農用拖拉機不同工況下排放特性

吐爾遜·買買提 謝海巍 孔慶好 陳俊豪 馬潔 曲古拉·圖馬爾拜

摘要：正確解析拖拉機不同工況排放特性是編制排放清單以及分析和控制區域污染物排放的基礎。基于實測數據對不同工況下CO、HC、NOX和PM四種污染物排放特征進行分析。同時分析單一工況參數與污染物排放之間的關聯性，并基于BPMIV模型定量分析不同工況轉速、油耗流量以及速度對不同污染物排放的影響。結果表明：CO、HC、NOX和PM四種污染物耕作模式下的瞬時排放速率分別為0.041 6 g/s、0.013 2 g/s、0.088 g/s、0.011 6 g/s，高于行走和怠速模式；4種污染物基于油耗的CO、HC和NOX的排放因子表現為旋耕工況下最低。分析單一工況參數與污染物排放之間的關聯性，發現發動機轉速對污染物排放速率的影響最大。對轉速、油耗流量以及速度對瞬時排放速率的影響進行量化，怠速工況下油耗流量對4種污染物的影響最大，而在耕作工況下3種影響因素對于4種污染物的影響程度則各不相同。針對新疆農用拖拉機不同工況下污染物排放的研究有助于厘清農機污染物排放特征，為區域性大氣污染聯防聯控提供數據保障。

關鍵詞：拖拉機；排放特性；BPMIV；排放因子

中圖分類號：S219.01

文獻標識碼：A

文章編號：20955553 （2024） 02016409

收稿日期：2022年7月5日 ?修回日期：2022年9月12日

基金項目：國家自然科學基金項目（51768071）

第一作者：吐爾遜·買買提，男，1975年生，維吾爾族，新疆阿克蘇人，博士，副教授，碩導；研究方向為智能交通與農機污染物排放。Email： tursun@xjau.edu.cn

Emission characteristics of agricultural tractors under different working conditions

Tursun·Mamat， Xie Haiwei， Kong Qinghao， Chen Junhao， Ma Jie， Qugula·Tumarbai

（College of Transportation & Logistics Engineering， Xinjiang Agricultural University， Urumqi， 830052， China）

Abstract：

The correct analysis of the emission characteristics of tractors under different working conditions is the basis for compiling emission lists and analyzing and controlling regional pollutant emissions. Based on the measured data， the emission characteristics of four pollutants such as CO， HC， NOX， and PM under different operating conditions were analyzed. At the same time， the correlation between single operating condition parameters and pollutant emissions was analyzed， and the impact of different operating conditions such as speed， fuel consumption flow rate， and speed on different pollutant emissions was quantitatively analyzed based on the BPMIV model. The results showed that the instantaneous emission rates of CO， HC， NOX， and PM pollutants under four cultivation modes were 0.041 6 g/s， 0.013 2 g/s， 0.088 g/s， and 0.011 6 g/s， respectively， which were higher than those of walking and idle modes. The emission factors of CO， HC， and NOX based on fuel consumption for the four pollutants were?the lowest under rotary tillage conditions. The correlation between single operating condition parameters and pollutant emissions was analyzed， and it was found that engine speed had the greatest impact on pollutant emission rate.

The effects of rotational speed， fuel consumption flow rate and speed on instantaneous emission rate were quantified. Under idle conditions， fuel consumption flow rate had the greatest impact on the four pollutants， while under cultivation conditions， the degree of influence of the three influencing factors on the four pollutants was different. The study of pollutant emissions from agricultural tractors in Xinjiang under different working conditions helps to clarify the pollutant emissions characteristics of agricultural machinery and provide data support for regional joint prevention and control of air pollution.

Keywords：

tractor; emission characteristics; BPMIV; emission factor

0 引言

隨著中國農業生產機械化水平的持續提高，新疆農業機械總功率和保有量逐年快速增長，截至2020年末，新疆維吾爾自治區農業機械總動力已經達到2.929 4×107 kW，同比增長了4.8%［1］。農業機械總動力的快速增加標志著新疆農業生產機械化的實現，但同時也帶來了更嚴重的大氣污染問題。分析相關文獻發現農機廠家給出排放數據為實驗室發動機臺架試驗數據，其與實際作業中的污染物排放情況有一定差異，并且在實際作業條件下農用機械的污染物排放情況與其實際工況密切相關［24］，因此，研究工況對排放的影響，是分析農用拖拉機整體排放特征的基礎。解析農機工況與污染物排放的內在聯系有助于厘清農機污染物的排放特征，為新疆降污減排相關政策和標準的出臺提供了數據基礎。

付明亮［5］、龐凱莉［6］等基于實際工況對農業機械的排放特征進行分析，發現拖拉機旋耕模式下排放因子要高于行走與怠速模式。葛蘊珊等［7］針對聯合收割機實際作業條件下排放特性進行了研究，結果發現作業工況下基于燃油消耗率的PM排放因子較高。張禮俊［8］、樊守彬［9］等則建立了不同地區的污染物排放清單。然而，上述研究多針對中國東部發達地區，新疆地處深遠內陸不管是氣候條件或是地理環境均與東部地區有較大的差別，且國家出臺的《非道路移動源大氣污染物排放清單編制技術指南（試行）》指出受各地不同海拔、氣候條件、農機活動水平等因素的影響，非道路移動源的污染物排放具有較強的地域性，因此，現有相關研究缺乏針對性。

本文以農用拖拉機作為代表性農用機械試驗對象，采用車載排放測試系統（Portable Emission Measurement System，PEMS）進行實地排放試驗，獲得不同工況下的拖拉機瞬時排放速率。通過對比分析了不同工況下拖拉機的排放特征。采用BP（Back Propagation）神經網絡和平均影響值（Mean Impact Value，MIV）［10］方法定量分析拉機轉速、速度和油耗對拖拉機污染物排放的影響，挖掘新疆農機工況與污染物排放之間的內在關聯性。

1 材料與方法

1.1 測試設備

本文采用PEMS測試系統，該系統可加裝到實際作業的農機上，測試農機實際工作環境下的排放情況。該設備能較為真實地反映農用柴油機械的排放狀況，在目前相關排放研究中應用較為廣泛［11］。本文選用Handset Gas 2000便攜式尾氣分析儀進行污染物排放測試，通過將其裝載到試驗拖拉機上獲取試驗數據，并采用MAHA MPM-4顆粒物測試儀對顆粒物進行測量，此外本次試驗中還額外加裝了轉速儀、測速儀以及GPS等用于采集農機實時狀態的專業配件。Handset Gas 2000便攜式尾氣分析儀是用于測試機動車氣態污染物的排放分析儀，該儀器采用非分散紅外分析法（nondispersive infrared detector，NDIR）測量碳氧化物與碳氫化物，測量精度為±3%；采用非分散紫外分析法（nondispersive ultraviolet detector，NDUV）測量氮氧化物NOX，測量精度為±4%。MAHA MPM-4顆粒物測試儀采用激光散光法測量顆粒物瞬時排放濃度，測量精度為0.01 mg/m3。

1.2 試驗車輛

本文根據新疆農機局給出的新疆農機數據，并結合新疆農業科學研究院綜合試驗場實際情況，選擇新疆地區具有較強代表性的5種具有旋耕犁的拖拉機進行排放試驗，其中包括洛陽路通、常州東風、雷沃重工、上海紐荷蘭和約翰迪爾。測試拖拉機的額定功率分布在40～85 kW之間，尾氣排放標準均為國Ⅱ，具體信息如表1所示。

1.3 試驗設計

根據農用拖拉機的作業特點與相關文獻［12］，本文選取怠速、行走和耕作三種農機操作模式進行污染物排放測試。其中，怠速模式主要指農用拖拉機發動機處于啟動狀態并保持在低轉速狀態下，且拖拉機保持靜止的狀態；行走模式是指拖拉機處于正常行駛當中，且不進行任何作業，通常是拖拉機在田間自由行駛時所采取的操作模式；旋耕模式是指拖拉機對土地或農作物進行生產作業，旋耕犁被下放并處于工作狀態。

在進行田間作業排放試驗時，逐秒采集污染物排放和運行狀態數據，并設定采集時長為45 min，將前10 min設置為怠速模式，之后將試驗車輛轉變為行走模式，在20～45 min試驗拖拉機始終保持在旋耕模式，直至試驗結束。

1.4 數據處理

1.4.1 試驗數據預處理

為了排除拖拉機排放時間序列中的錯誤和不完整的數據，本文對5種新疆地區典型拖拉機的試驗數據進行平均化處理，最終得到2 700條數據。為了便于后續分析，將Handset Gas 2000便攜式尾氣分析儀測得拖拉機污染物瞬時質量體積濃度數據轉換為g/s。

便攜式尾氣分析儀裝配有自動汽水分離器，因此測得試驗結果為除去水分之后的干基尾氣濃度，而在實際工況下氣體污染物中含有一定的水汽，因此，需將干基濃度轉化為濕基濃度再進行換算。具體轉化方法參見文獻［12］。

1.4.2 排放因子計算

排放因子的確定是排放清單編制過程中最為關鍵的一環，本文通過對實測數據進行整合從而計算得到基于油耗的排放因子與基于時間的排放因子，為后文排放因子和排放清單的研究提供數據支撐。排放因子計算公式見式（1）和式（2）。

ETp=∑jn=iERpn×2 600j-i

（1）

EFp=∑jn=iERpn∑in=iFRn

（2）

式中：

ET——基于時間的排放因子，g/h；

EF——基于油耗的排放因子，g/kg；

ER——

某種污染物在某工況下的排放速率，g/s；

p——拖拉機某種污染物；

n——某一工況持續時間，s；

i、j——該工況的開始與停止時間；

FR——某一工況下的油耗速率，kg/s。

1.4.3 影響因子定量分析方法

BP神經網絡-MIV組合模型是基于BP神經網絡與MIV算法的組合模型，本文以該模型為研究方法對農機發動機轉速、油耗以及速度的大小對污染物排放速率造成的影響進行量化分析。

BP神經網絡是一種多層前饋神經網絡［13］，該網絡可將誤差反向傳遞，根據預測誤差不斷調整網絡權值和閾值，使得神經網絡輸出結果不斷逼近期望輸出。其拓撲結構如圖1所示。

本文應用的是BP神經網絡中單隱藏層前饋拓撲結構，其含有輸入層、隱含層以及輸出層三層感知器，BP神經網絡運行過程中信號的傳遞可分為兩個部分，分別為信息正向傳播與誤差反向傳播，信息正向傳播過程由輸入層各神經元接受輸入信息，并將輸入信息傳遞給隱含層進行處理，最終傳遞到輸出層完成一次學習的正向傳播過程。當輸出層實際輸出與期望輸出出現不符時，網絡進入反向傳播階段。誤差從輸出層開始，按照梯度下降的方式不斷調整各層的網絡權值和閾值，直到誤差被減少到可接受范圍之內［14］。

平均影響值算法是神經網絡中評價自變量對因變量影響程度最好的指標之一，MIV值的絕對值大小代表某屬性影響力的大小，正負號代表影響方向。

1） ?建立數據矩陣S，S是一個M行、N列的矩陣，其中M表示樣本數量，N表示特征個數。對神經網絡進行初始化操作，將數據集S作為訓練集用于訓練網絡。

2） ?網絡訓練完成后，將數據集S中的每個屬性分別乘以110%與90%形成新的訓練集S1與S2，并將這兩個訓練集輸入神經網絡。

3） ?求兩個輸出結果之差，該值即為Impact Value，可以反映自變量對因變量的影響程度。

4） ?按樣本數目求得該自變量對因變量的平均MIV值。

5） ?重復以上步驟，分別求出每個特征的MIV值，根據MIV值的大小對各個特征進行排序，判斷每個特征對輸出結果影響的大小，方便后續研究的開展。

2 結果與分析

2.1 柴油拖拉機時間序列排放特征

為研究不同工況與污染物排放速率的關系，根據農用拖拉機的作業特點將拖拉機工況狀態分為怠速、行走和耕作3種，并從時間維度對CO、HC、NOX和PM4種污染物的變化趨勢進行分析。由于變化規律相似，本文給出數據質量最高的一個采樣周期內4種污染物在不同工況下的排放速率變化趨勢，如圖2所示。

當拖拉機處于怠速工況下時，4種污染物的瞬時排放速率相對較小，同時排放趨勢波動趨于平穩；在行走模式下由于路況變化等因素的影響使得發動機運轉負荷出現一定程度的變化，從而導致污染物排放速率出現了和怠速工況相比更明顯的波動；當拖拉機處在耕作模式下時，由于旋耕犁的下放使得發動機負荷顯著增加，因此，4種污染物的瞬時排放速率波動劇烈且均達到峰值。進一步分析發現（表2），怠速工況下CO、HC、NOX與PM的平均排放速率分別為0.024 5 g/s、0.004 9 g/s、0.018 g/s、0.000 23 g/s；行走模式下平均排放率為0.023 g/s、0.01 g/s、0.037 g/s、0.000 26 g/s；耕作模式下則為0.041 6 g/s、0.013 2 g/s、0.088 g/s、0.011 6 g/s。

（a） CO

（b） HC

（c） NOX

（d） PM

怠速工況下CO和PM的瞬時排放速率變化走向相比行走模式更加平穩，但平均排放速率無明顯變化；怠速工況下的HC與NOX排放速率變化趨勢相比行走模式同樣趨于平穩，但行走模式下的平均排放速率相比怠速工況有一定程度的升高，這說明相比怠速模式，行走模式下污染物排放總量有所提升。耕作模式時4種污染物排放速率不僅波動較大且均達到峰值分別為0.089 g/s、0.023 g/s、0.192 g/s、0.021 g/s，并且平均排放速率均為三種操作模式中最高。

2.2 不同工況污染物分擔率分析

不同工況下不同污染物的分擔率是有差異的，通過對實測數據進行規整，計算分析怠速、行走和耕作3種狀態下CO、HC、NOX和PM等4種污染物的分擔率如表3所示，比較不同工況下4種污染物的占比有利于發現工況與污染物排放特征的內在聯系。

從表3可以發現，在拖拉機處于怠速狀態下時，CO在4種污染物中占比最高，但隨著工況由怠速經由行走最終轉變為耕作，占比也不斷下降，由怠速狀態下的51.5%下降到耕作狀態下的27%；HC排放量比例先增加后減少，但變化幅度是4種污染物中最小的，在4%～5.8%之間。NOX占比則與CO相反，隨著運行狀態的轉換不斷提高，由最先的37.8%提高到了56.9%，從占比的變化可以看出NOX的排放量急劇增加；怠速和行走狀態下PM的占比幾乎沒有改變，占比也是4種污染物中最小的，但在耕作模式下其占比大幅增加，這也說明相比其他模式，耕作模式會產生更多的PM。

農機工況改變造成的發動機負荷、燃料燃燒情況、發動機內部空氣含量等因素發生變化是導致污染物占比改變的主要原因，因此分析污染物排放與工況因素的關聯關系是研究不同工況排放特征的重點。此外，還可發現NOX與CO在農用拖拉機尾氣排放物中占比較高，在今后大氣污染防治工作中應當重點關注。

2.3 不同操作模式下的排放因子分析

表4和表5為試驗車輛3種運行狀態下基于時間與油耗的排放因子。分析這兩個表可以發現怠速模式下CO基于時間的排放因子略高于行走模式，其余3種污染物均是耕作模式最高，行走模式次之，怠速模式最小。其主要原因是在旋耕模式下農機需要下放旋耕犁，并為其提供工作動力，使得發動機工作負荷遠大于另外兩種工作模式，耗油量也增加了6.1倍與3.1倍，從而導致污染物排放因子的增大。對于基于油耗的排放因子，CO在怠速模式下排放因子最大，行走次之，而旋耕最小；HC和NOX在行走與怠速模式下的排放因子基本持平，而旋耕模式則最小。導致這種情況的原因是由于耕作模式下耗油量的劇烈增加，使得CO、HC、NOX三種污染物的單位時間內的排放量有所增加，但是基于單位油耗的排放因子反而縮小了。

為了進一步驗證試驗結果，本文將計算所得排放因子與文獻［15］所給出排放因子進行了比較分析，分析發現，本文4種污染物基于時間的排放因子略小于文獻中的排放因子，而對于基于油耗的排放因子，CO怠速與行走工況下的排放因子小于參考文獻［15］給出的排放因子，旋耕工況下則基本一致。HC、NOX、PM在3種工況下的排放因子略小于文獻［15］給出的排放因子。這是因為文獻中計算所得排放因子是基于若干輛拖拉機實測數據計算所得的平均值，這些拖拉機的排放標準包含了國Ⅰ前、國Ⅰ以及國Ⅱ，而本文中的試驗車輛的排放標準均為國Ⅱ標準，因此本文所得排放因子相對略小是處于可接受范圍內的。

2.4 污染物排放和工況的關聯分析

2.4.1 行駛速度與排放的關聯分析

拖拉機行駛速度是農機工況研究中最為常見的工況參數。通過前文介紹可知當拖拉機處于怠速狀態下時發動機處于空轉當中，農機的運行速度為0 km/h，即拖拉機處于靜止狀態。因此，本小節主要針對行走和耕作狀態下速度與污染物排放之間的關系展開分析。

由于實測數據規模較大且規律復雜，本文對原始數據進行平均化處理，同時采用散點圖形式表述排放速率與速度之間的關系。此外，農機由于其特殊的工作性質，相比機動車運行速度偏低，本文根據拖拉機運行速度變化規律，將速度按大小分別定義為低速（0～5 km/h）、中速（5～10 km/h）和高速（v＞10 km/h）。圖3為農機行駛速度與CO、HC、NOX和PM的散點關系圖。

（a） CO

（b） HC

（c） NOX

（d） PM

農機處于中速狀態下CO的排放速率比高速狀態總體上排放速率更高，且增大幅度明顯。高速情況下CO排放速率并未由于速度改變而發生劇烈變化，總體排放速率變化幅度小，趨勢平穩。HC與NOX的排放特性與CO基本類似，農機運行速度處于高速時排放速率較低，且變化幅度較小，當農機由高速轉為中速時，排放速率都有所增加，但CO、NOX排放速率增長幅度相比HC更為明顯。農機處于高速狀態時，PM瞬時排放極小，可以幾乎忽略不計，但進入中速之后PM排放速率顯著提高，并且在5～10 km/h的速度區間內速度的提高會帶動PM的排放速率上升。

造成上述結果的主要原因是由于當農機處于一個較低速度段時，燃料燃燒會出現不充分的情況，這可能會造成污染物排放的增加，此外，農機運行速度處于中速時多是農機在田間進行作業時，這種情況下相對較低的速度并不意味著發動機負荷小，反而會給發動機帶來更大的負荷從而使空燃比變小，引起燃燒情況惡化，導致污染物排放量的增加。

2.4.2 發動機轉速與排放的關聯分析

發動機轉速可以直觀反映發動機的運轉負荷，是一種重要的工況參數，為了方便分析同樣需要對發動機轉速進行區間劃分。根據轉速數值的分布跨度將其劃分為（600，1 000］、（1 000，1 400］、（1 400，∞）3個轉速區間，并分別定義為低轉速、中轉速和高轉速。

綜合對比3個轉速區間（圖4），CO的排放速率隨著發動機轉速的提高整體呈現上升趨勢，但單獨觀察3個轉速區間，CO并未隨著轉速的提高而顯著提高，反而出現了反復的上下波動，造成這一現象可能是由于發動機內部燃料燃燒情況不同造成的；HC的排放速率在（600，1 000］區間內上升趨勢較為明顯，在中、高轉速區間內HC排放速率與轉速之間存在明顯的線性關系，并且排放速率隨著轉速的提高不斷下降，HC是燃料燃燒不完全產生的產物，隨著轉速的提高，發動機效能增加使得燃料燃燒更加充分，故而排放速率呈現下降的態勢；NOX排放速率與轉速的關系基本與CO類似，但是在低轉速區間內排放速率隨著轉速提高而提高的趨勢更為顯著。

柴油發動機采用渦輪增壓進氣方式，隨著發動機轉速的提高，缸內壓力也不斷增加，使得燃燒室內部溫度上升導致NOX排放速率也同步提高；PM在低轉速時排放速率較低，但在（1 000，1 400］與（1 400，∞）區間內PM的排放速率有了顯著的提升，這是由于轉速提升引起發動機負荷提高，導致PM的大量產生。

（a） CO

（b） HC

（c） NOX

（d） PM

2.4.3 瞬時油耗流量與排放的關聯分析

農機瞬時油耗流量的大小和發動機轉速以及行車速度具有明顯的相關性，因此將其同樣作為工況的重要因素開展排放速率關聯分析，與前文類似，將瞬時油耗流量劃分為3個區間，分別為（0，0.5］、（0.5，1］和（1，∞）。

由于轉速提高需要更高的油耗提供能量供給，因此發動機轉速提升會伴隨著油耗的提高，故而油耗—排放速率散點分布和轉速—排放速率散點分布基本保持同步。在油耗區間（0，0.5］和（0.5，1］內4種污染物的樣本點分布非常密集，在（1，∞）內則較為分散（圖5），這說明在（1，∞）區間內，油耗速率的大幅改變會很大程度上影響污染物的排放速率，但在單一區間內，單純的油耗上升未必會造成污染物的增加，其內在原因可能與燃料的燃燒情況有關。

（a） CO

（b） HC

（c） NOX

（d） PM

2.4.4 速度—轉速—排放速率分布特征

通過上述分析發現，速度與轉速是區分不同工況狀態的重要指標，因此研究兩者與排放速率的分布特征是必要的。分別以運行速度、發動機轉速和污染物排放速率作為x軸，y軸以及z軸的坐標，對排放速率數據進行平滑處理后，得到CO、HC、NOX和PM等污染物的三維等高分布圖，如圖6所示。

（a） CO

（b） HC

（c） NOX

（d） PM

分析圖6中坡面起伏特征，發現當速度不變時4種污染物的排放速率隨著發動機轉速的增大而呈現明顯的上升趨勢，其中CO排放速率隨著發動機轉速的提高呈現梯度上升的態勢，坡面起伏較為平緩，HC、NOX和PM則呈現出斷崖式的提高，提高幅度較大。而從速度的角度分析發現，HC與NOX的排放速率與速度呈現正相關，并且其中HC的排放速率受到速度上升帶來的影響更大，而CO與PM的排放速率沒有受到速度上升的明顯影響。結合轉速與速度的變化特征，當發動機處于高轉速而速度處于中速時污染物的排放速率達到最高值。

2.5 基于BPMIV的工況與排放關聯分析

通過前文可以發現工況參數與污染物排放特征存在內在關聯，進一步量化不同工況因素與污染物排放速率之間的關聯模式對于掌握區域污染物排放趨勢以及制定相應的治理措施方面有一定幫助，因此本文采用BP神經網絡-MIV組合模型對其關聯性進行量化。

本文將發動機轉速、油耗流量、農機速度作為輸入，4種污染物的瞬時排放速率作為輸出，將每種工況前70%的數據作為訓練集，剩余30%作為測試集基于Matlab平臺編程實現BP神經網絡-MIV模型，并選用平均絕對百分誤差（Absolute Percentage Error，MAPE）和R2項指標作為神經網絡的檢驗指標，對每種工況前70%污染物輸出進行擬合驗證。結果表明，擬合的MAPE和R2分別為1.32%和0.95。從兩項檢驗參數的大小可以發現，模型擬合準度較高，可以用于影響因素分析。

分析圖7可以發現，怠速工況下由于拖拉機處于靜止狀態，因此速度的MIV值為0，油耗流量對4種污染物的影響最大，MIV值分別為0.106 4、0.016 5、0.089 7、0.252 1。這是因為怠速模式下，發動機轉速相對比較穩定，運轉負荷較低，故轉速對污染物排放速率的影響程度不高，而油耗流量雖然也處在相對較低水平，但由于怠速工況下發動機燃燒溫度不足，導致柴油燃燒不充分，從而促進了污染物的生成。當拖拉機進入行走狀態后，3種影響因素對于污染物排放速率的影響基本持平，其中速度對于污染物排放速率的影響程度略高于其余兩項，其原因主要是在行走工況下，由于路況和駕駛員狀態等因素的影響導致該工況下農機速度變化明顯，但總體水平是3種工況中最高的，使得污染物排放速率受到來自速度變化的影響相對略高。在耕作工況下，3種影響因素對于4種污染物的影響程度各不相同，發動機轉速對HC與NOX造成的影響最大，這是由于旋耕工況下發動機轉速處在較高水平且變化較快，發動機高負荷運轉下缸內高溫高壓環境造成HC與NOX排放速率提高。而PM受到油耗流量變化的影響最大，這是因為旋耕工況下，發動機為了提供足夠的動力用于旋耕犁工作，使得油耗急劇增加，從而導致缸內燃油氣分布不均，供氧量不足加速了PM的產生。綜上所述，拖拉機運轉時發動機轉速與燃油消耗量對污染物排放速率的影響較大，提升發動機性能進一步提高燃油的燃燒效率對農機的節能減排工作具有重要意義。

（a） CO

（b） HC

（c） NOX

（d） PM

3 結論

1） 不同工況下CO、HC、NOX以及PM的瞬時排放速率變化具有明顯規律，4種污染物的瞬時排放速率均是耕作工況最高，行走工況次之，怠速最低，并且較大波動均發生在耕作工況。

2） ?4種污染物基于時間的排放因子在耕作模式下最高，其分別為0.041 6 g/s，0.013 2 g/s，0.088 g/s，0.011 6 g/s。分析基于油耗的排放因子發現，旋耕模式下由于耗油量的大幅度增加，使得CO、HC和NOX基于單位油耗的排放因子反而縮小了。

3） ?農機運行速度、發動機轉速和油耗流量3種單一工況參數與污染物排放具有明顯的相關性，其中發動機處于高轉速而運行速度處于中速時污染物排放量達到峰值。

參 考 文 獻

［1］國家統計局. 中國統計年鑒—2021［R］. 中華人民共和國： 國家統計局， 2021.

［2］Larsson G， Hansson P A. Environmental impact of catalytic converters and particle filters for agricultural tractors determined by life cycle assessment ［J］. Biosystems Engineering， 2011， 109（1）： 15-21.

［3］王曉云， 劉健， 王宏儒. 農業機械用柴油機排放微粒控制研究［J］. 湖南農機， 2009， 36（11）： 27-29.

［4］Gokalp B， Buyukkaya E， Sovhan H S. Performance and emissions of a diesel tractor engine fueled with marine diesel and soybean methyl ester ［J］. Biomass and Bioenergy， 2011， 35（8）： 3575-3583.

［5］付明亮， 丁焰， 尹航， 等. 基于燃油消耗的工程機械排放因子研究［J］. 北京理工大學學報， 2014， 34（2）： 138-142.

Fu Mingliang， Ding Yan， Yin Hang， et al. Study on fuelbased emission factors from construction equipment ［J］. Transactions of Beijing Institute of Technology， 2014， 34（2）： 138-142.

［6］龐凱莉， 張凱山， 王帆， 等. 現實工況下農用拖拉機尾氣排放特征分析［J］. 中國農機化學報， 2020， 41（10）： 158-167.

Pang Kaili， Zhang Kaishan， Wang Fan， et al. Characterization of tailpipe emissions from inuse agricultural tractors ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（10）： 158-167.

［7］葛蘊珊， 劉紅坤， 丁焰， 等. 聯合收割機排放和油耗特性的試驗研究［J］. 農業工程學報， 2013， 29（19）： 41-47.

Ge Yunshan， Liu Hongkun， Ding Yan， et al. Experimental study on characteristics of emissions and fuel consumption for combines ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（19）： 41-47.

［8］張禮俊， 鄭君瑜， 尹沙沙， 等. 珠江三角洲非道路移動源排放清單開發［J］. 環境科學， 2010， 31（4）： 886-891.

Zhang Lijun， Zheng Junyu， Yin Shasha， et al. Development of nonroad mobile source emission inventory for the Pearl River Delta region ［J］. Environmental Science， 2010， 31（4）： 886-891.

［9］樊守彬， 楊濤， 李雪峰， 等. 北京城市副中心道路揚塵排放清單與控制情景［J］. 環境科學與技術， 2019， 42（4）： 173-179.

Fan Shoubin， Yang Tao， Li Xuefeng， et al. Emission inventory and control scenario analysis for road fugitive dust in subcenter of Beijing ［J］. Environmental Science & Technology， 2019， 42（4）： 173-179.

［10］吐爾遜·買買提， 丁為民， Muhammad Hassan. 基于灰色神經網絡和MIV的農機總動力影響因素研究［J］. 中國農業資源與區劃， 2017， 38（11）： 24-30.

Tursun Mamat， Ding Weimin， Muhammad Hassan. Study of impact factor for agricultural machinery total power based on grey neural network and MIV ［J］.Chinese Journal of Agricultural Resources and Regional Planning， 2017， 38（11）： 24-30.

［11］Liu Z H， Ge Y S， Johnson K C. et al. Realworld operation conditions and onroad emissions of Beijing diesel buses measured by using portable emission measurement system and electric lowpressure impactor ［J］. Science of the Total Environment， 2011， 409（8）： 1476-1480.

［12］張麗， 蔣永新， 劉娜. 典型農用機械的污染物排放特性分析［J］. 山東農業大學學報（自然科學版）， 2016， 47（1）： 99-102.

Zhang Li， Jiang Yongxin， Liu Na. Analysis on the pollutants emission characteristics of typical agricultural machinery ［J］. Journal of Shandong Agricultural University （Natural Science Edition）， 2016， 47（1）： 99-102.

［13］吐爾遜·買買提， 米斯卡力·居馬瓦依， 張學軍， 等. 基于BP神經網絡的農機化發展水平影響因素研究［J］. 農機化研究， 2018， 40（8）： 21-25， 31.

Tursun Mamat， Miskal Jumaway， Zhang Xuejun， et al. Research on impact factors of agricultural mechanization development level based on BP neural network ［J］. Journal of Agricultural Mechanization Research， 2018， 40（8）： 21-25， 31.

［14］趙顗， 沈玲宏， 馬健霄， 等. 綜合小波分解和BP神經網絡的交通小區生成交通短時預測［J］. 重慶交通大學學報（自然科學版）， 2021， 40（11）： 60-66.

Zhao Yi， Shen Linghong， Ma Jianxiao， et al. Traffic shortterm prediction generated by wavelet decomposition and BP neural network of traffic zone ［J］. Journal of Chongqing Jiaotong University （Natural Science）， 2021， 40（11）： 60-66.

［15］付明亮， 丁焰， 尹航， 等. 實際作業工況下農用拖拉機的排放特性［J］. 農業工程學報， 2013， 29（6）： 42-48.

Fu Mingliang， Ding Yan， Yin Hang， et al. Characteristics of agricultural tractors emissions under realworld operating cycle ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（6）： 42-48.