[发明专利]一种发动机排放实时预测方法

说明书

本发明公开了一种发动机排放实时预测方法，步骤是：首先获取若干已知的发动机排放历史测试数据样本，将其划分为训练集和测试集以训练神经网络，并计算不同隐含层节点下神经网络输出均方根误差以确定神经网络拓扑结构，之后通过思维进化算法优化神经网络的初始权值及阈值，最终利用Adaboost算法组建发动机排放实时预测系统。本发明克服了现有发动机排放数据获取方式费时费力，受环境因素制约，仪器成本昂贵，瞬态排放测量性能不佳等问题，仅通过简单的测量发动机运行过程中的转速，扭矩，功率，轨压，空燃比，油耗量，EGR(废气再循环)率，SOI(喷油时刻)，即可实时准确地预测出发动机的瞬态NOx排放，THC排放，CO排放。

技术领域

本发明涉及发动机尾气排放检测，尤其涉及一种发动机排放实时预测方法。

背景技术

目前发动机排放数据获取主要有两种手段，一种是借助CFD软件模拟发动机的缸内燃烧过程，另一种是在发动机台架试验中，通过气体分析仪等仪器测量发动机排放。然而这两种方法都存在一定的局限性，第一种方法需要对发动机燃烧时极为复杂的物理化学反应进行模拟，并且需要构建详细的发动机三维网格模型，排放模拟结果准确性很大程度上受到网格密度与质量的影响，计算时间冗长。而第二种方法所采用的气体分析仪等仪器受环境因素影响较大，不能很好的反映发动机的瞬态排放性能，且大多只能在某一有限范围内提供精确的排放数值，实际使用过程中往往需要构建一整套的配套设备，相关仪器采购及维护费用不菲。

发明内容

本发明的目的在于克服已有技术的缺点，提供一种方法简单且可靠的发动机排放实时预测方法。

本发明解决上述技术问题采用的技术方案为：

一种发动机排放实时预测方法，其特征在于包括以下步骤：

步骤一、获取若干已知的发动机排放历史测试数据样本，所述发动机排放历史测试数据样本包括影响发动机排放的各个评价指标的数值以及发动机在该工况下的排放数值；

步骤二、将所述若干已知的发动机排放历史测试数据样本随机分为训练集和测试集两部分；

步骤三、确定神经网络预测模型的拓扑结构，具体步骤如下：

第一步，将所述发动机排放历史测试数据样本训练集中影响发动机排放的各个评价指标数值作为神经网络的输入，将所述发动机排放历史测试数据样本训练集中发动机在该工况下的排放数值作为神经网络的输出，根据输入输出维数确定神经网络输入层节点数目以及输出层节点数目，然后选取若干不同隐含层节点数对神经网络预测模型进行学习训练；

第二步，对神经网络预测模型训练完成后，得到若干不同隐含层节点数目下的神经网络预测模型，将所述发动机排放历史测试数据样本测试集中影响发动机排放的各个评价指标的数值作为神经网络的输入，分别计算在不同隐含层节点数下神经网络预测值与理论值的均方根误差；

第三步，将神经网络预测模型的预测值与理论值的均方根误差最小对应的隐含层节点数目作为最优隐含层节点数目，将所述的神经网络预测模型中的隐含层节点数目设置为最优隐含层节点数目；

步骤四、采用思维进化算法对步骤三得到的若干相同拓扑结构神经网络预测模型的初始权值及初始阈值进行优化；

步骤五、采用Adaboost算法，将上述思维进化算法得到的若干相同拓扑结构神经网络预测模型的最佳初始权值和最佳初始阈值作为若干相同拓扑结构神经网络预测模型的初始权值和初始阈值，以所述发动机排放历史测试数据样本训练集对各神经网络预测模型进行学习训练，训练完成后，得到若干个神经网络弱预测器，最后将各个神经网络弱预测器组合成为神经网络强预测器模型；

步骤六、实时采集影响发动机排放的各个评价指标数值，将其导入神经网络强预测器模型，获取发动机排放实时预测结果。

本发明的有益效果是：