柴油机瞬态NOx排放预测方法、系统、存储介质及设备技术方案

本发明专利技术涉及柴油机瞬态NOx排放预测方法、系统、存储介质及设备，包括以下步骤：基于优化后的BP神经网络模型对完整的WHTC循环进行NOx排放预测；其中，BP神经网络模型的优化过程为：以BP神经网络输入层节点到隐含层节点的权值、隐含层节点的阈值、隐含层节点到输出层节点的权值、以及输出层节点的阈值作为待优化参数；所有待优化参数组成的种群作为鹈鹕优化算法的输入，每个待优化参数视为种群中的一个成员，以每个候选解情况下，利用BP神经网络模型得到的最低平均绝对误差作为目标函数，最小平均绝对误差对应的种群作为输出，利用该种群中的成员对应的最佳权值和阈值更新BP神经网络模型中对应的参数。模型中对应的参数。模型中对应的参数。

【技术实现步骤摘要】
柴油机瞬态NOx排放预测方法、系统、存储介质及设备


[0001]本专利技术涉及柴油发动机排放预测
，具体为柴油机瞬态NOx排放预测方法、系统、存储介质及设备。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]柴油发动机的主要污染排放物氮氧化物(NOx)和颗粒物(PMs)能够对环境和人员造成危害。目前减少NOx排放的方法通常采用废气再循环(EGR)和选择性催化还原技术(SCR)，可以极大程度减少NOx排放。
[0004]NOx具有较为复杂的生成机理，在发动机性能开发过程中需要利用模型对NOx排放进行预测，而现有技术建立的模型仅仅考虑某种生成现象或者简化NOx的生成过程，都会不可避免地降低NOx的预测精度，从而不利于NOx减排技术的优化。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供柴油机瞬态NOx排放预测方法、系统、存储介质及设备，模拟鹈鹕在捕猎时的行为和策略，并将其应用到BP神经网络模型中使BP神经网络被优化，从而对瞬态循环下的柴油机NOx排放有较高的预测精度。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一个方面提供柴油机瞬态NOx排放预测方法，包括以下步骤：
[0008]获取柴油发动机冷启动瞬态循环WHTC实验数据，并预处理；
[0009]基于优化后的BP神经网络模型对完整的WHTC循环进行NOx排放预测；
[0010]其中，BP神经网络模型的优化过程为：
[0011]以BP神经网络输入层节点到隐含层节点的权值、隐含层节点的阈值、隐含层节点到输出层节点的权值、以及输出层节点的阈值作为待优化参数；
[0012]所有待优化参数组成的种群作为鹈鹕优化算法的输入，每个待优化参数视为种群中的一个成员，以每个候选解情况下，利用BP神经网络模型得到的最低平均绝对误差作为目标函数，最小平均绝对误差对应的种群作为输出，利用该种群中的成员对应的最佳权值和阈值更新BP神经网络模型中对应的参数。
[0013]BP神经网络模型以喷油质量、发动机转速、EGR率、喷油正时、轨压、进气温度、进气压力和排气温度作为输入。
[0014]本专利技术的第二个方面提供实现上述方法所需的系统，包括：
[0015]预处理模块，被配置为：获取柴油发动机冷启动瞬态循环WHT C实验数据，并预处理；
[0016]预测模块，被配置为：基于优化后的BP神经网络模型对完整的WHTC循环进行NOx排放预测；
[0017]其中，BP神经网络模型的优化过程为：
[0018]以BP神经网络输入层节点到隐含层节点的权值、隐含层节点的阈值、隐含层节点到输出层节点的权值、以及输出层节点的阈值作为待优化参数；
[0019]所有待优化参数组成的种群作为鹈鹕优化算法的输入，每个待优化参数视为种群中的一个成员，以每个候选解情况下，利用BP神经网络模型得到的最低平均绝对误差作为目标函数，最小平均绝对误差对应的种群作为输出，利用该种群中的成员对应的最佳权值和阈值更新BP神经网络模型中对应的参数。
[0020]本专利技术的第三个方面提供一种计算机可读存储介质。
[0021]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的柴油机瞬态NOx排放预测方法中的步骤。
[0022]本专利技术的第四个方面提供一种计算机设备。
[0023]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的柴油机瞬态NOx排放预测方法中的步骤。
[0024]与现有技术相比，以上一个或多个技术方案存在以下有益效果：
[0025]1、BP神经网络具有更快的建模速度和更高的预测精度，结合鹈鹕算法优化模型，模拟的鹈鹕在攻击和狩猎猎物时的行为和策略，使优化后的BP神经网络模型，在实现柴油机瞬态NOx排放预测时具有更高的精度。
[0026]2、反映到算法上，可以进行搜索空间扫描，发挥鹈鹕优化算法在搜索空间中的不同区域的勘探能力，使鹈鹕优化算法收敛到更好的位置，增加鹈鹕优化算法的局部搜索能力，得到更好的优化结果，最终使BP神经网络的预测精度提升。
附图说明
[0027]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0028]图1是本专利技术一个或多个实施例提供的柴油机瞬态NOx排放预测流程示意图；
[0029]图2是本专利技术一个或多个实施例提供的柴油机瞬态NOx排放预测过程中的BP神经网络结构示意图。
具体实施方式
[0030]下面结合附图与实施例对本专利技术作进一步说明。
[0031]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0032]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0033]正如
技术介绍
中所描述的，现有技术建立的模型仅仅考虑某种生成现象或者简化
NOx的生成过程，都会不可避免地降低NOx的预测精度，从而不利于NOx减排技术的优化。
[0034]因此以下实施例给出柴油机瞬态NOx排放预测方法、系统、存储介质及设备，模拟鹈鹕在捕猎时的行为和策略，并将其应用到BP神经网络模型中使BP神经网络被优化，从而对瞬态循环下的柴油机NO x排放有较高的预测精度。
[0035]实施例一：
[0036]如图1
‑
图2所示，柴油机瞬态NOx排放预测方法，包括以下步骤：
[0037]获取柴油发动机冷启动瞬态循环WHTC实验数据，并预处理；
[0038]基于优化后的BP神经网络模型对完整的WHTC循环进行NOx排放预测；
[0039]其中，BP神经网络模型的优化过程为：
[0040]以BP神经网络输入层节点到隐含层节点的权值、隐含层节点的阈值、隐含层节点到输出层节点的权值、以及输出层节点的阈值作为待优化参数；
[0041]所有待优化参数组成的种群作为鹈鹕优化算法的输入，每个待优化参数视为种群中的一个成员，以每个候选解情况下，利用BP神经网络模型得到的最低平均绝对误差作为目标函数，最小平均绝对误差对应的种群作为输出，利用该种群中的成员对应的最佳权值和阈值更新BP神经网络模型中对应的参数。
[0042]具体的：
[0043]第一方面，获取柴油发动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.柴油机瞬态NOx排放预测方法，其特征在于：包括以下步骤：获取柴油发动机冷启动瞬态循环WHTC实验数据，并预处理；基于优化后的BP神经网络模型对完整的WHTC循环进行NOx排放预测；其中，BP神经网络模型的优化过程为：以BP神经网络输入层节点到隐含层节点的权值、隐含层节点的阈值、隐含层节点到输出层节点的权值、以及输出层节点的阈值作为待优化参数；所有待优化参数组成的种群作为鹈鹕优化算法的输入，每个待优化参数视为种群中的一个成员，以每个候选解情况下，利用BP神经网络模型得到的最低平均绝对误差作为目标函数，最小平均绝对误差对应的种群作为输出，利用该种群中的成员对应的最佳权值和阈值更新BP神经网络模型中对应的参数。2.如权利要求1所述的柴油机瞬态NOx排放预测方法，其特征在于：所述BP神经网络模型以喷油质量、发动机转速、EGR率、喷油正时、轨压、进气温度、进气压力和排气温度作为输入。3.如权利要求1所述的柴油机瞬态NOx排放预测方法，其特征在于：BP神经网络模型的优化过程中：种群成员根据待优化参数的下界和上界随机初始化，如下式所示：x
i,j
＝l
j
+rand*(u
j
‑
l
j
),i＝1,2,
…
,N,j＝1,2,
…
,m；其中，x
i,j
是第j个待优化参数的第i个值，N是种群数量，m是待优化参数的数量，rand是区间[0,1]中的随机数，l
j
是第j个参数的下界，u
j
是第j个参数的上界；所有种群用以下矩阵表示：式中，N个种群组成一个种群矩阵X，X是种群矩阵，每个种群X
i
中均有m个种群成员，每个种群成员都代表一个待优化参数。4.如权利要求1所述的柴油机瞬态NOx排放预测方法，其特征在于：BP神经网络模型的优化过程中：平均绝对误差如下式所示：确定每个候选解对应的目标函数值，如下式所示：式中，n为训练样本总数，为计算出的第i个NOx的预测值，y
i
为训练样本中第i个NOx的测量值，F为目标函数值的向量，F
i
为第i个候选解对应的目...

【专利技术属性】
技术研发人员：陈旭，白书战，李国祥，王桂华，孙柯，
申请(专利权)人：山东大学，
类型：发明
国别省市：