本发明专利技术公开了一种基于物理神经网络集成学习的NOx排放预测方法，包括以下步骤：步骤1，根据柴油机NOx生成的物理规律建立物理预测模型；步骤2，利用柴油机台架采集试验数据；将采集的数据进行数据归一化；使用归一化数据采用反向传播方法训练前馈神经网络，得到神经网络预测模型；步骤3，通过构建融合损失函数的方法融合步骤1的物理预测模型和步骤2的神经网络预测模型，构建物理神经网络预测模型，并采用反向传播方法训练物理神经网络预测模型；步骤4，采用集成学习的结合策略将步骤1‑步骤3的模型进行融合，得到集成学习模型，利用所述集成学习模型对NOx的排放量进行预测。本发明专利技术具有较高的预测准确性，降低了数据收集的成本和难度。
1、氮氧化物(nox)是柴油机在运行过程中排放的主要空气污染物之一，在大气中形成酸雨、光化学烟雾等环境污染，并损害人体呼吸系统，造成诸多不利影响。为此，许多国家和地区制定了严格的汽车排放标准。2021年7月，中国将全面实施重型柴油车国6排放标准。2024年3月，欧盟通过欧7排放标准，2025年7月实行。国内外标准均对柴油机排放控制提出了更严格的要求，选择性催化还原(scr)技术作为有效降低nox排放的方法，被广泛应用于柴油机后处理系统。提升scr系统控制策略的准确性需要对柴油机原始nox排放数据的准确测量或估计。但是，氮氧化物传感器用于测量nox原排成本较高，因此，采用准确的nox排放预测模型来预测nox原排是一种更方便且成本更低的方法。
2、nox的形成受复杂的化学动力学控制，含有诸多反应步骤，普遍认为控制生成物的主要反应是扩展zeldovich机制。由于nox是在燃烧过程产生的环境中生成的，而柴油机燃烧过程复杂，涉及湍流、混合扩散、燃烧放热和化学反应等诸多过程，难以精确建模。并且，nox的生成是一个动态过程，外界气体环境和运行工况的变化会导致进气温度、压力、发动机转速、扭矩和燃油喷射等因素的变化，从而影响缸内燃烧过程，最终影响nox的形成。因此，建立准确的柴油机nox预测模型是一个复杂且有挑战性的难题。
>4、在基于物理机理的建模方法研究中，jonas asprion等人结合现象学模型和经验模型的优点进行建模。他们通过识别与nox形成最相关的物理现象提取物理关系，构成模型的基础，与设定点相对公式结合形成简单的模型结构。wonah park等人在分析计算流体动力学结果的基础上，结合物理模型建立了no生成模型，使用缸内压力来预测不同发动机运行条件下的no生成量。varun rao等人将mellor nox模型和扩展zeldvich nox模型耦合到一个多区准维柴油发动机模型中，可以模拟喷雾演变、燃料蒸发、空气卷入、点火延迟、点火、燃烧和产物形成等过程，并预测直喷式自然吸气式柴油机中的nox排放。虽然物理模型可以有效地估计nox排放，但依赖输入参数的准确性，测量误差和运行条件变化会影响nox排放的预测精度。5、在基于数据驱动的建模方法研究中，ivan arsie等人以递归神经网络(rnn)作为核心，并对rnn模型参数进行在线更新，建立了用于车用柴油机nox排放的虚拟传感器。xiaohang(leo)fang使用神经网络方法在高速直喷式柴油机多种工况下进行nox排放预测，并比较了levenberg-marquardt和贝叶斯正则化两种反向传播算法在这一方法中的应用。seunghyup shin等人和wen zeng等人研究了贝叶斯超参数优化方法在训练柴油机nox排放预测深度神经网络模型和机器学习模型中的应用。qianqiao shen等人和youlin guo等人使用lstm网络来预测nox排放。zhihong等人使用gwo-bp神经网络来进行nox排放预测，虽然这些模型在用于训练的数据的校准范围内都显示出一定的nox排放预测能力，但是在其他情况下的应用受到限制，缺少较好的泛化能力。
6、综上所述，现有技术中物理模型和神经网络模型各有优缺点，无法单独解决nox排放预测的准确性和泛化能力问题。因此，需要一种能够结合物理模型和神经网络模型优势的方法，以提高柴油发动机nox排放预测的精度和可靠性。
技术实现思路
1、本专利技术的目的是针对现有技术中存在的技术缺陷，而提供一种基于物理神经网络集成学习的nox排放预测方法。
2、为实现本专利技术的目的所采用的技术方案是：
3、一种基于物理神经网络集成学习的nox排放预测方法，包括以下步骤：
4、步骤1，根据柴油机nox生成的物理规律建立物理预测模型；
5、步骤2，利用柴油机台架采集试验数据；将采集的数据进行数据归一化；使用归一化数据采用反向传播方法训练前馈神经网络，得到神经网络预测模型；
6、步骤3，通过构建融合损失函数的方法融合步骤1的物理预测模型和步骤2的神经网络预测模型，构建物理神经网络预测模型，并采用反向传播方法训练物理神经网络预测模型；
7、步骤4，采用集成学习的结合策略将步骤1的物理预测模型，步骤2的神经网络预测模型和步骤3得到的物理神经网络预测模型进行融合，得到集成学习模型，利用所述集成学习模型对nox的排放量进行预测。
8、在上述技术方案中，所述步骤1中，所述物理预测模型的表达式如下：
9、
10、式中，xegr表示egr率，tcoolant表示冷却液温度，soi表示主喷开始时刻，表示喷油质量流量，表示空气质量流量，表示egr质量流量，表示氧气质量流量，ea表示反应活化能，r表示摩尔气体常数，tcomb表示缸内燃烧温度，c1,c2,c3,c4,c5,c6表示待识别的参数。
11、在上述技术方案中，所述步骤2中，试验采集数据时覆盖广泛的操作条件。
12、在上述技术方案中，所述步骤2中，归一化方法公式如下：
13、
14、式中，x表示测量数据值，xnorm表示归一化后的数据值，xmax表示测量数据中的最大值，xmin表示测量数据中的最小值。
15、在上述技术方案中，所述步骤2中，采用反向传播方法训练前馈神经网络的具体步骤包括：
16、步骤s2.1：选择前馈神经网络网络作为神经网络预测模型的网络结构；
17、步骤s2.2：采用误差反向传播方法进行神经网络预测模型的训练；
18、步骤s2.3：选择relu函数作为神经网络预测模型的激活函数；
19、步骤s2.4：选择均方误差mse作为神经网络预测模型训练时的损失函数。
20、在上述技术方案中，所述步骤s2.3中，所述relu激活函数的表达式如下：
21、f(x)＝max(0,x)
22、式中，x表示神经网络输入参数。
23、在上述技术方案中，所述步骤s2.4中，所述损失函数的表达式如下：
24、
25、式中，mse为均方误差，n是试验样本的总数，yi表示第i个数据点的实际值，表示第i个数据点的预测值。
26、在上述技术方案中，所述步骤3中，所述融合损失函数的表达式如下：
27、loss＝(1-λ)·ldata+λ·lphysics
28、式中，ldata代表所述物理神经网络预测模型输出的nox排放预测值与真实的nox排放值之间计算的均方误差；lphysics代表所述物理神经网络预测模型预测得到的nox排放预测值与步骤1的物理预测模型输出的nox排放预测值之间计算的均本文档来自技高网...
【技术保护点】
1.一种基于物理神经网络集成学习的NOx排放预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的NOx排放预测方法，其特征在于，所述步骤1中，所述物理预测模型的表达式如下：
3.如权利要求1所述的NOx排放预测方法，其特征在于，所述步骤2中，试验采集数据时覆盖广泛的操作条件。
4.如权利要求1所述的NOx排放预测方法，其特征在于，所述步骤2中，归一化方法公式如下：
5.如权利要求1所述的NOx排放预测方法，其特征在于，所述步骤2中，采用反向传播方法训练前馈神经网络的具体步骤包括：
6.如权利要求5所述的NOx排放预测方法，其特征在于，所述步骤S2.3中，所述ReLU激活函数的表达式如下：
7.如权利要求5所述的NOx排放预测方法，其特征在于，所述步骤S2.4中，所述损失函数的表达式如下：
8.如权利要求1所述的NOx排放预测方法，其特征在于，所述步骤3中，所述融合损失函数的表达式如下：
9.如权利要求1所述的NOx排放预测方法，其特征在于，所述步骤4中，所述集成学习的结合策略的表达式为：
10.如权利要求9所述的NOx排放预测方法，其特征在于，ωj的计算公式如下：
...
【技术特征摘要】
1.一种基于物理神经网络集成学习的nox排放预测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的nox排放预测方法，其特征在于，所述步骤1中，所述物理预测模型的表达式如下：
3.如权利要求1所述的nox排放预测方法，其特征在于，所述步骤2中，试验采集数据时覆盖广泛的操作条件。
4.如权利要求1所述的nox排放预测方法，其特征在于，所述步骤2中，归一化方法公式如下：
5.如权利要求1所述的nox排放预测方法，其特征在于，所述步骤2中，采用反向传播方法训练前馈神经网络的具体步骤包括：
...
【专利技术属性】
技术研发人员：宋康，丁鹏，李前，谢辉，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。