?

基于神經(jīng)網(wǎng)絡(luò)和優(yōu)化算法的汽油機建模及多目標優(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。每個模型的輸入為發(fā)動機電控單元中的發(fā)動機參數(shù)，可以修改發(fā)動機參數(shù)來改變工作點，最終減少相應(yīng)的排放。使用兩個多目標優(yōu)化算法（多目標粒子群優(yōu)化算法MOPSO和非支配排序遺傳算法NSGA-Ⅱ）實現(xiàn)運行最小化過程，并找到一組最優(yōu)解，稱為帕雷托前沿。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)動機參數(shù)新值。通過應(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個特定領(lǐng)域的貢獻至關(guān)重要。①建立一個預(yù)測車輛內(nèi)燃機重要污染物排放性能的模型，大幅縮短新發(fā)動機開發(fā)周期。②為滿足環(huán)境法規(guī)，運行模型設(shè)置循環(huán)車輛一組新的點是必要的。③車輛在當?shù)厥袌鲞m應(yīng)過程中可考慮當?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。

將點燃式汽油機廢氣排放神經(jīng)網(wǎng)絡(luò)模型作為目標函數(shù)的評價基礎(chǔ)，目標函數(shù)在MOPSO和NSGA-Ⅱ內(nèi)進行評價。這些算法用以尋找減少汽油機排放的解決方案。利用局部線性模型樹（LOLIMOT）神經(jīng)網(wǎng)絡(luò)來確定固定條件下3種廢氣排放的合理預(yù)測。對CO、HC和NOx排放進行建模。通過計算相關(guān)系數(shù)R2和平均絕對百分誤差（MAPE）對人工神經(jīng)網(wǎng)絡(luò)的性能進行評價。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的CO、HC和NOx排放，R2分別為0.982，0.972和0.998。在10種發(fā)動機工作運行條件下執(zhí)行MOPSO和NSGA-Ⅱ，發(fā)動機運行參數(shù)的極限根據(jù)標稱發(fā)動機萬有特性曲線中的值確定。觀察關(guān)于標稱制造商發(fā)動機萬有特性曲線的重要改進，在NSGA-Ⅱ下達到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)動機。但這種方法可用于最小化生物柴油燃料內(nèi)燃機的氫排放。

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