论文部分内容阅读
[摘要]针对目前汽油车排放无法实施有效远程监控的问题，提出了一种基于车联网的汽油车排放估计方法。选用径向基神经网络作为排放估计模型建立的基础，以速度、加速度和发动机功率作为模型的输人量，以不同工况的仿真数据为训练样本，采用资源分配网络算法（RAN）确定隐层节点数，通过剪枝策略简化网络，以改进的粒子群算法（MPs0）对网络参数进行全局最优搜索优化模型。结合自主研发的车辆信息远程采集系统实现远程数据采集，将远程采集的状态数据导人排放估计模型实现远程排放估计。最后，通过车辆实际道路排放测试实验，将排放估计模型输出结果实验数据对比分析，验证了该排放估计方法的有效性。
[关键词]车联网；RBF神经网络；排放估计
1前言
随着我国汽车保有量的迅速增长，汽车尾气排放物对环境造成的污染问题日益严重。为此，相关政府部门不断制定越来越严格的排放法规。如国家检测单位对汽车的尾气排放水平进行实验认证，新车强制要求搭OBD-II系统。但排放认证实验并不能完全反映汽车在实际道路上行驶时的真实排放水平，同时OBD-II系统对于汽车在实际使用中的排放水平缺乏有效监管。因此，需要一种更为准确有效的途径实现车辆实时道路的排放估计。
目前，国内外的研究人员对此做了大量研究。发达国家对车辆排放模型的研究以美国为代表，经历了从传统的MOBILE模型到比较适合现代交通情况的CMEM，MOBILE用FORTRAN语言编写，能够估计在平均用车时的排放因子CO、HC、NOx，该模型主要表达为平均速度的函数，对如加速、怠速、急减速过程不敏感，不能代表车辆实时道路的排放情况。CMEM以大量车型的瞬时排放数据为研究基础，考虑了车辆排放潜在影响因素，对排放估计较为准确，但此方法需要大量数据和繁琐的实验支持，对模型参数的高精度要求和对数据量的过高要求使模型难以建立。董刚，陈达良考虑瞬态车速和加速度的影响，利用回归分析的方法对HC、CO、NOx的排放因子进行估算得到的模型准确性较高，但难以处理复杂的输人参数，不利于实际应用。刘玉长、李君建立了基于RBF神经网络的汽油机稳态排放模型，辨识效果较好，但无法对动态过程进行辨识。
由此可知，國内对于排放模型的研究集中于实验室以及排放因子模型的研究，没有基于实时道路的排放估计研究。本文提出了一种基于车联网的轻型汽油机排放估计方案。
2基于RBF神经网络排放估计模型的建立
考虑到尾气排放数据随着速度和加速度的变化呈严重的非线性振动变化；排放估计模型需要应用到汽车实际道路行驶过程中的尾气排放监测，需要一个快速的预测模型来计算出尾气排放数据。本文以RBF径向基神经网络为基础，仿真数据为样本，构建排放估计模型，并通过剪枝策略和改进的粒子群算法（MPSO）优化模型。
2.1确定模型输入/输出量
汽车运行状态是影响其尾气排放情况的主要因素之一，通常是以汽车运行状态和尾气排放水平之间的关系建立机动车微观排放模型。作为模型的输入，汽车运行状态的准确表示在很大程度上决定了模型的有效性。汽车运行状态受到驾驶行为、交通状态等因素影响而呈现出复杂多变，不能仅仅依靠汽车速度、加速度来表示汽车运行状态。
本文采用ADVISOR仿真软件建立仿真模型，实验车型为某MPV车型，汽车主要性能参数见表1。
以汽车性能参数为依据，在ADVISOR软件中建立仿真模型。对汽车初始状态、行驶循环、路面坡度等参数进行设置。合理改变行驶循环以便仿真汽车的不同工况，如怠速、加速、减速和匀速，同时软件可以通过Interactive Simulation功能实现实际驾驶汽车仿真。模型建立完成后，运行不同工况或状态仿真模型可得到相应的仿真数据，该数据可作为分析排放影响因素的理论依据和排放估计模型的训练样本。
通过改变行驶循环和控制变量法可分别得到行驶工况、速度、加速度、载重和路面坡度五个主要因素与排放物（Hc、CO、NOx）的关系数据。通过对数据的处理得到关系曲线，对其定性分析。考虑到现有的排放估计模型多以速度和加速度作为估计模型的输人参数。但当汽车以相同的速度、加速度在不同坡度的道路上行驶，其尾气污染物排放率明显是不同的，不同的载重量也类似，所以还需考虑发动机的输出功率。因此，可以总结为速度、加速度和发动机功率三个因素。
2.2排放估计模型建立
由于不同物理量之间数值相差悬殊，达到多个数量级上的差异。为了避免同一维中较大数据因数值差异过大对较小数据的支配作用，防止因各维数据之间差异过大影响模型的预测效果，同时也为了加快训练速度，在建模之前需要对训练集和测试集样本进行归一化处理。
2.2.1确定隐含节点个数。RBF神经网络的隐层节点个数对网络的泛化能力起着决定性作用。隐层节点个数过多会造成网络结构过度冗余，将会导致在网络训练和测试时需要消耗大量的软硬件资源，而且容易导致网络出现过拟合的现象；隐层节点个数过少，导致网络结构太小，不足以将所描述的问题表达清楚，造成部分关键信息丢失。
[关键词]车联网；RBF神经网络；排放估计
1前言
随着我国汽车保有量的迅速增长，汽车尾气排放物对环境造成的污染问题日益严重。为此，相关政府部门不断制定越来越严格的排放法规。如国家检测单位对汽车的尾气排放水平进行实验认证，新车强制要求搭OBD-II系统。但排放认证实验并不能完全反映汽车在实际道路上行驶时的真实排放水平，同时OBD-II系统对于汽车在实际使用中的排放水平缺乏有效监管。因此，需要一种更为准确有效的途径实现车辆实时道路的排放估计。
目前，国内外的研究人员对此做了大量研究。发达国家对车辆排放模型的研究以美国为代表，经历了从传统的MOBILE模型到比较适合现代交通情况的CMEM，MOBILE用FORTRAN语言编写，能够估计在平均用车时的排放因子CO、HC、NOx，该模型主要表达为平均速度的函数，对如加速、怠速、急减速过程不敏感，不能代表车辆实时道路的排放情况。CMEM以大量车型的瞬时排放数据为研究基础，考虑了车辆排放潜在影响因素，对排放估计较为准确，但此方法需要大量数据和繁琐的实验支持，对模型参数的高精度要求和对数据量的过高要求使模型难以建立。董刚，陈达良考虑瞬态车速和加速度的影响，利用回归分析的方法对HC、CO、NOx的排放因子进行估算得到的模型准确性较高，但难以处理复杂的输人参数，不利于实际应用。刘玉长、李君建立了基于RBF神经网络的汽油机稳态排放模型，辨识效果较好，但无法对动态过程进行辨识。
由此可知，國内对于排放模型的研究集中于实验室以及排放因子模型的研究，没有基于实时道路的排放估计研究。本文提出了一种基于车联网的轻型汽油机排放估计方案。
2基于RBF神经网络排放估计模型的建立
考虑到尾气排放数据随着速度和加速度的变化呈严重的非线性振动变化；排放估计模型需要应用到汽车实际道路行驶过程中的尾气排放监测，需要一个快速的预测模型来计算出尾气排放数据。本文以RBF径向基神经网络为基础，仿真数据为样本，构建排放估计模型，并通过剪枝策略和改进的粒子群算法（MPSO）优化模型。
2.1确定模型输入/输出量
汽车运行状态是影响其尾气排放情况的主要因素之一，通常是以汽车运行状态和尾气排放水平之间的关系建立机动车微观排放模型。作为模型的输入，汽车运行状态的准确表示在很大程度上决定了模型的有效性。汽车运行状态受到驾驶行为、交通状态等因素影响而呈现出复杂多变，不能仅仅依靠汽车速度、加速度来表示汽车运行状态。
本文采用ADVISOR仿真软件建立仿真模型，实验车型为某MPV车型，汽车主要性能参数见表1。
以汽车性能参数为依据，在ADVISOR软件中建立仿真模型。对汽车初始状态、行驶循环、路面坡度等参数进行设置。合理改变行驶循环以便仿真汽车的不同工况，如怠速、加速、减速和匀速，同时软件可以通过Interactive Simulation功能实现实际驾驶汽车仿真。模型建立完成后，运行不同工况或状态仿真模型可得到相应的仿真数据，该数据可作为分析排放影响因素的理论依据和排放估计模型的训练样本。
通过改变行驶循环和控制变量法可分别得到行驶工况、速度、加速度、载重和路面坡度五个主要因素与排放物（Hc、CO、NOx）的关系数据。通过对数据的处理得到关系曲线，对其定性分析。考虑到现有的排放估计模型多以速度和加速度作为估计模型的输人参数。但当汽车以相同的速度、加速度在不同坡度的道路上行驶，其尾气污染物排放率明显是不同的，不同的载重量也类似，所以还需考虑发动机的输出功率。因此，可以总结为速度、加速度和发动机功率三个因素。
2.2排放估计模型建立
由于不同物理量之间数值相差悬殊，达到多个数量级上的差异。为了避免同一维中较大数据因数值差异过大对较小数据的支配作用，防止因各维数据之间差异过大影响模型的预测效果，同时也为了加快训练速度，在建模之前需要对训练集和测试集样本进行归一化处理。
2.2.1确定隐含节点个数。RBF神经网络的隐层节点个数对网络的泛化能力起着决定性作用。隐层节点个数过多会造成网络结构过度冗余，将会导致在网络训练和测试时需要消耗大量的软硬件资源，而且容易导致网络出现过拟合的现象；隐层节点个数过少，导致网络结构太小，不足以将所描述的问题表达清楚，造成部分关键信息丢失。