基于神經網絡和優化算法的汽油機建模及多目標優化

?

基于神經網絡和優化算法的汽油機建模及多目標優化

研究了獲得每種廢氣（CO、HC和NOx）排放的人工神經網絡模型。每個模型的輸入為發動機電控單元中的發動機參數，可以修改發動機參數來改變工作點，最終減少相應的排放。使用兩個多目標優化算法（多目標粒子群優化算法MOPSO和非支配排序遺傳算法NSGA-Ⅱ）實現運行最小化過程，并找到一組最優解，稱為帕雷托前沿。本研究目的是比較兩種優化算法獲得的排放減少量，定義發動機參數新值。通過應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個特定領域的貢獻至關重要。①建立一個預測車輛內燃機重要污染物排放性能的模型，大幅縮短新發動機開發周期。②為滿足環境法規，運行模型設置循環車輛一組新的點是必要的。③車輛在當地市場適應過程中可考慮當地環境條件，在不影響性能條件下保持低排放很關鍵。

將點燃式汽油機廢氣排放神經網絡模型作為目標函數的評價基礎，目標函數在MOPSO和NSGA-Ⅱ內進行評價。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）神經網絡來確定固定條件下3種廢氣排放的合理預測。對CO、HC和NOx排放進行建模。通過計算相關系數R2和平均絕對百分誤差（MAPE）對人工神經網絡的性能進行評價。發現架構（6，10，1），（6，9，1）和（6，15，1）的LOLIMOT神經網絡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種發動機工作運行條件下執行MOPSO和NSGA-Ⅱ，發動機運行參數的極限根據標稱發動機萬有特性曲線中的值確定。觀察關于標稱制造商發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僅適用于本研究的特定發動機。但這種方法可用于最小化生物柴油燃料內燃機的氫排放。

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