基于車聯網的輕型汽油車排放估計

胡 杰，曾德昌，孫自圓，韋天文，黎業輝

（1.武漢理工大學 現代汽車零部件技術湖北省重點實驗室，湖北 武漢 430070；2.上汽通用五菱汽車股份有限公司，廣西 柳州 545000；3.汽車零部件技術湖北省協同創新中心，湖北 武漢 430070）

基于車聯網的輕型汽油車排放估計

胡 杰1，曾德昌1，孫自圓2，韋天文2，黎業輝3

（1.武漢理工大學 現代汽車零部件技術湖北省重點實驗室，湖北 武漢 430070；2.上汽通用五菱汽車股份有限公司，廣西 柳州 545000；3.汽車零部件技術湖北省協同創新中心，湖北 武漢 430070）

針對目前汽油車排放無法實施有效遠程監控的問題，提出了一種基于車聯網的汽油車排放估計方法。選用徑向基神經網絡作為排放估計模型建立的基礎，以速度、加速度和發動機功率作為模型的輸入量，以不同工況的仿真數據為訓練樣本，采用資源分配網絡算法（RAN）確定隱層節點數，通過剪枝策略簡化網絡，以改進的粒子群算法（MPSO）對網絡參數進行全局最優搜索優化模型。結合自主研發的車輛信息遠程采集系統實現遠程數據采集，將遠程采集的狀態數據導入排放估計模型實現遠程排放估計。最后，通過車輛實際道路排放測試實驗，將排放估計模型輸出結果實驗數據對比分析，驗證了該排放估計方法的有效性。

車聯網；RBF神經網絡；排放估計

1 前言

隨著我國汽車保有量的迅速增長，汽車尾氣排放物對環境造成的污染問題日益嚴重。為此，相關政府部門不斷制定越來越嚴格的排放法規。如國家檢測單位對汽車的尾氣排放水平進行實驗認證，新車強制要求搭OBD-II系統。但排放認證實驗并不能完全反映汽車在實際道路上行駛時的真實排放水平，同時OBD-II系統對于汽車在實際使用中的排放水平缺乏有效監管。因此，需要一種更為準確有效的途徑實現車輛實時道路的排放估計。

目前，國內外的研究人員對此做了大量研究。發達國家對車輛排放模型的研究以美國為代表，經歷了從傳統的MOBILE模型到比較適合現代交通情況的CMEM，MOBILE用FORTRAN語言編寫，能夠估計在平均用車時的排放因子CO、HC、NOX，該模型主要表達為平均速度的函數，對如加速、怠速、急減速過程不敏感，不能代表車輛實時道路的排放情況。CMEM以大量車型的瞬時排放數據為研究基礎，考慮了車輛排放潛在影響因素，對排放估計較為準確，但此方法需要大量數據和繁瑣的實驗支持，對模型參數的高精度要求和對數據量的過高要求使模型難以建立。董剛，陳達良考慮瞬態車速和加速度的影響，利用回歸分析的方法對HC、CO、NOX的排放因子進行估算得到的模型準確性較高，但難以處理復雜的輸入參數，不利于實際應用[1]。劉玉長、李君[2]建立了基于RBF神經網絡的汽油機穩態排放模型，辨識效果較好，但無法對動態過程進行辨識。

由此可知，國內對于排放模型的研究集中于實驗室以及排放因子模型的研究，沒有基于實時道路的排放估計研究。本文提出了一種基于車聯網的輕型汽油機排放估計方案。

2 基于RBF神經網絡排放估計模型的建立

考慮到尾氣排放數據隨著速度和加速度的變化呈嚴重的非線性振動變化；排放估計模型需要應用到汽車實際道路行駛過程中的尾氣排放監測，需要一個快速的預測模型來計算出尾氣排放數據。本文以RBF徑向基神經網絡為基礎，仿真數據為樣本，構建排放估計模型，并通過剪枝策略和改進的粒子群算法（MPSO）優化模型。

2.1 確定模型輸入/輸出量

汽車運行狀態是影響其尾氣排放情況的主要因素之一，通常是以汽車運行狀態和尾氣排放水平之間的關系建立機動車微觀排放模型。作為模型的輸入，汽車運行狀態的準確表示在很大程度上決定了模型的有效性。汽車運行狀態受到駕駛行為、交通狀態等因素影響而呈現出復雜多變[3]，不能僅僅依靠汽車速度、加速度來表示汽車運行狀態。

本文采用ADVISOR仿真軟件建立仿真模型，實驗車型為某MPV車型，汽車主要性能參數見表1。

表1 汽車主要性能參數

以汽車性能參數為依據，在ADVISOR軟件中建立仿真模型。對汽車初始狀態、行駛循環、路面坡度等參數進行設置。合理改變行駛循環以便仿真汽車的不同工況，如怠速、加速、減速和勻速，同時軟件可以通過Interactive Simulation功能實現實際駕駛汽車仿真。模型建立完成后，運行不同工況或狀態仿真模型可得到相應的仿真數據，該數據可作為分析排放影響因素的理論依據和排放估計模型的訓練樣本。

通過改變行駛循環和控制變量法可分別得到行駛工況、速度、加速度、載重和路面坡度五個主要因素與排放物（HC、CO、NOX）的關系數據。通過對數據的處理得到關系曲線，對其定性分析。考慮到現有的排放估計模型多以速度和加速度作為估計模型的輸入參數。但當汽車以相同的速度、加速度在不同坡度的道路上行駛，其尾氣污染物排放率明顯是不同的，不同的載重量也類似，所以還需考慮發動機的輸出功率。因此，可以總結為速度、加速度和發動機功率三個因素。

2.2 排放估計模型建立

由于不同物理量之間數值相差懸殊，達到多個數量級上的差異。為了避免同一維中較大數據因數值差異過大對較小數據的支配作用，防止因各維數據之間差異過大影響模型的預測效果，同時也為了加快訓練速度，在建模之前需要對訓練集和測試集樣本進行歸一化處理。

2.2.1 確定隱含節點個數。RBF神經網絡的隱層節點個數對網絡的泛化能力起著決定性作用。隱層節點個數過多會造成網絡結構過度冗余，將會導致在網絡訓練和測試時需要消耗大量的軟硬件資源，而且容易導致網絡出現過擬合的現象；隱層節點個數過少，導致網絡結構太小，不足以將所描述的問題表達清楚，造成部分關鍵信息丟失。

本文采用了資源分配網絡算法（RAN），根據“新穎性”條件來選擇隱層節點。

設樣本數據集A(j)={(xj,yj),j=1,2,…,n}，開始時由于網絡還沒有隱層節點，需要初始化網絡參數，本文利用第一、第二組樣本數據(x1,y1)和(x2,y2)進行初始化：

w0=y1,w1=y2-y1,c1=x2,σ1=μδ2max（1）

其中0＜μ＜1，δmax為輸入樣本，xj之間的最大距離。

其中，ek為誤差，ε為期望的精度，cnearest為距離xj最近的隱層節點中心，δj=max{γδmax,δmin}，γ∈(0,1)，δmax和δmin分別為輸入空間xj之間的最大和最小誤差。

如果上述式（2）或者式（3）任一不滿足，則不增加隱層節點；否則增加一個隱層節點，并將該節點的參數設置為：

wL+1=ek,cL+1=xj,σL+1= γdj（4）

在選擇隱層節點時，雖然得到的隱層節點滿足式（2）和式（3），但其中往往還存在一些對網絡輸出貢獻不大的節點，它們的存在有可能會導致所構造的網絡變得冗余。所以還需要對隱層節點作進一步的篩選，本文采用剪枝策略來刪除不必要的節點，從而對網絡的結構起到簡化的作用。具體步驟如下：

（1）對于每次的輸入輸出的(xn,yn)，隱層節點的輸出為：

2.2.2 尋找網絡參數最優解。本文使用改進粒子群算法求解網絡參數的最優解。基本粒子群算法（BPSO）是一種基于迭代模式的優化方法。在該算法中，當搜索最優解的過程進行到后期時，粒子群的種群多樣性會逐漸降低，容易陷入局部最優的狀態。所以如何實現粒子種群在尋優的后期保持一定的多樣性將是優化基本粒子群算法的關鍵。本文對粒子群算法提出如下改進，形成改進粒子群算法（MPSO）：

①對加速常數和慣性權值進行動態自適應改變，隨著迭代次數的增加，加速常數c1從初始值c1max非線性減小至c1min，相反c2從初始值c2min非線性增加至c2max。過程如下：

其中，Maxlter為最大迭代次數，lter為當前迭代次數，α,β∈{0.5,1,1.5,2.0}。

為了讓粒子群在后期能夠收斂到全局最優，必須阻止粒子群在前期就已經陷入局部最優。通過以上改進，粒子速度更新公式中的加速常數和慣性權值將會進行動態改變，表現為粒子的飛行速度和飛行方向更加多變，這樣便使得粒子群在前期能夠在全局空間內飛行搜索，保證了在后期收斂到全局最優的可能性。

②在尋優的后期增加種群的多樣性，由于對后期的概念并沒有一個準確的定義，也沒有判斷種群多樣性的明確標準。本文采用通過進化停滯步數來判斷增加種群多樣性的時機。首先確定停滯步數的閾值T，一般取值范圍為4-7，當進化停滯步數超過了閾值的時候，對種群進行變異，產生一組變異粒子。保持原速度更新公式不變，但是位置更新如式（10）：

變異粒子將會沿著pg的反方向飛行，其余粒子按原公式更新其位置和速度，向著pg飛行。這樣種群的多樣性就可以得到提高，從而防止陷入局部最優。種群數量與變異率的乘積即可以得到變異粒子的數量，變異率一般取0.3-0.6，T的取值范圍為4-7。

利用前文所述的改進粒子群算法求解網絡參數的最優解，具體步驟如下：

①初始化粒子群的參數。以基函數的中心c、基函數的方差σ、隱含層到輸出層的連接權值ω為粒子的參數編碼，并在一定范圍內產生粒子的速度vi和位置xi的一個隨機值作為初始值。進化代數t取初始值為1。

②按歸一化均方根誤差的形式計算各個粒子的適應度，計算公式如下：

③對于每一個粒子，利用式（11）計算得到適應度后，與其pi所對應的適應度進行比較，若更好則更新pi。

④對于每一個粒子，得到對應的pi后，對比pi和全局最優pg對應的適應度，若更好則更新pg。

⑤結合基本粒子群算法與公式（7）-（9），不斷改變粒子的速度vi和位置xi，同時對加速常數和慣性權值進行動態自適應改變。

⑥若T代的最優值沒有明顯變化，則開始對粒子群進行變異，按照變異率選取一定數量的變異粒子，變異粒子的位置按式（10）進行更新，變異粒子的速度以及其余粒子的位置與速度均按照步驟⑤更新。

⑦判斷是否結束尋優過程，判斷條件與其他迭代模式算法一樣是最大迭代次數或者目標精度。若條件符合，則結束尋優過程，得到網絡參數的最優解；否則當前代數增加1，并轉向步驟④繼續進行迭代。

2.2.3 模型建立。利用仿真分析得到的數據，得到3 353個樣本，考慮到短時實際工況，形成(3 353-m)個樣本，m取初值為5。所有輸入向量組成(m+3)*(3 353-m)維的輸入矩陣，所有輸出向量為3*(3 353-m)維的輸出矩陣。通過randperm()函數將1到(3 353-m)的順序數列隨機打亂，得到數列randnum數列，再由此取1 100個訓練樣本、1 100個測試樣本和500個監視樣本。

建立模型過程中用到的重要參數設置如下：RAN中 ε=0.01，γ=0.9，μ=0.6，MPSO中 m=40，α=β=2.0，γ=1.5，c1max=c2max=2.5，c1min=c2min=0.5，ωmax=0.9，ωmin=0.4。

本文對比了利用不同短時實際工況作為模型輸入的預測結果均方根誤差，見表2。最終決定選取工況點前3s內的速度以及工況點的速度為短時實際工況，即m=3。這也與其他研究中對加減速工況的普遍定義相符合，即加速度或減速度連續3s均大于0.45m/s2則認為是加速工況或減速工況。為了表示汽車行駛工況，并不是m取值越大越好。因為汽車在城市中行駛時，大多數情況持續加速一般在4s以內，當m=4時，短時實際工況已經考慮了5s內的速度情況，可能不能準確表征汽車運行狀況，對模型來說會造成干擾。

表2 模型預測結果均方根誤差對比表

2.3 排放估計模型測試

利用ranperm()函數在仿真數據中隨機選取1 100個樣本點，經過本排放估計模型的計算得到對應的預測值，根據仿真數據中對應的實際值得到均方根誤差，各污染物排放率預測值均方根誤差分別見表3：

表3 各污染物排放率預測值均方根誤差

為了更直觀地展示測試樣本預測值與實際值的擬合效果，將模型輸出結果與樣本實際值繪于同一張圖中，并將各個樣本點按排放率大小進行排序，同時采用了主次縱軸，較大預測值與較大實際值對應次縱軸，以圖1-圖3分別對應HC、CO、NOx三種污染物的排放率預測結果。三種污染物的預測值均方根誤差均小于5%，預測效果良好。

同時還將本算法與MATLAB的神經網絡工具箱newrb()建立的近似(approximate)徑向基神經網絡以及通過基本粒子群算法（BPSO）優化的徑向基神經網絡進行對比，見表4。

從對比結果來看，本文通過運用RAN算法和MPSO算法使得RBF神經網絡結構得到了較大的優化效果，僅通過使用23個隱層節點和34次迭代就在一定程度上降低了各項誤差指標，訓練時間也大幅下降。

圖1 HC排放率預測效果

圖2 CO排放率預測效果

圖3 NOx排放率預測效果

表4 三個網絡性能比較

3 汽車實際道路排放測試實驗

采用基于車聯網的車輛運行狀態信息采集系統和基于RBF神經網絡的排放估計模型，通過實車在實際道路的排放測試實驗來驗證該信息采集系統和排放估計模型的可行性。

3.1 實驗方案

本實驗采用對比實驗的方法。使用課題組自主研發的車載終端實時采集汽車運行數據，車載終端硬件部分包括微處理器芯片（MCU）、CAN收發器、2G模塊、GPS模塊、電源模塊、啟動檢測模塊。其硬件實物如圖4所示。使用SEMTECH-DS車載排放分析儀來進行實際道路車輛尾氣污染物排放率測試，實物如圖5所示。在實驗路線的選擇上，為了采集到車輛在不同行駛工況下的排放數據，實驗路線應包含城市路段、快速路段和高速路段。

圖4 車載終端

圖5 SEMTECH-DS車載排放分析儀車內布置圖

實驗過程中，SEMTECH-DS車載排放分析儀以1Hz的頻率實時測量汽車尾氣中NO、NO2、THC、CO、CO2和O2的質量濃度，SENSOR Tech-PC軟件結合EFM流量計的實時數據計算出尾氣各成分的質量排放率，同時排放分析儀以相同的頻率OBD接口請求車輛狀態信息數據。車載終端通過OBD接口與車輛CAN總線通信，以1Hz的頻率向該模塊發送標準CAN幀來請求車輛狀態信息數據，然后接收該模塊返回的帶有所需信息數據的標準CAN幀。最后車載終端通過移動互聯網將這些原始數據實時發送至后臺服務器，將服務器獲取的車輛狀態信息導入排放估計模型，得到排放估計值。由于本課題需要分析這兩方面數據之間的關系，所以必須保證兩方面數據在時間上嚴格同步，這就需要在實驗之前將筆記本電腦和服務器進行時間同步。

表5 實驗數據表

通過比較排放儀采集的車輛狀態信息和車載終端采集的車輛狀態信息，驗證基于車聯網的數據采集系統的可行性；通過比較排放儀檢測的排放值和排放估計模型的排放值，驗證排放估計模型的可靠性。

3.2 實驗結果及分析

從服務器調出實驗車輛在實驗過程中上傳的車輛狀態信息數據，并按照本文提出的短時實際工況進行整理，共5426組有效數據，部分數據見表5。

利用前文所述建模方法，選取1 000組實驗數據作為訓練集，建立模型過程中用到的重要參數如下設置：RAN中 ε=0.01，γ=0.9，μ=0.6，MPSO中 m=40，α=β=2.0，γ=1.5，c1max=c2max=2.5，c1min=c2min=0.5，ωmax=0.9，ωmin=0.4。選取800組實驗數據對所建立的模型進行測試，預測效果達到了第2節中模型的預測水平。具體見表6。

表6 各污染物排放率預測值均方根誤差

圖6至圖8為各污染物排放率預測效果圖。可以觀察到，預測效果良好，對各范圍內的排放率，預測值與實際值吻合程度較高，基本保持在實際值上下一定范圍內波動。

預測結果相比第2節中的模型預測效果有所降低，

原因可能是：

圖6 HC排放率預測效果

圖7 CO排放率預測效果圖

圖8 NOx排放率預測效果

①實際實驗的數據相比仿真所得數據更復雜，仿真分析中采用的循環是ADVISOR自帶的標準工況循環，車輛速度等參數基本按照循環準確改變，而實際實驗中車輛行駛在實際道路上，駕駛員對車輛的控制相當復雜且不穩定，波動范圍因人而異。

②由于發動機排氣到采樣管這個過程需要一段時間，排放分析儀采集的尾氣樣本可能是發動機在前一個不確定時刻運行產生的廢氣。加之車聯網信息采集系統得到的數據與實際存在一個微小時間差，車輛運行狀態數據與車輛尾氣污染物排放數據的對應關系欠缺更精細的考慮。

4 結束語

本文通過理論分析，確定了輕型汽油車在實際道路行駛過程中影響排放水平的關鍵因素，建立了由轉速、加速度和功率3個參數為輸入的RBF神經網絡排放估計模型。基于車聯網開發車輛信息采集系統，將排放估計模型和車輛信息采集系統相結合實現遠程排放估計。經驗證，車輛信息采集系統運行穩定，能夠采集到準確的車輛運行信息，所建模型能夠較準確地估計輕型汽油機的實時排放率。同時所建立估計模型在精度上略有不足。若要提高模型精度和模型對工況的適應性，還應考慮其他影響因素，如發動機冷卻液溫度、大氣溫度、發動機老化程度等。

[1]夏韡.城市道路輕型車微觀排放模型研究[D].長春:吉林大學,2005.

[2]劉玉長,李君.基于人工神經網絡的汽油機穩態排放模型辨識[J].現代車用動力,2009,(2):32-35.

[3]周斌.基于BP神經網絡的內燃機排放性能建模與應用研究[D].成都:西南交通大學,2004.

[4]李駿.汽車發動機節能減排先進技術[M].北京:北京理工大學出版社,2011.

[5]陳軍輝,范武波,錢駿,等.利用IVE模型建立成都市輕型汽油客車排放清單[J].環境科學學報,2015,35(7).

[6]田靈娣,樊守彬,張東旭,等.行駛速度對機動車尾氣排放的影響[J].環境工程學報,2016,10(11):6 541-6 548.

[7]Chen M,Xu Z,Winberger K Q,Sha F.Marginalized denoising autoencoders for domain adaptation[A].The International Conference on Machine Learning[C].Edinburgh,UK,2012.

[8]祁凱.面向車聯網的車載故障診斷系統的設計與實現[D].杭州:浙江工業大學,2015.

[9]張輝,柴毅.一種改進的RBF神經網絡參數優化方法[J].計算機工程與應用,2012,48(20):146-149.

[10]Jie Hu,Yehui Li,Jun Cai,et al.The Driving Behavior Data Acquisition and Identification Based on Vehicle Bus[A].SAE-TONGJI 2016 Driving Technology of Intelligent Vehicle Symposium[C].2016.

Estimation of Emissions of Light-duty Gasoline Vehicles Based on Internet of Vehicles

Hu Jie1,Zeng Dechang1,Sun Ziyuan2,Wei Tianwen2,Li Yehui3
(1.Hubei Key Laboratory for Modern Automobile Spare Parts&Technology at Wuhan University of Technology,Wuhan 430070;2.SGMW Co.,Ltd.,Liuzhou 545000;3.Hubei Collaborative Innovation Center for Automobile Spare Parts&Technology,Wuhan 430070,China)

In this paper,in view of the unavailability of effective remote monitoring over the gas emissions of gasoline vehicles,we proposed a gasoline vehicle emissions estimation method based on the Internet of Vehicles.Selecting the RBFNN as basis,speed,acceleration and motor power as input,and simulation data under different working conditions as training sample,we used the RAN to determine the number of nodes on the implicit strata,reduced the network using the pruning strategy and carried out the global optimization over the network parameters using MPSO.At the end,by comparing the simulation outcome with the empirical data,we demonstrated the validity of the estimation method.

Internet of Vehicles;RBFNN;emissions estimation

F253.9;F407.471

A

1005-152X(2017)09-0160-07

10.3969/j.issn.1005-152X.2017.09.037

2017-08-05

柳州市科學研究與技術開發計劃項目（2016B050101）

胡杰，男，博士，武漢理工大學汽車工程學院副教授，研究方向：發動機電子電控、汽車智能網聯技術等；曾德昌，通訊作者，男，碩士研究生，研究方向：汽車智能網聯技術、汽車診斷及其應用等。