基于GWO-LSTM的柴油机NO_(x)排放预测

柴油机NO_(x)是机动车主要的有害排放物质,精确测量NO_(x)排放有利于SCR尿素喷射的控制从而减少排放,而现有的氮氧传感器和通过标定获得的排放MAP均难以实现瞬态条件下NO_(x)的实时测量。使用主成分分析法(PCA)对全球统一瞬态试验循环(WHTC)的柴油机工况参数进行降维处理,基于长短期记忆神经网络(LSTM)搭建柴油机NO_(x)实时预测模型,并利用灰狼优化算法(GWO)对LSTM模型进行参数优化。结果显示:GWO-LSTM预测模型在未训练的数据集上的平均相对误差(MAPE)为3.23%,证明该模型能够精准实现柴油机NO_(x)排放的实时预测,并具有良好的泛化能力和可靠性,为以软件替代硬件实现柴油排放控制提供了参考。