一種新型柴油機進氣流氧氣量估算方法

一種新型柴油機進氣流氧氣量估算方法

在最近的幾十年中，隨著燃料價格的不斷增長，排放法規日益嚴格以及發動機功率需求的不斷增加，使得全球汽車工業必須不斷地提高電子設備的性能，來更加有效地驅動發動機內部燃燒和污染物排放控制系統。目前，柴油機發展面臨的一個主要問題就是日益嚴格的污染物減排控制系統。特別就NOx而言，EGR系統已經非常成熟并且應用廣泛，但是為了提高減排的效率，盡可能準確地估算進氣歧管中的實際含氧量是必要的。

使用神經網絡方法和模糊方法建立了神經網絡預測模型和神經網絡-模糊預測模型，來預測進氣歧管中的氧氣含量。通過從一個壓燃式發動機的瞬態工況所獲得的試驗數據，來對神經網絡模型（ANN）和神經網絡-模糊模型（ANFIS）預測進氣氣體中氧氣濃度的能力進行了比較。比較時，兩個模型的訓練階段和測試階段均使用相同的試驗參數，通過對試驗數據的離線分析發現，兩種模型都具有很好的預測能力。其中，對于神經網絡-模糊模型來說，在訓練階段和測試階段所得到的絕對誤差分別等于0.7和0.9（即絕對誤差分別為3.5%和4.5%），而使用神經網絡模型得到的絕對誤差則分別為0.92和0.9（即絕對誤差分別為4.6%和4.5%）。眾所周知，神經網絡用于在線工作時具有諸多的局限性，本文則通過結合神經網絡方法和模糊方法來克服這些局限性。比較結果顯示，對于線性化的輸入輸出變量的模糊規則來說，神經網絡-模糊預測模型能夠在更短的時間內獲得更加精確的結果。模糊規則的線性化是降低收斂時間的一個關鍵因素，特別是當模型用于周期性的訓練中時。

刊名：Applied Energy（英）

刊期：2014年第1期

作者：F.Mariani et al

編譯：陳鵬飛