一种验证阶段RDE水平预测模型建立方法、存储介质、电子设备以及预测方法

摘要

一种验证阶段RDE水平预测模型建立方法、存储介质、电子设备以及预测方法，涉及车辆运输领域，尤其涉及车辆实际行驶污染物排放水平测试技术。解决了现有技术无法准确预测验证阶段车辆的恶劣排放水平的问题，模型建立方法包括：将同一族系的车辆开发阶段RDE试验数据作为原始数据；数据分析并建立线性预测模型；对建立的模型进行判定。预测方法包括：将验证试验的数据输入预测模型；对试验结果进行一致性修正，得到平均排放水平；评估多次试验结果一致性；修正得到最恶劣排放水平。应用本发明提供的模型及方法，可以预测得到优化后的平均以及恶劣条件下的排放水平，达到缩减验证试验次数同时得到可靠车辆排放水平的目的。

说明书

技术领域

本发明涉及车辆运输领域，尤其涉及车辆实际行驶污染物排放水平测试技术。

背景技术

大气污染源解析表明，机动车已经成为重点城市地区空气污染的主要来源，现阶段RDE(实际行驶污染物排放)试验开发还处于摸索阶段，存在动力总成台架上先进行部分开发标定工作以减少整车上的标定工作，也有在底盘测功机上模拟道路试验进行整车开发工作，但研究表明，机动车实际道路排放与实验室认证工况排放存在较大差异，为了减少这一差异，欧盟、日本和中国相继在排放标准中引入了RDE测试法规，要求验证阶段的排放测试工作必须在道路上进行，其覆盖的环境条件广、试验路线多样、试验情况无法重复，可以很好的起到监控车辆道路实际排放的目的，但由于道路试验过程中天气、路况、车流量等不可控因素过多，也大大增加了整车排放的标定开发难度，往往多次试验结果也无法获得一致性较好的结果，需要大量试验才能得到可靠的验证结果。因此如何以合理的方式节省开发周期、降低开发费用至关重要。

根据国标规定，RDE试验条件覆盖海拔高度为1300-2400m、温度覆盖-7℃-35℃且试验路线需包含市区、市郊和高速三种工况，因此多选用比较典型的城市作为试验点，但同一个城市的试验路线也具备多样性，即使同一条路线的试验在天气、交通影响、驾驶激烈程度等因素的影响下很难得到一致性较好的结果，即便是只选用典型城市进行试验验证的情况，对周期和成本的要求仍然很高。因此，想要完全验证不同情况下的RDE水平几乎是一件不可能完成的任务。对排放水平进行合理预测将是获得验证结果的最有效手段。

记载于北京交通大学学报的文章《基于IPSO_BP的轻型汽油车道路排放预测_王志红》(发表时间为2020年12月)中记载了一种基于神经网络的实际行驶污染物排放预测方法，采用便携式排放测试系统对某国六轻型汽油车在市区、市郊和高速路段上进行排放特性测试；建立双隐含层反向传播神经网络，并加入改进粒子群算法对BP结构的初始阈值及权值进行寻优；利用主成分分析对输入参数进行降维，CO与NOx排放预测值为目标输出，用试验数据进行训练及验证。该文献通过建立神经网络预测算法可以实现对某次试验结果的预测并与实际结果对比，可以很好的验证其模型对于该次数据的有效性，但该方法并不能预测该车辆当前状态下的恶劣水平排放。

专利文献CN110390113A《车辆排放预测系统和方法》(公开日为2019年10月29日)中记载了一种车辆排放预测系统和方法，输入车辆的试验循环的车速和时间以及车辆参数，根据输入数据实时计算发动机的转速和转矩，再整理和存储车辆台架测试排放数据，根据所述转速、转矩和车辆参数从车辆台架测试排放数据中实时查询得到发动机的排放数据，根据发动机的排放数据实时计算所述试验循环的累积排放数据，并输出所述累积排放数据。该专利的技术方案是根据车辆实时的工作状态从数据库查询得到预测排放水平，也不能预测该车辆当前状态下的恶劣水平排放。

专利文献CN112861436A《一种发动机排放实时预测方法》(公开日为2021年5月28日)中记载了一种发动机排放实时预测方法，首先获取若干已知的发动机排放历史测试数据样本，将其划分为训练集和测试集以训练神经网络，并计算不同隐含层节点下神经网络输出均方根误差以确定神经网络拓扑结构，之后通过思维进化算法优化神经网络的初始权值及阈值，最终利用Adaboost算法组建发动机排放实时预测系统。该方法通过大量的试验确定最恶劣试验条件的边界，将在边界条件下的排放结果作为最差水平，但该方法可操作性差，没有办法保证试验正好落在边界，而对试验结果简单的修正又不能保证修正后结果的可靠性。

因此，以上方案都不能准确预测车辆的恶劣排放水平，必须建立合理的关系模型才能通过少量试验结果修正得到可靠的排放水平。

发明内容

为了解决现有技术中车辆RDE水平预测方法不能准确预测验证阶段车辆的恶劣排放水平的问题，本发明提供了一种验证阶段RDE水平预测模型的建立方法。

本发明的技术方案如下：

S1、提取同一族系车辆开发阶段RDE试验中采集的数据作为预测模型的原始数据；

S2、数据分析并分别对市区NO

从原始数据中提取从冷启动结束时刻开始到市区路线结束后500s时刻为止的数据作为市区NO

确定预测模型的影响因子，建立如下线性预测模型：

R＝k*A+b，

其中R表示市区NOx、市区PN、全程NOx、全程PN的排放预测水平，A表示各影响因子进行加权后得到的线性模型关系的输入，k表征污染物排放与试验条件变化的关系，b表征标定水平的变化；

所述A＝0时的模型结果R

S3、对模型进行判定，对于不同数据组合得到的加权系数存在差异，当不同组数据得到的加权系数收敛时，标识模型建立完成，当不同组数据得到的加权系数不收敛时，应对影响因子处理公式进行修改直至收敛。

优选地，所述开发阶段RDE试验中采集的数据包括环境数据、车辆数据以及排放测试结果数据。

优选地，所述冷启动阶段为车辆启动后的前5min或者发动机温度达到70℃前，两者以先达到为准。

优选地，所述影响因子包括：温度、海拔、累计正海拔增加量、相对正向加速度、前95百分位的V*a平均值以及前95百分位的发动机转速平均值。

优选地，所述线性模型关系的输入A是通过如下公式获得的：

其中，A

优选地，所述A

建立影响因子对排放水平的影响关系，根据各影响对排放水平的不同影响而不同，其可以是线性函数、二次函数或者分段函数，影响因子经处理后平均值为0，标准差为1，再根据如下公式进行标准化得到处理并标准化后的影响因子A

其中X

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序执行如上所述的验证阶段RDE水平预测模型建立方法。

本发明还提供了一种电子设备，包括处理器和存储器，其中处理器、存储器通过通信总线完成相互间的通信；存储器，用于存储计算机程序；处理器，用于执行存储器上所存放的计算机程序时，实现如上所述的验证阶段RDE水平预测模型建立方法。

本发明还提供了一种验证阶段RDE水平预测模型，所述预测模型是应用以上方法建立的，用于预测验证阶段试验条件下的平均排放水平以及最恶劣排放水平。

本发明还提供了一种验证阶段RDE水平预测方法，应用上述预测模型，具体包括以下步骤：

一、进行验证阶段RDE水平试验：

将验证试验的数据输入所述预测模型得到一个预测的排放水平R'

二、对试验结果进行一致性修正：

该实际验证试验结果为R

三、选取步骤二中一致性符合要求的数据优化最低程度的Δb

本发明解决了现有技术中车辆RDE水平预测方法不能准确预测验证阶段车辆的恶劣排放水平的问题，具体的有益效果为：

1.本发明所述的验证阶段RDE水平预测模型的建立方法中，选择同一系族车辆开发阶段的RDE排放数据，排除不同车辆被试验条件影响的差异性，保证了试验数据的有效性，保证了试验条件影响的稳定性，针对试验过程中的环境情况及驾驶情况进行预测，避免了发动机瞬态过程的复杂性，进而提高了构建的预测模型的预测结果准确度高。

2.本发明所述的验证阶段RDE水平预测方法，是基于本发明构建的预测模型实现，所述预测方法中，将温度、海拔、驾驶行为等试验条件和标定优化作为对试验结果影响的主要因素，基于开发阶段大量数据建立试验条件与试验结果的关系模型，再通过验证试验的试验条件得到预测结果，该预测结果和实际试验结果的差值为车辆优化的程度，随着标定优化，整车排放预测水平也逐步变好，相应得到优化后的平均以及恶劣条件下的排放水平，达到缩减验证试验次数同时得到可靠车辆排放水平的目的。

附图说明

图1为验证阶段RDE水平预测模型的建立原理示意图；

图2为验证阶段RDE水平预测方法流程示意图；

图3为验证阶段RDE水平预测试验中模型修正前后对比示意图。

具体实施方式

下面结合附图和具体实施例对本发明技术方案进行进一步阐述，需要说明的是，以下实施例仅用于更好地理解本发明技术方案，而不应理解为对本发明保护范围的限制。

实施例1.

本实施例提供了一种验证阶段RDE水平预测模型的建立方法，结合图1可以更好理解本实施例，具体包括以下步骤：

S1、提取同一族系车辆开发阶段RDE试验中采集的数据作为预测模型的原始数据；

S2、数据分析并分别对市区NO

从原始数据中提取从冷启动结束时刻开始到市区路线结束后500s时刻为止的数据作为市区NO

确定预测模型的影响因子，建立如下线性预测模型：

R＝k*A+b，

其中R表示市区NOx、市区PN、全程NOx、全程PN的排放预测水平，A表示各影响因子进行加权后得到的线性模型关系的输入，k表征污染物排放与试验条件变化的关系，b表征标定水平的变化；

所述A＝0时的模型结果R

S3、对模型进行判定，对于不同数据组合得到的加权系数存在差异，当不同组数据得到的加权系数收敛时，标识模型建立完成，当不同组数据得到的加权系数不收敛时，应对影响因子处理公式进行修改直至收敛。

本实施例基于开发阶段大量数据建立试验条件与试验结果的关系模型，选择同一系族车辆开发阶段的RDE排放数据，排除不同车辆被试验条件影响的差异性，保证了试验数据的有效性。本实施例提出的线性关系模型只是模型的一种示例，还可以在本实施例基础上拓展模型的其他建立方式。

实施例2.

本实施例为对实施例1的进一步举例说明，其中所述开发阶段RDE试验中采集的数据包括环境数据、车辆数据以及排放测试结果数据。

本实施例采集了开发阶段的环境情况及驾驶情况，避免了发动机瞬态过程的复杂性，建立的模型预测结果准确度高。

实施例3.

本实施例为对实施例1的进一步举例说明，其中所述冷启动阶段为车辆启动后的前5min或者发动机温度达到70℃前，两者以先达到为准。

本实施例根据标准规定，试验数据处理时排除车辆冷启动阶段。如果想建立包含冷启动的排放模型，应当将冷启动阶段与冷启动后作为两个阶段，分别建立模型关系得到两个阶段的模型输出后再对输出加权值进行相加。

实施例4.

本实施例为对实施例1的进一步举例说明，其中所述影响因子包括：温度、海拔、累计正海拔增加量、相对正向加速度、前95百分位的V*a平均值以及前95百分位的发动机转速平均值。

将开发阶段试验温度、海拔、驾驶行为等试验条件和标定优化作为对试验结果影响的主要因素，对于同型号或者同系族的车辆，试验条件对排放的影响存在一个确定的关系，通过数据建立排放结果与环境条件以及驾驶情况的模型关系，预测结果准确度较高。

实施例5.

本实施例为对实施例1的进一步举例说明，其中所述线性模型关系的输入A是通过如下公式获得的：

其中，λ

实施例6.

本实施例为对实施例5的进一步举例说明，其中所述λ

建立影响因子对排放水平的影响关系，根据各影响对排放水平的不同影响而不同，其可以是线性函数、二次函数或者分段函数，影响因子经处理后平均值为0，标准差为1，再根据如下公式进行标准化得到处理并标准化后的影响因子λ

其中X

实施例7.

本实施例提供了一种计算机可读存储介质，用于存储计算机程序，执行如实施例1-6任意一项所述的验证阶段RDE水平预测模型建立方法。

实施例8.

本实施例提供了一种电子设备，包括处理器和存储器，其中处理器、存储器通过通信总线完成相互间的通信；存储器，用于存储计算机程序；处理器，用于执行存储器上所存放的计算机程序时，实现如实施例1-6任意一项所述的验证阶段RDE水平预测模型建立方法。

实施例9.

本实施例提供了一种验证阶段RDE水平预测模型，所述预测模型是应用实施例1-6中任一项方法建立的，用于预测验证试验条件下的最恶劣排放水平。

本实施例所述的预测模型，选择同一系族车辆开发阶段的RDE排放数据，排除不同车辆被试验条件影响的差异性，保证了试验数据的有效性。采集了开发阶段的环境情况及驾驶情况的大量数据，避免了发动机瞬态过程的复杂性，模型预测结果准确度高。本实施例提供的模型，并非只能应用于验证阶段，当开发试验积累一定数据后即可建立模型关系，对后续开发阶段的试验结果进行修正预测。随着开发阶段的进行，模型关系也处于不断优化的过程。

实施例10.

本实施例提供了一种验证阶段RDE水平预测方法，应用实施例9所述的预测模型，结合流程图2可以更好理解本实施例，具体包括以下步骤：

一、进行验证阶段RDE水平试验：

将验证试验的数据输入所述预测模型得到一个预测的排放水平R'

二、对试验结果进行一致性修正：

该实际验证试验结果为R

三、选取步骤二中一致性符合要求的数据优化最低程度的Δb

本实施例提出的预测方法是基于开发阶段大量数据建立试验条件与试验结果的关系模型，再通过验证试验的试验条件得到预测结果，该预测结果和实际试验结果的差值为车辆优化的程度，相应得到优化后的平均以及恶劣条件下的排放水平，其中平均水平用于对多次验证试验的一致性评估，最恶劣水平用于排放最差情况的评估，可以达到缩减验证试验次数同时得到可靠车辆排放水平的目的。