CN112964476B - 一种重型柴油车实际道路颗粒物排放在线预测方法 - Google Patents
一种重型柴油车实际道路颗粒物排放在线预测方法 Download PDFInfo
- Publication number
- CN112964476B CN112964476B CN202011567050.XA CN202011567050A CN112964476B CN 112964476 B CN112964476 B CN 112964476B CN 202011567050 A CN202011567050 A CN 202011567050A CN 112964476 B CN112964476 B CN 112964476B
- Authority
- CN
- China
- Prior art keywords
- particulate matter
- vehicle
- data
- emission
- matter 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
- 239000013618 particulate matter Substances 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012360 testing method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 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 claims abstract 5
- 238000002229 photoelectron microspectroscopy Methods 0.000 claims abstract 5
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000000446 fuel Substances 0.000 claims description 7
- 238000010998 test method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 21
- 239000007789 gas Substances 0.000 description 13
- 239000003344 environmental pollutant Substances 0.000 description 5
- 231100000719 pollutant Toxicity 0.000 description 5
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000012895 dilution Substances 0.000 description 1
- 238000010790 dilution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013028 emission testing Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Combustion & Propulsion (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Testing Of Engines (AREA)
Abstract
本发明提供了一种重型柴油车实际道路颗粒物排放在线预测方法，包括以下步骤；S1、进行车载PEMS测试，获取测试数据；S2、对数据进行清洗，并选取特征参数；S3、对选取的特征参数进行处理，进行预测模型训练，得到基于神经网络的颗粒物预测模型；S4、获取车辆实际运行时颗粒物排放数据，导入至预测模型，获取颗粒物排放预测结果。本发明所述的重型柴油车实际道路颗粒物排放在线预测方法该方法不需要增加额外的传感器等硬件，不增加车辆成本，基于试验数据训练的神经网络能够进行各种行驶工况下的颗粒物排放预测。
Description
技术领域
本发明属于机动车颗粒物排放预测技术领域，尤其是涉及一种重型柴油车实际道路颗粒物排放在线预测方法。
背景技术
当前，国内外机动车排放测试主要实验室台架测试法、车载测试法等两种方法。
实验室台架测试是当前最为准确的机动车污染物排放测试方法，也是最为常用的测试方法之一。台架测试法是指在实验室环境条件下利用底盘测功机或发动机测功机模拟设计的测试工况(如欧洲轻型汽车NEDC工况、美国轻型汽车FTP75工况等)，通过排放分析系统对污染物排放进行测试。车辆尾气经过全流稀释进入到定容采样系统中，随后再用气体和颗粒物分析仪器同步测试，由测试系统收集的不同行驶阶段的污染物，结果传输到中控系统计算机上进行分析计算。但是实验室台架测试法在实际应用中仍具有一定的局限性，台架测试的主要缺点是实验室中法规测试工况不能完全反映车辆在实际道路工况下的排放水平，也无法全面考虑驾驶行为、交通条件、道路等级、天气等因素对排放的影响。
相对于台架测试方法，车载排放测试方法能够更准确地反映实际道路机动车的排放特征，因此也成为了国内外进行机动车排放研究的主要测试手段。车载排放测试方法主要是将便携式车载测试系统(Portable Emission Measurement System，PEMS)直接安装在被测机动车内，逐秒采集机动车在实际道路行驶过程中的行驶特征参数和污染物排放速率。PEMS法既摆脱了实验室内难以全面反映实际道路上行驶工况的缺陷，又没有隧道法的隧道行驶模式、遥感定点、瞬时工况点尾气收集数据的局限性。通过对所获得的瞬时排放数据以及GPS数据进行处理的结果，形成对被测车辆排放水平的评估。这种技术的应用可以保证测试的精度和可靠性，但测试比较复杂。
通过PEMS测试的车辆实际道路排放，包含有瞬态排放性能与实际运行参数(如车速、加速度等)、环境条件(温度、海拔)、交通状态数据(交通、信号灯协调)等诸多相关参数的关联性。然而，现阶段PEMS在实际道路排放测试中的缺点也相对凸显，如测试复杂、限于单车、测试工作量大等不足。
随着实际道路工况下排放与实验室测试结果差异的日益增大，其检测和监管方法已由实验室测试逐步转向实际道路运行测试，因此高效、准haode确、便捷地获得重型柴油车在实际道路工况下的污染物排放(特别是颗粒物排放)成为必须解决的关键问题，对改善城市环境空气质量、降低能源消耗具有重要意义。
国内外研究主要通过车载诊断系统(OBD)连接到汽车CAN总线上，解析ISO15765、SAE1939协议中规定的汽车传感器数据，包括：发动机转速、冷却液温度、车辆速度、电压、进气歧管压力、进气温度、空气流速、节气门位置、氧传感器电压、燃油压力等。借助车辆自身的传感器(NOx传感器、氧传感器、温度传感器等)，远程监测法也可以获得与PEMS法相同的车辆实际道路逐秒的工况与排放数据。
但是在实际应用中，车用颗粒物传感器产品技术尚不成熟和广泛应用，无法通过OBD采集颗粒物排放相关数据，因此研究采用神经网络预测方式获得实际道路工况下颗粒物排放。BP神经网络是一种多层神经网络学习方法，其主要特点是将信号向前传递，而使误差向后传播，通过不断调整网络权重值，使得网络的最终输出与期望输出尽可能接近，以达到训练的目的，获得重型柴油车在实际道路工况下颗粒物排放预测模型。
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重型柴油车实际道路颗粒物排放在线预测方法。
为达到上述目的，本发明的技术方案是这样实现的：
一种重型柴油车实际道路颗粒物排放在线预测方法，包括以下步骤；
S1、进行车载PEMS测试，获取测试数据；
S2、对数据进行清洗，并选取特征参数；
S3、对选取的特征参数进行处理，进行预测模型训练，得到基于神经网络的颗粒物预测模型；
S4、获取车辆实际运行时颗粒物排放数据，导入至预测模型，获取颗粒物排放预测结果。
进一步的，所述步骤S1中，PEMS试验过程如下：
在车辆排气管处安装流量计，尾气经过流量计之后分为两路，其中一路输出至气体分析仪，另一路输出至颗粒物分析仪，所述气体分析仪和颗粒物排放分析仪均与计算机处理系统连接，将所测得的测试数据存入计算机处理系统中进行处理；
其中气体分析仪还连接GPS模块、温度传感器、电源供电系统，GPS模块和温度传感器用于将车辆位置信息、温度信息与排放信息进行同步记录，电源供应系统用于为整个PEMS测试系统供电。
进一步的，所述步骤S2中，利用主成分分析法将测试数据中对车辆颗粒物排放不相关的数据进行剔除。
进一步的，利用主成分分析法对测试数据进行清洗的方法如下：
原始数据矩阵X的变量X1，X2...，Xp作线性组合，通过主成分分析寻求原始数据的新线性组合F1，F2...，Fn，其中n<p；
其中：
且式(2)应满足如下条件：
1)每个主成分的系数平方和等于1，即M1i 2+m2i 2+...+mni 2＝1；
2)主成分间相互独立，即Cov(Fi，Fj)＝0，i≠j；
3)主成分的方差依据重要性逐次递减，即Var(F1)≥Var(F2)...≥Var(Fn)。
进一步的，所述步骤S2中，选取的特征参数包括车速、发动机参考扭矩、发动机转速、发动机实际扭矩、排气温度、排气湿度、排气流量参数信息。
进一步的，所述步骤S3中，对选取的特征参数处理的方法如下：
对选取的特征参数中缺失值和异常值进行甄别和处理，剔除由于传感器漂移因素测得的异常值，采用插值计算的方式对被剔除的数据进行补全；
具体处理方法如下：
S301、缺失值处理；删除发动机转速、功率、速度、发动机燃料流量及SCR上游或者下游NOx传感器输出值中无数据的缺失值；
S302、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；
A.发动机转速小于等于零；
B.SCR下游NOx传感器输出值大于等于3000；
C.SCR下游NOx传感器输出值小于零；
D.发动机功率小于等于零；
E.速度小于零；
F.发动机燃料流量小于零。
进一步的，所述步骤S3中，训练神经网络模型的方法如下：
A、网络初始化：给车速、发动机实际扭矩、排气温度、NOx瞬时排放量等值赋一个区间[-1，1]内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数；
B、在PEMS测试所得的逐秒数据中随机选取输入样本及其对应的颗粒物期望输出值；
C、计算隐藏层各个神经元的输入和输出；
D、利用实际输出值和期望输出值计算误差函数对输出层的各个神经元的偏导数；
E、利用输出层各个神经元的偏导数和隐藏层各个神经元的输出值修正车速、发动机实际扭矩、排气温度、NOx瞬时排放量各项参数的权值；
F、利用隐藏层各个神经元和输入层各个神经元的输入修正车速、发动机实际扭矩、排气温度、NOx瞬时排放量各项参数的权值；
G、计算全局误差；
H、判断训练结果的误差，在未达到最大学习次数之前，若误差大于预设精度时，将会选取下一秒的数据及对应的期望输出，返回步骤C，进行下一轮学习，如果达到最大学习次数则结束算法。
进一步的，采用平方和误差和相对误差作为模型预测结果的评价指标；
其中相对误差R计算方法为：
式中：X是训练所得的颗粒物预测值；Y是实际道路颗粒物测量值。
误差平方和计算方法如下：
式中：SSE表示误差平方和，n表示样本维度，Xi和Yi代表颗粒物预测值和测量值。
相对于现有技术，本发明所述的重型柴油车实际道路颗粒物排放在线预测方法具有以下优势：
(1)本发明所述的重型柴油车实际道路颗粒物排放在线预测方法该方法可以实现对实际道路重型柴油车颗粒物排放进行监测，弥补了实验室台架检测、整车转鼓检测和PEMS检测等监测范围小、测试成本高的缺点；当前还没有成熟的颗粒物传感器，该方法提供了一种在线监测重型柴油车实际道路运行工况下颗粒物排放水平的技术手段，不需要加装额外的传感器，大大降低了监测成本。
(2)本发明所述的重型柴油车实际道路颗粒物排放在线预测方法不需要增加额外的传感器等硬件，不增加车辆成本，基于试验数据训练的神经网络能够进行各种行驶工况下的颗粒物排放预测。
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为车辆远程监控系统的示意图；
图2为PEMS车载测试系统示意图；
图3为远程监测车辆颗粒物预测方法示意图；
图4为具体的模型预测效果对比；
图5为神经网络示意图。
附图标记说明：
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。
本实施例提供了一种基于神经网络的柴油车实际道路颗粒物排放在线预测方法(简称颗粒物在线预测方法，参见图3)包括将PEMS实验数据进行处理并训练神经网络预测模型，将此模型存储于远程监测远程监控平台系统中，实时采集车辆OBD数据，并将车辆监测数据导入预测模型中得到车辆的颗粒物排放水平。具体步骤如下：
(1)新车型式认证进行车载PEMS试验
所述PEMS测试系统(参见图2)包括车辆排气管、连接车辆排气管的流量计、尾气经过流量计之后分两路，一路进去气体分析仪，另一路进去颗粒物分析仪，气体分析仪和颗粒物排放分析仪均与计算机处理系统进行数据交互，将所测得的测试数据存入计算机处理系统中进行处理。GPS、温度传感器、电源供电系统与气体分析仪相连，将车辆位置信息、温度信息与排放信息进行同步记录，电源供应系统为整个PEMS测试系统供电。
(2)远程监测系统获取车辆实际运行工况参数
所述车辆远程监测系统(参见图1)包括NOx传感器、氧传感器、温度传感器，车辆OBD接口通过车载CAN线与NOx传感器、氧传感器、温度传感器相连，远程监测终端与车辆OBD接口连接，所述远程监测终端内置了数据解析模块、通信模块、无线传输模块、供电模块等，该远程监测终端通过无线数据传输将数据发送至远程监控平台，用户可以在PC终端的用户见面内查询车辆运行信息。
(3)采用PEMS试验数据训练颗粒物预测模型并预测实际道路车辆的颗粒物排放水平
首先获取车辆新车型式认证的PEMS实际道路测试数据，所述获取车辆新车型式认证的PEMS实际道路测试数据的具体步骤如(1)所示；
然后选取车辆运行特征参数，所述选取车辆特征参数是利用主成分分析法将实验数据中对车辆颗粒物排放不相关的数据进行剔除，最终选取车速、发动机参考扭矩、发动机转速、发动机实际扭矩、排气温度、排气湿度、排气流量等信息。其中，主成分分析的主要是一种运用线性代数来进行数据降维的方法，主要原理是在研究多指标变量参数中，通过少量几个指标变量来揭示多个指标变量间的内部结构，由一个正交变换将分量相关的原随机变量转化成分量不相关的新变量，使其尽可能多的携带原有参数信息。
原始数据矩阵X的变量X1，X2...，Xp作线性组合，通过主成分分析寻求原始数据的新线性组合F1，F2...，Fn，其中n<p。
其中：
且式(2)应满足如下条件：
1)每个主成分的系数平方和等于1，即M1i 2+m2i 2+...+mni 2＝1；
2)主成分间相互独立，即Cov(Fi，Fj)＝0，i≠j；
3)主成分的方差依据重要性逐次递减，即Var(F1)≥Var(F2)...≥Var(Fn)
数据预处理，所述数据预处理是对选取的实验数据(车辆实际道路运行的逐秒数据)进行处理。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，因此需要对监测大数据中缺失值和异常值进行必要的甄别和处理，剔除由于传感器漂移等因素测得的异常值，采用插值计算的方式对被剔除的数据进行补全。具体处理方式如下：
1)缺失值处理。删除发动机转速、功率、速度、发动机燃料流量及SCR上(下)游NOx传感器输出值中无数据的缺失值。
2)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。
A.发动机转速小于等于零；
B.SCR下游NOx传感器输出值大于等于3000；
C.SCR下游NOx传感器输出值小于零；
D.发动机功率小于等于零；
E.速度小于零；
F.发动机燃料流量小于零；
神经网络训练模型(如图5所示)，所述神经网络训练模型为采用BP神经网络对清洗之后的实验数据进行训练并将模型存储在车辆远程监测远程监控平台系统中，所述数据训练的具体步骤为：
A.网络初始化：给车速、发动机实际扭矩、排气温度、NOx瞬时排放量等值赋一个区间[-1，1]内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数；
B.在PEMS测试所得的逐秒数据中随机选取输入样本及其对应的颗粒物期望输出值；
C.计算隐藏层各个神经元的输入和输出；
D.利用实际输出值和期望输出值计算误差函数对输出层的各个神经元的偏导数；
E.利用输出层各个神经元的偏导数和隐藏层各个神经元的输出值修正车速、发动机实际扭矩、排气温度、NOx瞬时排放量等各项参数的权值；
F.利用隐藏层各个神经元和输入层各个神经元的输入修正车速、发动机实际扭矩、排气温度、NOx瞬时排放量等各项参数的权值；
G.计算全局误差；
H.判断训练结果的误差，在未达到最大学习次数之前，若误差大于预设精度时，将会选取下一秒的数据及对应的期望输出，返回第三步，进行下一轮学习，如果达到最大学习次数则结束算法。
车辆实际运行参数获取，首先获取车辆OBD数据，数据无线传输，所述数据无线传输即将数据通过无线通讯基站传至车辆远程监测远程监控平台系统，远程监控平台服务器解析，所述远程监控平台服务器解析是将远程监测终端发过来的数据通过ISO15765或SAE1939协议获得车辆远程监测数据。
最后将车辆远程监测数据导入神经网络训练模型，从而预测车辆实际道路颗粒物排放，预测结果与实际测量的结果对比如图4所示。采用平方和误差和相对误差作为模型预测结果的评价指标，平方和误差和相对误差越小则代表预测结果更加准确。
其中相对误差R计算方法为：
式中：X是训练所得的颗粒物预测值；Y是实际道路颗粒物测量值。
误差平方和计算方法如下：
式中：SSE表示误差平方和，n表示样本维度，Xi和Yi代表颗粒物预测值和测量值。
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)
1.一种重型柴油车实际道路颗粒物排放在线预测方法，其特征在于，包括以下步骤；
S1、进行车载PEMS测试，获取测试数据；
S2、对数据进行清洗，并选取特征参数；
S3、对选取的特征参数进行处理，进行预测模型训练，得到基于神经网络的颗粒物预测模型；
S4、获取车辆实际运行时颗粒物排放数据，导入至预测模型，获取颗粒物排放预测结果；
所述步骤S3中，对选取的特征参数处理的方法如下：
对选取的特征参数中缺失值和异常值进行甄别和处理，剔除由于传感器漂移因素测得的异常值，采用插值计算的方式对被剔除的数据进行补全；
具体处理方法如下：
S301、缺失值处理；删除发动机转速、功率、速度、发动机燃料流量及SCR上游或者下游NOx传感器输出值中无数据的缺失值；
S302、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；
A、发动机转速小于等于零；
B、SCR下游NOx传感器输出值大于等于3000；
C、SCR下游NOx传感器输出值小于零；
D、发动机功率小于等于零；
E、速度小于零；
F、发动机燃料流量小于零。
2.根据权利要求1所述的重型柴油车实际道路颗粒物排放在线预测方法，其特征在于，所述步骤S1中，PEMS试验过程如下：
在车辆排气管处安装流量计，尾气经过流量计之后分为两路，其中一路输出至气体分析仪，另一路输出至颗粒物分析仪，所述气体分析仪和颗粒物排放分析仪均与计算机处理系统连接，将所测得的测试数据存入计算机处理系统中进行处理；
其中气体分析仪还连接GPS模块、温度传感器、电源供电系统，GPS模块和温度传感器用于将车辆位置信息、温度信息与排放信息进行同步记录，电源供应系统用于为整个PEMS测试系统供电。
3.根据权利要求1所述的重型柴油车实际道路颗粒物排放在线预测方法，其特征在于，所述步骤S2中，利用主成分分析法将测试数据中对车辆颗粒物排放不相关的数据进行剔除。
4.根据权利要求3所述的重型柴油车实际道路颗粒物排放在线预测方法，其特征在于，利用主成分分析法对测试数据进行清洗的方法如下：
原始数据矩阵X的变量X1，X2...，Xp作线性组合，通过主成分分析寻求原始数据的新线性组合F1，F2...，Fn，其中n<p；
其中：
F1＝M11X1+M21X2+M31X3+...+Mn1XP
F2＝M12X1+M22X2+M32X3+...+Mn2XP (2)
......
Fn＝M1nX1+M2nX2+M3nX3+...+MnnXP
且式(2)应满足如下条件：
1)每个主成分的系数平方和等于1，即M1i 2+m2i 2+...+mni 2＝1；
2)主成分间相互独立，即Cov(Fi，Fj)＝0，i≠j；
3)主成分的方差依据重要性逐次递减，即Var(F1)≥Var(F2)...≥Var(Fn)。
5.根据权利要求1所述的重型柴油车实际道路颗粒物排放在线预测方法，其特征在于，所述步骤S2中，选取的特征参数包括车速、发动机参考扭矩、发动机转速、发动机实际扭矩、排气温度、排气湿度、排气流量参数信息。
6.根据权利要求1所述的重型柴油车实际道路颗粒物排放在线预测方法，其特征在于，所述步骤S3中，训练神经网络模型的方法如下：
A、网络初始化：给车速、发动机实际扭矩、排气温度、NOx瞬时排放量等值赋一个区间[-1，1]内的随机数，设定误差函数e，给定计算精度值ε和最大学习次数；
B、在PEMS测试所得的逐秒数据中随机选取输入样本及其对应的颗粒物期望输出值；
C、计算隐藏层各个神经元的输入和输出；
D、利用实际输出值和期望输出值计算误差函数对输出层的各个神经元的偏导数；
E、利用输出层各个神经元的偏导数和隐藏层各个神经元的输出值修正车速、发动机实际扭矩、排气温度、NOx瞬时排放量各项参数的权值；
F、利用隐藏层各个神经元和输入层各个神经元的输入修正车速、发动机实际扭矩、排气温度、NOx瞬时排放量各项参数的权值；
G、计算全局误差；
H、判断训练结果的误差，在未达到最大学习次数之前，若误差大于预设精度时，将会选取下一秒的数据及对应的期望输出，返回步骤C，进行下一轮学习，如果达到最大学习次数则结束算法。
7.根据权利要求1所述的重型柴油车实际道路颗粒物排放在线预测方法，其特征在于；采用平方和误差和相对误差作为模型预测结果的评价指标；
其中相对误差R计算方法为：
式中：X是训练所得的颗粒物预测值；Y是实际道路颗粒物测量值；
误差平方和计算方法如下：
式中：SSE表示误差平方和，n表示样本维度，Xi和Yi代表颗粒物预测值和测量值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011567050.XA CN112964476B (zh) | 2020-12-25 | 2020-12-25 | 一种重型柴油车实际道路颗粒物排放在线预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011567050.XA CN112964476B (zh) | 2020-12-25 | 2020-12-25 | 一种重型柴油车实际道路颗粒物排放在线预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112964476A CN112964476A (zh) | 2021-06-15 |
| CN112964476B true CN112964476B (zh) | 2022-11-25 |
Family
ID=76271410
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011567050.XA Active CN112964476B (zh) | 2020-12-25 | 2020-12-25 | 一种重型柴油车实际道路颗粒物排放在线预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112964476B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113447404A (zh) * | 2021-06-22 | 2021-09-28 | 北京理工大学 | 一种实际道路机动车刹车颗粒物排放测试方法 |
| CN114969962B (zh) * | 2022-04-22 | 2024-02-20 | 南栖仙策(南京)科技有限公司 | 车辆rde排放恶劣工况的生成方法、装置、设备及存储介质 |
| 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 |
| CN116070791A (zh) * | 2023-03-27 | 2023-05-05 | 天津布尔科技有限公司 | 一种基于LSTM算法的柴油车NOx排放预测方法 |
| CN117235453B (zh) * | 2023-11-09 | 2024-01-26 | 天津大学 | 基于机器学习的重型柴油车远程监控数据修复方法及系统 |
| CN117854636B (zh) * | 2024-03-07 | 2024-04-30 | 西南林业大学 | 一种柴油车瞬态过程颗粒物数量排放预测方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102588129A (zh) * | 2012-02-07 | 2012-07-18 | 上海艾铭思汽车控制系统有限公司 | 高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法 |
| 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 |
| CN105550700A (zh) * | 2015-12-08 | 2016-05-04 | 国网山东省电力公司电力科学研究院 | 一种基于关联分析和主成分分析的时间序列数据清洗方法 |
| CN106052761A (zh) * | 2016-07-08 | 2016-10-26 | 李臻 | 一种基于无线传输的车载便携式尾气排放测量系统 |
| CN106198332A (zh) * | 2016-07-08 | 2016-12-07 | 李建 | 一种柴油车尾气排放颗粒物便携式车载测试系统 |
| KR101925988B1 (ko) * | 2018-06-04 | 2018-12-06 | 데이터 엠 리미티드 | 탄소배출량 저감을 이행하기 위한 딥러닝을 활용한 차량의 에너지 소모량 산출 방법 |
| CN110044639A (zh) * | 2019-04-24 | 2019-07-23 | 陕西重型汽车有限公司 | 一种基于实车运行大数据平台的细分市场商用车md-vtd系统 |
| CN110399893A (zh) * | 2018-04-24 | 2019-11-01 | 广州禾信仪器股份有限公司 | 大气颗粒物的源解析方法和装置 |
| CN110533484A (zh) * | 2019-09-05 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于pca和改进bp神经网络的产品销量预测方法 |
| WO2019235654A1 (ko) * | 2018-06-04 | 2019-12-12 | 데이터 엠 리미티드 | 탄소배출량 저감을 이행하기 위한 딥러닝을 활용한 차량의 에너지 소모량 산출 방법 |
| CN111122171A (zh) * | 2018-10-30 | 2020-05-08 | 中国汽车技术研究中心有限公司 | 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 |
-
2020
- 2020-12-25 CN CN202011567050.XA patent/CN112964476B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102588129A (zh) * | 2012-02-07 | 2012-07-18 | 上海艾铭思汽车控制系统有限公司 | 高压共轨柴油机氮氧化物和颗粒排放的优化协同控制方法 |
| 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 |
| CN105550700A (zh) * | 2015-12-08 | 2016-05-04 | 国网山东省电力公司电力科学研究院 | 一种基于关联分析和主成分分析的时间序列数据清洗方法 |
| CN106052761A (zh) * | 2016-07-08 | 2016-10-26 | 李臻 | 一种基于无线传输的车载便携式尾气排放测量系统 |
| CN106198332A (zh) * | 2016-07-08 | 2016-12-07 | 李建 | 一种柴油车尾气排放颗粒物便携式车载测试系统 |
| CN110399893A (zh) * | 2018-04-24 | 2019-11-01 | 广州禾信仪器股份有限公司 | 大气颗粒物的源解析方法和装置 |
| KR101925988B1 (ko) * | 2018-06-04 | 2018-12-06 | 데이터 엠 리미티드 | 탄소배출량 저감을 이행하기 위한 딥러닝을 활용한 차량의 에너지 소모량 산출 방법 |
| WO2019235654A1 (ko) * | 2018-06-04 | 2019-12-12 | 데이터 엠 리미티드 | 탄소배출량 저감을 이행하기 위한 딥러닝을 활용한 차량의 에너지 소모량 산출 방법 |
| CN111122171A (zh) * | 2018-10-30 | 2020-05-08 | 中国汽车技术研究中心有限公司 | 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 |
| CN110044639A (zh) * | 2019-04-24 | 2019-07-23 | 陕西重型汽车有限公司 | 一种基于实车运行大数据平台的细分市场商用车md-vtd系统 |
| CN110533484A (zh) * | 2019-09-05 | 2019-12-03 | 四川长虹电器股份有限公司 | 一种基于pca和改进bp神经网络的产品销量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器学习的柴油机纳米级微粒预测模型;邹浪等;《科学技术与工程》;20200128(第03期);1197-1204 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112964476A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112964476B (zh) | 一种重型柴油车实际道路颗粒物排放在线预测方法 | |
| CN105806627A (zh) | 一种车载排放测试装置及其测试方法 | |
| 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 | |
| CN111512132B (zh) | 使用测功机进行测试的装置和方法 | |
| Ortenzi et al. | A new method to calculate instantaneous vehicle emissions using OBD data | |
| 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 | |
| CN110243384B (zh) | 实际行驶排放试验路线的确定方法、装置、设备和介质 | |
| Montazeri-Gh et al. | Development of car drive cycle for simulation of emissions and fuel economy | |
| CN1884992A (zh) | 发动机测试系统及其测试方法 | |
| CN110608893B (zh) | 车辆排放测试方法及装置 | |
| WO2022036619A1 (zh) | 点燃式发动机汽车尾气排放遥感大数据检测方法和系统 | |
| CN103135515A (zh) | 一种车辆状况的诊断方法 | |
| CN111911270A (zh) | 使用车载系统的车辆污染排放物测量方法 | |
| CN101532915A (zh) | 汽车尾气排放及车载自诊断系统的标定方法 | |
| CN110823585B (zh) | 基于obd远程排放监控数据的重型车尾气中nox排放因子获取方法 | |
| Kadijk et al. | Investigation into a Periodic Technical Inspection (PTI) Test Method to Check for Presence and Proper Functioning of Diesel Particulate Filters in Light-Duty Diesel Vehicles. Part 2 | |
| Borucka et al. | Laboratory measurements of vehicle exhaust emissions in conditions reproducing real traffic | |
| CN107330300A (zh) | 一种基于支持向量回归的车辆尾气浓度反演方法 | |
| CN101135691B (zh) | 一种车载机动车运行参数或污染物排放的测试方法及装置 | |
| CN112798288A (zh) | 一种便携式重型柴油车车载远程排放能耗测量系统及方法 | |
| 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 | |
| CN115392116A (zh) | 一种基于obd数据修复的重型柴油卡车超排判定方法 | |
| CN111679032A (zh) | 监测车辆车队排放量的方法 | |
| CN113295826B (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 | |
| CN117074046A (zh) | 高原环境下汽车实验室排放测试方法及装置 |
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 |