基于支持向量机的柴油机NOx瞬态排放预测及优化研究

摘要

随着环保意识的加强,汽车排放法规愈加严格,发动机瞬态排放研究亦成为发动机排放研究的重点。建立Nox瞬态排放预测模型将对Nox瞬态排放试验研究有很好的指导作用。然而发动机瞬态工况下Nox排放规律尚没有明确的理论。本文应用支持向量机技术,利用试验测得的瞬态排放数据,建立并验证预测模型,进行Nox瞬态排放预测。
　　 寻求最优方法并利用有限个试验数据样本进行有效的预测是建立预测模型的主要工作。随着人工智能的广泛应用,机器学习广泛应用于预测研究。机器学习中较为成熟的理论为统计学习理论。支持向量机(SupportVectorMachine,SVM)是统计学习理论(StatisticalLearningTheory,SLT)中最实用的应用,是借助最优化方法解决机器学习问题的新工具。
　　 支持向量机主要用于分类问题和回归问题。本文主要是通过试验测得的发动机瞬态排放数据,选定合适的核函数建立回归模型进行预测。建模采用网格搜索法、遗传算法、粒子群算法对模型主要参数分别进行优化,然后对模型预测效果进行比较,选取最佳预测模型。瞬态工况时的Nox排放误差都较小,没有超过3％,可以满足试验要求,用于Nox瞬态排放预测并且模型输入参数多为控制参数,有利于对模型进行深入研究。最后利用得到的最佳模型,适当改变输入中有关供油和进气的参数,对Nox排放进行预测,最终得到降低Nox瞬态排放的最优标定。