本发明适用于温度监测技术领域，提供了一种预测双燃料发动机活塞表面最高温度的方法和装置，所述方法包括：实时获取影响双燃料发动机活塞表面最高温度的影响因素数据；所述影响因素数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对活塞表面的最高温度进行预测，并输出预测得到的活塞表面的最高温度；实现了对所述双燃料发动机活塞表面的最高温度的实时、有效、准确地预测，使得可以通过判断活塞的当前热负荷是否超过正常范围，防止活塞出现热负荷超标情况，确保了双燃料发动机的可靠运行。
1.一种预测双燃料发动机活塞表面最高温度的方法，其特征在于，包括：实时获取影响双燃料发动机活塞表面最高温度的影响因素数据；所述影响因素数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；
根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，并输出预测得到的所述双燃料发动机活塞表面的最高温度；
获取n组模型构建样本数据，每组模型构建样本数据包括一个温度样本数据以及p个与所述温度样本数据对应的影响因素样本数据；所述影响因素样本数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；
利用所述模型构建样本数据，通过偏最小二乘回归法与舍一交叉验证算法构建所述活塞表面最高温度预测模型；
所述利用所述模型构建样本数据，通过偏最小二乘回归法与舍一交叉验证算法构建所述活塞表面最高温度预测模型，包括：利用所述影响因素样本数据构建自变量矩阵X＝(x1,x2,…,xp)n×p，利用所述温度样本数据构建因变量矩阵Y＝(y)n×1；并对所述自变量矩阵X＝(x1,x2,…,xp)n×p和所述因变量矩阵Y＝(y)n×1进行标准化，得到自变量矩阵X＝(x1,x2,…,xp)n×p的标准化矩阵Ei和因变量矩阵Y＝(y)n×1的标准化矩阵Fi，i＝0；
提取Ei的主轴ωi+1和主成分ti+1，分别求取Ei和Fi对所述主成分ti+1的回归方程以及残差矩阵Ei+1、Fi+1；
利用舍一交叉验证法计算交叉有效性值 并判断所述交叉有效性值 是否小于或等于预设交叉有效性值C；
若所述交叉有效性值 大于预设交叉有效性值C，则判断i+1是否小于T；若i+1
若所述交叉有效性值 小于或等于预设交叉有效性值C，或者，i+1≥T，则根据交叉有效性获得的i+1个主成分t1、t2…ti+1，求取F0对t1、t2…ti+1的多元线性回归方程F0＝t1r′1+t2r′2+…+ti+1r′i+1， 并将所述多元线性回归方程恢复为由E0表示，得到所述活塞表面最高温度预测模型；
所述提取Ei的主轴ωi+1和主成分ti+1，分别求取Ei和Fi对所述主成分ti+1的回归方程以及残差矩阵Ei+1、Fi+1，包括：提取Ei的主轴 Ei的主成分ti+1＝Ei·ωi+1；
求取Ei对所述主成分ti+1的回归方程以及残差矩阵Ei+1为：Ei+1＝Ei-ti+1·pi+1T；
求取Fi对所述主成分ti+1的回归方程以及残差矩阵Fi+1为：Fi+1＝Fi-ti+1·ri+1T；
其中， yi为第i个温度样本数据， 为F0对所述主成分t1、t2…ti+1的回归方程的拟合值；
对n组模型构建样本数据分别进行如下计算：舍去第i组模型构建样本数据，利用剩余的n-1组模型构建样本数据建立对主成分的回归方程，并将第i组模型构建样本数据代入所述利用剩余的n-1组模型构建样本数据建立对主成分的回归方程，得到第i组模型构建样本数据的拟合值求取每组模型构建样本数据中的温度样本数据与其对应的拟合值 之差的平方，得到所述PRESS；
将所述多元线性回归方程恢复为由E0表示，得到所述活塞表面最高温度预测模型包括：令 k＝1，2，…i+1，j＝1,2,…i+1，则得到活塞表面最高温度预测模型为：
2.一种预测双燃料发动机活塞表面最高温度的装置，其特征在于，包括：获取单元，用于实时获取影响双燃料发动机活塞表面最高温度的影响因素数据；所述影响因素数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；
预测单元，用于根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，并输出预测得到的所述双燃料发动机活塞表面的最高温度；
所述装置还包括：模型构建单元，所述模型构建单元包括获取子单元和构建子单元；
所述获取子单元，用于获取n组模型构建样本数据，每组模型构建样本数据包括一个温度样本数据以及p个与所述温度样本数据对应的影响因素样本数据；所述影响因素样本数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；
所述构建子单元，用于利用所述模型构建样本数据，通过偏最小二乘回归法与舍一交叉验证算法构建所述活塞表面最高温度预测模型；
利用所述影响因素样本数据构建自变量矩阵X＝(x1,x2,…,xp)n×p，利用所述温度样本数据构建因变量矩阵Y＝(y)n×1；并对所述自变量矩阵X＝(x1,x2,…,xp)n×p和所述因变量矩阵Y＝(y)n×1进行标准化，得到自变量矩阵X＝(x1,x2,…,xp)n×p的标准化矩阵Ei和因变量矩阵Y＝(y)n×1的标准化矩阵Fi，i＝0；
提取Ei的主轴ωi+1和主成分ti+1，分别求取Ei和Fi对所述主成分ti+1的回归方程以及残差矩阵Ei+1、Fi+1；
利用舍一交叉验证法计算交叉有效性值 并判断所述交叉有效性值 是否小于或等于预设交叉有效性值C；
若所述交叉有效性值 大于预设交叉有效性值C，则判断i+1是否小于T；若i+1
若所述交叉有效性值 小于或等于预设交叉有效性值C，或者，i+1≥T，则根据交叉有效性获得的i+1个主成分t1、t2…ti+1，求取F0对t1、t2…ti+1的多元线性回归方程F0＝t1r′1+t2r′2+…+ti+1r′i+1， 并将所述多元线性回归方程恢复为由E0表示，得到所述活塞表面最高温度预测模型；
所述提取Ei的主轴ωi+1和主成分ti+1，分别求取Ei和Fi对所述主成分ti+1的回归方程以及残差矩阵Ei+1、Fi+1，包括：提取Ei的主轴 Ei的主成分ti+1＝Ei·ωi+1；
求取Ei对所述主成分ti+1的回归方程以及残差矩阵Ei+1为：Ei+1＝Ei-ti+1·pi+1T；
求取Fi对所述主成分ti+1的回归方程以及残差矩阵Fi+1为：T
其中， yi为第i个温度样本数据， 为F0对所述主成分t1、t2…ti+1的回归方程的拟合值；
对n组模型构建样本数据分别进行如下计算：舍去第i组模型构建样本数据，利用剩余的n-1组模型构建样本数据建立对主成分的回归方程，并将第i组模型构建样本数据代入所述利用剩余的n-1组模型构建样本数据建立对主成分的回归方程，得到第i组模型构建样本数据的拟合值求取每组模型构建样本数据中的温度样本数据与其对应的拟合值 之差的平方，得到所述PRESS；
所述将所述多元线性回归方程恢复为由E0表示，得到所述活塞表面最高温度预测模型包括：令 k＝1，2，…i+1，j＝1,2,…i+1，则得到活塞表面最高温度预测模型为：
3.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1所述方法的步骤。
4.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1所述方法的步骤。
预测双燃料发动机活塞表面最高温度的方法和装置
技术领域
[0001] 本发明属于温度监测技术领域，尤其涉及一种预测双燃料发动机活塞表面最高温度的方法和装置。
背景技术
[0002] 发动机可靠性是衡量内燃机质量的重要指标之一，也是内燃机可持续发展的关键。双燃料发动机是在纯柴油发动机基础上改装而来，与纯柴油机一样，通过采用爆震传感器检测双燃料发动机爆震，保证发动机的可靠运行。
[0003] 然而，在双燃料发动机的使用过程中，有可能会出现爆震传感器未检测到爆震信号的情况下，发动机活塞却已经出现热裂、烧损、熔顶等恶性事故，极大限制了双燃料发动机的商用前景。究其原因，一是因为双燃料发动机添加新的燃料，与纯柴油机相比燃烧过程、放热规律变得更为复杂，使得发动机活塞承受的热负荷也发生较大改变。二是因为燃烧过程易受燃烧边界条件影响，比如，在夏天高温环境下工作、翻越陡坡或者中冷器出现故障时，发动机使用过程中容易出现放热异常，最终导致活塞热负荷超标，出现上述恶性事故。
[0004] 发动机活塞表面的温度分布是活塞热负荷的具体量化，活塞表面的最高温度体现了活塞热负荷的最大值，目前，对活塞热负荷研究是基于有限元分析计算，无法对活塞表面的最高温度进行实时预测。
发明内容
[0005] 有鉴于此，本发明实施例提供了一种预测双燃料发动机活塞表面最高温度的方法和装置，可以解决由于无法对活塞表面的最高温度进行实时预测，导致发动机活塞出现热负荷超标，造成恶性事故的技术问题。
[0006] 本发明实施例的第一方面提供了一种预测双燃料发动机活塞表面最高温度的方法，包括：
[0007] 实时获取影响双燃料发动机活塞表面最高温度的影响因素数据；所述影响因素数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；
[0008] 根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，并输出预测得到的所述双燃料发动机活塞表面的最高温度。
[0009] 本发明实施例的第二方面提供了一种预测双燃料发动机活塞表面最高温度的装置，包括：
[0010] 获取单元，用于实时获取影响双燃料发动机活塞表面最高温度的影响因素数据；所述影响因素数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；
[0011] 预测单元，用于根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，并输出预测得到的所述双燃料发动机活塞表面的实时最高温度。
[0012] 本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
[0013] 本发明实施例的第四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存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
[0014] 本发明实施例，通过实时获取影响双燃料发动机活塞表面最高温度的影响因素数据，再根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，实现了对所述双燃料发动机活塞表面的最高温度的实时、有效、准确地预测，使得可以通过判断活塞的当前热负荷是否超过正常范围，防止活塞出现热负荷超标情况，确保了双燃料发动机的可靠运行。解决了由于无法对活塞表面的最高温度进行实时预测，导致发动机活塞出现热负荷超标，造成恶性事故的技术问题。
附图说明
[0015] 为了更清楚地说明本发明实施例中的技术方案，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。
[0016] 图1是本发明实施例提供的一种预测双燃料发动机活塞表面最高温度的方法的实现流程图；
[0017] 图2是本发明实施例提供的获取影响双燃料发动机活塞表面最高温度的影响因素数据的示意图；
[0018] 图3是本发明实施例提供的构建活塞表面最高温度预测模型具体实现流程图；
[0019] 图4是本发明实施例提供的一种预测双燃料发动机活塞表面最高温度的方法步骤302的具体实现流程图；
[0020] 图5是本发明实施例提供的一种预测双燃料发动机活塞表面最高温度的装置的结构示意框图；
[0021] 图6是本发明实施例提供的终端设备的示意图。
具体实施方式
[0022] 以下描述中，为了说明而不是为了限定，提出了诸如特定装置结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
[0023] 本发明实施例，通过实时获取影响双燃料发动机活塞表面最高温度的影响因素数据，再根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，实现了对所述双燃料发动机活塞表面的最高温度的实时、有效、准确地预测，使得可以通过判断活塞的当前热负荷是否超过正常范围，防止活塞出现热负荷超标情况，确保了双燃料发动机的可靠运行。解决了由于无法对活塞表面的最高温度进行实时预测，导致发动机活塞出现热负荷超标，造成恶性事故的技术问题。
[0024] 为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
[0025] 图1示出了本发明实施例提供的一种监控双燃料发动机活塞表面最高温度的方法的实现流程示意图，该方法应用于计算机等监控设备，可以包括：步骤101至步骤102。
[0026] 步骤101，实时获取影响双燃料发动机活塞表面最高温度的影响因素数据；所述影响因素数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；
[0027] 发动机活塞表面的温度分布是活塞热负荷的具体量化，活塞表面的最高温度体现了活塞热负荷的最大值，本发明实施例通过实时获取影响双燃料发动机活塞表面最高温度的影响因素数据，以便预测出发动机活塞表面的最高温度，使得可以通过判断活塞的当前热负荷是否超过正常范围，防止活塞出现热负荷超标情况，确保了双燃料发动机的可靠运行。
[0028] 其中，如图2所示，发动机转速ne、柴油替代率DSR、发动机功率P、喷油提前角θ和NOx浓度CNOx作为与活塞表面最高温度相关的5个因素变量，可以由发动机的电子控制单元(Electronic Control Unit，ECU)通过曲轴转角传感器、NOx传感器、踏板传感器、进气温度传感器、进气压力传感器和发动机MAP图获取。
[0029] 由于发动机的电子控制单元ECU、曲轴转角传感器、NOx传感器、踏板传感器、进气温度传感器、进气压力传感器均为双燃料发动机上原有的，MAP图也是汽车出厂前标定好的，因此，本申请双燃料发动机活塞表面最高温度的预测无需额外增加或改变硬件设备，即可实现双燃料发动机活塞表面最高温度的实时监测，保证双燃料发动机的可靠运行。
[0030] 步骤102，根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，并输出预测到的所述双燃料发动机活塞表面的最高温度。
[0031] 可选的，在根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，并输出预测到的所述双燃料发动机活塞表面的实时最高温度之前，还包括：构建所述活塞表面最高温度预测模型。
[0032] 如图3所示，所述构建所述活塞表面最高温度预测模型包括：步骤301至步骤302。
[0033] 步骤301，获取n组模型构建样本数据，每组模型构建样本数据包括一个温度样本数据以及p个与所述温度样本数据对应的影响因素样本数据。
[0034] 具体的，如表1所示，所述影响因素样本数据包括发动机转速ne、柴油替代率DSR、发动机功率P、喷油提前角θ和NOx浓度CNOx；需要说明的是，在本申请的其他实施方式中，还可以包括更多的影响因素数据，并且NOx可以为NO和/或NO2。n的值也可以根据实际应用确定，例如，n＝50。
[0035] 表1：
[0036]
[0037]
[0038] 步骤302，利用所述模型构建样本数据，通过偏最小二乘回归法与舍一交叉验证算法构建所述活塞表面最高温度预测模型。
[0039] 所述偏最小二乘回归法(Partial Least Squares，PLS)是集合多元线性回归分析、典型相关分析、主成分分析的分析方法，主要用于解决变量多重相关性的问题。
[0040] 在试验中发现双燃料发动机活塞表面的最高温度同发动机转速ne、柴油替代率DSR、发动机功率P、喷油提前角θ和NOx浓度CNOx等参数关系密切，这些参数具有强相关性。因此，本申请通过利用基于偏最小二乘回归法与舍一交叉验证算法进行活塞表面最高温度预测模型的构建，能够很好地解决构建活塞表面最高温度预测模型的多重共线性干扰问题，使得构建出来活塞表面最高温度预测模型具有预测精度高、变量物理意义明确且个数较少、形式简单的特点，并且，提高了对所述双燃料发动机活塞表面的最高温度的预测准确度，有效防止了发动机活塞出现热裂、烧损、熔顶等恶性事故的发生。
[0041] 本申请通过建立易于电子控制单元ECU(Electronic Control Unit)实时计算的活塞表面最高温度预测模型，为在线监测双燃料发动机的活塞热负荷提供一种简洁、有效的方法。
[0042] 可选的，如图4所示，步骤302中，所述利用所述模型构建样本数据，通过偏最小二乘回归法与舍一交叉验证算法构建所述活塞表面最高温度预测模型，包括：步骤401至步骤407。
[0043] 步骤401，利用所述影响因素样本数据构建自变量矩阵X＝(x1,x2,…,xp)n×p，利用所述温度样本数据构建因变量矩阵Y＝(y)n×1；并对所述自变量矩阵X＝(x1,x2,…,xp)n×p和所述因变量矩阵Y＝(y)n×1进行标准化，得到自变量矩阵X＝(x1,x2,…,xp)n×p的标准化矩阵Ei和因变量矩阵Y＝(y)n×1的标准化矩阵Fi，i＝0；初始化最大跌代次数为T，进入下述步骤402至步骤406的迭代过程。
[0044] 其中，对所述自变量矩阵X＝(x1,x2,…,xp)n×p和所述因变量矩阵Y＝(y)n×1进行标准化，是为了消除原始数据由于量纲的不同可能带来的不合理的影响。最大跌代次数为T可以为根据实践经验得到的值，例如，50次、100次等等。
[0045] 步骤402，提取Ei的主轴ωi+1和主成分ti+1，分别求取Ei和Fi对所述主成分ti+1的回归方程以及残差矩阵Ei+1、Fi+1。
[0046] 例如，在第一次迭代过程中，提取E0的主轴ω1和主成分t1，分别求取E0和F0对所述主成分t1的回归方程以及残差矩阵E1、F1。在第二次迭代过程中，则利用E1、F1替代E0、F0，提取E1的主轴ω2和主成分t2，分别求取E1和F1对所述主成分t2的回归方程以及残差矩阵E2、F2，以此类推。
[0047] 可选的，在步骤402中，所述提取Ei的主轴ωi+1和主成分ti+1，分别求取Ei和Fi对所述主成分ti+1的回归方程以及残差矩阵Ei+1、Fi+1，包括：提取Ei的主轴 Ei的主成分ti+1＝Ei·ωi+1；求取Ei对所述主成分ti+1的回归方程以及残差矩阵Ei+1为：
[0048]
[0049] 求取Fi对所述主成分ti+1的回归方程以及残差矩阵Fi+1为：
[0050]
[0051] 步骤403，利用舍一交叉验证法计算交叉有效性值
[0052] 可选的，在步骤403中，所述利用舍一交叉验证法计算交叉有效性值 包括：定义交叉有效性值 其中， yi为第i个温度样本数据， 为F0对所述主成分t1、t2…ti+1的回归方程的拟合值。
[0053] 例如，一次迭代终止，则主成分为t1， 为F0在t1上的回归方程得到的拟合值；假如二次迭代终止，则主成分为t1、t2， 为F0在t1、t2上的回归方程得到的拟合值。依次类推得到迭代终止时 的值。
[0054] 的求取过程如下：对n组模型构建样本数据分别进行如下计算：舍去第i组模型构建样本数据，利用剩余的n-1组模型构建样本数据执行402至403的步骤，建立对主成分的回归方程，并将第i组模型构建样本数据代入所述利用剩余的n-1组模型构建样本数据建立对主成分的回归方程，得到第i组模型构建样本数据的拟合值 求取每组模型构建样本数据中的温度样本数据与其对应的拟合值 之差的平方，得到所述PRESS。
[0055] 步骤404，判断所述交叉有效性值 是否小于或等于预设交叉有效性值C；若所述交叉有效性值 大于预设交叉有效性值C，则执行步骤405，若所述交叉有效性值 小于或等于预设交叉有效性值C，则执行步骤407。
[0056] 步骤405，若所述交叉有效性值 大于预设交叉有效性值C，则判断i+1是否小于T，即，迭代次数是否满足小于T的条件，若满足，则执行步骤406，若部满足，则执行步骤407。
[0057] 步骤406，若i+1
[0058] 步骤407，若所述交叉有效性值 小于或等于预设交叉有效性值C，或者，i+1≥T，则根据交叉有效性获得的i+1个主成分t1、t2…ti+1，求取F0对t1、t2…ti+1的多元线性回归方程F0＝t1r1'+t2r2'+…+ti+1r'i+1， 并将所述多元线性回归方程恢复为由E0表示，得到所述活塞表面最高温度预测模型。
[0059] 例如，基于台架试验采集50个样本点，设定交叉有效性C＝0.05，得到主成分提取结果如表2所示。由表2可知第一主成分提取后，计算得到的交叉有效性进行第二轮主成分提取，计算得到 确定主成分为t1、t2，停止迭代。
[0060] 表2：
[0061]
[0062] 由于t1、t2…ti+1均为E0的线性组合，因此，可以将所述多元线性回归方程F0＝t1r1'+t2r2'+…+ti+1r'i+1转换为由E0表示，得到最终的活塞表面最高温度预测模型，以便在模型的使用过程中，可以通过实时获取到的影响双燃料发动机活塞表面最高温度的影响因素数据代入活塞表面最高温度预测模型中，计算得到所述预测的最高温度。
[0063] 例如，令 则得到活塞表面最高温度预测模型为：
[0064]
[0065] 表3为11个不同工况下活塞最高温度实测值与利用所述活塞表面最高温度预测模型预测得到的最高温度对比表，从表3可知活塞表面最高温度实测值与利用所述活塞表面最高温度预测模型预测得到的最高温度的最大相对误差为2.17％。本发明的活塞表面最高温度预测模型预测活塞表面的最高温度准确性较高。
[0066] 表3：
[0067]
[0068] 图5示出了本发明实施例提供的一种预测双燃料发动机活塞表面最高温度的装置500的结构示意图，包括：
[0069] 获取单元501，用于实时获取影响双燃料发动机活塞表面最高温度的影响因素数据；所述影响因素数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；
[0070] 预测单元502，用于根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，并输出预测得到的所述双燃料发动机活塞表面的实时最高温度。
[0071] 所述装置500还包括：模型构建单元，所述模型构建单元包括获取子单元和构建子单元。
[0072] 所述获取子单元，用于获取n组模型构建样本数据，每组模型构建样本数据包括一个温度样本数据以及p个与所述温度样本数据对应的影响因素样本数据；所述影响因素样本数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度。
[0073] 所述构建子单元，用于利用所述模型构建样本数据，通过偏最小二乘回归法与舍一交叉验证算法构建所述活塞表面最高温度预测模型。
[0074] 所述构建子单元，还具体用于：
[0075] 利用所述影响因素样本数据构建自变量矩阵X＝(x1,x2,…,xp)n×p，利用所述温度样本数据构建因变量矩阵Y＝(y)n×1；并对所述自变量矩阵X＝(x1,x2,…,xp)n×p和所述因变量矩阵Y＝(y)n×1进行标准化，得到自变量矩阵X＝(x1,x2,…,xp)n×p的标准化矩阵Ei和因变量矩阵Y＝(y)n×1的标准化矩阵Fi，i＝0；
[0076] 初始化最大跌代次数为T，进入下述迭代步骤：
[0077] 提取Ei的主轴ωi+1和主成分ti+1，分别求取Ei和Fi对所述主成分ti+1的回归方程以及残差矩阵Ei+1、Fi+1；
[0078] 利用舍一交叉验证法计算交叉有效性值 并判断所述交叉有效性值 是否小于或等于预设交叉有效性值C；
[0079] 若所述交叉有效性值 大于预设交叉有效性值C，则判断i+1是否小于T；若i+1
[0080] 若所述交叉有效性值 小于或等于预设交叉有效性值C，或者，i+1≥T，则根据交叉有效性获得的i+1个主成分t1、t2…ti+1，求取F0对t1、t2…ti+1的多元线性回归方程并将所述多元线性回归方程恢复为由E0表示，得到所述活塞表面最高温度预测模型。
[0081] 所述利用舍一交叉验证法计算交叉有效性值 包括：
[0082] 定义交叉有效性值
[0083] 其中， yi为第i个温度样本数据， 为F0对所述主成分t1、t2…ti+1的回归方程的拟合值；
[0084] 的求取过程如下：
[0085] 对n组模型构建样本数据分别进行如下计算：舍去第i组模型构建样本数据，利用剩余的n-1组模型构建样本数据建立对主成分的回归方程，并将第i组模型构建样本数据代入所述利用剩余的n-1组模型构建样本数据建立对主成分的回归方程，得到第i组模型构建样本数据的拟合值
[0086] 求取每组模型构建样本数据中的温度样本数据与其对应的拟合值 之差的平方，得到所述PRESS。
[0087] 需要说明的是，为描述的方便和简洁，上述描述的一种预测双燃料发动机活塞表面最高温度的装置500的具体工作过程，可以参考图1至图4所述方法的对应过程，在此不再赘述。
[0088] 图6是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如，预测双燃料发动机活塞表面最高温度的程序。所述处理器60执行所述计算机程序62时实现上述各个预测双燃料发动机活塞表面最高温度的方法实施例中的步骤，例如图1所示的步骤101至102。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块501至502的功能。
[0089] 示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述终端设备6中的执行过程。例如，所述计算机程序62可以被分割成获取单元和预测单元，各单元具体功能如下：
[0090] 获取单元，用于实时获取影响双燃料发动机活塞表面最高温度的影响因素数据；所述影响因素数据包括发动机转速、柴油替代率、发动机功率、喷油提前角和NOx浓度；
[0091] 预测单元，用于根据所述影响因素数据，利用预先构建的活塞表面最高温度预测模型对所述双燃料发动机活塞表面的最高温度进行预测，并输出预测得到的所述双燃料发动机活塞表面的实时最高温度。
[0092] 所述终端设备6可以是独立于汽车的计算机设备，也可以是嵌入汽车中的ECU。所述终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的示例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
[0093] 所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。
[0094] 所述存储器61可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0095] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0096] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0097] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0098] 在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0099] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0100] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0101] 所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
[0102] 以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
