汽油机瞬态空燃比的混沌时序LS-SVM预测研究

在汽油机瞬态空燃比反馈控制过程中,氧传感器存在传输时滞,不能快速反馈汽油机瞬态空燃比真实值,无法满足瞬态空燃比反馈控制的实时性要求。文章提出了汽油机瞬态空燃比的混沌时序LS-SVM(最小二乘支持向量机)预测模型,采用相空间重构技术对原始数据进行重构,达到恢复汽油机瞬态空燃比时间序列的多维空间非线性特性目的,最后利用LS-SVM进行训练及预测,得到空燃比预测结果。仿真结果表明,与Elman网络及前馈BP网络相比,混沌时序LS-SVM预测模型具有更强的非线性预测能力,能够有效地提高瞬态空燃比的预测精度,为瞬态空燃比反馈控制的成功实行提供了有力的依据。     

基于神经网络的车用汽油机稳态排放特性建模研究

车用汽油机稳态工况下废气排放与汽油机转速、负荷、空燃比和点火正时等影响因素之间是非线性关系 ,通过对汽油机试验排放数据的学习 ,建立起描述车用汽油机废气 HC,CO,NOx 排放与上述因素之间关系的 BP神经网络模型 ,该模型可用于排放预测和实时控制     

神经网络在汽油机瞬态空燃比控制中的应用

为了对稀薄燃烧汽油机的瞬态空燃比进行精确控制，提出了一个稀燃汽油机空燃比神经网络一滑模控制方案，该方案采用神经网络实现对瞬态过程中实际进入气缸内进气量的精确预测和进气管内油膜动态特性的前馈补偿．在一台稀燃发动机上进行了瞬态空燃比实验，节气门急速变化时的空燃比超调最大为1个空燃比单位，最小为0．2个空燃比单位；空燃比调整时间一般在3s以内，最快可达到1s．控制结果达到了对稀燃发动机瞬态空燃比的精确控制．     

基于自适应PSO优化的空燃比神经网络预测控制

为解决空燃比传输延迟的问题,该文提出一种基于自适应扩展粒子群优化的空燃比预测控制策略.采用多粒子策略来提高算法的全局收敛性,通过对控制参数的自适应调整来加快算法的收敛速度.在多粒子策略中,每个粒子的更新受更多其他粒子的影响;在自适应策略中,控制参数随着迭代次数的增加而逐渐减小.以HQ495发动机为实验对象,仿真结果表明在节气门小范围变化时,空燃比误差低于1%;在节气门大范围变化时,空燃比误差低于2%.该方法实现了对空燃比的精确预测控制,有效地改善了汽油机过渡工况排放性能.     

电喷汽油机过渡工况废气排放特性研究

电喷汽油机在过渡工况中,进气流量和进气管内油膜特性会发生变化,从而使气缸内混合气空燃比偏离控制值,通过对过渡工况下节气门位置、转速、进气流量、排气中氧传感器输出电压和废气HC与CO浓度的实时测量,发现了汽油机过渡工况中混合气浓度变化的规律及特征,并分析了目前空燃比闭环控制存在的问题,为汽油机过渡工况空燃比精确控制莫定了基础。     

稀燃汽油机空燃比滑模-神经网络控制及实验

提高电控汽油机空燃比控制精度是改善发动机燃油经济性、动力性和降低尾气污染的关键环节．针对稀薄燃烧汽油机的工作原理,提出了一个稀燃汽油机空燃比滑模-神经网络控制方案,并对方案中的各环节进行了详细描述．采用自行开发的发动机电控系统,在一台稀燃发动机上进行了实验,并对实验结果进行了分析．实验结果表明,采用滑模-神经网络方案对稀薄燃烧发动机空燃比进行控制,不仅可以提高准稳态时发动机的空燃比控制精度．而且可以降低过渡过程的空燃比超调．节气门急速变化时的空燃比超调最大为1个空燃比单位,最小为0．2个空燃比单位,大大优于车用电控系统的控制结果．     

汽油机空燃比控制节能系统

本文针对车用汽油机部分负荷工况时混合气过浓的状况,采用向进气歧管输入适量附加空气的方法,研制了汽油机空燃比控制节能系统。文中还给出实验结果。     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

低温燃烧汽油机瞬态空燃比主动抗扰控制

为了实现对废气稀释低温燃烧汽油机瞬态空燃比的有效控制,提出了一种动态进气量观测器和主动抗扰控制(ADRC)的前馈反馈控制策略.进气量观测器揭示了进气前回流对进气歧管状态参数的影响规律,采用状态观测的方法实现了对缸内充气效率的动态跟踪.ADRC作为反馈环节,能够实时估计并补偿影响空燃比的内外部扰动,实现了对空燃比的闭环精确控制.实验结果表明,相比于传统的静态补偿和PID前馈反馈策略,该方案在转速变化的各种瞬态工况下提高了空燃比的控制精度.     

基于LS-SVM的混合动力镍氢电池组SOC预测

在电池管理系统中为了使荷电状态量SOC(state of charge)估计精确,提出以遗传算法优化最小二乘支持向量机(LS-SVM)的方法对电池的SOC进行预测的模型.在电池变流情况下对SOC进行研究,以标准工况下的实验数据作为样本,以电池的电流、电压及温度作为训练模型的输入,SOC作为输出建立模型,使之能很好地适用于混合动力汽车用电池在变电流状态下的实时SOC估计.研究结果表明:该预测模型预测精度高,其最大相对误差小于3％,平均相对误差小于2％,且与神经网络预测结果相比具有更强的实用性.     

车用汽油机过渡工况进气管内油膜动态特性建模及仿真

分析了汽油机过渡工况时Aquino油膜模型的动态特性。提出了一种考虑进气状态参数的进气管内油膜特性动态模型．以汽油机两种过渡工况为例,利用Simulink分别对基于Aquino模型和动态模型的汽油机空燃比变化进行了仿真,并与汽油机试验数据进行对比．研究结果表明,提出的动态油膜模型能较准确地描述过渡工况进气管内燃油动态特性,其精度优于Aquino模型．     

基于模拟机的空中交通管制复杂度预测模型

为改进管制工作负荷预测方法在探究主、客观量映射关系方面的局限性,提出了一种空中交通管制复杂度预测模型.定义空中交通管制复杂度为管制员工作负荷与其阈值之比;组织一线管制员及资深专家进行多组模拟机实验,获取其对各实验场景下管制复杂度的主观定性评估,利用MATLAB处理得到相应场景下的复杂因子;通过BP(back propagation)神经网络对样本数据进行非线性拟合.拟合模型的平均绝对误差为0.025,预测偏离程度为3.75％.研究表明该模型能够较准确地反映空中交通管制复杂度(主观量)与各复杂因子(客观量)之间的映射关系,为空域规划与管理提供科学理论支持.     

电控汽油机进气管内油膜传输特性的研究

提高电控汽油机空燃比的控制精度，是改善发动机的燃油经济性、动力性和降低尾气排放的关键环节。基于发动机物理模型的过渡工况空燃比控制方案，可以提高发动机过渡工况的空燃比控制精度。对该方案的重要组成部分—进气管内油膜的传输特性进行了研究，根据油膜传输模型，提出了一种新的油膜传输参数标定方法，并在自行开发的试验台架上，对油膜的两个重要参数进行了标定。在试验的基础上，对油膜参数的影响因素进行了分析。     

基于机器学习的汽油加氢裂化辛烷值损失预测和脱硫优化

辛烷值损失的准确预测有助于汽油炼制过程的优化与控制,以达到更好的脱硫效果。原油的加氢脱硫是一个十分复杂的物化反应过程,对于该过程中的参数控制多依赖于工人的经验,因此基于大数据建立辛烷值损失预测模型可以用于优化脱硫效果,从而提高产品质量,减轻工人的劳动强度,具有十分重大的实际意义。采用单因素分析、方差过滤、随机森林等方法进行了特征筛选,最后基于逻辑回归、BP神经网络以及支持向量机(SVM)三种机器学习算法构建了辛烷值损失预测模型。实验结果表明,基于SVM建立的辛烷值损失预测模型精度达到了98.24%,优于逻辑回归和BP神经网络预测模型。将该模型应用于脱硫优化,在生成汽油的硫含量达标的情况下,获得最优的控制变量组合,达到将辛烷值损失降到最低的目的。     

终端区4D飞行轨迹预测与冲突预警

为提升终端区飞行轨迹预测精度,实现航空器短时冲突预警,建立一种基于孪生支持向量回归的终端区4D飞行轨迹预测模型。对历史飞行轨迹应用重采样算法,降低轨迹数据规模;利用墨卡托投影将轨迹点经度、纬度与高度化为x-y-z坐标,采用孪生支持向量回归算法学习预测模型,实现短时航空器飞行轨迹动态预测;计算两架航空器水平、垂直距离,建立航空器冲突预警指示函数;对孪生支持向量回归算法进行超参数灵敏度分析,分析各超参数对模型预测效果的影响。根据机场真实数据进行仿真实验,证明：基于孪生支持向量回归的4D飞行轨迹预测模型能够准确捕捉航空器运动趋势,且泛化能力强;所提模型x-y-z坐标预测均方根误差是BP神经网络预测结果的32%,35%和61%,单次预测计算用时减少约0.13 s。     

基于长短时记忆网络的Encoder-Decoder多步交通流预测模型

交通流序列多为单步预测.为实现交通流序列的多步预测,提出一种基于编码器解码器(encoder-decoder,ED)框架的长短期记忆网络(long short-term memory,LSTM)模型,即ED LSTM模型.将自回归滑动平均、支持向量回归机、XGBOOST、循环神经网络、卷积神经网络、LSTM作为对照组进行实验验证.实验结果表明,当预测时间步长增加时,ED框架能够减缓模型性能的下降趋势,LSTM能够充分挖掘时间序列中的非线性关系.除此之外,在单变量输入的情况下,在PEMS-04数据集上,当预测时间步长为t+1到t+12的12个时间步时,ED LSTM模型的均方根误差(root mean squard error,RMSE)及平均绝对误差(mean absolute error,MAE)分别下降0.210～5.422、0.061～0.191.相较于单因素输入,多因素输入的ED LSTM模型在12个预测时间步长下,RMSE、MAE分别下降0.840、0.136.实验证明了ED LSTM模型能够有效地用于交通流序列的多步及单因素、多因素预测任务.     

基于民航团队旅客销售的预测方法分析

利用Matlab分别用后退的回归分析算法、BP神经网络算法、支持向量机算法和组合预测算法对民航团队销售数据进行预测和比较分析,为民航销售人员提供更加精准的预测信息,从而获得更高的航线收益.分析结果显示:后退的回归分析算法比常用的多元线性回归精准性提高,但是数据结果并不具有可靠性.神经网络算法、支持向量机算法和组合算法比常用的回归分析算法预测的精准度有了明显的提高.支持向量机算法预测精度相对神经网络算法稍低,但是却拥有更强的泛化能力.组合预测算法能避免单一预测方法的误差,更加适合航线销售人员的实际操作.     

基于进气调节的汽油机空燃比控制系统研究

针对单缸汽油机进行了结构改进,设计了用于空气调节的电子节气门机构,制定了各个工况下的空燃比控制策略,并对发动机的控制参数进行了优化,开发了发动机空燃比控制系统,实现了喷油和进气量的联合控制.台架试验结果表明,采用进气调节系统后,发动机动力、经济性和排放指标得到了显著的改善.     

基于遗传算法神经网络的地源热泵夏季低负荷运行性能预测分析

为了探索夏热冬冷地区岩溶地质条件下地热能应用能效,通过运用遗传算法优化的反向传播（GA-BP）神经网络模型预测了夏季系统负荷率低于30%运行工况下地源热泵系统的系统能效比和机组能效比,分析了预测值的预测误差评价指标,验证了GA-BP模型具有较高的预测精度,并应用此模型研究了地源热泵短期能效测试与中长期能效测评的关系。结果表明,GA-BP模型预测的COPsys及COP与计算值的相对误差为±5%,各项预测误差评价指标均比反向传播神经网络（BPNN）模型更小,可见GA-BP模型可用于预测岩溶地质条件下地源热泵系统能效。基于此模型,短期能效测试的最佳时期为一天中14时~16时或7、8月累计13天,且满足机组负荷率达到60%~70%,COPsys及COP预测值可以作为中长期能效比评估,其产生的相对误差在允许的范围内。