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 PDFInfo
- 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
Links
- 229930195733 hydrocarbon Natural products 0.000 title claims abstract description 103
- 150000002430 hydrocarbons Chemical class 0.000 title claims abstract description 103
- 239000004215 Carbon black (E152) Substances 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 90
- 238000012795 verification Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 65
- 230000001419 dependent effect Effects 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 239000003344 environmental pollutant Substances 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 231100000719 pollutant Toxicity 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000010238 partial least squares regression Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010200 validation analysis Methods 0.000 abstract description 2
- 230000002596 correlated effect Effects 0.000 abstract 1
- 239000003921 oil Substances 0.000 description 5
- 238000010561 standard procedure Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 229910000510 noble metal Inorganic materials 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
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:
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:
A6、按下式(6)(7)获得回归系数矩阵以及残差矩阵:
残差矩阵:
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:
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。
(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。
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。
6)按式(6)(7)获得回归系数矩阵以及残差矩阵。
残差矩阵:
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。
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。
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。
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。
(5)建立最终的偏最小二乘法预测模型。
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:
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:
A6、按下式(6)(7)获得回归系数矩阵以及残差矩阵:
残差矩阵:
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:
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%。
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)
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 |
-
2022
- 2022-06-08 CN CN202210637955.2A patent/CN114707777A/zh active Pending
Patent Citations (3)
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)
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 |