CN113295826B - 一种基于车联网的机动车尾气排放测试管理***及智能诊断方法 - Google Patents

一种基于车联网的机动车尾气排放测试管理***及智能诊断方法 Download PDF

Info

Publication number
CN113295826B
CN113295826B CN202110565459.6A CN202110565459A CN113295826B CN 113295826 B CN113295826 B CN 113295826B CN 202110565459 A CN202110565459 A CN 202110565459A CN 113295826 B CN113295826 B CN 113295826B
Authority
CN
China
Prior art keywords
data
unit
analysis
emission
parameters
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.)
Active
Application number
CN202110565459.6A
Other languages
English (en)
Other versions
CN113295826A (zh
Inventor
郑君瑜
廖松地
余飞
朱曼妮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jinan University
Original Assignee
Jinan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jinan University filed Critical Jinan University
Priority to CN202110565459.6A priority Critical patent/CN113295826B/zh
Publication of CN113295826A publication Critical patent/CN113295826A/zh
Application granted granted Critical
Publication of CN113295826B publication Critical patent/CN113295826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
    • G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明公开了一种基于车联网的机动车尾气排放测试管理***及智能诊断方法，包括机动车尾气车载排放测试平台、多监测模块综合控制与协同管理平台、基于神经网络的数据集合分析平台。本发明基于车联网技术将各测量单元结合先进的通讯技术、数据处理技术、网络技术，实现整个测量***有机结合建立起一种实时、准确、高效的机动车车载排放测试管理***，实现对车载排放测试管理***采集到的各单元监测数据进行快速分析诊断。

Description

一种基于车联网的机动车尾气排放测试管理***及智能诊断 方法
技术领域
本发明涉及车载排放测试领域，特别涉及一种基于车联网的机动车尾气排放测试管理***及智能诊断方法。
背景技术
近年来，我国机动车保有量迅速增长，机动车尾气排放已成为城市大气污染的重要贡献源。随着对机动车排放标准的加严对机动车污染物排放限值和测试循环提出了更高的要求。传统的机动车排放测试主要通过实验室台架上进行，且关注的污染物主要为CO、NO、NO2、THC和PM等常规组分。由于台架实验不能完全模拟实际道路行驶过程中的道路坡度信息，风速信息，机动车负载等重要工况参数，台架测试不能完全反映出机动车实际工况排放特征。在我国最新发布的《轻型汽车污染物排放限值及测量方法(中国第六阶段)》(GB18352.6-2016)中首次提出机动车实际道路尾气排放检测要求和标准。
针对日益突出的机动车实际道路排放测试需求，国内外开发了相应的车载排放测试***。然而目前的车载排放测试***仅能满足当前法规中的常规污染物监测，同时最新研究发现机动车尾气排放是大气自由基重要前体物甲醛和亚硝酸的主要直接来源之一，也是导致目前重污染事件发生的原因之一。由于目前尚无可以对实际道路机动车排放甲醛和亚硝酸进行实时测量的设备，导致对机动车排放甲醛和亚硝酸特征了解十分欠缺。同时现有的车载测试***存在着耗能大，***操作性差，数据分析滞后，仅能对单台检测设备的管理控制。
随着物联网技术的发展，智能交通已成为各个城市的重要方向，将机动车污染物排放检测实现互联将可以实现智能交通的绿色出行和优化调度。
发明内容
为了克服现有技术中的不足，本发明提供一种基于车联网的机动车尾气排放测试管理***及智能诊断方法，基于车联网技术将各测量单元结合先进的通讯技术、数据处理技术、网络技术，实现对车载排放测试测试管理***采样到的各单元监测数据进行快速分析诊断。
为了达到上述发明目的，解决其技术问题所采用的技术方案如下：
本发明公开了一种基于车联网的机动车尾气排放测试管理***，包括机动车尾气车载排放测试平台、多监测模块综合控制与协同管理平台、基于神经网络的数据集合分析平台，其中：
所述机动车尾气车载排放测试平台包括若干尾气分析单元、动态稀释单元、环境监测单元、OBD解码单元、GPS定位单元、视频监控单元、上位机控制单元和路由器，其中：
所述动态稀释单元通过加热采样管与机动车尾气管相连接，用于对机动车尾气的预处理以降低尾气的温度和湿度；
所述尾气分析单元与所述动态稀释单元的出气口相连接，用于尾气排放各污染物的实时浓度测量；
所述环境监测单元，用于获取环境条件信息以便于进行尾气排放量计算的修订；
所述OBD解码单元，用于获取机动车的发动机转数与车速；
所述GPS定位单元，用于获取机动车的实时位置与速度；
所述视频监控单元，用于记录行驶路线的道路信息以便于查看路面特征；
所述上位机控制单元与所述尾气分析单元、动态稀释单元、环境监测单元、OBD解码单元、GPS定位单元和视频监控单元通讯连接，并与所述路由器相连接，所述上位机控制单元与路由器都具有唯一的标识码，用于收集上述各单元的监测数据并通过路由器将上述各单元的监测数据打包上传到所述多监测模块的综合控制与协同管理；
所述多监测模块综合控制与协同管理平台，用于将所述机动车尾气车载排放测试平台各个单元的监测数据根据车联网协议实现对各个单元的综合控制与协同管理；
所述数据集合分析平台，用于通过神经网络算法对上传到所述多监测模块综合控制与协同管理平台的监测数据进行诊断分析。
进一步的，所述多监测模块综合控制与协同管理平台包括云平台、数据库服务器、应用服务器和网页服务器，其中：
所述云平台与所述路由器通讯连接，用于接收所述上位机控制单元通过所述路由器打包上传的监测数据；
所述数据库服务器，用于根据标识码对打包上传的监测数据进行分类存储；
所述应用服务器，用于根据标识码对监测数据进行分配管理，对应不用权限的用户进行开放读写功能；
所述网页服务器，用于根据所述数据集合分析平台的需求解析命令并对所述应用服务器与数据库服务器进行相关操作。
进一步的，所述数据集合分析平台包括WEB浏览端和***操作端，所述***操作端可操作包括数据智能诊断单元、排放统计分析单元、交互式反馈单元、历史数据查询单元、车辆工况分析单元、用户管理***单元、实时数据展示单元、实时定位跟踪单元和仪器状态跟踪单元，上述各单元的功能通过所述WEB浏览端进行显示和查阅，其中：
所述数据智能诊断单元，用于根据检测的数据进行拟合分析并与排放模型进行对比从而诊断出测试结果的可靠性；
所述排放统计分析单元，用于对各项检测数据进行数理统计并计算各种污染物的稳态与瞬态的排放因子进而进行相关性的分析；
所述交互式反馈单元，用于根据诊断与数据分析结果对上位机***和实验操作人员进行实时信息反馈；
所述历史数据查询单元，用于对以往存储检测数据进行条件查询、下载并进行相关数理分析；
所述车辆工况分析单元，用于根据OBD数据和GPS数据进行车辆行驶工况的特征分析；
所述用户管理***单元，用于根据用户的不同权限开放不同的数据操作功能和设备管理功能进而提高后台设备管理压力；
所述实时数据展示单元，用于对实时远程传输上来的数据进行实时展示；
所述实时定位跟踪单元，用于根据GPS数据信息，结合地图API，实时在地图上展示车辆的位置信息，跟踪车辆轨迹；
所述仪器状态跟踪单元，用于根据仪器内部参数信息，了解仪器的运行状态，监控仪器的各项指标，对仪器进行维护管理。
本发明另外一种基于车联网的机动车尾气排放智能诊断方法，利用上述机动车尾气排放测试管理平台进行智能诊断，包括以下步骤：
步骤1：通过远程在线数据传输获取测试过程数据；
步骤2：数据清洗，对车辆信息、工况参数、尾气排放特征、设备参数进行区分统计；
步骤3：计算参数间的单参数相关性与多参数相关性统计分析，同时加入各排放标准区间阈值分析；
步骤4：利用主成分分析进行各项参数的特征值划分区间；
步骤5：利用划分结果与各项排放数据和仪器状态作为训练和验证集的输入和输出，进行神经网络LightGBM模型训练；
步骤6：利用训练好的神经网络模型诊断实时状态下机动车排放及设备状态的情况，做好实时的诊断和反馈。
进一步的，步骤1具体包括以下内容：
每个所述机动车尾气车载排放测试平台的上位机控制单元与路由器相连接，上位机控制单元通过协议串口对测试平台的数据进行采集，程序处理后重新对数据生成报文，采用TCP/IP的协议形式通过路由器的3G/4G网络与远程的服务器进行访问连接，数据上传到数据库服务器进行数据存储，在应用服务器中进行数据分析展示的实现。
进一步的，步骤2具体包括以下内容：
数据清洗主要针对缺失值、异常值和极端值进行清洗；
对于由于仪器信号中断导致的数据缺失时，当缺失比例在5％以内时采用临近值插补法，当缺失比例大于5％时考虑舍弃该变量；
对于异常值和极端值清洗，仪器检测数据突然跳为0或超过仪器检出上限值时，异常值和极端值会严重影响数据统计分析则作剔除处理。
进一步的，步骤3具体包括以下内容：
对数据进行清洗后，对每个参数进行两两的统计分析，采用Pearson计算公式计算其相关系数以及确定参数之间的拟合函数方程，筛选出具有显著相关性的参数关系序列，Pearson相关系数计算需要进行两个步骤的数据处理：
步骤31：计算两列数据的协方差：
Figure BDA0003080544090000051
步骤32：计算相关系数：
Figure BDA0003080544090000052
其中，x、y表示需要进行分析的两个参数，在进行相关性计算后，拟合两个参数的函数关系，得出参数间的拟合方程。
进一步的，步骤4具体包括以下内容：
主成分分析法是一种降维的统计方法，借助于一个正交变换，将其参数相关的原随机参数转化成其参数不相关的新随机参数，使之指向样本点散布最开的p个正交方向，然后对多维变量***进行降维处理，使之能以一个较高的精度转换成低维变量***，再通过构造适当的价值函数，进一步把低维***转化成一维***；基于主成分分析之后，进一步对统计的参数进行相关性分类以及具化各参数间的关系，主成分分析过程主要分为三个步骤：
步骤41：确定主成分的个数I，首先按照相关系数由大到小排序，以P表示，P1为第一主成分，如果第一主成分不足以代表原来i个指标的信息，再考虑选取P2即选第二个线性组合，为了有效地反映原来信息，P1已有的信息就不需要再出现在P2中，用数学语言表达就是要求Cov(P1，P2)＝0，则称P2为第二主成分，依此类推可以构造出第三、第四，……，第i个主成分；
步骤42：列出主成分表达式：
P1＝a1Z1+a2Z2+...+aiZi
其中，ai为参数列协方差阵的特征值所对应的特征向量，Zi为参数列经过标准化之后的新列；
A＝(ai)*i×P＝(a1，a2，...，ai)
Figure BDA0003080544090000061
其中，R为相关系数矩阵，λi、ai是相应的特征值和单位特征向量，λ1≥λ2≥...≥λp≥0；
步骤43：对数据处理之后新的相关列进行命名。
进一步的，步骤5具体包括以下内容：
将步骤4中提取的特征值和训练集数据输入LightGBM模型，对LightGBM模型进行训练输出得到训练完成模型进行存储备用。
进一步的，步骤6具体包括以下内容：
完成模型训练后，输入测试集对应特征数据，对比模型输出数据与测试集数据的偏差，若偏差在合理范围内则测试结果有效，若偏差超出设定偏差则将信息反馈给测试端，此次测试无效。
本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
1、本发明通过构建机动车排放监测的“检测端-管理端-云计算”三层车联网***体系，实现机动车尾气排放车载测试、各检测单元及后台管理人员的互联互通。其中包括集成一套满足实际道路机动车尾气排放测量的车载测试平台；将测试平台各个单元数据根据车联网协议实现对各模块的综合管理和控制，对各模块数据统一上传到后台服务器；建立基于神经网络算法对上传到服务器的数据进行诊断分析，过程包括了对监测数据的清洗，参数间的相关性分析，主成分分析与神经网络算法的训练，通过训练结果的校验生成智能算法框架，在数据监测过程中对测试现场进行实时的数据质量反馈。
2、本发明应用无线传输技术，应用服务器存储与数据处理技术，搭建排放分析处理模型，对监测数据进行有效的数据清洗，相关性分析，主成分分析与神经网络算法分析的方式实现大数据的可视化分析，并进行数据诊断。在能够同时监控多辆机动车尾气排放的情况下，组网方便、灵活性高。
3、本发明综合了机动车实际道路尾气排放测试所需要的各项测试参数，并实时动态监测各项参数，高效的数据传输与数据存储，保障了数据的质量与实时性。
4、本发明运用多个服务器，负载均衡搭配，能够实现大数据量存储与计算，服务器自动备份，保障数据安全。
5、本发明数据集合分析平台，功能多样，数据分析工具齐全，能够实现智能分析诊断，与上位机软件和实验人员进行交互式管理，实时反馈检测数据质量，极大提高工作效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：
图1是本发明一种基于车联网的机动车尾气排放测试管理***的结构框图；
图2是本发明一种基于车联网的机动车尾气排放智能诊断方法的流程示意图；
图3是本发明一种基于车联网的机动车尾气排放智能诊断方法中步骤2的参数分析示意图；
图4是本发明各污染基于里程的排放因子与速度的拟合关系图；
图5是本发明各污染基于里程的排放因子与速度的主成分分析结果图。
【主要符号说明】
尾气分析单元1-1；动态稀释单元1-2；环境监测单元1-3；OBD解码单元1-4；GPS定位单元1-5；视频监控单元1-6；上位机控制单元1-7；路由器1-8；
数据库服务器2-1；云平台2-2；应用服务器2-3；网页服务器2-4；
WEB浏览端3-1；***操作端3-2；数据智能诊断单元3-3；排放统计分析单元3-4；交互式反馈单元3-5；历史数据查询单元3-6；车辆工况分析单元3-7；用户管理***单元3-8；实时数据展示单元3-9；实时定位跟踪单元3-10；仪器状态跟踪单元3-11。
具体实施方式
以下将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整的描述和讨论，显然，这里所描述的仅仅是本发明的一部分实例，并不是全部的实例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
实施例一
如图1所示，本发明公开了一种基于车联网的机动车尾气排放测试管理***，包括机动车尾气车载排放测试平台、多监测模块综合控制与协同管理平台、基于神经网络的数据集合分析平台，其中：
所述机动车尾气车载排放测试平台包括若干尾气分析单元1-1、动态稀释单元1-2、环境监测单元1-3、OBD解码单元1-4、GPS定位单元1-5、视频监控单元1-6、上位机控制单元1-7和路由器1-8，各单元通过标准接口RS485/232与上位机控制单元1-7连接通讯，实现各单元各工作状态的切换与进行检测数据的传输，其中：
所述动态稀释单元1-2通过加热采样管与机动车尾气管相连接，用于对机动车尾气的预处理以降低尾气的温度和湿度，同时能够根据检测***的类别设置不同的稀释比以达到不同检测仪器检测限要求；
所述尾气分析单元1-1与所述动态稀释单元1-2的出气口相连接，用于尾气排放各污染物的实时浓度测量，获取尾气中二氧化碳、一氧化碳、氮氧化物和总碳氢的污染物排放值；
所述环境监测单元1-3，用于获取环境条件信息(如大气温湿度和大气压等)以便于进行尾气排放量计算的修订；
所述OBD解码单元1-4，用于获取机动车CAN总线中的具体参数，包括发动机转数、车速等；
所述GPS定位单元1-5，用于获取机动车的实时位置信息、速度和高程等；
所述视频监控单元1-6，用于记录行驶路线的道路信息以便于查看路面特征；
所述上位机控制单元1-7与所述尾气分析单元1-1、动态稀释单元1-2、环境监测单元1-3、OBD解码单元1-4、GPS定位单元1-5和视频监控单元1-6通讯连接，并与所述路由器1-8相连接，所述上位机控制单元1-7与路由器1-8都具有唯一的标识码，用于收集上述各单元的监测数据并通过路由器1-8将上述各单元的监测数据打包上传到所述多监测模块的综合控制与协同管理；
所述多监测模块综合控制与协同管理平台，用于将所述机动车尾气车载排放测试平台各个单元的监测数据根据车联网协议实现对各个单元的综合控制与协同管理；
所述数据集合分析平台，用于通过神经网络算法对上传到所述多监测模块综合控制与协同管理平台的监测数据进行诊断分析。
进一步的，所述多监测模块综合控制与协同管理平台包括云平台2-2、数据库服务器2-1、应用服务器2-3和网页服务器2-4，其中：
所述云平台2-2使用TCP/IP协议与所述路由器1-8通讯连接，用于接收所述上位机控制单元1-7通过所述路由器1-8打包上传的监测数据；
所述数据库服务器2-1，用于根据标识码对打包上传的监测数据进行分类存储；
所述应用服务器2-3，用于根据标识码对监测数据进行分配管理，对应不同权限的用户进行开放读写功能；
所述网页服务器2-4，用于根据所述数据集合分析平台的需求解析命令并对所述应用服务器2-3与数据库服务器2-1进行相关操作。
进一步的，所述数据集合分析平台包括WEB浏览端3-1和***操作端3-2，所述***操作端3-2可操作包括数据智能诊断单元3-3、排放统计分析单元3-4、交互式反馈单元3-5、历史数据查询单元3-6、车辆工况分析单元3-7、用户管理***单元3-8、实时数据展示单元3-9、实时定位跟踪单元3-10和仪器状态跟踪单元3-11，上述各单元的功能通过所述WEB浏览端3-1进行显示和查阅，其中：
所述数据智能诊断单元3-3，用于根据检测的数据进行拟合分析并与排放模型进行对比从而诊断出测试结果的可靠性；
所述排放统计分析单元3-4，用于对各项检测数据进行数理统计并计算各种污染物的稳态与瞬态的排放因子进而进行相关性的分析；
所述交互式反馈单元3-5，用于根据诊断与数据分析结果对上位机***和实验操作人员进行实时信息反馈；
所述历史数据查询单元3-6，用于对以往存储检测数据进行条件查询、下载并进行相关数理分析；
所述车辆工况分析单元3-7，用于根据OBD数据和GPS数据进行车辆行驶工况的特征分析；
所述用户管理***单元3-8，用于根据用户的不同权限开放不同的数据操作功能和设备管理功能进而提高后台设备管理压力；
所述实时数据展示单元3-9，用于对实时远程传输上来的数据进行实时展示，包括动态曲线展示，动态模拟图展示等；
所述实时定位跟踪单元3-10，用于根据GPS数据信息，结合地图API，实时在地图上展示车辆的位置信息，跟踪车辆轨迹；
所述仪器状态跟踪单元3-11，用于根据仪器内部参数信息，了解仪器的运行状态，监控仪器的各项指标，对仪器进行维护管理。
所述数据集合分析平台不仅集成上述功能，还提供各类数据包与数据分析插件的加载，能够实现对数据的定制化处理。
实施例二
如图2和3所示，本发明另外一种基于车联网的机动车尾气排放智能诊断方法，利用上述机动车尾气排放测试管理平台进行智能诊断，包括以下步骤：
步骤1：通过远程在线数据传输获取测试过程数据；
步骤2：数据清洗，对车辆信息、工况参数、尾气排放特征、设备参数和其他参数进行区分统计；
步骤3：计算参数间的单参数相关性与多参数相关性统计分析，同时加入各排放标准区间阈值分析；
步骤4：利用主成分分析进行各项参数的特征值划分区间；
步骤5：利用划分结果与各项排放数据和仪器状态作为训练和验证集的输入和输出，进行神经网络LightGBM模型训练；
步骤6：利用训练好的神经网络模型诊断实时状态下机动车排放及设备状态的情况，做好实时的诊断和反馈。
进一步的，步骤1具体包括以下内容：
每个所述机动车尾气车载排放测试平台的上位机控制单元1-7与路由器1-8相连接，上位机控制单元1-7通过协议串口对测试平台的数据进行采集，程序处理后重新对数据生成报文，采用TCP/IP的协议形式通过路由器1-8的3G/4G网络与远程的服务器进行访问连接，数据上传到数据库服务器2-1进行数据存储，在应用服务器2-3中进行数据分析展示的实现。
进一步的，步骤2具体包括以下内容：
数据清洗主要针对缺失值、异常值和极端值进行清洗；
对于由于仪器信号中断导致的数据缺失时，当缺失比例在5％以内时采用临近值插补法，当缺失比例大于5％时考虑舍弃该变量；
对于异常值和极端值清洗，如仪器检测数据突然跳为0或超过仪器检出上限值时，异常值和极端值会严重影响数据统计分析则作剔除处理。
进一步的，步骤3具体包括以下内容：
对数据进行清洗后，对每个参数进行两两的统计分析，采用Pearson计算公式计算其相关系数以及确定参数之间的拟合函数方程，筛选出具有显著相关性的参数关系序列，Pearson相关系数计算需要进行两个步骤的数据处理：
步骤31：计算两列数据的协方差：
Figure BDA0003080544090000111
步骤32：计算相关系数：
Figure BDA0003080544090000112
其中，x、y表示需要进行分析的两个参数，在进行相关性计算后，拟合两个参数的函数关系，得出参数间的拟合方程。
进一步的，步骤4具体包括以下内容：
主成分分析法是一种降维的统计方法，借助于一个正交变换，将其参数相关的原随机参数转化成其参数不相关的新随机参数，使之指向样本点散布最开的p个正交方向，然后对多维变量***进行降维处理，使之能以一个较高的精度转换成低维变量***，再通过构造适当的价值函数，进一步把低维***转化成一维***；基于主成分分析之后，进一步对统计的参数进行相关性分类以及具化各参数间的关系，主成分分析过程主要分为三个步骤：
步骤41：确定主成分的个数I，首先按照相关系数由大到小排序，以P表示，P1为第一主成分，如果第一主成分不足以代表原来i个指标的信息，再考虑选取P2即选第二个线性组合，为了有效地反映原来信息，P1已有的信息就不需要再出现在P2中，用数学语言表达就是要求Cov(P1，P2)＝0，则称P2为第二主成分，依此类推可以构造出第三、第四，……，第i个主成分；
步骤42：列出主成分表达式：
Pi＝a1Z1+a2Z2+...+aiZi
其中，ai为参数列协方差阵的特征值所对应的特征向量，Zi为参数列经过标准化之后的新列；
A＝(ai)*i×P＝(a1，a2，...，ai)
Figure BDA0003080544090000121
其中，R为相关系数矩阵，λi、ai是相应的特征值和单位特征向量，λ1≥λ2≥...≥λp≥0；
步骤43：对数据处理之后新的相关列进行命名。
进一步的，步骤5具体包括以下内容：
将步骤4中提取的特征值和训练集数据输入LightGBM模型，对LightGBM模型进行训练输出得到训练完成模型进行存储备用。
进一步的，步骤6具体包括以下内容：
完成模型训练后，输入测试集对应特征数据，对比模型输出数据与测试集数据的偏差，若偏差在合理范围内则测试结果有效，若偏差超出设定偏差则将信息反馈给测试端，此次测试可能无效。
本实施例中，各污染物基于里程的排放因子与速度的拟合关系如图4所示，对于燃油消耗和CO2排放因子采用幂函数与速度呈现出了很好的拟合关系，相关性系数达到0.982。单位里程的燃油消耗和CO2排放均随速度的增大而减少，当速度为5km/h时的燃油消耗和CO2排放约为平均速度为40km/h时的5倍，当速度在40-60km/h时，燃油消耗和CO2排放随速度增加减少缓慢，当速度大于70km/h时随速度变化则无明显变化。对于THC和CH4排放因子与速度呈现指数衰减，与速度的相关性分别为0.935和0.942。速度与燃油消耗、CO2、THC和CH4的y＝1650.9v-0.720，y＝5151.0v-0.724，y＝1.09e(-v/14.86)+0.135和y＝0.899e(-v/15.44)+0.119，当实时测试结果与该拟合函数偏差超过20％时即提示可能测试数据存在异常需及时检查导致结果偏差可能原因。
各污染物基于里程的排放因子与速度的主成分分析结果如图5所示，根据碎石图可以看出，该数据选取一个主成分较为合适，该结果与排放因子与速度的拟合关系向对应，使用单一的向量相关性拟合计算即可分析出另一变量的结果。在进行相关性的统计分析主成分分析的基础上，把各个计算函数作为诊断分析的隐藏层，通过不断的增加数据的运算，修订函数的参数结果，即可得出不断优化的诊断分析模型。
在检测仪器运行过程中，检测数据实时远程上传到数据平台，接入到诊断分析模型中，诊断模型通过训练够的函数参数进行接入数据的分析，比对训练结果的之前的差异性，判断检测数据的质量。结果分为不合格，合格，中等，优良。数据平台实时把分析结果传输到检测端进行数据的反馈。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种基于车联网的机动车尾气排放测试管理***，其特征在于，包括机动车尾气车载排放测试平台、多监测模块综合控制与协同管理平台、基于神经网络的数据集合分析平台，其中：
所述机动车尾气车载排放测试平台包括若干尾气分析单元、动态稀释单元、环境监测单元、OBD解码单元、GPS定位单元、视频监控单元、上位机控制单元和路由器，其中：
所述动态稀释单元通过加热采样管与机动车尾气管相连接，用于对机动车尾气的预处理以降低尾气的温度和湿度；
所述尾气分析单元与所述动态稀释单元的出气口相连接，用于尾气排放各污染物的实时浓度测量；
所述环境监测单元，用于获取环境条件信息以便于进行尾气排放量计算的修订；
所述OBD解码单元，用于获取机动车的发动机转数与车速；
所述GPS定位单元，用于获取机动车的实时位置与速度；
所述视频监控单元，用于记录行驶路线的道路信息以便于查看路面特征；
所述上位机控制单元与所述尾气分析单元、动态稀释单元、环境监测单元、OBD解码单元、GPS定位单元和视频监控单元通讯连接，并与所述路由器相连接，所述上位机控制单元与路由器都具有唯一的标识码，用于收集上述各单元的监测数据并通过路由器将上述各单元的监测数据打包上传到所述多监测模块的综合控制与协同管理；
所述多监测模块综合控制与协同管理平台，用于将所述机动车尾气车载排放测试平台各个单元的监测数据根据车联网协议实现对各个单元的综合控制与协同管理；
所述数据集合分析平台，用于通过神经网络算法对上传到所述多监测模块综合控制与协同管理平台的监测数据进行诊断分析。
2.根据权利要求1所述的一种基于车联网的机动车尾气排放测试管理***，其特征在于，所述多监测模块综合控制与协同管理平台包括云平台、数据库服务器、应用服务器和网页服务器，其中：
所述云平台与所述路由器通讯连接，用于接收所述上位机控制单元通过所述路由器打包上传的监测数据；
所述数据库服务器，用于根据标识码对打包上传的监测数据进行分类存储；
所述应用服务器，用于根据标识码对监测数据进行分配管理，对应不同权限的用户进行开放读写功能；
所述网页服务器，用于根据所述数据集合分析平台的需求解析命令并对所述应用服务器与数据库服务器进行相关操作。
3.根据权利要求1所述的一种基于车联网的机动车尾气排放测试管理***，其特征在于，所述数据集合分析平台包括WEB浏览端和***操作端，所述***操作端可操作包括数据智能诊断单元、排放统计分析单元、交互式反馈单元、历史数据查询单元、车辆工况分析单元、用户管理***单元、实时数据展示单元、实时定位跟踪单元和仪器状态跟踪单元，上述各单元的功能通过所述WEB浏览端进行显示和查阅，其中：
所述数据智能诊断单元，用于根据检测的数据进行拟合分析并与排放模型进行对比从而诊断出测试结果的可靠性；
所述排放统计分析单元，用于对各项检测数据进行数理统计并计算各种污染物的稳态与瞬态的排放因子进而进行相关性的分析；
所述交互式反馈单元，用于根据诊断与数据分析结果对上位机***和实验操作人员进行实时信息反馈；
所述历史数据查询单元，用于对以往存储检测数据进行条件查询、下载并进行相关数理分析；
所述车辆工况分析单元，用于根据OBD数据和GPS数据进行车辆行驶工况的特征分析；
所述用户管理***单元，用于根据用户的不同权限开放不同的数据操作功能和设备管理功能进而提高后台设备管理压力；
所述实时数据展示单元，用于对实时远程传输上来的数据进行实时展示；
所述实时定位跟踪单元，用于根据GPS数据信息，结合地图API，实时在地图上展示车辆的位置信息，跟踪车辆轨迹；
所述仪器状态跟踪单元，用于根据仪器内部参数信息，了解仪器的运行状态，监控仪器的各项指标，对仪器进行维护管理。
4.一种基于车联网的机动车尾气排放智能诊断方法，其特征在于，利用上述权利要求1-3中任意一项所述车联网的机动车尾气排放测试管理***进行智能诊断，包括以下步骤：
步骤1：通过远程在线数据传输获取测试过程数据；
步骤2：数据清洗，对车辆信息、工况参数、尾气排放特征、设备参数进行区分统计；
步骤3：计算参数间的单参数相关性与多参数相关性统计分析，同时加入各排放标准区间阈值分析；
步骤3具体包括以下内容：
对数据进行清洗后，对每个参数进行两两的统计分析，采用Pearson计算公式计算其相关系数以及确定参数之间的拟合函数方程，筛选出具有显著相关性的参数关系序列，Pearson相关系数计算需要进行两个步骤的数据处理：
步骤31：计算两列数据的协方差：
Figure QLYQS_1
步骤32：计算相关系数：
Figure QLYQS_2
其中，x、y表示需要进行分析的两个参数，在进行相关性计算后，拟合两个参数的函数关系，得出参数间的拟合方程；
步骤4：利用主成分分析进行各项参数的特征值划分区间；
步骤4具体包括以下内容：
主成分分析法是一种降维的统计方法，借助于一个正交变换，将其参数相关的原随机参数转化成其参数不相关的新随机参数，使之指向样本点散布最开的p个正交方向，然后对多维变量***进行降维处理，使之能以一个较高的精度转换成低维变量***，再通过构造适当的价值函数，进一步把低维***转化成一维***；基于主成分分析之后，进一步对统计的参数进行相关性分类以及具化各参数间的关系，主成分分析过程主要分为三个步骤：
步骤41：确定主成分的个数I，首先按照相关系数由大到小排序，以P表示，P1为第一主成分，如果第一主成分不足以代表原来i个指标的信息，再考虑选取P2即选第二个线性组合，为了有效地反映原来信息，P1已有的信息就不需要再出现在P2中，用数学语言表达就是要求Cov(P1,P2)＝0，则称P2为第二主成分，依此类推可以构造出第三、第四，……，第i个主成分；
步骤42：列出主成分表达式：
Pi＝a1Z1+a2Z2+…+aiZi
其中，ai为参数列协方差阵的特征值所对应的特征向量，Zi为参数列经过标准化之后的新列；
A＝(ai)*i×P＝(a1,a2,...,ai)
Rai＝λiai
其中，R为相关系数矩阵，λi、ai是相应的特征值和单位特征向量，λ1≥λ2≥...≥λp≥0；
步骤43：对数据处理之后新的相关列进行命名；
步骤5：利用划分结果与各项排放数据和仪器状态作为训练和验证集的输入和输出，进行神经网络LightGBM模型训练；
步骤6：利用训练好的神经网络模型诊断实时状态下机动车排放及设备状态的情况，做好实时的诊断和反馈。
5.根据权利要求4所述的一种基于车联网的机动车尾气排放智能诊断方法，其特征在于，步骤1具体包括以下内容：
每个所述机动车尾气车载排放测试平台的上位机控制单元与路由器相连接，上位机控制单元通过协议串口对测试平台的数据进行采集，程序处理后重新对数据生成报文，采用TCP/IP的协议形式通过路由器的3G/4G网络与远程的服务器进行访问连接，数据上传到数据库服务器进行数据存储，在应用服务器中进行数据分析展示的实现。
6.根据权利要求4所述的一种基于车联网的机动车尾气排放智能诊断方法，其特征在于，步骤2具体包括以下内容：
数据清洗主要针对缺失值、异常值和极端值进行清洗；
对于由于仪器信号中断导致的数据缺失时，当缺失比例在5％以内时采用临近值插补法，当缺失比例大于5％时考虑舍弃该变量；
对于异常值和极端值清洗，仪器检测数据突然跳为0或超过仪器检出上限值时，异常值和极端值会严重影响数据统计分析则作剔除处理。
7.根据权利要求4所述的一种基于车联网的机动车尾气排放智能诊断方法，其特征在于，步骤5具体包括以下内容：
将步骤4中提取的特征值和训练集数据输入LightGBM模型，对LightGBM模型进行训练输出得到训练完成模型进行存储备用。
8.根据权利要求4所述的一种基于车联网的机动车尾气排放智能诊断方法，其特征在于，步骤6具体包括以下内容：
完成模型训练后，输入测试集对应特征数据，对比模型输出数据与测试集数据的偏差，若偏差在合理范围内则测试结果有效，若偏差超出设定偏差则将信息反馈给测试端，此次测试无效。
CN202110565459.6A 2021-05-24 2021-05-24 一种基于车联网的机动车尾气排放测试管理***及智能诊断方法 Active CN113295826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110565459.6A CN113295826B (zh) 2021-05-24 2021-05-24 一种基于车联网的机动车尾气排放测试管理***及智能诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110565459.6A CN113295826B (zh) 2021-05-24 2021-05-24 一种基于车联网的机动车尾气排放测试管理***及智能诊断方法

Publications (2)

Publication Number Publication Date
CN113295826A CN113295826A (zh) 2021-08-24
CN113295826B true CN113295826B (zh) 2023-06-27

Family

ID=77324248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110565459.6A Active CN113295826B (zh) 2021-05-24 2021-05-24 一种基于车联网的机动车尾气排放测试管理***及智能诊断方法

Country Status (1)

Country Link
CN (1) CN113295826B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114113248A (zh) * 2021-09-30 2022-03-01 碧空环境科技有限公司 一种车载走航大气监测***
CN114622974B (zh) * 2022-05-16 2022-08-23 山东新凌志检测技术有限公司 一种机动车尾气智能检测诊断***及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110658141A (zh) * 2019-09-30 2020-01-07 暨南大学 一种适用于多污染源的甲醛排放在线测量方法和***
CN111998828A (zh) * 2020-09-23 2020-11-27 暨南大学 一种基于便携式gps的道路坡度估算方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3217400B1 (en) * 2016-03-10 2018-11-07 Philips Lighting Holding B.V. Pollution estimation system
CN106052761A (zh) * 2016-07-08 2016-10-26 李臻 一种基于无线传输的车载便携式尾气排放测量***
CN106650825B (zh) * 2016-12-31 2020-05-12 中国科学技术大学 一种机动车尾气排放数据融合***
CN109444062B (zh) * 2018-11-29 2021-07-13 西安交通大学 一种无人机载高排典型污染物差分吸收光谱检测方法
CN112445183A (zh) * 2019-08-30 2021-03-05 广西金奔腾车联网科技有限公司 一种基于柴油obd检测的远程监控平台及***
CN110531036A (zh) * 2019-09-30 2019-12-03 华南理工大学 机动车尾气实时检测***
CN110826772A (zh) * 2019-10-15 2020-02-21 深圳市赛梅斯凯科技有限公司 车辆尾气排放预测方法、装置、设备及存储介质
CN111008735B (zh) * 2019-11-27 2023-06-02 巴斯夫新材料有限公司 预测排放管理***及方法
CN111024898B (zh) * 2019-12-30 2021-07-06 中国科学技术大学 一种基于CatBoost模型的车辆尾气浓度超标判别方法
CN111859102A (zh) * 2020-02-17 2020-10-30 北京嘀嘀无限科技发展有限公司 一种提示信息确定方法、***、介质及存储介质
CN112613675A (zh) * 2020-12-29 2021-04-06 南开大学 一种分析污染源与气象因素对不同程度pm2.5污染影响贡献和效应的机器学习模型
CN112785016B (zh) * 2021-02-20 2022-06-07 南京领行科技股份有限公司 基于机器学习的新能源汽车保养维护与故障监测诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110658141A (zh) * 2019-09-30 2020-01-07 暨南大学 一种适用于多污染源的甲醛排放在线测量方法和***
CN111998828A (zh) * 2020-09-23 2020-11-27 暨南大学 一种基于便携式gps的道路坡度估算方法

Also Published As

Publication number Publication date
CN113295826A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN110967320B (zh) 一种柴油车气态排气污染物遥感检测***及方法
CN113295826B (zh) 一种基于车联网的机动车尾气排放测试管理***及智能诊断方法
Barth et al. Recent validation efforts for a comprehensive modal emissions model
López-Martínez et al. Modelling the fuel consumption and pollutant emissions of the urban bus fleet of the city of Madrid
CN103198206B (zh) 一种基于综合性能得分模型的燃料电池***性能评价方法
CN110826772A (zh) 车辆尾气排放预测方法、装置、设备及存储介质
CN109489978B (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
CN112964476B (zh) 一种重型柴油车实际道路颗粒物排放在线预测方法
CN110716512A (zh) 一种基于燃煤电站运行数据的环保装备性能预测方法
CN110348746B (zh) 基于单个污染源的空气质量影响评估方法和装置
Ma et al. An evaluation of microscopic emission models for traffic pollution simulation using on-board measurement
CN111460382A (zh) 基于高斯过程回归的燃油车有害气体排放预测方法及***
Younglove et al. Designing on-road vehicle test programs for the development of effective vehicle emission models
Leach A negative emission internal combustion engine vehicle?
Nguyen et al. A study on emission and fuel consumption of motorcycles in idle mode and the impacts on air quality in Hanoi, Vietnam
Wang et al. Predicting the transient NOx emissions of the diesel vehicle based on LSTM neural networks
CN110322015B (zh) 车检数据生成方法
CN202403921U (zh) 便携式多功能汽车废气实时检测装置
Zheng et al. Development of a Practical Method to Estimate the Eco‐Level of Driver Performance
Wang et al. Research on actual road emission prediction model of heavy-duty diesel vehicles based on obd remote method and artificial neural network
Xu et al. A deep transfer NOx emission inversion model of diesel vehicles with multisource external influence
CN106226366A (zh) 采用阵列传感器的汽车尾气远程监测***
Hu et al. Comprehensive diagnosis model of environmental impact caused by expressway vehicle emission
Hu et al. Temporal and spatial diagnostic model of vehicle gas pollutants
Guo et al. Neural network modeling of vehicle gross emitter prediction based on remote sensing data

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
GR01 Patent grant
GR01 Patent grant