CN115324698A - 基于神经网络的柴油机尾气分析传感方法 - Google Patents
基于神经网络的柴油机尾气分析传感方法 Download PDFInfo
- Publication number
- CN115324698A CN115324698A CN202210947555.1A CN202210947555A CN115324698A CN 115324698 A CN115324698 A CN 115324698A CN 202210947555 A CN202210947555 A CN 202210947555A CN 115324698 A CN115324698 A CN 115324698A
- Authority
- CN
- China
- Prior art keywords
- neural network
- diesel engine
- response
- gas
- value
- 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
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01N—GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR MACHINES OR ENGINES IN GENERAL; GAS-FLOW SILENCERS OR EXHAUST APPARATUS FOR INTERNAL COMBUSTION ENGINES
- F01N11/00—Monitoring or diagnostic devices for exhaust-gas treatment apparatus, e.g. for catalytic activity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Electrochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Combustion & Propulsion (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
一种基于神经网络的柴油机尾气分析传感方法,利用气体传感器阵列获取污染物气体浓度响应特性曲线;从响应曲线中提取特征值;通过基于模型特征重要性排序的特征选择方法剔除冗余数据后,训练并测试预测神经网络模型,再将训练后的预测神经网络模型用于在线阶段的柴油机尾气识别分析,得到柴油机污染物浓度实时检测数值。本发明构建数据与地区污染物排放因子之间的预测模型,解决电阻型传感器对NO,NO2,NH3等气体的交叉敏感性的问题,实现对污染物组分的定量识别。
Description
技术领域
本发明涉及的是一种神经网络应用领域的技术,具体是一种基于神经网络的柴油机尾气分析传感方法。
背景技术
现有柴油机尾气后处理系统的使用条件对车用NH3、NOx传感器提出更为苛刻的参数要求,包括灵敏度高,检测浓度下限低,达到5ppm以内;响应速度快,为实现尿素喷射的闭环控制和车载诊断系统(OBD)的在线检测需求,响应时间应达到3~5秒以内;在柴油机高温尾气条件下的长期稳定性;抗干扰性,对柴油机复杂尾气成分(CO、CO2、NO、NO2、HC)不应存在交叉感应。现有的电阻型气体传感器选择性较差,对多种气体都具有交叉敏感性,这给柴油机尾气中的单一组分检测带来许多困难。
国家排放法规要求柴油机必须加装后处理系统,而随着法规的逐步严格,高性能的气体监测技术在实现后处理系统的闭环反馈控制及高效运行具有重要作用。现有污染物监测技术,例如车载便携式排放测试系统(PEMS)设备体积较大,价格比较昂贵,通常安装在排气管出口的位置,主要用于排放测试,无法在排气管内实时检测污染物浓度并对后处理系统反馈控制。而目前已经商用的NOx传感器为电流型电化学传感器,存在交叉敏感性的问题(无法识别NH3与NOx),结构复杂,成本较高,具有很大的局限性。
发明内容
本发明针对现有电阻型传感器对相似性质的气体具有难以避免的交叉敏感性,在检测柴油机尾气中某一组分时易受到其他气体组分干扰的问题,提出一种基于神经网络的柴油机尾气分析传感方法,采用结构简单、成本更低的电阻型传感器组成阵列,解决电阻型传感器对NO,NO2,NH3等柴油机典型尾气成分的交叉敏感性的问题,实现对污染物组分的定量识别,由于传感器阵列的体积可以做的足够小,可以安装在排气管内各后处理设备进出口处,实现后处理系统的闭环反馈控制。
本发明是通过以下技术方案实现的:
本发明涉及一种基于神经网络的柴油机尾气分析传感方法,利用气体传感器阵列获取污染物气体浓度响应特性曲线;从响应曲线中提取特征值;通过基于模型特征重要性排序的特征选择方法剔除冗余数据后,训练并测试预测神经网络模型,再将训练后的预测神经网络模型用于在线阶段的柴油机尾气识别分析,得到柴油机污染物浓度实时检测数值。
所述的污染物气体,包括NO、NO2、SO2、NH3。
所述的特征值包括:响应阶段相对最大响应值λ1、相对最小响应值λ2、相对稳定响应值λ3、斜率滑动平均值emaα,其中:响应值λ=(R-Rair)/Rair,其中:Rair为基线电阻,采用每次响应前20个电阻信号的均值,R为响应电阻值,计算λ1时采用最大响应电阻Rmax,计算λ2时采用最小响应电阻Rmin,计算λ3时采用稳态响应电阻Rbal。
所述的斜率滑动平均值emaα,通过以下方式计算得到:y[k]=(1-α)y[k-1]+α(R[k]-R[k-1]),其中:y[k]为滑动平均值,当k=0时,y[k]=0,α为松弛因子,取值为0.1。
所述的基于模型特征重要性排序的特征选择方法,具体包括:
步骤1、使用包含全部特征的训练数据集预训练一次预测神经网络模型,将测试集输入预训练后的预测神经网络得到预测误差ε;
所述的测试集是指:随机抽取完整数据集中30%的样本作为测试集,剩余70%的样本作为训练集。
步骤2、随机打乱测试集中第i列特征的数据,并再次输入训练后的预测神经网络得到预测误差εi,并计算εi对ε的相对变化率δi,该相对变化率反映第i列特征值对网络的重要性指标,δi值越大,则特征值i越重要。
步骤3、计算所有特征值的相对变化率,得到相对变化率向量δ={δ1,δ2,δ3…δn},计算其中每个δi所占权重并按照降序排序,得到权值向量ω={ω1,ω2,ω3…ωn};
步骤4、对权值向量ω={ω1,ω2,ω3…ωn}从ω1开始进行累计求和,当累积权值ω1+ω2+…ωk>0.85时,认为这k个特征值能够反应原数据信息。
所述的预测神经网络模型为BP神经网络,包括:一个输入层、一个隐藏层和一个输出层,其中:输入层包含节点数P1=M*N,其中M为传感器数,N为经过特征选择处理后的特征值数,激活函数为线性函数;隐藏层包含节点数P2=2*P1+1,激活函数为Sigmod函数;输出层包含节点数P3=q,q为待检测气体种类数,激活函数为线性函数。
所述的训练,对预测神经网络模型中的神经元的初始权重值和阈值采用遗传算法(Genetic Algorithm)进行优化,避免模型陷入局部最优而非全局最优的问题,其设定包括:
设定一、种群初始化方式:采用二进制编码方式,每个个体为一个二进制串,该二进制串包括:输入层和隐含层的连接权值、隐含层的阈值、隐含层与输出层的连接权值、输出层的阈值,每个权值或阈值使用M位的二进制编码,将所有权值和阈值的编码连接起来即为一个个体的编码;
设定二、适应度函数:选择预测样本的预测值与期望值的残差矩阵的范数作为适应度函数的返回;
设定三、种群的大小,迭代次数,交叉变异概率。
所述的测试是指:同时使用排放仪检测污染物浓度,将其结果作为污染物浓度实际值,计算本发明的预测准确率。
本发明涉及一种实现上述方法的基于神经网络的柴油机尾气分析传感系统,包括:传感器阵列单元、特征提取单元和神经网络模型单元,其中:传感器阵列单元直接接触柴油机尾气污染物,将各污染物组分随时间变化的浓度信号转换为电阻信号并输出;特征提取单元接收初始电阻信号,从中提取出特征信息;神经网络模型单元经离线训练后,在在线阶段接收特征提取单元输出的特征信息,得到尾气组分浓度预测结果。
所述的特征信息包括:灵敏度、滑动平均值、峰值。
技术效果
本发明通过优选传感器材料,并采用基于模型特征重要性排序的特征选择方法,采用神经网络求解,最终实现气体组分浓度的准确识别,其误差控制在10%以内。
附图说明
图1为本发明整体流程示意图;
图2为本发明所述的实施例实验设备示意图;
图3为传感器气体响应特性曲线示意图;
图4为神经网络算法结构示意图。
具体实施方式
实施例1
在本实施例中,柴油机主要排放限制污染物包含NO、NO2、SO2、NH3四种污染物,每种污染物设置10ppm,20ppm,30ppm,40ppm,50ppm五种浓度,使用N2和O2作为平衡气,模拟柴油机尾气,并采用正交试验设计法以减少试验次数。
如图1所示,为本实施例涉及一种基于神经网络的柴油机尾气分析传感方法,包括:
步骤s1,使用传感器阵列获取柴油机主要排放限制污染物的响应曲线,具体为:首先将上述传感器阵列置于恒温恒湿的流动反应器内预热,使用背景气进行冲洗。测试开始时将上述不同污染物浓度的混合气体通入气体池内,采集各传感器的电阻信号并保存。整个响应过程持续5分钟。当一组样本测试完成后,使用背景气冲洗10分钟使基线回归至初始位置。使用上述步骤完成对所有样本的测试;
实施例试验设备示意图如图2所示。
步骤s2,如图3所示,从响应曲线中提取响应阶段最大响应值λ1、最小响应值λ2、稳定响应值λ3、斜率滑动平均值emaα作为特征值;
本实施例中,传感器阵列对不同气体具有不同的响应速度,因此可能出现上下振荡的情况。故而仅仅采用稳态响应值作为特征值无法完全反映传感器的响应特性。
步骤s3对数据进行特征选择,以剔除冗余数据,归一化后获得特征数据集;
步骤s4,将特征数据集随机分成训练集和测试集输入至神经网络中,得到预测神经网络并对其进行测试。
所述的神经网络为BP神经网络,包括一个输入层、一个隐藏层、一个输出层,其中:输入层包含节点数P1=M*N,其中M为传感器数,N为经过特征选择处理后的特征值数,激活函数为线性;隐藏层包含节点数P2=2*P1+1,激活函数为Sigmod函数;输出层包含节点数P3=q,q为待检测气体种类数,激活函数为线性。
本实施例中,传感器数为4,待测气体种类为4种。P1=12,P2=25,P3=4。
所述的神经网络使用遗传算法优化初始权重值和阈值,具体设定为:
设定一:种群初始化方式。采用二进制编码方式,每个个体为一个二进制串,由输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值四部分组成,每个权值或阈值使用M位的二进制编码,将所有权值和阈值的编码连接起来即为一个个体的编码。
在本实施例中,神经网络结构为12-25-4,包含300个输入层和隐含层连接权值,25个隐含层阈值,100个隐含层与输出层连接权值,4输出层阈值,每个权值和阈值使用10位的二进制编码。故而个体二进制编码长度为4290,其中前3000位为输入层和隐含层连接权值,3001~3250为隐含层阈值,3251~4250为隐含层与输出层连接权值,4251~4290为输出层阈值。
设定二:适应度函数。选择预测样本的预测值与期望值的残差矩阵的范数作为适应度函数的返回。
设定三:本实施例中,种群大小设为100,最大遗传代数为40代,交叉概率0.7,变异概率0.1。
实施例2
本实施例实现对NH3和NO2混合气体组分浓度预测,误差控制在10%以内。
本实施例中,NH3浓度设置为10,20,30,40,50ppm五个浓度梯度,NO2设置为0.5,1,1.5,2,2.5,3ppm六个浓度梯度,一共进行30组测试。
实施例试验设备示意图如图2所示。
本实施例对传感器阵列进行优化,包括:
步骤1、由于预测气体为NH3和NO2混合气体,模型输出数目为2,因此至少需要2个及以上传感器;
步骤2、增加传感器基片中铂线的厚度,以适应柴油机排气管内尾气温度较高的情况;
步骤3、所选传感器阵列应满足以下条件:
步骤3.1、相同传感器单元短时间内基线不发生漂移;
步骤3.2、相同传感器单元对同种气体具有相同的响应特性,并能识别气体浓度变化;
步骤3.3、相同传感器单元对不同种气体具有不同的响应特性,并能识别气体浓度变化;
步骤3.4、不同的传感器单元对同种气体应具有不同的响应特性,并能识别气体浓度变化
经优化筛选后,所述的传感器阵列包括3款电阻型气体传感器,TGS-826,2SH12,MQ-131,其响应特性曲线如图3所示。
其余设定同实施例1。
经过具体实际实验,在25℃的具体环境设置下,设电阻型气体传感器加热电流设置为150mA,经特征选择后,得到如下实验数据,为主要的模型训练数据:
经多次试验后,本实施例对两种气体组分浓度部分预测误差如下表所示,具体为:
序号 | 特征值 | NO<sub>2</sub>预测误差 | NH<sub>3</sub>预测误差 |
1 | λ1、λ2、λ3、ema<sub>0.1</sub> | 20.93% | 11.70% |
2 | PCA降维 | 38.64% | 24.26% |
3 | 本方法 | 4.24% | 7.60% |
4 | 本方法 | 3.02% | 2.10% |
5 | 本方法 | 6.00% | 9.21% |
其中,1号采用原始数据集,包含3款传感器的全部特征值,2号对原始数据集进行PCA降维,3,4,5则采用本方法。可以看到,与现有技术相比,本方法预测误差控制在10%以内,最好可以达到3%左右,提高预测准确度。
综上,本发明通过采用价格更为低廉、体积更小的电阻型气体传感器来实现对污染物的监测。尽管电阻型气体传感器也存在对多种气体的交叉敏感性问题,但是由于其检测机理与电流型电化学传感器存在本质不同,因此电阻型气体传感器的交叉敏感性可以通过将多组传感器组成阵列,并使用算法求解的方式来消除或者减少这种干扰。本方法通过优选传感器材料、优化特征值的提取与筛选方式,采用神经网络求解,最终实现气体组分浓度的准确识别。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (7)
1.一种基于神经网络的柴油机尾气分析传感方法,其特征在于,利用气体传感器阵列获取污染物气体浓度响应特性曲线;从响应曲线中提取特征值;通过基于模型特征重要性排序的特征选择方法剔除冗余数据后,训练并测试预测神经网络模型,再将训练后的预测神经网络模型用于在线阶段的柴油机尾气识别分析,得到柴油机污染物浓度实时检测数值。
2.根据权利要求1所述的基于神经网络的柴油机尾气分析传感方法,其特征是,所述的特征值包括:响应阶段相对最大响应值λ1、相对最小响应值λ2、相对稳定响应值λ3、斜率滑动平均值emaα,其中:响应值λ=(R-Rair)/Rair,其中:Rair为基线电阻,采用每次响应前20个电阻信号的均值,R为响应电阻值,计算λ1时采用最大响应电阻Rmax,计算λ2时采用最小响应电阻Rmin,计算λ3时采用稳态响应电阻Rbal。
3.根据权利要求2所述的基于神经网络的柴油机尾气分析传感方法,其特征是,所述的斜率滑动平均值emaα,通过以下方式计算得到:y[k]=(1-α)y[k-1]+α(R[k]-R[k-1]),其中:y[k]为滑动平均值,当k=0时,y[k]=0,α为松弛因子。
4.根据权利要求1所述的基于神经网络的柴油机尾气分析传感方法,其特征是,所述的基于模型特征重要性排序的特征选择方法,具体包括:
步骤1、使用包含全部特征的数据集预训练一次预测神经网络模型,将测试集输入预训练后的预测神经网络得到预测误差ε;
步骤2、随机打乱测试集中第i列特征的数据,并再次输入训练后的预测神经网络得到预测误差εi,并计算εi对ε的相对变化率δi;
步骤3、计算所有特征值的相对变化率,得到相对变化率向量δ={δ1,δ2,δ3…δn},计算其中每个δi所占权重并按照降序排序,得到权值向量ω={ω1,ω2,ω3…ωn};
步骤4、对权值向量ω={ω1,ω2,ω3…ωn}从ω1开始进行累计求和,当累积权值ω1+ω2+…ωk>0.85时,认为这k个特征值能够反应原数据信息。
5.根据权利要求1~4中任一所述的基于神经网络的柴油机尾气分析传感方法,其特征是,所述的预测神经网络模型为BP神经网络,包括:一个输入层、一个隐藏层和一个输出层,其中:输入层包含节点数P1=M*N,其中M为传感器数,N为经过特征选择处理后的特征值数,激活函数为线性函数;隐藏层包含节点数P2=2*P1+1,激活函数为Sigmod函数;输出层包含节点数P3=q,q为待检测气体种类数,激活函数为线性函数。
6.根据权利要求5所述的基于神经网络的柴油机尾气分析传感方法,其特征是,所述的训练,对预测神经网络模型中的神经元的初始权重值和阈值采用遗传算法进行优化,避免模型陷入局部最优而非全局最优的问题,其设定包括:
设定一、种群初始化方式:采用二进制编码方式,每个个体为一个二进制串,该二进制串包括:输入层和隐含层的连接权值、隐含层的阈值、隐含层与输出层的连接权值、输出层的阈值,每个权值或阈值使用M位的二进制编码,将所有权值和阈值的编码连接起来即为一个个体的编码;
设定二、适应度函数:选择预测样本的预测值与期望值的残差矩阵的范数作为适应度函数的返回;
设定三、种群的大小,迭代次数,交叉变异概率。
7.一种实现权利要求1~6中任一所述基于神经网络的柴油机尾气分析传感方法的柴油机尾气分析传感系统,其特征在于,包括:传感器阵列单元、特征提取和选择单元和神经网络模型单元,其中:传感器阵列单元直接接触柴油机尾气污染物,将各污染物组分随时间变化的浓度信号转换为电阻信号并输出;特征提取单元接收初始电阻信号,从中提取出特征信息;神经网络模型单元经离线训练后,在在线阶段接收特征提取单元输出的特征信息,得到尾气组分浓度预测结果;
所述的特征信息包括:灵敏度、滑动平均值、峰值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210947555.1A CN115324698B (zh) | 2022-08-09 | 2022-08-09 | 基于神经网络的柴油机尾气分析传感方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210947555.1A CN115324698B (zh) | 2022-08-09 | 2022-08-09 | 基于神经网络的柴油机尾气分析传感方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115324698A true CN115324698A (zh) | 2022-11-11 |
CN115324698B CN115324698B (zh) | 2023-06-16 |
Family
ID=83921982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210947555.1A Active CN115324698B (zh) | 2022-08-09 | 2022-08-09 | 基于神经网络的柴油机尾气分析传感方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115324698B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860056A (zh) * | 2023-02-17 | 2023-03-28 | 电子科技大学 | 一种用于混合气体浓度预测的传感器阵列神经网络方法 |
CN116659875A (zh) * | 2023-04-19 | 2023-08-29 | 上海宇佑船舶科技有限公司 | 基于前馈神经网络的柴油机组检测方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5625750A (en) * | 1994-06-29 | 1997-04-29 | Ford Motor Company | Catalyst monitor with direct prediction of hydrocarbon conversion efficiency by dynamic neural networks |
CN101333961A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 氢气天然气混合燃料发动机的优化方法 |
CN112241609A (zh) * | 2020-10-15 | 2021-01-19 | 吉林大学 | 柴油机NOx排放实时估计系统 |
CN112861436A (zh) * | 2021-02-18 | 2021-05-28 | 天津大学 | 一种发动机排放实时预测方法 |
CN113269348A (zh) * | 2021-04-09 | 2021-08-17 | 中国科学院合肥物质科学研究院 | 一种基于机器学习的机动车尾气浓度预测方法及系统 |
CN113935125A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机排放性能的bp神经网络预测模型优化方法 |
-
2022
- 2022-08-09 CN CN202210947555.1A patent/CN115324698B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5625750A (en) * | 1994-06-29 | 1997-04-29 | Ford Motor Company | Catalyst monitor with direct prediction of hydrocarbon conversion efficiency by dynamic neural networks |
CN101333961A (zh) * | 2008-08-07 | 2008-12-31 | 清华大学 | 氢气天然气混合燃料发动机的优化方法 |
CN112241609A (zh) * | 2020-10-15 | 2021-01-19 | 吉林大学 | 柴油机NOx排放实时估计系统 |
CN112861436A (zh) * | 2021-02-18 | 2021-05-28 | 天津大学 | 一种发动机排放实时预测方法 |
CN113269348A (zh) * | 2021-04-09 | 2021-08-17 | 中国科学院合肥物质科学研究院 | 一种基于机器学习的机动车尾气浓度预测方法及系统 |
CN113935125A (zh) * | 2021-09-09 | 2022-01-14 | 西华大学 | 柴油机排放性能的bp神经网络预测模型优化方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115860056A (zh) * | 2023-02-17 | 2023-03-28 | 电子科技大学 | 一种用于混合气体浓度预测的传感器阵列神经网络方法 |
CN116659875A (zh) * | 2023-04-19 | 2023-08-29 | 上海宇佑船舶科技有限公司 | 基于前馈神经网络的柴油机组检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115324698B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115324698B (zh) | 基于神经网络的柴油机尾气分析传感方法 | |
CN107577910B (zh) | 一种基于深层次神经网络的车辆尾气浓度反演方法 | |
CN108399201B (zh) | 一种基于循环神经网络的Web用户访问路径预测方法 | |
CN101135689B (zh) | 一种电子鼻开发平台 | |
CN111639683B (zh) | 基于obd技术评价柴油车氮氧化物排放等级的方法 | |
CN115828140B (zh) | 邻域互信息与随机森林相融合故障检测方法、系统及应用 | |
CN112462001B (zh) | 一种基于条件生成对抗网络进行数据增广的气体传感器阵列模型校准方法 | |
CN112231980B (zh) | 一种发动机寿命预测方法、存储介质及计算设备 | |
CN110880369A (zh) | 基于径向基函数神经网络的气体标志物检测方法及应用 | |
CN112164427A (zh) | 基于深度学习的药物小分子靶点活性预测方法和装置 | |
CN114037163A (zh) | 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法 | |
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 | |
CN108319739A (zh) | 一种混沌rbf神经网络汽油机进气流量预测方法 | |
CN112541526A (zh) | 一种基于pso-abc-elm的电子鼻气体浓度预测方法 | |
Schürholz et al. | Modeling of the three-way catalytic converter by recurrent neural networks | |
Liao et al. | A comparative investigation of advanced machine learning methods for predicting transient emission characteristic of diesel engine | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
CN113192569B (zh) | 基于改进粒子群和误差反馈神经网络的有害气体监测方法 | |
CN110988263A (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
CN116992247B (zh) | 一种尾气分析仪的异常数据检测方法 | |
CN111026075A (zh) | 一种基于误差匹配的中低压燃气调压器故障检测方法 | |
CN114544868B (zh) | 一种消除干扰气体影响的气体检测方法与系统 | |
CN116312869A (zh) | 催化裂化再生烟气氮氧化物预测方法、装置及系统 | |
Wang et al. | Portable vehicular electronic nose system for detection of automobile exhaust | |
Xu et al. | Intelligent cross-sensing sensor based on deep learning |
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 |