基于BP神經網絡的柴油機摻燒生物柴油排放特性預測研究

李 楠，湯 東，李昌遠，徐亞超

（江蘇大學汽車與交通工程學院，江蘇 鎮江 212013）

生物柴油具有良好的燃燒性、動力性、經濟性和排放性，它可以任意比例與柴油混合或單獨使用，因而生物柴油在柴油機上的使用研究越來越受到人們的重視［1－3］。國內已經有很多關于柴油機摻燒生物柴油的研究報道，但大多集中于摻燒生物柴油后柴油機動力性、經濟性與排放特性的試驗研究［4－7］。另一種有效的研究方法包括數值模擬、神經網絡預測等。數值模擬一般很難取得理想的效果，更多的是根據試驗數據，采用經驗方法對發動機的性能進行預測，而且建模和計算的工作量很大。而人工神經網絡具有很強的自學能力，且能以任意精度逼近任意非線性函數［8］，因此可以建立神經網絡模型來取代發動機各種復雜的工作過程，并利用這些模型對發動機的性能進行研究。目前，國內外學者利用神經網絡進行的發動機性能預測已經取得了一些研究成果。Hidayet Oguz等運用三層BP神經網絡技術對摻混不同生物燃料柴油機的動力性和經濟性進行了預測，并利用統計學方法分析計算出相關系數［9］。A.Duran等人［10］對生物燃料中脂肪酸甲酯對顆粒排放的影響進行了分析研究，并利用神經網絡技術預測分析了燃油顆粒物組成和影響因素。S A Nelson等基于神經網絡對渦輪增壓柴油機進行仿真研究，實現了柴油機與壓氣機的匹配，使得仿真具有很好的適應性和魯棒性［11］。周斌、譚達明等利用神經網絡方法分析和預測進氣成分（O2，N2，CO2，Ar）變化對柴油機排放性能的影響，并進行了試驗驗證［12］。劉震濤等將前向人工神經網絡引入雙燃料發動機的研究工作中，分別建立了燃燒放熱率、CO和 NOx排放、爆震等模型［13］。

本研究在186FA單缸柴油機上，通過改變生物柴油摻燒比，開展各摻燒比下發動機負荷特性的試驗研究，根據試驗數據建立了雙隱層BP神經網模型，利用該模型對柴油機各排放物隨折合燃油消耗率、負荷和生物柴油摻燒比的變化進行了預測分析。

1 試驗

通過柴油和生物柴油的混合得到4種不同的燃料（B0，B20，B50，B100），其中，B0和B100分別代表柴油和生物柴油，B20和B50分別為生物柴油體積分數為20%和50%的混合燃料。試驗在186FA柴油機上進行，發動機主要的參數和運行工況見表1和表2。試驗主要測試標定轉速下186FA柴油機燃用B0，B20，B50，B100燃料時的負荷特性（燃油消耗量、排氣溫度、排放物濃度及穩態煙度）。

表1 186FA柴油機技術參數

表2 測試運行工況

生物柴油與柴油相比熱值有差異，為使兩者燃油消耗量有可比性，將不同燃油下測得的有效燃油消耗率轉化成折合燃油消耗率，即將混合燃油的有效燃油消耗率折算成能量等值的柴油有效燃油消耗率，計算公式為

式中：beE，be分別為折合燃油消耗率、有效燃油消耗率；Hud為柴油的低熱值；Hu為混合燃料的低熱值。

圖1示出各負荷下燃用不同摻燒率燃油的折合燃油消耗率MAP圖，從MAP圖中按一定比例取值繪成如圖2所示的二維圖。從圖1和圖2可以看出，同一摻燒率下，折合燃油消耗率隨負荷的降低而升高，當發動機負荷從25%降到10%時折合燃油消耗率呈陡升趨勢，在10%負荷下，燃燒柴油的折合燃油消耗率最高，達到1 094.3g/（kW·h）；同一負荷下，隨著生物柴油摻燒率的增加，折合燃油消耗率有所下降。整體來說，折合燃油消耗率隨著負荷的減小而增大。同一負荷下，由于生物柴油相對于柴油氧含量更多，折合燃油消耗率隨著摻燒率的增大而降低。

2 排放預測模型的建立

2.1 樣本的選取與處理

采用BP神經網絡方法建模首要條件是有足夠的典型性好、精度高的樣本。同時為監控訓練（學習）過程使之不發生“過擬合”，提高網絡模型的仿真性能和泛化能力，需將樣本數據隨機分成訓練樣本（60%）、檢驗樣本（20%）、預測樣本（20%）三部分。此外，數據分組時還應盡可能考慮樣本模式間的平衡。相關研究表明，訓練樣本過少會造成網絡模型的魯棒性和較差的適用性，不能對實測數據作出準確的識別。針對這一問題，用Matlab軟件對各排放數據進行了擴充，生成 MAP圖，再從中隨機選取380組數據作為樣本；然后運用dividevec函數隨機選取60%樣本數據用于樣本訓練，20%樣本數據用于仿真模擬結果驗證，另外20%樣本數據用于預測。為了便于利用Matlab神經網絡工具箱中的訓練函數，應用最大最小函數premnmx對樣本進行歸一化處理，將各參數量化到［－1，1］內，然后再當作輸入單元。

2.2 輸入和輸出參數的確定

模型的輸出量為柴油機摻燒生物柴油的排放性能，因此選取與排放密切相關的參數，經對比分析后，將負荷、生物柴油摻燒率和折合燃油消耗率這3個參數作為模型的輸入量。上述參數之間相互耦合就得到CO，HC，NOx，soot排放的變化規律。因此，將摻燒生物柴油的排放簡化描述為

式中：f為網絡輸入與輸出之間的非線性映射關系；beE為折合燃油消耗率；Gg為生物柴油摻燒率；PLoad為發動機的負荷。因此，該BP神經網絡的輸入層有3個神經元，分別是折合燃油消耗率、負荷、生物柴油摻燒率。

2.3 BP神經網絡層數

雙隱層BP神經網絡具有較好的泛化能力，且能較好地處理樣本噪聲的學習問題，使得非線性逼近效果良好［14］。為了提高柴油機排放性能的預測精度，采用了具有2個隱含層的BP神經網絡來建立排放預測模型，網絡有4層，第1層為輸入層，第2和第3層為隱含層，第4層為輸出層。

2.4 BP神經網絡拓撲結構

BP神經網絡中，隱含層節點數的選擇對BP神經網絡預測精度有較大的影響：節點數太少，網絡不能很好地學習，需要增加訓練次數，精度也受到影響；節點數過多，會把樣本數據中非規律性內容（如噪聲等）學會，從而出現 “過度吻合”的問題，降低網絡的泛化能力，且會使訓練時間過長。隱含層節點數選擇首先是由經驗公式確定節點數的大概范圍，然后在訓練階段通過網絡訓練檢驗以確定最終隱含層節點數。常用的確定初始隱含層節點數經驗公式為

式中：m為隱層節點數；n為輸入層節點數；L為輸出層節點數；a為1～10之間的常數。

根據經驗公式（3），經過多次仿真模擬試驗發現，當雙隱層節點分別為18和38時，本模型在速度和精度方面達到最優。因此，預測排放的BP神經網絡模型為3－18－38－4的拓撲結構。

2.5 傳遞函數和學習算法的選擇

為了保證BP神經網絡模型的非線性，輸入層到隱層選用S型正切（tansig）傳遞函數，隱含層到輸出層選用purelin線性函數。學習算法采用比常用梯度下降法計算速度快、收斂快，且收斂誤差較小的Levenberg—Marquardt優化方法。

2.6 BP神經網絡的檢驗

利用上述BP神經網絡結構和相關參數設置，就可以在Matlab軟件中對柴油機摻燒生物柴油排放的BP神經網絡模型進行訓練和檢驗。此神經網絡中最大迭代次數為1 000，誤差性能目標小于0.01，最小訓練速率為0.2，動態參數為0.3；以premnmx函數對樣本數據進行歸一化前處理；以newff（）函數創建一個新的前向神經網絡；以train（）函數實現網絡的訓練；以sim函數完成網絡仿真檢驗；仿真結果用postmnmx函數進行反歸一化處理。雙隱層BP神經網絡訓練的性能變化見圖3，經過154次迭代后，網絡達到了期望的誤差水平，其樣本訓練平均偏差值為0.002 95，樣本驗證平均偏差值為0.003 429 3，兩者誤差為0.000 529 3。這說明神經網絡的仿真效果較好，可以對發動機的排放性能進行預測。

3 排放預測結果及分析

3.1 CO

圖4和圖5分別示出了CO線性回歸分析結果及其排放預測結果。從圖4中可以看出，CO排放的期望響應與仿真輸出效果較好，相關系數R達到0.994 88。從圖5中可看到，CO排放預測值隨折合燃油消耗率的升高而升高。結合圖1及圖2分析可得，CO排放隨負荷的增加而下降；在同一負荷下，隨著生物柴油摻燒率的降低，燃油氧含量降低，燃燒效率有所下降，燃燒不充分，CO排放上升。折合燃油消耗率在370～600g/（kW·h）區間，即負荷在20%～35%之間時，預測值與試驗值非線性逼近效果不太理想。

3.2 HC

從圖6中可以看出，HC排放預測結果的期望響應與仿真輸出的相關系數R為0.996 82。HC排放預測結果見圖7，其排放值隨折合燃油消耗率的升高而升高。結合圖1及圖2進行聯合分析可得，HC排放隨負荷的增加而下降；由于生物柴油中含氧，在同一負荷下，隨著生物柴油摻燒比率的降低，氧含量降低，導致HC燃燒不充分，HC排放上升。折合燃油消耗率在370～600g/（kW·h）區間，即負荷在20%～40%之間預測值與試驗值非線性逼近效果較差，且波動較大。

3.3 NOx

從圖8可知，NOx排放的期望響應與仿真輸出效果較好，相關系數R為0.993 32。NOx預測結果見圖9，其排放預測值隨折合燃油消耗率的升高而降低。NOx排放預測曲線中后部非線性逼近效果不是很好，折合燃油消耗率大于350g/（kW·h）以后NOx預測值稍高于試驗值，結合圖1及圖2對圖9進行綜合分析可知，同一負荷下，生物柴油摻燒比率降低，氧含量降低，缸內燃燒溫度隨之降低，抑制了NOx排放的生成。在高負荷下折合燃油消耗率較低，缸內燃燒溫度較高，氧含量充分，有利于NOx的生成；隨著折合燃油消耗率的升高，相應的負荷降低，NOx排放隨之降低。

3.4 soot

從圖10中可以看出，soot排放的期望響應與仿真輸出效果較好，相關系數R為0.997 58。soot預測結果見圖11，其排放預測值隨折合燃油消耗率的升高而降低，soot排放預測曲線整體非線性逼近效果較好。結合圖1及圖2對圖11進行綜合分析可知：soot排放預測值隨負荷的增加而上升；同一負荷下，隨著生物柴油摻燒比率降低，氧含量降低，導致燃燒不充分，soot排放回升。同時可以看到，soot排放預測結果隨摻燒比率的降低波動較大。

4 結論

基于雙隱層BP神經網絡建立了非道路用柴油機摻燒生物柴油排放的預測模型，利用該模型直接預測柴油機摻燒生物柴油的各排放物隨折合燃油消耗率、負荷及摻燒比的變化。

a）雙隱層BP神經網絡的泛化能力較好，CO，HC，NOx和soot排放模型的期望響應與仿真輸出線性回歸相關系數均在0.99以上；

b）HC和CO排放預測值隨折合燃油消耗率的升高而增加，NOx和soot排放預測值隨折合燃油消耗率的增加而下降，同時soot排放預測值隨摻燒率的降低波動較大；整體上，CO，HC，NOx，soot預測結果與試驗結果具有較好的一致性。

［1］ 湯 東，李昌遠，葛建林.柴油機摻燒生物柴油NOx和碳煙排放數值模擬［J］.農業機械學報，2011，42（7）：1－4.

［2］ Senatore A，Cardone M，Rocco V，et al.A comparative analysis of combustion process in D.I diesel engine fueled with biodiesel and diesel fuel［C］.SAE Paper 2000－01－0691.

［3］ 葉麗華，袁銀南，孫 平.柴油機燃用多種燃料的性能與排放特性研究［J］.江蘇大學學報，2010，42（2）：155－159.

［4］ 李旭升，李理光，鄧 俊，等.生物柴油噴霧特性的試驗研究［J］.內燃機學報，2007，25（2）：32－36.

［5］ 王 忠，袁銀南，梅德清，等.生物柴油燃燒過程內窺鏡高速攝影研究［J］.內燃機學報，2007，25（2）：45－48.

［6］ 袁銀南，張 恬，梅德清，等.直噴式柴油機燃用生物柴油燃燒特性的研究［J］.內燃機學報，2007，25（1）：43－46.

［7］ 王 忠，袁銀南，歷寶錄，等.生物柴油的排放特性試驗研究［J］.農業工程學報，2005，21（7）：77－80.

［8］ 張澤旭.神經網絡控制與 MATLAB仿真［M］.哈爾濱：哈爾濱工業大學出版社，2011.

［9］ Hidayet Oguz，Ismail Sartas，Hakan Emre Baydan.Prediction of diesel engine performance using biofuels with artificial neural network［J］.Expert Systems with Applications，2010，37：6579－6586.

［10］ Duran A，Lapuerta M，Rodrguez－Ferna ndez J.Neural networks estimation of diesel particulate matter composition from transesterified waste oils blends［J］.Fuel，2005，84：2080－2085.

［11］ Nelson S A，Filipi Z S，Assanis D N.Use of Neural Nets for Matching Compressors with Diesel Engines［J］.American Society of Mechanical Engineers Internal Combustion Engine Division，1996，26（3）：35－42.

［12］ 周 斌，譚達明，魏道遠，等.基于神經網絡的內燃機排放預測方法的研究［J］.內燃機學報，2001，19（4）：361－364.

［13］ Liu Zhentao，Fei Shaomei.Study of CNG/diesel dual fuel engine＇s emissions by means of RBF neural network［J］.Journal of Zhejiang University Science，2004，5（8）：960－965.

［14］ Chris M A，Virtual Sensing.A neural network－based intelligent performance and emissions pre－diction system for on－board diagnostics and engine control［J］.SAE Paper 1998，1998：341－347.