CN114707778A - 基于油品芳烃组成快速预测汽车pn排放的方法 - Google Patents

基于油品芳烃组成快速预测汽车pn排放的方法 Download PDF

Info

Publication number
CN114707778A
CN114707778A CN202210637983.4A CN202210637983A CN114707778A CN 114707778 A CN114707778 A CN 114707778A CN 202210637983 A CN202210637983 A CN 202210637983A CN 114707778 A CN114707778 A CN 114707778A
Authority
CN
China
Prior art keywords
emission
matrix
oil product
value
automobile
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
CN202210637983.4A
Other languages
English (en)
Inventor
张欣
李菁元
颜燕
王竟涛
刘昱
高海洋
杨帆
邹雄辉
郑思凯
周猛
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 CN202210637983.4A priority Critical patent/CN114707778A/zh
Publication of CN114707778A publication Critical patent/CN114707778A/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Automation & Control Theory (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明提供了一种基于油品芳烃组成快速预测汽车PN排放的方法，包括以下步骤：S1、调配汽油样本，每种汽油样本具有不同的馏程、芳烃含量和不同碳数的苯，所述馏程包括50%蒸发温度和90%蒸发温度；对每种汽油样本进行实车Ⅰ型常温冷起动后排放试验，对排放的PN排放量进行测定，获取PN的排放数据；S2、将步骤A1中的每种汽油样本与获得的对应的PN排放数据匹配，形成预测数据集。本发明有益效果：采用偏最小二乘法对待测样本的PN排放值进行回归拟合，用参与拟合的测试集建立偏最小二乘法的模型,再将验证集代入模型进行预测，根据验证集的预测结果计算决定系数，再将测试集与验证集结合建立最终预测PN排放值的数学模型。

Description

基于油品芳烃组成快速预测汽车PN排放的方法
技术领域
本发明属于汽车排放领域，尤其是涉及一种基于油品芳烃组成快速预测汽车PN排放的方法。
背景技术
随着汽车保有量的快速增加，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。在“车-油-路”的汽车污染防治体系中，油品质量对发动机性能尤其是排放性能有重要影响。汽车排放法规的日益严格促进内燃机排放控制技术不断进步，如柴油机超高燃油喷射、可变进排气系统以及后处理装置技术的快速发展，进一步要求车用燃油加快清洁化发展，以满足内燃机实现近零排放和高效率、低油耗的发展需求。油品品质和指标升级变化可以直接改善发动机的机内排放以及蒸发排放，且对后处理系统也会产生间接影响，因此油品升级仍然是改善机动车排放的重要手段之一。汽油中芳香烃含量、T50（蒸馏出50%体积汽油时所对应温度）、T90（蒸馏出90%体积汽油时所对应温度）等指标可详细反映出汽油烃组分结构的变化，直接影响汽油车颗粒物排放。
丰田Aikawa提出PM指数模型通过对代表性油品进行详细单体烃分析，并结合每种烃化合物的沸点、质量分数和蒸气压，有较好的预测效果，但本身计算繁琐，对重芳烃各组分区分不明显，对双环戊二烯等组分预测失灵，适应性和准确性较差。
综上所述，因为重芳烃族组成复杂，对重芳烃某一或某几种组分预测敏感度和准确性较低，均不适用于通过油品指标和芳香烃组成对汽车PN排放进行快速预测分析。结合I型常温冷启动排放试验，确定影响汽车PN排放水平的油品关键指标和芳香烃组成，从而建立油品指标和芳香烃组成对汽车PN排放进行快速预测的分析方法，仍是将来的重点研究方向。
发明内容
有鉴于此，本发明旨在提出一种基于油品芳烃组成快速预测汽车PN排放的方法，可用于快速分析待测车辆的PN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：
基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于,包括以下步骤：
S1、调配汽油样本，每种汽油样本具有不同的馏程、芳烃含量和不同碳数的苯，所述馏程包括50%蒸发温度和90%蒸发温度；
S2、对每种汽油样本利用试验车进行实车Ⅰ型常温冷起动后排放试验，对排放的PN排放量进行测定，获得PN排放数据；
S3、将步骤S1中的每种汽油样本与获得的对应的PN排放数据匹配，形成预测数据集，将预测数据集随机的分为测试集和验证集；
S4、对测试集数据进行油品与PN排放关系的回归拟合,建立基于测试集的偏最小二乘法预测模型；
S5、利用步骤S4建立得到基于测试集的偏最小二乘法预测模型，对验证集的PN排放值进行预测。
进一步的，通过以下方法对油品与PN排放关系进行拟合：
A1、首先对数据进行标准化处理，避免由于输入变量中数量级相差太大影响训练效果；
A2、处理汽油样本中的油品芳香烃组成与颗粒物PN排放的相关关系，根据相关系数R值去除与颗粒物PN无关的油品特征变量；
A3、计算新的自变量、因变量矩阵的第一对主成份
Figure 450848DEST_PATH_IMAGE001
和
Figure 508934DEST_PATH_IMAGE002
，并使
Figure 242666DEST_PATH_IMAGE001
和
Figure 372296DEST_PATH_IMAGE002
之间相关性最大；
A4、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，并对残值矩阵优化直至满足精度要求；
A5、经过r次步骤A3和A4的迭代计算，建立因变量矩阵与自变量矩阵间的回归，得到最终的因变量得偏最小二乘回归方程式。
进一步的，在步骤A1中，进行数据标准化处理的方法为：
Figure 983406DEST_PATH_IMAGE003
其中，其中
Figure 412725DEST_PATH_IMAGE005
，
Figure 476496DEST_PATH_IMAGE006
为标准化后对应的自变量、因变量矩阵，min()、max()分别表示原始数据集某一特征纬度的最大值和最小值，标准化矩阵如下：
Figure 409817DEST_PATH_IMAGE008
。
进一步的，在步骤A2中，按下式（3）处理样本的油品芳香烃族组成与颗粒物PN排放的关系，从而得到新的自变量、因变量矩阵
Figure 219641DEST_PATH_IMAGE009
和
Figure 291634DEST_PATH_IMAGE010
：
Figure 842701DEST_PATH_IMAGE011
其中，R为相关系数矩阵，
Figure 392762DEST_PATH_IMAGE012
为每一列油品指标，
Figure 650568DEST_PATH_IMAGE013
为对应维度均值；
Figure 877150DEST_PATH_IMAGE014
为每一列油品指标，
Figure 725633DEST_PATH_IMAGE016
为对应维度均值。
进一步的，在步骤A3中，第一对主成份
Figure 797494DEST_PATH_IMAGE017
和
Figure 175386DEST_PATH_IMAGE018
应满足如下要求：
Figure 58022DEST_PATH_IMAGE017
和
Figure 849261DEST_PATH_IMAGE018
各自尽可能多的提取变量组变异信息；
Figure 537862DEST_PATH_IMAGE017
和
Figure 832577DEST_PATH_IMAGE019
的相关程度最大；
分别将上述条件表示为下式（4）、（5）所示形式：
Figure 338645DEST_PATH_IMAGE020
Figure 836753DEST_PATH_IMAGE021
其中，
Figure 578313DEST_PATH_IMAGE022
，
Figure 498775DEST_PATH_IMAGE023
，k为迭代次数计数，
Figure 175744DEST_PATH_IMAGE024
；
同时利用拉格朗日乘数法将上述问题转换为求单位向量
Figure 410416DEST_PATH_IMAGE025
和
Figure 440820DEST_PATH_IMAGE026
,使
Figure 710128DEST_PATH_IMAGE027
最大，由下式（6）可得：
Figure 557998DEST_PATH_IMAGE028
其中，
Figure 30699DEST_PATH_IMAGE029
，
Figure 317324DEST_PATH_IMAGE030
为最大特征值，
Figure 723028DEST_PATH_IMAGE031
，
Figure 741800DEST_PATH_IMAGE032
为最大特征值对应的特征向量。
进一步的，在步骤A4中，残差矩阵为：
Figure 951064DEST_PATH_IMAGE033
其中，
Figure 585921DEST_PATH_IMAGE034
、
Figure 564241DEST_PATH_IMAGE035
为回归系数矩阵，
Figure 488335DEST_PATH_IMAGE036
、
Figure 935628DEST_PATH_IMAGE037
为残差矩阵；
回归系数矩阵为：
Figure 360793DEST_PATH_IMAGE039
。
进一步的，在步骤A4中，残值矩阵优化方法为：
首先计算残差
Figure 475510DEST_PATH_IMAGE041
，并判断残差
Figure 632822DEST_PATH_IMAGE042
是否满足精度阈值，若大于设定的阈值T1，则用残差矩阵代替3)中的
Figure 754362DEST_PATH_IMAGE043
和
Figure 468371DEST_PATH_IMAGE044
，并进行迭代计算直到残差
Figure 155704DEST_PATH_IMAGE046
满足精度要求。
进一步的，在步骤A5中建立的因变量矩阵与自变量矩阵间的回归，得到结果如下式（11）所示：
Figure 687180DEST_PATH_IMAGE047
其中
Figure 840556DEST_PATH_IMAGE048
为第k次迭代的得分矩阵，表达形式如式（12）所示：
Figure 873103DEST_PATH_IMAGE050
；
其中，
Figure 431255DEST_PATH_IMAGE051
为第k次迭代对应的
Figure 868052DEST_PATH_IMAGE052
的单位特征向量，满足
Figure 823239DEST_PATH_IMAGE053
；
得到最终的因变量得偏最小二乘回归方程式的方法为：
将式（10）代入
Figure 82313DEST_PATH_IMAGE054
中，即得p个因变量得偏最小二乘回归方程式：
Figure 416342DEST_PATH_IMAGE055
其中
Figure 414254DEST_PATH_IMAGE056
为通过油品芳香烃族组成预测得到的该汽车颗粒物PN的排放值，
Figure 466524DEST_PATH_IMAGE057
为参与拟合的油品各指标含量。
进一步的，在步骤S4中，需要计算验证集的预测决定系数
Figure 263710DEST_PATH_IMAGE058
，用以表示预测精度，计算公式如下式（15）：
Figure 842458DEST_PATH_IMAGE060
其中，
Figure 886638DEST_PATH_IMAGE061
为PN预测值，
Figure 501902DEST_PATH_IMAGE062
为PN实际值，
Figure 414364DEST_PATH_IMAGE063
为PN的实际均值；
若决定系数
Figure 722985DEST_PATH_IMAGE064
满足设定的阈值T2，将样本集与测试集合并建立该车辆最终的偏最小二乘法预测模型。
相对于现有技术，本发明所述的基于油品芳烃组成快速预测汽车PN排放的方法
具有以下有益效果：
（1）采用偏最小二乘法对待测样本的PN排放值进行回归拟合，用参与拟合的测试集建立偏最小二乘法的模型, 再将验证集代入模型进行预测，根据验证集的预测结果计算决定系数，再将测试集与验证集结合建立最终预测待测样本的PN排放值的数学模型
（2）本发明所述的基于油品芳烃组成快速预测汽车PN排放的方法，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，不断迭代，从而提高PN排放量的预测准确性和适应性。
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基于油品芳烃组成快速预测汽车PN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。
本发明提供的由油品烃族组成预测汽车PN排放的快速分析方法,包括如下步骤:
（1）调配至少20种汽油样本，按照标准要求测定每个油品的馏程包括50%蒸发温度（T50）和90%蒸发温度（T90）、芳烃含量和不同碳数的苯等芳烃含量。
（2）每种汽油样本进行至少5辆试验车的实车常温冷起动后排放试验，对排放的PN排放量进行测定。
（3）选择油品的馏程、芳烃含量和不同碳数的苯和对应的PN排放数据组成预测数据集。随机选取其中15个样本数据，建立测试集，将剩余5个样本数据作为验证集。记
Figure 751115DEST_PATH_IMAGE066
为油品指标自变量，
Figure 902611DEST_PATH_IMAGE067
为与之对应的PN排放量。
（4）对测试集数据按照下述方式进行油品-PN排放的拟合：
1）数据标准化。因输入变量中数量级相差太大影响训练效果，因此要对油品组成含量与PN的排放数据进行标准化处理，如式（1）所示：
Figure 228550DEST_PATH_IMAGE068
其中，其中
Figure 470307DEST_PATH_IMAGE069
，
Figure 715343DEST_PATH_IMAGE070
为标准化后对应的自变量、因变量矩阵，min()、max()分别表示原始数据集某一特征纬度的最大值和最小值，标准化矩阵如下：
Figure DEST_PATH_IMAGE071
2）按式（3）处理样本的油品烃族组成与颗粒物PN排放的关系，根据相关系数R值除与颗粒物PN无关的油品特征变量，提高拟合值R的可信度，得到新的自变量、因变量矩阵
Figure 42550DEST_PATH_IMAGE072
和
Figure 31235DEST_PATH_IMAGE073
。
Figure 314449DEST_PATH_IMAGE074
其中，R为相关系数矩阵，
Figure 212610DEST_PATH_IMAGE075
为每一列油品指标，
Figure 73119DEST_PATH_IMAGE076
为对应维度均值；
Figure DEST_PATH_IMAGE077
为每一列油品指标，
Figure 288331DEST_PATH_IMAGE078
为对应维度均值；
3）计算新的自变量和因变量矩阵的第一对主成份
Figure DEST_PATH_IMAGE079
和
Figure 98155DEST_PATH_IMAGE080
，并使其相关性最大。要求①
Figure 825939DEST_PATH_IMAGE079
和
Figure DEST_PATH_IMAGE081
各自尽可能多的提取变量组的变异信息；②
Figure 986793DEST_PATH_IMAGE082
和
Figure 458226DEST_PATH_IMAGE083
的相关程度最大。将上述条件表示为式（4）、（5）所示形式。
Figure 778349DEST_PATH_IMAGE084
Figure 815050DEST_PATH_IMAGE085
其中，
Figure 587834DEST_PATH_IMAGE086
，
Figure 862958DEST_PATH_IMAGE087
，k为迭代次数计数，
Figure 319478DEST_PATH_IMAGE088
。
4）利用拉格朗日乘数法将该问题转化为求单位向量
Figure 716962DEST_PATH_IMAGE089
和
Figure 852408DEST_PATH_IMAGE090
使
Figure 744272DEST_PATH_IMAGE091
最大，由式（6）可得：
Figure 38987DEST_PATH_IMAGE092
其中，
Figure 279475DEST_PATH_IMAGE093
，
Figure 40233DEST_PATH_IMAGE094
为最大特征值，
Figure 516214DEST_PATH_IMAGE095
，
Figure 337539DEST_PATH_IMAGE096
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，由式（7）可得：
Figure 889875DEST_PATH_IMAGE097
其中，
Figure 390126DEST_PATH_IMAGE098
、
Figure 279585DEST_PATH_IMAGE099
为回归系数矩阵，
Figure 96362DEST_PATH_IMAGE100
、
Figure 740970DEST_PATH_IMAGE101
为残差矩阵。
6）按式（8）获得回归系数矩阵。
Figure 400621DEST_PATH_IMAGE102
7）计算残差
Figure 172400DEST_PATH_IMAGE103
，并判断是否满足精度要求，若大于设定的阈值T1，则用残差矩阵代替3)中的
Figure 92951DEST_PATH_IMAGE104
，
Figure 111723DEST_PATH_IMAGE105
，进行迭代计算，直到残差满足精度要求。
8）经过r次步骤4）至8）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（11）所示。
Figure 68790DEST_PATH_IMAGE106
其中
Figure 690264DEST_PATH_IMAGE107
为第k次迭代的得分矩阵，表达形式如式（12）所示：
Figure 340688DEST_PATH_IMAGE109
。
其中，
Figure 140148DEST_PATH_IMAGE110
为第k次迭代对应的
Figure 836709DEST_PATH_IMAGE111
的单位特征向量，满足
Figure 871661DEST_PATH_IMAGE112
。
9）将式（10）代入
Figure 517537DEST_PATH_IMAGE113
中，即得p个因变量得偏最小二乘回归方程式。
Figure 612532DEST_PATH_IMAGE114
其中
Figure 796388DEST_PATH_IMAGE115
为通过油品烃族组成预测得到的该汽车颗粒物PNPN的排放值，
Figure 244818DEST_PATH_IMAGE116
为参与拟合的油品各指标含量。
（5）按上述方法建立的偏最小二乘法预测模型，对测试集PN排放值进行预测。
（6）计算验证集的预测决定系数
Figure 135414DEST_PATH_IMAGE117
，用以表示预测精度，计算公式如式（15）。
Figure 525944DEST_PATH_IMAGE118
其中，
Figure 603622DEST_PATH_IMAGE119
为PN预测值，
Figure 345092DEST_PATH_IMAGE120
为PN实际值，
Figure 949248DEST_PATH_IMAGE121
为PN的实际均值。
（7）若决定系数
Figure 651625DEST_PATH_IMAGE117
满足设定的阈值T2，将样本集与测试集合并求解该车辆最终偏最小二乘法预测模型的回归系数。
（8）则该车辆PN排放量可由步骤（7）所得预测模型进行预测，对其他车辆进行步骤（1）至（7）的计算，若决定系数
Figure 91965DEST_PATH_IMAGE117
满足设定的阈值，其预测模型可通过步骤（7）获得，该车辆PN排放量即可通过油品特征与该模型预测。
所述步骤（1）中测定汽油样本的馏程、芳烃以及不同碳数的苯含量的标准方法依据GB 17930《车用汽油》。不同碳数的汽油详细烃族组成的标准方法依据ASTM D6839《用气相色谱法测定火花点火发动机燃料中烃类,氧饱和化合物及苯含量的标准试验方法。其油品特征变量可为馏程、芳烃含量和不同碳数的苯含量的至少一种。
所述步骤（2）中测定汽车PN排放量的标准方法依据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（3）对某一辆试验车的PN排放数据及对应油品芳香烃组成数据建立预测数据集，随机选取至少15个样本数据，建立测试集，将剩余样本数据作为验证集。
所述步骤（4）对测试集数据进行油品—PN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）到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PN排放值进行预测并计算验证集的预测决定系数
Figure 334728DEST_PATH_IMAGE117
，用以表示预测精度。
Figure 934336DEST_PATH_IMAGE117
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 682980DEST_PATH_IMAGE117
的值越小，说明回归直线对观测值的拟合程度越差。
若决定系数
Figure 735250DEST_PATH_IMAGE117
满足设定的阈值T2，将样本集与测试集合并求解该车辆最终偏最小二乘法预测模型的回归系数。
下面公开一种优选的实施例：
预测3辆试验车使用3种不同指标用油（G1、G2、G3）在常温冷起动后排放试验中的PN排放量。
（1）预测数据集。
调配了20种汽油样本，按照标准要求测定每个油品的馏程包括50%蒸发温度（T50）和90%蒸发温度（T90）、芳烃含量和不同碳数的苯等芳烃含量。每种汽油样本进行了2辆试验车的实车Ⅰ型常温冷起动后排放试验，对排放的PN排放量进行测定。
（2）对车辆1、车辆2、车辆3排放常规污染物数据及对应油品芳香烃组成数据建立预测数据集，随机选取至少15个样本数据，建立测试集，将剩余样本数据作为验证集。
（3）使用训练集对不同油品对应的PN排放进行拟合，建立偏最小二乘法预测模型。
按步骤（4）中1）到9）对测试集数据进行油品—PN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 781703DEST_PATH_IMAGE117
。
（5）建立最终该车辆的偏最小二乘法预测模型。
若决定系数
Figure 111185DEST_PATH_IMAGE117
满足设定的阈值T2，将样本集与测试集合并求解该车辆最终偏最小二乘法预测模型的回归系数。
对车辆1、车辆2、车辆3，按步骤（1）-（5），分别使用其测试集建立偏最小二乘法预测模型，并使用验证集进行模型预测验证，如表1—3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 车辆1常温冷启动试验PN排量预测结果
油品 标准法测量值 预测值 偏差
G1 0.7401 0.7757 0.0356
G2 1.6645 1.6755 0.0110
G3 0.3556 0.3849 0.0293
偏差:预测值与标准方法测定值之间的偏差。
单位：1011个/km
表2 车辆2常温冷启动试验PN排量预测结果
油品 标准法测量值 预测值 偏差
G1 6.5010 6.6788 0.1778
G2 3.4968 3.5096 0.0128
G3 3.8463 3.8281 0.0182
偏差:预测值与标准方法测定值之间的偏差。
单位：1011个/km
表3 车辆3常温冷启动试验PN排量预测结果
油品 标准法测量值 预测值 偏差
G1 1.3768 1.3745 0.0023
G2 6.0282 5.4186 0.6096
G3 7.0775 6.6762 0.4013
偏差:预测值与标准方法测定值之间的偏差。
单位：1011个/km
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 (9)

1.基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于,包括以下步骤：
S1、调配汽油样本，每种汽油样本具有不同的馏程、芳烃含量和不同碳数的苯，所述馏程包括50%蒸发温度和90%蒸发温度；
S2、对每种汽油样本利用试验车进行实车Ⅰ型常温冷起动后排放试验，对排放的PN排放量进行测定，获得PN排放数据；
S3、将步骤S1中的每种汽油样本与获得的对应的PN排放数据匹配，形成预测数据集，将预测数据集随机的分为测试集和验证集；
S4、对测试集数据进行油品与PN排放关系的回归拟合,建立基于测试集的偏最小二乘法预测模型；
S5、利用步骤S4建立得到基于测试集的偏最小二乘法预测模型，对验证集的PN排放值进行预测。
2.根据权利要求1所述的基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于，在步骤S3中，通过以下方法对油品与PN排放关系进行拟合：
A1、首先对数据进行标准化处理，避免由于输入变量中数量级相差太大影响训练效果；
A2、处理汽油样本中的油品芳香烃组成与颗粒物PN排放的相关关系，根据相关系数R值去除与颗粒物PN无关的油品特征变量；
A3、计算新的自变量、因变量矩阵的第一对主成份
Figure 100491DEST_PATH_IMAGE001
和
Figure 689735DEST_PATH_IMAGE002
，并使
Figure 672735DEST_PATH_IMAGE001
和
Figure 740048DEST_PATH_IMAGE002
之间相关性最大；
A4、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，并对残值矩阵优化直至满足精度要求；
A5、经过r次步骤A3和A4的迭代计算，建立因变量矩阵与自变量矩阵间的回归，得到最终的因变量得偏最小二乘回归方程式。
3.根据权利要求2所述的基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于：在步骤A1中，进行数据标准化处理的方法为：
Figure 492103DEST_PATH_IMAGE003
其中，其中
Figure 48986DEST_PATH_IMAGE004
，
Figure 253703DEST_PATH_IMAGE005
为标准化后对应的自变量、因变量矩阵，min()、max()分别表示原始数据集某一特征纬度的最大值和最小值，标准化矩阵如下：
Figure 410794DEST_PATH_IMAGE006
。
4.根据权利要求2所述的基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于，在步骤A2中，按下式（3）处理样本的油品芳香烃族组成与颗粒物PN排放的关系，从而得到新的自变量、因变量矩阵
Figure 17356DEST_PATH_IMAGE007
和
Figure 151665DEST_PATH_IMAGE008
：
Figure 578098DEST_PATH_IMAGE009
其中，R为相关系数矩阵，
Figure 252793DEST_PATH_IMAGE010
为每一列油品指标，
Figure 713861DEST_PATH_IMAGE011
为对应维度均值；
Figure 547301DEST_PATH_IMAGE012
为每一列油品指标，
Figure 461030DEST_PATH_IMAGE013
为对应维度均值。
5.根据权利要求2所述的基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于，在步骤A3中，第一对主成份
Figure 470574DEST_PATH_IMAGE014
和
Figure 51728DEST_PATH_IMAGE015
应满足如下要求：
Figure 58999DEST_PATH_IMAGE014
和
Figure 725603DEST_PATH_IMAGE015
各自尽可能多的提取变量组变异信息；
Figure 742101DEST_PATH_IMAGE014
和
Figure 974499DEST_PATH_IMAGE015
的相关程度最大；
分别将上述条件表示为下式（4）、（5）所示形式：
Figure 214988DEST_PATH_IMAGE016
Figure 103309DEST_PATH_IMAGE017
其中，
Figure 920568DEST_PATH_IMAGE018
，
Figure 945156DEST_PATH_IMAGE019
，k为迭代次数计数，
Figure 90966DEST_PATH_IMAGE020
；
同时利用拉格朗日乘数法将上式(4)和(5)转换为求单位向量
Figure 669846DEST_PATH_IMAGE021
和
Figure 28147DEST_PATH_IMAGE022
,使
Figure 438399DEST_PATH_IMAGE023
最大，由下式（6）可得：
Figure 286270DEST_PATH_IMAGE024
其中，
Figure 149183DEST_PATH_IMAGE025
，
Figure 42665DEST_PATH_IMAGE026
为最大特征值，
Figure 41846DEST_PATH_IMAGE027
，
Figure 60617DEST_PATH_IMAGE028
为最大特征值对应的特征向量。
6.根据权利要求2所述的基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于：在步骤A4中，残差矩阵为：
Figure 410827DEST_PATH_IMAGE029
其中，
Figure 907667DEST_PATH_IMAGE030
、
Figure 26933DEST_PATH_IMAGE031
为回归系数矩阵，
Figure 888710DEST_PATH_IMAGE032
、
Figure 726216DEST_PATH_IMAGE033
为残差矩阵；
回归系数矩阵为：
Figure 26747DEST_PATH_IMAGE034
。
7.根据权利要求2所述的基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于：在步骤A4中，残值矩阵优化方法为：
首先计算残差
Figure 263169DEST_PATH_IMAGE035
，并判断残差
Figure 92585DEST_PATH_IMAGE035
是否满足精度阈值，若大于设定的阈值T1，则用残差矩阵代替3)中的
Figure 417387DEST_PATH_IMAGE036
和
Figure 724871DEST_PATH_IMAGE037
，并进行迭代计算直到残差
Figure 553150DEST_PATH_IMAGE038
满足精度要求。
8.根据权利要求2所述的基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于：在步骤A5中建立的因变量矩阵与自变量矩阵间的回归，得到结果如下式（11）所示：
Figure 287888DEST_PATH_IMAGE039
其中
Figure 568828DEST_PATH_IMAGE040
为第k次迭代的得分矩阵，表达形式如式（12）所示：
Figure 476741DEST_PATH_IMAGE041
；
其中，
Figure 159526DEST_PATH_IMAGE042
为第k次迭代对应的
Figure 861903DEST_PATH_IMAGE043
的单位特征向量，满足
Figure 892788DEST_PATH_IMAGE044
；
得到最终的因变量得偏最小二乘回归方程式的方法为：
将式（10）代入
Figure 745338DEST_PATH_IMAGE045
中，得p个因变量的偏最小二乘回归方程式：
Figure 344946DEST_PATH_IMAGE046
其中
Figure 155908DEST_PATH_IMAGE047
为通过油品芳香烃族组成预测得到的该汽车颗粒物PN的排放值，
Figure 677019DEST_PATH_IMAGE048
为参与拟合的油品各指标含量。
9.根据权利要求2所述的基于油品芳烃组成快速预测汽车PN排放的方法，其特征在于：在步骤S4中，需要计算验证集的预测决定系数
Figure 864418DEST_PATH_IMAGE049
，用以表示预测精度，计算公式如下式（15）：
Figure 584112DEST_PATH_IMAGE050
其中，
Figure 565974DEST_PATH_IMAGE051
为PN预测值，
Figure 371119DEST_PATH_IMAGE052
为PN实际值，
Figure 93700DEST_PATH_IMAGE053
为PN的实际均值；
若决定系数
Figure 871163DEST_PATH_IMAGE054
满足设定的阈值T2，将样本集与测试集合并建立最终的偏最小二乘法预测模型。
CN202210637983.4A 2022-06-08 2022-06-08 基于油品芳烃组成快速预测汽车pn排放的方法 Pending CN114707778A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210637983.4A CN114707778A (zh) 2022-06-08 2022-06-08 基于油品芳烃组成快速预测汽车pn排放的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210637983.4A CN114707778A (zh) 2022-06-08 2022-06-08 基于油品芳烃组成快速预测汽车pn排放的方法

Publications (1)

Publication Number Publication Date
CN114707778A true CN114707778A (zh) 2022-07-05

Family

ID=82177695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210637983.4A Pending CN114707778A (zh) 2022-06-08 2022-06-08 基于油品芳烃组成快速预测汽车pn排放的方法

Country Status (1)

Country Link
CN (1) CN114707778A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985381A (zh) * 2018-07-25 2018-12-11 广东工业大学 氮氧化物排放量预测模型的确定方法、装置及设备
CN111103257A (zh) * 2018-10-29 2020-05-05 中国石油化工股份有限公司 一种快速预测蒸汽裂解液相油品中单环芳烃收率的方法
CN111460382A (zh) * 2020-03-30 2020-07-28 上海交通大学 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108985381A (zh) * 2018-07-25 2018-12-11 广东工业大学 氮氧化物排放量预测模型的确定方法、装置及设备
CN111103257A (zh) * 2018-10-29 2020-05-05 中国石油化工股份有限公司 一种快速预测蒸汽裂解液相油品中单环芳烃收率的方法
CN111460382A (zh) * 2020-03-30 2020-07-28 上海交通大学 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
常英杰等: "基于PLS回归的EGR柴油机NO_x排放模型", 《内燃机学报》 *
朱仁成: "汽油特性对汽车颗粒物排放影响及预测模型研究", 《中国优秀博硕士学位论文全文数据库（博士）》 *

Similar Documents

Publication Publication Date Title
Mittal et al. The shift in relevance of fuel RON and MON to knock onset in modern SI engines over the last 70 years
US10168311B2 (en) Products and processes for analyzing octane content
CN112489733B (zh) 基于粒子群算法和神经网络的辛烷值损失预测方法
CN112964476B (zh) 一种重型柴油车实际道路颗粒物排放在线预测方法
CN107203832B (zh) 基于主客观赋权-多目标灰色决策-灰关联分析的增压柴油机最佳egr性能评估方法
Wittmann et al. Novel index for evaluation of particle formation tendencies of fuels with different chemical compositions
Van Niekerk et al. Influence of blends of diesel and renewable fuels on compression ignition engine emissions over transient engine conditions
CN110836885A (zh) 一种基于拉曼光谱结合随机森林算法的汽油掺假鉴别分析方法
WO2011053819A2 (en) Composition and method for reducing nox and smoke emissions from diesel engines at minimum fuel consumption
Leach et al. A review and perspective on particulate matter indices linking fuel composition to particulate emissions from gasoline engines
Frey et al. Probabilistic nonroad mobile source emission factors
CN114707778A (zh) 基于油品芳烃组成快速预测汽车pn排放的方法
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
Thomas et al. Effects of High Octane Ethanol Blends on Four Legacy Flex-Fuel Vehicles, and a Turbocharged GDI Vehicle
Mogro et al. Root causes of the differences in the real-world vehicle emissions between Mexico and the US
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
Swarts et al. Detailed analyses and correlation of fuel effects on stochastic preignition
CN112415892B (zh) 一种汽油机起动标定控制参数优化方法
CN115034310A (zh) 乙烯裂解炉热效率的多模型预测方法及装置
Yokoo et al. Effect of high RON fuels on engine thermal efficiency and greenhouse gas emissions
CN112282949B (zh) 电控汽油机起燃工况控制参数优化方法、装置以及车辆
Zhao et al. From nedc to wltp for vehicles: The impact on fuel efficiency calculation and algorithm optimization
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
CN110895708A (zh) 一种快速准确检测甲醇汽油中甲醇含量的方法
CN117421515A (zh) 一种基于化学反应机理的辛烷值计算方法及系统

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