基于神經(jīng)網(wǎng)絡(luò)和優(yōu)化算法的汽油機(jī)建模及多目標(biāo)優(yōu)化

?

基于神經(jīng)網(wǎng)絡(luò)和優(yōu)化算法的汽油機(jī)建模及多目標(biāo)優(yōu)化

研究了獲得每種廢氣（CO、HC和NOx）排放的人工神經(jīng)網(wǎng)絡(luò)模型。每個(gè)模型的輸入為發(fā)動(dòng)機(jī)電控單元中的發(fā)動(dòng)機(jī)參數(shù)，可以修改發(fā)動(dòng)機(jī)參數(shù)來(lái)改變工作點(diǎn)，最終減少相應(yīng)的排放。使用兩個(gè)多目標(biāo)優(yōu)化算法（多目標(biāo)粒子群優(yōu)化算法MOPSO和非支配排序遺傳算法NSGA-Ⅱ）實(shí)現(xiàn)運(yùn)行最小化過(guò)程，并找到一組最優(yōu)解，稱(chēng)為帕雷托前沿。本研究目的是比較兩種優(yōu)化算法獲得的排放減少量，定義發(fā)動(dòng)機(jī)參數(shù)新值。通過(guò)應(yīng)用模糊方法從帕雷托前沿獲得最終的解決方案。

該研究在3個(gè)特定領(lǐng)域的貢獻(xiàn)至關(guān)重要。①建立一個(gè)預(yù)測(cè)車(chē)輛內(nèi)燃機(jī)重要污染物排放性能的模型，大幅縮短新發(fā)動(dòng)機(jī)開(kāi)發(fā)周期。②為滿足環(huán)境法規(guī)，運(yùn)行模型設(shè)置循環(huán)車(chē)輛一組新的點(diǎn)是必要的。③車(chē)輛在當(dāng)?shù)厥袌?chǎng)適應(yīng)過(guò)程中可考慮當(dāng)?shù)丨h(huán)境條件，在不影響性能條件下保持低排放很關(guān)鍵。

將點(diǎn)燃式汽油機(jī)廢氣排放神經(jīng)網(wǎng)絡(luò)模型作為目標(biāo)函數(shù)的評(píng)價(jià)基礎(chǔ)，目標(biāo)函數(shù)在MOPSO和NSGA-Ⅱ內(nèi)進(jìn)行評(píng)價(jià)。這些算法用以尋找減少汽油機(jī)排放的解決方案。利用局部線性模型樹(shù)（LOLIMOT）神經(jīng)網(wǎng)絡(luò)來(lái)確定固定條件下3種廢氣排放的合理預(yù)測(cè)。對(duì)CO、HC和NOx排放進(jìn)行建模。通過(guò)計(jì)算相關(guān)系數(shù)R2和平均絕對(duì)百分誤差（MAPE）對(duì)人工神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行評(píng)價(jià)。發(fā)現(xiàn)架構(gòu)（6，10，1），（6，9，1）和（6，15，1）的LOLIMOT神經(jīng)網(wǎng)絡(luò)能夠近似所研究汽油機(jī)的CO、HC和NOx排放，R2分別為0.982，0.972和0.998。在10種發(fā)動(dòng)機(jī)工作運(yùn)行條件下執(zhí)行MOPSO和NSGA-Ⅱ，發(fā)動(dòng)機(jī)運(yùn)行參數(shù)的極限根據(jù)標(biāo)稱(chēng)發(fā)動(dòng)機(jī)萬(wàn)有特性曲線中的值確定。觀察關(guān)于標(biāo)稱(chēng)制造商發(fā)動(dòng)機(jī)萬(wàn)有特性曲線的重要改進(jìn)，在NSGA-Ⅱ下達(dá)到CO、HC和NOx的排放量分別減少9.84%、82.44%和13.78%，在MOPSO下能夠達(dá)到CO、HC和NOx的排放量分別減少13.68%、83.8%和7.67%。本研究的局限是確定的參數(shù)僅適用于本研究的特定發(fā)動(dòng)機(jī)。但這種方法可用于最小化生物柴油燃料內(nèi)燃機(jī)的氫排放。

刊名：Journal of Zhejiang University-Science A (Applied Physics & Engineering)（英）

刊期：2013年第14期

作者：José D.Martínezmorales et al

編譯：王欣欣