一种机动车尾气遥测设备校正方法

摘要

本发明涉及一种基于遥测数据的机动车尾气遥测设备校正方法，首先给出尾气遥测过程的状态空间模型，然后使用自调节阻差卡尔曼滤波方法进行估计。利用噪声统计估值器和粗大误差判断器，该滤波算法能够处理噪声统计特性时变以及存在测量粗大误差的情况，从而对尾气遥测设备进行校正，给出相对精确的尾气遥测结果。

权利要求

1.一种机动车尾气遥测设备校正方法，其特征在于步骤如下：步骤1：将机动车尾气遥测设备布置在道路上，连续采集经过车辆的尾气中污染物浓度的数据；

步骤2：建立机动车尾气遥测过程的状态空间模型；

步骤3：使用自调节阻差卡尔曼滤波方法进行尾气遥测数据的校正；

所述尾气遥测设备包括移动式、水平式和垂直式机动车尾气遥测设备；

所述步骤2中，机动车尾气遥测过程的状态空间模型如下：系统状态方程：Xt+1＝Xt+Wt未发生故障时的测量方程：yt+1＝Xt+1+Vt+1发生故障时的测量方程：yt+1＝Xt+1+Vt+1+gt+1其中：Xt+1为某一辆车尾气中污染物成分的真实浓度值，yt+1为尾气中污染物成分的检测值，用尾气遥测设备获得，Wt和Vt是均值为零的高斯白噪声，方差分别为QW和QV，Wt、Vt两两不相关，即认为t时刻的方差值与t+1时刻的值相等，gt为发生故障时的故障幅值，其幅值远远大于QV；

所述步骤3中，自调节阻差卡尔曼滤波方法如下：初始条件：

其中：E表示数学期望，X0表示初始时尾气污染物成分的真实浓度值， 是X0的最优估计，P0是初始估计误差；

具体步骤如下：

1)状态预测：

其中， 是t+1时刻的预测估计， 是t时刻的最优估计；

2)计算预测估计的方差：

其中，Pt，t是t时刻的最优估计方差，Pt+1，t是t+1时刻的预测估计方差， 是QW的估值；

3)基于拉伊达准则进行粗大误差判断；

4)如果不存在粗大误差，则：

4.1)计算卡尔曼增益矩阵：其中，Kt是t时刻的卡尔曼增益， 是QV的估值；

4.2)最优估计：

其中， 是t+1时刻的最优估计；

4.3)计算最优估计方差：Pt+1，t+1＝[1-Kt]Pt+1，t其中，Pt+1，t+1是最优估计方差；

5)如果存在粗大方差

5.1)最优估计：

5.2)计算最优估计方差：Pt+1，t+1＝Pt+1，t

6)基于检测值相关性进行噪声方差估计；

所述步骤3)中的粗大误差判断如下：即

H1：δt不服从正态分布 由于gt远远大于QV，所以|δt|＞其中H0为未发生故障时，即不存在粗大误差的情况，H1为发生故障时，即存在粗大误差的情况，根据这两个条件将量测值分为正常值和故障值两大类，δt表示新息，是实际输出与预测输出的差值，即所述步骤6)基于检测值相关性进行噪声方差估计如下：构造观测差值：Zt+1＝yt+1-yt，构造统计量a与b：

其中n为统计数据数目，

测量噪声估计：

系统噪声估计：

说明书

一种机动车尾气遥测设备校正方法

技术领域

[0001] 本发明涉及环境监测领域中机动车尾气排放相关问题，具体涉及一种机动车尾气遥测设备校正方法。

背景技术

[0002] 伴随着中国城市化发展的步伐，中国机动车保有量在逐年递增。据公安部交管局统计，截至2016年6月底，全国机动车保有量达2.85亿辆，其中汽车1.84亿辆。汽车尾气中所包含的物质主要有一氧化碳、氮氧化物、碳氢化合物和细微颗粒物等，这些污染物对人体健康具有潜在的长久危害，对生态环境造成直接的污染和破坏。其中，氮氧化物积累到一定程度，可导致酸雨的产生，对城市的建筑破坏较强，大气中的臭氧也会遭到不同程度的破坏。而碳氢化物会对人的皮肤、眼睛产生强烈的刺激性。据研究表明长期处在汽车尾气污染环境中还容易增高心脑血管疾病的发病率。此外，尾气中的细微颗粒物容易导致雾霾天气的产生，对人的呼吸系统危害较大，还会诱发各类交通事故等问题。由于我国汽车保有量基数较大，汽车尾气污染问题已经十分严峻，而政府制定相对应的政策需要海量的尾气数据，以辅助治理政策的制定。

[0003] 从20世纪70年代起，先后出现多种机动车尾气检测法。底盘测功机检测法的成本投入较低，使用起来较为方便，在汽车维修行业、尾气监测站等应用十分广泛，该种检测方法必须在车辆固定形式的状况下进行，并且不能真实地反映道路上尾气的实时排放情况，不能满足目前机动车尾气监测的需要；车载尾气检测法能够在较短的时间内获得不同车型在不同模拟路段的尾气排放情况，测算数据的精度较高，真实、可靠，并能节省大量的测算时间；而本专利所涉及的遥感监测设备可在机动车在平常路面正常行驶期间进行检测工作，不需要与被测车辆接触，自动化水平高，检测速度快，效率高，不会对检测车辆和驾驶人员产生影响，得到的测量结果真实可靠，节约了大量时间且避免了作弊造假问题。

[0004] 由于尾气遥测设备要放置在道路上，直接暴露在自然环境下，温度、风速、光照、扬尘、车流等因素都会对尾气监测的精度产生不同程度的影响。通过大量实验发现，遥测数据受到以下两种噪声的影响：其一、由于电子器件存在一些固有的快速跳变的噪声，所以检测结果可以认为受到了加性白噪声的影响，而且随着光照、温度等自然因素的变化，将会导致电子器件特性的变化，进而影响噪声的统计特性，实际中我们发现白噪声的方差是慢时变的；其二、当道路上车辆较多时，可能会使道路发生共振，进而改变尾气遥测设备中激光发射器与激光接收器之间的光路，使得检测值非常不准确，另外，大量的扬尘也会导致检测值的失效，这样我们可以认为该时刻存在粗大误差。由于当尾气遥测设备在实际道路工作时会受到各种干扰的影响，所以势必需要对尾气监测设备进行校正。

[0005] 然而，尾气遥测设备中大量存在的随机信号没有确定的频谱，常规滤波无法提取或抑制信号，由于随机信号具有确定的功率谱的特性，可根据要提取的信号和干扰噪声的功率谱设计滤波器。1968年卡尔曼和布西首次将现代控制理论中的状态空间思想引入最优滤波理论，提出了最优递推滤波法，即卡尔曼滤波器。卡尔曼滤波是一种时域递推的方法，可用来处理随机信号，它不再区分噪声和有用信号，而是估计出所有被处理的对象，被称为最优估计理论。直接使用经典卡尔曼滤波器来进行检测数据的校正存在一些问题。首先，对于检测值中存在粗大误差的情况，经典卡尔曼滤波器无法将其隔离，而是当作正常的检测值进行利用，这将会引入很大的误差，而且短期内难以消除。其次，对于噪声统计特性时变的情况，经典卡尔曼滤波也无法自动的调整其权重系数。这些都会降低遥测设备的校正效果。

[0006] 从已有的文献来看，由于机动车尾气遥测设备是一种新兴的环境监测设备，目前还没有出现针对该设备的校正方法。从方法论的角度来看，目前的确存在一些改进的卡尔曼滤波算法，但是都不适用本项目背景。发明专利《基于抗差估计的稳健滤波方法》(申请号：201010136448.8)针对运动载体的组合导航系统提出了一种改进卡尔曼滤波器；发明专利《一种基于鲁棒滤波的救援清障车姿态角估计方法》(申请号：201510941293.8)公开了一种救援清障车姿态角估计方法，在无法确切知道干扰信号的统计特性的情况下，估计救援清障车在较大坡度率工况下的俯仰角与侧倾角；发明专利《基于发射惯性坐标系的空天飞行器组合导航鲁棒滤波方法》(申请号：201410419869.X)；科技论文《基于自适应H∞滤波的组合导航方法研究》(刘晓光,胡静涛,王鹤.仪器仪表学报,2014,35(5):1013-1021)针对常规鲁棒滤波参数由初始设定而使滤波具有较大保守性的问题,提出了一种基于自适应鲁棒滤波的多传感器组合导航方法。以上提到的对比文件给出了一些改进卡尔曼滤波，其中涉及到的“鲁棒”、“抗差”、“稳健”等名词本质上都是英文单词“robust”的中文翻译，而含有这些名词的改进卡尔曼滤波都不是一种真正意义上的最优滤波，其基本原理是通过强行增加或减小卡尔曼增益值来使滤波器的误差稳定，具体说来，为了使卡尔曼滤波的误差在全局上不发散，就要牺牲全局精度，即使没有受到粗大误差干扰，该时刻的估计值的精度也会被大大消弱。

[0007] 为了实现对尾气遥测设备的校正，本发明中提出了“阻差”的概念，利用粗大误差判断器将粗大误差识别出来并隔离，以防止由于引入粗大误差而带来的巨大误差。进一步的引入了噪声统计估值器从而实现滤波参数的自调节，最终给出相对精确的尾气遥测结果。

发明内容

[0008] 本发明技术解决问题：克服现有技术的不足，提供一种基于遥测数据的机动车尾气遥测设备校正方法，能够处理噪声统计特性时变以及存在测量粗大误差的情况，实现粗大误差的识别以及滤波参数的自调节，最终给出相对精确的尾气遥测结果。

[0009] 本发明技术解决方案：首先给出尾气遥测过程的状态空间模型，然后根据使用自调节阻差卡尔曼滤波方法进行估计。利用噪声统计估值器和粗大误差判断器，该滤波算法能够处理噪声统计特性时变以及存在测量粗大误差的情况，实现粗大误差的识别以及滤波参数的自调节，最终给出相对精确的尾气遥测结果。

[0010] 具体实现如下：

[0011] 步骤1：将机动车尾气遥测设备(移动式、水平式和垂直式机动车尾气遥测设备)布置在道路上，连续采集经过车辆的尾气中污染物浓度的数据；

[0012] 步骤2：建立机动车尾气遥测过程的状态空间模型:

[0013] 系统状态方程：Xt+1＝Xt+Wt

[0014] 未发生故障时的测量方程：yt+1＝Xt+1+Vt+1

[0015] 发生故障时的测量方程：yt+1＝Xt+1+Vt+1+gt+1

[0016] 其中：Xt+1为尾气中污染物成分(如CO、NO、HC)的真实浓度值，yt+1为尾气中污染物成分的测量值，用尾气遥测设备获得。Wt和Vt是均值为零的高斯白噪声，方差分别为QW和QV，Wt、Vt两两不相关且方差变化十分缓慢，即可认为t时刻的方差值可认为与t+1时刻的值相等。gt为发生故障时的故障幅值，由实际情况可知此类故障不经常发生，而且远远大于QV。

[0017] 步骤3：使用改进的卡尔曼滤波进行尾气遥测数据的校正。

[0018] 初始条件：

[0019] 其中：E表示数学期望，X0表示初始时尾气污染物成分的真实浓度值， 是X0的最优估计，P0是初始估计误差。

[0020] 算法的具体步骤如下：

[0021] 1)状态预测：

[0022] 其中， 是t+1时刻的预测估计， 是t时刻的最优估计。

[0023] 2)计算预测估计的方差：

[0024] 其中，Pt,t是t时刻的最优估计方差，Pt+1,t是t+1时刻的预测估计方差， 是QW的估值。

[0025] 3)基于拉伊达准则进行粗大误差判断，即：

[0026] H0： 即

[0027] H1：δt不服从正态分布 由于gt远远大于QV ，所以

[0028] 其中H0为未发生故障时的条件，H1为发生故障时的条件，根据这两个条件将量测值分为正常值和故障值两大类。假设中δt表示新息，是实际输出与预测输出的差值，即[0029] 4)如果不存在粗大误差，则：

[0030] 4.1)计算卡尔曼增益矩阵：

[0031] 其中，Kt是t时刻的卡尔曼增益， 是QV的估值。

[0032] 4.2)最优估计：

[0033] 其中， 是t+1时刻的最优估计。

[0034] 4.3)计算最优估计方差：Pt+1,t+1＝[1-Kt]Pt+1,t

[0035] 其中，Pt+1,t+1是最优估计方差。

[0036] 5)如果存在粗大方差

[0037] 5.1)最优估计：

[0038] 5.2)计算最优估计方差：Pt+1,t+1＝Pt+1,t

[0039] 6)基于检测值相关性进行噪声方差估计，即：

[0040] 构造观测差值：Zt+1＝yt+1-yt，

[0041] 构造统计量a与b：

[0042]

[0043]

[0044] 其中n为统计数据数目。

[0045] 测量噪声估计：

[0046] 系统噪声估计：

[0047] 本发明与现有技术相比的优点在于：

[0048] (1)机动车尾气遥测设备能够在机动车正常行驶的过程中获取的车辆尾气排放数据，不会对机动车和驾驶员产生明显影响，有效避免了汽车厂商造假的可能性，但是由于自然环境中干扰太多，所以必须要对检测数据进行校正，目前还没有针对尾气遥测设备的校正方法，本发明能够提升尾气遥测设备的精度与可靠性。

[0049] (2)本发明提出了自调节阻差卡尔曼滤波方法，对于含有粗大误差的情况，传统的鲁棒/抗差/稳健滤波算法不是一种真正意义上的最优滤波，其基本原理是通过强行增加或减小卡尔曼增益值来使滤波器的误差稳定，具体说来，为了使卡尔曼滤波的误差在全局上不发散，就要牺牲全局精度，即使没有受到粗大误差干扰，该时刻的估计值的精度也会被大大消弱。本发明通过对粗大误差的识别与隔离，能够将粗大误差的影响降到最低。同时可以在噪声统计特性缓慢变化的情况下，自调节滤波系数，有效的提升了滤波精度，进而提升了本发明校正方法的有效性。

附图说明

[0050] 图1为本发明实现流程图；

[0051] 图2为本发明改进的卡尔曼滤波方法实现流程图；

[0052] 图3为一般卡尔曼滤波效果；

[0053] 图4为本发明中改进的卡尔曼滤波效果。

具体实施方式

[0054] 下面结合附图及实施例对本发明进行详细说明。

[0055] 如图1所示，本发明具体实现如下：

[0056] 步骤1：将机动车尾气遥测设备(移动式、水平式和垂直式机动车尾气遥测设备)布置在道路上，连续采集经过车辆的尾气中污染物浓度的数据；

[0057] 步骤2：建立机动车尾气遥测过程的状态空间模型:

[0058] 系统状态方程：Xt+1＝Xt+Wt

[0059] 未发生故障时的测量方程：yt+1＝Xt+1+Vt+1

[0060] 发生故障时的测量方程：yt+1＝Xt+1+Vt+1+gt+1

[0061] 其中：Xt+1为尾气中污染物成分(如CO、NO、HC)的真实浓度值，yt+1为尾气中污染物成分的测量值，用尾气遥测设备获得。Wt和Vt是均值为零的高斯白噪声，方差分别为QW和QV，Wt、Vt两两不相关且方差变化十分缓慢，即可认为t时刻的方差值可认为与t+1时刻的值相等。gt为发生故障时的故障幅值，由实际情况可知此类故障不经常发生，而且远远大于QV。

[0062] 步骤3：使用改进的卡尔曼滤波进行尾气遥测数据的校正，如图2所示，具体如下。

[0063] 初始条件：

[0064] 其中：E表示数学期望，X0表示初始时尾气污染物成分的真实浓度值， 是X0的最优估计，P0是初始估计误差。

[0065] 算法的具体步骤如下：

[0066] 1)状态预测：

[0067] 其中， 是t+1时刻的预测估计， 是t时刻的最优估计。

[0068] 2)计算预测估计的方差：

[0069] 其中，Pt,t是t时刻的最优估计方差，Pt+1,t是t+1时刻的预测估计方差， 是QW的估值。

[0070] 3)粗大误差判断，即：

[0071] H0： 即

[0072] H1：δt不服从正态分布 由于gt远远大于gV ，所以

[0073] 其中H0为未发生故障时的条件，H1为发生故障时的条件，根据这两个条件将量测值分为正常值和故障值两大类。假设中δt表示新息，是实际输出与预测输出的差值，即[0074] 4)如果不存在粗大误差，则：

[0075] 4.1)计算卡尔曼增益矩阵：

[0076] 其中，Kt是t时刻的卡尔曼增益， 是QV的估值。

[0077] 4.2)最优估计：

[0078] 其中， 是t+1时刻的最优估计。

[0079] 4.3)计算最优估计方差：Pt+1,t+1＝[1-Kt]Pt+1,t

[0080] 其中，Pt+1,t+1是最优估计方差。

[0081] 5)如果存在粗大方差

[0082] 5.1)最优估计：

[0083] 5.2)计算最优估计方差：Pt+1,t+1＝Pt+1,t

[0084] 6)基于检测值相关性进行噪声方差估计，即：

[0085] 构造观测差值：Zt+1＝yt+1-yt，

[0086] 构造统计量a与b：

[0087]

[0088]

[0089] 其中n为统计数据数目。

[0090] 测量噪声估计：

[0091] 系统噪声估计：

[0092] 总之，本发明提出的自调节阻差卡尔曼滤波方法，获取量测数据后，不同于以往的滤波方法，本发明首先对数据进行分类判断，而不是直接对其进行滤波，有效的避免了粗大误差对系统精度的影响。其次，实时的估计观测噪声和系统噪声，可有效解决噪声统计特性时变的问题。图3中，虚线为真值，实线为基于经典卡尔曼滤波的结果，可见在第40个采样点，由于粗大误差的存在，滤波结果不甚理想，出现了较大误差；图4中虚线为真值，实线为基于自调节阻差卡尔曼滤波的结果，可见由于粗大误差被剔除了，在第40个采样点没有出现较大误差。本发明通过对粗大误差的识别与隔离，能够将粗大误差的影响降到最低。同时可以在噪声统计特性缓慢变化的情况下，自调节滤波系数，有效的提升了滤波精度，进而提升了本发明校正方法的有效性。

[0093] 提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。