[发明专利]一种重型柴油车实际道路颗粒物排放在线预测方法

说明书

本发明提供了一种重型柴油车实际道路颗粒物排放在线预测方法，包括以下步骤；S1、进行车载PEMS测试，获取测试数据；S2、对数据进行清洗，并选取特征参数；S3、对选取的特征参数进行处理，进行预测模型训练，得到基于神经网络的颗粒物预测模型；S4、获取车辆实际运行时颗粒物排放数据，导入至预测模型，获取颗粒物排放预测结果。本发明所述的重型柴油车实际道路颗粒物排放在线预测方法该方法不需要增加额外的传感器等硬件，不增加车辆成本，基于试验数据训练的神经网络能够进行各种行驶工况下的颗粒物排放预测。

技术领域

本发明属于机动车颗粒物排放预测技术领域，尤其是涉及一种重型柴油车实际道路颗粒物排放在线预测方法。

背景技术

当前，国内外机动车排放测试主要实验室台架测试法、车载测试法等两种方法。

实验室台架测试是当前最为准确的机动车污染物排放测试方法，也是最为常用的测试方法之一。台架测试法是指在实验室环境条件下利用底盘测功机或发动机测功机模拟设计的测试工况(如欧洲轻型汽车NEDC工况、美国轻型汽车FTP75工况等)，通过排放分析系统对污染物排放进行测试。车辆尾气经过全流稀释进入到定容采样系统中，随后再用气体和颗粒物分析仪器同步测试，由测试系统收集的不同行驶阶段的污染物，结果传输到中控系统计算机上进行分析计算。但是实验室台架测试法在实际应用中仍具有一定的局限性，台架测试的主要缺点是实验室中法规测试工况不能完全反映车辆在实际道路工况下的排放水平，也无法全面考虑驾驶行为、交通条件、道路等级、天气等因素对排放的影响。

相对于台架测试方法，车载排放测试方法能够更准确地反映实际道路机动车的排放特征，因此也成为了国内外进行机动车排放研究的主要测试手段。车载排放测试方法主要是将便携式车载测试系统(Portable Emission Measurement System，PEMS)直接安装在被测机动车内，逐秒采集机动车在实际道路行驶过程中的行驶特征参数和污染物排放速率。PEMS法既摆脱了实验室内难以全面反映实际道路上行驶工况的缺陷，又没有隧道法的隧道行驶模式、遥感定点、瞬时工况点尾气收集数据的局限性。通过对所获得的瞬时排放数据以及GPS数据进行处理的结果，形成对被测车辆排放水平的评估。这种技术的应用可以保证测试的精度和可靠性，但测试比较复杂。

通过PEMS测试的车辆实际道路排放，包含有瞬态排放性能与实际运行参数(如车速、加速度等)、环境条件(温度、海拔)、交通状态数据(交通、信号灯协调)等诸多相关参数的关联性。然而，现阶段PEMS在实际道路排放测试中的缺点也相对凸显，如测试复杂、限于单车、测试工作量大等不足。

随着实际道路工况下排放与实验室测试结果差异的日益增大，其检测和监管方法已由实验室测试逐步转向实际道路运行测试，因此高效、准haode确、便捷地获得重型柴油车在实际道路工况下的污染物排放(特别是颗粒物排放)成为必须解决的关键问题，对改善城市环境空气质量、降低能源消耗具有重要意义。

国内外研究主要通过车载诊断系统(OBD)连接到汽车CAN总线上，解析ISO15765、SAE1939协议中规定的汽车传感器数据，包括：发动机转速、冷却液温度、车辆速度、电压、进气歧管压力、进气温度、空气流速、节气门位置、氧传感器电压、燃油压力等。借助车辆自身的传感器(NOx传感器、氧传感器、温度传感器等)，远程监测法也可以获得与PEMS法相同的车辆实际道路逐秒的工况与排放数据。

但是在实际应用中，车用颗粒物传感器产品技术尚不成熟和广泛应用，无法通过OBD采集颗粒物排放相关数据，因此研究采用神经网络预测方式获得实际道路工况下颗粒物排放。BP神经网络是一种多层神经网络学习方法，其主要特点是将信号向前传递，而使误差向后传播，通过不断调整网络权重值，使得网络的最终输出与期望输出尽可能接近，以达到训练的目的，获得重型柴油车在实际道路工况下颗粒物排放预测模型。

发明内容

有鉴于此，本发明提供了一种基于神经网络模型的重型柴油车实际道路颗粒物排放在线预测方法。