CN105912862A - 一种尾气排放量检测方法及大气污染分析方法和装置 - Google Patents

Abstract

本发明公开了一种尾气排放量检测方法及大气污染分析方法和装置，属于车联网技术领域。本发明将车联网技术应用于大气污染和环境监测，其解决了现有技术中机动车尾气排放量检测不准确的问题，并且具有极强的实时性，为大气污染的防治、监测和研究工作提供了新方法。

Description

一种尾气排放量检测方法及大气污染分析方法和装置

技术领域

本发明涉及车联网技术领域，特别是指一种尾气排放量检测方法及大气污染分析方法和装置。

背景技术

随着雾霾现象的多发，大气污染问题越来越受到人们的广泛关注。尤其是在大型城市，雾霾天气正日益成为威胁人们健康的重要因素，因而也引起了各级政府的关注。

众所周知，大气污染物主要有二氧化硫、PM2.5等等物质，其中PM2.5是形成雾霾的主要原因。PM2.5即指环境空气中空气动力学当量直径小于等于2.5微米的颗粒物，它能较长时间悬浮于空气中，其在空气中含量浓度越高，就代表空气污染越严重。虽然PM2.5只是地球大气成分中含量很少的组分，但它对空气质量和能见度具有重要的影响。与较粗的大气颗粒物相比，PM2.5粒径小，面积大，活性强，易附带有毒、有害物质(例如，重金属、微生物等)，且在大气中的停留时间长、输送距离远，因而对人体健康和大气环境质量的影响更大。

通常，人们认为，PM2.5的浓度主要受工业排废、焚烧秸秆、汽车尾气等人为因素，以及空气湿度、风力状况、土地荒漠化等自然因素的影响。但是，对于汽车尾气对大气污染的贡献问题目前还存有争议。

目前，国内外的研究机构主要是在大气监测中关注大气中二氧化硫、PM2.5的含量，而没有将污染影响因素与这些指标的监测值进行实时关联，因此也就无法以定量的方式描述机动车尾气、风速、风向、温度、湿度、气压等等因素对PM2.5指标的影响。

在此基础上，现有技术中已经出现了根据机动车尾气、风速、风向、温度、湿度、气压等等因素对PM2.5指标进行分析的方法。但是，这里存在的主要困难是，目前所获得的机动车尾气排放量还过于粗糙，尤其是难以获得机动车尾气排放量的实时准确值，因而不利于研究尾气排放与大气污染之间的确切关系，也不利于PM2.5指标的实时精确计算。

发明内容

有鉴于此，本发明的目的在于提出一种尾气排放量检测方法及大气污染分析方法和装置，能够对机动车的尾气排放量进行更加精确的检测，为PM2.5的计算提供更加准确的数据，并便于人们研究机动车尾气对大气污染的贡献大小，从而为大气污染的防治工作提供必要的参考。同时，本发明能够实时获取车辆的尾气排放情况，从而为PM2.5的实时计算和实时分析提供了必要条件。

基于上述目的，本发明提供的技术方案是：

一种尾气排放量检测方法，其包含：

通过车联网获取机动车的车型、瞬时速度，以及该机动车的n个尾气排放修正变量的实时值；

根据车型得到该机动车的标准排放率；

根据下式计算该机动车的尾气排放量：

$V\left(t\right)={\∫}_0^t\[b_{0}v\left(t\right)+{\mathrm{\Σ}}_{i=1}^n{b}_i{x}_i\left(t\right)\]dt,$

式中，V(t)表示时间t内一辆机动车的尾气排放量，b₀为机动车的标准排放率，v(t)为机动车的瞬时速度，x_i(t)表示该机动车n个尾气排放修正变量中第i个尾气排放修正变量的实时值，b_i表示x_i(t)所对应的修正系数；

尾气排放修正变量是用于表征车辆状态，并且与车辆的实时尾气排放速率相关的变量。

具体地，尾气排放修正变量可以包含以下九种：

用于表征车辆瞬时油耗和连续行驶时间内平均油耗的变量，

用于表征车辆故障码的变量，

用于表征车辆行驶总里程的变量，

用于表征车辆总行驶时长的变量，

用于表征车内设备开启状态的变量，

用于表征车辆坐标及海拔的变量，

用于表征车辆连续行驶时间的变量，

用于表征车辆在连续行驶时间内的最值速度和平均速度的变量，

用于表征车辆行驶平稳性的变量。

一种大气污染分析方法，其包含：

由上述尾气排放量检测方法计算一区域内每辆机动车的尾气排放量；

通过加和方式得到该区域的尾气排放总量；

将尾气排放总量与其他大气污染因素量化值共同组成该区域的大气污染分析判据；

获取若干组历史大气污染分析判据以及每组历史大气污染分析判据所对应的PM2.5实测值以作为训练素材；

使用训练素材对一神经网络进行训练，得到经过训练的神经网络；

将待处理的一组大气污染分析判据输入所述经过训练的神经网络，得到该组大气污染分析判据下的PM2.5计算值。

具体地，其他大气污染因素量化值可以包含温度量化值、湿度量化值、气压量化值、风力量化值、能见度量化值和紫外线量化值。

具体地，神经网络可以采用BP神经网络，该神经网络的网络结构为7×10×1的网络拓扑结构，该神经网络的神经元函数为Sigmoid特征函数。

具体地，风力量化值可以为将风力级数乘以十所得的数值。

一种大气污染分析装置，其包括：

尾气排放总量计算模块，用于使用上述尾气排放量检测方法计算一区域内每辆机动车的尾气排放量，并通过加和方式得到该区域的尾气排放总量；

大气污染分析判据生成模块，用于对除尾气排放总量外的其他大气污染因素进行量化，并将量化后所得的其他大气污染因素量化值与尾气排放总量一同组成大气污染分析判据；

训练模块，用于使用若干组历史大气污染分析判据以及每组历史大气污染分析判据所对应的PM2.5实测值对一神经网络进行训练，从而得到经过训练的神经网络；

计算模块，用于使用经过训练的神经网络，根据输入的待处理大气污染分析判据，得到该大气污染分析判据下的PM2.5计算值。

具体地，其他大气污染因素量化值可以包含温度量化值、湿度量化值、气压量化值、风力量化值、能见度量化值和紫外线量化值。

具体地，神经网络可以采用BP神经网络，该神经网络的网络结构为7×10×1的网络拓扑结构，该神经网络的神经元函数为Sigmoid特征函数。

具体地，风力量化值可以为将风力级数乘以十所得的数值。

从上面的论述可以看出，本发明的有益效果在于：

本发明在机动车标准排放率的基础上，进一步考虑了对尾气排放具有影响的其他因素，即尾气排放修正变量，这就使本发明在尾气排放量的检测方面具有比现有技术更高的准确度。在此基础上，本发明能够为PM2.5的计算提供更加准确的数据，便于人们研究机动车尾气对大气污染的贡献大小，从而为大气污染的防治工作提供必要的参考。同时，由于采用了车联网技术，因此本发明能够实时获取车辆的尾气排放情况，从而为PM2.5的实时计算和实时分析提供了必要条件。

总之，本发明是车联网技术在大气污染环境监测方面的一种重要应用，其解决了现有技术中机动车尾气排放量检测不准确的问题，并且具有极强的实时性，为大气污染的防治、监测和研究工作提供了新的方法。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中的一种车联网系统示意图；

图2为本发明实施例中一种大气污染分析方法的流程图；

图3为本发明实施例中一种大气污染分析装置的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定，后续实施例对此不再一一说明。

一种尾气排放量检测方法，其包含：

通过车联网获取机动车的车型、瞬时速度，以及该机动车的n个尾气排放修正变量的实时值；

根据车型得到该机动车的标准排放率；

根据下式计算该机动车的尾气排放量：

$V\left(t\right)={\∫}_0^t\[b_{0}v\left(t\right)+{\mathrm{\Σ}}_{i=1}^n{b}_i{x}_i\left(t\right)\]dt,$

式中，V(t)表示时间t内一辆机动车的尾气排放量，b₀为机动车的标准排放率，它是机动车的固有属性，只与车型相关，其值可以根据车辆的基本信息对照国四、国五排放标准获取，单位为g/km；v(t)为机动车的瞬时速度，单位为km/h，x_i(t)表示该机动车n个尾气排放修正变量中第i个尾气排放修正变量的实时值，b_i表示x_i(t)所对应的修正系数；

尾气排放修正变量是用于表征车辆状态，并且与车辆的实时尾气排放速率相关的变量。比如，在怠速和减速时，一氧化碳和碳氢化合物的排放较高，而车速较高时，氮氧化合物的排放较多。

具体地，由于影响尾气排放的因素很多，经过筛选，尾气排放修正变量可以包含以下九种：

用于表征车辆瞬时油耗和连续行驶时间内平均油耗的变量，

用于表征车辆故障码的变量，

用于表征车辆行驶总里程的变量，

用于表征车辆总行驶时长的变量，

用于表征车内设备开启状态的变量，

用于表征车辆坐标及海拔的变量，

用于表征车辆连续行驶时间的变量，

用于表征车辆在连续行驶时间内的最值速度和平均速度的变量，

用于表征车辆行驶平稳性的变量。

关于修正系数b_i的确定，在现有技术的多篇文献中均有述及，比如，王玉伟在《轻型汽油车海拔环境排放和油耗特性的研究》(《汽车科技》2014年03期)中讨论了尾气排放随海拔高度的变化规律；李泽新在《山地城市道路交通环境特点及其控制对策》(《山地学报》2014年01期)中讨论了机动车尾气与道路等级、坡度、曲度的关系；余柳燕在《汽车燃料经济性试验方法与评价体系》(《武汉理工大学》2008年)中讨论了汽车载重量、行驶速度、道路坡度、汽车行驶里程、汽车加减档、空调开关、燃油差异等因素对机动车尾气及油耗的影响。因此，本领域技术人员在现有技术的范围内，能够根据本发明所给出的尾气排放修正变量确定它们相应的修正系数。

一种大气污染分析方法，其包含：

由上述尾气排放量检测方法计算一区域内每辆机动车的尾气排放量；

通过加和方式得到该区域的尾气排放总量；

将尾气排放总量与其他大气污染因素量化值共同组成该区域的大气污染分析判据；

获取若干组历史大气污染分析判据以及每组历史大气污染分析判据所对应的PM2.5实测值以作为训练素材；

使用训练素材对一神经网络进行训练，得到经过训练的神经网络；

将待处理的一组大气污染分析判据输入所述经过训练的神经网络，得到该组大气污染分析判据下的PM2.5计算值。

该方法使用神经网络计算PM2.5，具有更广泛的适用性。实际上，如果各项因素对PM2.5的指数变化存在强线性关系，且各项因素相互之间无明显的相关性时，也可以采用多元线性回归的方法确定PM2.5指数随各项因素的变化关系；若有的因素相关性强、有的因素相关性弱，且各因素之间有明显的相关性，则可采用主成分分析的方法，确定主要影响因子之后再进行多元线性回归分析。

具体地，其他大气污染因素量化值可以包含温度量化值、湿度量化值、气压量化值、风力量化值、能见度量化值和紫外线量化值，其中紫外线量化值可以直接采用紫外线指数。

具体地，神经网络可以采用BP神经网络，该神经网络的网络结构为7×10×1的网络拓扑结构，该神经网络的神经元函数为Sigmoid特征函数。

具体地，风力量化值可以为将风力级数乘以十所得的数值。

一种大气污染分析装置，其包括：

尾气排放总量计算模块，用于使用上述尾气排放量检测方法计算一区域内每辆机动车的尾气排放量，并通过加和方式得到该区域的尾气排放总量；

大气污染分析判据生成模块，用于对除尾气排放总量外的其他大气污染因素进行量化，并将量化后所得的其他大气污染因素量化值与尾气排放总量一同组成大气污染分析判据；

训练模块，用于使用若干组历史大气污染分析判据以及每组历史大气污染分析判据所对应的PM2.5实测值对一神经网络进行训练，从而得到经过训练的神经网络；

计算模块，用于使用经过训练的神经网络，根据输入的待处理大气污染分析判据，得到该大气污染分析判据下的PM2.5计算值。

具体地，其他大气污染因素量化值可以包含温度量化值、湿度量化值、气压量化值、风力量化值、能见度量化值和紫外线量化值，其中紫外线量化值可以直接采用紫外线指数。

具体地，神经网络可以采用BP神经网络，该神经网络的网络结构为7×10×1的网络拓扑结构，该神经网络的神经元函数为Sigmoid特征函数。

具体地，风力量化值可以为将风力级数乘以十所得的数值。

作为本发明尾气排放量检测方法的一种实施例，如图1所示，机动车通过车辆OBD接口102与车联网系统101连接，并将车辆的车况信息103、行驶状态104和路况信息105传送给远程的接收端；其中车况信息103包括车辆行驶的总里程131、总驾驶时长132和车辆的故障码133，行驶状态104包括车内设备开启状态141、统计时间内车辆行驶的最低速度142和最高速度143、车辆的瞬时油耗144、统计时间内车辆行驶的平均油耗145和平均速度147、瞬时速度146、急加速148以及急减速149，路况信息105包括车辆的坐标151、海拔152和上下坡153。

其中，车内设备开启状态141可以通过以0和1表示关闭和开启的方式进行量化，急加速148和急减速149都可以瞬时加速度的方式进行量化，上下坡153可以路况坡度的方式进行量化，相关的路况信息可以通过机动车所处的地理坐标从已有的地图信息中获得。

将这些信息作为车辆的尾气排放修正变量，并通过现有技术的相关理论确定尾气排放修正变量对应的修正系数，即可通过公式

$V\left(t\right)={\∫}_0^t\[b_{0}v\left(t\right)+\underset{i=1}{\overset{n}{\Σ}}{b}_i{x}_i\left(t\right)\]dt$

计算车辆的尾气排放量。上式中的b₀由车辆的车型决定，该车型信息以及车辆的瞬时速度v(t)也可由车辆OBD接口102获得。

此外，尾气排放修正变量还可以采用更加广泛的指标，如下表1所列：

表1。

作为本发明大气污染分析方法的一种实施例，如图2所示，按照如下步骤进行：

步骤201，通过车联网获取一区域内每辆车的尾气排放修正变量；

步骤202，根据上例的方法计算区域内每辆车的尾气排放量，再将它们进行简单加和即得该区域内的尾气排放总量；

步骤203，获取一定时间内该区域的温度、湿度、气压、风力、能见度和紫外线指数等历史数据，并将这些数据按照时间顺序排列；

步骤204，查看数据中是否存在时间上相邻且等级相同的两个风力数据，若有则转到步骤205，否则转至步骤206；

步骤205，将靠后的风力等级改为其前后两个风力等级的算数平均值，若靠后的风力数据为最后一个数据，则将其加上0.5，这样是为了对风力数据进行进一步的精细化；

步骤206，将风力等级乘以十即得风力数据的量化值，其他参数可直接以其取值作为量化值；

步骤207，将包括尾气排放总量在内的所有数据按照时间顺序排列，同一时间内的一组数据即构成一组当时的大气污染分析判据；

步骤208，获取每组大气污染分析判据所对应的其时的PM2.5实测值；

步骤209，使用收集到的历史大气污染分析判据及其所对应的PM2.5实测值对BP神经网络进行训练，得到经过训练的BP神经网络；该神经网络可取网络结构为7×10×1的BP神经网络，该神经网络的神经元函数可取为Sigmoid特征函数，训练时可取学习率η＝0.3、误差标准ε＝0.005；

步骤210，根据训练好的BP神经网络，即可对任何一组输入的大气污染分析判据计算其对应的PM2.5计算值。

使用该实施例可以实时的快速得出PM2.5指数，从而对该地的大气污染情况进行实时监控。另外，该方法实际上也提出了一种大气污染分析模型，即，使用本方法中经过训练的BP神经网络，可以对各大气污染因素的影响大小进行理论分析，从而为大气污染的防治工作进行理论指导。

值得注意的是，本方法中的步骤并不是固定的，比如步骤203至步骤206也可移至步骤201的前面，本实施例所设定的大气污染因素也不是一成不变的，本领域技术人员完全可以在本实施例方法的框架之下选择其他因素。此外，本实施例中大气污染因素量化方法、风力数据的处理方法、神经网络的具体参数，以及神经网络训练的具体指标等显然也是可以根据实际情况而改变的，比如风力的量化可以直接使用未经处理的风力级数，在此不再一一赘述。

因此，本领域技术人员在充分理解本实施例方法的前提下，可以在不改变本实施例方法的情况下对本实施例方法进行任何变形，这些变形都应当处于本发明的保护范围之内。

作为本发明大气污染分析装置的一种实施例，如图3所示，其包含尾气排放总量计算模块301、大气污染分析判据生成模块302、训练模块303和计算模块304，训练模块303用于训练BP神经网络305。其中相应模块的功能和作用已在上文有过论述，此处不再赘述。

但是，需要注意的是，本实施例所称装置可以是一种专用装置，也可以是装有实现本装置功能的电脑或其他智能设备，本例中所称的各个模块仅为功能模块，并非彼此分立的物理个体，因此有可能在同一个物理模块上同时实现多个本例中所述的功能模块，或是将本例中的一个功能模块分散到多个物理模块中，这些变种都应处于本发明的保护范围之内。

总之，本发明是车联网技术在大气污染环境监测方面的一种重要应用，其解决了现有技术中机动车尾气排放量检测不准确的问题，并且具有极强的实时性，为大气污染的防治、监测和研究工作提供了新的方法。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种尾气排放量检测方法，其特征在于，包含：

通过车联网获取机动车的车型、瞬时速度，以及该机动车的n个尾气排放修正变量的实时值；

根据车型得到该机动车的标准排放率；

根据下式计算该机动车的尾气排放量：

$V\left(t\right)={\∫}_0^t\[b_{0}v\left(t\right)+{\mathrm{\Σ}}_{i=1}^n{b}_i{x}_i\left(t\right)\]dt,$

式中，V(t)表示时间t内一辆机动车的尾气排放量，b₀为机动车的标准排放率，v(t)为机动车的瞬时速度，x_i(t)表示该机动车n个尾气排放修正变量中第i个尾气排放修正变量的实时值，b_i表示x_i(t)所对应的修正系数；

所述尾气排放修正变量是用于表征车辆状态，并且与车辆的实时尾气排放速率相关的变量。

2.根据权利要求1所述的尾气排放量检测方法，其特征在于，所述尾气排放修正变量包含以下九种：

用于表征车辆瞬时油耗和连续行驶时间内平均油耗的变量，

用于表征车辆故障码的变量，

用于表征车辆行驶总里程的变量，

用于表征车辆总行驶时长的变量，

用于表征车内设备开启状态的变量，

用于表征车辆坐标及海拔的变量，

用于表征车辆连续行驶时间的变量，

用于表征车辆在连续行驶时间内的最值速度和平均速度的变量，

用于表征车辆行驶平稳性的变量。

3.一种大气污染分析方法，其特征在于，包含：

由如权利要求1或2所述方法计算一区域内每辆机动车的尾气排放量；

通过加和方式得到该区域的尾气排放总量；

将尾气排放总量与其他大气污染因素量化值共同组成该区域的大气污染分析判据；

获取若干组历史大气污染分析判据以及每组历史大气污染分析判据所对应的PM2.5实测值以作为训练素材；

使用所述训练素材对一神经网络进行训练，得到经过训练的神经网络；

将待处理的一组大气污染分析判据输入所述经过训练的神经网络，得到该组大气污染分析判据下的PM2.5计算值。

4.根据权利要求3所述的大气污染分析方法，其特征在于，所述其他大气污染因素量化值包含温度量化值、湿度量化值、气压量化值、风力量化值、能见度量化值和紫外线量化值。

5.根据权利要求3所述的大气污染分析方法，其特征在于，所述神经网络为BP神经网络，所述神经网络的网络结构为7×10×1的网络拓扑结构，所述神经网络的神经元函数为Sigmoid特征函数。

6.根据权利要求4所述的大气污染分析方法，其特征在于，所述风力量化值为将风力级数乘以十所得的数值。

7.一种大气污染分析装置，其特征在于，包括：

尾气排放总量计算模块，用于使用如权利要求1或2所述方法计算一区域内每辆机动车的尾气排放量，并通过加和方式得到该区域的尾气排放总量；

大气污染分析判据生成模块，用于对除尾气排放总量外的其他大气污染因素进行量化，并将量化后所得的其他大气污染因素量化值与尾气排放总量一同组成大气污染分析判据；

训练模块，用于使用若干组历史大气污染分析判据以及每组历史大气污染分析判据所对应的PM2.5实测值对一神经网络进行训练，从而得到经过训练的神经网络；

计算模块，用于使用经过训练的神经网络，根据输入的待处理大气污染分析判据，得到该大气污染分析判据下的PM2.5计算值。

8.根据权利要求7所述的大气污染分析装置，其特征在于，所述其他大气污染因素量化值包含温度量化值、湿度量化值、气压量化值、风力量化值、能见度量化值和紫外线量化值。

9.根据权利要求7所述的大气污染分析装置，其特征在于，所述神经网络为BP神经网络，所述神经网络的网络结构为7×10×1的网络拓扑结构，所述神经网络的神经元函数为Sigmoid特征函数。

10.根据权利要求8所述的大气污染分析装置，其特征在于，所述风力量化值为将风力级数乘以十所得的数值。