CN112730748B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112730748B CN112730748B CN202011568576.XA CN202011568576A CN112730748B CN 112730748 B CN112730748 B CN 112730748B CN 202011568576 A CN202011568576 A CN 202011568576A CN 112730748 B CN112730748 B CN 112730748B
- Authority
- CN
- China
- Prior art keywords
- emission
- vehicle
- screening
- heavy
- nox emission
- 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
Links
- 238000012216 screening Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 230000001133 acceleration Effects 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 239000000446 fuel Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 239000002826 coolant Substances 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 4
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- BUCXEFZXWKUCCY-UHFFFAOYSA-N 4-methyl-3-(2-phenylethyl)-1,2,4-oxadiazol-5-one Chemical compound O1C(=O)N(C)C(CCC=2C=CC=CC=2)=N1 BUCXEFZXWKUCCY-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供了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,包括以下步骤;S1、利用远程监控平台实时收集和获取重型柴油车车队实际道路运行工况下发动机OBD‑CAN远程监控数据;S2、对获取的数据进行清洗整理;S3、确定筛选高NOx排放柴油车的相关参数;S4、重型柴油车车队平均排放强度计算及高排放柴油车筛查;S5、高NOx排放车辆同一性检验。本发明所述的基于工况选择的大规模筛查重型柴油车高NOx排放方法该方法提出了一种基于工况筛选高排放车辆的思路,为环保监管部门利用远程监测大数据开展高排放车辆筛查提供方法和手段。
Description
技术领域
本发明属于机动车大规模排放筛查技术领域,尤其是涉及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。
背景技术
随着互联网和车载诊断系统OBD(第一代OBD-I和第二代OBD-II)技术的发展与应用,“互联网+OBD”(第三代OBD-III)已成为当前机动车(特别是柴油车)排放监管的重要技术和手段,其具有体积轻便、安装快速便捷、价格便宜等优势,不仅可获取车辆、发动机及排放污染控制装置系统等瞬态数据,而且能够准确记录驾驶员驾驶行为(急加速/急减速等),比PEMS更能反映实际道路工况特征。
国家和地方政府对重型柴油车排放远程监管提出了新的要求。2018年生态环境部率先在全球将OBD远程监控技术引入到GB17691-2018标准中,整车企业要实时向管理部门发送车辆地理位置、发动机及污染控制装置运行状态、车辆OBD故障诊断信息等,以便实时监测车辆运行与排放状态、辨别和锁定排放存在故障的车辆,为管理部门开展精细化监管提供数据支持,这对新生产车型排放控制技术开发与检测方法提出了新的要求和挑战。
2018年12月,生态环境部等11部委联合印发的《柴油货物污染治理攻坚战行动计划》(环大气〔2018〕179号)中要求国四及以上的在用重型柴油货车应加装具有车载远程通讯终端进行数据采集和传输,采用OBD远程监测技术进行实际道路排放油耗测试和监测是管理重点车队排放污染的有效措施,也是当前在用车排放和油耗监管(特别是高排放柴油车筛选)的重要发展方向之一。
利用远程监测技术能够实现对重型柴油车排放油耗“全过程”监管,并结合大数据分析方法和人工神经网络等技术,实现实际道路工况下高NOx排放柴油车筛选和监管。但是目前国内外在基于大规模重型柴油车在实际道路运行中NOx排放超标的筛查方法尚无具体的方法。
发明内容
有鉴于此,本发明提供了一种基于神经网络模型的基于工况选择的大规模筛查重型柴油车高NOx排放方法,已解决目前国内外在基于大规模重型柴油车在实际道路运行中NOx排放超标的筛查方法尚无具体的方法的问题。
为达到上述目的,本发明的技术方案是这样实现的:
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,包括以下步骤;
S1、利用远程监控平台实时收集和获取重型柴油车车队实际道路运行工况下发动机OBD-CAN远程监控数据;
S2、对获取的数据进行清洗整理;
S3、确定筛选高NOx排放柴油车的相关参数;
S4、重型柴油车车队平均排放强度计算及高排放柴油车筛查;
S5、高NOx排放车辆同一性检验。
进一步的,所述步骤S1中,获取的远程监控数据包括:车速、发动机转速、发动机燃料流量、NOx排放浓度、发动机冷却液温度、经纬度。
进一步的,所述步骤S2主要是针对数据中的缺失值和异常值进行甄别和处理,具体方法如下:
S201、发动机冷却液温度大于70℃状态下的OBD-CAN远程监测数据为有效数据,其余数据予以删除;
S202、缺失值处理;删除发动机转速、功率、速度、发动机燃料流量及NOx排放浓度中无数据的缺失值;
S203、异常值处理;结合满足以下任一项条件的,均被认定为异常值,应进行删除;
①发动机转速小于等于0;
②NOx排放浓度小于0或大于等于3000;
③发动机功率小于等于0;
④速度小于0;
⑤发动机燃料流量小于0。
进一步的,所述步骤S3中的相关参数包括工况参数和时间参数。
进一步的,所述工况参数的筛选条件如下:
S301、以20km/h作为速度区间增量,统计计算一定时间区间内的重型柴油车车队速度特征分布;选择前4个速度占比高的区间,作为初步筛选高NOx排放的速度特征参数,不同行驶工况下,速度占比高的4个区间记为{DCV1,DCV2,DCV3,DCV4};
S302、以±0.5m2/s作为加速度区间增量,统计计算一定时间区间内的重型柴油车车队加速度特征分布;加速度区间呈正态区间分布,取占整个分布95%以上的加速度区间作为初步筛选高NOx排放的加速度特征参数。
进一步的,所述时间参数的筛选方法为:
以重型柴油车NOx排放限值4.0g/kWh作为筛选高NOx排放的限值要求,选取车队中每辆车前500s、2000s、5000s、1天、5天、10天的数据,对其计算排放强度,以筛选出的高NOx排放车辆数据趋于稳定、且时间能够反映车辆完整排放特征的时间周期作为基本原则,来确定筛选高排放车辆的大数据计算周期。
进一步的,所述步骤S4的具体执行方法如下:
S401、以重型柴油车车车队在实际道路运行中OBD-CAN数据为基础,依据步骤S3中的相关参数的工况参数和时间参数,进行计算在不同行驶工况下{DCV1,DCV2,DCV3,DCV4}的排放强度集合为{EV1,EV2,EV3,EV4};计算在不限加速度与速度条件下的排放强度集合为E0;
排放强度的计算公式如下:
式中:
E——机动车排放强度,单位为g/kWh;
G——SCR下游NOx排放速率,单位为g/s;
P——发动机功率值,单位为kW;
S402、对排放强度取对数使其转化为正态分布,即对数正态分布L,记为{L0,LV1,LV2,LV3,LV4},其均值{μ0,μV1,μV2,μV3,μV4}及标准差{σ0,σV1,σV2,σV3,σV4};取μ+2σ作为限值,其对应的排放强度E则为排放限值;根据不同的排放限值识别不同工况下的超限值车辆,计算公式如下:
式中:
μ0——L0的均值,单位为g/kWh;
σ0——L0的标准差;
Lgi——表示在L0中,第i辆车排放强度的对数值;
n——表示在L0中共有n辆车;
S403、依据上述方法,得到不同行驶工况{DCV1,DCV2,DCV3,DCV4}下对应的NOx排放限值,并与排放限值4.0g/kWh进行比较,得到识别出的超限值车辆排放超标的可能性最高工况特征及车辆。
进一步的,所述步骤S5中,高NOx排放车辆同一性检验的方法具体为:
将车牌号与时间共同作为识别ID;
应用识别ID,将某一工况筛选出的超限值车辆集合H1与另一情况下筛选出的超限值车辆集合H2作对比,提取出具有相同识别ID的车辆集合ID1,计算ID1在H1中所占比例P1,对此工况的H1与其他情况筛选出的超限值车辆集合重复以上步骤,得到关于此工况的所有比例集合,计算对此工况的比例平均值P;其他工况同理,可得到所有工况的比例均值,P越高则代表筛查出的高NOx排放车辆可能性越高。
相对于现有技术,本发明所述的基于工况选择的大规模筛查重型柴油车高NOx排放方法具有以下优势:
本发明所述的基于工况选择的大规模筛查重型柴油车高NOx排放方法,使得在处于同一工况条件下的车辆可进行高效的计算和筛选,探索研究了筛选氮氧化物高排放车辆的技术方法,以120辆国四国五排放阶段重型柴油车远程监测数据为例,提出了一种基于工况筛选高排放车辆的思路,为环保监管部门利用远程监测大数据开展高排放车辆筛查提供方法和手段。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明所涉及的基于实际道路工况的重型柴油车高NOx车辆筛选流程;
图2为本发明所涉及的重型柴油车车队实际道路运行速度与NOx排放率关系;
图3为本发明所涉及的重型柴油车车队实际道路运行加速度与NOx排放率关系;
图4为本发明所涉及的重型柴油车车队实际道路工况车速分布特征;
图5为本发明所涉及的重型柴油车车队实际道路工况加速度分布特征;
图6为本发明所涉及的计算周期与筛选车辆数目的关系;
图7为本发明所涉及的不同工况下车辆的排放强度分布;
图8为本发明所涉及的不同工况下车辆排放强度的对数分布。
具体实施方式
需要说明的是,在不冲突的情况下,本发明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发明。
本发明提供了一种基于实际道路工况的大规模筛选重型柴油车高NOx排放方法,可有效识别实际道路行驶中存在的高排放重型柴油车,为大规模、有效地识别实际道路行驶中NOx排放超标的重型柴油车,以100辆国四国五排放阶段重型柴油车车队远程监测大数据为例,研究工况特征(速度、加速度)参数与NOx排放速率的影响关系,分析整个车队在实际道路运行中车速和加速度的工况特征分布,探讨不同工况边界条件和不同运行时间区间下的NOx排放因子强度特征分布,研究提出一种基于实际道路工况的大规模筛查重型柴油车高NOx排放方法,为机动车管理部门利用远程监测大数据开展高NOx排放车辆筛选提供方法和手段,具体技术方案如下(如图1所示):
(1)利用远程监控平台实时收集和获取重型柴油车车队实际道路运行工况下发动机OBD-CAN远程监控数据参数项,数据包括(但不限于):车速、发动机转速、发动机燃料流量、NOx排放浓度、发动机冷却液温度、经纬度等。数据频率均为1Hz。
(2)由于网络信号差、车载终端故障等原因导致部分参数项的数据存在缺失、异常,因此对远程监控平台收集到的大数据进行数据清洗整理,特别是对缺失值和异常值进行必要的甄别和处理,具体方法如下:
1)发动机冷却液温度大于70℃状态下的OBD-CAN远程监测大数据为有效数据,其余数据予以删除;
2)缺失值处理。删除发动机转速、功率、速度、发动机燃料流量及NOx排放浓度中无数据的缺失值;
3)异常值处理。结合满足以下任一项条件的,均被认定为异常值,应进行删除;
①发动机转速小于等于0;
②NOx排放浓度小于0或大于等于3000;
③发动机功率小于等于0;
④速度小于0;
⑤发动机燃料流量小于0;
(3)确定筛选高NOx排放柴油车的相关参数与方法,主要是工况参数和时间参数。其中:工况参数主要为加速度及速度,重型柴油车车队实际道路运行加速度与NOx排放率关系如图3所示,重型柴油车实际道路工况加速度分布特征如图5所示;时间参数主要为远程监测大数据的计算周期。
1)工况参数
①以20km/h作为速度区间增量,统计计算一定时间区间内的重型柴油车车队速度特征分布,如:[0,20);[20,40);......;[100,120)。选择前4个速度占比高的区间(记为{DCV1,DCV2,DCV3,DCV4})作为初步筛选高NOx排放的速度特征参数;重型柴油车车队实际道路运行速度与NOx排放率关系如图2所示,重型柴油车车队实际道路工况车速分布特征如图4所示;
②以±0.5m2/s作为加速度区间增量,统计计算一定时间区间内的重型柴油车车队加速度特征分布,如:[-15,-14.5);[-14.5,14);......;[14.5,15)。加速度区间呈正态区间分布,取占整个分布95%以上的加速度区间作为初步筛选高NOx排放的加速度特征参数,重型柴油车车队实际道路运行加速度与NOx排放率关系如图3所示,重型柴油车实际道路工况加速度分布特征如图5所示。
2)时间参数
以《重型柴油车、气体燃料车排气污染物车载测量方法及技术要求》(HJ857-2017)标准中国四国五重型柴油车NOx排放限值4.0g/kWh作为筛选高NOx排放的限值要求,选取车队中每辆车前500s、2000s、5000s、1天、5天、10天的数据,对其计算排放强度,以筛选出的高NOx排放车辆数据趋于稳定、且时间能够反映车辆完整排放特征的时间周期作为基准原则,来确定筛选高排放车辆的大数据计算周期,计算周期与筛选车辆数目的关系如图6所示。
(4)重型柴油车车队平均排放强度计算及高排放柴油车筛查
1)以重型柴油车车车队在实际道路运行中OBD-CAN数据为基础,依据上述工况参数和时间参数进行计算在行驶工况{DCV1,DCV2,DCV3,DCV4}下的排放强度集合为{EV1,EV2,EV3,EV4};计算在不限加速度与速度条件下(表示为DC0)的排放强度集合为E0,不同行驶工况下车辆的排放强度分布关系如图7所示。排放强度计算公式如下:
式中:
E——机动车排放强度,单位为g/kWh
G——SCR下游NOx排放速率,单位为g/s
P——发动机功率值,单位为kW
2)为了更好地反映排放强度的特征,对排放强度取对数使其转化为正态分布,即对数正态分布L,记为{L0,LV1,LV2,LV3,LV4},其均值{μ0,μV1,μV2,μV3,μV4}及标准差{σ0,σV1,σV2,σV3,σV4}。取μ+2σ作为限值,其对应的排放强度E则为排放限值;根据不同的排放限值识别不同工况下的超限值车辆,不同工况下车辆排放强度的对数分布如图8所示。计算公式如下:
其中,以L0为例:
式中:
μ0——L0的均值,单位为g/kWh
σ0——L0的标准差
Lgi——表示在L0中,第i辆车排放强度的对数值
n——表示在L0中共有n辆车
3)依据上述方法,得到不同行驶工况{DCV1,DCV2,DCV3,DCV4}下对应的NOx排放限值,并与HJ857-2017标准中4.0g/kWh限值进行比较,得到识别出的超限值车辆排放超标的可能性最高工况特征(速度和加速度)及车辆。
(5)下面对结合实施例一进行说明,现以在天津和北京实际运行的100辆国四和国五重型柴油车为例,利用远程监控平台获取了7天的实际道路工况下OBD-CAN远程监控大数据,并以数据为基础进行数据分析。
1)工况参数
①速度参数:车辆行驶速度集中在0~20km/h、30~40km/h、50~60km/h和70~80km/h,分别占车况总数的30.7%,11.6%,10.9%和12.7%。4个速度区间对应四种不同的行驶工况,记为{DCV1,DCV2,DCV3,DCV4}。
②加速度参数:利用速度数据计算共获取到有效加速度数据21411条,根据统计学正态分布中若需要涵盖95%的数据,需要在平均值加减两倍标准差处取值,即为±3.8m2/s。加速度范围在[-4~4]m2/s时,数据量为20575条,占总加速度数据量的96.1%,因此选取此限值作为加速度范围。
2)时间参数
选取车队中每辆车前500s、2000s、5000s、1天、5天、10天的数据,对其计算排放强度。500s、2000s及5000s片段作为计算周期数据量过少,难以表征完整的车辆排放特点,筛选出的车辆数量易出现波动。1天、5天、10天作为计算周期时,筛选出的车辆数目稳定在10辆左右且趋于平稳。因此选取1天作为计算周期。
3)车队平均排放强度计算
利用远程监控大数据,计算得到整个重型柴油车车队排放强度{E0,EV1,EV2,EV3,EV4},其均呈现正偏态分布。
为了更好地反映排放强度的特征,对排放强度取对数使其转化为正态分布,即对数正态分布L,记为{L0,LV1,LV2,LV3,LV4}。依据均值及标准差判定限值,分别计算排放强度L集合{L0,LV1,LV2,LV3,LV4}的其均值及标准差,分别记为{μ0,μV1,μV2,μV3,μV4}和{σ0,σV1,σV2,σV3,σV4}。取μ+2σ作为限值,其对应的排放强度E则为排放限值。
在不区分加速度和速度区间的条件下,排放强度的均值为1.3g/kWh,排放限值为4.1g/kWh。不同行驶工况{DCV1,DCV2,DCV3,DCV4}下对应的排放限值分别为2.2g/kWh,3.9g/kWh,5.2g/kWh和4.6g/kWh。加速度为[-4~4]m2/s,速度为50~60km/h和70~80km/h对应工况的排放限值较高且相近。
不同工况条件下车辆的排放强度较为集中,均分布在0~2g/kWh,{LV1,LV2,LV3,LV4}排放强度分别占总数92.8%,82.3%,84.4%和85.8%,表明多数车辆的排放强度较低。
5)车辆同一性检验
将车牌号与时间共同作为识别ID(即某一天的某辆车),应用识别ID,将某一工况筛选出的超限值车辆集合H1与另一情况下筛选出的超限值车辆集合H2作对比,提取出具有相同识别ID的车辆集合ID1,计算ID1在H1中所占比例P1,对此工况的H1与其他情况筛选出的超限值车辆集合重复以上步骤,得到关于此工况的所有比例集合,计算对此工况的比例平均值P。根据该方法进行疑似高NOx排放车辆同一性检验,具体结果见表1。
表1各行驶工况检验同一性所得比例值
在加速度区间为[-4~4]m2/s,速度区间为0~20km/h的工况中,与其他工况相比,同一性均较低。速度区间为30~40km/h的工况与50~60km/h的工况比例均值较为接近,在62%左右。比例均值最高的工况为70~80km/h的工况,占到了66.4%,与30~40km/h、50~60km/h及不限制速度与加速度的工况相比,重复的车辆在70~80km/h工况中所占比例均较高,分别为62.9%,82.9%和85.7%,说明70~80km/h的工况筛选出的超限值车辆重复率最高,最有可能为高排放车辆。
在本申请所提供的几个实施例中,应该理解到,所揭露的方法和系统,可以通过其它的方式实现。例如,以上所述单元的划分,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。上述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发明实施例方案的目的。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于工况选择的大规模筛查重型柴油车高NOx排放方法,其特征在于,包括以下步骤;
S1、利用远程监控平台实时收集和获取重型柴油车车队实际道路运行工况下发动机OBD-CAN远程监控数据;
S2、对获取的数据进行清洗整理;
S3、确定筛选高NOx排放柴油车的相关参数;
S4、重型柴油车车队平均排放强度计算及高排放柴油车筛查;
S5、高NOx排放车辆同一性检验;
所述步骤S4的具体执行方法如下:
S401、以重型柴油车车队在实际道路运行中OBD-CAN数据为基础,依据步骤S3中的相关参数的工况参数和时间参数,进行计算在不同行驶工况下{DCV1,DCV2,DCV3,DCV4}的排放强度集合为{EV1,EV2,EV3,EV4};计算在不限加速度与速度条件下的排放强度集合为E0;
排放强度的计算公式如下:
式中:
E——机动车排放强度,单位为g/kWh;
G——SCR下游NOx排放速率,单位为g/s;
P——发动机功率值,单位为kW;
S402、对排放强度取对数使其转化为正态分布,即对数正态分布L,记为{L0,LV1,LV2,LV3,LV4},其均值{μ0,μV1,μV2,μV3,μV4}及标准差{σ0,σV1,σV2,σV3,σV4};取μ+2σ作为限值,其对应的排放强度E则为排放限值;根据不同的排放限值识别不同工况下的超限值车辆,计算公式如下:
式中:
μ0——L0的均值,单位为g/kWh;
σ0——L0的标准差;
Lgi——表示在L0中,第i辆车排放强度的对数值;
n——表示在L0中共有n辆车;
S403、依据上述方法,得到不同行驶工况{DCV1,DCV2,DCV3,DCV4}下对应的NOx排放限值,并与排放限值4.0g/kWh进行比较,得到识别出的超限值车辆排放超标的可能性最高工况特征及车辆。
2.根据权利要求1所述的基于工况选择的大规模筛查重型柴油车高NOx排放方法,其特征在于,所述步骤S1中,获取的远程监控数据包括:车速、发动机转速、发动机燃料流量、NOx排放浓度、发动机冷却液温度、经纬度。
3.根据权利要求1所述的基于工况选择的大规模筛查重型柴油车高NOx排放方法,其特征在于,所述步骤S2主要是针对数据中的缺失值和异常值进行甄别和处理,具体方法如下:
S201、发动机冷却液温度大于70℃状态下的OBD-CAN远程监测数据为有效数据,其余数据予以删除;
S202、缺失值处理;删除发动机转速、功率、速度、发动机燃料流量及NOx排放浓度中无数据的缺失值;
S203、异常值处理;结合满足以下任一项条件的,均被认定为异常值,应进行删除;
①发动机转速小于等于0;
②NOx排放浓度小于0或大于等于3000;
③发动机功率小于等于0;
④速度小于0;
⑤发动机燃料流量小于0。
4.根据权利要求1所述的基于工况选择的大规模筛查重型柴油车高NOx排放方法,其特征在于,所述步骤S3中的相关参数包括工况参数和时间参数。
5.根据权利要求4所述的基于工况选择的大规模筛查重型柴油车高NOx排放方法,其特征在于:
所述工况参数的筛选条件如下:
S301、以20km/h作为速度区间增量,统计计算一定时间区间内的重型柴油车车队速度特征分布;选择前4个速度占比高的区间,作为初步筛选高NOx排放的速度特征参数,不同行驶工况下,速度占比高的4个区间记为{DCV1,DCV2,DCV3,DCV4};
S302、以±0.5m2/s作为加速度区间增量,统计计算一定时间区间内的重型柴油车车队加速度特征分布;加速度区间呈正态区间分布,取占整个分布95%以上的加速度区间作为初步筛选高NOx排放的加速度特征参数。
6.根据权利要求4所述的基于工况选择的大规模筛查重型柴油车高NOx排放方法,其特征在于,所述时间参数的筛选方法为:
以重型柴油车NOx排放限值4.0g/kWh作为筛选高NOx排放的限值要求,选取车队中每辆车前500s、2000s、5000s、1天、5天、10天的数据,对其计算排放强度,以筛选出的高NOx排放车辆数据趋于稳定、且时间能够反映车辆完整排放特征的时间周期作为基本原则,来确定筛选高排放车辆的大数据计算周期。
7.根据权利要求1所述的基于工况选择的大规模筛查重型柴油车高NOx排放方法,其特征在于,所述步骤S5中,高NOx排放车辆同一性检验的方法具体为:
将车牌号与时间共同作为识别ID;
应用识别ID,将某一工况筛选出的超限值车辆集合H1与另一情况下筛选出的超限值车辆集合H2作对比,提取出具有相同识别ID的车辆集合ID1,计算ID1在H1中所占比例P1,对此工况的H1与其他情况筛选出的超限值车辆集合重复以上步骤,得到关于此工况的所有比例集合,计算对此工况的比例平均值P;其他工况同理,可得到所有工况的比例均值,P越高则代表筛查出的高NOx排放车辆可能性越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568576.XA CN112730748B (zh) | 2020-12-25 | 2020-12-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011568576.XA CN112730748B (zh) | 2020-12-25 | 2020-12-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112730748A CN112730748A (zh) | 2021-04-30 |
CN112730748B true CN112730748B (zh) | 2022-12-09 |
Family
ID=75616664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011568576.XA Active CN112730748B (zh) | 2020-12-25 | 2020-12-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112730748B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743715B (zh) * | 2021-07-19 | 2024-03-19 | 中汽研汽车检验中心(天津)有限公司 | 基于车联网重型车实际工况的油耗及NOx排放评价方法 |
CN113744429A (zh) * | 2021-07-20 | 2021-12-03 | 中汽研汽车检验中心(天津)有限公司 | 一种基于重型整车排放管理系统 |
CN113806675B (zh) * | 2021-08-06 | 2023-06-23 | 中汽研汽车检验中心(天津)有限公司 | 一种NOx排放与油耗特征分析方法 |
CN115387884A (zh) * | 2022-04-14 | 2022-11-25 | 北京工业大学 | 一种高NOx排放柴油车道路快速筛查的方法 |
CN114991922B (zh) * | 2022-05-30 | 2024-01-23 | 中国汽车工程研究院股份有限公司 | 一种车辆NOx排放超标的实时预警方法 |
CN116595436A (zh) * | 2023-05-17 | 2023-08-15 | 中国环境科学研究院环境技术工程有限公司 | 一种重型柴油车辆实际道路碳排放率统计方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105181343A (zh) * | 2015-05-25 | 2015-12-23 | 中国环境科学研究院 | 适用于装有obd的重型汽车的简易车载排放测试系统及方法 |
EP3222833A1 (de) * | 2016-03-25 | 2017-09-27 | AVL DiTest GmbH | Verfahren zur überprüfung der nox-emissionen eines fahrzeugs |
US10055906B1 (en) * | 2015-11-24 | 2018-08-21 | Opus Inspection, Inc. | System and method to detect emissions OBD false failures |
CN111639683A (zh) * | 2020-05-14 | 2020-09-08 | 上海工程技术大学 | 基于obd技术评价柴油车氮氧化物排放等级的方法 |
CN112113912A (zh) * | 2020-08-18 | 2020-12-22 | 北京理工大学 | 一种柴油车排放遥感大数据监测系统及监测方法 |
-
2020
- 2020-12-25 CN CN202011568576.XA patent/CN112730748B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105181343A (zh) * | 2015-05-25 | 2015-12-23 | 中国环境科学研究院 | 适用于装有obd的重型汽车的简易车载排放测试系统及方法 |
US10055906B1 (en) * | 2015-11-24 | 2018-08-21 | Opus Inspection, Inc. | System and method to detect emissions OBD false failures |
EP3222833A1 (de) * | 2016-03-25 | 2017-09-27 | AVL DiTest GmbH | Verfahren zur überprüfung der nox-emissionen eines fahrzeugs |
CN111639683A (zh) * | 2020-05-14 | 2020-09-08 | 上海工程技术大学 | 基于obd技术评价柴油车氮氧化物排放等级的方法 |
CN112113912A (zh) * | 2020-08-18 | 2020-12-22 | 北京理工大学 | 一种柴油车排放遥感大数据监测系统及监测方法 |
Non-Patent Citations (2)
Title |
---|
基于 OBD 远程监测数据的高排放柴油车筛选方法研究;程晓章 等;《合肥工业大学学报(自然科学报)》;20220731;第45卷(第7期);第894-900页 * |
基于车载诊断系统的机动车油耗与氮氧化物排放特征研究;杨柳含子;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180415(第04期);摘要以及第7-12、61、75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112730748A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112730748B (zh) | 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 | |
CN109613905B (zh) | 一种动态识别重型商用车实际运行高油耗恶劣工况的方法和装置 | |
CN107967323B (zh) | 基于大数据进行异常出行车辆分析的方法及系统 | |
Montazeri-Gh et al. | Development of car drive cycle for simulation of emissions and fuel economy | |
CN109489978B (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 | |
CN113158125B (zh) | 一种基于车联网的柴油车NOx排放评测方法 | |
CN108763643B (zh) | 一种地区机动车排放因子计算方法 | |
CN115876484B (zh) | 重型整车实际路况测试及工况模拟试验的系统及方法 | |
EP3540403A1 (de) | Verfahren zur durchführung eines prüflaufs eines prüflings | |
CN113918890B (zh) | 一种基于移动窗口库的低负荷工况构建方法 | |
CN115791212B (zh) | 通用车辆尾气排放检测方法与装置 | |
CN111125636A (zh) | 基于城市隧道的机动车排放因子计算方法 | |
CN116558834A (zh) | Pems排放分析方法、装置、计算机设备和存储介质 | |
CN115983720A (zh) | 基于海拔和温度的汽车排放性能检测方法 | |
Yang et al. | Evaluation of real-world fuel consumption of light-duty vehicles in China | |
CN113806343B (zh) | 一种车联网数据质量的评估方法和系统 | |
Liu et al. | Quantification of drive cycle's rapid speed fluctuations using Fourier analysis | |
Sjödin | Real-driving emissions from diesel passenger cars measured by remote sensing and as compared with PEMS and chassis dynamometer measurements-CONOX Task 2 report | |
CN112394040A (zh) | 一种机动车排污监管系统及方法 | |
CN111896264A (zh) | 增程器用发动机的试验工况生成方法、装置及电子设备 | |
CN114060132B (zh) | 一种基于排放远程监控的NOx传感器作弊甄别方法 | |
CN108268678A (zh) | 驾驶行为分析方法、装置及系统 | |
Wenzel | Reducing emissions from in-use vehicles: an evaluation of the Phoenix inspection and maintenance program using test results and independent emissions measurements | |
CN115266135A (zh) | 基于用户工况测试数据的油耗量化分析方法 | |
Pink et al. | Comparison of vehicle-broadcasted fuel consumption rates against precise fuel measurements for medium-and heavy-duty vehicles and engines |
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 |