柴油機SCR載體SOF沉積量估算模型與參數辨識

王秀雷，郭圣剛，李國祥，趙聯海，朱紀賓，朱金亮

柴油機SCR載體SOF沉積量估算模型與參數辨識

王秀雷1,3，郭圣剛2，李國祥1※，趙聯海3，朱紀賓3，朱金亮1

（1. 山東大學能源與動力工程學院，濟南 250061；2. 清華大學車輛與運載學院，北京 100091；3. 濰柴動力股份有限公司，濰坊 261061）

針對柴油機選擇性催化還原（Selective Catalytic Reduction，SCR）載體由于可溶性有機物（Soluble Organic Fraction，SOF）沉積導致SCR的NOx轉化效率低的問題，該研究首先建立了SOF沉積量估算模型，并進行SOF原始排放與SCR載體的SOF捕集效率試驗研究；然后利用Matlab/Simulink軟件工具建立SOF沉積量估算模型，包括SOF原始排放模塊、SCR載體對SOF捕集模塊、SOF熱解模塊；最后基于多目標遺傳算法，進行SOF瞬態修正脈譜優化和熱解參數辨識，并探索懲罰函數的應用規律，使得4組SOF低溫沉積量平均估算誤差為2.42%，12組高溫熱解平均估算誤差為4.03%。該研究可為解決柴油機SCR載體由于SOF沉積導致NOx轉化效率低的問題提供技術參考。

柴油機；排放：SCR；熱管理；SOF；控制模型；遺傳算法

0 引 言

柴油機匹配選擇性催化還原（Selective Catalytic Reduction，SCR）是目前主流的排放技術路線，具有較好的燃油經濟性、可靠性及成本優勢。短途運輸及小地塊作業的拖拉機行駛中受到路況及地塊的影響明顯，路譜為典型低速中低負荷工況，加減速頻繁，碳煙排放高，低車速（平均車速一般在6～30 km/h之間）和低排溫（平均SCR排氣溫度一般不超過240 ℃）使得HC排放高，導致顆粒物的可溶性有機物成分（Soluble Organic Fraction，SOF）質量分數高[1]。SOF可被氧化催化器（Disel Oxidation Catalyst，DOC）、催化消聲器、顆粒捕集器（Diesel Particulate Filter，DPF）、廢氣再循環系統（Exhaust Gas Recirculation，EGR）等部件吸附或捕集。對于匹配DPF主動再生系統的柴油機，周期性的DPF主動再生可以將SOF高溫去除[2]，對于直接安裝SCR系統的柴油機，由于缺乏有效的去除SOF手段，SCR載體會因為SOF沉積，隔離NH3在催化劑表面的吸附、解吸附反應[3]，導致NOx轉化效率持續降低，引起車載自動診斷系統報NOx排放超標故障而激活轉矩限制器[4]，嚴重影響使用。

國內外學者針對柴油機顆粒物排放中的SOF特性進行了針對性的研究，王桂華等[5-7]對SOF的成分進行了測試，發現SOF主要是高沸點的碳氫化合物，SOF碳分子主要為C9～C35，其中C9～C22主要來自柴油，C25～C35主要來自機油。Yao等[8-10]研究發現，顆粒物形態主要是核態與聚集態，前者主要成分為可溶有機組分及無機鹽，后者主要由碳煙聚集形成。梅德清等[11-12]對顆粒物進行熱重分析發現SOF可以分成短鏈與長鏈，其熱解（包括揮發和氧化）溫度范圍分別為100～200 ℃和200～330 ℃，SOF熱解主要生成CO、CO2、甲烷等氣體。王翔等[13-14]等對顆粒物的熱動力學特性進行了研究，分析SOF熱動力學數學模型及機理函數，總結活化能與指前因子的計算方法。唐蛟等[15-16]等對DPF控制策略研究表明，基于物理模型的控制策略可以減少標定工作量。雖然以上研究很少提及SOF控制在實際后處理尤其是SCR上的應用，但為SOF沉積量估算模型建立奠定了基礎。

為應對未來中國柴油機非道路國五排放標準的超低NOx排放限值，主流排放技術路線為柴油機+SCR1+DOC+DPF+SCR2，SCR1載體同樣面臨SOF沉積導致NOx轉化效率降低的問題，因此有必要開展SOF沉積量估算的相關研究。本文以滿足非道路國四排放標準的某國產拖拉機、柴油機及SCR系統為對象，建立SOF沉積量估算模型，并基于遺傳算法和采集的試驗數據優化和辨識控制參數，驗證模型和參數辨識的準確性。

1 材料與方法

本文所用的車輛為雷沃重工股份有限公司的輪式拖拉機，型號為毆豹M1104，車輛、柴油機及后處理主要技術參數如表1所示。柴油機滿足非道路國四排放標準，技術路線為柴油機+高壓共軌+增壓中冷+進氣節流+SCR，SCR載體材料為堇青石。試驗使用非道路國四標準柴油。

表1 主要技術參數

1.1 試驗設備及參數

發動機試驗臺架如圖1所示。試驗采用中湘儀公司CAC265交流電力測功機測量轉速和轉矩，采用AVL公司483微煙度計測量碳煙（soot）排放，且不受排氣中SOF、硫酸鹽、礦物質等成分影響，采用AVL公司SPC472顆粒分析儀測量顆粒物（Particulate Mass，PM）排放，采用龍騰公司ES30K-1D電子天平稱量SCR催化消聲器，采用英特東方公司顆粒物稱量箱稱量PM濾紙，采用HORIBA公司MEXA-7200D氣體分析儀測量排氣中NOx、氣態HC等。

1.2 試驗設計

SCR載體SOF沉積量估算主要考慮SOF低溫沉積和高溫熱解。對于低溫沉積試驗，主要采集低溫路譜數據，降低高溫熱解對低溫沉積的影響。對于高溫熱解試驗，采集不同SOF沉積量下，不同溫度的熱解數據。

為了估算SOF低溫沉積量，辨識低溫沉積參數，本文基于低溫路譜采集的轉速、噴油量、SCR排氣溫度、排氣流量數據，在發動機臺架進行路譜再現，為兼顧試驗樣本多樣性，共采集4段不同的路譜數據，包括SOF沉積量等參數，具體試驗步驟與內容如下：

1）高溫清空SCR箱，SOF低溫沉積試驗。運行2遍第1段路譜循環（約4 h），SOF沉積量取算術平均值，排放測量包括氣體和soot等，每遍路譜測量PM，SCR箱稱質量；

2）高溫清空SCR箱，SOF低溫沉積試驗。運行2遍第2段路譜循環（約4 h），數據測量同步驟1）；

3）高溫清空SCR箱，SOF低溫沉積試驗。運行2遍第3段路譜循環（約4 h），數據測量同步驟1）；

4）高溫清空SCR箱，SOF低溫沉積試驗。運行2遍第4段路譜循環（約4 h），數據測量同步驟1）。試驗數據用于優化驗證。

為了辨識SOF高溫熱解參數，并兼顧試驗樣本多樣性，本文共采集2段典型的高溫路譜熱解數據和10段穩態恒溫熱解數據，具體試驗步驟與內容如下：

1）高溫清空SCR箱，運行24h低溫路譜循環使得SOF低溫沉積，排放測量包括氣體和soot等，每遍路譜測量PM，每隔4 h稱量SCR箱；

2）分別控制SCR前排溫約為260、280、300和330 ℃，分別持續15 min。每隔15 min進行SCR箱稱量；

3）重復步驟1）和2），高溫熱解溫度變更為260和300 ℃，持續時間為30 min；

4）重復步驟1）和2），高溫熱解溫度變更為280和330 ℃，持續時間為30 min；

5）重復步驟1）和2），低溫沉積時間變更為48 h，高溫熱解溫度為260和300 ℃，持續時間為30 min；

6）重復步驟1）和2），高溫熱解工況變更為高溫路譜（控制節流閥和后噴，高溫路譜平均溫度260 ℃），持續時間為60 min；

7）重復步驟1）和2），高溫熱解工況變更為高溫路譜（控制節流閥和后噴，高溫路譜平均溫度300 ℃），持續時間為60 min。

2 SOF沉積量估算模型建立

柴油機主要的顆粒物排放為soot、SOF、無機鹽和水分，其中無機鹽和水分的占比少，本文予以忽略，由于柴油機SCR載體并不能捕集soot，本文重點研究SOF在SCR載體的沉積量。

SOF沉積量模型包括3個子模型。首先建立SOF原始排放模型，有2種方法，一是基于SOF穩態排放和瞬態修正建立模型；二是基于氣態HC與SOF的關系建立模型。其次建立SCR載體對SOF的捕集效率模型。最后建立SOF熱解模型。

2.1 SOF原始排放模型

本文的SOF原始排放基于2種算法，一種是基于氣態HC估算（氣體分析儀直接測量氣態HC），SOF與氣態HC的比排放在全工況下呈現較強的線性關系[17]，圖2是本文研究發動機的SOF與HC比排放關系圖，擬合度為0.9左右，機理上氣態HC和SOF均來自柴油[18]，是柴油在缸內受熱但不完全燃燒的產物，理論上不完全燃燒的柴油首先熱解產生氣態HC，其次剩余部分在低溫時產生SOF相對多，在高溫時產生soot相對多[19]。SOF與氣態HC的關系為

算法1：設計基于轉速、轉矩的氣態HC穩態排放脈譜（2輸入1輸出的2維表），得到氣態HC的穩態排放量，設計基于穩態和瞬態過量空氣系數的瞬態修正脈譜，得到瞬態修正系數，兩者相乘，得到發動機氣態HC原始排放量，基于公式（1），進行氣態HC和固態SOF轉化，單位轉換后得到SOF原始排放量，mg/s，具體算法如圖 3所示。

算法2：研究表明[15,19]，同一工況點的瞬態SOF排放與穩態排放不同，柴油機實際運行時經常出現加速和減速的情況，進氣系統相對于噴油系統反應滯后，加速過程中，瞬態進氣量少于穩態，使得缸內缺氧，導致SOF瞬態排放高于穩態；減速過程中，瞬態進氣量多于穩態，使得缸內富氧，導致SOF瞬態排放低于穩態。

相同轉速和轉矩下，瞬態工況點的過量空氣系數變化是造成SOF瞬態、穩態排放不同的主要原因。另外，相同過量空氣系數、不同轉速也影響瞬態排放，因此SOF瞬態排放可表示為

2.2 SCR載體SOF捕集效率模型

SCR載體能夠捕集SOF是因為SCR堇青石載體具有極強的“吸水性”[20]，發動機排放氣體中，PM包括soot和SOF，中低負荷下，PM排放中SOF占比高，當溫度低于200 ℃時，SOF會呈現液態為主形態[18]，使得立方厘米級SCR載體孔容可以捕集納米級的液態或準液態SOF顆粒[20-21]。

微觀上，SOF捕集的方式有重力沉積、擴散、碰撞等，SCR箱結構設計定型后，影響因素主要是SCR排氣溫度和廢氣流量，因此SCR載體對SOF的捕集效率是SCR排氣溫度和廢氣流量的函數，可由公式（4）計算。

SCR載體SOF捕集效率隨著SOF沉積量的增加而增大，沉積的SOF進一步增大了SOF沉積的概率，因此要考慮基于SOF沉積量的捕集效率修正。

基于公式（4）及SCR載體對SOF捕集效率試驗和理論分析，SCR載體對SOF捕集效率計算模型如圖5所示，以SOF原始排放量為基礎，設計基于SCR排氣溫度和廢氣流量的脈譜，得到SCR后處理對SOF的捕集效率系數，設計基于SOF沉積總量的修正，兩者相乘，得到最終的SCR后處理對SOF的捕集效率。SOF原始排放量與捕集效率相乘得到SOF捕集量（mg/s），經過對時間的積分后最終得到SOF沉積總量（g）。

2.3 SOF熱解模型

SOF是復雜的混合物，熱解溫度與SOF分子中碳原子數有密切關系[18]，實際的熱解反應由多個相互獨立的一級平行反應組成，這些反應的活化能各不相同，且活化能與指前因子呈一定的連續分布規律[22]。

本文以各成分活化能作為分段依據，將SOF熱解分為3個階段，其中第一階段為輕質成分SOF1，碳分子為C9～C15，第二階段為中質成分SOF2，碳分子為C16～C25，第三階段為重質成分SOF3，碳分子為C25以上，因為低速低負荷SOF主要是柴油不完全燃燒或者脫氫脫氧所致，機油產生的SOF質量占比較少。

熱解動力學問題，可用如下2種形式方程[16-17]描述：

使用熱分析動力學法對非等溫動力學數據進行分析，常采用微分法和積分法[22]，動力學機理函數如表2所示，參考文獻 [15-17]，本文反應級數取1。

表2 不同反應模型

根據以上機理，搭建SOF熱解計算模型，分別設置3個階段的SOF熱解活化能、指前因子、質量比例系數，聯立方程（5）～（6）并整理，得到SOF熱解動力學方程，如（7）～（12）。

根據Arrhenius公式[11-13]：

式中 k為熱解速率系數，s-1，=1,2,3；為指前因子，s-1；E為反應活化能，kJ·mol，=1,2,3；為氣體常數，其值為8.314 J/(K·mol)；是開氏溫度，K。

根據以上機理及公式（7）～（12），搭建SOF熱解模型，如圖6所示，分別設置3個階段的SOF熱解活化能、指前因子、質量比例系數，將3個階段的沉積量求和，得到最終沉積量。

3 SOF沉積量仿真模型的建立

基于第2節的試驗和理論分析，使用Matlab/Simulink軟件建立SOF沉積量估算仿真模型，如圖7所示，主要包括發動機SOF原始排放量、SCR載體的捕集效率、SOF熱解速率和SOF沉積量計算4個子模型。運行發動機臺架試驗，記錄轉速、噴油量等參數值，保存為1 s間隔的數據文件，導入仿真模型，進行SOF沉積量仿真估算。

4 多目標遺傳算法參數辨識

4.1 算法設計

本文使用多目標遺傳算法中的交互式適應性權重遺傳算法（Interactive adaptive-weight genetic algorithm，i-awGA）優化瞬態修正脈譜，辨識3組熱解參數，基于awGA計算個體適應度，基于nsGAⅡ（non-dominated sorting GAⅡ）的快速支配排序算法，找出瞬態修正脈譜和3組熱解參數的最優解，引入基于spEA（strength pareto evolutionary algorithm）算法的懲罰函數修正適應度評價函數值，并對比懲罰函數引入與否的尋優精度與收斂速度。

基于awGA的適應度算法，首先計算適應度函數的最大值與最小值

基于nsGAⅡ的快速支配排序算法，找出最優解，若某適應度函數值的支配個數為零，即沒有適應度函數值都比該個體小的個體，則該適應度函數值為最優解。

基于spEA算法，若某適應度函數不為最優解，則修正適應度評價函數，算法如下：

4.2 多目標遺傳算法優化SOF原排瞬態修正脈譜

SOF穩態排放脈譜基于發動機臺架數據精確標定得到，瞬態修正脈譜基于發動機臺架試驗模擬瞬態工況精確標定僅能得到基礎值，因為瞬態工況具有多樣性，瞬態程度又分為強瞬態和弱瞬態，臺架試驗模擬無法完全覆蓋整車路譜工況，因此本文識別瞬態修正脈譜為關鍵參數，根據整車路譜工況數據進一步優化，目標SOF沉積量仿真平均誤差5%以內[15-16]，滿足工程應用要求。

基于多目標遺傳算法優化SOF瞬態修正脈譜，依據脈譜數據的分布特征進行染色體設計，如表3所示，將基于低溫路譜1、2、3采集的轉速、轉矩、穩態過量空氣系數、瞬態過量空氣系數、SCR排氣溫度和廢氣流量導入Matlab，基于m語言編寫多目標遺傳算法源程序，使用sim命令實現m語言環境下對simulink模型的調用，染色體最終結果如表4所示，SOF沉積量仿真結果對比如表5所示。3段路譜的仿真平均誤差為2.2%，滿足工程應用要求。

表3 不同穩態過量空氣系數與瞬態過量空氣系數比例下的SOF瞬態修正脈譜優化染色體設計

注：染色體包含7個基因，表中不同顏色表示每個基因特定的作用區域。表中數字表示SOF瞬態排放與穩態排放的比值。

Note: Chromosomes contain seven genes, and the different colors on the table indicate the specific regions in which each gene acts. The figures in the table show the ratio of SOF transient to steady-state emissions.

表4 SOF瞬態修正脈譜染色體

針對瞬態修正脈譜優化的懲罰函數引入與否，本文對比研究了其對尋優精度與收斂速度的影響，如圖9a～9b所示，針對尋優精度，引入懲罰函數的50代優化與未引入懲罰函數的100優化結果相當，均可以達到2.2%左右，針對收斂速度，以平均誤差達到5%為評價基準，引入懲罰函數，經過約5代尋優后，首次穩定達到5%，未引入懲罰函數，則經過約20代尋優后，首次穩定達到5%，綜上，引入懲罰函數可以在保證尋優精度的基礎上加速收斂[23]，因此針對5個左右的參數辨識，本文推薦工程應用引入懲罰函數。

表5 SOF沉積量仿真結果對比

4.3 多目標遺傳算法辨識SOF熱解參數

SOF熱解模塊中，包括活化能、指前因子和質量比例系數3組熱解參數，基于臺架穩態熱解數據計算僅得到基礎值，對整車路譜工況的適應性相對較差，不能覆蓋所有的穩態熱解工況，因此本文識別3組熱解參數為關鍵參數，根據整車路譜工況及發動機臺架數據進一步優化。

基于高溫路譜1、2熱解數據以及8組穩態恒溫熱解數據采集結果，基于m語言編寫多目標遺傳算法源程序，m語言與工作空間的數據交互，m語言與Simulink模型的數據交互同4.2節，3組活化能、指前因子、質量比例系數優化后的結果如表6所示，最終SOF沉積量仿真結果對比如表7所示，10組熱解數據的仿真平均誤差為3.7%，滿足工程要求。

表6 熱解化學反應參數辨識結果

表7 SOF最終沉積量仿真結果對比

針對熱解參數辨識的懲罰函數引入與否，本文對比研究了其對尋優精度與收斂速度影響，如圖10a～10b所示，針對尋優精度，引入懲罰函數的50代優化平均誤差約4.7%，而未引入懲罰函數的50代優化平均誤差約3.7%（100代優化與50代優化差異不大），未引入懲罰函數明顯優于引入懲罰函數。針對收斂速度，以平均誤差達到5%為評價基準，引入懲罰函數，經過約32代尋優后，首次穩定達到5%，未引入懲罰函數，則經過約35代尋優后，首次穩定達到5%，引入懲罰函數與未引入懲罰函數的收斂速度相當。造成如此結果的原因，一方面是試驗數據比較豐富，搜索空間更加開闊，引入懲罰函數并不能體現出收斂速度的優勢，另一方面熱解參數較復雜，搜索方向不確定性增大，引入懲罰函數雖然加快了某一個方向的搜索速率，但卻遺漏了其他方向的搜索，從而陷入局部最優解搜索中，因此精度下降。綜上可以得出，引入懲罰函數與否，收斂速度相當，而尋優精度下降明顯，因此針對10個左右的參數辨識，本文推薦工程應用不引入懲罰函數。

從表7還可以看出，在最終沉積量絕對誤差相當的情況下，相對誤差較大的數據基本都出現在高溫熱解過程中。導致這種結果的原因有2點：一是熱解溫度越高，相同熱解時間下，最終沉積量越小，相對誤差越大；二是多目標遺傳算法的輸出為歷代非劣解的集合，最終根據均方差/平均誤差決策，并沒有考慮各組試驗數據的優先級修正，認為優先級相同，因此最后的唯一解是一個中庸方案的解[24]，這也導致最終沉積量小的高溫熱解相對誤差偏大。

4.4 參數辨識驗證

基于瞬態修正脈譜的優化結果，利用低溫路譜4試驗數據進行驗證。SOF沉積過程與結果如圖11a所示，SOF沉積量試驗值為2.47 g，優化后為2.55 g，誤差3.04%。4組路譜SOF沉積量估算平均誤差為2.42%，滿足工程要求。

基于3組熱解參數辨識結果，利用穩態恒溫熱解試驗數據進行驗證，SOF熱解過程與結果如圖11b所示，熱解溫度260 ℃（實際溫度248.3 ℃），持續時長30 min，沉積量初始值為32.9 g時，沉積量熱解剩余試驗值為9.6 g，優化后為9.37 g，誤差2.40%；熱解溫度300 ℃（實際溫度290.8 ℃），持續時長30 min，沉積量初始值11.1 g時，沉積量熱解剩余試驗值為1.9 g，優化后為2.06 g，誤差8.42%，2組熱解參數驗證的平均誤差為5.41%。12組SOF熱解剩余值估算平均誤差為4.03%，滿足工程要求。

5 結 論

1）本文搭建基于發動機SOF原始排放，SCR載體對SOF的捕集效率，SOF熱解3個模塊的沉積量估算模型，基于對SOF熱解過程動力學研究，本文將SOF熱解過程分為短鏈（C9～C15）、中鏈（C16～C25）、長鏈（C25以上）3個階段，并應用到沉積量估算模型中，4組路譜SOF沉積量估算平均誤差為2.42%，12組SOF熱解剩余值估算平均誤差為4.03%；

2）本文使用多目標遺傳算法分別對瞬態修正脈譜和熱解參數進行優化和參數辨識，脈譜優化的染色體設計要依據脈譜數據的分布特征，熱解參數辨識的染色體設計要依據參數之間的機理關系，保證物理意義，從而使優化結果更加適合工程應用；

3）通過對比多目標遺傳算法中懲罰函數的引入與否的參數辨識過程數據分析，本文得出的結論為，有5個左右的參數辨識，推薦引入懲罰函數，有10個左右的參數辨識，推薦不引入懲罰函數。

[1]魏衍舉，汪文瑞，黃瑾，等. 柴油機顆粒物可溶有機組分來源研究[J]. 西安交通大學學報，2013，47(5)：6-11.

Wei Yanju, Wang Wenrui, Huang Jin, et al. Study on the origination of soluble organic fractions in diesel engine-out particulate matters[J]. Journal of Xi’an Jiaotong University, 2013, 47(5): 6-11. (in Chinese with English abstract)

[2]張俊，張文彬，李傳東，等. 催化型柴油機顆粒捕集器噴油助燃主動再生過程試驗研究[J]. 中國電機工程學報，2016，36(16)：4402-4407.

Zhang Jun, Zhang Wenbin, Li Chuangdong, et al. Experimental study on hydrocarbon injection active regeneration processes of catalyzed diesel particulate filter[J]. Proceeding of the CSEE, 2016, 36(16): 4402-4407. (in Chinese with English abstract)

[3]戴佳偉，吳峰，姚棟偉，等. 基于反應動力學模型的SCR催化劑氨存儲特性研究[J]. 內燃機工程，2017，38(2)：54-58.

Dai Jiawei, Wu Feng, Yao Dongwei, et al. Research on ammonia storage characteristics of SCR catalyst based on reaction kinetic model[J]. Chinese Internal Combustion Engine Engineering, 2017, 38(2): 54-58. (in Chinese with English abstract)

[4]方成，楊福源，歐陽明高，等. 重型柴油機SCR控制系統開發[J]. 汽車工程，2014，36(2)：151-154.

Feng Cheng, Yang Fuyuan, Ouyang Minggao, et al. Development of SCR control system for heavy-duty diesel engines[J]. Automotive Engineering, 2014, 36(2): 151-154. (in Chinese with English abstract)

[5]王桂華，王鈞效，張錫朝，等. 柴油機排氣微粒中SOF成分的試驗研究[J]. 內燃機學報，2004，22(2)：110-115.

Wang Guihua, Wang Junxiao, Zhang Xichao, et al. Experimental study on soluble organic fractions of diesel exhaust particulates[J]. Transactions of CSICE, 2004, 22(2): 110-115. (in Chinese with English abstract)

[6]Meng Z W, Yang D, Yan Y. Study of carbon black oxidation behavior udder different heating rates[J]. Journal of Thermal Analysis and Calorimetry, 2014, 118(1): 551-559.

[7]杜家益，常真真，周仁雙，等. DOC對柴油機燃用生物柴油顆粒物微觀形貌及SOF組分的影響[J]. 中國環境科學，2018，38(1)：83-90.

Du Jiayi, Chang Zhenzhen, Zhou Renshuang, et al. Influence of DOC on the microstructure and SOF components of particulate matters from a diesel engine fueled with biodiesel-diesel blend[J]. China Environmental Science, 2018, 38(1): 83-90. (in Chinese with English abstract)

[8]Yao D, Lou D M, Hu Z Y, et al. Experimental investigation on particle number and size distribution of common rail diesel engine fueling with alternative blended diesel fuels[C]//SAE Paper. Detroit, Michigan, USA, 2011, 2011-01-0620.

[9]方奕棟，樓狄明，譚丕強. DOC+DPF對生物柴油機發動機排氣顆粒理化特性的影響[J]. 內燃機學報，2016，34(2)：142-146.

Fang Yidong, Lou Diming, Tan Piqiang, et al. Effects of DOC+DPF on physical and chemical characteristics of PM emitted from diesel engine fueled with biodiesel blends[J]. Transactions of CSICE, 2016, 34(2): 142-146. (in Chinese with English abstract)

[10]孟忠偉，張川，李路，等. DOC對柴油機顆粒物排放影響的試驗研究[J]. 內燃機工程，2017，38(2)：67-71.

Meng Zhongwei, Zhang Chuan, Li Lu, et al. Experimental investigation on the influence of DOC on diesel engine particle emission[J]. Chinese Internal Combustion Engine Engineering, 2017, 38(2): 67-71. (in Chinese with English abstract)

[11]梅德清，趙翔，王書龍，等. 柴油機顆粒物催化狀態熱重特性及熱動力學分析[J]. 內燃機工程，2013，34(1)：37-41.

Mei Deqing, Zhao Xiang, Wang Shulong, et al. Thermogravimetric characteristics and thermo kinetic analysis on PM emission of diesel engine with catalyst[J]. Chinese Internal Combustion Engine Engineering, 2013, 34(1): 37-41. (in Chinese with English abstract)

[12]王忠，楊芳玲，王飛，等. H2-O2對柴油機尾氣顆粒物組分的影響分析[J]. 環境污染與防治，2017，39(1)：11-15.

Wang Zhong, Yang Fangling, Wang Fei, et al. Analyses of the influence of H2-O2on diesel exhaust particulate matter compositions[J]. Environmental Pollution & Control, 2017, 39(1): 11-15. (in Chinese with English abstract)

[13]王翔，王旭江，范燕榮，等. 不同氣氛下柴油熱解及熱動力學特性分析[J]. 燃燒科學與技術，2014，20(4)：335-339.

Wang Xiang, Wang Xujiang, Fan Yanrong, et al. Pyrolysis characteristics and kinetics parameters of diesel under different atmosphere[J]. Journal of Combustion Science and Technology, 2014, 20(4): 335-339. (in Chinese with English abstract)

[14]梅德清，袁銀男，孫平，等. 柴油機顆粒物熱重參數優化選擇及其氧化特性研究[J]. 內燃機工程，2015，36(6)：20-25.

Mei Deqing, Yuan Yinnan, Sun Ping, et al. Optimization of thermogravimetric parameters and oxidation characteristics of diesel particular matter[J]. Chinese Internal Combustion Engine Engineering, 2015, 36(6): 20-25. (in Chinese with English abstract)

[15]唐蛟，李國祥，王志堅，等. DPF碳載量模型的建立及試驗[J]. 內燃機學報，2015，33(1)：51-57.

Tang Jiao, Li Guoxiang, Wang Zhijian, et al. Construction and experiment of DPF soot loading model[J]. Transactions of CSICE, 2015, 33(1): 51-57. (in Chinese with English abstract)

[16]黃鐵雄，胡廣地，郭峰，等. 基于模型的DPF主動再生排氣溫度控制[J]. 汽車工程，2019，41(2)：133-139.

Huang Tiexiong, Hu Guangdi, Guo Feng, et al. A model-based research on exhaust temperature control for DPF active regeneration[J], Automotive Engineering, 2019, 41(2): 133-139. (in Chinese with English abstract)

[17]韓永強，劉忠長，許允，等. 增壓中冷輕型車用柴油機HC與SOF排放的關系[J]. 內燃機學報，2002，20(3)：235-237.

Han Yongqiang, Liu Zhongchang, Xu Yun, et al. Correlation between HC and SOF emissions from a light-duty TCA diesel engine[J]. Transactions of CSICE, 2002, 20(3): 235-237. (in Chinese with English abstract)

[18]李勤. 現代內燃機排氣污染物的測量與控制[M]. 北京：機械工業出版社，1998.

[19]趙菲陽，于文斌，蘇萬華，等. 柴油機高密度-低溫燃燒過程參數對碳煙生成影響的模擬[J]. 內燃機學報，2014，32(3)：193-201.

Zhao Feiyang, Yu Wenbin, Su Wanhua al. Simulation of the effect of thermodynamic parameters on ultra-low soot formation of high-density low temperature combustion in diesel engine[J], Transactions of CSICE, 2014, 32(3): 193-201. (in Chinese with English abstract)

[20]王垚瑤. ZSM-5分子篩的合成研究及其NH3-SCR脫銷性能評價[D]. 太原：山西大學，2020.

Wang Yaoyao. Synthesis Studies of ZSM-5 Molecular Sieve and Evaluation of NH3-SCR Denitrification Performance[D]. TaiYuan: Shanxi University, 2020. (in Chinese with English abstract)

[21]甘麗娜. 低溫V2O5-WO3/TiO2脫硝催化劑開發與應用研究[D]. 北京：中國科學院，2016.

Gan Lina. Development of V2O5-WO3/TiO2Catalyst and its Application in NH3-SCR of NOx at Low Temperatures[D]. BeiJing: Chinese Academy of Sciences, 2016. (in Chinese with English abstract)

[22]Miura K. A new and simple method to estimate f(E) and K0(E) in the distributed activation energy model from three sets of experimental data [J]. Energy & Fuels, 1995, 9(2): 302-307.

[23]王國仰，祁金柱，帥石金，等. 基于多目標遺傳算法的SCR系統氨覆蓋率優化[J]. 汽車工程，2020，42(3)：279-306.

Wang Guoyang, Qi Jinzhu, Shuai Shijin, et al. Optimization of ammonia coverage ratio in selective catalytic reduction system using a multi-objective genetic algorithm[J]. Automotive Engineering, 2020, 42(3): 279-306. (in Chinese with English abstract)

[24]李長江，趙長祿，韓愷，等. 柴油機高原噴油策略遺傳算法優化及罰參數研究[J]. 內燃機學報，2015，33(3)：250-256.

Li Changjiang, Zhao Changlu, Han Kai, et al. Optimization of diesel injection strategies at plateau with genetic algorithm and study of penalty parameters[J]. Transactions of CSICE, 2015, 33(3): 250-256. (in Chinese with English abstract)

Estimation model and parameter identification of SOF deposition on SCR carrier of diesel engines

Wang Xiulei1,3, Guo Shenggang2, Li Guoxiang1※, Zhao Lianhai3, Zhu Jibin3, Zhu Jinliang1

(1.,,250061,; 2.,,100091,;3..,.,261061,)

This study aims to improve the low NOx conversion efficiency of the selective catalytic reduction (SCR) system caused by the soluble organic fraction (SOF) deposition of SCR carrier in a diesel engine. A sediment quantity model of SOF deposition was proposed to optimize key parameters using a multi-objective genetic algorithm (GA). Firstly, a road spectrum test at low temperatures was conducted to collect the data of SOF deposition amount in four groups. A SOF high-temperature pyrolysis was carried out to obtain 10 groups of experimental data at a steady-state temperature. Secondly, a model of SOF deposition was established using Matlab/Simulink tools, including SOF raw emission, the SCR carrier of SOF capture, and SOF pyrolysis module. Two ways were selected to calculate the SOF raw emission. One was the theoretical estimation using an approximate linear relationship of SOF with the gaseous unburned hydrocarbons (HC). Another was the direct measurement of SOF raw emission, where the excess air coefficient was used to correct the transient SOF raw emission. The capture efficiency of SOF by SCR carrier was evaluated via mapping the upstream discharge and exhaust gas flow of SCR. A correction was also introduced using the deposition amount of SOF. The SOF pyrolysis was prepared under the component analysis and chemical reaction kinetics model of SOF. Three stages were divided in a pyrolysis process of SOF, including the short, medium, and long chain. The key parameters of SOF pyrolysis were determined, such as the transient correction MAP, activation energy of three stages, pre-exponential factor, and mass proportion coefficient. Thirdly, various multi-objective GAs were evaluated prior to optimization. An interactive adaptive-weight GA (i-awGA) was selected to optimize the key parameters considering both efficiency and accuracy, whereas, a non-dominated sorting GA II (nsGA II) was used to identify the optimal solution, and a strength Pareto evolutionary algorithm (spEA) was utilized to generate the penalty function. Finally, a multi-objective GA optimization was performed on the transient correction MAP and three groups of pyrolysis parameters. In MAP optimization, the number, range, and distribution of MAP points acted by each gene were calculated using the type of MAP, combined with the basic value of MAP and the number of genes. In optimization of pyrolysis parameters, pre-exponential factors were calculated using the activation energy and compensation effect for the physical significance of the model. The average error of low temperature deposition of 4 groups of SOF reached 2.42%, the average error of high temperature pyrolysis of 12 groups reached 4.03%. Specifically, the largest average error of 3.04% was obtained for the low-temperature path deposition in one group of SOF for verification, whereas, the largest average error of 5.41% was for the steady-temperature pyrolysis in two groups. It demonstrates that the proposed model of SOF deposition and the GA optimization was well suitable for the engineering application.

diesel engine; emissions; SCR; thermal management; SOF; control model; genetic algorithm

王秀雷，郭圣剛，李國祥，等. 柴油機SCR載體SOF沉積量估算模型與參數辨識[J]. 農業工程學報，2021，37(8)：42-51.doi：10.11975/j.issn.1002-6819.2021.08.005 http://www.tcsae.org

Wang Xiulei, Guo Shenggang, Li Guoxiang, et al. Estimation model and parameter identification of SOF deposition on SCR carrier of diesel engines[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(8): 42-51. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.08.005 http://www.tcsae.org

2020-12-04

2021-04-06

國家重點研發計劃（2016YFD0700804）。

王秀雷，博士生，研究方向為柴油機燃燒優化與排放控制。Email：xiuleicom@163.com

李國祥，教授，博士生導師，研究方向為內燃機排放控制及可靠性。Email：liguox@sdu.edu.cn

10.11975/j.issn.1002-6819.2021.08.005

TK427

A

1002-6819(2021)-08-0042-10