CN117235453A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117235453A CN117235453A CN202311482572.3A CN202311482572A CN117235453A CN 117235453 A CN117235453 A CN 117235453A CN 202311482572 A CN202311482572 A CN 202311482572A CN 117235453 A CN117235453 A CN 117235453A
- Authority
- CN
- China
- Prior art keywords
- remote monitoring
- monitoring data
- data
- nox emission
- dew point
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 131
- 238000010801 machine learning Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 239000002826 coolant Substances 0.000 claims description 11
- 239000000446 fuel Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000005067 remediation Methods 0.000 claims 4
- 230000007547 defect Effects 0.000 abstract description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 133
- 230000008439 repair process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007423 decrease Effects 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- BUCXEFZXWKUCCY-UHFFFAOYSA-N 4-methyl-3-(2-phenylethyl)-1,2,4-oxadiazol-5-one Chemical compound O1C(=O)N(C)C(CCC=2C=CC=CC=2)=N1 BUCXEFZXWKUCCY-UHFFFAOYSA-N 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002229 photoelectron microspectroscopy Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明提供一种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，包括，获取连续的重型柴油车的远程监控数据；筛选露点保护期间的NOx排放浓度，并根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征；从正常数据中筛选出含有数据特征的第二远程监控数据；将筛选出的第二远程监控数据输入构建的基于机器学习的NOx排放预测模型中，对NOx排放预测模型进行训练；将所述第一远程监控数据输入训练好的NOx排放预测模型中，得到的预测值，即为露点保护期间的NOx排放浓度；本发明提高了远程监控数据的利用率，弥补了NOx传感器的缺陷，对于未来重型车的排放监管至关重要。
Description
技术领域
本发明涉及数据修复技术领域，尤其涉及一种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。
背景技术
由于柴油车具有燃烧效率高、动力强的优势，成为公路货运和客运的主要运输工具。由于我国货物运输严重依赖公路，柴油车成为机动车排放的主要贡献者，尤其是氮氧化物（NOx）和颗粒物（PM），在机动车总排放量中占有较高的比例。虽然近几年的排放法规不断加严，但在用车的NOx排放监控仍是行业内的难题之一，现阶段国家颁布的相关标准中对柴油车远程监控平台提出明确要求，从6b阶段开始，生产企业应保证车辆在全寿命期内，要求进行排放数据发送，由生态环境主管部门和生产企业进行接收，从而实现了重型车辆的远程排放监控。通过远程排放监控，可有效服务于重型车排放监测、超标预警和精准定位，极大提高生态环境主管部门对重型车排放监管的效率，重型车排放远程监控将是未来重型车污染物排放最重要的监管手段。
然而，目前的远程监控数据质量较差，还有很大的改进空间。尤其是重型车的NOx排放数据主要来源于车载NOx传感器，为了防止NOx传感器在工作时因为露水造成电路短路和传感器损坏，车辆每次启动后一段时间内，NOx传感器要先经过自加热消除露水，即露点保护过程，这个过程最少要持续几分钟的时间。露点保护过程中，NOx传感器无法正常工作，测量值为假值。因此，远程监控数据中有相当一部分数据会因为露点保护过程缺少了关键的NOx排放值，成为无效的监控数据。此外，露点保护往往发生在冷启动后后处理还未充分暖机的情况下，此时的NOx排放相当高。从欧七排放标准的草案可以看出，在未来重型车的排放监控中，冷启动期间的排放将得到重点关注。因此，露点保护期间的数据修复十分有必要。
发明内容
因此，本发明的目的在于提供一种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，通过提取露点保护期的数据特征，通过机器学习的方式实现数据的自修复，能够修复车辆冷启动期间的数据，弥补了NOx传感器的缺陷，大幅提高了远程监控数据的利用率，对于未来重型车的排放监管至关重要。
为了实现上述目的，本发明一方面实施例提供的基于机器学习的重型柴油车远程监控数据修复方法，包括如下步骤：
S1、获取连续的重型柴油车的远程监控数据，并从远程监控数据中提取NOx排放浓度；
S2、筛选露点保护期间的NOx排放浓度，并根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征；
S3、从获取的远程监控数据中提取除露点保护期之外的正常数据，从正常数据中筛选出含有所述数据特征的第二远程监控数据；
S4、将筛选出的第二远程监控数据输入构建的基于机器学习的NOx排放预测模型中，将所述第二远程监控数据对应的NOx排放浓度作为输出值，对NOx排放预测模型进行训练；
S5、将所述第一远程监控数据输入训练好的NOx排放预测模型中，将得到的预测值，作为露点保护期间的NOx排放浓度。
进一步优选的，所述远程监控数据还包括发动机转速、燃油流量、车速、发动机输出扭矩、进气流量、发动机冷却液温度、SCR入口温度、SCR出口温度。
进一步优选的，所述根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征包括如下过程：
对获取的NOx排放浓度，进行滑动窗口检测，当检测到连续定值时，判断此时的检测时间为露点保护时段；
根据露点保护时段的起止时间，按照数值变化幅度超过60%对远程监控数据进行过滤；得到第一远程监控数据的数据特征。
进一步优选的，还包括对得到的第一远程监控数据的数据特征进行清洗，包括按照90%分位的原则划分清洗线；将每项第一远程监控数据的数据特征中，数值最高的10%进行滤除。
本发明还提供一种基于机器学习的重型柴油车远程监控数据修复系统，包括：
数据获取模块，获取连续的重型柴油车的远程监控数据，从远程监控数据中提取NOx排放浓度；
数据处理模块，筛选露点保护期间的NOx排放浓度，并根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征；从获取的远程监控数据中提取除露点保护期之外的正常数据，从正常数据中筛选出含有所述数据特征的第二远程监控数据；
NOx排放预测模型，用于将筛选出的第二远程监控数据输入构建的基于机器学习的NOx排放预测模型中，将所述第二远程监控数据对应的NOx排放浓度作为输出值，对NOx排放预测模型进行训练；将所述第一远程监控数据输入训练好的NOx排放预测模型中，将得到的预测值，作为露点保护期间的NOx排放浓度。
进一步优选的，所述远程监控数据还包括发动机转速、燃油流量、车速、发动机输出扭矩、进气流量、发动机冷却液温度、SCR入口温度、SCR出口温度。
进一步优选的，所述数据处理模块，根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征包括如下过程：
对获取的NOx排放浓度，进行滑动窗口检测，当检测到连续定值时，判断此时的检测时间为露点保护时段；
根据露点保护时段的起止时间，按照数值变化幅度超过60%对远程监控数据进行过滤；得到第一远程监控数据的数据特征。
本发明还有提供一种电子设备，包括处理器和存储器，所述存储器用于存储计算机程序指令，所述处理器用于执行存储器存储的计算机程序指令，当执行程序指令时，实现如上述基于机器学习的重型柴油车远程监控数据修复方法的步骤。
本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被执行时实现如上述基于机器学习的重型柴油车远程监控数据修复方法的步骤。
本申请公开的基于机器学习的重型柴油车远程监控数据修复方法，相比于现有技术至少具有以下优点：
本申请能够有效地修复露点保护期间缺失的NOx浓度值，尤其能够修复车辆冷启动期间的数据，弥补了NOx传感器的缺陷，大幅提高了远程监控数据的利用率，对于未来重型车的排放监管至关重要。
本发明的数据修复方法仅利用车联网产生的大数据作为基础数据，不需要增加额外的测试设备，也不需要进行额外的试验，通过机器学习的方式实现数据的自修复，适合普遍推广和应用。
附图说明
图1为本申请基于机器学习的重型柴油车远程监控数据修复方法的流程图；
图2为本申请基于机器学习的重型柴油车远程监控数据修复系统的结构图；
图3为某测试车辆的远程监控数据中露点保护数据的修复效果图；
图4为图3中A部分的数据的修复效果放大图。
具体实施方式
以下通过附图和具体实施方式对本发明作进一步的详细说明。
如图1所示，本发明一方面实施例提供的一种基于机器学习的重型柴油车远程监控数据修复方法，包括以下步骤：
S1、获取连续的重型柴油车的远程监控数据，从远程监控数据中提取NOx排放浓度； 远程监控数据还包括发动机转速、燃油流量、车速、发动机输出扭矩、进气流量、发动机冷却液温度、SCR入口温度、SCR出口温度。
需要说明的是，根据GB17691-2018要求，重型柴油车的远程监控数据流包括车速、大气压力、发动机输出扭矩、摩擦扭矩、发动机转速、发动机燃料流量、SCR上游NOx传感器输出值、SCR下游NOx传感器输出值、反应剂余量、进气量、SCR入口温度、SCR出口温度、DPF压差、发动机冷却液温度、油箱液位、经度、纬度、累计里程等，目前远程监控数据的主要问题有数据丢包（导致数据不连续）、数据错误（超过法规要求的限值）、数据重复等，这些问题可能影响机器学习的效果，因此，远程监控数据在使用前要进行预处理，舍弃不连续、错误（NOx传感器输出值除外）和重复的数据，提高数据质量。
S2、筛选露点保护期间的NOx排放浓度，并根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征；
由于露点保护期间NOx传感器输出值一般为相同的假值，因此根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征包括如下过程：
对获取的NOx排放浓度，进行滑动窗口检测，当检测到连续定值时，判断此时的检测时间为露点保护时段；此时连续的定值可以视为露点保护期间NOx传感器输出的假值；
根据露点保护时段的起止时间，按照数值变化幅度超过60%对远程监控数据进行过滤；得到第一远程监控数据的数据特征。即如果远程监控数据中某一项或多项数据相比于其他时间段，出现幅度突然下降，比如车辆启动后在露点保护时段出现了远程监控数据中几项数据幅值降低，例如：车速降低、发动机冷却液温度降低、SCR入口和出口温度降低；并且在露点保护时段结束后，恢复到较高的水平，则此时将车速、发动机冷却液温度、SCR入口和出口温度等作为第一远程监控数据的数据特征；另外，还可以通过判断远程监控数据中每项数据在相同时间内的变化梯度进行判断，例如某几项数据，在单位时间的数值变化幅度超过60%，例如车速突然降低为最高车速的40%、发动机冷却液温度、SCR入口和出口温度降低为各自最高值的40%以下等，则此时将车速、发动机冷却液温度、SCR入口和出口温度等作为第一远程监控数据的数据特征。
为了排除少数案例对整体特征的干扰，进一步优选的，还包括对得到的第一远程监控数据的数据特征进行清洗，包括按照90%分位的原则划分清洗线；将每项第一远程监控数据的数据特征中，数值最高的10%进行滤除。即每项特征数值最高的10%不做统计。比如，露点保护数据中90%的数据车速处于0 ~ 30 km/h之间，10%的数据车速处于30 ~75 km/h之间，按照“90%分位”原则，露点保护数据的车速特征为0 ~ 30 km/h，排除了最高的10%数据的影响。
S3、从获取的远程监控数据中提取除露点保护期之外的正常数据，从正常数据中筛选出含有所述数据特征的第二远程监控数据；由于露点保护期间NOx浓度测量值为假值，不能用于确定其它参数与NOx浓度的关系，因此，训练模型的数据仅选择NOx正常工作时的测量值。
S4、将筛选出的第二远程监控数据输入构建的基于机器学习的NOx排放预测模型中，将所述第二远程监控数据对应的NOx排放浓度作为输出值，对NOx排放预测模型进行训练；比如，车速、发动机转速、发动机输出扭矩、燃油流量、进气流量、SCR入口温度等）及这些数据项的增长率（即每个数据项当前数值比前一秒数值的增长率），输出参数为NOx浓度。利用机器学习的方式（预测算法常见但不限于有神经网络、随机森林、线性回归、循环神经网络等）训练模型，得到输入参数与输出参数的关系模型。
例如，采用神经网络时神经网络算法由输入层、隐藏层和输出层构成，输入层含有9个神经元，分别对应发动机转速、发动机转速增长值、燃油流量、燃油量增长值、车速、发动机输出扭矩等9个数据项；隐藏层采用一层结构，神经元数量不低于输入层神经元数量，比如30个；输出层只有一个神经元，即NOx浓度的预测值。通过数据训练，得到了输入层和输出层之间的关系，即预测模型，便可以用于预测PEMS测试路谱中输入值对应的NOx排放预测值。
S5、将所述第一远程监控数据输入训练好的NOx排放预测模型中，将得到的预测值，作为露点保护期间的NOx排放浓度。实现了将无效数据变成有效数据，达到数据修复的目的。模型预测可以向内进行，也可以向外进行。向内预测是指模型训练和模型修复的数据处于相同的时间段内，比如利用一个月内的数据训练模型，然后修复同一个月内的数据；向外预测是指模型训练和模型修复的数据处于不同的时间段内，比如，利用一个月内的数据训练模型。然后修复下个月内的数据。需要说明的是，无论向内预测还是向外预测，都要保证训练集的数据量要尽量大（推荐一个月以上的数据量），以保证模型的学习效果。
本发明还提供一种基于机器学习的重型柴油车远程监控数据修复系统，用于实现上述基于机器学习的重型柴油车远程监控数据修复方法的所有步骤，包括：
数据获取模块，获取连续的重型柴油车的远程监控数据，从远程监控数据中提取NOx排放浓度；
数据处理模块，筛选露点保护期间的NOx排放浓度，并根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征；从获取的远程监控数据中提取除露点保护期之外的正常数据，从正常数据中筛选出含有所述数据特征的第二远程监控数据；
NOx排放预测模型，用于将筛选出的第二远程监控数据输入构建的基于机器学习的NOx排放预测模型中，将所述第二远程监控数据对应的NOx排放浓度作为输出值，对NOx排放预测模型进行训练；将所述第一远程监控数据输入训练好的NOx排放预测模型中，将得到的预测值，作为露点保护期间的NOx排放浓度。
进一步优选的，所述远程监控数据包括发动机转速、燃油流量、车速、发动机输出扭矩、进气流量、发动机冷却液温度、SCR入口温度、SCR出口温度。
进一步优选的，所述数据处理模块，根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征包括如下过程：
对获取的NOx排放浓度，进行滑动窗口检测，当检测到连续定值时，判断此时的检测时间为露点保护时段；
根据露点保护时段的起止时间，按照数值变化幅度超过60%对远程监控数据进行过滤；得到第一远程监控数据的数据特征。
图3和图4为某测试车辆的远程监控数据中露点保护数据的修复效果。本例采用了向外预测的方式，图3为在检测过程中任意选取A部分的数据，在图4中可以看出A部分数据的模型预测值和传感器测量值具有很高的吻合度，证明了本方法的有效性。
本发明还有提供一种电子设备，包括处理器和存储器，所述存储器用于存储计算机程序指令，所述处理器用于执行存储器存储的计算机程序指令，当执行程序指令时，实现如上述基于机器学习的重型柴油车远程监控数据修复方法的步骤。
本发明还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被执行时实现如上述基于机器学习的重型柴油车远程监控数据修复方法的步骤。
显然，上述实施例仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (9)
1.一种基于机器学习的重型柴油车远程监控数据修复方法，包括如下步骤：
S1、获取连续的重型柴油车的远程监控数据，从远程监控数据提取NOx排放浓度；
S2、筛选露点保护期间的NOx排放浓度，并根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征；
S3、从获取的远程监控数据中提取除露点保护期之外的正常数据，从正常数据中筛选出含有所述数据特征的第二远程监控数据；
S4、将筛选出的第二远程监控数据输入构建的基于机器学习的NOx排放预测模型中，将所述第二远程监控数据对应的NOx排放浓度作为输出值，对NOx排放预测模型进行训练；
S5、将所述第一远程监控数据输入训练好的NOx排放预测模型中，将得到的预测值，作为露点保护期间的NOx排放浓度。
2.根据权利要求1所述的基于机器学习的重型柴油车远程监控数据修复方法，其特征在于，所述远程监控数据还包括发动机转速、燃油流量、车速、发动机输出扭矩、进气流量、发动机冷却液温度、SCR入口温度、SCR出口温度。
3.根据权利要求2所述的基于机器学习的重型柴油车远程监控数据修复方法，其特征在于，所述根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征包括如下过程：
对获取的NOx排放浓度，进行滑动窗口检测，当检测到连续定值时，判断此时的检测时间为露点保护时段；
根据露点保护时段的起止时间，按照数值变化幅度超过60%对远程监控数据进行过滤，得到第一远程监控数据的数据特征。
4.根据权利要求3所述的基于机器学习的重型柴油车远程监控数据修复方法，其特征在于，还包括对得到的第一远程监控数据的数据特征进行清洗，包括按照90%分位的原则划分清洗线；将每项第一远程监控数据的数据特征中，数值最高的10%的数据进行滤除。
5.一种基于机器学习的重型柴油车远程监控数据修复系统，其特征在于，包括：
数据获取模块，获取连续的重型柴油车的远程监控数据，并从远程监控数据中提取NOx排放浓度；
数据处理模块，筛选露点保护期间的NOx排放浓度，并根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征；从获取的远程监控数据中提取除露点保护期之外的正常数据，从正常数据中筛选出含有所述数据特征的第二远程监控数据；
NOx排放预测模型，用于将筛选出的第二远程监控数据输入构建的基于机器学习的NOx排放预测模型中，将所述第二远程监控数据对应的NOx排放浓度作为输出值，对NOx排放预测模型进行训练；将所述第一远程监控数据输入训练好的NOx排放预测模型中，将得到的预测值，作为露点保护期间的NOx排放浓度。
6.根据权利要求5所述的基于机器学习的重型柴油车远程监控数据修复系统，其特征在于，所述远程监控数据还包括发动机转速、燃油流量、车速、发动机输出扭矩、进气流量、发动机冷却液温度、SCR入口温度、SCR出口温度。
7.根据权利要求5所述的基于机器学习的重型柴油车远程监控数据修复系统，其特征在于，所述数据处理模块，根据NOx排放浓度提取露点保护期间第一远程监控数据的数据特征包括如下过程：
对获取的NOx排放浓度，进行滑动窗口检测，当检测到连续定值时，判断此时的检测时间为露点保护时段；
根据露点保护时段的起止时间，按照数值变化幅度超过60%对远程监控数据进行过滤；得到第一远程监控数据的数据特征。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序指令，所述处理器用于执行存储器存储的计算机程序指令，当执行程序指令时，实现如权利要求1-4中任一项所述基于机器学习的重型柴油车远程监控数据修复方法的步骤。
9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至4中任一项所述基于机器学习的重型柴油车远程监控数据修复方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311482572.3A CN117235453B (zh) | 2023-11-09 | 2023-11-09 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311482572.3A CN117235453B (zh) | 2023-11-09 | 2023-11-09 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117235453A true CN117235453A (zh) | 2023-12-15 |
| CN117235453B CN117235453B (zh) | 2024-01-26 |
Family
ID=89095030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311482572.3A Active CN117235453B (zh) | 2023-11-09 | 2023-11-09 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117235453B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108150300A (zh) * | 2017-12-21 | 2018-06-12 | 潍柴动力股份有限公司 | 一种柴油机NOx原排模型值的修正方法及装置 |
| CN109441602A (zh) * | 2018-12-18 | 2019-03-08 | 东风商用车有限公司 | 一种准确测量NOx传感器露点温度的设备及其测量方法 |
| CN112964476A (zh) * | 2020-12-25 | 2021-06-15 | 中汽研汽车检验中心（天津）有限公司 | 一种重型柴油车实际道路颗粒物排放在线预测方法 |
| CN113107656A (zh) * | 2021-04-30 | 2021-07-13 | 东风商用车有限公司 | 一种Nox传感器的露点通过识别方法 |
| CN114048639A (zh) * | 2022-01-13 | 2022-02-15 | 天津大学 | 利用网传数据监控在用车辆NOx排放的数据处理方法 |
| CN114151180A (zh) * | 2021-12-10 | 2022-03-08 | 潍柴动力股份有限公司 | 柴油机的NOx排放量获取方法与装置、汽车和存储介质 |
| CN114662060A (zh) * | 2022-05-26 | 2022-06-24 | 中汽研汽车检验中心（天津）有限公司 | 基于机器学习的车载氮氧化物传感器浓度测量值修正方法 |
| CN115392116A (zh) * | 2022-08-09 | 2022-11-25 | 北京交通发展研究院 | 一种基于obd数据修复的重型柴油卡车超排判定方法 |
| CN115719134A (zh) * | 2022-10-14 | 2023-02-28 | 天津大学 | 一种利用车辆远程排放监控数据识别黑加油站点的方法 |
| CN115788636A (zh) * | 2022-10-14 | 2023-03-14 | 天津大学 | 一种基于NOx传感器数值的柴油机尿燃比计算方法 |
| CN116255234A (zh) * | 2023-03-17 | 2023-06-13 | 天津大学 | 利用远程排放管理终端数据监控在用车scr效率的方法 |
| CN116771477A (zh) * | 2023-06-20 | 2023-09-19 | 中国环境科学研究院环境技术工程有限公司 | 一种重型柴油车NOx排放统计方法及系统 |
-
2023
- 2023-11-09 CN CN202311482572.3A patent/CN117235453B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108150300A (zh) * | 2017-12-21 | 2018-06-12 | 潍柴动力股份有限公司 | 一种柴油机NOx原排模型值的修正方法及装置 |
| CN109441602A (zh) * | 2018-12-18 | 2019-03-08 | 东风商用车有限公司 | 一种准确测量NOx传感器露点温度的设备及其测量方法 |
| CN112964476A (zh) * | 2020-12-25 | 2021-06-15 | 中汽研汽车检验中心（天津）有限公司 | 一种重型柴油车实际道路颗粒物排放在线预测方法 |
| CN113107656A (zh) * | 2021-04-30 | 2021-07-13 | 东风商用车有限公司 | 一种Nox传感器的露点通过识别方法 |
| CN114151180A (zh) * | 2021-12-10 | 2022-03-08 | 潍柴动力股份有限公司 | 柴油机的NOx排放量获取方法与装置、汽车和存储介质 |
| CN114048639A (zh) * | 2022-01-13 | 2022-02-15 | 天津大学 | 利用网传数据监控在用车辆NOx排放的数据处理方法 |
| CN114662060A (zh) * | 2022-05-26 | 2022-06-24 | 中汽研汽车检验中心（天津）有限公司 | 基于机器学习的车载氮氧化物传感器浓度测量值修正方法 |
| CN115392116A (zh) * | 2022-08-09 | 2022-11-25 | 北京交通发展研究院 | 一种基于obd数据修复的重型柴油卡车超排判定方法 |
| CN115719134A (zh) * | 2022-10-14 | 2023-02-28 | 天津大学 | 一种利用车辆远程排放监控数据识别黑加油站点的方法 |
| CN115788636A (zh) * | 2022-10-14 | 2023-03-14 | 天津大学 | 一种基于NOx传感器数值的柴油机尿燃比计算方法 |
| CN116255234A (zh) * | 2023-03-17 | 2023-06-13 | 天津大学 | 利用远程排放管理终端数据监控在用车scr效率的方法 |
| CN116771477A (zh) * | 2023-06-20 | 2023-09-19 | 中国环境科学研究院环境技术工程有限公司 | 一种重型柴油车NOx排放统计方法及系统 |
Non-Patent Citations (8)
| Title |
|---|
| CHUNLING WU等: "Insights into the Fusion Correction Algorithm for On-Board NOx Sensor Measurement Results from Heavy-Duty Diesel Vehicles", 《MDPI》, pages 1 - 19 * |
| CHUNTAO LIU等: "Novel insights into the NOx emissions characteristics in PEMS tests of a heavy-duty vehicle under different payloads", 《JOURNAL OF ENVIRONMENTAL MANAGEMENT》, pages 1 - 11 * |
| RUI HU等: "The NOx emission characteristics of gasoline vehicles during transient drivingcycles", 《TRANSPORTATION RESEARCH PART D》, pages 1 - 12 * |
| 吴春玲等: "基于车载远程监控的重型柴油车NOx排放评估方法研究", 《环境监测管理与技术》, pages 49 - 52 * |
| 吴春玲等: "重型柴油城市车辆实际道路冷启动排放特性研究", 《汽车实用技术》, pages 148 - 156 * |
| 李旭等: "基于实际道路测试的重型柴油车排放评估方法研究", 《环境污染与防治》, pages 1380 - 1386 * |
| 王威等: "基于机器学习的柴油机性能预测", 《汽车实用技术》, pages 123 - 129 * |
| 王膺博等: "基于组合神经网络的汽油机NOx排放预测及特征选取", 《中南大学学报(自然科学版)》, pages 2102 - 2110 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117235453B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10109118B2 (en) | Method for monitoring the operation of a sensor | |
| EP3140524A1 (en) | Method and system for monitoring of a physical quantity related to a particulate mass in at least one exhaust pipe | |
| CN115392116A (zh) | 一种基于obd数据修复的重型柴油卡车超排判定方法 | |
| CN116558834A (zh) | Pems排放分析方法、装置、计算机设备和存储介质 | |
| CN114991922A (zh) | 一种车辆NOx排放超标的实时预警方法 | |
| CN115238651A (zh) | 一种ecu数据分析nox排放值的方法 | |
| 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 | |
| WO2018214788A1 (zh) | 一种大数据保持汽车尾气排放合格的方法和系统 | |
| CN117171921A (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 | |
| US6684629B2 (en) | Method for checking the conversion capacity of a catalytic element for converting ozone | |
| US11561212B1 (en) | Method for determining NOx sensor data falsification based on remote emission monitoring | |
| CN112394040A (zh) | 一种机动车排污监管系统及方法 | |
| Sappok et al. | Continuous Particulate Filter State of Health Monitoring Using Radio Frequency Sensing | |
| US7712357B2 (en) | Method and system for rough road indications for misfire detection | |
| CN117056333B (zh) | 远程在线评估重型车净化装置的净化效率的方法及装置 | |
| CN118148757A (zh) | 尿素质量检测方法、装置、计算机设备及存储介质 | |
| CN113686585B (zh) | 车辆排放物监测方法、装置、计算机设备和存储介质 | |
| CN115420859A (zh) | 车辆氮氧化物排放检测方法、装置和计算机设备 | |
| CN114622974B (zh) | 一种机动车尾气智能检测诊断系统及方法 | |
| EP2310647B1 (fr) | Procede de diagnostic des defaillances d'un filtre d'une ligne d'echappement des gaz d'un moteur a combustion interne | |
| CN117514431A (zh) | Dpf故障诊断方法、装置、终端设备以及存储介质 | |
| CN117347074A (zh) | 免检车辆的确定方法、装置、计算机设备及可读存储介质 | |
| CN114720140A (zh) | 一种机动车尾气智能诊断及治理方法及系统 | |
| CN116557120A (zh) | 基于车辆比功率的柴油车scr系统运行状态远程在线判定方法 | |
| CN116911660A (zh) | 一种基于车联网大数据的柴油车管控方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |