CN114723182A - 由油品烃组成快速预测汽车常规气态污染物排放的方法 - Google Patents

由油品烃组成快速预测汽车常规气态污染物排放的方法 Download PDF

Info

Publication number
CN114723182A
CN114723182A CN202210637953.3A CN202210637953A CN114723182A CN 114723182 A CN114723182 A CN 114723182A CN 202210637953 A CN202210637953 A CN 202210637953A CN 114723182 A CN114723182 A CN 114723182A
Authority
CN
China
Prior art keywords
oil
matrix
content
conventional gaseous
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
CN202210637953.3A
Other languages
English (en)
Inventor
张欣
李菁元
杨正军
李孟良
王竟涛
周磊
邹雄辉
张罗伟
李春
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 CN202210637953.3A priority Critical patent/CN114723182A/zh
Publication of CN114723182A publication Critical patent/CN114723182A/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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Sampling And Sample Adjustment (AREA)

Abstract

本发明提供了由油品烃组成快速预测汽车常规气态污染物排放的方法，S1、选取油品样本并确定油品特征，测量油品样本中的每种油品特征的含量，所述油品特征包括：油品的馏程、烯烃含量、芳烃含量、含氧化合物含量，以及油品的不同碳数的烃类含量、苯含量和含氧化合物含量；S2、用步骤S1中选取的每种油品进行实车启动Ⅰ型常温冷启动后排放试验，对常规气态污染物的排放量进行测定，得到试验车辆的实际污染物排放量数据。本发明有益效果：本方案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，从而提高常规气态污染物排放量的预测准确性和适应性。

Description

由油品烃组成快速预测汽车常规气态污染物排放的方法
技术领域
本发明属于汽车气态污染物排放测试领域，尤其是涉及由油品烃组成快速预测汽车常规气态污染物排放的方法。
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。汽油中烯烃含量、芳烃含量、T10（蒸馏出10%体积汽油时所对应温度）、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）和含氧化合物含量等指标可详细反映出汽油具体烃组分结构的变化，直接影响汽油车的碳氢化合物、一氧化碳、氮氧化物、二氧化碳等和颗粒物等常规气态污染物排放。
汽车污染防治的目标是控制污染物排放、降低其对环境质量影响，主要途径有提高油品质量、改善发动机燃烧技术和强化后处理装置性能等，其中车用汽油是汽车排放污染的源头。随着汽车排放法规及标准逐步加严，汽油品质对汽车排放影响越来越大。良好的燃油品质是先进发动机技术应用的前提条件，也是尾气净化装置高效运行的重要保障，所以汽车排放污染的有效控制离不开燃油的品质保障。
综述所述，结合实车的I型常温冷启动排放试验和试验结果，确定汽车各常规气态污染物排放水平的油品关键指标和烃族组成，从而建立油品指标和烃族组成对汽车各常规气态污染物排放水平的进行快速预测分析方法，仍是将来的重点研究方向，因此亟需由油品烃组成快速预测汽车常规气态污染物排放的方法。
发明内容
有鉴于此，本发明旨在提出由油品烃组成快速预测汽车常规气态污染物排放的方法，该方法法计算简单，可用于快速分析待测车辆的常规气态污染物排放量，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：
由油品烃组成快速预测汽车常规气态污染物排放的方法，包括以下步骤：
S1、选取油品样本并确定油品特征，测量油品样本中的每种油品特征的含量，所述油品特征包括：油品的馏程、烯烃含量、芳烃含量、含氧化合物含量，以及油品的不同碳数的烃类含量、苯含量和含氧化合物含量；
S2、将步骤S1中选取的每种油品样本进行实车Ⅰ型常温冷启动后排放试验，对常规气态污染物的排放量进行测定，形成排放量数据；
S3、将每辆试验车的常规气态污染物的排放量数据与步骤S1中的油品特征组成数据进行对应，形成不同油品特征-排放量数据的预测数据集；
S4、将步骤S3中的预测数据集随机划分为训练集、验证集和测试集；
S5、利用步骤S4中的训练集数据进行油品样本—排放量数据的回归拟合，建立偏基于训练集的最小二乘法预测模型，通过偏最小二乘法预测模型对验证集的常规气态污染物排放值进行预测；
S6、利用验证集的预测结果求解偏最小二乘法预测模型的回归系数，计算验证集的预测决定系数
Figure 808361DEST_PATH_IMAGE001
；
S7、首先设置临界阈值T1、T2，所述阈值T1为精度阈值，T1可根据决定系数R2进行动态调参，若步骤S6中的决定系数
Figure 86021DEST_PATH_IMAGE001
不满足设定的阈值T2则调整精度阈值T1，直到决定系数
Figure 928075DEST_PATH_IMAGE001
满足阈值T2，若决定系数
Figure 651181DEST_PATH_IMAGE001
满足设定阈值T2，则进行步骤S8；
S8、将步骤S4中的训练集与验证集合并，建立合并后的偏最小二乘法预测模型，并通过步骤S4中的测试集进行模型适应性评估，最后将步骤S4中的训练集、验证集和测试集合并，计算最终的偏最小二乘法预测模型回归系数；
S9、利用基于步骤S8中得到的回归系数的偏最小二乘法预测模型，对具有不同油品特征的油品样本的常规气态污染物排放量进行预测。
进一步的，在步骤S3中，设定自变量油品样本x有m个油品特征，因变量排放量数据y为q个常规气态污染物，样本数量为n，其中，
Figure 551704DEST_PATH_IMAGE002
，
Figure 935018DEST_PATH_IMAGE003
。
进一步的，在步骤S5中，拟合方法包括以下步骤：
A1、对油品每种油品特征的组成含量与常规气态污染物排放数据进行标准化处理，得到标准化处理后的自变量矩阵、因变量矩阵；
A2、根据油品样本中的油品烃族组成与常规气态污染物排放的相关性关系，去除与常规气态污染物无关的油品特征，得到新的自变量矩阵、因变量矩阵；
A3、分别提取新的自变量矩阵的主成分
Figure 768763DEST_PATH_IMAGE004
、因变量矩阵中的主成分
Figure 718396DEST_PATH_IMAGE005
，记t1和u1为提取的第一对主成分，要求t1和u1满足方差最大的条件同时具有最大的相关性；
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；
A5、计算残差
Figure 462973DEST_PATH_IMAGE006
，并判断残差
Figure 754540DEST_PATH_IMAGE006
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（2）中得到的新的自变量矩阵、因变量矩阵，进行迭代计算，直到残差
Figure 961399DEST_PATH_IMAGE006
满足精度要求；
A6、经过r次步骤（3）至（5）的迭代计算，建立因变量矩阵与自变量矩阵间的回归，得到
Figure 621049DEST_PATH_IMAGE007
的预测模型。
进一步的，在步骤S6中，利用下述公式计算：
Figure 298761DEST_PATH_IMAGE008
。
进一步的，在步骤S8中，评估参数包括
Figure 525343DEST_PATH_IMAGE009
、MAPE，利用如下公式计算：
Figure 829286DEST_PATH_IMAGE010
其中，
Figure 697885DEST_PATH_IMAGE011
为解释方差，
Figure 498613DEST_PATH_IMAGE012
为模型评估系数。
进一步的，在步骤A1中，标准化处理的方法如下：
Figure 427254DEST_PATH_IMAGE013
其中，
Figure 581942DEST_PATH_IMAGE014
、
Figure 818013DEST_PATH_IMAGE015
为原始数据标准化后对应的自变量矩阵、因变量矩阵，mean()、std()分别表示变量数据集某一特征纬度的均值和标准差。
进一步的，在步骤A2中，根据下式（2）（3）处理油品样本的油品烃族组成与常规气态污染物排放的关系，根据相关性系数R值与显著性水平P值去除与常规气态污染物无关的油品特征，并得到新的自变量矩阵
Figure 909466DEST_PATH_IMAGE016
、因变量矩阵
Figure 9009DEST_PATH_IMAGE017
：
Figure 51658DEST_PATH_IMAGE018
Figure 465322DEST_PATH_IMAGE019
其中，R表示变量之间的相关性系数值，n为自变量个数，t为T检验分布计算值，根据t值在T分布列表中找到相应的显著性水平P值，R值的取值范围为[-1,1]，R越接近于1，相关性则越大，人为设定阈值R，t = 0.05值，当P < t时，认为R值具有可信度，反之剔除该变量。
进一步的，将步骤A3中的条件表示为下式（4）所示形式：
Figure 676861DEST_PATH_IMAGE020
其中，
Figure 183190DEST_PATH_IMAGE021
，
Figure 683442DEST_PATH_IMAGE022
，
Figure 900797DEST_PATH_IMAGE023
、
Figure 232421DEST_PATH_IMAGE024
是转化权重矩阵，
Figure 900863DEST_PATH_IMAGE025
为迭代次数计数；
然后利用Lagrange乘数法将求单位向量
Figure 91673DEST_PATH_IMAGE026
和
Figure 378298DEST_PATH_IMAGE027
,使
Figure 298849DEST_PATH_IMAGE028
最大，由式（5）可得：
Figure 881403DEST_PATH_IMAGE029
其中，
Figure 356246DEST_PATH_IMAGE030
，
Figure 446562DEST_PATH_IMAGE031
为最大特征值，
Figure 690462DEST_PATH_IMAGE032
，
Figure 440987DEST_PATH_IMAGE033
为最大特征值对应的特征向量。
进一步的，在步骤A4中，方法如下：
Figure 731022DEST_PATH_IMAGE034
其中，
Figure 359450DEST_PATH_IMAGE035
、
Figure 428162DEST_PATH_IMAGE036
为回归系数矩阵，
Figure 382212DEST_PATH_IMAGE037
、
Figure 831648DEST_PATH_IMAGE038
为残差矩阵；
按下式（7）获得回归系数矩阵，相应的残差矩阵如下式（8）：
Figure 96057DEST_PATH_IMAGE039
残差矩阵：
Figure 252232DEST_PATH_IMAGE040
进一步的，在步骤A6中，建立的因变量矩阵与自变量矩阵间的回归：
Figure 908341DEST_PATH_IMAGE041
其中，
Figure 579494DEST_PATH_IMAGE042
为第k次迭代的得分矩阵，表达形式如式（10）所示：
Figure 582347DEST_PATH_IMAGE043
其中，
Figure 655345DEST_PATH_IMAGE044
，
Figure 951197DEST_PATH_IMAGE045
，
Figure 139340DEST_PATH_IMAGE046
；
其中，
Figure 913261DEST_PATH_IMAGE047
为第k次迭代对应的
Figure 44028DEST_PATH_IMAGE048
的单位特征向量，满足
Figure 41940DEST_PATH_IMAGE049
；
Figure 189149DEST_PATH_IMAGE050
的预测模型为：
令
Figure 501182DEST_PATH_IMAGE051
，
Figure 548773DEST_PATH_IMAGE052
，
Figure 655269DEST_PATH_IMAGE053
得：
Figure 101161DEST_PATH_IMAGE054
其中
Figure 951305DEST_PATH_IMAGE055
为通过油品烃族组成预测得到的汽车常规气态污染物排放值，
Figure 853402DEST_PATH_IMAGE056
为参与拟合的油品样本中各油品特征的指标含量，
Figure 897844DEST_PATH_IMAGE057
即为所求偏最小二乘法的回归系数矩阵。
相对于现有技术，本发明所述的由油品烃组成快速预测汽车常规气态污染物排放的方法具有以下有益效果：
（1）本发明所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，采用偏最小二乘法对待测样本的常规气态污染物排放值进行拟合回归，用参与拟合的训练集计算得到偏最小二乘法的模型系数，再将验证集代入模型进行预测，计算决定系数，再通过测试集验证模型的适用性，最后将测试集、训练集、验证集结合得到最终预测模型用于待测样本的常规气态污染物排放值；
（2）本发明所述的由油品烃组成快速预测汽车常规气态污染物排放的方法计算方法计算简单，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，从而提高常规气态污染物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由油品烃组成快速预测汽车常规气态污染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。
本发明提供的由油品烃族组成预测汽车常规气态污染物排放的快速分析方法,包括如下步骤:
（1）调配至少30种汽油样本，按照标准要求测定每个油品的馏程、烯烃含量、芳烃含量、含氧化合物含量和不同碳数的烃类含量、苯含量和含氧化合物含量。
（2）对每种汽油样本进行实车Ⅰ型常温冷启动后排放试验，对排放常规气态污染物排放量进行测定。
（3）对每辆试验车的常规气态污染物排放数据及对应油品烃族组成数据建立预测数据集。记自变量x有m个油品特征，因变量y为q个常规气态污染物，样本数量为n。其中，
Figure 783760DEST_PATH_IMAGE058
，
Figure 703175DEST_PATH_IMAGE059
；随机划分数据集，其中训练集占60%，验证集占20%，以及测试集占20%。
（4）对训练集数据按下述方式进行油品—常规气态污染物排放的拟合：
1）对油品每种组成含量与常规气态污染物排放数据进行标准化处理，如式（1）所示：
Figure 459778DEST_PATH_IMAGE060
其中，
Figure 672191DEST_PATH_IMAGE061
、
Figure 779825DEST_PATH_IMAGE062
为原始数据标准化后对应的自变量、因变量矩阵，mean()、std()分别表示变量数据集某一特征纬度的均值和标准差。
2）按式（2）（3）处理样本的油品烃族组成与常规气态污染物排放的关系，根据相关性系数R值与显著性水平P值去除与常规气态污染物无关的油品特征，并得到新的自变量、因变量矩阵
Figure 237351DEST_PATH_IMAGE063
，
Figure 848461DEST_PATH_IMAGE064
。
Figure 828180DEST_PATH_IMAGE065
Figure 157530DEST_PATH_IMAGE066
其中，R两变量之间的相关性系数值，n为自变量个数，t为T检验分布计算值，根据t值在T分布列表中找到相应的显著性水平P值。R值的取值范围为[-1,1]，R越接近于1，相关性则越大。人为设定阈值R，t = 0.05值，当P < t时，认为R值具有可信度，反之剔除该变量。
3）提取
Figure 454300DEST_PATH_IMAGE067
和
Figure 919917DEST_PATH_IMAGE068
的主成分
Figure 975598DEST_PATH_IMAGE069
、
Figure 792244DEST_PATH_IMAGE070
。记t1和u1为提取的第一对主成分，要求t1和u1满足方差最大的条件同时具有最大的相关性，将上述条件表示为式（4）所示形式。
Figure 358617DEST_PATH_IMAGE071
其中，
Figure 944319DEST_PATH_IMAGE072
，
Figure 170901DEST_PATH_IMAGE073
，
Figure 6002DEST_PATH_IMAGE074
、
Figure 107556DEST_PATH_IMAGE075
是转化权重矩阵，
Figure 547765DEST_PATH_IMAGE076
为迭代次数计数。
4）利用Lagrange乘数法将该问题转化为求单位向量
Figure 210827DEST_PATH_IMAGE077
和
Figure 2066DEST_PATH_IMAGE078
,使
Figure 379083DEST_PATH_IMAGE079
最大。由式5）可得：
Figure 939377DEST_PATH_IMAGE080
其中，
Figure 507762DEST_PATH_IMAGE081
，
Figure 51876DEST_PATH_IMAGE082
为最大特征值，
Figure 223794DEST_PATH_IMAGE083
，
Figure 638595DEST_PATH_IMAGE084
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 909040DEST_PATH_IMAGE085
其中，
Figure 409291DEST_PATH_IMAGE086
、
Figure 393690DEST_PATH_IMAGE087
为回归系数矩阵，
Figure 131839DEST_PATH_IMAGE088
、
Figure 838764DEST_PATH_IMAGE089
为残差矩阵。
6）按式（7）获得回归系数矩阵，相应的残差矩阵如式（8）。
Figure 560732DEST_PATH_IMAGE090
残差矩阵：
Figure 142630DEST_PATH_IMAGE091
7）计算残差
Figure 735285DEST_PATH_IMAGE092
，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2)中的新自变量、因变量矩阵，进行迭代计算，直到残差满足精度要求。
8）经过r次步骤3）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（9）所示。
Figure 347532DEST_PATH_IMAGE093
其中，
Figure 822376DEST_PATH_IMAGE094
为第k次迭代的得分矩阵，表达形式如式（10）所示：
Figure 882998DEST_PATH_IMAGE095
其中，
Figure 392476DEST_PATH_IMAGE096
，
Figure 644466DEST_PATH_IMAGE097
，
Figure 606606DEST_PATH_IMAGE098
。
其中，
Figure 270586DEST_PATH_IMAGE099
为第k次迭代对应的
Figure 634572DEST_PATH_IMAGE100
的单位特征向量，满足
Figure 57463DEST_PATH_IMAGE101
。
9）
Figure 8364DEST_PATH_IMAGE102
的预测模型为：
令
Figure 502799DEST_PATH_IMAGE103
，
Figure 455711DEST_PATH_IMAGE104
，
Figure 813618DEST_PATH_IMAGE105
得：
Figure 281509DEST_PATH_IMAGE106
其中
Figure 517318DEST_PATH_IMAGE107
为通过油品烃族组成预测得到的该汽车常规气态污染物排放值，
Figure 590316DEST_PATH_IMAGE108
为参与拟合的油品各指标含量，
Figure 122054DEST_PATH_IMAGE109
即为所求偏最小二乘法的回归系数矩阵。
（5）按上述方法建立的偏最小二乘法预测模型，对验证集常规气态污染物排放值进行预测。
（6）利用验证集求解该车辆偏最小二乘法预测模型的回归系数，计算验证集的预测决定系数
Figure 280503DEST_PATH_IMAGE110
，用以表示预测精度，计算公式如式（12）。其中，
Figure 523265DEST_PATH_IMAGE111
为PN预测值，
Figure 716349DEST_PATH_IMAGE112
为PN实际值，
Figure 433637DEST_PATH_IMAGE113
为PN的实际均值。
Figure 344961DEST_PATH_IMAGE114
（7）若决定系数
Figure 656993DEST_PATH_IMAGE115
不满足设定的阈值T2，调整精度阈值T1，重复步骤（4）的3）至9）、步骤（5）、（6），直到满足阈值T2；若满足设定阈值T2，则进行步骤（8）。
（8）将训练集与验证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，并通过测试集进行模型适应性评估，评估参数为
Figure 737207DEST_PATH_IMAGE116
、MAPE，最后将训练集、验证集和测试集合并，计算车辆最终的偏最小二乘法预测模型回归系数。
Figure 312545DEST_PATH_IMAGE117
其中，
Figure 711165DEST_PATH_IMAGE116
为解释方差，
Figure 826889DEST_PATH_IMAGE118
为模型评估系数。
（9）则该车辆常规气态污染物排放量可由步骤（8）所得预测模型进行预测。
（10）对其他车辆进行步骤（1）至（9）的计算，若决定系数解释方差、MAPE满足要求，其预测模型可通过步骤（8）获得，该车辆常规气态污染物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、烯烃含量、芳烃含量和含氧化合物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ASTMD6839《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、烯烃含量、芳烃含量、含氧化合物含量和不同碳数的烃类含量、苯含量和含氧化合物含量的至少一种。
所述步骤（2）中测定汽车排放常规气态污染物含量的标准方法依据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型试验常温下冷启动后排排放试验。其排放的常规气态污染物特征变量可为碳氢化合物、一氧化碳、二氧化碳、氮氧化合物的至少一种。
所述步骤（3）对某一辆试验车的排放常规气态污染物数据及对应油品烃族组成数据建立预测数据集，随机划分样本数据，建立训练集（60%）、验证集（20%）以及测试集（20%）。
所述步骤（4）对训练集数据进行油品—常规气态污染物排放的拟合回归，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≤K(取值0-100%)时，则用残差矩阵代替代替2)中的新自变量、因变量矩阵，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，对测试集常规气态污染物排放值进行预测并计算验证集的预测决定系数
Figure 728986DEST_PATH_IMAGE119
，用以表示预测精度。
Figure 770498DEST_PATH_IMAGE119
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 328518DEST_PATH_IMAGE119
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）中，若决定系数
Figure 247932DEST_PATH_IMAGE119
不满足设定的阈值T2，调整阈值T1重复进行，重复步骤（4）的3）至9）、步骤（5）、（6）直到满足阈值T2；若满足设定阈值T2，将训练集与验证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，并通过测试集进行模型适应性评估，评估参数为
Figure 801274DEST_PATH_IMAGE120
、MAPE。
若
Figure 219879DEST_PATH_IMAGE120
、MAPE满足要求，最后将训练集、验证集和测试集合并，计算车辆最终的偏最小二乘法预测模型回归系数。
所述步骤（8）中可预测的汽车排放的常规气态污染物可为碳氢化合物、一氧化碳、二氧化碳、氮氧化合物的一种或几种。
下面公开一组优选的实施例：
预测车辆1使用3种不同指标用油（G1、G2、G3）在常温冷启动后排放试验中的常规气态污染物排放量。
（1）预测数据集。
调配了30种汽油样本，按照标准要求测定每个油品的馏程、烯烃含量、芳烃含量、含氧化合物含量和不同碳数的烃类含量、苯含量和含氧化合物含量。每种汽油样本进行了1辆试验车的实车Ⅰ型常温冷启动后排放试验，对排放的常规气态污染物排放量进行测定。
（2）对车辆的排放常规气态污染物数据及对应油品烃族组成数据建立预测数据集，随机划分样本数据，其中训练集占60%，验证集占20%，以及测试集占20%。
（3）使用训练集对不同油品对应的常规气态污染物排放进行拟合，建立偏最小二乘法预测模型。
按步骤（4）1）—9）对测试集数据进行油品—常规气态污染物排放的拟合，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。
若决定系数
Figure 124250DEST_PATH_IMAGE119
不满足设定的阈值T2，调整阈值T1重复进行，重复步骤（4）的3）至9）、步骤（5）、（6）直到满足阈值T2；若满足设定阈值T2，将训练集与验证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，并通过测试集进行模型适应性评估，评估参数为
Figure 785038DEST_PATH_IMAGE120
、MAPE。
（5）建立最终该车辆的偏最小二乘法预测模型。
若
Figure 396148DEST_PATH_IMAGE120
、MAPE满足要求，最后将训练集、验证集和测试集合并，计算车辆最终的偏最小二乘法预测模型回归系数。
对车辆1与车辆2，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—9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Ⅰ型常温冷启动试验THC预测结果
油品 标准法测量值 预测值 偏差
G1 21.0200 20.3006 0.7194
G2 9.7700 9.7177 0.0523
G3 10.3300 10.4037 0.0737
偏差:预测值与标准方法测定值之间的偏差。
单位：mg/km
表2 车辆Ⅰ型常温冷启动试验CO预测结果
油品 标准法测量值 预测值 偏差
G1 159.2700 154.4070 4.8630
G2 146.5100 146.1652 0.3448
G3 144.6300 144.9412 0.3112
偏差:预测值与标准方法测定值之间的偏差。
单位：mg/km
表3 车辆Ⅰ型常温冷启动试验NOx预测结果
油品 标准法测量值 预测值 偏差
G1 5.3200 5.0423 0.2777
G2 3.9800 3.9600 0.0200
G3 5.3500 5.3788 0.0288
偏差:预测值与标准方法测定值之间的偏差。
单位：mg/km
表4 车辆Ⅰ型常温冷启动试验CO2预测结果
油品 标准法测量值 预测值 偏差
G1 130.0019 129.4737 0.5282
G2 130.7496 130.7122 0.0374
G3 131.6317 131.6816 0.0499
偏差:预测值与标准方法测定值之间的偏差。
单位：g/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 (10)

1.由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，包括以下步骤：
S1、选取油品样本并确定油品特征，测量油品样本中的每种油品特征的含量，所述油品特征包括：油品的馏程、烯烃含量、芳烃含量、含氧化合物含量，以及油品的不同碳数的烃类含量、苯含量和含氧化合物含量；
S2、将步骤S1中选取的每种油品样本进行实车Ⅰ型常温冷启动后排放试验，对常规气态污染物的排放量进行测定，形成该试验车辆的实际排放量数据；
S3、将每辆试验车的常规气态污染物的排放量数据与步骤S1中的油品特征组成数据进行对应，形成不同油品特征-常规气态污染物排放量的预测数据集；
S4、将步骤S3中的预测数据集随机划分为训练集、测试集和验证集；
S5、利用步骤S4中的训练集数据进行油品特征—排放量数据的回归拟合，建立基于训练集的偏最小二乘法预测模型，通过偏最小二乘法预测模型对验证集的常规气态污染物排放量进行预测；
S6、利用验证集求解偏最小二乘法预测模型的回归系数，计算验证集的预测决定系数
Figure 915707DEST_PATH_IMAGE001
；
S7、首先设置临界阈值T1、T2，所述阈值T1为残差迭代的精度阈值，T1可根据决定系数
Figure 160743DEST_PATH_IMAGE001
进行动态调参，若步骤S6中的决定系数
Figure 471639DEST_PATH_IMAGE001
不满足设定的阈值T2则调整精度阈值T1，直到决定系数
Figure 929165DEST_PATH_IMAGE001
满足阈值T2，若决定系数
Figure 838478DEST_PATH_IMAGE001
满足设定阈值T2，则进行步骤S8；
S8、将步骤S4中的训练集与验证集合并，求解合并后的偏最小二乘法预测模型的回归系数，并通过步骤S4中的测试集进行模型适应性评估，最后将步骤S4中的训练集、验证集和测试集合并，建立最终的偏最小二乘法预测模型；
S9、利用基于步骤S8中得到的预测模型，可对具有不同油品特征的油品样本进行常规气态污染物排放量的预测。
2.根据权利要求1所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，在步骤S3中，设定自变量油品样本x有m个油品特征，因变量排放量数据y为q个常规气态污染物，样本数量为n，其中，
Figure 51153DEST_PATH_IMAGE002
，
Figure 380503DEST_PATH_IMAGE003
。
3.根据权利要求1所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，在步骤S5中，拟合方法包括以下步骤：
A1、对油品每种油品特征的组成含量与常规气态污染物排放数据进行标准化处理，得到标准化处理后的自变量矩阵、因变量矩阵；
A2、根据油品样本中的油品烃族组成与常规气态污染物排放的相关性关系，去除与常规气态污染物排放无关的油品特征，得到新的自变量矩阵、因变量矩阵；
A3、分别提取新的自变量矩阵的主成分
Figure 405835DEST_PATH_IMAGE004
、因变量矩阵中的主成分
Figure 137030DEST_PATH_IMAGE005
，记t1和u1为提取的第一对主成分，要求t1和u1满足方差最大的条件同时具有最大的相关性；
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系数矩阵；
A5、计算残差
Figure 192711DEST_PATH_IMAGE006
，并判断残差
Figure 510822DEST_PATH_IMAGE006
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（2）中得到的新的自变量矩阵、因变量矩阵，进行迭代计算，直到残差
Figure 44572DEST_PATH_IMAGE006
满足精度要求；
A6、经过r次步骤（3）至（5）的迭代计算，建立因变量矩阵与自变量矩阵间的回归，得到
Figure 895853DEST_PATH_IMAGE007
的预测模型。
4.根据权利要求1所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，在步骤S6中，利用下述公式计算：
Figure 388014DEST_PATH_IMAGE008
。
5.根据权利要求1所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，在步骤S8中，评估参数包括
Figure 450212DEST_PATH_IMAGE009
、MAPE，利用如下公式计算：
Figure 53231DEST_PATH_IMAGE010
其中，
Figure 493440DEST_PATH_IMAGE011
为解释方差，
Figure 890923DEST_PATH_IMAGE012
为模型评估系数。
6.根据权利要求1所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，在步骤A1中，标准化处理的方法如下：
Figure 980364DEST_PATH_IMAGE013
其中，
Figure 652654DEST_PATH_IMAGE014
、
Figure 478527DEST_PATH_IMAGE015
为原始数据标准化后对应的自变量矩阵、因变量矩阵，mean()、std()分别表示变量数据集某一特征纬度的均值和标准差。
7.根据权利要求1所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，在步骤A2中，根据下式（2）（3）处理油品样本的油品烃族组成与常规气态污染物排放的关系，根据相关性系数R值与显著性水平P值去除与常规气态污染物无关的油品特征，并得到新的自变量矩阵
Figure 811026DEST_PATH_IMAGE016
、因变量矩阵
Figure 620719DEST_PATH_IMAGE017
：
Figure 129323DEST_PATH_IMAGE018
Figure 278545DEST_PATH_IMAGE019
其中，R表示变量之间的相关性系数值，n为自变量个数，t为T检验分布计算值，根据t值在T分布列表中找到相应的显著性水平P值，R值的取值范围为[-1,1]，R越接近于1，相关性则越大，人为设定阈值R，t = 0.05值，当P < t时，认为R值具有可信度，反之剔除该变量。
8.根据权利要求1所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，将步骤A3中的条件表示为下式（4）所示形式：
Figure 814569DEST_PATH_IMAGE020
其中，
Figure 314820DEST_PATH_IMAGE021
，
Figure 567728DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
、
Figure 696090DEST_PATH_IMAGE024
是转化权重矩阵，
Figure 107742DEST_PATH_IMAGE025
为迭代次数计数；
然后利用Lagrange乘数法将求单位向量
Figure 360869DEST_PATH_IMAGE026
和
Figure 913073DEST_PATH_IMAGE027
,使
Figure 36886DEST_PATH_IMAGE028
最大，由式（5）可得：
Figure 147668DEST_PATH_IMAGE029
其中，
Figure 622512DEST_PATH_IMAGE030
，
Figure 978407DEST_PATH_IMAGE031
为最大特征值，
Figure 458192DEST_PATH_IMAGE032
，
Figure 241341DEST_PATH_IMAGE033
为最大特征值对应的特征向量。
9.根据权利要求1所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，在步骤A4中，方法如下：
Figure 203480DEST_PATH_IMAGE034
其中，
Figure 831908DEST_PATH_IMAGE035
、
Figure 712006DEST_PATH_IMAGE036
为回归系数矩阵，
Figure 134897DEST_PATH_IMAGE037
、
Figure 115492DEST_PATH_IMAGE038
为残差矩阵；
按下式（7）获得回归系数矩阵，相应的残差矩阵如下式（8）：
Figure 314654DEST_PATH_IMAGE039
残差矩阵：
Figure 533146DEST_PATH_IMAGE040
。
10.根据权利要求1所述的由油品烃组成快速预测汽车常规气态污染物排放的方法，其特征在于，在步骤A6中，建立的因变量矩阵与自变量矩阵间的回归：
Figure 392517DEST_PATH_IMAGE041
其中，
Figure 63670DEST_PATH_IMAGE042
为第k次迭代的得分矩阵，表达形式如式（10）所示：
Figure 63594DEST_PATH_IMAGE043
其中，
Figure 136592DEST_PATH_IMAGE044
，
Figure 166865DEST_PATH_IMAGE045
，
Figure 59735DEST_PATH_IMAGE046
；
其中，
Figure 600700DEST_PATH_IMAGE047
为第k次迭代对应的
Figure 856100DEST_PATH_IMAGE048
的单位特征向量，满足
Figure 561669DEST_PATH_IMAGE049
；
Figure 941835DEST_PATH_IMAGE050
的预测模型为：
令
Figure 253868DEST_PATH_IMAGE051
其中
Figure 567037DEST_PATH_IMAGE052
为通过油品烃族组成预测得到的汽车常规气态污染物排放值，
Figure 673534DEST_PATH_IMAGE053
为参与拟合的油品样本中各油品特征的指标含量，
Figure 573619DEST_PATH_IMAGE054
即为所求偏最小二乘法的回归系数矩阵。
CN202210637953.3A 2022-06-08 2022-06-08 由油品烃组成快速预测汽车常规气态污染物排放的方法 Pending CN114723182A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210637953.3A CN114723182A (zh) 2022-06-08 2022-06-08 由油品烃组成快速预测汽车常规气态污染物排放的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210637953.3A CN114723182A (zh) 2022-06-08 2022-06-08 由油品烃组成快速预测汽车常规气态污染物排放的方法

Publications (1)

Publication Number Publication Date
CN114723182A true CN114723182A (zh) 2022-07-08

Family

ID=82233003

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210637953.3A Pending CN114723182A (zh) 2022-06-08 2022-06-08 由油品烃组成快速预测汽车常规气态污染物排放的方法

Country Status (1)

Country Link
CN (1) CN114723182A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704976A (zh) * 2017-11-06 2018-02-16 东南大学 基于居民出行调查的城市家庭交通尾气排放量预测方法
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
CN112945567A (zh) * 2019-12-11 2021-06-11 北京福田康明斯发动机有限公司 一种低温柴油机车载法排放的预测方法及系统
CN114548557A (zh) * 2022-02-22 2022-05-27 武汉理工大学 NOx排放预测方法、装置、电子设备及计算机存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704976A (zh) * 2017-11-06 2018-02-16 东南大学 基于居民出行调查的城市家庭交通尾气排放量预测方法
CN112945567A (zh) * 2019-12-11 2021-06-11 北京福田康明斯发动机有限公司 一种低温柴油机车载法排放的预测方法及系统
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
CN114548557A (zh) * 2022-02-22 2022-05-27 武汉理工大学 NOx排放预测方法、装置、电子设备及计算机存储介质

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NOx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)工程科技Ⅱ辑》 *

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
Shen et al. Gaussian mixture model clustering-based knock threshold learning in automotive engines
CN109165461B (zh) 重型汽车尾气污染物排放因子实时获取方法
Ross Real-world emissions from model year 1993, 2000, and 2010 passenger cars
Betts et al. The influence of diesel fuel properties on particulate emissions in European cars
Chatzipanagi et al. Evolution of European light-duty vehicle CO2 emissions based on recent certification datasets
CN114991922A (zh) 一种车辆NOx排放超标的实时预警方法
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
Houser et al. The impact of intake valve deposits on exhaust emissions
CN114707778A (zh) 基于油品芳烃组成快速预测汽车pn排放的方法
CN112415892B (zh) 一种汽油机起动标定控制参数优化方法
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
Dechezleprêtre et al. Regulatory distance and the transfer of new environmentally sound technologies: evidence from the automobile sector
Zhao et al. From nedc to wltp for vehicles: The impact on fuel efficiency calculation and algorithm optimization
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
CN110276525B (zh) 基于燃油经济性的发动机关键技术评估方法
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
Nozaki et al. Development of a rule-based calibration method for diesel engines
CN114383857B (zh) 满足排放标准的耐久试验验证规范等效设计方法及系统
Su et al. Transient NOx emission prediction of gasoline engine based on steady-state correction model
Pavlovic et al. Increase in Wltp's Co2 Emissions from Vehicles Based on European Certification Datasets
Rapone et al. A novel statistical model for the evaluation of vehicle emission factors. application to a euro iii gasoline car fleet
Thompson et al. Fuel effects on regulated emissions from advanced diesel engines and vehicles
Zhang et al. Fuel Consumption Modelling of a TFSI Gasoline Engine with Embedded Prior Knowledge

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