CN114060132B - 一种基于排放远程监控的NOx传感器作弊甄别方法 - Google Patents
一种基于排放远程监控的NOx传感器作弊甄别方法 Download PDFInfo
- Publication number
- CN114060132B CN114060132B CN202111313294.XA CN202111313294A CN114060132B CN 114060132 B CN114060132 B CN 114060132B CN 202111313294 A CN202111313294 A CN 202111313294A CN 114060132 B CN114060132 B CN 114060132B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- screening
- nox sensor
- working condition
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000012850 discrimination method Methods 0.000 title description 4
- 238000012216 screening Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 59
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims abstract description 29
- 239000004202 carbamide Substances 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 24
- 239000007788 liquid Substances 0.000 claims abstract description 8
- 241000209202 Bromus secalinus Species 0.000 claims abstract description 3
- 238000010606 normalization Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000002826 coolant Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000011156 evaluation Methods 0.000 abstract description 2
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 168
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000013618 particulate matter Substances 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
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013028 emission testing Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N11/00—Monitoring or diagnostic devices for exhaust-gas treatment apparatus, e.g. for catalytic activity
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N2560/00—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics
- F01N2560/02—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics the means being an exhaust gas sensor
- F01N2560/026—Exhaust systems with means for detecting or measuring exhaust gas components or characteristics the means being an exhaust gas sensor for measuring or detecting NOx
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N2900/00—Details of electrical control or of the monitoring of the exhaust gas treating apparatus
- F01N2900/06—Parameters used for exhaust control or diagnosing
- F01N2900/10—Parameters used for exhaust control or diagnosing said parameters being related to the vehicle or its components
-
- 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)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Mechanical Engineering (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种基于排放远程监控的NOx传感器作弊甄别方法，包括：采集待测车辆的若干组车辆数据和尿素液位数据，车辆数据包括NOx传感器读数以及对应的发动机数据向量，采集参考车辆的尿素液位数据，计算每公里的尿素标准消耗量；2)通过概率分布评估步骤获取待测车辆的车辆数据的平均分布概率，统计若干组车辆数据中无效或为负值的NOx传感器读数的总数占比；判断待测车辆数据是否满足作弊条件中的一条或多条，若是则判定待测车辆的NOx传感器作弊，否则判定待测车辆的NOx传感器未作弊。与现有技术相比，本发明具有计算复杂度低、准确度高、稳定性好等优点。
Description
技术领域
本发明涉及一种排放测试与监控领域，尤其是涉及一种基于排放远程监控的 NOx传感器作弊甄别方法。
背景技术
柴油发动机(柴油机)以其良好的动力性和经济性，成为了商用汽车及广大非道路移动机械的主要动力来源之一。然而柴油机产生了较多的氮氧化物(NOx)、颗粒物(PM)、碳氢化合物(HC)、一氧化碳(CO)排放，对大气环境造成了较大的污染，给居民身体健康也造成了较大的威胁。
发动机台架测试容易控制测试工况和测试条件，结果重复性好，但无法反映重型汽车在实际道路上行驶时的排放特征。PEMS测试可较为准确地评估单车道路实际排放情况，但其试验成本较高，且无法对车辆进行实时监控。基于OBD等技术的远程监控可实时采集车辆、柴油机及排气后处理系统运行数据，并进行故障码上报，对柴油机排放的监管具有重要作用。
市面上已存在只发送数据的NOx传感器，即发送NOx排放低的数据给ECU，从而实现排放作弊功能。由于OBD远程监控终端安装于在用车辆上，通过OBD 接口请求或采集CAN总线数据流，OBD远程监控终端会采集这一作弊数据流，从而上传虚假的NOx传感器数据。另一方面，通过篡改终端也可能实现NOx传感器数据造假。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于排放远程监控的NOx传感器作弊甄别方法，计算复杂度低，准确度高，稳定性好。
本发明的目的可以通过以下技术方案来实现：
一种基于排放远程监控的NOx传感器作弊甄别方法，包括：
采集参考车辆的若干组车辆数据，构成参考数据集，并进行数据预处理，每组车辆数据包括NOx传感器读数以及对应的发动机数据向量，所述的发动机数据向量包括若干类发动机数据；
对发动机数据向量进行离散化，获得若干个超立方，对超立方和参考数据集进行可信度筛选，筛选后的超立方记为选定特征工况域；
对NOx传感器读数进行离散化，获得若干个传感器读数区间，根据参考数据集统计每个选定特征工况域中每个传感器读数区间的分布概率，构成概率分布模型；
采集待测车辆的若干组车辆数据，构成待测数据集；
确定待测数据集中每组车辆数据的发动机数据向量所属的选定特征工况域，以及NOx传感器读数所属的传感器读数区间，根据概率分布模型获得该组车辆数据的分布概率，并计算待测数据集中所有车辆数据的平均分布概率；
判断待测车辆数据是否满足作弊条件中的一条或多条，若是则判定待测车辆的NOx传感器作弊，否则判定待测车辆的NOx传感器未作弊；
所述的作弊条件包括：
所述的平均分布概率超出设定概率范围；
所述的分布概率为0的数据点占比高于点占比阈值；
本发明提出的NOx传感器作弊甄别方法，利用正常的参考车辆的NOx传感器读数以及发动机数据，并进行筛选，最终获得正常情况下特定范围内的发动机数据对应的传感器读数的概率分布情况，根据待测车辆的NOx传感器读数以及发动机数据，通过概率分布情况甄别待测车辆的NOx传感器读数是否作弊，解决了OBD 远程监控下NOx传感器作弊的甄别问题，计算复杂度低，易于在大数据下处理，同时本发明提出的NOx传感器作弊甄别方法基于大数据处理技术，适用于任何 NOx传感器作弊方式，且能够随着大数据更新而进化，进而在远程监控平台数据采集的过程中，保持甚至提高甄别的准确度。
进一步地，所述的方法还包括：
采集参考车辆的尿素液位数据，计算每公里的尿素标准消耗量，采集待测车辆的尿素液位数据，计算待测车辆每公里的尿素平均消耗量；
所述的作弊条件还包括：
所述的尿素平均消耗量小于尿素标准消耗量，且二者差值大于设定差值；
通过尿素平均消耗量辅助甄别过程，降低漏检率。
进一步地，所述的作弊条件还包括：
所述的待测数据集中无效或为负值的NOx传感器读数的总数占比大于设定占比；
通过异常NOx传感器读数占比辅助甄别过程，降低漏检率。
进一步地，所述的对超立方和参考数据集进行可信度筛选的过程包括：
依次进行四次筛选，剔除不可信的超立方以及参考数据集；
第一次筛选：对超立方进行筛选，获得待定特征工况域；
第二次筛选：删除待定特征工况域中异常的参考数据集的车辆数据；
第三次筛选：对待定特征工况域进行筛选，获得选定特征工况域；
第四次筛选：对参考数据集中的车辆数据进行筛选。
进一步地，所述的参考车辆的数量为多辆；
所述的方法还包括：采集参考车辆的车辆VIN码；
所述的第一次筛选过程具体包括：
统计参考数据集中的发动机数据向量在每个超立方中的分布频数，删除分布频数低于fmin的超立方，所述的fmin位于10～1.5N/n之间，N为参考数据集包含的车辆数据组数；
统计每个超立方中分布的发动机数据向量对应的车辆VIN码种类数，删除车辆VIN码种类数小于设定种类数的超立方；
通过第一次筛选，剔除分布频数较低以及包含的车辆VIN码种类数较低的超立方。
进一步地，所述的第二次筛选过程具体包括：
对于每个待定特征工况域，判断分布其中的发动机数据向量对应的NOx传感器读数yk是否满足第一判断不等式，若是则删除yk对应的车辆数据，否则保留yk对应的车辆数据；
所述的第一判断不等式为：
其中，tor为容忍度，m为参考数据集中的NOx传感器读数的总数，yi为除 yk之外的参考数据集中的NOx传感器读数，mean(yi)为yi的平均值；
通过第二次筛选，剔除远偏出出其他传感器读数范围的车辆数据。
进一步地，第二次筛选后会出现新的不可信的超立方，因此第三次筛选过程和第一次筛选过程相同，剔除不可信的超立方。
进一步地，所述的第四次筛选过程具体包括：
设参考车辆的车辆数据在选定特征工况域中分布的频数为A0，在待定特征工况域中分布的频数为A1，若A0和A1的差值过大，表明该参考车辆的车辆数据不可信，故判断第二判断不等式是否成立，若是则删除选定特征工况域中该参考车辆的车辆数据，否则保留选定特征工况域中该参考车辆的车辆数据；
所述的第二判断不等式为：
(A1-A0)/A1＞torV
其中，torV为容忍比例。
进一步地，发动机数据包括发动机转矩、发动机转速、发动机冷却液温度和排气温度。
进一步地，所述的数据预处理过程包括：
删除参考数据集中NOx传感器读数不为正数或0的车辆数据；
对车辆数据进行归一化处理。
通过数据预处理过程提高甄别的准确率。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明利用正常的参考车辆的NOx传感器读数以及发动机数据，并进行筛选，最终获得正常情况下特定范围内的发动机数据对应的传感器读数的概率分布情况，根据待测车辆的NOx传感器读数以及发动机数据，通过概率分布情况甄别待测车辆的NOx传感器读数是否作弊，解决了OBD远程监控下NOx传感器作弊的甄别问题，计算复杂度低，易于在大数据下处理；
(2)本发明提出的NOx传感器作弊甄别方法基于大数据处理技术，适用于任何NOx传感器作弊方式，且能够随着大数据更新而进化，进而在远程监控平台数据采集的过程中，保持甚至提高甄别的准确度，稳定性好；
(3)本发明通过尿素平均消耗量和待测数据集中无效或为负值的NOx传感器读数的总数占比辅助甄别过程，降低漏检率；
(4)本发明依次进行四次筛选，剔除不可信的超立方以及参考数据集，通过第一次筛选，剔除分布频数较低以及包含的车辆VIN码种类数较低的超立方，通过第二次筛选，剔除远偏出出其他传感器读数范围的车辆数据，第二次筛选后会出现新的不可信的超立方，因此第三次筛选过程和第一次筛选过程相同，剔除不可信的超立方，第四次筛选四选定特征工况域中不可信的参考车辆的车辆数据，使得概率分布模型的可靠性高，提高甄别的准确率。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种基于排放远程监控的NOx传感器作弊甄别方法，如图1，包括以下步骤：
1)采集待测车辆的若干组车辆数据和尿素液位数据，车辆数据包括NOx传感器读数以及对应的发动机数据向量，采集参考车辆的尿素液位数据，计算每公里的尿素标准消耗量；
2)通过概率分布评估步骤获取待测车辆的车辆数据的平均分布概率，统计若干组车辆数据中无效或为负值的NOx传感器读数的总数占比；
3)判断待测车辆数据是否满足作弊条件中的一条或多条，若是则判定待测车辆的NOx传感器作弊，否则判定待测车辆的NOx传感器未作弊；
其中，所述的作弊条件包括：
平均分布概率超出设定概率范围；
分布概率为0的数据点占比高于点占比阈值；
尿素平均消耗量小于尿素标准消耗量，且二者差值大于设定差值；
待测数据集中无效或为负值的NOx传感器读数的总数占比大于90％。
参考车辆的若干组车辆数据，构成参考数据集，发动机数据向量包括发动机转矩、发动机转速、发动机冷却液温度和排气温度。
步骤2)所述的概率分布评估步骤包括以下子步骤：
21)对参考数据集进行数据预处理，数据预处理过程包括：
删除参考数据集中NOx传感器读数不为正数或0的车辆数据；
对车辆数据进行归一化处理。
22)对发动机数据向量进行离散化，获得若干个超立方，对超立方和参考数据集进行可信度筛选，筛选后的超立方记为选定特征工况域；
23)对NOx传感器读数进行离散化，获得若干个传感器读数区间，根据参考数据集统计每个选定特征工况域中每个传感器读数区间的分布概率，构成概率分布模型；
24)采集待测车辆的若干组车辆数据，构成待测数据集，确定待测数据集中每组车辆数据的发动机数据向量所属的选定特征工况域，以及NOx传感器读数所属的传感器读数区间，根据概率分布模型获得该组车辆数据的分布概率，并计算待测数据集中所有车辆数据的平均分布概率。
子步骤21)中，通过第一归一化公式对发动机转矩d1-i、发动机转速d2-i、发动机冷却液温度d3-i、排气温度d4-i进行归一化处理，归一化公式为：
x* i＝(xi--min(x))/(max(x)-min(x))
其中，xi和x* i分别为归一化前、后的待归一化数据集中的第i个数据，max(x) 和min(x)分别为待归一化数据集中的最大值和最小值，归一化后的发动机数据向量表示为：
(d1-i *,d2-i *,d3-i *,d4-i *)
通过第二归一化公式对NOx传感器读数yi进行归一化，第二归一化公式参考SAE1939协议定义：
yi *＝(yi-(-200))/(3012.75-(-200))
其中，yi *为归一化后的NOx传感器读数。
子步骤22)中，对发动机数据向量进行离散化的过程包括：
对(d1-i *,d2-i *,d3-i *,d4-i *)进行数据离散化，每一种数据的离散化区间为intj, 设置值为0.01～0.1，离散化区间表如下：
表1离散化区间
子步骤23)中对NOx传感器读数进行离散化，离散化区间inty在0.01～0.025 之间。
子步骤22)中对超立方和参考数据集进行可信度筛选的过程包括：
依次进行四次筛选，剔除不可信的超立方以及参考数据集；
第一次筛选：对超立方进行筛选，获得待定特征工况域；
第二次筛选：删除待定特征工况域中异常的参考数据集的车辆数据；
第三次筛选：对待定特征工况域进行筛选，获得选定特征工况域；
第四次筛选：对参考数据集中的车辆数据进行筛选。
参考车辆的数量为多辆；
方法还包括：采集参考车辆的车辆VIN码；
第一次筛选过程具体包括：
统计参考数据集中的发动机数据向量在每个超立方中的分布频数，删除分布频数低于fmin的超立方，fmin位于10～1.5N/n之间，N为参考数据集包含的车辆数据组数；
统计每个超立方中分布的发动机数据向量对应的车辆VIN码种类数，删除车辆VIN码种类数小于设定种类数的超立方；
通过第一次筛选，剔除分布频数较低以及包含的车辆VIN码种类数较低的超立方。
第二次筛选过程具体包括：
对于每个待定特征工况域，判断分布其中的发动机数据向量对应的NOx传感器读数yk是否满足第一判断不等式，若是则删除yk对应的车辆数据，否则保留yk对应的车辆数据；
第一判断不等式为：
其中，tor为容忍度，取4～50，m为参考数据集中的NOx传感器读数的总数， yi为除yk之外的参考数据集中的NOx传感器读数，mean(yi)为yi的平均值；
通过第二次筛选，剔除远偏出出其他传感器读数范围的车辆数据。
第二次筛选后会出现新的不可信的超立方，因此第三次筛选过程和第一次筛选过程相同，剔除不可信的超立方。
第四次筛选过程具体包括：
设参考车辆的车辆数据在选定特征工况域中分布的频数为A0，在待定特征工况域中分布的频数为A1，若A0和A1的差值过大，表明该参考车辆的车辆数据不可信，故判断第二判断不等式是否成立，若是则删除选定特征工况域中该参考车辆的车辆数据，否则保留选定特征工况域中该参考车辆的车辆数据；
第二判断不等式为：
(A1-A0)/A1＞torV
其中，torV为容忍比例，取0.01～0.5。
子步骤23)中，将特征工况域中的(d1-i *,d2-i *,d3-i *,d4-i *)进行反归一化为 (d1-i *,d2-i *,d3-i *,d4-i *)。将yi *及其离散化区间反归一化为yi，根据参考数据集统计每个选定特征工况域中每个传感器读数区间的分布概率，构成概率分布模型；
概率分布模型f(y)的表达式为：
f(y)＝P(|yi-meab(yi)|≥|y-mean(yi)|)
其中，mean(yi)是yi的平均值，当y-mean(yi)＝0时，f(y)＝1，|y-mean(yi)| 趋向于正无穷或超出一定限度时，f(y)＝0。
本实施例提出了一种基于排放远程监控的NOx传感器作弊甄别方法，利用正常的参考车辆的NOx传感器读数以及发动机数据，并进行筛选，最终获得正常情况下特定范围内的发动机数据对应的传感器读数的概率分布情况，根据待测车辆的 NOx传感器读数以及发动机数据，通过概率分布情况甄别待测车辆的NOx传感器读数是否作弊，解决了OBD远程监控下NOx传感器作弊的甄别问题，计算复杂度低，易于在大数据下处理，同时本发明提出的NOx传感器作弊甄别方法基于大数据处理技术，适用于任何NOx传感器作弊方式，且能够随着大数据更新而进化，进而在远程监控平台数据采集的过程中，保持甚至提高甄别的准确度；本实施例还通过通过尿素平均消耗量和异常NOx传感器读数占比辅助甄别过程，降低漏检率。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种基于排放远程监控的NOx传感器作弊甄别方法，其特征在于，包括：
采集参考车辆的若干组车辆数据，构成参考数据集，并进行数据预处理，每组车辆数据包括NOx传感器读数以及对应的发动机数据向量，所述的发动机数据向量包括若干类发动机数据；
对发动机数据向量进行离散化，获得若干个超立方，对超立方和参考数据集进行可信度筛选，筛选后的超立方记为选定特征工况域；
对NOx传感器读数进行离散化，获得若干个传感器读数区间，根据参考数据集统计每个选定特征工况域中每个传感器读数区间的分布概率，构成概率分布模型；
采集待测车辆的若干组车辆数据，构成待测数据集；
确定待测数据集中每组车辆数据的发动机数据向量所属的选定特征工况域，以及NOx传感器读数所属的传感器读数区间，根据概率分布模型获得该组车辆数据的分布概率，并计算待测数据集中所有车辆数据的平均分布概率；
采集参考车辆的尿素液位数据，计算每公里的尿素标准消耗量，采集待测车辆的尿素液位数据，计算待测车辆每公里的尿素平均消耗量；
判断待测车辆数据是否满足作弊条件中的一条或多条，若是则判定待测车辆的NOx传感器作弊，否则判定待测车辆的NOx传感器未作弊；
所述的作弊条件包括：
所述的平均分布概率超出设定概率范围；
所述的分布概率为0的数据点占比高于点占比阈值；
所述的尿素平均消耗量小于尿素标准消耗量，且二者差值大于设定差值；
所述的待测数据集中无效或为负值的NOx传感器读数的总数占比大于设定占比。
2.根据权利要求1所述的一种基于排放远程监控的NOx传感器作弊甄别方法，其特征在于，所述的对超立方和参考数据集进行可信度筛选的过程包括：
依次进行四次筛选；
第一次筛选：对超立方进行筛选，获得待定特征工况域；
第二次筛选：删除待定特征工况域中异常的参考数据集的车辆数据；
第三次筛选：对待定特征工况域进行筛选，获得选定特征工况域；
第四次筛选：对参考数据集中的车辆数据进行筛选。
3.根据权利要求2所述的一种基于排放远程监控的NOx传感器作弊甄别方法，其特征在于，所述的参考车辆的数量为多辆；
所述的方法还包括：采集参考车辆的车辆VIN码；
所述的第一次筛选过程具体包括：
统计参考数据集中的发动机数据向量在每个超立方中的分布频数，删除分布频数低于fmin的超立方，所述的fmin位于10～1.5N/n之间，N为参考数据集包含的车辆数据组数；
统计每个超立方中分布的发动机数据向量对应的车辆VIN码种类数，删除车辆VIN码种类数小于设定种类数的超立方。
4.根据权利要求3所述的一种基于排放远程监控的NOx传感器作弊甄别方法，其特征在于，所述的第二次筛选过程具体包括：
对于每个待定特征工况域，判断分布其中的发动机数据向量对应的NOx传感器读数yk是否满足第一判断不等式，若是则删除yk对应的车辆数据，否则保留yk对应的车辆数据；
所述的第一判断不等式为：
其中，tor为容忍度，m为参考数据集中的NOx传感器读数的总数，yi为除yk之外的参考数据集中的NOx传感器读数，mean(yi)为yi的平均值。
5.根据权利要求3所述的一种基于排放远程监控的NOx传感器作弊甄别方法，其特征在于，所述的第三次筛选过程和第一次筛选过程相同。
6.根据权利要求2所述的一种基于排放远程监控的NOx传感器作弊甄别方法，其特征在于，所述的第四次筛选过程具体包括：
设参考车辆的车辆数据在选定特征工况域中分布的频数为A0，在待定特征工况域中分布的频数为A1，判断第二判断不等式是否成立，若是则删除选定特征工况域中该参考车辆的车辆数据，否则保留选定特征工况域中该参考车辆的车辆数据；
所述的第二判断不等式为：
(A1-A0)/A1＞torV
其中，torV为容忍比例。
7.根据权利要求1所述的一种基于排放远程监控的NOx传感器作弊甄别方法，其特征在于，发动机数据包括发动机转矩、发动机转速、发动机冷却液温度和排气温度。
8.根据权利要求1所述的一种基于排放远程监控的NOx传感器作弊甄别方法，其特征在于，所述的数据预处理过程包括：
删除参考数据集中NOx传感器读数不为正数或0的车辆数据；
对车辆数据进行归一化处理。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111313294.XA CN114060132B (zh) | 2021-11-08 | 2021-11-08 | 一种基于排放远程监控的NOx传感器作弊甄别方法 |
| US17/726,663 US11561212B1 (en) | 2021-11-08 | 2022-04-22 | Method for determining NOx sensor data falsification based on remote emission monitoring |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111313294.XA CN114060132B (zh) | 2021-11-08 | 2021-11-08 | 一种基于排放远程监控的NOx传感器作弊甄别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114060132A CN114060132A (zh) | 2022-02-18 |
| CN114060132B true CN114060132B (zh) | 2022-10-25 |
Family
ID=80274175
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111313294.XA Active CN114060132B (zh) | 2021-11-08 | 2021-11-08 | 一种基于排放远程监控的NOx传感器作弊甄别方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US11561212B1 (zh) |
| CN (1) | CN114060132B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003056500A1 (en) | 2001-12-24 | 2003-07-10 | Digimarc Id Systems, Llc | Covert variable information on id documents and methods of making same |
| US7694887B2 (en) * | 2001-12-24 | 2010-04-13 | L-1 Secure Credentialing, Inc. | Optically variable personalized indicia for identification documents |
| DE102007004687B4 (de) | 2007-01-25 | 2012-03-01 | Hydraulik-Ring Gmbh | Volumensmengenabgabeeinheit und Verfahren zur Kalibrierung der Druckausgangssignal-Volumensmenge-Charakteristik |
| EP3206007A1 (en) * | 2016-02-12 | 2017-08-16 | Avl Powertrain Uk Ltd | Method for performing a test drive of a vehicle |
| CA3029349A1 (en) * | 2017-06-28 | 2019-01-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for cheat examination |
| CN107703907B (zh) * | 2017-08-11 | 2020-10-09 | 中国汽车技术研究中心 | 一种用于发动机排放控制系统的检测系统 |
| CN110671178B (zh) * | 2019-10-08 | 2021-05-14 | 华东交通大学 | 一种基于不同扭矩段排温特征的排温传感器诊断方法 |
| CN111636954B (zh) * | 2020-06-08 | 2021-12-21 | 安徽华菱汽车有限公司 | 一种重型柴油车及其发动机后处理防作弊方法、系统 |
-
2021
- 2021-11-08 CN CN202111313294.XA patent/CN114060132B/zh active Active
-
2022
- 2022-04-22 US US17/726,663 patent/US11561212B1/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US11561212B1 (en) | 2023-01-24 |
| CN114060132A (zh) | 2022-02-18 |
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 | |
| 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 | |
| CN105806627A (zh) | 一种车载排放测试装置及其测试方法 | |
| CN108343497B (zh) | 一种柴油车scr系统老化失效快速诊断系统及方法 | |
| CN112964476B (zh) | 一种重型柴油车实际道路颗粒物排放在线预测方法 | |
| 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 | |
| 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 | |
| CN113187638B (zh) | 一种诊断燃油中硫含量高的方法 | |
| CN113806675B (zh) | 一种NOx排放与油耗特征分析方法 | |
| CN203083829U (zh) | 基于简易工况法尾气排放检测的汽车故障诊断系统 | |
| CN110838192B (zh) | 一种obd远程在线监控数据的修正方法 | |
| CN108763643B (zh) | 一种地区机动车排放因子计算方法 | |
| 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 | |
| CN114060132B (zh) | 一种基于排放远程监控的NOx传感器作弊甄别方法 | |
| CN112486962A (zh) | 一种提取组合短片段计算重型柴油车NOx排放的方法 | |
| CN114991922A (zh) | 一种车辆NOx排放超标的实时预警方法 | |
| 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 | |
| CN115392116A (zh) | 一种基于obd数据修复的重型柴油卡车超排判定方法 | |
| 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 | |
| CN116558834A (zh) | Pems排放分析方法、装置、计算机设备和存储介质 | |
| CN114720140A (zh) | 一种机动车尾气智能诊断及治理方法及系统 | |
| CN117171921B (zh) | 柴油颗粒物尾气净化装置健康状态评估处理方法和装置 | |
| CN112394040A (zh) | 一种机动车排污监管系统及方法 | |
| CN117147166A (zh) | 一种发动机标定方法、装置、电子设备及存储介质 | |
| CN113741196B (zh) | 一种基于车联网大数据的dpf再生周期控制优化方法 |
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 |