肖润 祖象欢 李业鹏 杨传雷

摘要： 针对采样间隔不等时传统GM模型失效问题，以TBD234V12相继增压柴油机为研究对象，分别采用加权处理和等时距变换对原模型进行改进，对两种模型应用于柴油机不同运行参数的预测效果进行了对比研究。试验及仿真验证结果表明：加权处理和等时距变换均能有效改善原模型精度，但是前者效果明显优于后者，不同参数GM模型的预测相对误差最高为4.4%，最低为0.24%。

Abstract： Aiming at the invalidation of traditional GM model when sampling interval is unequal， the TBD234V12 sequential turbocharged diesel engine is taken as the research object. The original model is improved by equal time-distance transformation and weighting method respectively. The prediction effects of the two models applied to different operating parameters of diesel engines are compared. The experimental and simulation results show that both the two methods can effectively improve the accuracy of the original model， but the effect of the former is obviously better than that of the latter， the maximum relative error of GM model with different parameters was 4.4% and the minimum was 0.24%.

关键词： 柴油机;性能参数;GM预测;非等间隔

Key words： diesel engine;performance parameters;GM prediction;non-equal interval

中图分类号：TK427                                      文献标识码：A                                  文章编号：1674-957X（2021）23-0014-04

0  引言

增压柴油机长期工作在高温、高压及高转速的环境下，如何有效保证柴油机的安全运行至关重要[1-2]。目前普遍采用的方法是基于多传感器信息融合技术，实时在线监测柴油机主要运行参数的状态趋势[3]。但是，在实际数据采集过程中，往往出现一定滞后性，而且某些故障一旦发生，将对柴油机带来不可恢复的损害。因此，在现有的参数监测的基础上，融入在线预测功能，实现未来时刻的关键参数运行状态和趋势的预测，从而达到故障信息监测的目的，防患于未然。

目前，有关性能参数预测的方法比较多，以人工智能预测算法应用最为广泛。比如神经网络[4-5]、支持向量机[6-7]及贝叶斯网络[8-9]等。此类方法均属于大数据发掘技术，通过大量数据反复训练来获取理想精度的预测模型，具有很强的非线性映射能力[10]。但是，此类方法的缺点也比较明显，那就是对数据样本的要求较高、硬件要求高等，特别是针对小样本预测问题，此类方法便难以奏效。……