人工神经网络在甲醇发动机中应用探究

《人工神经网络在甲醇发动机中应用探究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、人工神经网络在甲醇发动机中应用探究　　摘要：在四缸柴油机的进气管上安装喷嘴来喷射甲醇，实现甲醇-柴油混合燃烧模式。试验通过燃烧甲醇-柴油和纯柴油混合燃料两种模式进行对比。然后用Levenberg-Marquardt（LM）算法来预测发动机分别燃烧甲醇-柴油混合燃料和纯柴油的BSFC（制动燃料消耗率），CO（碳氧化合物）和HC（未燃烧碳氢化合物）等废气排放特性，以及AFR（空燃比），并与实际测得数据进行对比分析。试验结果表明，LM的学习能力对BSFC，CO，HC和AFR的预测是相当有效，而且和纯柴油相比，甲醇改善了排放特性。关键词

2、：甲醇柴油LM发动机性能废气排放中图分类号：TK421文献标识码：A文章编号：1007-9416（2013）10-0031-025随着资源的匮乏和对环境保护的重视，以提高燃油经济性和废气排放为目的研究已成为发动机的主要发展趋势。由于有限的原油储备，寻找新的引擎燃料引起了人们越来越多的关注。然而作为替代燃料，在燃烧过程中应该比汽油和柴油更加清洁。在这些燃料中，甲醇引起了越来越多的关注。韩明，焦杨等人[1]将甲醇与柴油按不同的比例配制，然后研究其物理化学特性。得出：理化特性随着甲醇含量的变化而变化。王娜，王铁等人[2]研究了用甲醇—

3、柴油混合燃料的发动机，并对其参数进行优化。得出：与原发动机相比，废气排放性能得到改善。刘亚哲，吴建等人[3]在共轨发动机上燃烧甲醇—柴油混合燃料，并研究其动力性和废气排放特性。得出：缸内的压力、温度随甲醇含量的变化而变化，而废气排放特性得到改善。与人类大脑相比，人工神经网络是相当渺小和简单的，但它具有人脑相似的智能推理和信息处理的特征[4]。在汽车行业中，当要测试发动机运行条件方面新的方法时，人工神经网络能够作为一种预测工具对发动机各种参数提供快速的预测。而且它作为一个引擎优化工具，能够节省很多的时间和资源[5]。1LM算法本文

4、使用的求和函数如公式（1）。ANN模型的逻辑传递函数在公式（2）中给出。这些实验的结果表明对于CO，HC，BSFC和AFR的最好的学习算法分别是LM，RP，SCG，和BFGS学习算法。公式（3）表明平均预测准确率说明预测是有效的。（1）（2）（3）5试验所用的逻辑曲线传递函数。仅生成0和1之间的一个数值是这个函数的特性之一。在训练和测试程序进行之前先要对输入和输出各组数据归一化。燃料类型，发动机速度，转矩，燃料流量，一氧化碳，未燃烧碳氢化合物，制动燃油消耗率和空燃比分别用5，5000，35，26，8，1500，4600和20来区

5、分归一化。输入人工神经网络的燃料类型的数字定义，如：甲醇-柴油=1和纯柴油=2，因为他们都没有数字的值。然后将训练ANN之后预测废气排放量和发动机的性能值和实验中获得的值进行对比。用RMSE（均方根误差），MEP（平均错误率）和R2（决定系数）值来比较。（4）（5）（6）2用人工神经网络预测发动机性能和废气排放在训练阶段，BSFC，CO，HC和AFR的平均相对误差都小于5%。训练集和测试集数据其他的MEP结果都在可接受误差范围内（±5%），然而一氧化碳测试数据的MEP结果大约为8%。在（图1）中表明了输出参数测试组的ANN预测的

6、结果和试验结果对比。显然预测值和实验值是很接近的。这就意味着作为发动机性能和废气排放预测影响因子的四个输入参数的选择取得了令人满意的结果。3结语5本文用LM算法来预测发动机分别燃用纯柴油和甲醇-柴油混合燃料的BSFC，CO，HC和AFR。在ANN模型中，训练集和测试集的BSFC，CO，HC和AFR的决定系数显然都接近1。这就决定了BSFC，CO，HC和AFR的ANN预测结果在可接受范围（±5%）内。实验结果表明，LM的学习能力对BSFC，CO，HC和AFR的预测是相当有效的。因此，本文强烈推荐用LM的方法来预测制动燃油消耗率和废

7、气排放量，具有操作简单，节省资源，节省时间的实验研究优点。参考文献[1]韩大明，焦杨.甲醇柴油混合燃料的理化特性研究[J].华北电力大学学报，2012，39（3）：102-106.[2]王娜，王铁，冯星等.柴油机燃用甲醇/柴油混合燃料的参数优化[J].小型内燃机与摩托车，2012，41（1）：71-75.[3]刘亚哲，吴建，徐斌等.甲醇—柴油混合燃料在共轨发动机上的燃烧和排放特性研究[J].车用发动机，2012，200（3）：37-41.[4]TopcuIB，SaridemirM.Predictionofcompressives

8、trengthofconcretecontainingflyashusingartificialneuralnetworksandfuzzylogic.ComputMaterSci2008；41：305e11.[5]IsmailHM，NgHK，QueckCW，G