基于车载测试的乘用车微观排放模型

为了构建乘用车微观排放模型,采用便携式车载排放测量仪(OEM-2100)搭建了车载排放测试试验平台,并选取由长春4条主干路组成的环路为试验路段进行了实车道路试验。通过试验获取试验车质量排放数据与对应的行驶状态参数,分析车辆行驶过程中的排放影响因素,建立了车辆瞬时排放率基于速度的一元回归模型和基于速度-比功率的二元回归模型。对比分析2种模型对试验车排放特性预测误差,基于速度-比功率的二元回归模型的准确性高于速度一元回归模型,整体误差小于15%,可有效预测不同交通状态下乘用车的排放特性。     

城市道路坡度和车速对机动车排放的影响

为了分析城市道路坡度变化对机动车排放的影响,基于车载排放测试平台获取实际道路排放数据,并通过比功率反推完善数据。分析了在4个坡度区间的城市道路下,轻型车3种排放污染物(CO、HC、NOX)在不同速度区间的排放特性。研究结果表明:当车速处于20～50 km/h时,每升高一个坡度区间,3种污染物的质量排放率分别提升约22. 8%、23. 6%、24. 4%。在坡度一定的路面上,当车速处于20～40 km/h时,3种污染物处于高排放状态,其质量排放率比低排放状态分别提升约64. 3%、80. 0%、95. 0%。     

实际道路运行工况下轻型车排放特征研究

针对定量评价机动车在特定运行状况下排放状况的问题,采用轻型车在OEM-2100的基础上搭建了车载排放测试试验平台进行实际道路试验. 分析了机动车在不同运行工况模式下3种排放污染物的差异;分别分析了速度和加速度对机动车3种排放污染物质量排放率的影响,并获得了速度和加速度联合分布下3种污染物的排放特征. 研究结果表明加速工况下的排放值要明显高于其他工况,巡航次之,其次是怠速和减速;速度和加速度对车辆排放都有较大的影响,轻型车的行驶速度控制在30~50 km·h-1范围内中速行驶,加速度小于等于0.5 m·s-2时,可达到最佳的排放性能.      

高速公路小修保养工程量的预测模型

为了科学合理地预测高速公路小修保养工程数量,分析了影响高速公路小修保养工程量的主要因素,提出了基于Matlab的BP神经网络高速公路小修保养工程量预测方法;以沥青路面年小修保养工程量历史统计数据为样本,将路面质量等级评分值、路面使用性能指数、年均日交通量、年均日重车量、计算使用年限、年均降雨量、年平均温差、路面厚度、路面宽度确定为影响沥青路面小修保养工程量的量化指标,建立了预测沥青路面小修保养工程量的多元非线性模型;以调研路段沥青路面实际破损维修数量为样本,分别用BP神经网络模型和多元线性回归模型进行预测分析。研究结果表明：将预测结果与实际维修量数据进行比较,BP神经网络模型预测误差为5%,多元线性回归模型预测误差为14%,说明BP神经网络模型是预测高速公路沥青路面小修保养工程量的一种较为合理可行的方法。     

城市道路轻型汽油车细颗粒物的排放特性

为研究轻型汽油车在南京市区道路上的细颗粒物排放特征,建立了车载测试系统.通过对比实际道路和底盘测功机测试结果探讨了机动车速度、加速度及行驶工况对细颗粒物排放的影响.实际道路下,加速状态下的车辆颗粒物数量、质量浓度明显高于其他行驶状态;在低速情况下,核模态(Dp＜50 nm)细颗粒物数量浓度较大,高速条件下积聚模态(50 nm＜Dp＜565 nm)的颗粒数量较多.底盘测功机试验的颗粒物平均数量浓度为车载试验下的1.62倍,但质量浓度仅为车载试验的0.18倍.粒径100 nm以下的细颗粒物数浓度占整个测试的绝大部分.高速及急加速下,车辆会产生更多细颗粒物.结果表明:实际道路轻型汽油车的细颗粒物排放特性可用该车载系统来描述.     

基于双隐含层GA-BP神经网络的重型柴油车排放预测

为了建立一种能够预测柴油车道路排放特性的模型,文章采用便携式车载(汽车尾气)排放测量系统(portable emission measurement system, PEMS),对某重型柴油车进行道路污染物排放特性测试;利用测得的试验数据,在双隐含层反向传播(back propagation,BP)神经网络的基础上,引入Levenberg-Marquardt(LM)优化算法,用遗传算法(genetic algorithm,GA)优化网络的权值与阈值;以车辆比功率(vehicle specific power,VSP)为输入,搭建CO、NO_x排放预测模型,并用试验数据对模型进行训练、验证。结果表明,CO、NO_x的预测结果与样本数据之间的皮尔逊相关系数分别为0.855 3、0.851 2,线性高度相关;在整体误差水平上,CO、NO_x排放因子的相对误差分别为2.61%、6.71%。该方法对车辆CO、NO_x的瞬时排放和整体排放特性的预测准确性较好,具有一定的理论意义和工程应用价值。     

基于回归神经网络的柴油机NOx排放预测及影响分析

针对柴油发动机NOx排放量的预测问题与其影响参数进行研究.通过构建训练神经网络回归算法模型(recurrent neural network,RNN),基于发动机试验过程中采集的大量样本数据训练和预测NOx排放情况;预测结果表明,该网络模型的预测值与目标输出值之间的误差满足实际工程需求,具有良好的预测精度和泛化性能.基...     

北京市出租车实际道路行驶特征与排放特性的关系研究

为了分析北京市出租车实际道路排放特性,利用车载排放测试系统SEMTECH-DS对北京市出租车进行了实际道路排放测试,并基于实验数据分别分析了出租车行驶速度、加速度以及机动车比功率(VSP)与HC,CO,NOx,CO2排放的关系.结果表明:HC,CO,NOx的排放率基本随着出租车行驶速度的增加先增加然后降低,而CO2排放率随行驶速度的增加而增加;在不同速度区间内,各种污染物排放因子和排放率均随着加速度的增加而增加;各污染物的排放率和排放因子均随VSP增加而增加,且与VSP成一定的正相关关系,利用VSP量化出租车污染物排放更为合理.     

基于优化广义回归神经网络的碟式太阳能温度预测研究

为了解决用传统数学模型预测碟式太阳能集热器出口温度过于复杂的问题,采用广义回归神经网络算法对太阳能集热器出口温度进行预测,引入交叉验证算法对神经网络模型进行优化,进一步提升预测的准确性,通过Matlab软件建立基于优化广义回归神经网络的蝶式太阳能出口气温预测模型.根据碟式太阳能光热系统试验平台的试验数据对所建立的模型进行了测试,预测结果符合预期,这表明优化后的广义回归神经网络能够实现对蝶式太阳能集热器出口气温的有效预测.该模型具有一定的应用前景,为预测模型研究提供了一个新的思路.     

线性回归模型精化方法

为了解决由试验观测数据建立的回归拟合模型存在的模型误差,用基于回归残差的神经网络方法精化模型.采用给定方程获得模拟数据,通过数据结构散点图建立回归模型趋势项,利用经典最小二乘法估计趋势项参数,由趋势项参数计算回归残差,借助误差分级迭代的改进BP算法对趋势项进行精化,将两部分叠加获得精化模型.试验结果验证了基于回归残差的神经网络方法精化模型的有效性:神经网络方法精化后的模型能提高回归模型的拟合及预测精度5倍以上,优于最小二乘配置法和半参数法精化结果.神经网络方法精化模型既克服了单一神经网络模型的不可解释性,使模型具有物理意义,又具有较高的预测精度.