基于BP神经网络的内燃机排放性能建模与应用研究

【摘要】：随着内燃机应用领域的不断扩大、内燃机数量的急剧增加(以汽车保有量剧增为代表)以及对大气污染控制的日益严格，内燃机排放及控制问题的研究成为一个热点。本文针对内燃机排放研究手段存在的问题——试验研究所需设备复杂、昂贵；数学建模研究影响因素多而复杂，且无明确的规则可遵循(因内燃机燃烧及排放形成机理尚未完全探明)，提出利用神经网络理论建立基于普通试验设备、少量排放试验数据、不用复杂的数学建模与计算即可预测内燃机稳态排放性能、汽车工况法排放以及进气成分对排放的控制作用模型的设想，并进行了实施。主要工作为： 1)在充分研究BP神经网络理论及内燃机系统工作特点的基础上，提出了完整的基于BP神经网络的内燃机稳态排放性能模型建模方法。其中，样本确定采用作者提出的变边界新正交设计法；利用6135ZG柴油机试验台测取了建模所需的训练及测试样本。在此基础上，建立了内燃机稳态排放性能预测模型，并将该模型成功地用于内燃机稳态排放特性及十三工况循环排放预测。 2)在对内燃机瞬态排放与稳态排放差异及影响因素进行深入分析的基础上，提出基于内燃机稳态测试进行汽车工况法排放预测的双模型预测法。为实现这个方法，首先由计算得到汽车工况法测试循环对应的发动机工况，然后根据作为对象发动机的非增压(或低增压)柴油机的工作及排放特点，假定过渡过程按准稳态进行、柴油机冷起动时温升呈线性，在稳态模型基础上，增加输入层神经元和表征发动机热力状态变化的学习样本，建立了内燃机冷起动后暖机过程排放预测模型。将该模型与上述稳态排放模型相结合，以1s间隔预测了汽车按欧洲经济委员会测试规范ECE-15运行时的排放变化规律。 3)把神经网络理论引入内燃机排放控制研究，提出了基于单因素试验进行多因素综合影响预测的建模方法，并以进气成分对柴油机排放的控制作用研究为例进行了实施。得出了在该机条件下为获得良好 西南交通大学博士研究生学位论文第日页 排放性而又不致使动力性、经济性下降太多的各成分的范围。 由于该法的依据是试验数据，预测结果不依赖于发动机的数学模 型，不会因建模过程中过多的假设而影响预测精度，可在对内燃机结 构参数及有害排放形成机理不完全清楚的情况下使用，且所需的试验 设备少而普通，不仅能节省研究所需的经费、缩短研究周期，而且， 一些受试验条件的限制而无法进行的试验也可根据神经网络的高度非 线性映射能力和泛化能力来预测。所以，作者认为，该法不失为一种 快速、准确地预测内燃机排放性能的新方法。 另外，该法还普遍适用于各种类型的发动机，如柴油机、汽油机、CNG 发动机和LPG发动机等，即与发动机所使用的燃料、结构类型等无关。因为 建模的依据是相应发动机的实测数据，便于推广使用。 由此可见，该法的提出为内燃机性能研究提供了一条新思路和一 个新手段。并且，由于对试验条件要求的降低，可大大加快排放法规 的实施进程，具有较高的理论意义和工程应用价值。