基于神经网络和优化算法的汽油机建模及多目标优化

研究了获得每种废气（CO、HC和NOx）排放的人工神经网络模型。每个模型的输入为发动机电控单元中的发动机参数，可以修改发动机参数来改变工作点，最终减少相应的排放。使用两个多目标优化算法（多目标粒子群优化算法MOPSO和非支配排序遗传算法NSGA-Ⅱ）实现运行最小化过程，并找到一组最优解，称为帕雷托前沿。本研究目的是比较两种优化算法获得的排放减少量，定义发动机参数新值。通过应用模糊方法从帕雷托前沿获得最终的解决方案。

该研究在3个特定领域的贡献至关重要。①建立一个预测车辆内燃机重要污染物排放性能的模型，大幅缩短新发动机开发周期。②为满足环境法规，运行模型设置循环车辆一组新的点是必要的。③车辆在当地市场适应过程中可考虑当地环境条件，在不影响性能条件下保持低排放很关键。

将点燃式汽油机废气排放神经网络模型作为目标函数的评价基础，目标函数在MOPSO和NSGA-Ⅱ内进行评价。这些算法用以寻找减少汽油机排放的解决方案。利用局部线性模型树（LOLIMOT）神经网络来确定固定条件下3种废气排放的合理预测。对CO、HC和NOx排放进行建模。通过计算相关系数R2和平均绝对百分误差（MAPE）对人工神经网络的性能进行评价。发现架构（6，10，1），（6，9，1）和（6，15，1）的LOLIMOT神经网络能够近似所研究汽油机的CO、HC和NOx排放，R2分别为0.982，0.972和0.998。在10种发动机工作运行条件下执行MOPSO和NSGA-Ⅱ，发动机运行参数的极限根据标称发动机万有特性曲线中的值确定。观察关于标称制造商发动机万有特性曲线的重要改进，在NSGA-Ⅱ下达到CO、HC和NOx的排放量分别减少9.84%、82.44%和13.78%，在MOPSO下能够达到CO、HC和NOx的排放量分别减少13.68%、83.8%和7.67%。本研究的局限是确定的参数仅适用于本研究的特定发动机。但这种方法可用于最小化生物柴油燃料内燃机的氢排放。

刊名：Journal of Zhejiang University-Science A (Applied Physics & Engineering)（英）

刊期：2013年第14期

作者：José D.Martínezmorales et al

编译：王欣欣