商用重載車尾氣排放與駕駛行為的參數關系

徐婷 陳姝屹 彭沖 陳亦新 梁澤愷趙磊

關鍵詞：車輛尾氣排放；生態駕駛行為；重載車輛；回歸分析；車輛比功率（VSP）

環境污染與能源消耗問題日益加劇[1]。重載汽車發動機排量較大，燃油質量較差，在整個機動車排放中占比較大[2，3]。重型貨車占比汽車總數目前正以較快速度增長。越來越多的人開始從駕駛員角度對節能排放問題進行研究[4-8]。

H.C.Watson的研究顯示，汽車的尾氣排放和司機駕駛時的態度，駕駛經驗、性別、身體狀況、年齡等個人因素有關[9]。T.C.Austin等對10名司機的駕駛行為進行了對比，發現在不同的汽車和司機中，他們的尾氣排放量有很大的差異[10]。I.D.Vlieger發現，與普通行駛相比，激進駕駛會增加更多的燃料消耗和廢氣，燃料消耗將會增加30%～40%，平均CO排放系數比正常駕駛高出3倍，HC化合物和NOx排放系數高出2倍[11]。唐佳培通過對信號交叉口通行車輛的不同行駛方式所產生的尾氣排放效應進行了分析，建立了基于車載尾氣監測（PEMS）的實測數據，建立了路口不同駕駛行為和污染物排放的量化模型[12]。黃成等人利用SEMTECH-D車載汽車尾氣排放測試系統，對柴油貨車在不同的實際運行狀態下的尾氣排放進行了分析，發現排放與車輛在不同的行駛狀態下的速度、加速度有很大的關系[13]。于謙利用車載尾氣排放測試設備，全面分析了公交線路節點、路段處的公交車排放影響因素，構建了適用于公交線路的動態排放模型[14]。根據車輛排放模型的應用范圍，可以分為宏觀模型、中觀模型和微觀模型[15-16]。微觀預測模型主要利用實時數據建立汽車排放模型。目前，國內外主要排放模型包括：MOBIIE類宏觀模型[17-18]、ADVISOR宏觀類模型（PSAT、EVSIM、PAMVEC）、CMEM發動機層面微觀類模型、基于車輛比功率（vehiclespecificpower，VSP）的新一代排放模型（IVE、MOVES、CVEM）等[19-21]。

本文通過得到的車輛不同駕駛行為下的瞬時交通數據、排放數據，分析駕駛員行為與各種污染物排放的關系，采用建模等手段，對這種關系進行量化分析，并分別預測各種污染物排放以求得到能夠減少排放的較優駕駛行為。

1數據準備與處理

1.1試驗設備

商用車是在設計和技術特征上用于運送人員和貨物的汽車，習慣把商用車劃分為客車和貨車2大類。本文所研究的重載商用車就是指重型載貨車（總質量>14t）。研究選擇2輛重型載貨車分別作為實驗數據車輛和后期預測的驗證車輛，燃油種類為柴油，排放標準為國四或歐四，發動機型號分別為東風康明斯lSDe24540和濰柴WP10.300E40，試驗車輛其他配置信息如表1所示。

基于真實汽車數據的駕駛行為的研究需要大量的實際數據來支撐。駕駛模擬具有一定的偏差，實車實驗是最好的試驗方法，在無法進行實車實驗的情況下可以利用模擬駕駛數據進行補充。

試驗采用整車排放測試系統采集排放數據，它主要包括控制溫濕度的環境倉、模擬車輛道路阻力和慣量的電力底盤測功機、引導駕駛的司機助、排氣取樣和測量的全流稀釋取樣分析系統。本系統使用不分光紅外分析儀（nondispersiveinfraredanalyzer，NDIR）、氫離子火焰（flameionizationdetector，FID）和化學發光法（chemiluminescence，CLS）測定廢氣中CO、總碳氫化合物（THC）、氮氧化物（NOx），誤差不大于全量程的±1.0%或者讀數的±2.0%，重復性誤差不大于±0.5%。利用美國頗爾47mm口徑的玻纖過濾紙，在堀場DLS-7100微粒取樣系統的稀釋通道中，對顆粒物（particulatematter，PM）進行了測定，濾紙均在堀場CHAM-1000型稱重箱中進行溫濕度平衡，用于濾紙稱重的精密天平為德國賽多利斯（Sartorius）公司生產的SE2-F型，分辨率可達0.1mg。粒子直徑超過23nm的顆粒物數量（particlenumber，PN）的測定采用堀場MEXA-1000SPCS型凝聚顆粒計數儀（coagulationparticlecounter，CPC），用正丁醇作為工作介質，準確度達到1/cm3。

1.2試驗方法

本研究依據國六排放標準（GB18352.6-2016）測試各試驗車常溫冷起動排放。按照法規的要求，試驗車輛的滑行阻力根據制造商提供的阻力系數確定，試驗前按照制造商推薦值調整輪胎壓力。循環測試開始前，試驗車輛在室溫（23±1）℃環境下浸車6h以上，確保進氣、冷卻水和后處理裝置與環境間的溫差不超過±2℃。測試循環為全球輕型車測試循環（worldlightvehicletestcycle，WLTC）。

排放數據的循環總時長為1800s，總行駛里程為23.266km，按照速度劃分，分為運行時間589s，行駛里程3.095km的低速段，運行時間433s，行駛里程4.756km的中速段，運行時間455s，行駛里程7.162km的高速段，以及運行時間323s，行駛里程8.254km的超高速段，車輛運行過程中時速最高達到131.8km/h。數據反映了連續的1800s內的駕駛及排放情況，數據每間隔1s記錄一次。除速度外，還記錄了包括發動機轉速、發動機實際扭矩百分比等發動機運行參數。測試過程中，駕駛員按照司機輔助速度曲線駕駛，車速控制許可偏差為±2km/h，操作時間的許可偏差為±1s。

1.3數據信息

本實驗分別測得車輛的瞬態（1s）駕駛及排放數據，包括行駛速度v、加速度a，N2O、CO2、CO、NOx、THC的里程排放質量es，顆粒物的里程排放數量PMN；其中加速度采用其前1s內的平均加速度作為這1s內的瞬時加速度。

1.4工況劃分

車輛的速度和加速度2個指標基本可以描述車輛的大多數行駛工況狀態，所以可以根據這兩項指標，將車輛運行工況分為加速、減速、勻速和怠速。在實際情況中，由于車輛駕駛員對汽車的操縱有一定的誤差，這就導致了實際無法通過速度和加速度等參數去精準地識別和劃分汽車真正的運行工況。考慮到上述情況，本文采取了一種對時段性工況進行識別的方法，即針對漸進式的逐秒工況，對其進行差異化合并處理。修正后的系統工況狀態界定操作方法如表2所示。

2車輛排放數據初步分析

2.1駕駛速度與排放關系初步分析

本實驗排放數據測量的時間間隔為1s，在該時間段內，速度、加速度變化很小，但排放物波動較大，數據離散程度大，難以直觀的找到對應關系，因此，本文采用以下方法對數據進行處理。

數據間隔一個速度單位（1km/h）劃分運動學片段，分別對各單位下速度、加速度，以及對應的各種排放物求該間隔下的平均值，使排放數據與速度、加速度等數據一一對應，簡化了數據，使其更直觀，便于數據總體分析，其公式如下：

其中：j代表污染物種類；i代表運動學片段中的一條數據；n為運動學片段中的時間段的數目，n=t/s；m代表劃分的運動學片段總數，0

這里采用該方法（本文將其命名為按速度聚類法），分別對各單位下速度以及對應的各種排放物求該間隔下的均值，繪制速度與各排放物散點圖如圖1所示。

由圖1可知：CO2排放整體上隨速度的升高而增大，趨勢較為明顯；N2O、CO、THC、顆粒物排放在速度為20～40km/h段內存在巨大波動，且排放量較大，其中顆粒物排放整體上隨速度的升高而增大，NOx整體存在一定波動。而N2O、CO、THC在其他速度下變化不大。

車輛速度為零時，車輛處于怠速狀態。本實驗中，有多次車輛處于怠速狀態的時刻，而怠速狀態是反映駕駛員行為的車輛狀態之一。避免量綱對分析結果造成影響，將速度為零的排放數據進行歸一化處理，得到相對排放質量，即

觀察ere變化趨勢，如圖2所示，圖中，N為樣本的數目。分析可知，CO、N2O、THC排放量在怠速駕駛過程中排放量較為穩定，波動較緩，而CO2、顆粒物、NOx的排放在某些時刻形成統一的劇烈增長。初步觀察數據發現，這些波動出現在車輛由怠速起步的過程中，下文詳細分析。

2.2駕駛行為與排放、關系分析

2.2.1道路速度條件與排放關系分析

假設一輛重載汽車在未完全達到給定道路限速之前，駕駛員往往會更想用被允許的最高速度在道路上行駛，所以在一定程度上，車輛行駛時的速度可以反映為該道路的交通情況。因此，本文將車輛的速度情況作為主要的評價指標，對車輛正常行駛時所處的交通環境情況進行整理歸類，分析了不同情況下車輛、排放的分布特點。采用K-means算法對實驗數據中的速度進行聚類，將交通條件分成低速、中速、高速3類，得到有關速度閾值。如表3所示。

計算車輛各個速度條件下累計污染物排放質量ecs占全部速度條件排放總量的百分比，得到貢獻率re，以及對應累計運行時間tc占總運行時間的貢獻率rt，得到累計排放與累計運行時間之比為

車輛在不同的道路速度條件情況下，累計污染物排放貢獻率和其與車輛運行時間貢獻率的比值計算結果分別如圖3、圖4所示。

對計算結果進行分析：

1）K（CO）與K（PM）隨著速度的增高而增大，但中速到高速間升高幅度不明顯。

2）K（THC）與K（NOx）在中速時達到最大，低速與高速時K值變化不大，即在相同行駛時間內，中速行駛時排放的THC與NOx相比在低速或高速行駛時多。

3）K（CO2）低速、中速、高速3個階段呈明顯上升趨勢，即行駛速度越快，相同時間內CO2排放量越大。

4）K（N2O）整體變化不大，隨著速度的升高略微下降。

2.2.2車輛工況與排放關系分析

車輛的排放會因為其正常行駛時的各種工況的變化而變化，在相同的環境條件下，不同駕駛人可能由于不同的駕駛技術手段產生不同的工況變化。所以有必要通過研究來分析駕駛者在汽車不同的使用條件下的排放特征。本文將汽車運行狀態按照典型汽車工況：加速、減速、勻速、怠速進行劃分。計算各行駛工況下，累積污染物排放貢獻率re和其與累計運行時間貢獻率rt之比K，分別如圖5、圖6所示。

對計算結果進行分析：

1）K（NOx）、K（CO）在各工況下變化特點基本一致，即車輛在加速時累積排放與累積運行時間之比最大，在減速時較小，怠速時最小；在車輛勻速時處于中間水平。

2）在車輛加速時K（THC）達到最大值，勻速與怠速時基本持平，較低于減速時。

3）各階段K（N2O）基本保持持平。

4）在車輛減速時K（PM）達到最大值，在勻速、加速時基本一致，處于中間水平，在怠速時最小。

5）在車輛勻速時K（CO2）達到最大值，怠速時最小，加速、減速時差距不大。

2.2.3異常駕駛行為識別與相關性分析

考慮到數據的復雜程度，僅從CO2的排放角度，分析不良駕駛行為與其內在關系。

1）事件定義。

a）急加速、急減速事件。

通過相關資料與實驗數據分析，汽車正常制動時，加速度通常保持在-1m/s2至-2m/s2；加速在-2m/s2到-4m/s2之間時，這就是所謂的“快速制動”；而在制動加速達到-4m/s2時，車輛進入急剎狀態，這時制動燈以特定的頻率閃爍。在此，將急減速的加速度臨界值設置為-4m/s2，當減速度值達到所述設置制動減速限制值時，判定為急剎車事件。相應的，本文按照行業經驗取3m/s2為急加速行為閾值。針對汽車行駛過程中的特殊事件干擾問題，避免環境因素導致的誤判，將事件持續時間引入到急加減速的判別條件中，根據本文數據取樣的頻次，將持續時間T>1s，也就是在算法辨識過程中，如果連續2個數據都超過了臨界值，那么就可以將其判定為急加速或急減速事件，從而提高了識別的正確性，降低了誤判率。

b）超長怠速事件。

根據《汽車駕駛節能操作規范》，停車超過60s時，應將發動機熄火。由此，可以將車輛發動機轉速非0、車速為0并且持續60s或更多的狀態視為超長怠速狀態。

2）異常駕駛行為數據分析。

分別對急加速次數、急減速次數、超長怠速比例與研究時段內CO2100km平均排放質量es，av/g做散點圖，結果如圖7—圖9所示。

從圖7—圖9中可以看出：急減速、急加速、超長怠速等非正常駕駛行為對CO2平均排放量的影響較為顯著，隨著不良駕駛行為的累積，其排放量明顯增加，二者之間存在著一定的正相關性。在現實生活中，難免會有非正常駕駛行為的產生，這一部分的排放很難以標準量化數據進行衡量，然而，了解不良駕駛行為與排放關系規律，有利于提醒駕駛員養成良好的駕駛習慣，為開發一些節能駕駛輔助系統提供思路。

3車輛駕駛行為與其排放關系模型的構建

3.1數據處理

由前文的圖表能夠得知，各排放物數據在不同速度區間下存在不同波動特征。本文對按照速度進行聚類求均值的CO、NOx、THC以及顆粒物的排放數據做進一步處理：對各速度下對應的每一條數據向前求均值，得到每種污染物對應數據為其中：i=1，2，…，4，分別代表4種污染物；j代表某一條數據行數；ci，n代表第i種污染物的第n條數據。

對求得的qi，j進行歸一化得到q'i，j，結果如圖10所示。按照圖10對各種污染物數據進行分段處理，劃分結果如表4所示。

3.2回歸參數

3.2.1車輛比功率VSP

過往的研究表明，VSP對CO2、CO、NOx、HTC的相關性都顯著高于速度和加速度，在速度、加速度和VSP這3個變量中，VSP是最能夠影響車輛排放的關鍵變量。為準確地量化不同駕駛行為的排放情況，本文選擇VSP作為構建車輛不同駕駛行為的排放模型的變量之一。

車輛比功率（VSP）是發動機移動單位質量時所輸出的功率。VSP的物理意義表示為：發動機為克服滾動摩擦阻力以及空氣阻力，增加機動車動能和勢能，需要輸出的功率，它從物理角度考慮了機動車發動機做功的不同用途。根據原始公式推導，并帶入重載汽車有關系數，若令x1=VSP，x2=v/（m·s-1），x3=a/（m·s-2），則可得擬合公式為

由式（6）可知：通過計算出每秒的加速度和速度，就可以計算出這1s的VSP值。由于加速度等于連續速度數據之差，VSP僅需根據每秒的速度數據來計算即可。

綜上所述，本文選用VSP、a/（m·s-2）、v/（m·s-1）作為回歸模型自變量，CO2、CO、NOx、THC、PM的排放量es作為回歸模型的因變量，構建駕駛行為與排放關系模型。

3.3車輛不同駕駛行為與排放的回歸模型

求解得到x1=VSP，x2=v/（m·s-1），x3=a/（m·s-2），并預測三者對污染物排放量yi的三元線性回歸方程，其中，i=1，2，3，4，5分別代表CO2、CO、NOx、THC、PM5種物質。當i=1，2，3，4時，排放量的單位為（mg·km-1）;當i=5時，排放量單位為（km-1）。

計算得到各指標對污染物排放量的三元線性回歸方程：

解得排放預測模型如表5所示，模型各子模型多重判定系數的平均值用R2表示。

對回歸模型進行顯著性檢驗，以CO2排放預測模型為例，得到多重判定系數R2=0.770較為接近1，模型的擬合效果較好；進行回歸方程的顯著性檢驗，F=141.854，F≥F0.05（3，∞），回歸方程顯著，即CO2排放和選擇的指標之間存在顯著的函數關系；進行回歸系數的顯著性檢驗，概率p值都小于顯著性水平0.05，因此認為每一個指標都和因變量顯著線性相關。經檢驗，所構建的各個預測模型擬合效果較好，回歸模型、回歸系數均顯著。

3.4模型仿真驗證

3.4.1數據預測

試驗采用多輛不同品牌的重載商用車進行測試，選取另一臺車輛的試驗數據進行驗證，其配置參數見表1。在其試驗數據中隨機獲取20條數據樣本，利用求得的模型對各排放物排放量進行預測，將結果中負值部分調整為零，繪制各排放物預測值與實際值折線圖，如圖11所示，初步觀察，模型預測結果較為吻合。

3.4.2預測結果的顯著性差異評價

經檢驗，數據情況近似服從正態分布。為檢驗預測結果與實際數據之間是否有顯著差異性，本文采用配對樣本T檢驗方法，結果如表6所示。對檢驗結果進行分析：經檢驗，預測數據與實際排放數據的配對T檢驗概率p值在顯著性水平（0.05）下，大于0.05。因此接受原假設，認為預測數據與實際排放數據不存在顯著差異。

4駕駛行為分析與駕駛建議

4.1較優駕駛行為分析

根據構建的模型，本文在不同速度條件下，以減少排放為目標，提出駕駛員的較優駕駛行為。在3.1中將排放數據按速度聚類，根據變化趨勢將數據分段中，通過觀察可以發現，數據基本自然地被劃分為低速、中速、高速部分，說明在不同速度區間下，排放物有著不同規律。

分析模型發現，CO2排放受加速度影響最大，NOx、CO、THC顆粒物的排放在較低速時受速度影響最大，在中高速時受加速度影響最大。通過前文分析可知，K（CO2）在低速、中速、高速3個階段呈明顯上升趨勢，即行駛速度越快，相同時間內CO2排放量越大，K（CO）、K（PM）總體上也是隨著速度的增高而增大。

因此，駕駛員養成良好的駕駛習慣有利于控制污染物排放。為實現低碳綠色出行，建議駕駛員采取較為緩和的駕駛行為，在滿足道路有關要求的情況下，不宜采用過高的行駛速度，應避免長時間高速行駛以及頻繁加減速，控制自身的不良駕駛行為，在低速行駛、高速行駛時注意采取不同的駕駛策略，以實現生態駕駛。

4.2駕駛行為建議

通過對多種工況、速度下駕駛行為進行分析，明確了有關駕駛行為對排放的影響程度。模型的輸出結果可將當前排放情況以及車輛運行狀態反饋給駕駛員，使駕駛員進行自我審閱，矯正自己的不良行為。

提出以下生態駕駛行為建議：

1）認真規劃道路出行路徑方案，盡量避免堵車路段，主動繞行至暢通路段，采取不同路段、不同時段錯峰出行；

2）駕駛員行車過程中，在嚴格遵守限速等有關規定的情況下，盡量采取短暫加速、善用減速、盡量勻速的方法駕駛；

3）注意觀察前方的車輛狀態、信號等變化情況、駕駛環境等，應盡量避免急加、減速，提前進行緩和的駕駛操作；

4）盡量避免長時間的車輛怠速運行或發動機空轉，特別是在交通流復雜的交叉口或出行高峰時間，當出現車輛需要較長等待時間等特殊情況下，宜及時拉起手剎，停車熄火。

5結論

本文將車輛行駛時的速度、加速度作為反映駕駛行為的數據依據，用車輛的加減速、制動、勻速行駛的駕駛工況來反映駕駛人不同的駕駛行為和駕駛習慣，探討了重載車輛不同駕駛行為的排放規律，構建了駕駛行為與排放量回歸模型，提出了減少排放的生態駕駛行為。

本文發現：異常駕駛行為的積累對CO2排放量有顯著的促進作用，二者存在明顯的正相關關系。在駕駛行為參數中，加速度對尾氣排放影響顯著，污染物排放量總體上隨速度的提高而增大。因此，在駕駛過程中，駕駛員應避免長時間高速行駛以及頻繁加減速，控制自身的不良駕駛行為，注意在不同道路條件下采取不同的駕駛策略，以實現生態駕駛。