CN112861436A - 一种发动机排放实时预测方法 - Google Patents

一种发动机排放实时预测方法 Download PDF

Info

Publication number
CN112861436A
CN112861436A CN202110190224.3A CN202110190224A CN112861436A CN 112861436 A CN112861436 A CN 112861436A CN 202110190224 A CN202110190224 A CN 202110190224A CN 112861436 A CN112861436 A CN 112861436A
Authority
CN
China
Prior art keywords
neural network
population
sub
output
neuron
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110190224.3A
Other languages
English (en)
Inventor
刘海峰
张晓腾
王灿
尧命发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202110190224.3A priority Critical patent/CN112861436A/zh
Publication of CN112861436A publication Critical patent/CN112861436A/zh
Priority to US17/674,762 priority patent/US20220261655A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/10—Testing internal-combustion engines by monitoring exhaust gases or combustion flame
    • G01M15/102—Testing internal-combustion engines by monitoring exhaust gases or combustion flame by monitoring exhaust gases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种发动机排放实时预测方法，步骤是：首先获取若干已知的发动机排放历史测试数据样本，将其划分为训练集和测试集以训练神经网络，并计算不同隐含层节点下神经网络输出均方根误差以确定神经网络拓扑结构，之后通过思维进化算法优化神经网络的初始权值及阈值，最终利用Adaboost算法组建发动机排放实时预测系统。本发明克服了现有发动机排放数据获取方式费时费力，受环境因素制约，仪器成本昂贵，瞬态排放测量性能不佳等问题，仅通过简单的测量发动机运行过程中的转速，扭矩，功率，轨压，空燃比，油耗量，EGR(废气再循环)率，SOI(喷油时刻)，即可实时准确地预测出发动机的瞬态NOx排放，THC排放，CO排放。

Description

一种发动机排放实时预测方法
技术领域
本发明涉及发动机尾气排放检测，尤其涉及一种发动机排放实时预测方法。
背景技术
目前发动机排放数据获取主要有两种手段，一种是借助CFD软件模拟发动机的缸内燃烧过程，另一种是在发动机台架试验中，通过气体分析仪等仪器测量发动机排放。然而这两种方法都存在一定的局限性，第一种方法需要对发动机燃烧时极为复杂的物理化学反应进行模拟，并且需要构建详细的发动机三维网格模型，排放模拟结果准确性很大程度上受到网格密度与质量的影响，计算时间冗长。而第二种方法所采用的气体分析仪等仪器受环境因素影响较大，不能很好的反映发动机的瞬态排放性能，且大多只能在某一有限范围内提供精确的排放数值，实际使用过程中往往需要构建一整套的配套设备，相关仪器采购及维护费用不菲。
发明内容
本发明的目的在于克服已有技术的缺点，提供一种方法简单且可靠的发动机排放实时预测方法。
本发明解决上述技术问题采用的技术方案为：
一种发动机排放实时预测方法，其特征在于包括以下步骤：
步骤一、获取若干已知的发动机排放历史测试数据样本，所述发动机排放历史测试数据样本包括影响发动机排放的各个评价指标的数值以及发动机在该工况下的排放数值；
步骤二、将所述若干已知的发动机排放历史测试数据样本随机分为训练集和测试集两部分；
步骤三、确定神经网络预测模型的拓扑结构，具体步骤如下：
第一步，将所述发动机排放历史测试数据样本训练集中影响发动机排放的各个评价指标数值作为神经网络的输入，将所述发动机排放历史测试数据样本训练集中发动机在该工况下的排放数值作为神经网络的输出，根据输入输出维数确定神经网络输入层节点数目以及输出层节点数目，然后选取若干不同隐含层节点数对神经网络预测模型进行学习训练；
第二步，对神经网络预测模型训练完成后，得到若干不同隐含层节点数目下的神经网络预测模型，将所述发动机排放历史测试数据样本测试集中影响发动机排放的各个评价指标的数值作为神经网络的输入，分别计算在不同隐含层节点数下神经网络预测值与理论值的均方根误差；
第三步，将神经网络预测模型的预测值与理论值的均方根误差最小对应的隐含层节点数目作为最优隐含层节点数目，将所述的神经网络预测模型中的隐含层节点数目设置为最优隐含层节点数目；
步骤四、采用思维进化算法对步骤三得到的若干相同拓扑结构神经网络预测模型的初始权值及初始阈值进行优化；
步骤五、采用Adaboost算法，将上述思维进化算法得到的若干相同拓扑结构神经网络预测模型的最佳初始权值和最佳初始阈值作为若干相同拓扑结构神经网络预测模型的初始权值和初始阈值，以所述发动机排放历史测试数据样本训练集对各神经网络预测模型进行学习训练，训练完成后，得到若干个神经网络弱预测器，最后将各个神经网络弱预测器组合成为神经网络强预测器模型；
步骤六、实时采集影响发动机排放的各个评价指标数值，将其导入神经网络强预测器模型，获取发动机排放实时预测结果。
本发明的有益效果是：
1.本发明采用思维进化算法优化神经网络的初始权值和初始阈值，避免了由于神经网络早期学习速率较慢陷入局部最优解等问题，并且趋同和异化操作既相同协调又保持一定的独立性，便于提高算法运行效率，且杜绝了传统遗传算法交叉变异操作破坏良好基因的问题，提高了神经网络的算法性能；
2.本发明采用Adaboost算法构建神经网络强预测器模型，避免了单一神经网络泛化能力有限的问题；
3.本发明在使用过程中不必像传统测试方法进行复杂的物理化学反应仿真以及网格设计，也不必斥资购买昂贵的气体分析仪等仪器，仅需要通过简单的测量发动机运行过程中的转速，扭矩，功率，轨压，空燃比，油耗量，EGR率，SOI参数，即可实时准确地给出发动机的瞬时NOx排放，THC排放，CO排放，并且由于神经网络的强大学习能力，当训练样本数据得以增加时，可以使得预测结果更加准确且更加反映实际情况，进而推广到各种情况下任意发动机的排放瞬态测量。
附图说明
图1是本发明方法的发动机排放实时预测方法的整体流程图；
图2是本发明方法的发动机排放实时预测方法训练示意图；
图3是本发明方法的发动机排放实时预测方法工作示意图；
图4是本发明方法所述步骤三中不同隐含层节点数下的预测数据均方根误差(MSE)示意图；
图5是本发明通过思维进化算法优化神经网络初始权值及阈值后再经Adaboost算法组建神经网络强预测器的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的NOx排放预测效果对比图；
图6是本发明通过思维进化算法优化神经网络初始权值及阈值后再经Adaboost算法组建神经网络强预测器的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的NOx排放预测值相对误差对比图；
图7是本发明通过思维进化算法优化神经网络初始权值及阈值后再经Adaboost算法组建神经网络强预测器的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的THC排放预测效果对比图；
图8是本发明通过思维进化算法优化神经网络初始权值及阈值后再经Adaboost算法组建神经网络强预测器的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的THC排放预测值相对误差对比图；
图9是本发明通过思维进化算法优化神经网络初始权值及阈值后再经Adaboost算法组建神经网络强预测器的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的CO排放预测效果对比图；
图10是本发明通过思维进化算法优化神经网络初始权值及阈值后再经Adaboost算法组建神经网络强预测器的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的CO排放预测值相对误差对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1-图10，本发明的一种发动机排放实时预测方法，包括以下步骤：
步骤一、获取若干已知的发动机排放历史测试数据样本，所述发动机排放历史测试数据样本包括影响发动机排放的各个评价指标的数值以及发动机在该工况下的排放数值；所述影响发动机排放的各个评价指标包括转速、扭矩、功率、轨压、空燃比、油耗量、EGR率和SOI，所述发动机在该工况下的排放数值包括NOx排放数值、THC排放数值和CO排放数值。
步骤二、为体现模型的泛化能力，将所述若干已知的发动机排放历史测试数据样本随机分为训练集和测试集两部分，作为本发明的一种实施方式，其中训练集占比90％，测试集占比10％。
步骤三、确定神经网络预测模型的拓扑结构，具体步骤如下：
第一步，将所述发动机排放历史测试数据样本训练集中影响发动机排放的各个评价指标的数值作为神经网络的输入，将所述发动机排放历史测试数据样本训练集中发动机在该工况下的排放数值作为神经网络的输出，根据输入输出维数确定神经网络输入层节点数目以及输出层节点数目，然后选择若干不同隐含层节点数目对神经网络预测模型进行学习训练，作为本发明的一种实施方式，本发明中输入层共有8个节点，输出层共有3个节点，隐含层节点数目范围为2到70，每次递增2个节点，所述训练步骤具体如下：
步骤301，将所述发动机排放历史测试数据样本训练集中各样本i输入k及输出l采用最大-最小标准进行归一化处理，公式为：
Figure BDA0002943807450000041
Figure BDA0002943807450000042
其中，m表示训练集样本总数，p表示输入层节点数目，h表示输出层节点数目，
Figure BDA0002943807450000043
表示训练集中第i个样本的第k个输入，xkmax表示训练集所有样本中第k个输入的最大值，xk min表示训练集所有样本中第k个输入的最小值，
Figure BDA0002943807450000044
表示训练集中第i个样本的第l个输出，yl max表示训练集所有样本中第l个输出的最大值，yl min表示训练集所有样本中第l个输出的最小值；
步骤302，初始化输入层第k个神经元与隐含层第s个神经元之间的连接权值wks，隐含层第s个神经元的阈值as，隐含层第s个神经元与输出层第l个神经元之间的连接权值wsl以及输出层第l个神经元的阈值bl；
步骤303，计算训练集各样本i隐含层输出
Figure BDA0002943807450000045
公式为：
Figure BDA0002943807450000051
其中，
Figure BDA0002943807450000052
表示第i个样本第s个隐含层神经元的输出，g为隐含层节点数目，f为隐含层神经元激励函数，此处选择单曲正切S形函数，示意为：
Figure BDA0002943807450000053
步骤304，计算训练集各样本i输出层输出
Figure BDA0002943807450000054
公式为：
Figure BDA0002943807450000055
其中，
Figure BDA0002943807450000056
表示第i个样本第l个输出层神经元的输出，M为输出层神经元激励函数，此处选择线性函数，公式为：
M(t)＝t (3-6)
步骤305，计算神经网络输出误差，公式为：
Figure BDA0002943807450000057
步骤306，采用梯度下降方法更新输入层第k个神经元与隐含层第s个神经元之间的连接权值wks以及隐含层第s个神经元与输出层第l个神经元之间的连接权值wsl，具体为：
输入层第k个神经元与隐含层第s个神经元之间的连接权值变化量Δwks为：
Figure BDA0002943807450000058
其中，η为设定的学习速率，选择默认值即可，本发明中取为0.01；
则更新后的输入层第k个神经元与隐含层第s个神经元之间的连接权值wks为：
wks＝wks+Δwks k＝1,2,…,p；s＝1,2,…,g (3-9)
隐含层第s个神经元与输出层第l个神经元之间的连接权值变化量Δwsl为：
Figure BDA0002943807450000059
则更新后的隐含层第s个神经元与输出层第l个神经元之间的连接权值wsl为：
wsl＝wsl+Δwsl s＝1,2,…,g；l＝1,2,…,h (3-11)
步骤307，采用梯度下降方法更新隐含层第s个神经元的阈值as以及输出层第l个神经元的阈值bl，具体为：
隐含层第s个神经元的阈值变化量Δas为：
Figure BDA0002943807450000061
则更新后的隐含层第s个神经元的阈值as为：
as＝as+Δas s＝1,2,…,g (3-13)
输出层第l个神经元的阈值变化量Δbl为：
Figure BDA0002943807450000062
则更新后的输出层第l个神经元的阈值bl为：
bl＝bl+Δbl l＝1,2,…,h (3-15)
步骤308，判断算法迭代是否结束，若没有结束，重复步骤303-307，本发明中算法迭代次数设为1000；
第二步，对神经网络预测模型训练完成后，得到若干不同隐含层节点数目下的神经网络预测模型，以均方根误差作为模型精度的衡量，将所述发动机排放历史测试数据样本测试集中影响发动机排放的各个评价指标数值作为神经网络的输入，分别计算在不同隐含层节点数下神经网络预测值与理论值的均方根误差，所述均方根误差计算方法如公式(3-16)所示：
Figure BDA0002943807450000063
其中，n为测试集样本总数，h表示输出层节点数目，Yl j为测试集第j个样本第l个输出未经归一化处理之前的理论值，O′l j为经神经网络预测得到的测试集第j个样本第l个输出
Figure BDA0002943807450000064
经反归一化所得到的预测值，所述反归一化方法如公式(3-17)所示：
Figure BDA0002943807450000065
其中，yl max表示训练集所有样本中第l个输出的最大值，yl min表示训练集所有样本中第l个输出的最小值；
第三步，将神经网络预测模型的预测值与理论值的均方根误差最小对应的隐含层节点数目作为最优隐含层节点数目，将所述的神经网络预测模型中的隐含层节点数目设置为最优隐含层节点数目；
作为本发明的一种实施方式，本发明计算结束后，得到不同隐含层节点数下神经网络预测值与理论值的均方根误差示意图如图4所示，可看到在隐含层节点数目为16的情况下神经网络预测值与理论值的均方根误差最小，因此在下述各步骤中神经网络的隐含层节点数值均设置为16。
在一般神经网络模型中，设置的隐含层节点一般采用默认值20，因此本步骤的目的是为了更贴切实际问题选取更好的隐含层节点数目以在粗略的角度上提高最终模型的精度。
步骤四、采用思维进化算法对对步骤三得到的若干相同拓扑结构神经网络预测模型的初始权值及初始阈值进行优化，具体步骤如下：
步骤401，采用Matlab软件设置思维进化算法运行参数，设置的运行参数包括神经网络预测模型拓扑结构、编码方式、迭代次数、种群规模、优胜子种群和临时子种群；
在本发明中，所述神经网络预测模型拓扑结构由所述步骤三确定，迭代次数为100，种群规模为600，优胜子种群数量q以及临时子种群数量z均为10，即每个子种群中各有30个个体，个体编码方式为实数编码，编码长度t为：
t＝pg+gh+g+h (4-1)
其中，p为神经网络预测模型输入层节点数，g为神经网络预测模型隐含层节点数，h为神经网络预测模型输出层节点数，本发明中取p＝8，g＝16，h＝3；
步骤402，随机产生优胜子种群以及临时子种群，各个优胜子种群以及临时子种群内部执行趋同操作，直至各优胜子种群及临时子种群成熟，即不再产生得分更高的个体，趋同操作停止，并以各优胜子种群及临时子种群中的最优个体作为该子种群的得分；
作为本发明的一种实施方式，具体步骤为：
步骤4021，定义各个优胜子种群以及临时子种群中个体的得分函数，步骤为：
首先，分别对各优胜子种群以及临时子种群中的各个个体进行解码，得到对应于每个个体的神经网络连接权值矩阵及阈值矩阵，步骤为：
将每一个子种群中的个体第1个到第p*g个元素按列的顺序变换为第一连接权值矩阵wp×g，即先存放满矩阵第一列，再依次存放满其他列，所述的第一连接权值矩阵中每个元素与所述步骤三中的输入层神经元到隐含层神经元的连接权值wks一致；将个体第p*g+1个元素到第p*g+g*h个元素按列的顺序变换为第二连接权值矩阵wg×h，所述的第二连接权值矩阵中每个元素与所述步骤三中隐含层神经元到输出层神经元的连接权值wsl一致；将个体第p*g+g*h+1个元素到第p*g+g*h+g个元素按列的顺序变换为第一阈值矩阵wg×1，所述的第一阈值矩阵中每个元素与所述步骤三中隐含层神经元的阈值as一致；将个体第p*g+g*h+g+1个元素到第p*g+g*h+g+h个元素按列的顺序变换为第二阈值矩阵wh×1，所述的第二阈值矩阵中每个元素与所述步骤三中输出层神经元的阈值bl一致；
个体解码完成之后，将所述发动机排放历史测试数据样本训练集中影响发动机排放的各个评价指标数值作为神经网络预测模型的输入，将所述发动机排放历史测试数据样本训练集中发动机在该工况下的排放数值作为神经网络预测模型的输出，按照公式(3-1)-(3-6)计算神经网络预测模型的输出，并按照公式(4-3)所示的均方根误差计算方式计算神经网络预测模型输出的均方根误差MSE，以MSE的倒数作为个体的得分val，公式为：
Figure BDA0002943807450000081
Figure BDA0002943807450000082
其中，m为训练集样本总数，h表示输出层节点数目，
Figure BDA0002943807450000083
为训练集第i个样本第l个输出未经归一化处理之前的理论值，
Figure BDA0002943807450000084
为按照公式(3-1)-(3-6)计算得到的训练集第i个样本的的第l个输出
Figure BDA0002943807450000085
经反归一化所得到的预测值；
步骤4022，全局范围内随机产生q+z个个体，其中q为优胜子种群数量，z为临时子种群数量，依据公式4-2计算各个个体得分，按照个体得分降序将前q个个体依次作为q个优胜子种群的中心，后z个个体依次作为z个临时子种群的中心，从各个优胜子种群以及临时子种群中心按照正态分布规则产生新个体以形成各个初始优胜子种群以及临时子种群；
步骤4023，各个初始优胜子种群以及临时子种群内部执行趋同操作，具体过程为：分别计算各个初始优胜子种群以及临时子种群中全部个体的得分，若某个初始优胜子种群或初始临时子种群中存在得分高于该子种群中心得分的个体，则以该个体作为该子种群新的中心，并服从正态分布规则从新的中心产生新个体以形成新的子种群，直至该子种群中不再产生得分高于该子种群中心得分的个体，则称该子种群已经成熟，趋同操作停止，并以该子种群中心得分作为该子种群的得分；
步骤403，趋同操作完成后，各个优胜子种群与各个临时子种群之间执行异化操作，然后执行步骤404，所述各个优胜子种群与各个临时子种群之间执行异化操作的过程为：若某个临时子种群得分高于某个优胜子种群得分，则该优胜子种群被获胜的临时子种群替代形成新的优胜子种群，原优胜子种群中的个体被释放，并重新在全局搜索形成新的临时子种群以补充临时子种群数目；若某个临时子种群得分低于任意一个优胜子种群得分，则该临时子种群中的个体被释放，并重新在全局搜索形成新的临时子种群；若某个临时子种群得分等于任意一个优胜子种群得分，则不进行任何操作；
步骤404，按照步骤4023的方法对步骤403得到的新的临时子种群和优胜子种群进行趋同操作,然后重复步骤403，直至迭代结束，计算全局最优个体，对个体进行解码获取神经网络预测模型最佳初始权值和最佳初始阈值。
步骤五、采用Adaboost算法，将上述思维进化算法得到的若干相同拓扑结构神经网络预测模型的最佳初始权值和最佳初始阈值作为若干相同拓扑结构神经网络预测模型的初始权值和初始阈值，以所述发动机排放历史测试数据样本训练集对各神经网络预测模型进行学习训练，训练完成后，得到若干个神经网络弱预测器，最后将各个神经网络弱预测器组合成为神经网络强预测器模型，具体步骤为：
步骤501，初始化各神经网络弱预测器的训练集各样本i分布权值，公式为：
Dt(i)＝1/m t＝1,2,…,v；i＝1,2,…,m (5-1)
其中，v为神经网络弱预测器总数，本发明中取为40，m为训练集样本总数；
步骤502，按照所述步骤三中的神经网络训练步骤训练第t个神经网络弱预测器，并计算训练集各样本i输出误差
Figure BDA0002943807450000091
公式为：
Figure BDA0002943807450000092
其中，
Figure BDA0002943807450000093
表示第t个神经网络弱预测器第i个样本的第l个输出的理论值，
Figure BDA0002943807450000094
表示第t个神经网络弱预测器第i个样本的第l个输出的预测值，h表示输出变量总数，本发明中取为3；
步骤503，更新第t+1个神经网络弱预测器训练集各样本i分布权值：若第t个神经网络弱预测器的训练集各样本i输出误差
Figure BDA0002943807450000095
大于设定阈值c，则按照公式(5-3)更新第t+1个神经网络弱预测器训练集各样本分布权值；若第t个神经网络弱预测器的训练集各样本i输出误差
Figure BDA0002943807450000101
小于或等于设定阈值c，则其样本分布权值保持不变，更新完毕后按照公式(5-4)归一化各样本i分布权值，本发明中阈值c取为0.4；
Dt+1(i)＝1.2*Dt(i) (5-3)
Figure BDA0002943807450000102
步骤504，计算第t个神经网络弱预测器分布权重at，公式为：
Figure BDA0002943807450000103
其中，v为神经网络弱预测器总数，
Figure BDA0002943807450000104
步骤505，重复步骤502-504，直至t个神经网络弱预测器全部训练完成；
步骤506，构建神经网络强预测器：按照公式(5-6)归一化各神经网络弱预测器分布权重，并按照公式(5-7)组合各神经网络弱预测器形成神经网络强预测器模型。
Figure BDA0002943807450000105
Figure BDA0002943807450000106
其中，at为第t个神经网络弱预测器的分布权重，outputj表示神经网络强预测器对于待预测数据集第j个样本的预测输出，Yt j表示训练完成后的第t个神经网络弱预测器对于待预测数据集第j个样本的预测输出，j＝1,2,…,n，n为待预测数据集样本总数。
步骤六、实时采集影响发动机排放的各个评价指标数值，将其导入神经网络强预测器模型，获取发动机排放实时预测结果。
进一步的，所述步骤一中的发动机排放数值由气体分析仪分析得到，所述步骤一和步骤六中影响发动机排放的各个评价指标数值均由数据采集模块采集得到。
实施例：
选取100组发动机排放历史测试数据样本，从中随机选取90组样本对本发明提出的发动机排放实时预测方法中采用的预测模型进行训练，以剩下的10组样本作为测试集以检验本发明方法的精度，得到：
1.本发明提出的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的NOx排放预测效果对比图如图5所示；
2.本发明提出的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的NOx排放预测值相对误差对比图如图6所示；
3.本发明提出的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的THC排放预测效果对比图如图7所示；
4.本发明提出的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的THC排放预测值相对误差对比图如图8所示；
5.本发明提出的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的CO排放预测效果对比图如图9所示；
6.本发明提出的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的CO排放预测值相对误差对比图如图10所示；所述相对误差计算公式示意为：
Figure BDA0002943807450000111
其中，errorl j表示第j个样本第l个输出的相对误差，
Figure BDA0002943807450000112
表示第j个样本第l个输出的理论值，
Figure BDA0002943807450000113
表示第j个样本第l个输出的预测值；
采用公式(3-16)所示的均方根误差作为模型预测精度的衡量标准，计算得到：
1.在NOx排放预测精度上，本发明提出的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的NOx排放预测结果均方根误差分别为952.4699，112226.2066，29886.4149，相较于未经过任何优化的神经网络，本发明存在高达约117.8倍的精度提升，相较于仅优化初始权值阈值的神经网络，本发明也存在约31.3倍的精度提升；
2.在THC排放预测精度上，本发明提出的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的THC排放预测结果均方根误差分别为13.4988，116.1970，100.5901，相较于未经过任何优化的神经网络，本发明存在高达约8.6倍的精度提升，相较于仅优化初始权值阈值的神经网络，本发明也存在约7.5倍的精度提升；
3.在CO排放预测精度上，本发明提出的发动机排放实时预测方法与未经过任何优化及只经过初始权值阈值优化的神经网络的CO排放预测结果均方根误差分别为71.1940，5745.1125,432.5997，相较于未经过任何优化的神经网络，本发明存在高达约80.7倍的精度提升，相较于仅优化初始权值阈值的神经网络，本发明也存在约6.1倍的精度提升。
在采用更大量的数据集样本的情况下，可以使得本发明排放预测结果更加准确且更加反映实际情况，进而推广到各种情况下任意发动机的排放瞬态测量。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，但均应落在本发明的保护范围之内。

Claims (5)

1.一种发动机排放实时预测方法，其特征在于，包括以下步骤：
步骤一、获取若干已知的发动机排放历史测试数据样本，所述发动机排放历史测试数据样本包括影响发动机排放的各个评价指标的数值以及发动机在该工况下的排放数值；
步骤二、将所述若干已知的发动机排放历史测试数据样本随机分为训练集和测试集两部分；
步骤三、确定神经网络预测模型的拓扑结构，具体步骤如下：
第一步，将所述发动机排放历史测试数据样本训练集中影响发动机排放的各个评价指标的数值作为神经网络的输入，将所述发动机排放历史测试数据样本训练集中发动机在该工况下的排放数值作为神经网络的输出，根据输入输出维数确定神经网络输入层节点数目以及输出层节点数目，然后选取若干不同隐含层节点数对神经网络预测模型进行训练；
第二步，对神经网络预测模型训练完成后，得到若干不同隐含层节点数目下的神经网络预测模型，将所述发动机排放历史测试数据样本测试集中影响发动机排放的各个评价指标的数值作为神经网络的输入，分别计算在不同隐含层节点数下神经网络预测值与理论值的均方根误差；
第三步，将神经网络预测模型的预测值与理论值的均方根误差最小对应的隐含层节点数目作为最优隐含层节点数目，将所述的神经网络预测模型中的隐含层节点数目设置为最优隐含层节点数目；
步骤四、采用思维进化算法对步骤三得到的若干相同拓扑结构神经网络预测模型的初始权值及初始阈值进行优化；
步骤五、采用Adaboost算法，将上述思维进化算法得到的若干相同拓扑结构神经网络预测模型的最佳初始权值和最佳初始阈值作为若干相同拓扑结构神经网络预测模型的初始权值和初始阈值，以所述发动机排放历史测试数据样本训练集对各神经网络预测模型进行学习训练，训练完成后，得到若干个神经网络弱预测器，最后将各个神经网络弱预测器组合成为神经网络强预测器模型；
步骤六、实时采集影响发动机排放的各个评价指标数值，将其导入神经网络强预测器模型，获取发动机排放实时预测结果。
2.根据权利要求1所述的一种发动机排放实时预测方法，其特征在于：所述步骤三第一步的训练步骤具体如下：
步骤301，将所述发动机排放历史测试数据样本训练集中各样本i输入k及输出l采用最大-最小标准进行归一化处理，公式为：
Figure FDA0002943807440000021
Figure FDA0002943807440000022
其中，m表示训练集样本总数，p表示输入层节点数目，h表示输出层节点数目，
Figure FDA0002943807440000023
表示训练集中第i个样本的第k个输入，xkmax表示训练集所有样本中第k个输入的最大值，xkmin表示训练集所有样本中第k个输入的最小值，
Figure FDA0002943807440000024
表示训练集中第i个样本的第l个输出，ylmax表示训练集所有样本中第l个输出的最大值，ylmin表示训练集所有样本中第l个输出的最小值；
步骤302，初始化输入层第k个神经元与隐含层第s个神经元之间的连接权值wks，隐含层第s个神经元的阈值as，隐含层第s个神经元与输出层第l个神经元之间的连接权值wsl以及输出层第l个神经元的阈值bl；
步骤303，计算训练集各样本i隐含层输出
Figure FDA0002943807440000025
公式为：
Figure FDA0002943807440000026
其中，
Figure FDA00029438074400000212
表示第i个样本第s个隐含层神经元的输出，g为隐含层节点数目，f为隐含层神经元激励函数，此处选择单曲正切S形函数，示意为：
Figure FDA0002943807440000027
步骤304，计算训练集各样本i输出层输出
Figure FDA0002943807440000028
公式为：
Figure FDA0002943807440000029
其中，
Figure FDA00029438074400000210
表示第i个样本第l个输出层神经元的输出，M为输出层神经元激励函数，选择线性函数，公式为：
M(t)＝t (3-6)
步骤305，计算神经网络输出误差，公式为：
Figure FDA00029438074400000211
步骤306，采用梯度下降方法更新输入层第k个神经元与隐含层第s个神经元之间的连接权值wks以及隐含层第s个神经元与输出层第l个神经元之间的连接权值wsl，具体为：
输入层第k个神经元与隐含层第s个神经元之间的连接权值变化量Δwks为：
Figure FDA0002943807440000031
其中，η为设定的学习速率；
则更新后的输入层第k个神经元与隐含层第s个神经元之间的连接权值wks为：
wks＝wks+Δwks k＝1,2,…,p；s＝1,2,…,g (3-9)
隐含层第s个神经元与输出层第l个神经元之间的连接权值变化量Δwsl为：
Figure FDA0002943807440000032
则更新后的隐含层第s个神经元与输出层第l个神经元之间的连接权值wsl为：
wsl＝wsl+Δwsl s＝1,2,…,g；l＝1,2,…,h (3-11)
步骤307，采用梯度下降方法更新隐含层第s个神经元的阈值as以及输出层第l个神经元的阈值bl，具体为：
隐含层第s个神经元的阈值变化量Δas为：
Figure FDA0002943807440000033
则更新后的隐含层第s个神经元的阈值as为：
as＝as+Δas s＝1,2,…,g (3-13)
输出层第l个神经元的阈值变化量Δbl为：
Figure FDA0002943807440000034
则更新后的输出层第l个神经元的阈值bl为：
bl＝bl+Δbl l＝1,2,…,h (3-15)
步骤308，判断算法迭代是否结束，若没有结束，重复步骤303-307。
3.根据权利要求2所述的一种发动机排放实时预测方法，其特征在于：所述步骤四的具体步骤如下：
步骤401，采用Matlab软件设置思维进化算法运行参数，设置的运行参数包括神经网络预测模型拓扑结构、编码方式、迭代次数、种群规模、优胜子种群和临时子种群；
所述的个体编码方式为实数编码，编码长度t为：
t＝pg+gh+g+h (4-1)
其中，p为神经网络预测模型输入层节点数，g为神经网络预测模型隐含层节点数，h为神经网络预测模型输出层节点数；
步骤402，随机产生优胜子种群以及临时子种群，各个优胜子种群以及临时子种群内部执行趋同操作，直至各优胜子种群及临时子种群成熟，趋同操作停止，并以各优胜子种群及临时子种群中的最优个体作为该子种群的得分，具体为：
步骤4021，定义各个优胜子种群以及临时子种群中个体的得分函数，步骤为：
首先，分别对各优胜子种群以及临时子种群中的各个个体进行解码，得到对应于每个个体的神经网络连接权值矩阵及阈值矩阵，步骤为：
将每一个子种群中的个体第1个到第p*g个元素按列的顺序变换为第一连接权值矩阵wp×g，即先存放满矩阵第一列，再依次存放满其他列，所述的第一连接权值矩阵中每个元素与所述步骤三中的输入层神经元到隐含层神经元的连接权值wks一致；将个体第p*g+1个元素到第p*g+g*h个元素按列的顺序变换为第二连接权值矩阵wg×h，所述的第二连接权值矩阵中每个元素与所述步骤三中隐含层神经元到输出层神经元的连接权值wsl一致；将个体第p*g+g*h+1个元素到第p*g+g*h+g个元素按列的顺序变换为第一阈值矩阵wg×1，所述的第一阈值矩阵中每个元素与所述步骤三中隐含层神经元的阈值as一致；将个体第p*g+g*h+g+1个元素到第p*g+g*h+g+h个元素按列的顺序变换为第二阈值矩阵wh×1，所述的第二阈值矩阵中每个元素与所述步骤三中输出层神经元的阈值bl一致；
个体解码完成之后，将所述发动机排放历史测试数据样本训练集中影响发动机排放的各个评价指标的数值作为神经网络预测模型的输入，将所述发动机排放历史测试数据样本训练集中发动机在该工况下的排放数值作为神经网络预测模型的输出，按照公式(3-1)-(3-6)计算神经网络预测模型的输出，并按照公式
Figure FDA0002943807440000051
计算神经网络预测模型输出的均方根误差MSE，以MSE的倒数作为个体的得分val，公式为：
Figure FDA0002943807440000052
其中，m为训练集样本总数，h表示输出层节点数目，
Figure FDA0002943807440000053
为训练集第i个样本第l个输出未经归一化处理之前的理论值，
Figure FDA0002943807440000054
为按照公式(3-1)-(3-6)计算得到的训练集第i个样本的的第l个输出
Figure FDA0002943807440000055
经反归一化所得到的预测值，所述反归一化方法公式为：
Figure FDA0002943807440000056
其中，ylmax表示训练集所有样本中第l个输出的最大值，ylmin表示训练集所有样本中第l个输出的最小值；
步骤4022，全局范围内随机产生q+z个个体，其中q为优胜子种群数量，z为临时子种群数量，依据公式4-2计算各个个体得分，按照个体得分降序将前q个个体依次作为q个优胜子种群的中心，后z个个体依次作为z个临时子种群的中心，从各个优胜子种群以及临时子种群中心按照正态分布规则产生新个体以形成各个初始优胜子种群以及临时子种群；
步骤4023，各个初始优胜子种群以及临时子种群内部执行趋同操作，具体过程为：分别计算各个初始优胜子种群以及临时子种群中全部个体的得分，若某个初始优胜子种群或初始临时子种群中存在得分高于该子种群中心得分的个体，则以该个体作为该子种群新的中心，并服从正态分布规则从新的中心产生新个体以形成新的子种群，直至该子种群中不再产生得分高于该子种群中心得分的个体，则称该子种群已经成熟，趋同操作停止，并以该子种群中心得分作为该子种群的得分；
步骤403，趋同操作完成后，各个优胜子种群与各个临时子种群之间执行异化操作，然后执行步骤404，所述各个优胜子种群与各个临时子种群之间执行异化操作的过程为：若某个临时子种群得分高于某个优胜子种群得分，则该优胜子种群被获胜的临时子种群替代形成新的优胜子种群，原优胜子种群中的个体被释放，并重新在全局搜索形成新的临时子种群以补充临时子种群数目；若某个临时子种群得分低于任意一个优胜子种群得分，则该临时子种群中的个体被释放，并重新在全局搜索形成新的临时子种群；若某个临时子种群得分等于任意一个优胜子种群得分，则不进行任何操作；
步骤404，按照步骤4023的方法对步骤403得到的新的临时子种群和优胜子种群进行趋同操作,然后重复步骤403，直至迭代结束，计算全局最优个体，对个体进行解码获取神经网络预测模型最佳初始权值和最佳初始阈值。
4.根据权利要求1-3之一所述的一种发动机排放实时预测方法，其特征在于：所述步骤五的具体步骤为：
步骤501，初始化各神经网络弱预测器的训练集各样本i分布权值，公式为：
Dt(i)＝1/m t＝1,2,…,v；i＝1,2,…,m (5-1)
其中，v为神经网络弱预测器总数，m为训练集样本总数；
步骤502，按照所述步骤三中的神经网络训练步骤训练第t个神经网络弱预测器，并计算训练集各样本i输出误差
Figure FDA0002943807440000061
公式为：
Figure FDA0002943807440000062
其中，
Figure FDA0002943807440000063
表示第t个神经网络弱预测器第i个样本的第l个输出的理论值，
Figure FDA0002943807440000064
表示第t个神经网络弱预测器第i个样本的第l个输出的预测值，h表示输出变量总数；
步骤503，更新第t+1个神经网络弱预测器训练集各样本i分布权值：若第t个神经网络弱预测器的训练集各样本i输出误差
Figure FDA0002943807440000065
大于设定阈值c，则按照公式(5-3)更新第t+1个神经网络弱预测器训练集各样本分布权值；若第t个神经网络弱预测器的训练集各样本i输出误差
Figure FDA0002943807440000066
小于或等于设定阈值c，则其样本分布权值保持不变，更新完毕后按照公式(5-4)归一化各样本i分布权值；
Dt+1(i)＝1.2*Dt(i) (5-3)
Figure FDA0002943807440000067
步骤504，计算第t个神经网络弱预测器分布权重at，公式为：
Figure FDA0002943807440000068
其中，v为神经网络弱预测器总数，
Figure FDA0002943807440000069
步骤505，重复步骤502-504，直至t个神经网络弱预测器全部训练完成；
步骤506，构建神经网络强预测器：按照公式(5-6)归一化各神经网络弱预测器分布权重，并按照公式(5-7)组合各神经网络弱预测器形成神经网络强预测器模型；
Figure FDA0002943807440000071
Figure FDA0002943807440000072
其中，at为第t个神经网络弱预测器的分布权重，outputj表示神经网络强预测器对于待预测数据集第j个样本的预测输出，
Figure FDA0002943807440000073
表示训练完成后的第t个神经网络弱预测器对于待预测数据集第j个样本的预测输出，j＝1,2,…,n，n为待预测数据集样本总数。
5.根据权利要求4所述的一种发动机排放实时预测方法，其特征在于：所述影响发动机排放的各个评价指标包括转速、扭矩、功率、轨压、空燃比、油耗量、EGR率和SOI，所述发动机在该工况下的排放数值包括NOx排放数值、THC排放数值和CO排放数值。
CN202110190224.3A 2021-02-18 2021-02-18 一种发动机排放实时预测方法 Pending CN112861436A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110190224.3A CN112861436A (zh) 2021-02-18 2021-02-18 一种发动机排放实时预测方法
US17/674,762 US20220261655A1 (en) 2021-02-18 2022-02-17 Real-time prediction method for engine emission

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110190224.3A CN112861436A (zh) 2021-02-18 2021-02-18 一种发动机排放实时预测方法

Publications (1)

Publication Number Publication Date
CN112861436A true CN112861436A (zh) 2021-05-28

Family

ID=75989712

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110190224.3A Pending CN112861436A (zh) 2021-02-18 2021-02-18 一种发动机排放实时预测方法

Country Status (2)

Country Link
US (1) US20220261655A1 (zh)
CN (1) CN112861436A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554153A (zh) * 2021-07-23 2021-10-26 潍柴动力股份有限公司 氮氧化物排放量预测方法、装置、计算机设备及介质
CN113722837A (zh) * 2021-09-16 2021-11-30 吉林大学 根据不同工况的数据簇建立柴油车辆油耗与排放模型方法
CN113971320A (zh) * 2021-10-15 2022-01-25 常熟理工学院 一种冲压发动机推力性能的实时优化方法
CN114969962A (zh) * 2022-04-22 2022-08-30 南栖仙策(南京)科技有限公司 车辆rde排放恶劣工况的生成方法、装置、设备及存储介质
CN115324698A (zh) * 2022-08-09 2022-11-11 上海交通大学 基于神经网络的柴油机尾气分析传感方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103410592A (zh) * 2013-07-18 2013-11-27 武汉理工大学 基于曲轴角速度传感器的柴油机NOx原始排放量预测方法
WO2018126984A2 (zh) * 2017-01-06 2018-07-12 江南大学 一种基于mea-bp神经网络wsn异常检测方法
CN110145403A (zh) * 2019-04-12 2019-08-20 华北水利水电大学 一种降低氢发动机发生早燃的方法及装置
CN110276476A (zh) * 2019-05-27 2019-09-24 南京信息工程大学 一种基于pso-rbf神经网络的汽车发动机烟度预测方法
CN111160650A (zh) * 2019-12-31 2020-05-15 杭州电子科技大学 一种基于Adaboost算法的交通流特性分析与预测方法
CN112241609A (zh) * 2020-10-15 2021-01-19 吉林大学 柴油机NOx排放实时估计系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103410592A (zh) * 2013-07-18 2013-11-27 武汉理工大学 基于曲轴角速度传感器的柴油机NOx原始排放量预测方法
WO2018126984A2 (zh) * 2017-01-06 2018-07-12 江南大学 一种基于mea-bp神经网络wsn异常检测方法
CN110145403A (zh) * 2019-04-12 2019-08-20 华北水利水电大学 一种降低氢发动机发生早燃的方法及装置
CN110276476A (zh) * 2019-05-27 2019-09-24 南京信息工程大学 一种基于pso-rbf神经网络的汽车发动机烟度预测方法
CN111160650A (zh) * 2019-12-31 2020-05-15 杭州电子科技大学 一种基于Adaboost算法的交通流特性分析与预测方法
CN112241609A (zh) * 2020-10-15 2021-01-19 吉林大学 柴油机NOx排放实时估计系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
宋万清 等: "《数据挖掘》", 31 January 2019, 中国铁道出版社, pages: 112 - 117 *
朱晨飞 等: ""一种改进的BP-AdaBoost算法及应用研究"", 《现代电子技术》, vol. 42, no. 19, 1 October 2019 (2019-10-01), pages 1 *
杜晓: ""基于MEA-BP模型的股票预测研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》, no. 01, 15 January 2016 (2016-01-15) *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554153A (zh) * 2021-07-23 2021-10-26 潍柴动力股份有限公司 氮氧化物排放量预测方法、装置、计算机设备及介质
CN113722837A (zh) * 2021-09-16 2021-11-30 吉林大学 根据不同工况的数据簇建立柴油车辆油耗与排放模型方法
CN113722837B (zh) * 2021-09-16 2023-09-29 吉林大学 根据不同工况的数据簇建立柴油车辆油耗与排放模型方法
CN113971320A (zh) * 2021-10-15 2022-01-25 常熟理工学院 一种冲压发动机推力性能的实时优化方法
CN113971320B (zh) * 2021-10-15 2024-04-26 常熟理工学院 一种冲压发动机推力性能的实时优化方法
CN114969962A (zh) * 2022-04-22 2022-08-30 南栖仙策(南京)科技有限公司 车辆rde排放恶劣工况的生成方法、装置、设备及存储介质
CN114969962B (zh) * 2022-04-22 2024-02-20 南栖仙策(南京)科技有限公司 车辆rde排放恶劣工况的生成方法、装置、设备及存储介质
CN115324698A (zh) * 2022-08-09 2022-11-11 上海交通大学 基于神经网络的柴油机尾气分析传感方法
CN115324698B (zh) * 2022-08-09 2023-06-16 上海交通大学 基于神经网络的柴油机尾气分析传感方法

Also Published As

Publication number Publication date
US20220261655A1 (en) 2022-08-18

Similar Documents

Publication Publication Date Title
CN112861436A (zh) 一种发动机排放实时预测方法
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及系统
CN110598854A (zh) 一种基于gru模型的台区线损率预测方法
CN109190839B (zh) 一种融合风向的铁路沿线风速智能滚动预测方法
CN108804800A (zh) 基于回声状态网络的锂离子电池soc在线预测方法
CN112765902B (zh) 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法
CN114239397A (zh) 基于动态特征提取与局部加权深度学习的软测量建模方法
CN112163371A (zh) 一种变压器套管状态评估方法
CN114548494B (zh) 一种可视化造价数据预测智能分析系统
CN111798057A (zh) 一种基于模糊层次盈利分析的充电场站选址方法
CN117370766A (zh) 一种基于深度学习的卫星任务规划方案评估方法
CN116187835A (zh) 一种基于数据驱动的台区理论线损区间估算方法及系统
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN115688581A (zh) 油气集输站设备参数预警方法、系统、电子设备及介质
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
CN113049259B (zh) 台架控制系统的模糊控制方法、存储介质及设备
CN110851784A (zh) 一种现场运行电能表的预警方法
CN109359741A (zh) 一种废水处理进水水质时序变化智能预测方法
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN116306226B (zh) 一种燃料电池性能退化预测方法
CN116842358A (zh) 一种基于多尺度卷积和自适应特征融合的软测量建模方法
CN116662925A (zh) 一种基于加权稀疏神经网络工业过程软测量方法
CN116247658A (zh) 一种基于dlrm深度学习模型的光伏发电量预测方法
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
CN114626594A (zh) 一种基于聚类分析和深度学习的中长期电量预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210528