一种基于历史时频信息的重型柴油车排放修正方法与流程

本发明涉及车辆尾气预测，特别涉及一种基于历史时频信息的重型柴油车排放修正方法。

背景技术：

1、道路移动源是多数城市大气污染的主要贡献者，其尾气排放给人类健康造成了严重的威胁。而其中重型柴油车在道路上处于低速、中速状态下行驶时间最长，中速状态下行驶里程最长，造成了大量的废气排放。因此，有必要对重型柴油车尾气排放进行严格监控，以便相关部门制定相关措施，合理减排。

2、得益于信息技术的迅速发展，近年来，具有数据工况代表性强、测试成本低、准确性高等优点的obd(on board diagnostics)的车联网在线监测方法，已广泛在我国新能源汽车和中重型柴油车上开始了应用。机动车排放模型可以为相关交通管理措施的制定提供依据。由于我国采用的排放标准和车辆控制技术与欧洲接近，copert在国内的机动车污染排放研究中已有广泛的应用。

3、现有技术的不足之处在于，相较于其他模型，copert模型的参数相对易于获取。而copert模型的参数是基于台架测试获得的，但要直接在obd数据上使用copert排放模型是不现实的，我们需要对copert排放模型进行修正，使其适用于obd监测数据。

技术实现思路

1、本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于历史时频信息的重型柴油车排放修正方法，以解决上述背景技术中提出的问题。

2、一种基于历史时频信息的重型柴油车排放修正方法，包括：

3、s1、获取重型柴油车的obd数据集并进行数据预处理；

4、s2、对预处理后的obd数据集进行行驶片段划分得到多段行驶片段，并对其中有效的行驶片段通过copert模型计算相应的排放因子；

5、s3、根据得到的多段行驶片段基于spearman相关分析，获取与排放因子高相关性的监测变量；

6、s4、将得到的高相关性的监测变量与基于copert模型获得的排放因子组合构造历史信息矩阵，并使用连续小波变换将相应排放因子的历史信息矩阵转换为时频矩阵；

7、s5、构造以resnet50和cbam注意力模块组合的双流网络模型，使用历史信息矩阵和对应排放因子的时频矩阵作为其输入；

8、s6、对得到的双流网络模型进行模型对比，验证模型的修正性能。

9、作为本发明的进一步的方案：所述s1中的具体步骤包括：

10、获取获取重型柴油车的obd数据集；

11、对得到的obd数据集依次进行异常值处理、缺失值处理、非相关性数据删除，以及最大最小值归一化操作。

12、作为本发明的进一步的方案：所述s2中的具体步骤包括：

13、对预处理后的obd数据集依据预设时间间隔进行行驶片段划分，得到多段行驶片段；

14、对多段行驶片段中的有效的行驶片段，基于copert模型计算对应的排放因子，计算公式为：

15、

16、

17、其中，为copert模型计算的co2的排放因子，为copert模型计算的nox的排放因子,v为当前出行路段上的平均速度，每次出行路段的记录数一致，均为k，且每次出行路段记录数为固定值，a、b、c、d、e、f、g均为常系数。

18、作为本发明的进一步的方案：所述s3中的具体步骤包括：

19、对所有得到的行驶片段都进行spearman相关性分析，得到与obd实际排放因子有高相关性的属性，并基于此构造一个相关性矩阵c；

20、再对不同的行驶片段数据量，建立数据量矩阵d；

21、根据相关性矩阵c和数据量矩阵d，计算矩阵c和d的哈达玛积，其中各列代表各属性与排放因子关于数据量的相关性，对该矩阵的每一列求和，得到最终的相关数据量矩阵rc；

22、将预设的相关数据量pc和相关数据量矩阵rc中各数据量进行比较，若rc中属性相关数据量值大于等于pc中属性相关数据量值，则认为该属性为相关属性，将所有相关属性与copert计算的排放因子组合为最终的相关数据集，得到高相关性的监测变量。

23、作为本发明的进一步的方案：所述s4中的具体步骤包括：

24、根据得到的高相关性的监测变量，结合历史信息对当前时刻的影响，构造各时刻的历史信息矩阵；

25、对历史信息矩阵的每一列，利用连续小波变换将一维时序信号变换为二维时频矩阵。

26、作为本发明的进一步的方案：所述s5中的具体步骤包括：

27、将历史信息矩阵和其对应的时频矩阵依照7：2、1划分为训练集、验证集和测试集，并设置损失函数，具体为：

28、

29、其中，为排放因子预测值，yi为排放因子真实值，w为权重，xi为影响因素，b为偏置，λ为经验参数，n为样本数目；

30、以resnet50和cbam注意力模块构造双流网络模型，并经过平均池化层后，其中双流网络模型的两个流模型的输出大小为bathsize*2048*1*1，将其重塑为bathsize*2048，再将重塑后的特征进行融合，策略定义如下：

31、

32、其中，b代表bath序号，t为时序流特征，tf为时频流特征。

33、作为本发明的进一步的方案：所述s6中的具体步骤包括：

34、将双流网络模型与现有模型进行比较，将模型修正结果的平均绝对误差、平均绝对百分比误差和均方根误差进行对比，得到较高的准确性和稳定性预测结果的模型。

35、与现有技术相比，本发明存在以下技术效果：

36、采用上述的技术方案，通过获取重型柴油车的obd数据后进行预处理，进行行驶片段的划分，基于copert模型计算相应的co2和nox排放因子，然后基于数据量的spearman相关分析，得到高相关性的监测变量，再与copert模型获得的排放因子组合构造co2和nox的历史信息矩阵，同时将历史信息矩阵转换为时频矩阵。基于resnet50和cbam注意力模块构造双流网络模型，将历史信息矩阵和对应的时频矩阵作为其输入，最后进行整体修正。从而实现解决copert模型在重型柴油车obd数据集上应用难，预估排放因子精度低的问题。

技术特征：

1.一种基于历史时频信息的重型柴油车排放修正方法，其特征在于，具体步骤包括：

2.根据权利要求1所述一种基于历史时频信息的重型柴油车排放修正方法，其特征在于，所述s1中的具体步骤包括：

3.根据权利要求1所述一种基于历史时频信息的重型柴油车排放修正方法，其特征在于，所述s2中的具体步骤包括：

4.根据权利要求1所述一种基于历史时频信息的重型柴油车排放修正方法，其特征在于，所述s3中的具体步骤包括：

5.根据权利要求1所述一种基于历史时频信息的重型柴油车排放修正方法，其特征在于，所述s4中的具体步骤包括：

6.根据权利要求1所述一种基于历史时频信息的重型柴油车排放修正方法，其特征在于，所述s5中的具体步骤包括：

7.根据权利要求1所述一种基于历史时频信息的重型柴油车排放修正方法，其特征在于，所述s6中的具体步骤包括：

技术总结
本发明公开了一种基于历史时频信息的重型柴油车排放修正方法，包括获取OBD数据集并进行预处理；对OBD数据集进行划分得到多段行驶片段，并对其中有效的行驶片段计算相应的排放因子；基于Spearman相关分析，获取与排放因子高相关性的监测变量；将得到的高相关性的监测变量与基于COPERT模型获得的排放因子组合构造历史信息矩阵，并使用连续小波变换将相应排放因子的历史信息矩阵转换为时频矩阵；构造以ResNet50和CBAM注意力模块组合的双流网络模型，使用历史信息矩阵和对应排放因子的时频矩阵作为其输入；对得到的双流网络模型进行模型对比，验证模型的修正性能。本发明解决COPERT模型在重型柴油车OBD数据集上应用难，预估排放因子精度低的问题。

技术研发人员：许镇义,王瑞宾,康宇,曹洋
受保护的技术使用者：合肥综合性国家科学中心人工智能研究院（安徽省人工智能实验室）
技术研发日：
技术公布日：2024/1/11