重型货车OBD数据分析

NOx对人体健康、大气环境、生态环境等都会造成相当的影响。机动车是NOx排放的主要贡献者。随着机动车电气化的推行和国家标准的提高，移动源排放的NOx已经有了极大的改善。然而，重型货车往往有较高的车身重量，燃烧柴油，并难以实现电动化，已经成为了移动源NOx排放的最主要来源。为控制重型货车的NOx排放，国家出台了国VI标准，规定所有新出厂的重型货车都必须安装OBD装置。在这样的背景下，完成了下列研究。

（1）重型货车NOx排放分析框架

灵感来源：思路实际上来自于一些表格数据转化为图像的研究，就像下图那样(Estebsari A, Rajabi R. Single residential load forecasting using deep learning and image encoding techniques[J]. Electronics, 2020, 9(1): 68.)。

将数据转化为图像有三个好处。其一，可以压缩数据量，只保留关键的排放规律。其二，可以更加方便的置入深度神经网络中，挖出更深层次的排放规律（原始的表格数据并不能反映整体的排放特性，只能反映局部的时序特征）。其三，可视化的图像比表格化的图像更加直观。在这个思路的基础上，开展了相关工作——我们希望通过生成的图片，使用卷积神经网络训练深度学习模型，最终完成精准的车辆问题诊断。 我们从OBD数据平台上下载了32辆同型号的重型货车数据，将数据按照不同条件置入不同的箱中，从而生成了车辆对应的排放特性图片，通过观察图片，即可分析出车辆的主要排放原因。为进一步探索，抽取了三辆车做为案例研究，在此基础上，为这三辆车建立了机器学习模型，并使用复现的模型解释方法（原始的PDP、ICE不支持XGBOOST）解释了机器学习模型的行为，最终给出了针对性的治理建议。研究的流程图如下：
由于数据不够丰富，并且无法进行实车调查（这意味着深度学习没有目标值），没能按照原始研究计划，但是还是做了一些小小的尝试————将车辆编为1-32号，使用类似于VGG的深度神经网络（网络结构如下），建立了CNN深度学习模型。该模型的NLLloss 从1.19 => 2.01 * 10**（-7）

这种方法有巨大的潜力，如果有精准的故障数据集，就可以训练精准的模型，实现高排放原因的精准识别。

（2）重型货车NOx数据填补

灵感来源：思路来自本科时参与的工作（He C, Ji M, Li T, et al. Deriving full‐coverage and fine‐scale XCO2 across China based on OCO‐2 satellite retrievals and CarbonTracker output[J]. Geophysical Research Letters, 2022, 49(12): e2022GL098435.）。由于云层遮挡、地球自转等诸多原因，OCO2记录的CO2柱浓度会存在大量的缺失值。而机器学习可以通过其他数据，来估计这些缺失值。类似的，发动机冷却液温度低于70℃时，机动车的NOx传感器会关闭，也会产生类似的数据缺失现象。因此产生了用历史数据完成数据缺失填补的想法。 数据是从OBD数据平台上下载的————26辆包含一个月数据的重型货车OBD数据数据集，6辆包含一年数据的OBD数据数据集。 研究的工作流如下：

将来，这些方法或许可以用于大数据平台的数据填补。