基于重型柴油车辆不规则车载诊断（OBD）远程信息数据重建真实世界NOx排放指标的短行程组合方法

《Journal of Hazardous Materials Advances》：A short-trip combination method for reconstructing real-world NOx emission indicators from irregular OBD telematics of heavy-duty diesel vehicles

　　

重型柴油车辆仍然是在用工况下大气NO_x的重要排放源，但真实世界排放的长时段表征受到便携式排放测量系统（PEMS）成本以及车载诊断（OBD）远程信息数据不规则结构的限制。基于502辆中国VI重型柴油车辆13个月的1 Hz远程信息数据（约170万次行程），本研究开发了短行程组合方法（STCM），用于重建面向筛查的热态运行90百分位移动平均窗口法（MAW）比NO_x排放指标估计值。STCM将热稳定运行分割为短行程，按驾驶模式对行程进行分类，通过Monte Carlo重采样重建受法规约束的合成循环，随后计算基于MAW的NO_x指标。该框架以4辆代表性车辆的15次PEMS测试作为基准进行验证，并进一步与简单的整行程平均基线方法进行比较。结果表明，51 h评估窗口和200次Monte Carlo迭代可提供稳定估计。STCM估计值的中位数落在重复PEMS测量范围之内，车辆层面的绝对误差为0.11–0.182 g/kWh，而补充性的基线比较显示整行程平均方法的一致性较低。这些结果表明，不规则的长时段OBD数据可以被转换为具有环境相关性的热态运行NO_x指标，从而恢复真实世界运行中持续性高排放行为。所提出框架并非用于替代法规PEMS测试，而是为持续性的车队尺度筛查以及需开展确认性检查的车辆或运行时段优先级判定提供了实用基础。

该论文发表于《Journal of Hazardous Materials Advances》，聚焦于重型柴油车辆真实世界NO_x排放的长时段、车队化筛查难题。研究背景在于：重型柴油车辆（HDDVs）虽然在车队总量中占比不高，却因高发动机负荷、长活动时长和高频运行于货运与客运通道，成为道路与城市环境NO_x的重要来源。NO_x不仅促进光化学臭氧形成，还参与二次硝酸盐气溶胶生成，因此与区域氧化性污染及细颗粒物负荷密切相关。尽管选择性催化还原（SCR，选择性降低NO_x的尾气后处理技术）已广泛用于现代柴油重卡和客车，但在用排放仍显著受瞬态工况、交通拥堵、热管理状态以及后处理系统服役状态影响。已有研究表明，真实世界NO_x排放常高于认证水平，因此，开展在用车辆长时段排放行为表征具有明显环境与监管意义。

现有监测手段各有局限。底盘测功机测试难以重现真实道路瞬态特征；便携式排放测量系统（PEMS）虽具参考级精度，但成本高、操作复杂，不适于大规模常态化部署；遥感监测只能提供瞬时快照；排放模型虽可用于大尺度推算，但难以准确刻画单车发动机运行与后处理动态。与此同时，随着物联网（IoT）和远程信息技术发展，车载诊断（OBD）数据成为在用排放评估的重要新来源。中国VI标准要求重型柴油车辆以1 Hz频率上传关键发动机和后处理参数，这为车队尺度连续监测提供了丰富数据基础。然而，OBD远程信息数据虽“数据丰富”，却因由碎片化、不规则的行程序列组成，难以直接适配中国VI/RDE（真实驾驶排放）中基于移动平均窗口法（MAW）的标准解释框架。既有研究往往采用整行程平均等简化方式，虽可快速估计，却无法解决随机日常运行与标准窗口评价体系之间的结构性失配问题。因此，如何从不规则、长时段、碎片化的OBD数据中，重建一个既稳定又可与参考框架对应的NO_x指标，成为本研究的核心科学问题。

围绕这一问题，研究人员构建并验证了短行程组合方法（STCM）。其核心思路是：先从热稳定运行阶段提取短行程片段，再按城市、农村和高速/机动车道等驾驶模式进行分类，随后采用Monte Carlo方法随机重采样这些片段，重建满足中国VI参考约束条件的合成驾驶循环，最后按MAW方法计算90百分位比NO_x排放指标SENO_x_P90。研究的三项主要贡献包括：提出可将碎片化真实运行转化为适于稳定MAW指标重建的循环重构策略；基于502辆中国VI车辆远程信息数据确定车队应用所需的关键参数条件；通过与重复PEMS测试对比，评估长时段不规则OBD数据能否恢复具有环境意义的持续高排放行为。研究结论显示，该框架能够把不规则OBD数据转化为热态运行NO_x筛查指标，为大规模持续监测和重点车辆筛查提供技术基础。

研究人员使用的主要关键技术方法包括：首先，基于中国VI合规远程监控平台采集502辆HDDVs连续13个月、1 Hz频率的OBD远程信息数据，并实施规则驱动的数据质量控制；其次，按照发动机冷却液温度超过70 °C后的热态运行边界进行行程分割，并依据速度阈值分类为城市、农村和高速模式；再次，通过STCM对短行程库进行同模式合并、长行程拆分、Monte Carlo重采样与受法规约束的合成循环重建；随后，依据MAW方法计算窗口发动机功、NO_x质量排放率和SENO_x_P90；最后，选取4辆代表性车辆开展15次符合中国VI RDE程序的PEMS测试，用于方法基准验证，并与整行程平均法进行比较。

在研究结果部分，论文首先给出了“3.1. Determination of the evaluation period (Data window length)”的结果。研究人员围绕评估时窗长度在“时效性”与“数据充分性”之间的权衡展开分析。若评估窗口过短，指标更新更频繁，但不足以覆盖足够多样的实际运行工况；若窗口过长，则虽提高代表性，却降低异常排放识别的及时性。为此，研究人员提出经验性的“行程样本充足性准则”，要求在一个评估期内，每种道路类型可用的行程片段数至少达到组装一个合规最小时长RDE测试所需最小数量的3倍。基于502辆车全样本分析后发现，大多数车辆可在较短累计发动机运行时间内满足该条件，但少数运行工况单一的车辆需要更长观测时长。最终，研究人员选定51 h累计发动机运行时间作为标准评估窗口，以保证90%以上车队车辆具备足够短行程多样性。对于仍不满足条件的车辆，则不强制输出标准STCM结果，而应延长观察窗口或采用专门工况协议。

在“3.2. Robustness verification of synthetic cycle length (Cumulative work multiplier)”中，研究人员考察了合成循环累计功倍数对重建指标稳定性的影响。中国VI RDE允许有效测试总累计发动机功位于4–7倍Wref之间，该灵活性可能导致排放结果波动。为检验STCM对这一参数的敏感性，研究人员以车辆A开展相邻两日、交通与环境条件相近、但累计功分别为4.5Wref和6.4Wref的两次RDE测试。结果表明，较长循环引入了更多有效MAW窗口，且新增窗口多位于高速阶段。由于高速工况下SCR温度较高、转化效率较好，这些新增窗口呈现较低比NO_x排放，从而使平均比NO_x排放下降约10.8%。然而，SENO_x_P90仅从0.190 g/kWh降至0.183 g/kWh，变化不足4%。这说明SENO_x_P90作为上尾指标，主要反映高排放事件的存在与否，而不易被额外低排放高速窗口显著稀释。因此，研究人员认为STCM对合理范围内合成循环长度变化并不过度敏感，并据此将累计功倍数β设定为在4–7区间均匀抽样。

在“3.3. Optimization of Monte Carlo resampling iterations”中，研究人员分析了Monte Carlo迭代次数对结果稳定性的影响。由于同一驾驶模式下短行程的排放特征仍可因拥堵、坡度、驾驶行为、载荷及后处理热状态不同而显著变化，单次随机采样可能偏离车辆真实排放行为的中心趋势。此外，片段在合成循环中的排列顺序会影响其是否落入有效MAW窗口，因为APR（平均功率比）有效性判据更易保留高功率窗口，从而使位于不同位置的高排放片段对P90的贡献不同。为抑制这种采样与顺序双重随机性，研究人员采用多次独立重采样，并以所得SENO_x_P90分布的中位数作为最终指标。收敛分析显示，当N_MC=200时，中位数波动已小于0.035 g/kWh，约为中国VI参考值0.69 g/kWh的5%，进一步增加迭代次数仅带来有限收益。因此，200次迭代被确定为兼顾稳健性与计算效率的标准配置。

在“4.1. Fleet-scale reconstructed NOx distribution”中，研究人员将STCM应用于502辆车的2023年5月数据，以展示其车队筛查能力。结果表明，重建得到的热态SENO_x_P90在车辆之间呈现显著异质性，说明长时段OBD远程信息能够识别稀疏抽检可能遗漏的持续高NO_x排放车辆。以中国VI参考值0.69 g/kWh作为筛查参照时，502辆车中有15.9%被判定为热态高NO_x排放车辆，约65辆。其中31%的被标记车辆伴有OBD报告的NO_x控制相关故障，如喷射器堵塞或尿素消耗异常偏差。论文明确指出，这种关联并不等同于部件级故障诊断，因为OBD故障与重建排放并非一一对应，但该结果仍证明STCM可将常规远程信息转换为具有环境意义的优先级判别工具。

在“4.2. PEMS benchmark validation”中，研究人员对4辆开展PEMS测试的代表性车辆实施滑动窗口验证。依据前述51 h评估窗口，以10 h累计发动机运行时间为步长提取重叠窗口，模拟连续更新的监测场景。每个窗口均执行200次Monte Carlo重建，并取中位数SENO_x_P90作为STCM结果；同时，以PEMS数据按照标准MAW方法计算对应参考值；此外，还设置不含法规约束重建与MAW有效性判定的整行程平均法作为基线。结果显示，STCM的中位数总体上与重复PEMS测试的中心趋势一致，且对4辆车的车辆层面绝对误差为0.110–0.182 g/kWh，总体MAE为0.133 g/kWh，RMSE为0.136 g/kWh，探索性R²为0.899。相比之下，整行程平均法的MAE达到0.277 g/kWh，RMSE为0.381 g/kWh，探索性R²仅0.208，说明性能明显较差。由此可见，STCM优于简单平均并非因为其使用了更多OBD数据，而是由于其重建了与MAW兼容的驾驶循环并保留了有效窗口逻辑。论文还指出，车辆C和D的STCM分布范围较宽，这与其道路类型构成及SCR热状态时间变异性更大相一致，而不应简单归因为Monte Carlo数值不稳定。

讨论部分首先强调了STCM的方法学意义。研究人员认为，其核心价值不只在于“重建了一个法规兼容指标”，更在于能够从碎片化日常远程信息中恢复具有环境相关性的长时段NO_x行为。相较于PEMS等高精度但低覆盖的方法，以及仅具规模优势却难以捕捉持续高排放行为的常规方法，STCM在可比性、环境相关性和车队尺度适用性之间提供了平衡。其采用Monte Carlo重建而非定义单一“代表性”行程，能够更好体现日常运行的随机性；使用中位数聚合可降低极端采样和片段顺序影响，增强稳健性。研究人员还指出，SENO_x_P90适合用于识别高排放行为和确定确认性检查优先级，但不应直接替代平均排放强度或总NO_x质量估算；同时，由于本研究仅关注热态运行阶段，未纳入冷启动和SCR升温阶段，因此不宜将该指标理解为完整的排放清单指标。

在不确定性与局限性方面，论文指出STCM的性能仍受到底层OBD测量质量的根本约束。下游NO_x传感器可能受NH₃交叉敏感性影响，瞬态排气条件和传感器漂移也会引入偏差；STCM并不能消除这些传感器层面的误差，而只是通过结构化、MAW兼容的框架对可用数据进行传播和重建。因此，实际部署中需辅以传感器质量诊断、上下游NO_x信号交叉检查、SCR温度和尿素喷射合理性校核以及必要时的NH₃偏差修正。其次，51 h评估窗口虽适用于多数车辆，但对运行高度重复、工况受限的专用车辆，其行程库可能缺乏足够变异性，影响循环重建意义。再次，验证范围仅限于4辆中国VI柴油车，尚不能证明其可无缝迁移至更老排放标准、不同后处理结构、混合动力平台或非道路机械等应用场景。因此，现阶段结果应理解为在既定领域内的可行性与稳健性证据。

从环境意义与实际应用角度看，STCM的价值在于将常规OBD远程信息由“运行数据记录”提升为“长时段真实世界NO_x筛查工具”。由于高NO_x排放行为往往具有间歇性和热敏感特征，稀疏抽测难以有效捕捉，而该方法能够通过长时段片段整合与重构，更早识别持续高排放车辆或异常运行时段，进而提升车队尺度排放监管与维护资源配置效率。研究人员强调，当SENO_x_P90相对于0.69 g/kWh参考值进行解释时，应仅用于筛查目的，而不能替代正式合规判定，后者仍需确认性PEMS测试支持。

研究结论部分可译为：本研究开发并评估了短行程组合方法（STCM），用于从重型柴油车辆不规则OBD数据中重建热态运行、与移动平均窗口法（MAW）兼容的SENO_x_P90指标。基于502辆中国VI车辆13个月的远程信息数据，分析表明，51 h评估窗口可为多数车辆提供充分的行程多样性，200次Monte Carlo迭代可产生稳定的指标估计。对502辆车开展的车队级应用显示，车辆间存在显著异质性；当相对于中国VI参考值0.69 g/kWh进行筛查性解释时，15.9%的车辆被识别为热态高NO_x排放车辆。在这些被标记车辆中，31%伴随OBD报告的NO_x控制相关故障，支持了STCM在确认性检查优先级判定中的实际价值。基于4辆代表性车辆15次PEMS测试的概念验证基准比较显示，STCM中位数通常落在重复PEMS测量范围内，车辆层面绝对误差为0.110–0.182 g/kWh，MAE为0.133 g/kWh，RMSE为0.136 g/kWh，探索性R²为0.899。对4.5Wref与6.4Wref测试条件的控制比较进一步表明，重建指标对合理范围内合成循环长度变化的敏感性有限。综合来看，这些发现表明，不规则的长时段OBD远程信息可以被转换为具有环境相关性的热态NO_x指标，用于面向筛查的在用排放行为评估。该框架更适合被理解为PEMS的补充而非替代，其实际价值在于识别持续高排放车辆或需开展确认性检查的运行时段。当前研究的局限包括PEMS验证样本较少、未纳入冷启动和SCR升温阶段、依赖车载传感质量，以及对N2车辆和特殊工况等部分类别的可迁移性尚未经验证。未来工作应扩大外部验证，开发冷启动补充指标，强化远程信息数据质量保障，并评估其在更多样化在用车队中的推广应用。