通过车载诊断尿素分析系统识别排放异常的重型柴油车辆

《Journal of Environmental Sciences》：Identify emission-abnormal heavy-duty diesel vehicles via on-board diagnostic urea analysis

　　曹泽平|郭柳阳|于兆全|赵晓阳|尹家伟|贾振宇|王建龙|唐苗|张启军|毛红军
天津城市交通排放研究重点实验室；国家环境保护城市环境空气颗粒物污染防治重点实验室；国家自然科学基金委员会城市空气质量改善与公共卫生国际科技合作基地
南开大学环境科学与工程学院，天津300071，中国

**摘要**
具有远程传输功能的车载诊断（OBD）系统在中国越来越多地被用于监测重型柴油车辆的NOx排放。然而，由于数据质量的限制，OBD数据的全部潜力尚未得到充分发挥。本研究介绍了一种数据驱动的方法，利用中值过滤和滑动窗口技术来识别尿素消耗段并计算尿素消耗率。在328辆有-day数据的车辆中，有23辆（7.0%）未检测到尿素使用情况，这表明可能存在篡改行为。然而，由于车辆型号多样且观测周期有限，仅凭这一指标是不够的。为了提高可靠性，我们分析了同一车型车辆的月度和年度数据，并提出了基于基线的检测框架。结果显示，在6辆年度数据车辆中的1辆和22辆月度数据车辆中的4辆存在篡改或异常使用的迹象。该方法具有成本效益，适合集成到大数据平台中，为政策制定者提供了针对执法和减排的实际工具。

**引言**
重型柴油车辆（HDDVs）是环境NOx排放的主要来源（Programme, 2024）。2023年，HDDVs占所有移动源NOx排放量的76.1%（Ecology and China, 2023），对生态系统（Xu et al., 2019）、大气环境（Akimoto and Tanimoto, 2022; Bray et al., 2021）和人类健康（Hu et al., 2024; Wei et al., 2019）构成了重大风险。为了减少HDDVs的NOx排放，中国政府实施了China VI排放标准，将标准测试循环下的NOx排放限制提高了77.0%（Cui et al., 2018）。此外，该法规还引入了远程排放管理系统的新要求。为了解决这一问题，开发了与车载诊断（OBD）接口的远程监控系统，实现了车辆运行和排放数据的实时收集（Xu et al., 2023）。根据China VI-a标准，新销售的HDDVs必须配备OBD系统，而China VI-b则进一步要求通过网络连接实时上传数据（Wang et al., 2022）。随着相关法规的逐步实施，OBD系统得到了广泛采用，为远程监控平台上传了大量数据。这些数据支持了越来越多的研究。初步研究主要考察了OBD数据的准确性和可靠性。例如，Cheng et al.（2019）和Zhang et al.（2020）将OBD系统连接到PEMS设备上，报告了较低的平均相对误差（±22.0%以内）、较高的皮尔逊相关系数（> 0.95）和总体一致性，证明了数据的可信度。在此基础上，OBD数据已被应用于多个领域，包括高排放车辆的识别（Cao et al., 2025a; Yang et al., 2024b; Zhang et al., 2023a）、排放清单编制（Lv et al., 2023）、总体排放评估（Li et al., 2025; Zhao et al., 2024a, 2024b）以及数据驱动的信息挖掘（Cao et al., 2025b）。Zhang et al.（2020）观察到燃油流量和发动机功率之间的明显相关性，并据此提出了一种用于识别高排放车辆的燃油窗口方法。Lv et al.（2023）使用China VI OBD数据开发了实时NOx排放清单。Zhao et al.（2024a）分析了大量车辆的排放情况，并建议采用长期监控协议来评估车辆整个使用期的合规性。此外，Zhao et al.（2024b）探讨了使用OBD数据实现卡车电气化的机会和挑战。Cao et al.（2025a）提出了一个全面的框架，包括数据处理、高排放车辆识别和主要排放原因的诊断。他们还开发了一种插补方法来处理因信号丢失或发动机冷启动时冷却液温度过低而导致的缺失数据（Cao et al., 2025b）。尽管最近取得了进展，但OBD数据的许多方面仍未得到充分探索，特别是在如何有效利用其丰富的高频率信息进行排放相关分析方面。

OBD数据既广泛又反映了实际驾驶条件。与PEMS测量不同，它们不需要复杂的实验程序，因此是理解实际车辆运行模式的宝贵资源（Agarwal and Mustafi, 2021; Jiang et al., 2022; Li et al., 2022）。然而，尽管具有优势，大规模的OBD数据集相对于PEMS测量来说数据质量较低，通常包含大量噪声和大量不可用的数据（Moradi et al., 2020）。为了从这些数据中有效提取有意义的信息，适当的分析方法至关重要。机器学习和深度学习方法为此任务提供了有希望的途径（Jia et al., 2025; Moradi et al., 2020; Wei et al., 2022）。这些模型能够过滤掉部分噪声，只保留主导模式和潜在结构。借助模型解释技术，可以进一步分析和理解这些提取的模式（Jia et al., 2024a, 2024b）。然而，基于机器学习的方法存在固有的局限性。它们通常需要大量计算资源，并且实施成本较高。此外，机器学习模型捕捉到的主导模式有时可能是不完整或有偏的，可能导致误导性的解释。因此，也需要更传统的、基于数值的分析方法。这些方法通常更具成本效益，在许多情况下，能够为实际应用提供足够的准确性和稳健性。信号去噪是一种成熟的数据处理技术，旨在通过抑制或消除可能掩盖潜在模式的噪声来提取有意义的信息。它已广泛应用于各个领域，包括车辆轨迹分析和从排放测量中去除噪声（Gao et al., 2024; Li et al., 2021; Sun, 2024）。对于噪声水平较高的OBD数据集，结合信号去噪和基于指标的计算可能提供一种可行的分析途径。一旦有效过滤掉噪声，数据中嵌入的某些潜在信息可能变得可访问。

尿素消耗率是原始OBD数据中包含的关键信息之一。可以通过对尿素浓度、NOx浓度和进气流量等参数应用信号去噪技术来推导出尿素消耗率。作为SCR系统运行状态的核心指标，尿素消耗率可以帮助执法人员和政策制定者有效评估车辆状况，并有助于识别被篡改的车辆。在HDDVs中部署的SCR系统中，尿素作为主要还原剂，促进NOx转化为N?和H?O（Herrero and Ullah, 2020）。当SCR系统正常工作时，可以显著减少NOx排放（Liu et al., 2022; Zhang et al., 2025; Zheng et al., 2022）。然而，如果尿素喷射系统被篡改或禁用，SCR转化效率将大幅降低，导致排放量可能比正常水平高出数倍（Li et al., 2022）。先前的研究表明，一些驾驶员可能会故意干扰尿素喷射过程（Zhang et al., 2023b），要么减少剂量，要么完全禁用它。结果，这些HDDVs几乎不消耗尿素，成为所谓的“超级排放者”（Yang et al., 2024a）。这类车辆的一个共同特点是尿素消耗率异常低，因为这种修改的主要动机是为了降低运营成本。因此，可以开发一种方法来计算尿素消耗率，并将其作为筛选异常消耗行为车辆的主要指标。

在早期的研究中，Zhang et al.（2020）探讨了这种可能性，并得出结论，尿素水平的下降并不是NOx排放控制性能的敏感指标。考虑到当时的数据条件和试点背景，他们的发现是稳健合理的——特别是考虑到OBD系统仍在完善中，数据资源有限。然而，自那以后已经过去了几年，OBD系统已得到广泛部署，数据可用性不再是研究这一关系的主要限制。尽管取得了进展，但近年来这一主题受到的关注不多，这突显了对其潜力进行重新研究的必要性。基于上述背景，本研究提出了一种基于信号去噪和段提取的方法，使用天津生态与环境局OBD平台收集的432辆HDDV的日级OBD数据来估计尿素消耗率。为了开发一种基于基线的筛选方法来识别尿素消耗行为异常的车辆，还结合了同款车型的另外28辆车的数据来构建参考基线。本研究的主要贡献如下：（1）建立了一种识别尿素消耗段并计算尿素消耗率的方法；（2）量化了不同车型车队的尿素消耗率；（3）进一步探讨了基于给定车型尿素消耗率和排放因子（EFs）识别作弊行为或改装车辆的可行性。这些发现为政策制定者提供了实用见解，并支持远程监督策略的改进和优化。

**数据收集与处理**
本研究使用的数据来自天津生态与环境局的OBD平台。具体来说，收集了432辆车辆的一天数据、22辆车辆的一个月数据和6辆车辆的一年数据。原始OBD数据通常包含大量错误，需要进行彻底的数据清洗。按照先前的程序，我们采用了相同的数据清洗方法（Cao et al., 2025b），这里再次说明以便清晰。

**数据处理与排放分析**
数据处理是第一步。图1显示了460辆车辆中剩余数据的比例以及由于恒定值错误、超出范围错误和时间戳错误而被移除的数据的比例。从图中可以看出，恒定值错误相对较低，中位数约为0.7%。超出范围的错误较为常见，但仍大多低于25%，中位数约为10%。时间戳错误异常高，中位数接近50%，大多数值...

**结论**
本研究基于信号处理和移动平均技术开发了一种用于HDDVs尿素消耗的段识别算法，并提出了计算每个识别段内尿素消耗率的方法。结果表明，所开发的方法是有效的，可以用于量化车队级别的尿素消耗率。进一步调查相同车型的车辆发现，建立基于基线的消耗率...

**未引用的参考文献**
联合国环境规划署 2024
CRedi

**作者贡献声明**
曹泽平：撰写——原始草案、验证、软件、资源、项目管理、方法论、调查、正式分析、数据整理、概念化。
郭柳阳：方法论、调查、概念化。
于兆全：软件、方法论。
赵晓阳：方法论、正式分析。
尹家伟：软件、调查。
贾振宇：监督、调查、正式分析。
王建龙：方法论、调查。
唐苗：项目管理、数据...

**利益冲突声明**
作者声明他们没有已知的利益冲突或个人关系可能影响本文所报告的工作。

**致谢**
本研究得到了国家重点研发计划（编号2023YFC3705405、2024YFC3712302和2024YFE0112100）、国家自然科学基金（编号42177084）以及中央高校基本科研业务费（编号63251086和63251027）的支持。