CN113705890A - 一种基于近似模型的柴油机排放污染物控制方法 - Google Patents
一种基于近似模型的柴油机排放污染物控制方法 Download PDFInfo
- Publication number
- CN113705890A CN113705890A CN202110995315.4A CN202110995315A CN113705890A CN 113705890 A CN113705890 A CN 113705890A CN 202110995315 A CN202110995315 A CN 202110995315A CN 113705890 A CN113705890 A CN 113705890A
- Authority
- CN
- China
- Prior art keywords
- diesel engine
- soot
- nox
- emission
- model
- 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.)
- Granted
Links
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 47
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 47
- 239000000243 solution Substances 0.000 claims abstract description 68
- 239000004071 soot Substances 0.000 claims abstract description 62
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 238000002347 injection Methods 0.000 claims abstract description 31
- 239000007924 injection Substances 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000446 fuel Substances 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 2
- 230000002068 genetic effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 14
- 239000003921 oil Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 239000000295 fuel oil Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000010710 diesel engine oil Substances 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于近似模型的柴油机排放污染物控制方法，将支持向量机（SVM）和带精英策略的非支配排序遗传算法（NSGA‑Ⅱ）引入到柴油机排放污染物控制领域中，设计柴油机排放污染物控制方法。建立关于控制变量的SVM近似模型，在近似模型的基础上，以柴油机SOOT和NOx排放量最小为目标函数，柴油机运行工况数据以及相应工况下的喷油参数为决策变量，利用NSGA‑Ⅱ求解SOOT和NOx的Pareto最优解，最后通过Topsis方法对Pareto最优解进行评估分析，为优化解的选取提供决策。本发明提供的控制方法计算效率高，且计算准确度高，能够有效解决柴油机SOOT和NOx之间的“Trade‑off”关系，可以广泛应用于柴油机污染物排放控制的多目标优化研究中。
Description
技术领域
本发明涉及柴油排放污染物控制技术领域，尤其涉及一种基于SVM和NSGA-Ⅱ的柴油机排放污染物控制方法，具体为一种基于近似模型的柴油机排放污染物控制方法。
背景技术
柴油机具有热效率高、经济性好、动力强劲、可靠性高和服役寿命长等优点，广泛应用在工业、农业、运输和建筑等行业，对人类出行和国家经济建设起着重要作用。由于电控柴油机直喷化进而导致燃油与空气混合时间短，燃油挥发性差从而导致燃油与空气混合均匀度低，SOOT和NOx排放量大。此外，柴油机性能主要是由扩散燃烧方式决定的，柴油机的SOOT与NOx排放是相互制约且存在明显的“Trade-off”关系，在对柴油机排放性能进行优化的时候必须要同时兼顾。
传统的方法通过单独调整某一参数对柴油机性能进行优化分析，忽略了柴油机系统的整体性和参数之间的内在联系，优化结果对人为因素的依赖性强，优化效果有效。SVM能够充分利用样本信息，在训练样本的学习精度与识别准确度之间寻找最佳点，能够有效避免二次规划的求解问题，而带精英策略的非支配排序遗传算法(NSGA-Ⅱ)根据自然界生物适者生存和优胜劣汰的选择机制自适应的指导搜索方向，具有优良的全局寻优能力，能够在各目标之间进行协调，寻求折中解，使柴油机排放性能达到最佳，具有较大的优化改进空间。
发明内容
为了解决上述问题，本发明提出了一种基于近似模型的柴油机排放污染物控制方法。将SVM近似模型方法引入到柴油机排放污染物控制领域中，筛选影响柴油机污染物排放量的关键因素，选取柴油机典型运行工况，建立了柴油机喷油参数与排放污染物之间的支持向量机近似模型。在此模型的基础上，以SOOT和NOx排放量最小为目标函数，HC、CO、爆发压力以及燃油消耗量波动率不高于10％测量值为约束条件，利用NSGA-Ⅱ算法求解SOOT和NOx的Pareto最优解，最后通过Topsis多属性决策方法对SOOT和NOx的Pareto最优解进行抉择，改善了SOOT和NOx之间的“Trade-off”关系，实现了对柴油机SOOT和NOx污染物排放量的控制。
为达到以上目的，一种基于近似模型的柴油机排放污染物控制方法，包括以下步骤：
设计柴油机排放污染物控制方法；
建立关于控制变量的SVM预测模型；
基于NSGA-Ⅱ算法，确定SOOT和NOx的Pareto最优解；
基于Topsis多属性决策算法对SOOT和NOx的Pareto最优进行优劣解排序。
1.设计柴油机排放污染物控制方法
选取柴油机的不同运行工况对应的喷油参数(预喷油量、主喷正时、预喷正时和喷射压力)作为优化变量，取柴油机的SOOT和NOx排放量为目标变量。
2.建立关于控制变量的SVM预测模型
建立关于控制变量的SVM预测模型的具体过程为：随机选取柴油机不同运行工况下喷油参数和排放量测量值作为训练集，利用训练集对建立的SVM模型进行训练。
3.基于NSGA-Ⅱ算法，确定SOOT和NOx的Pareto最优解。
采用NSGA-Ⅱ算法对柴油机喷油参数进行优化，确定柴油机SOOT和NOx的Pareto最优解集，使SOOT和NOx污染物排放量同时降低，提高了柴油机整机的排放水平；其多目标求解问题用下式进行描述：
4.基于Topsis多属性决策算法对Pareto最优解进行优劣解排序。
基于Topsis方法进行评估分析，构造的决策矩阵可以描述为：
其中，R为SOOT和NOxPareto最优解归一化的属性矩阵，W为权重矩阵，
和
分别为SOOT和NOx Pareto最优解的归一化目标变量，w1和w2为SOOT和NOx Pareto最优解的归一化目标变量的权重值，决策矩阵A中包含n个备选方案，每个方案中包含2个评价指标，式中An1、An2为属性变量；
备选方案与理想解的相对贴近度可以描述为：
i＝1,2,…,n，
其中
和
分别为计算备选方案到理想解的正、负距离，
和
分别为决策矩阵中每列的最小值和最大值；根据相对贴近度对最优解集进行排序。
上述方案为保证各变量处于相同的初始状态，赋予每个优化变量相同的初始权值，对优化变量、目标变量采用归一化处理。
训练集的排放量测量值和模型预测输出值的均方误差作为模型参数是否最优的评价指标，对影响模型性能的核函数参数和惩罚因子进行优化。
通过对测试集喷油参数的模型预测输出值与喷油参数相应的排放变量测量值进行对比，评估预测模型的可信性。
相比于NOx排放物，SOOT对环境造成的污染更为严重，在对柴油机排放性能优化的时候应该优先考虑，即SOOT的权重高于NOx的权重。
与现有技术相比，本发明有以下有益效果：
1.本发明创建的柴油机排放污染物控制方法，以柴油机喷油参数为待优化变量，SOOT和NOx排放量为目标变量，通过柴油机试验台架对目标变量进行采样，完成试验设计，试验样本多且数据来源可信，柴油机SOOT和NOx排放污染物控制效果显著。
2.本发明建立了基于优化变量的SVM柴油机排放性能预测模型。通过柴油机台架获取柴油机运行工况试验数据，利用试验获得的样本数据对SVM模型进行训练，以测试集的均方误差作为模型性能评价指标，对影响模型性能的核函数参数和惩罚因子进行优化，有效提升了模型的可信度。
3.本发明采用NSGA-Ⅱ多目标优化算法对柴油机的SOOT和NOx污染物排放量进行优化。优化确定的Pareto最优解集分布均匀，不存在拥挤问题且具有清晰的支配关系，能够有效改善SOOT和NOx排放物的“Trade-off”关系，提升柴油机的排放性能。
4.本发明利用Topsis多属性决策算法对Pareto最优解进行优劣解排序，通过对比Pareto解集与最优解、最劣解的距离，为SOOT和NOx污染物排放量最优解的选取提供理论依据和决策性建议。
附图说明
图1为试验系统布置图。
图2为SVM建模流程图。
图3为SVM结构原理图。
图4为SOOT污染排放物SVM参数优化图。
图5为NOx污染排放物SVM参数优化图。
图6为SOOT排放污染物预测误差图。
图7为NOx排放污染物预测误差图。
图8为NSGA-Ⅱ算法流程图。
图9为1600r/min@50Nm工况下SOOT-NOx Pareto最优解示意图。
图10为2000r/min@50Nm工况下SOOT-NOx Pareto最优解示意图。
图11为1600r/min@100Nm工况下SOOT-NOx Pareto最优解示意图。
图12为2000r/min@100Nm工况下SOOT-NOx Pareto最优解示意图。
图13为1600r/min@50Nm工况下不同权重的相对贴进度示意图。
图14为2000r/min@50Nm工况下不同权重的相对贴进度示意图。
图15为1600r/min@100Nm工况下不同权重的相对贴进度示意图。
图16为2000r/min@100Nm工况下不同权重的相对贴进度示意图。
图17为1600r/min@50Nm工况相对原机工况点Pareto最优解优化百分比示意图。
图18为2000r/min@50Nm工况相对原机工况点Pareto最优解优化百分比示意图。图19为1600r/min@100Nm工况相对原机工况点Pareto最优解优化百分比示意图。
图20为2000r/min@100Nm工况相对原机工况点Pareto最优解优化百分比示意图。
具体实施方式
下面结合附图，对本发明所提出的优化方法进行进一步阐述和说明：
一种基于近似模型的柴油机排放污染物控制方法包括以下步骤：
设计柴油机排放污染物控制方法；
建立关于控制变量的SVM预测模型；
基于NSGA-Ⅱ算法，确定SOOT和NOx的Pareto最优解；
基于Topsis多属性决策算法对SOOT和NOx的Pareto最优解进行优劣解排序。
1.设计柴油机排放污染物控制方法
将柴油机1600r/min@50Nm、1600r/min@100Nm、2000r/min@50Nm和2000r/min@100Nm四种不同运行工况(转速和转矩)下的喷油参数(预喷油量、主喷正时、预喷正时和喷射压力)作为控制变量，柴油机的SOOT和NOx排放量为目标变量。为保证各变量处于相同的初始状态，赋予每个控制变量相同的初始权值，对控制变量和目标变量采用归一化处理。
试验系统布置原理图见图1，柴油机原机参数如表1所示。
表1原机参数
2.建立基于控制变量的SVM预测模型
(1)建立柴油机SOOT和NOx排放污染物SVM预测模型，SVM建模流程见图2。通过柴油机台架系统获取柴油机四种不同运行工况下喷油参数和排放量的测量值，在四种不同运行工况的基础上，通过调整喷油参数共计拓展为112个采样工况。随机选取90个采样工况中的喷油参数和相应的排放量测量值作为训练集，剩余的22个采样工况数据作为测试集，训练集的喷油参数和排放量测量值作为SVM模型的输入和输出变量对SVM模型进行训练，本发明选用适应性最强的径向基核函数，。图3为SVM结构原理图，包括输入层、隐含层和输出层各一个。以训练集的排放量测量值和模型预测输出值的均方误差作为模型参数是否最优的评价指标，对影响模型性能的核函数参数和惩罚因子进行优化，如图4和5所示。各排放量对应的SVM模型最优参数见表2。
表2 SVM模型最优参数选择
(2)验证SVM预测模型的可信性
通过对测试集喷油参数的模型预测输出值与喷油参数相应的排放量测量值进行对比，评估预测模型的可信性，样本误差见图6和7。如图6和7所示，SVM预测模型能够准确反应柴油机不同运行工况下SOOT和NOx污染排放物的变化规律，模型预测输出值与测量值最大误差不超过10％，模型可信，基于SVM的预测模型满足工程要求。
3.基于NSGA-Ⅱ算法，确定SOOT和NOx的Pareto最优解集
采用NSGA-Ⅱ算法对柴油机喷油参数进行优化，对SOOT和NOx排放污染物进行控制，其优化流程见图8，优化问题用下式进行描述：
其中：S、N为目标变量，f1(x)、f2(x)代表子目标函数，即柴油机的SOOT和NOx污染物排放量，为使柴油机排放性能达到最优，需使该目标函数值最小；x＝(x1,x2,x3,x4)代表控制变量，即柴油机的喷油参数；model为支持向量机参数，包括核函数参数c及惩罚因子g等；xl为控制变量的下限，xu为控制变量的上限。
图9至12为不同工况下SOOT和NOx排放污染物的Pareto最优解集。由图9至12可以看出NSGA-Ⅱ算法够有效获取SOOT和NOx的Pareto最优解，且Pareto最优解均匀分布，不存在解的拥挤问题，对其他解具有清晰的支配关系。相比于原机运行工况，通过优化喷油参数，降低了柴油机SOOT和NOx污染物的排放量，提高了柴油机排放性能。
4.基于Topsis多属性决策算法对SOOT和NOx的Pareto最优解集进行优劣解排序
(1)Topsis多属性决策相对贴近度分析
基于Topsis方法进行评估分析，构造的决策矩阵可以描述为：
其中，R为SOOT和NOxPareto最优解归一化的属性矩阵，W为权重矩阵，
和
分别为SOOT和NOx Pareto最优解的归一化目标变量，w1和w2为SOOT和NOx Pareto最优解的归一化目标变量的权重值。决策矩阵A中包含n个备选方案，每个方案中包含2个评价指标，式中An1、An2为属性变量。
第i个备选方案与理想解的相对贴近度可以描述为：
其中
和
分别为计算属性指标到理想解的正、负距离，
和
分别为决策矩阵中每列的最小值和最大值。
最后根据相对贴近度的大小对最优解集进行排序，贴近度越大，说明最优解越接近理想解。
图13至16为不同工况下不同权重的相对贴进度。由图13至16可以看出SOOT和NOx赋予不同的权重时，Pareto最优解与理想解的相对贴近度在不断变化，Pareto最优解的选取需要依据不同侧重的属性指标进行确定。
(2)Topsis多属性决策结果分析
柴油机尾气中含有超过85％的SOOT排放量，SOOT是柴油机排放控制的重点指标，选择SOOT权重0.6，NOx权重0.4，相应SOOT和NOx的最优解相比原机排放量的优化百分比见图17至20。由图17至20可见Topsis多属性决策可以为Pareto最优解的选取提供依据，不同工况下SOOT和NOx污染物排放量同时下降接近10％，有效改善SOOT和NOx之间的“Trade-off”关系。
Claims (9)
1.一种基于近似模型的柴油机排放污染物控制方法，其特征在于，包括以下内容：
设计柴油机排放污染物控制方法；
建立关于控制变量的SVM预测模型；
基于NSGA-Ⅱ算法，确定SOOT和NOx的Pareto最优解集；
基于Topsis多属性决策算法对SOOT和NOx的Pareto最优解进行优劣解排序。
2.根据权利要求1所述的一种基于近似模型的柴油机排放污染物控制方法，其特征在于：设计柴油机排放污染物控制方法的具体过程为：选取柴油机的不同运行工况对应的喷油参数作为优化变量，取柴油机的SOOT和NOx排放量为目标变量。
3.根据权利要求2所述的一种基于近似模型的柴油机排放污染物控制方法，其特征在于：建立关于控制变量的SVM预测模型的具体过程为：随机选取柴油机不同运行工况下喷油参数和排放量测量值作为训练集，利用训练集对建立的SVM模型进行训练。
4.根据权利要求3所述的一种基于近似模型的柴油机排放污染物控制方法，其特征在于：基于NSGA-Ⅱ算法，确定SOOT和NOx的Pareto最优解集的具体过程为：采用NSGA-Ⅱ算法对柴油机喷油参数进行优化，确定柴油机SOOT和NOx的Pareto最优解集，使SOOT和NOx污染物排放量同时降低，提高了柴油机整机的排放水平；其多目标求解问题用下式进行描述：
式中：S和N为目标变量，f1(x)、f2(x)为子目标函数；x＝(x1,x2,x3,x4)为优化变量；model为支持向量机参数，x1为优化变量的下限；xu为优化变量的上限。
5.根据权利要求4所述的一种基于近似模型的柴油机排放污染物控制方法，其特征在于：基于Topsis多属性决策算法对SOOT和NOx的Pareto最优解集进行优劣解排序的具体过程为：基于Topsis方法进行评估分析，构造的决策矩阵可以描述为：
其中，R为SOOT和NOxPareto最优解归一化的属性矩阵，W为权重矩阵，
和
分别为SOOT和NOx Pareto最优解的归一化目标变量，w1和w2为SOOT和NOx Pareto最优解的归一化目标变量的权重值，决策矩阵A中包含n个备选方案，每个方案中包含2个评价指标，式中An1、An2为属性变量；
备选方案与理想解的相对贴近度可以描述为：
其中
和
分别为计算备选方案到理想解的正、负距离，
和
分别为决策矩阵中每列的最小值和最大值；根据相对贴近度对最优解集进行排序。
6.根据权利要求2或3或4或5所述的一种基于近似模型的柴油机排放污染物控制方法，其特征在于：为保证各变量处于相同的初始状态，赋予每个优化变量相同的初始权值，对优化变量、目标变量采用归一化处理。
7.根据权利要求2或3或4或5所述的一种基于近似模型的柴油机排放污染物控制方法，其特征在于：训练集的排放量测量值和模型预测输出值的均方误差作为模型参数是否最优的评价指标，对影响模型性能的核函数参数和惩罚因子进行优化。
8.根据权利要求2或3或4或5所述的一种基于近似模型的柴油机排放污染物控制方法，其特征在于：通过对测试集喷油参数的模型预测输出值与喷油参数相应的排放变量测量值进行对比，评估预测模型的可信性。
9.根据权利要求5所述的一种基于近似模型的柴油机排放污染物控制方法，其特征在于：相比于NOx排放物，SOOT对环境造成的污染更为严重，在对柴油机排放性能优化的时候应该优先考虑。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995315.4A CN113705890B (zh) | 2021-08-27 | 2021-08-27 | 一种基于近似模型的柴油机排放污染物控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995315.4A CN113705890B (zh) | 2021-08-27 | 2021-08-27 | 一种基于近似模型的柴油机排放污染物控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705890A true CN113705890A (zh) | 2021-11-26 |
| CN113705890B CN113705890B (zh) | 2023-06-20 |
Family
ID=78655923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110995315.4A Active CN113705890B (zh) | 2021-08-27 | 2021-08-27 | 一种基于近似模型的柴油机排放污染物控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705890B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116837422A (zh) * | 2023-07-24 | 2023-10-03 | 扬中凯悦铜材有限公司 | 一种高纯无氧铜材的生产工艺及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070005313A1 (en) * | 2005-04-28 | 2007-01-04 | Vladimir Sevastyanov | Gradient-based methods for multi-objective optimization |
| US20070199307A1 (en) * | 2004-07-23 | 2007-08-30 | Hino Motors, Ltd. | Method For Determining NOx Reduction Ratio In Exhaust Emission Control Device |
| FR2929010A3 (fr) * | 2008-03-18 | 2009-09-25 | Renault Sas | Procede d'optimisation de la valeur d'un parametre de fonctionnement d'un moteur thermique. |
| CN102063561A (zh) * | 2010-12-10 | 2011-05-18 | 东风康明斯发动机有限公司 | 基于氮氧化物排放设计值模型的柴油机排放油耗平衡方法 |
| CN108563844A (zh) * | 2018-03-27 | 2018-09-21 | 哈尔滨工程大学 | 一种增压柴油机最佳egr率确定方法 |
| DE102017209277A1 (de) * | 2017-06-01 | 2018-12-06 | Robert Bosch Gmbh | Verfahren zum Ermitteln eines Gasanteils in einem Brennraum einer Brennkraft-maschine |
| CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
| CN109681299A (zh) * | 2019-01-23 | 2019-04-26 | 黄冈师范学院 | 柴油机Urea-SCR系统氨喷射量和氨覆盖率同步优化方法 |
| CN110210756A (zh) * | 2019-05-31 | 2019-09-06 | 华南理工大学 | 一种计及污染物扩散里程的电力系统经济调度方法 |
| CN111765445A (zh) * | 2020-07-01 | 2020-10-13 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
| CN112668419A (zh) * | 2020-12-17 | 2021-04-16 | 太原理工大学 | 一种基于振动信号的发动机排放物预测方法 |
-
2021
- 2021-08-27 CN CN202110995315.4A patent/CN113705890B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070199307A1 (en) * | 2004-07-23 | 2007-08-30 | Hino Motors, Ltd. | Method For Determining NOx Reduction Ratio In Exhaust Emission Control Device |
| US20070005313A1 (en) * | 2005-04-28 | 2007-01-04 | Vladimir Sevastyanov | Gradient-based methods for multi-objective optimization |
| FR2929010A3 (fr) * | 2008-03-18 | 2009-09-25 | Renault Sas | Procede d'optimisation de la valeur d'un parametre de fonctionnement d'un moteur thermique. |
| CN102063561A (zh) * | 2010-12-10 | 2011-05-18 | 东风康明斯发动机有限公司 | 基于氮氧化物排放设计值模型的柴油机排放油耗平衡方法 |
| DE102017209277A1 (de) * | 2017-06-01 | 2018-12-06 | Robert Bosch Gmbh | Verfahren zum Ermitteln eines Gasanteils in einem Brennraum einer Brennkraft-maschine |
| CN108563844A (zh) * | 2018-03-27 | 2018-09-21 | 哈尔滨工程大学 | 一种增压柴油机最佳egr率确定方法 |
| CN109325313A (zh) * | 2018-11-01 | 2019-02-12 | 大唐环境产业集团股份有限公司 | 基于改进量子粒子群优化电厂锅炉nox预测模型装置 |
| CN109681299A (zh) * | 2019-01-23 | 2019-04-26 | 黄冈师范学院 | 柴油机Urea-SCR系统氨喷射量和氨覆盖率同步优化方法 |
| CN110210756A (zh) * | 2019-05-31 | 2019-09-06 | 华南理工大学 | 一种计及污染物扩散里程的电力系统经济调度方法 |
| CN111765445A (zh) * | 2020-07-01 | 2020-10-13 | 河北工业大学 | 一种锅炉在线燃烧优化控制方法、系统及计算机设备 |
| CN112668419A (zh) * | 2020-12-17 | 2021-04-16 | 太原理工大学 | 一种基于振动信号的发动机排放物预测方法 |
Non-Patent Citations (9)
| Title |
|---|
| MASAHIRO KANAZAKI, SHIGERU OBAYASHI & KAZUHIRO NAKAHASHI: "Exhaust manifold design with tapered pipes using divided range MOGA", ENGINEERING OPTIMIZATION * |
| 冯丹华;王铁;冯星;曹杰;郭鹏;王娜;: "多因素作用下降低增压柴油机排放的试验研究", 车用发动机 * |
| 刘海;张俊红;倪广健;毕凤荣;刘昱;: "基于遗传支持向量机的柴油机辐射噪声品质预测技术", 振动与冲击 * |
| 吴敏: "基于支持向量机的柴油机NOx瞬态排放预测及优化研究", 硕士论文 * |
| 张扬;朱志宇;: "改进PSO算法优化LSSVM的柴油机排气预测", 重庆理工大学学报(自然科学) * |
| 牛晓晓 等: "基于AFSA优化的支持向量机柴油机性能预测模型", 船舶工程 * |
| 翟旭茂;张翠平;李玉娟;冯星;: "基于GT-POWER的甲醇柴油发动机性能仿真", 小型内燃机与摩托车 * |
| 蔡凯: "柴油机燃用生物柴油的排放预测建模及多目标优化研究", 硕士论文 * |
| 陈敏生;刘定平;: "基于LS-SVM和SPEA2的电站锅炉燃烧多目标优化研究", 华东电力 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116837422A (zh) * | 2023-07-24 | 2023-10-03 | 扬中凯悦铜材有限公司 | 一种高纯无氧铜材的生产工艺及系统 |
| CN116837422B (zh) * | 2023-07-24 | 2024-01-26 | 扬中凯悦铜材有限公司 | 一种高纯无氧铜材的生产工艺及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705890B (zh) | 2023-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104102781A (zh) | 一种基于多目标优化的发动机性能优化方法 | |
| CN107203832B (zh) | 基于主客观赋权-多目标灰色决策-灰关联分析的增压柴油机最佳egr性能评估方法 | |
| CN107476903A (zh) | 一种增压柴油机egr性能评估及最佳egr率确定方法 | |
| Rai et al. | Prediction models for performance and emissions of a dual fuel CI engine using ANFIS | |
| 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 | |
| CN105116730B (zh) | 基于粒子群模糊神经网络的氢燃料发动机点火提前角优化系统及其优化方法 | |
| CN113705890B (zh) | 一种基于近似模型的柴油机排放污染物控制方法 | |
| Kakaee et al. | Combining artificial neural network and multi-objective optimization to reduce a heavy-duty diesel engine emissions and fuel consumption | |
| CN111849567A (zh) | 一种构建汽油替代燃料模型及机理简化的方法 | |
| Dang et al. | Optimization control of hydrogen engine ignition system based on ACO-BP | |
| CN108563844B (zh) | 一种增压柴油机最佳egr率确定方法 | |
| CN111798146A (zh) | 一种燃料电池发动机性能评价的方法 | |
| Ma et al. | An investigation of optimum control of a spark ignition engine fueled by NG and hydrogen mixtures | |
| CN111911307A (zh) | 变海拔柴油机二级可调增压系统、喷油系统与冷却系统优化匹配方法 | |
| Zu et al. | An EGR performance evaluation and decision-making approach based on grey theory and grey entropy analysis | |
| CN113049259A (zh) | 台架控制系统的模糊控制方法、存储介质及设备 | |
| CN114934848B (zh) | 一种面向柴油机燃烧性能优化控制的模糊神经网络建模方法 | |
| Žvirblis et al. | Improving diesel engine reliability using an optimal prognostic model to predict diesel engine emissions and performance using pure diesel and hydrogenated vegetable oil | |
| Andreadis et al. | Optimization of injection characteristics in a large marine diesel engine using evolutionary algorithms | |
| Zhang et al. | Modelling and multi-objective combustion optimization of marine engine with speed maintaining control target | |
| CN108846132B (zh) | 基于配方文件的船用柴油机scr电控系统map图查询方法 | |
| Ma et al. | Multi-Objective Optimization Study of Dual-Fuel Engine Emissions and Economy | |
| Brace et al. | An operating point optimizer for the design and calibration of an integrated diesel/continuously variable transmission powertrain | |
| CN102681523A (zh) | 一种最优点火提前角的确定方法 | |
| DZHELİL et al. | Mathematical modeling and optimization of supply chain for bioethanol |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |