據(jù)進(jìn)行訓(xùn)練獲得的，所述樣本數(shù)據(jù)包括具有對應(yīng)關(guān)系的能耗特征數(shù)據(jù)和能耗，從而提高了重型柴油車能耗評估的準(zhǔn)確性。

技術(shù)領(lǐng)域

本申請涉及車輛技術(shù)領(lǐng)域，更具體地，涉及一種評估重型柴油車能耗的方法和設(shè)備。

背景技術(shù)

重型柴油車屬于高能耗工程機(jī)械，能耗是衡量重型柴油車工作性能的重要參數(shù)，關(guān)系到客戶運營成本，因此對燃油消耗進(jìn)行系統(tǒng)科學(xué)的評估，發(fā)現(xiàn)異常油耗點，可以幫助客戶有針對性的改進(jìn)，降低設(shè)備整體能耗，提高經(jīng)濟(jì)效益，減少環(huán)境污染。

現(xiàn)有技術(shù)中，重型柴油車能耗通常是根據(jù)車速和檔位進(jìn)行計算，車輛能耗評估針對性差，評估數(shù)據(jù)不準(zhǔn)確，經(jīng)常會出現(xiàn)車輛能耗值大幅度跳變的情況。

因此，如何提高重型柴油車能耗評估的準(zhǔn)確性，是目前有待解決的技術(shù)問題。

發(fā)明內(nèi)容

本發(fā)明公開了一種評估重型柴油車能耗的方法，用以解決現(xiàn)有技術(shù)中重型柴油車能耗評估不準(zhǔn)確的技術(shù)問題，包括：

根據(jù)車輛的點火開關(guān)信號和發(fā)動機(jī)狀態(tài)信號確定當(dāng)前行程內(nèi)的行駛里程；

基于CAN總線獲取所述行駛里程內(nèi)的車輛行駛數(shù)據(jù)，并對所述車輛行駛數(shù)據(jù)進(jìn)行分類細(xì)化提取各基本特征信息，所述車輛行駛數(shù)據(jù)包括車輛工況特征數(shù)據(jù)，道路環(huán)境特征數(shù)據(jù)和駕駛行為特征數(shù)據(jù)；

基于皮爾遜相關(guān)系數(shù)計算同類型所述基本特征信息的相關(guān)系數(shù)，隨機(jī)剔除所述相關(guān)系數(shù)中大于預(yù)設(shè)閾值的一個所述基本特征信息，獲取能耗特征數(shù)據(jù)；

根據(jù)所述能耗特征數(shù)據(jù)和預(yù)設(shè)關(guān)系模型確定能耗評估結(jié)果，所述預(yù)設(shè)關(guān)系模型是基于神經(jīng)網(wǎng)絡(luò)根據(jù)多個樣本數(shù)據(jù)進(jìn)行訓(xùn)練獲得的，所述樣本數(shù)據(jù)包括具有對應(yīng)關(guān)系的能耗特征數(shù)據(jù)和能耗。

一些實施例中，所述預(yù)設(shè)關(guān)系模型基于生成對抗網(wǎng)絡(luò)建立，所述生成對抗網(wǎng)絡(luò)包括生成器和分類器，所述生成器和分類器均包括卷積神經(jīng)網(wǎng)絡(luò)和全連接層，在根據(jù)所述能耗特征數(shù)據(jù)和預(yù)設(shè)關(guān)系模型確定能耗評估結(jié)果之前，所述方法還包括：

在所述生成對抗網(wǎng)絡(luò)結(jié)構(gòu)中，將原始數(shù)據(jù)輸入到生成器中，所述原始數(shù)據(jù)為所述樣本數(shù)據(jù)的子集；

生成器接收輸入數(shù)據(jù)，通過卷積神經(jīng)網(wǎng)絡(luò)輸出對所述輸入數(shù)據(jù)進(jìn)行預(yù)測后獲得的輸出；

將生成器的輸出與所述真實數(shù)據(jù)合并作為分類器的輸入，用于分類器進(jìn)行學(xué)習(xí)真實數(shù)據(jù)和生成數(shù)據(jù)，利用反向傳播來提升訓(xùn)練精準(zhǔn)度；

分類器的輸出被返回用于訓(xùn)練生成器。

一些實施例中，所述生成器包括6個卷積層，將輸入矩陣從低階特征轉(zhuǎn)換為對應(yīng)的高階特征；然后輸入至4個全連接層中，用于學(xué)習(xí)數(shù)據(jù)的相互結(jié)構(gòu)；最后再接6個轉(zhuǎn)置卷積層，用于將數(shù)據(jù)恢復(fù)到低階特征上；

所述分類器包括6個卷積層，將輸入矩陣轉(zhuǎn)換為對應(yīng)的高階特征；然后輸入至3個全連接層，用于對結(jié)果進(jìn)行分離。

一些實施例中，基于皮爾遜相關(guān)系數(shù)計算同類型所述基本特征信息的相關(guān)系數(shù)，具體為：