机油消耗量的监测方法、监测装置和电子装置与流程

1.本技术涉及车辆的机油监测领域，具体而言，涉及一种机油消耗量的监测方法、监测装置、计算机可读存储介质和电子装置。


背景技术：

2.车辆机油消耗量与发动机的转速、扭矩等参数相关，且机油在燃烧过程中会产生灰分颗粒，灰分颗粒是颗粒过滤器(dpf)中拦截的发动机排气中的一种固体颗粒，无法被氧化转换为气态，其主要来源于机油中的添加剂，由机油的添加剂灰分占比可以间接计算出机油消耗量。
3.车辆的机油消耗量是监控车辆性能的重要参数。在车辆发动机台架试验的运行阶段，只能通过试验的方式获取当前发动机参数情况下的机油消耗量，而不能对机油消耗量进行实时监测与预警。
4.因此，需要一种能够对机油的消耗量进行实时监测与预警的方法。


技术实现要素：

5.本技术的主要目的在于提供一种机油消耗量的监测方法、监测装置、计算机可读存储介质和电子装置，以至少解决现有技术中无法对机油消耗量进行实时监测的问题。
6.为了实现上述目的，根据本技术的一个方面，提供了一种机油消耗量的监测方法，包括：获取发动机参数，将所述发动机参数输入第一数据驱动模型，获取所述第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，所述发动机参数至少包括发动机转速、发动机扭矩和机油温度，所述第一数据驱动模型用于根据所述发动机参数预测并输出所述机油消耗量；获取颗粒过滤器的压差参数，将所述压差参数输入第二数据驱动模型，获取所述第二数据驱动模型输出的结果，得到灰分载量，其中，所述压差参数为所述颗粒过滤器的入口端与出口端的压力差值，所述灰分载量为所述颗粒过滤器中灰分的含量，所述第二数据驱动模型用于根据所述压差参数预测并输出所述灰分载量；计算所述灰分载量对应的机油消耗量，得到测量机油消耗量，计算所述预测机油消耗量与所述测量机油消耗量的差值，得到机油消耗量差值，在所述机油消耗量差值大于预设阈值的情况下，输出异常警告信号，其中，所述异常警告信号表示机油消耗量存在异常。
7.可选地，在获取发动机参数之前，还包括：建立所述第一数据驱动模型，并获取第一训练数据组，其中，所述第一训练数据组包括多组第一训练数据，每组所述第一训练数据包括一个历史发动机参数以及与所述历史发动机参数对应的历史机油消耗量；将多组所述历史发动机参数作为所述第一数据驱动模型的输入参数，将每组所述历史发动机参数对应的所述历史机油消耗量作为所述第一数据驱动模型的输出参数，训练所述第一数据驱动模型。
8.可选地，在获取颗粒过滤器的压差参数之前，还包括：建立所述第二数据驱动模型，并获取第二训练数据组，其中，所述第二训练数据组包括多组第二训练数据，每组所述
第二训练数据包括一个历史压差参数以及与所述历史压差参数对应的历史灰分载量；将多个所述历史压差参数作为所述第二数据驱动模型的输入参数，将多个所述历史压差参数对应的历史灰分载量作为所述第二数据驱动模型的输出参数，训练所述第二数据驱动模型。
9.可选地，在将所述发动机参数输入第一数据驱动模型和将所述压差参数输入第二数据驱动模型之前，还包括：将所述发动机参数和所述压差参数进行数据预处理，其中，所述数据预处理的步骤至少包括数据融合和数据清洗。
10.可选地，上述方法还包括：在所述机油消耗量差值小于或者等于所述预设阈值的情况下，将所述发动机参数和对应的所述预测机油消耗量加入至第一训练数据组,其中，所述第一训练数据组包括多组第一训练数据，每组所述第一训练数据包括一个历史发动机参数以及与所述历史发动机参数对应的历史机油消耗量；将所述压差参数作为所述第二数据驱动模型的输入参数，将所述灰分载量作为所述第二数据驱动模型的输出参数，对所述第二数据驱动模型进行训练。
11.可选地，上述方法还包括：在所述机油消耗量差值小于或者等于所述预设阈值的情况下，将所述压差参数和对应的所述灰分载量加入至第二训练数据组,其中，所述第二训练数据组包括多组第二训练数据，每组所述第二训练数据包括一个历史压差参数以及与所述历史压差参数对应的历史灰分载量。
12.可选地，上述方法还包括：在计算所述灰分载量对应的测量机油消耗量之后，还包括：将所述预测机油消耗量与所述测量机油消耗量输出并在显示屏进行显示。
13.根据本技术的另一方面，提供了一种机油消耗量的监测装置，包括：第一获取单元，用于获取发动机参数，将所述发动机参数输入第一数据驱动模型，获取所述第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，所述发动机参数至少包括发动机转速、发动机扭矩和机油温度，所述第一数据驱动模型用于根据所述发动机参数预测并输出所述机油消耗量；第二获取单元，用于获取颗粒过滤器的压差参数，将所述压差参数输入第二数据驱动模型，获取所述第二数据驱动模型输出的结果，得到灰分载量，其中，所述压差参数为所述颗粒过滤器的入口端与出口端的压力差值，所述灰分载量为所述颗粒过滤器中灰分的含量，所述第二数据驱动模型用于根据所述压差参数预测并输出所述灰分载量；输出单元，用于计算所述灰分载量对应的机油消耗量，得到测量机油消耗量，计算所述预测机油消耗量与所述测量机油消耗量的差值，得到机油消耗量差值，在所述机油消耗量差值大于预设阈值的情况下，输出异常警告信号，其中，所述异常警告信号表示机油消耗量存在异常。
14.根据本技术的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一种所述的监测方法。
15.根据本技术的又一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行上述任意一种所述的监测方法。
16.应用本技术的技术方案，预先建立第一数据驱动模型和第二数据驱动模型，首先获取发动机参数，将发动机参数输入预先建立的第一数据驱动模型，获取第一数据驱动模型输出机油消耗量，得到预测机油消耗量，之后获取压差参数，将压差参数输入第二数据驱
动模型，获取第二数据驱动模型输出的结果，得到灰分载量，根据灰分载量计算得到测量机油消耗量，计算上述预测机油消耗量与测量机油消耗量的差值，得到机油消耗量差值，比较上述机油消耗量差值是否小于预设阈值，在上述机油消耗量差值小于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之内，机油消耗量正常，在上述机油消耗量差值大于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之外，机油消耗量异常，输出异常警告信号。与现有技术中，只能通过台架测试的方式获取特定转速以及扭矩等情况下的机油消耗量，无法对机油的消耗量进行实时监测的方法相比，本技术能够实时获取预测机油的消耗量与测量机油消耗量，并根据机油消耗量差值确定机油消耗是否存在异常，因此，可以解决现有技术无法对机油消耗量进行实时监测的问题，达到对车辆的机油消耗量进行实时监测的目的。
附图说明
17.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1示出了本技术的实施例提供的一种执行机油消耗量的监测方法的移动终端的硬件结构框图；
19.图2示出了本技术的实施例提供的一种机油消耗量的监测方法的流程示意图；
20.图3示出了本技术的实施例提供的一种具体的机油消耗量的监测方法流程示意图；
21.图4示出了本技术的实施例提供的一种具体的机油消耗量的监测方法中数据驱动模型示意图；
22.图5示出了本技术的实施例提供的一种机油消耗量的监测装置的结构框图。
23.其中，上述附图包括以下附图标记：
24.102、处理器；104、存储器；106、传输设备；108、输入输出设备。
具体实施方式
25.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
26.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，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，都应当属于本技术保护的范围。
27.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
28.为了便于描述，以下对本技术实施例涉及的部分名词或术语进行说明：
29.数据驱动模型：基于传感器采集数据进行数学模型训练并对发动机性能进行预测的方法。
30.灰分：dpf中拦截的发动机排气中的一种固体颗粒，无法被氧化转换为气态，主要来源于机油中的添加剂，由机油的添加剂灰分占比可以计算出机油消耗量与生成灰分的关系。
31.dpf压差：dpf入口端和出口端的压力差，主要受dpf中拦截的颗粒数量影响。
32.数据融合分析方法：数据融合是一种贴近原始发动机数据的融合层次，可以有效消除数据中的冗余信息，去除异常信息和噪声，为下一层特征提取提供信息基础。
33.自学习：数据驱动模型通过测试数据或者传感器数据对模型参数进行自动标定。
34.正如背景技术中所介绍的，现有技术中无法对机油消耗量进行实时监测，为解决无法对机油消耗量进行实时监测的问题，本技术的实施例提供了一种机油消耗量的监测方法、监测装置、计算机可读存储介质和电子装置。
35.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
36.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种机油消耗量的监测方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
37.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的机油消耗量的监测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
38.在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的机油消耗量的监测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
39.图2是根据本技术实施例的一种机油消耗量的监测方法的流程图。如图2所示，该方法包括以下步骤：
40.步骤s201，获取发动机参数，将上述发动机参数输入第一数据驱动模型，获取上述第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，上述发动机参数至少包括发动机转速、发动机扭矩和机油温度，上述第一数据驱动模型用于根据上述发动机参数预测并输出上述机油消耗量；
41.具体地，车辆的发动机在运行的过程中，发动机在不同转速以及扭矩情况下都有其对应的机油消耗量，容易想到的是，发动机的转速和扭矩越大，机油的消耗量越多，上述机油消耗量的监测方法是基于数据驱动的机油消耗量监测方法。首先通过多次台架试验的方式获取多组发动机参数和对应的机油消耗量，建立第一数据驱动模型，并给予发动机参数和对应的机油消耗量对第一数据驱动模型进行训练，在上述模型训练完成之后，投入使用的过程中，即可将当前发动机的参数输入至第一数据训练模型，训练之后的第一数据驱动模型基于当前发动机参数对机油消耗量进行预测，输出预测结果，得到预测机油消耗量。
42.步骤s202，获取颗粒过滤器的压差参数，将上述压差参数输入第二数据驱动模型，获取上述第二数据驱动模型输出的结果，得到灰分载量，其中，上述压差参数为上述颗粒过滤器的入口端与出口端的压力差值，上述灰分载量为上述颗粒过滤器中灰分的含量，上述第二数据驱动模型用于根据上述压差参数预测并输出上述灰分载量；
43.具体地，机油在燃烧的过程中会产生一种固体颗粒，无法被氧化转换为气态，其主要来源于机油中的添加剂，称为灰分，机油的消耗量与灰分的含量也存在对应关系，机油消耗量越大，灰分含量越大，灰分的含量称为灰分载量。发动机通常设置有颗粒过滤器(dpf)，用于过滤上述灰分的含量，dpf有入口端和出口端，且其入口端与出口端存在压差，因此，通过dpf的压差参数以及与压差参数对应的灰分载量，建立第二数据驱动模型并训练，在模型训练完成之后，投入使用的过程中，获取当前的压差参数，将当前的额压差参数输入至第二数据驱动模型以预测当前压差参数对应的灰分载量，由灰分载量可以进一步计算得到机油消耗量，即测量机油消耗量。
44.步骤s203，计算上述灰分载量对应的机油消耗量，得到测量机油消耗量，计算上述预测机油消耗量与上述测量机油消耗量的差值，得到机油消耗量差值，在上述机油消耗量差值大于预设阈值的情况下，输出异常警告信号，其中，上述异常警告信号表示机油消耗量存在异常。
45.具体地，第一数据驱动模型根据发动机的参数预测得到机油消耗量，第二数据驱动模型根据dpf压差参数预测得到灰分载量，并通过灰分载量计算得到测量机油消耗量，即根据机油消耗时的排放颗粒间接得到机油消耗量，在正常情况下，通过上述两个模型计算得到的机油消耗量应相等或者在一定的误差范围之内，因此，本技术预设阈值，计算上述预测机油消耗量和测量消耗量之间的差值并确定差值是否在预设阈值范围之内，上述差值不在预设阈值范围之内表明其中一个模型预测得到的机油的消耗量异常，进而说明发动机在特定转速情况下应该消耗的机油与实际消耗的机油差值较大，可能存在发动机异常等情况，输出异常警告信号并进行原因排查。
46.通过本实施例，可以预先建立第一数据驱动模型和第二数据驱动模型，首先获取发动机参数，将发动机参数输入预先建立的第一数据驱动模型，获取第一数据驱动模型输
出机油消耗量，得到预测机油消耗量，之后获取压差参数，将压差参数输入第二数据驱动模型，获取第二数据驱动模型输出的结果，得到灰分载量，根据灰分载量计算得到测量机油消耗量，计算上述预测机油消耗量与测量机油消耗量的差值，得到机油消耗量差值，比较上述机油消耗量差值是否小于预设阈值，在上述机油消耗量差值小于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之内，机油消耗量正常，在上述机油消耗量差值大于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之外，机油消耗量异常，输出异常警告信号。与现有技术中，只能通过台架测试的方式获取特定转速以及扭矩等情况下的机油消耗量，无法对机油的消耗量进行实时监测的方法相比，本技术能够实时获取预测机油的消耗量与测量机油消耗量，并根据机油消耗量差值确定机油消耗是否存在异常，因此，可以解决现有技术无法对机油消耗量进行实时监测的问题，达到对车辆的机油消耗量进行实时监测的目的。
47.具体实现过程中，上述方法在步骤s201之前还包括以下步骤：建立上述第一数据驱动模型，并获取第一训练数据组，其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将多组上述历史发动机参数作为上述第一数据驱动模型的输入参数，将每组上述历史发动机参数对应的上述历史机油消耗量作为上述第一数据驱动模型的输出参数，训练上述第一数据驱动模型。该方法通过获取得到的历史发动机参数和历史机油消耗量作为第一数据驱动模型的训练数据组，这样可以使第一数据驱动模型根据发动机参数准确地预测得到预测机油消耗量。
48.具体地，发动机参数包括发动机以及关键零部件的设计相关参数，例如：缸径、行程、设计爆压、额定转速、大扭矩转速、额定功率以及活塞与缸套表面物化性质。通过相关传感器获得发动机运行工况的缸压、机油温度、转速、扭矩等参数，然后通过实时机油消耗量采集设备获得发动机在每组发动机参数情况下的实时机油消耗量，将每组发动机参数与对应的实时机油消耗量作为第一训练数据组进行第一数据驱动模型的训练，第一数据驱动模型可以为神经网络模型，神经网络模型具体可以包括输入层、隐含层和输出层，需要说明的是，本技术并不对上述第一数据驱动模型的表示形式进行具体限制。
49.为了使第二数据驱动模型能够根据压差参数准确地预测得到测量机油消耗量，本技术在步骤s201之前还包括以下步骤：建立上述第二数据驱动模型，并获取第二训练数据组，其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量；将多个上述历史压差参数作为上述第二数据驱动模型的输入参数，将多个上述历史压差参数对应的历史灰分载量作为上述第二数据驱动模型的输出参数，训练上述第二数据驱动模型。
50.具体地，通过压差传感器获得dpf压差参数，通过称重法获得dpf内的灰分载量，将每和dpf压差参数与对应的灰分载量作为第二训练数据组对第二数据驱动模型进行训练，第二数据驱动模型也可以为神经网络模型，神经网络模型具体可以包括输入层、隐含层和输出层，需要说明的是，本技术并不对上述第二数据驱动模型的表示形式进行具体限制。
51.上述步骤s201和s202还包括以下步骤：将上述发动机参数和上述压差参数进行数据预处理，其中，上述数据预处理的步骤至少包括数据融合和数据清洗。该方法在将第一训练数据组输入第一数据驱动模型和将第二训练数据组输入第二数据驱动模型进行训练之
前，首先对第一训练数据组和第二训练数据组进行预处理，这样可以保证训练得到的模型的准确性。
52.在一些可选的实施方式中，上述方法设置有数据集成模块，将传感器收集上述发动机参数、发动机参数对应的机油消耗量、压差参数以及压差参数对应的灰分载量导入数据集成模块，对数据进行整合分析，例如：数据融合、数据清洗和数据滤波等。
53.为了进一步提高第一数据驱动模型的预测精度，在一些实施例上，上述方法还可以通过以下步骤实现：在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述发动机参数和对应的上述预测机油消耗量加入至第一训练数据组,其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将上述压差参数作为上述第二数据驱动模型的输入参数，将上述灰分载量作为上述第二数据驱动模型的输出参数，对上述第二数据驱动模型进行训练。这样可以将预测准确的历史数据作为训练数据组中的数据对第一数据驱动模型进行训练，提高模型的预测精度。
54.具体地，在一些可选的实施方式中，数据驱动模型中设有自动学习模块，用于数据驱动模型的自动学习，以不断提升模型的预测精度。将此时的发动机参数、机油消耗量加入到数据驱动模型的自动学习模块中，实现数据驱动模型的自学习功能。自动学习模块根据实时的发动机参数产生新数据对数据进行滚动训练，提升第一数据驱动模型计算的精确度。
55.在一些实施例上，上述方法还可以通过以下步骤实现：在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述压差参数和对应的上述灰分载量加入至第二训练数据组,其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量。该方法将预测准确的历史数据作为训练数据组中的数据对第二数据驱动模型进行训练，提高第二数据驱动模型的预测精度。
56.具体地，将此时的dpf压差参数、灰分量加入到数据驱动模型的自动学习模块中，实现数据驱动模型的自学习功能。自动学习模块根据实时的发动机参数产生新数据对数据进行滚动训练，提升第二数据驱动模型计算的精确度。
57.为了将机油消耗量的监测结果可视化，在一些实施例上，上述方法还包括以下步骤：将上述预测机油消耗量与上述测量机油消耗量输出并在显示屏进行显示。
58.具体地，在通过两个数据驱动模型进行预测之后，将两组预测结果输入到中控显示屏进行显示，工作人员可以根据中控显示屏的结果实时了解机油的消耗量，并在输出异常警示信号的情况下，进一步对异常原因进行排查，以确保车辆发动机的安全。
59.为了使得本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例对本技术的机油消耗量的监测方法的实现过程进行详细说明。
60.本实施例涉及一种具体的机油消耗量的监测方法，如图3至图4所示，包括如下步骤：
61.步骤s1：图3为本技术的一种具体的机油消耗量的监测方法的流程示意图，如图3所示，采集发动机数据，获取发动机参数和dpf压差参数，其中，发动机参数包括发动机活塞、缸套参数、缸压曲线、转速、扭矩等；
62.步骤s2：将上述发动机参数和dpf压差参数输入数据集成模块，对数据进行预处理，预处理的步骤包括数据清洗、数据融合等；
63.步骤s3：将经过预处理的发动机参数输入第一数据驱动模型(数据驱动模型1)，将经过预处理的dpf压差参数输入第二数据驱动模型(数据驱动模型2)数据驱动模型如图4所示，包括输入层、隐含层和输出层，输入层的参数表示为x0、x1、
…
xn，v0、v1、
…
、vn表示上述输入参数对应的权重参数，隐含层的参数表示为b0、b1、
…
、bn，w0、w1、
…
、wn表示上述隐含层的参数对应的权重参数，输出层的参数表示为y0、y1、
…
yn；
64.步骤s4：获取第一数据驱动模型(数据驱动模型1)输出的时序机油耗模型累积值(预测机油消耗量)，获取第二数据驱动模型(数据驱动模型2)输出的当前dpf积灰量(灰载量)，并根据机油中灰分占比计算出机油耗模型测量值(测量机油消耗量)；
65.步骤s5：计算上述预测机油消耗量与测量机油消耗量的差值，在上述差值超出偏差阈值(预设阈值)的情况下，输出机油消耗异常告警(异常警告信号)；
66.步骤s6：在上述差值未超出偏差阈值(预设阈值)的情况下，将发动机参数、对应的预测机油消耗量以及压差参数、对应的测量机油消耗量输入至数据集成模块，在进行预处理之后，用于数据驱动模型的训练，以提高数据驱动模型的预测精度。
67.本技术实施例还提供了一种机油消耗量的监测装置，需要说明的是，本技术实施例的机油消耗量的监测装置可以用于执行本技术实施例所提供的用于机油消耗量的监测方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
68.以下对本技术实施例提供的机油消耗量的监测装置进行介绍。
69.图5是根据本技术实施例的机油消耗量的监测装置的示意图。如图5所示，该装置包括：
70.第一获取单元10，用于获取发动机参数，将上述发动机参数输入第一数据驱动模型，获取上述第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，上述发动机参数至少包括发动机转速、发动机扭矩和机油温度，上述第一数据驱动模型用于根据上述发动机参数预测并输出上述机油消耗量；
71.具体地，车辆的发动机在运行的过程中，发动机在不同转速以及扭矩情况下都有其对应的机油消耗量，容易想到的是，发动机的转速和扭矩越大，机油的消耗量越多，上述机油消耗量的监测方法是基于数据驱动的机油消耗量监测方法。首先通过多次台架试验的方式获取多组发动机参数和对应的机油消耗量，建立第一数据驱动模型，并给予发动机参数和对应的机油消耗量对第一数据驱动模型进行训练，在上述模型训练完成之后，投入使用的过程中，即可将当前发动机的参数输入至第一数据训练模型，训练之后的第一数据驱动模型基于当前发动机参数对机油消耗量进行预测，输出预测结果，得到预测机油消耗量。
72.第二获取单元20，用于获取颗粒过滤器的压差参数，将上述压差参数输入第二数据驱动模型，获取上述第二数据驱动模型输出的结果，得到灰分载量，其中，上述压差参数为上述颗粒过滤器的入口端与出口端的压力差值，上述灰分载量为上述颗粒过滤器中灰分的含量，上述第二数据驱动模型用于根据上述压差参数预测并输出上述灰分载量；
73.具体地，机油在燃烧的过程中会产生一种固体颗粒，无法被氧化转换为气态，其主
要来源于机油中的添加剂，称为灰分，机油的消耗量与灰分的含量也存在对应关系，机油消耗量越大，灰分含量越大，灰分的含量称为灰分载量。发动机通常设置有颗粒过滤器(dpf)，用于过滤上述灰分的含量，dpf有入口端和出口端，且其入口端与出口端存在压差，因此，通过dpf的压差参数以及与压差参数对应的灰分载量，建立第二数据驱动模型并训练，在模型训练完成之后，投入使用的过程中，获取当前的压差参数，将当前的额压差参数输入至第二数据驱动模型以预测当前压差参数对应的灰分载量，由灰分载量可以进一步计算得到机油消耗量，即测量机油消耗量。
74.输出单元30，用于计算上述灰分载量对应的机油消耗量，得到测量机油消耗量，计算上述预测机油消耗量与上述测量机油消耗量的差值，得到机油消耗量差值，在上述机油消耗量差值大于预设阈值的情况下，输出异常警告信号，其中，上述异常警告信号表示机油消耗量存在异常。
75.具体地，第一数据驱动模型根据发动机的参数预测得到机油消耗量，第二数据驱动模型根据dpf压差参数预测得到灰分载量，并通过灰分载量计算得到测量机油消耗量，即根据机油消耗时的排放颗粒间接得到机油消耗量，在正常情况下，通过上述两个模型计算得到的机油消耗量应相等或者在一定的误差范围之内，因此，本技术预设阈值，计算上述预测机油消耗量和测量消耗量之间的差值并确定差值是否在预设阈值范围之内，上述差值不在预设阈值范围之内表明其中一个模型预测得到的机油的消耗量异常，进而说明发动机在特定转速情况下应该消耗的机油与实际消耗的机油差值较大，可能存在发动机异常等情况，输出异常警告信号并进行原因排查。
76.通过本实施例，预先建立第一数据驱动模型和第二数据驱动模型，首先获取发动机参数，将发动机参数输入预先建立的第一数据驱动模型，获取第一数据驱动模型输出机油消耗量，得到预测机油消耗量，之后获取压差参数，将压差参数输入第二数据驱动模型，获取第二数据驱动模型输出的结果，得到灰分载量，根据灰分载量计算得到测量机油消耗量，计算上述预测机油消耗量与测量机油消耗量的差值，得到机油消耗量差值，比较上述机油消耗量差值是否小于预设阈值，在上述机油消耗量差值小于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之内，机油消耗量正常，在上述机油消耗量差值大于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之外，机油消耗量异常，输出异常警告信号。与现有技术中，只能通过台架测试的方式获取特定转速以及扭矩等情况下的机油消耗量，无法对机油的消耗量进行实时监测的方法相比，本技术能够实时获取预测机油的消耗量与测量机油消耗量，并根据机油消耗量差值确定机油消耗是否存在异常，因此，可以解决现有技术无法对机油消耗量进行实时监测的问题，达到对车辆的机油消耗量进行实时监测的目的。
77.作为一种可选的方案，具体实现过程中，第一获取单元包括获取模块和训练模块，其中，获取模块用于建立上述第一数据驱动模型，并获取第一训练数据组，其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；训练模块用于将多组上述历史发动机参数作为上述第一数据驱动模型的输入参数，将每组上述历史发动机参数对应的上述历史机油消耗量作为上述第一数据驱动模型的输出参数，训练上述第一数据驱动模型。该方法通过获取得到的历史发动机参数和历史机油消耗量作为第一数据驱动模型的训练数据组，这样
可以使第一数据驱动模型根据发动机参数准确地预测得到预测机油消耗量。
78.具体地，发动机参数包括发动机以及关键零部件的设计相关参数，例如：缸径、行程、设计爆压、额定转速、大扭矩转速、额定功率以及活塞与缸套表面物化性质。通过相关传感器获得发动机运行工况的缸压、机油温度、转速、扭矩等参数，然后通过实时机油消耗量采集设备获得发动机在每组发动机参数情况下的实时机油消耗量，将每组发动机参数与对应的实时机油消耗量作为第一训练数据组进行第一数据驱动模型的训练，第一数据驱动模型可以为神经网络模型，神经网络模型具体可以包括输入层、隐含层和输出层，需要说明的是，本技术并不对上述第一数据驱动模型的表示形式进行具体限制。
79.为了使第二数据驱动模型能够根据压差参数准确地预测得到测量机油消耗量，第二获取单元包括获取模块和训练模块，其中，获取模块用于建立上述第二数据驱动模型，并获取第二训练数据组，其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量；训练模块用于将多个上述历史压差参数作为上述第二数据驱动模型的输入参数，将多个上述历史压差参数对应的历史灰分载量作为上述第二数据驱动模型的输出参数，训练上述第二数据驱动模型。
80.具体地，通过压差传感器获得dpf压差参数，通过称重法获得dpf内的灰分载量，将每和dpf压差参数与对应的灰分载量作为第二训练数据组对第二数据驱动模型进行训练，第二数据驱动模型也可以为神经网络模型，神经网络模型具体可以包括输入层、隐含层和输出层，需要说明的是，本技术并不对上述第二数据驱动模型的表示形式进行具体限制。
81.上述装置还包括执行单元，用于将上述发动机参数和上述压差参数进行数据预处理，其中，上述数据预处理的步骤至少包括数据融合和数据清洗。该方法在将第一训练数据组输入第一数据驱动模型和将第二训练数据组输入第二数据驱动模型进行训练之前，首先对第一训练数据组和第二训练数据组进行预处理，这样可以保证训练得到的模型的准确性。
82.在一些可选的实施方式中，上述方法设置有数据集成模块，将传感器收集上述发动机参数、发动机参数对应的机油消耗量、压差参数以及压差参数对应的灰分载量导入数据集成模块，对数据进行整合分析，例如：数据融合、数据清洗和数据滤波等。
83.为了进一步提高第一数据驱动模型的预测精度，在一些实施例上，上述方法还包括第一加入单元，用于在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述发动机参数和对应的上述预测机油消耗量加入至第一训练数据组,其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将上述压差参数作为上述第二数据驱动模型的输入参数，将上述灰分载量作为上述第二数据驱动模型的输出参数，对上述第二数据驱动模型进行训练。这样可以将预测准确的历史数据作为训练数据组中的数据对第一数据驱动模型进行训练，提高模型的预测精度。
84.具体地，在一些可选的实施方式中，数据驱动模型中设有自动学习模块，用于数据驱动模型的自动学习，以不断提升模型的预测精度。将此时的发动机参数、机油消耗量加入到数据驱动模型的自动学习模块中，实现数据驱动模型的自学习功能。自动学习模块根据实时的发动机参数产生新数据对数据进行滚动训练，提升第一数据驱动模型计算的精确
度。
85.在一些实施例上，上述装置还包括第二加入单元，用于在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述压差参数和对应的上述灰分载量加入至第二训练数据组,其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量。该方法将预测准确的历史数据作为训练数据组中的数据对第二数据驱动模型进行训练，提高第二数据驱动模型的预测精度。
86.具体地，将此时的dpf压差参数、灰分量加入到数据驱动模型的自动学习模块中，实现数据驱动模型的自学习功能。自动学习模块根据实时的发动机参数产生新数据对数据进行滚动训练，提升第二数据驱动模型计算的精确度。
87.为了将机油消耗量的监测结果可视化，在一些实施例上，上述装置还包括输出单元，用于将上述预测机油消耗量与上述测量机油消耗量输出并在显示屏进行显示。
88.具体地，在通过两个数据驱动模型进行预测之后，将两组预测结果输入到中控显示屏进行显示，工作人员可以根据中控显示屏的结果实时了解机油的消耗量，并在输出异常警示信号的情况下，进一步对异常原因进行排查，以确保车辆发动机的安全。
89.上述机油消耗量的监测装置包括处理器和存储器，上述第一获取单元、第二获取单元和输出单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
90.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来对车辆的机油消耗量进行实时监测。
91.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
92.本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述机油消耗量的监测方法。
93.具体地，机油消耗量的监测方法包括：
94.步骤s201，获取发动机参数，将上述发动机参数输入第一数据驱动模型，获取上述第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，上述发动机参数至少包括发动机转速、发动机扭矩和机油温度，上述第一数据驱动模型用于根据上述发动机参数预测并输出上述机油消耗量；
95.具体地，车辆的发动机在运行的过程中，发动机在不同转速以及扭矩情况下都有其对应的机油消耗量，容易想到的是，发动机的转速和扭矩越大，机油的消耗量越多，上述机油消耗量的监测方法是基于数据驱动的机油消耗量监测方法。首先通过多次台架试验的方式获取多组发动机参数和对应的机油消耗量，建立第一数据驱动模型，并给予发动机参数和对应的机油消耗量对第一数据驱动模型进行训练，在上述模型训练完成之后，投入使用的过程中，即可将当前发动机的参数输入至第一数据训练模型，训练之后的第一数据驱动模型基于当前发动机参数对机油消耗量进行预测，输出预测结果，得到预测机油消耗量。
96.步骤s202，获取颗粒过滤器的压差参数，将上述压差参数输入第二数据驱动模型，获取上述第二数据驱动模型输出的结果，得到灰分载量，其中，上述压差参数为上述颗粒过滤器的入口端与出口端的压力差值，上述灰分载量为上述颗粒过滤器中灰分的含量，上述第二数据驱动模型用于根据上述压差参数预测并输出上述灰分载量；
97.具体地，机油在燃烧的过程中会产生一种固体颗粒，无法被氧化转换为气态，其主要来源于机油中的添加剂，称为灰分，机油的消耗量与灰分的含量也存在对应关系，机油消耗量越大，灰分含量越大，灰分的含量称为灰分载量。发动机通常设置有颗粒过滤器(dpf)，用于过滤上述灰分的含量，dpf有入口端和出口端，且其入口端与出口端存在压差，因此，通过dpf的压差参数以及与压差参数对应的灰分载量，建立第二数据驱动模型并训练，在模型训练完成之后，投入使用的过程中，获取当前的压差参数，将当前的额压差参数输入至第二数据驱动模型以预测当前压差参数对应的灰分载量，由灰分载量可以进一步计算得到机油消耗量，即测量机油消耗量。
98.步骤s203，计算上述灰分载量对应的机油消耗量，得到测量机油消耗量，计算上述预测机油消耗量与上述测量机油消耗量的差值，得到机油消耗量差值，在上述机油消耗量差值大于预设阈值的情况下，输出异常警告信号，其中，上述异常警告信号表示机油消耗量存在异常。
99.具体地，第一数据驱动模型根据发动机的参数预测得到机油消耗量，第二数据驱动模型根据dpf压差参数预测得到灰分载量，并通过灰分载量计算得到测量机油消耗量，即根据机油消耗时的排放颗粒间接得到机油消耗量，在正常情况下，通过上述两个模型计算得到的机油消耗量应相等或者在一定的误差范围之内，因此，本技术预设阈值，计算上述预测机油消耗量和测量消耗量之间的差值并确定差值是否在预设阈值范围之内，上述差值不在预设阈值范围之内表明其中一个模型预测得到的机油的消耗量异常，进而说明发动机在特定转速情况下应该消耗的机油与实际消耗的机油差值较大，可能存在发动机异常等情况，输出异常警告信号并进行原因排查。
100.可选地，在获取发动机参数之前，还包括：建立上述第一数据驱动模型，并获取第一训练数据组，其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将多组上述历史发动机参数作为上述第一数据驱动模型的输入参数，将每组上述历史发动机参数对应的上述历史机油消耗量作为上述第一数据驱动模型的输出参数，训练上述第一数据驱动模型。
101.可选地，在获取颗粒过滤器的压差参数之前，还包括：建立上述第二数据驱动模型，并获取第二训练数据组，其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量；将多个上述历史压差参数作为上述第二数据驱动模型的输入参数，将多个上述历史压差参数对应的历史灰分载量作为上述第二数据驱动模型的输出参数，训练上述第二数据驱动模型。
102.可选地，在将上述发动机参数输入第一数据驱动模型和将上述压差参数输入第二数据驱动模型之前，还包括：将上述发动机参数和上述压差参数进行数据预处理，其中，上述数据预处理的步骤至少包括数据融合和数据清洗。
103.可选地，上述方法还包括：在上述机油消耗量差值小于或者等于上述预设阈值的
情况下，将上述发动机参数和对应的上述预测机油消耗量加入至第一训练数据组,其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将上述压差参数作为上述第二数据驱动模型的输入参数，将上述灰分载量作为上述第二数据驱动模型的输出参数，对上述第二数据驱动模型进行训练。
104.可选地，上述方法还包括：在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述压差参数和对应的上述灰分载量加入至第二训练数据组,其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量。
105.可选地，上述方法还包括：在计算上述灰分载量对应的测量机油消耗量之后，还包括：将上述预测机油消耗量与上述测量机油消耗量输出并在显示屏进行显示。
106.本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述机油消耗量的监测方法。
107.具体地，机油消耗量的监测方法包括：
108.步骤s201，获取发动机参数，将上述发动机参数输入第一数据驱动模型，获取上述第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，上述发动机参数至少包括发动机转速、发动机扭矩和机油温度，上述第一数据驱动模型用于根据上述发动机参数预测并输出上述机油消耗量；
109.具体地，车辆的发动机在运行的过程中，发动机在不同转速以及扭矩情况下都有其对应的机油消耗量，容易想到的是，发动机的转速和扭矩越大，机油的消耗量越多，上述机油消耗量的监测方法是基于数据驱动的机油消耗量监测方法。首先通过多次台架试验的方式获取多组发动机参数和对应的机油消耗量，建立第一数据驱动模型，并给予发动机参数和对应的机油消耗量对第一数据驱动模型进行训练，在上述模型训练完成之后，投入使用的过程中，即可将当前发动机的参数输入至第一数据训练模型，训练之后的第一数据驱动模型基于当前发动机参数对机油消耗量进行预测，输出预测结果，得到预测机油消耗量。
110.步骤s202，获取颗粒过滤器的压差参数，将上述压差参数输入第二数据驱动模型，获取上述第二数据驱动模型输出的结果，得到灰分载量，其中，上述压差参数为上述颗粒过滤器的入口端与出口端的压力差值，上述灰分载量为上述颗粒过滤器中灰分的含量，上述第二数据驱动模型用于根据上述压差参数预测并输出上述灰分载量；
111.具体地，机油在燃烧的过程中会产生一种固体颗粒，无法被氧化转换为气态，其主要来源于机油中的添加剂，称为灰分，机油的消耗量与灰分的含量也存在对应关系，机油消耗量越大，灰分含量越大，灰分的含量称为灰分载量。发动机通常设置有颗粒过滤器(dpf)，用于过滤上述灰分的含量，dpf有入口端和出口端，且其入口端与出口端存在压差，因此，通过dpf的压差参数以及与压差参数对应的灰分载量，建立第二数据驱动模型并训练，在模型训练完成之后，投入使用的过程中，获取当前的压差参数，将当前的额压差参数输入至第二数据驱动模型以预测当前压差参数对应的灰分载量，由灰分载量可以进一步计算得到机油消耗量，即测量机油消耗量。
112.步骤s203，计算上述灰分载量对应的机油消耗量，得到测量机油消耗量，计算上述预测机油消耗量与上述测量机油消耗量的差值，得到机油消耗量差值，在上述机油消耗量
差值大于预设阈值的情况下，输出异常警告信号，其中，上述异常警告信号表示机油消耗量存在异常。
113.具体地，第一数据驱动模型根据发动机的参数预测得到机油消耗量，第二数据驱动模型根据dpf压差参数预测得到灰分载量，并通过灰分载量计算得到测量机油消耗量，即根据机油消耗时的排放颗粒间接得到机油消耗量，在正常情况下，通过上述两个模型计算得到的机油消耗量应相等或者在一定的误差范围之内，因此，本技术预设阈值，计算上述预测机油消耗量和测量消耗量之间的差值并确定差值是否在预设阈值范围之内，上述差值不在预设阈值范围之内表明其中一个模型预测得到的机油的消耗量异常，进而说明发动机在特定转速情况下应该消耗的机油与实际消耗的机油差值较大，可能存在发动机异常等情况，输出异常警告信号并进行原因排查。
114.可选地，在获取发动机参数之前，还包括：建立上述第一数据驱动模型，并获取第一训练数据组，其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将多组上述历史发动机参数作为上述第一数据驱动模型的输入参数，将每组上述历史发动机参数对应的上述历史机油消耗量作为上述第一数据驱动模型的输出参数，训练上述第一数据驱动模型。
115.可选地，在获取颗粒过滤器的压差参数之前，还包括：建立上述第二数据驱动模型，并获取第二训练数据组，其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量；将多个上述历史压差参数作为上述第二数据驱动模型的输入参数，将多个上述历史压差参数对应的历史灰分载量作为上述第二数据驱动模型的输出参数，训练上述第二数据驱动模型。
116.可选地，在将上述发动机参数输入第一数据驱动模型和将上述压差参数输入第二数据驱动模型之前，还包括：将上述发动机参数和上述压差参数进行数据预处理，其中，上述数据预处理的步骤至少包括数据融合和数据清洗。
117.可选地，上述方法还包括：在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述发动机参数和对应的上述预测机油消耗量加入至第一训练数据组,其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将上述压差参数作为上述第二数据驱动模型的输入参数，将上述灰分载量作为上述第二数据驱动模型的输出参数，对上述第二数据驱动模型进行训练。
118.可选地，上述方法还包括：在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述压差参数和对应的上述灰分载量加入至第二训练数据组,其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量。
119.可选地，上述方法还包括：在计算上述灰分载量对应的测量机油消耗量之后，还包括：将上述预测机油消耗量与上述测量机油消耗量输出并在显示屏进行显示。
120.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
121.步骤s201，获取发动机参数，将上述发动机参数输入第一数据驱动模型，获取上述
第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，上述发动机参数至少包括发动机转速、发动机扭矩和机油温度，上述第一数据驱动模型用于根据上述发动机参数预测并输出上述机油消耗量；
122.具体地，车辆的发动机在运行的过程中，发动机在不同转速以及扭矩情况下都有其对应的机油消耗量，容易想到的是，发动机的转速和扭矩越大，机油的消耗量越多，上述机油消耗量的监测方法是基于数据驱动的机油消耗量监测方法。首先通过多次台架试验的方式获取多组发动机参数和对应的机油消耗量，建立第一数据驱动模型，并给予发动机参数和对应的机油消耗量对第一数据驱动模型进行训练，在上述模型训练完成之后，投入使用的过程中，即可将当前发动机的参数输入至第一数据训练模型，训练之后的第一数据驱动模型基于当前发动机参数对机油消耗量进行预测，输出预测结果，得到预测机油消耗量。
123.步骤s202，获取颗粒过滤器的压差参数，将上述压差参数输入第二数据驱动模型，获取上述第二数据驱动模型输出的结果，得到灰分载量，其中，上述压差参数为上述颗粒过滤器的入口端与出口端的压力差值，上述灰分载量为上述颗粒过滤器中灰分的含量，上述第二数据驱动模型用于根据上述压差参数预测并输出上述灰分载量；
124.具体地，机油在燃烧的过程中会产生一种固体颗粒，无法被氧化转换为气态，其主要来源于机油中的添加剂，称为灰分，机油的消耗量与灰分的含量也存在对应关系，机油消耗量越大，灰分含量越大，灰分的含量称为灰分载量。发动机通常设置有颗粒过滤器(dpf)，用于过滤上述灰分的含量，dpf有入口端和出口端，且其入口端与出口端存在压差，因此，通过dpf的压差参数以及与压差参数对应的灰分载量，建立第二数据驱动模型并训练，在模型训练完成之后，投入使用的过程中，获取当前的压差参数，将当前的额压差参数输入至第二数据驱动模型以预测当前压差参数对应的灰分载量，由灰分载量可以进一步计算得到机油消耗量，即测量机油消耗量。
125.步骤s203，计算上述灰分载量对应的机油消耗量，得到测量机油消耗量，计算上述预测机油消耗量与上述测量机油消耗量的差值，得到机油消耗量差值，在上述机油消耗量差值大于预设阈值的情况下，输出异常警告信号，其中，上述异常警告信号表示机油消耗量存在异常。
126.具体地，第一数据驱动模型根据发动机的参数预测得到机油消耗量，第二数据驱动模型根据dpf压差参数预测得到灰分载量，并通过灰分载量计算得到测量机油消耗量，即根据机油消耗时的排放颗粒间接得到机油消耗量，在正常情况下，通过上述两个模型计算得到的机油消耗量应相等或者在一定的误差范围之内，因此，本技术预设阈值，计算上述预测机油消耗量和测量消耗量之间的差值并确定差值是否在预设阈值范围之内，上述差值不在预设阈值范围之内表明其中一个模型预测得到的机油的消耗量异常，进而说明发动机在特定转速情况下应该消耗的机油与实际消耗的机油差值较大，可能存在发动机异常等情况，输出异常警告信号并进行原因排查。
127.本文中的设备可以是服务器、pc、pad、手机等。
128.可选地，在获取发动机参数之前，还包括：建立上述第一数据驱动模型，并获取第一训练数据组，其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将多组上述历史发动机参数作为上述第一数据驱动模型的输入参数，将每组上述历史发动机参数对应
的上述历史机油消耗量作为上述第一数据驱动模型的输出参数，训练上述第一数据驱动模型。
129.可选地，在获取颗粒过滤器的压差参数之前，还包括：建立上述第二数据驱动模型，并获取第二训练数据组，其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量；将多个上述历史压差参数作为上述第二数据驱动模型的输入参数，将多个上述历史压差参数对应的历史灰分载量作为上述第二数据驱动模型的输出参数，训练上述第二数据驱动模型。
130.可选地，在将上述发动机参数输入第一数据驱动模型和将上述压差参数输入第二数据驱动模型之前，还包括：将上述发动机参数和上述压差参数进行数据预处理，其中，上述数据预处理的步骤至少包括数据融合和数据清洗。
131.可选地，上述方法还包括：在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述发动机参数和对应的上述预测机油消耗量加入至第一训练数据组,其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将上述压差参数作为上述第二数据驱动模型的输入参数，将上述灰分载量作为上述第二数据驱动模型的输出参数，对上述第二数据驱动模型进行训练。
132.可选地，上述方法还包括：在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述压差参数和对应的上述灰分载量加入至第二训练数据组,其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量。
133.可选地，上述方法还包括：在计算上述灰分载量对应的测量机油消耗量之后，还包括：将上述预测机油消耗量与上述测量机油消耗量输出并在显示屏进行显示。
134.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
135.步骤s201，获取发动机参数，将上述发动机参数输入第一数据驱动模型，获取上述第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，上述发动机参数至少包括发动机转速、发动机扭矩和机油温度，上述第一数据驱动模型用于根据上述发动机参数预测并输出上述机油消耗量；
136.具体地，车辆的发动机在运行的过程中，发动机在不同转速以及扭矩情况下都有其对应的机油消耗量，容易想到的是，发动机的转速和扭矩越大，机油的消耗量越多，上述机油消耗量的监测方法是基于数据驱动的机油消耗量监测方法。首先通过多次台架试验的方式获取多组发动机参数和对应的机油消耗量，建立第一数据驱动模型，并给予发动机参数和对应的机油消耗量对第一数据驱动模型进行训练，在上述模型训练完成之后，投入使用的过程中，即可将当前发动机的参数输入至第一数据训练模型，训练之后的第一数据驱动模型基于当前发动机参数对机油消耗量进行预测，输出预测结果，得到预测机油消耗量。
137.步骤s202，获取颗粒过滤器的压差参数，将上述压差参数输入第二数据驱动模型，获取上述第二数据驱动模型输出的结果，得到灰分载量，其中，上述压差参数为上述颗粒过滤器的入口端与出口端的压力差值，上述灰分载量为上述颗粒过滤器中灰分的含量，上述第二数据驱动模型用于根据上述压差参数预测并输出上述灰分载量；
138.具体地，机油在燃烧的过程中会产生一种固体颗粒，无法被氧化转换为气态，其主要来源于机油中的添加剂，称为灰分，机油的消耗量与灰分的含量也存在对应关系，机油消耗量越大，灰分含量越大，灰分的含量称为灰分载量。发动机通常设置有颗粒过滤器(dpf)，用于过滤上述灰分的含量，dpf有入口端和出口端，且其入口端与出口端存在压差，因此，通过dpf的压差参数以及与压差参数对应的灰分载量，建立第二数据驱动模型并训练，在模型训练完成之后，投入使用的过程中，获取当前的压差参数，将当前的额压差参数输入至第二数据驱动模型以预测当前压差参数对应的灰分载量，由灰分载量可以进一步计算得到机油消耗量，即测量机油消耗量。
139.步骤s203，计算上述灰分载量对应的机油消耗量，得到测量机油消耗量，计算上述预测机油消耗量与上述测量机油消耗量的差值，得到机油消耗量差值，在上述机油消耗量差值大于预设阈值的情况下，输出异常警告信号，其中，上述异常警告信号表示机油消耗量存在异常。
140.具体地，第一数据驱动模型根据发动机的参数预测得到机油消耗量，第二数据驱动模型根据dpf压差参数预测得到灰分载量，并通过灰分载量计算得到测量机油消耗量，即根据机油消耗时的排放颗粒间接得到机油消耗量，在正常情况下，通过上述两个模型计算得到的机油消耗量应相等或者在一定的误差范围之内，因此，本技术预设阈值，计算上述预测机油消耗量和测量消耗量之间的差值并确定差值是否在预设阈值范围之内，上述差值不在预设阈值范围之内表明其中一个模型预测得到的机油的消耗量异常，进而说明发动机在特定转速情况下应该消耗的机油与实际消耗的机油差值较大，可能存在发动机异常等情况，输出异常警告信号并进行原因排查。
141.可选地，在获取发动机参数之前，还包括：建立上述第一数据驱动模型，并获取第一训练数据组，其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将多组上述历史发动机参数作为上述第一数据驱动模型的输入参数，将每组上述历史发动机参数对应的上述历史机油消耗量作为上述第一数据驱动模型的输出参数，训练上述第一数据驱动模型。
142.可选地，在获取颗粒过滤器的压差参数之前，还包括：建立上述第二数据驱动模型，并获取第二训练数据组，其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量；将多个上述历史压差参数作为上述第二数据驱动模型的输入参数，将多个上述历史压差参数对应的历史灰分载量作为上述第二数据驱动模型的输出参数，训练上述第二数据驱动模型。
143.可选地，在将上述发动机参数输入第一数据驱动模型和将上述压差参数输入第二数据驱动模型之前，还包括：将上述发动机参数和上述压差参数进行数据预处理，其中，上述数据预处理的步骤至少包括数据融合和数据清洗。
144.可选地，上述方法还包括：在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述发动机参数和对应的上述预测机油消耗量加入至第一训练数据组,其中，上述第一训练数据组包括多组第一训练数据，每组上述第一训练数据包括一个历史发动机参数以及与上述历史发动机参数对应的历史机油消耗量；将上述压差参数作为上述第二数据驱动模型的输入参数，将上述灰分载量作为上述第二数据驱动模型的输出参数，对上述第
二数据驱动模型进行训练。
145.可选地，上述方法还包括：在上述机油消耗量差值小于或者等于上述预设阈值的情况下，将上述压差参数和对应的上述灰分载量加入至第二训练数据组,其中，上述第二训练数据组包括多组第二训练数据，每组上述第二训练数据包括一个历史压差参数以及与上述历史压差参数对应的历史灰分载量。
146.可选地，上述方法还包括：在计算上述灰分载量对应的测量机油消耗量之后，还包括：将上述预测机油消耗量与上述测量机油消耗量输出并在显示屏进行显示。
147.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
148.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
149.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
150.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
151.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
152.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
153.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
154.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
155.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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
156.从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
157.1)、本技术的机油消耗量的监测方法中，预先建立第一数据驱动模型和第二数据驱动模型，首先获取发动机参数，将发动机参数输入预先建立的第一数据驱动模型，获取第一数据驱动模型输出机油消耗量，得到预测机油消耗量，之后获取压差参数，将压差参数输入第二数据驱动模型，获取第二数据驱动模型输出的结果，得到灰分载量，根据灰分载量计算得到测量机油消耗量，计算上述预测机油消耗量与测量机油消耗量的差值，得到机油消耗量差值，比较上述机油消耗量差值是否小于预设阈值，在上述机油消耗量差值小于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之内，机油消耗量正常，在上述机油消耗量差值大于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之外，机油消耗量异常，输出异常警告信号。与现有技术中，只能通过台架测试的方式获取特定转速以及扭矩等情况下的机油消耗量，无法对机油的消耗量进行实时监测的方法相比，本技术能够实时获取预测机油的消耗量与测量机油消耗量，并根据机油消耗量差值确定机油消耗是否存在异常，因此，可以解决现有技术无法对机油消耗量进行实时监测的问题，达到对车辆的机油消耗量进行实时监测的目的。
158.2)、本技术的机油消耗量的监测装置中，建立第一数据驱动模型和第二数据驱动模型，首先获取发动机参数，将发动机参数输入预先建立的第一数据驱动模型，获取第一数据驱动模型输出机油消耗量，得到预测机油消耗量，获取压差参数，将压差参数输入第二数据驱动模型，获取第二数据驱动模型输出的结果，得到灰分载量，根据灰分载量计算得到测量机油消耗量，计算上述预测机油消耗量与测量机油消耗量的差值，得到机油消耗量差值，比较上述机油消耗量差值是否小于预设阈值，在上述机油消耗量差值小于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之内，机油消耗量正常，在上述机油消耗量差值大于预设阈值的情况下，表明机油的预测消耗量与机油的实际消耗量的差值在预设阈值的范围之外，机油消耗量异常，输出异常警告信号。与现有技术中，只能通过台架测试的方式获取特定转速以及扭矩等情况下的机油消耗量，无法对机油的消耗量进行实时监测的装置相比，本技术能够实时获取预测机油的消耗量与测量机油消耗量，并根据机油消耗量差值确定机油消耗是否存在异常，因此，可以解决现有技术无法对机油消耗量进行实时监测的问题，达到对车辆的机油消耗量进行实时监测的目的。
159.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种机油消耗量的监测方法，其特征在于，包括：获取发动机参数，将所述发动机参数输入第一数据驱动模型，获取所述第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，所述发动机参数至少包括发动机转速、发动机扭矩和机油温度，所述第一数据驱动模型用于根据所述发动机参数预测并输出所述机油消耗量；获取颗粒过滤器的压差参数，将所述压差参数输入第二数据驱动模型，获取所述第二数据驱动模型输出的结果，得到灰分载量，其中，所述压差参数为所述颗粒过滤器的入口端与出口端的压力差值，所述灰分载量为所述颗粒过滤器中灰分的含量，所述第二数据驱动模型用于根据所述压差参数预测并输出所述灰分载量；计算所述灰分载量对应的机油消耗量，得到测量机油消耗量，计算所述预测机油消耗量与所述测量机油消耗量的差值，得到机油消耗量差值，在所述机油消耗量差值大于预设阈值的情况下，输出异常警告信号，其中，所述异常警告信号表示机油消耗量存在异常。2.根据权利要求1所述的监测方法，其特征在于，在获取发动机参数之前，还包括：建立所述第一数据驱动模型，并获取第一训练数据组，其中，所述第一训练数据组包括多组第一训练数据，每组所述第一训练数据包括一个历史发动机参数以及与所述历史发动机参数对应的历史机油消耗量；将多组所述历史发动机参数作为所述第一数据驱动模型的输入参数，将每组所述历史发动机参数对应的所述历史机油消耗量作为所述第一数据驱动模型的输出参数，训练所述第一数据驱动模型。3.根据权利要求1所述的监测方法，其特征在于，在获取颗粒过滤器的压差参数之前，还包括：建立所述第二数据驱动模型，并获取第二训练数据组，其中，所述第二训练数据组包括多组第二训练数据，每组所述第二训练数据包括一个历史压差参数以及与所述历史压差参数对应的历史灰分载量；将多个所述历史压差参数作为所述第二数据驱动模型的输入参数，将多个所述历史压差参数对应的历史灰分载量作为所述第二数据驱动模型的输出参数，训练所述第二数据驱动模型。4.根据权利要求1所述的监测方法，其特征在于，在将所述发动机参数输入第一数据驱动模型和将所述压差参数输入第二数据驱动模型之前，还包括：将所述发动机参数和所述压差参数进行数据预处理，其中，所述数据预处理的步骤至少包括数据融合和数据清洗。5.根据权利要求1所述的监测方法，其特征在于，还包括：在所述机油消耗量差值小于或者等于所述预设阈值的情况下，将所述发动机参数和对应的所述预测机油消耗量加入至第一训练数据组,其中，所述第一训练数据组包括多组第一训练数据，每组所述第一训练数据包括一个历史发动机参数以及与所述历史发动机参数对应的历史机油消耗量；将所述压差参数作为所述第二数据驱动模型的输入参数，将所述灰分载量作为所述第二数据驱动模型的输出参数，对所述第二数据驱动模型进行训练。6.根据权利要求1所述的监测方法，其特征在于，还包括：
在所述机油消耗量差值小于或者等于所述预设阈值的情况下，将所述压差参数和对应的所述灰分载量加入至第二训练数据组,其中，所述第二训练数据组包括多组第二训练数据，每组所述第二训练数据包括一个历史压差参数以及与所述历史压差参数对应的历史灰分载量。7.根据权利要求1所述的监测方法，其特征在于，在计算所述灰分载量对应的测量机油消耗量之后，还包括：将所述预测机油消耗量与所述测量机油消耗量输出并在显示屏进行显示。8.一种机油消耗量的监测装置，其特征在于，包括：第一获取单元，用于获取发动机参数，将所述发动机参数输入第一数据驱动模型，获取所述第一数据驱动模型输出机油消耗量，得到预测机油消耗量，其中，所述发动机参数至少包括发动机转速、发动机扭矩和机油温度，所述第一数据驱动模型用于根据所述发动机参数预测并输出所述机油消耗量；第二获取单元，用于获取颗粒过滤器的压差参数，将所述压差参数输入第二数据驱动模型，获取所述第二数据驱动模型输出的结果，得到灰分载量，其中，所述压差参数为所述颗粒过滤器的入口端与出口端的压力差值，所述灰分载量为所述颗粒过滤器中灰分的含量，所述第二数据驱动模型用于根据所述压差参数预测并输出所述灰分载量；输出单元，用于计算所述灰分载量对应的机油消耗量，得到测量机油消耗量，计算所述预测机油消耗量与所述测量机油消耗量的差值，得到机油消耗量差值，在所述机油消耗量差值大于预设阈值的情况下，输出异常警告信号，其中，所述异常警告信号表示机油消耗量存在异常。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的监测方法。10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任意一项所述的监测方法。

技术总结
本申请提供了一种机油消耗量的监测方法、监测装置和电子装置。该方法包括：获取发动机参数，将发动机参数输入第一数据驱动模型，获取第一数据驱动模型输出机油消耗量，得到预测机油消耗量；获取颗粒过滤器的压差参数，将压差参数输入第二数据驱动模型，获取第二数据驱动模型输出的结果，得到灰分载量；计算灰分载量对应的机油消耗量，得到测量机油消耗量，计算预测机油消耗量与测量机油消耗量的差值，得到机油消耗量差值，在机油消耗量差值大于预设阈值的情况下，输出异常警告信号。通过本申请，解决了现有技术无法对机油消耗量进行实时监测的问题，达到了对车辆的机油消耗量进行实时监测的目的。监测的目的。监测的目的。


技术研发人员：付贵昕 刘军 徐鸿 刘成 蒋年顺 朱桂香
受保护的技术使用者：潍柴动力股份有限公司
技术研发日：2023.04.13
技术公布日：2023/7/25