基于OBD数据挖掘的机动车油耗和排放微观模型分析文献综述

 2022-10-22 17:00:39
  1. 文献综述（或调研报告）：

（2000字以上）：在充分阅读文献的基础上，对国内外与本课题相关工作的现状、发展、水平和存在问题等进行归纳总结，应按规定格式列出参考文献（至少15篇，其中：英文文献1/5以上，论文类：刊物文献2/3以上，近5年文献1/2以上；设计类：刊物文献1/3以上，近5年文献1/3以上）并在综述中注出文献引用编号

在OBD上可以获得许多基本重要的参数，例如冷却液温度、净输出扭矩、燃油喷射量、NOx排放量等等。OBD数据在驱动车辆上很容易获得，并且如果被捕获和存储则可以提供大量数据。这些数据非常有价值[1]，因为它是真实的驾驶数据，而不是来自实验室测试的数据。

近年来，许多研究工作都集中在机动车排放预测方法上。一般而言，预测方法分为两大类：确定性方法和统计方法。

确定性方法采用汽车原理和传统计算，考虑汽车的各种特征进行建模，再采取方法进行验证。Smit等人[2]根据排放因子考虑的方式对模型进行分类，模型复杂度随着所需的输入变量的数量而增加。以下类型的模型已经过验证，复杂程度越来越高。

  1. “平均速度”模型（例如COPERT，MOBILE，EMFAC），其中排放因子（以g＊veh／km为单位）是平均行驶速度的函数。从交通模型或现场测量中可以相对容易地获得关于行车公里数（VKT，Vehicle Kilometers Traveled）和平均速度的输入信息。
  2. “交通状况”模型（例如HBEFA，ARTEMIS），其中排放因子（以g＊veh／km为单位）由特定交通情况的描述确定（例如“停车和开车”，“自由流动的高速公路”驾驶）。交通状况模型要求每个驾驶情况下的VKT数据作为输入，其可以从交通模型获取。
  3. “交通变量”模型（例如TEE，Matzoros），其中排放因子（以g＊veh／km为单位）由交通流量变量定义，例如平均速度、交通密度、队列长度和信号设置，其中大多数是源自宏观和微观交通模型。
  4. “循环变量”模型（例如MEASURE，VERSIT ），其中排放因子（以g＊veh／km或g / s为单位）是各种驾驶循环变量（例如空转时间、平均速度、正动能）的高分辨率函数（秒到分钟）。这些模型通常需要有关车辆运动的详细信息（例如，速度、加速度和道路坡度的瞬时数据），这些信息只能从微观交通模型或GPS设备中获取。
  5. “模态”模型（例如PHEM，CMEM），其中排放因子（g / s或g /模式）通过最高分辨率（一到几秒）的发动机或车辆操作模型产生。它们需要类似于循环变量模型的输入。

这些方法被视为基于模型的方法，因为它们的结构是基于某些理论假设预定义的，并且参数可以通过特定的先验知识来计算。关于模型的验证方法，Smit等人[3]共审查了50篇关于模型验证信息的论文和报告。大多数研究采用隧道法（18项研究）或环境浓度法（15项研究），其他较不频繁的验证方法包括遥感（7项研究），质量平衡（4项研究），车载测量（3项研究）和实验室测量（3项研究）,本文数据基于车载诊断系统测得。

由于技术的进步，排放因素的复杂难以评估。然而，统计方法避免了复杂的理论模型，学习控制系统不需要知道发动机性能的控制方程或传统的排放形成的燃烧动力学，只是应用基于统计的模型来预测机动车排放。如今，统计预测方法由于其明显的优势而受到越来越多的关注，广泛使用的方法包括分位数回归（QR，Quantile Regression）[4]方法，自回归整合移动平均（ARIMA，Auto Regressive Integrated Moving Average）[5]方法，支持向量回归（SVR，Support Vector Regression）[6]方法，多变量自适应回归样条（MARS，Multivariate Adaptive Regression Splines）[7]方法，人工神经网络（ANN，Artificial Neural Networks）方法和混合方法。

在这些模型中，可以执行多维非线性映射并且是自适应和鲁棒的人工神经网络方法可以从大量输入数据中学习有效的特征表示，通常能提供令人满意的性能。最近，已经开发了各种ANN结构来改进排放污染物浓度的预测。典型的例子包括广泛采用的反向传播神经网络（BP NN，Back Propagation Neural Network）[10-15] ，极限学习机（ELM，Extreme Learning Machines）[16-18]，优化逐层（OLL，Optimized Layer By Layer）网络[8]，径向基函数神经网络（RBF NN，Radial Basis Function Neural Network）[9]，广义回归神经网络（GRNN，Generalized Regression Neural Network）[19-25]等等。

BP：

Obodeh O等人 [10]评估了反向传播（BP）神经网络作为多缸柴油机NOx排放预测工具的能力,具有11个神经元的Levenberg-Marquardt（LM）算法产生了最好的结果。

蔡明等人[11]采用反向传播（BP）神经网络模型预测广州地区主干道附近的每小时空气污染物浓度。使用收集的排放数据训练，验证和测试神经网络，结果表明该模型能够提前10小时准确预测每小时污染物浓度。

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章