數(shù)據(jù)驅(qū)動下農(nóng)用車輛柴油機NOX排放預(yù)測模型

李宇航 莊繼暉 陳振斌

摘要：針對農(nóng)用車輛柴油機NOX排放與實際運行工況之間的復(fù)雜非線性關(guān)系，提出一種數(shù)據(jù)驅(qū)動下的NOX排放預(yù)測模型?；谲囕vOBD采集實際運行數(shù)據(jù)，通過小波閾值降噪降低原始數(shù)據(jù)的非平穩(wěn)性，采用集成特征選擇算法完成模型輸入特征的選擇，同時融合BiGRU和注意力機制構(gòu)成BiGRU-Attention模型，同時利用貝葉斯優(yōu)化進(jìn)行模型超參數(shù)選擇?；趯嵻嚨缆窚y試數(shù)據(jù)集分析，提出的模型相對于LSTM、GRU和BiLSTM-Attention模型NOX瞬時排放預(yù)測校正系數(shù)分別提高7.65%、3.26%和4.09%，模型平均絕對誤差維持在0.001 4 g/s，在不同車輛數(shù)據(jù)集上預(yù)測校正系數(shù)均保持在85%以上，可以有效進(jìn)行實際場景下NOX排放的高精度預(yù)測，為農(nóng)用車輛柴油機NOX排放預(yù)測控制提供數(shù)據(jù)支撐。

關(guān)鍵詞：NOX排放；小波降噪；特征選擇；雙向GRU；注意力機制；貝葉斯優(yōu)化

中圖分類號：S218.5： TP183

文獻(xiàn)標(biāo)識碼：A

文章編號：2095-5553 （2023） 04-0128-09

Abstract： In view of the complex nonlinear relationship between NOX emissions and actual operating conditions of diesel engines in agricultural vehicles， a data-driven NOX emission prediction model is proposed. The actual operating data was collected based on vehicle OBD， and the non-smoothness of the original data was reduced by wavelet threshold denoising. The integrated feature selection algorithm was used to complete the selection of model input features. The BiGRU-Attention model was constructed by integrating BiGRU and the attention mechanism， and bayesian optimization was also used to select the model hyperparameters. Based on the experimental analysis of the actual vehicle road test dataset， compared with the LSTM， GRU， and BiLSTM-Attention models， the prediction R-square of the model in this paper was increased by 7.65%， 3.26%， and 4.09%， respectively. The mean absolute error of the model was maintained at 0.001 4 g/s. The prediction R-square was maintained at 85% on different vehicle datasets. This model can effectively predict NOX emissions with high accuracy in real scenarios and provides data support for NOX emission prediction control of diesel engines in agricultural vehicles.

Keywords： NOX emissions; wavelet denoise; feature selection; bidirectional GRU; attention mechanism; bayesian optimization

0 引言

柴油機因其油耗低、可靠性高等優(yōu)點被廣泛用于各行各業(yè)中，農(nóng)業(yè)行業(yè)中柴油機被用于非道路農(nóng)用機械以及農(nóng)用運輸車輛中，隨著其應(yīng)用場景的普及，柴油機排放問題也愈發(fā)引人關(guān)注，其中氮氧化物（NOX）是柴油機排放的主要氣態(tài)污染物，也是大氣污染的主要污染源之一。柴油機造成的NOX排放占發(fā)動機NOX總排放的80%以上，為治理柴油車排放污染問題，排放相關(guān)法規(guī)愈發(fā)嚴(yán)格，目前重型柴油車已實施國六排放標(biāo)準(zhǔn)，非道路國四標(biāo)準(zhǔn)也即將于2022年底應(yīng)用［1］。

選擇性催化技術(shù)（SCR）是降低柴油機NOX排放的一種有效方法，利用催化還原反應(yīng)將氮氧化物變?yōu)榈獨夂退?，被廣泛用于農(nóng)用運輸車輛中。SCR系統(tǒng)的高效使用需要獲得精準(zhǔn)的柴油機NOX排放數(shù)據(jù)來控制尿素噴射速率［2］，由于實際運行工況NOX排放信息存在數(shù)據(jù)延遲和漂移等問題，影響實際SCR系統(tǒng)的控制效率，獲取NOX排放預(yù)測信息可以通過反饋補償滿足系統(tǒng)實時性要求。

NOX排放預(yù)測模型的構(gòu)建與柴油機復(fù)雜運行機理有關(guān)，可以通過計算流體力學(xué)（CFD）利用NOX的物理化學(xué)過程獲取NOX排放數(shù)據(jù)，但是CFD模型存在計算量大、標(biāo)定困難等問題；也可以通過試驗獲取靜態(tài)MAP映射圖進(jìn)行NOX排放預(yù)測，但MAP圖法需要大量標(biāo)定實驗擬合柴油機各運行狀態(tài)排放數(shù)據(jù)［3］，同時對于瞬態(tài)NOX排放數(shù)據(jù)難以準(zhǔn)確獲取；大數(shù)據(jù)技術(shù)發(fā)展降低了柴油機實際運行工況數(shù)據(jù)獲取難度，針對柴油機多參數(shù)非線性特性，數(shù)據(jù)驅(qū)動下的神經(jīng)網(wǎng)絡(luò)預(yù)測模型得以快速應(yīng)用。

左付山等［4］構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的NOX排放預(yù)測模型，可以實現(xiàn)車輛全工況下排放預(yù)測，在異常狀態(tài)下仍可以保持較高的預(yù)測精度；Fang等［5］探討了人工神經(jīng)網(wǎng)絡(luò)方法在預(yù)測高速直噴柴油機瞬態(tài)負(fù)載階段NOX排放方面的適用性，利用瞬態(tài)輸入特征構(gòu)建ANN模型預(yù)測瞬態(tài)NOX排放，ANN模型預(yù)測的NOX排放量與快速NOX分析儀測量值吻合良好。

由于柴油機NOX排放數(shù)據(jù)具有明顯的時間相關(guān)性，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)難以學(xué)習(xí)其時序關(guān)系，長短時記憶神經(jīng)網(wǎng)絡(luò)（LSTM）通過門控制將長短時記憶結(jié)合更適應(yīng)于時序數(shù)據(jù)預(yù)測，邢紅濤等［6］設(shè)計了一種基于混合CNN和LSTM的NOX排放預(yù)測模型，加入K-means聚類完成訓(xùn)練樣本的分類，相較于原始LSTM預(yù)測模型表現(xiàn)更佳；溫鑫等［7］建立了基于雙向LSTM（BiLSTM）的NOX排放預(yù)測模型，通過學(xué)習(xí)數(shù)據(jù)前后兩個方向信息實現(xiàn)NOX排放的高精度預(yù)測。門控循環(huán)單元（GRU）相比于LSTM網(wǎng)絡(luò)更加高效快速，更加滿足實際工程應(yīng)用的實時性要求，謝銳彪等［8］提出一種基于雙向門控循環(huán)單元（BiGRU）的NOX排放預(yù)測模型，通過主成分分析進(jìn)行數(shù)據(jù)降維，采用粒子群優(yōu)化進(jìn)行網(wǎng)絡(luò)超參數(shù)尋優(yōu)，實現(xiàn)了NOX排放的高精度預(yù)測。

因此，提出一種數(shù)據(jù)驅(qū)動下農(nóng)用車輛柴油機NOX排放預(yù)測模型，基于柴油車OBD獲取車輛實際運行工況數(shù)據(jù)，通過小波閾值降噪完成數(shù)據(jù)預(yù)處理，利用組合特征選擇算法進(jìn)行特征選擇，將篩選后特征作為模型輸入，構(gòu)建雙向GRU網(wǎng)絡(luò)，經(jīng)過注意力機制進(jìn)行關(guān)鍵時間點信息選取，通過貝葉斯優(yōu)化算法實現(xiàn)網(wǎng)絡(luò)超參數(shù)優(yōu)化，可以有效提高NOX排放預(yù)測精度。

1 研究方法

1.1 小波閾值降噪

原始數(shù)據(jù)來源于實際工程場景，數(shù)據(jù)會疊加外界噪聲，影響特征選取以及模型訓(xùn)練，容易導(dǎo)致模型過擬合［9］，因此需要對數(shù)據(jù)進(jìn)行降噪，降低數(shù)據(jù)非平穩(wěn)性，小波閾值降噪通過小波變換可以有效完成時序數(shù)據(jù)的數(shù)據(jù)降噪。時間序列x（t）的連續(xù)小波變換（CWT）可以表示為式（1）。

XGBoost將損失函數(shù)進(jìn)行泰勒展開，可以獲取更高的收斂速度和準(zhǔn)確性，增加模型的泛化能力，通過樹分裂次數(shù)綜合分析特征對模型預(yù)測準(zhǔn)確性貢獻(xiàn)，選取當(dāng)前信息增益最大的特征用于分裂，將相應(yīng)葉子中分?jǐn)?shù)疊加為計算結(jié)果。

1.3 Bi-GRU網(wǎng)絡(luò)

柴油機NOX排放數(shù)據(jù)與車輛運行工況相關(guān)，具有明顯的時間相關(guān)性，對于排放數(shù)據(jù)的學(xué)習(xí)需要關(guān)注時間維度信息。LSTM作為一種特殊的具有記憶單元和門機制的遞歸神經(jīng)網(wǎng)絡(luò)，克服了傳統(tǒng)RNN中存在的梯度消失和梯度爆炸的問題。通過門控制結(jié)合長短期記憶，能夠有效獲取數(shù)據(jù)時間維度深層依賴關(guān)系。

GRU網(wǎng)絡(luò)是LSTM網(wǎng)絡(luò)的一種改進(jìn)體，在LSTM輸入門、遺忘門和輸出門三個門結(jié)構(gòu)的基礎(chǔ)上，將遺忘門與輸入門結(jié)合為更新門，保留預(yù)測精度的同時通過簡化結(jié)構(gòu)提高計算效率，更適應(yīng)于工程應(yīng)用［15］。GRU網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

更新門選擇歷史信息保存在當(dāng)前時間，重置門決定當(dāng)前時刻輸入與歷史累積信息的融合，通過激活函數(shù)表征累積信息的遺忘程度。

GRU網(wǎng)絡(luò)只能單向?qū)?shù)據(jù)進(jìn)行學(xué)習(xí)，容易丟失反向重要信息，為充分分析和學(xué)習(xí)時序數(shù)據(jù)，采用雙向GRU網(wǎng)絡(luò)（BiGRU），通過前向和后向獨立計算隱藏層狀態(tài)，疊加獲得最后輸出結(jié)果［16］，BiGRU對特征學(xué)習(xí)能力更強，更適合于時間相關(guān)性強的NOX排放數(shù)據(jù)。

1.4 注意力機制

注意力機制（Attention Mechanism）借鑒生物視覺存在選擇性傾向，從復(fù)雜信息流中選取重要信息，可以更好地利用計算資源對關(guān)鍵信息進(jìn)行學(xué)習(xí)，準(zhǔn)確提取數(shù)據(jù)特征［17］。由于不同歷史時刻與當(dāng)前信息的相關(guān)度不同，通過注意力機制計算BiGRU輸出權(quán)重，突出關(guān)鍵信息，可以有效提高模型的預(yù)測精度［18］，注意力機制計算過程如下。

1.5 基于貝葉斯的模型超參數(shù)優(yōu)化

為了加快神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練速度，需要調(diào)整模型超參數(shù)，合理的超參數(shù)可以有效提高模型性能以及預(yù)測精度。人工調(diào)參經(jīng)驗性依賴高、不確定因素過多，常用自動調(diào)參進(jìn)行超參數(shù)尋優(yōu)，自動調(diào)參有網(wǎng)格搜索法和隨機搜索法，網(wǎng)格搜索需要的計算量會隨著參數(shù)的增加呈指數(shù)上升，隨機搜索雖然能夠加快運行速度，但是容易陷入局部最優(yōu)解。因此選取貝葉斯優(yōu)化算法進(jìn)行模型超參數(shù)尋優(yōu)。

貝葉斯優(yōu)化是一種針對計算成本高昂函數(shù)的全局優(yōu)化方法，其主要思想是假設(shè)目標(biāo)函數(shù)符合高斯分布并且建立目標(biāo)函數(shù)的統(tǒng)計模型，利用統(tǒng)計模型尋找預(yù)期目標(biāo)函數(shù)最小值的位置［19］，采樣函數(shù)決定采樣點選擇，常采用期望改進(jìn)函數(shù)（Excepted Improvement，EI）。貝葉斯優(yōu)化模型超參數(shù)需要先設(shè)置超參數(shù)搜索域空間，選取隨機樣本點初始化預(yù)測模型，利用高斯分布獲得超參數(shù)概率分布，取平均絕對誤差評估并修正高斯模型，然后利用采樣函數(shù)選取下一采樣點，直至收斂為最優(yōu)解或達(dá)到最大迭代次數(shù)［20］。

2 柴油機NOX排放預(yù)測模型建立

柴油機NOX排放預(yù)測模型由數(shù)據(jù)處理層、特征選擇層、預(yù)測層、輸出層組成，為加快模型收斂在輸入訓(xùn)練前需對數(shù)據(jù)進(jìn)行歸一化處理［21］，采用最大—最?。╩in-max）歸一化方法，其計算方法如式（15）所示。

3 試驗及結(jié)果分析

3.1 試驗平臺及數(shù)據(jù)

試驗平臺為不同車型的農(nóng)用運輸貨車，試驗車輛具體參數(shù)如表1所示，數(shù)據(jù)采集自車載排放診斷系統(tǒng)（On Board Diagnostics system，OBD系統(tǒng)），采集設(shè)備連接OBD口通電，通過CAN總線與車輛進(jìn)行通訊并實時采集數(shù)據(jù)，利用4G完成數(shù)據(jù)云平臺發(fā)送，主要采集參數(shù)包括：車速、大氣壓力、轉(zhuǎn)速、燃料流量、排氣溫度、凈輸出扭矩、發(fā)動機負(fù)載、SCR后端NOX濃度、摩擦轉(zhuǎn)矩、冷卻液溫度，SCR進(jìn)氣溫度、NOX瞬時排放、經(jīng)緯度等數(shù)據(jù)。

其中，預(yù)測模型訓(xùn)練與測試數(shù)據(jù)來源于1號車和2號車混合數(shù)據(jù)集，3號車數(shù)據(jù)用于模型泛化能力驗證?？紤]實際農(nóng)用運輸車工作環(huán)境的復(fù)雜性，為貼合真實工作場景，選取農(nóng)村、城市和高速三種路段進(jìn)行測試，數(shù)據(jù)采集頻率為1 Hz，同時包括加速、減速、勻速、怠速等多種工況。針對采集數(shù)據(jù)受實際環(huán)境影響導(dǎo)致的數(shù)據(jù)異常點，依據(jù)3σ定理對數(shù)據(jù)進(jìn)行清洗，去除偏差較大的異常值。預(yù)處理后三車速度變化圖如圖4所示，其中1號車有效測試數(shù)據(jù)5 000組，包含農(nóng)村道路2 174 s、城市道路1 895 s以及高速道路931 s；2號車有效測試數(shù)據(jù)5 000組，包含農(nóng)村道路1 759 s、城市道路1 905 s以及高速道路1 336 s；3號車有效測試數(shù)據(jù)5 000組，包含農(nóng)村道路2 347 s、城市道路1 966 s以及高速道路687 s。各路段平均車速如表2所示。

模型構(gòu)建數(shù)據(jù)選擇1號車和2號車拼接混合數(shù)據(jù)集，共有10 000組時間間隔為1 s的數(shù)據(jù)，其NOX瞬時排放變化趨勢如圖5所示。在農(nóng)村、城市以及高速路段按照8∶2的比例劃分訓(xùn)練集和測試集，保證訓(xùn)練集和測試集數(shù)據(jù)均包含各路段數(shù)據(jù)。

對原始數(shù)據(jù)進(jìn)行小波閾值降噪，降噪前后部分?jǐn)?shù)據(jù)對比圖如圖6所示，降噪后數(shù)據(jù)相對于原始數(shù)據(jù)變化更加平滑穩(wěn)定，小波降噪可以有效優(yōu)化數(shù)據(jù)質(zhì)量。

將降噪后數(shù)據(jù)進(jìn)行特征選擇，不同特征選擇算法輸出結(jié)果如表3所示。

根據(jù)皮爾森系數(shù)法，與NOX瞬時排放量線性相關(guān)性強的是SCR下游NOX濃度、車速、凈輸出扭矩、發(fā)動機負(fù)載以及SCR出口溫度，皮爾遜系數(shù)均在0.35以上；根據(jù)互信息系數(shù)，NOX瞬時排放量相關(guān)性排序為：轉(zhuǎn)速、SCR下游NOX濃度、車速、SCR出口溫度以及發(fā)動機負(fù)載，互信息系數(shù)均在0.65以上；根據(jù)隨機森林算法輸出特征重要性，SCR下游NOX濃度、轉(zhuǎn)速、車速、SCR出口溫度以及燃料流量得分較高；根據(jù)XGBoost輸出重要性得分，SCR下游NOX濃度、車速、發(fā)動機凈輸出扭矩、燃料流量以及發(fā)動機負(fù)載與預(yù)測準(zhǔn)確度相關(guān)性更大。

綜合各特征選擇算法結(jié)果，選擇車速、轉(zhuǎn)速、SCR下游NOX濃度、燃料流量及SCR出口溫度、凈輸出扭矩和發(fā)動機負(fù)載作為模型輸入?yún)?shù)，舍去摩擦扭矩、冷卻液溫度等其余參數(shù)。

3.2 模型參數(shù)設(shè)置

預(yù)測模型超參數(shù)的確定采用貝葉斯優(yōu)化法，設(shè)置批處理大小尋優(yōu)范圍為［32，64，128，256］，訓(xùn)練次數(shù)尋優(yōu)范圍為［2 000，3 000，4 000，5 000］，Dropout比率尋優(yōu)范圍為［0.2，0.3，0.4］，隱藏層節(jié)點數(shù)尋優(yōu)范圍為［64，128，256］，學(xué)習(xí)率尋優(yōu)范圍為［0.001，0.002，0.003］，損失函數(shù)尋優(yōu)范圍為［MSE，MAE］，優(yōu)化器尋優(yōu)范圍為［Adam，SGD］，設(shè)置最大迭代次數(shù)為200，貝葉斯優(yōu)化結(jié)果如表4所示，優(yōu)化結(jié)果即為NOX排放預(yù)測模型最優(yōu)超參數(shù)。

MAE和RMSE反映模型預(yù)測結(jié)果與真實值的誤差大小，數(shù)值越接近0，精度越高；R2數(shù)值在0～1之間，數(shù)值與模型精度呈正比。

3.4 模型結(jié)構(gòu)對比

為驗證小波閾值降噪和注意力機制對預(yù)測模型精確度的提升，對不同結(jié)構(gòu)模型進(jìn)行對比分析，將本文模型分別與未進(jìn)行降噪處理的預(yù)測模型和進(jìn)行降噪處理但未加入注意力機制的預(yù)測模型進(jìn)行對比分析，試驗數(shù)據(jù)和BiGRU網(wǎng)絡(luò)超參數(shù)設(shè)置均相同，不同結(jié)構(gòu)模型預(yù)測精度如表5所示。

由表5可知，本文模型相對于未降噪處理預(yù)測模型，MAE降低了0.001 g/s，約為預(yù)測數(shù)據(jù)集均值0.011 g/s的9%，R2提高了8.93%，RMSE降低了0.001 2，表明基于小波閾值降噪的數(shù)據(jù)處理可以有效提高模型預(yù)測精度；模型加入注意力機制后，模型MAE降低了0.000 7 g/s，約為均值的6.36%，R2提高了4.31個百分點，RMSE降低了0.000 6，說明注意力層通過突出關(guān)鍵信息可以有效提高NOX瞬時排放預(yù)測效果。圖7為不同結(jié)構(gòu)模型部分測試數(shù)據(jù)預(yù)測結(jié)果，結(jié)合圖像可知，模型未進(jìn)行數(shù)據(jù)降噪時對NOX排放數(shù)據(jù)跟蹤存在偏差，數(shù)據(jù)降噪有效提高了模型對于NOX排放數(shù)據(jù)波動的跟蹤能力；模型在未加入注意力層時對關(guān)鍵信息未進(jìn)行有效篩選，在NOX瞬態(tài)排放突變處存在較大波動。

3.5 不同模型對比試驗

為進(jìn)一步分析本文模型預(yù)測效果，選擇3種基準(zhǔn)模型進(jìn)行對比分析，分別是LSTM預(yù)測模型，包含三個節(jié)點數(shù)為64的隱藏層；GRU預(yù)測模型，包含一個節(jié)點數(shù)為64的隱藏層；BiLSTM-Attention預(yù)測模型，采用激活函數(shù)為tanh且節(jié)點數(shù)為64的網(wǎng)絡(luò)結(jié)構(gòu)。設(shè)置試驗參數(shù)與本文模型相同，不同模型預(yù)測精度見表6所示。

由表6可知，本文模型相對于LSTM模型、GRU模型以及BiLSTM-Attention預(yù)測模型，MAE分別降低了0.001 1 g/s、0.000 6 g/s、0.000 3 g/s，分別約為測試數(shù)據(jù)集均值的10%、5.45%、2.73%；R2分別提高了7.65、3.26、4.09個百分點；RMSE分別降低了0.001 1、0.000 5、0.000 6。

圖8為不同模型部分預(yù)測結(jié)果圖，結(jié)合圖像可知，GRU預(yù)測模型有效學(xué)習(xí)了NOX瞬態(tài)排放變化趨勢，但與實際輸出偏差較大；BiLSTM-Attention預(yù)測模型跟蹤良好但在預(yù)測初期偏差較大。綜合分析，本文模型預(yù)測性能優(yōu)于基準(zhǔn)模型LSTM模型、GRU模型以及BiLSTM-Attention預(yù)測模型。

3.6 模型泛化能力試驗

為進(jìn)一步分析模型在實際工程環(huán)境下的泛化能力，驗證NOX排放預(yù)測模型在其余車輛上的預(yù)測表現(xiàn)，取獨立于模型訓(xùn)練和測試之外的3號車數(shù)據(jù)進(jìn)行驗證分析，隨機生成測試數(shù)據(jù)集1和數(shù)據(jù)集2，在新測試數(shù)據(jù)集1和2上的預(yù)測精度如表7所示，部分?jǐn)?shù)據(jù)預(yù)測結(jié)果圖9和圖10所示。

NOX排放預(yù)測模型在數(shù)據(jù)集1和數(shù)據(jù)集2上均值分別為0.028 1 g/s和0.018 7 g/s，R2指標(biāo)均在85%以上，RMSE均在0.007以下，同時數(shù)據(jù)集1和數(shù)據(jù)集2的平均絕對誤差分別為0.003 8 g/s和0.005 3 g/s，在未進(jìn)行針對性訓(xùn)練情況下模型具備一定的泛化能力。結(jié)合圖9和圖10可知在數(shù)據(jù)突變處模型預(yù)測效果變差，在數(shù)據(jù)存在波動下降的數(shù)據(jù)集2上預(yù)測精度有所下降，但是對于不同數(shù)據(jù)集，模型均能有效跟蹤NOX瞬態(tài)排放變化趨勢，表明預(yù)測模型能夠有效學(xué)習(xí)NOX瞬態(tài)排放和相關(guān)參數(shù)之間的時序關(guān)系。

4 結(jié)論

針對農(nóng)用柴油機NOX瞬時排放難以準(zhǔn)確預(yù)測的問題，提出一種基于數(shù)據(jù)驅(qū)動的農(nóng)用柴油機NOX排放預(yù)測模型。

1）? 數(shù)據(jù)方面，采用農(nóng)用運輸車輛多車混合數(shù)據(jù)集，增加模型的泛化能力；使用小波閾值降噪對數(shù)據(jù)進(jìn)行預(yù)處理；針對OBD采集數(shù)據(jù)特征的復(fù)雜冗余性，進(jìn)行基于集成特征選擇算法的特征提取，優(yōu)化輸入?yún)?shù)選擇以提高模型預(yù)測的速度與精度。

2）? 構(gòu)建雙向GRU網(wǎng)絡(luò)充分挖掘數(shù)據(jù)間時序聯(lián)系，通過注意力機制集中關(guān)鍵信息進(jìn)行學(xué)習(xí)，并通過貝葉斯優(yōu)化算法解決模型超參數(shù)尋優(yōu)困難問題。仿真結(jié)果表明，本文模型在測試集數(shù)據(jù)上預(yù)測平均絕對誤差在0.001 4 g/s，校正絕對系數(shù)約為93%，同時均方根誤差維持在0.002 2，在不同車輛數(shù)據(jù)集上預(yù)測校正系數(shù)均能維持在85%以上，表明本文模型能夠有效進(jìn)行農(nóng)用柴油機真實工作場景下NOX瞬時排放數(shù)據(jù)的高精度預(yù)測。

在未來研究中，將針對NOX排放預(yù)測模型進(jìn)行車輛運行控制策略的設(shè)計與改進(jìn)，為降低NOX排放量提供理論支撐。

參 考 文 獻(xiàn)

［1］ 徐萌， 王俊， 文奕鈞， 等. 小型農(nóng)用柴油機油耗和排放的多目標(biāo)優(yōu)化［J］. 中國農(nóng)機化學(xué)報， 2022， 43（2）： 112-120.

Xu Meng， Wang Jun， Wen Yijun， et al. Multi objective optimization of fuel consumption and emissions of a small agricultural diesel engine ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（2）： 112-120.

［2］ 楊蓉， 楊林， 譚盛蘭， 等. 基于遺傳算法——優(yōu)化長短期記憶神經(jīng)網(wǎng)絡(luò)的柴油機瞬態(tài)NOX排放預(yù)測模型研究［J］. 內(nèi)燃機工程， 2022， 43（1）： 10-17.

Yang Rong， Yang Lin， Tan Shenglan， et al. Prediction model for transient NOX emission of diesel engine based on GA-long short term memory （LSTM） neural network ［J］. Chinese Internal Combustion Engine Engineering， 2022， 43（1）： 10-17.

［3］ 戴金池， 龐海龍， 俞妍， 等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的柴油機NOX排放預(yù)測［J］. 內(nèi)燃機學(xué)報， 2020， 38（5）： 457-463.

Dai Jinchi， Pang Hailong， Yu Yan， et al. Prediction of diesel engine NOX emissions based on long-short term memory neural network ［J］. Transaction of CSICE， 2020， 38（5）： 457-463.

［4］ 左付山， 李政原， 呂曉， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的汽油機尾氣排放預(yù)測［J］.江蘇大學(xué)學(xué)報（自然科學(xué)版）， 2020， 41（3）： 307-313.

Zuo Fushan， Li Zhengyuan， Lü Xiao， et al. Prediction of gasoline engine exhaust emission based on BP neural network ［J］. Journal of Jiangsu University （Natural Science Edition）， 2020， 41（3）： 307-313.

［5］ Fang X H， Zhong F， Papaioannou N， et al. Artificial neural network （ANN） assisted prediction of transient NOX emissions from a high-speed direct injection （HSDI） diesel engine ［J］. International Journal of Engine Research， 2021.

［6］ 邢紅濤， 郭江龍， 劉書安， 等. 基于CNN-LSTM混合神經(jīng)網(wǎng)絡(luò)模型的NOX排放預(yù)測［J］. 電子測量技術(shù)， 2022， 45（2）： 98-103.

Xing Hangtao， Guo Jianglong， Liu Shuan， et al. NOX emission forecasting based on CNN-LSTM hybird neural network ［J］. Electronic Measurement Technology， 2022， 45（2）： 98-103.

［7］ 溫鑫， 錢玉良， 彭道剛， 等. 基于深度雙向LSTM的SCR系統(tǒng)NOX排放預(yù)測模型研究［J］. 熱能動力工程， 2020， 35（10）： 57-64.

Wen Xin， Qian Yuliang， Peng Daogang， et al. NOX emission prediction model of SCR system based on deep bidirec-tional LSTM ［J］. Journal of Engineering for Thermal Energy and Power， 2020， 35（10）： 57-64.

［8］ 謝銳彪， 李新利， 王英男， 等. 基于粒子群優(yōu)化的雙向門控循環(huán)神經(jīng)網(wǎng)絡(luò)燃煤電廠NOX排放預(yù)測［J］. 熱力發(fā)電， 2021， 50（10）： 87-94.

Xie Ruibiao， Li Xinli， Wang Yingnan， et al. NOX emission prediction of coal-fired power plants based on PSO and Bi-GRU ［J］. Thermal Power Generation， 2021， 50（10）： 87-94.

［9］ 應(yīng)銘， 馮國勝， 賈素梅， 等. 基于DSP的柴油機振動信號小波降噪實時性研究［J］. 內(nèi)燃機學(xué)報， 2022， 40（4）： 345-350.

Yi Ming， Feng Guosheng， Jia Sumei， et al. Real-time research of diesel engine vibration signal denoising by wavelet based on DSP ［J］. Transaction of CSICE， 2022， 40（4）： 345-350.

［10］ 鄧婕， 李舜酩， 丁瑞， 等. 基于小波閾值降噪的軸承振動信號虛假模態(tài)剔除研究［J］. 重慶理工大學(xué)學(xué)報（自然科學(xué)）， 2021， 35（9）： 103-108.

Deng Jie， Li Shunming， Ding Rui， et al. Research on eliminating false mode of bearing vibration signal based on wavelet threshold denoising ［J］. Journal of Chongqing University of Technology （Natural Science）， 2021， 35（9）： 103-108.

［11］ Mei Kai， Tan Meifang， Yang Zhihui， et al. Modeling of feature selection based on random forest algorithm and pearson correlation coefficient ［J］. Journal of Physics： Conference Series， 2022， 2219（1）.

［12］ 楊云凱. 基于互信息的過濾式特征選擇算法研究［D］. 長春： 吉林大學(xué)， 2022.

Yang Yunkai. Research on filtering feature selection algorithm based on mutual information ［D］. Changchun： Jilin University， 2022.

［13］ Guehairia O， Ouamane A， Dornaika F， et al. Feature fusion via deep random forest for facial age estimation ［J］. Neural Networks， 2020， 130.

［14］ 艾成豪， 高建華， 黃子杰. 混合特征選擇和集成學(xué)習(xí)驅(qū)動的代碼異味檢測［J］. 計算機工程， 2022， 48（7）： 168-176， 198.

Ai Chenghao， Gao Jianhua， Huang Zijie. Code smell detection driven by hybrid feature selection and ensemble learning ［J］. Computer Engineering， 2022， 48（7）： 168-176， 198.

［15］ Liu Y， Pei A， Wang F， et al. An attention-based category-aware GRU model for the next POI recommendation ［J］. International Journal of Intelligent Systems， 2021， 36（7）： 3174-3189.

［16］ Lin X， Quan Z， Wang Z J， et al. A novel molecular representation with BiGRU neural networks for learning atom ［J］. Briefings in bioinformatics， 2020， 21（6）： 2099-2111.

［17］ 殷昌山， 楊林楠， 胡海洋. 基于注意力機制的農(nóng)資標(biāo)簽文本檢測［J］. 中國農(nóng)機化學(xué)報， 2022， 43（10）： 135-140.

Yin Changshan， Yang Linnan， Hu Haiyang. Text detection of agricultural materials labels based on attention mechanism ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（10）： 135-140.

［18］ Zhou L， Bian X. Improved text sentiment classification method base on BiGRU-Attention ［C］. Journal of Physics： Conference Series， 2019， 1345（3）： 032097.

［19］ 金祖進(jìn). 大型光學(xué)鏡面加工系統(tǒng)多重擾動誤差分析及補償控制策略研究［D］. 徐州： 中國礦業(yè)大學(xué)， 2022.

Jin Zujin. Research on multiple disturbance error and compensation control strategy of large optical mirror processing system ［D］. Xuzhou： China University of Mining and Technology， 2022.

［20］ Sun D， Xu J， Wen H， et al. Assessment of landslide susceptibility mapping based on Bayesian hyperparameter optimization： A comparison between logistic regression and random forest ［J］. Engineering Geology， 2021， 281： 105972.

［21］ 羅兵， 張建敏. 基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)機安全評價敏感性分析［J］. 中國農(nóng)機化學(xué)報， 2022， 43（3）： 120-126.

Luo Bing， Zhang Jianmin. Sensitivity analysis of agricultural machinery safety evaluation based on BP neural network ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（3）： 120-126.