基于I-GWO-BP神經(jīng)網(wǎng)絡(luò)的柴油機(jī)NOx排放預(yù)測模型

摘要： 針對高原環(huán)境不同海拔地區(qū)工程機(jī)械柴油發(fā)動機(jī)NO_x排放與實際運(yùn)行工況之間的復(fù)雜非線性關(guān)系，提出了一種基于維度學(xué)習(xí)的狩獵（DLH）搜索策略改進(jìn)GWO-BP神經(jīng)網(wǎng)絡(luò)的NO_x排放預(yù)測模型。利用便攜式排放測試系統(tǒng)（PEMS）對高原地區(qū)叉車進(jìn)行不同海拔下的實際運(yùn)行工況排放試驗，并將試驗數(shù)據(jù)作為數(shù)據(jù)集，通過隨機(jī)森林算法完成預(yù)測模型的輸入特征選擇。結(jié)果表明：I-GWO-BP模型相對于BP和GWO-BP模型在評價指標(biāo)RMSE和R2上表現(xiàn)更優(yōu)，RMSE和R2分別為4.623 3 mg/s和0.925 1，該模型對高原地區(qū)不同海拔下工程機(jī)械NO_x排放的預(yù)測精度更高。

關(guān)鍵詞： 高原；氮氧化物；特征參數(shù)；預(yù)測模型

DOI： 10.3969/j.issn.1001-2222.2024.06.012

中圖分類號：TK421.5" 文獻(xiàn)標(biāo)志碼： B" 文章編號： 1001-２２２２（２０24）０6-００83-０7

我國地形地勢變化復(fù)雜，海拔1 000 m以上的土地面積占全國總面積的58%，2 000 m以上的土地面積占33%［1］。在高海拔地區(qū)，低氣壓和低氧氣濃度對發(fā)動機(jī)燃油消耗和污染物排放有顯著影響［2-6］。排放污染物對人體健康和空氣環(huán)境都會造成嚴(yán)重的危害，是光化學(xué)煙霧和灰霾的重要成因，根據(jù)我國“2030年碳達(dá)峰、2060年碳中和”的目標(biāo)及需求，高原地區(qū)工程機(jī)械排放總量的控制及預(yù)測具有重要的意義。

叉車是一種重要的非道路物料搬運(yùn)設(shè)備，在世界范圍內(nèi)得到了廣泛的應(yīng)用。與其他非道路移動機(jī)械總量相比，叉車的數(shù)量相對較多［7］，占全國的非道路移動機(jī)械總量的18.3%。同時，根據(jù)《中國移動源環(huán)境管理年度報告（2023）》，叉車是污染物排放量前三的工程機(jī)械之一［8］。為了更好地控制非道路移動源排放，有必要研究非道路移動源的污染物排放預(yù)測模型。部分排放研究是在試驗室臺架試驗的基礎(chǔ)上進(jìn)行的，而已經(jīng)有研究證明臺架試驗與實際排放存在差異［9］。因此，柴油發(fā)動機(jī)在實際運(yùn)行工況中的數(shù)據(jù)收集是一個重要的基礎(chǔ)，它在排放預(yù)測的研究中具有重要意義。

在不同海拔的非道路移動源實際排放測量的研究中，一般使用基于NDIR和NDUV原理的傳感器對排放污染物進(jìn)行測量，但傳感器測量方法仍存在標(biāo)定、結(jié)構(gòu)復(fù)雜等諸多應(yīng)用問題。同時試驗的周期長、費用高、可重復(fù)性低［10］，海拔落差巨大，這給高原地區(qū)的工程機(jī)械排放測量帶來了較大的困難。因此，需要研究柴油發(fā)動機(jī)在高原地區(qū)不同海拔下的排放預(yù)測模型。作為機(jī)器學(xué)習(xí)方法的代表，神經(jīng)網(wǎng)絡(luò)通過激活函數(shù)，可以以任意精度逼近任意非線性函數(shù)［11］，特別適合求解內(nèi)部機(jī)制復(fù)雜的問題。雖然人工神經(jīng)網(wǎng)絡(luò)（ANN）在作為解決廣泛問題的工具方面發(fā)揮了重要的作用，但也存在一些缺點，例如陷入局部最優(yōu)和收斂速度慢。因此，研究者開發(fā)了許多智能優(yōu)化算法，如遺傳算法、粒子群算法等，對ANN的初始權(quán)值和閾值進(jìn)行初步優(yōu)化，使用優(yōu)化后的權(quán)值和閾值對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以加快網(wǎng)絡(luò)的收斂速度，獲得全局最優(yōu)值。X. CHEN等［12］使用鵜鶘優(yōu)化算法（POA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值，建立了瞬態(tài)NO_x預(yù)測模型。錢楓等［13］使用動態(tài)改進(jìn)遺傳粒子群算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行動態(tài)改進(jìn)，建立了重型車輛NO_x排放預(yù)測模型。聞增佳等［14］引入遺傳蟻群混合算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，重型車的排放預(yù)測準(zhǔn)確性較好。H. YU等［15］基于GA-BP算法建立了國六汽車的NO_x和PN預(yù)測模型?；依撬惴ǎ℅WO）是一種元啟發(fā)式算法，原理類似于狼群追逐獵物的過程［16］，與其他優(yōu)化算法相比，灰狼算法參數(shù)較少，結(jié)構(gòu)簡單，全局搜索能力較強(qiáng)［17］。

本研究以工程機(jī)械叉車為例，利用便攜式排放測量系統(tǒng)（PEMS）在中國3個不同海拔地區(qū)進(jìn)行實際運(yùn)行工況試驗，結(jié)合車載診斷系統(tǒng)（OBD）讀取的叉車工況數(shù)據(jù)，使用I-GWO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型，建立預(yù)測不同海拔下NO_x排放量的模型。使用基于維度學(xué)習(xí)的狩獵搜索策略改進(jìn)的灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，將該算法應(yīng)用于柴油發(fā)動機(jī)的排放預(yù)測。預(yù)測模型可以作為估算高原區(qū)域燃油消耗和污染物排放的工具，為區(qū)域碳排放、污染排放控制提供數(shù)據(jù)支持及評估方法。

1 試驗設(shè)備及方法

1.1 試驗設(shè)備

本研究中工程機(jī)械的整備質(zhì)量為4 820 kg，表1列出了工程機(jī)械發(fā)動機(jī)的規(guī)格參數(shù)。試驗設(shè)備采用Sensors的SEMTECH車載尾氣分析系統(tǒng)，主要包括SEMTECH SCS供電通訊系統(tǒng)、SEMTECH GAS基礎(chǔ)氣體分析系統(tǒng)、SEMTECH CPN顆粒物數(shù)量測量系統(tǒng)和SEMTECH EFM5尾氣流量計共4個功能模塊。測試設(shè)備及布置示意如圖1所示。

1.2 試驗方法

針對同一臺工程機(jī)械分別在中國的蘭州（平均海拔1 500 m）、西寧（平均海拔2 400 m）和海晏（平均海拔3 095 m）3個不同海拔地區(qū)進(jìn)行實際運(yùn)行工況研究試驗，由于工程機(jī)械在實際作業(yè)過程中工況變化十分復(fù)雜，為了獲得具有代表性的尾氣排放特征，根據(jù)工程機(jī)械的工作特點，按照設(shè)定工況（冷機(jī)怠速、空載行走、原地舉升、重載行走、復(fù)合作業(yè)、熱機(jī)怠速）對不同典型工況下的排放污染物進(jìn)行測試。在此測試過程中，1 s收集并記錄9個相關(guān)參數(shù)。在這些參數(shù)中，選擇NO_x排放作為預(yù)測模型的輸出參數(shù)。使用SEMTECH車載尾氣分析系統(tǒng)測量環(huán)境溫度、環(huán)境濕度、海拔、車速以及NO_x排放量，OBD實時收集扭矩百分比、發(fā)動機(jī)轉(zhuǎn)速、冷卻液溫度和機(jī)油壓力。

2 數(shù)據(jù)處理

2.1 基于隨機(jī)森林算法的輸入變量選擇

在實際運(yùn)行工況測試中測量了許多參數(shù)，但并非所有參數(shù)都與排放有關(guān)，使用無關(guān)數(shù)據(jù)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練是無效的，只會降低神經(jīng)網(wǎng)絡(luò)模型的實用性。因此，有必要進(jìn)行輸入變量的選擇，減少模型輸入的數(shù)量，避免使用影響預(yù)測精度的冗余參數(shù)，從而降低計算成本，增加模型的可解釋性。隨機(jī)森林（random forest，RF）是Breiman在2001年提出的一種監(jiān)督機(jī)器學(xué)習(xí)算法［18］，由可以執(zhí)行分類計算的決策樹組成。圖2示出了隨機(jī)森林的基本結(jié)構(gòu)，其是由具有分類函數(shù)的決策樹組成的集成學(xué)習(xí)算法。隨機(jī)森林不僅可以用于分類［19］和回歸預(yù)測［20］，同時也可以用于特征選擇［21］，可以判斷不同變量之間的相互影響及其對模型的重要性，這有助于在建立模型時優(yōu)化輸入變量［22］。

圖2 隨機(jī)森林模型

2.2 數(shù)據(jù)歸一化

在劃分?jǐn)?shù)據(jù)集時，通常采用手動劃分和隨機(jī)劃分的方法。為了避免手工劃分的主觀性，通常采用隨機(jī)劃分的方式來減少偏差。6種工況的數(shù)據(jù)總量為7 200組， 隨機(jī)選取80%數(shù)據(jù)分配給訓(xùn)練集，剩余20%數(shù)據(jù)分配給測試集。試驗數(shù)據(jù)具有不同的量綱，為了不影響數(shù)據(jù)分析的結(jié)果并消除量綱的影響，采用式（1）對數(shù)據(jù)進(jìn)行歸一化并將值映射到［0，1］的范圍。

y=xi－x_minx_max－x_min。（1）

式中：y為歸一化后的值；x_max為待處理樣本數(shù)據(jù)的最大值；x_min為待處理樣本數(shù)據(jù)的最小值；xi為待處理的樣本數(shù)據(jù)；

3 I-GWO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

3.1 BP神經(jīng)網(wǎng)絡(luò)

誤差反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）是一種多層映射網(wǎng)絡(luò)，它在向前傳輸信息的同時使向后的誤差最小化。作為一種經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型，BPNN是由輸入層、隱藏層和輸出層組成的多層型神經(jīng)網(wǎng)絡(luò)，隱藏層可擴(kuò)展為多層，結(jié)構(gòu)如圖3所示，圖中Xi為輸入層，Yi為輸出層，ωij和ωjk為BP網(wǎng)絡(luò)權(quán)重。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

當(dāng)訓(xùn)練數(shù)據(jù)從外部導(dǎo)入到網(wǎng)絡(luò)中，首先被輸入到輸入層，然后經(jīng)隱藏層逐層向后傳播，直到輸出層。通過對輸入變量、權(quán)值、偏差和傳遞函數(shù)的線性或非線性組合，信息存儲到網(wǎng)絡(luò)中并沿著減少誤差的方向傳遞，最后得到預(yù)測結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點是其靈活的非線性建模能力，強(qiáng)適應(yīng)性，以及大規(guī)模并行計算的能力，具有廣泛的應(yīng)用前景。使用BP神經(jīng)網(wǎng)絡(luò)建立工程機(jī)械在不同海拔的排放預(yù)測模型。隱藏層神經(jīng)元數(shù)的范圍通過經(jīng)驗公式確定：

H=m+n+a。（2）

式中：H為隱藏層的神經(jīng)元個數(shù)；m為輸出層的神經(jīng)元個數(shù)；n為輸入層的神經(jīng)元個數(shù)；a為［0，10］之間的常數(shù)。

用于輸入層和隱藏層之間連接的激活函數(shù)是S型函數(shù)（tansig函數(shù)）。隱藏層和輸出層之間的激活函數(shù)是線性函數(shù)（purelin函數(shù)）。BP神經(jīng)網(wǎng)絡(luò)最終的訓(xùn)練結(jié)果在很大程度上依賴于初始的權(quán)值和閾值，由于初始參數(shù)的隨機(jī)生成機(jī)制，無論層數(shù)和神經(jīng)元數(shù)如何，BP神經(jīng)網(wǎng)絡(luò)都容易陷入局部最優(yōu)，導(dǎo)致網(wǎng)絡(luò)不能準(zhǔn)確預(yù)測，若求解目標(biāo)復(fù)雜，還會導(dǎo)致算法收斂緩慢。為了解決這個問題，采用改進(jìn)的灰狼算法對BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)重和偏置進(jìn)行優(yōu)化，以進(jìn)一步提高預(yù)測精度。

3.2 改進(jìn)的灰狼算法

灰狼算法（GWO）是一種結(jié)構(gòu)簡單、參數(shù)少的新型元啟發(fā)式算法，它模仿了自然界灰狼的等級制度和狩獵機(jī)制。采用α，β，δ 和ω 4種類型的灰狼來模擬社會等級制度。此外，還實現(xiàn)了狩獵、搜索獵物、包圍獵物、攻擊獵物4個主要步驟［16］。

在 GWO 中，α，β和δ 引導(dǎo)ω狼群在搜索空間中找到最優(yōu)解的區(qū)域。這種行為可能會導(dǎo)致GWO陷入局部最優(yōu)，還會降低種群的多樣性。為了克服這些問題，引入基于維度學(xué)習(xí)的狩獵搜索策略對灰狼算法進(jìn)行改進(jìn)［23］ （I-GWO）。I-GWO包括3個階段：初始化、運(yùn)動和更新。

1）"" 初始化階段

N只狼按照式（3）在［li，uj］ 范圍內(nèi)隨機(jī)分布在搜索空間中。

Xij=lj+randj0，1×（uj-lj），i∈1，N，j∈［1，D］。（3）

式中：D為問題的維度；uj和lj為上下邊界。

2）" 運(yùn)動階段

I-GWO中引入了一種運(yùn)動策略，稱為基于維度學(xué)習(xí)的狩獵搜索策略（DLH）。在DLH搜索策略中，每只灰狼通過多鄰域?qū)W習(xí)，構(gòu)建候選狼XDLH。

首先，通過式（4）計算當(dāng)前灰狼位置Xi（t）與X_i-GWO（t+1）之間的歐幾里得距離Ri（t）：

Ri（t）=‖Xi（t）-Xi-GWO（t+1）‖。（4）

以Ri（t）為半徑，構(gòu)造鄰域Ni（t），如式（5）所示：

Ni（t）={Xj（t）|Di（Xi（t），Xj（t）≤Ri（t）），Xi（t）∈Pop}。（5）

式中：Di為Xi （t）和Xj （t）之間的歐氏距離。

通過式（6）進(jìn)行多鄰域?qū)W習(xí)：

Xi-DLH，d（t+1）=Xi，d（t）+rand×（Xn，d（t）－Xr，d（t））。（6）

式中：X_i-DLH，d（t+1）為DLH策略的第二候選位置。

3）" 選擇和更新階段

通過比較Xi-GWO（t+1）和Xi-DLH（t+1）兩個候選的適應(yīng)度值來選擇更優(yōu)的個體，計算公式如下：

Xi（t+1）=Xi-GWO（t+1），" if f（Xi-GWO）lt;f（Xi-DLH）Xi-DLH（t+1），"" otherwise。（7）

3.3 I-GWO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

GWO-BP算法是利用改進(jìn)的灰狼算法對BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行優(yōu)化，并將優(yōu)化結(jié)果用于訓(xùn)練BP模型。I-GWO-BP神經(jīng)網(wǎng)絡(luò)模型的流程圖如圖4所示。首先，將經(jīng)過特征選擇的數(shù)據(jù)進(jìn)行歸一化處理，隨機(jī)選取訓(xùn)練集和測試集。然后初始化I-GWO和BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，計算每個灰狼的個體適應(yīng)度，利用DLH搜索策略進(jìn)行灰狼的位置更新，判斷是否滿足終止條件，如滿足則為初始權(quán)值和閾值的最優(yōu)解。最后，將BP神經(jīng)網(wǎng)絡(luò)使用I-GWO優(yōu)化后的初始權(quán)值和閾值進(jìn)行訓(xùn)練，完成NO_x排放的預(yù)測。

定義灰狼算法中的參數(shù)N和D，其中，N表示灰狼種群的種群數(shù)量，D表示灰狼個體的搜索空間維度。每只灰狼的位置代表BP神經(jīng)網(wǎng)絡(luò)的所有初始權(quán)值和閾值，在迭代過程中找到最優(yōu)的α狼位置，即為神經(jīng)網(wǎng)絡(luò)最優(yōu)的初始權(quán)值和閾值。搜索空間維度的計算公式如下：

D=a×b+b+b×c+c。（8）

式中：D為灰狼個體的搜索空間維數(shù)；a為輸入層的神經(jīng)元數(shù)；b為隱藏層的神經(jīng)元數(shù)；c為輸出層的神經(jīng)元數(shù)。

圖4 I-GWO-BP神經(jīng)網(wǎng)絡(luò)模型流程圖

適應(yīng)度函數(shù)定義為BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出和期望輸出之間的均方根誤差，計算公式如下：

F=∑Ni（expi-prei）2N。（9）

式中：N為用于訓(xùn)練的數(shù)據(jù)數(shù)量；expi為試驗過程中某一時刻排放的實測值；prei為試驗過程中某一時刻排放的預(yù)測值；

3.4 評價指標(biāo)

利用Origin軟件繪圖，采用Matlab軟件進(jìn)行程序的編寫和數(shù)據(jù)處理。使用決定系數(shù)R2和均方根誤差（root mean square error，RMSE）作為預(yù)測模型的擬合評價指標(biāo)。R2越接近于1，RMSE和相對誤差越接近于0，則說明此預(yù)測模型擬合的效果越好。評價指標(biāo)的計算公式如下：

R2=1-∑Ni=1（expi-prei）2∑Ni=1（expi-aver）2，（10）

RMSE=1N∑Ni=1（expi-prei）2。（11）

式中：expi為排放試驗過程中某一時刻N(yùn)Ox的實測值；prei為排放試驗過程中某一時刻N(yùn)Ox的預(yù)測值；aver為排放試驗過程中樣本NOx的均值；N為試驗測試點總數(shù)。

4 預(yù)測模型結(jié)果分析

4.1 特征重要性分析

每組試驗數(shù)據(jù)記錄了9個參數(shù)，其中包括需要預(yù)測的參數(shù)NO_x排放，而環(huán)境溫度、環(huán)境濕度、海拔、車速、扭矩百分比、發(fā)動機(jī)轉(zhuǎn)速、冷卻液溫度和機(jī)油壓力作為待定的輸入?yún)?shù)，這些參數(shù)為初步篩選的參數(shù)，其中的一些參數(shù)可能對實際排放的影響并不強(qiáng)，直接使用初步篩選的參數(shù)作為輸入可能會影響預(yù)測精度。由圖5可以看出，輸入變量扭矩百分比對NO_x排放的影響最大，而冷卻液溫度和機(jī)油壓力對NO_x排放的影響較小。因此，選擇與輸出NO_x對應(yīng)的6個最重要的輸入變量作為預(yù)測模型的輸入，分別是環(huán)境溫度、環(huán)境濕度、海拔、車速、扭矩百分比和發(fā)動機(jī)轉(zhuǎn)速。

圖5 預(yù)測模型輸入變量的重要性

4.2 預(yù)測模型性能分析

BP，GWO-BP，I-GWO-BP 3種預(yù)測模型預(yù)測NO_x的結(jié)果如圖6所示。從6中可以看出，3種預(yù)測模型都有效地預(yù)測了不同海拔下的NO_x排放值。BP，GWO-BP，I-GWO-BP的RMSE分別為5.155 2 mg/s，4.877 3 mg/s，4.623 3 mg/s，說明3種模型在訓(xùn)練過程中都能較好地獲得輸入和輸出的關(guān)系。然而，在較突出的峰值處，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果最差，與實際值具有顯著的誤差，I-GWO-BP模型的預(yù)測值與其他2種預(yù)測模型相比更接近實際值，在峰值處的擬合度最高。雖然仍有個體偏差較大，但是數(shù)量稀少。

圖6 3種預(yù)測模型測試集的預(yù)測結(jié)果

圖7示出了數(shù)據(jù)集預(yù)測值和試驗值的回歸分析。BP，GWO-BP，I-GWO-BP預(yù)測模型測試集的決定系數(shù)R2分別為0.906 8，0.916 7，0.925 1，說明I-GWO-BP預(yù)測模型比其他2個模型具有更高的非線性擬合能力，能夠較好地預(yù)測NO_x的排放。

圖7 測試集的預(yù)測值與試驗值的回歸分析

同樣，這些結(jié)果凸顯了I-GWO-BP預(yù)測精度的提高以及模型適應(yīng)NO_x排放的能力，表明I-GWO-BP網(wǎng)絡(luò)可以有效地用于探索柴油機(jī)NO_x排放變量之間的關(guān)系，表現(xiàn)出了強(qiáng)大的學(xué)習(xí)能力；I-GWO-BP預(yù)測模型的預(yù)測精度高于其他2個模型，表明通過I-GWO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)會使預(yù)測結(jié)果更加準(zhǔn)確。

5 結(jié)束語

在BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的基礎(chǔ)上，建立了基于維度學(xué)習(xí)的狩獵搜索策略改進(jìn)的GWO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的NO_x預(yù)測模型，采用不同海拔下的實際運(yùn)行工況數(shù)據(jù)作為數(shù)據(jù)集。利用隨機(jī)森林算法，選擇環(huán)境溫度、環(huán)境濕度、海拔、車速、扭矩百分比和發(fā)動機(jī)轉(zhuǎn)速6個最重要的變量作為預(yù)測模型的輸入，以降低數(shù)據(jù)維度和計算成本。I-GWO-BP預(yù)測模型可以保持種群的多樣性，并且提高了全局和局部搜索能力。使用R2和 RMSE分析和評估3種預(yù)測模型在訓(xùn)練和測試數(shù)據(jù)集中的預(yù)測性能，與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型和GWO-BP預(yù)測模型相比，I-GWO-BP模型的RMSE和R2都有所改善，說明I-GWO-BP模型在不同海拔下對NO_x的預(yù)測具有更高的預(yù)測精度。

參考文獻(xiàn)：

［1］ ZHENG Y M，XIE L B，LIU D Y，et al.Emission Characteristics of Heavy-Duty Vehicle Diesel Engines at High Altitudes［J］.Journal of Applied Fluid Mechanics，2023，16（12）：2329.

［2］ WANG Yachao，GE Yunshan，WANG Junfang，et al.Impact of altitude on the real driving emission（RDE） results calculated in accordance to moving averaging window（MAW） method［J］.Fuel，2020，277：117929.

［3］ YAN Junhao，GAO Suya，ZHAO Weihua，et al.Study of combustion and emission characteristics of a diesel engine fueled with diesel，butanol-diesel and hexanol-diesel mixtures under low intake pressure conditions［J］.Energy Conversion and Management，2021，243：114273.

［4］ 雷蕾，於永華，申立忠，等.不同海拔下柴油機(jī)瞬態(tài)排放試驗［J］.內(nèi)燃機(jī)學(xué)報，2023，41（5）：420-426.

［5］ 王建，于威，王斌.高原狀態(tài)下甲醇替代率對柴油機(jī)燃燒與排放的影響［J］.吉林大學(xué)學(xué)報（工學(xué)版），2023，53（4）：954-963.

［6］ 鄭豐，趙海光，吉江林，等.基于北京和昆明海拔條件下的國Ⅵ混合動力車實際道路排放特性研究［J］.環(huán)境科學(xué)研究，2022，35（7）：1581-1588.

［7］ PANG Kaili，ZHANG Kaishan，MA Shuai.Tailpipe emission characterizations of diesel-fueled forklifts under real-world operations using a portable emission measurement system［J］.Journal of Environmental Sciences，2021，100：34-42.

［8］ ZHANG Mi，LIU Xiaoyong，LI Kunpeng，et al.Real-world emission for in-use non-road construction machinery in Wuhan，China［J］.Environmental Science and Pollution Research，2023，30（16）：46414-46425.

［9］ HOU Xiuning，ZHANG Xuemin，HUANG Shengcao，et al.Measurement of engine performance and maps-based emission prediction of agricultural tractors under actual operating conditions［J］.Measurement，2023，222：113637.

［10］ DU Baocheng，ZHANG Li，ZOU Jie，et al.Investigating the impact of route topography on real driving emission tests based on large data sample at data window level［J］.Science of The Total Environment，2022，809：151133.

［11］ DU Shenglin，GONG Man，WANG Qinpeng.Development of a NO_x Calculation Model for Low-Speed Marine Diesel Engines Based on Soft Measurement Technology［J］.Applied Sciences，2023，13（11）：63-73.

［12］ CHEN Xu，BAI Shuzhan，LI Guoxiang，et al.A new transient NO_x prediction model for diesel engine based on neural network model with Pelican Optimization Algorithm［J］.International Journal of Engine Research，2023，25（1）：231-239.

［13］ 錢楓，馬騁，祝能，等.基于動態(tài)改進(jìn)遺傳粒子群-BP的重型車NO_x排放預(yù)測模型研究［J］.車用發(fā)動機(jī)，2023（5）：63-71.

［14］ 聞增佳，譚建偉，王懷宇，等.GA-ACO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的重型車排放預(yù)測［J］.重慶理工大學(xué)學(xué)報（自然科學(xué)），2022，36（12）：202-209.

［15］ YU Hao，CHANG Hong，WEN Zengjia，et al.Prediction of Real Driving Emission of Light Vehicles in China Ⅵ Based on GA-BP Algorithm［J］.Atmosphere，2022：9，6-7.

［16］ SEYEDALI M，SEYEDMOHAMMAD M，ANDREW L.Grey Wolf Optimizer［J］.Advances in Engineering Software，2014，69：46-61.

［17］ SHI G，ZHAO J，WANG H，et al.Characteristics and GWO-ANN Model Based on Prior Knowledge for Contact Resistance in a Pantograph-Catenary［J］.IEEE Transactions on Instrumentation and Measurement，2022，71：1-11.

［18］ LEO B.Random Forests［J］.Machine Learning，2001，45（1）：5-32.

［19］ MARIANA B，LUCIAN D.Random forest in remote sensing：A review of applications and future directions［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2016，114：24-31.

［20］ HAMED K，AMIR R.Predicting the carbon dioxide emission caused by road transport using a Random Forest（RF） model combined by Meta-Heuristic Algorithms［J］.Sustainable Cities and Society，2023，93：104503.

［21］ XIONG Jinlin，PENG Tian，TAO Zihan，et al.A dual-scale deep learning model based on ELM-BiLSTM and improved reptile search algorithm for wind power prediction［J］.Energy，2023，266：126419.

［22］ WANG Changbai，XU Shuzhan，LIU Jimin，et al.Building an improved artificial neural network model based on deeply optimizing the input variables to enhance rutting prediction［J］.Construction and Building Materials，2022，348：128658.

［23］ MOHAMMADH N S，SHOKOOH T，SEYEDALI M R.An improved grey wolf optimizer for solving engineering problems［J］.Expert Systems with Applications，2021，166：113917.

NO_x Emission Prediction Model of Diesel Engine Based on I-GWO-BP Neural Network

ZHANG Kaiqiang1，WANG Yong2，3，ZHAI Junqiang2，3，JIANG Xianfeng1，WANG Xiaolei1，WANG Ningfeng4

（1.School of Mechanical Engineering，Qinghai University，Xining 810016，China；2.Qinghai Plateau Science and Technology Development Co.，Ltd.，Xining 810006，China；3.Qinghai Provincial Key Laboratory of Plateau Power and Emission of Internal Combustion Power Machinery，Xining 810006，China；4.School of Chemical Engineering，Qinghai University，Xining 810016，China）

Abstract： For addressing the complex nonlinear relationship between NO_x emissions from diesel engines of construction machinery in different altitudinal regions of plateau environments and actual operational conditions， a diminishing learning-based hunting（DLH） search strategy to improve the grey wolf optimizer（GWO）-BP was proposed to optimize a BP neural network model for predicting NO_x emissions. A portable emission measurement system（PEMS） was used to conduct emission tests on forklifts in plateau areas under various altitudinal operational conditions， and the experiment data were served as the dataset. Feature selection for the prediction model input was completed using the random forest algorithm. The results showed that the I-GWO-BP model outperformed both the BP and GWO-BP models in terms of evaluation metrics RMSE and R2， with RMSE and R2 values of 4.623 3 mg/s and 0.925 1 respectively. The model exhibited good prediction accuracy for NO_x emissions from construction machinery at different altitudes in plateau areas.

Key words： plateau;nitrogen oxides;feature parameter;prediction model

［編輯： 姜曉博］

基金項目： 青海省科學(xué)技術(shù)廳項目（2019-GX-A6）；青海省基礎(chǔ)研究計劃項目（2023-ZJ-780）

作者簡介： 張凱強(qiáng)（1996—），男，碩士，主要研究方向為濕生物質(zhì)干燥控制；763248951@qq.com。

通訊作者： 王寧峰（1976—），男，教授，主要研究方向為過程裝備與控制；wnfeng@163.com。