用于估计排放物的系统和方法与流程

1.本说明书总体上涉及用于推断由车辆排放的排气成分的质量的方法和系统。


背景技术：

2.一氧化碳(co)是内燃发动机的作为管控目标的副产物气体，并且需要使用排放后处理系统。在车辆制造和组装之后并且在使车辆可商购之前，此类管控可能要求测量在驾驶循环期间由车辆排放的co以及其他排气成分的质量并将其维持在阈值以下，其具有典型的质量/距离单位。例如，可在实验室中在底盘测功机上进行co测量。然而，在真实世界状况下监测排放组分的期望已经推动了能够在道路上车辆操作期间量化排放组分的便携式排放测量系统(pems)和微型pems的开发。尽管pems可在道路上状况期间提供有用的信息，但是pems的实施可能会招致高成本，同时它们的操作可能需要高度的技术专长，使得它们对于车队规模的co排放监测是不切实际的。相反，期望一种在驾驶循环期间需要最少监督来确定co质量的低成本系统。
3.解决用于测量co排放物的简单的具成本效益的方法的尝试包括基于车辆的不同测得参数来推断co排放物质量。weymann在德国专利号102008057494中示出了一种示例性方法。其中，使用由人工神经网络生成的模型来预测来自内燃发动机的排放物。模型可使用燃烧室压力曲线和/或发动机加热过程作为输入，并且输出可以是co、co2和no
x
的成比例的发动机排放值。


技术实现要素：

4.然而，本文的发明人已认识到此类系统的潜在问题。作为一个示例，上述模型可预测发动机排出的排放物，而不结合后处理系统对所述排放物的随后作用。因此，估计值不代表从车辆释放的排放物的真实浓度，并且可能无法用于理解内燃发动机对空气质量的影响或用于诊断后处理系统健康状况。
5.在一个示例中，上述问题可通过一种用于车辆的方法来解决，所述方法包括从车辆的至少一个排气排放传感器获取测量结果，排气排放传感器被定位成测量车辆的排气中的no
x
、nh3和o2浓度中的一者或多者，以及将来自至少一个排气排放物传感器的测量结果输入到经训练以输出排气中的至少一种气体成分的预测实时浓度的机器学习模型中。可基于至少一种排气成分的预测实时浓度来评估和调整排放后处理系统的性能。以这种方式，可使用通常安装在车辆中的排放传感器在车辆操作期间的任何点估计排放物。例如，至少一种排气成分可包括co，并且机器学习模型可推断被排放的co的质量或排气中的co浓度。估计的co排放物可用于通过控制方案减少co排放物，报告co排放物质量以满足排放法规，以及用于车辆诊断，诸如排放后处理系统的状态。
6.作为一个示例，可通过同时从车辆排放传感器、车辆ecu参数和被配置为测量排气尾管co排放物的pems获取测量结果来在道路上状况下训练机器学习模型。以这种方式，在训练和开发机器学习模型之后，可在道路上(即，真实世界)驾驶期间推断co排放物，而不依
赖于附加的排放传感器或熟练的技术人员来促进对co排放物的测量。可在车队规模上监测co排放物，并且可从车辆无线地收集关于co排放物的信息。可收集和分析车队的co排放物趋势，以告知关于排放后处理系统随时间推移的性能的保修信息。另外，co排放物趋势可被提供给调节器或用于后处理系统的或用于发动机控制的反馈回路。
7.应当理解，提供以上发明内容是为了以简化的形式介绍在具体实施方式中进一步描述的一系列概念。其并不意味着确定所要求保护的主题的关键或必要特征，主题的范围由具体实施方式之后的权利要求唯一地限定。此外，所要求保护的主题不限于解决上文或本公开的任何部分中提及的任何缺点的实施方式。
附图说明
8.图1示出了根据本公开的实施例的具有排气后处理系统的车辆系统的示意图。
9.图2示出了用于使用机器学习模型和来自图1的排气后处理系统的传感器的输出来推断排气co排放物的策略的框图。
10.图3示出了用于使用推断排气co排放量的机器学习模型的方法的示例的流程图。
11.图4示出了在驾驶循环期间的使用机器学习模型预测的co浓度相对于测量的co浓度的奇偶性曲线图。
12.图5示出了co排放物相对于时间的图，其绘制在驾驶循环期间来自便携式排放测量系统(pems)的和由机器学习模型预测的测量结果。
具体实施方式
13.以下描述涉及一种用于使用机器学习模型来预测车辆(诸如图1的车辆系统)的排气中的实时co量的系统和方法。在本文中，“量”可被定义为浓度或质量。虽然确定排气中的co量在本文中被描述为用例示例，但是机器学习模型可用于预测其他排气成分(包括碳氢化合物和碳氢化合物燃烧的其他副产物)的量。然而，由于co与排气的化学计量之间的关系，如本文所述的对排放物的实时预测可能特别有益于估计co排放物。
14.可基于如图2中通过示出用于训练和利用机器学习模型的过程的框图所描述的特征和目标来训练机器学习模型。例如，机器学习模型所使用的目标可以是测量的排气co浓度或co质量，并且特征可包括来自氮氧化物(nox)传感器的线性o2信号、来自加热排气氧气(hego)传感器的信号、来自通用排气氧(uego)传感器的信号和来自监测各种发动机操作参数的真实或虚拟传感器的信号。机器学习模型可按照图3所示的示例性方法在车辆系统的控制器处实现。可通过收集驾驶循环期间的特征数据和目标数据两者来评估经训练的机器学习模型的准确度。可在奇偶性曲线图中比较测量的排气co浓度和对应的预测的排气co浓度，如图4所示。另外，可比较测量的和预测的co质量输出的时间迹线，如图5所示。
15.图1示出了车辆系统6的示意图。车辆系统6包括发动机系统8。发动机系统8可包括具有多个气缸30的发动机10。发动机10包括发动机进气口23和发动机排气口25。发动机进气口23包括经由进气通道42流体地联接到发动机进气歧管44的节气门62。发动机排气口25包括最终通向排气通道35的排气歧管48，所述排气通道将排气引导到大气。节气门62可在进气通道42中位于增压装置(诸如涡轮增压器(未示出))的下游和后冷却器(未示出)的上游。当包括后冷却器时，后冷却器可被配置为降低由增压装置压缩的进气的温度。
16.发动机排气口25可包括一个或多个排放控制装置70，所述一个或多个排放控制装置可沿着排气通道35安装在紧密联接位置中并且包括在车辆系统6的排放后处理系统中。一个或多个排放控制装置可包括三元催化器、稀no
x
过滤器、scr催化器等。第二排放控制装置72可被定位成更远离发动机(例如，在车辆的车身下方)。例如，第二排放控制装置72可以是车身底部催化器。一个或多个排放控制装置70可由于接近发动机10而快速达到启动温度，但是可具有比第二排放控制装置72更小的装载容量。第二排放控制装置72可在一个或多个排放控制装置70之后达到启动温度，并且可进一步处理来自一个或多个排放控制装置70的下游的排放物。各种排气传感器可在排放控制装置的上游和/或下游定位在排气通道35中，并且排气传感器和排放控制装置可一起形成车辆系统6的排放后处理系统。
17.车辆系统6还可包括控制系统14。控制系统14被示出为接收来自多个传感器16(本文描述了其各种示例)的信息并且向多个致动器81(本文描述了其各种示例)发送控制信号。作为一个示例，多个传感器16可以是被配置为推断发动机空燃比的第一排气传感器130(位于排气歧管48中)(例如uego传感器)、在排气通道35中位于排放控制装置70与72之间的第二排气传感器132(例如，hego传感器)、温度传感器128和no
x
传感器106(位于排放控制装置72的下游)。排气传感器130和132可测量排气中的氧化或还原物质(例如，氧气、no
x
、碳氢化合物、nh3等)的量以指示发动机10处的空燃比(afr)。当第一排气传感器130被实施为uego传感器时，uego传感器可输出信号，所述信号可与afr与化学计量afr(即，λ)的比率成比例。当第二排气传感器132被实施为hego传感器时，hego传感器可输出指示排气是浓还是稀的二元o2信号。no
x
传感器106可输出三个不同的数据集：与no
x
和氨(nh3)两者浓度的和成比例的第一数据集，包括二元o2信号的第二数据集，以及包括与必须泵入或泵出排气以达到化学计量条件的氧气浓度成比例的线性o2信号的第三数据集。
18.诸如附加的压力传感器、温度传感器、空燃比传感器和排气流速和组分传感器等其他传感器可联接到车辆系统6中的各种位置。作为另一个示例，致动器可包括燃料喷射器66、节气门62、电路的开关等。控制系统14可包括控制器12。控制器12可被配置有存储在非暂时性存储器上的计算机可读指令。控制器12接收来自多个传感器16的信号，处理信号并且采用多个致动器81来基于接收到的信号和存储在控制器12的存储器上的指令调整发动机操作。例如，控制器12可从存储在控制器的存储器中的主发动机控制模块获取关于各种发动机操作参数的数据，并且根据所述数据估计排气流速。处理接收到的信号还可包括实施机器学习方法以基于包括no
x
传感器106和其他传感器(诸如排气传感器130和132)的输出信号的特征来推断co排放物。例如，控制器12可基于通过机器学习模型根据传感器输出估计的排气的预测的实时co浓度来确定co排放物高于阈值(例如，600mg/km)并且打开故障指示灯(mil)以向用户指示车辆排放物超过阈值。另外或替代地，mil可指示后处理系统的潜在劣化。
19.可使用pems在驾驶循环期间实时测量车辆的co排放物。由于pems的成本以及正确操作pems的专业知识，因此不希望用pems配置车辆。因此，只能在车辆销售之前在受控的测试条件下测量车辆的co排放物。然而，可能期望连续监测车辆的co排放物以更好地调整发动机后处理控制系统，以便使co排放物最小化并通知车辆操作员车辆后处理系统的健康状况。用于基于车辆中当前安装的传感器的输出来推断co浓度的过程(诸如图2中描述的过程)可允许更严格地控制来自发动机的co排放物。过程可包括基于从各种车辆操作参数(例
如，排放传感器、动力传动系统控制模块[pcm]参数等)和从co测量结果获得的训练数据来训练机器学习模型，所述训练数据从由训练车辆排放的排气中获取。例如，训练车辆可以是车辆排气模拟系统或在多个驾驶循环和驾驶条件下在测试设施中操作的实验室车辆。
[0020]
在一个示例中，图2中描绘的过程的实现方式可导致车辆排放物的实时co浓度或质量的自动预测。此外，响应于预测的实时co浓度，可例如在没有用户输入的情况下自动调整发动机或后处理操作参数以减少co排放物。另外，可以高频率(诸如1hz至100hz)更新预测的实时co浓度，从而使由于发动机或后处理系统工况的实时变化与对应的co浓度确定之间的滞后而引起的co排放物的增加最小化。
[0021]
现在转向图2，其示出了用于使用机器学习模型214推断车辆系统(例如，图1的车辆系统6)的排气co浓度和排气co质量的过程200的框图。如上所述，过程200可类似地用于推断其他排气成分(诸如碳氢化合物)的浓度和质量。机器学习模型214可接收第一组输入和第二组输入。第一组输入可包括如下所述用于训练机器学习模型214的特征212和目标204。第二组输入可包括由机器学习模型214用来推断排气co浓度和排气co质量的道路上驾驶数据215。机器学习模型214可使用所获取的训练数据201进行训练，并且用于基于目标204来估计co排放物，所述目标可以是浓度或质量。机器学习模型214可以是利用线性回归、多项式回归、神经网络、基于决策树的模型、贝叶斯网络等的回归模型。
[0022]
目标204可以是任何给定时间的排气的co浓度。可从独立的排气尾管co测量结果202获得目标204。独立的排气尾管co测量结果可由联接到车辆系统的排气尾管的独立co测量系统(诸如pems或迷你pems)获取，在驾驶事件期间可从独立co测量系统记录co测量结果。pems或迷你pems可包括能够量化气体体积中的co量的非分散红外(ndir)检测器。可在道路上驾驶条件的范围内测量co浓度。可将独立的排气尾管co测量结果202记录为时间的函数，从而创建目标204的值的时间迹线。目标204的值的时间迹线可用于训练机器学习模型214。可以相同的方式收集值的单独的时间迹线并将其用于验证和测试机器学习模型214，如下面所讨论的。
[0023]
作为一个示例，由no
x
传感器输出的线性o2信号可与在浓条件下的排气中的co、h2、nh3和hc的相对浓度成比例，所述浓条件基于由no
x
传感器输出的二元o2信号和/或来自hego的信号来确定。在浓条件下，no
x
传感器可产生与排气中的no
x
和nh3的和的浓度成比例的信号，所述信号可(但不一定)主要表示浓排气条件期间的nh3。同样，如果(hc+nh3)的浓度《《(co+h2)，则机器学习模型可估计与在浓条件下的排气中的co与h2的比率成比例的值。在稀排气条件下，co被有效地氧化成co2并且可以显著降低的浓度存在。
[0024]
可从后处理传感器206和发动机参数208收集数据，同时在各种驾驶循环期间(包括在浓条件下)获得独立的排气尾管co测量结果202。后处理传感器206可包括上面关于图1描述的传感器，包括但不限于：no
x
传感器、uego传感器和hego传感器。来自no
x
传感器的信号可包括线性o2信号、二元o2信号以及nh3和no
x
的总计浓度，如上面所讨论的。另外或替代地，后处理传感器206可包括取代no
x
传感器的hego传感器或其他后处理传感器。换句话说，可能不需要no
x
传感器作为后处理传感器206中的一者。发动机参数208可包括由各种发动机传感器测量的参数，诸如发动机温度、发动机rpm、充入空气质量、燃料质量、发动机负载等。可在一段持续时间内收集来自发动机参数208和后处理传感器206的输出以在进行特征工程210之前创建特征时间迹线。
[0025]
可使用特征工程210组合和调整来自发动机参数208和后处理传感器206的测量结果。特征工程210可包括对模型中的数据点进行加权以更准确地预测高质量排放事件。另外或替代地，特征工程210可包括添加用于减速燃料切断事件的标志、应用简单的催化剂氧存储模型、使用时间滞后特征等。由于特征工程210，可以生成特征212和特征时间迹线。特征212和目标204可在共同的时间段内生成，并且可用于通过将特征时间迹线与目标时间迹线关于时间对准来训练机器学习模型214。例如，特征212的变化(例如，用于生成特征时间迹线的测量结果)和目标204的变化(例如，用于生成目标时间迹线的测量结果)可在共同的持续时间内相关。训练机器学习模型214可包括生成用于定义机器学习模型并由此推断co浓度的各种系数、权重、节点、超参数等。
[0026]
作为示例，可使用神经网络来训练机器学习模型214。为了训练机器学习模型214，可将训练数据传输到神经网络。训练数据可包括例如输入数据(即，模型特征)和地面实况数据两者，其中输入数据包括来自各种排放传感器和pcm参数的用于生成特征时间迹线的测量结果，并且地面实况数据包括来自pems的用于生成目标时间迹线的co测量结果。no
x
传感器和pems可从训练车辆收集测量结果，所述训练车辆可在底盘测功机上或在道路上在包括各种发动机工况的各种驾驶循环内操作。生成的特征时间迹线与目标时间迹线可以是时间对齐的，并且可基于在输出(例如，预测的实时co浓度)与地面实况之间计算的损失函数来更新机器学习模型，以增加机器学习模型的准确度。
[0027]
一旦被训练，机器学习模型214就可在控制器(诸如图1的控制器12)处实施。机器学习模型214可被配置为接收道路上驾驶数据215。道路上驾驶数据215可包括特征数据216和发动机参数218。特征数据216可以是可对应于特征212的实时数据。因此，可从后处理传感器和发动机参数收集特征数据216，将其组合并进行特征工程。此外，特征数据216不包括独立的排气尾管co测量结果202。发动机参数218可包括排气流速，所述排气流速可以是根据发动机参数计算的虚拟特征(诸如根据发动机主控制模块中的各种参数计算的流速)。可收集特征数据216和发动机参数218作为同步时间迹线。同步时间迹线可充当机器学习模型214(先前使用如上所述的特征212和目标204训练)的输入，以用于推断随时间推移产生的co质量220的目标迹线。所产生的co质量220的目标迹线还可用于通知车辆(诸如图1的车辆6)的操作，如下面关于图3所描述的。
[0028]
图3示出了用于基于由控制器(例如，图1的控制器12)处实施的机器学习模型实时预测的co排放物来调整发动机操作的方法300。用于执行方法300的指令可由控制器基于存储在控制器存储器中的指令并结合从发动机系统的传感器(诸如no
x
传感器、uego传感器、hego传感器和如上面参考图1所描述的其他发动机参数传感器)接收的信号来执行。根据下面描述的方法，控制器可采用发动机系统的发动机致动器来调整发动机操作。发动机操作可在车辆系统(诸如图1的车辆6)中执行。
[0029]
在302处，方法300包括训练机器学习模型。机器学习模型可类似于图2的机器学习模型214。训练机器学习模型包括收集训练数据集。训练数据集可包括第一训练数据集和第二训练数据集。在304处，第一训练数据集包括特征数据时间迹线。特征数据可包括与诸如来自no
x
传感器的线性o2信号、来自uego和/或hego传感器的信号，以及其他发动机参数等特征相关的数据，并且可如上面关于图2所讨论的那样进行设计。在306处，第二训练数据集包括测量目标数据时间迹线。目标数据时间迹线可由独立于车辆传感器的测量装置(诸如
pems或迷你pems)生成。训练机器学习还包括在308处将特征数据时间迹线和目标数据时间迹线对准。
[0030]
在310处，方法300包括使用经训练的机器学习模型来推断co输出。可通过输入特征数据和发动机参数来推断co输出，如上面关于图2的道路上驾驶数据215所描述的。例如，特征数据可包括来自no
x
传感器、hego传感器和uego传感器的输出的组合，并且发动机参数可包括发动机rpm、充入空气质量、燃料质量和发动机负载等。由经训练的机器学习模型推断的co输出可以是排气中的co浓度。如果发动机参数包括排气流速，则可推断出离散时间段内的co输出质量。然而，在一些示例中，可基于随时间推移排放的co的总质量来生成目标数据时间迹线，从而排除co浓度相对于测量的排气流速的积分。
[0031]
在312处，将co输出与阈值进行比较。例如，阈值可以是600mg/km。如果co输出大于或等于阈值，则可在314处调整发动机和/或后处理系统操作参数。例如，预测的co输出可用于评估发动机的排气后处理系统的一个或多个排放控制装置(诸如图1的排放控制装置70和72)的状况。例如，如果调整发动机操作参数以减少co排放物，但是预测的co输出没有响应于调整而减少，则车辆系统的排气后处理的部件可能劣化。在一些示例中，如果排气后处理的部件被认为是劣化的，则可向操作员指示通知，诸如维修警报。例如，高于阈值的co输出可指示排放控制装置的催化器中的一者或多者可能劣化。在另一个示例中，co输出可无线地传送到中央枢纽(例如，服务器上的数据库)。然后，中央枢纽可包含随时间推移的车队规模的co输出，其可用于通知未来车队中的发动机操作参数或排放后处理系统的预期寿命。如果co输出小于阈值，则在316处维持当前发动机操作参数。
[0032]
为了验证诸如机器学习模型214的机器学习模型，可收集测试数据。测试数据可包括与使用独立测量系统收集的一组目标数据同步收集的使用机器学习模型推断的一组目标数据。然后可使用测试数据来验证机器学习模型214(或确定其准确度)，如下面关于图4至图5所描述的。
[0033]
现在转向图4，机器学习模型214的准确度可由奇偶性曲线图400展示。奇偶性曲线图400绘制了预测的排气co浓度(以ppm为单位)作为测量的排气co浓度(也以ppm为单位)的函数。对于测试车辆，通过机器学习模型根据图2的过程200输出预测的(例如，推断的)浓度。测量浓度可由联接到测试车辆的排气尾管的pems或微型pems产生。在总驾驶时间为150分钟的三个不同驾驶事件内收集数据点402。数据点402可通过线性趋势线404进行最佳拟合，所述线性趋势线示出了r2》0.8的预测的co浓度与测量的co浓度之间的相关性，其中斜率接近1(0.9》斜率》1.1)。预测值与测量值之间的方差可能是由于由pems生成的目标时间迹线(测量值)和由用作机器学习模型的主要输入的由no
x
传感器生成的特征时间迹线的固有不同的时间分辨率。
[0034]
除了推断车辆排放物中的co浓度之外，当与其他发动机参数(诸如排气流速)结合时，机器学习模型的输出可用于计算随时间推移排放的co的质量，如上面关于图2所述的。图5的曲线图500示出了相对于驾驶循环的持续时间的co质量(以mg为单位)。驾驶循环的持续时间可对应于为图4的奇偶性曲线图400提供数据的驾驶事件中的一者。迹线502表示由如上面关于图3所讨论的pems测量的值。迹线504表示使用机器学习模型针对同一驾驶循环预测的值。可通过将与排气流速信息结合的特征输入到机器学习模型来计算根据时间的co质量。曲线图500示出了迹线502基本上类似于迹线504。在三种不同的驾驶内(未示出两种
附加的驾驶)，机器学习模型214推断出的co质量与pems测量的质量相差仅14％，从而确认机器学习模型214和其他发动机参数可用于推断随时间推移的co排放物的质量。
[0035]
以这种方式，可训练和测试推断排气co浓度的机器学习模型。可在道路上驾驶状况期间仅使用通常安装在车辆中的传感器(诸如no
x
传感器、hego、uego和发动机参数)作为机器学习模型的输入来推断排气co浓度。排气co浓度可通过在控制器上编程的经训练的机器学习模型来推断，并且可由控制器处理而无需专业监督。另外或替代地，可根据排气co浓度和排气流速来计算排气co质量。因此，可在不结合附加的昂贵传感器(诸如用于直接co测量的传感器)的情况下维持低co排放，从而提高车辆的效率。
[0036]
通过使用机器学习模型推断排气co质量的技术效果是可通过机器学习模型自动预测由车辆排放的实时co浓度，并且可响应于所述预测自动调整发动机操作以减少co排放物。例如，排气co的增加可指示转换到浓afr，并且作为响应可调整进气口和/或燃料喷射。
[0037]
本公开还提供对一种用于车辆的方法的支持，所述方法包括：从所述车辆的至少一个排气排放传感器获取测量结果，所述至少一个排气排放传感器被定位成测量所述车辆的排气中的nox、nh3和o2水平中的一者或多者，将来自所述至少一个排气排放传感器的所述测量结果输入到被训练以输出至少一种排气成分的预测实时量的机器学习模型中，所述至少一种排气成分包括co和/或碳氢化合物，以及基于所述至少一种排气成分的所述预测实时量来调整和评估排放后处理系统的操作。在所述方法的第一示例中，用训练数据来训练所述机器学习模型，所述训练数据包括来自所述至少一个排气排放传感器的多个训练测量结果和所述至少一种排气成分的多个对应训练测量结果，并且其中来自所述至少一个排气排放传感器的所述多个训练测量结果包括表示所述排气中的nox和nh3浓度和/或氧气浓度之和的信号。在任选地包括所述第一示例的所述方法的第二示例中，从在浓、稀和化学计量燃烧条件下操作的一个或多个训练车辆的排气收集所述训练数据。在任选地包括第一示例和第二示例中的一者或两者的所述方法的第三示例中，基于所述至少一种排气成分的所述预测实时量来调整所述排放后处理系统的所述操作包括在不依赖于测量所述排气的所述至少一种排气成分的实际量的传感器的情况下调整所述操作。在任选地包括第一示例至第三示例中的一者或多者或每一者的所述方法的第四示例中，从所述至少一个排气排放传感器获取所述测量结果包括获得表示所述排气中的氨浓度的信号，并且从所述至少一个排气排放传感器的总线性氧信号中减去表示所述氨浓度的所述信号，并且其中从所述总线性氧信号中减去表示所述氨浓度的所述信号包括生成表示所述排气中的co浓度、氢浓度和碳氢化合物浓度的第一和的第一值。在任选地包括第一示例至第四示例中的一者或多者或每一者的所述方法的第五示例中，所述方法还包括：除了来自所述至少一个排气排放传感器的所述测量结果之外，还将来自监测所述车辆的发动机操作参数的传感器的测量结果输入到所述机器学习模型，以输出所述预测实时co浓度，并且其中所述至少一个排气排放传感器包括uego传感器、hego传感器和nox传感器中的一者或多者。在任选地包括第一示例至第五示例中的一者或多者或每一者的所述方法的第六示例中，所述方法还包括：经由所述机器学习模型，将系数、权重、节点和超参数中的一者或多者应用于从所述至少一个排气排放传感器输入的所述测量结果，以输出所述至少一种排气成分的所述预测实时量。在任选地包括第一示例至第六示例中的一者或多者或每一者的所述方法的第七示例中，所述机器学习模型的训练包括基于来自所述至少一个排气排放传感器的所述多个训练测量结果来生
成特征时间迹线，训练来自附加的排气排放传感器的测量结果，并且训练来自监测训练车辆的发动机操作参数的传感器的测量结果，并且基于所述至少一种排气成分的所述多个训练测量结果生成目标时间迹线，并且其中在共同的持续时间内获取所述特征时间迹线和所述目标时间迹线。在任选地包括第一示例至第七示例中的一者或多者或每一者的所述方法的第八示例中，所述机器学习模型的所述训练包括将所述共同的持续时间内的所述特征时间迹线与所述目标时间迹线对准，并且使来自所述目标时间迹线的所述至少一种排气成分的所述多个训练测量结果的变化与来自所述至少一个排气排放传感器、所述附加的排气排放传感器和监测所述训练车辆的所述发动机操作参数的所述传感器的所述多个训练测量结果的变化相关。在任选地包括第一示例至第八示例中的一者或多者或每一者的所述方法的第九示例中，评估所述排放后处理系统的所述操作包括诊断所述排放后处理系统的状况，并且如果所述排放后处理系统被认为是劣化的，则激活故障指示灯。在任选地包括第一示例至第九示例中的一者或多者或每一者的所述方法的第十示例中，所述方法还包括：使用所述机器学习模型来实时地预测整个车队中的所述至少一种排气成分的排放，并且其中在所述整个车队中使用所述机器学习模型包括通信地链接所述车队以监测所述至少一种排气成分的车队规模排放。
[0038]
本公开还提供了对一种发动机的排气后处理系统的支持，其包括：排气尾管，沿着所述排气尾管布置的一个或多个排气后处理装置，定位在所述排气尾管中的一个或多个排气传感器，所述一个或多个排气传感器包括nox传感器，以及控制器，所述控制器被配置有存储在非暂时性存储器中的可执行指令，所述可执行指令在被执行时使所述控制器：从所述nox传感器获取测量结果，将所述测量结果输入到被训练以输出排气中的排气成分的预测实时浓度的机器学习模型中，并且基于所述排气成分的所述预测实时浓度来调整一个或多个发动机操作参数，以将所述排气的实际排气成分浓度维持在阈值浓度以下。在所述系统的第一示例中，所述系统还包括：存储在所述控制器的所述非暂时性存储器中的可执行指令，所述可执行指令在被执行时使所述控制器：从被配置为监测发动机操作参数的一个或多个发动机传感器并且从所述一个或多个排气传感器获取测量结果，以验证所述机器学习模型的训练。在任选地包括所述第一示例的所述系统的第二示例中，所述一个或多个发动机操作参数包括发动机温度、发动机rpm、充入空气质量、燃料质量和发动机负载中的一者或多者。在任选地包括第一示例和第二示例中的一者或两者的所述系统的第三示例中，来自所述nox传感器的所述测量结果包括对应于nox和nh3的浓度之和的第一数据集，对应于二元o2信号的第二数据集和对应于线性o2信号的第三数据集，并且其中所述第二数据集与来自所述一个或多个排气传感器中的hego传感器的信号相关，并且所述第三数据集与来自所述一个或多个排气传感器中的uego传感器的信号相关。在任选地包括第一示例至第三示例中的一者或多者或每一者的所述系统的第四示例中，所述排气成分是co和碳氢化合物中的一者或多者。
[0039]
本公开还提供了对一种用于实时预测排放物的方法的支持，所述方法包括：从一个或多个排气传感器获得测量结果，所述一个或多个排气传感器包括uego传感器、hego传感器和nox传感器，将系数、权重、节点和超参数中的一者或多者应用于所述测量结果以通过将所述测量结果输入到被训练以生成至少一种排气成分的预测实时排放的机器学习模型中来确定与排气中的所述至少一种排气成分的浓度和氢浓度的和成比例的值，以及基于
所述至少一种排气成分的所述预测实时排放来调整发动机操作，以将所述排气中的所述至少一种排气成分的实际浓度维持在阈值水平以下。在所述方法的第一示例中，所述方法还包括：收集来自一个或多个发动机传感器的数据输出，所述一个或多个发动机传感器监测发动机操作参数，并且将所述数据输出输入到所述机器学习模型以获得所述至少一种排气成分的所述预测实时排放。在任选地包括第一示例的所述方法的第二示例中，通过生成特征时间迹线来训练所述机器学习模型，其中生成所述特征时间迹线包括应用特征工程来生成所述特征时间迹线，并且其中应用所述特征工程包括归一化数据、添加时间滞后特征、添加用于减速燃料切断事件的标志和应用催化剂氧存储模型中的一者或多者。在任选地包括第一示例和第二示例中的一者或两者的所述方法的第三示例中，调整所述发动机操作以将所述排气中的所述至少一种排气成分的所述实际浓度维持在所述阈值水平以下包括将所述至少一种排气成分的所述预测实时排放维持在600mg/km以下。
[0040]
应当注意，本文所包括的示例性控制和估计程序可与各种发动机和/或车辆系统配置一起使用。本文所公开的控制方法和程序可作为可执行指令存储在非暂时性存储器中，并且可由包括控制器的控制系统结合各种传感器、致动器和其他发动机硬件来执行。本文所述的具体程序可表示任何数量的处理策略(诸如事件驱动的、中断驱动的、多任务、多线程等)中的一者或多者。为此，示出的各种动作、操作和/或功能可按示出的顺序执行、并行执行，或者在一些情况下被省略。同样，处理顺序不一定是实现本文描述的示例性实施例的特征和优点所必需的，而是为了便于说明和描述而提供。可根据所使用的特定策略而重复地执行示出的动作、操作和/或功能中的一者或多者。另外，所描述的动作、操作和/或功能可图形地表示将被编程到发动机控制系统中的计算机可读存储介质的非暂时性存储器中的代码，其中所描述的动作通过结合电子控制器在包括各种发动机硬件部件的系统中执行指令来实施。
[0041]
应当理解，本文中公开的配置和程序本质上是示例性的，并且这些特定的实施例不应被视为具有限制意义，因为众多变化是可能的。例如，以上技术可应用于v型6缸、直列4缸、直列6缸、v型12缸、对置4缸和其他发动机类型。此外，除非明确地相反指出，否则术语“第一”、“第二”、“第三”等不意图表示任何顺序、位置、数量或重要性，而是仅用作标记以区分一个元件与另一个元件。本公开的主题包括本文公开的各种系统和配置以及其他特征、功能和/或性质的所有新颖且非显而易见的组合和子组合。
[0042]
如本文所使用，除非另有指定，否则术语“约”被解释为表示所述范围的
±
5％。
[0043]
所附权利要求特别地指出被视为新颖且非显而易见的某些组合和子组合。这些权利要求可指代“一个”要素或“第一”要素或其等同物。这些权利要求应理解为包括一个或多个此类要素的结合，既不要求也不排除两个或更多个此类要素。所公开特征、功能、元件和/或性质的其他组合和子组合可通过修正本权利要求或通过在此申请或相关申请中呈现新的权利要求来要求保护。此类权利要求与原始权利要求相比无论在范围上更宽、更窄、等同或不同，也都被视为包括在本公开的主题内。

技术特征：
1.一种用于车辆的方法，其包括：从所述车辆的至少一个排气排放传感器获取测量结果，所述至少一个排气排放传感器被定位成测量所述车辆的排气中的no
x
、nh3和o2水平中的一者或多者；将来自所述至少一个排气排放传感器的所述测量结果输入到被训练以输出至少一种排气成分的预测实时量的机器学习模型中，所述至少一种排气成分包括co和/或碳氢化合物；以及基于所述至少一种排气成分的所述预测实时量来调整和评估排放后处理系统的操作。2.如权利要求1所述的方法，其中用训练数据来训练所述机器学习模型，所述训练数据包括来自所述至少一个排气排放传感器的多个训练测量结果和所述至少一种排气成分的多个对应训练测量结果，并且其中来自所述至少一个排气排放传感器的所述多个训练测量结果包括表示所述排气中的no
x
和nh3浓度和/或氧气浓度之和的信号，并且所述方法还包括经由所述机器学习模型将系数、权重、节点和超参数中的一者或多者应用于从所述至少一个排气排放传感器输入的所述测量结果，以输出所述至少一种排气成分的所述预测实时量。3.如权利要求2所述的方法，其中从在浓、稀和化学计量燃烧条件下操作的一个或多个训练车辆的排气收集所述训练数据。4.如权利要求1所述的方法，其中基于所述至少一种排气成分的所述预测实时量来调整所述排放后处理系统的所述操作包括在不依赖于测量所述排气的所述至少一种排气成分的实际量的传感器的情况下调整所述操作。5.如权利要求1所述的方法，其还包括调整发动机操作以将所述排气中的所述至少一种排气成分的实际浓度维持在阈值水平以下，并且其中维持所述至少一种排气成分的所述实际浓度包括将所述至少一种排气成分的预测实时排放维持在600mg/km以下。6.如权利要求1所述的方法，其中从所述至少一个排气排放传感器获取所述测量结果包括获得表示所述排气中的氨浓度的信号，并且从所述至少一个排气排放传感器的总线性氧信号中减去表示所述氨浓度的所述信号，并且其中从所述总线性氧信号中减去表示所述氨浓度的所述信号包括生成表示所述排气中的co浓度、氢浓度和碳氢化合物浓度的第一和的第一值。7.如权利要求1所述的方法，其还包括除了来自所述至少一个排气排放传感器的所述测量结果之外，还将来自监测所述车辆的发动机操作参数的传感器的测量结果输入到所述机器学习模型，以输出预测实时co浓度，并且其中所述至少一个排气排放传感器包括uego传感器、hego传感器和no
x
传感器中的一者或多者。8.如权利要求3所述的方法，其中所述机器学习模型的训练包括基于来自所述至少一个排气排放传感器的所述多个训练测量结果来生成特征时间迹线，训练来自附加的排气排放传感器的测量结果，并且训练来自监测训练车辆的发动机操作参数的传感器的测量结果，并且基于所述至少一种排气成分的所述多个训练测量结果生成目标时间迹线，并且其中在共同的持续时间内获取所述特征时间迹线和所述目标时间迹线，其中生成所述特征时间迹线包括应用特征工程以生成所述特征时间迹线，并且其中应用所述特征工程包括归一化数据、添加时间滞后特征、添加用于减速燃料切断事件的标志以及应用催化剂氧存储模型中的一者或多者。
9.如权利要求8所述的方法，其中所述机器学习模型的所述训练包括将所述共同的持续时间内的所述特征时间迹线与所述目标时间迹线对准，并且使来自所述目标时间迹线的所述至少一种排气成分的所述多个训练测量结果的变化与来自所述至少一个排气排放传感器、所述附加的排气排放传感器和监测所述训练车辆的所述发动机操作参数的所述传感器的所述多个训练测量结果的变化相关。10.如权利要求1所述的方法，其中评估所述排放后处理系统的所述操作包括诊断所述排放后处理系统的状况，并且如果所述排放后处理系统被认为是劣化的，则激活故障指示灯。11.如权利要求1所述的方法，其还包括使用所述机器学习模型来实时地预测整个车队中的所述至少一种排气成分的排放，并且其中在所述整个车队中使用所述机器学习模型包括通信地链接所述车队以监测所述至少一种排气成分的车队规模排放。12.一种发动机的排气后处理系统，其包括：排气尾管；一个或多个排气后处理装置，所述一个或多个排气后处理装置沿着所述排气尾管布置；一个或多个排气传感器，所述一个或多个排气传感器定位在所述排气尾管中，所述一个或多个排气传感器包括no
x
传感器；以及控制器，所述控制器被配置有存储在非暂时性存储器中的可执行指令，所述可执行指令在被执行时使所述控制器：从所述no
x
传感器获取测量结果；将所述测量结果输入到被训练以输出排气中的排气成分的预测实时浓度的机器学习模型中；并且基于所述排气成分的所述预测实时浓度来调整一个或多个发动机操作参数，以将所述排气的实际排气成分浓度维持在阈值浓度以下。13.如权利要求12所述的排气后处理系统，其还包括存储在所述控制器的所述非暂时性存储器中的可执行指令，所述可执行指令在被执行时使所述控制器：从被配置为监测发动机操作参数的一个或多个发动机传感器并且从所述一个或多个排气传感器获取测量结果以验证所述机器学习模型的训练。14.如权利要求12所述的排气后处理系统，其中所述一个或多个发动机操作参数包括发动机温度、发动机rpm、充入空气质量、燃料质量和发动机负载中的一者或多者，并且其中所述排气成分是co和碳氢化合物中的一者或多者。15.如权利要求12所述的排气后处理系统，其中来自所述no
x
传感器的所述测量结果包括对应于no
x
和nh3的浓度之和的第一数据集，对应于二元o2信号的第二数据集和对应于线性o2信号的第三数据集，并且其中所述第二数据集与来自所述一个或多个排气传感器中的hego传感器的信号相关，并且所述第三数据集与来自所述一个或多个排气传感器中的uego传感器的信号相关。

技术总结
本公开提供了“用于估计排放物的系统和方法”。提供了用于车辆的方法和系统。在一个示例中，一种方法可包括从所述车辆的至少一个排气排放传感器获取测量结果，所述排气排放传感器被定位成测量所述车辆的排气中的NO


技术研发人员：N
受保护的技术使用者：福特全球技术公司
技术研发日：2023.03.10
技术公布日：2023/9/25