商用重载车尾气排放与驾驶行为的参数关系

徐婷 陈姝屹 彭冲 陈亦新 梁泽恺赵磊

关键词：车辆尾气排放；生态驾驶行为；重载车辆；回归分析；车辆比功率（VSP）

环境污染与能源消耗问题日益加剧[1]。重载汽车发动机排量较大，燃油质量较差，在整个机动车排放中占比较大[2，3]。重型货车占比汽车总数目前正以较快速度增长。越来越多的人开始从驾驶员角度对节能排放问题进行研究[4-8]。

H.C.Watson的研究显示，汽车的尾气排放和司机驾驶时的态度，驾驶经验、性别、身体状况、年龄等个人因素有关[9]。T.C.Austin等对10名司机的驾驶行为进行了对比，发现在不同的汽车和司机中，他们的尾气排放量有很大的差异[10]。I.D.Vlieger发现，与普通行驶相比，激进驾驶会增加更多的燃料消耗和废气，燃料消耗将会增加30%～40%，平均CO排放系数比正常驾驶高出3倍，HC化合物和NOx排放系数高出2倍[11]。唐佳培通过对信号交叉口通行车辆的不同行驶方式所产生的尾气排放效应进行了分析，建立了基于车载尾气监测（PEMS）的实测数据，建立了路口不同驾驶行为和污染物排放的量化模型[12]。黄成等人利用SEMTECH-D车载汽车尾气排放测试系统，对柴油货车在不同的实际运行状态下的尾气排放进行了分析，发现排放与车辆在不同的行驶状态下的速度、加速度有很大的关系[13]。于谦利用车载尾气排放测试设备，全面分析了公交线路节点、路段处的公交车排放影响因素，构建了适用于公交线路的动态排放模型[14]。根据车辆排放模型的应用范围，可以分为宏观模型、中观模型和微观模型[15-16]。微观预测模型主要利用实时数据建立汽车排放模型。目前，国内外主要排放模型包括：MOBIIE类宏观模型[17-18]、ADVISOR宏观类模型（PSAT、EVSIM、PAMVEC）、CMEM发动机层面微观类模型、基于车辆比功率（vehiclespecificpower，VSP）的新一代排放模型（IVE、MOVES、CVEM）等[19-21]。

本文通过得到的车辆不同驾驶行为下的瞬时交通数据、排放数据，分析驾驶员行为与各种污染物排放的关系，采用建模等手段，对这种关系进行量化分析，并分别预测各种污染物排放以求得到能够减少排放的较优驾驶行为。

1数据准备与处理

1.1试验设备

商用车是在设计和技术特征上用于运送人员和货物的汽车，习惯把商用车划分为客车和货车2大类。本文所研究的重载商用车就是指重型载货车（总质量>14t）。研究选择2辆重型载货车分别作为实验数据车辆和后期预测的验证车辆，燃油种类为柴油，排放标准为国四或欧四，发动机型号分别为东风康明斯lSDe24540和潍柴WP10.300E40，试验车辆其他配置信息如表1所示。

基于真实汽车数据的驾驶行为的研究需要大量的实际数据来支撑。驾驶模拟具有一定的偏差，实车实验是最好的试验方法，在无法进行实车实验的情况下可以利用模拟驾驶数据进行补充。

试验采用整车排放测试系统采集排放数据，它主要包括控制温湿度的环境仓、模拟车辆道路阻力和惯量的电力底盘测功机、引导驾驶的司机助、排气取样和测量的全流稀释取样分析系统。本系统使用不分光红外分析仪（nondispersiveinfraredanalyzer，NDIR）、氢离子火焰（flameionizationdetector，FID）和化学发光法（chemiluminescence，CLS）测定废气中CO、总碳氢化合物（THC）、氮氧化物（NOx），误差不大于全量程的±1.0%或者读数的±2.0%，重复性误差不大于±0.5%。利用美国颇尔47mm口径的玻纤过滤纸，在堀场DLS-7100微粒取样系统的稀释通道中，对颗粒物（particulatematter，PM）进行了测定，滤纸均在堀场CHAM-1000型称重箱中进行温湿度平衡，用于滤纸称重的精密天平为德国赛多利斯（Sartorius）公司生产的SE2-F型，分辨率可达0.1mg。粒子直径超过23nm的颗粒物数量（particlenumber，PN）的测定采用堀场MEXA-1000SPCS型凝聚颗粒计数仪（coagulationparticlecounter，CPC），用正丁醇作为工作介质，准确度达到1/cm3。

1.2试验方法

本研究依据国六排放标准（GB18352.6-2016）测试各试验车常温冷起动排放。按照法规的要求，试验车辆的滑行阻力根据制造商提供的阻力系数确定，试验前按照制造商推荐值调整轮胎压力。循环测试开始前，试验车辆在室温（23±1）℃环境下浸车6h以上，确保进气、冷却水和后处理装置与环境间的温差不超过±2℃。测试循环为全球轻型车测试循环（worldlightvehicletestcycle，WLTC）。

排放数据的循环总时长为1800s，总行驶里程为23.266km，按照速度划分，分为运行时间589s，行驶里程3.095km的低速段，运行时间433s，行驶里程4.756km的中速段，运行时间455s，行驶里程7.162km的高速段，以及运行时间323s，行驶里程8.254km的超高速段，车辆运行过程中时速最高达到131.8km/h。数据反映了连续的1800s内的驾驶及排放情况，数据每间隔1s记录一次。除速度外，还记录了包括发动机转速、发动机实际扭矩百分比等发动机运行参数。测试过程中，驾驶员按照司机辅助速度曲线驾驶，车速控制许可偏差为±2km/h，操作时间的许可偏差为±1s。

1.3数据信息

本实验分别测得车辆的瞬态（1s）驾驶及排放数据，包括行驶速度v、加速度a，N2O、CO2、CO、NOx、THC的里程排放质量es，颗粒物的里程排放数量PMN；其中加速度采用其前1s内的平均加速度作为这1s内的瞬时加速度。

1.4工况划分

车辆的速度和加速度2个指标基本可以描述车辆的大多数行驶工况状态，所以可以根据这两项指标，将车辆运行工况分为加速、减速、匀速和怠速。在实际情况中，由于车辆驾驶员对汽车的操纵有一定的误差，这就导致了实际无法通过速度和加速度等参数去精准地识别和划分汽车真正的运行工况。考虑到上述情况，本文采取了一种对时段性工况进行识别的方法，即针对渐进式的逐秒工况，对其进行差异化合并處理。修正后的系统工况状态界定操作方法如表2所示。

2车辆排放数据初步分析

2.1驾驶速度与排放关系初步分析

本实验排放数据测量的时间间隔为1s，在该时间段内，速度、加速度变化很小，但排放物波动较大，数据离散程度大，难以直观的找到对应关系，因此，本文采用以下方法对数据进行处理。

数据间隔一个速度单位（1km/h）划分运动学片段，分别对各单位下速度、加速度，以及对应的各种排放物求该间隔下的平均值，使排放数据与速度、加速度等数据一一对应，简化了数据，使其更直观，便于数据总体分析，其公式如下：

其中：j代表污染物种类；i代表运动学片段中的一条数据；n为运动学片段中的时间段的数目，n=t/s；m代表划分的运动学片段总数，0

这里采用该方法（本文将其命名为按速度聚类法），分别对各单位下速度以及对应的各种排放物求该间隔下的均值，绘制速度与各排放物散点图如图1所示。

由图1可知：CO2排放整体上随速度的升高而增大，趋势较为明显；N2O、CO、THC、颗粒物排放在速度为20～40km/h段内存在巨大波动，且排放量较大，其中颗粒物排放整体上随速度的升高而增大，NOx整体存在一定波动。而N2O、CO、THC在其他速度下变化不大。

车辆速度为零时，车辆处于怠速状态。本实验中，有多次车辆处于怠速状态的时刻，而怠速状态是反映驾驶员行为的车辆状态之一。避免量纲对分析结果造成影响，将速度为零的排放数据进行归一化处理，得到相对排放质量，即

观察ere变化趋势，如图2所示，图中，N为样本的数目。分析可知，CO、N2O、THC排放量在怠速驾驶过程中排放量较为稳定，波动较缓，而CO2、颗粒物、NOx的排放在某些时刻形成统一的剧烈增长。初步观察数据发现，这些波动出现在车辆由怠速起步的过程中，下文详细分析。

2.2驾驶行为与排放、关系分析

2.2.1道路速度条件与排放关系分析

假设一辆重载汽车在未完全达到给定道路限速之前，驾驶员往往会更想用被允许的最高速度在道路上行驶，所以在一定程度上，车辆行驶时的速度可以反映为该道路的交通情况。因此，本文将车辆的速度情况作为主要的评价指标，对车辆正常行驶时所处的交通环境情况进行整理归类，分析了不同情况下车辆、排放的分布特点。采用K-means算法对实验数据中的速度进行聚类，将交通条件分成低速、中速、高速3类，得到有关速度阈值。如表3所示。

计算车辆各个速度条件下累计污染物排放质量ecs占全部速度条件排放总量的百分比，得到贡献率re，以及对应累计运行时间tc占总运行时间的贡献率rt，得到累计排放与累计运行时间之比为

车辆在不同的道路速度条件情况下，累计污染物排放贡献率和其与车辆运行时间贡献率的比值计算结果分别如图3、图4所示。

对计算结果进行分析：

1）K（CO）与K（PM）随着速度的增高而增大，但中速到高速间升高幅度不明显。

2）K（THC）与K（NOx）在中速时达到最大，低速与高速时K值变化不大，即在相同行驶时间内，中速行驶时排放的THC与NOx相比在低速或高速行驶时多。

3）K（CO2）低速、中速、高速3个阶段呈明显上升趋势，即行驶速度越快，相同时间内CO2排放量越大。

4）K（N2O）整体变化不大，随着速度的升高略微下降。

2.2.2车辆工况与排放关系分析

车辆的排放会因为其正常行驶时的各种工况的变化而变化，在相同的环境条件下，不同驾驶人可能由于不同的驾驶技术手段产生不同的工况变化。所以有必要通过研究来分析驾驶者在汽车不同的使用条件下的排放特征。本文将汽车运行状态按照典型汽车工况：加速、减速、匀速、怠速进行划分。计算各行驶工况下，累积污染物排放贡献率re和其与累计运行时间贡献率rt之比K，分别如图5、图6所示。

对计算结果进行分析：

1）K（NOx）、K（CO）在各工况下变化特点基本一致，即车辆在加速时累积排放与累积运行时间之比最大，在减速时较小，怠速时最小；在车辆匀速时处于中间水平。

2）在车辆加速时K（THC）达到最大值，匀速与怠速时基本持平，较低于减速时。

3）各阶段K（N2O）基本保持持平。

4）在车辆减速时K（PM）达到最大值，在匀速、加速时基本一致，处于中间水平，在怠速时最小。

5）在车辆匀速时K（CO2）达到最大值，怠速时最小，加速、减速时差距不大。

2.2.3异常驾驶行为识别与相关性分析

考虑到数据的复杂程度，仅从CO2的排放角度，分析不良驾驶行为与其内在关系。

1）事件定义。

a）急加速、急减速事件。

通过相关资料与实验数据分析，汽车正常制动时，加速度通常保持在-1m/s2至-2m/s2；加速在-2m/s2到-4m/s2之间时，这就是所谓的“快速制动”；而在制动加速达到-4m/s2时，车辆进入急刹状态，这时制动灯以特定的频率闪烁。在此，将急减速的加速度临界值设置为-4m/s2，当减速度值达到所述设置制动减速限制值时，判定为急刹车事件。相应的，本文按照行业经验取3m/s2为急加速行为阈值。针对汽车行驶过程中的特殊事件干扰问题，避免环境因素导致的误判，将事件持续时间引入到急加减速的判别条件中，根据本文数据取样的频次，将持续时间T>1s，也就是在算法辨识过程中，如果连续2个数据都超过了临界值，那么就可以将其判定为急加速或急减速事件，从而提高了识别的正确性，降低了误判率。

b）超长怠速事件。

根据《汽车驾驶节能操作规范》，停车超过60s时，应将发动机熄火。由此，可以将车辆发动机转速非0、车速為0并且持续60s或更多的状态视为超长怠速状态。

2）异常驾驶行为数据分析。

分别对急加速次数、急减速次数、超长怠速比例与研究时段内CO2100km平均排放质量es，av/g做散点图，结果如图7—图9所示。

从图7—图9中可以看出：急减速、急加速、超长怠速等非正常驾驶行为对CO2平均排放量的影响较为显著，随着不良驾驶行为的累积，其排放量明显增加，二者之间存在着一定的正相关性。在现实生活中，难免会有非正常驾驶行为的产生，这一部分的排放很难以标准量化数据进行衡量，然而，了解不良驾驶行为与排放关系规律，有利于提醒驾驶员养成良好的驾驶习惯，为开发一些节能驾驶辅助系统提供思路。

3车辆驾驶行为与其排放关系模型的构建

3.1数据处理

由前文的图表能够得知，各排放物数据在不同速度区间下存在不同波动特征。本文对按照速度进行聚类求均值的CO、NOx、THC以及颗粒物的排放数据做进一步处理：对各速度下对应的每一条数据向前求均值，得到每种污染物对应数据为其中：i=1，2，…，4，分别代表4种污染物；j代表某一条数据行数；ci，n代表第i种污染物的第n条数据。

对求得的qi，j进行归一化得到q'i，j，结果如图10所示。按照图10对各种污染物数据进行分段处理，划分结果如表4所示。

3.2回归参数

3.2.1车辆比功率VSP

过往的研究表明，VSP对CO2、CO、NOx、HTC的相关性都显著高于速度和加速度，在速度、加速度和VSP这3个变量中，VSP是最能够影响车辆排放的关键变量。为准确地量化不同驾驶行为的排放情况，本文选择VSP作为构建车辆不同驾驶行为的排放模型的变量之一。

车辆比功率（VSP）是发动机移动单位质量时所输出的功率。VSP的物理意义表示为：发动机为克服滚动摩擦阻力以及空气阻力，增加机动车动能和势能，需要输出的功率，它从物理角度考虑了机动车发动机做功的不同用途。根据原始公式推导，并带入重载汽车有关系数，若令x1=VSP，x2=v/（m·s-1），x3=a/（m·s-2），则可得拟合公式为

由式（6）可知：通过计算出每秒的加速度和速度，就可以计算出这1s的VSP值。由于加速度等于连续速度数据之差，VSP仅需根据每秒的速度数据来计算即可。

综上所述，本文选用VSP、a/（m·s-2）、v/（m·s-1）作为回归模型自变量，CO2、CO、NOx、THC、PM的排放量es作为回归模型的因变量，构建驾驶行为与排放关系模型。

3.3車辆不同驾驶行为与排放的回归模型

求解得到x1=VSP，x2=v/（m·s-1），x3=a/（m·s-2），并预测三者对污染物排放量yi的三元线性回归方程，其中，i=1，2，3，4，5分别代表CO2、CO、NOx、THC、PM5种物质。当i=1，2，3，4时，排放量的单位为（mg·km-1）;当i=5时，排放量单位为（km-1）。

计算得到各指标对污染物排放量的三元线性回归方程：

解得排放预测模型如表5所示，模型各子模型多重判定系数的平均值用R2表示。

对回归模型进行显著性检验，以CO2排放预测模型为例，得到多重判定系数R2=0.770较为接近1，模型的拟合效果较好；进行回归方程的显著性检验，F=141.854，F≥F0.05（3，∞），回归方程显著，即CO2排放和选择的指标之间存在显著的函数关系；进行回归系数的显著性检验，概率p值都小于显著性水平0.05，因此认为每一个指标都和因变量显著线性相关。经检验，所构建的各个预测模型拟合效果较好，回归模型、回归系数均显著。

3.4模型仿真验证

3.4.1数据预测

试验采用多辆不同品牌的重载商用车进行测试，选取另一台车辆的试验数据进行验证，其配置参数见表1。在其试验数据中随机获取20条数据样本，利用求得的模型对各排放物排放量进行预测，将结果中负值部分调整为零，绘制各排放物预测值与实际值折线图，如图11所示，初步观察，模型预测结果较为吻合。

3.4.2预测结果的显著性差异评价

经检验，数据情况近似服从正态分布。为检验预测结果与实际数据之间是否有显著差异性，本文采用配对样本T检验方法，结果如表6所示。对检验结果进行分析：经检验，预测数据与实际排放数据的配对T检验概率p值在显著性水平（0.05）下，大于0.05。因此接受原假设，认为预测数据与实际排放数据不存在显著差异。

4驾驶行为分析与驾驶建议

4.1较优驾驶行为分析

根据构建的模型，本文在不同速度条件下，以减少排放为目标，提出驾驶员的较优驾驶行为。在3.1中将排放数据按速度聚类，根据变化趋势将数据分段中，通过观察可以发现，数据基本自然地被划分为低速、中速、高速部分，说明在不同速度区间下，排放物有着不同规律。

分析模型发现，CO2排放受加速度影响最大，NOx、CO、THC颗粒物的排放在较低速时受速度影响最大，在中高速时受加速度影响最大。通过前文分析可知，K（CO2）在低速、中速、高速3个阶段呈明显上升趋势，即行驶速度越快，相同时间内CO2排放量越大，K（CO）、K（PM）总体上也是随着速度的增高而增大。

因此，驾驶员养成良好的驾驶习惯有利于控制污染物排放。为实现低碳绿色出行，建议驾驶员采取较为缓和的驾驶行为，在满足道路有关要求的情况下，不宜采用过高的行驶速度，应避免长时间高速行驶以及频繁加减速，控制自身的不良驾驶行为，在低速行驶、高速行驶时注意采取不同的驾驶策略，以实现生态驾驶。

4.2驾驶行为建议

通过对多种工况、速度下驾驶行为进行分析，明确了有关驾驶行为对排放的影响程度。模型的输出结果可将当前排放情况以及车辆运行状态反馈给驾驶员，使驾驶员进行自我审阅，矫正自己的不良行为。

提出以下生态驾驶行为建议：

1）认真规划道路出行路径方案，尽量避免堵车路段，主动绕行至畅通路段，采取不同路段、不同时段错峰出行；

2）驾驶员行车过程中，在严格遵守限速等有关规定的情况下，尽量采取短暂加速、善用减速、尽量匀速的方法驾驶；

3）注意观察前方的车辆状态、信号等变化情况、驾驶环境等，应尽量避免急加、减速，提前进行缓和的驾驶操作；

4）尽量避免长时间的车辆怠速运行或发动机空转，特别是在交通流复杂的交叉口或出行高峰时间，当出现车辆需要较长等待时间等特殊情况下，宜及时拉起手刹，停车熄火。

5结论

本文将车辆行驶时的速度、加速度作为反映驾驶行为的数据依据，用车辆的加减速、制动、匀速行驶的驾驶工况来反映驾驶人不同的驾驶行为和驾驶习惯，探讨了重载车辆不同驾驶行为的排放规律，构建了驾驶行为与排放量回归模型，提出了减少排放的生态驾驶行为。

本文发现：异常驾驶行为的积累对CO2排放量有显著的促进作用，二者存在明显的正相关关系。在驾驶行为参数中，加速度对尾气排放影响显著，污染物排放量总体上随速度的提高而增大。因此，在驾驶过程中，驾驶员应避免长时间高速行驶以及频繁加减速，控制自身的不良驾驶行为，注意在不同道路条件下采取不同的驾驶策略，以实现生态驾驶。