一种瞬时空气质量流量预测方法、系统、设备及存储介质与流程

本发明涉及发动机控制，更具体地说，它涉及一种瞬时空气质量流量预测方法、系统、设备及存储介质。

背景技术：

1、在全球气候变化和空气污染问题日益严峻的背景下，各国对汽车排放标准的要求持续收紧。燃油汽车作为主要交通工具，其发动机燃烧效率与排放控制直接影响空气质量。天然气发动机因具有显著的低碳排放优势而备受关注，但要充分发挥其清洁特性，必须对燃烧过程中的过量空气系数进行极高精度的控制，而空气与燃料的精确匹配正是决定发动机燃烧效率及排放水平的关键。

2、当前主流的空气质量流量估算主要依赖物理模型，如基于压差的喷嘴流量公式、速度密度法或文丘里管测量法等。然而，这类纯物理模型存在两大固有局限：其一，基于简化假设的理论公式难以覆盖发动机全部瞬态工况，模型适用范围受限；其二，在动态变化剧烈的瞬态过程中，预测精度难以把控，直接影响控制的实时性与准确性。此外，即便通过计算流体力学等复杂理论开发出高精度模型，发动机实际制造中的零部件公差、装配一致性差异等问题，也会导致理论模型难以大范围推广应用。

3、近年来，大数据技术的兴起为空气质量流量预测提供了新思路。基于数据驱动的方法能够从海量运行数据中学习复杂的非线性关系，展现出强大的自适应能力。但这种"黑箱"方法存在不可控因素，其预测结果可能突破物理边界，产生违背基本物理定律的不可解释输出。

技术实现思路

1、本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的一是提供一种瞬时空气质量流量预测方法，结合了以速度密度法为物理框架，通过数据驱动方法，通过互信息筛选出与流量真正相关的参数，将物理模型计算值与实际测量值共同输入神经网络训练，使预测结果既符合物理规律，又能适应具体发动机实际工作过程动态变化的特点。

2、本发明的目的二是提供一种瞬时空气质量流量预测系统。

3、本发明的目的三是提供一种计算机设备。

4、本发明的目的四是提供一种计算机存储介质。

5、为了实现上述目的一，本发明提供一种瞬时空气质量流量预测方法，包括以下步骤：

6、步骤1：多工况数据采集与数据库构建，在发动机台架或实车上，按照预设的瞬态工况序列运行发动机，采集各工况下影响空气质量流量的潜在影响参数，并构建多工况数据库；

7、步骤2：各工况下物理模型参数获取，基于速度密度法计算理论空气质量流量及其中间物理参数：

8、

9、其中，为理论空气质量流量，为进气歧管压力，为进气歧管温度，为进气歧管容积，为发动机排量，为发动机转速，为气体常数，为充气效率；

10、提取的物理模型参数包括：进气歧管压力、进气歧管温度、进气歧管容积、发动机排量、充气效率、转速、气体常数，以及理论空气质量流量；

11、同时，通过空气流量计或缸内压力反演获取实际空气质量流量，并作为模型训练的标签值；

12、步骤3：基于归一化互信息的特征筛选，对每个工况下的各潜在影响参数，分别计算其与理论空气质量流量之间的归一化互信息值：

13、

14、其中，为潜在影响参数与理论空气质量流量的互信息，为信息熵；

15、设定筛选阈值，若，则保留该潜在影响参数；否则剔除；通过该步骤，从多维潜在影响参数中筛选出与空气质量流量物理本质强相关的关键参数子集；

16、步骤4：融合特征构建与数据预处理，构建融合输入特征向量，融合输入特征向量包括步骤1中的提取的物理模型参数、实际空气质量流量，以及步骤3筛选保留的潜在影响参数，对融合输入特征向量进行归一化、去噪、时序对齐预处理，并按第一设定比例划分为训练集和测试集；

17、步骤5：全连接神经网络训练与预测，构建多层全连接神经网络，输入层节点数等于融合输入特征向量的维度，隐藏层采用relu激活函数，输出层为单节点，用于输出预测空气质量流量；根据所述训练集和测试集，采用adam优化器和均方误差损失函数进行训练；训练完成后保存模型参数得到预测模型；

18、部署预测模型，获取实时采集的潜在影响参数，计算并提取对应的物理模型参数、实际空气质量流量，并与筛选后的潜在影响参数构建融合输入特征向量，进行归一化后，输入预测模型得到瞬时空气质量流量的预测值。

19、作为进一步地改进，步骤1包括以下步骤：

20、步骤1.1：将发动机安装于台架或实车上，按照预设的瞬态工况序列运行发动机；瞬态工况至少包括：瞬时加速、瞬时减速、瞬时加载、瞬时减载、启动、停机及其组合工况；每个工况运行前，发动机需达到稳定热状态，工况切换间隔不少于设定间隔时间，以确保残余动态效应充分衰减；

21、步骤1.2：同步采集多源传感器数据，通过数据采集系统以设定采样频率同步采集多维潜在影响参数，多维潜在影响参数包括：节气门前压力、节气门后压力、进气温度、节气门开度、环境压力、环境湿度、环境温度、喷油脉宽、节气门空气质量流量、进气歧管壁面温度；各传感器通过硬件触发或精密时钟协议实现时间同步，时间偏差不超过设定偏差时间；每个工况记录多组时间同步数据；

22、步骤1.3：建立多工况数据库，将步骤1.2中采集的时序数据按工况类型分区存储，每条记录包含时间戳、多维潜在影响参数及实际空气质量流量标签；数据库附加发动机型号、试验日期、环境温度、环境湿度、海拔高度元数据，以建立多工况数据库。

23、进一步地，在步骤1.3中包括：

24、步骤1.3.1：时间同步校验，检查各通道数据的时间戳一致性，剔除时间偏差超过设定偏差时间的异常记录；

25、步骤1.3.2：采集完整性校验，检查采样频率稳定性，剔除存在连续丢点超过设定个数采样点或采样频率波动超过第二设定比例的区段；

26、步骤1.3.3：物理合理性校验，检查各参数是否超出传感器量程或违背热力学基本规律，剔除节气门后压力高于节气门前压力、进气温度低于环境温度、空气质量流量为负值的异常记录；

27、步骤1.3.4：缺失值处理，对缺失比例小于第三设定比例的区段采用线性插值修复，对缺失比例大于等于第三设定比例的区段进行标记并剔除；

28、重复步骤1.3.1至步骤1.3.4，直至全部数据通过质量校验，建立多工况数据库。

29、进一步地，在步骤2中，根据步骤1中的不同工况的调整，通过传感器实测或发动机设计参数获取公式中各物理量：通过进气歧管压力传感器实测获取进气歧管压力；通过进气温度传感器实测获取进气歧管温度；通过发动机设计参数获取进气歧管容积、发动机排量；通过曲轴位置传感器实测获取发动机转速；气体常数取287 j/(kg•k)；通过稳态标定法获取充气效率。

30、进一步地，步骤3中包括：

31、步骤3.1：对各工况进行互信息计算:

32、

33、式中，为双伽马函数，为近邻数，和分别为各点在各维度上的近邻计数，为样本总数，表示对所有样本取平均；

34、步骤3.2：分工况计算融合，对每个工况类型独立计算各潜在影响参数的归一化互信息值，采用最大保守策略取各工况归一化互信息的最小值作为综合评分，确保保留的潜在影响参数在所有工况下均具有显著关联性，某潜在影响参数x在特定工况下的归一化互信息计算如下式：

35、

36、以筛选阈值的确定依据为特征筛选阈值，将筛选后保留的参数组成数据驱动特征子集

37、进一步地，步骤4中包括：异常、缺失值处理，对融合特征各维度分别计算均值和标准差，剔除超出均值设定倍数标准差范围的样本；对明显违背物理规律的样本直接剔除，包括进气歧管压力为传感器偶发故障导致的缺失数据，若缺失比例＜第四设定比例，采用线性插值填充进行修复，若缺失比例≥第四设定比例，删除该工况完整记录；以及负值、进气温度低于绝对零度、空气质量流量为负值的记录。

38、进一步地，步骤5中包括：

39、步骤5.1：构建全连接神经网络模型，包含依次连接的输入层、两个隐藏层和输出层，第一个隐藏层设置128个节点，第二个隐藏层设置64个节点，各隐藏层均采用线性整流激活函数；输出层为单节点，采用线性激活函数，输出预测空气质量流量；在第一个和第二个隐藏层后分别引入批归一化层和随机失活正则化函数，随机失活概率设置为0.2；

40、步骤5.2：设置损失函数与优化器，采用均方误差作为损失函数，衡量预测值与标签值的偏差，采取adam优化器；其中均方误差计算表达式为：

41、

42、其中，为样本总数，与分别为第个样本的瞬时空气质量流量预测值和实际值；

43、步骤5.3：瞬时空气质量流量预测，将实时采集的筛选后的潜在影响参数和实时计算的物理模型参数、实际空气质量流量，经归一化处理后输入预测模型，输出瞬时空气质量流量的预测值；

44、

45、式中，为瞬时空气质量流量的预测值，为神经网络输出的归一化预测值，和分别为训练集实际空气质量流量的最大值和最小值。

46、为了实现上述目的二，本发明提供一种瞬时空气质量流量预测系统，包括：

47、数据库构建模块，用于多工况数据采集与数据库构建，在发动机台架或实车上，按照预设的瞬态工况序列运行发动机，采集各工况下影响空气质量流量的潜在影响参数，并构建多工况数据库；

48、物理模型参数获取模块，用于各工况下物理模型参数获取，基于速度密度法计算理论空气质量流量及其中间物理参数：

49、

50、其中，为理论空气质量流量，为进气歧管压力，为进气歧管温度，为进气歧管容积，为发动机排量，为发动机转速，为气体常数，为充气效率；

51、提取的物理模型参数包括：进气歧管压力、进气歧管温度、进气歧管容积、发动机排量、充气效率、转速、气体常数，以及理论空气质量流量；

52、同时，通过空气流量计或缸内压力反演获取实际空气质量流量，并作为模型训练的标签值；

53、筛选模块，用于基于归一化互信息的特征筛选，对每个工况下的各潜在影响参数，分别计算其与理论空气质量流量之间的归一化互信息值：

54、

55、其中，为潜在影响参数与理论空气质量流量的互信息，为信息熵；

56、设定筛选阈值，若，则保留该潜在影响参数；否则剔除；通过该步骤，从多维潜在影响参数中筛选出与空气质量流量物理本质强相关的关键参数子集；

57、融合特征构建模块，用于融合特征构建与数据预处理，构建融合输入特征向量，融合输入特征向量包括步骤1中的提取的物理模型参数、实际空气质量流量，以及步骤3筛选保留的潜在影响参数，对融合输入特征向量进行归一化、去噪、时序对齐预处理，并按第一设定比例划分为训练集和测试集；

58、训练与预测模块，用于全连接神经网络训练与预测，构建多层全连接神经网络，输入层节点数等于融合输入特征向量的维度，隐藏层采用relu激活函数，输出层为单节点，用于输出预测空气质量流量；根据所述训练集和测试集，采用adam优化器和均方误差损失函数进行训练；训练完成后保存模型参数得到预测模型；

59、部署预测模型，获取实时采集的潜在影响参数，计算并提取对应的物理模型参数、实际空气质量流量，并与筛选后的潜在影响参数构建融合输入特征向量，进行归一化后，输入预测模型得到瞬时空气质量流量的预测值。

60、为了实现上述目的三，本发明提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的一种瞬时空气质量流量预测方法。

61、为了实现上述目的四，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种瞬时空气质量流量预测方法。

62、有益效果

63、本发明与现有技术相比，具有的优点为：

64、本发明结合了以速度密度法为物理框架，通过数据驱动方法，通过互信息筛选出与流量真正相关的参数，将物理模型计算值与实际测量值共同输入神经网络训练，使预测结果既符合物理规律，又能适应具体发动机实际工作过程动态变化的特点，从而提高预测的精确性和稳定性。