聞增佳,譚建偉，王懷宇，余 浩，常 虹，孫文強(qiáng)

(1.北京理工大學(xué) 機(jī)械與車(chē)輛學(xué)院， 北京 100081； 2.中國(guó)汽車(chē)工程研究院股份有限公司， 重慶 401122；3.濰柴動(dòng)力股份有限公司OBD標(biāo)定室， 山東 濰坊 261001)

0 引言

2020年，全國(guó)機(jī)動(dòng)車(chē)保有量達(dá)到3.72億輛，全國(guó)機(jī)動(dòng)車(chē)四項(xiàng)污染物(CO、HC、NOx、PM)排放總量已達(dá)到1 593.0 t，機(jī)動(dòng)車(chē)污染物的排放成為環(huán)境大氣污染的重要源頭[1]。為了更有效地減輕重型車(chē)污染物排放造成的危害，全球各國(guó)已經(jīng)付出了長(zhǎng)達(dá)數(shù)十年的努力，目前建立了以歐盟、美國(guó)和日本為代表的3種重要排放標(biāo)準(zhǔn)體系[2]。標(biāo)準(zhǔn)體系對(duì)于重型車(chē)排放物的檢測(cè)大多依靠實(shí)驗(yàn)室的特定測(cè)試循環(huán)，而部分研究也表明受實(shí)際道路狀況影響，對(duì)重型車(chē)的實(shí)驗(yàn)室測(cè)試循環(huán)并沒(méi)有真實(shí)反映實(shí)際道路的污染情況，實(shí)際道路的重型車(chē)排放污染物被明顯忽視[3]。將便攜式排放測(cè)試系統(tǒng)(PEMS)運(yùn)用于機(jī)動(dòng)車(chē)的尾氣排放檢測(cè)的技術(shù)得到了迅速發(fā)展，能真實(shí)反映實(shí)際道路的排放量[4]。因此建立一種用于重型車(chē)污染物的排放預(yù)測(cè)模型，不僅能有效減少試驗(yàn)耗時(shí)，還能降低多次重復(fù)RDE試驗(yàn)帶來(lái)的經(jīng)濟(jì)支出。

國(guó)內(nèi)外學(xué)者針對(duì)機(jī)動(dòng)車(chē)污染物的排放預(yù)測(cè)進(jìn)行了系列研究，提出了多種排放預(yù)測(cè)的方法與改進(jìn)措施。周斌等[5]嘗試拋開(kāi)傳統(tǒng)數(shù)學(xué)模型，把神經(jīng)網(wǎng)絡(luò)技術(shù)引入對(duì)內(nèi)燃機(jī)的排放特性預(yù)測(cè)，結(jié)果表明，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度并不依賴于實(shí)際情況的數(shù)學(xué)模型，證明了該方式的可行性；Yap等[6]建立了常見(jiàn)的前饋神經(jīng)網(wǎng)絡(luò)發(fā)動(dòng)機(jī)排放預(yù)測(cè)模型，通過(guò)調(diào)整輸入條件與隱含層節(jié)點(diǎn)數(shù)確定多層前饋神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差最低，應(yīng)用價(jià)值最高；文華等[7]開(kāi)發(fā)了一種針對(duì)柴油機(jī)NOx瞬態(tài)排放預(yù)測(cè)研究的方法，采用遺傳算法優(yōu)化網(wǎng)絡(luò)權(quán)值的BP神經(jīng)網(wǎng)絡(luò)，結(jié)果表明神經(jīng)網(wǎng)絡(luò)泛化能力較好，精度較高；王志紅等[8]構(gòu)建了一種針對(duì)重型車(chē)道路污染特征的預(yù)測(cè)模型，通過(guò)使用Levenberg-Marquardt算法優(yōu)化了雙隱含層BP神經(jīng)網(wǎng)絡(luò)，用遺傳算法調(diào)整網(wǎng)絡(luò)的權(quán)值與閾值，該模型對(duì)車(chē)輛的瞬時(shí)排放和整體排放特征有較好預(yù)測(cè)。

神經(jīng)網(wǎng)絡(luò)模型具有技術(shù)發(fā)展成熟、開(kāi)發(fā)耗時(shí)短、開(kāi)發(fā)成本低廉和預(yù)測(cè)精度較高等優(yōu)點(diǎn)。基于此，本文在遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的基礎(chǔ)上，通過(guò)蟻群算法進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)尋找最優(yōu)解的精度，利用PEMS設(shè)備測(cè)得的符合國(guó)Ⅵ標(biāo)準(zhǔn)的RDE試驗(yàn)測(cè)試數(shù)據(jù)，建立用于重型車(chē)的排放預(yù)測(cè)模型。

1 RDE試驗(yàn)方案

1.1 試驗(yàn)車(chē)輛

試驗(yàn)車(chē)輛為某輛符合國(guó)Ⅵ標(biāo)準(zhǔn)的重型車(chē)，RDE試驗(yàn)準(zhǔn)備前將車(chē)輛裝至滿載狀態(tài)，試驗(yàn)車(chē)輛信息如表1所示。

表1 試驗(yàn)車(chē)輛信息

1.2 試驗(yàn)設(shè)備

PEMS系統(tǒng)主要使用日本HORIBA公司開(kāi)發(fā)的OBS-ONE車(chē)載尾氣分析系統(tǒng)，系統(tǒng)主要由氣態(tài)污染物檢測(cè)模塊、顆粒物檢測(cè)模塊、排氣流量計(jì)、數(shù)據(jù)通訊系統(tǒng)、全球定位系統(tǒng)(GPS)、氣象站構(gòu)成，能夠即時(shí)測(cè)量車(chē)輛尾氣中一氧化碳(CO)、二氧化碳(CO2) 、氮氧化物(NOx)、顆粒物數(shù)量(PN)的含量，同時(shí)可以測(cè)量車(chē)輛的排氣流量，掌握車(chē)輛行駛狀態(tài)、車(chē)輛位置信息以及車(chē)輛所處的外界環(huán)境參數(shù)。PEMS系統(tǒng)使用外置電源，排氣量計(jì)與排氣管連接后固定安裝在車(chē)輛尾氣出口，GPS和氣象站安裝在車(chē)頭，氣態(tài)污染物檢測(cè)模塊和顆粒物檢測(cè)模塊固定在車(chē)頭內(nèi)部，具體安裝布置情況如圖1所示[3]。

①OBD通訊連接；②溫、濕度傳感器；③GPS排氣流量計(jì)；④急停按鈕；⑤控制電腦；⑥排氣流量計(jì)；⑦顆粒物檢測(cè)模塊；⑧氣態(tài)物檢測(cè)模塊；⑨外接電池；⑩負(fù)載

1.3 試驗(yàn)要求

參照重型車(chē)國(guó)六排放標(biāo)準(zhǔn)的測(cè)試規(guī)程[9]，RDE試驗(yàn)按照市區(qū)、市郊和高速工況依次完成，其中市郊工況允許短時(shí)出現(xiàn)市區(qū)工況，而高速工況則允許短時(shí)出現(xiàn)市區(qū)和市郊工況。根據(jù)車(chē)型3種工況構(gòu)成要求不同，由實(shí)際行駛時(shí)間確定工況占比，具體參數(shù)見(jiàn)表2。RDE試驗(yàn)除在行駛工況分配占比和行駛車(chē)速大小要求外，須符合2～38 ℃的環(huán)境溫度要求，同時(shí)須符合海拔高度條件，試驗(yàn)時(shí)海拔不超過(guò)1 000 m(相當(dāng)于大氣壓90 kPa)。試驗(yàn)起始點(diǎn)和結(jié)束點(diǎn)的海拔高度差應(yīng)小于100 m，試驗(yàn)車(chē)輛累計(jì)正海拔高度差增加量應(yīng)小于1 200 m/100 km。

表2 PEMS試驗(yàn)工況參數(shù)

2 排放預(yù)測(cè)模型的建立

2.1 試驗(yàn)數(shù)據(jù)前處理

對(duì)試驗(yàn)流程中記錄的污染物濃度、車(chē)輛運(yùn)行數(shù)據(jù)、車(chē)輛環(huán)境參數(shù)及其他瞬態(tài)信息進(jìn)行時(shí)序校正，時(shí)序校正后需要剔除數(shù)據(jù)中的無(wú)效數(shù)據(jù)，其中包括PEMS設(shè)備檢查和零點(diǎn)漂移核查過(guò)程的數(shù)據(jù)；發(fā)動(dòng)機(jī)冷啟動(dòng)即發(fā)動(dòng)機(jī)點(diǎn)火后冷卻液溫度超過(guò)70 ℃期間或冷卻液溫度5 min內(nèi)改變小于2 ℃期間的數(shù)據(jù)等[9]。

在篩選所有無(wú)效數(shù)據(jù)后，選取了6 000組有效樣本數(shù)據(jù)。為避免模型出現(xiàn)過(guò)擬合問(wèn)題，提高建立模型的泛化水平[10]，保證樣本訓(xùn)練集占絕大部分，將所有樣本數(shù)據(jù)隨機(jī)劃分為3部分：訓(xùn)練集80%、測(cè)試集15%、驗(yàn)證集5%。

2.2 輸入?yún)?shù)提取

輸入?yún)?shù)的選擇對(duì)于預(yù)測(cè)模型的性能有著很大的影響，樣本中輸入?yún)?shù)過(guò)多或數(shù)據(jù)量級(jí)差別過(guò)大會(huì)導(dǎo)致模型預(yù)測(cè)時(shí)間過(guò)長(zhǎng)且精度降低，因此選擇的輸入?yún)?shù)應(yīng)與所預(yù)測(cè)輸出值相關(guān)性較高，選取對(duì)結(jié)果影響較為明顯的輸入?yún)?shù)可以明顯提高神經(jīng)網(wǎng)絡(luò)模型對(duì)結(jié)果預(yù)測(cè)的精度與準(zhǔn)度[11]。輸入?yún)?shù)的選擇還應(yīng)考慮參數(shù)實(shí)際試驗(yàn)獲取數(shù)據(jù)的可行性，實(shí)際測(cè)試過(guò)程中受多種條件制約，可測(cè)量的參數(shù)可能較為有限。

考慮到影響排放結(jié)果的因素較多，采用灰色度關(guān)聯(lián)算法模型進(jìn)行參數(shù)提取，降低樣本維度。灰色關(guān)聯(lián)度算法分析通過(guò)反映兩序列間發(fā)展過(guò)程的相近性或發(fā)展趨勢(shì)的相似性來(lái)構(gòu)造關(guān)聯(lián)度[12]。相對(duì)于只考慮相似性的絕對(duì)關(guān)聯(lián)度和只考慮相近性的鄧氏關(guān)聯(lián)度，同時(shí)兼顧相近性與相似性的B型關(guān)聯(lián)度算法更加科學(xué)、合理[13]。樣本數(shù)據(jù)的隨機(jī)分組也可彌補(bǔ)B型關(guān)聯(lián)度算法不具備保序性的缺點(diǎn)。

設(shè)參考序列為:X0={x0(k),k=1,2,…,n},設(shè)Xi={xi(k),k=1,2,…,n}(i=1,2,…,m)為被比較序列(因素序列)。

同時(shí)令：

(1)

(2)

(3)

(4)

本文主要研究的是重型車(chē)的排放預(yù)測(cè)結(jié)果，所以選擇的輸入?yún)?shù)必須是與輸出值NOx特性密切相關(guān)的參數(shù)。初步選定輸入?yún)?shù)的范圍后，使用B型關(guān)聯(lián)度來(lái)評(píng)估輸入?yún)?shù)與輸出值的關(guān)聯(lián)度，各輸入?yún)?shù)與輸出值的B型關(guān)聯(lián)度值如圖2所示，評(píng)估結(jié)果的數(shù)值越大，表明輸入?yún)?shù)對(duì)輸出值的影響越顯著。

圖2 不同參數(shù)的B型關(guān)聯(lián)度曲線

使用影響較為顯著的發(fā)動(dòng)機(jī)轉(zhuǎn)速、車(chē)速、車(chē)輛加速度、比功率、燃油消耗值、排氣流量、排氣溫度作為神經(jīng)網(wǎng)絡(luò)模型的輸入?yún)?shù)。發(fā)動(dòng)機(jī)轉(zhuǎn)速變化會(huì)使車(chē)輛速度、加速度變化，而車(chē)速、加速度和比功率對(duì)排放有顯著的影響，排氣溫度、排氣流量能反應(yīng)燃燒情況，燃油消耗值能計(jì)算燃燒產(chǎn)物，均可反映排放情況。

車(chē)輛的比功率(vehicle specific power,VSP)代表機(jī)動(dòng)車(chē)發(fā)動(dòng)機(jī)每移動(dòng)1 t質(zhì)量(包含自重)所輸出的功率[14]，其計(jì)算式如下：

VSP=v[1.1a+9.81arctan(sing)+0.132]+

0.000 302v3

(5)

其中：v為速度；a為加速度；g為道路坡度，無(wú)量綱。

因?yàn)閷?shí)際道路測(cè)試過(guò)程中的測(cè)試道路坡度變化并不明顯，故不考慮道路坡度對(duì)VSP的計(jì)算影響，g取值為0，因此，表達(dá)式可以簡(jiǎn)化為：

VSP=v[1.1a+0.132]+0.000 302v3

(6)

2.3 神經(jīng)網(wǎng)絡(luò)架構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一個(gè)多層前饋的神經(jīng)網(wǎng)絡(luò)，作為目前使用最為普遍的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型之一，擁有強(qiáng)大的非線性映射能力和高度柔性的網(wǎng)絡(luò)結(jié)構(gòu)[15]。其結(jié)構(gòu)如圖3所示。

圖3中，X=(x1,x2,…,xn)T為輸入層；Y=(y1,y2,…,yn)T為隱含層，隱含層的數(shù)目可根據(jù)研究問(wèn)題進(jìn)行相應(yīng)調(diào)整；Z=(z1,z2,…,zn)T為輸出層；V、W分別為各層間的權(quán)值。

盡管BP神經(jīng)網(wǎng)絡(luò)的理論和性能方面都已較為完善，但它仍然具有不少缺陷：學(xué)習(xí)速度慢、迭代耗時(shí)過(guò)長(zhǎng)、易陷入局部最小值等，上述缺點(diǎn)都影響著B(niǎo)P神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的準(zhǔn)確性。

圖3 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.3.1遺傳優(yōu)化算法

遺傳算法用來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，將經(jīng)過(guò)優(yōu)化的權(quán)值和閾值代入BP神經(jīng)網(wǎng)絡(luò)可以得到更好的預(yù)測(cè)結(jié)果。具體步驟如下[16]：

1) 編碼。即將需要優(yōu)化問(wèn)題的解轉(zhuǎn)換為遺傳算法可以解決的空間搜索的轉(zhuǎn)換方法。

2) 初始化種群。

3) 適應(yīng)度函數(shù)。適應(yīng)度函數(shù)設(shè)為輸出預(yù)測(cè)值與輸出期望值之間的誤差絕對(duì)值，計(jì)算式為：

(7)

其中：F為適應(yīng)度值；h為量綱為一系數(shù)；n為節(jié)點(diǎn)數(shù)；yi和oi分別為第i個(gè)節(jié)點(diǎn)的輸出期望值和輸出預(yù)測(cè)值。

4) 選擇操作。選擇操作模擬在遺傳進(jìn)化過(guò)程中生物種群個(gè)體完成自然淘汰的過(guò)程，本文使用輪盤(pán)賭法作為選擇算子，其概率計(jì)算式為：

(8)

其中：pi為個(gè)體的適應(yīng)度值；u為量綱為一系數(shù)；Q為種群的個(gè)體總數(shù)。

5) 交叉操作。指模擬生物群體在進(jìn)化過(guò)程中，通過(guò)交配重組部分基因而形成新生個(gè)體的過(guò)程，本文采用兩點(diǎn)交叉作為交叉算子。

6) 變異操作。指模擬生物群體內(nèi)在的遺傳發(fā)展過(guò)程中，由于產(chǎn)生基因突變而形成新生個(gè)體的過(guò)程。本文采用高斯變異作為變異算子。因?yàn)楦咚狗植嫉奶匦允顾惴ㄔ诳梢越獬植考s束的同時(shí)，又具備了局部搜索功能。

通過(guò)遺傳算法完成上述步驟后得到了優(yōu)化后的權(quán)值和閾值并代入BP神經(jīng)網(wǎng)絡(luò)，開(kāi)始進(jìn)行預(yù)測(cè)。

2.3.2蟻群算法

蟻群算法是一種用來(lái)尋優(yōu)路徑的概率性算法[17]， 原理的靈感來(lái)源于螞蟻在尋找食物過(guò)程中選擇路徑的行為，即螞蟻先在搜尋食物的路線上釋放信息素，再?gòu)淖畛跤龅降姆植媛房陔S機(jī)地選定前進(jìn)方向，同時(shí)釋放與路徑長(zhǎng)度相關(guān)的信息素，信息素含量與路徑長(zhǎng)短成反比，當(dāng)重復(fù)遇到相同路口選擇信息素含量更高的路線，在正反饋的機(jī)制作用下最終獲得信息素含量最高的最優(yōu)尋食路線。算法實(shí)現(xiàn)的具體步驟如下[18]：

1) 初始化蟻群參數(shù)。

2) 蟻群移動(dòng)規(guī)則確定。螞蟻移動(dòng)規(guī)則選用隨機(jī)比例原則，假設(shè)城市節(jié)點(diǎn)數(shù)為m，人工蟻群螞蟻數(shù)目為n，dij=(1,2,…,m)表示從城市節(jié)點(diǎn)i到城市節(jié)點(diǎn)j之間的路程，計(jì)算公式為[19]：

(9)

3) 信息素更新。對(duì)信息素濃度進(jìn)行更新處理，其計(jì)算式為：

τij(t+1)=(1-ρ)τij(t)+Δτij(t)

(10)

其中：ρ為信息素?fù)]發(fā)因子，ρ∈(0,1)；Δτij(t)表示螞蟻k在當(dāng)次循環(huán)下留在城市節(jié)點(diǎn)i與城市節(jié)點(diǎn)j連接路徑上的信息素增量[21]，表達(dá)式為：

(11)

2.3.3蟻群遺傳混合算法

遺傳算法可以在大范圍內(nèi)快速進(jìn)行搜索，但對(duì)于反饋信息的利用較弱，所以求解運(yùn)算一定時(shí)間后會(huì)出現(xiàn)大量重復(fù)迭代，使得算法優(yōu)化效率降低；而蟻群算法由于螞蟻個(gè)體的獨(dú)立性，采用分布式并行計(jì)算，同時(shí)信息素的使用具有正反饋的特點(diǎn)，能夠有效利用系統(tǒng)反饋信息，但求解前期由于缺乏信息素，導(dǎo)致求解緩慢。將遺傳算法與蟻群算法優(yōu)勢(shì)互補(bǔ)，混合后可以提高單一算法的優(yōu)化效率。前期使用遺傳算法確定的最佳信息素，利用最佳信息素更新蟻群算法確定初始信息素，最終得到GA-ACO混合算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)流程如圖4所示。

圖4 GA-ACO混合算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的流程框圖

3 預(yù)測(cè)結(jié)果分析

使用建立完成的基于GA-ACO混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的排放預(yù)測(cè)模型，對(duì)選取的重型車(chē)NOx排放進(jìn)行訓(xùn)練與預(yù)測(cè)。

使用的訓(xùn)練集的NOx排放因子分布情況如圖5所示，其中NOx集中分布在0～0.04 g/s，占比約89.5%，排放因子大于0.06 g/s的樣本約占總數(shù)據(jù)樣本的3.7%。

圖5 NOx排放因子分布圖

如圖6，可以看到在23、79、158、187、228等點(diǎn)位附近有明顯的誤差出現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)模型在較大峰值處未能很好響應(yīng)，預(yù)測(cè)值普遍小于實(shí)測(cè)值。

圖6 BP預(yù)測(cè)NOx值和實(shí)測(cè)值曲線

對(duì)比圖6和圖7可以發(fā)現(xiàn)，經(jīng)過(guò)GA-ACO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)NOx的預(yù)測(cè)在有明顯誤差的點(diǎn)位都能顯著優(yōu)化，在預(yù)測(cè)結(jié)果與實(shí)際樣本的波峰、波谷附近，尤其是NOx實(shí)測(cè)值較大的預(yù)測(cè)點(diǎn)位附近，出現(xiàn)了較明顯的偏差。誤差產(chǎn)生的原因一方面是由于運(yùn)行工況的劇烈變化，模型的響應(yīng)情況較差：由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中，對(duì)于權(quán)值與閾值的優(yōu)化主要用以衡量整體誤差大小。而由圖5可知，NOx排放因子的分布主要集中于0～0.04 g/s，大量的小值和少量的高峰值使得峰值部分的預(yù)測(cè)結(jié)果普遍小于實(shí)測(cè)值。另一方面原因是模型未將后處理系統(tǒng)納入考量之中：在發(fā)動(dòng)機(jī)充分暖機(jī)完成前，后處理裝置溫度不夠，無(wú)法有效對(duì)尾氣中的NOx進(jìn)行還原；車(chē)輛在行駛過(guò)程中頻繁起停，排氣溫度較低且波動(dòng)明顯，使得后處理無(wú)法維持良好反應(yīng)條件；同時(shí)車(chē)輛在行駛過(guò)程中，較為頻繁的加減速，尤其是在急加速時(shí)，排氣流量和排氣流速迅速增大，后處理裝置因?yàn)榱魉僭龃髮?dǎo)致反應(yīng)時(shí)間較短，大量未被還原的NOx隨尾氣排出等。

圖7 GA-ACO-BP預(yù)測(cè)NOx值和實(shí)測(cè)值曲線

綜上，模型由于工況的激烈變動(dòng)以及未考慮后處理裝置產(chǎn)生較大誤差。預(yù)測(cè)時(shí)產(chǎn)生的誤差與神經(jīng)網(wǎng)絡(luò)模型忽略試驗(yàn)風(fēng)速、海拔高度、場(chǎng)地溫濕度等因素是否有關(guān)仍有待后續(xù)研究證實(shí)。但由于根據(jù)B型關(guān)聯(lián)度選擇了對(duì)NOx排放因子影響顯著的排氣流量、燃油消耗值等，模型預(yù)測(cè)結(jié)果的整體趨勢(shì)與實(shí)際排放的整體趨勢(shì)相近，可以認(rèn)為模型的預(yù)測(cè)值與樣本值能較好吻合。

為了進(jìn)一步評(píng)估模型瞬時(shí)預(yù)測(cè)的準(zhǔn)確性，選擇使用能夠表達(dá)2種數(shù)據(jù)變量的直接相關(guān)程度的皮爾遜相關(guān)系數(shù)進(jìn)行分析，皮爾遜相關(guān)系數(shù)r的計(jì)算公式如下：

(12)

其中：Xi為實(shí)際排放值；Yi為預(yù)測(cè)排放值。

通常情況下，皮爾遜相關(guān)系數(shù)劃分為：0.7≤|r|<1表示線性高度相關(guān)；0.4≤|r|<0.7表示顯著性相關(guān)；|r|<0.4表示相關(guān)性較弱；r=1表示完全正相關(guān)，r=0表示無(wú)關(guān)，r=-1表示完全負(fù)相關(guān)。

BP模型對(duì)NOx預(yù)測(cè)的皮爾遜相關(guān)系數(shù)為0.932 7，GA-ACO-BP模型對(duì)NOx預(yù)測(cè)的皮爾遜相關(guān)系數(shù)為0.9686，因此可以認(rèn)為引入GA-ACO算法對(duì)排放模型的瞬時(shí)預(yù)測(cè)有明顯優(yōu)化，同時(shí)可以認(rèn)為所建立的GA-ACO-BP排放預(yù)測(cè)模型對(duì)重型車(chē)瞬時(shí)排放有較高精度的預(yù)測(cè)。

將整個(gè)實(shí)際運(yùn)行工況按照市區(qū)、市郊和高速3種工況劃分，分別對(duì)3種工況的NOx的排放情況進(jìn)行訓(xùn)練與預(yù)測(cè)，計(jì)算3個(gè)工況的NOx排放因子，用以評(píng)估預(yù)測(cè)模型的總體排放誤差情況，其結(jié)果如表3所示。可以看到，GA-ACO-BP模型所得NOx排放因子的最大相對(duì)誤差為2.36%，小于BP模型最小相對(duì)誤差的3.46%，可以認(rèn)為GA-ACO算法對(duì)排放模型的總體預(yù)測(cè)有明顯優(yōu)化。同時(shí)由于運(yùn)行工況的劇烈變化，權(quán)值與閾值優(yōu)化優(yōu)先滿足整體誤差，波峰處預(yù)測(cè)值普遍小于實(shí)測(cè)值，使得3個(gè)工況和全程均是預(yù)測(cè)值小于實(shí)測(cè)值。觀察計(jì)算結(jié)果，可以發(fā)現(xiàn)誤差大小都在可接受范圍內(nèi)，可以認(rèn)為所建立的GA-ACO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的排放預(yù)測(cè)模型能夠?qū)χ匦蛙?chē)整體排放有較好預(yù)測(cè)性。

表3 NOx排放因子預(yù)測(cè)誤差

4 結(jié)論

1) GA-ACO-BP模型使用B型關(guān)聯(lián)度選擇RDE試驗(yàn)數(shù)據(jù)中的主要成分作為模型輸入，其中排氣流量、燃油消耗值等對(duì)排放因子預(yù)測(cè)影響較為明顯。

2) GA-ACO-BP模型對(duì)NOx的預(yù)測(cè)結(jié)果與樣本數(shù)據(jù)的皮爾遜相關(guān)系數(shù)由BP模型的0.932 7提高到0.968 6，線性高度相關(guān)。說(shuō)明GA-ACO-BP模型對(duì)重型車(chē)瞬時(shí)排放預(yù)測(cè)準(zhǔn)確性較高。

3)GA-ACO-BP模型對(duì)市區(qū)、市郊、高速3種工況進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果由BP模型的最小相對(duì)誤差3.46%提高到最大相對(duì)誤差不超過(guò)2.36%。說(shuō)明GA-ACO-BP模型對(duì)重型車(chē)的整體排放有較好預(yù)測(cè)性。