基于深度極限學習機的柴油機尾氣排放預測

吐爾遜·買買提，趙夢佳，寧成博，孔慶好

(1.新疆農業大學交通與物流工程學院，烏魯木齊 830052；2.新疆農業科學研究院綜合試驗場，烏魯木齊 830012)

近年來，較大的尾氣排放總量使得非道路移動源污染物排放問題成為關注的熱點。2019年非道路移動源排放NOx、HC、PM等污染物分別達到了493.3×104、43.5×104、24×104t，農業機械等柴油機械排放占非道路移動排放總量的34.3%[1]。可見，農業機械在內的非道路移動源污染氣體排放對環境的影響不容忽視。

準確測度排放因子、建立排放清單是大氣污染物排放治理以及排放控制的基礎。基于各類傳感器測量污染物排放因子是常用的方法，但其受到成本、測量精度以及作業狀態的限制[2]，因此通常采用模型預測方法。目前移動源排放預測方面主要有基于MAP映射、物理模型和數據驅動的污染物排放預測等方法[3]。近年來隨著算法框架理論、方法和技術的持續發展，各類預測算法的精度和魯棒性進一步提高，進而基于數據驅動的預測模型法成為測度污染物排放時間序列的重要途徑。Anand等[4]建立反向傳播(back propagation,BP)神經網絡模型預測柴油機在穩態工況下NOx排放，并驗證其模型預測的精度。許金良等[5]基于曲線回歸法建立了載重柴油車小半徑圓曲線排放量與曲線半徑、長度和車輛駛入速度之間的關系模型，并在此基礎上建立了累積碳排放模型，并獲得了較高的預測精度。

文獻[6]基于主成分分析法對數據進行規約，通過網絡搜索和遺傳算法(genetic algorithm,GA)優化支持向量機(support vector machine,SVM)預測模型參數，并對柴油機不同運行狀態NOx排放進行預測，發現和其他方法相比，預測精度較高。……