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Elman神经网络的汽油机过渡工况空燃比多步预测模型

为了减小车用汽油机空燃比传输延迟对空燃比控制精度的影响,提出一种基于Elman神经网络的空燃比多步预测模型.通过对空燃比数学模型的分析,确定神经网络空燃比多步预测模型的输入向量,同时,为了提高过渡工况空燃比预测精度,在神经网络输入向量中增加反映空燃比变化趋势的导数信息.对HL495发动机过渡工况实验数据进行学习,采用梯度算法对Elman神经网络的权值进行调整.研究结果表明：采用该方法能精确预测过渡工况空燃比,预测模型的最大误差小于1%,平均误差小于0.5%.该预测模型可用于实现车用汽油机过渡工况空燃比的精确控制,提高车用汽油机过渡工况排放性能.     

混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和LS-SVM的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型;通过对实际数据的仿真,结果表明所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

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.     

基于改进模糊PID算法的空燃比控制策略研究

对发动机瞬态工况空燃比进行控制时,由于单缸汽油机本身固有的非线性和时滞环节,传统PID控制很难取得满意的效果,本文构造了一种带动态补偿的模糊PID控制器.首先搭建了单缸机仿真模型,并将模糊PID控制算法应用于空燃比控制中,以适应系统的非线性;然后针对单缸机系统中固有的时滞环节提出一种动态时滞补偿器,以降低时滞环节对系统的影响;再将该时滞补偿器耦合于模糊PID控制器中,应用于单缸机瞬态工况下的空燃比控制.仿真结果表明,改进的模糊PID控制器不仅能补偿系统中时滞环节带来的非最小相位影响,而且能很好地适应发动机系统的非线性特征,从而使控制系统的稳定性、准确性、快速性均得到了很大的改善.     

一种新的氧化铝质量分数建模与控制策略

针对氧化铝质量分数的建模与控制问题,提出一种新的基于最小二乘支持向量机(LS-SVM)和预测控制的建模与控制策略。首先,针对LS-SVM建模时的参数选取问题,提出一种基于混沌优化的CHAOS LS-SVM算法获得最优氧化铝质量分数预测模型。然后,提出一种基于LS-SVM的氧化铝质量分数预测控制算法,采用混沌优化在线求解最优控制律。仿真结果表明:CHAOS LS-SVM算法建立的氧化铝质量分数预测模型,其泛化能力要比基于神经网络(NN)的氧化铝质量分数预测模型的强;基于LS-SVM的氧化铝质量分数预测控制算法,其控制精度要比基于NN的氧化铝质量分数预测控制算法的高。     

基于混沌理论的高炉一氧化碳利用率的预测研究

以一氧化碳利用率为能耗评估指标,在高炉一氧化碳利用率混沌特性的基础上,提出了一种基于混沌理论高炉一氧化碳利用率的预测方法.首先以两座具有代表性的中高型高炉的一氧化碳利用率时序为样本,采用混沌相空间重构技术,对其进行相空间重构.其次利用自相关方法和G-P方法计算其重构空间的参数(时滞时间和嵌入维数).最后基于已获的混沌重构相空间参数,采用混沌加权一阶多步预测方法,建立高炉一氧化碳利用率的混沌预测模型,对其进行多步预测.现场实际数据的预测结果表明了所提出方法的有效性和预测模型的精准性.     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

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．     

基于油膜模型的摩托车发动机瞬态空燃比控制方法与实现

针对瞬态工况下空燃比的非线性偏离,在对油膜模型传递函数进行分析的基础上,运用模型匹配的原理,得出了汽油机油膜补偿器,并进一步对油膜补偿器进行了延伸,提出了一种根据发动机温度和节气门一阶滤波器递推公式的瞬态工况空燃比修正公式.将该方法应用于一台125摩托车发动机喷油控制.结果表明,通过对瞬态工况空燃比的修正,使整车的排放量和油耗进一步降低,同时也使发动机运行更平稳.     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。     

混沌时间序列在边坡位移预测中的应用

根据非线性边坡位移时间序列,运用相空间重构理论,建立了加权一阶局域法边坡位移预测模型、基于Lyapunov指数的边坡位移预测模型、基于神经网络的混沌时间序列边坡位移预测模型,对比分析了三个预测模型的特点。新龙寺滑坡预测研究表明,基于混沌时间序列预测方法具有很好的预测精度和广泛的适应性。     

混沌时间序列及其在能源系统中的应用

混沌经济时间序列的预测方法研究是混沌经济非线性动力系统的重要内容，笔者利用混沌动力学原理，通过混沌时间序列的相空间重构，运用局域预测方法，建立了预测模型，并用其确立的混沌动力学模型对1991年至1999年全国能源的生产、消费时间序列进行了预测，而且把此预测结果与实际值进行了比较，结果证明误差较小，同时还将此预测结果与常规方法建立的预测模型的预测结果相比，结果表明混沌时间序列建立的模型其短期预测效果更好。     

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。     

车用锂离子动力电池剩余寿命非线性组合预测研究

针对单一预测模型难以准确预测锂电池的剩余寿命（remaining useful life, RUL）难题,提出了非线性组合预测方法;利用相空间重构,对实验采集到的数据进行重构,将重构后的数据对改进Elman神经网络和非线性自回归（nonlinear autoregressive with exogenous input,NARX）神经网络这2个单项预测模型进行训练和预测;采用RBF神经网络对2个单项模型的预测值进行非线性组合,获得最终的RUL预测值．结果表明:非线性组合预测方法的均方根误差比PCA-NARX方法提高了近1%,比NARX方法提高了近2%,比改进Elman方法提高了近3%;非线性组合预测方法具有较高的精度及泛化能力,采用相空间重构技术有利于提高非线性组合方法的预测精度．      

《基于神经网络的混沌时间序列分析与预测》项目通过市教委结题

2008年3月11日,在我校召开上海市教委科技发展基金项目《基于神经网络的混沌时间序列分析与预测》结题会,结题会由学校科学技术处主持,项目负责人孙海云教师代表项目组作项目研究报告。项目研究了相空间重构技术、Lyapunov指数等混沌理论及判定方法,探讨了基于相空间重构的局部线性映射酸法在非线性时间序列降噪技术中的应用,提出了通过计算降噪前后时序信号的关联维数作为评判降噪效果的工具,建立了判断该类时序信号降噪水平的方法。研究进一步将BP神经网络模型引入到混沌相空间,利用此方法预测结果比传统方法预测误差小,精度高,更能反映时间序列的变化趋势。结题专家组听取了项目研究报告和认真审阅有关结题材料后,一致同意通过结题。《基于神经网络的混沌时间序列分析与预测》项目通过市教委结题     

混沌序列PSO-RBFNN耦合模型在滑坡监测中的应用-杨虎

滑坡位移系统的发展演化受到多种不确定性因素的影响,可能存在非线性特征。而同时包含了确定性和非确定性分析的混沌理论,能有效阐释滑坡位移序列的复杂的非线性过程。因此本文首先对滑坡位移序列进行混沌分析,揭示其内在演化机理;在相空间重构的基础上,再采用拟合和泛化能力较好的径向基网络（RBFNN）对其位移值进行实时动态预测,针对RBF网络存在参数选取困难的问题,运用粒子群算法（PSO）对RBF网络的参数进行优选。提出了基于混沌理论的PSO-RBFNN滑坡位移预测模型。经过实例验证,并与粒子群优化的BP神经网络（PSO-BP）和单独RBF网络进行对比,表明滑坡位移序列确实存在混沌特性且PSO-RBFNN模型预测精度更高、效果更好。     

多变量相空间重构的多核最小二乘支持向量机电力负荷预测优化策略

针对短期电力负荷在线预测问题,结合多变量相空间重构以及多核函数LS-SVM(least squares support vector machine),提出一种基于滑动窗口策略与改进人工鱼群算法(artificial fish swarm algorithm)的短期电力负荷在线预测综合优化方法。首先利用多变量相空间重构还原真实电力系统动力学特性;然后将核函数进行排列组合,从而将组合核函数的构造问题转换为权值系数的优化问题。进一步将延迟时间、嵌入维数、LS-SVM参数以及核函数权值作为整体参数向量,利用混沌自适应人工鱼群算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后通过滑动时窗策略将得到的预测模型对短期电力负荷进行在线预测,结果证明了提出方法的有效性。     

汽油机燃烧时间特性的研究

报道了所研制的一套光学燃烧传感器。利用此传感器，测量了一台单缸二冲程汽油机的着火延迟期、燃烧开始时刻、燃烧结束时刻和燃烧持续期；同时研究了汽油机不同空燃比对这些时间参数的影响．实验表明，利用燃烧过程中缸内的光辐射强度信号，可以方便、准确地测量出汽油机各个燃烧时间参数的大小，并且发现，在所测试的范围内，随着空燃比的增大，着火延迟期缩短，燃烧开始时刻提前，燃烧持续期延长。实验结果为进一步深入研究时间反馈控制电控汽油机燃烧过程提供了有用的数据。     

自适应神经网络在短期负荷预测中的应用

采用基于混沌算法的自适应预测模型,应用于电力系统短期负荷预测.选取重构相空间中的饱和嵌入维数作为神经网络的输入节点数,适当选择非线性反馈项,能使网络的动力学在权空间具有混沌行为.通过进化算法建立一种自适应机制,使得网络能够根据学习和训练的结果优化非线性反馈项.算例表明,该算法具有很强的自适应能力和鲁棒性,精度高.