基于便携式排放测试系统与 神经网络的大型客车排放预测
【摘要】以大型客车为研究对象,在长沙市的不同道路工况下进行了车载排放测试,借助道路测试得到的数据,利用神经网络,以逐秒的速度、加速度、比功率和油耗数据为输入,建立 、 和 的排放预测模型,并用部分试验数据进行了验证。结果表明, 、 和 预测结果的总体相关系数 为 线性高度相关,在整体误差水平上, 、 和排放因子的相对误差分别为 、 、 该模型对大型客车尾气排放的预测效果较好。
0~50 km/h, 50~75 km/h,
度要求(城区道路 郊区道路 高
75~100 km/h),
速道路 本文有针对性地挑选了与之逐一
2
匹配的路线,如图 所示。
2.3数据收集及预处理
道路试验过程中,测试车辆在不同道路工况下正常
OBS-2200 1 Hz
行驶, 按照 的频率对各种污染物浓度数
GPS
据进行逐一采集、测量和记录。整合了 接收模块的
OBS-2200
还能够收集大型客车在行驶过程中的地理位置相关信息,包括车速、海拔高度和经纬度。
PEMS
由于不同的原因,在 实时采集和记录数据过程中,难免出现数据坏点或更严重的成段数据异常等状况,严重影响计算分析结果,需对其进行甄别,并加以修正或剔除。针对这些数据的预处理主要有车速修
3正、延迟时间修正[11]和数据质量控制 个步骤。例如:首先,通过行驶工况跟踪仪测得的车速对由于信号接
GPS
收不良导致 记录出错的数据进行核正,解决车速
PEMS
数据“冻滞”问题;然后,保证 设备收集的车辆排放特征数据与行驶工况数据时间同步;最后,对数据进行质量控制,包括缺失值插值处理和突变值平滑等,确保数据精度。
3 测试结果与分析3.1 大型客车的VSP公式推导
VSP 1t
被定义为机动车发动机每移动 质量(含自重)所输出的功率。比功率考虑了机动车发动机为车辆的动能和势能变化提供所需要的能量,以及发动机克服车轮旋转阻力和空气动力学阻力做功,以及内摩擦阻力造成传动系统的机械损失等因素,往往既能反映车辆的行驶特征,又与车辆的油耗排放状况紧密相关。本文依
Andrei[ VSP
据 12]给出的大型柴油客车的 计算公式,再结合汽车理论常用功率的定义推导适合本文研究对象的比功率VH计算公式:
VH = v( a + gs + gR)+ 21
CA ρa v3 mk 1) (
3 VSP
由图 可知:不同道路工况下,大型客车 都
- 20~20 kW/t VSP
在 范围内,而且其 区间范围随道路工
3
况复杂程度的加深而收缩;在 种道路工况下,大型客
VSP
车的 区间分布均有集中的现象,且道路工况越复杂
VSP 0
时越明显,城区工况下,峰值出现在 划分代号为的区间内,其峰值明显随道路工况复杂性的加深而逐渐向比功率大的区间偏移。
3.3大型客车随VSP变化的排放规律
1)
由式( 计算得到的 VH与其尾气污染物( CO
和
NOx) CO2
逐一对应。同样,大型客车发动机产生的 也与其比功率密切相关。不同道路工况下大型客车的尾气
4
质量排放率随比功率区间的变化规律如图 所示。
行数。隐含层与输出层之间的数学表达式为:
1,2,3,…, o =f N ,k = l
1,2,3,…, y w ,k = l
0式中, N 为第 k个神经元; w 为权值向量 的第 个元素; l为权值向量 的行数。
Sigmoid单极性和双极性 函数分别为: f x) =
1+ 1e f x) = 1- e
1+ e
7)
(
8)
( ( x)满足连续、可导:
′( x)[ 1- ( x)] 9)
f x) = f f (而当网络输出与期望输出不符时,其误差E为:
12Σ
( 10)
E= d -o (
1
由于误差会反向传播,故此时各层之间的关系为:当误差定义扩展至隐含层时:
12Σ
[ (
E= d -f yw
1 1
继续扩展至隐含层输入层时:
12Σ
{ [ (
E= d -f w xv
1 0 1
12)
从式( 可以看出,误差E与各层权值的w 、 紧密相关,故通过调整各层之间的权值即可不断变小误差
E。而权值的调整量与误差的下降梯度成正比,则有:
Δw ∂
= -μ E , j= m, k = l
∂ 1,2,3,…, 1,2,3,…, w ( 13) Δv ∂
= -μ E , i= n, j = m
∂ 1,2,3,…, 1,2,3,…, v ( 14) ∈[0, 1]
式中, μ 为比例系数,它是学习效率的反映;负号是指梯度下降。
4.2
N= f 2 2
大型客车尾气排放预测模型建立
2 11) (本文以大型客车行驶状况参数(行驶速度、加速度、
VH CO2 CO
以及逐秒油耗值)作为输入层,以大型客车 、 和
NOx BP
尾气排放因子作为输出层,再利用单隐含层 神经
4×10 000
网络算法建立模型。其中,输入层可用数据为
3×10 000
组,输出层可用数据为 组。为方便对所建立的
10
模型进行检验,采用等距抽样方法,对全部数据从每
1
组中抽取 组作为对比检验组,其余数据作为模型训练组。模型训练结束后,用对比检验组的数据进行预测,并把预测结果与期望输出作比较,以此评判模型优劣。
BP
对于 神经网络算法,在对样本数据进行训练前,应对输入层和输出层的数据进行归一化预处理,以此平衡它们之间的差距。本文的归一化公式为:
x -(xxmamxa- 2+ xxmimn)
x in
21i
式中,为归一化后的数值; x 为输入或输出的数据; xmax 、xmin分别为输入或输出数据中的最大值和最小值。
BP
归一化后,还需要确定 神经网络的训练参数。对于本文,输入层、输出层的激活函数(传递函数)选择
tansig S
连续可微的 函数(双曲线正切 型函数),学习函
learngd
数选择可以实现梯度下降的 函数,训练函数选
trainlm
择内存需求大,但收敛速度较快的 函数。此外,
0.01,
在本文的预测模型中,学习率设为 最大训练次数
100 000 10
设置为 次,最大失误次数设为 次,学习训练
0.000 1
的精度设为 。
BP
在已选定 神经网络层数的情况下,其隐层节点
BP
数的选择至关重要,因为其在 神经网络中储存权值和阈值,记录输入和输出规律。一般用试凑法确定隐层节点数,本文采用的经验公式为:
M= IN + OT + B 16)
(式中, M为隐层节点数; IN为输入层节点数; OT 为输出
1~10
层节点数; B为 的常数。显然,在本文的预测模型中, IN =4, OT =3,
故的M
4~13
取值范围为 。为了确定最佳的隐层节点数,还需要一些综合评估指标来筛选最佳预测结果。本文采用
Root Mean Square Error,
的评估指标是平均均方根误差(
RMSE), Mean- Square Error,MSE)
即平均均方误差( 开根号的结果,以及多重相关系数R:
(
d -o
1
N
2
)
0.5 =
RM = Ms =(
( d -o
1 =( 1- R 2
) 0.5 17) (
4 CO2 CO NOx
由表 可知,尾气 、 和 排放因子的总体预测相对误差均较小。总的来说,在误差允许范围内, CO2 CO NOx
本文所建的模型对大型客车尾气中 、 和 排放特性的预测均有较高的准确性。
5结束语
本文以逐秒的速度、加速度、比功率和油耗数据为输
BP
入,建立了基于 神经网络算法的大型客车尾气排放预测模型,并进行了验证。结果表明,该模型预测准确性较好,可用于预测实际行驶过程中的尾气排放情况。
3
尾气中 种污染物的预测结果均小于实际值,这可能是建立模型时未考虑道路测试时的坡度、海拔高度、风速、驾驶员行为习惯等因素所致,故本文的预测模型存在一定的局限性,还需要后续研究进行完善。
参考文献