适用发动机性能预测的先进机器学习方法

为了提高六缸重型柴油-天然气双燃料发动机的性能、减少污染物排放,使用反馈神经网络、支持向量机和高斯处理3种先进的机器学习方法来建立以发动机的转速、扭矩、柴油预喷提前角、柴油预喷比例和天然气替代率作为输入,以NO_(x)、CO_(2)和比油耗作为输出的预测模型,对比3种机器学习模型的预测结果。结果表明:高斯处理(Gaussian processing, GP)模型的预测精度最高,其输出变量的总体决定系数分别为0.960 1、0.991 9和0.993 5,相比于反馈神经网络(feedback neural network, FNN)和支持向量机(support vector machine, SVM),NOx预测精度分别提高3.7%和2.6%,CO_(2)排放预测精度提高约3%,比油耗(brake specific fuel consumption, BSFC)预测精度分别约提高4%和8%;GP模型预测NO_(x)、CO_(2)和BSFC的总体均方相对误差均小于0.13,总体平均绝对百分比误差均小于0.1%。

基于麻雀搜索算法的涡喷发动机控制研究

为了改善微型涡喷发动机的控制性能,针对传统比例积分微分(PID)控制器难以进行在线调参和参数优化的问题,提出了一种基于麻雀搜索算法(SSA)的控制方法。首先,利用实验获取的涡喷发动机数据进行系统辨识,建立涡喷发动机的数学模型;其次,采用模糊控制设计了模糊PID控制器;最后,利用SSA对模糊PID控制器的参数进行优化。仿真结果表明:基于SSA的模糊PID控制方法在涡喷发动机转速控制系统中性能显著提升,上升时间为0.22 s,超调量为8.02%,干扰调整时间为1.05 s。相较于传统PID和模糊PID控制方法,该方法的响应速度分别提高了64.1%和43.9%,超调量分别减少了18.08%和7.58%,干扰调整时间分别缩短了52.3%和34.4%。