基于深度学习的车辆燃料类型声学分类技术及其在空气与噪声污染评估中的应用研究

为解决传统交通排放监测成本高、难以规模化的问题，研究人员通过深度学习技术对车辆怠速状态下的声学特征进行分析，成功开发出能准确区分汽油车、柴油车和高排放柴油车的分类模型（准确率达92%）。该研究创新性地结合心理声学特征（Loudness/Sharpness等）和希尔伯特-黄变换（HHT）方法，首次实现通过噪声信号同步评估空气与噪声污染，为城市环境监测提供了经济高效的新方案。

　　

随着城市化进程加速，交通污染已成为全球公共卫生的重大威胁。欧盟数据显示，道路运输贡献了70%的交通温室气体排放，柴油车更被世界卫生组织（WHO）列为致癌物。传统污染监测依赖昂贵的气体分析仪，难以实现大规模部署。与此同时，噪声污染作为西欧第二大健康危害因素，约20%欧洲城市人口长期暴露于超标交通噪声中。这种"双重污染"的协同监控需求，催生了斯洛文尼亚卢布尔雅那大学团队在《Heliyon》发表的创新研究。

研究团队采用非侵入式声学监测思路，采集449辆怠速状态车辆的.wav格式音频（44.1kHz采样率），通过心理声学五维特征（响度Loudness、尖锐度Sharpness、粗糙度Roughness、波动强度Fluctuation strength、音调度Tonality）和希尔伯特-黄变换（HHT）的6个本征模态函数（IMF）构建16维特征向量。利用深度神经网络（DNN）的三隐藏层架构（11-4-4神经元），配合ReLU激活函数和Adam优化器，实现车辆燃料类型的三分类。

主要研究结果

1. 特征提取优化
   通过比较各IMF分类性能，发现第1、2阶IMF（5500-6000Hz和1800-2200Hz频段）组合效果最佳，验证了高频成分对发动机识别的关键作用。

2. 模型性能突破
   测试集达到92.65%准确率，其中高排放柴油车召回率83%（仅1例误判为普通柴油车）。心理声学分析显示，柴油车响度比汽油车高58%，高排放柴油车更是达到180%的显著差异。

3. 污染关联验证
   基于欧盟排放标准推算，测试集中33辆柴油车贡献了4.29g/km氮氧化物（NO_x），是30辆汽油车（1.8g/km）的2.4倍；5辆高排放柴油车PM_2.5排放达0.19g/km，凸显声学特征与排放的强相关性。

结论与意义
该研究首次建立声学特征-燃料类型-污染排放的完整映射链条，其价值体现在三方面：

1. 技术创新性
   融合HHT时频分析和心理声学指标，克服了传统MFCC（梅尔频率倒谱系数）对稳态发动机噪声表征不足的缺陷。

2. 应用前瞻性
   为德国2026年实施的"空气噪声污染收费"等政策提供技术支撑，通过路侧麦克风阵列即可实现排放监控。

3. 健康相关性
   研究揭示高排放柴油车同时具有180%更高噪声和2.5倍PM_2.5排放，为"双污染"协同治理提供科学依据。

正如Dejan Ciric等作者指出，该方法使每台智能手机都可能成为污染监测节点，这种"泛在感知"理念将彻底改变城市环境治理范式。未来通过集成V2X（车联网）技术，有望构建动态低排放区域，推动《欧洲绿色协议》2030年减排目标的实现。