摘 要

柴油发动机由于不完全燃烧而产生各种颗粒，一般称为柴油颗粒物(PM)。愈发严厉的排放法例要求发动机制造商必须继续降低PM。预测PM微粒物排放的能力是可用于减排战略的关键技术之一。本文主要研究并介绍了一种用于测量柴油机颗粒物质(PM)排放的虚拟传感器的神经网络。预测结构在大范围的发动机工作点上是稳定的。输入参数是根据PM的形成机制、过程的物理知识和对底层物理的洞察力来选择的。只有扭矩和转速作为PM颗粒物预测的输入参数。本文的特色在于：借助软件Matlab首先针对柴油机的转速和转矩数值模拟。该模型由非线性自回归外生输入(NLARX)神经网络模型组成，用于预测柴油机的PM排放。使用Matlab工具箱中的现有资源来分析,将数据重新排序到培训和验证集并进行处理。该模型由非线性自回归外生输入(NLARX)神经网络模型组成，用于预测柴油机PM排放。

关键词：柴油机;排放;PM;神经网络;NLARX;建模；

Abstract

Diesel engines produce a variety of particles generically classified as diesel particulate matter (PM) owing to incomplete combustion. The increasingly stringent emissions regulations require that engine manufacturers must continue to reduce the PM.The ability to predict the PM emissions is one of the key technologies that could be used in a PM reduction strategy. This paper describes a predictive technique that can be used as a virtual sensor for monitoring PM emissions in both states for a diesel engine.The predictive structure is stable over a broad range of engine operation points.The input parameters are chosen on the basis of the PM formation mechanism, physical knowledge of the process, and an insight into the underlying physics.Only torque and speed are used as the input parameters for the particulate matter（PM) prediction. The feature of this paper is: numerical simulation of the speed and torque of the diesel engine carried out with the help of software Matlab.It consists of Non-linear auto-regressive exogenous input (NLARX) neural network models used to predict the PM emissions of a diesel engine operated . Existing resources from Matlab toolboxes are used in order to analysis. The data is re-ordered into training and validation sets and processed.

Key Words：Diesel Engine, Emission, Smoke, Neural Networks, NLARX, Modelling ；

目 录

第1章 绪论 1

1.1研究的目的与意义 1

1.2国内外研究现状 1

1.3 论文内容安排 2

第2章 设计的相关原理 4

2.1 人工神经网络 4

2.1.1 ANN的基本功能 4

2.1.2 ANN的模型 4

2.2 物理PM模型 6

2.3 采集样本数据实验装置 7

2.4 NLARX模型 8

2.5 误差反向传输算法的多层前馈网络（BP神经网络） 10

2.6 转速、转矩及其第一和第二导数的PCA分析 10

第3章 系统的设计与实现 12

3.1 BP神经网络的设计与实现 12

3.1.1神经网络的输入选择 13

3.1.2实验样本数据的归一化处理 14

3.1.3隐含层的层数及其神经元数目 14

3.2 神经网络算法NLARX模型训练程序 17

3.2.1 matlab中使用的函数 17

3.2.2 程序分析 17

3.2.3 结果图分析 18

第4章 总结与展望 22

参考文献 23

致 谢 25

附 录 26

程序代码 26

第1章 绪论

1.1研究的目的与意义

当前在世界各地，柴油发动机的普及应用，我们不得不关注他对环境的影响即它的排放物的处理。柴油发动机的排放标准越愈发严苛[1]。特别是，新立法的重点是减少氮氧化物和颗粒物(PM)。颗粒物对人的呼吸系统有着一定的负影响。柴油发动机产生的各种颗粒主要由燃烧产生的碳质物质(烟灰)组成，其上吸收了一些有机化合物，其中大部分PM微粒物质是由燃料碳氢化合物的不完全燃烧产生的，还有一些PM微粒物质是由润滑油产生的。愈发严苛的排放法规限制发动机制造厂商降低PM。减少PM的技术可分为两大类：第一种方法是基于后处理系统，如柴油专用过滤器(DPF)来捕获PM。第二种方法是基于燃烧改性技术，包括喷射技术和实时先进的控制系统，因为在柴油机的内部，氮氧化物与PM颗粒物的形成机制相反，这些控制系统在不大幅度增加NOx浓度的情况下修改燃烧过程以减少PM。先进的控制系统在高度依托于PM信号的测量或估计。因此，一个性能良好的PM预测模型是至关重要的。

1.2国内外研究现状

柴油机PM预测一直是一个很大的挑战[2]。基于计算流体力学(CFD)的PM模型不适用于控制和实时测量。近年来，汽车应用的各个范畴都有神经网络的了普及应用。神经网络已成功应用于排放预测[3]。

在国内，孙思远等人[4]基于GRNN(广义回归神经网络）对柴油机的NOx进行了预测，输入数据归一化处理，输出数据反归一化处理。李孟杰等人[5]基于RBF径向基神经网络对船用柴油发动机的氮氧化物进行预测，选取柴油机油耗率，功率，转速等参数为输入值。

在国外He 等人 [6]建立了一个模型，该模型考虑了几个发动机参数，如增压和EGR，并产生了几个输出以及PM排放。Maass等人[7]提出了一种烟雾预测神经网络模型，该模型采用三层非线性自回归模型和外生输入(NLARX)模型。这增加了整个神经网络的复杂性，因此可能导致系统延迟，无论是实时测量还是控制。Bose和Kumar[8]使用模糊逻辑来预测发动机的排放，但其中一个输入是气缸峰值压力，这在普通发动机中很难得到。对于这些应用，目前还没有系统的方法来设计实验和确定神经网络的输入。

如何根据容易获得的参数选择有效的输入，对于成功地建立PM模型具有重要的意义。Schilling等人设计了一个实时模型来预测NOx排放，其输入为注入开始、注入持续时间、空气质量流量和增压压力。他们选择这些输入是基于灵敏度分析[9]。Clark等人[10]利用速度、扭矩及其各自的导数成功预测NOx，这是解决输入选择问题的最简单方法。本文遵循这一方向，利用速度、扭矩及其各自的导数来预测颗粒物的排放，并分析了空气路径对颗粒物预测的影响。

神经网络的优点在于它可以在不了解复杂的底层过程的情况下作为任意函数逼近机制使用。这是一种获得计量的经济方法。神经网络不仅具有管理系统复杂性的能力，而且具有实时计算能力和对新情况的适应性。这使得他们能够通过减少延迟时间来改进控制策略。此外，它们还可以用于故障检测和随后的错误恢复。开发模型通过在发动机运行过程中容易计量的传感器输入来估计PM。该模型可用于指示DPF再生时间、优化发动机运行和控制目的。这种模型应该易于实现，容易训练或再训练，并对未见数据产生良好的预测性能。此外，为了适用于不同的柴油机操作，该模型还应传递丰富的系统信息。本文成功地识别出一种能够同时捕获稳态和瞬态状态的NLARX，其训练和验证的R平方精度均为0.99，回归系数高，适用于重型柴油机。捕捉柴油机动力学的动态和稳态。发动机处于不同的瞬态状态。生成数据规范化后处理成一个trainingset训练集和一个validationset验证集。这些方法可以通过任何其他类型的模型来借用。

利用基于数据估计的虚拟传感器代替实际传感器，是解决这一问题的一种经济、可靠的方法。虚拟传感器在发动机排放控制与监控和车辆动力学等领域得到了普及应用。NNs已成功地应用于汽车的各种应用，从排放预测到燃料分析。NNs已成功应用于排放预测。建立一个模型，考虑转速，转矩等发动机参数，产生了包括颗粒物(PM)排放在内的多个输出。Maass等人提出了一种利用非线性自回归模型(NLARX)预测PM的烟雾预测神经网络模型。

1.3 论文内容安排

本文讨论的问题是如何用常用的发动机参数最好地表示PM的生产。目标应用程序是定义了燃烧过程的单一引擎类型，但仍需要详细定义气流、废气再循环(EGR)、喷射结构和可变升压等细节。虽然缸内条件是描述颗粒生产细节的关键，但过程本身基本上是由发动机控制本身定义的;因此，本文的重点是控制变量集的使用。给定一个发动机设计，微粒形成的精确模式是气流、燃料输送和EGR的函数，所有这些都是由发动机的控制变量决定的。这种建模能力的一个实际用途是了解特定控制策略选择对微粒排放的影响。排放预测的建模能力对发动机的研制具有指导价值。主要目标是证明所测试的发动机的微粒排放能够被代表和准确再现。断言是，如果模型过程是成功的，这种方法的一般性质意味着它很可能很容易适用于其他引擎类型。

问题1:由于许多变量不可测或不可靠，基本的PM方程不能直接使用;这样一个模型的结构的选择将是非常困难的。

问题2:由于所要求的通用性和需求，同时捕获PM稳态和瞬态状态的模型具有挑战性

处理不同的物理和化学过程中发展的瞬态操作。

问题3:没有系统的方法可以用来选择可用的参数和最小化输入变量。

因此，本文将使用NLARX模型来克服问题1和问题2。问题1可以通过使用人工神经网络等“黑盒”模型来解决。通过设计各种实验来克服问题2，验证模型的健壮性;这些实验一起捕捉了柴油发动机中PM生产的全部动态。通过主成分分析(PCA)和测量值的选择性检验，克服了第3题中需要使用可用参数的输入变量的最小数量;这将需要下列各项:

1. 使用可用数据来拟合模型。
2. 使用额外的数据来验证模型。
3. 如果性能是不可接受的，则包括不同的输入。

然后再拟合一个新的模式。

在现实中，输入维度的减少意味着传感器数量的减少。建模过程包括四个主要阶段:

 第一阶段包括通过分析柴油缸内空气和燃料的化学反应来研究PM的形成，以确定影响PM形成和生产的重要操纵变量。介绍实验数据的来源即采集数据的实验设备。

第二阶段是根据所选择的输入参数构造不同的模型。通过分析和试错技术，在使用(2)中选择的输入时，如果模型不够好，则选择更多的模型输入，以确保可接受的性能。

采用PCA方法使输入参数的数量最小化。

本文给出了建模过程。首先，旨在捕捉动态和稳态方面的柴油发动机动力学。输入参数是根据PM的形成机制、过程的物理知识、对基础物理的理解以及试错法的使用来决定的。对NLARX模型进行了训练和验证，以预测PM。发动机在不同的瞬态和稳态下工作，并记录数据。规范化得到的数据，形成训练和验证集。本文基于PCA降低NLARX模型的了输入参数，这对于减少所使用的传感器的数量，从而降低了最终生产成本是非常有用的。这些方法可以应用于任何其他类型的建模技术。结果表明，该模型既能涵盖稳态状态，又能涵盖瞬态状态，R²值为0.99，既能满足训练要求，又能满足验证要求，具有准确性和通用性。

第1章主要在介绍柴油排放的预测的发展情况，以及神经网络在其中的应用，分析一下我们要分析解决的问题和进行的步骤。第2章主要涉及设计的相关理论，介绍人工神经网络，解释形成PM的物理模型，以及采集我们所需要样本数据的实验设备。2.4节在介绍本文的核心内容外生输入(NLARX)模型，阐述他的输入，原理机制，输出。2.5节介绍误差反向传输算法。2.6节是对模型输入转速,转矩以及它们的第一，第二导数的PCA主要成分分析。3.1.1节介绍神经网络的输入选择，本文采用转速与转矩为输入，不透明度为输出。3.2节为建模结果包括程序和结果图分析。最后有参考文献，致谢感言以及程序代码附录。

第2章 设计的相关原理

2.1 人工神经网络

Artificial Neural Network即人工神经网络，模仿的就是人脑的神经网络，以具体模型来描述抽象概念。虽然拥有出色的计算能力，但是如何让人工神经网络拥有像大脑一样的学习能力是我们要解决的难题。它的模仿能力还无法像人脑一样接受到视觉等类似五官方面的信息，更无法接收类似社会文化和社区社交等抽象信息，我们还不无法让其自我学习，发散性思维。但是我们可以专注于它的计算能力，只要我们基于神经网络建立线性的，符合逻辑的数学或物理模型，赋予它们所研究事物的各项参数，合理制定计算规则，对实践进行模拟，既可以快速高效准确的达到理想结果，又可以省下大量的时间和生产成本，同时对我们的生产实践具有指导性的意义，从而是我们后续的生产实践或深入研究更具有方向性和针对性。在本文中，通过建立基于NLARX模型的神经网络可以有效的预测柴油机PM颗粒物排放，对柴油机厂商有效控制柴油机有害物质的排放具有深刻的意义，以较大的优势通过国家分柴油机排放标准。

2.1.1 ANN的基本功能

神经网络输入参数后通过不断的自我学习和调整中间层的参数或函数可以建立非线性映射产生理想输出，同时可以应用于对数据的分类，对图像的识别。对算法的优化计算。

2.1.2 ANN的模型

图 2.1 神经元模型图

每个xi输入信号就像生物神经的激励输入，输出类似神经元只有一个oj，生物神经元它的突触有不同的性质和敏感性，对输入的影响是使有些就像是一种函数，但是更为复杂，此模型只是计算机可是用到的数学函数，而且每个输入的权重不同，可以模仿神经元的兴奋和抑制。对输入数据的各项作用以及其程度做一个综合处理。

神经元的数学表达式为：

(2.1)

τij是输入输出间的突触时延，Tj是神经元的阈值，wij是神经元之间的突触权重值，f是转移函数。

它有阈值型转移函数，其中又有单位阶跃函数和双极性阈值型转移函数。

(2.2)

(2.3)

图 2.2单位阶跃函数

图 2.3双极性阈值函数

在神经元中大于某个阈值为兴奋状态，输出1，小于莫格阈值时为抑制状态，输出0或-1。

神经元函数还有非极性转移函数，即状态连续型神经元模型。常用的单极性Sigmoid函数，双极性S型函数。

图 2.4单极性S型函数

图 2.5双极性S型函数

2.2 物理PM模型

在柴油发动机中，燃料在点火和燃烧过程之前或在燃烧过程中直接注入气缸。进入气缸的气流通过增压压力和EGR来控制，旨在实现完全燃烧。对于点火或燃烧，一个完整的现象学建模练习将是非常复杂的。首先假设燃烧过程为

空气 燃料→PM 其他产品

给出了反应产物的出现率r。

(2.4)

其中mf为未燃燃料质量分数，ma为未燃氧化剂质量分数，为通用气体常数，c、d、E、A均为常数。通过实验得到了活化能E和指数前因子A。这样的模型虽然在物理上是一致的，但是作为面向控制模型的基础是不切实际的。为了便于简化，假定化学反应常数取决于温度。反应的顺序取决于反应压力。然而，燃烧压力不是恒定的。将反应顺序与气缸压力联系起来是合理的，而气缸压力又取决于气缸内空气和燃料混合物的体积变化。体积变化与发动机转速有关。因此颗粒物的排放最终与发动机的转速和负荷有关

(2.5)

其中N是发动机转速。正是这种理论分析为模型辨识的初始输入参数奠定了基础。该模型是通用的使用压缩点火的所有发动机。PM与缸内条件高度相关。公式1中的燃料和空气组分均与载荷有关。供气与增压压力有关，增压压力与排气条件有关，进而与发动机负荷有关。燃料的数量与负载直接相关。负荷隐式地表示为与解释PM的形成有关的变量。

2.3 采集样本数据实验装置

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：