CN110243762A - 机动车尾气遥测和监管***及自学习高排污车辆判定算法 - Google Patents
机动车尾气遥测和监管***及自学习高排污车辆判定算法 Download PDFInfo
- Publication number
- CN110243762A CN110243762A CN201910524815.2A CN201910524815A CN110243762A CN 110243762 A CN110243762 A CN 110243762A CN 201910524815 A CN201910524815 A CN 201910524815A CN 110243762 A CN110243762 A CN 110243762A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- tail gas
- result
- exhaust
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 97
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 238000013480 data collection Methods 0.000 claims abstract description 25
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 20
- 231100000719 pollutant Toxicity 0.000 claims abstract description 20
- 238000013028 emission testing Methods 0.000 claims abstract description 13
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 239000007789 gas Substances 0.000 claims description 253
- 238000005070 sampling Methods 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 29
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 19
- 239000000779 smoke Substances 0.000 claims description 14
- 230000003197 catalytic effect Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 12
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 10
- 239000001569 carbon dioxide Substances 0.000 claims description 10
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 239000013618 particulate matter Substances 0.000 claims description 9
- 239000004215 Carbon black (E152) Substances 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 229930195733 hydrocarbon Natural products 0.000 claims description 6
- 150000002430 hydrocarbons Chemical class 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 239000000295 fuel oil Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000007789 sealing Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000012159 carrier gas Substances 0.000 description 3
- 238000010790 dilution Methods 0.000 description 3
- 239000012895 dilution Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000000862 absorption spectrum Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100001239 persistent pollutant Toxicity 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000825 ultraviolet detection Methods 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/33—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using ultraviolet light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/1717—Systems in which incident light is modified in accordance with the properties of the material investigated with a modulation of one or more physical properties of the sample during the optical investigation, e.g. electro-reflectance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
- G01N2021/3513—Open path with an instrumental source
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Of Engines (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及机动车尾气遥测和监管***及自学习高排污车辆判定算法,判定算法包括以下步骤:S1、通过尾气遥感监测站、车载尾气检测设备采集标定车辆时间同步的数据,数据包括运行工况、污染物浓度、机动车信息、道路信息、环境参数、判定结果;S2、将通过尾气遥感监测站、车载尾气检测设备得到的时间同步数据合并成标定车辆的尾气排放数据集;S3、对样本数据集中的数据做清洗处理;S4、针对步骤S3中的样本数据集建立自学习排污判定算法模型,将标定车辆尾气排放数据集作为输入变量,将车载尾气检测设备判定结果作为输出变量,训练标定车辆尾气遥感检测结果修正模型,对标定车辆尾气遥感检测结果的实时在线或离线修正,让高排污车辆判定结果更可靠。
Description
技术领域
本发明涉及尾气检测领域,更具体地说,涉及一种机动车尾气遥测和监管 ***及自学习高排污车辆判定算法。
背景技术
机动车行驶燃烧汽油或柴油排出的大量有害废气是城市环境中大气污染 物的主要排放源,研究表明,机动车尾气造成的污染占整个城市大气污染的 80%。随着机动车保有量的持续增加,空气污染问题日趋严重,机动车尾气遥 感检测技术成为提升车辆尾气排放监管能力和效率的重要手段。
通常,在不影响正常通行的情况下,可以通过遥感监测等技术手段对在道 路上行驶的机动车的大气污染物排放状况进行监督抽测。进一步地,全世界范 围内已颁布了各种关于机动车尾气排放的规则和标准,所有在路面上行驶的机 动车辆都必须满足该严格的规则或其中的排放限制。
如图8所示,现有技术中机动车尾气遥测***由速度加速度传感***、尾 气遥测部分、道边中控主机、道边气象站、机动车识别***组成。速度加速度 传感***包括速度传感器发送和接收单元、速度传感器反射单元;尾气遥测部 分包括遥感主机和遥感辅机;机动车识别***包括摄像机。当机动车行驶过该 路段时,即可实现对该机动车尾气的监测。
机动车尾气遥测***主要采用光谱吸收技术实现汽车尾气的测量。当一束 光穿过大气或被注入某种气体的样品池时,光线会被其中的分子选择性地吸 收,使得其在强度上和结构上都会发生变化,与原先的光谱进行比较就可得出 吸收光谱,通过分析吸收光谱不但可以定性地确定某些成分的存在,而且还可 以定量地分析这些物质的含量,并可依据机动车尾气排放的规则和标准,对高 排污车辆进行判定。
通常,机动车尾气遥测***标定和验证均在实验室内进行,在实验室条件 下,遥测设备的准确率非常高,但是在室外工作条件下,由于缺乏有效的标定 手段,只能通过固定浓度的小型气体池,对仪器进行定期标定。而汽车尾气颗 粒的扩散受到环境条件,如温度、湿度、风速、光照、扬尘、车流的影响较大, 尾气监测的精度与真实排放有差异,在一定程度上会造成机动车尾气遥感检测 结果的偏差和误判;另外,当机动车尾气遥测***出现设备故障时,将更加难 以客观地评价机动车的实际排放水平。
发明内容
本发明要解决的技术问题在于,提供一种机动车尾气遥测和监管***及自 学习高排污车辆判定算法。
本发明解决其技术问题所采用的技术方案是:构造一种机动车自学习高排 污车辆判定算法,包括以下步骤:
S1、通过尾气遥感监测站、车载尾气检测设备采集标定车辆时间同步的数 据,所述数据包括运行工况、污染物浓度、机动车信息、道路信息、环境参数、 判定结果;
S2、将通过尾气遥感监测站、车载尾气检测设备得到的时间同步数据合并 成标定车辆的尾气排放数据集;
S3、对样本数据集中的数据做清洗处理;
S4、针对步骤S3中的样本数据集建立自学习排污判定算法模型,将所述 标定车辆尾气排放数据集作为输入变量,将所述车载尾气检测设备判定结果作 为输出变量,训练所述标定车辆尾气遥感检测结果修正模型,实现对标定车辆 尾气遥感检测结果的实时在线或离线修正。
优选地,所述运行工况包括:速度、加速度、比功率;其中,包括分别从 尾气遥感监测站和车载尾气检测设备获得的测量数据;
所述污染物浓度包括:一氧化碳体积浓度、二氧化碳体积浓度、氮氧化合 物体积浓度、碳氢化合物体积浓度、固体颗粒物的不透光烟度值中的部分或全 部;其中,包括分别从尾气遥感监测站和车载尾气检测设备获得的测量数据;
所述机动车信息包括:车辆类型、长度、发动机排量、基准质量、使用性 质、使用年限、是否安装催化转化器中的部分或全部,其中,包括通过牌照获 取的具有真实尾气排放的标定车辆实际数据;
所述道路信息包括:尾气遥感监测站标识、道路类型、坡度;
所述环境参数包括:风速、风向、环境温度、大气压强、相对湿度;
所述判定结果包括:遥测初始判定结果、车载尾气检测设备判定结果。
优选地,所述步骤S2中尾气排放数据集中的每条样本数据包括每辆标定 车辆尾气遥测数据集部分、车载尾气检测数据集部分以及车载判定结果;
每条样本数据属性组成如下:
其中,D(i)表示标定车辆尾气排放数据集的第i条样本数据;
表示第i条样本数据中的尾气遥测数据集部分;
表示第i条样本数据中的车载尾气检测数据集部分;
S(i)表示第i条样本数据的车载尾气检测设备判定结果;
尾气遥测数据集中属性组成如下:
尾气遥测数据集的数据属性依次分别表示车辆行驶的速度、加速度、比功 率;尾气排放中的一氧化碳体积浓度、二氧化碳体积浓度、氮氧化合物体积浓 度、碳氢化合物体积浓度、固体颗粒物的不透光烟度值;道路信息中的坡度、 遥测设备安装点周围的风速、风向、环境温度、大气压强、相对湿度;尾气遥 感监测站的遥测初始判定结果15个变量;
车载尾气检测数据集属性组成如下:
车载尾气检测数据集的数据属性依次分别表示车辆行驶的速度、加速度、 比功率;尾气排放中的一氧化碳体积浓度、二氧化碳体积浓度、氮氧化合物体 积浓度、碳氢化合物体积浓度、固体颗粒物的不透光烟度值;车辆长度、发动 机排量、基准质量、使用性质、使用年限、是否安装催化转化器14个变量;
将车载尾气检测设备判定结果进行二值化分类的定义如下:
S(i)={0,1}
其中,将0定义为判定结果超标,将1定义为判定结果合格。
优选地,所述步骤S3中,对样本数据集中的数据做清洗处理的步骤如下:
(1)将标定车辆的使用性质、是否安装催化转化器、尾气遥感监测站的 遥测初始判定结果和车载尾气检测设备判定结果进行二值化处理,其方法如下 表所示:
1 | 0 | |
使用性质 | 营运 | 非营运 |
是否安装催化转化器 | 安装 | 未安装 |
尾气遥感监测站的遥测初始判定结果 | 合格 | 超标 |
车载尾气检测设备的判定结果 | 合格 | 超标 |
(2)对其他非二值化的数据进行归一化处理,计算的公式如下:
其中,X表示某项数据属性中某条样本值,Xmax表示某项数据属性中的 最大值,Xmin表示某项数据属性中的最小值,X′表示归一化处理后的数值。
优选地,所述步骤S4实施如下,将步骤3中所建立的尾气遥测数据集和 车载尾气检测数据集作为BP神经网络模型的输入变量,即BP神经网络输入 层确定为29个节点;
选取1个隐含层,确定隐含层的节点数为59;
输出层确定为1个节点,将车载尾气检测设备判定结果作为BP神经网络 模型的输出变量,数据格式如下:
XZ(i)={0,1}
其中,将0定义为判定结果超标,将1定义为判定结果合格;
由此,建立一个29-59-1的三层BP神经网络结构,再对基于BP神经网 络的标定车辆判定模型进行仿真,对比找到合适的算法和最终确立的网络结 构,训练标定车辆尾气遥感检测结果修正模型,实现对标定车辆尾气遥感检测 结果的实时在线或离线修正。
优选地,所述步骤S1中,所述标定车辆上设有标准气发生装置,所述车 载尾气检测设备采集所述标准气发生***排放的污染物浓度;
所述污染物浓度和机动车信息分别包括通过标准气发生***模拟设定的 数据,所述判定结果包括标准气发生***模拟设定判定结果。
优选地,所述步骤S4中,将车载尾气检测设备判定结果作为输入变量加 入车载尾气检测数据集,并将标准气发生***模拟设定判定结果作为BP神经 网络模型的输出变量;
由此,建立一个30-61-1的三层BP神经网络结构,再对基于BP神经网 络的标定车辆判定模型进行仿真,对比找到合适的算法和最终确立的网络结 构,训练标定车辆尾气遥感检测结果修正模型,实现对标定车辆尾气遥感检测 结果的实时在线或离线修正。
优选地,所述标准气发生装置包括标准气配气组件、气体流量控制组件、 气体温度控制组件、配置组件和模拟排气装置,所述标准气配气组件、气体流 量控制组件、气体温度控制组件、模拟排气装置依次连接。
所述配置组件包括配置输入单元、配置存储单元、配置输出单元;
所述配置输入单元分别与所述标准气配气组件、气体流量控制组件、气体 温度控制组件、模拟排气装置通信连接,以按配置要求配置混合气体,并将配 置后的混合气体按配置要求设定的流量、温度由所述模拟排气装置排出;
所述配置输出单元与所述标定车辆上的车载智能卡通信连接,以将数据传 出。
优选地,所述车载尾气检测设备包括尾气取样分析组件、GPS模块和检 测组件;
所述尾气取样分析组件包括尾气取样头、气泵、滤清器、气水分离器、尾 气分析仪;
所述尾气取样头***所述模拟排气装置或燃油标定车辆的尾气排放口取 样,取样气体经过所述气泵吸入,再经过所述滤清器和气水分离器传送到尾气 分析仪;尾气分析仪实时在线监测取样气体中的污染组份;
所述GPS模块实时获取标定车辆的GPS定位数据;
所述检测组件包括检测输入单元、计算存储单元、检测输出单元和检测软 件,与尾气取样分析组件、GPS模块,以及车载智能卡连接;通过检测软件将 采集到的GPS定位数据和尾气分析仪测量到的数据进行汇总和计算;输出车 辆速度、加速度和各污染物的瞬时体积浓度,并实时在线将监测数据通过所述 车载智能卡传出。
一种机动车尾气遥测和监管***,包括高排污车辆判定模块和高排污车辆 监管***,所述高排污车辆判定模块包含所述的机动车自学习高排污车辆判定 算法,以在所述高排污车辆监管***对机动车尾气排放数据检测并记录时,根 据所述判定算法确认机动车的尾气排放是否超标。
实施本发明的机动车尾气遥测和监管***及自学***,对尾气遥感监控站的高排污车辆 判定结果进行修正,从而提高高排污车辆判定结果的可靠性,并判定道边尾气 遥感装置对机动车尾气排放测量数据的有效性。
另外,还具有以下有益效果:
1、根据尾气遥感监测站标识对每个尾气遥感监测站的测量数据进行修正;
2、根据车载智能卡识别码对每台标定车辆的测量数据进行较高精度的修 正;
3、根据车载智能卡识别码对每台装有标准气发生***的标定车辆本身的 测量数据进行较高精度的修正;
4、根据标准气发生***模拟设定判定结果对每个尾气遥感监测站的测量 数据进行更高精度的校正和标定。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例中的机动车尾气遥测和监管***的模块示意图;
图2是尾气遥感监测站的安装示意图;
图3是标定车辆包括标准气发生***时的模块示意图;
图4是标定车辆为燃油驱动且没有标准气发生***时的模块示意图;
图5是标准气发生装置的原理示意图;
图6是车载尾气检测设备的原理示意图;
图7是后台监管中心与前端设备***的连接原理示意图;
图8是背景技术中机动车尾气遥测***的安装示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详 细说明本发明的具体实施方式。
如图1所示,本发明一个优选实施例中的机动车尾气遥测和监管***,包 括前端设备***和后台监管中心,其中,前端设备***包括尾气遥感监测站、 标定车辆和信息传输***。
后台监管中心通过信息传输***与分布在城市道路各处的多个尾气遥感 监控站组成一个网络***,对城市中正在行驶的机动车尾气排放的持久性污染 物实时在线遥感检测,确认尾气排放超标的车辆,并对城市环境中机动车排放 的多污染组份的尾气及其分布进行高灵敏度的监测和管理,从而实现对整座城 市机动车尾气排放及其分布的监管。
如图2所示,尾气遥感监测站包括尾气遥感主机、尾气遥感辅机、车辆速 度/加速度传感***、机动车辆识别***、道边气象站和道边中控主机。
其中,尾气遥感主机、尾气遥感辅机可应用光谱吸收原理,远距离感应检 测行驶中的机动车尾气排放浓度;并通过车辆速度/加速度传感***测出机动 车的运动速度、加速度及车辆比功率VSP(Vehicle Specific Power)信息, 通过机动车辆识别***识别车牌及拍摄图像保存、并读取车载智能卡的电子信 息,通过道边气象站采集检测点的温度、湿度、风速、风向、气压,为尾气测 量结果是否有效提供基础数据;通过道边中控主机可在线或离线对测量数据进 行分析,最终形成一条完整、有效的检测数据,及时上传至后台监管中心的服 务器端平台。
尾气遥感监控站可按其结构分为垂直式和水平式,并按其应用方式可分为 固定式和移动式。
其中,垂直式尾气遥感监控站包括横跨道路的龙门式安装架,位于各车道 上方及龙门架横梁上的尾气遥感主机和车辆速度/加速度传感***,位于龙门 架后方L杆上的机动车辆识别***以及道边气象站和道边中控主机,其中,垂 直式尾气遥感辅机包括位于龙门架横梁下方或龙门架横梁上方和下方的反射 单元。
在水平固定式尾气遥感监测站中,尾气遥感主机还包括指向激光器和可调 整支架,用于尾气遥感主机发射窗与尾气遥感辅机反射窗之间的校准。水平固 定式尾气遥感辅机还包括不透光烟度检测光束发射单元、机箱、电源和可调整 支架。
移动式尾气遥感监测站用专用车辆装载,监测地点可以选择,使用时将设 备按照使用规定摆放在检测路段,工作结束后将设备收回。
尾气遥感主机包括尾气测量发射接收单元、嵌入式***、通讯接口板卡、 机箱和电源,可通过有线或无线方式受道边中控主机控制,调整、发送红外和 紫外检测光束,接收通过遥感辅机反射返回的光束,接收由遥感辅机发出的不 透光烟度检测光束,实时在线监测机动车尾气中的多污染组份如一氧化碳CO、 二氧化碳CO2、氮氧化合物NOX、碳氢化合物HC等以及不透光烟度/光吸收系 数,并将数据通过网络发送给道边中控主机。尾气遥感辅机至少包括尾气测量 反射单元。
尾气遥感检测站的遥感监测受到多方面因素的影响,并且这些随机干扰信 号没有确定的频谱,常规滤波无法提取或抑制信号误差,因此,不同测量之间 难以进行有效比对。
道边中控主机包括恒温中控机柜、工控机、中控软件以及安防监控单元; 其中,中控软件,负责与尾气遥感监控站各部件中嵌入式***通信和数据交换, 完成视频和数据采集,进行数据分析和数据管理;包括:读取气象仪的数据, 识别车辆牌照、计算速度/加速度,控制标准气体标定校准,减少环境温度、 光照、本底浓度等因素对检测结果的影响,获取紫外光谱、红外光谱信号和绿 色激光信号,通过尾气污染物浓度反演算法反演各尾气污染物的浓度值,识别 尾气排放超标的车辆,控制摄像机进行车辆拍照,并与后台监管中心的服务器 端平台通信和交换数据。
中控软件主要包括数据采集、计算存储、调试控制、状态监控、数据上传 和***设置等功能模块,其中,
数据采集模块负责与尾气遥感监测站各设备中的嵌入式***通信,接收测 量的原始数据;
计算存储模块负责对采集的原始数据进行反演计算和数据处理,并存储到 中控软件的本地数据库,主要是通过尾气污染物浓度反演算法反演各尾气污染 物的浓度值;以及基于电子时基计算车速、加速度和VSP值,用以分析车辆行 驶状态;
调试控制模块负责与尾气遥感监测站的各设备进行命令交互和控制,完成 调试、校准和控制功能;
状态监控模块实时监控各个硬件模块、工控机以及安防监控单元的运行状 态,一旦出现断电、设备故障或入侵等安全事件,及时发出告警;
数据上传模块负责将本地数据库存储的数据,包括车辆监测图片、视频, 车辆行驶数据,尾气监测数据和环境数据等,通过消息队列上传至后台监管中 心的服务器端中心数据库;
***设置模块提供图形化展示以及***基础信息维护和管理等功能。
机动车辆识别***包括车辆抓拍与车牌识别***及车载智能卡识别***, 在机动车进入测量区域时,自动抓取车牌图片和黑烟车,识别车牌号码,拍摄 过往机动车辆的尾烟视频,将车牌图片、车辆图片和录像并传送给工控机,并 以规定的格式存储到数据库中,实现限行车、***、黑烟车抓拍和尾气监测 智能一体化;机动车辆识别***可由尾气超标遥感数据触发或后台监管中心设 定的其他条件外部触发;其中,
固定式尾气监控站的车辆抓拍与车牌识别***包括摄像机、固定云台、L 型立杆及摄像机电源;
移动式尾气监控站的车辆抓拍与车牌识别***包括摄像机、无线视频服务 器、电动云台、三脚架及摄像机电源;
车载智能卡识别与读取***可接收车载智能卡发送的实时在线数据,并与 中控主机通讯和交换数据。
速度加速度传感***由发射接收单元和反射单元组成或者由发射单元和 接收单元组成。由至少两束激光组成两条光路,测量机动车通过传感器的时间, 获取机动车进入监测区时的速度、加速度等信号,并通过尾气遥感主机发送给 工控机。
如图3所示,标定车辆上部署了车载尾气检测设备、标准气发生***和车 载智能卡,并设定模拟标准尾气数据或车载尾气检测设备输出数据为尾气排放 的真实结果,用于对分布在城市道路各处的尾气遥感监控站的尾气排放测量数 据进行校准,一旦尾气遥感装置出现设备故障,导致遥感测量数据与模拟标准 尾气数据或车载尾气检测设备输出数据差异较大时,及时发出告警。
如图3所示,优选的标定车辆采用带有电力驱动的环保车辆,部署标准气 发生***、车载尾气检测设备和车载智能卡,以避免车辆自身的燃油尾气,对 模拟标准尾气产生干扰或污染;
如图4所示,标定车辆还可选定为燃油车辆,仅部署车载尾气检测设备和 车载智能卡。
再如图3所示,在使用燃油车辆作为标定车辆,并使用标准气发生***时, 应对车辆自身的尾气排放口进行改装,将尾气排放到指定的回收装置或较远位 置处,以免对模拟标准尾气造成干扰或污染。
如图5所示,标准气发生装置包括标准气配气组件、气体流量控制组件、 气体温度控制组件、配置组件和模拟排气装置。
标准气配气组件用于配置标准浓度的尾气,气体流量控制组件用于调节所 述标准气配气组件配置的尾气流出的速度,气体温度控制组件用于调节所述气 体流量控制组件流出的尾气的温度,模拟排气装置将所述气体温度控制组件流 出的尾气模拟汽车尾气管排出。
所述标准气配气组件、气体流量控制组件、气体温度控制组件、模拟排气 装置依次连接。
配置组件包括配置输入单元、配置存储单元、配置输出单元和配置软件。
配置输入单元分别与所述标准气配气组件、气体流量控制组件、气体温度 控制组件、模拟排气装置通信连接。
标准气配气组件包括用于存储压缩的尾气的标准气装置和用于存储稀释 气以和所述标准气装置释放的尾气混合的稀释气装置,以按配置要求配置混合 气体,将配置后的混合气体输出标准浓度和温度的混合气体,按配置要求设定 的流量、温度由所述模拟排气装置排出。
气体流量控制组件包括多路气体流量控制器和气体流量测量反馈装置,可 按***设定,精确输出标定或验证所需浓度,所需流量的标准尾气混合气体。 在一些实施例中,气体流量控制组件包括分别与所述标准气装置和稀释气装置 连接的两个气体流量控制器,以分别控制所述标准气装置和稀释气装置连接的 排放量,以按标准要求配置尾气。
在其他实施例中,标准气装置也可包括存储有不同尾气的若干存储仓,以 能单独排放或混合排放。进一步地,气体流量控制组件包括若干与各所述存储 仓和所述稀释气装置分别连接的气体流量控制器,以将不同的尾气以及稀释气 按比例混合。
气体温度控制组件包括气体温度调节装置和气体温度测量反馈装置,气体 温度调节装置与所述气体流量控制器连接、以调节排出的气体温度,可对标准 尾气的输出温度进行控制,使气体达到不同的设置温度,最大程度的模拟实际 机动车尾气的排放。气体温度测量反馈装置与所述气体温度调节装置通信连 接、以将调节后的温度信息向所述配置组件发送。
配置输入单元分别与所述标准气配气组件、气体流量控制组件、气体温度 控制组件、模拟排气装置通信连接;可与***中各个模块,以及车载智能卡连 接;配置输出单元与所述标定车辆上的车载智能卡通信连接,以将数据传出。
配置组件可通过配置软件输入车型、年限,模拟排放量等设置与操作,可 通过配置输入单元、计算存储单元、配置输出单元对***中各个模块进行设置 和动作控制,并可对气体流量和温度进行闭环自动控制,确保模拟标准混合尾 气的准确与稳定输出。
模拟排气装置能够根据需求,随时调整排气管在标定车辆上的排气位置、 排气角度,最大程度的复原各种车型的排气特点。
如图6所示,车载尾气检测设备包括尾气取样分析组件、GPS模块和检测 组件;
尾气取样分析组件包括尾气取样头、气泵、滤清器、气水分离器、尾气分 析仪;
尾气取样头设置在所述模拟排气装置的出气口内,优选地,尾气取样头插 入所述模拟排气装置或燃油标定车辆的尾气排放口取样,取样气体经过所述气 泵吸入,再经过所述滤清器和气水分离器传送到尾气分析仪;尾气分析仪实时 在线监测取样气体中的污染组份;
GPS模块实时获取标定车辆的GPS定位数据;
所述检测组件包括检测输入单元、计算存储单元、检测输出单元和检测软 件,与尾气取样分析组件、GPS模块,以及车载智能卡连接;通过检测软件将 采集到的GPS定位数据和尾气分析仪测量到的数据进行汇总和计算;输出车辆 速度、加速度和各污染物的瞬时体积浓度,并可实时在线将监测数据通过所述 车载智能卡传出,发送到尾气遥感监测站中机动车辆识别***的车载智能卡识 别与读取装置。
在其他实施例中,可以将气泵、滤清器、气水分离器取消,尾气取样头取 样的尾气也可直接向尾气分析仪传送进行检测;或者,将滤清器、气水分离器 取消,尾气取样头取样的尾气经气泵的出口排出向尾气分析仪传送;或者,将 气水分离器取消,尾气取样头取样的尾气经气泵传送到滤清器过滤后,再由滤 清器的出口排出向尾气分析仪传送。
在一些实施例中,尾气取样头位于所述模拟排气装置的端部设有能打开和 关闭的密封盖,以在打开后对所述所述模拟排气装置内的尾气取样,并在关闭 后让取样的尾气与所述模拟排气装置隔离。优选地,尾气取样头的外圈设有与 所述模拟排气装置的出气口密封的密封圈,可以表面外部气体对取样尾气的干 扰。在其他实施例中,尾气取样头的外圈与所述模拟排气装置的出气口螺接密 封。
车载尾气检测设备将尾气取样头直接***车辆尾气排放口取样,可以较大 程度的弱化环境、扬尘、道路共振等干扰因素的影响,并且其测量数据与遥感 监测数据时间同步,因此,可有效的用于与遥感监测数据的比对,识别并隔离 随机干扰信号,给出相对精确的尾气遥感监测结果。
标准气发生***的模拟设定数据,进一步消除了尾气遥感检测站以及车载 尾气检测设备中存在电子器件特性慢时变这一干扰因素,因此可对尾气遥感检 测站、以及车载尾气检测设备进行更精确的标定和校正,从而得出更加精确的 尾气遥感监测结果。
车载智能卡包括信息接入装置和信息传输装置,可向车载智能卡识别与读 取装置发送车载智能卡识别码,标定车辆的模拟标准尾气排放量,标定车辆的 模拟尾气排放车型、年限等车辆信息,车辆速度、加速度和各污染物的瞬时体 积浓度等车载设备测量数据,以及模拟标准尾气排放和车载尾气排放检测的判 定结果。
如图7所示,后台监管中心包括服务器端平台、服务器端中心数据库、信 息化应用***;分布在城市道路各处的多个尾气遥感监控站通过信息传输*** 与后台监管中心组成一个网络***,可与服务器端平台通信和交换数据,并通 过消息队列将本地数据库存储的数据上传至服务器端中心数据库。
信息化应用***包括车载智能卡应用***、高排污车辆判定模块和高排污 车辆监管***;
车载智能卡应用***可对车载智能卡识别码和***密钥进行管理,并具有 车载智能卡各类应用服务的管理功能。
高排污车辆判定模块包含自学习高排污车辆判定算法,可将机动车尾气遥 测数据中的环境相关变量、机动车信息相关变量、遥测尾气成分浓度、机动车 车载传感器实时测量的尾气成分浓度、标定车辆的标准气发生***模拟尾气成 分浓度等因素考虑在内,对尾气遥感监控站的高排污车辆判定结果进行修正, 从而提高高排污车辆判定结果的可靠性,并判定道边尾气遥感装置对机动车尾 气排放测量数据的有效性。
高排污车辆监管***可实时监测分布在城市道路各处的多个尾气遥感监 控站的过往车辆,对城市中正在行驶的机动车尾气排放数据进行检测并记录, 确认尾气排放超标的车辆,并对城市环境中机动车排放的多污染组份的尾气及 其分布进行监测和管理,从而实现对整座城市机动车尾气排放及其分布的监 管。
人工神经网络技术以数学网络拓扑为理论基础,以大规模并行性、高度容 错能力以及自适应、自学习、自组织等功能为特征,集信息分析与存储为一体, 因此,可结合车载尾气检测设备测量数据、车载尾气检测设备判定结果和标准 气发生***的模拟设定数据,创建基于尾气遥感监测的自学习高排污车辆判定 算法模型,最大限度的减少实际遥感监测中所无法控制的各种客观因素的影 响,从而提高尾气遥感监测的有效性以及对高排污车辆的正确判断率。
自学习高排污车辆判定算法既可部署在后台监管中心信息化应用***的 高排污车辆判定模块,也可部署在道边中控主机中控软件计算存储模块;可在 线或离线对道边尾气遥感测量数据进行分析和修正,最终形成一条完整、有效 的高排污车辆尾气排放判定结果。
当标定车辆仅部署车载尾气检测设备和车载智能卡时,机动车尾气遥感检 测自学习判定算法包括以下步骤:
S1、通过尾气遥感监测站、车载尾气检测设备采集标定车辆时间同步的数 据,所述数据包括运行工况、污染物浓度、机动车信息、道路信息、环境参数、 判定结果;
S2、将通过尾气遥感监测站、车载尾气检测设备得到的时间同步数据合并 成标定车辆的尾气排放数据集,并对样本数据集中的数据做清洗处理;
S3、针对步骤2中的样本数据集建立自学习排污判定算法模型,将所述标 定车辆尾气排放数据集作为输入变量,将车载尾气检测设备判定结果作为输出 变量,训练标定车辆尾气遥感检测结果修正模型,实现对标定车辆尾气遥感检 测结果的实时在线或离线修正。
所述运行工况包括:速度、加速度、比功率;其中,包括分别从尾气遥感 监测站和车载尾气检测设备获得的测量数据;
污染物浓度包括:一氧化碳体积浓度、二氧化碳体积浓度、氮氧化合物体 积浓度、碳氢化合物体积浓度、固体颗粒物的不透光烟度值中的部分或全部; 其中,包括分别从尾气遥感监测站和车载尾气检测设备获得的测量数据;
机动车信息包括:车辆类型、长度、发动机排量、基准质量、使用性质、 使用年限、是否安装催化转化器中的部分或全部,其中,包括通过牌照获取的 具有真实尾气排放的标定车辆实际数据;
道路信息包括:尾气遥感监测站标识、道路类型、坡度;
所述环境参数包括:风速、风向、环境温度、大气压强、相对湿度;
所述判定结果包括:遥测初始判定结果、车载尾气检测设备判定结果。
进一步地,步骤S2中尾气排放数据集中的每条样本数据包括每辆标定车 辆尾气遥测数据集部分、车载尾气检测数据集部分以及车载判定结果;
每条样本数据属性组成如下:
其中,D(i)表示标定车辆尾气排放数据集的第i条样本数据;
表示第i条样本数据中的尾气遥测数据集部分;
表示第i条样本数据中的车载尾气检测数据集部分;
S(i)表示第i条样本数据的车载尾气检测设备判定结果;
尾气遥测数据集中属性组成如下:
尾气遥测数据集的数据属性依次分别表示车辆行驶的速度、加速度、比功 率;尾气排放中的一氧化碳体积浓度、二氧化碳体积浓度、氮氧化合物体积浓 度、碳氢化合物体积浓度、固体颗粒物的不透光烟度值;道路信息中的坡度、 遥测设备安装点周围的风速、风向、环境温度、大气压强、相对湿度;尾气遥 感监测站的遥测初始判定结果15个变量;
车载尾气检测数据集属性组成如下:
车载尾气检测数据集的数据属性依次分别表示车辆行驶的速度、加速度、 比功率;尾气排放中的一氧化碳体积浓度、二氧化碳体积浓度、氮氧化合物体 积浓度、碳氢化合物体积浓度、固体颗粒物的不透光烟度值;车辆长度、发动 机排量、基准质量、使用性质、使用年限、是否安装催化转化器14个变量;
将车载尾气检测设备判定结果进行二值化分类的定义如下:
S(i)-{0,1}
其中,将0定义为判定结果超标,将1定义为判定结果合格。
步骤S3中,对样本数据集中的数据做清洗处理的步骤如下:
(1)将标定车辆的使用性质、是否安装催化转化器、尾气遥感监测站的 遥测初始判定结果和车载尾气检测设备判定结果进行二值化处理,其方法如下 表所示:
1 | 0 | |
使用性质 | 营运 | 非营运 |
是否安装催化转化器 | 安装 | 未安装 |
尾气遥感监测站的遥测初始判定结果 | 合格 | 超标 |
车载尾气检测设备的判定结果 | 合格 | 超标 |
(2)对其他非二值化的数据进行归一化处理,计算的公式如下:
其中,X表示某项数据属性中某条样本值,Xmax表示某项数据属性中的最 大值,Xmin表示某项数据属性中的最小值,X′表示归一化处理后的数值。
进一步地,步骤S4实施如下,以标定车辆为依据,选取BP神经网络模型, 将步骤2中所建立的尾气遥测数据集和车载尾气检测数据集作为BP神经网络 模型的输入变量,即BP神经网络输入层确定为29个节点,确定输入层。
进一步地,选取1个隐含层,确定隐含层的节点数为59。研究表明,只 有一个隐含层的BP神经网络,只要隐含层的节点数足够多,就可以任意精度 逼近一个非线性函数。因而一个三层的BP神经网络可以完成任意的n维到m 维的映射,故选取三层神经网络。
根据2N+1的原则,确定隐含层的节点数为59。可选的,隐含层的节点数 可分别选取不同的参考数值进行实验对比。
以标定车辆为依据,创建自学习高排污车辆判定算法模型,目的在于对机 动车尾气排放是否超标进行较高精度的判断,这是一个影响因素复杂的分类判 断问题。以车载尾气检测设备判定结果为标签变量,作为机动车尾气排放是否 超标的依据,可将一个复杂的设备校正问题巧妙地转化为一个典型的二分类问 题网络,并显著提升校正后的尾气遥感监测性能,故网络输出层确定为1个节 点。
将车载尾气检测设备判定结果作为BP神经网络模型的输出变量,数据格 式如下:
XZ(i)={0,1}
其中,将0定义为判定结果超标,将1定义为判定结果合格。
进一步地,选用BP神经网络中的LM(Levenberg-Marquardt)算法,输 入层确定为29个节点,建立一个29-59-1的三层BP神经网络结构。
基本网络结构确立后,在Matlab环境下对基于BP神经网络的高排污车辆 判定模型进行仿真,经过对比研究,找到合适的算法和最终确立的网络结构。
可选的,根据一般原则,选取接近2/3的样本数据做为训练样本,剩下的 做为测试样本,训练高排污车辆尾气遥感检测结果修正模型,最终实现对机动 车尾气遥感检测结果的实时在线或离线修正。
在一些实施例中,标定车辆带有标准气发生***,车载尾气检测设备还采 集所述标准气发生***排放的污染物浓度,污染物浓度和机动车信息分别包括 通过标准气发生***模拟设定的数据,所述判定结果包括标准气发生***模拟 设定判定结果。
进一步地,将车载尾气检测设备判定结果作为输入变量加入车载尾气检测 数据集,并将标准气发生***模拟设定判定结果作为BP神经网络模型的输出 变量。
由此,建立一个30-61-1的三层BP神经网络结构,再对基于BP神经网络 的标定车辆判定模型进行仿真,对比找到合适的算法和最终确立的网络结构, 训练标定车辆尾气遥感检测结果修正模型,实现对标定车辆尾气遥感检测结果 的实时在线或离线修正。
采用机动车尾气遥感检测自学习判定算法,具有以下有益效果:
1、根据尾气遥感监测站标识对每个尾气遥感监测站的测量数据进行修正;
2、根据车载智能卡识别码对每台标定车辆的测量数据进行较高精度的修 正;
3、根据车载智能卡识别码对每台装有标准气发生***的标定车辆本身的 测量数据进行较高精度的修正;
4、根据标准气发生***模拟设定判定结果对每个尾气遥感监测站的测量 数据进行更高精度的校正和标定。
可以理解地,上述各技术特征可以任意组合使用而不受限制。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利 用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运 用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种机动车自学习高排污车辆判定算法,其特征在于,包括以下步骤:
S1、通过尾气遥感监测站、车载尾气检测设备采集标定车辆时间同步的数据,所述数据包括运行工况、污染物浓度、机动车信息、道路信息、环境参数、判定结果;
S2、将通过尾气遥感监测站、车载尾气检测设备得到的时间同步数据合并成标定车辆的尾气排放数据集;
S3、对样本数据集中的数据做清洗处理;
S4、针对步骤2中的样本数据集建立自学习排污判定算法模型,将所述标定车辆尾气排放数据集作为输入变量,将所述车载尾气检测设备判定结果作为输出变量,训练所述标定车辆尾气遥感检测结果修正模型,实现对标定车辆尾气遥感检测结果的实时在线或离线修正。
2.根据权利要求1所述的机动车自学习高排污车辆判定算法,其特征在于,所述运行工况包括:速度、加速度、比功率;其中,包括分别从尾气遥感监测站和车载尾气检测设备获得的测量数据;
所述污染物浓度包括:一氧化碳体积浓度、二氧化碳体积浓度、氮氧化合物体积浓度、碳氢化合物体积浓度、固体颗粒物的不透光烟度值中的部分或全部;其中,包括分别从尾气遥感监测站和车载尾气检测设备获得的测量数据;
所述机动车信息包括:车辆类型、长度、发动机排量、基准质量、使用性质、使用年限、是否安装催化转化器中的部分或全部,其中,包括通过牌照获取的具有真实尾气排放的标定车辆实际数据;
所述道路信息包括:尾气遥感监测站标识、道路类型、坡度;
所述环境参数包括:风速、风向、环境温度、大气压强、相对湿度;
所述判定结果包括:遥测初始判定结果、车载尾气检测设备判定结果。
3.根据权利要求2所述的机动车自学习高排污车辆判定算法,其特征在于,所述步骤S2中尾气排放数据集中的每条样本数据包括每辆标定车辆尾气遥测数据集部分、车载尾气检测数据集部分以及车载判定结果;
每条样本数据属性组成如下:
其中,D(i)表示标定车辆尾气排放数据集的第i条样本数据;
表示第i条样本数据中的尾气遥测数据集部分;
表示第i条样本数据中的车载尾气检测数据集部分;
S(i)表示第i条样本数据的车载尾气检测设备判定结果;
尾气遥测数据集中属性组成如下:
尾气遥测数据集的数据属性依次分别表示车辆行驶的速度、加速度、比功率;尾气排放中的一氧化碳体积浓度、二氧化碳体积浓度、氮氧化合物体积浓度、碳氢化合物体积浓度、固体颗粒物的不透光烟度值;道路信息中的坡度、遥测设备安装点周围的风速、风向、环境温度、大气压强、相对湿度;尾气遥感监测站的遥测初始判定结果15个变量;
车载尾气检测数据集属性组成如下:
车载尾气检测数据集的数据属性依次分别表示车辆行驶的速度、加速度、比功率;尾气排放中的一氧化碳体积浓度、二氧化碳体积浓度、氮氧化合物体积浓度、碳氢化合物体积浓度、固体颗粒物的不透光烟度值;车辆长度、发动机排量、基准质量、使用性质、使用年限、是否安装催化转化器14个变量;
将车载尾气检测设备判定结果进行二值化分类的定义如下:
S(i)={0,1}
其中,将0定义为判定结果超标,将1定义为判定结果合格。
4.根据权利要求3所述的机动车自学习高排污车辆判定算法,其特征在于,所述步骤S3中,对样本数据集中的数据做清洗处理的步骤如下:
(1)将标定车辆的使用性质、是否安装催化转化器、尾气遥感监测站的遥测初始判定结果和车载尾气检测设备判定结果进行二值化处理,其方法如下表所示:
(2)对其他非二值化的数据进行归一化处理,计算的公式如下:
其中,X表示某项数据属性中某条样本值,Xmax表示某项数据属性中的最大值,Xmin表示某项数据属性中的最小值,X′表示归一化处理后的数值。
5.根据权利要求4所述的机动车自学习高排污车辆判定算法,其特征在于,所述步骤S4实施如下,将步骤3中所建立的尾气遥测数据集和车载尾气检测数据集作为BP神经网络模型的输入变量,即BP神经网络输入层确定为29个节点;
选取1个隐含层,确定隐含层的节点数为59;
输出层确定为1个节点,将车载尾气检测设备判定结果作为BP神经网络模型的输出变量,数据格式如下:
XZ(i)={0,1}
其中,将0定义为判定结果超标,将1定义为判定结果合格;
由此,建立一个29-59-1的三层BP神经网络结构,再对基于BP神经网络的标定车辆判定模型进行仿真,对比找到合适的算法和最终确立的网络结构,训练标定车辆尾气遥感检测结果修正模型,实现对标定车辆尾气遥感检测结果的实时在线或离线修正。
6.根据权利要求1至5任一项所述的机动车自学习高排污车辆判定算法,其特征在于,所述步骤S1中,所述标定车辆上设有标准气发生装置,所述车载尾气检测设备采集所述标准气发生***排放的污染物浓度;
所述污染物浓度和机动车信息分别包括通过标准气发生***模拟设定的数据,所述判定结果包括标准气发生***模拟设定判定结果。
7.根据权利要求6所述的机动车自学习高排污车辆判定算法,其特征在于,所述步骤S4中,将车载尾气检测设备判定结果作为输入变量加入车载尾气检测数据集,并将标准气发生***模拟设定判定结果作为BP神经网络模型的输出变量;
由此,建立一个30-61-1的三层BP神经网络结构,再对基于BP神经网络的标定车辆判定模型进行仿真,对比找到合适的算法和最终确立的网络结构,训练标定车辆尾气遥感检测结果修正模型,实现对标定车辆尾气遥感检测结果的实时在线或离线修正。
8.根据权利要求6所述的机动车自学习高排污车辆判定算法,其特征在于,所述标准气发生装置包括标准气配气组件、气体流量控制组件、气体温度控制组件、配置组件和模拟排气装置,所述标准气配气组件、气体流量控制组件、气体温度控制组件、模拟排气装置依次连接;
所述配置组件包括配置输入单元、配置存储单元、配置输出单元;
所述配置输入单元分别与所述标准气配气组件、气体流量控制组件、气体温度控制组件、模拟排气装置通信连接,以按配置要求配置混合气体,并将配置后的混合气体按配置要求设定的流量、温度由所述模拟排气装置排出。
所述配置输出单元与所述标定车辆上的车载智能卡通信连接,以将数据传出。
9.根据权利要求1至5任一项所述的机动车自学习高排污车辆判定算法,其特征在于,所述车载尾气检测设备包括尾气取样分析组件、GPS模块和检测组件;
所述尾气取样分析组件包括尾气取样头、气泵、滤清器、气水分离器、尾气分析仪;
所述尾气取样头***所述模拟排气装置或燃油标定车辆的尾气排放口取样,取样气体经过所述气泵吸入,再经过所述滤清器和气水分离器传送到尾气分析仪;尾气分析仪实时在线监测取样气体中的污染组份;
所述GPS模块实时获取标定车辆的GPS定位数据;
所述检测组件包括检测输入单元、计算存储单元、检测输出单元和检测软件,与尾气取样分析组件、GPS模块,以及车载智能卡连接;通过检测软件将采集到的GPS定位数据和尾气分析仪测量到的数据进行汇总和计算;输出车辆速度、加速度和各污染物的瞬时体积浓度,并实时在线将监测数据通过所述车载智能卡传出。
10.一种机动车尾气遥测和监管***,其特征在于,包括高排污车辆判定模块和高排污车辆监管***,所述高排污车辆判定模块包含权利要求1至9任一项所述的机动车自学习高排污车辆判定算法,以在所述高排污车辆监管***对机动车尾气排放数据检测并记录时,根据所述判定算法确认机动车的尾气排放是否超标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524815.2A CN110243762A (zh) | 2019-06-18 | 2019-06-18 | 机动车尾气遥测和监管***及自学习高排污车辆判定算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910524815.2A CN110243762A (zh) | 2019-06-18 | 2019-06-18 | 机动车尾气遥测和监管***及自学习高排污车辆判定算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110243762A true CN110243762A (zh) | 2019-09-17 |
Family
ID=67887714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910524815.2A Pending CN110243762A (zh) | 2019-06-18 | 2019-06-18 | 机动车尾气遥测和监管***及自学习高排污车辆判定算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110243762A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749561A (zh) * | 2019-12-24 | 2020-02-04 | 湖南轩源环保科技有限公司 | 移动式机动车尾气遥测*** |
CN110827444A (zh) * | 2019-11-06 | 2020-02-21 | 清华大学 | 适用于obd远程排放监控数据的重型车排放因子获取方法 |
CN111145557A (zh) * | 2019-12-24 | 2020-05-12 | 湖南轩源环保科技有限公司 | 机动车类型的识别方法、***、设备和可读存储介质 |
CN111551676A (zh) * | 2020-05-18 | 2020-08-18 | 浙江新寰科环保科技股份有限公司 | 一种温室气体排放的监测方法 |
CN111899508A (zh) * | 2020-07-08 | 2020-11-06 | 合肥驭翔机动车检测服务有限公司 | 一种机动车尾气拦截检测方法及其*** |
CN112630164A (zh) * | 2020-12-23 | 2021-04-09 | 广东城市智慧物联网技术有限公司 | 一种机动车尾气检测*** |
CN112834235A (zh) * | 2020-12-31 | 2021-05-25 | 安徽宝龙环保科技有限公司 | 车辆尾气检测方法、装置、计算机设备以及可读存储介质 |
CN112905960A (zh) * | 2021-02-18 | 2021-06-04 | 中国环境科学研究院 | 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 |
CN113188807A (zh) * | 2021-02-05 | 2021-07-30 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
CN113450573A (zh) * | 2020-03-25 | 2021-09-28 | 重庆翼动科技有限公司 | 基于无人机图像识别的交通监测方法和交通监测*** |
CN114692749A (zh) * | 2022-03-28 | 2022-07-01 | 中山大学 | 一种机动车尾气遥感检测数据的处理与分析方法 |
CN114882614A (zh) * | 2022-07-11 | 2022-08-09 | 杭州春来科技有限公司 | 一种机动车碳排放监测方法及*** |
CN114924031A (zh) * | 2022-03-15 | 2022-08-19 | 江苏省计量科学研究院(江苏省能源计量数据中心) | 一种机动车尾气遥感监测***检测装置 |
CN115728445A (zh) * | 2022-10-15 | 2023-03-03 | 北京中立格林传感科技股份有限公司 | 传感器校准方法、装置、设备及计算机可读存储介质 |
CN116154239A (zh) * | 2023-04-14 | 2023-05-23 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
CN116165350A (zh) * | 2023-03-13 | 2023-05-26 | 山东交通学院 | 基于遥感技术的柴油车污染物检测方法、***及设备 |
CN116448949A (zh) * | 2023-03-22 | 2023-07-18 | 宁波远亚车辆检测有限公司 | 一种汽车污染物检测方法、***、智能终端及存储介质 |
CN116778719A (zh) * | 2023-08-24 | 2023-09-19 | 中汽科技(北京)有限公司 | 基于pems中gps数据的实时路况预测方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106644951A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气遥测设备校正方法 |
CN106650287A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于mlp神经网络的机动车尾气排放因子估计方法 |
CN108195764A (zh) * | 2017-11-20 | 2018-06-22 | 北京雪迪龙科技股份有限公司 | 对尾气遥测***进行标定或验证的标准气发生***及方法 |
CN108226046A (zh) * | 2017-12-26 | 2018-06-29 | 中国科学技术大学 | 一种机动车尾气遥测结果修正方法 |
-
2019
- 2019-06-18 CN CN201910524815.2A patent/CN110243762A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106644951A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种机动车尾气遥测设备校正方法 |
CN106650287A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于mlp神经网络的机动车尾气排放因子估计方法 |
CN108195764A (zh) * | 2017-11-20 | 2018-06-22 | 北京雪迪龙科技股份有限公司 | 对尾气遥测***进行标定或验证的标准气发生***及方法 |
CN108226046A (zh) * | 2017-12-26 | 2018-06-29 | 中国科学技术大学 | 一种机动车尾气遥测结果修正方法 |
Non-Patent Citations (1)
Title |
---|
曾君 等: "基于遥感监测的高排污车辆鉴别", 《第25届中国控制会议论文集(上册)》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110827444B (zh) * | 2019-11-06 | 2020-10-13 | 清华大学 | 适用于obd远程排放监控数据的重型车排放因子获取方法 |
CN110827444A (zh) * | 2019-11-06 | 2020-02-21 | 清华大学 | 适用于obd远程排放监控数据的重型车排放因子获取方法 |
CN110749561A (zh) * | 2019-12-24 | 2020-02-04 | 湖南轩源环保科技有限公司 | 移动式机动车尾气遥测*** |
CN111145557A (zh) * | 2019-12-24 | 2020-05-12 | 湖南轩源环保科技有限公司 | 机动车类型的识别方法、***、设备和可读存储介质 |
CN113450573A (zh) * | 2020-03-25 | 2021-09-28 | 重庆翼动科技有限公司 | 基于无人机图像识别的交通监测方法和交通监测*** |
CN111551676A (zh) * | 2020-05-18 | 2020-08-18 | 浙江新寰科环保科技股份有限公司 | 一种温室气体排放的监测方法 |
CN111899508A (zh) * | 2020-07-08 | 2020-11-06 | 合肥驭翔机动车检测服务有限公司 | 一种机动车尾气拦截检测方法及其*** |
CN112630164A (zh) * | 2020-12-23 | 2021-04-09 | 广东城市智慧物联网技术有限公司 | 一种机动车尾气检测*** |
CN112834235A (zh) * | 2020-12-31 | 2021-05-25 | 安徽宝龙环保科技有限公司 | 车辆尾气检测方法、装置、计算机设备以及可读存储介质 |
CN113188807A (zh) * | 2021-02-05 | 2021-07-30 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
CN113188807B (zh) * | 2021-02-05 | 2024-05-03 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
CN112905960A (zh) * | 2021-02-18 | 2021-06-04 | 中国环境科学研究院 | 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 |
CN112905960B (zh) * | 2021-02-18 | 2024-04-19 | 中国环境科学研究院 | 用于判定尾气烟羽数据有效性和对其筛选的方法及产品 |
CN114924031A (zh) * | 2022-03-15 | 2022-08-19 | 江苏省计量科学研究院(江苏省能源计量数据中心) | 一种机动车尾气遥感监测***检测装置 |
CN114692749A (zh) * | 2022-03-28 | 2022-07-01 | 中山大学 | 一种机动车尾气遥感检测数据的处理与分析方法 |
CN114692749B (zh) * | 2022-03-28 | 2024-04-19 | 中山大学 | 一种机动车尾气遥感检测数据的处理与分析方法 |
CN114882614A (zh) * | 2022-07-11 | 2022-08-09 | 杭州春来科技有限公司 | 一种机动车碳排放监测方法及*** |
CN115728445A (zh) * | 2022-10-15 | 2023-03-03 | 北京中立格林传感科技股份有限公司 | 传感器校准方法、装置、设备及计算机可读存储介质 |
CN116165350B (zh) * | 2023-03-13 | 2023-09-29 | 山东交通学院 | 基于遥感技术的柴油车污染物检测方法、***及设备 |
CN116165350A (zh) * | 2023-03-13 | 2023-05-26 | 山东交通学院 | 基于遥感技术的柴油车污染物检测方法、***及设备 |
CN116448949A (zh) * | 2023-03-22 | 2023-07-18 | 宁波远亚车辆检测有限公司 | 一种汽车污染物检测方法、***、智能终端及存储介质 |
CN116448949B (zh) * | 2023-03-22 | 2023-10-31 | 宁波远亚车辆检测有限公司 | 一种汽车污染物检测方法、***、智能终端及存储介质 |
CN116154239B (zh) * | 2023-04-14 | 2023-11-21 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
CN116154239A (zh) * | 2023-04-14 | 2023-05-23 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
CN116778719A (zh) * | 2023-08-24 | 2023-09-19 | 中汽科技(北京)有限公司 | 基于pems中gps数据的实时路况预测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110243762A (zh) | 机动车尾气遥测和监管***及自学习高排污车辆判定算法 | |
CN210221806U (zh) | 污染判定标定车辆及其车载尾气检测设备 | |
CN207396336U (zh) | 光程检测机动车尾气装置 | |
CN108226046B (zh) | 一种机动车尾气遥测结果修正方法 | |
US10055906B1 (en) | System and method to detect emissions OBD false failures | |
US5719396A (en) | Systems and methods for determining compliance of moving vehicles with emission-concentration standards | |
US7544943B2 (en) | Method and system for remote exhaust emission measurement | |
CN108197731B (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
WO2019025906A1 (zh) | 一种提高大气污染物监测数据客观性的方法及*** | |
CN112113912A (zh) | 一种柴油车排放遥感大数据监测***及监测方法 | |
CN106840260A (zh) | 机动车污染源在线监测*** | |
US10337989B2 (en) | System and method to detect vehicle emissions noncompliance | |
CN206114513U (zh) | 一种汽柴一体化机动车尾气遥感监测*** | |
EP1989532A1 (en) | Method and system for remote exhaust emission measurement | |
CN109489978A (zh) | 一种基于V-a工况的柴油机车多种排放检测方法的多源数据关联分析方法 | |
CN205280576U (zh) | 一种车船排放烟度遥感监测*** | |
CN109238987B (zh) | 一种多光谱汽车尾气监测装置 | |
CN105675824A (zh) | 一种机动车瞬态工况法简易排放测试*** | |
CN107356564A (zh) | 一种汽车尾气遥感检测***及其检测方法 | |
CN106855491A (zh) | 一种基于智能灯网的车辆尾气排放检测判别*** | |
CN211122510U (zh) | 污染判定标定车辆用标准气发生装置及污染判定标定车辆 | |
CN107036984A (zh) | 一种机动车尾气排放遥测*** | |
CN202832728U (zh) | 远程汽车尾气排放检测装置及汽车 | |
CN111145556A (zh) | 黑烟车车牌识别方法、***、设备和可读存储介质 | |
CN207636476U (zh) | 一种汽车尾气遥感检测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190917 |