CN115392116A - 一种基于obd数据修复的重型柴油卡车超排判定方法 - Google Patents

一种基于obd数据修复的重型柴油卡车超排判定方法 Download PDF

Info

Publication number
CN115392116A
CN115392116A CN202210952897.2A CN202210952897A CN115392116A CN 115392116 A CN115392116 A CN 115392116A CN 202210952897 A CN202210952897 A CN 202210952897A CN 115392116 A CN115392116 A CN 115392116A
Authority
CN
China
Prior art keywords
data
value
restoration
method based
scr
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
CN202210952897.2A
Other languages
English (en)
Inventor
何巍楠
程颖
赵旭
韩媛
余柳
郑晓彬
管城熠
马皓
薛晴
姚金龙
陈佳琪
梁文博
郑龙
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.)
Beijing Transport Institute
Original Assignee
Beijing Transport Institute
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 Beijing Transport Institute filed Critical Beijing Transport Institute
Priority to CN202210952897.2A priority Critical patent/CN115392116A/zh
Publication of CN115392116A publication Critical patent/CN115392116A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明提供了一种基于OBD数据修复的重型柴油卡车超排判定方法，属于汽车超标排放检测技术领域，用于解决现有重型柴油卡车超排判定准确度差且难以监控的问题。本发明基于OBD数据对重型柴油卡车进行超排判定，针对数据质量问题提出氮氧化物排放的超标判断体系及问题数据修复方法。超标判断体系通过移动均值、移动中值、去除最值后的移动均值和多方案综合四种方法，排除数据中因个别数值过高导致的超标判断不准确问题；问题数据修复方法包括超标值预测、SCR输出值预测、全变量数据补全和插值修复，对缺失数据进行预测、补全及对超标与否的状态预测解决数据缺失问题；本发明提高了超排判定的准确性，使用车排放监管更加方便、及时、有效。

Description

一种基于OBD数据修复的重型柴油卡车超排判定方法
技术领域
本发明属于汽车超标排放检测技术领域，涉及一种基于OBD数据修复的重型柴油卡车超排判定方法。
背景技术
车载诊断系统(on-board diagnostics，OBD)是一种近年来快速发展的在用车排放监管工具。OBD包括硬件和软件，硬件由电子控制单元(electronic control unit，ECU)、故障指示灯、各类传感器(节气门位置、燃油喷射系统、车速、冷却液温度、氧传感器等)组成；软件包括故障诊断代码以及标定相关的文件。远程OBD(OBD-III)是新型的无线式传输OBD系统，它把用车排放检测、维护和监管更高效地结合在一起，能够实现实时快速对高排放车辆进行识别和监控。
目前我国的用车检查与维护实行定期年检制度，其弊端为在两次年检的时间间隔内管理部门无法了解该车的排放是否出现问题，同时在年检过程中容易出现作弊行为。
目前，欧洲和美国所采用的基于实际道路的重型车排放判定方法分别为AWM(average window method)法和NTE(not to exceed)法，都是基于发动机参数对污染物排放进行计算和判定。
(一)AWM法(功基窗口法)
功基窗口法(average window method，AWM)起源于欧洲，指的是通过比较功基窗口比排放与发动机型式认证比排放的符合性评价车辆排放的方法。
功基窗口法的基本原理为，从任意时间点t1开始，随时间向前推移，直到时间点t2，规定这两点之间时间段内的做功量为功基窗口，计算两点之间所有采样点的平均比排放值(g/kW·h)。时间窗口依次推进，窗口移动时间间隔为排气污染物采样频率的倒数(如采样频率1Hz,则窗口移动时间间隔为1s)，移动功基窗口直至所有采样点结束，计算污染物排放量的滚动平均值。
功基窗口比排放量和窗口平均功率百分比的计算公式如下：
Figure BDA0003787699620000021
Figure BDA0003787699620000022
其中，BSEAWM为气态污染物窗口比排放，单位为g/kW·h；mt为气态污染物在时间t的瞬时排放量，单位为g/h；t1,i和t2,i分别为第i个功基窗口起始时间和终止时间，单位为s；Pt为发动机在时间t的瞬时功率，单位为kW；AWP％为窗口平均功率百分比(average windowpower percentage)，单位为％；Prated为该发动机最大功率，单位为kW。统计有效功基窗口中，若窗口比排放小于所规定的排放限值的个数，则计算其占有效功基窗口个数的比例，若该比例大于或等于某规定值，则可视为合格。欧洲的AWM法将有效窗口的窗口平均功率限值设定为最大功率的20％(即窗口平均功率百分比在20％以下的窗口将被剔除，不计入污染物比排放计算过程)，这样设定既能包括绝大多数重型车的正常运行工况，又能消除发动机在超低负荷工况(怠速或空载)运行时所引入的超高比排放。
NTE法起源于美国，是通过NTE事件通过率来评价车辆排放的方法。NTE法的主要原理是，在发动机外特性曲线的基础上，建立一个由发动机扭矩曲线、发动机15％转速的等转速线、30％最大功率曲线和30％最大等扭矩曲线构成的封闭区域，这个区域称为NTE控制区。
每个进入NTE控制区不小于30s的运行工况被称为一个有效的NTE采样事件。计算每个有效NTE事件内NOx排放总质量与NTE事件内发动机做功的比值(单位g/kW·h)，如下式：
Figure BDA0003787699620000023
其中，BSENTE,i为第i个NTE事件的比排放，单位为g/kW·h；mt为气态污染物在时间t的瞬时排放量，单位为g/h；Pt为发动机瞬时功率，单位为kW；t1，i和t2，i分别为第i个NTE事件的起始时间和终止时间，单位为s。计算出每个NTE事件的比排放之后，将其与排放限值比较。之后，计算每个NTE事件在全部NTE事件中所占的权重时间，再计算比排放低于限值的NTE事件的加权时间与所有NTE事件加权时间的比值，满足限值的NTE时间通过率达到某一给定值即判定达标。
现有技术中面临如下问题：
(1)由于缺乏科学、准确有效的计量数据采集手段和大数据分析方法，目前政府、汽车制造商、车辆养护维修厂商和其他相关领域的企业单位都不能很好地做到基于OBD报警信息被动识别超标车辆，不能及时发现车辆在实际使用中频繁出现尿素加注不到位、SCR(选择性催化还原转化器)、DOC(氧化催化剂)、DPF(柴油颗粒捕集器)工作故障处置不及时以及发动机工况篡改等方面的事件，无法及时为政府监管部门提供符合性重点监管对象；
(2)缺乏科学可靠的数据质量控制及能耗数据精度方法，不能满足政府监管部门和相关企业精细化监管的要求，导致重型柴油车排放超标问题十分严重。国内针对OBD的计量诊断关键技术目前尚处于空白阶段。
(3)欧洲和美国所采用的基于实际道路的重型车排放判定方法分别为AWM法和NTE法，都是基于发动机参数对污染物排放进行计算，而对于OBD数据修复方面并未涉及。
目前对于重型柴油卡车超排判定的方法并没有从基于OBD数据修复这一角度出发的方法，基于此，本发明提出一种基于OBD数据修复的重型柴油卡车超排判定方法，针对现有的数据质量问题，提出了氮氧化物排放的超标判断体系及问题数据修复方法，提高重型柴油卡车超排判定的准确性。
发明内容
本发明的目的是针对现有的技术存在上述问题，提出了一种基于OBD数据修复的重型柴油卡车超排判定方法，本发明要解决的技术问题是：如何实现OBD数据修复并基于该数据进行重型柴油卡车超排判定，提高重型柴油卡车超排判定的准确性。
本发明的目的可通过下列技术方案来实现：
一种基于OBD数据修复的重型柴油卡车超排判定方法，该方法的步骤如下：
步骤一，对原始数据的质量进行评估：对现有的发动机原始数据从数据时间、数据来源(所属公司)、数据品类(车辆品牌)三个角度出发，统计分析数据缺失及异常情况；评估内容主要是统计各时间段下每辆车的各项指标数据是否完整以及是否有异常，用缺失率来反映数据完整情况，用负数率来反映异常情况；
缺失率＝缺失数据个数/数据总数；
负数率＝负值个数/数据总数；
原始数据包括发动机净输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量、SCR下游NOx传感器输出值、尿素液位共六项指标。
通过对原始数据的质量进行评估，可以从车辆所属公司、车辆品牌、原始数据获取时间方面统计各时间段下每辆车的各项指标数据，判定数据的完整情况和异常情况。
步骤二，进行指标相关性分析和筛选，通过对原始发动机数据中各项指标数据(发动机净输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量、SCR下游NOx传感器输出值、尿素液位)之间的相关性进行分析，将原始数据分为主要指标数据和其他指标数据，主要指标数据为SCR下游NOx传感器输出值，其他指标数据包括发动机净输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量和尿素液位；其他指标数据中划分出重要指标数据，重要指标数据设置为与SCR下游NOx传感器输出值相关性较强的发动机净输出扭矩、发动机转速、发动机燃料流量三项指标；
根据《重型汽车氮氧化物快速检测方法及排放限值(DB 11/1476—2017)》中提到的在线检测方法，对SCR下游NOx传感器输出值以30s为单位进行移动平均处理，形成氮氧化物浓度值结果；当计算得到的氮氧化物浓度值结果超出限值时即判定为超标。因此，采用SCR下游NOx传感器输出值这一数据为超排判定主要指标。
通过对原始数据中各项指标数据之间的相关性进行分析，以SCR下游NOx传感器输出值为超排判断依据，了解其他指标数据与主要指标数据的关联性并对各项指标数据划分，从而便于进行问题数据的填补和预测，以提高判定结果的准确性。
步骤三，针对数据质量问题进行针对性问题数据修复，问题数据修复方法包括超标值预测、SCR输出值预测、全变量数据补全和插值修复。
其中，超标值预测：采用随机森林(一种基于分类树的算法，该算法需要模拟和迭代,被归类为机器学习中的一种方法)、GBDT(一种将学习到的多种模型进行集成的机器学习算法)和SVM(支持向量机，一种用于分类、回归和异常值检测的监督学习方法)三种分类预测模型通过各指标数据预测氮氧化物浓度超标情况。其中，优先考虑SVM方法的预测结果，或取三种预测方法结果的众数值作为最终预测结果。
SCR输出值预测：以回归预测为总体思路对SCR输出值进行预测，并分为基于全部指标(发动机净输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量、SCR下游NOx传感器输出值、尿素液位等指标)的SCR输出值预测和基于重要指标(发动机净输出扭矩、发动机转速、发动机燃料流量三项指标)的SCR输出值预测两个修复方向。
基于全部指标的SCR输出值预测修复，包括建立随机森林模型、GBDT模型、多元线性回归模型(在现实问题研究中，因变量的变化往往受几个重要因素的影响，此时就需要用两个或两个以上的影响因素作为自变量来解释因变量的变化，这就是多元回归亦称多重回归)、集成学习器(集成学习，通过将多个单个学习器集成、组合在一起，使它们共同完成学习任务)、高斯过程回归模型(高斯过程回归是使用高斯过程先验对数据进行回归分析的非参数模型)或广义线性模型(广义线性模型是线性模型的扩展，通过联结函数建立响应变量的数学期望值与线性组合的预测变量之间的关系)等方法预测SCR输出值；其中，优选采用随机森林模型和高斯过程回归模型进行SCR输出值预测。
基于重要指标的SCR输出值预测修复，采用随机森林模型或GBDT模型预测SCR输出值；其中，优选采用随机森林模型进行SCR输出值修复。
全变量数据补全：采用基于矩阵补全的方法进行SCR输出值修复，矩阵补全方法包括建立NNMF模型(一种在矩阵中所有元素均为非负数约束条件之下的矩阵分解方法)、PPCA模型(进行补偿能同时获得较高的补偿精度和运算速度)或KNN模型(其核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性)进行SCR输出值修复；其中，优选采用NNMF模型进行SCR输出值修复。当缺失率高于0.6或某指标数据完全缺失时，该方法失效，不采用矩阵补全(全变量数据补全)的方法进行数据修复。
插值修复：插值修复方法包括采用MovMedian模型(移动中位数，返回由局部k个数据点的中位数值组成的数组，其中每个中位数基于A的相邻元素的长度为k的移动窗口计算得出)、Linear模型(相邻非缺失值的线性插值)、Pchip模型(分段三次Hermite插值多项式)、Spline模型(分段三次样条插值)、Makima模型(修正Akima分段三次Hermite插值)或KNN模型进行SCR输出值修复。
步骤四，氮氧化物浓度值超标判断，超标计算采用计算滑动平均值获得氮氧化物浓度值结果，对比超标数据及超标阈值，判断是够超标；计算滑动平均值包括移动均值、移动中值和去除最值的移动均值计算，并通过多种计算结果综合获得最终判断结果，以提高超标判断的准确性。
超标计算采用SCR下游NOx传感器输出值这一指标，根据《重型汽车氮氧化物快速检测方法及排放限值(DB 11/1476—2017)》中提到的在线检测方法，对SCR下游NOx传感器输出值以30s为单位进行移动平均处理，形成氮氧化物浓度值结果。当计算得到的氮氧化物浓度值结果超出限值时即判定为超标。但在原始数据中存在30秒SCR下游NOx传感器输出值存在较大差异的现象，即某些时刻的数值明显高于其他时刻，这时采用平均值作为计算结果就不能准确反映30秒氮氧化物排放水平。因此，根据现有的超标计算方法进行优化改进，通过移动均值、移动中值、去除最值的移动均值法和多方案综合四种方案以提高超标判断的准确性。判断方法如下：
S1、计算出30s移动平均值(依次得到一组测定值时，按顺序取一定数量的数据并算得其全部算术平均值，得到的数据就叫做移动平均值)；
S2、计算出30s移动中值；
S3、计算30s移动平均值时首先去除最大值与最小值，再计算移动平均值；
S4、取三种方法判断结果的众数作为最终超标判断结果。
步骤五：将上述方法应用于OBD排放检测过程中。
通过对现有的发动机原始数据统计并分析数据缺失及异常情况，针对现有的数据质量问题提出四类问题数据的修复方法，并根据现有的超标计算方法进行优化改进，通过四种方案结合以提高超标判断的准确性进行超排判定，最终将上述方法应用于OBD排放检测过程中。
本发明采用SCR输出值为判定指标，通过问题数据修复和超标计算判断氮氧化物浓度实现基于OBD数据修复的重型柴油卡车超排判定，当计算得到的氮氧化物浓度值结果超出限值时即判定为超标。问题数据修复和超标判断的具体过程如下：
S1、判断SCR下游NOx传感器输出值数据是否缺失，若否，则计算滑动平均值；若是，分为两部分：第一部分是基于插值的数据修复，后计算滑动平均值；第二部分是判断其他指标数据是否有缺失；
S2、若其他指标数据有缺失，再判断重要指标数据是否有整列缺失，若有整列缺失，进行基于矩阵补全(全变量数据补全)的数据修复，后计算滑动平均值；若无整列缺失，进行基于回归预测技术(基于重要指标的SCR输出值修复)的修复方法，后计算滑动平均值；
S3、若其他指标数据无缺失，分为两部分：第一部分是基于其他指标的超标值修复，采用基于超标值预测的修复方法，并判断预测得到的氮氧化物浓度是否超标；第二部分是基于其他指标修复SCR输出值数据，分为基于矩阵补全的数据修复(全变量数据补全)和基于回归预测技术的修复方法(基于全部指标的SCR输出值修复)，后计算滑动平均值；
S4、计算滑动平均值后，根据超标数据和超标阈值判断氮氧化物浓度是否超标，若超标，进行输出报警。
与现有技术相比，本基于OBD数据修复的重型柴油卡车超排判定方法具有以下优点：
1、本发明基于OBD数据对重型柴油卡车进行超排判定，由于原始发动机数据在统计时，原始数据在各指标数据以及时间序列等方面存在大量的缺失，并且部分指标的数据出现异常情况，基于此，本发明针对现有的数据质量问题，提出了氮氧化物排放的超标判断体系及问题数据修复方法。氮氧化物排放的超标判断体系通过移动均值、移动中值、去除最值后的移动均值和多方案综合四种方法，排除了数据中因个别数值过高导致的超标判断不准确的问题。问题数据修复方法包括SCR输出值预测修复、插值修复、全变量数据补全修复、基于分类预测的超标判断修复，通过对缺失数据的预测、补全及对超标与否的状态预测的方法解决了原始数据的缺失问题，最终产出一套交通行业重型柴油卡车基于OBD数据修复的超排判定方法。相对现有超排判定方法，能够减小误差，提高重型柴油卡车超排判定的准确性和效率。
2、本发明与现有的年检制度相比的优点是，OBD的监测是连续不间断的，且判定结果的准确性高，能够不间断对车辆排放进行有效、精准监管，与现有年检制度形成有效互补，甚至能够作为车辆年检“绿通”政策的有效依据；在OBD的监测手段检测到排放出现故障后，管理部门能对驾驶员发出故障警告和现场执法，使在用车排放监管更加方便、及时、有效；本发明能够把在用车排放检测、维护和监管更高效地结合在一起，实现实时快速地对高排放车辆进行识别和监控。
附图说明
图1是本发明超排判定方法的流程图；
图2是本发明中问题数据修复和超标判断的流程图；
图3是本发明中基于插值的SCR输出值修复的模块流程图；
图4是本发明中重要指标数据有整列缺失时基于全变量数据补全的SCR输出值修复模块流程图；
图5是本发明中基于重要指标的SCR输出值修复模块流程图；
图6是本发明中基于全部指标的SCR输出值修复模块流程图；
图7是本发明中其他指标数据没有缺失时基于全变量数据补全的SCR输出值修复模块流程图；
图8是本发明中超标值修复模块流程图；
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
下面详细描述本专利的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利，而不能理解为对本专利的限制。
请参阅图1-8，本实施例提供了一种基于OBD数据修复的重型柴油卡车超排判定方法，该方法的步骤如下：
步骤一，对原始数据的质量进行评估：对现有的发动机原始数据从数据时间、数据来源(所属公司)、数据品类(车辆品牌)三个角度出发，统计分析数据缺失及异常情况；评估内容主要是统计各时间段下每辆车的各项指标数据是否完整以及是否有异常，用缺失率来反映数据完整情况，用负数率来反映异常情况；
缺失率＝缺失数据个数/数据总数；
负数率＝负值个数/数据总数；
原始数据包括发动机净输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量、SCR下游NOx传感器输出值、尿素液位共六项指标。
通过对原始数据的质量进行评估，可以从车辆所属公司、车辆品牌、原始数据获取时间方面统计各时间段下每辆车的各项指标数据，判定数据的完整情况和异常情况。
步骤二，进行指标相关性分析和筛选，通过对原始发动机数据中各项指标数据(发动机净输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量、SCR下游NOx传感器输出值、尿素液位)之间的相关性进行分析，将原始数据分为主要指标数据和其他指标数据，主要指标数据为SCR下游NOx传感器输出值，其他指标数据包括发动机净输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量和尿素液位；其他指标数据中划分出重要指标数据，重要指标数据设置为与SCR下游NOx传感器输出值相关性较强的发动机净输出扭矩、发动机转速、发动机燃料流量三项指标。
根据《重型汽车氮氧化物快速检测方法及排放限值(DB 11/1476—2017)》中提到的在线检测方法，对SCR下游NOx传感器输出值以30s为单位进行移动平均处理，形成氮氧化物浓度值结果；当计算得到的氮氧化物浓度值结果超出限值时即判定为超标。因此，采用SCR下游NOx传感器输出值这一数据为超排判定主要指标。
通过对原始数据中各项指标数据之间的相关性进行分析，以SCR下游NOx传感器输出值为超排判断依据，了解其他指标数据与主要指标数据的关联性并对各项指标数据划分，从而便于针对不同问题数据填补和预测，以提高判定结果的准确性。
步骤三，对上述步骤的数据质量问题进行针对性问题数据修复，问题数据修复方法包括超标值预测、SCR输出值预测、全变量数据补全和插值修复。
步骤四，氮氧化物浓度值超标判断，超标计算采用计算滑动平均值获得氮氧化物浓度值结果，对比超标数据及超标阈值，判断是够超标；计算滑动平均值包括移动均值、移动中值和去除最值的移动均值计算，通过多种方案综合获得最终判断结果，以提高超标判断的准确性。
超标计算采用SCR下游NOx传感器输出值这一指标，根据《重型汽车氮氧化物快速检测方法及排放限值(DB 11/1476—2017)》中提到的在线检测方法，对SCR下游NOx传感器输出值以30s为单位进行移动平均处理，形成氮氧化物浓度值结果。当计算得到的氮氧化物浓度值结果超出限值时即判定为超标。但在原始数据中存在30秒SCR下游NOx传感器输出值存在较大差异的现象，即某些时刻的数值明显高于其他时刻。这时采用平均值作为计算结果就不能准确反映30秒氮氧化物排放水平。因此，根据现有的超标计算方法进行优化改进，通过移动均值、移动中值、去除最值的移动均值法和多方案综合四种方案以提高超标判断的准确性。判断方法如下：
一、计算移动均值：计算出30s移动平均值(依次得到一组测定值时，按顺序取一定数量的数据并算得其全部算术平均值，得到的数据就叫做移动平均值)；
二、计算移动中值：计算出30s移动中值；
三、计算去除最值的移动均值法：计算30s移动平均值时首先去除最大值与最小值，再计算移动平均值；
四、多方案综合：取三种方法判断结果的众数作为最终超标判断结果。
步骤五：将上述方法应用于OBD排放检测过程中。
本发明根据采用SCR输出值为判定指标，通过对问题数据修复和超标计算来判断氮氧化物浓度实现基于OBD数据修复的重型柴油卡车超排判定，当计算得到的氮氧化物浓度值结果超出限值时即判定为超标。问题数据修复和超标判断的具体过程如下：
S1、判断SCR下游NOx传感器输出值数据是否缺失，若否，则计算滑动平均值；若是，分为两部分：第一部分是基于插值的数据修复，后计算滑动平均值；第二部分是判断其他指标数据是否有缺失；
上述步骤中，基于插值的数据修复方法包括采用MovMedian模型、Linear模型、Pchip模型、Spline模型、Makima模型或KNN模型进行SCR输出值修复。
S2、若其他指标数据有缺失，再判断重要指标数据是否有整列缺失，若有整列缺失，进行基于矩阵补全的数据修复，后计算滑动平均值；若无整列缺失，进行基于回归预测技术的修复方法，后计算滑动平均值；
上述步骤中，基于矩阵补全的数据修复方法包括建立NNMF模型、PPCA模型或KNN模型进行SCR输出值修复；其中，优选采用NNMF模型进行SCR输出值修复。但是，当缺失率高于0.6或某指标数据完全缺失时，不采用矩阵补全的方法进行数据修复。
上述步骤中，基于回归预测技术的修复方法采用基于重要指标的SCR输出值修复方法，基于重要指标的SCR输出值修复方法采用随机森林模型或GBDT模型预测SCR输出值；优选采用随机森林模型进行SCR输出值修复。
S3、若其他指标数据无缺失，分为两部分：第一部分是基于其他指标的超标值修复，采用基于超标值预测的修复方法，并判断预测得到的氮氧化物浓度是否超标；第二部分是基于其他指标修复SCR输出值数据，分为基于矩阵补全的数据修复和基于回归预测技术的修复方法，后计算滑动平均值；
上述步骤中，基于超标值预测的修复方法通过采用随机森林、GBDT和SVM三种分类预测模型通过各指标数据预测氮氧化物浓度超标情况，并取三种预测方法结果的众数值作为最终预测结果。
采用基于超标值预测技术的修复方法进行精准度分析示例，从原始数据中选取了来自不同公司具有不同车辆属性的四辆车辆的数据进行测试，通过三种分类预测方法对其进行超标值预测，预测精度结果如下表1所示。
表1为分类预测结果表
Figure BDA0003787699620000121
由表1的预测结果可知，四辆车的数据预测精度在0.7-1之间，四辆车采用分类预测方法进行超标值预测的结果精准度高，其中，SVM方法的预测精度略优于另外两种方法。在采用超标值预测进行问题数据修复时，可优先考虑SVM方法的预测结果，或取三种预测方法结果的众数值作为最终预测结果。
上述步骤中，基于矩阵补全的数据修复基于矩阵补全的数据修复方法包括建立NNMF模型、PPCA模型或KNN模型进行SCR输出值修复；其中，优选采用NNMF模型进行SCR输出值修复。上述步骤中，基于回归预测技术的修复方法采用基于全部指标的SCR输出值修复方法，基于全部指标的SCR输出值修复方法包括建立随机森林模型、GBDT模型、多元线性回归模型、集成学习器、高斯过程回归模型或广义线性模型等方法预测SCR输出值；其中，优选采用随机森林模型或高斯过程回归模型进行SCR输出值预测。
S4、计算滑动平均值后，根据超标数据和超标阈值判断氮氧化物浓度是否超标，若超标，进行输出报警。
上述步骤中，计算滑动平均值后和超标判断方法如下：
一、计算出30s移动平均值；
二、计算出30s移动中值；
三、计算30s移动平均值时首先去除最大值与最小值，再计算移动平均值；
四、取三种方法判断结果的众数作为最终超标判断结果。
如下表2所示的超标判断结果示例，
表2超标判断方法结果表
Figure BDA0003787699620000131
从表1的结果可知，通过现有移动均值法获得结果为未超标，通过本发明优化后的判断方法，通过移动中值法、去除最值的移动均值法获得结果未超标，因此三种方案结合判定结果为超标。相对应现有计算方法，通过移动均值法、移动中值法、去除最值的移动均值法和多方案综合得出了一致的超标判断结果，弥补了移动均值法因个别数据过高导致的判断不准确的缺陷。
本实施例中，所采用的随机森林模型、GBDT模型和SVM模型、NNMF模型、PPCA模型和KNN模型、MovMedian模型、Linear模型、Pchip模型、Spline模型、Makima模型、多元线性回归模型、集成学习器、高斯过程回归模型和广义线性模型进行数据预测及修复的方法均属于现有技术应用，是本领域技术人员能够实现的技术手段，其具体原理和计算过程不再加以赘述。
目前对于重型柴油卡车超排判定的方法并没有从基于OBD数据修复这一角度出发，而本发明弥补了这一空白，针对现有的数据质量问题，提出了一种基于OBD数据修复的重型柴油卡车超排判定方法。由于原始发动机数据在统计时，各指标数据以及时间序列等方面存在大量的缺失，并且部分指标的数据出现异常情况，基于此，本发明针对现有的数据质量问题，提出了氮氧化物排放的超标判断体系及问题数据修复方法。氮氧化物排放的超标判断体系通过移动均值、移动中值、去除最值后的移动均值和多方案综合四种方法，排除了数据中因个别数值过高导致的超标判断不准确的问题。问题数据修复方法包括SCR输出值预测修复、插值修复、全变量数据补全修复、基于分类预测的超标判断修复；通过对缺失数据的预测、补全及对超标与否的状态预测的方法解决了原始数据的缺失问题，最终产出一套交通行业重型柴油卡车基于OBD数据修复的超排判定方法。
本发明与现有的年检制度相比的优点是，OBD的监测是连续不间断的，且判定结果的准确性高；在OBD检测到排放出现故障后，管理部门不仅能对驾驶员发出故障警告，还可以对其进行限制甚至惩罚，使用车排放监管更加方便、及时、有效。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下做出各种变化。

Claims (8)

1.一种基于OBD数据修复的重型柴油卡车超排判定方法，其特征在于，所述重型柴油卡车超排判定方法的步骤如下：
步骤一，对原始数据的质量进行评估，对现有的发动机原始数据从数据时间、数据来源、数据品类三个角度出发，统计分析数据缺失及异常情况；评估内容主要是统计各时间段下每辆车的各项指标数据是否完整以及是否有异常，用缺失率来反映数据完整情况，用负数率来反映异常情况；
缺失率＝缺失数据个数/数据总数；
负数率＝负值个数/数据总数；
原始数据包括发动机净输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量、SCR下游NOx传感器输出值、尿素液位共六项指标。
步骤二，进行指标相关性分析和筛选，通过对原始发动机数据中各项指标数据之间的相关性进行分析，将数据分为主要指标数据和其他指标数据，主要指标数据为SCR下游NOx传感器输出值，其他指标数据包括发动机净输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量和尿素液位；其他指标数据中划分出重要指标数据，重要指标数据设置为与SCR下游NOx传感器输出值相关性较强的发动机净输出扭矩、发动机转速、发动机燃料流量三项指标。
步骤三，针对数据质量问题进行针对性问题数据修复，问题数据修复方法包括超标值预测、SCR输出值预测、全变量数据补全和插值修复。
步骤四，氮氧化物浓度值超标判断，超标计算采用计算滑动平均值获得氮氧化物浓度值结果，对比超标数据及超标阈值，判断是够超标；计算滑动平均值包括移动均值、移动中值和去除最值的移动均值计算，通过多种方案综合获得最终判断结果。
步骤五：将上述方法应用于OBD排放检测过程中。
2.根据权利要求1所述的一种基于OBD数据修复的重型柴油卡车超排判定方法，其特征在于，所述问题数据修复和超标判断的具体过程如下：
S1、判断SCR下游NOx传感器输出值数据是否缺失，若否，则计算滑动平均值；若是，分为两部分：第一部分是基于插值的数据修复，后计算滑动平均值；第二部分是判断其他指标数据是否有缺失；
S2、若其他指标数据有缺失，再判断重要指标数据是否有整列缺失，若有整列缺失，进行基于矩阵补全的数据修复，后计算滑动平均值；若无整列缺失，进行基于回归预测技术的修复方法，后计算滑动平均值；
S3、若其他指标数据无缺失，分为两部分：第一部分是基于其他指标的超标值修复，采用基于超标值预测的修复方法，并判断预测得到的氮氧化物浓度是否超标；第二部分是基于其他指标修复SCR输出值数据，分为基于矩阵补全的数据修复和基于回归预测技术的修复方法，后计算滑动平均值；
S4、计算滑动平均值后，根据超标数据和超标阈值判断氮氧化物浓度是否超标，若超标，进行输出报警。
3.根据权利要求1或2所述的一种基于OBD数据修复的重型柴油卡车超排判定方法，其特征在于，所述超标判断方法的过程如下：
一、计算移动均值：计算出30s移动平均值；
二、计算移动中值：计算出30s移动中值；
三、计算去除最值的移动均值法：计算30s移动平均值时首先去除最大值与最小值，再计算移动平均值；
四、多方案综合：取三种方法判断结果的众数作为最终超标判断结果。
4.根据权利要求2所述的一种基于OBD数据修复的重型柴油卡车超排判定方法，其特征在于，所述基于插值的数据修复方法包括采用MovMedian模型、Linear模型、Pchip模型、Spline模型、Makima模型或KNN模型进行SCR输出值修复。
5.根据权利要求2所述的一种基于OBD数据修复的重型柴油卡车超排判定方法，其特征在于，所述基于矩阵补全的数据修复方法包括建立NNMF模型、PPCA模型或KNN模型进行SCR输出值修复。
6.根据权利要求2或5所述的一种基于OBD数据修复的重型柴油卡车超排判定方法，其特征在于，所述步骤S2中，当缺失率高于0.6或某指标数据完全缺失时，不采用矩阵补全的方法进行数据修复。
7.根据权利要求2所述的一种基于OBD数据修复的重型柴油卡车超排判定方法，其特征在于，所述SCR输出值预测以回归预测为总体思路对SCR输出值进行预测，并分为基于全部指标的SCR输出值预测和基于重要指标的SCR输出值预测两个修复方向；
所述步骤S2中，基于回归预测技术的修复方法采用基于重要指标的SCR输出值修复方法，基于重要指标的SCR输出值修复方法采用随机森林模型或GBDT模型预测SCR输出值；
所述步骤S3中，基于回归预测技术的修复方法采用基于全部指标的SCR输出值修复方法，基于全部指标的SCR输出值修复方法包括建立随机森林模型、GBDT模型、多元线性回归模型、集成学习器、高斯过程回归模型或广义线性模型预测SCR输出值。
8.根据权利要求2所述的一种基于OBD数据修复的重型柴油卡车超排判定方法，其特征在于，所述基于超标值预测的修复方法通过采用随机森林、GBDT和SVM三种分类预测模型通过各指标数据预测氮氧化物浓度超标情况，并取三种预测方法结果的众数值作为最终预测结果。
CN202210952897.2A 2022-08-09 2022-08-09 一种基于obd数据修复的重型柴油卡车超排判定方法 Pending CN115392116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210952897.2A CN115392116A (zh) 2022-08-09 2022-08-09 一种基于obd数据修复的重型柴油卡车超排判定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210952897.2A CN115392116A (zh) 2022-08-09 2022-08-09 一种基于obd数据修复的重型柴油卡车超排判定方法

Publications (1)

Publication Number Publication Date
CN115392116A true CN115392116A (zh) 2022-11-25

Family

ID=84118597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210952897.2A Pending CN115392116A (zh) 2022-08-09 2022-08-09 一种基于obd数据修复的重型柴油卡车超排判定方法

Country Status (1)

Country Link
CN (1) CN115392116A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992240A (zh) * 2023-09-26 2023-11-03 中汽研汽车检验中心（天津）有限公司 一种车辆排放远程评估方法、设备和存储介质
CN117235453A (zh) * 2023-11-09 2023-12-15 天津大学 基于机器学习的重型柴油车远程监控数据修复方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992240A (zh) * 2023-09-26 2023-11-03 中汽研汽车检验中心（天津）有限公司 一种车辆排放远程评估方法、设备和存储介质
CN116992240B (zh) * 2023-09-26 2024-01-02 中汽研汽车检验中心（天津）有限公司 一种车辆排放远程评估方法、设备和存储介质
CN117235453A (zh) * 2023-11-09 2023-12-15 天津大学 基于机器学习的重型柴油车远程监控数据修复方法及系统
CN117235453B (zh) * 2023-11-09 2024-01-26 天津大学 基于机器学习的重型柴油车远程监控数据修复方法及系统

Similar Documents

Publication Publication Date Title
CN115392116A (zh) 一种基于obd数据修复的重型柴油卡车超排判定方法
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
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
CN112964476B (zh) 一种重型柴油车实际道路颗粒物排放在线预测方法
CN110826772A (zh) 车辆尾气排放预测方法、装置、设备及存储介质
CN104074580A (zh) 对大气污染物中由汽车尾气排放产生的污染物的监控系统及方法
CN110863890A (zh) 一种远程诊断柴油车scr系统尿素消耗量合理性的方法
CN111157049A (zh) 一种柴油车scr后处理器老化性能快速评价系统及方法
CN111340280A (zh) 污染物排放量的监测与防控系统、方法、装置及介质
CN114991922A (zh) 一种车辆NOx排放超标的实时预警方法
CN112983608A (zh) 颗粒捕集器碳载量计算方法、系统、控制器和存储介质
CN116558834A (zh) Pems排放分析方法、装置、计算机设备和存储介质
CN112486962A (zh) 一种提取组合短片段计算重型柴油车NOx排放的方法
CN112819217A (zh) 移动源污染排放主要影响因素预测方法、系统及存储介质
CN115238651A (zh) 一种ecu数据分析nox排放值的方法
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
CN113295826A (zh) 一种基于车联网的机动车尾气排放测试管理系统及智能诊断方法
US11561212B1 (en) Method for determining NOx sensor data falsification based on remote emission monitoring
CN116090636A (zh) 一种scr转换效率低的预测方法和系统
CN113741196B (zh) 一种基于车联网大数据的dpf再生周期控制优化方法
US11339703B2 (en) Engine emission prediction system
CN117235453B (zh) 基于机器学习的重型柴油车远程监控数据修复方法及系统
CN115796720A (zh) 重型车排放评价方法及存储介质
LU502777B1 (en) Intelligent diagnosis and treatment method and system for tail gas of motor vehicle
CN110907190B (zh) 一种obd远程在线监控数据质量的判定方法

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