CN111639683B - 基于obd技术评价柴油车氮氧化物排放等级的方法 - Google Patents

基于obd技术评价柴油车氮氧化物排放等级的方法 Download PDF

Info

Publication number
CN111639683B
CN111639683B CN202010407174.5A CN202010407174A CN111639683B CN 111639683 B CN111639683 B CN 111639683B CN 202010407174 A CN202010407174 A CN 202010407174A CN 111639683 B CN111639683 B CN 111639683B
Authority
CN
China
Prior art keywords
nox
diesel vehicle
obd
nitrogen oxide
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010407174.5A
Other languages
English (en)
Other versions
CN111639683A (zh
Inventor
徐为标
任洪娟
胡磬遥
黄成�
王孟昊
韩雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN202010407174.5A priority Critical patent/CN111639683B/zh
Publication of CN111639683A publication Critical patent/CN111639683A/zh
Application granted granted Critical
Publication of CN111639683B publication Critical patent/CN111639683B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明涉及一种基于OBD技术评价柴油车氮氧化物排放等级的方法，基于OBD技术获取待检测柴油车不同工况的NOx值后，随机选取运动学片段中固定长度v对应的NOx值，并将其归一化处理后输入到训练好的神经网络模型中，由其输出氮氧化物排放等级的代表数值后，确定氮氧化物排放等级；训练过程为：首先以一辆柴油车作为一个样本，获取多个样本不同工况的NOx值，对NOx值划分区间，计算每一个样本的各个NOx区间占比，然后进行聚类，并确定每类对应的氮氧化物排放等级，最后从每类中提取样本，训练神经网络模型直到达到终止条件。本发明能够评价柴油车氮氧化物排放等级，有利于政府对NOx高排放车的监管，同时有利于环境保护。

Description

基于OBD技术评价柴油车氮氧化物排放等级的方法
技术领域
本发明属尾气排放诊断技术领域，涉及一种基于OBD技术评价柴油车氮氧化物排放等级的方法，具体地说是利用OBD终端设备采集数据并通过聚类法和神经网络算法评价柴油车氮氧化物排放等级。
背景技术
柴油车直喷、压燃方式、稀薄燃烧的特点导致柴油发动机燃烧室内温度高、氧气充足，进而导致NOx(氮氧化物)尾气排放增多。NOx尾气排放是中国当前面临的主要的大气污染问题之一，对人群健康和自然环境具有重要影响。
近年来，国家及地方政府对于NOx排放越来越重视。其中通过车载排放测量法(Portable Emission Measurement System)研究重型柴油车实际道路NOx排放特征比较成熟，但其测试比较复杂、成本比较高，无法广泛推广使用。而基于OBD车载终端的远程监控方法逐渐成熟，OBD车载终端具有轻巧、安装方便、能够广泛推广的特点。柴油车安装OBD车载终端，具有实时监控柴油车的作用，其中通过OBD车载终端中的信息读取模块读取车辆发动机运行工况信息、NOx浓度信息等，通过通讯模块将读取的信息上传到监控系统平台中并存储在监控终端中。但通过安装OBD车载终端只能监控车辆排放的NOx浓度值，无法直接判断柴油车氮氧化物排放等级。
现有的检测柴油车氮氧化物的排放方法是基于汽车检测中心通过工况法检测尾气排放，遥感测试法及车载排放测量法(Portable Emission Measurement System)；其中通过工况法检测尾气排放需要固定检测中心，检测周期太长；遥感测试法受气候条件影响大，测试结果的具有不确定性；车载排放测量法检测周期过长，且检测仪器的拆装也较为费时，测试费用贵，无法大面积推广。
发明内容
本发明的目的是解决现有尾气排放检测技术的诊断周期长、实用性差的问题，提供一种基于OBD技术评价柴油车氮氧化物排放等级的方法，以快速、高效、准确地评价柴油车氮氧化物排放等级。
为达到上述目的，本发明采用的技术方案如下：
基于OBD技术评价柴油车氮氧化物排放等级的方法，基于OBD技术获取待检测柴油车不同工况的NOx值后，随机选取运动学片段中固定长度v对应的NOx值，并将其归一化处理后输入到训练好的神经网络模型中，由其输出氮氧化物排放等级的代表数值后，确定氮氧化物排放等级；
神经网络模型是由输入层、隐藏层和输出层组成的全连接神经网络模型；
训练过程为：首先以一辆柴油车作为一个样本，基于OBD技术获取多个样本不同工况的NOx值，对NOx值划分区间，计算每一个样本的各个NOx区间占比，即将NOx值划分为f个区间，分区间计算每个样本变量Pi，其中变量Pi为样本中位于第i个区间的NOx值数量占每个样本的NOx值总数量的比例，1≤i≤f，i越小，对应的NOx值区间越低，然后利用多个样本的各个NOx区间占比的数据进行聚类，并确定每类对应的氮氧化物排放等级，最后从每类中提取样本，针对提取样本随机选取运动学片段中固定长度v对应的NOx值，将其归一化处理后作为神经网络模型的输入，将其对应的氮氧化物排放等级的代表数值作为神经网络模型的理论输出，不断调整神经网络模型的权值和阈值，直到达到终止条件；
聚类的步骤如下：
(1)运用最小距离法计算每个样本之间的距离，公式如下：
Figure BDA0002491747920000021
式中，dxy为样本x与样本y之间的距离，Pxi为样本x对应的Pi，Pyi为样本y对应的Pi；
(2)将距离最小的样本合并成一个新类；
(3)重新计算新类与其它样本之间的距离；
(4)重复步骤(2)和步骤(3)，直到所有样本聚为g类；
确定每类对应的氮氧化物排放等级的步骤如下：
(a)计算聚类后第k类对应的第i个区间变量均值
Figure BDA0002491747920000022
1≤k≤g，公式如下：
Figure BDA0002491747920000023
式中，n为第k类中的样本总数，Pij为第k类中第j个样本对应的Pi；
(b)根据区间i的NOX值对尾气排放的重要程度为f个区间变量均值分配权重，其中，第k类对应的第i个区间变量均值
Figure BDA0002491747920000024
的权重为wi；
(c)计算第k类的综合值q，公式如下：
Figure BDA0002491747920000025
(d)按照综合值q越大氮氧化物排放等级越高的原则，确定样本氮氧化物排放等级。
作为优选的技术方案：
如上所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，基于OBD技术获取柴油车不同工况的NOx值的过程为：通过OBD车载终端采集柴油车逐天逐秒的运行信息及SCR系统后端NOx排放浓度；运行信息包括车辆号牌、时间、经纬度、车速和发动机转速；采集时，采集频率为1Hz，采集车辆数≥500，每辆车采集天数≥30天，车辆运行总里程>2km。
如上所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，v为300s。
如上所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，多个样本的数量≥500。
如上所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，聚类开始前，对柴油车不同工况的NOx值进行预处理，剔除无效数据。
如上所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，f个区间依次为：(0,500×10-6]、(500×10-6,900×10-6]、(900×10-6,1200×10-6]、(1200×10-6,1500×10-6]、(1500×10-6,2500×10-6]。
如上所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，g类为四类。
如上所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，第k类对应的f个变量均值的权重依次为：0.4、0.2、0.2、0.1、0.1。
如上所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，综合值q与氮氧化物排放等级的对应关系为：q∈(0.37,0.4]，氮氧化物排放等级为优；q∈(0.34,0.37]，氮氧化物排放等级为良；q∈(0.31,0.34]，氮氧化物排放等级为中；q∈(0.1,0.31]，氮氧化物排放等级为差；氮氧化物排放等级的代表数值依次为1、2、3、4，1代表优，2代表良，3代表中，4代表差。
如上所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，输入层由v个节点组成；
隐藏层为单层，节点数由系统确定，激活函数如下：
Figure BDA0002491747920000031
输出层由4个节点组成，激活函数为Softmax；
隐藏层节点分别与输入层节点和输出层节点之间通过权连接，同一层节点之间没有联系；
终止条件为：训练次数达到300次且最终训练的准确率达到98％以上。
本发明的方法用于评判柴油车尾气排放的优劣程度，属于尾气排放诊断领域。本发明实施的方法包括：通过OBD(On-Board Diagnostics)终端设备采集车辆逐天逐秒的运行信息及SCR(selective catalytic reduction)系统后端NOx浓度；将采集到车辆逐天逐秒的SCR系统后端NOx浓度进行工况占比分类；运用聚类法对SCR系统后端NOx浓度占比进行聚类，判断出柴油车尾气排放的优劣程度；基于聚类结果训练神经网络模型，通过神经网络模型评价柴油车氮氧化物排放等级的方法。
本发明基于聚类结果训练神经网络模型评价柴油车氮氧化物排放等级。聚类法的思想是按照样本之间的相关程度进行分类，即将样本数值特征类似的聚成一类(聚类)，根据聚类特征客观的判断样本数据的特征。本发明基于OBD技术获取多辆柴油车不同工况的NOx值，对NOx值划分区间，计算每一辆柴油车的各个NOx区间占比，然后利用多辆柴油车的各个NOx区间占比的数据进行聚类，根据聚类结果确定每类对应的氮氧化物排放等级。
神经网络具有诊断的作用，通过训练数据集的方法对柴油车氮氧化物排放等级进行诊断，其思想是根据聚类结果，提取出每类中各辆柴油车样本，针对提取的样本随机选取运动学片段中固定长度v对应的NOx值，将其归一化处理后作为神经网络模型的输入，将其对应的氮氧化物排放等级的代表数值作为神经网络模型的理论输出，不断调整神经网络模型的权值和阈值，直到达到终止条件；通过运用OBD终端设备读取待检测的柴油车不同工况的NOx值，随机选取运动学片段中固定长度为300s对应的NOx值，输入到训练好的神经网络模型中，直接评判该柴油车NOx的排放等级。
有益效果：
本发明的方法能够快速、高效、准确地评价柴油车氮氧化物排放等级，具有诊断周期短、实用性强等特点。
附图说明
图1和图2为基于OBD技术评价柴油车氮氧化物排放等级的方法的流程图；
图3为神经网络模型的结构示意图；
图4为SCR系统后端NOx区间占比分类流程图；
图5为NOx区间占比聚类示意图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
基于OBD技术评价柴油车氮氧化物排放等级的方法，如图1和图2所示，步骤如下：
(1)构建神经网络模型；
如图3所示，神经网络模型是由输入层、隐藏层和输出层组成的全连接神经网络模型；
输入层由v个节点组成；
隐藏层为单层，节点数由系统确定，激活函数如下：
Figure BDA0002491747920000051
输出层由4个节点组成，分别为1、2、3和4，其对应的是优、良、中和差四个等级，激活函数为Softmax；
隐藏层节点分别与输入层节点和输出层节点之间通过权连接，同一层节点之间没有联系；
(2)训练神经网络模型；
(2.1)以一辆柴油车作为一个样本，基于OBD技术获取多个样本(数量≥500)不同工况的NOx值(通过OBD车载终端采集柴油车逐天逐秒的运行信息及SCR系统后端NOx排放浓度；运行信息包括车辆号牌、时间、经纬度、车速和发动机转速；采集时，采集频率为1Hz，采集车辆数≥500，每辆车采集天数≥30天，车辆运行总里程>2km)；
(2.2)对柴油车不同工况的NOx值进行预处理，剔除无效数据；
(2.3)如图4所示，对NOx值划分区间，计算每一个样本的各个NOx区间占比，即将NOx值划分为f个区间，f个区间依次为：(0,500×10-6]、(500×10-6,900×10-6]、(900×10-6,1200×10-6]、(1200×10-6,1500×10-6]、(1500×10-6,2500×10-6]，分区间计算每个样本变量Pi，其中变量Pi为样本中位于第i个区间的NOx值数量占每个样本的NOx值总数量的比例，1≤i≤f，i越小，对应的NOx值区间越低，即计算(0,500×10-6]工况数量、(500×10-6,900×10-6]工况数量、(900×10-6,1200×10-6]工况数量、(1200×10-6,1500×10-6]工况数量、(1500×10-6,2500×10-6]工况数量后，再计算(0,500×10-6]工况占比、(500×10-6,900×10-6]工况占比、(900×10-6,1200×10-6]工况占比、(1200×10-6,1500×10-6]工况占比、(1500×10-6,2500×10-6]工况占比；
(2.4)如图5所示，利用多个样本的各个NOx区间占比的数据进行聚类，并确定每类对应的氮氧化物排放等级；
(2.4.1)运用最小距离法计算每个样本之间的距离，公式如下：
Figure BDA0002491747920000052
式中，dxy为样本x与样本y之间的距离，Pxi为样本x对应的Pi，Pyi为样本y对应的Pi；
(2.4.2)将距离最小的样本合并成一个新类；
(2.4.3)重新计算新类与其它样本之间的距离；
(2.4.4)重复步骤(2.4.2)和步骤(2.4.3)，直到所有样本聚为g类(四类)；
(2.4.5)计算聚类后第k类对应的第i个区间变量均值
Figure BDA0002491747920000053
1≤k≤g，公式如下：
Figure BDA0002491747920000061
式中，n为第k类中的样本总数，Pij为第k类中第j个样本对应的Pi；
(2.4.6)根据区间i的NOX值对尾气排放的重要程度为f个区间变量均值分配权重，其中，第k类对应的第i个区间变量均值
Figure BDA0002491747920000062
的权重为wi，第k类对应的f个变量均值的权重依次为：0.4、0.2、0.2、0.1、0.1；
(2.4.7)计算第k类的综合值q，公式如下：
Figure BDA0002491747920000063
(2.4.8)按照综合值q越大氮氧化物排放等级越高的原则，确定样本氮氧化物排放等级，综合值q与氮氧化物排放等级的对应关系为：q∈(0.37,0.4]，氮氧化物排放等级为优；q∈(0.34,0.37]，氮氧化物排放等级为良；q∈(0.31,0.34]，氮氧化物排放等级为中；q∈(0.1,0.31]，氮氧化物排放等级为差；氮氧化物排放等级的代表数值依次为1、2、3、4，1代表优，2代表良，3代表中，4代表差；
(2.5)从每类中提取样本，针对提取样本随机选取运动学片段中固定长度v(v为300s)对应的NOx值，将其归一化处理后作为神经网络模型的输入，将其对应的氮氧化物排放等级的代表数值作为神经网络模型的理论输出，不断调整神经网络模型的权值和阈值，直到达到终止条件，即训练次数达到300次且最终训练的准确率达到98％以上；
运动学片段是指车辆从怠速开始至下一个怠速开始之间的车速区间；
提取的运动学片段的长度为300s对应的NOx值，组成一个数组A1；
所有的样本车辆均选择运动学片段的长度为300s对应的NOx值，组成数组A2、A3……A500，若样本车辆没有300s的运动学片段的长度，则选择稍大于300s的运动学片段，在其中随机选取300s的工况；
训练结束后，还提取剩下的样本数据，作为各组检验样本数据，各组检验样本数据分别包括300个NOx值；
(3)基于OBD技术获取待检测柴油车不同工况的NOx值(通过OBD车载终端采集柴油车逐天逐秒的运行信息及SCR系统后端NOx排放浓度；运行信息包括车辆号牌、时间、经纬度、车速和发动机转速；采集时，采集频率为1Hz，采集车辆数≥500，每辆车采集天数≥30天，车辆运行总里程>2km)后，随机选取运动学片段中固定长度v(v为300s)对应的NOx值，并将其归一化处理后输入到训练好的神经网络模型中，由其输出氮氧化物排放等级的代表数值后，确定氮氧化物排放等级。

Claims (10)

1.基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征是：基于OBD技术获取待检测柴油车不同工况的NOx值后，随机选取运动学片段中固定长度v对应的NOx值，并将其归一化处理后输入到训练好的神经网络模型中，由其输出氮氧化物排放等级的代表数值后，确定氮氧化物排放等级；
神经网络模型是由输入层、隐藏层和输出层组成的全连接神经网络模型；
训练过程为：首先以一辆柴油车作为一个样本，基于OBD技术获取多个样本不同工况的NOx值，对NOx值划分区间，计算每一个样本的各个NOx区间占比，即将NOx值划分为f个区间，分区间计算每个样本变量Pi，其中变量Pi为样本中位于第i个区间的NOx值数量占每个样本的NOx值总数量的比例，1≤i≤f，i越小，对应的NOx值区间越低，然后利用多个样本的各个NOx区间占比的数据进行聚类，并确定每类对应的氮氧化物排放等级，最后从每类中提取样本，针对提取样本随机选取运动学片段中固定长度v对应的NOx值，将其归一化处理后作为神经网络模型的输入，将其对应的氮氧化物排放等级的代表数值作为神经网络模型的理论输出，不断调整神经网络模型的权值和阈值，直到达到终止条件；
聚类的步骤如下：
(1)运用最小距离法计算每个样本之间的距离，公式如下：
Figure FDA0002491747910000011
式中，dxy为样本x与样本y之间的距离，Pxi为样本x对应的Pi，Pyi为样本y对应的Pi；
(2)将距离最小的样本合并成一个新类；
(3)重新计算新类与其它样本之间的距离；
(4)重复步骤(2)和步骤(3)，直到所有样本聚为g类；
确定每类对应的氮氧化物排放等级的步骤如下：
(a)计算聚类后第k类对应的第i个区间变量均值
Figure FDA0002491747910000012
1≤k≤g，公式如下：
Figure FDA0002491747910000013
式中，n为第k类中的样本总数，Pij为第k类中第j个样本对应的Pi；
(b)根据区间i的NOX值对尾气排放的重要程度为f个区间变量均值分配权重，其中，第k类对应的第i个区间变量均值
Figure FDA0002491747910000021
的权重为wi；
(c)计算第k类的综合值q，公式如下：
Figure FDA0002491747910000022
(d)按照综合值q越大氮氧化物排放等级越高的原则，确定样本氮氧化物排放等级。
2.根据权利要求1所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征在于，基于OBD技术获取柴油车不同工况的NOx值的过程为：通过OBD车载终端采集柴油车逐天逐秒的运行信息及SCR系统后端NOx排放浓度；运行信息包括车辆号牌、时间、经纬度、车速和发动机转速；采集时，采集频率为1Hz，采集车辆数≥500，每辆车采集天数≥30天，车辆运行总里程>2km。
3.根据权利要求1所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征在于，v为300s。
4.根据权利要求1所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征在于，多个样本的数量≥500。
5.根据权利要求1所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征在于，聚类开始前，对柴油车不同工况的NOx值进行预处理，剔除无效数据。
6.根据权利要求1所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征在于，f个区间依次为：(0,500×10-6]、(500×10-6,900×10-6]、(900×10-6,1200×10-6]、(1200×10-6,1500×10-6]、(1500×10-6,2500×10-6]。
7.根据权利要求6所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征在于，g类为四类。
8.根据权利要求7所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征在于，第k类对应的f个变量均值的权重依次为：0.4、0.2、0.2、0.1、0.1。
9.根据权利要求8所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征在于，综合值q与氮氧化物排放等级的对应关系为：q∈(0.37,0.4]，氮氧化物排放等级为优；q∈(0.34,0.37]，氮氧化物排放等级为良；q∈(0.31,0.34]，氮氧化物排放等级为中；q∈(0.1,0.31]，氮氧化物排放等级为差；氮氧化物排放等级的代表数值依次为1、2、3、4，1代表优，2代表良，3代表中，4代表差。
10.根据权利要求9所述的基于OBD技术评价柴油车氮氧化物排放等级的方法，其特征在于，输入层由v个节点组成；
隐藏层为单层，节点数由系统确定，激活函数如下：
Figure FDA0002491747910000031
输出层由4个节点组成，激活函数为Softmax；
隐藏层节点分别与输入层节点和输出层节点之间通过权连接，同一层节点之间没有联系；
终止条件为：训练次数达到300次且最终训练的准确率达到98％以上。
CN202010407174.5A 2020-05-14 2020-05-14 基于obd技术评价柴油车氮氧化物排放等级的方法 Active CN111639683B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010407174.5A CN111639683B (zh) 2020-05-14 2020-05-14 基于obd技术评价柴油车氮氧化物排放等级的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010407174.5A CN111639683B (zh) 2020-05-14 2020-05-14 基于obd技术评价柴油车氮氧化物排放等级的方法

Publications (2)

Publication Number Publication Date
CN111639683A CN111639683A (zh) 2020-09-08
CN111639683B true CN111639683B (zh) 2022-05-27

Family

ID=72332007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010407174.5A Active CN111639683B (zh) 2020-05-14 2020-05-14 基于obd技术评价柴油车氮氧化物排放等级的方法

Country Status (1)

Country Link
CN (1) CN111639683B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112486962A (zh) * 2020-11-23 2021-03-12 中汽研汽车检验中心（天津）有限公司 一种提取组合短片段计算重型柴油车NOx排放的方法
CN112730748B (zh) * 2020-12-25 2022-12-09 中汽研汽车检验中心（天津）有限公司 一种基于工况选择的大规模筛查重型柴油车高NOx排放方法
CN113158125B (zh) * 2021-03-31 2022-12-27 中汽研汽车检验中心（天津）有限公司 一种基于车联网的柴油车NOx排放评测方法
CN113283719A (zh) * 2021-05-12 2021-08-20 中国环境科学研究院 氮氧化物排放特征分析方法、设备及计算机可读存储介质
CN113722837B (zh) * 2021-09-16 2023-09-29 吉林大学 根据不同工况的数据簇建立柴油车辆油耗与排放模型方法
CN115063050A (zh) * 2022-08-16 2022-09-16 武汉科技大学 一种基于大数据的重型柴油车NOx排放清单确定方法
CN117056333B (zh) * 2023-10-11 2024-01-12 北京市生态环境监测中心 远程在线评估重型车净化装置的净化效率的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504238A (zh) * 2014-11-21 2015-04-08 国家电网公司 一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法
CN106650825A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种机动车尾气排放数据融合系统
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN110363347A (zh) * 2019-07-12 2019-10-22 江苏天长环保科技有限公司 基于决策树索引的神经网络预测空气质量的方法
CN110618340A (zh) * 2019-03-11 2019-12-27 广东工业大学 一种变压器状态评估方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014006321A1 (de) * 2014-04-30 2015-11-05 Avl List Gmbh System und Verfahren zur Analyse der Energieeffizienz eines Kraftfahrzeugs, insbesondere einer Vorrichtung des Kraftfahrzeugs

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504238A (zh) * 2014-11-21 2015-04-08 国家电网公司 一种基于神经网络的燃煤机组氮氧化物排放浓度预测方法
CN106650825A (zh) * 2016-12-31 2017-05-10 中国科学技术大学 一种机动车尾气排放数据融合系统
CN106845371A (zh) * 2016-12-31 2017-06-13 中国科学技术大学 一种城市路网机动车尾气排放遥感监控系统
CN110618340A (zh) * 2019-03-11 2019-12-27 广东工业大学 一种变压器状态评估方法
CN110363347A (zh) * 2019-07-12 2019-10-22 江苏天长环保科技有限公司 基于决策树索引的神经网络预测空气质量的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Combined hybrid clustering techniques and neural fuzzy networks to predict diesel engine emissions;Jiamei Deng等;《2007 IEEE International Conference on Systems, Man and Cybernetics》;20080102;正文全文 *
Evaluating real-world CO2 and NOx emissions for public transit buses using a remote wireless on-board diagnostic (OBD) approach;Yang, Liuhanzi等;《Environmental Pollution》;20161130;第218卷;正文全文 *
Improved Prediction of Nitrogen Oxides Using GRNN with K-Means Clustering and EDA;Ligang Zheng等;《2008 Fourth International Conference on Natural Computation》;20081107;正文全文 *
基于远程通讯技术的混动公交车SCR系统运行及NOx排放特征;杨强等;《环境科学》;20181015;第39卷(第10期);正文全文 *

Also Published As

Publication number Publication date
CN111639683A (zh) 2020-09-08

Similar Documents

Publication Publication Date Title
CN111639683B (zh) 基于obd技术评价柴油车氮氧化物排放等级的方法
CN107577910B (zh) 一种基于深层次神经网络的车辆尾气浓度反演方法
CN111122171B (zh) 一种基于vsp工况的柴油车与柴油机多种排放检测方法的多源异构数据关联分析方法
CN112964476B (zh) 一种重型柴油车实际道路颗粒物排放在线预测方法
CN110826772A (zh) 车辆尾气排放预测方法、装置、设备及存储介质
CN106781512A (zh) 基于城市物联网的汽车尾气智能检测与监督系统及方法
CN106682699B (zh) 一种基于聚类分析的车辆尾气排放特征分析处理方法
CN110135466B (zh) 一种污染物排放超标车辆判断方法及系统
CN109489978A (zh) 一种基于V-a工况的柴油机车多种排放检测方法的多源数据关联分析方法
CN114091182A (zh) 一种包含道路坡度信息的重型载货汽车行驶工况构建方法
CN114332825B (zh) 基于深度学习的道路地形分布识别方法、设备和存储介质
CN112486962A (zh) 一种提取组合短片段计算重型柴油车NOx排放的方法
CN110827444B (zh) 适用于obd远程排放监控数据的重型车排放因子获取方法
CN115876484A (zh) 重型整车实际路况测试及工况模拟试验的系统及方法
CN115983720A (zh) 基于海拔和温度的汽车排放性能检测方法
CN114991922A (zh) 一种车辆NOx排放超标的实时预警方法
CN116558834A (zh) Pems排放分析方法、装置、计算机设备和存储介质
CN113669142B (zh) 一种发动机原排碳烟质量流量估算方法及装置
US11561212B1 (en) Method for determining NOx sensor data falsification based on remote emission monitoring
CN113295826A (zh) 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法
CN112730737A (zh) 一种基于非道路移动机械远程监控数据的排放计算方法
CN116741304A (zh) 基于车联网大数据的柴油机原排氮氧化物预测方法
Fei et al. Discrimination of excessive exhaust emissions of vehicles based on Catboost algorithm
Wang et al. Research on actual road emission prediction model of heavy-duty diesel vehicles based on obd remote method and artificial neural network
CN113505160A (zh) 一种基于卷积深度神经网络的机动车尾气排放估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant