王瓏迪　何超

摘 要：為建立一種輕型汽油車NOx排放預(yù)測模型，在昆明市內(nèi)采用便攜式車載排放測試系統(tǒng)（Portable Emission Measurement System，PEMS）對一輛輕型汽油車進(jìn)行實際行駛污染物排放（Real Drive Emission，RDE）測試；利用主成分分析算法（Principal Component Analysis，PCA）對影響輕型汽油車排放的特征參數(shù)進(jìn)行降維，將降維后的數(shù)據(jù)作為門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（Gated Recurrent Unit，GRU）的輸入，建立基于PCA-GRU的排放預(yù)測模型，對輕型汽油車的NOx的排放量進(jìn)行瞬時預(yù)測。結(jié)果表明，PCA-GRU模型對NOx的預(yù)測結(jié)果的平均絕對誤差為0.133mg/s，絕對系數(shù)為0.88，相比于單一的GRU模型，分別提高了42.4%和8.6%。該排放預(yù)測模型可以實現(xiàn)對輕型汽油車NOx排放較準(zhǔn)確的預(yù)測，具有一定的工程價值。

關(guān)鍵詞：便攜式車載排放測試系統(tǒng) RDE測試 主成分分析 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò) 排放預(yù)測模型

1 引言

隨著機(jī)動車保有量的不斷增加，機(jī)動車成為污染物排放的主要貢獻(xiàn)者[1]，控制機(jī)動車污染物排放成為改善人類居住環(huán)境的關(guān)鍵。建立排放預(yù)測模型可以有效監(jiān)測機(jī)動車污染物排放量，為環(huán)保部門制定減排措施提供參考依據(jù)。隨著機(jī)器學(xué)習(xí)的發(fā)展，神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于機(jī)動車排放預(yù)測領(lǐng)域，戴金池等在[2]AVL部分流稀釋采樣發(fā)動機(jī)臺架上進(jìn)行歐洲瞬態(tài)循環(huán)試驗（ETC）和歐洲穩(wěn)態(tài)循環(huán)試驗（ESC），將處理時間序列問題的LSTM神經(jīng)網(wǎng)絡(luò)用于柴油機(jī)NOx的預(yù)測，結(jié)果顯示，相對于其他模型，LSTM模型在柴油機(jī)NOx排放預(yù)測方面具有更好的預(yù)測能力，具有更高的準(zhǔn)確性和更強(qiáng)的泛化性能。Liu等[3]提出了一種基于主成分分析（PCA）和遺傳算法（GA）的支持向量機(jī)的集成方法，建立了柴油機(jī)NOx瞬態(tài)排放預(yù)測模型，在穩(wěn)態(tài)的運行條件下，該模型對訓(xùn)練集和測試集表現(xiàn)出了較高的準(zhǔn)確率，并且與單個SVM模型和傳統(tǒng)ANN模型相比，所提出的最優(yōu)SVM集成模型在預(yù)測精度和泛化能力方面表現(xiàn)更優(yōu)秀。但上述研究是以臺架試驗數(shù)據(jù)建立的模型，只能反映試驗車輛在特定工況下的排放水平，與機(jī)動車在實際道路行駛的排放差別較大?；诖?，本研究采用便攜式車載排放測試系統(tǒng)對一輛輕型汽油車進(jìn)行實際行駛污染物排放測試（RDE測試），利用測得的數(shù)據(jù)建立基于PCA-GRU的輕型汽油車排放預(yù)測模型，實現(xiàn)對輕型汽油車實際道路NOx排放的準(zhǔn)確預(yù)測。

2 方法論

2.1 主成分分析

主成分分析（Principal Component Analysis，PCA）是一種使用廣泛的數(shù)據(jù)降維算法[4]，由于高維數(shù)據(jù)包含許多冗余的信息，這些信息會影響數(shù)據(jù)處理和模型構(gòu)建的效率和準(zhǔn)確性，主成分分析可以將n維特征通過線性變化映射到k維上，得到新的k維特征，使得新的k維特征之間的相關(guān)性最小化，具體步驟為：

1）對所有樣本進(jìn)行標(biāo)準(zhǔn)化，使每個特征具有相同的重要性，標(biāo)準(zhǔn)化公式為：

式中，為標(biāo)準(zhǔn)化后的數(shù)據(jù)，為初始數(shù)據(jù)，為初始數(shù)據(jù)的平均值，為初始數(shù)據(jù)的標(biāo)準(zhǔn)差。

2）之后構(gòu)造協(xié)方差矩陣，計算協(xié)方差矩陣的特征值和特征向量，最后通過計算累計貢獻(xiàn)率選取前k個主成分，達(dá)到特征降維的目的。

2.2 門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)

門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)（Gated Recurrent Unit，GRU）是一種基于LSTM神經(jīng)網(wǎng)絡(luò)的變體[5]，LSTM解決了循環(huán)神經(jīng)網(wǎng)絡(luò)RNN中梯度消失和梯度爆炸的問題，與LSTM比較，GRU保持了LSTM的性能，并且只有更新門和重置門，更新門用于控制上一時刻信息保存到當(dāng)前時刻的量，重置門用于決定當(dāng)前時刻信息如何與上一時刻信息結(jié)合，GRU結(jié)構(gòu)得到優(yōu)化，訓(xùn)練速度提升。因此能有效處理時間序列問題。圖1為GRU網(wǎng)絡(luò)原理圖。

2.3 PCA-GRU模型

排放預(yù)測模型的輸入過多，會導(dǎo)致模型響應(yīng)時間變長，預(yù)測精度降低，因此利用主成分分析進(jìn)行降維，建立基于PCA-GRU的輕型汽油車NOX排放預(yù)測模型。流程圖如圖2所示，具體步驟如下：

1）采用便攜式車載測試排放系統(tǒng)PEMS對一輛輕型汽油車進(jìn)行RDE試驗，采集試驗過程中車輛污染物濃度和車輛信息；

2）選取影響輕型汽油車排放的特征參數(shù)，利用主成分分析進(jìn)行降維；

3）將降維后的數(shù)據(jù)作為GRU神經(jīng)網(wǎng)絡(luò)的輸入，得到輕型汽油車NOx的排放預(yù)測結(jié)果。

3 試驗結(jié)果與分析

3.1 RDE試驗

RDE試驗是指實際行駛污染物排放（Real Drive Emission，RDE）測試，我國在制定國Ⅵ排放標(biāo)準(zhǔn)時從歐Ⅵ標(biāo)準(zhǔn)引入，RDE試驗作為車輛類型認(rèn)證的必要條件之一，要求新車型必須滿足RDE試驗的排放要求，以更準(zhǔn)確地評估車輛尾氣排放情況，加強(qiáng)車輛排放監(jiān)管和保護(hù)環(huán)境。隨著中國環(huán)保法規(guī)的不斷升級，RDE試驗在中國的推廣應(yīng)用將越來越廣泛。

選擇一輛國Ⅴ輕型汽油車作為RDE試驗測試車輛，車輛主要技術(shù)參數(shù)見表1。

便攜式車載排放測試系統(tǒng)（Portable Emission Measurement System，PEMS）包括：

1）SEMTECH-ECOSTAR車載氣體排放測量系統(tǒng)：用于檢測試驗車輛行駛時的污染物排放濃度和排放速率；

2）電子流量計：用于記錄車輛排氣質(zhì)量流量；

3）GPS定位系統(tǒng)：用于確定試驗車輛位置和海拔高度等；

4）OBD車載診斷系統(tǒng)：用于采集車輛行駛時的車速、發(fā)動機(jī)轉(zhuǎn)速、燃油率、負(fù)荷百分比等參數(shù)。

將PEMS安裝到測試車輛上，根據(jù)《輕型汽車污染物排放限制及測量方法（中國第六階段）》規(guī)劃實驗道路，測試車輛按市區(qū)-市郊-高速的順序在昆明市實際道路上行駛，三種行駛里程占比分別為34%、33%、33%，允許誤差在10%以內(nèi)。試驗持續(xù)90～120min，整個試驗過程由PEMS設(shè)備記錄污染物濃度和車輛信息等。將采集到的數(shù)據(jù)分為訓(xùn)練集、驗證集和測試集，占總樣本比例分別為75%、15%、10%。

3.2 建立PCA-GRU排放預(yù)測模型

車速與車輛動力需求和駕駛行為等因素密切相關(guān)，對機(jī)動車排放水平具有重要的影響；發(fā)動機(jī)轉(zhuǎn)速和負(fù)荷百分比是決定車速的主要參數(shù)；排氣溫度會影響車輛后處理裝置中的催化劑活性，從而影響排放；排氣流量和燃油率也與車輛的排放水平。因此，選取車速、排氣溫度、排氣流量、負(fù)荷百分比、發(fā)動機(jī)轉(zhuǎn)速、燃油率等6個參數(shù)進(jìn)行標(biāo)準(zhǔn)化。將標(biāo)準(zhǔn)化之后的數(shù)據(jù)進(jìn)行主成分分析計算得到協(xié)方差矩陣的特征值和每個特征值的方差貢獻(xiàn)率，列于表1，由表1可知，前4個主成分的累計貢獻(xiàn)率為97.478%，可以代表6個參數(shù)的大部分信息，因此，選取前4個主成分作為GRU神經(jīng)網(wǎng)絡(luò)的輸入，NOx作為GRU神經(jīng)網(wǎng)絡(luò)的輸出。

主成分特征向量計算結(jié)果如下：

式中：F1，F(xiàn)2，F(xiàn)3，F(xiàn)4表示主成分特征向量，Y1，Y2，…，Y6表示標(biāo)準(zhǔn)化處理后的數(shù)據(jù)。

在機(jī)器學(xué)習(xí)中，超參數(shù)的設(shè)置很大程度上影響了模型的性能和泛化能力，合理的超參數(shù)設(shè)置可以使模型在訓(xùn)練過程中快速收斂，防止過擬合，并提高模型的訓(xùn)練效率和泛化能力。本文選定的GRU神經(jīng)網(wǎng)絡(luò)超參數(shù)為：GRU神經(jīng)網(wǎng)絡(luò)的步長設(shè)置為6，批處理大小為45，迭代次數(shù)為180次，學(xué)習(xí)率為0.001，GRU為2層，每層神經(jīng)元數(shù)量均為50。選用平均絕對誤差MAE和絕對系數(shù)R2作為排放預(yù)測模型評價指標(biāo)，MAE越小，表明排放預(yù)測模型的精度越高；絕對系數(shù)R2的取值范圍在0到1之間，當(dāng)絕對系數(shù)R2越接近1時，說明模型對數(shù)據(jù)的擬合程度越好。公式如下：

式中，為預(yù)測模型的預(yù)測結(jié)果，為實際值。

3.3 試驗結(jié)果分析

對輕型汽油車NOx的排放預(yù)測結(jié)果如圖3所示。

由圖可知，GRU單一模型對輕型汽油車NOx瞬時排放率的預(yù)測效果不是很理想，存在較大誤差，這是由于未經(jīng)過主成分分析處理的數(shù)據(jù)中包含冗余信息和噪聲，這些會對模型的預(yù)測結(jié)果造成干擾，導(dǎo)致模型的預(yù)測精度降低。而PCA-GRU排放預(yù)測模型的NOx預(yù)測結(jié)果與實測值在整體趨勢上一致，將單一GRU模型與PCA-GRU模型的NOx預(yù)測結(jié)果的平均絕對誤差MAE和絕對系數(shù)R2列于表3，相比與GRU模型，PCA-GRU模型的MAE提高了42.4%，絕對系數(shù)R2提高了8.6%，表明PCA-GRU排放預(yù)測模型不僅能夠更好地提取和保留原始數(shù)據(jù)中的重要特征信息，還減少了原始數(shù)據(jù)中的冗余信息和噪聲，從而使模型具有良好的預(yù)測性能，可以實現(xiàn)輕型汽油車NOx精度較高的預(yù)測。

4 結(jié)論

本研究利用便攜式車載排放測試系統(tǒng)對一輛輕型汽油車進(jìn)行了實際行駛污染物排放測試，根據(jù)采集到的試驗數(shù)據(jù)，分析后確定了與車輛排放相關(guān)的車速、排氣溫度、排氣流量、負(fù)荷百分比、發(fā)動機(jī)轉(zhuǎn)速、燃油率等6個特征參數(shù)，通過主成分分析算法對6個參數(shù)進(jìn)行降維處理，得到4個主成分，然后將4個主成分作為GRU神經(jīng)網(wǎng)絡(luò)的輸入建立基于PCA-GRU的排放預(yù)測模型，對輕型汽油車NOx進(jìn)行排放預(yù)測。結(jié)果表明，所建立的排放預(yù)測模型對輕型汽油車NOx排放預(yù)測的平均絕對誤差MAE為0.133mg/s，絕對系數(shù)R2為0.88，相較于單一GRU模型的0.231mg/s和0.81，預(yù)測準(zhǔn)確性分別提高了42.4%和8.6%，說明通過主成分分析降維，使得模型對數(shù)據(jù)的理解更加深入和準(zhǔn)確，模型結(jié)構(gòu)更加合理，提高了模型的預(yù)測能力。因此，基于PCA-GRU的排放預(yù)測模型可以對實際道路中輕型汽油車NOx瞬時排放量實現(xiàn)較精準(zhǔn)的預(yù)測。

參考文獻(xiàn)：

[1]中國環(huán)境保護(hù)部.《中國移動源環(huán)境管理年報（2021）》發(fā)布[J]. 中國能源，2021，42（8）：1.

[2]戴金池，龐海龍，俞妍，等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的柴油機(jī)NOx排放預(yù)測[J]. 內(nèi)燃機(jī)學(xué)報，2020，38（5）：457-463.

[3]Liu B，Hu J，Yan F W，et al. A novel optimal support vector machine ensemble model for NOx emissions prediction of a diesel engine[J]. Measurement，2016，92：183-192.

[4]XIA W，SONG T，YAN Z. A method for recognition of mixed gas composition based on PCA and KNN[C].Proceedings of the 19th International Conference on Optical Communications and Networks.2021：1-3.

[5]KYUNGHYUN CHO，BART VAN MERRIEENBOER，CAGLAR GULCEHRE，et al. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation[C]. //Conference on empirical methods in natural language processing， vol. 3： Conference on empirical methods in natural language processing （EMNLP 2014）， 25-29 October 2014， Doha， Qatar.：Association for Computational Linguistics， 2014：1724-1734.