CN114707777A - 由汽车冷启动模态数据快速预测碳氢化合物排放的方法 - Google Patents

由汽车冷启动模态数据快速预测碳氢化合物排放的方法 Download PDF

Info

Publication number
CN114707777A
CN114707777A CN202210637955.2A CN202210637955A CN114707777A CN 114707777 A CN114707777 A CN 114707777A CN 202210637955 A CN202210637955 A CN 202210637955A CN 114707777 A CN114707777 A CN 114707777A
Authority
CN
China
Prior art keywords
hydrocarbon
test
matrix
data
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.)
Pending
Application number
CN202210637955.2A
Other languages
English (en)
Inventor
李菁元
张欣
彭冲
邹雄辉
杨帆
刘昱
孙龙
颜燕
杨正军
马琨其
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.)
CATARC Automotive Test Center Tianjin Co Ltd
Original Assignee
CATARC Automotive Test Center Tianjin Co Ltd
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 CATARC Automotive Test Center Tianjin Co Ltd filed Critical CATARC Automotive Test Center Tianjin Co Ltd
Priority to CN202210637955.2A priority Critical patent/CN114707777A/zh
Publication of CN114707777A publication Critical patent/CN114707777A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明提供了一种由汽车冷启动模态数据快速预测碳氢化合物排放的方法，包括以下步骤：进行实车Ⅰ型和Ⅵ型冷启动排放试验，采集试验车的碳氢化合物模态数据及测定的碳氢化合物含量，形成预测数据集，并随机划分为测试集和验证集；对测试集的模态数据与碳氢化合物数据进行拟合，并建立偏最小二乘法预测模型；利用预测模型，预测验证集的碳氢化合物排放量；利用预测结果，计算验证集的决定系数R2，若R2大于设定的阈值T2，将验证集与测试集合并建立最终的PLS预测模型。本发明有益效果：充分将汽车排放试验数据与模态数据相关联，可快速预测车辆碳氢化合物排放量，有效提高碳氢化合物排放量的预测精度。

Description

由汽车冷启动模态数据快速预测碳氢化合物排放的方法
技术领域
本发明属于汽车排放领域，尤其是涉及一种由汽车冷启动模态数据快速预测碳氢化合物排放的方法。
背景技术
随着环保法规和排放标准的日益严格，以及汽车保有量的快速增加，机动车尾气等移动源污染排放一直是主要的大气污染源，不仅会对人类和动植物生存产生极其不利的影响，且会严重破坏生态平衡，所以加强汽车排放控制是目前城市大气污染防治领域的重要问题。汽车后处理系统中的三元催化转化器（TWC）起燃温度为250-300℃，正常运行时间内可将尾气中的碳氢化合物(HC)氧化为CO2和H2O。汽车在冷启动阶段会排放大量的HC，对NEDC驾驶循环（新欧洲驾驶循环）的相关研究表明，汽车后处理系统三元催化器(TWC)未达到起燃温度前，也就是汽油发动机在不同环境温度下的冷启动阶段会产生50%-80%的碳氢化合物，约为热启动状态下的10倍。综上可知汽车在冷启动阶段排放的HC对环境危害更严重，因此快速预测在不同环境温度下的冷启动阶段HC排放量，可显著改善大气环境质量，并可显著降低TWC用于HC氧化反应的贵金属催化剂用量。
在WLTC循环工况下，基于大量的I型常温冷启动排放试验和VI型低温冷启动排放试验采集的碳氢化合物模态数据，以及对应的HC排放量，通过相关性分析提取影响汽车碳氢化合物排放水平的关键片段，最终通过偏最小二乘法建立准确性和适应性强的预测模型，从而建立可快速预测不同环境温度下的汽车碳氢化合物排放的分析方法。
发明内容
有鉴于此，本发明旨在提出一种由汽车冷启动模态数据快速预测碳氢化合物排放的方法，可用于快速分析待测不同车辆的碳氢化合物排放量，具有预测准确性和适应性。
为达到上述目的，本发明的技术方案是这样实现的：
由汽车冷启动模态数据快速预测碳氢化合物排放的方法，包括以下步骤：
S1、利用试验车在常温和低温环境下冷起动进行排放试验，采集每个油品样本的实车测试模态数据和测定的碳氢化合物含量；
S2、将模态数据和对应的碳氢化合物排放数据集结合组成预测数据集，记自变量x为t个时刻的碳氢化合物模态数据，因变量y为对应的碳氢化合物排放量，样本数量为n；
S3、将预测数据集分为测试集和验证集，对测试集中的模态数据与试验车辆的碳氢化合物排放值进行回归拟合，得到测试集偏最小二乘法预测模型；
S4、利用步骤S3中建立的偏最小二乘法预测模型，对验证集的碳氢化合物排放值进行预测，建立提取的工况片段与试验车辆碳氢化合物排放值的对应关系；
S5、计算验证集的决定系数，决定系数表示预测精度，若决定系数满足设定的阈值T2，将验证集与测试集合并建立最终的偏最小二乘法预测模型，利用该模型可预测汽车的碳氢化合物排放量。
进一步的，在步骤S3中，对测试集中的数据按下述方式进行模态数据与碳氢化合物排放量的拟合：
A1、按下式（1）处理模态数据与碳氢化合物排放的关系，根据R值与P筛选与碳氢化合物排放相关的运动学片段：
Figure 461102DEST_PATH_IMAGE001
其中，R为相关性系数，R越接近于1，相关性则越大，保留
Figure 440559DEST_PATH_IMAGE002
的模态数据片段；
A2、记录当所有的拟合值R值大于0.8该运动学片段
Figure 548192DEST_PATH_IMAGE003
，j为片段计数器，
Figure 5718DEST_PATH_IMAGE004
，将筛选到的模态数据片段拼接，得到新的自变量矩阵
Figure 147987DEST_PATH_IMAGE005
，如下式（2）所示：
Figure 95083DEST_PATH_IMAGE006
其中，
Figure 424433DEST_PATH_IMAGE007
为新的模态数据片段个数；
A3、记
Figure 240246DEST_PATH_IMAGE008
和
Figure 971442DEST_PATH_IMAGE009
为自变量和因变量
Figure 292702DEST_PATH_IMAGE010
的第
Figure 109348DEST_PATH_IMAGE011
对主成分，提取第一对主成分
Figure 643098DEST_PATH_IMAGE012
和
Figure 87854DEST_PATH_IMAGE013
(k=1)，要求t1和u1满足方差最大的同时相关性最大，将上述条件表示为下式（3）所示形式：
Figure 314436DEST_PATH_IMAGE014
其中，
Figure 415116DEST_PATH_IMAGE015
，
Figure 486978DEST_PATH_IMAGE016
，
Figure 284776DEST_PATH_IMAGE017
，
Figure 478997DEST_PATH_IMAGE018
和
Figure 270235DEST_PATH_IMAGE019
为权重矩阵：
A4、利用拉格朗日乘数法将问题转化为求单位向量
Figure 270421DEST_PATH_IMAGE020
和
Figure 424191DEST_PATH_IMAGE021
,使
Figure 258155DEST_PATH_IMAGE022
最大，由下式（4）可得：
Figure 271110DEST_PATH_IMAGE023
其中，
Figure 481512DEST_PATH_IMAGE024
，
Figure 99575DEST_PATH_IMAGE025
为最大特征值，
Figure 370019DEST_PATH_IMAGE026
，
Figure 463746DEST_PATH_IMAGE027
为最大特征值对应的特征向量；
A5、建立回归模型，计算主成分与自变量、因变量之间的回归系数矩阵和残差矩阵：
Figure 946680DEST_PATH_IMAGE028
其中，
Figure 215987DEST_PATH_IMAGE029
、
Figure 657333DEST_PATH_IMAGE030
为分别是多对一的回归模型中的参数向量，
Figure 848143DEST_PATH_IMAGE031
、
Figure 400347DEST_PATH_IMAGE032
为残差阵；
A6、按下式（6）（7）获得回归系数矩阵以及残差矩阵：
Figure 524161DEST_PATH_IMAGE033
残差矩阵：
Figure 870828DEST_PATH_IMAGE034
A7、计算残差
Figure 548934DEST_PATH_IMAGE035
、
Figure 904829DEST_PATH_IMAGE036
并判断是否满足精度要求，若残差阵大于设定的阈值T1，则用残差矩阵代替
Figure 148729DEST_PATH_IMAGE037
、
Figure 869560DEST_PATH_IMAGE038
矩阵，进行迭代计算，直到残差满足精度要求；
A8、经过r次步骤A2至A7的迭代计算，建立因变量矩阵与自变量矩阵间的回归，得到结果形式如下式（8）所示：
Figure 831700DEST_PATH_IMAGE039
其中，
Figure 663390DEST_PATH_IMAGE040
为第k次迭代的得分矩阵，
Figure 27375DEST_PATH_IMAGE041
，表达形式如下式（9）所示：
Figure 715845DEST_PATH_IMAGE042
A9、将上式（9）代入
Figure 368543DEST_PATH_IMAGE043
中，即得p个因变量得偏最小二乘回归方程式：
Figure 66241DEST_PATH_IMAGE044
其中
Figure 19154DEST_PATH_IMAGE045
为通过油品烃族组成预测得到的该汽车碳氢化合物排放值。
进一步的，在步骤A7中，当T1≤90%时，则用残差矩阵代替原数据矩阵，采用迭代计算的方式，直到残差满足精度要求，建立因变量矩阵与自变量矩阵间的回归。
进一步的，开展的实车碳氢化合物排放的标准试验为I型试验和VI型试验，所述I型试验为常温下冷起动后排气污染物排放试验，所述VI型试验为VI型低温下冷启动后排气中CO、THC和NOx排放试验。
进一步的，所建立预测数据集的样本数量不小于100。
进一步的，步骤S4中所述的阈值T2设定至少为85%。
相对于现有技术，本发明所述的由汽车冷启动模态数据快速预测车辆碳氢化合物排放的方法具有以下有益效果：
（1）本发明所述的由汽车冷启动模态数据快速预测车辆碳氢化合物排放的方法，采用偏最小二乘法对测试集的碳氢化合物排放值进行回归拟合，建立偏最小二乘法预测模型，再将验证集代入模型进行预测，计算决定系数，再将测试集与训练集结合得到最终预测模型。
（2）本发明所述的由汽车冷启动模态数据快速预测碳氢化合物排放的方法，充分将车辆的排放试验数据与模态数据进行关联，有效提高待测样本碳氢化合物排放值的预测准确性。
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为本发明实施例所述的由汽车冷启动模态数据快速预测碳氢化合物排放的方法示意图。
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。
本发明提供的由汽车冷启动模态数据预测碳氢化合物排放的快速分析方法包括如下步骤:
（1）进行至少100辆试验车在常温和低温环境下冷起动后的排放试验，采集每个样本的汽车排放碳氢化合物的模态数据和测定的碳氢化合物含量。
（2）将模态数据及与之对应的碳氢化合物排放数据组成预测数据集。随机选取其中80个样本数据，建立测试集，将剩余20个样本数据作为验证集。
（3）记自变量x为t个时刻的瞬时碳氢化合物模态数据，因变量y为对应的碳氢化合物排放量，样本数量为n。
Figure 81787DEST_PATH_IMAGE046
（4）对测试集数据按下述方式进行模态数据与碳氢化合物排放的拟合：
1）按式（1）处理模态数据与碳氢化合物排放的关系，根据R值与筛选与碳氢化合物相关的运动学片段。
Figure 752940DEST_PATH_IMAGE047
其中，R为相关性系数，R越接近于1，相关性则越大，保留
Figure 254329DEST_PATH_IMAGE048
的模态数据片段。
2）记录当所有的拟合值R值大于0.8该运动学片段
Figure 530589DEST_PATH_IMAGE049
，j为片段计数器，
Figure 826441DEST_PATH_IMAGE050
，将筛选到的模态数据片段拼接，得到新的自变量矩阵
Figure 984890DEST_PATH_IMAGE051
，如式（2）所示。
Figure 758811DEST_PATH_IMAGE052
其中，
Figure 686316DEST_PATH_IMAGE053
为新的模态数据片段个数。
3）记
Figure 621911DEST_PATH_IMAGE054
和
Figure 267656DEST_PATH_IMAGE055
为自变量
Figure 845268DEST_PATH_IMAGE056
和因变量
Figure 627279DEST_PATH_IMAGE057
的第
Figure 264934DEST_PATH_IMAGE058
对主成分。提取第一对主成分
Figure 233912DEST_PATH_IMAGE059
和
Figure 552898DEST_PATH_IMAGE060
(k=1)，要求t1和u1满足方差最大的同时相关性最大，将上述条件表示为式（3）所示形式。
Figure 923837DEST_PATH_IMAGE061
其中，
Figure 466813DEST_PATH_IMAGE062
，
Figure 87151DEST_PATH_IMAGE063
，
Figure 475407DEST_PATH_IMAGE064
，
Figure 435272DEST_PATH_IMAGE065
和
Figure 414730DEST_PATH_IMAGE066
为权重矩阵。
4）利用拉格朗日乘数法将该问题转化为求单位向量
Figure 522363DEST_PATH_IMAGE067
和
Figure 183151DEST_PATH_IMAGE068
,使
Figure 263103DEST_PATH_IMAGE069
最大，由式（4）可得：
Figure 679041DEST_PATH_IMAGE070
其中，
Figure 211653DEST_PATH_IMAGE071
，
Figure 738450DEST_PATH_IMAGE072
为最大特征值，
Figure 407328DEST_PATH_IMAGE073
，
Figure 994167DEST_PATH_IMAGE074
为最大特征值对应的特征向量。
5）建立回归模型，计算主成分与自变量、因变量之间的回归系数矩阵和残差矩阵。
Figure 545235DEST_PATH_IMAGE075
其中，
Figure 610142DEST_PATH_IMAGE076
、
Figure 399107DEST_PATH_IMAGE077
为分别是多对一的回归模型中的参数向量，
Figure 360110DEST_PATH_IMAGE078
、
Figure 664052DEST_PATH_IMAGE079
为残差阵。
6）按式（6）（7）获得回归系数矩阵以及残差矩阵。
Figure 470334DEST_PATH_IMAGE080
残差矩阵：
Figure 176122DEST_PATH_IMAGE081
7）计算残差
Figure 839184DEST_PATH_IMAGE082
、
Figure 99264DEST_PATH_IMAGE083
并判断是否满足精度要求，若残差阵大于设定的阈值T1，则用残差矩阵代替
Figure 240396DEST_PATH_IMAGE084
、
Figure 269532DEST_PATH_IMAGE085
矩阵，进行迭代计算，直到残差满足精度要求。
8）经过r次步骤2）至7）的迭代计算，建立因变量矩阵与自变量矩阵间的回归，得到结果形式如式（8）所示。
Figure 41179DEST_PATH_IMAGE086
其中，
Figure 585292DEST_PATH_IMAGE087
为第k次迭代的得分矩阵，(
Figure 733377DEST_PATH_IMAGE088
)，表达形式如式（9）所示：
Figure 413757DEST_PATH_IMAGE089
9）将式（9）代入
Figure 621884DEST_PATH_IMAGE090
中，即得p个因变量得偏最小二乘回归方程式。
Figure 590977DEST_PATH_IMAGE091
其中
Figure 73911DEST_PATH_IMAGE092
为通过油品烃族组成预测得到的该汽车碳氢化合物排放值。
（5）按步骤（4）建立的偏最小二乘法预测模型，对测试集碳氢化合物排放值进行预测，建立提取片段与预测碳氢化合物排放值
Figure 874377DEST_PATH_IMAGE092
的对应关系。
（6）计算验证集的预测决定系数
Figure 987827DEST_PATH_IMAGE093
，用以表示预测精度，计算公式如式（11）：
Figure 240954DEST_PATH_IMAGE094
（7）若决定系数
Figure 730841DEST_PATH_IMAGE095
满足设定的阈值T2，将样本集与测试集合并求解最终偏最小二乘法预测模型的回归系数。汽车碳氢化合物排放总量可由步骤（6）所得预测模型进行预测。
接下来公开一种优选的实施例：
本发明方法采用偏最小二乘法对待测样本的碳氢化合物排放值进行拟合回归，用参与拟合的测试集建立偏最小二乘法的模型，再将验证集代入该模型进行预测，并计算验证集的决定系数，再将测试集与训练集结合得到最终的偏最小二乘法预测模型。本发明方法计算简单，可以在一定程度上消除自变量共线性或样本不足的局限，在更大程度上扩展参与拟合的样本特征，并加入预测准确性的阈值，通过不断迭代提高碳氢化合物排放总量的预测准确性和适应性。
所述步骤（1）中测定汽车碳氢化合物排放总量的标准方法依据GB18352.6-2016《轻型汽车污染物排放限值及测量方法（中国第六阶段）》，其特征在于开展的实车试验为I型试验常温下冷起动后排气污染物排放试验。
所述步骤（2）将模态数据及与之对应的碳氢化合物排放数据组成预测数据集。随机选取其中80个样本数据，建立测试集，将剩余20个样本数据作为验证集。
所述步骤（3）对测试数据集进行模态数据片段的提取，建立新的测试数据集，具体见步骤（3）。
所述步骤（4）对测试集数据进行模态数据与碳氢化合物排放的拟合回归，建立偏最小二乘法预测模型，具体步骤见步骤（4）的1）—9）。
所述步骤（4）7)中，当T1≤90%时，则用残差矩阵代替原数据矩阵，采用迭代计算的方式，直到残差满足精度要求，建立因变量矩阵与自变量矩阵间的回归。
所述步骤（5）（6）按上述方法建立的偏最小二乘法预测模型，对测试集碳氢化合物排放值进行预测并计算验证集的预测决定系数
Figure 120234DEST_PATH_IMAGE095
，用以表示预测精度。
Figure 732481DEST_PATH_IMAGE095
的值越接近1，说明回归直线对观测值的拟合程度越好；反之，
Figure 410587DEST_PATH_IMAGE095
的值越小，说明回归直线对观测值的拟合程度越差。
所述步骤（7），若决定系数
Figure 500902DEST_PATH_IMAGE095
满足设定的阈值T2，将样本集与测试集合并求解最终偏最小二乘法预测模型的回归系数。
本发明方法适用于用模态数据预测汽车碳氢化合物排放,可用于为我国下一阶段燃油关键指标烃族组成的优化提供参考。
下面通过实施例进一步详细说明本发明，但本发明并不限于此。
实施例1：预测10辆试验车在常温冷起动后排放试验中的碳氢化合物排放量。
（1）建立预测数据集
进行至少100辆试验车在常温环境下冷起动后的排放试验，采集每个样本的汽车排放碳氢化合物的模态数据和测定的碳氢化合物含量。
（2）对100辆试验车的模态数据及对应的碳氢化合物排放数据组成预测数据集，随机选取至少80个样本数据，建立测试集，将剩余样本数据作为验证集。
（3）使用训练集对模态数据对应的碳氢化合物排放进行拟合，确定0-300s以及1500-1800s为片段区间，建立偏最小二乘法预测模型。
（4）按步骤（4）1）-9）对测试集数据进行模态数与碳氢化合物排放的拟合，当T1≤90%时，则用残差矩阵代替原数据矩阵，采用迭代计算的方式，直到残差满足精度要求，建立因变量矩阵与自变量矩阵间的回归。
（4）验证所建立的偏最小二乘法预测模型。按步骤（5）（6）对测试集常规污染物排放值进行预测并计算验证集的预测决定系数
Figure 948064DEST_PATH_IMAGE095
。
（5）建立最终的偏最小二乘法预测模型。若决定系数
Figure 465633DEST_PATH_IMAGE095
满足设定的阈值T2，将样本集与测试集合并求解最终偏最小二乘法预测模型的回归系数。
使用步骤（5）建立的最终偏最小二乘法预测模型，对10辆待预测车辆的碳氢化合物排放进行预测，如表1所示。本发明的方法预测偏差较小，具有更高的预测准确性。
表1 10辆试验车常温冷启动试验碳氢化合物排量预测结果
油品 标准法测量值，mg/km 预测值，mg/km 偏差，mg/km
车辆1 7.50 7.72 0.22
车辆2 9.27 8.90 -0.37
车辆3 12.26 12.30 0.04
车辆4 7.23 7.31 0.08
车辆5 11.24 11.29 0.05
车辆6 25.36 25.36 0.00
车辆7 2.81 2.74 -0.07
车辆8 5.69 5.20 -0.49
车辆9 6.10 6.09 -0.01
车辆10 4.31 4.38 0.07
偏差：预测值与标准方法测定值之间的偏差。
实施例2：预测10辆试验车在低温冷起动后排放试验中的碳氢化合物排放量。
（1）建立预测数据集
进行至少100辆试验车在低温环境下冷起动后的排放试验，采集每个样本的汽车排放碳氢化合物的模态数据和测定的碳氢化合物含量。
（2）对100辆试验车的模态数据及对应的碳氢化合物排放数据组成预测数据集，随机选取至少80个样本数据，建立测试集，将剩余样本数据作为验证集。
（3）使用训练集对模态数据对应的碳氢化合物排放进行拟合，建立偏最小二乘法预测模型。
按步骤（4）对测试集数据进行模态数与碳氢化合物排放的拟合，当T1≤90%时，则用残差矩阵代替原数据矩阵，采用迭代计算的方式，直到残差满足精度要求，建立因变量矩阵与自变量矩阵间的回归。
（4）验证所建立的偏最小二乘法预测模型。
按步骤（4）（5）对测试集常规污染物排放值进行预测并计算验证集的预测决定系数
Figure 896615DEST_PATH_IMAGE095
。
（5）建立最终的偏最小二乘法预测模型。
若决定系数
Figure 790621DEST_PATH_IMAGE095
满足设定的阈值T2，将样本集与测试集合并求解最终偏最小二乘法预测模型的回归系数。
使用步骤（5）建立的最终偏最小二乘法预测模型，对10辆待预测车辆的碳氢化合物排放进行预测，如表2所示。本发明的方法预测偏差较小，具有更高的预测准确性。
表2 10辆试验车低温冷启动试验碳氢化合物排量预测结果
油品 标准法测量值，mg/km 预测值，mg/km 偏差，mg/km
车辆1 270.00 270.44 0.44
车辆2 244.00 248.07 4.07
车辆3 310.00 312.53 2.53
车辆4 261.00 261.13 0.13
车辆5 164.00 163.70 -0.30
车辆6 310.00 309.30 -0.70
车辆7 290.00 289.56 -0.44
车辆8 164.00 166.94 2.94
车辆9 350.00 349.88 -0.12
车辆10 310.00 309.94 -0.06
偏差：预测值与标准方法测定值之间的偏差。
如图1所示，本发明方法通过对多辆试验车辆进行Ⅰ型和Ⅵ型常温冷启动排放试验，采集试验车辆排放的碳氢化合物模态数据以及测定的碳氢化合物排放含量，形成预测数据集，并随机划分为测试集和验证集，用参与拟合的测试集建立偏最小二乘法的模型，再将验证集代入该模型进行预测，并计算验证集的决定系数，再将测试集与训练集结合得到最终的偏最小二乘法预测模型。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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 (6)

1.由汽车冷启动模态数据快速预测碳氢化合物排放的方法，其特征在于，包括以下步骤：
S1、利用试验车在常温和低温环境下冷起动进行排放试验，采集每个油品样本的实车测试模态数据和测定的碳氢化合物含量；
S2、将模态数据和对应的碳氢化合物排放数据集结合组成预测数据集，记自变量x为t个时刻的碳氢化合物模态数据，因变量y为对应的碳氢化合物排放量，样本数量为n；
S3、将预测数据集分为测试集和验证集，对测试集中的模态数据与试验车辆的碳氢化合物排放值进行回归拟合，得到测试集偏最小二乘法预测模型；
S4、利用步骤S3中建立的偏最小二乘法预测模型，对验证集的碳氢化合物排放值进行预测，建立提取的工况片段与试验车辆碳氢化合物排放值的对应关系；
S5、计算验证集的决定系数，决定系数表示预测精度，若决定系数满足设定的阈值T2，将验证集与测试集合并建立最终的偏最小二乘法预测模型，利用该模型可预测汽车的碳氢化合物排放量。
2.根据权利要求1所述的由汽车冷启动模态数据快速预测碳氢化合物排放的方法，其特征在于，在步骤S3中，对测试集中的数据按下述方式进行模态数据与碳氢化合物排放量的拟合：
A1、按下式（1）处理模态数据与碳氢化合物排放的关系，根据R值筛选与碳氢化合物排放相关的运动学片段：
Figure 403897DEST_PATH_IMAGE001
其中，R为相关性系数，R越接近于1，相关性则越大，保留
Figure 258720DEST_PATH_IMAGE002
的模态数据片段；
A2、记录当所有的拟合值R值大于0.8该运动学片段
Figure 710561DEST_PATH_IMAGE003
，j为片段计数器，
Figure 309033DEST_PATH_IMAGE004
，将筛选到的模态数据片段拼接，得到新的自变量矩阵
Figure 264350DEST_PATH_IMAGE005
，如下式（2）所示：
Figure 490408DEST_PATH_IMAGE006
其中，
Figure 491862DEST_PATH_IMAGE007
为新的模态数据片段个数；
A3、记
Figure 628445DEST_PATH_IMAGE008
和
Figure 235007DEST_PATH_IMAGE009
为自变量和因变量
Figure 369316DEST_PATH_IMAGE010
的第
Figure 530170DEST_PATH_IMAGE011
对主成分，提取第一对主成分
Figure 470444DEST_PATH_IMAGE012
和
Figure 397425DEST_PATH_IMAGE013
(k=1)，要求t1和u1满足方差最大的同时相关性最大，将上述条件表示为下式（3）所示形式：
Figure 968214DEST_PATH_IMAGE014
其中，
Figure 147523DEST_PATH_IMAGE015
，
Figure 360330DEST_PATH_IMAGE016
，
Figure 941484DEST_PATH_IMAGE017
，
Figure 479912DEST_PATH_IMAGE018
和
Figure 146517DEST_PATH_IMAGE019
为权重矩阵：
A4、利用拉格朗日乘数法将问题转化为求单位向量
Figure 628927DEST_PATH_IMAGE020
和
Figure 64587DEST_PATH_IMAGE021
,使
Figure 977179DEST_PATH_IMAGE022
最大，由下式（4）可得：
Figure 662239DEST_PATH_IMAGE023
其中，
Figure 685689DEST_PATH_IMAGE024
，
Figure 241436DEST_PATH_IMAGE025
为最大特征值，
Figure 121667DEST_PATH_IMAGE026
，
Figure 494355DEST_PATH_IMAGE027
为最大特征值对应的特征向量；
A5、建立回归模型，计算主成分与自变量、因变量之间的回归系数矩阵和残差矩阵：
Figure 55918DEST_PATH_IMAGE028
其中，
Figure 466170DEST_PATH_IMAGE029
、
Figure 986144DEST_PATH_IMAGE030
为分别是多对一的回归模型中的参数向量，
Figure 849058DEST_PATH_IMAGE031
、
Figure 807787DEST_PATH_IMAGE032
为残差阵；
A6、按下式（6）（7）获得回归系数矩阵以及残差矩阵：
Figure 275809DEST_PATH_IMAGE033
残差矩阵：
Figure 494913DEST_PATH_IMAGE034
A7、计算残差
Figure 579543DEST_PATH_IMAGE035
、
Figure 14067DEST_PATH_IMAGE036
并判断是否满足精度要求，若残差阵大于设定的阈值T1，则用残差矩阵代替
Figure 867753DEST_PATH_IMAGE037
、
Figure 463951DEST_PATH_IMAGE038
矩阵，进行迭代计算，直到残差满足精度要求；
A8、经过r次步骤A2至A7的迭代计算，建立因变量矩阵与自变量矩阵间的回归，得到结果形式如下式（8）所示：
Figure 301457DEST_PATH_IMAGE039
其中，
Figure 5583DEST_PATH_IMAGE040
为第k次迭代的得分矩阵，
Figure 244935DEST_PATH_IMAGE041
，表达形式如下式（9）所示：
Figure 339930DEST_PATH_IMAGE042
A9、将上式（9）代入
Figure 664732DEST_PATH_IMAGE043
中，即得p个因变量得偏最小二乘回归方程式：
Figure 972216DEST_PATH_IMAGE044
其中
Figure 800495DEST_PATH_IMAGE045
为通过油品烃族组成预测得到的该汽车碳氢化合物排放值。
3.根据权利要求2所述的由汽车冷启动模态数据快速预测碳氢化合物排放的方法，其特征在于，在步骤A7中，当T1≤90%时，则用残差矩阵代替原数据矩阵，采用迭代计算的方式，直到残差满足精度要求，建立因变量矩阵与自变量矩阵间的回归。
4.根据权利要求1所述的由汽车冷启动模态数据快速预测碳氢化合物排放的方法，其特征在于：开展的实车碳氢化合物排放的标准试验为I型试验和VI型试验，所述I型试验为常温下冷起动后排气污染物排放试验，所述VI型试验为VI型低温下冷启动后排气中CO、THC和NOx排放试验。
5.根据权利要求1所述的由汽车冷启动模态数据快速预测碳氢化合物排放的方法，其特征在于：所建立预测数据集的样本数量不小于100。
6.根据权利要求1所述的由汽车冷启动模态数据快速预测碳氢化合物排放的方法，其特征在于：步骤S4中所述的阈值T2设定至少为85%。
CN202210637955.2A 2022-06-08 2022-06-08 由汽车冷启动模态数据快速预测碳氢化合物排放的方法 Pending CN114707777A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210637955.2A CN114707777A (zh) 2022-06-08 2022-06-08 由汽车冷启动模态数据快速预测碳氢化合物排放的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210637955.2A CN114707777A (zh) 2022-06-08 2022-06-08 由汽车冷启动模态数据快速预测碳氢化合物排放的方法

Publications (1)

Publication Number Publication Date
CN114707777A true CN114707777A (zh) 2022-07-05

Family

ID=82177880

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210637955.2A Pending CN114707777A (zh) 2022-06-08 2022-06-08 由汽车冷启动模态数据快速预测碳氢化合物排放的方法

Country Status (1)

Country Link
CN (1) CN114707777A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108667069A (zh) * 2018-04-19 2018-10-16 河海大学 一种基于偏最小二乘法回归的短期风电功率预测方法
CN112668419A (zh) * 2020-12-17 2021-04-16 太原理工大学 一种基于振动信号的发动机排放物预测方法
CN112989660A (zh) * 2021-03-15 2021-06-18 广州地铁设计研究院股份有限公司 基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108667069A (zh) * 2018-04-19 2018-10-16 河海大学 一种基于偏最小二乘法回归的短期风电功率预测方法
CN112668419A (zh) * 2020-12-17 2021-04-16 太原理工大学 一种基于振动信号的发动机排放物预测方法
CN112989660A (zh) * 2021-03-15 2021-06-18 广州地铁设计研究院股份有限公司 基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙凤林: "偏最小二乘回归法非线性建模及其递推算法的研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 *
机械工业部上海内燃机研究所: "《国际及国外内燃机标准噪声、振动、排放标准》", 31 August 1985, 机械工业部上海内燃机研究所资料室 *
王凤滨: "基于全流和部分流稀释采样系统测试柴油发动机排放的相关性分析", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *

Similar Documents

Publication Publication Date Title
CN107577910B (zh) 一种基于深层次神经网络的车辆尾气浓度反演方法
CN110826772A (zh) 车辆尾气排放预测方法、装置、设备及存储介质
Ortenzi et al. A new method to calculate instantaneous vehicle emissions using OBD data
CN111460382B (zh) 基于高斯过程回归的燃油车有害气体排放预测方法及系统
CN112964476B (zh) 一种重型柴油车实际道路颗粒物排放在线预测方法
CN109387377A (zh) 一种催化型汽油颗粒捕集器快速老化方法
CN105044278B (zh) 汽车碳排放检测方法及装置
CN113554153A (zh) 氮氧化物排放量预测方法、装置、计算机设备及介质
Hagena et al. Cycle-resolved measurements of in-cylinder constituents during diesel engine transients and insight into their impact on emissions
CN110121708A (zh) 设计虚拟传感器的过程、对应的虚拟传感器、系统和计算机程序产品
CN110595795B (zh) 整车排放比对测试方法、装置、设备及计算机可读存储介质
JP2002322938A (ja) 実験計画法に基づくデータ解析方法および装置並びに実験計画法に基づくデータ解析プログラムおよび同プログラムを記録したコンピュータ読み取り可能な記録媒体
CN114707777A (zh) 由汽车冷启动模态数据快速预测碳氢化合物排放的方法
CN115862756A (zh) 一种催化器性能评价方法、装置、介质、电子设备
US5587524A (en) Misfire detection assembly
CN115263505A (zh) 一种车辆nox排放预测方法、装置及存储介质
CN110276525B (zh) 基于燃油经济性的发动机关键技术评估方法
CN112415892B (zh) 一种汽油机起动标定控制参数优化方法
CN114548557A (zh) NOx排放预测方法、装置、电子设备及计算机存储介质
CN113671386A (zh) 一种氢燃料电池耐久性能分析方法及装置
CN110273738B (zh) 一种重型发动机排放诊断测试系统
CN114723183A (zh) 基于油品烃组成预测汽车碳氢化合物排放的快速分析方法
US10663444B2 (en) Method for evaluating exhaust gas simulation
CN114723182A (zh) 由油品烃组成快速预测汽车常规气态污染物排放的方法
Wohlthan et al. A modular adaptive residual generator for a diagnostic system that detects sensor faults on engine test beds

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