燃气内燃机的污染指标监测方法及装置与流程

1.本发明涉及能源技术领域，尤其涉及燃气内燃机的污染指标监测方法及装置。


背景技术：

2.燃气内燃机排出的烟气中的一氧化碳和/或氮氧化物的浓度是衡量燃气内燃机是否环保运行的重要标志之一。
3.目前，工业中一般使用传感器来测量燃气内燃机排出的烟气中的一氧化碳和/或氮氧化物的浓度。
4.但是，传感器容易受到环境因素的影响，导致测量出的一氧化碳和/或氮氧化物的浓度的误差较大。


技术实现要素：

5.本发明提供了一种燃气内燃机的污染指标监测方法、装置、计算机可读存储介质及电子设备，无需安装传感器，污染指标监测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出燃气内燃机的污染指标数据。
6.第一方面，本发明提供了一种燃气内燃机的污染指标监测方法，包括：
7.发送燃气内燃机的污染指标监测模型请求至联合学习服务端；
8.接收所述联合学习服务端发送的污染指标监测模型；
9.根据所述污染指标监测模型，确定所述燃气内燃机的污染指标数据。
10.第二方面，本发明提供了一种燃气内燃机的污染指标监测方法，包括：
11.接收应用客户端发送的燃气内燃机的污染指标监测模型请求；
12.判断模型数据库中是否存在所述污染指标监测模型请求对应的模型；
13.根据判断所述模型数据库中是否存在所述污染指标监测模型请求对应的模型的判断结果，确定污染指标监测模型；
14.将所述污染指标监测模型发送到所述应用客户端，以使所述应用客户端根据所述污染指标监测模型，确定所述燃气内燃机的污染指标数据。
15.第三方面，本发明提供了一种应用客户端，包括：
16.第一发送模块，用于发送燃气内燃机的污染指标监测模型请求至联合学习服务端；
17.第一接收模块，用于接收所述联合学习服务端发送的污染指标监测模型；
18.应用模块，用于根据所述污染指标监测模型，确定所述燃气内燃机的污染指标数据。
19.第四方面，本发明提供了一种联合学习服务端，包括：
20.第二接收模块，用于接收应用客户端发送的燃气内燃机的污染指标监测模型请求；
21.判断模块，用于判断模型数据库中是否存在所述污染指标监测模型请求对应的模
型；
22.模型确定模块，用于根据判断所述模型数据库中是否存在所述污染指标监测模型请求对应的模型的判断结果，确定污染指标监测模型；
23.第二发送模块，用于将所述污染指标监测模型发送到所述应用客户端，以使所述应用客户端根据所述污染指标监测模型，确定所述燃气内燃机的污染指标数据。
24.第五方面，本发明提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行所述执行指令时，所述处理器执行如第一方面或第二方面中任一所述的方法。
25.第六方面，本发明提供了一种电子设备，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如第一方面或第二方面中任一所述的方法。
26.本发明提供了一种燃气内燃机的污染指标监测方法、装置、计算机可读存储介质及电子设备，该方法通过发送燃气内燃机的污染指标监测模型请求至联合学习服务端，然后，接收联合学习服务端发送的污染指标监测模型，之后，根据污染指标监测模型，确定燃气内燃机的污染指标数据。综上所述，通过本发明的技术方案，无需安装传感器，污染指标监测模型依赖于真实数据，不容易受到外界环境的影响，可较为准确的确定出燃气内燃机的污染指标数据。
27.上述的非惯用的优选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
28.为了更清楚地说明本发明实施例或现有的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
29.图1为本发明一实施例提供的一种燃气内燃机的污染指标监测方法的流程示意图；
30.图2为本发明一实施例提供的另一种燃气内燃机的污染指标监测方法的流程示意图；
31.图3为本发明一实施例提供的一种应用客户端的结构示意图；
32.图4为本发明一实施例提供的一种联合学习服务端的结构示意图；
33.图5为本发明一实施例提供的一种电子设备的结构示意图；
34.图6为本发明一实施例提供的场景示意图。
具体实施方式
35.为使本发明的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本发明的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.如图1所示，为本发明实施例提供的一种燃气内燃机的污染指标监测方法。本发明
实施例所提供的方法可应用在应用客户端，具体可以应用于服务器或一般计算机上。本实施例中，所述方法具体包括以下步骤：
37.步骤101、发送燃气内燃机的污染指标监测模型请求至联合学习服务端。
38.具体地，燃气内燃机的应用客户端通过api接口发送燃气内燃机的污染指标监测模型请求，也就是发起了污染指标监测模型调用。可选地，应用客户端设置在本地服务器上。应用客户端可以理解为用于满足燃气内燃机的业务需求的客户端，比如，用于预测燃气内燃机的污染指标数据、污染指标数据、故障类型的客户端，在监测污染指标的场景中，应用客户端并不参与联合学习，仅仅作为模型应用的一方，换言之，燃气内燃机并不参与联合学习。
39.具体地，联合学习服务端用于与联合学习客户端(进行联合学习的客户端)进行联合学习，得到联合学习模型，并存储联合学习模型，也用于向应用客户端提供模型，可以理解的，本技术实施例提供的燃气内燃机的污染指标数据测量方法，涉及联合学习服务端及应用客户端的交互。并且，可以适用于至少一个应用客户端与一个联合学习服务端的交互的场景，或者，还可以适用于至少一个应用客户端与多个联合学习服务端的场景中，即通过将待调用的模型数据库布置在每个联合学习服务端上，其中任一个联合学习服务端都可以为应用客户端提供服务，实现模型数据库中的模型的调用。还可以理解，在上述两个场景下，每个联合学习服务端可以设置有模型数据库及控制层。该模型数据库中存储有至少一个联合学习模型，该控制层可以基于应用客户端的模型调用的请求，实现模型数据库中的模型的调用。
40.步骤102、接收所述联合学习服务端发送的污染指标监测模型。
41.污染指标监测模型用于对燃气内燃机的污染指标数据进行预测。
42.步骤103、根据所述污染指标监测模型，确定所述燃气内燃机的污染指标数据。
43.具体地，污染指标数据包括氮氧化物和/或一氧化碳的浓度。
44.在一些可行的实现方式中，污染指标监测模型有多个，基于污染指标监测模型的业务信息，对多个污染指标监测模型进行筛选，确定出目标污染指标监测模型，基于目标污染指标监测模型和燃气内燃机的运行数据，预测燃气内燃机的污染指标数据。应当理解的，业务信息指示了模型的应用情况，基于模型的实际应用情况，确保预测出的燃气内燃机的污染指标数据的参考价值。具体地，步骤103，包括：
45.接收所述联合学习服务端发送的所述污染指标监测模型的业务信息。
46.根据各个所述污染指标监测模型各自的业务信息，从各个所述污染指标监测模型中，确定目标污染指标监测模型；
47.根据所述目标污染指标监测模型和所述燃气内燃机的运行数据，确定所述燃气内燃机的污染指标数据。
48.可以理解的，业务信息指的是应用污染指标监测模型所产生的相关信息以及污染指标监测模型本身的相关信息。具体地，业务信息包括模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数。其中，模型精度是基于使用模型的应用客户端上传的反馈数据确定的，反馈数据包括预测值和实际值。需要说明的是，上述业务信息仅仅作为示例，实际应用中，业务信息可以是多种多样的，具体可根据实际的业务需求预先设置想要获取的业务信息所对应的字段名称，将其封装在请求
内，使得请求携带业务信息所对应的字段名称。燃气内燃机的运行数据是燃气内燃机运行过程中产生的数据，包括但不限于开关机状态、燃气流量、燃气温度、燃气压力、空气温度、空气流量、给水流量、给水温度、主蒸汽压力、主蒸汽温度、主蒸汽流量，具体需要结合实际情况确定。
49.作为一种可能的情况，基于污染指标监测模型的业务信息，对多个污染指标监测模型进行自动筛选，确定出目标污染指标监测模型，提高用户体验。具体地，可通过如下方式确定目标污染指标监测模型：
50.获取所述燃气内燃机的模型要求，根据所述模型要求和各个所述污染指标监测模型各自的业务信息，对各个所述污染指标监测模型进行选取，以确定目标污染指标监测模型。
51.模型要求指的是模型应该满足的条件，包括多个模型条件，比如，可以是模型精度要求、模型产生时间要求、模型下载次数要求、模型训练数据量要求等，目标污染指标监测模型是满足模型要求的联合学习模型。在第一个例子中，若仅有一个污染指标监测模型满足模型要求，则将该污染指标监测模型确定为目标污染指标监测模型；在第二个例子中，若有两个或两个以上污染指标监测模型满足模型要求，则将这些污染指标监测模型分别确定为目标污染指标监测模型；在第三个例子中，设置模型要求中不同模型条件各自的优先级，针对每个污染指标监测模型，确定污染指标监测模型所满足的模型条件，根据污染指标监测模型所满足的模型条件的优先级，确定污染指标监测模型的得分；然后，将得分最大的污染指标监测模型确定为目标污染指标监测模型。
52.作为另一种可能的情况，显示污染指标监测模型的业务信息与用户进行交互，由用户选择目标污染指标监测模型，确定出目标污染指标监测模型，满足用户需求。具体地，可通过如下方式确定目标污染指标监测模型：
53.显示各个所述污染指标监测模型各自的图标和各个所述污染指标监测模型各自的业务信息，根据获取的外部触发信息，从各个所述污染指标监测模型中，确定目标污染指标监测模型。
54.具体地，燃气内燃机对应的应用客户端显示所有的污染指标监测模型各自的图标以及各自的业务信息，使得用户了解模型应用情况以及模型自身的情况，然后，用户点击污染指标监测模型进行下载，将下载的污染指标监测模型确定为目标污染指标监测模型，与用户进行交互，确保目标污染指标监测模型的参考价值。
55.在上述实施例中，当目标污染指标监测模型有多个时，对各个目标污染指标监测模型各自预测出的燃气内燃机的污染指标数据进行平均，得到燃气内燃机的污染指标数据。
56.请参考图6，假设要预测能源站c中燃气内燃机c1的一氧化碳浓度，则本地运维服务器中的监测客户端cc发送污染指标监测模型请求，然后监测客户端cc接收联合学习服务端s发送的污染指标监测模型，根据该污染指标监测模型预测燃气内燃机c1的一氧化碳浓度，并将预测结果上传到联合学习服务端s，如果有真实值，将真实值上传到联合学习服务端s。
57.通过以上技术方案可知，本实施例存在的有益效果是：通过污染指标监测模型请求，从联合学习服务端中调用污染指标监测模型，从而快速确定出污染指标监测模型，提高
了模型获取的效率；通过污染指标监测模型的业务信息进行模型选择，确保预测出的烟气含氧量的参考价值。
58.如图2所示，为本发明实施例提供的另一种燃气内燃机的污染指标监测方法。本发明实施例所提供的方法可应用在联合学习服务端，具体可以应用于服务器或一般计算机上。本实施例中，所述方法具体包括以下步骤：
59.步骤201、接收应用客户端发送的燃气内燃机的污染指标监测模型请求。
60.相关内容上述步骤101的描述，这里不再赘述。
61.步骤202、判断模型数据库中是否存在所述污染指标监测模型请求对应的模型。
62.在进行模型调用之前，需要确定模型数据库中是否存在污染指标监测模型请求对应的模型，只有存在才能实现模型调用。
63.在一些可行的实现方式中，所述模型数据库包括待调用模型以及各个所述待调用模型各自的模型信息；具体地，步骤202包括：
64.针对每个所述待调用模型，根据所述待调用模型的模型信息，判断所述待调用模型和所述污染指标监测模型请求对应的模型是否匹配。
65.模型数据库用于存储待调用模型以及待调用模型的模型信息，具体地，待调用模型为联合学习模型。其中，模型信息用于描述待调用模型的信息，比如，可以是模型用途、模型名称、模型下载次数、模型下载用户、模型训练数据来源、模型训练数据量、模型精度、模型产生时间、模型更新次数等信息。
66.具体地，根据待调用模型的模型信息，判断待调用模型是否为污染指标监测模型请求对应的模型，在实际应用中，模型信息中存在污染指标监测模型名称，或者，与污染指标监测模型名称含义相同但是表述不同的词语时，则说明模型信息对应的待调用模型为污染指标监测模型请求对应的模型。此时，从模型数据库中提取出污染指标监测模型请求对应的模型即可，完成模型调用。
67.步骤203、根据判断所述模型数据库中是否存在所述污染指标监测模型请求对应的模型的判断结果，确定污染指标监测模型。
68.在一些可行的实现方式中，所述判断结果包括所述模型数据库中存在所述污染指标监测模型请求对应的模型；则步骤103，包括：
69.从所述模型数据库中，确定出所述污染指标监测模型请求对应的模型，并将所述污染指标监测模型请求对应的模型确定为污染指标监测模型。
70.在一些可行的实现方式中，所述模型数据库中存在所述污染指标监测模型请求对应的模型，则，还包括：
71.从所述模型数据库中，确定出所述污染指标监测模型的业务信息；
72.将所述污染指标监测模型的业务信息发送到所述应用客户端。
73.通过将污染指标监测模型各自的业务信息发送到应用客户端，从而使得用户了解模型的情况，便于用户进行模型选择，从而确保预测出的污染指标数据的准确性。
74.在一些可行的实现方式中，所述判断结果包括所述模型数据库中不存在所述污染指标监测模型请求对应的模型；则步骤103，包括：
75.选择联合燃气内燃机，所述联合燃气内燃机通过了联合学习邀请，所述联合燃气内燃机和所述燃气内燃机的相似度不小于预设阈值；
76.根据各个所述联合燃气内燃机各自的模型训练数据集进行联合学习，得到各个局部污染指标监测模型；
77.根据各个所述局部污染指标监测模型，确定联合污染指标监测模型；
78.将所述联合污染指标监测模型确定为污染指标监测模型。
79.每个能源站作为一个物联网中的一个节点，设置有一个客户端，如果能源站中的数据用于联合学习，则该能源站被称为联合能源站，该能源站中的燃气内燃机被称为联合燃气内燃机，该能源站对应的客户端被称之为联合学习客户端。其中，联合学习通过分布式训练及加密技术确保用户隐私数据得到最大限度的保护，以提升用户对人工智能技术的信任。在本技术实施例中，在联合学习机制下，各参与方(联合燃气内燃机各自对应的联合学习客户端)把加密后的数据模型贡献给联盟，联合训练一个联合模型。联合燃气内燃机的燃气内燃机运行数据上传到对应的联合学习客户端，联合学习客户端存储燃气内燃机运行数据。
80.本实施例中，当模型数据库中不存在污染指标监测模型请求对应的模型时，此时需要构建模型。确定出与能源站中燃气内燃机相似的联合燃气内燃机；之后，基于各个联合燃气内燃机各自的模型训练数据集进行联合学习，得到局部污染指标监测模型，模型训练数据集包括联合燃气内燃机的燃气内燃机运行数据，具体地，燃气内燃机运行数据包括开关机状态、燃气流量、燃气温度、燃气压力、空气温度、空气流量、给水流量、给水温度、主蒸汽压力、主蒸汽温度、主蒸汽流量以及历史烟气含氧量(标签)。之后，基于各个局部污染指标监测模型，确定出联合污染指标监测模型，并将联合污染指标监测模型确定为污染指标监测模型。其中，局部污染指标监测模型指的是基于联合燃气内燃机的模型训练数据集进行模型训练得到的一个模型，或者，基于联合学习客户端中的若干个联合燃气内燃机的模型训练数据集进行模型训练得到的一个模型。
81.具体可通过如下2种实现方式确定联合燃气内燃机：
82.实现方式1，基于可参与联合学习的候选燃气内燃机的描述信息以及燃气内燃机的描述信息，确定联合燃气内燃机，联合燃气内燃机和燃气内燃机是相似的。具体地，可通过如下实现方式确定联合燃气内燃机：
83.获取污染指标监测模型请求携带的燃气内燃机的描述信息以及各个候选燃气内燃机的描述信息；
84.针对每个候选燃气内燃机，根据燃气内燃机的描述信息和候选燃气内燃机的描述信息，确定燃气内燃机和候选燃气内燃机之间的相似度；
85.根据各个候选燃气内燃机各自和燃气内燃机之间的相似度，确定联合燃气内燃机。
86.污染指标监测模型请求携带燃气内燃机的描述信息，然后，获取能够进行联合学习的候选燃气内燃机的描述信息，计算燃气内燃机的描述信息和候选燃气内燃机的描述信息之间的相似度，以确定候选燃气内燃机和燃气内燃机之间的相似度，将不小于预设阈值的相似度对应的候选燃气内燃机确定为联合燃气内燃机。其中，描述信息包括多个参数以及每个参数的参数值。上述多个参数包括但不限于额定容量、额定效率、工作方式、型号(指示了燃气内燃机的性能、规格和大小)、品牌以及工作地点，具体需要结合实际情况确定。可以理解的，燃气内燃机的描述信息和联合燃气内燃机的描述信息的相似度越高，联合燃气
内燃机的参考价值越高，从而确保后续预测出的联合燃气内燃机的准确性。优选地，燃气内燃机和联合燃气内燃机的型号应该相同。可选地，基于燃气内燃机和候选燃气内燃机的描述信息中每个参数的参数值，确定燃气内燃机和候选燃气内燃机的描述信息中每个参数的相似度，对各个参数的相似度进行加权平均，并将结果确定为燃气内燃机和候选燃气内燃机之间的相似度。在实际应用中，可以以燃气内燃机的描述信息为模型输入，联合燃气内燃机为模型输出，训练一个分类模型，将候选燃气内燃机的描述信息输入到训练好的分类模型，从而确定其对应的能源站是否为联合燃气内燃机。
87.实现方式2，基于联合学习邀请，确定联合燃气内燃机。具体地，可通过如下实现方式确定联合燃气内燃机：
88.根据各个候选燃气内燃机各自和燃气内燃机之间的相似度，确定参考联合燃气内燃机；
89.向各个参考联合能源站各自对应的联合学习客户端分别发送联合学习邀请；
90.将同意联合学习邀请的各个参考联合燃气内燃机分别确定为联合燃气内燃机。
91.这里，将相似度不小于预设阈值的候选燃气内燃机确定为参考联合燃气内燃机，向各个参考联合燃气内燃机各自对应的联合学习客户端分别发送联合学习邀请，如果联合学习客户端反馈回来邀请通过，则将其对应的参考联合燃气内燃机确定为联合燃气内燃机。
92.具体可通过如下2种实现方式构建联合模型：
93.实现方式1，针对每个联合学习客户端，当联合学习客户端对应的联合能源站内的多个燃气内燃机差异较大时，联合学习客户端基于其内存储的若干个联合燃气内燃机各自的模型训练数据集进行联合学习得到一个局部污染指标监测模型，当联合学习客户端对应的联合能源站内的多个燃气内燃机相似时，联合学习客户端基于其内存储的所有燃气内燃机各自的模型训练数据集进行联合学习得到一个局部污染指标监测模型；得到多个联合学习客户端各自对应的局部污染指标监测模型，基于多个联合学习客户端各自对应的局部污染指标监测模型构建联合污染指标监测模型，相对于每个联合燃气内燃机各自对应的一个局部模型来说，能够降低计算量，提高计算效率。
94.实现方式2，针对每个联合燃气内燃机，基于联合燃气内燃机的模型训练数据集进行联合学习得到局部污染指标监测模型，得到多个联合燃气内燃机各自对应的局部污染指标监测模型，基于多个联合燃气内燃机各自对应的局部污染指标监测模型构建联合模型。
95.步骤204、将所述污染指标监测模型发送到所述应用客户端，以使所述应用客户端根据所述污染指标监测模型，确定所述燃气内燃机的污染指标数据。
96.污染指标监测模型可以理解为输入为燃气内燃机的运行数据，输出为污染指标数据的模型，例如，可以是神经网络、支撑向量机、提升决策树等，应当理解的，本实施例并不意图对污染指标监测模型的内部结构进行任何限制，任何能够以燃气内燃机的运行数据为输入，污染指标数据为输出的模型皆适用本实施例。
97.请参考图6，假设要预测能源站c中燃气内燃机c1的一氧化碳浓度，联合学习服务端s接收监测客户端cc发送污染指标监测模型请求，当联合学习服务端s中模型数据库中不存在污染指标监测模型请求对应的模型时，若联合燃气内燃机为a1、a3、b1、b2，则联合学习客户端ac基于联合能源站a中的燃气内燃机a1、a3的运行数据进行模型训练，并上传模型参
数到联合学习服务端s，联合学习客户端bc基于联合能源站b中的燃气内燃机b1、b2的运行数据进行模型训练，并上传模型参数到联合学习服务端s，联合学习服务端s下发聚合后的模型参与至联合学习客户端ac和联合学习客户端bc进行模型迭代，联合学习客户端ac和联合学习客户端bc各自得到局部污染指标监测模型，对联合学习客户端ac和联合学习客户端bc得到的局部污染指标监测模型进行融合，得到联合污染指标监测模型。这里，联合学习客户端ac部署在本地运行服务器as上，联合学习客户端bc部署在本地运行服务器bs上，联合学习客户端cc部署在本地运行服务器cs上。
98.通过以上技术方案可知，本实施例存在的有益效果是：通过污染指标监测模型请求和模型数据库之间的关系，确定出不同的模型获取策略，基于模型获取策略获取污染指标监测模型，无需安装传感器，得到的污染指标监测模型也不容易受到外界环境的影响，可能够较为准确的测量燃气内燃机的污染指标数据。
99.基于与本发明方法实施例相同的构思，请参考图3，本发明实施例还提供了一种应用客户端，包括：
100.第一发送模块301，用于发送燃气内燃机的污染指标监测模型请求至联合学习服务端；
101.第一接收模块302，用于接收所述联合学习服务端发送的污染指标监测模型；
102.应用模块303，用于根据所述污染指标监测模型，确定所述燃气内燃机的污染指标数据。
103.本发明一个实施例中，所述应用模块303，包括：接收单元、选择单元以及应用单元；其中，
104.所述接收单元，用于接收所述联合学习服务端发送的所述污染指标监测模型的业务信息；
105.所述选择单元，用于根据各个所述污染指标监测模型各自的业务信息，从各个所述污染指标监测模型中，确定目标污染指标监测模型；
106.所述应用单元，用于根据所述目标污染指标监测模型和所述燃气内燃机的运行数据，确定所述燃气内燃机的污染指标数据。
107.本发明一个实施例中，所述选择单元，用于获取所述燃气内燃机的模型要求，根据所述模型要求和各个所述污染指标监测模型各自的业务信息，对各个所述污染指标监测模型进行选取，以确定目标污染指标监测模型。
108.本发明一个实施例中，所述选择单元，用于显示各个所述污染指标监测模型各自的图标和各个所述污染指标监测模型各自的业务信息，根据获取的外部触发信息，从各个所述污染指标监测模型中，确定目标污染指标监测模型。
109.基于与本发明方法实施例相同的构思，请参考图4，本发明实施例还提供了一种联合学习服务端，包括：
110.第二接收模块401，用于接收应用客户端发送的燃气内燃机的污染指标监测模型请求；
111.判断模块402，用于判断模型数据库中是否存在所述污染指标监测模型请求对应的模型；
112.模型确定模块403，用于根据判断所述模型数据库中是否存在所述污染指标监测
模型请求对应的模型的判断结果，确定污染指标监测模型；
113.第二发送模块404，用于将所述污染指标监测模型发送到所述应用客户端，以使所述应用客户端根据所述污染指标监测模型，确定所述燃气内燃机的污染指标数据。
114.本发明一个实施例中，所述模型数据库包括待调用模型以及各个所述待调用模型各自的模型信息；
115.所述判断模块402，用于针对每个所述待调用模型，根据所述待调用模型的模型信息，判断所述待调用模型和所述污染指标监测模型请求对应的模型是否匹配。
116.本发明一个实施例中，所述判断结果包括所述模型数据库中存在所述污染指标监测模型请求对应的模型；
117.所述模型确定模块403，用于从所述模型数据库中，确定出所述污染指标监测模型请求对应的模型，并将所述污染指标监测模型请求对应的模型确定为污染指标监测模型。
118.本发明一个实施例中，还包括：信息确定模块以及第三发送模块；其中，
119.所述信息确定模块，用于从所述模型数据库中，确定出所述污染指标监测模型的业务信息；
120.所述第三发送模块，用于将所述污染指标监测模型的业务信息发送到所述应用客户端。
121.本发明一个实施例中，所述判断结果包括所述模型数据库中不存在所述污染指标监测模型请求对应的模型；
122.所述模型确定模块403，包括：选择单元、训练单元以及模型确定单元；其中，
123.所述选择单元，用于选择联合燃气内燃机，所述联合燃气内燃机通过了联合学习邀请，所述联合燃气内燃机和所述燃气内燃机的相似度不小于预设阈值；
124.所述训练单元，用于根据各个所述联合燃气内燃机各自的模型训练数据集进行联合学习，得到各个局部污染指标监测模型；
125.所述模型确定单元，用于根据各个所述局部污染指标监测模型，确定联合污染指标监测模型；将所述联合污染指标监测模型确定为污染指标监测模型。
126.图5是本发明实施例提供的一种电子设备的结构示意图。在硬件层面，该电子设备包括处理器501以及存储有执行指令的存储器502，可选地还包括内部总线503及网络接口504。其中，存储器502可能包含内存5021，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器5022(non-volatile memory)，例如至少1个磁盘存储器等；处理器501、网络接口504和存储器502可以通过内部总线503相互连接，该内部总线503可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等；内部总线503可以分为地址总线、数据总线、控制总线等，为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。当然，该电子设备还可能包括其他业务所需要的硬件。当处理器501执行存储器502存储的执行指令时，处理器501执行本发明任意一个实施例中的方法，并至少用于执行如图1或图2所示的方法。
127.在一种可能实现的方式中，处理器从非易失性存储器中读取对应的执行指令到内存中然后运行，也可从其它设备上获取相应的执行指令，以在逻辑层面上形成一种燃气内
燃机的污染指标监测装置。处理器执行存储器所存放的执行指令，以通过执行的执行指令实现本发明任一实施例中提供的一种燃气内燃机的污染指标监测方法。
128.处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
129.本发明实施例还提供了一种计算机可读存储介质，包括执行指令，当电子设备的处理器执行执行指令时，所述处理器执行本发明任意一个实施例中提供的方法。该电子设备具体可以是如图5所示的电子设备；执行指令是一种燃气内燃机的污染指标监测装置所对应计算机程序。
130.本领域内的技术人员应明白，本发明的实施例可提供为方法或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或软件和硬件相结合的形式。
131.本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
132.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
133.以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。