[發明專利]基于深度遷移學習的柴油車排放預測方法、介質及設備

在審

• 申請號: 202110852663.6
• 申請日: 2021-07-27
• 公開（公告）號: CN113657651A
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 許鎮義;康宇;曹洋;王瑞賓
• 申請（專利權）人: 合肥綜合性國家科學中心人工智能研究院（安徽省人工智能實驗室）
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 合肥天明專利事務所(普通合伙) 34115
• 代理人: 苗娟

1.一種基于深度遷移學習的柴油車排放預測方法，其特征在于：包括利用計算機設備構建柴油車排放預測模型，然后使用該模型預測目標域車輛的NO_x排放；

其中，利用計算機設備構建柴油車排放預測模型包括以下步驟，

S10：獲取源域車輛相關數據和目標域車輛行駛時相關數據并對采集數據進行預處理；

S20：預訓練特征投影模塊，將源域車輛特征和目標域車輛特征投影到一個公共子空間中；

S30：預訓練尾氣預測模塊，使用重構后的源域數據特征和標簽搭建一個雙隱藏層的全連接神經網絡預測模型；

S40：將預訓練的投影模塊和預測模塊合并構建遷移模型，考慮源域車輛和目標域車輛之間的數據分布差異，在損失函數部分加入源域和目標域之間的KL散度，使目標域數據分布靠近源域數據分布，微調整個模型得到穩定的柴油車排放預測模型。

2.根據權利要求1所述的基于深度遷移學習的柴油車排放預測方法，其特征在于：所述S10：獲取源域車輛相關數據和目標域車輛行駛時相關數據并對采集數據進行預處理，具體包括：

S11：通過車載尾氣檢測設備(PEMS)獲取源域柴油車行駛時的各項數據，收集設定量的目標域柴油車行駛時數據；

S12：對上述數據進行異常值處理、缺失值處理、非相關性數據刪除、歸一化操作。

3.根據權利要求2所述的基于深度遷移學習的柴油車排放預測方法，其特征在于：所述步驟S11中從車載尾氣檢測設備采集的數據包括有車牌、終端號、發動機轉速、實際輸出扭矩百分比、發動機水溫、發動機燃油溫度、發動機機油溫度、后處理下游NOx值、后處理下游氧氣百分比、大氣壓力、環境溫度、后處理廢氣質量流量、尿素箱液位百分比、尿素箱溫度、車速、油門踏板開度、單次行駛里程、總里程、發動機瞬時噴油量、發動機瞬時燃油消耗率、發動機平均燃油消耗率、發動機累積油耗、電池電壓、油箱液位、發動機累積運行時間、經度、緯度、SCR上游溫度、SCR下游溫度。

4.根據權利要求3所述的基于深度遷移學習的柴油車排放預測方法，其特征在于：所述S20預訓練特征投影模塊，將源域車輛特征和目標域車輛特征投影到一個公共子空間中，具體包括：

S21：訓練稀疏自編碼器，將源域車輛和目標域車輛的特征數據作為輸入和輸出的實際值，設置隱藏層神經元個數為輸入的三倍，損失函數如下：

其中為初始源域特征，為重構源域特征，D_KL為求KL散度函數，ρ為預設神經元激活概率，為實際激活概率，W為權重，β、λ為經驗參數；

S22：通過梯度下降最小化S21中的損失函數，反向傳播跟新權重，待網絡收斂，停止迭代，保留輸入層到隱藏層的權重，記為W₁，將隱藏層輸出h₁保留，h₁計算公式如下：

h₁＝f_{SAE_1}(W₁,X^s)＝W₁·X^s，

S23：將S22隱藏層輸出h₁作為新的稀疏自編碼器輸入，依照S22訓練，網絡收斂后，保留權重輸入層到隱藏層權重，記為W₂，將隱藏層輸出h₂保留，h₂計算公式如下：

h₂＝f_{SAE_2}(W₂,h₁)＝W₂·h₁

S24：再將S23稀疏自編碼隱藏層輸出作為新稀疏自編碼器輸入，依照S23訓練，網絡收斂后，保留輸入層到隱藏層權重，記為W₃；將隱藏層輸出h₃保留，h₃計算公式如下：

h₃＝f_{SAE_3}(W₃,h₂)＝W₃·h₂；

S25：堆疊稀疏自編碼器，將W₁,W₂,W₃作為初始權重，再添加一層輸出層，搭建一個多層稀疏自編碼器，損失函數為S21中的第一項，反向迭代整體優化后，保留更新后的權重W₁',W₂',W₃'；；

S26：驗證重構特征的可靠性。