一种基于远程OBD数据的柴油车辆SCR作弊判定方法与流程

一种基于远程obd数据的柴油车辆scr作弊判定方法
技术领域
1.本发明涉及汽车、汽车发动机以及汽车排放监控技术领域，特别是涉及一种基于远程obd数据的柴油车辆scr作弊判定方法。


背景技术：

2.随着商用车排放的不断升级，部分柴油车辆为降低使用成本，节省车用尿素消耗，同时为了逃避国家环保部门对在用柴油车监管，目前催生了一套作弊的、不合规的技术手段，该手段是车辆scr(即车辆发动机尾气处理尿素系统)作弊技术，其利用改写ecu(电子控制单元)或加装信号模拟器，控制车用尿素的用量(例如通过暂停尿素喷射泵的使用)，同时给obd检测系统(即车载诊断系统)给个假信号，让obd认为排放是合格的，不会限制发动机的功率和扭矩，以逃避国家环保部门对在用柴油车的监管，能够在不添加车用尿素的情况下正常使用柴油车辆，这会导致尾气排放中的有毒物质较多地排放到外部大气环境中，同时在现有柴油车辆检测单位对柴油车辆的尾气排放指标进行检测的时候，又能恢复尿素喷射泵的正常使用，保证车用尿素的用量，从而达到尾气排放要求，顺利过关。
3.因此，对于现有的柴油车辆检测单位，需要对柴油车辆上是否存在车辆scr(即车辆发动机尾气处理尿素系统)作弊技术进行检测判断。
4.然而，现有的柴油车辆scr(即车辆发动机尾气处理尿素系统)作弊的判断方法，只有对氮氧传感器是否作弊进行判断，无法全面实时监测scr(即车辆发动机尾气处理尿素系统)的作弊行为，或是在车辆处于特定工况下时，需要额外再加装排放检测设备，验证对scr是否作弊进行判断，这给检测工作带来不变，而且显著增加了检测成本。
5.因此，目前迫切需要开发出一种技术，能够方便、可靠地对柴油车辆scr(即车辆发动机尾气处理尿素系统)是否存在作弊行为进行判断。


技术实现要素：

6.本发明的目的是针对现有技术存在的技术缺陷，提供一种基于远程obd数据的柴油车辆scr作弊判定方法。
7.为此，本发明提供了一种基于远程obd数据的柴油车辆scr作弊判定方法，其包括以下步骤：
8.步骤s1，数据获取操作：对于待检测的每个型号柴油发动机，分别预先获取搭载该型号柴油发动机的正常车远程obd数据流和作弊车远程obd数据流；
9.步骤s2，提取关联数据项操作：对于步骤s1获取的正常车和作弊车的远程obd数据流，分别从中提取氮氧化合物nox排放的关联数据项；
10.步骤s3，构建向量机子模型操作：首先，将步骤s2所提取的正常车和作弊车的远程obd数据流中的关联数据项，分别合并后再增加一个车辆状态标记数据项，从而形成训练数据组；然后，利用训练数据组对支撑向量机模型进行训练，获得用于柴油车辆scr作弊判断的、该型号柴油发动机的支持向量机训练模型，然后利用该支持向量机训练模型，构建能够
返回未知属于正常车或作弊车的数据流中正常数据行的比例的支持向量机子模型；
11.步骤s4，作弊车辆判定操作：对于搭载某型号柴油发动机的待检测柴油车辆，获取该待检测柴油车辆的远程obd数据流；然后，根据步骤s2获得的关联数据项，从待检测柴油车辆的远程obd数据流中选择对应的数据项，合并形成判定数据组；然后，将判定数据组带入到待检测柴油车辆的柴油发动机型号对应的支持向量机子模型，通过该支持向量机子模型进行车辆状态判断，获得车辆状态判定结果。
12.由以上本发明提供的技术方案可见，与现有技术相比较，本发明提供了一种基于远程obd数据的柴油车辆scr作弊判定方法，其设计科学，能够方便、可靠地对柴油车辆scr(即车辆发动机尾气处理尿素系统)是否存在作弊行为进行判断，具有重大的实践意义。
13.通过应用本发明，有利于解决现有的一些在用柴油车利用ecu重新编程或加装信号模拟器的作弊行为以逃避国家环保部门对在用柴油车监管，进而导致车辆排放超限造成大气污染的问题。
14.本发明的技术方案，能够避免加装额外的排放监测设备，在利用现有obd数据框架基础上，将高关联度数据项作为离线训练集合训练支持向量机，形成作弊预测模型，用于车辆scr作弊判定，从而为环保管理部门精确监管和筛选在用违规车辆提供支持。
附图说明
15.图1为本发明提供的一种基于远程obd数据的柴油车辆scr作弊判定方法的基本流程图；
16.图2为本发明提供的一种基于远程obd数据的柴油车辆scr作弊判定方法一种实施例的整体流程图。
具体实施方式
17.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和实施方式对本发明作进一步的详细说明。
18.参见图1、图2，本发明提供了一种基于远程obd数据的柴油车辆scr作弊判定方法，包括以下步骤：
19.步骤s1，数据获取操作：对于待检测的每个型号柴油发动机，分别预先获取搭载该型号柴油发动机的正常车远程obd数据流和作弊车远程obd数据流(例如5000个数据行)；
20.在本发明中，需要说明的是，在步骤s1中，正常车是不存在scr作弊行为的柴油车辆，作弊车是存在scr作弊行为的柴油车辆；
21.在本发明中，需要说明的是，正常车远程obd数据流，是不存在scr作弊行为的柴油车辆的远程obd数据流，该数据从国家环保部门的obd数据中心(例如obd远程监测大数据平台)获取。
22.作弊车远程obd数据流，是存在scr作弊行为的柴油车辆的远程obd数据流，该数据从国家环保部门的obd数据中心(例如obd远程监测大数据平台，或者远程obd系统))获取。
23.需要说明的是，根据目前的法律规定，柴油车辆上的远程排放监控终端或者其他设备，将按要求上传柴油车辆的obd数据至国家环保部门的obd数据中心(例如obd远程监测大数据平台，或者远程obd系统)。
24.在步骤s1中，具体实现上，正常车远程obd数据流，具体是过去预设时长内不存在scr作弊行为的柴油车辆的远程obd数据流；
25.作弊车远程obd数据流，具体是过去预设时长内存在scr作弊行为的柴油车辆的远程obd数据流。
26.在步骤s1中，具体实现上，正常车远程obd数据流，具体包括不存在scr作弊行为的柴油车辆的预设数量(例如5000个)数据行；
27.作弊车远程obd数据流，具体包括存在scr作弊行为的柴油车辆的预设数量(例如5000个)数据行；
28.在步骤s1中，具体实现上，所述远程obd数据流，包括车架号、采集时间、创建时间、车速、dpf(柴油机微粒过滤器)压差、大气压力、实际扭矩百分比、发动机燃料流量、发动机冷却液温度、发动机转速、进气量、反应剂余量、累计里程、摩擦扭矩、经度、纬度、scr(即车辆发动机尾气处理尿素系统)入口温度、scr出口温度、scr上游氮氧化物浓度、scr下游氮氧化物浓度和油箱液位等多个数据项。
29.步骤s2，提取关联数据项操作：对于步骤s1获取的正常车和作弊车的远程obd数据流，分别从中提取氮氧化合物排放的关联数据项；
30.在步骤s2中，具体实现上，关联数据项，具体是与氮氧化合物(nox)排放的灰色关联度大于或者等于预设值的数据项(具体为0.7)；
31.优选地，预设值为0.7。
32.在步骤s2中，具体实现上，采用灰色关联度方法，计算远程obd数据流中的每个数据项关于氮氧化合物(nox)排放的灰色关联度，并提取其中灰色关联度大于或者等于预设值(具体为0.7)的数据项作为关联数据项。
33.需要说明的是，灰色关联度方法，可以采用现有技术成熟的灰色关联度分析(grey relation analysis,gra)，是由邓聚龙首创的灰色系统理论的一部分，该算法是一种用于多因素分析的统计方法，通过灰色关联度来衡量相似或相异程度，在本发明中，灰色关联度分析用于筛选出与氮氧化合物排放有关的数据项。
34.在本发明中，在步骤s2中，采用灰色关联度方法(具体为灰色关联度分析算法)的计算过程如下：
35.步骤s21，对于正常车和作弊车的远程obd数据流，分别确定比较矩阵和参考矩阵(即灰色关联度分析算法的比较矩阵和参考矩阵)，具体如下：
36.比较矩阵xi＝[xi(1),xi(2),...,xi(n)]，公式(1)；
[0037]
参考矩阵y0＝[y0(1),y0(2),...,y0(n)]，公式(2)；
[0038]
在上述公式中，n为数据样本个数，参考矩阵为scr下游氮氧化物浓度，比较矩阵为步骤s1中远程obd数据流(正常车或作弊车的远程obd数据流)的其他数据(其他数据即是远程obd数据流中，除正在进行灰色关联度分析、被分析的数据项之外的其余数据项)。
[0039]
通过除以矩阵每列的最大值，将量纲归一化为：
[0040]
x
′i＝xi(k)/x
x_max
,k＝1,2,...,n，公式(3)；
[0041]
步骤s22，计算灰色关联系数，具体如下：
[0042][0043]
在上述公式中，ρ为分辨系数，通常为0.5；
[0044]
步骤s23，计算正常车和作弊车的远程obd数据流中每个数据项的灰色关联度，即计算远程obd数据流中每个数据项的比较矩阵和参考矩阵的灰色关联度，该比较矩阵和参考矩阵的灰色关联度的计算公式如下：
[0045][0046]
根据公式(5)，可以得到一系列灰色关联度，通过灰色关联度的大小次序可以判断出各变量(即远程obd数据流中的各个数据项)对氮氧化合物排放的影响程度，取灰色关联度大于或者等于0.7的数据项为氮氧化合物排放的关联数据项。
[0047]
步骤s24，提取正常车和作弊车的远程obd数据流中灰色关联度大于或者等于预设值(具体为0.7)的数据项作为关联数据项。
[0048]
在步骤s2中，具体实现上，关联数据项，具体包括：车速、发动机冷却液温度、实际扭矩百分比、发动机燃料流量、发动机转速、进气量、scr入口温度、scr出口温度和scr下游氮氧化物浓度等九个与nox排放关联度较大的数据项。
[0049]
需要说明的是，对于本发明，通过灰色关联度方法计算关联度情况，提取出车速、发动机冷却液温度、实际扭矩百分比、发动机燃料流量、发动机转速、进气量、scr入口温度、scr出口温度、scr下游氮氧化物浓度这九个与nox排放关联度较大的数据项作为关联数据项，用于作为构建支持向量机预测模型的参数。
[0050]
步骤s3，构建向量机子模型操作：首先，将步骤s2所提取的正常车和作弊车的远程obd数据流中的关联数据项，分别合并后再增加一个车辆状态标记数据项，从而形成训练数据组；然后，利用训练数据组对支撑向量机模型进行训练，获得用于柴油车辆scr作弊判断的、该型号柴油发动机的支持向量机训练模型，然后利用该支持向量机训练模型，构建能够返回未知属于正常车或作弊车的数据流中正常数据行的比例的支持向量机子模型；
[0051]
在步骤s3中，利用该持向量机训练模型，构建支持向量机子模型，具体包括以下操作：
[0052]
利用该持向量机训练模型，构建一个输入未知属于正常车或作弊车的数据流(即还没有判断的数据流，也即未知类型数据流)，能够判定每一行数据所属类别(即判定属于正常车的类别，还是属于作弊车的类别)，并返回该行数据的判定类别标记的模型，这个次生模型为支持向量机子模型。
[0053]
在步骤s3中，通过该支持向量机子模型，能够返回其所输入的未知属于正常车或作弊车数据流(即还没有判断的数据流)中的正常数据行的比例(即具有的正常车数据流比例)。
[0054]
在步骤s3中，具体实现上，正常车的车辆状态标记数据项，标记为“1”；
[0055]
作弊车的车辆状态标记数据项，标记为“0”。
[0056]
需要说明的是，本发明建立一个车辆状态标记数据项，将正常车的数据全部标记为1，作弊车的数据标记为0，然后将车辆状态标记数据项与关联数据项合并成训练数据组。
[0057]
具体实现上，可以将关联数据项合并后增加一列车辆状态标记列，记正常车的数据标记为1，作弊车的数据标记为0，使用正常车和作弊车数据各5000个(即训练数据组)训练支持向量机模型，该支持向量机模型能够自动分析正常车与scr作弊车的特征数据关系，找出将这两部分分开的确信度最高的平面，形成支持向量机训练模型，利用该持向量机训练模型，构建一个输入未知属于正常车或作弊车数据流(即还没有判断的数据流，也即未知类型数据流)，能够判定每一行数据所属类别，并返回该数据行判定类别标记的模型，这个次生模型为支持向量机子模型。
[0058]
需要说明的是，支持向量机(support vector machine,svm)是机器学习领域中经典的分类算法之一，是由vladimir vapnik和corinna cortes于1995年提出，该技术是基于统计学习的思想，通过使模型的结果风险最小来增强学习机的泛化能力，从而让模型在复杂度和非线性问题的处理上达到平衡。它的基本思路是利用核函数将样本空间投射到多维空间结构中，在多维空间中寻找一个最佳分类面，从而使各个类别的样本数据互相分离并且到分离平面的距离最大，从而解决在低维空间上无法分类的问题。
[0059]
在本发明中，将步骤s3中得到的训练数据组带入到支持向量机模型中，经训练获得将正常车obd数据流和作弊车obd数据流分类准确度最高的方式，并得出该方式中与支持向量机公式有关的参数，该参数与支持向量机公式共同组成了用于柴油车辆scr作弊判断的、该型号柴油发动机的支持向量机训练模型。
[0060]
其中，参见下面的公式(6)至公式(25)，支持向量机模型的计算流程如下：
[0061]
给定数据集d＝{(x1,y1),(x2,y2),(x3,y3)....(xn,yn)}，公式(6)；
[0062]
其中xi＝(x
i1
,x
i2
,....x
im
)，n为样本数，m为特征数；yi为-1和1，表示两种分类标签；
[0063]
对于二维可分类型，要找到一个平面使得两种类型分开，为了找到将两种类型分开最好的面，需找出使得离平面最近的点的距离最远，确保分类的确信度最高；
[0064]
在样本空间中，划分平面可通过如下方程描述：
[0065]wt
xi+b＝0，公式(7)；
[0066]
其中，w＝(w1,w2,...,wn)是法向量，决定平面的方向；b是位移项，决定了平面与原点之间的距离。因此，样本空间内任意点x到平面的距离即为
[0067][0068]
假定平面能够正确将样本分类，则平面外的点：因为yi＝1或-1，存在(w，b)使得任意i＝1～n，有
[0069][0070]
将公式(9)继续引申，则也必存在一个平面使得yi(w
t
xi+b)≥1,i＝1,2,...,n，公式(10)；
[0071]
而在实际情况中，总会存在一些离群点或噪音点，使得平面不能完全可分，因此可以添加松弛变量ξi＞0，即
[0072]
yi(w
t
xi+b)≥1-ξi,i＝1,2,...,n yi(w
t
xi+b)≥1,i＝1,2,...,n，公式(11)；
[0073]
需要说明的是，松弛变量ξi的存在，可以使得一些样本到分类平面的距离不大于1，从而实现数据集在特征空间上的近似线性可分。但松弛变量ξi的取值不是任意的，可以通过惩罚因子c来约束松弛变量。
[0074]
此外，将使公式(11)成立的点成为支持向量，两个异类的支持向量到平面的距离之和的计算公式如下：
[0075][0076]
为使得平面的泛化能力最强，公式(12)应取最大，即：
[0077][0078]
为方便计算，公式(13)可以改写为
[0079][0080]
考虑惩罚因子c和松弛变量ξi的情况，公式(14)改为：
[0081][0082]
采用拉格朗日乘子法求解得到：
[0083][0084]
其中，λi＞0，μi＞0作为拉格朗日乘子，要进一步求解该问题，首先对w,b和ξi分别求偏导数，而后求导结果等于0，得到
[0085][0086]
将式公式(16)带入到公式(15)得到：
[0087][0088]
这样对于凸二次优化问题，在使用拉格朗日方法以后，就可以通过优化其对偶问题得到解决，此时问题的形式变为：
[0089][0090]
求解上式可以得到优化问题的最优解，同时若λ
*
为最优解，根据kkt条件，有以下的关系式：
[0091][0092]
只有支持向量xi满足yi(w
t
xi+b)-1＝0时，有
[0093]
最优超平面的权重系数w和偏移量b可以通过下面两个式子得到：
[0094][0095]
其中，xr和xs是两类中的任意两个支持向量。
[0096]
而对于本发明要解决的多维非线性问题，需要将非线性问题通过核函数映射变成一个线性可分问题，从而在映射空间上找到一种分类超平面。
[0097]
该分类超平面为：
[0098]
f(x)＝w
t
φ(x)+b，公式(22)；
[0099]
其中，φ(x)是通过非线性映射后，表示样本x在新的空间中的特征向量。此时，在新的空间中寻找最佳分类超平面，用优化问题表示如下：
[0100][0101]
它的对偶问题是如下形式：
[0102][0103]
在此，引入高斯核函数：
[0104][0105]
式中，σ＞0，是高斯核的带宽，该核函数也被成为径向基函数核(rbf kernel)；
[0106]
则该超平面公式如下：
[0107][0108]
由此，将步骤s3中所述的训练数据组，带入到支持向量机模型中，支持向量机模型中的参数c和通过在-128～128范围内，以2为步长进行网格搜索，代价函数为模型所得准确率最高，得到最优参数c
*
和最优参数与超平面公式共同组成支持向量机训练模型，超平面公式即公式(25)，利用该支持向量机训练模型，构建一个输入未知属于正常车或作弊车的数据流(即还没有判断的数据流，也即未知类型数据流)，能够判定数据流中每一行数据所属类别，并返回该行判定类别标记的模型，这个次生模型为支持向量机子模型。
[0109]
综上所述，在本发明中，在步骤s3中，优选地，支持向量机训练模型，由超平面公式以及预设最优参数共同组成；
[0110]
优选地，超平面公式如下：
[0111][0112]
其中，xi＝(x
i1
,x
i2
,....x
im
)，m为特征数；yi为-1和1，表示两种分类标签；b是位移项，决定了平面与原点之间的距离。
[0113]
优选地，预设最优参数，包括c
*
和
[0114]
其中，c为惩罚因子c，σ＞0，是高斯核的带宽。
[0115]
需要说明的是，基于以上步骤s1至s3，对于每个型号的柴油发动机，都进行训练，可以获得每个型号的柴油发动机的支持向量机子模型。进而，可以将全部多个型号的柴油发动机的支持向量机子模型，打包成为一个集成的车辆scr系统作弊判定模型。
[0116]
步骤s4，作弊车辆判定操作：对于搭载某型号柴油发动机的待检测柴油车辆，获取该待检测柴油车辆的远程obd数据流；
[0117]
然后，根据步骤s2获得的关联数据项，从待检测柴油车辆的远程obd数据流中选择对应的数据项，合并形成判定数据组(具体与远程obd数据流一样包括同样数量的数据行，也包括5000个数据行)；
[0118]
然后，将判定数据组带入到待检测柴油车辆的柴油发动机型号对应的支持向量机子模型，通过该支持向量机子模型进行车辆状态判断，获得车辆状态判定结果(即是否为正常车)。
[0119]
在步骤s4中，具体实现上，待检测柴油车辆的远程obd数据流，从国家环保部门的obd数据中心(例如obd远程监测大数据平台)获取。
[0120]
需要说明的是，根据目前的法律规定，柴油车辆上的远程排放监控终端或者其他设备，将按要求上传柴油车辆的obd数据至国家环保部门的obd数据中心(例如obd远程监测大数据平台)。
[0121]
需要说明的是，对于本发明，在国家环保部门的远程obd系统实时采集车辆数据的运行中，定期提取某车辆的远程obd数据，选择关联数据项，形成车辆scr系统作弊的判定数据组。
[0122]
在步骤s4中，具体实现上，通过该支持向量机子模型进行车辆状态判断，具体包括以下操作：
[0123]
首先，通过该支持向量机子模型，对所述判定数据组中的全部数据行进行判定，返回判定标记，并统计返回所述判定数据组中的正常数据行(即正常车数据行)所占比例；
[0124]
然后，判断所述判定数据组中包括的正常数据行的数量占比，如果大于或等于预设正常比例值(例如为80％)，则判断待检测柴油车辆为正常车，如果小于或等于预设作弊比例值(例如为20％)，则判断待检测柴油车辆为作弊车。
[0125]
需要说明的是，在步骤s4中，根据待检测柴油车辆的柴油发动机的型号选取对应的支持向量机子模型，利用该模型对判定数据组中各个数据行的真伪(即是否正常)进行判定。若支持向量机子模型判定车辆状态为1，则认为该数据行是“正常”，若支持向量机子模型判定车辆状态为0，则认为该数据行是“作弊”。然后，在对提取的所有数据行都判定完成后，计算判定为“正常”的数据行占总数据行的比例，若判定正常数据行的比例占比超过80％，则认为该待检测柴油车辆为正常，若小于20％，则认为该待检测柴油车辆为作弊，若介于20-80％之间，则认为本次判定无效，需要重新选取数据。
[0126]
具体实现上，选择某型号发动机的作弊车(预先已知为作弊车)3辆，正常车(预先已知为正常车)3辆，从每辆车的远程obd数据中截取5000个数据行，带入到本发明支持向量机子模型中进行车辆状态判定。结果如表1所示。可以看到，模型通过正常数据的比例进行判定，判断6辆车辆是否为正常车，判定结果准确率达100％(因为与已知的、已掌握的车辆状态情况相同)。这充分证明：本发明的方法，是准确可靠的，从而可以，可用于管理部门对在用柴油车的精确监管和违规筛选。
[0127]
表1：支持向量机子模型的判定准确率
[0128]
车辆类型正常数据比例判定结果判定结果是否正确？正常车198.6％正常车是正常车2100％正常车是正常车3100％正常车是作弊车11.9％作弊车是作弊车20％作弊车是作弊车30％作弊车是
[0129]
基于以上技术方案可知，本发明是一种基于远程obd数据流的柴油车scr系统作弊检验方法，是一种创新技术方案。本发明的基本思路是：预先获取过去一段时间内搭载某一型号的柴油发动机的正常车远程obd数据和作弊车远程obd数据，采用灰色关联度方法计算不同数据项关于氮氧化合物(nox)排放的关联度并提取灰色关联度较大的数据项，将高关联度数据项作为离线训练集合训练支持向量机，形成某一型号的柴油发动机的作弊预测模
型，用于车辆scr作弊判定。
[0130]
本发明在利用现有obd数据框架基础，结合监督型机器学习算法支持向量机，建立了作弊预测模型，全面实时监测scr的作弊行为，大大节省了人力物力，提高了监测效率，可用于管理部门对在用柴油车的精确监管和违规筛选。
[0131]
综上所述，与现有技术相比较，本发明提供的一种基于远程obd数据的柴油车辆scr作弊判定方法，其设计科学，能够方便、可靠地对柴油车辆scr(即车辆发动机尾气处理尿素系统)是否存在作弊行为进行判断，具有重大的实践意义。
[0132]
通过应用本发明，有利于解决现有的一些在用柴油车利用ecu重新编程或加装信号模拟器的作弊行为以逃避国家环保部门对在用柴油车监管，进而导致车辆排放超限造成大气污染的问题。
[0133]
本发明的技术方案，能够避免加装额外的排放监测设备，在利用现有obd数据框架基础上，将高关联度数据项作为离线训练集合训练支持向量机，形成作弊预测模型，用于车辆scr作弊判定，从而为环保管理部门精确监管和筛选在用违规车辆提供支持。
[0134]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，包括以下步骤：步骤s1，数据获取操作：对于待检测的每个型号柴油发动机，分别预先获取搭载该型号柴油发动机的正常车远程obd数据流和作弊车远程obd数据流；步骤s2，提取关联数据项操作：对于步骤s1获取的正常车和作弊车的远程obd数据流，分别从中提取氮氧化合物nox排放的关联数据项；步骤s3，构建向量机子模型操作：首先，将步骤s2所提取的正常车和作弊车的远程obd数据流中的关联数据项，分别合并后再增加一个车辆状态标记数据项，从而形成训练数据组；然后，利用训练数据组对支撑向量机模型进行训练，获得用于柴油车辆scr作弊判断的、该型号柴油发动机的支持向量机训练模型，然后利用该支持向量机训练模型，构建能够返回未知属于正常车或作弊车的数据流中正常数据行的比例的支持向量机子模型；步骤s4，作弊车辆判定操作：对于搭载某型号柴油发动机的待检测柴油车辆，获取该待检测柴油车辆的远程obd数据流；然后，根据步骤s2获得的关联数据项，从待检测柴油车辆的远程obd数据流中选择对应的数据项，合并形成判定数据组；然后，将判定数据组带入到待检测柴油车辆的柴油发动机型号对应的支持向量机子模型，通过该支持向量机子模型进行车辆状态判断，获得车辆状态判定结果。2.如权利要求1所述的基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，在步骤s1中，所述远程obd数据流，包括车架号、采集时间、创建时间、车速、dpf压差、大气压力、实际扭矩百分比、发动机燃料流量、发动机冷却液温度、发动机转速、进气量、反应剂余量、累计里程、摩擦扭矩、经度、纬度、scr入口温度、scr出口温度、scr上游氮氧化物浓度、scr下游氮氧化物浓度和油箱液位。3.如权利要求1所述的基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，在步骤s2中，关联数据项，具体是与氮氧化合物nox排放的灰色关联度大于或者等于预设值的数据项；优选地，预设值为0.7。4.如权利要求1所述的基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，在步骤s2中，关联数据项，具体包括：车速、发动机冷却液温度、实际扭矩百分比、发动机燃料流量、发动机转速、进气量、scr入口温度、scr出口温度和scr下游氮氧化物浓度。5.如权利要求1所述的基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，在步骤s3中，正常车的车辆状态标记数据项，标记为“1”；作弊车的车辆状态标记数据项，标记为“0”。6.如权利要求1所述的基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，在步骤s3中，利用该持向量机训练模型，构建支持向量机子模型，具体包括以下操作：利用该持向量机训练模型，构建一个输入未知属于正常车或作弊车的数据流，能够判定每一行数据所属类别，并返回该行数据的判定类别标记的模型，这个次生模型为支持向量机子模型。7.如权利要求1所述的基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，在步骤s3中，支持向量机训练模型，由超平面公式以及预设最优参数共同组成。8.如权利要求7所述的基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，超平面公式如下：
其中，x
i
＝(x
i1
,x
i2
,....x
im
)，m为特征数；yi为-1和1，表示两种分类标签；b是位移项，决定了平面与原点之间的距离；预设最优参数，包括c
*
和其中，c为惩罚因子c，σ＞0，是高斯核的带宽。9.如权利要求1至8任一项所述的基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，在步骤s4中，通过该支持向量机子模型进行车辆状态判断，具体包括以下操作：首先，通过该支持向量机子模型，对所述判定数据组中的全部数据行进行判定，返回判定标记，并统计返回所述判定数据组中的正常数据行所占比例；然后，判断所述判定数据组中包括的正常数据行的数量占比，如果大于或等于预设正常比例值，则判断待检测柴油车辆为正常车，如果小于或等于预设作弊比例值，则判断待检测柴油车辆为作弊车。10.如权利要求9所述的基于远程obd数据的柴油车辆scr作弊判定方法，其特征在于，预设正常比例值为80％；预设作弊比例值为20％。

技术总结
本发明公开了一种基于远程OBD数据的柴油车辆SCR作弊判定方法，包括步骤：步骤S1，数据获取操作：对于待检测的每个型号柴油发动机，分别预先获取搭载该型号柴油发动机的正常车和作弊车远程OBD数据流；步骤S2，提取关联数据项操作：对于步骤S1获取的正常车和作弊车的远程OBD数据流，分别从中提取氮氧化合物NOx排放的关联数据项；步骤S3，构建向量机子模型操作：获得用于柴油车辆SCR作弊判断的、该型号柴油发动机的支持向量机子模型；步骤S4，作弊车辆判定操作：通过支持向量机子模型进行车辆状态判断，获得车辆状态判定结果。本发明能够方便、可靠地对柴油车辆SCR是否存在作弊行为进行判断，具有重大的实践意义。具有重大的实践意义。具有重大的实践意义。


技术研发人员：张潇文 刘乐 王玉伟 李菁元 刘浩业 王力辉 耿培林 金妮妮 于全顺 刘麟 仲崇智 秦宏宇 孙龙 杨志文
受保护的技术使用者：中汽研汽车检验中心（天津）有限公司
技术研发日：2023.03.23
技术公布日：2023/7/12