本發(fā)明涉及車輛排氣消聲，尤其涉及一種環(huán)保低流阻進(jìn)氣消聲器優(yōu)化方法。

背景技術(shù)：

1、在針對(duì)環(huán)保低流阻進(jìn)氣消聲器進(jìn)行優(yōu)化時(shí)通常根據(jù)傳遞損失模型進(jìn)行模擬，以根據(jù)模擬結(jié)果針對(duì)消聲器結(jié)構(gòu)進(jìn)行優(yōu)化，但是在針對(duì)模型進(jìn)行訓(xùn)練時(shí)，由于消聲器訓(xùn)練數(shù)據(jù)質(zhì)量不一，導(dǎo)致模型模擬結(jié)果存在異常數(shù)據(jù)值，與實(shí)際結(jié)果偏差較大，因此如何根據(jù)模型模擬結(jié)果針對(duì)模型訓(xùn)練數(shù)據(jù)進(jìn)行優(yōu)化，提高模型模擬結(jié)果的準(zhǔn)確性是本領(lǐng)域技術(shù)人員亟待解決的技術(shù)問題。

2、中國(guó)專利公開號(hào)cn113626931a公開了一種消聲器的建模方法、裝置、存儲(chǔ)介質(zhì)和計(jì)算機(jī)設(shè)備，包括：構(gòu)造線性約束函數(shù)；構(gòu)造非線性約束函數(shù)；通過遺傳算法函數(shù)，對(duì)獲取的目標(biāo)函數(shù)、線性約束函數(shù)和非線性約束函數(shù)進(jìn)行計(jì)算，生成消聲器參數(shù)集合；提取消聲器參數(shù)集合中的多個(gè)消聲器參數(shù)；根據(jù)多個(gè)消聲器參數(shù)，對(duì)消聲器進(jìn)行建模。由此可見，上述技術(shù)方案存在以下問題：未對(duì)消聲器模型模擬效果進(jìn)行檢測(cè)，且未在模型模擬效果與實(shí)際結(jié)果存在偏差時(shí)針對(duì)模型訓(xùn)練數(shù)據(jù)進(jìn)行適應(yīng)性優(yōu)化，導(dǎo)致模型模擬的準(zhǔn)確性較差。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明提供一種環(huán)保低流阻進(jìn)氣消聲器優(yōu)化方法，用以克服現(xiàn)有技術(shù)中未對(duì)消聲器模型效果進(jìn)行檢測(cè)，且未在模型模擬效果與實(shí)際結(jié)果存在偏差時(shí)針對(duì)模型訓(xùn)練數(shù)據(jù)進(jìn)行適應(yīng)性優(yōu)化，導(dǎo)致模型模擬的準(zhǔn)確性較差的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種環(huán)保低流阻進(jìn)氣消聲器優(yōu)化方法，包括：

3、獲取消聲器數(shù)據(jù)信息；

4、根據(jù)異常數(shù)據(jù)值占比以及消聲模擬系數(shù)確定目標(biāo)模型狀態(tài)，根據(jù)目標(biāo)模型狀態(tài)確定是否針對(duì)目標(biāo)模型進(jìn)行優(yōu)化；

5、針對(duì)目標(biāo)模型的優(yōu)化中，根據(jù)異常數(shù)值分布系數(shù)以及輪廓差異度確定模擬狀態(tài)，并根據(jù)模擬狀態(tài)確定模型優(yōu)化方式為選取脫敏后的關(guān)聯(lián)訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)充訓(xùn)練或提取互補(bǔ)訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)充訓(xùn)練；

6、選取脫敏后的關(guān)聯(lián)訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)充訓(xùn)練時(shí)，根據(jù)子數(shù)據(jù)關(guān)聯(lián)度確定關(guān)聯(lián)訓(xùn)練數(shù)據(jù)的脫敏方式為全部子數(shù)據(jù)脫敏或部分子數(shù)據(jù)脫敏，選取脫敏后的關(guān)聯(lián)訓(xùn)練數(shù)據(jù)針對(duì)目標(biāo)模型進(jìn)行訓(xùn)練；

7、提取互補(bǔ)訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)充訓(xùn)練時(shí)，根據(jù)異常因子占比以及異常因子離散度確定互補(bǔ)數(shù)據(jù)提取方式為根據(jù)差異影響系數(shù)或因子差異閾值進(jìn)行互補(bǔ)數(shù)據(jù)提?。?/p>

8、所述關(guān)聯(lián)訓(xùn)練數(shù)據(jù)為與目標(biāo)模型訓(xùn)練數(shù)據(jù)的相似特征占比大于預(yù)設(shè)相似特征占比的標(biāo)準(zhǔn)模型的訓(xùn)練數(shù)據(jù)。

9、進(jìn)一步地，目標(biāo)模型狀態(tài)為異常數(shù)據(jù)值占比大于或等于預(yù)設(shè)異常數(shù)據(jù)值占比或消聲模擬系數(shù)大于或等于預(yù)設(shè)消聲模擬系數(shù)時(shí)，針對(duì)目標(biāo)模型進(jìn)行優(yōu)化。

10、進(jìn)一步地，異常數(shù)據(jù)值占比的確認(rèn)方式為，向目標(biāo)模型輸入消聲器參數(shù)并進(jìn)行預(yù)設(shè)次數(shù)的模擬得到若干模擬傳遞損失圖像，將模擬傳遞損失圖像中數(shù)據(jù)值變化量大于預(yù)設(shè)數(shù)據(jù)值變化量或相鄰數(shù)據(jù)波動(dòng)均值大于預(yù)設(shè)相鄰數(shù)據(jù)波動(dòng)均值的數(shù)據(jù)值記為異常數(shù)據(jù)值，將異常數(shù)據(jù)值的總量與全部數(shù)據(jù)值的比值記為異常數(shù)據(jù)值占比；

11、消聲模擬系數(shù)的確認(rèn)方式為，將單個(gè)模擬傳遞損失圖像中進(jìn)行m等分后各等分點(diǎn)對(duì)應(yīng)的傳遞損失的平均值與消聲器特征值的比值記為參考比值，消聲模擬系數(shù)為各模擬傳遞損失圖像對(duì)應(yīng)的參考比值的平均值。

12、進(jìn)一步地，模擬狀態(tài)包括：

13、異常數(shù)值分布系數(shù)大于或等于預(yù)設(shè)異常數(shù)值分布系數(shù)或輪廓差異度大于或等于預(yù)設(shè)輪廓差異度的第一模擬狀態(tài)；

14、異常數(shù)值分布系數(shù)小于預(yù)設(shè)異常數(shù)值分布系數(shù)且輪廓差異度小于預(yù)設(shè)輪廓差異度的第二模擬狀態(tài)。

15、進(jìn)一步地，第一模擬狀態(tài)下，若子數(shù)據(jù)關(guān)聯(lián)度大于或等于預(yù)設(shè)子數(shù)據(jù)關(guān)聯(lián)度，脫敏方式為全部子數(shù)據(jù)脫敏。

16、進(jìn)一步地，第一模擬狀態(tài)下，若子數(shù)據(jù)關(guān)聯(lián)度小于預(yù)設(shè)子數(shù)據(jù)關(guān)聯(lián)度，脫敏方式為部分子數(shù)據(jù)脫敏，其中，

17、針對(duì)各訓(xùn)練數(shù)據(jù)中的各數(shù)據(jù)集合進(jìn)行脫敏，針對(duì)單個(gè)數(shù)據(jù)集合進(jìn)行脫敏時(shí)，將該數(shù)據(jù)集合記為目標(biāo)數(shù)據(jù)集合，根據(jù)平均匹配系數(shù)確定目標(biāo)數(shù)據(jù)集合中需要進(jìn)行脫敏的子數(shù)據(jù)的脫敏比例；

18、所述脫敏比例與平均匹配系數(shù)為正相關(guān)關(guān)系。

19、進(jìn)一步地，第二模擬狀態(tài)下，提取互補(bǔ)訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)充訓(xùn)練，其中，

20、檢測(cè)與消聲器參數(shù)和異常數(shù)值對(duì)應(yīng)的目標(biāo)模型的訓(xùn)練數(shù)據(jù)的集合，并記為異常數(shù)據(jù)集合，將異常數(shù)據(jù)集合之外的數(shù)據(jù)樣本記為正常數(shù)據(jù)集合，檢測(cè)異常數(shù)據(jù)集合中的異常因子，將存在異常因子且模型差異值小于預(yù)設(shè)模型差異值的標(biāo)準(zhǔn)模型記為待提取模型，并通過互補(bǔ)數(shù)據(jù)提取方式提取的數(shù)據(jù)樣本記為互補(bǔ)訓(xùn)練數(shù)據(jù)，提取互補(bǔ)訓(xùn)練數(shù)據(jù)針對(duì)目標(biāo)模型進(jìn)行補(bǔ)充訓(xùn)練。

21、進(jìn)一步地，若異常因子占比大于或等于預(yù)設(shè)異常因子占比且異常因子離散度小于預(yù)設(shè)異常因子離散度，互補(bǔ)數(shù)據(jù)提取方式為根據(jù)差異影響系數(shù)進(jìn)行互補(bǔ)數(shù)據(jù)提取，其中，

22、選擇與正常數(shù)據(jù)集合的差異影響系數(shù)小于預(yù)設(shè)差異影響系數(shù)的待提取模型中的訓(xùn)練數(shù)據(jù)記為互補(bǔ)訓(xùn)練數(shù)據(jù)。

23、進(jìn)一步地，若異常因子占比小于預(yù)設(shè)異常因子占比或異常因子離散度大于或等于預(yù)設(shè)異常因子離散度，互補(bǔ)數(shù)據(jù)提取方式為根據(jù)因子差異閾值進(jìn)行互補(bǔ)數(shù)據(jù)提取，其中，

24、將目標(biāo)模型的異常數(shù)據(jù)集合與待提取模型中的訓(xùn)練數(shù)據(jù)的因子差異閾值小于預(yù)設(shè)因子差異閾值的訓(xùn)練數(shù)據(jù)記為互補(bǔ)訓(xùn)練數(shù)據(jù)。

25、進(jìn)一步地，根據(jù)因子差異度以及因子完整度確定因子類型，因子類型包括：

26、因子差異度大于或等于預(yù)設(shè)因子差異度或因子完整度小于預(yù)設(shè)因子完整度的異常因子；

27、因子差異度小于預(yù)設(shè)因子差異度且因子完整度大于或等于預(yù)設(shè)因子完整度的正常因子。

28、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于，本發(fā)明技術(shù)方案中，根據(jù)異常數(shù)據(jù)值占比以及消聲模擬系數(shù)確定目標(biāo)模型狀態(tài)，通過異常數(shù)據(jù)值占比以及消聲模擬系數(shù)有效反映目標(biāo)模型模擬結(jié)果的準(zhǔn)確程度，進(jìn)而根據(jù)目標(biāo)模型狀態(tài)確定是否針對(duì)目標(biāo)模型進(jìn)行優(yōu)化，避免了現(xiàn)有技術(shù)中未對(duì)消聲器模型模擬效果進(jìn)行檢測(cè)的缺陷，進(jìn)而減小目標(biāo)模型模擬結(jié)果與實(shí)際結(jié)果的偏差程度。

29、進(jìn)一步地，本發(fā)明中根據(jù)異常數(shù)值分布系數(shù)以及輪廓差異度確定模擬狀態(tài)，通過異常數(shù)值分布系數(shù)以及輪廓差異度有效反映異常數(shù)值的分布狀態(tài)以及模擬結(jié)果的差異程度，進(jìn)而根據(jù)模擬狀態(tài)適應(yīng)性的選擇不同的模型優(yōu)化方式，使得模型優(yōu)化方式的選擇更加符合實(shí)際應(yīng)用場(chǎng)景，能夠更加準(zhǔn)確地判斷模型中存在的問題，避免了現(xiàn)有技術(shù)中未在模型模擬效果與實(shí)際結(jié)果存在偏差時(shí)針對(duì)模型訓(xùn)練數(shù)據(jù)進(jìn)行適應(yīng)性優(yōu)化導(dǎo)致模型模擬的準(zhǔn)確性較差的問題，也避免現(xiàn)有訓(xùn)練數(shù)據(jù)存在缺陷導(dǎo)致模型模擬效果不佳的問題，進(jìn)而提升模型的整體性能。

30、進(jìn)一步地，在第一模擬狀態(tài)下選取脫敏后的關(guān)聯(lián)訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)充訓(xùn)練，能夠在異常數(shù)值分布比較分散或輪廓差異度較大時(shí)，選取與目標(biāo)模型訓(xùn)練數(shù)據(jù)關(guān)聯(lián)程度較大的標(biāo)準(zhǔn)模型訓(xùn)練數(shù)據(jù)，有助于優(yōu)化模型的性能，提高模型的準(zhǔn)確性，在第二模擬狀態(tài)下提取互補(bǔ)訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)充訓(xùn)練，能夠在異常數(shù)值分布比較密集且輪廓差異度較小時(shí)，有效識(shí)別異常數(shù)據(jù)集合，進(jìn)而能夠準(zhǔn)確的選取與異常數(shù)據(jù)集合相關(guān)度較高的標(biāo)準(zhǔn)模型中的部分訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)充訓(xùn)練，進(jìn)而提高了目標(biāo)模型模擬結(jié)果的精確度。

31、進(jìn)一步地，本發(fā)明中通過子數(shù)據(jù)關(guān)聯(lián)度有效反映標(biāo)準(zhǔn)模型訓(xùn)練數(shù)據(jù)的關(guān)聯(lián)程度，進(jìn)而根據(jù)子數(shù)據(jù)關(guān)聯(lián)度適應(yīng)性的選擇不同的脫敏方式，使得脫敏方式的選擇更加符合實(shí)際應(yīng)用場(chǎng)景，能夠在保護(hù)脫敏效果的同時(shí)降低脫敏處理的成本，進(jìn)而減小了選取關(guān)聯(lián)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練時(shí)導(dǎo)致數(shù)據(jù)泄露的風(fēng)險(xiǎn)。

32、進(jìn)一步地，本發(fā)明中通過異常因子占比以及異常因子離散度有效反映異常數(shù)據(jù)集合中異常因子的數(shù)量以及異常因子數(shù)據(jù)的差異程度，進(jìn)而根據(jù)異常因子占比以及異常因子離散度適應(yīng)性的選擇不同的互補(bǔ)數(shù)據(jù)提取方式，使得互補(bǔ)數(shù)據(jù)提取方式的選擇更加符合實(shí)際應(yīng)用場(chǎng)景，避免了模型訓(xùn)練數(shù)據(jù)存在異常時(shí)無法針對(duì)性的選擇進(jìn)行補(bǔ)充訓(xùn)練的互補(bǔ)訓(xùn)練數(shù)據(jù)導(dǎo)致模型優(yōu)化效果難以滿足用戶需求的問題，進(jìn)而提高了目標(biāo)模型模擬結(jié)果的準(zhǔn)確程度。

33、進(jìn)一步地，本發(fā)明中在異常因子占比大于或等于預(yù)設(shè)異常因子占比且異常因子離散度小于預(yù)設(shè)異常因子離散度時(shí)，根據(jù)差異影響系數(shù)進(jìn)行互補(bǔ)數(shù)據(jù)提取，通過差異影響系數(shù)有效反映外部環(huán)境對(duì)消聲器的影響程度，通過根據(jù)正常數(shù)據(jù)集合中的差異影響系數(shù)進(jìn)行互補(bǔ)訓(xùn)練數(shù)據(jù)的選取，能夠減少外部環(huán)境對(duì)目標(biāo)模型的影響程度，進(jìn)而提高目標(biāo)模型模擬的準(zhǔn)確度。

34、進(jìn)一步地，本發(fā)明中在異常因子占比小于預(yù)設(shè)異常因子占比或異常因子離散度大于或等于預(yù)設(shè)異常因子離散度時(shí)，根據(jù)因子差異閾值進(jìn)行互補(bǔ)數(shù)據(jù)提取，通過因子差異閾值有效反映目標(biāo)模型中的正常因子與目標(biāo)正常因子相同的因子對(duì)應(yīng)的子數(shù)據(jù)的差異程度，進(jìn)而根據(jù)因子差異閾值進(jìn)行互補(bǔ)訓(xùn)練數(shù)據(jù)的選取，進(jìn)而提高了目標(biāo)模型模擬結(jié)果的精確程度。

35、進(jìn)一步地，本發(fā)明中因子差異度以及因子完整度有效反映異常數(shù)據(jù)集合與正常數(shù)據(jù)集合中相同因子對(duì)應(yīng)的子數(shù)據(jù)的差異程度以及各因子對(duì)應(yīng)的子數(shù)據(jù)的完整程度，進(jìn)而根據(jù)因子差異度以及因子完整度確定因子類型，使得因子類型的確定更加符合實(shí)際應(yīng)用場(chǎng)景，能夠準(zhǔn)確地對(duì)不同的因子進(jìn)行區(qū)分，進(jìn)而有利于后續(xù)提取互補(bǔ)訓(xùn)練數(shù)據(jù)進(jìn)行補(bǔ)充訓(xùn)練。