基于时序优化长短期记忆和自适应阈值的高排放重型柴油车识别

2023年第24卷第11期

摘要

关键词

相关研究

回顶部

《信息与电子工程前沿（英文）》 >> 2023年第24卷第11期 doi: 10.1631/FITEE.2300005

基于时序优化长短期记忆和自适应阈值的高排放重型柴油车识别

1合肥综合性国家科学中心人工智能研究院，中国合肥市，230088；2安徽大学与合肥综合性国家科学中心人工智能研究院联合实验室，中国合肥市，230601；3中国科学技术大学自动化系，中国合肥市，230027；4中国科学技术大学先进技术研究院，中国合肥市，230088

收稿日期： 2023-01-03 录用日期： 2023-12-04 发布日期： 2023-12-04

HTML5 PDF 82 收藏 0

摘要

在实际场景中，重型柴油车是城市氮氧化物的重要来源，其排放的氮氧化物（NOx）占车辆总排放量的80％以上，颗粒物（PM）占90％以上。检测和控制重型柴油车的排放对保护公众健康至关重要。目前，道路上的车辆必须每6个月或每年定期检测一次，在车辆检查站过滤出高排放的移动源。然而，由于年检间隔时间较长，很难及时有效地筛选出高排放车辆，而且固定的阈值不能适应车辆驾驶工况的动态变化。车载诊断设备（OBD）安装在车辆内部，可以连续跟踪和实时记录排放数据。本文提出一种时间优化长短期记忆（LSTM）和自适应动态阈值方法，使用OBD数据识别重型高排放车辆。首先，建立一个时间优化LSTM排放预测模型，以解决实际中大量OBD数据流造成的时间步注意力偏重问题。然后，利用灵活的阈值标准检测浓度预测误差序列，以区分异常排放情况，该阈值随驾驶条件变化自适应计算得到。最后，引入时间序列的相似性度量策略，以纠正一些假的异常结果。在3个真实OBD时间序列排放数据集上的实验表明，该方法得到优异的高排放源识别结果。

关键词

高排放识别 ; 时序优化 ; 车载诊断设备（OBD） ; 动态阈值