[發明專利]車輛DPF中顆粒物的確定方法、裝置、計算機設備

在審

• 申請號: 202310513432.1
• 申請日: 2023-05-08
• 公開（公告）號: CN116557119A
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 孟祥開;佀慶濤;劉斌;楊榮彬;阮爾博
• 申請（專利權）人: 一汽解放汽車有限公司
• 主分類號: F01N9/00
• 分類號: F01N9/00;F01N11/00;G06N3/08
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 熊文杰

本申請涉及一種車輛DPF中顆粒物的確定方法、裝置、計算機設備、存儲介質。該方法包括：獲取車輛的當前工況數據和DPF中的當前壓差數據；基于當前工況數據，確定與當前工況數據對應的碳載量預測模型，其中，碳載量預測模型包括碳載量和壓差的對應關系；根據當前壓差數據和DPF中的灰載量對應的灰載量壓差，確定碳載量壓差；根據碳載量預測模型和碳載量壓差，確定車輛DPF中的碳載量。采用本申請的方法，一方面在確定碳載量時考慮了車輛的當前工況和當前壓差，所以更加準確，另一方面在確定碳載量時排除了灰載量的干擾，從而進一步提高了確定的碳載量的準確性。

技術領域

本申請涉及發動機后處理技術領域，特別是涉及一種車輛DPF中顆粒物的確定方法、裝置、計算機設備、存儲介質。

背景技術

隨著汽車工業的發展及環境保護要求的提升，國家對汽車排放的要求也越來越高，對發動機的排放物中的顆粒物的限值越來越嚴格，為了有效降低發動機排放尾氣中的顆粒物含量，需要在車輛上安裝顆粒捕集器(Diesel?Particulate?Filter，DPF)，DPF是凈化排放的尾氣中的顆粒物的最有效途徑，其能捕捉發動機排放物中的顆粒物，從而可以有效地減少顆粒物的排放。

然而，隨著汽車的運行，DPF中累積的顆粒物會越來越多，DPF中的顆粒物累積過多會影響DPF的顆粒過濾性能，所以需要定期清除DPF中的顆粒物，而清除DPF中的顆粒物的最佳時機需要根據DPF中的顆粒物的載量確定，因此，如何確定DPF中的顆粒物的載量，是目前需要解決的問題。

發明內容

基于此，有必要針對上述技術問題，提供一種能夠確定DPF中的顆粒物的載量的車輛DPF中顆粒物的確定方法、裝置、計算機設備、存儲介質。

一種車輛DPF中顆粒物的確定方法，包括：獲取車輛的當前工況數據和所述車輛的DPF中的當前壓差數據；基于所述當前工況數據，確定與所述當前工況數據對應的碳載量預測模型，其中，所述碳載量預測模型包括碳載量和壓差的對應關系；根據所述當前壓差數據和所述DPF中的灰載量對應的灰載量壓差，確定碳載量壓差；根據所述碳載量預測模型和所述碳載量壓差，確定車輛DPF中的碳載量。

在其中一個實施例中，所述基于所述當前工況數據，確定與所述當前工況數據對應的碳載量預測模型的步驟，包括：獲取多個訓練樣本數據，其中，各所述訓練樣本數據包括多個不同的工況數據以及對應在各工況數據下的多個碳載量和壓差的對應關系；構建神經網絡模型；采用所述訓練樣本數據訓練所述神經網絡模型，得到第一預測模型，其中，所述第一預測模型包括工況數據與碳載量-壓差的對應關系之間的對應關系；根據所述當前工況數據和所述第一預測模型，確定所述當前工況數據所對應的碳載量和壓差的對應關系，作為與所述當前工況數據對應的碳載量預測模型。

在其中一個實施例中，所述構建神經網絡模型的步驟包括：構建多個架構不同的神經網絡模型；所述采用所述訓練樣本數據訓練所述神經網絡模型，得到第一預測模型的步驟包括：分別采用所述訓練樣本數據訓練各神經網絡模型，得到多個子預測模型；根據各子預測模型和所述訓練樣本數據確定權重模型，其中，所述權重模型包括各子預測模型對應的權重；根據所述權重模型和多個子預測模型，確定所述第一預測模型。

在其中一個實施例中，所述根據各子預測模型和所述訓練樣本數據確定權重模型的步驟，包括：調整各子預測模型對應的權重，直到根據所述各子預測模型對應的權重和各所述子預測模型得到的數據與所述訓練樣本數據一致，將當前的各子預測模型對應的權重作為所述權重模型。

在其中一個實施例中，所述根據所述碳載量預測模型和所述碳載量壓差，確定車輛DPF中的碳載量的步驟包括：當所述碳載量預測模型中包括與所述碳載量壓差相同的壓差時，將所述碳載量壓差代入所述碳載量預測模型中，得到碳載量；當所述碳載量預測模型中未包括與所述碳載量壓差相同的壓差時，根據所述碳載量壓差和所述碳載量預測模型中與所述碳載量壓差最相近的兩組碳載量和壓差的對應關系進行線性插值處理，得到碳載量。