GPF再生优化方法及GPF再生机会评估系统与流程

gpf再生优化方法及gpf再生机会评估系统
技术领域
1.本发明涉及汽车技术领域，特别涉及一种gpf再生优化方法及gpf再生机会评估系统。


背景技术：

2.随着国六排放法规的实施，颗粒物排放是汽油机排放的重要需求项，在排气系统加装gpf(汽油机颗粒物捕集器，gasoline particular filter)是满足颗粒物排放需求的关键技术手段之一。gpf可捕集排气中的积炭和积尘等颗粒物，随着颗粒物累积量的累加会导致排气管背压增大，造成发动机油耗增大；另外过多的积炭也会导致排气系统高温时积炭燃烧释放的热量增大，可能导致gpf损伤。综上所述，及时的gpf积炭清理有利于发动机节油和零部件自身安全保护，通过燃烧的手段对gpf积炭进行清理，该过程称为gpf再生。gpf再生需要较高的排气温度条件(如600℃以上)，排温达到阈值的条件下保证gpf处存在一定的氧含量即可实现gpf再生。能否达到gpf再生温度条件与车辆的工况、外部环境条件密切相关，通常车辆运行在外部温度较高的环境、发动机处于高负荷工况下时更容易得到再生机会。根据再生所需温度的获取方式分为被动再生和主动再生，前者无需主动通过ems系统调整gpf排温大小，再生所需的高温、空燃比均由车辆运行自发进行；后者需要主动调整发动机进气、点火、油气比等参数，以保证gpf温度、含氧量满足再生需求，控制逻辑如图1所示。
3.对于传统车辆，由于无法提前获知前方路况信息，因此ems只能被动的按照其预设的控制规则根据当前的传感器信息对发动机的运行参数进行管理，并根据标定试验结果选择合适的参数以保证gpf积炭量处在合适的水平。如果条件满足，优选通过被动再生完成gpf积炭清理，避免再生过程对驾驶性、油耗的影响。对于发动机来说，如果其运行工况下颗粒物的排放水平本身较差，或车辆所运行环境温度较低不利于再生条件制造，那么gpf的积炭量会快速升高，最终造成油耗表现恶化甚至影响车辆正常运行。此外对于必须通过主动再生方式降低gpf积炭量的情况，现有技术也无法从全旅程角度优化整个驾驶过程中gpf再生控制效果。


技术实现要素：

4.本发明的目的在于提供一种gpf再生优化方法及gpf再生机会评估系统，以解决现有技术存在的一个或多个问题。
5.为解决上述技术问题，本发明提供一种gpf再生优化方法，包括：
6.回收目标车辆的运行工况数据；
7.通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练以得到驾驶行为预测模型，所述驾驶行为预测模型用于根据反馈的信息预测驾驶行为；
8.根据预测的驾驶行为评估导航反馈的信息中的gpf再生机会，进而对所述目标车
辆的gpf再生进行优化控制。
9.可选的，在所述的gpf再生优化方法中，所述对所述目标车辆的gpf再生进行优化控制包括：
10.基于所述评估的结果选择驾驶路线；和/或
11.对所选择路线的gpf再生进行路段的选择。
12.可选的，在所述的gpf再生优化方法中，所述运行工况数据包括车况数据、环境天气数据、道路情况数据、路线交通数据和驾驶数据。
13.可选的，在所述的gpf再生优化方法中，在通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练之前，所述gpf再生优化方法还包括：
14.对回收的所述运行工况数据进行预处理，所述预处理包括归一化整理、结构化整理。
15.可选的，在所述的gpf再生优化方法中，所述在输入当前驾驶的起始点和目的地的位置信息后导航反馈的信息包括：环境天气信息、道路情况信息和路线交通信息。
16.为解决上述问题，本发明还提供一种gpf再生机会评估系统，包括：控制模块、导航模块和数据处理模块，其中，
17.所述控制模块用于回收目标车辆的运行工况数据；
18.所述导航模块用于在输入当前驾驶的起始点和目的地的位置信息后向所述数据数理模块反馈包括环境天气、道路情况和路线交通的信息；
19.所述数据处理模块用于通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练以得到驾驶行为预测模型，并在接收到所述导航模块反馈的信息后利用所述驾驶行为预测模型预测驾驶行为；以及，用于根据预测的驾驶行为评估导航反馈的信息中的gpf再生机会，并将评估的结果反馈到所述导航模块。
20.可选的，在所述的gpf再生机会评估系统中，所述运行工况数据包括车况数据、环境天气数据、道路情况数据、路线交通数据和驾驶数据。
21.可选的，在所述的gpf再生机会评估系统中，所述数据处理模块还用于在通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练之前，对回收的所述运行工况数据进行预处理，所述预处理包括归一化整理、结构化整理。
22.可选的，在所述的gpf再生机会评估系统中，所述控制模块包括动力总成控制器和车身控制器中的一者，设置在车辆端。
23.可选的，在所述的gpf再生机会评估系统中，所述数据处理模块包括域控制器和云平台中的至少一者，当所述数据处理模块包括所述域控制器和所述云平台时，所述云平台用于通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练以得到所述驾驶行为预测模型，所述域控制器用于在接收到所述导航模块反馈的信息后利用所述驾驶行为预测模型预测驾驶行为，以及用于根据预测的驾驶行为评估导航反馈的信息中的gpf再生机会，并将评估的结果反馈到所述导航模块。
24.在本发明提供的gpf再生优化方法及gpf再生机会评估系统中，包括：回收目标车辆的运行工况数据；通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练以得到驾驶行为预测模型，所述驾驶行为预测模型用于根据导航反馈的信息预测驾驶行为；根据预测的驾驶行为评估导航反馈的信息中的gpf再生机会，进而对所述目
标车辆的gpf再生进行优化控制。即，本发明通过构建驾驶行为与环境天气、车况、道路、交通等数据间的关联性模型，在线预测各类场景下车主驾驶行为，由此识别不同驾驶路线下车辆gpf再生的机会大小，相关数据可作为路线选择、全旅程gpf再生控制优化的输入，供决策使用，如此不仅能够以主动再生方式降低gpf积炭量的情况，也可从全旅程角度优化整体驾驶过程中的gpf再生控制效果。
附图说明
25.图1为本发明实施例提供的gpf再生优化方法的流程图；
26.图2～图4为本发明实施例提供的gpf再生机会评估系统的组成框图；
27.其中，各附图标记说明如下：
28.11-控制模块；12-导航模块；13-数据处理模块；14-通讯模块。
具体实施方式
29.以下结合附图和具体实施例对本发明提出的gpf再生优化方法及gpf再生机会评估系统作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
30.如图1所示，本实施例提供一种gpf再生优化方法，包括如下步骤：
31.s11，回收目标车辆的运行工况数据；
32.s12，通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练以得到驾驶行为预测模型；所述驾驶行为预测模型用于根据导航反馈的信息预测驾驶行为；
33.s13，根据预测的驾驶行为评估导航反馈的信息中的gpf再生机会，进而对所述目标车辆的gpf再生进行优化控制。
34.在驾驶过程中，车主驾驶行为(包括车主会有什么样的车辆操作行为，车辆以什么样的车速预测)决定了车辆排气温度，而车辆排气温度决定了gpf是否能够再生，故本发明通过对车主的驾驶行为进行预测来评估导航反馈的信息中的gpf再生机会，进而以能够对车辆的gpf再生进行优化控制。
35.为了对车主的驾驶行为能够进行预测，本发明基于机器学习的方式，首先执行步骤s11，对目标车辆的运行工况数据进行回收。其中，所述运行工况数据可包括车况数据、环境天气数据、道路情况数据、路线交通数据和驾驶数据等，其中，各数据具体如下：
36.车况数据，包括零部件及整车健康状态，是否存在故障导致gpf再生功能受影响，胎压、车辆载重等影响车速-发动机工况关系的数据；
37.环境天气数据，主要包括外部环境温度、雨雪状态等数据，相关数据一方面会影响排温表现，同时也会影响车主对hvac(heating,ventilation and air conditioning，供热通风与空气调节系统)的操作，进而影响发动机工况；
38.道路情况，主要包括道路坡度大小等，相关数据对车速－发动机工况关系有较大影响；
39.路线交通，主要包括路线拥堵状态、限速大小、红绿灯数量、车辆转向需求等，相关数据会影响车速大小，进而影响发动机工况；
40.驾驶数据，包括油门/刹车踏板操作，雨刮、车窗、hvac等设备操作数据，也可包括acc巡航(自适应巡航控制系统)、动力模式设置(混动车)等设置数据。
41.接着，执行步骤s12，再通过机器学习算法对车主的驾驶操作行为与环境天气、路线交通等数据之间的关系进行提取训练，从而实现基于输入数据实现驾驶行为预测的功能。
42.本实施例中，较佳的，在通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练之前，所述步骤s12还包括：对回收的所述运行工况数据进行预处理，所述预处理可包括归一化整理、结构化整理等。
43.在步骤s12完成之后，在车辆准备运行时，车主向导航模块输入起始点和目的地的位置信息，导航模块基于输入的信息反馈包括环境天气信息、道路情况信息和路线交通信息等的信息，进而可利用所述驾驶行为预测模型预测车主驾驶行为。
44.之后，执行步骤s13，根据预测的驾驶行为评估导航反馈的信息中的gpf再生机会，进而对所述目标车辆的gpf再生进行优化控制。评估的结果以数据形式体现，相关数据可通过如下路径来进行gpf再生优化控制：
45.(1)基于所述评估的结果选择驾驶路线。当车辆本身的gpf积炭较大时，潜在路线下的gpf再生机会非常重要，车主在选择路线时可优选有利于gpf再生的行驶路线。假定现在处于低温环境下，从当前位置到目的地有多条路线，某条路线很平坦，而另一条存在较长的上下坡情况。基于预测模型可用识别出上坡路线有利于发动机负荷的提高和gpf再生机会的获得，在本次驾驶两条路线耗油接近的情况下，长期来看gpf完成再生更有利于节油，故可优选该路线。
46.(2)对所选择路线的gpf再生进行路段的选择。如车主可识别到前方存在适合gpf再生的行驶路段，可在进入该路段前预测性调整发动机工况，通过调整点火角、进气控制、目标soc大小(对于混动车，低于soc值时发动机给动力电池充电)等参数调整发动机工况进而改变其排温大小，实现最佳的gpf再生控制效果。反之如预测到前方无适合gpf再生的工况，ems(发动机管理系统)可临时性关闭gpf再生功能，避免激活其带来的不必要的对驾驶性、油耗等性能指标的影响。
47.为实现本实施例提供的所述gpf再生优化方法，请参考图2～图4，本实施例还提供一种gpf再生机会评估系统，包括：控制模块11、导航模块12和数据处理模块13，其中，
48.所述控制模块11用于回收目标车辆的运行工况数据；
49.所述导航模块12用于在输入当前驾驶的起始点和目的地的位置信息后向所述数据数理模块反馈包括环境天气、道路情况和路线交通的信息；
50.所述数据处理模块13用于通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练以得到驾驶行为预测模型，并在接收到所述导航模块12反馈的信息后利用所述驾驶行为预测模型预测驾驶行为；以及，用于根据预测的驾驶行为评估导航反馈的信息中的gpf再生机会，并将评估的结果反馈到所述导航模块12。
51.较佳的，所述数据处理模块13还用于在通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练之前，对回收的所述运行工况数据进行预处理，
所述预处理包括归一化整理、结构化整理。
52.其中，所述运行工况数据与前文部分一致，在此不再赘述。
53.为了描述的方便，描述以上系统时以功能分为各种模块分别描述。当然，在实施本发明时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
54.例如，如图2所示，所述控制模块11即可为车载电子控制器(ecu)，例如为动力总成控制器、车身控制器等，所述数据处理模块13可为云平台，所述导航模块12可为传统的导航系统，所述数据处理模块13反馈的评估的结果在所述导航系统上显示给车主，以供车主参考。三者之间通过通讯模块14进行信息的传递。具体的，收集车况数据、驾驶数据等数据内容，结合传统导航系统提供的环境天气、道路情况、路线交通等信息，通过通讯模块14上传到云平台。云平台负责数据预处理、机器学习、数据存储、驾驶行为及gpf再生工况预测功能，并将预测结果通过通讯模块反馈到导航终端，供车主使用。
55.对于车辆配置域控制器(dcu)的情况，可采用系统方案如图3所示，即，所述数据处理模块13为dcu，该方案下导航系统和ecu将相关数据直接传递给dcu，在dcu内部完成机器学习、数据存储，及驾驶行为和gpf再生工况数据预测后，将相关结果提供给导航系统使用。
56.考虑到机器学习、数据存储等会占用一定的计算资源，故可能存在将域控制器(dcu)和云平台结合使用的场景，即，所述数据处理模块13包括dcu和所述云平台。该情况下的系统实现方案如图4所示，所述云平台通过机器学习算法对驾驶行为与回收的所述运行工况数据之间的关系进行提取训练以得到所述驾驶行为预测模型，dcu在接收到所述导航模块12反馈的信息后利用所述驾驶行为预测模型预测驾驶行为，以及用于根据预测的驾驶行为评估导航反馈的信息中的gpf再生机会，并将评估的结果反馈到所述导航模块12。即该方案中，dcu负责数据预处理，相关数据进入云平台存储，并基于云端计算功能进行机器学习；提取后的模型进一步部署到dcu，实现驾驶行为预测和gpf再生工况预测。
57.需补充说明的是，所述驾驶行为预测模型是机器学习模块的输出结果，驾驶行为预测功能项强调对模型的应用，根据环境天气、道路、路线交通等输入数据预测车主驾驶操作行为，包括操作踏板控制，附件使用等信息。
58.机器学习功能是为了建立车速控制、附件使用等操作行为与环境天气、车况、道路、交通等输入数据之间的关系，生成驾驶行为预测模型。机器学习需要兼顾各类参数的影响，既可根据当前环境变化识别出驾驶员潜在的操作行为，也可根据驾驶员不同场景下的真实驾驶操作，比对预测驾驶操作和真实驾驶操作的偏差，对模型参数进行持续更新升级。算法方面优先采用lazy learning算法(如knn算法等)，基于近期设定驾驶时间窗口内各输入参数组合场景下的驾驶操作数据建立模型，并基于其预测驾驶操作行为。为避免频繁不必要的模型更新对计算资源的占用，可基于预测结果与真实结果偏差控制模型更新，如两者偏差较大则更新模型参数，反之可不更新或延长模型更新周期。
59.因环境天气、车况、道路、交通等数据内容繁多，且根据来源不同格式各异，故较佳的，在机器学习前首先进行归一化、结构化处理，以保证机器学习算法的可用性。
60.通讯模块主要指车辆与云端的数据连接模块，对于车载用于车声控制器内部通讯的控制器不属于该范畴。通讯模块可用是内置3g/4g/5g功能的车机、tbox或智能网关等部件。
61.当完成驾驶行为预测，再加上其他输入数据即可基于车辆物理模型对排气温度等
数据进行预测，车辆物理模型可基于测试结果标定即可。
62.另外，对于道路数据，因目前道路坡度等数据需要使用高精度地图数据才能获取，且法规对道路高精度测绘方面有资质要求，对于采用高精度地图的数据路况可从导航数据中直接读取；如未配置该服务，可基于gps信号对相关路段实际车速、发动机负荷、排温等数据间的关系变化对道路坡度等特征进行提取分析，相关数据可进一步存储到云端，用于后续经过该路段场景下的驾驶行为、排温大小预测。
63.综上所述，本发明提供的gpf再生优化方法及gpf再生机会评估系统，通过构建驾驶行为与环境天气、车况、道路、交通等数据间的关联性模型，在线预测各类场景下车主驾驶行为，由此识别不同驾驶路线下车辆gpf再生的机会大小，相关数据可作为路线选择、全旅程gpf再生控制优化的输入，供决策使用，如此不仅能够以主动再生方式降低gpf积炭量的情况，也可从全旅程角度优化整体驾驶过程中的gpf再生控制效果。
64.上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。