本发明涉及尾气排放监测领域,具体涉及一种柴油车排放等级评估方法及系统。
背景技术:
1、随着经济的飞速发展,在地方、区域和全国范围内,机动车保有量持续增长,已成为我国大中城市空气污染的重要来源。其中,以柴油车为代表的移动污染源严重影响着空气质量,根据统计,在综合考虑车辆行驶里程和排放系数的情况下,一辆国三重型柴油车一年排放的氮氧化物相当于100辆国四小轿车排放量。对排放不达标或更低排放标准的重型柴油车而言,氮氧化物排放量会达到国四小轿车的100-200倍。针对上述情况,开展对机动车尾气污染排放监测的研究,尤其实现在路柴油车污染物排放的监测及等级评估对降低尾气排放污染具有非常重要的意义。
2、目前,在路机动车排放检测主要是由机动车尾气遥感监测设备实现,在无人值守的情况下自动检测并记录行驶车辆的相关污染物排放数据。然而,利用遥感检测数据来判断高排车辆需要在已知车辆工况的前提下。遥感监测设备大多依据城市道路设计固定点位,无法准确获取柴油车的运行工况及其对应排放情况,且不同监测路段,在路柴油车辆所能运行的工况不尽相同,同时受不同检测设备,环境等因素的影响,数据间存在较大的漂移问题。除此之外,传统的柴油车排放等级评估都是通过车辆检测机构的离线车检实现的,存在大量人力、物力和时间的消耗,且车辆离线车检的时间周期相对较长,难以及时掌握在路柴油车的真实排放情况,给移动污染源排放监测及治理带来困难。
技术实现思路
1、为解决上述技术问题,本发明提供一种柴油车排放等级评估方法及系统,能够有效地预测城市某道路受检柴油车的运行情况,并判定其排放等级。
2、为解决上述技术问题,本发明采用如下技术方案:
3、一种柴油车排放等级评估方法,包括:
4、通过柴油车自身属性、柴油车运行情况、柴油车尾气检测情况、环境情况构建样本数据;根据样本数据的特征维度对样本特征向量归一化处理后,作为排放等级评估模型的输入数据,排放等级评估模型的输出为柴油车的排放等级;
5、排放等级评估模型的训练方法,包括以下步骤:
6、步骤一:构建源域有标签数据和目标域无标签数据;其中,表示源域,为第条源域样本数据,为对应的运行工况,为对应的排放等级标签,为源域有标签数据中源域样本数据的条数;表示目标域,表示第条目标域样本数据,为目标域无标签数据中目标域样本数据的条数;源域样本数据和目标域样本数据统称为输入样本数据;
7、步骤二:构建并训练包含源域特征提取器、目标域特征提取器、工况判别器和域判别器的权重模型,权重模型能够区分柴油车不同运行工况并输出源域样本数据的权重,具体包括:最小化工况判别器对源域样本数据工况判别的经验损失;设定源域和目标域的域标签,利用最大-最小化损失准则训练域判别器;根据域判别器的输出,估计源域和目标域的共享工况,计算权重函数,使得具有共享工况的源域样本数据被赋予更大的权重;
8、步骤三:利用加权后的源域样本数据,构建并训练特征提取器、排放分类器、边缘域判别器和条件域判别器,具体包括:训练并更新特征提取器和排放分类器的网络参数;利用源域和目标域的域标签,以及特征提取器输出的高维特征训练边缘域判别器,利用排放分类器给目标域样本数据赋予的伪标签训练条件域判别器;利用边缘域判别器和条件域判别器的输出损失评估源域样本数据和目标域样本数据在边缘分布和条件分布上的差异距离,并计算得到边缘分布距离与条件分布距离的动态权重因子,得到训练排放等级评估模型的目标损失。
9、进一步地,所述柴油车自身属性包括使用时间、车辆基重、车身长度;所述柴油车运行情况包括速度、加速度、比功率;所述柴油车尾气检测情况包括一氧化碳浓度、碳氢化合物浓度、氮氧化物浓度;所述环境情况包括风速、温度、湿度、气压。
10、进一步地,柴油车的运行工况包括启动工况、怠速工况、小负荷工况、中等负荷工况、大负荷以及加速工况;排放等级标签包括低排放、中排放和高排放。
11、进一步地,步骤二中,最小化工况判别器对源域样本数据工况判别的经验损失时:
12、;
13、为交叉熵损失,表示运行工况,表示样本数据在源域的分布概率。
14、进一步地,步骤二中,利用最大-最小化损失准则训练域判别器时:
15、;
16、即,
17、;
18、,,、统一表示为,表示样本数据在目标域的分布概率,在处取到的最大值:
19、,;
20、权重函数与成反比:
21、;
22、对权重函数归一化如下:
23、;
24、为归一化后的权重函数。
25、进一步地,步骤三中,训练并更新特征提取器和排放分类器的网络参数时,排放分类器的损失函数:
26、;
27、其中为指示函数,当属于类时值取到1,为排放等级类别数量。
28、进一步地,步骤三中训练边缘域判别器时,计算边缘域判别器的目标损失:
29、;
30、其中为边缘域判别器的交叉熵损失,为输入样本数据的域标签,源域的域标签为“0”,目标域的域标签为“1”;
31、训练条件域判别器时,计算条件域判别器的目标损失:
32、;
33、其中,条件域判别器可以被分成类的域判别器,、分别为与类相关的域判别器、与类相关的域判别器的交叉熵损失,是输入样本数据在类上的预测概率。
34、进一步地,步骤三中动态权重因子以及排放等级评估模型的目标损失时,定义对应于边缘域判别器的源域和目标域的边缘距离为:
35、;
36、对应于条件域判别器的源域和目标域的条件距离为:
37、;
38、其中和表示来自类的源域和目标域输入样本数据,为类上的条件判别器损失,动态权重因子可估计为:
39、;
40、为的估计;类的条件判别器损失计算为:
41、;
42、为量化两个概率分布之间差异的损失函数,是类域判别器输出的预测结果的拼接;,和是真实的域标签的拼接;
43、排放等级评估模型的目标损失;
44、其中为平衡系数,分别表示特征提取器、排放分类器、边缘域判别器和条件域判别器的模型参数。
45、进一步地,在得到步骤三中排放等级评估模型的目标损失前,计算最小类混淆损失,更新特征提取器和排放分类器的参数,将最小类混淆损失添加至步骤三中的目标损失中,得到新的目标损失,具体包括:
46、目标域中的排放分类器输出表示为,为目标域中的一批样本数据的个数,利用温度缩放,可以将第个目标域样本数据属于第类的概率重新校准为:
47、;
48、其中,为排放分类器的逻辑输出,为用于缩放的温度超参数,当时,为普通的softmax函数,定义两个类和之间的类相关性:
49、;
50、、分别表示一批目标域样本数据中来自第类、第类的概率,起到指代所有可能值的作用,定义排放分类器预测第个目标域样本数据的熵为:
51、;
52、第个目标域样本数据对建模类混淆重要性的概率量化为:
53、;
54、为第个样本数据预测到所有类别,起到指代所有可能值的作用;为相应的对角矩阵,取熵的相反值来反映确定性;类混淆定义为:
55、;
56、对类混淆进行类别归一化,得到归一化结果:
57、;
58、进而,最小类混淆损失被定义为:
59、;
60、排放等级评估模型的目标损失为:
61、;
62、其中为平衡系数。
63、一种柴油车排放等级评估系统,包括:排放等级评估模型和排放等级评估模型训练模块;
64、排放等级评估模型:通过柴油车自身属性、柴油车运行情况、柴油车尾气检测情况、环境情况构建样本数据;根据样本数据的特征维度对样本特征向量归一化处理后,作为排放等级评估模型的输入数据,排放等级评估模型的输出为柴油车的排放等级;
65、排放等级评估模型训练模块:
66、构建源域有标签数据和目标域无标签数据;其中,表示源域,为第条源域样本数据,为对应的运行工况,为对应的排放等级标签,为源域有标签数据中源域样本数据的条数;表示目标域,表示第条目标域样本数据,为目标域无标签数据中目标域样本数据的条数;源域样本数据和目标域样本数据统称为输入样本数据;
67、构建并训练包含源域特征提取器、目标域特征提取器、工况判别器和域判别器的权重模型,权重模型能够区分柴油车不同运行工况并输出源域样本数据的权重,具体包括:最小化工况判别器对源域样本数据工况判别的经验损失;设定源域和目标域的域标签,利用最大-最小化损失准则训练域判别器;根据域判别器的输出,估计源域和目标域的共享工况,计算权重函数,使得具有共享工况的源域样本数据被赋予更大的权重;
68、利用加权后的源域样本数据,构建并训练特征提取器、排放分类器、边缘域判别器和条件域判别器,具体包括:训练并更新特征提取器和排放分类器的网络参数;利用源域和目标域的域标签,以及特征提取器输出的高维特征训练边缘域判别器,利用排放分类器给目标域样本数据赋予的伪标签训练条件域判别器;利用边缘域判别器和条件域判别器的输出损失评估源域样本数据和目标域样本数据在边缘分布和条件分布上的差异距离,并计算得到边缘分布距离与条件分布距离的动态权重因子,得到训练排放等级评估模型的目标损失。
69、本发明中的系统与方法对应,方法的优选方案同样适用于系统。
70、与现有技术相比,本发明的有益技术效果是:
71、本发明在充分考虑柴油车运行工况空间不同,及其对数据分布差异产生重要影响的情况下,解决了边缘分布和条件分布重要性的动态量化,考虑了分类器类混淆的问题,实现了对柴油车排放等级的准确评估。